aktivecoj

Ŝlosilo:

  • grado de malfacileco: facila facila , mediumo mediumo , malmola malfacila , tre malfacile tre malfacile
  • postulas matematiko ( postulas matematiko )
  • postulas kodigon ( postulas kodigon )
  • datenkolektado ( datenkolektado )
  • miaj favoritos ( mia plej ŝatata )
  1. [ malfacila , postulas matematiko ] En la ĉapitro, mi estis tre pozitiva pri post-tavoliĝo. Tamen, ĝi ne ĉiam plibonigi la kvaliton de taksoj. Konstrui situacio kie povas afiŝi-tavoliĝo povas malpliigi la kvaliton de taksoj. (Por aludo, vidu Thomsen (1973) ).

  2. [ malfacila , datenkolektado , postulas kodigon ] Dezajno kaj realigi ne-probablo enketo en Amazon MTurk demandi pri pafilo proprieto ( "Ĉu vi, aŭ faras iun ajn en via hejmo, posedi pafilon, fusilo aŭ pistolo? Ĉu vi aŭ iu alia en via hejmo?") Kaj sintenoj al kontrolo de armiloj ( "Kion vi pensas estas pli grava-por protekti la rajton de amerikanoj posedi pafilojn aŭ kontroli pafilo proprieto?").

    1. Kiom longe faras vian enketon prenos? Kiom ĝi kostas? Kiel la demografio de via specimeno kompari al la demografio de la usona loĝantaro?
    2. Kio estas la kruda takso de pafilo proprieto uzante vian specimeno?
    3. Korekta por la ne-representatividad de via specimeno uzante post-tavoliĝo aŭ alian teknikon. Nun kio estas la takso de pafilo proprieto?
    4. Kiel via taksoj kompari al la lasta takso de Pew Research Center? Kion vi pensas klarigi la discrepancias, se estas ia?
    5. Ripeti la ekzercon 2-5 por sintenoj direkte pafilo kontrolon. Kiel via trovoj diferencas?
  3. [ tre malfacile , datenkolektado , postulas kodigon ] Goel kaj kolegoj (2016) administrita ne-probableco-bazita enketo konsistanta el 49 multoblaj-elekto attitudinal demandoj tirita de la Ĝenerala Socia Enketo (GSS) kaj elektu enketoj de la Pew Research Center en Amazon MTurk. Ili tiam ĝustigi por la ne-representatividad de datumoj uzante modelo bazita post-tavoliĝo (Sinjoro P), kaj kompari la alĝustiĝi taksojn kun tiuj taksita uzante probablo bazita GSS / Pew enketoj. Konduki la sama enketo sur MTurk kaj provi repliki Figuro 2al kaj Figuro 2b komparante vian ĝustigis taksoj kun la taksoj de la plej lastaj ĉirkaŭvojoj de GSS / Pew (Vidu Apendico Tablo A2 por la listo de 49 demandoj).

    1. Kompari kaj kontrastigi viajn rezultojn al la rezultoj de Pew kaj GSS.
    2. Kompari kaj kontrastigi viajn rezultojn al la rezultoj de la MTurk enketo en Goel, Obeng, and Rothschild (2016) .
  4. [ mediumo , datenkolektado , postulas kodigon ] Multaj studoj utiligas mem-raporto mezuroj de poŝtelefono aktiveco datumoj. Tio estas interesa opcio kie esploristoj povas kompari mem-raportita konduto kun ensalutinta konduto (vidu ekz Boase and Ling (2013) ). Du komunaj kondutoj demandi pri alvokas kaj texting kaj du komunajn tempo kadroj estas "hieraŭ" kaj "en la pasinta semajno."

    1. Antaŭ kolektado ajna datumo, kiu el la mem-raporto mezuras vi pensas estas pli preciza? Kial?
    2. Varbi 5 de viaj amikoj estas en via enketo. Bonvolu mallonge resumi kiel tiuj 5 amikoj provis. Cxu tio muestreo proceduro indukti specifajn antaŭjuĝoj en via taksoj?
    3. Bonvolu demandi ilin la sekvan mikro-enketo:
    • "Kiom da fojoj vi uzis poŝtelefonon por voki aliajn hieraŭ?"
    • "Kiom da teksto mesaĝojn vi sendu hieraŭ?"
    • "Kiom da fojoj vi uzis vian poŝtelefonon por voki aliajn en la lastaj sep tagoj?"
    • "Kiom da fojoj vi uzis vian poŝtelefonon por sendi aŭ ricevi mesaĝojn de teksto / SMS en la lastaj sep tagoj?" Unufoje la enketo estas kompleta, petu por kontroli ilian uzadon datumoj kiel ensalutinta per sia telefono aŭ retkonekto.
    1. Kiel mem-raporto uzado kompari ensaluti datumoj? Kiu estas la plej preciza, kiu estas almenaŭ ĝusta?
    2. Nun kombinas la datumoj kiujn vi kolektis la datumojn de aliaj personoj en via klaso (se vi faras tiun aktivecon por klaso). Kun tiu granda aro de datumoj, ripeti parto (D).
  5. [ mediumo , datenkolektado ] Schuman kaj Presser (1996) argumentas ke demando ordoj estus gravas pro du tipoj de rilatoj inter demandoj: parto-parto demandoj kie du demandoj estas samnivelaj de specifeco (ekz rangigoj de du prezidantaj kandidatoj); kaj parcial tutaj demandoj kie ĝenerala demando sekvas pli specifa demando (ekz demandanta "Kiel kontenta estas vi kun via laboro?" sekvas "Kiom kontenta vi estas kun via vivo?").

    Ili plue karakterizas du specoj de demando por efekto: consistencia efikoj okazas kiam respondoj al posta demando estas proksimigita (ol ili devus alie esti) al tiuj donitaj al antaŭa demando; kontrastigi efikoj okazas kiam ekzistas granda diferencoj inter respondojn al du demandoj.

    1. Krei paron de parto-parto demandojn kiujn vi opinias havos grandan demandon por efekto, paro de duona tutaj demandoj kiujn vi opinias havos grandan ordon efiko, kaj alia paro de demandoj kies ordo vi pensas ne gravas. Kuri enketo eksperimento sur MTurk elprovi viajn demandojn.
    2. Kiom granda estis la duona parto efekto estus vi povos krei? Ĉu consistencia aŭ kontrasto efekto?
    3. Kiom granda estis la parcial tuta efekto estis vi povos krei? Ĉu consistencia aŭ kontrasto efekto?
    4. Estis tie demandon por efekto en via paro, kie vi ne kredas ke la ordo gravas?
  6. [ mediumo , datenkolektado ] Konstruante sur la laboro de Schuman kaj Presser, Moore (2002) priskribas apartan dimension de demando por efekto: adicia kaj subtraha. Dum kontrasto kaj consistencia efikoj estas produktitaj kiel konsekvenco de respondantoj 'evaluaciones de la du erojn en rilato al ĉiu alia, alsuma kaj subtraha efektoj produktiĝas kiam enketitaj faras pli sentivaj al la granda kadro en kiu la demandoj estas prezentita. Legi Moore (2002) , tiam desegni kaj kuri enketo eksperimento sur MTurk pruvi adicia aŭ subtraha efektoj.

  7. [ malfacila , datenkolektado ] Christopher Antoun kaj kolegoj (2015) realigis studon komparante la conveniencia specimenoj akiritaj de kvar malsamaj rete varbado fontoj: MTurk, Craigslist, Google AdWords kaj Facebook. Desegni simplan enketon kaj varbi partoprenantojn tra almenaŭ du malsamaj rete varbado fontoj (eblas malsamaj fontoj de la kvar fontoj uzita en Antoun et al. (2015) ).

    1. Kompari la koston por rekruto, en terminoj de mono kaj tempo, inter malsamaj fontoj.
    2. Kompari la komponado de la specimenoj akiritaj de malsamaj fontoj.
    3. Kompari la kvaliton de datumoj inter la specimenoj. Por ideoj pri kiel mezuri datumoj kvalito de respondantoj, vidu Schober et al. (2015) .
    4. Kio estas via preferata fonto? Kial?
  8. [ mediumo ] YouGov, interreta-bazita merkato esploro firma, kondukita rete balotenketoj de panelo de ĉirkaŭ 800.000 respondantoj en Britio kaj uzita Mr. P. antaŭdiri la rezulton de EU Referendumo (te Brexit) kie la UK balotantoj voĉdoni aŭ resti aŭ forlasi la Eŭropa Unio.

    Detala priskribo de YouGov la statistika modelo estas tie (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/). Malglate parolanta, YouGov vandoj balotantoj en tipoj bazita sur 2015 parlamentan balotadon voĉdono elekto, aĝo, kvalifikoj, sekso, dato de intervjuo, tiel kiel la balota distrikto vivas en. Unue, oni uzis datumoj kolektitaj de la YouGov panelistoj taksi, inter tiuj kiu voĉdoni, la proporcio de homoj de ĉiu voĉdonanto tipo kiu intencas voĉdoni Leave. Ili estimas partopreno de ĉiu voĉdonanto tipo uzante la 2015 Brita Elekto Studo (BES) post-elekto vizaĝo-al-vizaĝo enketo, kiun validigita partopreno de la voĉdona ruloj. Fine, ili taksi kiom da homoj estas de ĉiu voĉdonanto tipo en la elektantaro bazita sur lasta Censo kaj Jare Loĝantaro Survey (kun iuj Krome informoj el la BES, YouGov enketo datumoj de ĉirkaŭ la parlamenta balotado, kaj informo sur kiel multaj personoj voĉdonis por ĉiu partio en ĉiu balota distrikto).

    Tri tagojn antaŭ la voĉdono, YouGov montris du punktan antaŭecon por Leave. Sojle de balotado, la enketo montris tro proksime nomi (49-51 Remain). La finalo sur-la-tago studo antaŭdiris 48/52 en favoro de Remain (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). Fakte, tiu takso sopiris la finan rezulton (52-48 Leave) per kvar procento punktoj.

    1. Uzi la tutan enketon eraro kadro diskutita en ĉi tiu ĉapitro por taksi kio povus esti irinta erara.
    2. YouGov respondo post la elekto (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) klarigis: "Tio ŝajnas en granda parto pro partopreno - iu kiu ni diris ĉiuj kune estus decida al la rezulto de tia fajne balancita raso. Nia partopreno modelo estis bazita, delvis, sur ĉu respondantoj voĉdonis en la lasta parlamenta balotado kaj partopreno nivelo supre de ĝeneralaj elektoj renversis la modelon, precipe en la nordo. "Ĉu tio ŝanĝas vian respondon al parto (al)?
  9. [ mediumo , postulas kodigon ] Skribu simulado ilustri ĉiun de la reprezento eraroj en Figuro 3.1.

    1. Krei situacion kie tiuj eraroj fakte nuligas.
    2. Krei situacion kie la eraroj komponaĵo reciproke.
  10. [ tre malfacile , postulas kodigon ] La esploro de Blumenstock kaj kolegoj (2015) implikis konstrui maŝinon lerna modelo kiu povus uzi ciferecan spuron datumoj antaŭdiri enketo respondojn. Nun, vi tuj provi la samon kun malsama aro de datumoj. Kosinski, Stillwell, and Graepel (2013) trovis ke Facebook likes povas antaŭdiri individuajn trajtojn kaj atributoj. Surprize, tiuj prognozoj povas esti eĉ pli preciza ol tiuj de amikoj kaj kolegoj (Youyou, Kosinski, and Stillwell 2015) .

    1. Legi Kosinski, Stillwell, and Graepel (2013) , kaj repliki Figuro 2. Iliaj datumoj estas disponeblaj tie: http://mypersonality.org/
    2. Nun repliki Figuro 3.
    3. Fine, esploru ilian modelon sur via propra Facebook datumojn: http://applymagicsauce.com/. Kiom bone ĝi funkcias por vi?
  11. [ mediumo ] Toole et al. (2015) uzo alvoko detalo registroj (CDRs) de poŝtelefonoj antaŭdiri entuta senlaboreco tendencoj.

    1. Kompari kaj kontrastigi la dezajno de Toole et al. (2015) kun Blumenstock, Cadamuro, and On (2015) .
    2. Ĉu vi pensas CDRs devus anstataŭi tradicia enketoj, kompletigi ilin aŭ ne uzi entute por registaro politikistoj spuri senlaboreco? Kial?
    3. Kio evidentigas konvinkus vin ke CDRs povas tute anstataŭi tradicia mezuroj de la senlaboreco imposto?