Tevékenységek

Kulcs:

• nehézségi foka: könnyű , közepes kemény , nagyon nehéz
• megköveteli matematika ( )
• megköveteli kódolás ( )
• adatgyűjtés ( )
• a kedvenceim ( )

1. [ , ] A fejezetben, én nagyon pozitívan utáni rétegződés. Azonban ez nem mindig minőségének javítása a becsléseket. Készítsük el a helyzetet, amikor küldhet rétegzés csökkentheti a minőségi becslések. (Egy csipetnyi lásd Thomsen (1973) ).

2. [ , , ] Tervezése és lebonyolítása nem valószínűségi felmérés Amazon MTurk kérdezni fegyvertartás ( "Te vagy csinál valaki a háztartásban, egy saját fegyvert, puska vagy pisztoly? Te vagy valaki más a háztartásban?"), És attitűdöket fegyverellenőrzést ( "Mit gondol, sokkal fontosabb, hogy megvédje a jogot az amerikaiak a saját fegyvereket, vagy irányítani a fegyvert tulajdon?").

   1. Mennyi ideig tart a vizsgálat tart? Mennyibe kerül? Hogyan demográfiai minta alapján összehasonlítani a demográfiai az amerikai lakosság?
   2. Mi a nyers becslés fegyverbirtokláshoz segítségével mintát?
   3. Helyes a nem reprezentativitása a mintát követő rétegződés vagy más technikával. Most mi a becslés fegyverbirtokláshoz?
   4. Hogyan a becslések összehasonlítani a legfrissebb becslés Pew Research Center? Mit gondol magyarázza az eltérések, ha van ilyen?
   5. Ismételje meg az 2-5 attitűdök fegyverellenőrzést. Milyenek az eredmények különböznek?

3. [ , , ] Goel és munkatársai (2016) , amely állatoknak nem valószínűségi alapú felmérés a 49 feleletválasztós szemléleti kérdések levonni a General Social Survey (GSS), és válassza ki a felmérések szerint a Pew Research Center Amazon MTurk. Ezután állítsa be a nem az adatok reprezentativitása a modell alapú utólagos rétegzés (Mr. P), és hasonlítsa össze a korrigált becslések azokkal segítségével becsült valószínűsége alapú GSS / Pew felmérések. Lefolytatására ugyanaz felmérés MTurk és megpróbálja megismételni 2a ábra és 2b ábra összehasonlításával a korrigált becslések a becslések a legutóbbi fordulóban a GSS / Pew (lásd Függelék A2 táblázat listája a 49. kérdés).

   1. Összehasonlítani és szembeállítani a találatokat, hogy az eredmények a Pew és GSS.
   2. Összehasonlítani és szembeállítani a találatokat, hogy az eredményeket a MTurk felmérés Goel, Obeng, and Rothschild (2016) .

4. [ , , ] Számos tanulmány használja önkitöltős intézkedések mobiltelefon tevékenységre vonatkozó adatok. Ez egy érdekes beállítást, ahol a kutatók összehasonlíthatja önbevalláson viselkedés naplózott viselkedés (lásd pl Boase and Ling (2013) ). Két közös viselkedés kérdezni a hívó és a textil, és két közös időkeret "tegnap", és "az elmúlt héten."

   1. Begyűjtése előtt semmilyen adatot, amely az önálló jelentés intézkedések gondol pontosabb? Miért?
   2. Recruit 5 barátai, hogy a felmérés. Kérjük, röviden foglalja össze, hogy ezek 5 barátot mintát vettünk. Lehet, hogy ez a mintavételi eljárás indukálnak specifikus torzítást a becslések?
   3. Kérje meg a következő mikro-felmérés:
   • "Hányszor használ mobiltelefont hívni másokat tegnap?"
   • "Hány szöveges üzeneteket küldtél tegnap?"
   • "Hányszor használja a mobiltelefonját hívja mások az elmúlt hét napban?"
   • "Hányszor használja a mobiltelefon küldeni vagy fogadni a szöveges üzenetek / SMS az elmúlt hét napban?" Ha a felmérés, kérjen, hogy ellenőrizze a használati adatokat, mint naplózza a telefon, vagy a szolgáltatóhoz.
   4. Hogyan önbevallás használat össze, hogy jelentkezzen az adatokat? Melyik a legpontosabb, ami legkevésbé pontos?
   5. Most egyesíti az adatokat, hogy már összegyűjtött adatokat a többi ember az osztályban (ha ezt a tevékenységet egy osztály). Ezzel nagyobb adatbázisba, ismételje meg a (d).

5. [ , ] Schuman és Presser (1996) azt állítják, hogy kérdés megrendelések számítana kétféle közötti kapcsolatok kérdése: részben rész kérdéseket, ahol két kérdés ugyanazon a szinten a specifikusság (pl alapján két elnökjelölt); és rész-egész kérdés, ahol egy általános kérdés következik egy konkrétabb kérdést (pl kérdezi: "Mennyire elégedett a munkájával?", majd a "Mennyire elégedett az életével?").

   Ezek további jellemzéséhez kétféle kérdés sorrendben hatás: következetesség jelentkeznek, amikor a válaszok egy későbbi kérdésre közelebb kerülnek (mint ahogy egyébként), hogy azok adott egy korábbi kérdés; kontraszt hatások jelentkeznek, ha vannak nagyobb különbségek válaszok két kérdést.

   1. Készítsen egy pár rész-rész kérdése, hogy úgy gondolja, lesz egy nagy kérdés rend hatása, egy pár rész-egész kérdés, hogy úgy gondolja, lesz egy nagy, hogy hatást, és még egy pár kérdés, amelynek érdekében úgy gondolja, hogy nem számít. Fuss egy felmérés kísérletet MTurk tesztelésére kérdésre.
      
   2. Mekkora volt a része részből hatása volt képes létrehozni? Vajon áll-e vagy kontraszt hatást?
   3. Mekkora volt az a rész-egész hatása volt képes létrehozni? Vajon áll-e vagy kontraszt hatást?
   4. Volt-e olyan kérdés rend hatása a pár, ahol nem gondolom, hogy a rend számít?

6. [ , ] Munkájára építve a Schuman és Presser Moore (2002) leír egy külön dimenziója kérdés sorrendben hatás: adalékanyag és szubtraktív. Míg a kontraszt és a következetesség hatások lépnek fel annak következtében, a válaszadók értékelik a két elem egymáshoz képest, additív és szubtraktív hatások lépnek fel, ha a válaszadók nem lesznek érzékenyek a nagyobb keretet, amelyen belül a kérdést tesz fel. Olvassa Moore (2002) , a tervezést és egy olyan vizsgálatot kísérletet MTurk bizonyítani additív vagy szubtraktív hatásokat.

7. [ , ] Christopher Antoun és munkatársai (2015) egy tanulmányt összehasonlítva a kényelem nyert minták négy különböző online toborzás forrásai: MTurk, Craigslist, Google AdWords és Facebook. Tervezz egy egyszerű felmérés és toborozni résztvevők a legalább két különböző online toborzás forrásokból (ezek lehetnek különböző forrásokból származó négy forrás használt Antoun et al. (2015) ).

   1. Hasonlítsa össze a költség toborozni, pénzben és időben, a különböző források között.
   2. Összehasonlítás az összetétele a kapott minták különböző forrásokból.
   3. Hasonlítsa össze az adatok minőségét minták között. Az ötleteket, hogyan kell mérni adatminőség származó válaszadók lásd Schober et al. (2015) .
   4. Mi a preferált forrás? Miért?

8. [ ] YouGov, egy internet-alapú piackutató cég végzett internetes közvélemény-kutatások a panel mintegy 800.000 válaszadók az Egyesült Királyságban és használt Mr. P. megjósolni az eredményt az EU népszavazás (azaz Brexit) amennyiben az Egyesült Királyság szavazók szavazni sem marad vagy hagyja az Európai Unióban.

   A részletes leírását YouGov statisztikai modell van (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/). Nagyjából elmondható, YouGov válaszfalak választókat típusok alapján 2015 általános választásokat szavazás választás, életkor, iskolai végzettség, nem, interjúkészítés időpontja, valamint a választókerületben, amelyben élnek. Először is használják gyűjtött adatokat a YouGov paneltag megbecsülni, azok között aki szavaz, az aránya, akik az egyes választói típus, aki kíván szavazni elhagyása. Úgy becsülik részvételi arány minden választónak típus felhasználásával 2015 brit választási Study (BES) választások utáni face-to-face felmérés, amely érvényesített részvétel a választási névjegyzékek. Végül úgy becsüljük, hogy hány ember van az egyes választói típus a választók alapuló legfrissebb népszámlálási és az éves népesség Survey (néhány kiegészítő információt a BES, YouGov felmérés adatai körül az általános választásokat, és információkat, hogy hány ember szavazott mindkét fél minden választókerületben).

   Három nappal a szavazás előtt, YouGov mutatott két ponttal vezet az öblítést. Előestéjén szavazás a közvélemény-kutatás azt mutatta, túl közel hívja a (49-51 megmarad). A végső on-the-napos vizsgálat megjósolta 48/52 javára Maradj (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). Tény, hogy ez a becslés hiányzott a végeredmény (52-48 Leave) négy százalékponttal.

   1. Használja a teljes felmérés hiba keret ebben a fejezetben tárgyalt, hogy vizsgálja meg, milyen lehetett volna baj.
   2. YouGov válasza a választások után (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) kifejtette: "Úgy tűnik, ez egy nagy részben a részvételi arány - ami mondtuk végig döntő fontosságú lenne, hogy az eredmény egy ilyen finoman kiegyensúlyozott versenyt. A részvételi arány modell alapja, részben az, hogy a válaszadók szavaztak a legutóbbi általános választásokon és a részvétel szintje magasabb, mint az általános választások felborítja a modell, különösen az észak. "Változik a választ, hogy az (a)?

9. [ , ] Írása szimuláció, hogy bemutassa az egyes ábrázolás hibák 3.1 ábra.

   1. Olyan helyzetet teremt, ahol ezek a hibák ténylegesen kioltják.
   2. Olyan helyzetet teremt, ahol a hibák összetett egymást.

10. [ , ] Kutatása Blumenstock és munkatársai (2015) részt épület egy gépi tanulási modellt, amely a digitális nyomkövetési adatok megjósolni felmérés válaszokat. Most megpróbálom ugyanezt egy másik adatbázisba. Kosinski, Stillwell, and Graepel (2013) megállapította, hogy a Facebook szereti képes megjósolni az egyéni vonások és attribútumok. Meglepő módon ezek a jóslatok lehet még pontosabb, mint a barátok és kollégák (Youyou, Kosinski, and Stillwell 2015) .

    1. Olvassa Kosinski, Stillwell, and Graepel (2013) , és lemásolni 2. ábra Az adatok itt érhetők el: http://mypersonality.org/
    2. Most, lemásolni 3. ábra.
    3. Végül, próbálja meg a modell a saját Facebook adatok: http://applymagicsauce.com/. Milyen jól működik az Ön számára?

11. [ ] Toole et al. (2015) használata hívás rekordok (CDR) a mobil telefonok megjósolni aggregált munkanélküliség alakulása.

    1. Összehasonlítani és szembeállítani a design Toole et al. (2015) a Blumenstock, Cadamuro, and On (2015) .
    2. Gondolod CDR kell helyettesíteni a hagyományos felmérések, kiegészíti azokat, vagy nem kell használni minden kormányzati döntéshozók követni a munkanélküliség? Miért?
    3. Milyen bizonyíték meggyőzni, hogy CDR teljesen helyettesíti a hagyományos intézkedések a munkanélküliség?