Tegevused

Võti:

  • raskusaste: kerge lihtne , keskmise keskmine kõva raske , väga raske väga raske
  • nõuab matemaatika ( nõuab matemaatika )
  • nõuab kodeerimine ( nõuab kodeerimine )
  • andmete kogumine ( andmete kogumine )
  • minu lemmikud ( minu lemmik )

  1. [ raske , nõuab matemaatika ] Peatükis, olin väga positiivselt meelestatud järelkihistamisega. Kuid see ei ole alati parandada hinnanguid. Ehitatakse olukorras, kus saab järelkihistamisega võib vähendada hinnangute kvaliteeti. (Vihje vaata Thomsen (1973) ).

  2. [ raske , andmete kogumine , nõuab kodeerimine ] Disain ja läbi empiirilist uuringut Amazon MTurk küsida omamisega ( "Kas teil, või kas keegi teie perekonnast, oma relv, püss või püstol? Kas see on teie või keegi teine ​​oma majapidamises?") Ja suhtumist relvakontroll ( "Mis sa arvad, on tähtsam-, et kaitsta õigust ameeriklasi enda relvad või kontrolli omamisega?").

    1. Kui kaua teie uuringu võtta? Kui palju see maksab? Kuidas demograafia oma proovi võrrelda demograafia USA elanikkonnast?
    2. Mis on umbkaudne hinnang omamisega kasutades oma proovi?
    3. Õige mitte-esinduslikkust oma proovi järelkihistamisega või mõne muu tehnikaga. Nüüd, mida on hinnangu omamisega?
    4. Kuidas teie hinnangul võrrelda et viimastel andmetel on Pew Research Center? Mis te arvate selgitada lahknevusi, kui on?
    5. Korda kasutada 2-5 suhtumist relvakontroll. Kuidas oma tähelepanekud erinevad?

  3. [ väga raske , andmete kogumine , nõuab kodeerimine ] Goel ja tema kolleegid (2016) manustati mitte-tõenäosus põhinev uuring, mis koosneb 49 valikvastustega hoiakuküsimustest tõmmatud General Social Survey (GSS) ja valige uuringud Pew Research Center Amazon MTurk. Seejärel reguleerige mitte-esinduslikkust andmeid kasutades mudeli põhjal järelkihistamisega (Hr P), ja võrrelda kohandatud hinnanguid nende hinnangulised tõenäosus põhinev GSS / Pew uuringud. Käitumise sama uuringu MTurk ja püüda imiteerida 2a ja joonis 2b võrreldes oma kohandatud prognoosid koos hinnangute viimaste voorude GSS / Pew (vt lisa tabel A2 nimekirja 49 küsimust).

    1. Võrrelda ja vastandada oma tulemusi tulemused Pew ja GSS.
    2. Võrrelda ja vastandada oma tulemused tuleneb MTurk uuringu Goel, Obeng, and Rothschild (2016) .

  4. [ keskmine , andmete kogumine , nõuab kodeerimine ] Mitmed uuringud kasutada self-report meetmed mobiiltelefoni aktiivsuse andmeid. See on huvitav seade, kus teadlased saavad võrrelda ise aru käitumise logitav käitumine (vt nt Boase and Ling (2013) ). Kaks ühist käitumist küsida on helistaja ja texting ja kaks ühist aega raamid on "eile" ja "viimase nädala jooksul."

    1. Enne andmeid koguma, mis on enesehinnangu meetmed on teie arvates täpsem? Miks?
    2. Värvata 5 sõpradele, et olla oma uuringus. Palun lühidalt kokku, kuidas need 5 sõbrad võtsid proove. Kas see võib olla proovide võtmise korra tekitada spetsiifilist peensusi oma hinnangutes?
    3. Palun paluge järgmised Mikrovaatlusi:
    • "Mitu korda te kasutate mobiiltelefoni helistada teistele eile?"
    • "Kui palju tekstisõnumeid sa talle eile?"
    • "Mitu korda te kasutate oma mobiiltelefoni helistada teised viimase seitsme päeva jooksul?"
    • "Mitu korda tegid kasutate oma mobiiltelefoni saata või vastu võtta tekstisõnumeid / SMS viimase seitsme päeva jooksul?" Kui uuring on lõppenud, küsida, et kontrollida nende kasutamine andmed sisse oma telefoni või teenusepakkuja.
    1. Kuidas enesehinnangu kasutamine võrrelda registri andmed? Milline on kõige täpsem, mis on vähemalt täpsed?
    2. Nüüd ühendada andmed, mida on kogutud andmeid teiste inimestega oma klassi (kui sa teed seda tegevust klassi). Selle suurem andmekogumi osa korrata (d).

  5. [ keskmine , andmete kogumine ] Schuman ja Presseri (1996) väidavad, et küsimus tellimusi oleks asi kahte liiki suhteid küsimused: osalise osa küsimusi, kus kaks küsimust on samal tasemel eripära (nt hinnangust kaks presidendikandidaati); ja osalise kogu küsimusi, kus üldine küsimus järgmine täpsem küsimus (nt küsib: "Kuidas olete rahul oma tööga?", millele järgneb "Kuidas olete rahul oma elu?").

    Nad täiendavaks iseloomustamiseks kahte tüüpi küsimus, et efekt: järjepidevus avaldub, kui vastuseid hiljem küsimus lähendatakse (kui nad muidu oleks), mis on antud varasemale küsimusele; vastandada avaldub, kui seal on rohkem erinevused vastuseid kahele küsimusele.

    1. Loo paari osalise osa küsimusi, mis te arvate on suur küsimus, et mõju, paari osalise kogu küsimusi, mis te arvate, on suur, et mõju, ja teine ​​paar küsimust, kelle Et te arvate ei loe. Run uuringu eksperiment MTurk testida oma küsimustele.
    2. Kui suur oli osalise osa efekt sa olid suutnud luua? Oli see konsistentsi või kontrasti toime?
    3. Kui suur oli osalise kogu mõju sa olid suutnud luua? Oli see konsistentsi või kontrasti toime?
    4. Kas oli küsimus, et toime oma paari, kus sa ei usu, et oleks asi?

  6. [ keskmine , andmete kogumine ] Toetudes töö Schuman ja Presseri, Moore (2002) kirjeldab eraldi mõõtme küsimus, et efekt: lisaaine ja lahutava. Kuigi erinevalt ja järjepidevuse toime avaldub tagajärjel vastajate hinnanguid kahe punkte üksteise suhtes, lisaaine ja lahutava toime avaldub siis, kui vastajad on valmistatud tundlikumad suurem raamistik, mille küsimuste esitamist. Loe Moore (2002) , seejärel projekteerida ja käivitada uuring eksperiment MTurk näidata lisaaine või lahutava mõju.

  7. [ raske , andmete kogumine ] Christopher Antoun ja tema kolleegid (2015) viisid läbi uuringu, milles võrreldakse mugavuse proovid saadud neli erinevat online värbamisel allikad: MTurk, Craigslistissa, Google AdWords ja Facebook. Disain on lihtne uuring ja värvata osalejatele vähemalt kaks erinevat online värbamisel allikatest (neid saab erinevatest allikatest pärit neli kasutatud allikate Antoun et al. (2015) ).

    1. Võrdle hind värvata, nii raha ja aega, erinevate allikate vahel.
    2. Võrdle koosseisu proovid saada erinevatest allikatest.
    3. Võrrelge andmete kvaliteeti proovide vahel. Sest ideid, kuidas mõõta andmete kvaliteedi vastajatelt, vaata Schober et al. (2015) .
    4. Mis on teie eelistatud allikas? Miks?

  8. [ keskmine ] YouGov, Interneti-põhine turu-uuringute firma, läbi e-küsitlustel paneeli umbes 800.000 vastajatest Suurbritannias ja kasutatud hr P. ennustada tulemust euroreferendumi (st Brexit), kus UK valijad hääletada kas jääda või jätta Euroopa Liitu.

    Üksikasjalik kirjeldus YouGov statistilise mudeli on siin (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/). Üldjoontes YouGov partitsioonid valijad tüüpideks põhineb 2015 üldvalimistel hääletada valik, vanus, kvalifikatsioon, sugu, intervjuu, samuti valimisringkonnas nad elavad. Esiteks, nad kasutasid kogutud YouGov vaekogu hinnata, nende seas kes hääletavad, osa inimesi iga valija tüüp, kes kavatsevad hääletada Leave. Nad hindavad valimisaktiivsus iga valija tüüp on 2015. aasta Briti valimine Study (BES) valimistejärgne näost-näkku uuring, mis kinnitatakse valimisaktiivsus on valijate. Lõpuks nad hinnata, kui palju on inimesi, iga valija tüüpi valijate põhinevad uusimaid loenduse ja Aastane rahvastiku uuring (mõnede lisaks teavet BES, YouGov uuringu andmed üle üldvalimised ja informatsiooni selle kohta, kuidas paljud inimesed hääletasid kumbki pool igas valimisringkonnas).

    Kolm päeva enne hääletust, YouGov näitas kaks punkti viia puhkust. Vahetult enne hääletamist, küsitlus näitas liiga lähedal helistada (49-51 Jää). Viimane on-the-päevase uuringu ennustas 48/52 kasuks Jää (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). Tegelikult on see hinnang jäi lõpptulemus (52-48 Leave) nelja protsendipunkti võrra.

    1. Kasutage kogu uuringu viga raames arutatakse käesolevas peatükis hinnata, mis oleks võinud valesti läinud.
    2. YouGov vastus pärast valimisi (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) selgitas: "See on nähtavasti suuresti seetõttu, et valimisaktiivsus - midagi, mis oleme kogu aeg öelnud oleks oluline, et nende tulemustest, hästi tasakaalustatud rassist. Meie valimisaktiivsus mudel põhineb osaliselt sellest, kas vastanutest hääletas viimasel üldvalimised ja valimisaktiivsus tase kõrgem kui üldvalimised häirida mudel, eriti Põhja. "Kas see muuta oma vastus osa (a)?

  9. [ keskmine , nõuab kodeerimine ] Kirjutage simulatsioon illustreerib iga esitus vigu joonisel 3.1.

    1. Luua olukord, kus need vead tegelikult olematuks.
    2. Luua olukord, kus vead täiendavad teineteist.

  10. [ väga raske , nõuab kodeerimine ] Uurib Blumenstock ja tema kolleegid (2015) osalenud luues masina õppimise mudel, mis võiks kasutada digitaalset jälgi andmed ennustada uuringu vastuseid. Nüüd sa lähed, et proovida sama asja eri andmebaasil. Kosinski, Stillwell, and Graepel (2013) leidis, et Facebook meeldib saa ennustada üksikute tunnuste ja atribuute. Üllataval kombel need ennustused võivad olla veelgi täpsem kui need, sõprade ja kolleegide (Youyou, Kosinski, and Stillwell 2015) .

    1. Loe Kosinski, Stillwell, and Graepel (2013) , ja korrata Joonis 2. Nende kohta on olemas siin: http://mypersonality.org/
    2. Nüüd imiteerida joonis 3.
    3. Lõpuks proovida oma mudeli oma Facebooki andmete: http://applymagicsauce.com/. Kui hästi see toimib teie jaoks?

  11. [ keskmine ] Toole et al. (2015) kasutada kõne üksikasjade kirjeid (CDR) mobiiltelefonid ennustada kokku olukorra muutumist.

    1. Võrrelda ja vastandada disain Toole et al. (2015) koos Blumenstock, Cadamuro, and On (2015) .
    2. Kas sa arvad, CDR peaks asendama traditsioonilisi uuringuid, neid täiendada või ei saa seda üldse kasutatakse valitsuse poliitikakujundajatele jälgida töötus? Miks?
    3. Milliseid tõendeid veenda, et CDR võib täielikult asendada traditsioonilisi meetmeid töötuse määr?

Powered by Open Review Toolkit