ಚಟುವಟಿಕೆಗಳು

ಕೀ:

• ತೊಂದರೆ ಪ್ರಮಾಣದಲ್ಲಿ: ಸುಲಭ ಮಧ್ಯಮ , ಕಠಿಣ ತುಂಬಾ ಹಾರ್ಡ್
• ಗಣಿತ ಅಗತ್ಯವಿದೆ ( )
• ಅಗತ್ಯವಿದೆ ಕೋಡಿಂಗ್ ( )
• ಮಾಹಿತಿ ಸಂಗ್ರಹ ( )
• ನನ್ನ ಅಚ್ಚುಮೆಚ್ಚುಗಳು ( )

1. [ , ] ಅಧ್ಯಾಯದಲ್ಲಿ, ನಾನು ನಂತರದ ಶ್ರೇಣೀಕರಣದ ಬಗ್ಗೆ ಧನಾತ್ಮಕವಾಗಿತ್ತು. ಆದಾಗ್ಯೂ, ಇದು ಯಾವಾಗಲೂ ಅಂದಾಜು ಗುಣಮಟ್ಟವನ್ನು ಸುಧಾರಿಸಲು ಇಲ್ಲ. ಅಲ್ಲಿ-ಪೋಸ್ಟ್ ಶ್ರೇಣೀಕರಣದ ಮಾಡಬಹುದು ಅಂದಾಜು ಗುಣಮಟ್ಟ ಕಡಿಮೆ ಮಾಡಬಹುದು ಪರಿಸ್ಥಿತಿ ರಚಿಸಿರಿ. (ಸುಳಿವು, ನೋಡಿ Thomsen (1973) ).

2. [ , , ] ವಿನ್ಯಾಸ ಮತ್ತು ಗನ್ ಮಾಲೀಕತ್ವದ ಬಗ್ಗೆ ಕೇಳಲು ಅಮೆಜಾನ್ MTurk ಮೇಲೆ ಒಂದು ಅಲ್ಲದ ಸಂಭವನೀಯತೆ ಸಮೀಕ್ಷೆ ನಡೆಸಲು ( "ನೀವು, ಅಥವಾ ನಿಮ್ಮ ಮನೆಯಲ್ಲಿ ಯಾರಾದರೂ ಮಾಡುತ್ತದೆ, ಸ್ವಂತ ಬಂದೂಕು, ರೈಫಲ್ ಅಥವಾ ಪಿಸ್ತೂಲ್? ಎಂದು ನೀವು ಅಥವಾ ನಿಮ್ಮ ಮನೆಯಲ್ಲಿ ಬೇರೊಬ್ಬರ?") ಮತ್ತು ಬಂದೂಕು ನಿಯಂತ್ರಣ ವರ್ತನೆಗಳು ( "ನೀವು ತಿಳಿದಿರುವಿರಿ ಗನ್ ಹೊಂದಲು, ಅಥವಾ ಬಂದೂಕು ಮಾಲಿಕತ್ವದ ನಿಯಂತ್ರಿಸಲು ಅಮೆರಿಕನ್ನರು ಹಕ್ಕನ್ನು ರಕ್ಷಿಸಲು ಹೆಚ್ಚು ಮುಖ್ಯ ಆಗಿದೆ?").

   1. ನಿಮ್ಮ ಸಮೀಕ್ಷೆ ಹೇಗೆ ಸಮಯವನ್ನು ತೆಗೆದುಕೊಳ್ಳುವುದು? ಇದು ಎಷ್ಟು ವೆಚ್ಚವಾಗುತ್ತದೆ? ಹೇಗೆ ನಿಮ್ಮ ಮಾದರಿ ಜನಸಂಖ್ಯೆ ಅಮೇರಿಕಾದ ಜನಸಂಖ್ಯೆಯ ಜನಸಂಖ್ಯಾಶಾಸ್ತ್ರ ಹೋಲಿಸಿ ನೋಡಬಹುದು?
   2. ನಿಮ್ಮ ಮಾದರಿ ಬಳಸಿಕೊಂಡು ಬಂದೂಕು ಮಾಲಿಕತ್ವದ ಕಚ್ಚಾ ಅಂದಾಜು ಏನು?
   3. ಶ್ರೇಣೀಕರಣದ ನಂತರದ ಅಥವಾ ಕೆಲವು ಇತರ ತಂತ್ರವನ್ನು ಬಳಸಿಕೊಂಡು ನಿಮ್ಮ ಮಾದರಿ ಅಲ್ಲದ ಪ್ರಾತಿನಿಧಿಕತೆ ಸರಿಪಡಿಸುತ್ತದೆ. ಈಗ ಬಂದೂಕು ಮಾಲಿಕತ್ವದ ಅಂದಾಜು ಏನು?
   4. ನಿಮ್ಮ ಅಂದಾಜು ಪ್ಯೂ ಸಂಶೋಧನಾ ಕೇಂದ್ರದ ಇತ್ತೀಚಿನ ಅಂದಾಜಿನ ಹೋಲಿಸಿ ನೋಡಬಹುದು? ನೀವು ಯಾವುದೇ ಇದ್ದರೆ, ಭಿನ್ನತೆಗಳಿಗೆ ವಿವರಿಸಲು ಆಲೋಚಿಸುತ್ತೀರಿ ಏನು?
   5. ಬಂದೂಕು ನಿಯಂತ್ರಣ ವರ್ತನೆಗಳನ್ನು ವ್ಯಾಯಾಮ 2-5 ಪುನರಾವರ್ತಿಸಿ. ನಿಮ್ಮ ಸಂಶೋಧನೆಗಳು ಹೇಗೆ ಡಿಫರ್?

3. [ , , ] ಗೋಯಲ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು (2016) ಅಮೆಜಾನ್ MTurk ಮೇಲೆ ಪೆವ್ ರೀಸರ್ಚ್ ಸೆಂಟರ್ ಜನರಲ್ ಸೋಷಿಯಲ್ ಸರ್ವೇಕ್ಷಣೆಯಲ್ಲಿ (GSS) ಮತ್ತು ಸಮೀಕ್ಷೆಗಳು ಆಯ್ದ ಪಡೆದ 49 ಬಹು ಆಯ್ಕೆ ನಡುವಳಿಕೆಯ ಪ್ರಶ್ನೆಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಒಂದು ಅಲ್ಲದ ಸಂಭವನೀಯತೆ ಆಧಾರಿತ ಸಮೀಕ್ಷೆ ಆಡಳಿತ. ಅವರು ನಂತರ ಮಾದರಿ-ಆಧರಿತ-ಶ್ರೇಣೀಕರಣದ ಪೋಸ್ಟ್ (ಶ್ರೀ ಪಿ) ಬಳಸಿಕೊಂಡು ದತ್ತಾಂಶದ ಪ್ರಾತಿನಿಧಿಕತೆ ಹೊಂದಿಕೊಳ್ಳುವಂತೆ, ಮತ್ತು ಸಂಭವನೀಯತೆ ಆಧಾರಿತ GSS / ಪ್ಯೂ ಸಮೀಕ್ಷೆಗಳು ಬಳಸಿ ಅಂದಾಜಿಸಲಾಗಿದೆ ಆ ಸರಿಪಡಿಸಲಾಯಿತು ಅಂದಾಜು ಹೋಲಿಸಿ. MTurk ಅದೇ ಸಮೀಕ್ಷೆ ನಡೆಸುವುದು ಮತ್ತು GSS / ಪ್ಯೂ ಇತ್ತೀಚಿನ ಸುತ್ತುಗಳ ಅಂದಾಜು ನಿಮ್ಮ ಹೊಂದಾಣಿಕೆಯ ಅಂದಾಜು ಹೋಲಿಸಿ ಚಿತ್ರ 2a ಮತ್ತು ಚಿತ್ರ 2B ಪುನರಾವರ್ತಿಸಲು ಪ್ರಯತ್ನಿಸಿ (ಅನುಬಂಧ ಟೇಬಲ್ ಎ 2 ನೋಡಿ 49 ಪ್ರಶ್ನೆಗಳನ್ನು ಪಟ್ಟಿ).

   1. ಹೋಲಿಸಿ ಮತ್ತು ಪ್ಯೂ ಮತ್ತು GSS ಫಲಿತಾಂಶಗಳನ್ನು ನಿಮ್ಮ ಫಲಿತಾಂಶಗಳನ್ನು ನೋಡೋಣ.
   2. ಹೋಲಿಸಿ ಮತ್ತು MTurk ಸಮೀಕ್ಷೆಯಿಂದ ಫಲಿತಾಂಶಗಳು ನಿಮ್ಮ ಫಲಿತಾಂಶಗಳನ್ನು ಕಾಂಟ್ರಾಸ್ಟ್ Goel, Obeng, and Rothschild (2016) .

4. [ , , ] ಅನೇಕ ಅಧ್ಯಯನಗಳು ಮೊಬೈಲ್ ಫೋನ್ ಚಟುವಟಿಕೆ ದತ್ತಾಂಶದ ಸ್ವಯಂ ವರದಿ ಕ್ರಮಗಳನ್ನು ಬಳಸಿ. ಈ ಸಂಶೋಧಕರು ಲಾಗ್ ನಡವಳಿಕೆಯಿಂದ ಸ್ವಯಂ ವರದಿ ವರ್ತನೆಯನ್ನು ಹೋಲಿಕೆ ಮಾಡಬಹುದು ಅಲ್ಲಿ ಆಸಕ್ತಿದಾಯಕ ಸೆಟ್ಟಿಂಗ್ (ನೋಡಿ ಉದಾ Boase and Ling (2013) ). ಕರೆ ಮತ್ತು ಪಠ್ಯ ಸಂದೇಶ, ಮತ್ತು ಎರಡು ಸಾಮಾನ್ಯ ಸಮಯ ಚೌಕಟ್ಟುಗಳು ಬಗ್ಗೆ ಕೇಳಲು ಎರಡು ಸಾಮಾನ್ಯ ನಡವಳಿಕೆಗಳನ್ನು "ಕಳೆದ ವಾರದಲ್ಲಿ." "ನಿನ್ನೆ" ಮತ್ತು

   1. ನೀವು ತಿಳಿದಿರುವಿರಿ ಸ್ವಯಂ ವರದಿ ಯಾವ ಕ್ರಮಗಳನ್ನು ನಿಖರವಾಗಿದೆ ಯಾವುದೇ ದತ್ತಾಂಶಗಳು ಸಂಗ್ರಹಿಸುವ ಮೊದಲು? ಏಕೆ?
   2. ನಿಮ್ಮ ಸಮೀಕ್ಷೆ ಎಂದು ನೇಮಕ ನಿಮ್ಮ ಸ್ನೇಹಿತರ 5. ಸಂಕ್ಷಿಪ್ತವಾಗಿ ಈ 5 ಸ್ನೇಹಿತರು ರುಚಿ ಹೇಗೆ ಸಾರಾಂಶ ದಯವಿಟ್ಟು. ಈ ಮಾದರಿ ವಿಧಾನ ನಿಮ್ಮ ಅಂದಾಜುಗಳು ನಿರ್ದಿಷ್ಟ ಪೂರ್ವಗ್ರಹಗಳು ಪ್ರೇರೇಪಿಸುತ್ತದೆ ಇರಬಹುದು?
   3. ಕೆಳಗಿನ ಸೂಕ್ಷ್ಮ ಸಮೀಕ್ಷೆ ಕೇಳಿ:
   • "ಎಷ್ಟು ಬಾರಿ ನೀವು ಇತರರು ನಿನ್ನೆ ಕರೆ ಮೊಬೈಲ್ ಫೋನ್ ಬಳಸಿದ್ದೆ?"
   • "ಎಷ್ಟು ಪಠ್ಯ ಸಂದೇಶಗಳನ್ನು ನೀವು ನಿನ್ನೆ ಕಳುಹಿಸಿದ್ದನು?"
   • "ಎಷ್ಟು ಬಾರಿ ನೀವು ಕಳೆದ ಏಳು ದಿನಗಳಲ್ಲಿ ಇತರೆ ಕರೆ ನಿಮ್ಮ ಮೊಬೈಲ್ ಫೋನ್ ಬಳಸಿದ್ದೆ?"
   • ತಮ್ಮ ಫೋನ್ ಅಥವಾ ಸೇವೆ ಒದಗಿಸುವವರು ಮೂಲಕ ಲಾಗಿನ್ ಒಮ್ಮೆ ಸಮೀಕ್ಷೆ ಪೂರ್ಣಗೊಂಡ "ಅನೇಕ ಬಾರಿ ಕಳುಹಿಸಲು ಅಥವಾ ಕಳೆದ ಏಳು ದಿನಗಳಲ್ಲಿ ಪಠ್ಯ ಸಂದೇಶಗಳನ್ನು / SMS ಸ್ವೀಕರಿಸಬಹುದು? ನಿಮ್ಮ ಮೊಬೈಲ್ ಫೋನ್ ಬಳಸಿದ್ದೆ ಹೇಗೆ" ತಮ್ಮ ಬಳಕೆಯ ಡೇಟಾ ಪರೀಕ್ಷಿಸಲು ಕೇಳಿ.
   4. ಹೇಗೆ ಸ್ವಯಂ ವರದಿ ಬಳಕೆಯ ಡೇಟಾ ಪ್ರವೇಶಿಸಲು ಹೋಲುತ್ತದೆ? ಇದು ಕನಿಷ್ಠ ನಿಖರವಾಗಿದೆ ಅತ್ಯಂತ ನಿಖರವಾಗಿದೆ?
   5. ಈಗ ನೀವು (ನೀವು ವರ್ಗ ಈ ಚಟುವಟಿಕೆ ಮಾಡುತ್ತಿರುವ) ನಿಮ್ಮ ವರ್ಗ ಇತರ ಜನರಿಂದ ದತ್ತಾಂಶ ಸಂಗ್ರಹಿಸಲ್ಪಟ್ಟ ಡೇಟಾ ಒಗ್ಗೂಡಿ. ಈ ದೊಡ್ಡ ದತ್ತಾಂಶ, ಭಾಗ (ಡಿ) ಪುನರಾವರ್ತಿಸಿ.

5. [ , ] ಸ್ಚುಮ್ಯಾನ್ ಮತ್ತು Presser (1996) ಆ ಪ್ರಶ್ನೆಗೆ ಆದೇಶಗಳನ್ನು ಪ್ರಶ್ನೆಗಳನ್ನು ನಡುವೆ ಸಂಬಂಧಗಳ ಎರಡು ರೀತಿಯ ಪರವಾಗಿಲ್ಲ ಎಂದು ವಾದಿಸುತ್ತಾರೆ: ಎರಡು ಪ್ರಶ್ನೆಗಳನ್ನು ನಿರ್ದಿಷ್ಟ ಅದೇ ಮಟ್ಟದಲ್ಲಿ ಅಲ್ಲಿ ಭಾಗಶಃ ಭಾಗ ಪ್ರಶ್ನೆಗಳನ್ನು (ಉದಾಹರಣೆಗೆ ಎರಡು ಅಧ್ಯಕ್ಷೀಯ ಅಭ್ಯರ್ಥಿಗಳ ರೇಟಿಂಗ್); (ಉದಾಹರಣೆಗೆ ಕೇಳುವ "ಹೇಗೆ ತೃಪ್ತಿ ನಿಮ್ಮ ಕೆಲಸ ನೀವು?" ನಂತರ "ಹೇಗೆ ತೃಪ್ತಿ ನಿಮ್ಮ ಜೀವನದ ನೀವು?") ಒಂದು ಸಾಮಾನ್ಯ ಪ್ರಶ್ನೆ ಹೆಚ್ಚು ನಿರ್ದಿಷ್ಟ ಪ್ರಶ್ನೆ ಅನುಸರಿಸುತ್ತದೆ ಅಲ್ಲಿ ಭಾಗಶಃ ಇಡೀ ಪ್ರಶ್ನೆಗಳನ್ನು.

   ಅವರು ಮತ್ತಷ್ಟು ಪ್ರಶ್ನೆ ಕ್ರಮವನ್ನು ಪರಿಣಾಮ ಎರಡು ರೀತಿಯ ನಿರೂಪಿಸಲು: ಸ್ಥಿರತೆ ಪರಿಣಾಮಗಳು ನಂತರ ಪ್ರಶ್ನೆ ಹತ್ತಿರ (ಅವರು ಇಲ್ಲವಾದಲ್ಲಿ) ಹಿಂದಿನ ಪ್ರಶ್ನೆಗೆ ನೀಡಿದ ಆ ತರಲಾಗುತ್ತದೆ ಸಂಭವಿಸುವ; ಎರಡು ಪ್ರಶ್ನೆಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆ ನಡುವೆ ಹೆಚ್ಚಿನ ವ್ಯತ್ಯಾಸಗಳು ಉಂಟಾಗುತ್ತವೆ ಪರಿಣಾಮಗಳನ್ನು ನೋಡೋಣ.

   1. ಭಾಗಶಃ ಭಾಗ ಪ್ರಶ್ನೆಗಳನ್ನು ನೀವು ಒಂದು ದೊಡ್ಡ ಪ್ರಶ್ನೆ ಕ್ರಮವನ್ನು ಪರಿಣಾಮ, ಭಾಗಶಃ ಇಡೀ ಪ್ರಶ್ನೆಗಳನ್ನು ನೀವೂ ದೊಡ್ಡ ಆದೇಶ ಪರಿಣಾಮವನ್ನು ಹೊಂದಿರುತ್ತದೆ ಜೋಡಿ, ಮತ್ತು ಇದರ ಸಲುವಾಗಿ ನೀವು ಆಲೋಚಿಸುತ್ತೀರಿ ಪರವಾಗಿಲ್ಲ ಎಂದು ಪ್ರಶ್ನೆಗಳನ್ನು ಮತ್ತೊಂದು ಜೋಡಿ ಹೊಂದಿರುತ್ತದೆ ಭಾವಿಸುತ್ತೇನೆ ಒಂದು ಜೋಡಿ ರಚಿಸಿ. ನಿಮ್ಮ ಪ್ರಶ್ನೆಗಳನ್ನು ಪರೀಕ್ಷಿಸಲು MTurk ಬಗ್ಗೆ ಸಮೀಕ್ಷೆ ಪ್ರಯೋಗ ರನ್.
      
   2. ಭಾಗಶಃ ಭಾಗ ಪರಿಣಾಮ ನೀವು ರಚಿಸಲು ಸಾಧ್ಯವಾಯಿತು ಹೇಗೆ ದೊಡ್ಡದಾಗಿದೆ? ಇದು ಒಂದು ಸ್ಥಿರತೆ ಅಥವಾ ವಿರುದ್ಧವಾಗಿ ಪರಿಣಾಮ ವಾಸ್?
   3. ಭಾಗಶಃ ಇಡೀ ಪರಿಣಾಮ ನೀವು ರಚಿಸಲು ಸಾಧ್ಯವಾಯಿತು ಹೇಗೆ ದೊಡ್ಡದಾಗಿದೆ? ಇದು ಒಂದು ಸ್ಥಿರತೆ ಅಥವಾ ವಿರುದ್ಧವಾಗಿ ಪರಿಣಾಮ ವಾಸ್?
   4. ನಿಮ್ಮ ಜೋಡಿ ಒಂದು ಪ್ರಶ್ನೆ ಸಲುವಾಗಿ ಪರಿಣಾಮ ನೀವು ನಾಟ್ ಸಲುವಾಗಿ ಪರವಾಗಿಲ್ಲ ಎಂದು ಭಾವಿಸಿರಲಿಲ್ಲ ಯಾವುದು?

6. [ , ] ಸ್ಚುಮ್ಯಾನ್ ಮತ್ತು Presser, ಕೆಲಸ ನಿರ್ಮಾಣದ Moore (2002) ಸಂಯೋಜನೀಯ ಮತ್ತು ಕಳೆಯುವ: ಪ್ರಶ್ನೆ ಕ್ರಮವನ್ನು ಪರಿಣಾಮ ಪ್ರತ್ಯೇಕ ಆಯಾಮ ವಿವರಿಸುತ್ತದೆ. ಇದಕ್ಕೆ ಮತ್ತು ಸ್ಥಿರತೆ ಪರಸ್ಪರ, ಸಂಯೋಜನೀಯ ಸಂಬಂಧಿಸಿದಂತೆ ಎರಡು ಐಟಂಗಳ ಪ್ರತಿಕ್ರಿಯೆ 'ಮೌಲ್ಯಮಾಪನಗಳನ್ನು ಪರಿಣಾಮವಾಗಿ ಉತ್ಪಾದನೆ ಮಾಡುತ್ತವೆ ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆ ಪ್ರಶ್ನೆಗಳನ್ನು ಮಂಡಿಸಿದರು ಇದು ಒಳಗೆ ದೊಡ್ಡ ಚೌಕಟ್ಟಿನೊಳಗೆ ಹೆಚ್ಚು ಸೂಕ್ಷ್ಮ ಮಾಡಿದಾಗ ಕಳೆಯುವ ಪರಿಣಾಮಗಳು ಉತ್ಪಾದಿಸಲಾಗುತ್ತದೆ. ಓದಿ Moore (2002) , ನಂತರ ವಿನ್ಯಾಸ ಮತ್ತು ಸಂಯೋಜಕವಾಗಿ ಅಥವಾ ಕಳೆಯುವ ಪರಿಣಾಮಗಳನ್ನು ಪ್ರದರ್ಶಿಸಲು MTurk ಬಗ್ಗೆ ಸಮೀಕ್ಷೆ ಪ್ರಯೋಗ ನಡೆಸಲು.

7. [ , ] ಕ್ರಿಸ್ಟೋಫರ್ Antoun ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು (2015) MTurk ಕ್ರೇಗ್ಸ್ಲಿಸ್ಟ್, ಗೂಗಲ್ ಆಡ್ ವರ್ಡ್ಸ್ ಮತ್ತು ಫೇಸ್ಬುಕ್: ನಾಲ್ಕು ವಿವಿಧ ಆನ್ಲೈನ್ ನೇಮಕಾತಿ ಮೂಲಗಳಿಂದ ಅನುಕೂಲಕ್ಕಾಗಿ ಮಾದರಿಗಳನ್ನು ಹೋಲಿಕೆ ಅಧ್ಯಯನ ನಡೆಸಿದರು. ಸರಳ ಸಮೀಕ್ಷೆ ವಿನ್ಯಾಸ ಮತ್ತು ಕನಿಷ್ಠ ಎರಡು ವಿವಿಧ ಆನ್ಲೈನ್ ನೇಮಕಾತಿ ಮೂಲಗಳು ಮೂಲಕ ಭಾಗವಹಿಸುವವರು ನೇಮಕ (ಅವರು ಬಳಸಲಾಗುತ್ತದೆ ನಾಲ್ಕು ಮೂಲಗಳಿಂದ ವಿವಿಧ ಮೂಲಗಳು ಮಾಡಬಹುದು Antoun et al. (2015) ).

   1. ವಿವಿಧ ಮೂಲಗಳು ನೇಮಕ ಪ್ರತಿ ವೆಚ್ಚ, ಹಣ ಮತ್ತು ಸಮಯ ಪರಿಭಾಷೆಯಲ್ಲಿ ಹೋಲಿಸಿ.
   2. ಮಾದರಿಗಳನ್ನು ವಿವಿಧ ಮೂಲಗಳಿಂದ ಪಡೆದ ಸಂಯೋಜನೆ ಹೋಲಿಸಿ.
   3. ಮಾದರಿಗಳನ್ನು ನಡುವೆ ಮಾಹಿತಿ ಗುಣಮಟ್ಟ ಹೋಲಿಸಿ. ಪ್ರತಿಕ್ರಿಯೆ ದತ್ತಾಂಶವನ್ನು ಗುಣಮಟ್ಟವನ್ನು ಅಳೆಯಲು ಹೇಗೆ ವಿಚಾರಗಳಿಗಾಗಿ, ನೋಡಿ Schober et al. (2015) .
   4. ನಿಮ್ಮ ಹಕ್ಕಿನ ಮೂಲ ಏನು? ಏಕೆ?

8. [ ] YouGov, ಒಂದು ಅಂತರ್ಜಾಲ ಆಧಾರಿತ ಮಾರುಕಟ್ಟೆ ಸಂಶೋಧನೆ ಸಂಸ್ಥೆ, ಯುಕೆ ಸುಮಾರು 800,000 ಪ್ರತಿಕ್ರಿಯಿಸಿದ ಫಲಕ ಆನ್ಲೈನ್ ಚುನಾವಣೆಯಲ್ಲಿ ನಡೆಸಿದ ಮತ್ತು EU ಜನಮತ (ಅಂದರೆ, Brexit) ಪರಿಣಾಮವಾಗಿ ಯುಕೆ ಮತದಾರರು ಮತ ಎರಡೂ ಉಳಿಯಲು ಅಲ್ಲಿ ಊಹಿಸಲು ಶ್ರೀ ಪಿ ಬಳಸಲಾಗುತ್ತದೆ ಅಥವಾ ಯುರೋಪಿಯನ್ ಯೂನಿಯನ್ ಬಿಟ್ಟು.

   (Https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/) YouGov ಸಂಖ್ಯಾಶಾಸ್ತ್ರದ ಮಾದರಿ ವಿವರಣೆ ಇಲ್ಲಿದೆ. ಸರಿಸುಮಾರಾಗಿ ಹೇಳಬೇಕೆಂದರೆ, YouGov 2015 ಸಾರ್ವತ್ರಿಕ ಚುನಾವಣೆಯಲ್ಲಿ ಮತ ಆಯ್ಕೆ, ವಯಸ್ಸು, ಅರ್ಹತೆಗಳು, ಲಿಂಗ, ಸಂದರ್ಶನದ ದಿನಾಂಕ ಹಾಗೆಯೇ ಅಂದಾಜಿಸುವುದು ಅವರು. ಮೊದಲ, ಅವರು YouGov ಪ್ಯಾನಲಿಸ್ಟ್ಗಳೆ ಸಂಗ್ರಹಿಸಿದ ಮಾಹಿತಿಯನ್ನು ಬಳಸಲಾಗುತ್ತದೆ ಲೈವ್ ಕ್ಷೇತ್ರದ, ಆ ಪೈಕಿ ಆಧರಿಸಿ ವಿಧಗಳಾಗಿ ಮತದಾರರು ವಿಭಾಗಗಳನ್ನು ಮತ ಯಾರು, ಬಿಡಿ ಮತ ಹಾಕುತ್ತಾರೆ ಅವರು ಪ್ರತಿ ಮತದಾರ ರೀತಿಯ ಜನರ ಪ್ರಮಾಣವನ್ನು. ಅವರು 2015 ಬ್ರಿಟಿಷ್ ಚುನಾವಣಾ ಸ್ಟಡಿ (BES) ನಲ್ಲಿ ಚುನಾವಣಾ ದಾಖಲೆಗಳಿಂದ ಚಲಾಯಿಸಿದೆ ಮೌಲ್ಯಾಂಕನ ಇದು ನಂತರದ ಚುನಾವಣೆಯಲ್ಲಿ ಮುಖಾ ಮುಖಿ ಸಮೀಕ್ಷೆ, ಬಳಸಿಕೊಂಡು ಪ್ರತಿ ಮತದಾರ ರೀತಿಯ ಚಲಾಯಿಸಿದೆ ಅಂದಾಜು. ಅಂತಿಮವಾಗಿ, ಅವರು, ಅನೇಕ ಜನರು ಮತ ಹೇಗೆ ಸಾರ್ವತ್ರಿಕ ಚುನಾವಣೆಯಲ್ಲಿ, ಮತ್ತು ಮಾಹಿತಿ ಸುಮಾರು YouGov ಸಮೀಕ್ಷೆ ಅಂಕಿಅಂಶದ ಆಧಾರದ ಇತ್ತೀಚಿನ ಜನಗಣತಿ ಮತ್ತು ವಾರ್ಷಿಕ ಜನಸಂಖ್ಯಾ ಸಮೀಕ್ಷೆ (BES ಕೆಲವು ಜೊತೆಗೆ ಮಾಹಿತಿಯೊಂದಿಗೆ ಮತದಾರರು ಪ್ರತಿ ಮತದಾರ ರೀತಿಯ ಇವೆ ಎಷ್ಟು ಜನರು ಅಂದಾಜು ಪ್ರತಿ ಪಕ್ಷದ ಪ್ರತಿ ಕ್ಷೇತ್ರದ).

   ಮೂರು ದಿನಗಳ ಮತ ಮೊದಲು YouGov ಬಿಡಿ ಎರಡು ಅಂಕಗಳ ಮುನ್ನಡೆ ತೋರಿಸಿದರು. ಮತದಾನ ಮುನ್ನಾದಿನದಂದು, ಸಮೀಕ್ಷೆಯಲ್ಲಿ ಕರೆ (49-51 ಉಳಿಯುತ್ತದೆ) ತುಂಬಾ ಹತ್ತಿರ ತೋರಿಸಿದರು. ಅಂತಿಮ-ದಿನದ ಅಧ್ಯಯನದಲ್ಲಿ ಉಳಿದಿವೆ (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/) ಪರವಾಗಿ 48/52 ಭವಿಷ್ಯ. ವಾಸ್ತವವಾಗಿ, ಈ ಅಂದಾಜು ನಾಲ್ಕು ಶೇಕಡಾ ಅಂತಿಮ ಫಲಿತಾಂಶ (52-48 ಬಿಡಿ) ತಪ್ಪಿಸಿಕೊಂಡರು.

   1. ತಪ್ಪಾಗಿದೆ ಎಂದು ಎಂಬುದನ್ನು ನಿರ್ಣಯಿಸಲು ಒಟ್ಟು ಸಮೀಕ್ಷೆ ದೋಷ ಚೌಕಟ್ಟನ್ನು ಈ ಅಧ್ಯಾಯದಲ್ಲಿ ಚರ್ಚಿಸಲಾಗಿದೆ ಬಳಸಿ.
   2. ಚುನಾವಣೆ (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) ನಂತರ YouGov ಪ್ರತಿಕ್ರಿಯೆ ವಿವರಿಸಿದರು: "ಈ ಕಾರಣ ಮತದಾನದ ಗೆ ಒಂದು ದೊಡ್ಡ ಭಾಗದಲ್ಲಿ ತೋರುತ್ತದೆ - ಏನೋ ನಾವು ಎಲ್ಲಾ ಸೇರಿ ಅಂತಹ ಒಂದು ನುಣ್ಣಗೆ ಸಮತೋಲಿತ ಜನಾಂಗದ ತೀರ್ಮಾನವನ್ನು ನಿರ್ಣಾಯಕ ಎಂದು ಎಂದು. ನಮ್ಮ ಚಲಾಯಿಸಿದೆ ಮಾದರಿಯಲ್ಲಿ ಪ್ರತಿಕ್ರಿಯೆ ಎಂಬುದನ್ನು ಕಳೆದ ಚುನಾವಣೆಯಲ್ಲಿ ಮತ ಮತ್ತು ಸಾಮಾನ್ಯ ಚುನಾವಣೆಗಳ ಮೇಲೆ ಚಲಾಯಿಸಿದೆ ಮಟ್ಟದ ಮಾದರಿ ನಿರ್ದಿಷ್ಟವಾಗಿ ಉತ್ತರ ಅಸಮಾಧಾನ, ಭಾಗಶಃ, ಆಧರಿಸಿತ್ತು. "ಈ ಭಾಗದಲ್ಲಿ (ಒಂದು) ನಿಮ್ಮ ಉತ್ತರವನ್ನು ಬದಲಾಯಿಸಲು ಡಸ್?

9. [ , ] ಚಿತ್ರ 3.1 ಪ್ರಾತಿನಿಧ್ಯ ದೋಷಗಳನ್ನು ಪ್ರತಿ ವಿವರಿಸಲು ಒಂದು ಸಿಮ್ಯುಲೇಶನ್ ಬರೆಯಿರಿ.

   1. ಈ ದೋಷಗಳನ್ನು ವಾಸ್ತವವಾಗಿ ರದ್ದು ಸನ್ನಿವೇಶ ರಚಿಸಿ.
   2. ದೋಷಗಳನ್ನು ಪರಸ್ಪರ ಸಂಯೋಜಿಸುತ್ತಾರೆ ಸನ್ನಿವೇಶ ರಚಿಸಿ.

10. [ , ] Blumenstock ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ಸಂಶೋಧನೆ (2015) ಸಮೀಕ್ಷೆ ಪ್ರತಿಸ್ಪಂದನಗಳು ಊಹಿಸಲು ಡಿಜಿಟಲ್ ಟ್ರೇಸ್ ಡೇಟಾ ಬಳಸಬಹುದೆಂದು ಒಂದು ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿ ನಿರ್ಮಿಸುವ ಒಳಗೊಂಡಿತ್ತು. ಈಗ, ನೀವು ಬೇರೆ ದತ್ತಾಂಶ ಅದೇ ವಿಷಯ ಪ್ರಯತ್ನಿಸಿ ಹೋಗುವ. Kosinski, Stillwell, and Graepel (2013) ಫೇಸ್ಬುಕ್ ಇಷ್ಟಗಳು ಎಂದು ವೈಯಕ್ತಿಕ ಗುಣಲಕ್ಷಣಗಳು ಮತ್ತು ಲಕ್ಷಣಗಳು ಊಹಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ ಕಂಡುಬಂದಿಲ್ಲ. ಆಶ್ಚರ್ಯಕರವಾಗಿ, ಈ ಭವಿಷ್ಯವನ್ನು ಇನ್ನಷ್ಟು ನಿಖರ ಸ್ನೇಹಿತರು ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ಹೊರತುಪಡಿಸಿ ಮಾಡಬಹುದು (Youyou, Kosinski, and Stillwell 2015) .

    1. ಓದಿ Kosinski, Stillwell, and Graepel (2013) , ಮತ್ತು ಚಿತ್ರ 2. ಪುನರಾವರ್ತಿಸಲು ಅವರ ಮಾಹಿತಿ ಇಲ್ಲಿ ಲಭ್ಯವಿದೆ: http://mypersonality.org/
    2. ಈಗ, ಚಿತ್ರ 3 ಪ್ರತಿರೂಪ.
    3. http://applymagicsauce.com/ ಅಂತಿಮವಾಗಿ, ನಿಮ್ಮ ಸ್ವಂತ ಫೇಸ್ಬುಕ್ ಡೇಟಾವನ್ನು ತಮ್ಮ ಮಾದರಿ ಪ್ರಯತ್ನಿಸಿ. ಹೇಗೆ ನೀವು ಕೆಲಸ ಮಾಡುತ್ತದೆ?

11. [ ] Toole et al. (2015) ಬಳಕೆ ಕರೆ ವಿವರ ದಾಖಲೆಗಳನ್ನು ಮೊಬೈಲ್ (CDRs) ಒಟ್ಟು ನಿರುದ್ಯೋಗ ಪ್ರವೃತ್ತಿಗಳನ್ನು ಮುಂಗಾಣುವ.

    1. ಹೋಲಿಸಿ ಮತ್ತು ವಿನ್ಯಾಸ ಇದಕ್ಕೆ Toole et al. (2015) ಜೊತೆ Blumenstock, Cadamuro, and On (2015) .
    2. ನೀವು CDRs ಸಾಂಪ್ರದಾಯಿಕ ಸಮೀಕ್ಷೆಗಳು ಬದಲಿಸಬೇಕಿದೆ ಅವುಗಳನ್ನು ಪೂರಕವಾಗಿ ಅಥವಾ ನಿರುದ್ಯೋಗ ಟ್ರ್ಯಾಕ್ ಸರ್ಕಾರದ ನೀತಿ ಇಲ್ಲ ಬಳಸಬಹುದು ಅಭಿಪ್ರಾಯವೇ? ಏಕೆ?
    3. ಏನು ಸಾಕ್ಷಿ ನೀವು ಮನವರಿಕೆ CDRs ಸಂಪೂರ್ಣವಾಗಿ ನಿರುದ್ಯೋಗ ದರ ಸಾಂಪ್ರದಾಯಿಕ ಕ್ರಮಗಳನ್ನು ಬದಲಾಯಿಸಲ್ಪಡುತ್ತದೆ ಎಂದು?