aktiviteiten

  • mjitte fan muoite: maklik maklik , medium medium , hurd hurd , hiel dreech hiel dreech
  • freget math ( needsaak math )
  • nedich kodearring ( nedich kodearring )
  • data kolleksje ( data kolleksje )
  • myn favoriten ( myn favorite )

  1. [ hurd , needsaak math ] Yn it haadstik wie ik tige positive oer post-stratifikaasje. Dit jildt lykwols net altyd de kwaliteit fan skatten. Konstruearje in situaasje dêr't post-stratifikaasje de kwaliteit fan skatten ôfliede kin. (Foar in hint, sjoch Thomsen (1973) .)

  2. [ hurd , data kolleksje , nedich kodearring ] Untwikkeljen en útfieren in net-probabiliteitûndersyk op Amazon Mechanical Turk om te freegjen oer geweld oanbesteging en hâlding foar puntkontrôle. Om jo skatten te fergelykjen oan dyjingen dy't ôflaat binne fan in probleem probleem, kinne jo de fraachtekst en reaksje opsjes direkt printsje fan in heechweardige enkête lykas dy troch it Pew Research Centre rinne.

    1. Hoe lang nimt jo survey? Hoe djoer is it? Hoe kinne de demografy fan jo probleem fergelykje mei de demografy fan 'e Amerikaanske befolking?
    2. Wat is de rôze skatting fan wapensbeskerming mei jo probleem?
    3. Korrizjearje foar it net-represintearjen fan jo probleem mei post-stratifikaasje of in inkele oare technyk. No is wat de skatting fan gewoane eigendom is?
    4. Hoe kinne jo skatten fergelykje mei de lêste skatting fan in probabeleaze probleem? Wat tinke jo oan 'e ûnderskate ûnderwerpen, as der wat binne?
    5. Werje fragen (b) - (d) foar hâlding foar kontrôle. Hoe binne jo fynsten ferskille?

  3. [ hiel dreech , data kolleksje , nedich kodearring ] Goel en kollega's (2016) administraasje 49 oplieding fan meardere kiezen út 'e Algemiene Sosjale Survey (GSS) en selektearje ûndersiken troch it Pew Research Center om net-probabiliteit foar echte problemen fan respondinten dy't fan' e Amazon Mechanical Turk binne. Dêrnei waarden se oanpast foar de net-represintativiteit fan gegevens mei model-basearre post-stratifikaasje en fergelykje har oanpaste schattens mei dy fan 'e problemen basearre GSS- en Pew-ûndersiken. Oefenje deselde gemienskip oer Amazon Mechanical Turk en besykje 2a en figuer 2b te fertsjjen troch te fergelykjen fan jo oanpaste skatten mei de skatten út de lêste rûnten fan de GSS en Pew-oersichten. (Sjoch oanfolletabelle A2 foar de list fan 49 fragen.)

    1. Fergelykjen en kontrôle jo resultaten mei dy fan Pew en GSS.
    2. Fergelykjen en kontrastje jo resultaten mei dy fan de útfining fan de Mechanical Turk yn Goel, Obeng, and Rothschild (2016) .

  4. [ medium , data kolleksje , nedich kodearring ] In protte stúdzjes brûke selektearre maatregels fan mobyl tillefoan. Dit is in nijsgjirrige ynstellings dêr't ûndersikers sels sels rapporteare gedrach mei ferlykjen gedrach fergelykje kinne (sjoch bygelyks Boase and Ling (2013) ). Twa mienskiplike gedrach om te freegjen binne te roppen en te stjoeren, en twa mienskiplike tiidframes binne "juster" en "yn 'e ôfrûne wike."

    1. Foardat alle gegevens sammele binne, hokker fan 'e selsberjochten maatregels tinke jo dat better? Wêrom?
    2. Rekkenje fiif fan dyn freonen om yn jo survey te wêzen. Graach fjirder gearfetsje hoe't dizze fiif freonen probearre waarden. Kin dit samplingproseduere spesifike foardielen yn jo skatten stimulearje?
    3. Freegje se de neikommende mikrosurvey fragen:
    • "Hoefolle kear hawwe jo mobile tillefoan gebrûk makke om oaren oardiel te neamen?"
    • "Hoefolle tillefoans berjochten hawwe jo juster stjoerd?"
    • "Hoefolle kear hawwe jo mobile tillefoan gebrûk makke om oaren yn 'e lêste sân dagen te neamen?"
    • "Hoefolle kear hawwe jo mobile tillefoan brûkt om tillefoans berjochten / sms yn 'e lêste sân dagen te stjoeren?"
    1. Ienris dizze mikroswervje is foltôge, freegje om har gebrûkdata te kontrolearjen as oanmeld troch har tillefoan of tsjinstferliener. Hoe kin it gebrûk fan selsberjochten fergelike mei loggegevens? Hokker is krekt genoat, wat is it minst krekt?
    2. Selektearje de data dy't jo sammele hawwe mei de gegevens fan oare minsken yn jo klasse (as jo dizze aktiviteit foar in klasse dwaan). Mei dizze gruttere dataset, diel diel (d).

  5. [ medium , data kolleksje ] Schuman en Presser (1996) stelle dat fragelistes dúdlik wêze foar twa soarten fragen: part-partige fragen wêr't twa fragen op deselde nivo fan spesifike wêzen binne (bygelyks ratings of two presidential candidates); en part-hiele fragen wêr't in algemiene fraach in mear spesifike fraach folget (bgl. freget as "Hoe befredich binne jo mei jo wurk?" folge troch "Hoe befredich binne jo mei jo libben?").

    Se fierder karakterisearje twa soarten fragelist effekt: konsistinsje effekten foarkomme as responsen nei in lettere fraach tichterby brocht wurde (as se oars wêze) oan dyjingen dy't foar in eardere fraach binne; Kontrast-effekten foarkomme as der gruttere ferskillen tusken responses op twa fragen binne.

    1. Meitsje in pear dieldielige fragen dy't jo tinke hawwe in grutte fraachsteld effekt hawwe; in pear part-hiele fragen dy't jo tinke hawwe in grutte opdracht effekt hawwe; en in pear fragen, wêr't jo tinken net tinke. Rin in ûndersyks eksperimint op Amazon Mechanical Turk om jo fragen te testen.
    2. Hoe grut in dieltepart effekt wiene jo te meitsjen? Was it in konsistinsje- of kontrast-effekt?
    3. Hoe grut in diel-hiele effekt wiene jo yn steat te meitsjen? Was it in konsistinsje- of kontrast-effekt?
    4. Wêrom is in fraachtekst effekt yn jo pear wêr't jo net tinke dat de opdracht jild is?

  6. [ medium , data kolleksje ] Bouwen op it wurk fan Schuman en Presser, Moore (2002) beskriuwt in aparte dimensje fan fraachstel-effekt: additive en subtraktive effekten. Wylst kontrast en konsistinsje effekten binne as gefolch fan respondinten 'evaluaasjes fan' e twa punten yn relaasje ta elkoar, additive en subtraktive effekten wurde makke as respondinten wurde mear gefoelich makke foar it gruttere ramt dêr't de fragen steld wurde. Lês Moore (2002) , dan ûntwerpe en rune in eksperimint eksperimint op MTurk om additive of subtraktive effekten te bewizen.

  7. [ hurd , data kolleksje ] Christopher Antoun en kollega's (2015) levere in stúdzje dy't it ferienigjen fan samplings krigen fan fjouwer ferskillende online wreidingsboarnen: MTurk, Craigslist, Google AdWords en Facebook. Untwerp in ienfâldige enkête en yndividuen opnimme troch op syn minst twa ferskillende online boarne boarnen (dizze boarnen kinne ferskille fan de fjouwer boarnen dy't brûkt wurde yn Antoun et al. (2015) ).

    1. Fergelykje de kosten per ynkrúzje-yn betingsten fan jild en tiid - tusken ferskate boarnen.
    2. Fergelykje de gearstalling fan de samples dy't ferskate boarnen binne.
    3. Fergelykje de kwaliteit fan gegevens tusken de samples. Foar ideeën oer hoe't de kwaliteit fan gegevens fan respondinten mjitten wurdt, sjoch Schober et al. (2015) .
    4. Wat is jo foarkommende boarne? Wêrom?

  8. [ medium ] Yn 'e ynstânsje om de resultaten fan' e 2016-EU-referindum (ie, Brexit), YouGov-in Internet-basearre merkûndersyk fêststelde online-pollen fan in paniel fan ûngefear 800.000 respondinten yn it Feriene Keninkryk.

    In detaillearre beskriuwing fan it statistyske model fan YouGov kin fûn wurde op https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/. Grutlik praten, YouGov fertsjintwurdige kiezers nei soarten basearre op 2015 algemiene ferkiezingswize kieze, leeftyd, kwalifikaasjes, geslacht, en datum fan ynterview, en ek it kiesdistrikt dêr't se wenne. Earst hawwe se gebrûk fan gegevens sammele fan de YouGov-panelisten om te ûnderskieden, ûnder de wa't stie, it oanpart fan minsken fan elke elektryske type dy't stie te stimmen. Se beoardielje de opkomst fan elke elektroanikaart troch it brûken fan 'e 2015 British Election Study (BES), in post-ferkiezings fan oantreklike oantrún fan' e perioade. Uteinlik hawwe se bepaald hoefolle minsken der fan elke elektroartype wiene yn 'e kiezers, basearre op lêste Census en jierlikse befolkingsûndersyks (mei inkele oanfoljende ynformaasje út oare gegevensboarnen).

    Trije dagen foar de stimming joech YouGov in twa-puntenlieding foar Leave. Op 'e jûn fan' e stimming wie de fraach oanjûn dat it resultaat te ticht by te roppen wie (49/51 Remain). De definitive op-de-dei-stúdzje fertelde 48/52 foarstanner fan Remain (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). Yn feite hat dit skatting it lêste resultaat (52/48 Leave) troch fjouwer persint punten miste.

    1. Brûk de totale ûndersyksferskrogramma yn dit haadstik besprutsen om te beoardieljen wat der miskien miskien is.
    2. It antwurd fan YouGov nei de ferkiezings (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) ferklearre: "Dat liket yn in grut part troch trochslach - wat dat Wy hawwe allegearre sein dat it wichtich wêze soe foar de útkomst fan sokke in geweldige rangele race. Undersyksmodel is basearre, diels, op 'e fraach oft respondinten by de lêste algemiene ferkiezings keazen wiene en in turnoutnivo boppe dizze fan' e algemiene ferkiezingen it model, benammen yn it noarden, makket. "Is dit feroare jo antwurd op diel (a)?

  9. [ medium , nedich kodearring ] Skriuw in simulaasje om elk fan 'e fertsjintwurdingsfynzjes yn paragraaf 3.2 te yllustrearje.

    1. Meitsje in situaasje oan wêr't dizze flater wier mislearre.
    2. In situaasje meitsje wêr't elkoar de fouten ferpleatse.

  10. [ hiel dreech , nedich kodearring ] It ûndersyk fan Blumenstock en kollega's (2015) belutsen by it bouwen fan in masine-learmodel dat digitale spoargegevens brûke kin om ûndersyksaksje foar te foarsjen. No sille jo itselde ding besykje mei in oare dataset. Kosinski, Stillwell, and Graepel (2013) fûnen dat Facebook liket kinne individuele saken en attributen foarsizze. Wierskynlik kinne dy foarbylden noch krekter wêze as dy fan freonen en kollega's (Youyou, Kosinski, and Stillwell 2015) .

    1. Lês Kosinski, Stillwell, and Graepel (2013) , en fertsjinje figuer 2. Harren gegevens binne beskikber yn http://mypersonality.org/
    2. No, replikaare figuer 3.
    3. As lêste, probearje har model op jo eigen Facebook-data: http://applymagicsauce.com/. Hoe goed wurket it foar jo?

  11. [ medium ] Toole et al. (2015) brûkt telefoanyndielings (CDRs) fan mobyl tillefoan om gearkomsten fan wurkleazens te bewizen.

    1. Fergelykje en kontrast de stúdzje ûntwerp fan Toole et al. (2015) mei dat fan Blumenstock, Cadamuro, and On (2015) .
    2. Binne jo dat tinke dat CDR's tradisjoneel ûndersiken ferfange, of oanfollje of net hielendal tapast wurde foar regearingsbeliedmakkers om de wurkleazens te folgjen? Wêrom?
    3. Hokker bewiis soe jo oertsjûgje dat CDR's de tradisjonele maatregels fan 'e wurkleazens folslein ferfange?

Powered by Open Review Toolkit