ಚಟುವಟಿಕೆಗಳು

• ಕಷ್ಟದ ಮಟ್ಟ: ಸುಲಭ , ಮಧ್ಯಮ , ಕಠಿಣ , ತುಂಬಾ ಕಷ್ಟ
• ಗಣಿತದ ಅಗತ್ಯವಿದೆ ( )
• ಕೋಡಿಂಗ್ ಅಗತ್ಯವಿದೆ ( )
• ಮಾಹಿತಿ ಸಂಗ್ರಹ ( )
• ನನ್ನ ಅಚ್ಚುಮೆಚ್ಚುಗಳು ( )

1. [ , ] ಅಧ್ಯಾಯದಲ್ಲಿ, ನಾನು ನಂತರದ ಶ್ರೇಣೀಕರಣದ ಬಗ್ಗೆ ಬಹಳ ಧನಾತ್ಮಕವಾಗಿರುತ್ತಿದ್ದೆ. ಆದಾಗ್ಯೂ, ಇದು ಯಾವಾಗಲೂ ಅಂದಾಜಿನ ಗುಣಮಟ್ಟವನ್ನು ಸುಧಾರಿಸುವುದಿಲ್ಲ. ಪೋಸ್ಟ್-ಸ್ಟ್ರ್ಯಾಟಿಫಿಕೇಶನ್ ಅಂದಾಜುಗಳ ಗುಣಮಟ್ಟವನ್ನು ಕಡಿಮೆಗೊಳಿಸಬಹುದಾದ ಪರಿಸ್ಥಿತಿಯನ್ನು ನಿರ್ಮಿಸಿ. ( Thomsen (1973) , Thomsen (1973) .)

2. [ , , ] ಅಮೆಜಾನ್ ಮೆಕ್ಯಾನಿಕಲ್ ತುರ್ಕಿನಲ್ಲಿ ಸಂಭವನೀಯತೆ ಸಮೀಕ್ಷೆಯನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿ ಮತ್ತು ಗನ್ ನಿಯಂತ್ರಣದ ಕಡೆಗೆ ಗನ್ ಮಾಲೀಕತ್ವ ಮತ್ತು ವರ್ತನೆಗಳನ್ನು ಕೇಳಲು. ಆದ್ದರಿಂದ ನೀವು ನಿಮ್ಮ ಅಂದಾಜುಗಳನ್ನು ಸಂಭವನೀಯತೆಯ ಮಾದರಿಯಿಂದ ಹೋಲಿಸಬಹುದು, ದಯವಿಟ್ಟು ಪ್ಯೂ ರಿಸರ್ಚ್ ಸೆಂಟರ್ ನಡೆಸುವಂತಹ ಉನ್ನತ-ಗುಣಮಟ್ಟದ ಸಮೀಕ್ಷೆಯಿಂದ ನೇರವಾಗಿ ಪ್ರಶ್ನ ಪಠ್ಯ ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆ ಆಯ್ಕೆಗಳನ್ನು ನಕಲಿಸಿ.

   1. ನಿಮ್ಮ ಸಮೀಕ್ಷೆ ಎಷ್ಟು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ? ಇದರ ಬೆಲೆಯೆಷ್ಟು? ಯುಎಸ್ ಜನಸಂಖ್ಯೆಯ ಜನಸಂಖ್ಯೆಯೊಂದಿಗೆ ನಿಮ್ಮ ಮಾದರಿಯ ಜನಸಂಖ್ಯೆಯು ಹೇಗೆ ಹೋಲಿಕೆ ಮಾಡುತ್ತದೆ?
   2. ನಿಮ್ಮ ಮಾದರಿ ಬಳಸಿ ಗನ್ ಒಡೆತನದ ಕಚ್ಚಾ ಅಂದಾಜು ಏನು?
   3. ಪೋಸ್ಟ್-ಸ್ಟ್ರ್ಯಾಟಿಫಿಕೇಷನ್ ಅಥವಾ ಇನ್ನಿತರ ತಂತ್ರಗಳನ್ನು ಬಳಸಿಕೊಂಡು ನಿಮ್ಮ ಮಾದರಿಯ ನಿಷ್ಪಕ್ಷಪಾತಕ್ಕೆ ಸರಿಹೊಂದುವಂತೆ. ಗನ್ ಒಡೆತನದ ಅಂದಾಜು ಏನು?
   4. ಸಂಭವನೀಯ-ಆಧಾರಿತ ಮಾದರಿಯಿಂದ ಇತ್ತೀಚಿನ ಅಂದಾಜಿನೊಂದಿಗೆ ನಿಮ್ಮ ಅಂದಾಜುಗಳು ಹೇಗೆ ಹೋಲಿಕೆ ಮಾಡುತ್ತವೆ? ಏನಾದರೂ ಇದ್ದಲ್ಲಿ, ಭಿನ್ನಾಭಿಪ್ರಾಯಗಳನ್ನು ವಿವರಿಸುತ್ತದೆ ಏನು?
   5. ಪ್ರಶ್ನೆಗಳನ್ನು ಪುನರಾವರ್ತಿಸಿ (ಬಿ) - (ಡಿ) ಬಂದೂಕು ನಿಯಂತ್ರಣದ ಕಡೆಗೆ ವರ್ತನೆಗಳು. ನಿಮ್ಮ ಸಂಶೋಧನೆಗಳು ಹೇಗೆ ಭಿನ್ನವಾಗಿವೆ?

3. [ , , ಗೋಯಲ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು (2016) ಜನರಲ್ ಸೋಷಿಯಲ್ ಸರ್ವೇ (ಜಿಎಸ್ಎಸ್) ನಿಂದ 49 ಬಹು-ಆಯ್ಕೆಯ ಧೋರಣೆ ಪ್ರಶ್ನೆಗಳನ್ನು ನಿರ್ವಹಿಸಿದರು ಮತ್ತು ಪ್ಯೂ ರಿಸರ್ಚ್ ಸೆಂಟರ್ನಿಂದ ಅಮೆಜಾನ್ ಮೆಕ್ಯಾನಿಕಲ್ ಟರ್ಕ್ನಿಂದ ಪಡೆದ ಪ್ರತಿಸ್ಪಂದಕರ ಸಂಭಾವ್ಯ ಮಾದರಿಗಳಿಗೆ ಸಮೀಕ್ಷೆಗಳನ್ನು ಆಯ್ದುಕೊಳ್ಳುತ್ತಾರೆ. ನಂತರ ಅವರು ಮಾದರಿಯ-ಆಧರಿತವಾದ ನಂತರದ ಶ್ರೇಣೀಕರಣವನ್ನು ಬಳಸಿಕೊಂಡು ಡೇಟಾವನ್ನು ಪ್ರತಿನಿಧಿಸದಿರುವಿಕೆಗೆ ಸರಿಹೊಂದಿಸಿದರು ಮತ್ತು ಸಂಭವನೀಯ-ಆಧಾರಿತ GSS ಮತ್ತು ಪ್ಯೂ ಸಮೀಕ್ಷೆಗಳಿಂದ ಅವರ ಹೊಂದಾಣಿಕೆಯ ಅಂದಾಜುಗಳನ್ನು ಹೋಲಿಸಿದರು. ಅಮೆಜಾನ್ ಮೆಕ್ಯಾನಿಕಲ್ ತುರ್ಕಿನಲ್ಲಿನ ಅದೇ ಸಮೀಕ್ಷೆಯನ್ನು ನಡೆಸಿಕೊಂಡು, GSS ಮತ್ತು ಪ್ಯೂ ಸಮೀಕ್ಷೆಗಳ ಇತ್ತೀಚಿನ ಸುತ್ತುಗಳ ಅಂದಾಜಿನೊಂದಿಗೆ ನಿಮ್ಮ ಹೊಂದಾಣಿಕೆಯ ಅಂದಾಜುಗಳನ್ನು ಹೋಲಿಸುವ ಮೂಲಕ ಫಿಗರ್ 2a ಮತ್ತು 2b ಅನ್ನು ಪುನರಾವರ್ತಿಸಲು ಪ್ರಯತ್ನಿಸಿ. (49 ಪ್ರಶ್ನೆಗಳ ಪಟ್ಟಿಗಾಗಿ ಅನುಬಂಧ ಟೇಬಲ್ A2 ನೋಡಿ.)

   1. ಪ್ಯೂ ಮತ್ತು ಜಿಎಸ್ಎಸ್ನಿಂದ ನಿಮ್ಮ ಫಲಿತಾಂಶಗಳನ್ನು ಹೋಲಿಸಿ ಮತ್ತು ವ್ಯತಿರಿಕ್ತವಾಗಿರಿಸಿ.
   2. Goel, Obeng, and Rothschild (2016) ನಲ್ಲಿನ ಮೆಕ್ಯಾನಿಕಲ್ ಟರ್ಕ್ ಸಮೀಕ್ಷೆಯಿಂದ ನಿಮ್ಮ ಫಲಿತಾಂಶಗಳನ್ನು ಹೋಲಿಸಿ ಮತ್ತು ವ್ಯತಿರಿಕ್ತವಾಗಿರಿಸಿ.

4. [ , , ಅನೇಕ ಅಧ್ಯಯನಗಳು ಮೊಬೈಲ್ ಫೋನ್ ಬಳಕೆಯ ಸ್ವ-ವರದಿ ಕ್ರಮಗಳನ್ನು ಬಳಸುತ್ತವೆ. ಲಾಗ್ ವರ್ತನೆಯೊಂದಿಗೆ ಸ್ವ-ವರದಿ ಮಾಡಿದ ನಡವಳಿಕೆಯನ್ನು ಯಾವ ಸಂಶೋಧಕರು ಹೋಲಿಸಬಹುದು ಎಂಬುದು ಇದರಲ್ಲಿ ಆಸಕ್ತಿದಾಯಕ ಸೆಟ್ಟಿಂಗ್ಯಾಗಿದೆ (ಉದಾಹರಣೆಗೆ ನೋಡಿ, Boase and Ling (2013) ). ಬಗ್ಗೆ ಕೇಳಲು ಎರಡು ಸಾಮಾನ್ಯ ನಡವಳಿಕೆಗಳು ಕರೆ ಮತ್ತು ಟೆಕ್ಸ್ಟಿಂಗ್ ಆಗುತ್ತಿವೆ, ಮತ್ತು ಎರಡು ಸಾಮಾನ್ಯ ಸಮಯದ ಚೌಕಟ್ಟುಗಳು "ನಿನ್ನೆ" ಮತ್ತು "ಕಳೆದ ವಾರ."

   1. ಯಾವುದೇ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸುವ ಮೊದಲು, ಸ್ವಯಂ-ವರದಿ ಕ್ರಮಗಳಲ್ಲಿ ಯಾವುದು ಹೆಚ್ಚು ನಿಖರವಾಗಿದೆ ಎಂದು ನೀವು ಯೋಚಿಸುತ್ತೀರಾ? ಯಾಕೆ?
   2. ನಿಮ್ಮ ಸಮೀಕ್ಷೆಯಲ್ಲಿರುವ ನಿಮ್ಮ ಐದು ಸ್ನೇಹಿತರನ್ನು ನೇಮಿಸಿಕೊಳ್ಳಿ. ದಯವಿಟ್ಟು ಈ ಐದು ಸ್ನೇಹಿತರನ್ನು ಹೇಗೆ ಪರೀಕ್ಷಿಸಲಾಯಿತು ಎಂಬುದನ್ನು ಸಂಕ್ಷಿಪ್ತವಾಗಿ ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸಿ. ಈ ಮಾದರಿ ವಿಧಾನವು ನಿಮ್ಮ ಅಂದಾಜಿನ ನಿರ್ದಿಷ್ಟ ನಿರ್ಣಯಗಳನ್ನು ಉಂಟುಮಾಡಬಹುದು?
   3. ಈ ಕೆಳಗಿನ ಮೈಕ್ರೋಸರ್ವರ್ ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಿ:
   • "ನಿನ್ನೆ ಇತರರಿಗೆ ಕರೆ ಮಾಡಲು ನೀವು ಎಷ್ಟು ಬಾರಿ ನಿಮ್ಮ ಮೊಬೈಲ್ ಫೋನ್ ಅನ್ನು ಬಳಸಿದ್ದೀರಿ?"
   • "ನಿನ್ನೆ ಎಷ್ಟು ಪಠ್ಯ ಸಂದೇಶಗಳನ್ನು ನೀವು ಕಳುಹಿಸಿದ್ದೀರಿ?"
   • "ಕಳೆದ ಏಳು ದಿನಗಳಲ್ಲಿ ಇತರರನ್ನು ಕರೆ ಮಾಡಲು ನೀವು ಎಷ್ಟು ಬಾರಿ ನಿಮ್ಮ ಮೊಬೈಲ್ ಫೋನ್ ಅನ್ನು ಬಳಸಿದ್ದೀರಿ?"
   • "ಕಳೆದ ಏಳು ದಿನಗಳಲ್ಲಿ ಪಠ್ಯ ಸಂದೇಶಗಳು / SMS ಕಳುಹಿಸಲು ಅಥವಾ ಸ್ವೀಕರಿಸಲು ನೀವು ಎಷ್ಟು ಬಾರಿ ನಿಮ್ಮ ಮೊಬೈಲ್ ಫೋನ್ ಅನ್ನು ಬಳಸಿದ್ದೀರಿ?"
   4. ಈ microsurvey ಪೂರ್ಣಗೊಂಡ ನಂತರ, ಅವರ ಫೋನ್ ಅಥವಾ ಸೇವಾ ಪೂರೈಕೆದಾರರು ಲಾಗ್ ಇನ್ ಮಾಡಿದಂತೆ ತಮ್ಮ ಬಳಕೆಯ ಡೇಟಾವನ್ನು ಪರಿಶೀಲಿಸಿ. ಲಾಗ್ ಡೇಟಾಕ್ಕೆ ಸ್ವಯಂ ವರದಿ ಬಳಕೆಯು ಹೇಗೆ ಹೋಲಿಕೆ ಮಾಡುತ್ತದೆ? ಇದು ಅತ್ಯಂತ ನಿಖರವಾದದು, ಇದು ನಿಖರವಾದದು?
   5. ನಿಮ್ಮ ವರ್ಗದಲ್ಲಿನ ಇತರ ಜನರ ಡೇಟಾದಿಂದ ನೀವು ಸಂಗ್ರಹಿಸಿದ ಡೇಟಾವನ್ನು ಈಗ ಸಂಯೋಜಿಸಿ (ನೀವು ಈ ವರ್ಗವನ್ನು ಒಂದು ವರ್ಗಕ್ಕೆ ಮಾಡುತ್ತಿದ್ದರೆ). ಈ ದೊಡ್ಡ ಡೇಟಾಸಮೂಹದೊಂದಿಗೆ, ಪುನರಾವರ್ತನೆಯ ಭಾಗ (ಡಿ).

5. [ , ಷುಮನ್ ಮತ್ತು ಪ್ರೆಸ್ಸರ್ (1996) ಎರಡು ಪ್ರಶ್ನೆಗಳನ್ನು ಪ್ರಶ್ನಿಸುವ ಆದೇಶಗಳು ವಿಷಯವಾಗುತ್ತವೆ ಎಂದು ವಾದಿಸುತ್ತಾರೆ: ಎರಡು ಪ್ರಶ್ನೆಗಳನ್ನು ನಿರ್ದಿಷ್ಟ ಮಟ್ಟದಲ್ಲಿ ಒಂದೇ ಹಂತದಲ್ಲಿ (ಉದಾ, ಎರಡು ಅಧ್ಯಕ್ಷೀಯ ಅಭ್ಯರ್ಥಿಗಳ ರೇಟಿಂಗ್ಗಳು) ಇರುವ ಭಾಗಶಃ ಪ್ರಶ್ನೆಗಳನ್ನು; ಮತ್ತು ಸಾಮಾನ್ಯ ಪ್ರಶ್ನೆಯು ಹೆಚ್ಚು ನಿರ್ದಿಷ್ಟವಾದ ಪ್ರಶ್ನೆಯನ್ನು ಅನುಸರಿಸುತ್ತದೆ (ಉದಾಹರಣೆಗೆ, "ನಿಮ್ಮ ಕೆಲಸದೊಂದಿಗೆ ನೀವು ಎಷ್ಟು ತೃಪ್ತಿ ಹೊಂದಿದ್ದೀರಿ?" ಎಂದು ಕೇಳುತ್ತಾ, "ನಿಮ್ಮ ಜೀವನದಲ್ಲಿ ನೀವು ಎಷ್ಟು ತೃಪ್ತಿ ಹೊಂದಿದ್ದೀರಿ?").

   ಅವರು ಎರಡು ವಿಧದ ಪ್ರಶ್ನೆಯ ಕ್ರಮದ ಪರಿಣಾಮವನ್ನು ಮತ್ತಷ್ಟು ನಿರೂಪಿಸುತ್ತಾರೆ: ಹಿಂದಿನ ಪ್ರಶ್ನೆಗೆ ನೀಡಿದ ಉತ್ತರಗಳಿಗೆ ನಂತರದ ಪ್ರಶ್ನೆಗೆ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಹತ್ತಿರಕ್ಕೆ ತಂದಾಗ ಸ್ಥಿರತೆ ಪರಿಣಾಮಗಳು ಸಂಭವಿಸುತ್ತವೆ; ಎರಡು ಪ್ರಶ್ನೆಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆಗಳ ನಡುವೆ ಹೆಚ್ಚಿನ ವ್ಯತ್ಯಾಸಗಳಿರುವಾಗ ಇದಕ್ಕೆ ತದ್ವಿರುದ್ಧವಾದ ಪರಿಣಾಮಗಳು ಸಂಭವಿಸುತ್ತವೆ.

   1. ದೊಡ್ಡ ಪ್ರಶ್ನೆಯ ಆದೇಶದ ಪರಿಣಾಮವನ್ನು ಹೊಂದಿರುವಿರಿ ಎಂದು ನೀವು ಭಾವಿಸುವ ಭಾಗಶಃ ಭಾಗಗಳ ಪ್ರಶ್ನೆಗಳನ್ನು ರಚಿಸಿ; ನೀವು ಯೋಚಿಸುವ ಭಾಗಶಃ ಸಂಪೂರ್ಣ ಪ್ರಶ್ನೆಗಳಿಗೆ ಒಂದು ಜೋಡಿಯು ದೊಡ್ಡ ಕ್ರಮವನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ; ಮತ್ತು ನೀವು ಪ್ರಶ್ನಿಸುವಂತಹ ಒಂದು ಜೋಡಿ ಪ್ರಶ್ನೆಗಳಿಗೆ ವಿಷಯವಲ್ಲ. ನಿಮ್ಮ ಪ್ರಶ್ನೆಗಳನ್ನು ಪರೀಕ್ಷಿಸಲು ಅಮೆಜಾನ್ ಮೆಕ್ಯಾನಿಕಲ್ ಟರ್ಕ್ನಲ್ಲಿನ ಸಮೀಕ್ಷೆಯ ಪ್ರಯೋಗವನ್ನು ರನ್ ಮಾಡಿ.
      
   2. ನೀವು ಭಾಗಶಃ ಪರಿಣಾಮವನ್ನು ಎಷ್ಟು ದೊಡ್ಡದಾಗಿ ಸೃಷ್ಟಿಸಲು ಸಾಧ್ಯವಾಯಿತು? ಅದು ಸ್ಥಿರತೆ ಅಥವಾ ಇದಕ್ಕೆ ವಿರುದ್ಧವಾದ ಪರಿಣಾಮವೇ?
   3. ನೀವು ರಚಿಸುವ ಸಂಪೂರ್ಣ ಭಾಗವು ಎಷ್ಟು ದೊಡ್ಡದಾಗಿದೆ? ಅದು ಸ್ಥಿರತೆ ಅಥವಾ ಇದಕ್ಕೆ ವಿರುದ್ಧವಾದ ಪರಿಣಾಮವೇ?
   4. ನಿಮ್ಮ ಜೋಡಿಯಲ್ಲಿ ಪ್ರಶ್ನೆಯ ಆದೇಶದ ಪರಿಣಾಮವಿದೆಯೇ ಅಲ್ಲಿ ಈ ಕ್ರಮವು ಅತೀಂದ್ರಿಯವಾಗಿದೆ ಎಂದು ನೀವು ಯೋಚಿಸಲಿಲ್ಲವೇ?

6. [ , ] ಸ್ಕುಮನ್ ಮತ್ತು ಪ್ರೆಸ್ಸರ್, Moore (2002) ಕೃತಿಗಳ ನಿರ್ಮಾಣವು ಒಂದು ಪ್ರತ್ಯೇಕ ಆಯಾಮ ಪ್ರಶ್ನೆಯ ಪರಿಣಾಮವನ್ನು ವಿವರಿಸುತ್ತದೆ: ಸಂಯೋಜನೀಯ ಮತ್ತು ಕಳೆಯುವ ಪರಿಣಾಮಗಳು. ಪ್ರತಿಯಾಗಿ ಪರಸ್ಪರ ಸಂಬಂಧಿಸಿರುವ ಎರಡು ಅಂಶಗಳ ಪ್ರತಿಸ್ಪಂದಕರ ಮೌಲ್ಯಮಾಪನಗಳ ಪರಿಣಾಮವಾಗಿ ಇದಕ್ಕೆ ಮತ್ತು ಸ್ಥಿರತೆ ಪರಿಣಾಮಗಳನ್ನು ಉತ್ಪಾದಿಸಲಾಗುತ್ತದೆಯಾದರೂ, ಪ್ರತಿಸ್ಪಂದಕರು ಪ್ರಶ್ನೆಗಳನ್ನು ಒಡ್ಡಿದ ದೊಡ್ಡ ಫ್ರೇಮ್ವರ್ಕ್ಗೆ ಹೆಚ್ಚಿನ ಸೂಕ್ಷ್ಮತೆಯನ್ನು ನೀಡಿದಾಗ ಸಂಯೋಜನೀಯ ಮತ್ತು ಕಳೆಯುವ ಪರಿಣಾಮಗಳನ್ನು ಉತ್ಪಾದಿಸಲಾಗುತ್ತದೆ. Moore (2002) ಓದಿ, ನಂತರ ಸಂಯೋಜನೀಯ ಅಥವಾ ಕಳೆಯುವ ಪರಿಣಾಮಗಳನ್ನು ಪ್ರದರ್ಶಿಸಲು MTurk ನಲ್ಲಿನ ಸಮೀಕ್ಷೆಯ ಪ್ರಯೋಗವನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿ ಓಡಿಸಿ.

7. [ , ] ಕ್ರಿಸ್ಟೋಫರ್ ಆಂಟನ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು (2015) ನಾಲ್ಕು ವಿಭಿನ್ನ ಆನ್ಲೈನ್ ​​ನೇಮಕಾತಿ ಮೂಲಗಳಿಂದ ಪಡೆದ ಅನುಕೂಲದ ಮಾದರಿಗಳನ್ನು ಹೋಲಿಸಿದ ಅಧ್ಯಯನವನ್ನು ನಡೆಸಿದರು: MTurk, ಕ್ರೇಗ್ಸ್ಲಿಸ್ಟ್, ಗೂಗಲ್ ಆಡ್ ವರ್ಡ್ಸ್ ಮತ್ತು ಫೇಸ್ಬುಕ್. ಕನಿಷ್ಠ ಎರಡು ವಿಭಿನ್ನ ಆನ್ಲೈನ್ ​​ನೇಮಕಾತಿ ಮೂಲಗಳ ಮೂಲಕ ಸರಳ ಸಮೀಕ್ಷೆ ಮತ್ತು ನೇಮಕಾತಿ ಪಾಲ್ಗೊಳ್ಳುವವರನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿ (ಈ ಮೂಲಗಳು Antoun et al. (2015) ನಲ್ಲಿ ಬಳಸಿದ ನಾಲ್ಕು ಮೂಲಗಳಿಂದ ಭಿನ್ನವಾಗಿರಬಹುದು Antoun et al. (2015) )

   1. ವಿವಿಧ ಮೂಲಗಳ ನಡುವೆ ಹಣ ಮತ್ತು ಸಮಯದ ಪರಿಭಾಷೆಯಲ್ಲಿ ಪ್ರತಿ ನೇಮಕಾತಿಗೆ ವೆಚ್ಚವನ್ನು ಹೋಲಿಸಿ.
   2. ವಿಭಿನ್ನ ಮೂಲಗಳಿಂದ ಪಡೆದ ಮಾದರಿಗಳ ಸಂಯೋಜನೆಯನ್ನು ಹೋಲಿಸಿ.
   3. ಮಾದರಿಗಳ ನಡುವಿನ ಮಾಹಿತಿಯ ಗುಣಮಟ್ಟವನ್ನು ಹೋಲಿಸಿ. ಪ್ರತಿಕ್ರಿಯೆ Schober et al. (2015) ದತ್ತಾಂಶ ಗುಣಮಟ್ಟವನ್ನು ಅಳೆಯುವ ಬಗೆಗಿನ ವಿಚಾರಗಳಿಗಾಗಿ, Schober et al. (2015) .
   4. ನಿಮ್ಮ ಆದ್ಯತೆಯ ಮೂಲ ಯಾವುದು? ಯಾಕೆ?

8. [ ] 2016 ಇಯು ಜನಾಭಿಪ್ರಾಯದ (ಅಂದರೆ, ಬ್ರೆಕ್ಸಿಟ್) ಫಲಿತಾಂಶಗಳನ್ನು ಊಹಿಸುವ ಪ್ರಯತ್ನದಲ್ಲಿ, ಯೂಟ್ಯೂಬ್ -ಇಂಟರ್ನೆಟ್ ಆಧಾರಿತ ಮಾರುಕಟ್ಟೆ ಸಂಶೋಧನಾ ಸಂಸ್ಥೆಯು ಯುನೈಟೆಡ್ ಕಿಂಗ್ಡಮ್ನಲ್ಲಿ ಸುಮಾರು 800,000 ಪ್ರತಿಗಳ ಒಂದು ಸಮಿತಿಯ ಆನ್ಲೈನ್ ​​ಚುನಾವಣೆಯನ್ನು ನಡೆಸಿತು.

   YouGov ನ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಮಾದರಿಯ ಒಂದು ವಿಸ್ತೃತ ವಿವರಣೆ ಅನ್ನು https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/ ನಲ್ಲಿ ಕಾಣಬಹುದು. ಸ್ಥೂಲವಾಗಿ ಹೇಳುವುದಾದರೆ, ಯುಗೊವ್ 2015 ರ ಸಾರ್ವತ್ರಿಕ ಚುನಾವಣಾ ಮತದಾನದ ಆಯ್ಕೆ, ವಯಸ್ಸು, ವಿದ್ಯಾರ್ಹತೆಗಳು, ಲಿಂಗ ಮತ್ತು ಸಂದರ್ಶನದ ದಿನಾಂಕದ ಆಧಾರದ ಮೇಲೆ ವಿಭಜಿತ ಮತದಾರರನ್ನು ಮತ್ತು ಅವರು ವಾಸಿಸುತ್ತಿದ್ದ ಕ್ಷೇತ್ರದ ಪ್ರಕಾರವಾಗಿ ವಿಭಜನೆ ಮಾಡಿದರು. ಮೊದಲನೆಯದಾಗಿ, ಮತದಾನ ಮಾಡುವ ಮತದಾರರ ಪೈಕಿ, ಮತದಾರರ ಮತದಾನ ಮಾಡುವ ಉದ್ದೇಶದಿಂದ ಪ್ರತಿ ಮತದಾರರ ಜನಸಂಖ್ಯೆಯ ಪ್ರಮಾಣವನ್ನು ಅಂದಾಜು ಮಾಡಲು ಯೂಗೋವ್ ಪ್ಯಾನಲ್ಸ್ಟ್ರಿನಿಂದ ಸಂಗ್ರಹಿಸಿದ ಡೇಟಾವನ್ನು ಅವರು ಬಳಸಿದರು. ಚುನಾವಣಾ ನಂತರದ ಮುಖಾಮುಖಿ ಸಮೀಕ್ಷೆಯ 2015 ರ ಬ್ರಿಟಿಷ್ ಚುನಾವಣಾ ಅಧ್ಯಯನವನ್ನು (ಬಿಇಎಸ್) ಬಳಸುವುದರ ಮೂಲಕ ಪ್ರತಿ ಮತದಾರರ ವರದಿಯ ಮತದಾನವನ್ನು ಅವರು ಅಂದಾಜು ಮಾಡಿದರು, ಇದು ಚುನಾವಣಾ ರೋಲ್ಗಳಿಂದ ಮತದಾನವನ್ನು ಪ್ರಮಾಣೀಕರಿಸಿತು. ಅಂತಿಮವಾಗಿ, ಅವರು ಇತ್ತೀಚಿನ ಜನಗಣತಿ ಮತ್ತು ವಾರ್ಷಿಕ ಜನಸಂಖ್ಯಾ ಸಮೀಕ್ಷೆಯ ಆಧಾರದ ಮೇಲೆ ಮತದಾರರಲ್ಲಿ ಪ್ರತಿ ಮತದಾರರಲ್ಲಿ ಎಷ್ಟು ಮಂದಿ ಇದ್ದರು ಎಂದು ಅಂದಾಜಿಸಲಾಗಿದೆ (ಇತರ ಡೇಟಾ ಮೂಲಗಳಿಂದ ಕೆಲವು ಹೆಚ್ಚುವರಿ ಮಾಹಿತಿ).

   ಮತದಾನದ ಮೂರು ದಿನಗಳ ಮುಂಚೆ, ಯೂವ್ವ್ ಲೀವ್ಗೆ ಎರಡು-ಪಾಯಿಂಟ್ ಮುನ್ನಡೆ ತೋರಿಸಿದರು. ಮತದಾನದ ಮುನ್ನಾದಿನದಂದು ಈ ಫಲಿತಾಂಶವು ತುಂಬಾ ಹತ್ತಿರದಲ್ಲಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ (49/51 ಉಳಿದಿದೆ). ಕೊನೆಯ ದಿನವಾದ ಅಧ್ಯಯನದ ಪ್ರಕಾರ 48/52 ರಿಮೇನ್ಗೆ (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/) ಪರವಾಗಿ. ವಾಸ್ತವವಾಗಿ, ಈ ಅಂದಾಜು ಅಂತಿಮ ಫಲಿತಾಂಶವನ್ನು ಕಳೆದುಕೊಂಡಿತು (52/48 ಲೀವ್) ನಾಲ್ಕು ಶೇಕಡಾವಾರು ಅಂಕಗಳನ್ನು.

   1. ಈ ಅಧ್ಯಾಯದಲ್ಲಿ ಚರ್ಚಿಸಿದ ಒಟ್ಟು ಸಮೀಕ್ಷೆಯ ದೋಷ ಚೌಕಟ್ಟನ್ನು ಬಳಸಿ ಏನು ತಪ್ಪಾಗಿರಬಹುದು ಎಂದು ನಿರ್ಣಯಿಸಲು ಬಳಸಿ.
   2. ಚುನಾವಣೆಯ ನಂತರ ಯುಗೋವ್ನ ಪ್ರತಿಕ್ರಿಯೆಯು (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) ವಿವರಿಸಿದೆ: "ಇದು ಬಹುಮಟ್ಟಿಗೆ ತೋಳಿನ ಕಾರಣದಿಂದ ತೋರುತ್ತದೆ - ಅಂತಹ ಸುಸಂಗತವಾದ ಸಮತೋಲನದ ಓಟದ ಫಲಿತಾಂಶಕ್ಕೆ ಎಲ್ಲಕ್ಕೂ ಮುಖ್ಯವಾದದ್ದು ಎಂದು ನಾವು ಹೇಳಿದ್ದೇವೆ. ನಮ್ಮ ಮತದಾನ ಮಾದರಿಯು ಕೊನೆಯ ಚುನಾವಣೆಯಲ್ಲಿ ಮತದಾರರು ಮತ ಚಲಾಯಿಸಿದ್ದೀರಾ ಅಥವಾ ಸಾಮಾನ್ಯ ಚುನಾವಣೆಗಳ ಮೇಲಿದ್ದ ಮತದಾನ ಮಟ್ಟವನ್ನು ವಿಶೇಷವಾಗಿ ಉತ್ತರದಲ್ಲಿ, ವಿಶೇಷವಾಗಿ ಉತ್ತರದಲ್ಲಿ ಮತದಾನ ಮಾಡಿದ್ದೀರಾ ಎಂಬ ಆಧಾರದ ಮೇಲೆ ನಮ್ಮ ಮತದಾನ ಮಾದರಿ ಆಧರಿಸಿದೆ. "ಇದು ನಿಮ್ಮ ಉತ್ತರವನ್ನು ಭಾಗ (ಒಂದು) ಗೆ ಬದಲಾಯಿಸುವುದೇ?

9. [ , ] ಚಿತ್ರ 3.2 ರಲ್ಲಿ ಪ್ರತೀ ಪ್ರಾತಿನಿಧ್ಯ ದೋಷಗಳನ್ನು ವಿವರಿಸಲು ಸಿಮ್ಯುಲೇಶನ್ ಬರೆಯಿರಿ.

   1. ಈ ದೋಷಗಳು ನಿಜವಾಗಿ ರದ್ದುಗೊಳ್ಳುವ ಪರಿಸ್ಥಿತಿಯನ್ನು ರಚಿಸಿ.
   2. ದೋಷಗಳು ಪರಸ್ಪರ ಸಂಯೋಗವಾಗುವ ಪರಿಸ್ಥಿತಿಯನ್ನು ರಚಿಸಿ.

10. [ , ] ಬ್ಲುಮೆನ್ ಸ್ಟ್ಯಾಕ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳ (2015) ಸಂಶೋಧನೆಯು ಸರ್ವೀಸಸ್ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಊಹಿಸಲು ಡಿಜಿಟಲ್ ಜಾಡಿನ ದತ್ತಾಂಶವನ್ನು ಬಳಸುವಂತಹ ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸುವಲ್ಲಿ ತೊಡಗಿತು. ಈಗ, ನೀವು ಬೇರೆ ಡೇಟಾಾಂಶದೊಂದಿಗೆ ಒಂದೇ ವಿಷಯವನ್ನು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದೀರಿ. Kosinski, Stillwell, and Graepel (2013) ಕಂಡುಕೊಂಡರು, ಫೇಸ್ಬುಕ್ ಇಷ್ಟಗಳು ಪ್ರತ್ಯೇಕ ಲಕ್ಷಣಗಳು ಮತ್ತು ಗುಣಲಕ್ಷಣಗಳನ್ನು ಊಹಿಸಬಹುದು. ಆಶ್ಚರ್ಯಕರವಾಗಿ, ಈ ಮುನ್ನೋಟಗಳು ಸ್ನೇಹಿತರು ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳ (Youyou, Kosinski, and Stillwell 2015) ಗಿಂತಲೂ ಹೆಚ್ಚು ನಿಖರವಾಗಿರಬಹುದು.

    1. Kosinski, Stillwell, and Graepel (2013) , ಮತ್ತು ಆಕೃತಿ 2 ಅನ್ನು ಪುನರಾವರ್ತಿಸಿ. ಅವುಗಳ ಡೇಟಾ http://mypersonality.org/ ನಲ್ಲಿ ಲಭ್ಯವಿದೆ.
    2. ಈಗ, ಫಿಗರ್ 3 ಪುನರಾವರ್ತಿಸಿ.
    3. ಅಂತಿಮವಾಗಿ, ನಿಮ್ಮ ಸ್ವಂತ ಫೇಸ್ಬುಕ್ ಡೇಟಾದಲ್ಲಿ ಅವರ ಮಾದರಿಯನ್ನು ಪ್ರಯತ್ನಿಸಿ: http://applymagicsauce.com/. ಅದು ನಿಮಗಾಗಿ ಎಷ್ಟು ಚೆನ್ನಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ?

11. [ ] Toole et al. (2015) ಒಟ್ಟಾರೆ ನಿರುದ್ಯೋಗ ಪ್ರವೃತ್ತಿಗಳನ್ನು ಊಹಿಸಲು ಮೊಬೈಲ್ ಫೋನ್ಗಳಿಂದ ಬಳಸಿದ ಕಾಲ್ ವಿವರ ದಾಖಲೆಗಳು (ಸಿಡಿಆರ್ಗಳು).

    1. Toole et al. (2015) ಅಧ್ಯಯನದ ವಿನ್ಯಾಸವನ್ನು ಹೋಲಿಕೆ ಮಾಡಿ Toole et al. (2015) Blumenstock, Cadamuro, and On (2015) .
    2. ಸಿಡಿಆರ್ಗಳು ಸಾಂಪ್ರದಾಯಿಕ ಸಮೀಕ್ಷೆಗಳನ್ನು ಬದಲಿಸಬೇಕು, ಅವನ್ನು ಪೂರಕವಾಗಿರಬೇಕು ಅಥವಾ ನಿರುದ್ಯೋಗವನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಸರ್ಕಾರಿ ನೀತಿನೀತಿಗಳಿಗೆ ಬಳಸಬಾರದು ಎಂದು ನೀವು ಭಾವಿಸುತ್ತೀರಾ? ಯಾಕೆ?
    3. ಸಿಡಿಆರ್ಗಳು ನಿರುದ್ಯೋಗ ದರದ ಸಾಂಪ್ರದಾಯಿಕ ಕ್ರಮಗಳನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಬದಲಾಯಿಸಬಹುದೆಂದು ಯಾವ ಸಾಕ್ಷಿಯು ನಿಮಗೆ ಮನವರಿಕೆ ಮಾಡುತ್ತದೆ?