Aktivitéiten

Schlëssel:

  • Ofschloss vum Schwieregkeetsgrad: liicht einfach , mëttelfristeg mëttel- , schwéier schwéier , ganz schwéier ganz schwéier
  • verlaangt temporäre ( verlaangt temporäre )
  • verlaangt coding ( verlaangt coding )
  • Donnéeën Kollektioun ( Donnéeën Kollektioun )
  • meng Favoritten ( mäin Favorit )
  1. [ schwéier , verlaangt temporäre Am Kapitel], war ech ganz positiv iwwert Post-stratification. Mä, ass et net ëmmer d'Qualitéit vun Schätzunge verbesseren. Bauen enger Situatioun wou Post-stratification kann erofgoen kann d'Qualitéit vun Schätzung. (Fir eng Uspillung, gesinn Thomsen (1973) ).

  2. [ schwéier , Donnéeën Kollektioun , verlaangt coding engem Net-Probabilitéit Ëmfro op Amazon MTurk] Design an Exercice iwwer Pistoul Proprietairen ze froen ( "Mengt Dir, oder geet een an Ärem Stot, selwer eng Pistoul, Gewier oder dout maachen? Ass datt Dir oder een aneren aus Ärem Stot?") an Astellungen géigeniwer Pistoul Kontroll ( "Wat Dir do ass méi wichteg, fir d'Recht vun den Amerikaner schützen Waffen ze eegenen, oder eng Pistoul Proprietairen ze kontrolléieren?").

    1. Wéi laang Ären Ëmfro huelen? Wéi vill bedeit et kascht? Wéi maachen vergläichen der DEMOGRAPHIQUES vun Äre Prouf fir den oft vun der US Bevëlkerung?
    2. Wat ass d'Matière Estimatioun vun Pistoul Proprietairen Är Prouf benotzt?
    3. Richteg fir d'Net-Representatioun vum Är Prouf mat Post-stratification oder eng aner Technik. Elo wat ass d'Devis vun Pistoul Proprietairen?
    4. Wéi maachen Är Schätzung fir d'läscht Devis aus Pew Research Center vergläichen? Wat haalt Dir d'Vigel erklären, wann et keng ass?
    5. Widderhuelen der Übung 2-5 fir Attitudë Richtung Pistoul Kontroll. Wéi maachen Är Conclusiounen ënnerscheeden?
  3. [ ganz schwéier , Donnéeën Kollektioun , verlaangt coding ] Goel a Kollegen (2016) aus dem Generol Social Survey (GSS) a wielt Ëmfroen vun der Pew Research Center op Amazon MTurk Wolleken engem Net-Probabilitéit-baséiert Emfro aus 49 Multiple-presentéiert attitudinal Froen verwalt. Si klicks dann fir d'Net-Representatioun vun Daten benotzt Modell-baséiert Post-stratification (Mr. P), a vergläicht de ugepasst Schätzunge mat deenen ugeholl mat Probabilitéit-baséiert GSS / Pew Ëmfroen. Violéiert der selwechter Ëmfro iwwert MTurk a probéieren Dorënner 2a an Dorënner 2b ze behaapten duerch Är seng Schätzung mat der Schätzunge vun der jéngster Ronne vun GSS / Pew vergläichen (Zréck Betriebspläng Table A2 fir d'Lëscht vun 49 Froen).

    1. Vergläichen an Äre Resultater fir d'Resultater vun Pew an GSS Kontrast.
    2. Vergläichen an Kontrast Är Resultater fir d'Resultater vun der MTurk Ëmfro vun Goel, Obeng, and Rothschild (2016) .
  4. [ mëttel- , Donnéeën Kollektioun , verlaangt coding ] Vill Studien Self-Rapport Mesuren vun Handy Aktivitéit Donnéeë benotzen. Dat ass en interessante Kader wou Fuerscher Self-Rapport Verhalen mat ageloggt gelooss (cf. zB, vergläichen kann Boase and Ling (2013) ). Zwou gemeinsam Verhaalen iwwert derfir plädéieren an zwar wuertwiertlech, an zwou gemeinsam Zäit Rummen sinn "gëschter" a "an déi lescht Woch." Ze froen

    1. Virun all Donnéeën ze sammelen, déi vun de Self-Rapport Mesuren, denkt Dir méi korrekt ass? Firwat?
    2. Rekrutéieren 5 vun Är Frënn an Är Ëmfro gin. Sot kuerz WikiCommons, wéi dës 5 Frënn anerer goufen. Kéint dat probéieren Prozedur spezifesch biases zu Är Schätzung induce?
    3. Sot froen se de folgenden Mikro-Ëmfro:
    • "Wéi oft hutt Dir den Handy anerer gëschter ze ruffen?"
    • "Wéi vill SMSen hutt schécken dir gëschter?"
    • "Wéi oft hutt Dir Ären Handy anerer an der lescht siwen Deeg ze ruffen?"
    • "Wéi oft hutt Dir Ären Handy benotzen ze schécken oder SMSen / SMS an de leschte siwen Deeg kréien?" Wann der Ëmfro komplett ass, froen nogeschalt Donnéeën ze kucken, wéi déi vun hiren Handy oder Déngschtleeschter ugemellt.
    1. Wéi heescht Self-Rapport Uleedung vergläichen Donnéeën aloggen? Wat ass déi genee, wat ass mannst genee?
    2. Elo kombinéieren d'Donnéeën, datt Dir mat der Daten aus anere Leit an Ärem Klass gesammelt hunn (wann Dir dës Aktivitéit fir enger Klass mëss). Mat dësem grousse Donnéeën, widderhuelen Deel (d).
  5. [ mëttel- , Donnéeën Kollektioun ] Schuman an Presser (1996) plädéieren, datt Fro Uerder fir zwou Zorte vun Relatiounen tëscht Froen egal wier: Deel-Deel Froen wou zwou Froen um selwechten Niveau vun Spezifizitéit sinn (zB Bewäertunge vun zwee Presidentschaftswalen Kandidaten); a Deel-ganzt Froen wou eng allgemeng Fro villméi eng méi spezifesch Froen (zB froen "Wéi zefridde sidd Dir mat Ärer Aarbecht?" duerno "Wéi zefridde sidd Dir mat Ärem Liewen?").

    Si Markenzeeche weider zwou Zorte vu Fro fir Effekt: Konstanz Folge geschéien wann Äntwerte fir eng spéider Fro méi bruecht fir déi eng méi fréi Fro kritt (wéi se soss wier); Géigesaz Folge geschéien, wann et grouss Ënnerscheeder tëscht Äntwerte zwou Froen.

    1. Schafen eng Pair vu Deel-Partie Froen, déi Dir mengt, wäert eng grouss Fro fir Effet hunn, Pair vu Deel-ganzt Froen, déi Dir wäert eng grouss Bestellung Effet hunn, an engem aneren Tunnel vu Froen hir Uerdnung Dir denkt net egal wär. Run enger Ëmfro Experimenter op MTurk Är Froen ze testen.
    2. Wéi grouss war den Deel-Deel Effekt huet Iech kënnen ze schafen? War et eng Konsequenz oder Kontrast Effekt?
    3. Wéi grouss war den Deel-ganzen Effekt huet Iech kënnen ze schafen? War et eng Konsequenz oder Kontrast Effekt?
    4. War et eng Fro fir den Effet vun Äre Brëll wou Dir d'Commande egal wier net mengen gemaach?
  6. [ mëttel- , Donnéeën Kollektioun ] Building op der Aarbecht vun Schuman an Presser, Moore (2002) beschreift enger separater Dimensioun vun Effet Fro Bestellung: additive an subtractive. Iwwerdeems Kontrast an Konsequenz Effekter sinn als eng Konsequenz vun de Befroten 'Evaluatioune vun den zwou Saache rapport zu all aner, additive an subtractive Effekter produzéiert ginn, wou Interviewten méi sensibel op d'grouss Kader gemaach ginn innerhalb vun deem d'Froen ginn zougemaach. Weiderliesen Moore (2002) , dann Design an enger Ëmfro Experimenter op MTurk Laf additive oder subtractive Effekter ze beweisen.

  7. [ schwéier , Donnéeën Kollektioun ] Christopher Antoun a Kollegen (2015) gehaal enger Etude d'Kamoudheet Echantillon kritt aus véier verschidden online zousätzlech Quellen vergläichen: MTurk, Craigslist, Google AdWords an Facebook. Design engem einfache Ëmfro an do- Participanten duerch op d'mannst zwou verschiddenen online zousätzlech Quellen (se kann ënnerschiddlech Quellen aus der véier Quelle ginn an Antoun et al. (2015) ).

    1. Vergläichen d'Käschten pro rekrutéieren, wat Geld an Zäit, tëschent verschiddene Quellen.
    2. Vergläichen d'Zesummesetzung vun de aus verschiddene Quellen kritt en Echantillon.
    3. Vergläichen der Qualitéit vun Daten tëscht den demolege. Fir Iddien iwwer wéi Donnéeën Qualitéit vun den Interviewten zu Moossnam, gesinn Schober et al. (2015) .
    4. Wat ass Är léifste Quell? Firwat?
  8. [ mëttel- ] YouGov, en Internet-baséiert Maartfuerschung Firma, gehaal online Emfroen vun engem Rot vu ronn 800.000 Interviewten zu Lëtzebuerg an déi den Här P. d'Resultat vun EU Referendum (dh, Brexit) wou d'lëtzebuerger Wieler Vote entweder ze bleiwen fir ze soe an oder d'europäesch Unioun verloossen.

    Eng detailléiert Beschreiwung vun statisteschen Modell d'YouGov ass hei (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/). Ongeféier allgemengen, Cloisonnementer YouGov Wieler an Zorte op 2015 declenchéieren Vote presentéiert baséiert, Alter, Qualifikatiounen, Geschlecht, Datum vum Interview, souwéi dem Walbezierk se am liewen. Éischt, benotzt si Daten aus der YouGov panelists gesammelt Devis, ënnert deenen deen d'Unzuel vun Leit vun all Wahlbedeelegung Typ Vote, deen Hannerlooss wëlles ze wielen. Si aschätzen bei de Keesen all Wahlbedeelegung Typ mat den 2015 britesch Waalsonndeg Sécuritéit (responsabel) Post-Wahlen Gesiicht-ze-Gesiicht Ëmfro, déi bei de Keesen aus der Wahlkommissioun Bréitchen validéiert. Endlech, schätzen se wéivill Leit do vun all Wahlbedeelegung Typ sinn an der Wielerschaft baséiert op läscht Vollekszielung a TAEG Bevëlkerung Survey (mat e puer zousätzlech Informatiounen aus der responsabel, Emfro YouGov Daten aus ronderëm de Chamberwahlen, an Informatiounen op wéivill Leit gewielt fir all Partei an all Walbezierk).

    Dräi Deeg ier de Vote, zougedréckt YouGov eng zwee Punkte Virsprong fir drŽnken. Op der Virowend vun Wahl, huet de EMFRO ze no ze ruffen (49-51 geklomm). Der Finale op-den-Dag Etude erginn 48/52 zu Gonschten vun geklomm (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). An Tatsaach, nëmmen dat schätzen d'final Resultat (52-48 Hannerlooss) déi véier Prozentsaz Punkten.

    1. Benotzung vum ganzen Ëmfro Feeler Kader vun dësem Kapitel diskutéiert ze evaluéieren wat falsch eriwwer hätt.
    2. YouGov d'Äntwert no de Wahlen (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) erklärt: "Dëst zu engem groussen Deel schéngt wéinst Explikatiounen - eppes wat mir hunn all zesumme gesot fir d'Resultat vun esou enger reng equilibréiert Course wichteg wier. Eis Explikatiounen Modell baséiert, zu engem Deel, op ob Interviewten um leschten Chamberwahlen an enger Explikatiounen Niveau uewendriwwer déi vun allgemenge Wale opgeregt de Modell gestëmmt haten, besonnesch am Norden. "Huet dës Ännerung Är Äntwert ze Deel (en)?
  9. [ mëttel- , verlaangt coding Schreiwen] eng Simulatioun all vun der Representatioun Feeler vun Dorënner 3,1 Ganzt.

    1. Schafen eng Situatioun wou dëse Feeler tatsächlech annuléieren eraus.
    2. Eng Situatioun, wou de Feeler all aner Massa.
  10. [ ganz schwéier , verlaangt coding ] D'Fuerschung vun Blumenstock a Kollegen (2015) Équipe enger Maschinn Léieren Modell Gebai datt digital Spuer Donnéeë benotzen kéint Ëmfro Äntwerte virauszesoen. Elo, Dir sidd elo déi selwecht Saach mat enger anerer Donnéeën ze probéieren. Kosinski, Stillwell, and Graepel (2013) fonnt dass Facebook gär kënnen individuell Spure an Attributer virauszesoen. Verwonnerlech, kann dës Prognosen och méi genee wéi déi vun de Frënn a Kollegen (Youyou, Kosinski, and Stillwell 2015) .

    1. Weiderliesen Kosinski, Stillwell, and Graepel (2013) , an hinne Dorënner 2. Hir Donnéeë sinn hei: http://mypersonality.org/
    2. Elo, behaapten Dorënner 3.
    3. Endlech, versichen hire Modell op Är eegen Facebook Daten: http://applymagicsauce.com/. Wéi gutt ass et fir Iech Aarbecht?
  11. [ mëttel- ] Toole et al. (2015) benotzt Opruff Detail records (CDRs) vun Handyen ugesammelt Chômage Trends virauszesoen.

    1. Vergläichen an den Design vun Géigesaz Toole et al. (2015) mat Blumenstock, Cadamuro, and On (2015) .
    2. Mengt Dir CDRs traditionell Ëmfroen ersetzen soll, komplementar hinnen oder guer net fir Regierung gemeinsam ginn Chômage ze suivéieren? Firwat?
    3. Wat Beweiser géif Iech iwwerzeegen, datt CDRs komplett traditionell Moossnamen vun de Chômagetaux schounen kann?