Activities

  • degree saka kasulitan: gampang gampang , medium medium , hard hard , atos banget atos banget
  • mbutuhake math ( mbutuhake math )
  • mbutuhake kode ( mbutuhake kode )
  • koleksi data ( koleksi data )
  • Pendhaftaran favorit ( sandi favorit )

  1. [Sunting] hard , mbutuhake math ] Ing bab kasebut, aku banget positif babagan post-stratification. Nanging, iki ora tansah ningkatake kualitas prakiraan. Mbangun kahanan ing ngendi pasca-stratifikasi bisa ngurangi kualitas prakiraan. (Kanggo pitunjuk, pirsani Thomsen (1973) .)

  2. [Sunting] hard , koleksi data , mbutuhake kode Desain lan tumindak survey non-probabilitas ing Amazon Mechanical Turk kanggo pitutur babagan kepemilikan lan sikap gun menyang kontrol gun. Supaya sampeyan bisa mbandhingake perkiraan menyang sing ditemokake saka sampel kamungkinan, mangga nyalin teks lan opsi jawaban kanthi langsung saka survey kanthi kualitas dhuwur kayata sing dikelola dening Pusat Penelitian Pew.

    1. Suwene apa survey sampeyan njupuk? Pinten punapa biaya? Kepiye demografi sampel sampeyan mbandhingake karo demografi populasi AS?
    2. Apa prakiraan mentah gun kepemilikan nggunakake sampel?
    3. Bener kanggo nonrepresentatifitas sampel nggunakake stratification utawa sawetara teknik liyane. Saiki apa perkiraan kepemilikan gun?
    4. Pripun perkiraan sampeyan mbandhingake karo perkiraan paling anyar saka sampel sing dumadi saka kemungkinan? Apa sampeyan ngandharake, yen ana apa-apa?
    5. Ulangi pitakonan (b) - (d) kanggo sikap marang kontrol gun. Pripun temuan sampeyan beda-beda?

  3. [Sunting] atos banget , koleksi data , mbutuhake kode ] Goel lan kolega (2016) diterbitake 49 pitakonan pitakonan sikap-macem sing ditarik saka Survey Sosial Umum (GSS) lan pilih survey dening Pew Research Center kanggo sampel non-probabilitas saka responden sing ditarik saka Amazon Mechanical Turk. Dheweke banjur ngatur kanggo non-representativitas data kanthi nggunakake model-stratifikasi pasca-model lan mbandhingake perkiraan sing cocog karo sing saka survey GSS lan Pew. Nglakoni survey sing padha ing Amazon Mechanical Turk lan nyoba kanggo ngali gambar 2a lan gambar 2b kanthi mbandhingake perkiraan sing disetel karo perkiraan saka babak paling anyar saka survey GSS lan Pew. (Pirsani tabel tabel A2 kanggo daftar 49 pitakonan.)

    1. Dibandhingake lan kontras hasil karo Pew lan GSS.
    2. Dibandhingake lan kontras asil sampeyan karo sing saka survey Mechanical Mechanical ing Goel, Obeng, and Rothschild (2016) .

  4. [Sunting] medium , koleksi data , mbutuhake kode ] Kathah studi nyinaoni ukuran telpon seluler kanthi kacepetan. Iki minangka setelan sing menarik nalika para panaliti bisa mbandhingake tingkah laku sing dilapurake kanthi tingkah laku mlebu (ndeleng conto, Boase and Ling (2013) ). Rong tindak tanduk umum kanggo nimbali babagan panggilan lan tulisan, lan rong bingkai sing umum yaiku "wingi" lan "ing minggu kepungkur."

    1. Sadurunge ngempalaken data apa, sing diukur kanthi otomatis? Kenapa?
    2. Rekrut limang kanca sampeyan ing survey sampeyan. Mangga sedhela ngringkes carane iki limang kanca padha dicithak. Mbok menawa prosedur sampling iki ngidinake bias spesifik ing perkiraan sampeyan?
    3. Takon marang pitakonan microsurvey ngisor iki:
    • "Kaping pirang-pirang sampeyan nggunakake telpon seluler kanggo nelpon liyane wingi?"
    • "Carane akeh pesen teks sing dikirim kemarin?"
    • "Kaping pirang-pirang sampeyan nggunakake telpon seluler kanggo nelpon liyane ing pitung dina pungkasan?"
    • "Kaping pirang-pirang sampeyan nggunakake ponsel kanggo ngirim utawa nampa pesen teks / SMS ing pitung dina pungkasan?"
    1. Sawise microsurvey iki wis rampung, takon mriksa data panggunaan sing wis dicathet dening telpon utawa panyedhiya layanan. Kepiye cara migunakake laporan kanggo dibandhingake karo data log? Kang paling akurat, sing paling akurat?
    2. Saiki gabungke data sing diklumpukake karo data saka wong liya ing kelas sampeyan (yen sampeyan nindakake kegiatan iki kanggo kelas). Kanthi dataset sing luwih gedhe, bagian ulang (d).

  5. [Sunting] medium , koleksi data ] Schuman lan Presser (1996) nerangake yen pesenan pitakonan bakal dadi masalah kanggo rong jinis pitakonan: pitakonan babagan bagean ngendi loro pitakonan ing tingkat tartamtu sing padha (contone, rating saka rong calon presiden); lan sapérangan pitakonan ing ngendi pitakonan umum nrima pitakon sing luwih spesifik (contone, takon "Pinten kepuasan sampeyan karo karyanipun?" dipuntindakaken kanthi "Pinten kepuasan sampeyan kaliyan gesang sampeyan?").

    Padha luwih menehi ciri loro jinis tatanan tatanan pitakonan: efek konsistensi sing kedadeyan nalika tanggapan marang pitakonan sing diarani luwih cedhak (tinimbang wong liya) kanggo sing diwènèhaké marang pitakonan sadurungé; Efek kontras dumadi nalika ana beda sing beda antarane respon karo rong pitakonan.

    1. Nggawe pasangan sebagian bagean pitakonan sing bakal duwe efek gedhe pitakonan; sepasang pitakonan sepisan kabeh sing sampeyan bakal nduweni efek urutan gedhe; lan sepasang pitakonan sing supaya sampeyan mikir ora masalah. Jalanake eksperimen kaurmisan ing Amazon Mechanical Turk kanggo nyoba pitakonan sampeyan.
    2. Carane gedhe efek part-part sampeyan bisa nggawe? Apa efek konsistensi utawa kontras?
    3. Carane gedhe efek sisih kabeh sampeyan bisa nggawe? Apa efek konsistensi utawa kontras?
    4. Ana efek tatanan pitakonan ing pasangan sampeyan ing ngendi sampeyan ora mikir supaya urutane?

  6. [Sunting] medium , koleksi data Bangunan ing karya Schuman lan Presser, Moore (2002) nggambarake dimensi kaputusan tatanan sing kapisah: efek aditif lan subtractif. Nalika efek kontras lan konsistensi diprodhuksi minangka konsekwensi saka evaluasi responden saka rong item sajrone sesambungan kasebut, efek aditif lan subtractive diprodhuksi nalika responden digawe luwih sensitif marang kerangka kerja sing luwih dhuwur ing pitakonan kasebut. Baca Moore (2002) , banjur ngrancang lan nglakoni eksperimen survey ing MTurk kanggo nduduhake aditif utawa subtractive efek.

  7. [Sunting] hard , koleksi data ] Christopher Antoun lan kanca-kanca (2015) nganakake studi sing nyinaoni sampel penambahan saka pitung sumber online: MTurk, Craigslist, Google AdWords lan Facebook. Desain survey sing prasaja lan rekrut peserta liwat paling ora rong sumber recruiting online (sumber kasebut bisa beda karo papat sumber sing digunakake ing Antoun et al. (2015) ).

    1. Mbandhingake biaya saben wong sing nganakake panrimo-ing bab dhuwit lan wektu-antarane sumber sing beda-beda.
    2. Bandingake komposisi saka conto sing ditampa saka macem-macem sumber.
    3. Bandingake kualitas data antarane sampel. Kanggo gagasan babagan cara ngukur kualitas data saka responden, waca Schober et al. (2015) .
    4. Apa sumber sing disenengi sampeyan? Kenapa?

  8. [Sunting] medium ] Ing upaya kanggo prédhiksi asil Referendum UE 2016 (ie, Brexit), perusahaan riset pasar berbasis Internet sing YouGov-an sing nganakake polling online saka panel babagan 800.000 responden ing Britania Raya.

    Gambaran rinci babagan statistik statistik YouGov bisa ditemokake ing https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/. Sauntara, YouGov dipisahake dadi jinis pemilihan miturut pemilihan 2015 pemilihan umum, umur, kualifikasi, jender, lan tanggal wawancara, uga konstituensi ing ngendi dheweke urip. Kapisan, padha nggunakake data sing diklumpukake saka panelists YouGov kanggo ngira, ing antarane wong-wong sing milih, proporsi wong saben jinis pemilih sing arep milih Cuti. Padha ngira-ngira saben jinis pemilih kanthi nggunakake 2015 British Election Study (BES), pasuryan pasca-survey, sing disetujoni pemilihan saka pemilihan. Pamungkas, kira-kira jumlah wong saben jinis pemilih ing pemilih, miturut Sensus lan Survey Populasi Tahunan (kanthi tambahan informasi saka sumber data liyane).

    Telung dina sadurunge voting, YouGov nampilake timbal loro-lorone kanggo Ninggalake. Ing wengi pemungutan suara, jajak pendapat nuduhake yen asile cedhak banget (49/51 Remain). Sinau ing pungkasan ing dina-dina prediksi 48/52 ing sih Remain (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). Ing kasunyatan, prakiraan iki ora kejawab asil final (52/48 Leave) kanthi papat persentase poin.

    1. Gunakake total framework error survey sing dibahas ing bab iki kanggo netepake apa sing bisa salah.
    2. Tanggapan YouGov sawise pemilihan (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) nerangake: "Iki katon ing bagean gedhe amarga pamrentahan-soko sing kita wis ngandika kabeh bebarengan bakal penting kanggo asil saka balapan sing saingan apik. Model pamilih kita adhedhasar, manut, manawa responden wis milih ing pemilihan umum pungkasan lan tingkat turnamen ing ndhuwur pemilihan umum kacilakan modhèl, utamané ing sisih lor. "Apa iki ngganti jawabanmu ing bagéan (a)?

  9. [Sunting] medium , mbutuhake kode ] Tulis simulasi kanggo nggambarake saben kesalahan ing gambar 3.2.

    1. Nggawe kahanan sing kasalahan kasebut bener mbatalake.
    2. Nggawe kahanan sing kasalahan saling compound.

  10. [Sunting] atos banget , mbutuhake kode ] Riset saka Blumenstock lan kolega (2015) melu mbangun model pembelajaran mesin sing bisa nggunakake data jejak digital kanggo mrédhiksi respon survey. Saiki, sampeyan bakal nyoba perkara sing padha karo dataset sing beda. Kosinski, Stillwell, and Graepel (2013) nemokake yen Facebook seneng bisa ngramal sipat lan atribut. Kaget, prediksi iki bisa luwih akurat tinimbang kanca lan kolega (Youyou, Kosinski, and Stillwell 2015) .

    1. Maca Kosinski, Stillwell, and Graepel (2013) , lan niru tokoh 2. Data sing kasedhiya ing http://mypersonality.org/
    2. Saiki, tiru gambar 3.
    3. Pungkasan, coba model ing data Facebook sampeyan dhewe: http://applymagicsauce.com/. Carane uga iku bisa kanggo sampeyan?

  11. [Sunting] medium ] Toole et al. (2015) digunakake rekaman rinci telpon (CDRs) saka telpon seluler kanggo prédhiksi tren pangangguran agregat.

    1. Dibandhingake lan kontras desain sinau Toole et al. (2015) karo Blumenstock, Cadamuro, and On (2015) .
    2. Apa sampeyan mikir CDR ngirim ngganti survey tradisional, nglengkapi utawa ora digunakake ing kabeh kanggo policymakers pemerintah kanggo trek pengangguran? Kenapa?
    3. Bukti apa sing bisa gawe uwong yakin yen CDR bisa ngganti sakabehe pengukuran tradisional tingkat pengangguran?

Powered by Open Review Toolkit