ກິດຈະກໍາ

ທີ່ສໍາຄັນ:

• ລະດັບຂອງຄວາມຫຍຸ້ງຍາກ: ງ່າຍ , ຂະຫນາດກາງ , ຍາກ , ຫນັກ​ຫຼາຍ
• ຮຽກຮ້ອງໃຫ້ຄະນິດສາດ ( )
• ຮຽກຮ້ອງໃຫ້ມີການເຂົ້າລະຫັດ ( )
• ເກັບກໍາຂໍ້ມູນ ( )
• ຂອງຂ້າພະເຈົ້າ ( )

1. [ , ] ໃນບົດ, ຂ້າພະເຈົ້າໄດ້ໃນທາງບວກທີ່ສຸດກ່ຽວກັບ post-stratification. ຢ່າງໃດກໍຕາມ, ມັນບໍ່ສະເຫມີປັບປ​​ຸງຄຸນນະພາບຂອງການຄາດຄະເນ. ໂຄງການກໍ່ສ້າງສະຖານະການທີ່ສາມາດຕອບ stratification ສາມາດຫຼຸດລົງຄຸນນະພາບຂອງການຄາດຄະເນໄດ້. (ສໍາລັບການ hints ເປັນ, ເບິ່ງ Thomsen (1973) ).

2. [ , , ] ການອອກແບບແລະດໍາເນີນການເປັນການສໍາຫຼວດທີ່ບໍ່ແມ່ນການຄາດຄະເນກ່ຽວກັບການ Amazon MTurk ຈະຖາມກ່ຽວກັບການເປັນເຈົ້າຂອງປືນ ( "ທ່ານ, ຫຼືບໍ່ມີໃຜໃນຄົວເຮືອນຂອງທ່ານ, ເປັນເຈົ້າຂອງປືນ rifle, ຫຼື pistol? ແມ່ນວ່າທ່ານຫຼືໃຜຜູ້ຫນຶ່ງໃນຄົວເຮືອນຂອງທ່ານ?") ແລະ ຄວາມຄິດເຫັນຕໍ່ການຄວບຄຸມປືນ ( "ຈະເປັນແນວໃດເຮັດແນວໃດທ່ານຄິດວ່າເປັນສິ່ງສໍາຄັນທີ່ຈະໃຫ້ການປົກປ້ອງສິດທິຂອງຊາວອາເມຣິກັນເປັນເຈົ້າຂອງປືນ, ຫຼືທີ່ຈະຄວບຄຸມການເປັນເຈົ້າຂອງປືນ?").

   1. ດົນປານໃດສໍາຫຼວດຂອງທ່ານບໍ່ໃຊ້ເວລາ? ມັນ​ລາ​ຄາ​ເທົ່າ​ໃດ? ເຮັດແນວໃດປະຊາກອນຂອງຕົວຢ່າງຂອງທ່ານສົມທຽບກັບປະຊາກອນຂອງປະຊາກອນສະຫະລັດ?
   2. ການຄາດຄະເນເປັນວັດຖຸດິບເປັນເຈົ້າຂອງປືນໂດຍໃຊ້ຕົວຢ່າງຂອງທ່ານແມ່ນຫຍັງ?
   3. ທີ່ຖືກຕ້ອງສໍາລັບການທີ່ບໍ່ແມ່ນ representativeness ຂອງຕົວຢ່າງຂອງທ່ານໂດຍໃຊ້ຕອບ stratification ຫຼືບາງເຕັກນິກການອື່ນໆ. ໃນປັດຈຸບັນສິ່ງທີ່ເປັນການຄາດຄະເນຂອງເຈົ້າຂອງປືນ?
   4. ວິທີການເຮັດການຄາດຄະເນຂອງທ່ານສົມທຽບກັບການຄາດຄະເນຫຼ້າສຸດຈາກສູນຄົ້ນຄວ້າ Pew? ທ່ານຄິດວ່າແມ່ນຫຍັງອະທິບາຍຄວາມແຕກຕ່າງໄດ້, ຖ້າຫາກວ່າມີບໍ່?
   5. ເຮັດເລື້ມຄືນໄດ້ອອກກໍາລັງກາຍ 2-5 ສໍາລັບທັດສະນະຕໍ່ການຄວບຄຸມປືນ. ວິທີການຄົ້ນພົບຂອງທ່ານແຕກຕ່າງກັນ?

3. [ , , ] Goel ແລະເພື່ອນຮ່ວມງານ (2016) ການຄຸ້ມຄອງການສໍາຫຼວດທີ່ບໍ່ແມ່ນການຄາດຄະເນທີ່ປະກອບດ້ວຍ 49 ຄໍາຖາມ attitudinally ຫຼາຍທາງເລືອກກັນຈາກການສໍາຫຼວດທົ່ວໄປສັງຄົມ (GSS) ແລະຄັດເລືອກເອົາການສໍາຫຼວດໂດຍສູນກາງຄົ້ນຄວ້າ Pew ກ່ຽວກັບ Amazon MTurk. ພວກເຂົາເຈົ້າຫຼັງຈາກນັ້ນປັບສໍາລັບການທີ່ບໍ່ແມ່ນ representativeness ຂອງຂໍ້ມູນການນໍາໃຊ້ຮູບແບບທີ່ຕອບ stratification (ນາຍ P) ແລະປຽບທຽບການຄາດຄະເນການປັບກັບຜູ້ຄາດຄະເນການນໍາໃຊ້ການຄາດຄະເນທີ່ອີງໃສ່ການສໍາຫຼວດ GSS / Pew. ດໍາເນີນການສໍາຫຼວດດຽວກັນກ່ຽວກັບ MTurk ແລະພະຍາຍາມທີ່ຈະເຮັດຊ້ໍາ 2a ຮູບແລະຮູບ 2b ໂດຍການປຽບທຽບການຄາດຄະເນການປັບປຸງຂອງທ່ານທີ່ມີການຄາດຄະເນຈາກຮອບທີ່ຜ່ານມາທີ່ສຸດຂອງ GSS / Pew ໄດ້ (ເບິ່ງເອກະສານຊ້ອນຕາຕະລາງ A2 ສໍາລັບບັນຊີລາຍຊື່ຂອງ 49 ຄໍາຖາມ).

   1. ການປຽບທຽບແລະກົງກັນຂ້າມຜົນຂອງທ່ານໃຫ້ຜົນໄດ້ຮັບຈາກ Pew ແລະ GSS ໄດ້.
   2. ການປຽບທຽບແລະກົງກັນຂ້າມຜົນຂອງທ່ານໃຫ້ຜົນໄດ້ຮັບຈາກການສໍາຫຼວດ MTurk ໃນ Goel, Obeng, and Rothschild (2016) .

4. [ , , ] ການສຶກສາຈໍານວນຫຼາຍການນໍາໃຊ້ມາດຕະການລາຍງານຕົນເອງຂອງຂໍ້ມູນກິດຈະກໍາໂທລະສັບມືຖື. ນີ້ແມ່ນສະຖານທີ່ທີ່ຫນ້າສົນໃຈບ່ອນທີ່ນັກຄົ້ນຄວ້າສາມາດປຽບທຽບພຶດຕິກໍາຂອງຕົນເອງ, ບົດລາຍງານທີ່ມີພຶດຕິກໍາບັນທຶກການເຂົ້າ (ເບິ່ງຕົວຢ່າງ, Boase and Ling (2013) ). ສອງພຶດຕິກໍາທົ່ວໄປທີ່ຈະຖາມກ່ຽວກັບກໍາລັງເອີ້ນແລະສົ່ງຂໍ້ຄວາມ, ແລະສອງເຟຣມທີ່ໃຊ້ເວລາທົ່ວໄປ "ມື້ວານນີ້" ແລະ "ໃນອາທິດທີ່ຜ່ານມາ."

   1. ກ່ອນທີ່ຈະເກັບກໍາຂໍ້ມູນໃດກໍ່ຕາມ, ທີ່ຂອງບົດລາຍງານຂອງຕົນເອງມາດຕະການທີ່ທ່ານຄິດວ່າເປັນທີ່ຖືກຕ້ອງຫຼາຍ? ເປັນຫຍັງ?
   2. ການທົດແທນທີ່ 5 ຈາກທັງຫມົດຫມູ່ເພື່ອນຂອງທ່ານຈະຢູ່ໃນການສໍາຫຼວດຂອງທ່ານ. ກະລຸນາໄລຍະສັ້ນໆ, ສະຫຼຸບວິທີການເຫຼົ່ານີ້ຫມູ່ເພື່ອນ 5 ໄດ້ຕົວຢ່າງ. ອາດຂັ້ນຕອນການເກັບຕົວຢ່າງນີ້ໃຫ້ເກີດອະຄະຕິສະເພາະໃນການຄາດຄະເນຂອງທ່ານ?
   3. ກະລຸນາໃຫ້ເຂົາເຈົ້າດັ່ງຕໍ່ໄປນີ້ຈຸລະພາກສໍາຫຼວດ:
   • "ວິທີການຈໍານວນຫຼາຍເວລາທີ່ທ່ານນໍາໃຊ້ໂທລະສັບມືຖືເພື່ອໂທຫາຄົນອື່ນໃນມື້ວານນີ້?"
   • "ແນວໃດຂໍ້ຄວາມຈໍານວນຫຼາຍທີ່ທ່ານສົ່ງໃນມື້ວານນີ້?"
   • "ວິທີການຈໍານວນຫຼາຍເວລາທີ່ທ່ານນໍາໃຊ້ໂທລະສັບມືຖືຂອງທ່ານເພື່ອໃຫ້ໂທຫາຄົນອື່ນພາຍໃນເຈັດມື້ທີ່ຜ່ານມາ?"
   • "ວິທີການຈໍານວນຫຼາຍເວລາທີ່ທ່ານບໍ່ໃຊ້ໂທລະສັບມືຖືຂອງທ່ານຈະສົ່ງຫຼືໄດ້ຮັບຂໍ້ຄວາມຂໍ້ຄວາມ / SMS ພາຍໃນເຈັດມື້ທີ່ຜ່ານມາ?" ເມື່ອໃດທີ່ການສໍາຫຼວດແມ່ນສໍາເລັດສົມບູນ, ຂໍໃຫ້ການກວດສອບຂໍ້ມູນການນໍາໃຊ້ຂອງເຂົາເຈົ້າເປັນເຂົ້າສູ່ລະບົບໂດຍການໂທລະສັບຫຼືບໍລິການໃຫ້ບໍລິການຂອງເຂົາເຈົ້າ.
   4. ການນໍາໃຊ້ບົດລາຍງານຂອງຕົນເອງບໍ່ວິທີການປຽບທຽບກັບການເຂົ້າສູ່ລະບົບຂໍ້ມູນ? ຊຶ່ງເປັນທີ່ຖືກຕ້ອງທີ່ສຸດ, ຊຶ່ງເປັນຢ່າງຫນ້ອຍທີ່ຖືກຕ້ອງ?
   5. ໃນປັດຈຸບັນສົມທົບການຂໍ້ມູນທີ່ທ່ານໄດ້ເກັບກໍາຂໍ້ມູນຈາກປະຊາຊົນອື່ນໆໃນຫ້ອງຮຽນຂອງທ່ານ (ຖ້າຫາກວ່າທ່ານກໍາລັງເຮັດກິດຈະກໍານີ້ສໍາລັບການຫ້ອງຮຽນ). ກັບຊຸດຂໍ້ມູນຂະຫນາດໃຫຍ່ນີ້, ເຮັດເລື້ມຄືນສ່ວນຫນຶ່ງ (d).

5. [ , ] Schuman ແລະ Presser (1996) ການໂຕ້ຖຽງວ່າຄໍາສັ່ງຂອງຄໍາຖາມຈະເປັນສໍາລັບສອງປະເພດຂອງການພົວພັນລະຫວ່າງຄໍາຖາມ: ຄໍາຖາມສ່ວນພາກສ່ວນທີ່ທັງສອງຄໍາຖາມຢູ່ໃນລະດັບດຽວກັນຂອງການສະເພາະ (ຕົວຢ່າງ: ການຈັດອັນດັບຂອງທັງສອງຜູ້ສະຫມັກປະທານປະເທດ); ແລະຄໍາຖາມສ່ວນລວມທັງຫມົດທີ່ເປັນຄໍາຖາມທົ່ວໄປຕໍ່ໄປນີ້ເປັນຄໍາຖາມທີ່ສະເພາະເຈາະຈົງ (ຕົວຢ່າງ: ຂໍໃຫ້ "ທ່ານພໍໃຈກັບການເຮັດວຽກຂອງທ່ານ?" ຕິດຕາມດ້ວຍ "ແນວໃດທ່ານພໍໃຈກັບຊີວິດຂອງທ່ານ?").

   ພວກເຂົາເຈົ້າຕື່ມອີກລັກສະນະທັງສອງປະເພດຂອງຜົນກະທົບຄໍາສັ່ງຄໍາຖາມ: ຜົນກະທົບຄວາມຫມັ້ນຄົງເກີດຂຶ້ນໃນເວລາທີ່ການຕອບຄໍາຖາມຕໍ່ມາແມ່ນໄດ້ນໍາເອົາໃກ້ຊິດ (ກ່ວາພວກເຂົາເຈົ້າຖ້າບໍ່ດັ່ງນັ້ນຈະເປັນ) ກັບຜູ້ໄດ້ຮັບການໃຫ້ເປັນຄໍາຖາມທີ່ກ່ອນຫນ້ານີ້; ກົງກັນຂ້າມຜົນກະທົບເກີດຂຶ້ນໃນເວລາທີ່ມີຄວາມແຕກຕ່າງລະຫວ່າງການຕອບສະຫນອງກັບຄໍາຖາມສອງຂໍ້.

   1. ສ້າງຄູ່ຂອງຄໍາຖາມສ່ວນພາກສ່ວນທີ່ທ່ານຄິດວ່າຈະມີຜົນກະທົບຂະຫນາດໃຫຍ່ຄໍາສັ່ງຄໍາຖາມ, ຄູ່ຂອງຄໍາຖາມພາກສ່ວນທີ່ທັງຫມົດທີ່ທ່ານຄິດວ່າຈະມີຜົນກະທົບເພື່ອຂະຫນາດໃຫຍ່, ແລະຄູ່ຂອງຄໍາຖາມທີ່ມີຄໍາສັ່ງທີ່ທ່ານຄິດວ່າບໍ່ສໍາຄັນອີກຄັ້ງຫນຶ່ງ. ດໍາເນີນການທົດລອງສໍາຫຼວດກ່ຽວກັບ MTurk ການທົດສອບຄໍາຖາມຂອງທ່ານ.
      
   2. ວິທີການຂະຫນາດໃຫຍ່ແມ່ນມີຜົນກະທົບສ່ວນຫນຶ່ງສ່ວນທີ່ທ່ານໄດ້ສາມາດສ້າງ? ມັນແມ່ນຄວາມສອດຄ່ອງຫຼືກົງກັນຂ້າມຜົນກະທົບ?
   3. ວິທີການຂະຫນາດໃຫຍ່ແມ່ນມີຜົນກະທົບສ່ວນທີ່ທັງຫມົດທີ່ທ່ານສາມາດສ້າງ? ມັນແມ່ນຄວາມສອດຄ່ອງຫຼືກົງກັນຂ້າມຜົນກະທົບ?
   4. ນີ້ແມ່ນບໍ່ມີຜົນກະທົບຄໍາສັ່ງຄໍາຖາມໃນຄູ່ຂອງທ່ານບ່ອນທີ່ທ່ານບໍ່ໄດ້ຄິດວ່າເພື່ອຈະສໍາຄັນ?

6. [ , ] ການກໍ່ສ້າງກ່ຽວກັບວຽກງານຂອງ Schuman ແລະ Presser, ໄດ້ Moore (2002) ອະທິບາຍມິຕິທີ່ແຍກຕ່າງຫາກຂອງຜົນກະທົບຄໍາສັ່ງຄໍາຖາມ: ນອກຈາກນັ້ນແລະການຫັກລົບ. ໃນຂະນະທີ່ກົງກັນຂ້າມແລະຄວາມສອດຄ່ອງຜົນກະທົບທີ່ຜະລິດເປັນຜົນຂອງການປະເມີນຜົນຕອບແບບສອບຖາມຂອງສອງລາຍການທີ່ກ່ຽວຂ້ອງກັບແຕ່ລະຄົນອື່ນໆ, ນອກຈາກນັ້ນແລະຜົນກະທົບ subtractive ມີການຜະລິດໃນເວລາທີ່ຕອບແບບສອບຖາມນີ້ແມ່ນມີຄວາມອ່ອນໄຫວເພີ່ມເຕີມຕໍ່ກັບການຂະຫນາດໃຫຍ່ພາຍໃນທີ່ຄໍາຖາມທີ່ວ່າເກີດ. ອ່ານ Moore (2002) , ຫຼັງຈາກນັ້ນການອອກແບບແລະດໍາເນີນການເປັນການທົດລອງສໍາຫຼວດກ່ຽວກັບ MTurk ສະແດງໃຫ້ເຫັນເພີ່ມເຕີມຫຼືການຫັກລົບຜົນກະທົບ.

7. [ , ] Christopher Antoun ແລະເພື່ອນຮ່ວມງານ (2015) ໄດ້ດໍາເນີນການສຶກສາປຽບທຽບຕົວຢ່າງສະດວກສະບາຍທີ່ໄດ້ຮັບຈາກທີ່ແຕກຕ່າງກັນສີ່ແຫຼ່ງຂໍ້ມູນການທົດແທນທີ່ອອນໄລນ໌: MTurk, Craigslist, ກູໂກ AdWords ແລະເຟສບຸກ. ການອອກແບບການສໍາຫຼວດທີ່ງ່າຍດາຍແລະການທົດແທນຜູ້ເຂົ້າຮ່ວມໂດຍຜ່ານການຢ່າງຫນ້ອຍສອງແຫຼ່ງຂໍ້ມູນການທົດແທນທີ່ອອນໄລນ໌ທີ່ແຕກຕ່າງກັນ (ພວກເຂົາເຈົ້າສາມາດເປັນແຫຼ່ງຂໍ້ມູນທີ່ແຕກຕ່າງກັນມາຈາກສີ່ໃຊ້ໃນ Antoun et al. (2015) ).

   1. ປຽບທຽບຄ່າໃຊ້ຈ່າຍຕໍ່ການທົດແທນທີ່, ໃນແງ່ຂອງການເງິນແລະເວລາ, ລະຫວ່າງແຫຼ່ງຂໍ້ມູນທີ່ແຕກຕ່າງກັນ.
   2. ປຽບທຽບອົງປະກອບຂອງຕົວຢ່າງທີ່ໄດ້ຮັບຈາກແຫຼ່ງຂໍ້ມູນທີ່ແຕກຕ່າງກັນ.
   3. ສົມທຽບຄຸນນະພາບຂອງຂໍ້ມູນລະຫວ່າງຕົວຢ່າງໄດ້. ສໍາລັບແນວຄວາມຄິດກ່ຽວກັບວິທີການວັດແທກຄຸນນະພາບຂໍ້ມູນຈາກຜູ້ຕອບຄໍາຖາມເບິ່ງ Schober et al. (2015) .
   4. ເປັນແນວໃດແຫຼ່ງທີ່ທ່ານຕ້ອງການ? ເປັນຫຍັງ?

8. [ ] YouGov, ບໍລິສັດວິໄຈຕະຫຼາດອິນເຕີເນັດທີ່, ໄດ້ດໍາເນີນການສໍາຫຼວດອອນໄລນ໌ຂອງຄະນະກໍາມະກ່ຽວກັບ 800,000 ຕອບຢູ່ໃນອັງກິດແລະການນໍາໃຊ້ທ່ານ P. ຈະຄາດຄະເນຜົນໄດ້ຮັບຂອງຫະພາບເອີຣົບປະຊາມະຕິ (ie, Brexit) ທີ່ຜູ້ລົງຄະແນນ UK ລົງຄະແນນສຽງບໍ່ວ່າຈະຍັງຄົງຢູ່ ໃນຫລືອອກຈາກສະຫະພາບເອີຣົບ.

   A ຄໍາອະທິບາຍລາຍລະອຽດຂອງຮູບແບບທາງສະຖິຕິ YouGov ແມ່ນທີ່ນີ້ (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/). ມານໃນການເວົ້າ, YouGov partitions ຜູ້ລົງຄະແນນເຂົ້າໄປໃນປະເພດອີງໃສ່ 2015 ການເລືອກລົງຄະແນນສຽງເລືອກຕັ້ງທົ່ວໄປອາຍຸສູງສຸດ, ຄຸນສົມບັດ, ບົດບາດຍິງຊາຍ, ວັນທີຂອງການສໍາພາດ, ເຊັ່ນດຽວກັນກັບເລືອກຕັ້ງຂອງພວກເຂົາເຈົ້າອາໄສຢູ່ໃນ. ຫນ້າທໍາອິດ, ພວກເຂົາເຈົ້ານໍາໃຊ້ຂໍ້ມູນທີ່ເກັບມາຈາກ panelists YouGov ປະມານການ, ໃນບັນດາຜູ້ ຜູ້ທີ່ລົງຄະແນນສຽງ, ອັດຕາສ່ວນຂອງປະຊາຊົນຂອງແຕ່ລະປະເພດອອກສຽງເລືອກຕັ້ງທີ່ມີຈຸດປະສົງເພື່ອລົງຄະແນນສຽງໃບ. ພວກເຂົາເຈົ້າປະເມີນຜະລິດພັນຂອງແຕ່ລະປະເພດຜູ້ລົງຄະແນນໂດຍການນໍາໃຊ້ການສຶກສາປີ 2015 ປະເທດອັງກິດການເລືອກຕັ້ງ (BES) ຕອບການເລືອກຕັ້ງດ້ວຍຕົນເອງໃຫ້ໃບຫນ້າການສໍາຫຼວດ, ຊຶ່ງຜ່ານການກວດສອບຜະລິດພັນຈາກມ້ວນເລືອກຕັ້ງ. ສຸດທ້າຍ, ພວກເຂົາເຈົ້າປະເມີນວິທີການຈໍານວນຫຼາຍປະຊາຊົນມີຂອງແຕ່ລະປະເພດອອກສຽງເລືອກຕັ້ງໃນການເລືອກຕັ້ງການສໍາຫລວດຫລ້າສຸດແລະການສໍາຫຼວດປະຊາກອນປະຈໍາປີ (ຂໍ້ມູນຂ່າວສານນອກຈາກນັ້ນ, ຈາກ BES ທີ່, YouGov ຂໍ້ມູນການສໍາຫຼວດຈາກປະມານເລືອກຕັ້ງທົ່ວໄປ, ແລະຂໍ້ມູນກ່ຽວກັບວິທີການຈໍານວນຫຼາຍປະຊາຊົນ voted ສໍາລັບ ພັກແຕ່ລະຄົນໃນແຕ່ລະເຂດເລືອກຕັ້ງ).

   ສາມມື້ກ່ອນທີ່ຈະລົງຄະແນນສຽງ, YouGov ສະແດງໃຫ້ເຫັນເປັນຜູ້ນໍາພາສອງຈຸດສໍາລັບການອອກຈາກ. ໃນສະມາດ Eve ຂອງການເລືອກຕັ້ງ, ແບບສໍາຫຼວດສະແດງໃຫ້ເຫັນຢ່າງໃກ້ຊິດເກີນໄປທີ່ຈະໂທຫາ (49-51 ຍັງຄົງ). ການສຶກສາກ່ຽວກັບການມື້ສຸດທ້າຍຄາດຄະເນ 48/52 ຢູ່ໃນເງື່ອນໄຂຂອງຍັງ (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). ໃນຄວາມເປັນຈິງ, ການຄາດຄະເນນີ້ໄດ້ພາດໂອກາດຜົນສຸດທ້າຍ (52-48 ອອກ) ໂດຍສີ່ຈຸດສ່ວນຮ້ອຍ.

   1. ໃຊ້ກອບຄວາມຜິດພາດການສໍາຫຼວດທັງຫມົດສົນທະນາໃນບົດນີ້ໃນການປະເມີນສິ່ງທີ່ສາມາດໄດ້ຜິດຫມົດ.
   2. ການຕອບສະຫນອງ YouGov ພາຍຫຼັງການເລືອກຕັ້ງ (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) ອະທິບາຍ: "ນີ້ເບິ່ງຄືວ່າຢູ່ໃນພາກສ່ວນຂະຫນາດໃຫຍ່ອັນເນື່ອງມາຈາກ turnout - ບາງສິ່ງບາງຢ່າງທີ່ ພວກເຮົາໄດ້ກ່າວວ່າທັງຫມົດພ້ອມຈະມີຄວາມສໍາຄັນກັບຜົນໄດ້ຮັບຂອງການດັ່ງກ່າວເປັນການແຂ່ງຂັນທີ່ສົມດຸນລະອຽດ. ຮູບແບບຜະລິດພັນຂອງພວກເຮົາໄດ້ທີ່, ໃນສ່ວນຫນຶ່ງ, ບໍ່ວ່າຈະເປັນຜູ້ຕອບໄດ້ voted ໃນການເລືອກຕັ້ງທົ່ວໄປທີ່ຜ່ານມາແລະລະດັບຜະລິດພັນທີ່ຂ້າງເທິງທີ່ຂອງການເລືອກຕັ້ງທົ່ວໄປຄວ່ໍາຕົວແບບນີ້, ໂດຍສະເພາະໃນພາກເຫນືອ. "ນີ້ມີການປ່ຽນແປງຄໍາຕອບຂອງທ່ານສ່ວນຫນຶ່ງ (a)?

9. [ , ] ຂຽນ simulation ສະແດງໃຫ້ເຫັນແຕ່ລະຄົນຂອງຄວາມຜິດພາດການເປັນຕົວແທນຢູ່ໃນຮູບສະແດງທີ 31 ໄດ້.

   1. ສ້າງສະພາບການທີ່ຄວາມຜິດພາດເຫຼົ່ານີ້ເປັນຍົກເລີກການອອກ.
   2. ສ້າງສະຖານະການທີ່ຜິດພາດທີ່ໄດ້ປະສົມກັນແລະກັນ.

10. [ , ] ການຄົ້ນຄວ້າຂອງ Blumenstock ແລະເພື່ອນຮ່ວມງານ (2015) ການມີສ່ວນຮ່ວມການກໍ່ສ້າງຮູບແບບການຮຽນຮູ້ເຄື່ອງທີ່ສາມາດນໍາໃຊ້ຂໍ້ມູນການຕິດຕາມດິຈິຕອນການຄາດຄະເນການຕອບສະຫນອງການສໍາຫຼວດ. ໃນປັດຈຸບັນ, ທ່ານຈະພະຍາຍາມສິ່ງດຽວກັນກັບຊຸດຂໍ້ມູນທີ່ແຕກຕ່າງກັນ. Kosinski, Stillwell, and Graepel (2013) ພົບວ່າເຟສບຸກມັກສາມາດຄາດຄະເນລັກສະນະສ່ວນບຸກຄົນແລະຄຸນລັກສະນະ. ເປັນເລື່ອງແປກຫຍັງ, ການຄາດຄະເນເຫຼົ່ານີ້ສາມາດເຖິງແມ່ນວ່າຖືກຕ້ອງຫຼາຍກ່ວາຜູ້ທີ່ຂອງຫມູ່ເພື່ອນແລະເພື່ອນຮ່ວມງານ (Youyou, Kosinski, and Stillwell 2015) .

    1. ອ່ານ Kosinski, Stillwell, and Graepel (2013) , ແລະຊ້ໍາຮູບສະແດງ 2. ຂໍ້ມູນຂອງເຂົາເຈົ້າແມ່ນມີຢູ່ທີ່ນີ້: http://mypersonality.org/
    2. ໃນປັດຈຸບັນ, ເຮັດຊ້ໍາຮູບ 3.
    3. ສຸດທ້າຍ, ພະຍາຍາມແບບຂອງເຂົາເຈົ້າກ່ຽວກັບການຂໍ້ມູນເຟສບຸກຂອງທ່ານເອງ: http://applymagicsauce.com/. ມັນສາມາດເຮັດວຽກສໍາລັບທ່ານ?

11. [ ] Toole et al. (2015) ການບັນທຶກລາຍລະອຽດການນໍາໃຊ້ໂທ (CDRs) ຈາກໂທລະສັບມືຖືຈະຄາດຄະເນແນວໂນ້ມການຫວ່າງງານລວມ.

    1. ການປຽບທຽບແລະກົງກັນຂ້າມການອອກແບບຂອງ Toole et al. (2015) ກັບ Blumenstock, Cadamuro, and On (2015) .
    2. ທ່ານຄິດວ່າ CDRs ຄວນປ່ຽນການສໍາຫຼວດພື້ນເມືອງ, ໃຫ້ສົມບູນໃຫ້ເຂົາເຈົ້າຫຼືບໍ່ໄດ້ຮັບການນໍາໃຊ້ຢູ່ໃນທັງຫມົດສໍາລັບການສ້າງນະໂຍບາຍລັດຖະບານໃນການຕິດຕາມການຫວ່າງງານ? ເປັນຫຍັງ?
    3. ຫຼັກຖານອັນໃດທີ່ຈະໃຫ້ທ່ານວ່າ CDRs ສົມບູນສາມາດປ່ຽນແທນມາດຕະພື້ນເມືອງຂອງອັດຕາການຫວ່າງງານ?