فعالیت

های کلیدی:

  • درجه سختی: آسان ساده ، متوسط متوسط ، سخت سخت ، خیلی سخت خیلی سخت
  • نیاز به ریاضی ( نیاز به ریاضی )
  • نیاز به برنامه نویسی ( نیاز به برنامه نویسی )
  • جمع آوری داده ها ( جمع آوری داده ها )
  • علایق من ( مورد علاقه من )

  1. [ سخت ، نیاز به ریاضی ] در فصل، من در مورد پس از طبقه بندی بسیار مثبت بود. با این حال، آن را همیشه بهبود کیفیت برآورد نشده است. ساخت یک وضعیت که در آن می توانید ارسال-طبقه بندی می تواند کیفیت برآورد کاهش می دهد. (برای یک اشاره، و Thomsen (1973) ).

  2. [ سخت ، جمع آوری داده ها ، نیاز به برنامه نویسی ] طراحی و انجام یک نظرسنجی غیر احتمال در آمازون MTurk در مورد مالکیت اسلحه بپرسید ( "آیا شما، یا کسی از افراد خانواده، خود یک تفنگ، تفنگ یا تپانچه؟ این است که شما یا شخص دیگری در خانواده شما؟") و نگرش نسبت به کنترل اسلحه ( "شما چه فکر میکنید مهم تر است به حفاظت از حق از آمریکایی ها را به خود اسلحه، یا برای کنترل مالکیت اسلحه؟").

    1. چه مدت طول می نظرسنجی خود را؟ قیمت آن چند است؟ چگونه جمعیتی از نمونه خود را نسبت به جمعیت از جمعیت ایالات متحده؟
    2. برآورد اولیه از مالکیت اسلحه با استفاده از نمونه شما چیست؟
    3. صحیح را برای غیر نمایندگی از نمونه را با استفاده از پس از طبقه بندی و یا برخی از روش های دیگر است. در حال حاضر چه برآورد مالکیت اسلحه است؟
    4. چگونه تخمین خود را نسبت به آخرین برآورد از مرکز تحقیقات پیو؟ شما چه فکر میکنید توضیح اختلاف، در صورت هر گونه وجود دارد؟
    5. ورزش 2-5 برای نگرش نسبت به کنترل اسلحه را تکرار کنید. چگونه یافته های خود را متفاوت است؟

  3. [ خیلی سخت ، جمع آوری داده ها ، نیاز به برنامه نویسی ] Goel و همکاران (2016) اداره یک نظرسنجی غیر مبتنی بر احتمال متشکل از 49 سوال نگرشی چند گزینه ای از سازمان عمومی اجتماعی (GSS) و نظر سنجی انتخاب شده توسط مرکز تحقیقات پیو در آمازون MTurk کشیده شده است. آنها سپس برای غیر نمایندگی از داده ها با استفاده از مدل مبتنی بر پس از طبقه بندی (آقای P) تنظیم، و مقایسه برآورد تنظیم با کسانی که برآورد با استفاده از نظرسنجی GSS / پیو مبتنی بر احتمال. انجام این نظر سنجی همان در MTurk کنید و سعی کنید به تکرار 2A شکل و شکل 2B با مقایسه برآورد تعدیل خود را با برآورد از دور اخیر از GSS / پیو (جداول ضمیمه A2 برای لیست 49 پرسش را ببینید).

    1. مقایسه و کنتراست نتایج خود را به نتایج حاصل از پیو و GSS.
    2. مقایسه و کنتراست نتایج خود را به نتایج حاصل از این بررسی MTurk در Goel, Obeng, and Rothschild (2016) .

  4. [ متوسط ، جمع آوری داده ها ، نیاز به برنامه نویسی ] بسیاری از مطالعات استفاده از اقدامات خود گزارش دهی داده ها فعالیت های تلفن همراه. این یک تنظیم جالب که در آن محققان می توانند رفتار خود گزارش با رفتار خارج مقایسه است (نگاه کنید به عنوان مثال، Boase and Ling (2013) ). دو رفتار رایج در مورد تماس و پیام کوتاه، و دو فریم زمان مشترک بپرسید "دیروز" و "در هفته گذشته است."

    1. قبل از جمع آوری هر گونه اطلاعات، که از معیارهای خود شما فکر می کنید دقیق تر است؟ چرا؟
    2. استخدام 5 از دوستان خود را به در نظر سنجی شما باشد. لطفا خلاصه این که چگونه این 5 دوستان شدند. ممکن است این روش نمونه گیری وادار تعصبات خاص در برآوردهای خود را؟
    3. لطفا آنها را در بر داشت زیر میکرو بررسی بپرسید:
    • "چند بار استفاده کردید تلفن همراه به پاسخ دیگران دیروز؟"
    • "چگونه بسیاری از پیام های متنی شما دیروز فرستاد؟"
    • "چند بار استفاده کردید تلفن همراه خود را به پاسخ دیگران در هفت روز گذشته؟"
    • "چند بار به شما استفاده از تلفن همراه خود را به ارسال و یا دریافت پیام های متنی / اس ام اس در هفت روز گذشته؟" وقتی این ارزیابی کامل است، بخواهید برای بررسی داده ها استفاده از آنها به عنوان توسط تلفن و یا ارائه دهنده خدمات خود وارد سایت شوید.
    1. چگونه استفاده از گزارش خود نسبت به ورود داده ها؟ که دقیق ترین است، که حداقل درست است؟
    2. در حال حاضر ترکیب داده است که شما با داده ها را از افراد دیگر در کلاس خود را جمع آوری (اگر شما در حال انجام این فعالیت برای یک کلاس). با استفاده از این مجموعه داده های بزرگ، بخشی (د) تکرار کنید.

  5. [ متوسط ، جمع آوری داده ها ] شومان و پرسر (1996) استدلال می کنند که سفارشات درخواست برای دو نوع از روابط بین سوالات مهم: سوالات بخش بخش که در آن دو سوال در همان سطح از ویژگی هستند (به عنوان مثال رتبه بندی از دو نامزد ریاست جمهوری)؛ و پرسش پاره کل که در آن یک سوال کلی یک سوال مشخص تر زیر (به عنوان مثال "نحوه رضایت شما را با کار شما هستند؟" به دنبال "چگونه رضایت شما را با زندگی شما هستند؟").

    آنها بیشتر مشخص دو نوع اثر درخواست سفارش: اثرات قوام رخ می دهد که پاسخ به یک سوال بعد نزدیک تر (از آنها در غیر این صورت خواهد بود) به آن داده شده به یک سوال قبلی آورد. افکت های کنتراست رخ می دهد که تفاوت بیشتر بین پاسخ به دو سوال وجود دارد.

    1. ایجاد یک جفت از سوالات بخش بخشی است که شما فکر می کنم یک اثر بزرگ درخواست سفارش، یک جفت از پرسش پاره کل که شما فکر می کنم یک اثر سفارش بزرگ، و یک جفت دیگر از سوالات که سفارش شما فکر می کنید مهم نیست داشته باشد. اجرای یک آزمایش بررسی MTurk به آزمون پرسش های شما.
    2. اثر بخشی بخش چگونه بزرگ بود شما قادر به ایجاد شد؟ این یک اثر ثبات و یا در مقابل بود؟
    3. اثر پاره کل چگونه بزرگ بود شما قادر به ایجاد شد؟ این یک اثر ثبات و یا در مقابل بود؟
    4. یک اثر سفارش درخواست در جفت خود را که در آن شما فکر نمی کنم منظور خواهد مهم وجود دارد؟

  6. [ متوسط ، جمع آوری داده ها ] ساختمان های کار شومان و پرسر، Moore (2002) افزودنی و کاهشی: یک بعد جداگانه ای از اثر درخواست سفارش توصیف می کند. در حالی که اثرات کنتراست و پایداری به عنوان یک نتیجه از ارزیابی پاسخ دهندگان از دو مورد در ارتباط با یکدیگر، افزودنی تولید و هنگامی که پاسخ دهندگان به چارچوب بزرگتر که در آن به سوالات مطرح هستند حساس تر ساخته شده اثرات کاهشی تولید. خوانده شده Moore (2002) و سپس طراحی و اجرای یک آزمایش بررسی MTurk برای نشان دادن افزودنی و یا کاهشی اثرات.

  7. [ سخت ، جمع آوری داده ها ] کریستوفر آنتون و همکاران (2015) MTurk، Craigslist در، AdWords گوگل و فیس بوک: یک مطالعه مقایسه نمونه راحتی به دست آمده از چهار منابع مختلف استخدام آنلاین انجام شده است. طراحی یک بررسی ساده و استخدام شرکت کنندگان از طریق حداقل دو منبع مختلف آنلاین استخدام (می توان آنها را از منابع مختلف از چهار منابع مورد استفاده در Antoun et al. (2015) ).

    1. مقایسه هزینه هر سرباز، از نظر پول و زمان، بین منابع مختلف.
    2. مقایسه ترکیب نمونه های بدست آمده از منابع مختلف.
    3. مقایسه کیفیت داده ها بین نمونه. برای ایده های در مورد چگونه برای اندازه گیری کیفیت داده ها از پاسخ دهندگان، و Schober et al. (2015) .
    4. منبع مورد نظر خود را چه شده است؟ چرا؟

  8. [ متوسط ] یو گاو، یک شرکت تحقیقات بازار مبتنی بر اینترنت، نظرسنجی آنلاین یک پانل از حدود 800،000 پاسخ دهندگان در انگلستان انجام شده و مورد استفاده آقای P. به پیش بینی نتیجه رفراندوم اتحادیه اروپا (به عنوان مثال، Brexit) که در آن رای دهندگان UK رای هم باقی می ماند در و یا ترک اتحادیه اروپا است.

    شرح مفصلی از مدل آماری یو گاو است که در اینجا (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/). به طور کلی، یو گاو پارتیشن رای دهندگان به انواع بر اساس 2015 انتخابات عمومی انتخاب رای، سن، شرایط، جنسیت، تاریخ مصاحبه، و همچنین حوزه آنها در اول آنها با استفاده از اطلاعات جمع آوری شده از سوی شرکت کنندگان یو گاو زندگی می کنند به منظور برآورد، در میان کسانی که که رأی، نسبت افراد از هر نوع رای دهندگان که قصد رای دادن را ترک کنند. آنها تخمین می زنند مشارکت از هر نوع رای دهندگان با استفاده از مطالعه 2015 بریتانیا انتخابات (BES) پس از انتخابات چهره به چهره بررسی، که مشارکت از رایدهندگان تایید شده است. در نهایت، آنها تخمین می زنند که چگونه بسیاری از مردم از هر نوع رای دهندگان در رای دهندگان بر اساس آخرین سرشماری و سالانه بررسی جمعیت (با برخی از اطلاعات علاوه بر از BES، داده های نظر سنجی یو گاو از سراسر انتخابات عمومی، و اطلاعات در مورد چگونه بسیاری از مردم برای رأی دادند. هر یک از طرفین در هر حوزه).

    سه روز قبل از رای گیری، یو گاو سرب دو نقطه برای ترک نشان داد. در آستانه انتخابات، نظرسنجی بسیار نزدیک است (49-51 باقی می ماند) را نشان داد. در مطالعه آخر بر روی روز به نفع باقی می ماند (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/) پیش بینی 48/52. در واقع، این برآورد نتیجه نهایی (52-48 ترک) توسط چهار درصد از دست رفته.

    1. با استفاده از چارچوب کلی خطا بررسی مورد بحث در این فصل به ارزیابی آنچه می تواند به اشتباه رفته اند.
    2. پاسخ یو گاو را پس از انتخابات (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) توضیح داد: "این به نظر می رسد در یک بخش بزرگ با توجه به تعداد شرکت کنندگان - چیزی است که ما در تمام طول گفت می شود به نتیجه چنین مسابقه ریز متعادل بسیار مهم است. مدل مشارکت ما، بر اساس در بخش، در مورد اینکه آیا پاسخ دهندگان در آخرین انتخابات عمومی رای داده بودند و سطح مشارکت بالاتر از انتخابات عمومی را ناراحت مدل، به ویژه در شمال. »آیا این تغییر پاسخ خود را به بخش (الف)؟

  9. [ متوسط ، نیاز به برنامه نویسی ] نوشتن یک شبیه سازی برای نشان دادن هر یک از خطاهای نمایندگی در شکل 3.1.

    1. ایجاد یک وضعیت که در آن این اشتباهات در واقع لغو.
    2. ایجاد یک وضعیت که در آن اشتباهات ترکیب هر یک از دیگر.

  10. [ خیلی سخت ، نیاز به برنامه نویسی ] پژوهش از Blumenstock و همکارانش (2015) درگیر ساخت یک مدل یادگیری ماشین است که می تواند اطلاعات ردیابی دیجیتال برای پیش بینی بررسی پاسخ استفاده کنید. حال حاضر، شما در حال رفتن به سعی کنید همین کار را با یک مجموعه داده های مختلف است. Kosinski, Stillwell, and Graepel (2013) دریافتند که فیس بوک را دوست می صفات و ویژگی های فردی پیش بینی کند. با کمال تعجب، این پیش بینی می شود حتی دقیق تر از کسانی که از دوستان و همکارانش (Youyou, Kosinski, and Stillwell 2015) .

    1. خوانده شده Kosinski, Stillwell, and Graepel (2013) ، و تکرار شکل 2. داده های آنها در دسترس هستند در اینجا: http://mypersonality.org/
    2. در حال حاضر، تکرار شکل 3.
    3. http://applymagicsauce.com/: در نهایت، مدل خود را بر روی داده های فیس بوک خود را امتحان کنید. چگونه به خوبی آن را برای شما کار می کند؟

  11. [ متوسط ] Toole et al. (2015) سوابق جزئیات استفاده از تماس (از اعضای CDR) از تلفن همراه برای پیش بینی روند بیکاری کل.

    1. مقایسه و کنتراست طراحی Toole et al. (2015) با Blumenstock, Cadamuro, and On (2015) .
    2. آیا شما فکر می اعضای CDR باید جایگزین نظرسنجی سنتی، مکمل آنها و یا در تمام برای سیاست گذاران دولت استفاده نمی شود برای پیگیری بیکاری؟ چرا؟
    3. چه شواهدی را به شما را متقاعد کند که از اعضای CDR کامل می تواند جایگزین اقدامات سنتی از نرخ بیکاری؟

Powered by Open Review Toolkit