ກິດຈະກໍາ

• ລະດັບຄວາມຫຍຸ້ງຍາກ: ງ່າຍດາຍ , ກາງ , ຍາກ , ຫນັກ​ຫຼາຍ
• ຕ້ອງການຄະນິດສາດ ( )
• ຕ້ອງການລະຫັດ ( )
• ການເກັບຂໍ້ມູນ ( )
• my favorites ( )

1. [ , ] ໃນບົດນີ້, ຂ້າພະເຈົ້າມີທັດສະນະຄະຕິຫຼາຍກ່ຽວກັບການຈັດວາງແບບຈໍາລອງ. ຢ່າງໃດກໍ່ຕາມ, ນີ້ບໍ່ແມ່ນການປັບປຸງຄຸນນະພາບຂອງການຄາດຄະເນ. ການກໍ່ສ້າງສະຖານະການທີ່ມີການຫລໍ່ຫລອມຫລຸດຜ່ອນຄວາມຄຸນະພາບຂອງການຄາດຄະເນ. (ສໍາລັບຄໍາແນະນໍາ, ເບິ່ງ Thomsen (1973) .)

2. [ , , ] ການອອກແບບແລະດໍາເນີນການສໍາຫຼວດທີ່ບໍ່ແມ່ນຄວາມເປັນໄປໄດ້ກ່ຽວກັບ Amazon Mechanical Turk ເພື່ອຖາມກ່ຽວກັບຄວາມເປັນເຈົ້າຂອງປືນແລະທັດສະນະຕໍ່ການຄວບຄຸມປືນ. ເພື່ອໃຫ້ທ່ານສາມາດປຽບທຽບການຄາດຄະເນຂອງທ່ານກັບຜູ້ທີ່ມາຈາກຕົວຢ່າງຄວາມເປັນໄປໄດ້, ກະລຸນາຄັດລອກຂໍ້ຄວາມຄໍາຖາມແລະຕົວຕອບຄໍາຖາມໂດຍກົງຈາກການສໍາຫຼວດທີ່ມີຄຸນນະພາບສູງເຊັ່ນວ່າການດໍາເນີນງານໂດຍສູນຄົ້ນຄວ້າ Pew.

   1. ການສໍາຫຼວດຂອງທ່ານໃຊ້ເວລາດົນປານໃດ? ມັນ​ລາ​ຄາ​ເທົ່າ​ໃດ? ປະຊາກອນຂອງຕົວຢ່າງຂອງທ່ານປຽບທຽບກັບປະຊາກອນຂອງປະຊາກອນສະຫະລັດ?
   2. ການຄາດຄະເນດິບຂອງການເປັນເຈົ້າຂອງປືນໂດຍໃຊ້ຕົວຢ່າງຂອງທ່ານແມ່ນຫຍັງ?
   3. ຖືກຕ້ອງສໍາລັບການບໍ່ປະສົບຜົນສໍາເລັດຂອງຕົວຢ່າງຂອງທ່ານໂດຍໃຊ້ວິທີການຍ່ອຍຫຼັງຫຼືເຕັກນິກອື່ນໆ. ປະຈຸບັນການຄາດຄະເນຂອງການເປັນເຈົ້າຂອງປືນແມ່ນຫຍັງ?
   4. ການຄາດຄະເນຂອງທ່ານປຽບທຽບກັບການຄາດຄະເນຫຼ້າສຸດຈາກຕົວຢ່າງທີ່ເປັນຕົວແທນທີ່ຈະເປັນແນວໃດ? ທ່ານຄິດວ່າແນວໃດອະທິບາຍຄວາມແຕກຕ່າງ, ຖ້າມີຫຍັງ?
   5. ຄໍາຖາມອີກເທື່ອຫນຶ່ງ (ຂ) - (ຂ) ສໍາລັບທັດສະນະຕໍ່ການຄວບຄຸມປືນ. ການຄົ້ນພົບຂອງທ່ານແຕກຕ່າງກັນແນວໃດ?

3. [ , , ] Goel ແລະເພື່ອນຮ່ວມງານ (2016) ໄດ້ນໍາໃຊ້ຄໍາຖາມທີ່ມີການເລືອກຫລາຍຄໍາຖາມ 49 ຕົວຈາກການສໍາຫຼວດສັງຄົມທົ່ວໄປ (GSS) ແລະຄັດເລືອກເອົາການສໍາຫຼວດໂດຍສູນຄົ້ນຄວ້າ Pew ກັບຕົວຢ່າງທີ່ບໍ່ສາມາດທົດລອງໄດ້ຈາກ Amazon Mechanical Turk. ຫຼັງຈາກນັ້ນພວກເຂົາເຈົ້າໄດ້ປັບຕົວສໍາລັບຂໍ້ມູນທີ່ບໍ່ແມ່ນຕົວແທນຂອງຂໍ້ມູນໂດຍນໍາໃຊ້ການສ້າງແບບຈໍາລອງແບບທີ່ອີງໃສ່ແບບຈໍາລອງແລະການປຽບທຽບການຄາດຄະເນຂອງພວກເຂົາກັບຜູ້ທີ່ມາຈາກການສໍາຫຼວດ GSS ແລະ Pew ທີ່ເປັນໄປໄດ້. ດໍາເນີນການສໍາຫຼວດດຽວກັນກັບ Amazon Mechanical Turk ແລະພະຍາຍາມເຮັດສໍາເນົາຮູບ 2a ແລະຮູບ 2b ໂດຍການປຽບທຽບການຄາດຄະເນຂອງທ່ານທີ່ປັບທຽບກັບການຄາດຄະເນຈາກຮອບສຸດທ້າຍຂອງການສໍາຫຼວດ GSS ແລະ Pew. (ເບິ່ງຕາຕະລາງເອກະສານຊ້ອນທ້າຍ A2 ສໍາລັບບັນຊີ 49 ຄໍາຖາມ.)

   1. ປຽບທຽບແລະກົງກັນຂ້າມຜົນຂອງທ່ານກັບຜູ້ທີ່ມາຈາກ Pew ແລະ GSS.
   2. ປຽບທຽບແລະກົງກັນຂ້າມກັບຜົນໄດ້ຮັບຂອງທ່ານຈາກການສໍາຫຼວດ Mechanical Turk ໃນ Goel, Obeng, and Rothschild (2016) .

4. [ , , ] ການສຶກສາຈໍານວນຫຼາຍໃຊ້ມາດຕະການການລາຍງານຂອງການໃຊ້ໂທລະສັບມືຖື. ນີ້ແມ່ນການຕັ້ງຄ່າທີ່ຫນ້າສົນໃຈທີ່ນັກຄົ້ນຄວ້າສາມາດປຽບທຽບກັບພຶດຕິກໍາຕົວຕົນທີ່ມີລາຍລະອຽດກ່ຽວກັບພຶດຕິກໍາທີ່ຖືກລັອກໄວ້ (ເບິ່ງຕົວຢ່າງ Boase and Ling (2013) ). ສອງພຶດຕິກໍາທີ່ຈະຖາມກ່ຽວກັບການໂທແລະການສົ່ງຂໍ້ຄວາມແລະເວລາທີ່ໃຊ້ເວລາສອງແມ່ນ "ມື້ວານ" ແລະ "ໃນອາທິດທີ່ຜ່ານມາ."

   1. ກ່ອນທີ່ຈະເກັບກໍາຂໍ້ມູນໃດຫນຶ່ງ, ທ່ານຄິດວ່າມີຄວາມຖືກຕ້ອງຫຼາຍກວ່າມາດຕະການຂອງຕົນເອງແນວໃດ? ເປັນຫຍັງ?
   2. ຈ້າງຫ້າຫມູ່ເພື່ອນຂອງທ່ານໃຫ້ຢູ່ໃນການສໍາຫຼວດຂອງທ່ານ. ກະລຸນາໃຫ້ສະຫຼຸບສັ້ນໆວ່າຫ້າຄົນເຫຼົ່ານີ້ຖືກນໍາຕົວຢ່າງໃດ. ອາດຈະເຮັດແນວໃດການວິທີການຕົວຢ່າງນີ້ເຮັດໃຫ້ມີຄວາມບໍ່ຖືກຕ້ອງໃນການຄາດຄະເນຂອງທ່ານ?
   3. ໃຫ້ຖາມຄໍາຖາມ microsurvey ດັ່ງຕໍ່ໄປນີ້:
   • "ທ່ານເຄີຍໃຊ້ໂທລະສັບມືຖືຂອງທ່ານຫຼາຍເທື່ອແລ້ວບໍ?
   • "ທ່ານໄດ້ສົ່ງຂໍ້ຄວາມຫຼາຍປານໃດມາແຕ່ມື້ວານນີ້ບໍ?"
   • "ທ່ານໄດ້ໃຊ້ໂທລະສັບມືຖືຂອງທ່ານຈັກເທື່ອໃນການໂທຫາຜູ້ອື່ນໃນເວລາ 7 ມື້ສຸດທ້າຍບໍ?"
   • "ທ່ານໄດ້ໃຊ້ໂທລະສັບມືຖືຂອງທ່ານຫຼາຍປານໃດໃນການສົ່ງຫຼືຮັບຂໍ້ຄວາມຂໍ້ຄວາມ / SMS ໃນ 7 ມື້ຜ່ານມາ?"
   4. ເມື່ອ microsurvey ນີ້ໄດ້ຖືກສໍາເລັດແລ້ວ, ຂໍໃຫ້ກວດເບິ່ງຂໍ້ມູນການນໍາໃຊ້ຂອງພວກເຂົາຕາມບັນທຶກໂດຍຜູ້ໃຫ້ບໍລິການໂທລະສັບຂອງພວກເຂົາ. ການນໍາໃຊ້ບົດລາຍງານຂອງຕົນເອງປຽບທຽບກັບຂໍ້ມູນບັນທຶກ? ເຊິ່ງແມ່ນທີ່ຖືກຕ້ອງທີ່ສຸດ, ເຊິ່ງແມ່ນຖືກຕ້ອງຫນ້ອຍບໍ?
   5. ຕອນນີ້ສົມທົບຂໍ້ມູນທີ່ທ່ານໄດ້ລວບລວມຂໍ້ມູນຈາກຜູ້ອື່ນໃນຫ້ອງຮຽນຂອງທ່ານ (ຖ້າທ່ານເຮັດກິດຈະກໍານີ້ສໍາລັບຫ້ອງຮຽນ). ດ້ວຍຊຸດຂໍ້ມູນຂະຫນາດໃຫຍ່ນີ້, ເຮັດຊ້ໍາສ່ວນ (d).

5. [ , ] Schuman ແລະ Presser (1996) ໂຕ້ຖຽງວ່າຄໍາສັ່ງຄໍາຖາມຈະສໍາຄັນສໍາລັບສອງປະເພດຄໍາຖາມ: ຄໍາຖາມສ່ວນຫນຶ່ງທີ່ສອງຄໍາຖາມຢູ່ໃນລະດັບດຽວກັນຂອງສະເພາະ (ຕົວຢ່າງ, ອັດຕາຂອງຜູ້ສະຫມັກປະທານາທິບໍດີສອງຄົນ); ແລະຄໍາຖາມທັງຫມົດທີ່ມີຄໍາຖາມທົ່ວໄປຕາມຄໍາຖາມສະເພາະ (ຕົວຢ່າງ: ຖາມວ່າ "ທ່ານມີຄວາມພໍໃຈກັບວຽກຂອງທ່ານບໍ?" ຕາມດ້ວຍ "ທ່ານພໍໃຈກັບຊີວິດຂອງທ່ານແນວໃດ?").

   ພວກເຂົາເຈົ້າຍັງມີລັກສະນະສອງປະເພດຂອງຜົນກະທົບຄໍາສັ່ງ: ຜົນກະທົບທີ່ເກີດຂື້ນໃນເວລາທີ່ຄໍາຕອບຕໍ່ຄໍາຖາມຕໍ່ມາໄດ້ຖືກນໍາມາໃກ້ຊິດ (ແທນທີ່ຈະເປັນ) ກັບຜູ້ທີ່ໃຫ້ຄໍາຖາມກ່ອນຫນ້ານີ້; ຜົນກະທົບທາງກົງກັນຂ້າມເກີດຂຶ້ນເມື່ອມີຄວາມແຕກຕ່າງຫຼາຍລະຫວ່າງຄໍາຕອບກັບສອງຄໍາຖາມ.

   1. ສ້າງຄູ່ຂອງຄໍາຖາມສ່ວນຫນຶ່ງທີ່ທ່ານຄິດວ່າຈະມີຜົນກະທົບຄໍາສັ່ງໃຫຍ່; ສອງຄໍາຖາມທັງຫມົດທີ່ທ່ານຄິດວ່າຈະມີຜົນກະທົບອັນໃຫຍ່ຫຼວງ; ແລະຄູ່ຄໍາຖາມທີ່ມີຄໍາສັ່ງທີ່ທ່ານຄິດວ່າຈະບໍ່ສໍາຄັນ. ດໍາເນີນການທົດລອງການສໍາຫຼວດຢູ່ Amazon Mechanical Turk ເພື່ອທົດສອບຄໍາຖາມຂອງທ່ານ.
      
   2. ທ່ານມີຄວາມສາມາດສ້າງຜົນໄດ້ຮັບຂະຫນາດໃຫຍ່ແນວໃດ? ມັນແມ່ນຄວາມສອດຄ່ອງຫລືກົງກັນຂ້າມແນວໃດ?
   3. ວິທີການຂະຫນາດໃຫຍ່ຜົນກະທົບທັງຫມົດທີ່ທ່ານສາມາດສ້າງ? ມັນແມ່ນຄວາມສອດຄ່ອງຫລືກົງກັນຂ້າມແນວໃດ?
   4. ມີຄໍາຖາມກ່ຽວກັບຄໍາສັ່ງໃນຄູ່ຂອງທ່ານທີ່ທ່ານບໍ່ຄິດວ່າຄໍາສັ່ງຈະສໍາຄັນບໍ?

6. [ , ] ການກໍ່ສ້າງໃນການເຮັດວຽກຂອງ Schuman ແລະ Presser, Moore (2002) ອະທິບາຍເຖິງຂະຫນາດທີ່ແຕກຕ່າງກັນຂອງຄໍາສັ່ງຄໍາຖາມຄໍາຖາມ: ຜົນກະທົບເພີ່ມເຕີມແລະລົບອອກ. ໃນຂະນະທີ່ຜົນກະທົບທາງກົງກັນຂ້າມແລະຄວາມສອດຄ່ອງແມ່ນຜະລິດເປັນຜົນຂອງການປະເມີນຜົນຂອງຜູ້ຕອບສະຫນອງຂອງສອງລາຍການທີ່ກ່ຽວຂ້ອງກັບກັນແລະກັນ, ຜົນກະທົບທີ່ເພີ່ມເຕີມແລະລົບອອກແມ່ນເກີດຂື້ນເມື່ອຜູ້ຕອບຖືກສ້າງຂື້ນຫຼາຍໃນຂອບທີ່ໃຫຍ່ກວ່າທີ່ມີຄໍາຖາມ. ອ່ານ Moore (2002) , ຫຼັງຈາກນັ້ນ, ການອອກແບບແລະດໍາເນີນການທົດລອງການສໍາຫຼວດກ່ຽວກັບ MTurk ເພື່ອສະແດງໃຫ້ເຫັນຜົນກະທົບທີ່ເພີ່ມຫຼືລົບ.

7. [ , ] Christopher Antoun ແລະເພື່ອນຮ່ວມງານ (2015) ໄດ້ດໍາເນີນການສຶກສາຄົ້ນຄວ້າກ່ຽວກັບຕົວຢ່າງຄວາມສະດວກທີ່ໄດ້ຮັບຈາກສີ່ແຫຼ່ງທີ່ຢູ່ອາໄສອອນໄລ໌ທີ່ແຕກຕ່າງກັນຄື: MTurk, Craigslist, Google AdWords ແລະ Facebook. ການອອກແບບການສໍາຫຼວດແບບງ່າຍໆແລະການເຂົ້າຫາຜູ້ເຂົ້າຮ່ວມໂດຍຜ່ານແຫຼ່ງທີ່ຢູ່ອາໄສອອນລາຍສອງຢ່າງທີ່ແຕກຕ່າງກັນ (ເຫຼົ່ານີ້ສາມາດແຕກຕ່າງຈາກສີ່ແຫຼ່ງທີ່ໃຊ້ໃນ Antoun et al. (2015) ).

   1. ປຽບທຽບຄ່າໃຊ້ຈ່າຍຕໍ່ການທົດແທນ - ໃນເງື່ອນໄຂຂອງເງິນແລະເວລາ - ລະຫວ່າງແຫຼ່ງທີ່ແຕກຕ່າງກັນ.
   2. ສົມທຽບອົງປະກອບຂອງຕົວຢ່າງທີ່ໄດ້ຮັບຈາກແຫຼ່ງທີ່ແຕກຕ່າງກັນ.
   3. ປຽບທຽບຄຸນນະພາບຂອງຂໍ້ມູນລະຫວ່າງຕົວຢ່າງ. ສໍາລັບຄວາມຄິດກ່ຽວກັບການວັດແທກຄຸນນະພາບຂອງຂໍ້ມູນຈາກຜູ້ຕອບແບບສອບຖາມ, ເບິ່ງ Schober et al. (2015) .
   4. ແຫຼ່ງທີ່ທ່ານມັກແມ່ນຫຍັງ? ເປັນຫຍັງ?

8. [ ] ໃນຄວາມພະຍາຍາມທີ່ຈະຄາດຄະເນຜົນໄດ້ຮັບຂອງການສໍາຫຼວດສະຫະພາບເອີຣົບປີ 2016 (ເຊົ່ນ Brexit) ທ່ານ YouGov, ບໍລິສັດວິໄຈຕະຫຼາດອິນເຕີເນັດ, ໄດ້ດໍາເນີນການສໍາຫລວດແບບອອນລາຍຂອງຄະນະປະມານ 800,000 ຄົນໃນສະຫະລາຊະອານາຈັກ.

   ລາຍລະອຽດຂອງຮູບແບບສະຖິຕິຂອງ YouGov ສາມາດພົບໄດ້ທີ່ https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/. ປະມານວ່າທ່ານ YouGov ແບ່ງປັນຜູ້ລົງຄະແນນໃນປະເພດໂດຍອີງໃສ່ການເລືອກຕັ້ງການເລືອກຕັ້ງທົ່ວໄປໃນປີ 2015, ອາຍຸ, ຄຸນສົມບັດ, ບົດບາດຍິງຊາຍ, ແລະວັນທີຂອງການສໍາພາດ, ແລະການເລືອກຕັ້ງທີ່ພວກເຂົາຢູ່. ຫນ້າທໍາອິດ, ພວກເຂົາເຈົ້າໄດ້ນໍາໃຊ້ຂໍ້ມູນທີ່ເກັບຈາກຄະນະກໍາມະການ YouGov ເພື່ອປະເມີນ, ໃນບັນດາຜູ້ທີ່ໄດ້ລົງຄະແນນສຽງ, ອັດຕາສ່ວນຂອງປະຊາຊົນໃນແຕ່ລະປະເພດຜູ້ລົງຄະແນນທີ່ມີຈຸດປະສົງທີ່ຈະອອກສຽງອອກ. ພວກເຂົາເຈົ້າຄາດຄະເນການເລືອກຕັ້ງຂອງຜູ້ລົງຄະແນນສຽງແຕ່ລະຄົນໂດຍໃຊ້ການສຶກສາການເລືອກຕັ້ງອັງກິດປີ 2015 (BES), ການສໍາຫຼວດແບບສໍາຫຼວດແບບຫນ້າຕໍ່ຫນ້າ, ເຊິ່ງໄດ້ຮັບການສະຫນັບສະຫນູນຈາກມວນຊົນ. ສຸດທ້າຍ, ພວກເຂົາເຈົ້າໄດ້ຄາດຄະເນວ່າມີຈໍານວນປະຊາຊົນຈໍານວນຫນຶ່ງໃນແຕ່ລະຜູ້ລົງຄະແນນສຽງໃນຜູ້ເລືອກຕັ້ງ, ອີງຕາມການສໍາຫຼວດພົນລະເມືອງແລະການສໍາຫລວດປະຈໍາປີ (ມີຂໍ້ມູນເພີ່ມເຕີມຈາກແຫຼ່ງຂໍ້ມູນອື່ນໆ).

   ສາມມື້ກ່ອນການລົງຄະແນນສຽງ, ທ່ານ YouGov ສະແດງໃຫ້ເຫັນການນໍາສອງຈຸດສໍາລັບການອອກຈາກພັກ. ໃນເວລາວ່າງຂອງການລົງຄະແນນສຽງ, ການສໍາຫຼວດໄດ້ຊີ້ໃຫ້ເຫັນວ່າຜົນໄດ້ຮັບເກີນໄປໃກ້ຊິດກັບການໂທ (49/51 ຍັງຄົງ). ການສຶກສາສຸດທ້າຍໃນມື້ນີ້ຄາດຄະເນ 48/52 ໃນການຊື່ນຊົມຂອງ Remain (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). ໃນຄວາມເປັນຈິງ, ຄາດຄະເນນີ້ພາດໄລຍະສຸດທ້າຍ (52/48 ອອກ) ໂດຍສີ່ຈຸດສ່ວນຮ້ອຍ.

   1. ການນໍາໃຊ້ຂອບເຂດຄວາມຜິດພາດໃນການສໍາຫຼວດທັງຫມົດທີ່ໄດ້ປຶກສາຫາລືໃນພາກນີ້ເພື່ອປະເມີນວ່າສິ່ງທີ່ອາດຈະເກີດຂື້ນ.
   2. ການຕອບສະຫນອງຂອງ YouGov ຫຼັງຈາກການເລືອກຕັ້ງ (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) ໄດ້ອະທິບາຍວ່າ: "ນີ້ເບິ່ງຄືວ່າສ່ວນໃຫຍ່ແມ່ນຍ້ອນການປະກອບສ່ວນ - ພວກເຮົາໄດ້ກ່າວວ່າທັງຫມົດຈະເປັນສິ່ງສໍາຄັນຕໍ່ຜົນສໍາເລັດຂອງການແຂ່ງຂັນທີ່ສົມເຫດສົມຜົນ. ຮູບແບບການເຄື່ອນໄຫວຂອງພວກເຮົາແມ່ນອີງໃສ່ບາງສ່ວນຂອງການຕອບໂຕ້ທີ່ມີການເລືອກຕັ້ງໃນການເລືອກຕັ້ງທົ່ວໄປແລະການລົງເລືອກຕັ້ງທົ່ວໄປໃນທົ່ວປະເທດ.

9. [ , ] ຂຽນ simulation ເພື່ອສະແດງໃຫ້ເຫັນເຖິງແຕ່ລະຂໍ້ຜິດພາດໃນຕົວເລກ 3.2.

   1. ສ້າງສະຖານະການທີ່ຂໍ້ຜິດພາດເຫຼົ່ານີ້ກໍ່ຖືກຍົກເລີກ.
   2. ສ້າງສະຖານະການທີ່ມີຂໍ້ບົກພ່ອງເຊິ່ງກັນແລະກັນ.

10. [ , ] ການຄົ້ນຄວ້າຂອງ Blumenstock ແລະເພື່ອນຮ່ວມງານ (2015) ກ່ຽວຂ້ອງກັບການກໍ່ສ້າງຮູບແບບການຮຽນຮູ້ເຄື່ອງທີ່ສາມາດໃຊ້ຂໍ້ມູນຕາມຂໍ້ມູນດິຈິຕອນເພື່ອຄາດຄະເນການຕອບສະຫນອງການສໍາຫຼວດ. ໃນປັດຈຸບັນ, ທ່ານຈະພະຍາຍາມສິ່ງດຽວກັນກັບຊຸດຂໍ້ມູນທີ່ແຕກຕ່າງກັນ. Kosinski, Stillwell, and Graepel (2013) ພົບເຫັນວ່າ Facebook ມັກຈະສາມາດຄາດຄະ Kosinski, Stillwell, and Graepel (2013) ສະນະແລະຄຸນລັກສະນະຂອງບຸກຄົນ. ເປັນເລື່ອງແປກທີ່ຄາດຄະເນເຫຼົ່ານີ້ສາມາດມີຄວາມຖືກຕ້ອງຫຼາຍກ່ວາຫມູ່ຂອງຫມູ່ເພື່ອນແລະເພື່ອນຮ່ວມງານ (Youyou, Kosinski, and Stillwell 2015) .

    1. ອ່ານ Kosinski, Stillwell, and Graepel (2013) , ແລະ Kosinski, Stillwell, and Graepel (2013) ຮູບທີ 2. ຂໍ້ມູນຂອງພວກເຂົາມີຢູ່ http://mypersonality.org/
    2. ໃນປັດຈຸບັນ, replicate ຮູບທີ 3.
    3. ສຸດທ້າຍ, ລອງຮູບແບບຂອງເຂົາເຈົ້າກ່ຽວກັບຂໍ້ມູນ Facebook ຂອງທ່ານເອງ: http://applymagicsauce.com/. ມັນເຮັດແນວໃດດີສໍາລັບທ່ານ?

11. [ ] Toole et al. (2015) ນໍາໃຊ້ບັນທຶກລາຍລະອຽດຂອງການໂທ (CDRs) ຈາກໂທລະສັບມືຖືເພື່ອຄາດເດົາແນວໂນ້ມການຫວ່າງງານລວມ.

    1. ສົມທຽບແລະກົງກັນຂ້າມກັບການອອກແບບການສຶກສາຂອງ Toole et al. (2015) ກັບ Blumenstock, Cadamuro, and On (2015) .
    2. ທ່ານຄິດວ່າ CDR ຄວນຈະທົດແທນການສໍາຫຼວດແບບດັ້ງເດີມ, ສົມບູນໃຫ້ພວກເຂົາຫລືບໍ່ຖືກນໍາໃຊ້ຢູ່ໃນທຸກໆສໍາລັບຜູ້ນະໂຍບາຍຂອງລັດຖະບານເພື່ອຕິດຕາມການຫວ່າງງານ? ເປັນຫຍັງ?
    3. ສິ່ງທີ່ຫຼັກຖານຈະສະທ້ອນໃຫ້ທ່ານຮູ້ວ່າ CDRs ສາມາດແທນທີ່ຈະໃຊ້ມາດຕະການພື້ນເມືອງຂອງອັດຕາການຫວ່າງງານ?