פעילויות

• דרגת קושי: קל , בינוני , קשה , קשה מאוד
• דורש מתמטיקה ( )
• דורש קידוד ( )
• איסוף נתונים ( )
• המועדפים שלי ( )

1. [ , ] בפרק, הייתי מאוד חיובי לגבי פוסט-ריבוד. עם זאת, זה לא תמיד לשפר את איכות האומדנים. לבנות מצב שבו פוסט-ריבוד יכול להפחית את איכות האומדנים. (לרמז, ראה Thomsen (1973) .)

2. [ , , ] לעצב ולנהל סקר הסתברות על אמזון מכני טורק לשאול על הבעלות נשק עמדות כלפי נשק. כדי שתוכל להשוות את האומדנים שלך לאלו שמקורם במדגם הסתברותי, אנא העתק את טקסט הטקסט ואת אפשרויות התגובה ישירות מסקר איכותי, כגון אלה המנוהלים על ידי מרכז המחקר Pew.

   1. כמה זמן נמשך הסקר שלך? כמה זה עולה? כיצד להשוות את הדמוגרפיה של המדגם שלך עם הדמוגרפיה של האוכלוסייה בארה"ב?
   2. מהו אומדן גלם של בעלות אקדח באמצעות המדגם שלך?
   3. נכון עבור nonrepresentativity של המדגם שלך באמצעות פוסט ריבוד או טכניקה אחרת. עכשיו מה אומדן הבעלות על האקדח?
   4. כיצד משווים האומדנים שלך את האומדן האחרון ממדגם המבוסס על הסתברות? מה אתה חושב מסביר את הפערים, אם יש?
   5. חזור על שאלות (ב) - (ד) עמדות כלפי בקרת נשק. איך הממצאים שלך שונים?

3. [ , , ] גואל ועמיתיו (2016) ניהלו 49 שאלות לבחירה מרובות שנלקחו מתוך הסקר החברתי הכללי (GSS) וסקרים נבחרים על ידי מרכז המחקר Pew למדגם ההסתברות של המרואיינים שנלקחו מ- Amazon Mechanical Turk. לאחר מכן הם התאימו לאי-ייצוגיות של נתונים המבוססים על מודל פוסט-ריבוד מבוסס מודל, והשוו את האומדנים המתואמים שלהם לאלה של סקרי ה- GSS ו- Pew המבוססים על הסתברות. בצע את אותו סקר ב- Amazon Mechanical Turk ונסה לשכפל את הדמות 2a ואת הדמות 2b על ידי השוואת האומדנים המתואמים שלך עם האומדנים מהסיבובים האחרונים של סקרי השב"כ וסקר Pew. (ראה נספח נספח א 2 לרשימה של 49 שאלות).

   1. השווה ונגיד את התוצאות שלך עם אלה של פיו ושב"כ.
   2. השווה ונגיד את התוצאות שלך עם אלה מתוך סקר מכני טורק ב Goel, Obeng, and Rothschild (2016) .

4. [ , , מחקרים רבים משתמשים באמצעי דיווח עצמי על שימוש בטלפון נייד. זוהי הגדרה מעניינת שבה חוקרים יכולים להשוות התנהגות עם דיווח עצמי עם התנהגות Boase and Ling (2013) (ראה למשל, Boase and Ling (2013) ). שתי התנהגויות נפוצות לשאול על הם קורא ו SMS, ושני מסגרות זמן נפוץ הם "אתמול" ו "בשבוע האחרון."

   1. לפני איסוף נתונים כלשהם, אילו מדדי הדיווח העצמי, לדעתך, מדויקים יותר? למה?
   2. לגייס חמישה חברים שלך להיות בסקר שלך. נא לסכם בקצרה כיצד נמדדו חמשת החברים האלה. האם זה תהליך הדגימה לגרום הטיות ספציפיות האומדנים שלך?
   3. שאל אותם את השאלות הבאות microsurvey:
   • "כמה פעמים השתמשת בטלפון הנייד שלך כדי להתקשר לאחרים אתמול?"
   • "כמה הודעות טקסט שלחת אתמול?"
   • "כמה פעמים השתמשת בטלפון הנייד שלך כדי להתקשר לאחרים בשבעת הימים האחרונים?"
   • "כמה פעמים השתמשת בטלפון הנייד שלך כדי לשלוח או לקבל הודעות טקסט / SMS בשבעת הימים האחרונים?"
   4. לאחר שהושלם השימוש ב- microsurvey, בקש לבדוק את נתוני השימוש שלהם כפי שנרשמו על-ידי הטלפון או ספק השירות. כיצד ניתן להשוות את השימוש בדיווח עצמי לנתוני יומן? מהו מדויק ביותר, אשר לפחות מדויק?
   5. עכשיו לשלב את הנתונים שאספתם עם הנתונים של אנשים אחרים בכיתה שלך (אם אתה עושה את זה עבור פעילות בכיתה). עם מערך נתונים גדול יותר, חזור על חלק (d).

5. [ , ] Schuman and Presser (1996) טוענים כי צווי השאלה היו חשובים לשני סוגים של שאלות: שאלות חלקיות כאשר שתי שאלות נמצאות באותה רמה של סגוליות (למשל, דירוג של שני מועמדים לנשיאות); ושאלות חלקיות, כאשר שאלה כללית מתעוררת בשאלה ספציפית יותר (למשל, לשאול "כמה אתה מרוצה מהעבודה שלך?" ואחריו "כמה אתה מרוצה מהחיים שלך?").

   הן מאפיינות עוד שני סוגים של אפקט סדר שאלה: השפעות עקביות מתרחשות כאשר התשובות לשאלה מאוחרת יותר מתקרב (יותר ממה שהן היו קיימות) לאלה שניתנו לשאלה מוקדמת יותר; תופעות לוואי מתרחשות כאשר יש הבדלים גדולים יותר בין התשובות לשתי שאלות.

   1. צור זוג של חלק חלק שאלות שלדעתך תהיה השפעה גדולה סדר השאלה; זוג של כל השאלות, שלדעתך תהיה להן השפעה גדולה על הסדר; ושתי שאלות שהזמנתן אינה חשובה. הפעל ניסוי סקר ב- Amazon Mechanical Turk כדי לבדוק את השאלות שלך.
      
   2. עד כמה הייתם מסוגלים ליצור אפקט חלק חלקי? האם היתה זו השפעה עקבית או ניגוד?
   3. עד כמה היית מסוגל ליצור אפקט חלק חלקי? האם היתה זו השפעה עקבית או ניגוד?
   4. האם היה סדר סדר אפקט זוג שלך שבו אתה לא חושב הסדר יהיה חשוב?

6. [ , ] על סמך עבודתם של שומאן ושל פרסר, Moore (2002) מתאר מימד נפרד של השפעת סדר השאלות: השפעות תוסף וחיסור. בעוד שאפקטים של ניגודיות ועקביות מופקים כתוצאה מהערכותיהם של המשיבים לגבי שני הפריטים ביחס זה לזה, השפעות תוסף וחיסור מופקות כאשר המשיבים נעשים רגישים יותר למסגרת הרחבה יותר שבה מוצגות השאלות. קרא Moore (2002) , ולאחר מכן לעצב ולהפעיל ניסוי הסקר על MTurk להפגין תופעות לוואי או תוסף.

7. [ , כריסטופר אנטון ועמיתיו (2015) ערכו מחקר המשווה את דגימות הנוחות המתקבלות מארבעה מקורות גיוס מקוונים שונים: MTurk, Craigslist, Google AdWords ו- Facebook. תכנון סקר פשוט וגיוס משתתפים באמצעות לפחות שני מקורות גיוס מקוונים שונים (מקורות אלה יכולים להיות שונים מארבעה מקורות המשמשים ב- Antoun et al. (2015) ).

   1. השווה את העלות לגייס - במונחים של כסף וזמן בין מקורות שונים.
   2. השווה את הרכב הדגימות המתקבלות ממקורות שונים.
   3. השווה את איכות הנתונים בין הדגימות. לקבלת רעיונות כיצד למדוד את איכות הנתונים מהמשיבים, ראה Schober et al. (2015) .
   4. מהו המקור המועדף עליך? למה?

8. [ ] במאמץ לחזות את התוצאות של משאל העם של האיחוד האירופי (כלומר, Brexit), סקר YouGov - חברת מחקר שוק מבוססת אינטרנט - סקרים מקוונים של פאנל של כ -800,000 מרואיינים בבריטניה.

   תיאור מפורט של המודל הסטטיסטי של יוגוב ניתן למצוא בכתובת https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/. באופן כללי, YouGov מחלק את הבוחרים לסוגים המבוססים על 2015 בחירה כללית בבחירה בבחירה, גיל, כישורים, מין, תאריך הראיון, כמו גם את המחוז שבו הם חיו. ראשית, הם השתמשו בנתונים שנאספו על ידי הפאנל של יוגוב כדי להעריך, בין מצביעי, את שיעור האנשים מכל סוג הבוחר מי התכוון להצביע Leave. הם העריכו את שיעור ההצבעה של כל אחד מהצביעים על ידי שימוש בסקר הבחירות הבריטי הבריטי (BES), סקר שנערך בסקר שנערך לאחר הבחירות, אשר אישר את שיעור ההצבעה מתוך הבחירות. לבסוף, הם העריכו כמה אנשים היו מכל סוג של בוחרים בבוחרים, בהתבסס על המפקד האחרון ועל סקר האוכלוסייה השנתי (עם כמה פרטים נוספים ממקורות נתונים אחרים).

   שלושה ימים לפני ההצבעה, הראה YouGov יתרון של שתי נקודות עבור Leave. ערב הצבעה, הסקר הצביע על כך שהתוצאה הייתה קרובה מדי לקריאה (49/51 הנותרים). המחקר הסופי על יום ניבא 48/52 לטובת Remain (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). למעשה, אומדן זה החמיץ את התוצאה הסופית (52/48 Leave) ב -4 נקודות אחוז.

   1. השתמש מסגרת סך השגיאה הסקר נדון בפרק זה כדי להעריך מה יכול השתבש.
   2. תגובה של YouGov לאחר הבחירות (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) הסביר: "זה נראה בחלק גדול עקב שיעור ההצבעה - משהו אמרנו שכל הזמן יהיה חיוני לתוצאה של גזע מאוזן כל כך. מודל ההצבעה שלנו התבסס, בין השאר, על השאלה אם המשיבים הצביעו בבחירות הכלליות האחרונות ורמת ההצבעה הגבוהה מזו של הבחירות הכלליות גרמה לערעור המודל, במיוחד בצפון ". האם זה משנה את תשובתך לחלק (א)?

9. [ , ] כתוב סימולציה להמחשת כל אחת משגיאות הייצוג באיור 3.2.

   1. צור מצב שבו שגיאות אלה למעשה לבטל.
   2. צור מצב שבו השגיאות מתחברות זו לזו.

10. [ , ] המחקר של Blumenstock ועמיתיו (2015) היו כרוך בבניית מודל למידה מכונה שיכול להשתמש בנתוני עקבות דיגיטליים כדי לחזות את תגובות הסקר. עכשיו, אתה הולך לנסות את אותו הדבר עם נתונים שונים. Kosinski, Stillwell, and Graepel (2013) מצאו כי פייסבוק אוהב יכול לחזות תכונות ומאפיינים אישיים. באופן מפתיע, תחזיות אלו יכולות להיות מדויקות אף יותר מאלה של חברים ועמיתים (Youyou, Kosinski, and Stillwell 2015) .

    1. קרא את Kosinski, Stillwell, and Graepel (2013) , Kosinski, Stillwell, and Graepel (2013) הדמות 2. הנתונים שלהם זמינים בכתובת http://mypersonality.org/
    2. עכשיו, לשכפל דמות 3.
    3. לבסוף, נסה את המודל שלהם על נתוני הפייסבוק שלך: http://applymagicsauce.com/. כמה טוב זה עובד בשבילך?

11. [ ] Toole et al. (2015) השתמשו רשומות פירוט שיחה (CDRs) מטלפונים ניידים כדי לחזות מגמות אבטלה מצטברות.

    1. השווה וניגוד עיצוב המחקר של Toole et al. (2015) עם זה של Blumenstock, Cadamuro, and On (2015) .
    2. האם אתה חושב CDRs צריך להחליף סקרים מסורתיים, להשלים אותם או לא לשמש בכלל עבור קובעי המדיניות הממשלה לעקוב אחר האבטלה? למה?
    3. אילו ראיות ישכנעו אותך כי CDRs יכול להחליף לחלוטין את האמצעים המסורתיים של שיעור האבטלה?