Activities

Key:

  • kangélan: gampang gampang , medium medium , hard hard , Banget hard banget hard
  • mbutuhake math ( mbutuhake math )
  • mbutuhake werna ( mbutuhake werna )
  • koleksi data ( koleksi data )
  • favorit ( favorit )

  1. [ hard , mbutuhake math ] Ing bab, aku positif banget bab kirim-stratification. Nanging, ora tansah nambah kualitas prakiraan. Mbangun kahanan ngendi bisa ngirim-stratification bisa ngurangi kualitas prakiraan. (Kanggo Petunjuk, ndeleng Thomsen (1973) ).

  2. [ hard , koleksi data , mbutuhake werna ] Desain lan tumindak survey non-kemungkinan ing Amazon MTurk takon bab kepemilikan gun ( "Aja, utawa ora wong ing kluwarga, duwe bedhil, senapan utawa pistol? Apa sing sampeyan utawa wong liya ing dalem panjenengan?") Lan Donyane menyang kontrol gun ( "Apa kowe mikir luwih penting-kanggo nglindhungi hak saka Amerika duwe bedhil, utawa kanggo ngontrol kepemilikan gun?").

    1. Suwene ora survey njupuk? Pinten ora iku biaya? Carane Demografi saka sampel Panjenengan mbandhingaké Demografi saka populasi US?
    2. Apa ngira mentahan saka kepemilikan gun nggunakake sampel Panjenengan?
    3. Bener kanggo non-representativeness sampel nggunakake kirim-stratification utawa sawetara technique liyane. Saiki apa sing ngira kepemilikan gun?
    4. Pripun prakiraan Panjenengan mbandhingaké ngira paling anyar saka Pew Research Center? Apa sampeyan mikir nerangake racocok, yen ana apa?
    5. Baleni ngleksanani 2-5 kanggo Donyane menyang kontrol gun. Pripun temonan beda-beda?

  3. [ banget hard , koleksi data , mbutuhake werna ] Goel lan kolega (2016) sing diterbitake survey moda kemungkinan dumadi saka 49 kaping-pilihan pitakonan attitudinal digambar saka Survey Umum Social (GSS) lan pilih survey dening Pew Research Center ing Amazon MTurk. Padha banjur nyetel kanggo non-representativeness data nggunakake basis model kirim-stratification (Mr. P), lan mbandhingake prakiraan diatur karo sing kira-kira nggunakake basis kemungkinan survey GSS / Pew. Tumindak survey padha ing MTurk lan nyoba kanggo nurun Figure 2A lan tokoh 2b dening mbandingaken prakiraan diatur karo prakiran saka babak paling anyar saka GSS / Pew (Waca Apendiks Table A2 kanggo daftar 49 pitakonan).

    1. Mbandhingaké lan kontras asil kanggo asil saka Wadhuh lan GSS.
    2. Mbandhingaké lan kontras asil kanggo asil saka survey MTurk ing Goel, Obeng, and Rothschild (2016) .

  4. [ medium , koleksi data , mbutuhake werna ] Akeh pasinaon nganggo ngukur poto-laporan saka data kegiatan ponsel. Iki setelan menarik ngendi peneliti bisa mbandhingaké prilaku poto-kacarita karo prilaku mlebu (ndeleng conto, Boase and Ling (2013) ). Two tindak tanduk umum kanggo takon bab sing nelpon lan tulisan, lan loro pigura wektu umum "wingi" lan "ing minggu kepungkur."

    1. Sadurunge ngempalaken data, kang-report poto ngukur kowe mikir luwih akurat? Apa?
    2. Recruit 5 kanca dadi ing survey. Mangga ngringkes sedhela carane 5 kanca padha tulodho. Bisa prosedur sampling iki panggawe biases tartamtu ing prakiraan Panjenengan?
    3. Mangga takon ing ngisor iki mikro-survey:
    • "Carane akeh kaping durung nggunakake ponsel nelpon wong wingi?"
    • "Carane akeh pesen teks sira ngirim wingi?"
    • "Carane kakehan sira nggunakake ponsel nelpon wong pitung dinten punika?"
    • "Carane kakehan iya sampeyan nggunakake telpon kanggo ngirim utawa nampa pesen teks / SMS ing pitung dinten punika?" Sawise survey lengkap, takon kanggo mriksa data sing mlebu dening telpon utawa panyedhiya layanan sing.
    1. Carane ora Panggunan poto-laporan kanggo mbandhingaké log data? Kang paling akurat, kang paling akurat?
    2. Saiki gabungke data sing wis diklumpukake karo data saka wong liya ing kelas (yen mengkono kegiatan iki kanggo kelas). Kanthi perlengkapan data iki luwih gedhe, mbaleni part (d).

  5. [ medium , koleksi data ] Schuman lan Presser (1996) argue sing pesenan Pitakonan bakal Matter kanggo rong jinis saka hubungan antarane pitakonan: part-part pitakonan loro pitakonan ing tingkat sing padha utomo (eg ratings saka loro calon presiden); lan pitakonan part-kabèh ngendi pitakonan general nderek pitakonan sing luwih spesifik (eg takon "Carane wareg sampeyan karo karya?" ngiring dening "Carane wareg sampeyan urip?").

    Padha luwih ciri rong jinis efek supaya pitakonan: efek konsistensi dumadi nalika respon kanggo pitakonan mengko digawa nyedhaki (saka wong bakal digunakake dadi) kanggo sing diwenehi kanggo pitakonan sadurungé; kontras efek dumadi nalika ana beda luwih antarane respon kanggo loro pitakonan.

    1. Nggawe pasangan pitakonan part-part sing mikir bakal nduwèni dampak sing gedhé supaya pitakonan, a Pasangan saka pitakonan part-kabèh sing mikir sampeyan bakal duwe efek supaya gedhe, lan pasangan liyane pitakonan kang supaya sampeyan mikir ora ketompo. Mbukak eksprimen survey ing MTurk kanggo nyoba pitakonan Panjenengan.
    2. Carane gedhe ana efek part-part padha bisa kanggo nggawe? Apa konsistensi utawa kontras efek?
    3. Carane gedhe ana efek part-kabèh padha bisa kanggo nggawe? Apa konsistensi utawa kontras efek?
    4. Ana pitakonan efek supaya ing pasangan ngendi ora mikir supaya bakal Matter?

  6. [ medium , koleksi data ] Bangunan ing karya saka Schuman lan Presser, Moore (2002) nggambaraken ukuran kapisah saka efek supaya pitakonan: aditif lan subtractive. Nalika kontras lan konsistensi efek sing diprodhuksi minangka akibat saka evaluasi penjawab 'saka ing ragam ing hubungan kanggo saben liyane, aditif lan efek subtractive sing diprodhuksi nalika penjawab sing digawe luwih sensitif framework luwih gedhe ing kang pitakonan sing nuduhke. Maca Moore (2002) , banjur ngrancang lan mbukak eksprimen survey ing MTurk kanggo nduduhake aditif utawa subtractive efek.

  7. [ hard , koleksi data ] Christopher Antoun lan kolega (2015) conducted sing sinau mbandingaken conto penak dijupuk saka papat sumber recruiting online beda: MTurk, craigslist, Google AdWords lan Facebook. Desain survey prasaja lan Recruit peserta liwat rong sumber recruiting online beda (padha bisa dadi sumber sing béda saka papat sumber digunakake ing Antoun et al. (2015) ).

    1. Bandingake biaya per oleh, ing syarat-syarat dhuwit lan wektu, antarane macem-macem sumber.
    2. Bandingake komposisi saka conto dijupuk saka macem-macem sumber.
    3. Bandingake kualitas data antarane conto. Kanggo gagasan bab carane ngukur kualitas data saka penjawab, ndeleng Schober et al. (2015) .
    4. Apa sumber disenengi? Apa?

  8. [ medium ] YouGov, tenan riset pasar basis internet, conducted Jajak Pendapat online saka panel watara 800,000 penjawab ing UK lan digunakake Mr. P. kanggo mrédhiksi asil Referendum EU (IE, Brexit) endi Pamilih UK milih salah siji kanggo tetep utawa ninggalake Uni Eropa.

    A gambaran rinci model statistik YouGov iku ana ing (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/). Kira-kira ngandika, YouGov sekat Pamilih menyang jinis adhedhasar 2015 pilihan voting pemilihan umum, umur, saringan, gender, tanggal Interview, uga ing konstituensi padha manggon ing. Kawitan, padha digunakake data sing diklumpukake saka panelists YouGov kanggo ngira, antarane wong-wong sing milih, ing babagan wong saben jinis pinilih sing dienggo kanggo milih ninggalake. Padha ngira turnout saben jinis pinilih dening nggunakake British Study Pemilihan 2015 (BES) kirim-Pemilu pasuryan-kanggo-pasuryan survey, kang divalidasi turnout saka nggulung pilihan. Akhire, padha ngira carane akeh wong ana saben jinis pinilih ing electorate adhedhasar Census paling anyar lan Survey Pedunung Annual (karo sawetara informasi tambahan saka BES, data survey YouGov saka sak pemilihan umum, lan informasi babagan carane akeh wong milih kanggo saben partai ing saben konstituensi).

    Telung dina sadurunge voting, YouGov nuduhake timbal loro titik kanggo ninggalake. Ing Kawa pilihan, jajak pendapat nuduhake banget cedhak nelpon (49-51 Tetep). Final sinau on-the-dina mbadek 48/52 ing sih saka Tetep (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). Ing kasunyatan, ngira iki ora kejawab asil Final (52-48 ninggalake) dening papat TCTerms persentasi.

    1. Gunakake framework kesalahan survey total rembugan ing bab iki kanggo netepke apa wis musna salah.
    2. nanggepi YouGov sawise Pemilu (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) diterangno: "Iki jek ing bagean gedhe amarga turnout - soko sing kita wis ngandika kabeh bebarengan bakal wigati kanggo kasil saka kuwi lomba sacoro apik imbang. model turnout kita iki adhedhasar, ing sisih, ing apa penjawab wis milih ing pemilihan umum pungkasan lan tingkat turnout ndhuwur sing saka pemilihan umum upset model, utamané ing Lor. "Iki ngganti jawaban kanggo part (a)?

  9. [ medium , mbutuhake werna ] Tulis gladhi kanggo ilustrasi saben saka kasalahan perwakilan ing Figure 3.1.

    1. Nggawe kahanan ngendi kasalahan iki bener mbatalake metu.
    2. Nggawe kahanan endi kasalahan senyawa saben liyane.

  10. [ banget hard , mbutuhake werna ] Ing panalitén Blumenstock lan kolega (2015) melu mbangun model learning mesin sing bisa nggunakake tilak data digital kanggo mrédhiksi respon survey. Saiki, sing arep nyoba bab sing padha karo perlengkapan data beda. Kosinski, Stillwell, and Graepel (2013) ketemu sing Facebook seneng bisa prédhiksi sipat individu lan kawicaksanan. Kaget, iki ramalan bisa malah luwih akurat saka iku kanca lan kolega (Youyou, Kosinski, and Stillwell 2015) .

    1. Maca Kosinski, Stillwell, and Graepel (2013) , lan nurun Figure 2. data sing kasedhiya ing kene: http://mypersonality.org/
    2. Saiki, nurun Figure 3.
    3. Akhire, nyoba model ing data Facebook dhewe: http://applymagicsauce.com/. Carane uga ora iku bisa kanggo sampeyan?

  11. [ medium ] Toole et al. (2015) nggunakake telpon rinci cathetan (CDRs) saka telpon seluler kanggo prédhiksi tren pengangguran kanthi jumlah ongko.

    1. Mbandhingaké lan kontras desain Toole et al. (2015) karo Blumenstock, Cadamuro, and On (2015) .
    2. Aja mikir CDRs kudu ngganti survey tradisional, ngompliti mau utawa ora bisa digunakake ing kabeh policymakers pamaréntah kanggo trek pengangguran? Apa?
    3. Apa bukti bakal gawe uwong yakin sing CDRs rampung bisa ngganti ngukur tradisional saka tingkat pengangguran?

Powered by Open Review Toolkit