toimet

  • vaikeusaste: helppo helppo , keskitaso keskikokoinen , kova kova , tosi kovasti tosi kovasti
  • edellyttää matematiikkaa ( vaatii matematiikkaa )
  • koodaus ( vaatii koodauksen )
  • tiedonkeruu ( tiedonkeruu )
  • suosikkini ( suosikkini )

  1. [ kova , vaatii matematiikkaa ] Luvussa olin erittäin myönteinen post-stratifikaation suhteen. Tämä ei kuitenkaan aina paranna arvioiden laatua. Luo tilanne, jossa jälkikasvatus voi vähentää arvioiden laatua. (Vihje, katso Thomsen (1973) .)

  2. [ kova , tiedonkeruu , vaatii koodauksen ] Suunnittele ja suorita epäilemättömyystutkimus Amazonin mekaanisesta Turkista kysyä aseen omistajuudesta ja asenteista aseohjaukseen. Jotta voit verrata arvioitasi todennäköisyysnäytteestä saatuja tietoja, kopioi kysymyksen teksti- ja vastausvaihtoehdot suoraan korkealaatuisesta kyselystä, kuten Pew-tutkimuskeskuksesta.

    1. Kuinka kauan tutkimuksesi kestää? Paljonko se maksaa? Miten näytteen väestötiedot verrataan Yhdysvaltain väestötietojen väestötietoihin?
    2. Mikä on pistoolin omistajuuden raaka estimaatti näytteen avulla?
    3. Korjaa näytteen ei-edustavuutta käyttämällä post-stratifikaatiota tai jotain muuta tekniikkaa. Mikä on arvio aseiden omistuksesta?
    4. Kuinka arvioidut ovat verrattavissa todennäköisyyteen perustuvan näytteen uusimpaan arvioon? Mitä luulet selittää eroavaisuuksia, jos on olemassa mitään?
    5. Toista kysymykset (b) - (d) asenteita aseohjaukseen. Miten löydöt eroavat toisistaan?

  3. [ tosi kovasti , tiedonkeruu , vaatii koodauksen ] Goel ja kollegat (2016) antoivat 49 yleiskatsauksen (GSS) joukosta valittuja monivalintakysymyksiä ja valitsivat Pew-tutkimuskeskuksen tekemät kyselyt Amazon Mechanical Turkilta saaduista vastaajista. Sitten ne sovitettiin tietojen epäselvällisyyteen käyttämällä mallipohjaista jälkikartoitusta ja vertailivat niiden mukautettuja arvioita todennäköisyysperusteisten GSS- ja Pew-tutkimusten perusteella. Suorita sama tutkimus Amazon Mechanical Turkilla ja yritä kopioida kuvio 2a ja kuva 2b vertaamalla säädettyjä arvioitasi GSS- ja Pew-tutkimusten viimeisimpien kierrosten arvioihin. (Katso lisäystaulukko A2 49 kysymyksen luettelosta.)

    1. Vertaa ja vertaile tuloksia Pew: n ja GSS: n kanssa.
    2. Vertaa ja vertaile tuloksia Goel, Obeng, and Rothschild (2016) mekaanisen Turkin tutkimuksessa.

  4. [ keskikokoinen , tiedonkeruu , vaatii koodauksen ] Monet tutkimukset käyttävät itse ilmoitettuja matkapuhelimen käyttötarkoituksia. Tämä on mielenkiintoinen vaihtoehto, jossa tutkijat voivat verrata itseään raportoitua käyttäytymistä ja kirjautuneen käyttäytymisen (katso esim. Boase and Ling (2013) ). Kaksi yhteistä käyttäytymistä, joita haluat kysyä, kutsuvat ja kutsuvat, ja kaksi tavallista aikakehystä ovat "eilen" ja "viime viikolla".

    1. Ennen tietojen keräämistä, mikä itsearviointitoimista luulet olevan tarkempi? Miksi?
    2. Hanki viisi ystävääsi tutkimustesi mukaan. Lyhyesti yhteenveto siitä, kuinka näistä viidestä ystävästä otettiin näytteitä. Voiko tämä näytteenottomenettely aiheuttaa omissa arvioissaan tiettyjä ennakkoluuloja?
    3. Kysy heiltä seuraavia mikrosiruttelukysymyksiä:
    • "Kuinka monta kertaa käytit matkapuhelinta soittamaan toisia eilen?"
    • "Kuinka monta tekstiviestiä lähetit eilen?"
    • "Kuinka monta kertaa käytit matkapuhelinta soittamaan muille viimeisten seitsemän päivän aikana?"
    • "Kuinka monta kertaa käytit matkapuhelintasi lähettää tai vastaanottaa tekstiviestejä / tekstiviestejä viimeisten seitsemän päivän aikana?"
    1. Kun tämä microsurvey on valmis, pyydä tarkistamaan käyttötietonsa puhelimen tai palveluntarjoajan kirjaamassa muodossa. Miten itsenäisen raportin käyttö vertaa lokitietoja? Mikä on tarkin, mikä on vähiten tarkka?
    2. Nyt yhdistät tiedot, jotka olet kerännyt luokkiin kuuluvista muista henkilöistä (jos teet tämän luokan toimintaa). Tämän suuremman datasarjan avulla toista osa (d).

  5. [ keskikokoinen , tiedonkeruu ] Schuman ja Presser (1996) väittävät, että kysymyskysymykset olisivat tärkeitä kahdentyyppisille kysymyksille: osa-alueisiin kysymyksiin, joissa kaksi kysymystä ovat samalla tasolla (esim. Kahden presidenttiehdokkaan arvosanat); ja osa-kokonaisia ​​kysymyksiä, joissa yleinen kysymys seuraa tiettyä kysymystä (esim. kysyä "Kuinka tyytyväinen olet työhösi?", jota seuraa "Kuinka tyytyväinen olet elämässäsi?").

    Lisäksi ne kuvaavat kahdenlaisia ​​kysymysjärjestysvaikutuksia: johdonmukaisuusvaikutukset tapahtuvat, kun vastaukset myöhempiin kysymyksiin tuodaan lähemmäksi (kuin muuten olisivat) aikaisempaan kysymykseen annettaviin vastauksiin; kontrastiefektit tapahtuvat, kun kahden kysymyksen vastaukset ovat suurempia.

    1. Luo pari osa-osasta kysymyksiä, joiden mielestä sinulla on suuri kysymysjärjestyksen vaikutus; pari osa-kokonaisuutta, jonka mielestäsi on suuri tilausvaikutus; ja pari kysymystä, joiden järjestyksessä mielestäsi ei olisi väliä. Suorita Amazon Mechanical Turkin kokeilukokeilu testatakseen kysymyksiä.
    2. Kuinka suuri osittainen vaikutus voitiin luoda? Oliko se johdonmukaisuutta vai kontrastia?
    3. Kuinka suuri osa-koko vaikutus voit luoda? Oliko se johdonmukaisuutta vai kontrastia?
    4. Oliko kysymyksessä tilausvaikutus parillesi, missä et uskonut, että tilaus olisi merkityksellinen?

  6. [ keskikokoinen , tiedonkeruu ] Mouman Moore (2002) mukaan Schumanin ja Presserin teoksissa kuvataan kysymysjärjestyksen erillinen ulottuvuus: lisäaineet ja vähennysvaikutukset. Vaikka kontrastin ja johdonmukaisuuden vaikutukset syntyvät vastausten kahden toisten suhteen arvioinnin seurauksena, lisäaineita ja vähennysvaikutuksia syntyy, kun vastaajat ovat herkempiä suurempaan kehykseen, jossa kysymykset esitetään. Lue Moore (2002) , sitten suunnittele ja suorita MTurk-tutkimuskokeilu lisättyjen tai vähennettävien vaikutusten osoittamiseksi.

  7. [ kova , tiedonkeruu ] Christopher Antoun ja hänen työtoverinsa (2015) suorittivat tutkimuksen, jossa verrataan neljää erilaista online-rekrytointilähteistöä: MTurk, Craigslist, Google AdWords ja Facebook. Suunnittele yksinkertainen kysely ja rekrytoi osallistujia vähintään kahden eri verkko-rekrytointilähteen kautta (nämä lähteet voivat olla erilaisia ​​kuin neljä lähdettä, joita on käytetty Antoun et al. (2015) ).

    1. Vertaile rahaa ja aikaa koskevien rekrytointikustannusten välillä eri lähteistä.
    2. Vertaa eri lähteistä saatujen näytteiden koostumusta.
    3. Vertaa tietojen laatua näytteiden välillä. Ideoita siitä, miten mitataan tietojen laatua vastaajista, katso Schober et al. (2015) .
    4. Mikä on ensisijainen lähde? Miksi?

  8. [ keskikokoinen ] Vuonna 2016 EU-referendumin (eli Brexit) tulosten ennustamiseksi YouGov-Internet-pohjainen markkinatutkimusyritys teki internet-kyselyitä noin 800 000 vastaajapaneelista Yhdistyneessä kuningaskunnassa.

    Yksityiskohtainen kuvaus YouGovin tilastollisesta mallista on osoitteessa https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/. Lähinnä, YouGov jakoi äänestäjät tyyppeihin, jotka perustuvat vuoden 2015 yleiseen äänestysvaliokunnan valintaan, ikärajoihin, pätevyyteen, sukupuoleen ja haastattelun päivämäärään sekä vaalipiiriin, jossa he asuivat. Ensinnäkin he käyttivät YouGov-panelisteilta kerättyjä tietoja arvioidakseen niiden äänestäjien keskuudessa, jotka äänestävät, jokaisen äänestäjän tyypin mukaan. He arvioivat jokaisen äänestäjän tyypin äänestysprosentti käyttämällä vuoden 2015 British Election Study (BES) -valintaa, vaalien jälkeinen kasvotusten kohtaamistutkimus, joka vahvisti äänestysprosenttien osallistumisen vaaliluetteloihin. Lopuksi he arvioivat, kuinka monta ihmistä oli äänestäjistä kustakin äänestäjyystyypistä, joka perustui viimeisimpiin väestörekisteriin ja vuosittaiseen väestötutkimukseen (johon on lisätty tietoja muista tietolähteistä).

    Kolme päivää ennen äänestystä YouGov osoitti kaksipisteen lähdön Leaveista. Äänestyksen aattona kysely osoitti, että tulos oli liian lähellä soittamista (49/51 Remain). Päivän lopullinen tutkimus ennusti 48/52 Remainin puolesta (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). Itse asiassa tämä arvio jätti lopullisen tuloksen (52/48 Leave) neljä prosenttiyksikköä.

    1. Käytä tässä luvussa käsiteltyjä kokonaistutkimusvirheitä arvioidaksesi, mitä olisi voinut mennä väärin.
    2. YouGovin vastaus vaalien jälkeen (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) selitti: "Tämä tuntuu suurelta osin äänestysprosentista, josta olemme sanoneet, että koko ajan olisi ratkaisevaa tällaisen hienosti tasapainoisen kilpailun tulosta. Osallistumismallimme perustui osittain siihen, olivatko vastaajat äänestäneet viimeisimmissä vaaleissa, ja yleisten vaalien yläpuolella oleva äänestysaktiivisuus järkytti mallia etenkin pohjoisessa. "Muuttaako tämä vastauksesi osalle (a)?

  9. [ keskikokoinen , vaatii koodauksen ] Kirjoita simulointi havainnollistamaan kutakin kuvion 3.2 esitysvirheitä.

    1. Luo tilanne, jossa nämä virheet todella peruuntuvat.
    2. Luo tilanne, jossa virheet yhdistyvät toisiinsa.

  10. [ tosi kovasti , vaatii koodauksen ] Blumenstockin ja työtovereiden (2015) tutkimuksessa oli mukana konekielisen oppimismallin rakentaminen, joka voisi käyttää digitaalisia jäljitetystietoja kyselyvastausten ennustamiseen. Nyt yrität samaa asiaa eri datasarjan kanssa. Kosinski, Stillwell, and Graepel (2013) havaitsivat, että Facebook haluaa ennustaa yksittäisiä piirteitä ja ominaisuuksia. Yllättäen nämä ennusteet voivat olla tarkempia kuin ystävien ja työtovereiden (Youyou, Kosinski, and Stillwell 2015) .

    1. Lue Kosinski, Stillwell, and Graepel (2013) ja kopioi kuva 2. Heidän tietonsa ovat saatavilla osoitteessa http://mypersonality.org/
    2. Nyt kopioi kuvio 3.
    3. Lopuksi, kokeile mallia omilla Facebook-tiedoilla: http://applymagicsauce.com/. Kuinka hyvin se toimii sinulle?

  11. [ keskikokoinen Toole et al. (2015) käytti matkapuhelimissa käytettyjä puhelutiedotteita (CDR) ennustamaan työttömyyden kokonaistrendiä.

    1. Vertaa ja ristiriidassa Toole et al. (2015) Blumenstock, Cadamuro, and On (2015) .
    2. Oletteko sitä mieltä, että CDR: t korvaisivat perinteiset kyselyt, täydentäisivät niitä tai joita ei käytetä lainkaan valtion poliitikoille työttömyyden seuraamiseksi? Miksi?
    3. Millaisia ​​todisteita voisitte vakuuttaa, että CDR: t pystyvät täysin korvaamaan perinteiset työttömyysasteen toimenpiteet?

Powered by Open Review Toolkit