Key:
[ , ] 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) ).
[ , , ] 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?").
[ , , ] 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).
[ , , ] 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."
[ , ] 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.
[ , ] 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.
[ , ] 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) ).
[ ] 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.
[ , ] Kirjoita simulointi havainnollistaa kunkin edustus virheiden kuvassa 3.1.
[ , ] 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) .
[ ] Toole et al. (2015) käyttöön CDR: (CDR) matkapuhelimista ennustaa aggregaatin työllisyyskehitykseen.