საქმიანობის

• სირთულის ხარისხი: მარტივია , საშუალო , მძიმე , ძალიან ძნელი
• მოითხოვს მათემატს ( )
• მოითხოვს კოდირებას ( )
• მონაცემთა შეგროვება ( )
• ჩემი რჩეულები ( )

1. [ , ] თავი მე ძალიან დადებითი პოსტ სტრატიფიკაციის შესახებ. თუმცა, ეს ყოველთვის არ აფასებს შეფასების ხარისხს. შეიმუშაოს სიტუაცია, სადაც პოსტ სტრატიფიკაციას შეუძლია შეამციროს შეფასების ხარისხი. (მინიშნება, იხილეთ Thomsen (1973) .)

2. [ , , ] დიზაინი და განახორციელოს არასამთავრობო ალბათობა კვლევა Amazon მექანიკური Turk ითხოვენ იარაღის საკუთრების და დამოკიდებულება იარაღით კონტროლი. ასე რომ, შეგიძლიათ შეადაროთ თქვენი შეფასებები ალბათობის ნიმუშისგან, გთხოვთ, დააკოპიროთ შეკითხვის ტექსტისა და რეაგირების პარამეტრების პირდაპირ მაღალხარისხიან კვლევას, როგორიცაა Pew Research Centre- ის მიერ გაშვებული.

   1. რამდენი ხანია თქვენი კვლევა? Რა ღირს? როგორია თქვენი ნიმუშის დემოგრაფია შედარებით აშშ-ს მოსახლეობის დემოგრაფიაში?
   2. რა არის ნედლეულის შეფასების იარაღი თქვენი ნიმუშის გამოყენებით?
   3. სწორია თქვენი ნიმუშის არაპროგნოზირებადობა პოსტ-სტრატიფიკაციის ან სხვა ტექნიკის გამოყენებით. ახლა რა არის შეფასების იარაღის მფლობელობაში?
   4. როგორ შეაფასებთ თქვენი შეფასებები შედარებით დაფუძნებული ნიმუშის უახლესი შეფასებით? რას ფიქრობთ განმარტავს განსხვავებები, თუ არსებობს რაიმე?
   5. გაიმეორეთ კითხვები (ბ) - დ) იარაღის კონტროლის მიმართ დამოკიდებულებისთვის. როგორ განსხვავდება თქვენი დასკვნები?

3. [ , , ] Goel და კოლეგებს (2016) ადმინისტრირებული 49 მრავალჯერადი არჩევანი დამოკიდებულ კითხვებს შედგენილი ზოგადი სოციალური კვლევა (GSS) და შეარჩიოთ კვლევები მიერ Pew კვლევის ცენტრი არ ალბათობა ნიმუში გამოკითხულთა Amazon მექანიკური Turk. შემდეგ ისინი მორგებული იყვნენ მონაცემების არასათანადო წარმომადგენლობაზე, რომლებიც იყენებდნენ პოსტ-სტრატიფიკაციის მეთოდს და შედარებით მათ მიერ მორგებული შეფასებები შედარებით დაფუძნებულ GSS და Pew კვლევებისაგან. ჩაატარეთ იგივე კვლევა Amazon Mechanic Turk- ზე და შეეცადეთ გაიმეოროთ ფიგურა 2a და ფიგურა 2b- ით, რათა შეაფასოთ თქვენი დაზუსტებული შეფასებები GSS- ისა და Pew კვლევების უახლესი რაუნდის შეფასებით. (იხ. დანართი მაგიდა A2 49 სიის სიაში).

   1. შედარება და განსხვავება თქვენი შედეგები Pew და GSS.
   2. შედარება და განსხვავება თქვენი შედეგები იმ მექანიკური Turk კვლევის Goel, Obeng, and Rothschild (2016) .

4. [ , , ] ბევრი სწავლა გამოიყენებს თვითმმართველობის ინფორმაციით მობილური ტელეფონის გამოყენება. ეს არის საინტერესო გარემო, რომელშიც მკვლევარებმა შეიძლება შეადარონ თვითგამოცხადებული ქცევები შესული ქცევებით (იხ. მაგ. Boase and Ling (2013) ). ორი საერთო ქცევის ვთხოვ შესახებ მოუწოდებენ და წერილობით, და ორი საერთო დროის ფარგლებში "გუშინ" და "გასულ კვირას."

   1. ნებისმიერი მონაცემების შეგროვამდე, თუ რომელი თვითმმართველობის ანგარიშია უფრო მეტად ზუსტი? რატომ?
   2. თქვენს მიერ გამოკითხულში ხუთი მეგობარია. მოკლედ შეაჯამეთ როგორ ხვდებოდნენ ეს ხუთი მეგობარი. შეიძლება ამ შერჩევის პროცედურა თქვენი შეფასებით განსაზღვროს კონკრეტული მიკერძოება?
   3. დაუსვით მათ შემდეგი მიკროსვერის კითხვებს:
   • "რამდენჯერ იყავი თქვენი მობილური ტელეფონი გუშინდელ სხვებს?
   • "რამდენი ტექსტური შეტყობინება გუშინ გააგზავნე?"
   • "რამდენჯერ იყენებდით თქვენს მობილურ ტელეფონს ბოლო შვიდი დღის განმავლობაში სხვებს?
   • "რამდენჯერ იყენებდით თქვენს მობილურ ტელეფონს ბოლო შვიდი დღის განმავლობაში ტექსტური შეტყობინებების / SMS- ების გაგზავნა ან მიღება?"
   4. მას შემდეგ, რაც ეს მიკროსფეროვა დასრულდა, სთხოვეთ შეამოწმოთ მათი გამოყენების მონაცემები როგორც მათი ტელეფონით ან სერვისის პროვაიდერით. როგორ ახდენს თვითმმართველობის ანგარიში შედარების ჟურნალი მონაცემები? რომელია ყველაზე ზუსტი, რომელია ზუსტი?
   5. ახლა შევაჯამოთ იმ მონაცემებს, რომლებიც თქვენს კლასში სხვა ადამიანების მონაცემებით შეაგროვეს (თუ ამ საქმიანობას კლასში აკეთებთ). ამ დიდ მონაცემთა ნაკრებს, გამეორება ნაწილი (დ).

5. [ , შუმანი და პრესერი (1996) ამტკიცებს, რომ კითხვის ორდერი საკითხს ორი ტიპის კითხვებზე მოითხოვს: ნაწილ-ნაწილ კითხვები, სადაც ორი საკითხი სპეციფიკის ერთ დონეზეა (მაგალითად, ორი საპრეზიდენტო კანდიდატის რეიტინგები); და ზოგადი შეკითხვა, სადაც ზოგადი შეკითხვა უფრო სპეციფიკურ კითხვას იკავებს (მაგალითად, "რამდენად კმაყოფილი ხართ თქვენი სამუშაოებით?", რასაც მოჰყვა "რამდენად კმაყოფილი ხართ თქვენს ცხოვრებაში?").

   ისინი კიდევ უფრო ახასიათებენ ორი ტიპის დაკვეთის ეფექტს: თანმიმდევრულობა ეფექტი ხდება მაშინ, როდესაც მოგვიანებით შეკითხვაზე პასუხებს უფრო ახლო (ვიდრე ისინი სხვაგვარად იყვნენ) ადრეული შეკითხვაზე მიცემულნი; კონტრასტული ეფექტები მოხდება მაშინ, როცა ორი განსხვავებული პასუხია.

   1. შექმენით წყვილი ნაწილი ნაწილი ნაწილი კითხვები, რომ ფიქრობთ, ექნება დიდი კითხვის მიზნით ეფექტი; წყვილი ნახევარი კითხვები, რომელთა აზრით, დიდი ზომის ეფექტი ექნება; და წყვილი კითხვები, რომელთა ბრძანებით თქვენ ფიქრობთ, რომ არ აქვს მნიშვნელობა. აწარმოეთ კვლევის ექსპერიმენტი Amazon Mechanical Turk- ზე თქვენი კითხვების შესამოწმებლად.
      
   2. რამდენად დიდი ნაწილი იყო ნაწილი ნაწილის ეფექტი თქვენ შეძლოთ? იყო თანმიმდევრულობა ან განსხვავებით ეფექტი?
   3. რამდენად დიდი იყო მთლიანი ეფექტი, რომ შეძლო შექმნა? იყო თანმიმდევრულობა ან განსხვავებით ეფექტი?
   4. იყო თუ არა შეკითხვა ორდერი თქვენს წყვილში, სადაც არ ფიქრობთ, რომ წესრიგი იქნებოდა?

6. [ , ] შენობა შუმანის და პრესის მუშაობის შესახებ, Moore (2002) აღწერს კითხვის ორდერის ეფექტის ცალკე განზომილებას: დანამატი და სუბტრაქციული ეფექტი. მიუხედავად იმისა, რომ განსხვავება და თანმიმდევრულობა ეფექტი წარმოიქმნება ერთმანეთთან მიმართებაში ორ ნივთზე რესპონდენტების შეფასების შედეგად, დანამატი და სუბტრაქციული ეფექტი წარმოიქმნება, როდესაც რესპონდენტები უფრო მგრძნობიარებენ უფრო ფართო ჩარჩოში, რომლის ფარგლებშიც დასტურდება კითხვები. წაიკითხეთ Moore (2002) , შემდეგ დიზაინი და აწარმოე კვლევის ექსპერიმენტი MTurk- ზე დანამატის ან სუბტრაქციული ეფექტის დემონსტრირება.

7. [ , ] კრისტოფერ ანტონმა და კოლეგებმა (2015) ჩაატარეს კვლევა ოთხი სხვადასხვა ონლაინ რეკრუტირების წყაროებიდან მოპოვებული ნიმუშების შედარებით: MTurk, Craigslist, Google AdWords და Facebook. მარტივი კვლევისა და რეკრუტის მონაწილეების შექმნას მინიმუმ ორი სხვადასხვა ონლაინ რეკრუტირების წყაროების მეშვეობით (ეს წყაროები შეიძლება განსხვავდებოდეს Antoun et al. (2015) გამოყენებული ოთხი წყაროდან Antoun et al. (2015) ).

   1. შეადარეთ ხარჯების თითო ოდენობა - ფულის და დროის მიხედვით - სხვადასხვა წყაროებს შორის.
   2. შეადარეთ სხვადასხვა წყაროდან მიღებული ნიმუშების შემადგენლობა.
   3. შეადარეთ ნიმუშებს შორის მონაცემების ხარისხი. იდეების შესახებ, თუ როგორ უნდა შეაფასონ მონაცემების ხარისხი რესპონდენტებისგან, იხ. Schober et al. (2015) .
   4. რა არის თქვენი სასურველი წყარო? რატომ?

8. [ ] ევროპის რეფერენდუმის 2016 წლის შედეგების პროგნოზირებისთვის (მაგალითად, ბრექსიტი), ინტერნეტზე დაფუძნებული საბაზრო კვლევითი ფირმა, შენგენის მიერ ჩატარებული ინტერნეტ-გამოკითხვები ჩატარდა გაერთიანებული სამეფოს შესახებ დაახლოებით 800,000 რესპონდენტის მიერ.

   დეტალური ინფორმაციის აღწერა YouGov- ის სტატისტიკური მოდელი შეგიძლიათ იხილოთ https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/. უხეშად რომ ვთქვათ, შენგელავმა გაითვალისწინა ამომრჩეველს 2015 წლის არჩევნების, არჩევნების, არჩევანის, ასაკის, კვალიფიკაციის, გენდერისა და ინტერვიუს თარიღების მიხედვით, ასევე იმ ოლქში, სადაც ისინი ცხოვრობდნენ. პირველ რიგში, ისინი იყენებდნენ იგროუს პანანელიტების მონაცემებს, რომელთა შორის იყვნენ ამომრჩეველთა თითოეული კატეგორიის ამომრჩეველთა რაოდენობა, რომლებიც აპირებდნენ ხმის მიცემის უფლებას. ისინი იყენებდნენ თითოეულ ამომრჩეველთა აქტივობას 2015 წლის ბრიტანეთის საარჩევნო კვლევის (BES) გამოყენებით, არჩევნების შემდგომ სახეზე დაყრდნობით, რაც საარჩევნო სიიდან ამომრჩეველთა გადამოწმებას ითვალისწინებდა. საბოლოოდ, მათ შეაფასეს, რამდენი ადამიანი იყო ამომრჩეველთა თითოეულ ამომრჩეველთა ტიპი, რომელიც ეფუძნებოდა უკანასკნელ აღწერას და წლიური მოსახლეობის გამოკითხვაზე (ზოგიერთი დამატებითი ინფორმაცია სხვა მონაცემებით).

   კენჭისყრამდე სამი დღით ადრე, იუგოვმა დატოვა ორმხრივი ლიდერობა. კენჭისყრის წინ გამოკითხვა აჩვენებს, რომ შედეგი ძალიან ახლოს იყო (49/51 რჩება). საბოლოო დღითიდღე კვლევამ იწინასწარმეტყველა 48/52 სასარგებლოდ დარჩენილი (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). სინამდვილეში, ეს შეფასება გაუფასურდა საბოლოო შედეგს (52/48 დატოვა) 4 პროცენტული პუნქტით.

   1. გამოიყენეთ მთლიანი კვლევის შეცდომის ჩარჩო, რომელიც განხილულია ამ თავში, რათა შეაფასოს, თუ რა მოხდა არასწორი.
   2. YouGov პასუხი არჩევნების შემდეგ (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) განმარტა: "ეს დიდი ნაწილი, როგორც ჩანს, აქტივობის გამო ჩვენ ვთქვით ყველაფერთან ერთად გადამწყვეტი როლი შეასრულა ასეთი დაბალანსებული რასის შედეგზე. ჩვენი აქტივობის მოდელი ეფუძნებოდა გარკვეულ ნაწილს, თუ იყო თუ არა რესპონდენტების ხმა მისცა უკანასკნელ საერთო არჩევნებზე და ზოგადად არჩევნების ზემოთ მოყვანილი აქტივობა ჩრდილოეთით, განსაკუთრებით ჩრდილოეთში. "განა ეს განაპირობებს თქვენს პასუხს ნაწილს (ა)?

9. [ , ] ჩაწერეთ სიმულაცია თითოეული წარმოდგენის შეცდომის ილუსტრაციისთვის ფიგურა 3.2.

   1. შექმენით სიტუაცია, სადაც ეს შეცდომები რეალურად გააუქმებს.
   2. შექმენით სიტუაცია, სადაც შეცდომები ერთმანეთს შეადგენენ.

10. [ , ] Blumenstock- ისა და კოლეგების კვლევა (2015) ჩართული იყო მანქანათმცოდნეობის მოდელი, რომელიც შეიძლება გამოყენებულ იქნას ციფრული კვალი მონაცემების გამოკითხვაში გამოკითხვის პასუხებზე. ახლა, თქვენ აპირებთ იგივე სცადოთ სხვა მონაცემთა ნაკრებს. Kosinski, Stillwell, and Graepel (2013) აღმოაჩინა, რომ Facebook მოსწონს შეუძლია წინასწარ განსაზღვროს ინდივიდუალური თვისებები და ატრიბუტები. გასაკვირია, რომ ეს წინასწარმეტყველება შეიძლება უფრო ზუსტი იყოს, ვიდრე მეგობრებისა და კოლეგების (Youyou, Kosinski, and Stillwell 2015) .

    1. წაიკითხეთ Kosinski, Stillwell, and Graepel (2013) , და replicate ფიგურა 2. მათი მონაცემები ხელმისაწვდომია http://mypersonality.org/
    2. ახლა, გამოსახავს ფიგურა 3.
    3. საბოლოოდ, სცადეთ საკუთარი მოდელი საკუთარი Facebook- ის მონაცემებით: http://applymagicsauce.com/. რამდენად კარგად მუშაობს თქვენთვის?

11. [ ] Toole et al. (2015) გამოყენებული ზარის დეტალური ჩანაწერები (CDRs) მობილური ტელეფონების პროგნოზირება საერთო უმუშევრობის ტენდენციები.

    1. შეადარეთ და განსხვავდება Toole et al. (2015) ერთად Blumenstock, Cadamuro, and On (2015) .
    2. მიგაჩნიათ, რომ CDR- ები უნდა შეცვალონ ტრადიციული კვლევები, შეავსონ ისინი ან არ იყენებენ მთავრობის პოლიტიკოსებს უმუშევრობის დაფიქსირებისთვის? რატომ?
    3. რა მტკიცებულება დაგარწმუნებთ, რომ CDR- ს შეუძლია შეცვალოს უმუშევრობის ტრადიციული ზომები?