გასაღები:
[ , ] 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) ).
[ , , ] 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?").
[ , , ] 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).
[ , , ] 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".
[ , ] 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.
[ , ] 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.
[ , ] 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) ).
[ ] 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.
[ , ] დაწერეთ სიმულაციური საილუსტრაციოდ ყოველი წარმომადგენლობის შეცდომები ნახაზზე 3.1.
[ , ] 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) .
[ ] Toole et al. (2015) გამოყენება დარეკეთ დეტალური ჩანაწერი (CDRs) მობილური ტელეფონები პროგნოზირება საერთო უმუშევრობის ტენდენციები.