საქმიანობის

გასაღები:

• ხარისხი სირთულის: მარტივი საშუალო , მძიმე , ძალიან რთული
• მოითხოვს მათემატიკის ( )
• მოითხოვს კოდირების ( )
• მონაცემთა შეგროვების ( )
• ჩემი სანიშნეები ( )

1. [ , ] თავში, მე ძალიან პოზიტიური პოსტ-სტრატიფიკაცია. თუმცა, ეს ყოველთვის არ ხარისხის გაუმჯობესების შეფასებით. მშენებლობა სიტუაცია, სადაც შეგიძლიათ განათავსოთ-სტრატიფიკაციის შეიძლება შეამციროს ხარისხის შეფასებით. (მინიშნება, ვხედავ Thomsen (1973) ).

2. [ , , ] დიზაინი და ჩაატაროს არასამთავრობო ალბათობა კვლევის on Amazon MTurk გკითხოთ იარაღით საკუთრების ( "თქვენ, თუ არა ვინმეს თქვენი ოჯახიდან, ფლობდეს იარაღი, თოფი ან პისტოლეტი? ის არის, რომ თქვენ ან ვინმე თქვენს ოჯახს?") და დამოკიდებულება იარაღის კონტროლის ( "რას ფიქრობთ, არის უფრო მნიშვნელოვანი უფლების დასაცავად ამერიკელები საკუთარი იარაღი, ან გააკონტროლოს იარაღის საკუთრების?").

   1. რამდენი ხანი თქვენი კვლევის მიიღოს? რა ღირს? როგორ დემოგრაფიული თქვენი ნიმუში შედარებით დემოგრაფიული ამერიკის მოსახლეობას?
   2. რა არის ნედლეული შეფასებით იარაღის საკუთრების გამოყენებით თქვენი ნიმუში?
   3. სწორი არასამთავრობო წარმომადგენლობის თქვენი ნიმუში გამოყენებით პოსტ-სტრატიფიკაციის ან სხვა ტექნიკით. ახლა რა არის ხარჯთაღრიცხვა იარაღის საკუთრების?
   4. როგორ თქვენი შეფასებით შედარების უახლესი ხარჯთაღრიცხვა Pew Research Center? როგორ ფიქრობთ, რა ახსნას შეუსაბამობები, თუ არსებობს რაიმე?
   5. გაიმეორეთ ვარჯიში 2-5 for დამოკიდებულება იარაღით კონტროლი. როგორ თქვენი დასკვნები განსხვავდება?

3. [ , , ] Goel და კოლეგები (2016) ადმინისტრირებას არასამთავრობო ალბათობა კვლევა, რომელიც შედგება 49 მრავალჯერადი არჩევანი attitudinal კითხვები შედგენილი საერთო სოციალური კვლევა (GSS) და აირჩიეთ კვლევების მიერ Pew Research Center on Amazon MTurk. ისინი მაშინ შეცვალოს არასამთავრობო წარმომადგენლობის მონაცემების გამოყენებით მოდელი დაფუძნებული პოსტ-სტრატიფიკაციის (ბატონი P), და შედარების მორგებული შეფასებით იმ სავარაუდო გამოყენებით ალბათობა დაფუძნებული GSS / Pew კვლევები. ჩაატაროს იგივე კვლევა MTurk და ცდილობენ იმეორებს ფიგურა 2 ა და ფიგურა 2b შედარებით თქვენი დაზუსტებული შეფასებები ერთად შეფასებით ყველაზე ბოლო რაუნდში GSS / Pew (იხილეთ დანართი მაგიდა A2 სიის 49 კითხვებს).

   1. შეადარეთ და განსხვავებით თქვენი შედეგები შედეგები Pew და GSS.
   2. შეადარეთ და განსხვავებით თქვენი შედეგები შედეგები MTurk კვლევა Goel, Obeng, and Rothschild (2016) .

4. [ , , ] ბევრი კვლევების გამოყენება თვითმმართველობის ანგარიში ღონისძიებების მობილურ ტელეფონში საქმიანობის მონაცემები. ეს არის საინტერესო გარემოში, სადაც მკვლევარები შეგიძლიათ შეადაროთ თვითმმართველობის ცნობით ქცევის შესული ქცევა (იხ მაგალითად, Boase and Ling (2013) ). ორი საერთო ქცევას გკითხოთ მოუწოდებენ და ტექსტური და ორი საერთო დრო ფარგლებში "გუშინ" და "გასულ კვირას".

   1. ადრე შეგროვება ნებისმიერი მონაცემები, რომლებიც თვითმმართველობის ანგარიში ზომები ფიქრობთ არის უფრო ზუსტი? რატომ?
   2. გაწვევის 5 თქვენი მეგობრები იყოს თქვენი კვლევა. გთხოვთ, მოკლედ შევაჯამოთ, თუ როგორ ამ 5 მეგობარი იყო სინჯები. შეიძლება ეს შერჩევის პროცედურა გამოიწვიოს კონკრეტული მიმართულებისა თქვენს შეფასებით?
   3. გთხოვთ სთხოვეთ მათ შემდეგ მიკრო-გამოკითხვა:
   • "რამდენჯერ არ გამოიყენოთ მობილური ტელეფონი, რომ სხვებს გუშინ?"
   • "რამდენი ტექსტური შეტყობინებები არ გაგზავნის გუშინ?"
   • "რამდენჯერ თქვენ იყენებთ თქვენს მობილურ ტელეფონში, რომ სხვებს ბოლო შვიდი დღის განმავლობაში?"
   • "რამდენჯერ თქვენ იყენებთ თქვენს მობილურ ტელეფონში გაგზავნის ან მიიღოთ ტექსტური / SMS ბოლო შვიდი დღის განმავლობაში?" მას შემდეგ, რაც კვლევის სრული, ვთხოვთ გადაამოწმონ მათი გამოყენების მონაცემები, როგორც შესული მიერ მათი ტელეფონის ან მომსახურების მიმწოდებელი.
   4. როგორ ამჯამად თვითმმართველობის ანგარიში გამოყენება შედარებით შესვლა მონაცემები? რომელიც ყველაზე ზუსტი, რაც ნაკლებად ზუსტი?
   5. ახლა დააკავშიროთ მონაცემები, რომ თქვენ შეგროვებული მონაცემები სხვა ადამიანი თქვენს კლასში (თუ თქვენ აკეთებთ ამ საქმიანობის კლასი). ეს დიდი ნაკრებს, ვიმეორებ ნაწილი (დ).

5. [ , ] შუმანი და Presser (1996) ამტკიცებენ, რომ კითხვა ბრძანებებს ექნება, ორი ტიპის შორის ურთიერთობების კითხვებს: ნაწილი ნაწილი კითხვებს, სადაც ორი შეკითხვა ამავე დონეზე სპეციფიკა (მაგ რეიტინგები ორი საპრეზიდენტო კანდიდატი); და ნახევარ მთელი კითხვებს, სადაც ზოგადი კითხვა შემდეგნაირად უფრო კონკრეტული კითხვა (მაგ ითხოვს "რამდენად კმაყოფილი ხართ თქვენი მუშაობა?" მოჰყვა "რამდენად კმაყოფილი ხართ თქვენი ცხოვრება?").

   ისინი კიდევ უფრო დამახასიათებელი ორი სახის კითხვა, რათა ეფექტი: მდგრადობა მოვლენები ხდება, როდესაც რეაგირება მოგვიანებით კითხვა დაახლოება (ვიდრე ისინი სხვაგვარად) იმ გადაეცა ადრე კითხვა; განსხვავებით ეფექტი მოხდეს, როდესაც არსებობს დიდი განსხვავებები რეაგირება ორი კითხვა.

   1. შევქმნათ წყვილი ნაწილი ნაწილი კითხვები რომ ფიქრობთ აქვს დიდი კითხვა, რათა ეფექტი, წყვილი ნაწილი მთელი კითხვებს, რომ ფიქრობთ, ექნება დიდი იმისათვის, ეფექტი, და კიდევ ერთი წყვილი კითხვები ვისი ბრძანებით ფიქრობთ არ აქვს. აწარმოებს კვლევის ექსპერიმენტი MTurk შესამოწმებლად თქვენს შეკითხვებს.
      
   2. როგორ დიდი ნაწილი იყო ნაწილი ეფექტი იყავით შეუძლია შექმნას? იყო ეს მდგრადობა და პირიქით ეფექტი?
   3. თუ რამდენად დიდი იყო ნაწილი მთელი ეფექტი იყავით შეუძლია შექმნას? იყო ეს მდგრადობა და პირიქით ეფექტი?
   4. იქ იყო კითხვა, რათა ეფექტი თქვენი წყვილი, სადაც თქვენ არ ვფიქრობ, რომ იმისათვის, რომ აქვს?

6. [ , ] სამშენებლო მუშაობის შუმანის და Presser, Moore (2002) აღწერს ცალკე განზომილება კითხვა, რათა ეფექტი: დანამატი და subtractive. მიუხედავად იმისა, რომ კონტრასტი და თანმიმდევრულობა ეფექტი მზადდება შედეგად რესპონდენტების შეფასებებს ორი ელემენტი ერთმანეთთან, დანამატი და subtractive ეფექტი მზადდება, როდესაც რესპონდენტთა მზადდება უფრო მგრძნობიარე დიდი, რომლის ფარგლებშიც დაისმის. დაწვრილებით Moore (2002) , მაშინ შეიმუშავებს და აწარმოებს კვლევის ექსპერიმენტი MTurk დემონსტრირება დანამატი ან subtractive ეფექტი.

7. [ , ] კრისტოფერ Antoun და კოლეგები (2015) ჩაატარა კვლევა შედარებით ფონდის ნიმუშები მიღებული ოთხი სხვადასხვა ონლაინ გაწვევის წყაროები: MTurk, Craigslist, Google AdWords და Facebook. დიზაინი მარტივი კვლევის და გაწვევის მონაწილეებს მინიმუმ ორი სხვადასხვა ონლაინ გაწვევის წყაროებიდან (მათ შეიძლება სხვადასხვა წყაროებიდან ოთხი გამოყენებული წყაროებისა Antoun et al. (2015) ).

   1. შეადარეთ ღირებულებაა გაწვევის, თვალსაზრისით ფულს და დროს, მათ შორის სხვადასხვა წყაროებიდან.
   2. შეადარეთ შემადგენლობის ნიმუშები მიღებული სხვადასხვა წყაროებიდან.
   3. შედარების ხარისხის მონაცემები შორის ნიმუშები. იდეები, თუ როგორ უნდა გავზომოთ მონაცემები ხარისხის გამოკითხულთა, ვხედავ Schober et al. (2015) .
   4. რა არის სასურველი წყარო? რატომ?

8. [ ] YouGov, ინტერნეტ-ბაზარზე კვლევითი ფირმა, ონლაინ რეჟიმში გამოკითხვების ჟიური შესახებ 800,000 გამოკითხულთა დიდი ბრიტანეთი და გამოიყენება ბ-ნი პ პროგნოზირება შედეგი ევროკავშირის რეფერენდუმის (ანუ, Brexit), სადაც დიდი ბრიტანეთის ამომრჩეველი ხმას ან დარჩეს ან დატოვოს ევროკავშირთან.

   დეტალური აღწერა YouGov სტატისტიკური მოდელი აქ (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/). უხეშად რომ ვთქვათ, YouGov დანაყოფები ამომრჩეველს სახის საფუძველზე 2015 საერთო არჩევნების კენჭისყრის არჩევანი, ასაკის, კვალიფიკაციის, სქესის, გასაუბრებიდან, ისევე როგორც ოლქში ცხოვრობენ. პირველ რიგში, ისინი გამოიყენება მოპოვებული YouGov დისკუსიის შეაფასებს, მათ შორის, ვინც ხმას, იმ ადამიანების თითოეული ამომრჩევლის ტიპის, რომლებიც აპირებენ ხმის დაეტოვებინა. მათ შეაფასებს აქტივობა თითოეული ამომრჩევლის ტიპის გამოყენებით 2015 British საარჩევნო შესწავლა (BES) პოსტ-საარჩევნო face-to-face კვლევა, რომელიც დამტკიცდა აქტივობა საარჩევნო რულონები. და ბოლოს, ისინი რამდენ ადამიანს არსებობს თითოეული ამომრჩევლის ტიპის ელექტორატის საფუძველზე უკანასკნელი აღწერის და წლიური მოსახლეობა კვლევა (ზოგიერთი დამატებითი ინფორმაცია მიიღოს BES, YouGov კვლევის მონაცემების გარშემო საერთო არჩევნების, და ინფორმაცია, თუ რამდენი ადამიანი მისცა ხმა თითოეული პარტიის თითოეულ ოლქში).

   სამი დღით ადრე ხმა, YouGov აჩვენა ორი წერტილი სხვაობა დაეტოვებინა. ერთი დღით ადრე კენჭისყრის გამოკითხვა აჩვენა ძალიან ახლოს დარეკეთ (49-51 რჩება). საბოლოო on-the-დღიანი სასწავლო წინასწარმეტყველებს 48/52 სასარგებლოდ რჩება (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). ფაქტობრივად, ეს ხარჯთაღრიცხვა გაუშვა საბოლოო შედეგი (52-48 Leave) ოთხი პროცენტი.

   1. გამოიყენებს კვლევის შეცდომა ფარგლებში ამ თავში განხილული შეაფასოს, თუ რა შეიძლება არ წავიდა არასწორი.
   2. YouGov პასუხი არჩევნების შემდეგ (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) თქვა: "როგორც ჩანს, დიდი ნაწილი გამო აქტივობა - ის, რაც ჩვენ, რომ ყველა ერთად იქნება გადამწყვეტი შედეგს ასეთი კარგად დაბალანსებული რასის. ჩვენი აქტივობა მოდელი ეფუძნებოდა, ნაწილობრივ, თუ არა გამოკითხულთა მისცა ხმა, ბოლო საერთო არჩევნების და აქტივობა დონეზე მაღლა რომ საერთო არჩევნების დაარღვიოს მოდელი, განსაკუთრებით ჩრდილოეთ. "ეს შეცვალოს თქვენი პასუხი ნაწილი (ა)?

9. [ , ] დაწერეთ სიმულაციური საილუსტრაციოდ ყოველი წარმომადგენლობის შეცდომები ნახაზზე 3.1.

   1. შექმნა სიტუაციაში, როდესაც ამ შეცდომებს რეალურად გაბათილდება.
   2. შექმნა სიტუაციაში, როდესაც შეცდომები რთული ერთმანეთს.

10. [ , ] კვლევის Blumenstock და კოლეგები (2015) ჩართული მშენებლობის მანქანა სწავლის მოდელი, რომელიც შეიძლება გამოიყენოთ ციფრული კვალი მონაცემების პროგნოზირება კვლევის რეაგირება. ახლა, თქვენ აპირებს ცდილობენ იგივე განსხვავებული ნაკრებს. Kosinski, Stillwell, and Graepel (2013) აღმოაჩინა, რომ Facebook მოსწონს შეიძლება პროგნოზირება ინდივიდუალური თავისებურებებისა და ატრიბუტები. გასაკვირი არ არის, ეს პროგნოზები შეიძლება კიდევ უფრო ზუსტი, ვიდრე მეგობრები და კოლეგები (Youyou, Kosinski, and Stillwell 2015) .

    1. დაწვრილებით Kosinski, Stillwell, and Graepel (2013) , და იმეორებს ფიგურა 2. მათი მონაცემები ხელმისაწვდომია აქ: http://mypersonality.org/
    2. ახლა, იმეორებს ფიგურა 3.
    3. და ბოლოს, ცდილობენ მათი მოდელი საკუთარ Facebook მონაცემები: http://applymagicsauce.com/. რამდენად კარგად მუშაობს იგი თქვენთვის?

11. [ ] Toole et al. (2015) გამოყენება დარეკეთ დეტალური ჩანაწერი (CDRs) მობილური ტელეფონები პროგნოზირება საერთო უმუშევრობის ტენდენციები.

    1. შეადარეთ და განსხვავებით დიზაინი Toole et al. (2015) ერთად Blumenstock, Cadamuro, and On (2015) .
    2. როგორ ფიქრობთ, CDRs უნდა შეცვალოს ტრადიციული კვლევა, შეავსებს მათ და არ უნდა იქნას გამოყენებული ყველა მთავრობის პოლიტიკოსები თვალყური უმუშევრობა? რატომ?
    3. რა მტკიცებულება უნდა დაარწმუნოს, რომ CDRs შეიძლება მთლიანად შეცვალოს ტრადიციული ღონისძიებების უმუშევრობის დონე?