Տուրիզմ

  • դժվարությունը `հեշտ հեշտ է , միջին միջին , ծանր դժվար , շատ բարդ շատ բարդ
  • պահանջում է մաթեմատիկա ( պահանջում է մաթեմատիկա )
  • պահանջում է կոդավորում ( պահանջում է կոդավորում )
  • տվյալների հավաքագրումը ( տվյալների հավաքագրումը )
  • Իմ սիրելիները ( Իմ սիրելի )

  1. [ դժվար ,, պահանջում է մաթեմատիկա ] Գլխում ես շատ դրական եմ դրսեւորում հետերկրաբանության մասին: Այնուամենայնիվ, դա միշտ չէ, որ բարելավում է գնահատման որակը: Կառուցեք այնպիսի իրավիճակ, երբ հետտրիճանումը կարող է նվազեցնել գնահատման որակը: (Մի ակնարկ, տես Thomsen (1973) :

  2. [ դժվար ,, տվյալների հավաքագրումը ,, պահանջում է կոդավորում ] Դիզայն եւ իրականացնում է Amazon Mechanical Turk- ում ոչ հավանականության հետազոտություն `զենքի սեփականության եւ վերաբերմունքի մասին զենքի հսկողության վերաբերյալ: Այսպիսով, դուք կարող եք համեմատել ձեր գնահատականները հավանական ընտրանքի արդյունքում ստացվածներին, խնդրում ենք պատճենել հարցի տեքստը եւ պատասխանի ընտրանքները անմիջապես բարձրորակ հետազոտությունից, ինչպիսիք են Pew հետազոտական ​​կենտրոնը:

    1. Որքան է ձեր հարցումը: Որքան է արժի: Ինչպես եք ձեր նմուշի ժողովրդագրությունը համեմատվում ԱՄՆ բնակչության ժողովրդագրության հետ:
    2. Որն է ձեր նմուշն օգտագործելով զենքի սեփականության իրավունքը:
    3. Ուղղորդեք ձեր նմուշի ոչ ուշաբերականության համար, օգտագործելով post-stratification կամ այլ տեխնիկան: Այժմ ինչ է զենքի սեփականության գնահատումը:
    4. Ինչպես եք գնահատում ձեր հավանականության վրա հիմնված նմուշի վերջին գնահատումը: Ինչ եք կարծում, բացատրում է անհամապատասխանությունները, եթե կան:
    5. Կրկնել հարցերը (բ) - (դ) հրացանի վերահսկողության նկատմամբ վերաբերմունքի համար: Ինչպես են ձեր տվյալները տարբերվում:

  3. [ շատ բարդ ,, տվյալների հավաքագրումը ,, պահանջում է կոդավորում ] Goel- ը եւ գործընկերները (2016) իրականացնում էին «Ընդհանուր սոցիալական հետազոտություն» (GSS) եւ «Pew» հետազոտական ​​կենտրոնի կողմից ընտրված հարցումների բազմակի ընտրության 49 տարբերակ, Amazon Mechanical Turk- ից ստացված հարցվողների ոչ հավանական ընտրանքի համար: Այնուհետեւ նրանք ճշգրտում են մոդելային հետտրիճանման օգտագործմամբ տվյալների ոչ ներկայացուցչականության համար եւ համեմատեցին դրանց ճշգրտված գնահատումները հավանականության վրա հիմնված GSS եւ Pew հետազոտությունների հետ: Ամազոն Mechanical Turk- ում նույն հետազոտությունը կատարեք եւ փորձեք 2a եւ 2b թվերը կրկնել `համեմատելով ձեր ճշգրտված գնահատականները GSS- ի եւ Pew հետազոտությունների վերջին շրջանի գնահատականների հետ: (Տես 49-ի ցանկի համար տես Հավելված Աղյուսակ A2):

    1. Համեմատեք եւ հակադրեք ձեր արդյունքները Pew- ի եւ GSS- ի հետ:
    2. Համեմատեք եւ հակադրեք ձեր արդյունքները « Goel, Obeng, and Rothschild (2016) մեխանիկական թուրք հետազոտությունների հետ:

  4. [ միջին ,, տվյալների հավաքագրումը ,, պահանջում է կոդավորում ] Շատ ուսումնասիրություններ օգտագործում են բջջային հեռախոսի ինքնագնահատման միջոցները: Սա հետաքրքիր դրություն է, որի մեջ հետազոտողները կարող են համեմատել ինքնակամ հաղորդակցված վարքը վարքագծի հետ (տես, օրինակ, Boase and Ling (2013) ): Երկու սովորական վարքագծի մասին խնդրվում են զանգահարել եւ ուղարկում, եւ երկու ընդհանուր ժամանակային շրջանակները «երեկ» են եւ «անցյալ շաբաթ»:

    1. Նախքան տվյալների հավաքումը, որն ինքնին հաշվետվությունների միջոցառումներից որն եք համարում ավելի ճշգրիտ: Ինչու:
    2. Ձեռք բերեք ձեր ընկերներից հինգը `ձեր հարցման մեջ գտնվելը: Խնդրում ենք համառոտ ամփոփել, թե ինչպես են այս հինգ ընկերները ընտրվել: Հնարավոր է, որ այս նմուշառման կարգը հանգեցնում է ձեր գնահատականների որոշակի կողմնակալություններին:
    3. Հարցրեք նրանց հետեւյալ միկրոսխեման հարցերը.
    • «Քանի անգամ եք օգտվել բջջային հեռախոսից երեկվա հեռախոսահամարը զանգահարելու համար»:
    • «Քանի SMS հաղորդագրություններ ուղարկեց երեկ»:
    • «Քանի անգամ եք օգտվել բջջային հեռախոսից վերջին յոթ օրերին ուրիշներին զանգելու համար»:
    • «Քանի անգամ եք օգտվել բջջային հեռախոսից վերջին յոթ օրվա ընթացքում ուղարկելու կամ ստանալու համար տեքստային հաղորդագրություններ / SMS»:
    1. Երբ այս միկրոավտոբուսը ավարտված է, խնդրեք ստուգել իրենց օգտագործման տվյալները, ինչպես մուտք գործել իրենց հեռախոսի կամ ծառայության մատակարարի կողմից: Ինչպես է ինքնաբերաբար օգտագործվող օգտագործումը համեմատում տվյալների մուտքագրման հետ: Որն է առավել ճշգրիտ, որն ամենից քիչ ճշգրիտ է:
    2. Այժմ միացրեք այն տվյալները, որոնք հավաքել եք ձեր դասարանում գտնվող այլ մարդկանց տվյալների հետ (եթե դուք այս գործունեությունը կատարում եք դասի համար): Այս մեծ տվյալների հավաքածուով կրկնել մասը (d):

  5. [ միջին ,, տվյալների հավաքագրումը ] Schuman and Presser (1996) պնդում են, որ հարցի կարգադրությունը կարեւոր է երկու տեսակի հարցերի համար. Մաս-մաս հարցեր, որտեղ երկու հարցերն ունեն նույն մակարդակի նույն մակարդակի վրա (օրինակ `երկու թեկնածուների վարկանիշ); եւ ընդհանուր հարցերը, որտեղ ընդհանուր հարցն ավելի կոնկրետ հարց է առաջացնում (օրինակ, «Ինչպես բավարարված եք ձեր աշխատանքով», այնուհետեւ `« Ինչպես բավարարված եք ձեր կյանքով »):

    Այնուհետեւ նրանք բնութագրում են հարցերի երկու ձեւերի ազդեցությունը. Հետեւողականության հետեւանքները տեղի են ունենում, երբ հետագա հարցի պատասխանները ավելի մոտ են (ավելի ճիշտ, քան նրանք այլ կերպ են լինելու), ավելի վաղ հարցին տրվածներին: հակադրությունների հետեւանքները տեղի են ունենում, երբ երկու հարցի պատասխանների միջեւ ավելի մեծ տարբերություններ կան:

    1. Ստեղծեք մի քանի մասի հարցեր, որոնք դուք կարծում եք, որ կունենաք մեծ հարցի կարգի ազդեցություն: մի զույգ մասամբ ամբողջ հարցերը, որոնք դուք կարծում եք, կունենաք մեծ պատվեր ազդեցություն. եւ մի զույգ հարցեր, որոնց մասին դուք կարծում եք, կարեւոր չէ: Սկսեք Amazon Mechanical Turk- ում փորձագիտական ​​փորձարկում `փորձելու ձեր հարցերին:
    2. Որքան մեծ մասամբ մասշտաբային ազդեցություն կարող ես ստեղծել: Արդյոք հետեւողականություն կամ հակադրություն ազդեցություն է եղել:
    3. Որքան մեծ մասամբ ամբողջ ազդեցություն ունեիք, կարողացաք ստեղծել: Արդյոք հետեւողականություն կամ հակադրություն ազդեցություն է եղել:
    4. Ձեր զույգի հարցադրման ազդեցությունը եղել է, որտեղ դուք չեք կարծում, որ կարգը կարեւոր է:

  6. [ միջին ,, տվյալների հավաքագրումը ] Շումանի եւ պրեսերի աշխատանքի վրա հիմնված, Moore (2002) նկարագրում է հարցերի հրամանի ազդեցության առանձին հարթություն `հավելում եւ ենթատիպային ազդեցություն: Այնուամենայնիվ, հակադրությունն ու հետեւողականության հետեւանքները արտադրվում են, քանի որ հարցվողների գնահատականները միմյանց նկատմամբ երկու կետերի վերաբերյալ են, ավելացնում են հավելումային եւ ենթաթեղմիչ ազդեցությունները, երբ հարցվողները ավելի զգայուն են ավելի լայն շրջանակի վրա, որի շրջանակներում հարցեր են առաջադրվում: Կարդացեք Moore (2002) , այնուհետեւ նախագծեք եւ աշխատեք MTurk- ի հետազոտության փորձառություն ցուցաբերեք հավելում կամ ենթաթեղմիչ ազդեցություն:

  7. [ դժվար ,, տվյալների հավաքագրումը ] Christopher Antoun- ը եւ գործընկերները (2015) Անցկացրել են ուսումնասիրություն, համեմատելով 4 տարբեր օնլայն հավաքագրման աղբյուրներից ստացված հարմարության նմուշները `MTurk, Craigslist, Google AdWords եւ Facebook: Դիզայն պարզ հետազոտություն եւ ներգրավել մասնակիցներին, առնվազն երկու տարբեր օնլայն հավաքագրման աղբյուրների միջոցով (այս աղբյուրները կարող են տարբերվել Antoun et al. (2015) ) չորս աղբյուրներից:

    1. Համեմատեք ծախսերը մեկ հավաքագրման համար `ըստ փողի եւ ժամանակի` տարբեր աղբյուրների միջեւ:
    2. Համեմատեք տարբեր աղբյուրներից ստացված նմուշների կազմը:
    3. Համեմատեք նմուշների միջեւ տվյալների որակը: Հարցվողների համար տվյալների որակը գնահատելու վերաբերյալ պատկերացումների համար տես Schober et al. (2015) :
    4. Ինչ է ձեր նախընտրած աղբյուրը: Ինչու:

  8. [ միջին ] 2016 թվականի ԵՄ հանրաքվեի արդյունքները (այսինքն `Բրեքսիդ) կանխատեսելու նպատակով, YouGov- ը ինտերնետի վրա հիմնված շուկայական հետազոտական ​​ընկերություն է անցկացրել Միացյալ Թագավորությունում մոտ 800,000 հարցվողների վահանակի առցանց հարցումներ:

    YouGov- ի վիճակագրական մոդելի մանրամասն նկարագրությունը կարելի է գտնել https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/ կայքում: Խստորեն ասած, YouGov- ը բաժանեց ընտրողներին ըստ տեսակների 2015 ընտրությունների ընդհանուր ընտրության ընտրության, տարիքի, որակավորման, գենդերի եւ հարցազրույցի ամսաթվի, ինչպես նաեւ այն ընտրատարածքի, որտեղ նրանք ապրել էին: Նախ, նրանք օգտվեցին YouGov- ի մասնակիցներից ստացված տվյալների վրա, գնահատելով նրանց, ովքեր քվեարկել են յուրաքանչյուր ընտրողի մարդկանց տեսակարար կշիռը, ովքեր ձգտում էին քվեարկել: Նրանք գնահատել են յուրաքանչյուր ընտրողի ընտրության մասնակցությունը, օգտագործելով 2015 թ. Բրիտանական նախընտրական ուսումնասիրությունը (BES), հետընտրական դեմոկրատական ​​հետազոտություն, որը հաստատեց ընտրական ցուցակներից մասնակցությունը: Ի վերջո, նրանք գնահատել են, թե որքան մարդ է եղել ընտրողներից յուրաքանչյուր ընտրողը, ըստ վերջին մարդահամարի եւ Տարեկան բնակչության հարցման հետազոտության (այլ տվյալների աղբյուրներից որոշակի լրացուցիչ տեղեկություններ):

    Քվեարկությունից երեք օր առաջ, YouGov- ը ցույց տվեց երկու հանգամանք `Թողնել: Քվեարկության նախօրեին հարցումը ցույց տվեց, որ արդյունքը շատ մոտ էր զանգահարելու (49/51 մնացորդ): Վերջնական օրվա ուսումնասիրությունը կանխատեսեց 48/52 հօգուտ Remain (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/): Իրականում, այս գնահատումը բաց թողեց վերջնական արդյունքը (52/48 թողնել) չորս տոկոսային կետով:

    1. Օգտագործեք այս գլխում քննարկված հարցման ընդհանուր սխալի հիմքերը, գնահատելու համար, թե ինչ կարող է տեղի ունենալ:
    2. Ընտրության ավարտից հետո YouGov- ի արձագանքը (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) բացատրեց. «Սա մեծ մասի թվում է, որ մասնակցությունը կապված է, ինչ որ մենք ասել ենք, որ բոլորս էլ կարեւոր կլինենք նման նուրբ հավասարակշռված ռասայի արդյունքների համար: Մեր մասնակցային մոդելը հիմնականում հիմնված էր այն հանգամանքի վրա, թե արդյոք հարցվողները քվեարկել են վերջին ընդհանուր ընտրություններում, եւ ընդհանուր ընտրությունների գերազանցության մակարդակից ցնցում է մոդելը, մասնավորապես, Հյուսիսում »: Արդյոք սա փոխում է ձեր պատասխանը մասի (ա) մասի համար:

  9. [ միջին ,, պահանջում է կոդավորում ] Գրեք մի մոդելավորում, նկարագրեք ներկայացման սխալները 3.2-ում:

    1. Ստեղծեք այնպիսի իրավիճակ, երբ այդ սխալները փաստացի դուրս չգան:
    2. Ստեղծեք մի իրավիճակ, որտեղ սխալները միմյանց միացնում են:

  10. [ շատ բարդ ,, պահանջում է կոդավորում ] Blumenstock- ի եւ գործընկերների հետազոտությունը (2015) Ներգրավված էր մեքենաների ուսուցման մոդելը կառուցելու համար, որը կարող է օգտագործել թվային հետքային տվյալներ `կանխատեսելու հետազոտության պատասխանները: Այժմ դուք փորձելու եք միեւնույն բանը այլ տվյալների հավաքածուով: Kosinski, Stillwell, and Graepel (2013) պարզել են, որ Facebook- ը սիրում է կանխատեսել անհատական ​​հատկություններ եւ հատկանիշներ: Զարմանալիորեն, այս կանխատեսումները կարող են ավելի ճշգրիտ լինել, քան ընկերների եւ գործընկերների (Youyou, Kosinski, and Stillwell 2015) :

    1. Կարդացեք Kosinski, Stillwell, and Graepel (2013) եւ կրկնօրինակեք թիվ 2 տվյալները: Նրանց տվյալները հասանելի են http://mypersonality.org/ կայքում:
    2. Այժմ, պատճենեք թիվ 3:
    3. Ի վերջո, փորձեք իրենց մոդելը ձեր Facebook- ի ձեր տվյալները `http://applymagicsauce.com/: Որքան լավ է դա աշխատում ձեզ համար:

  11. [ միջին ] Toole et al. (2015) օգտագործելով բջջային հեռախոսներից զանգի մանրամասները (CDR) `կանխատեսելով գործազրկության ընդհանուր միտումները:

    1. Համեմատեք եւ հակադրեք Toole et al. (2015) , Blumenstock, Cadamuro, and On (2015) :
    2. Կարծում եք, CDR- ները պետք է փոխարինեն ավանդական հետազոտությունները, լրացնեն դրանք կամ չեն օգտագործվի պետական ​​քաղաքականության մշակողների համար `գործազրկությունը վերահսկելու համար: Ինչու:
    3. Ինչ ապացույցներ կստեղծեն ձեզ, որ CDR- ն կարող է ամբողջությամբ փոխարինել գործազրկության ավանդական չափանիշներով:

Powered by Open Review Toolkit