toimet

Key:

  • Vaikeusaste: helppo helppo , keskipitkän keskikokoinen , kova kova , tosi kovasti tosi kovasti
  • vaatii matematiikka ( vaatii matematiikka )
  • vaatii koodaus ( vaatii koodaus )
  • tiedonkeruu ( tiedonkeruu )
  • suosikkini ( suosikkini )

  1. [ kova , vaatii matematiikka ] Luvussa, olin erittäin myönteisesti jälkiositukseen. Kuitenkin, se ei aina parantaa arvioiden. Muodosta tilanne, jossa voi jälkiositukseen voi vähentää laatua arvioiden. (Jos vihje, katso Thomsen (1973) ).

  2. [ kova , tiedonkeruu , vaatii koodaus ] Design ja toteuttaa ei-todennäköisyys kyselyn Amazon MTurk kysyä aseiden omistamiseen ( "Oletko, tai ei kukaan taloudessanne, oma ase, kivääri tai pistooli? Onko se sinä tai joku muu taloudessanne?") Ja suhtautuminen ase valvonta ( "Mitä luulet on tärkeämpää-suojelemaan oikeutta amerikkalaisista omistaa aseita, tai valvoa aseiden omistamiseen?").

    1. Miten kauan tutkimus kestää? Paljonko se maksaa? Miten Väestörakenne näytteen verrata Väestörakenne Yhdysvaltojen väestöstä?
    2. Mikä on raaka arvio aseiden omistamiseen käyttämällä näytettä?
    3. Korjaa ei-edustavuus näytteen avulla jälkiositukseen tai muuta tekniikkaa. Nyt mikä on arvio aseiden omistamiseen?
    4. Miten arviosi verrata että viimeisimpien arvioiden välillä Pew Research Center? Mitä mieltä olet selittää poikkeamia, jos on?
    5. Toista harjoitus 2-5 suhtautumista ase valvonta. Miten löydöistäsi eroavat toisistaan?

  3. [ tosi kovasti , tiedonkeruu , vaatii koodaus ] Goel ja työtovereiden (2016) annettiin ei-todennäköisyys-pohjainen kysely koostuu 49 monivalintakysymyksiä asenteellisia kysymyksiä peräisin General Social Survey (GSS) ja valitse tutkimukset Pew Research Center Amazon MTurk. Ne sitten säätää ei-edustavuus dataa malliin perustuvaa jälkiositukseen (Mr. P), ja vertailla Tarkistettujen arvioiden kanssa arvioitiin käyttämällä todennäköisyyksiin perustuvaa GSS / Pew tutkimuksia. Suorita sama kysely MTurk ja yrittää jäljitellä Kuva 2a ja kuvio 2b vertaamalla muutetut arviot arvioista viimeisimmästä kierroksen GSS / Pew (Katso liite taulukko A2 luettelo 49 kysymystä).

    1. Vertailemaan ja hakutulokset tulokset Pew ja GSS.
    2. Vertailemaan ja hakutulokset saatujen tulosten MTurk kyselyn Goel, Obeng, and Rothschild (2016) .

  4. [ keskikokoinen , tiedonkeruu , vaatii koodaus ] Monet tutkimukset käyttävät oman ilmoituksen toimenpiteistä matkapuhelimen toimintotietojen. Tämä on mielenkiintoinen missä tutkijat voivat vertailla itse ilmoitettu käyttäytymistä kirjautuneet käyttäytymiseen (katso esim Boase and Ling (2013) ). Kaksi yleistä käyttäytymistä kysyä vaativat ja tekstiviestien, sekä kaksi yhteistä määräajat ovat "eilen" ja "viime viikolla."

    1. Ennen että tietoja on kerätty, joka on itse raportin toimenpiteet mielestäsi on tarkempi? Miksi?
    2. Värvää 5 ystävistäsi olla omassa tutkimuksessa. Ole hyvä ja lyhyt yhteenveto siitä, miten nämä 5 ystäviä otettiin näytteet. Tämä voisi näytteenottomenettely aiheuttaa spesifistä harhat arvioituja?
    3. Pyydä heitä seuraavat mikro-kysely:
    • "Kuinka monta kertaa käytät matkapuhelinta soittaa muille eilen?"
    • "Kuinka monta tekstiviestejä lähetit eilen?"
    • "Kuinka monta kertaa sinä käyttää matkapuhelinta soittaa muille viimeisten seitsemän päivän aikana?"
    • "Kuinka monta kertaa käytät matkapuhelin lähettää tai vastaanottaa tekstiviestejä / tekstiviestejä viimeisten seitsemän päivän aikana?" Kun kysely on valmis, pyydä tarkistamaan käyttötietoja kuten kirjautuneena niiden puhelimitse tai palveluntarjoajalta.
    1. Miten itse raportin käyttö verrata lokitietojen? Joka on tarkin, mikä on vähiten tarkka?
    2. Nyt yhdistää tiedot, jotka olet kerännyt kanssa tietoja muilta ihmisiä oman luokan (jos olet tekemässä tätä toimintaa varten luokka). Tämän suurempi aineisto, toista osaa (d).

  5. [ keskikokoinen , tiedonkeruu ] Schuman ja Painin- (1996) esittävät, että kysymys tilausten olisi väliä kahdentyyppisiä suhteiden kysymyksiä: osa-osa kysymyksiä, joissa kaksi kysymystä ovat samalla tasolla spesifisyys (esim luokitukset kahden presidenttiehdokkaan); ja osa-kokonaisuus kysymyksiä, joissa yleinen kysymys seuraa tarkempi kysymys (esim kysyy "Kuinka tyytyväinen olet työsi?" jälkeen "Kuinka tyytyväinen olet elämääsi?").

    Lisäksi ne luonnehtivat kahdenlaisia ​​kysymyksen järjestys vaikutus: johdonmukaisuus ilmenee silloin, kun vastauksia myöhempään kysymykseen tuodaan lähemmäksi (kuin ne muutoin olisivat) niille annetaan aiempaan kysymykseen; kontrasti ilmenee silloin, kun on suurempia eroja vastauksia kahteen kysymykseen.

    1. Luo pari osa-osasta kysymyksiä, jotka luulet on suuri kysymys järjestyksessä vaikutus, pari osa-kokonaisuus kysymyksiä, luulet on suuri tilaus vaikutus, ja toinen pari kysymyksiä, joiden järjestys luulisit ole väliä. Suorita kysely kokeen MTurk testata kysymyksiä.
    2. Kuinka suuri oli osa-osan vaikutus olit pystyä luomaan? Oliko se koostumuksen tai kontrasti?
    3. Kuinka suuri oli osa-koko vaikutus olit pystyä luomaan? Oliko se koostumuksen tai kontrasti?
    4. Oliko kysymys tilauksen -efektin pari jossa ei usko järjestystä olisi merkitystä?

  6. [ keskikokoinen , tiedonkeruu ] Pohjalta työtä Schumanin ja Presser, Moore (2002) kuvataan erillinen ulottuvuus kysymyksen järjestys vaikutus: lisäaine ja subtraktiivisten. Vaikka kontrasti ja yhdenmukaisuuden vaikutukset aiheutuvat seurauksena vastaajien arvioita näistä kahdesta eriä suhteessa toisiinsa, lisäaineiden ja subtraktiivisten vaikutukset aiheutuvat, kun vastaajat ovat herkempiä suuremmat puitteet, joissa kysymykset on esitetty. Lue Moore (2002) , sitten suunnitella ja ajaa kyselyn koetta MTurk osoittaa lisäaineen tai subtraktiivisten vaikutuksia.

  7. [ kova , tiedonkeruu ] Christopher Antoun ja työtovereiden (2015) toteutti tutkimuksen, jossa verrataan mukavuutta saatujen näytteiden neljästä eri online rekrytointi lähteistä: MTurk, Craigslist, Google AdWords ja Facebook. Suunnitella yksinkertaisen kyselyn ja rekrytoida osallistujia läpi ainakin kaksi eri online rekrytointi lähteistä (ne voivat olla eri lähteistä peräisin neljästä lähteestä käytetään Antoun et al. (2015) ).

    1. Vertaa kustannus per rekrytoida, rahassa ja aika, eri lähteistä.
    2. Vertaa Näytteiden koostumus saada eri lähteistä.
    3. Vertaa tietojen laatua näytteiden välillä. Ideoita siitä, miten mitata tietojen laatua vastaajien, katso Schober et al. (2015) .
    4. Mikä on ensisijainen lähde? Miksi?

  8. [ keskikokoinen ] YouGov, internet-pohjainen markkinatutkimus yritys, toteutetaan verkossa gallupit paneelin noin 800000 vastaajien Britanniassa ja käytetään Mr. P. ennustamaan tulosta EU Kansanäänestys (ts Brexit) jos UK äänestäjät äänestävät joko pysyvän tai jättää Euroopan unionissa.

    Yksityiskohtainen kuvaus YouGov n tilastollisen mallin on täällä (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/). Karkeasti ottaen YouGov väliseinät äänestäjät tyyppeihin perustuen 2015 vaaleissa äänestää valinta, ikä, pätevyys, sukupuoli, jona haastattelu, sekä vaalipiirin he asuvat. Ensinnäkin ne käytetään kerättyjen YouGov panelistien arvioida, joukossa jotka äänestävät, ihmisten osuus kunkin äänestäjän tyyppiä, jotka aikovat äänestää Jätä. He arvioivat saapui kukin äänestäjä tyypin käyttämällä 2015 British Election Study (BES) vaalien jälkeiseen face-to-face tutkimus, joka validoitu äänestysprosentti alkaen vaaliluetteloon. Lopuksi he arvioida, kuinka monta ihmistä on kunkin äänestäjien tyypin äänestäjäkunnassa perustuvat uusinta Census ja varsinainen Population Survey (joitakin lisäksi tietoja BES, YouGov tutkimustietoja ympäri vaaleissa, ja tietoa siitä, kuinka monta ihmistä äänesti kukin osapuoli kussakin vaalipiirissä).

    Kolme päivää ennen äänestystä, YouGov osoitti kahden pisteen johdon lupaa. Aattona äänestyksen, kyselyn osoitti liian lähellä soittaa (49-51 Remain). Lopullinen on-the-päivän tutkimus ennusti 48/52 hyväksi Remain (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). Itse asiassa tämä arvio jäi lopputulos (52-48 Jätä) neljällä prosenttiyksiköllä.

    1. Käytä kokonaistutkimukseen virhe puitteissa käsitellään tässä luvussa arvioida, mitä olisi voinut mennä pieleen.
    2. YouGov vastaus vaalien jälkeen (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) selitti: "Tämä näyttää suuressa osassa takia äänestysprosentti - mikä olemme sanoneet koko ajan olisi ratkaisevia riita tällaisen tasapainossa rotu. Meidän äänestysprosentti malli perustui osittain siitä, vastaajat oli äänestänyt viime vaaleissa ja äänestysprosentti yläpuolella että yleisten vaalien järkyttää malliin, etenkin pohjoisessa. "Onko tämä muuttaa vastaus (a)?

  9. [ keskikokoinen , vaatii koodaus ] Kirjoita simulointi havainnollistaa kunkin edustus virheiden kuvassa 3.1.

    1. Aikaan tilanne, jossa nämä virheet todella kumoavat.
    2. Aikaan tilanteen, jossa virheet yhdiste toisiaan.

  10. [ tosi kovasti , vaatii koodaus ] Tutkimus on Blumenstock ja työtovereiden (2015) mukana rakentamassa koneen oppimisen malli, jotka voisivat käyttää digitaalista jäljittää tietoja ennustaa kyselyvastausten. Nyt aiotte yrittää samaa eri aineisto. Kosinski, Stillwell, and Graepel (2013) havaitsivat, että Facebook haluaa voi ennustaa yksittäisten piirteitä ja ominaisuuksia. Yllättäen nämä ennusteet voi olla vieläkin tarkempi kuin ystävien ja kollegoiden (Youyou, Kosinski, and Stillwell 2015) .

    1. Lue Kosinski, Stillwell, and Graepel (2013) , ja jäljitellä Kuvio 2. Niiden tiedot ovat saatavilla tässä: http://mypersonality.org/
    2. Nyt replikoida kuviossa 3.
    3. Lopuksi kokeilla malli omalle Facebook tiedot: http://applymagicsauce.com/. Kuinka hyvin se toimii sinulle?

  11. [ keskikokoinen ] Toole et al. (2015) käyttöön CDR: (CDR) matkapuhelimista ennustaa aggregaatin työllisyyskehitykseen.

    1. Vertailemaan ja suunnittelun Toole et al. (2015) , jossa Blumenstock, Cadamuro, and On (2015) .
    2. Luuletko CDR pitäisi korvata perinteisiä tutkimuksia, täydentää niitä tai ei voida käyttää lainkaan valtion päättäjiä seurata työttömyyden? Miksi?
    3. Mitkä todisteet vakuuttaa teille, että CDR voi täysin korvata perinteisiä toimenpiteitä Työttömyysasteen?

Powered by Open Review Toolkit