Įmonės veiklos sritys

  • sunkumo laipsnis: lengva lengva , vidutinė vidutinė , sunku sunku , labai sunku labai sunku
  • reikalauja matematikos ( reikalauja matematikos )
  • reikalauja kodavimo ( reikalauja kodavimo )
  • duomenų rinkimas ( duomenų rinkimas )
  • Mano mėgstamiausi ( Mano mėgstamiausias )

  1. [ sunku , reikalauja matematikos ] Šiame skyriuje aš labai pozityviai vertinu po stratifikacijos. Tačiau tai ne visada gerina įverčių kokybę. Sukurkite situaciją, kai po stratifikacijos gali sumažėti įvertinimų kokybė. (Už užuominą žr. Thomsen (1973) .)

  2. [ sunku , duomenų rinkimas , reikalauja kodavimo ] Sukurkite ir atlikite netikėtiną "Amazon Mechanical Turk" tyrimą, kad paklausytumėte apie ginklų nuosavybę ir požiūrį į ginklų kontrolę. Kad galėtumėte palyginti savo įverčius su rezultatais, gaunamais iš tikimybės pavyzdžio, prašom nukopijuoti klausimo tekstą ir atsakymo variantus tiesiai iš aukštos kokybės apklausos, pvz., "Pew Research Center" vadovaujamų.

    1. Kiek laiko užsiima apklausa? Kiek tai kainuoja? Kaip demografiniai rodikliai palyginami su demografiniais rodikliais JAV gyventojų?
    2. Kas yra žaliavų nuosavybės neapibrėžtumas, naudojant jūsų pavyzdį?
    3. Tinkamai pritaikykite mėginio nereprezentatyvumą po stratifikacijos ar kito metodo. Dabar koks yra ginklo nuosavybės įvertinimas?
    4. Kaip jūsų apskaičiavimai palyginami su naujausiu tikimybe pagrįstos imties įvertinimu? Ką manote, paaiškina neatitikimus, jei tokių yra?
    5. Pakartokite klausimus (b) - (d) dėl požiūrio į ginklų kontrolę. Kaip jūsų rezultatai skiriasi?

  3. [ labai sunku , duomenų rinkimas , reikalauja kodavimo ] Goel ir jo kolegos (2016) Administravo 49 bendrojo socialinio tyrimo (GSS) daugiaparalius požiūrius keliančius klausimus ir pasirinko Pew tyrimų centro apklausas, skirtas netikėtam respondentų, paimtų iš "Amazon Mechanical Turk", atrankos. Tada jie pakoregavo duomenų nereprezentatyvumą pagal modeliu pagrįstą po stratifikacijos ir palygino jų koreguotus įvertinimus su tikimybe pagrįstų GSS ir Pew apklausų duomenimis. Atlikite tą patį "Amazon Mechanical Turk" tyrimą ir pabandykite pakartoti 2a ir 2b paveikslus, lygindami jūsų koreguotus įverčius su paskutinių GSS ir Pew apklausų skaičiavimais. (A2 lentelės sąrašas pateiktas 49 klausimų sąrašui.)

    1. Palyginkite ir palyginkite rezultatus su Pew ir GSS rezultatais.
    2. Palyginkite ir kontrastuokite rezultatus su " Goel, Obeng, and Rothschild (2016) "Mechanical Turk" apklausos duomenimis.

  4. [ vidutinė , duomenų rinkimas , reikalauja kodavimo ] Daugelyje tyrimų naudojamos savanoriškos mobiliųjų telefonų naudojimo priemonės. Tai yra įdomi aplinkybė, kurioje tyrėjai gali palyginti savarankiškai pateiktą elgesį su užregistruotu elgesiu (žr., Pvz., " Boase and Ling (2013) ). Du bendri elgesio klausimai apie skambinimą ir teksto siuntimą, o du bendrieji laiko juostos yra "vakar" ir "praeitą savaitę".

    1. Prieš renkant bet kokius duomenis, kokių saviraiškos priemonių manote tiksliau? Kodėl?
    2. Įdarbink penkis savo draugus į savo apklausą. Trumpai apibendrinkite, kaip atrinkti šie penkeriai draugai. Ar ši atrankos procedūra gali sukelti konkrečių įverčių įverčius?
    3. Paklauskite jų, kaip atsakyti į šiuos klausimus:
    • "Kiek kartų naudojote mobilųjį telefoną ir paskambinote kitiems vakar?"
    • "Kiek tekstinių žinučių atsiuntėte vakar?"
    • "Kiek kartų naudojote mobilųjį telefoną ir paskambinote kitiems per pastarąsias septynias dienas?"
    • "Kiek kartų naudojote mobilųjį telefoną, jei norite siųsti ar gauti tekstinius pranešimus / SMS per pastarąsias septynias dienas?"
    1. Kai tik šis mikroskopas bus baigtas, paprašykite patikrinti jų naudojimo duomenis, užregistruotus jų telefono ar paslaugų teikėjo. Kaip savarankiškos ataskaitos naudojimas lyginamas su žurnalo duomenimis? Kuris yra tiksliausias, kas yra mažiausiai tikslus?
    2. Dabar sujunkite duomenis, kuriuos surinkote su kitų žmonių, priklausančių jūsų klasei, duomenimis (jei atliekate šią veiklą su klase). Su šiuo didesniu duomenų rinkiniu pakartokite dalį (d).

  5. [ vidutinė , duomenų rinkimas ] Schuman ir Presser (1996) Teigia, kad klausimų užsakymai bus svarbūs dviejų tipų klausimams: daliniai klausimai, kai du klausimai yra tokio paties lygio (pvz., Dviejų kandidatų į prezidentus reitingai); ir bendri klausimai, kai bendras klausimas atitinka konkretesnį klausimą (pvz., klausia "Ar esate patenkintas savo darbu?", po kurio rašoma "Ar esate patenkintas savo gyvenimu?").

    Jie toliau apibūdina dviejų tipų klausimo tvarkos efektus: nuoseklumo poveikis atsiranda, kai atsakymai į vėlesnį klausimą yra artimesni (nei priešingu atveju) prie ankstesnio klausimo; kontrasto efektai atsiranda, kai yra didesnių atsakymų į du klausimus skirtumų.

    1. Sukurkite poros klausimų, susijusių su dalimi, kurie, jūsų nuomone, turės didelį užsakymų efektą; pora klausimų, kurie, jūsų manymu, turės didelį užsakymą; ir keletas klausimų, kurių tvarką manote nesvarbu. Atlikite apklausos eksperimentą "Amazon Mechanical Turk", kad išbandytumėte savo klausimus.
    2. Kiek galėjo sukurti dalinį poveikį? Ar tai buvo nuoseklumas ar kontrasto efektas?
    3. Kiek galėtumėte sukurti visą galinį efektą? Ar tai buvo nuoseklumas ar kontrasto efektas?
    4. Ar jūsų poroje egzistavo klausimų užsakymo efektas, o jūs manote, kad užsakymas nebūtų svarbus?

  6. [ vidutinė , duomenų rinkimas Remiantis Schumano ir Presserio darbu, Moore (2002) aprašo atskirą klausimo tvarkos efekto dimensiją: priedą ir subtracinį poveikį. Nors kontrasto ir nuoseklumo poveikis atsiranda dėl to, kad respondentai vertina šiuos du elementus vienas kito atžvilgiu, papildomas ir subtravantis poveikis gaunamas, kai respondentai yra labiau jautrūs platesnei sistemai, kurioje pateikiami klausimai. Perskaitykite Moore (2002) , Tada sukurkite ir paleiskite MTurk tyrimo eksperimentą, kuris pademonstruotų priedus ar subtracinius efektus.

  7. [ sunku , duomenų rinkimas ] Christopher Antoun ir jo kolegos (2015) Atliko tyrimą, kuriame buvo lyginami patogumai, gauti iš keturių skirtingų interneto įdarbinimo šaltinių: "MTurk", "Craigslist", "Google AdWords" ir "Facebook". Suplanuokite paprastą tyrimą ir įdarbinkite dalyvius bent dviem skirtingais įdarbinimo šaltiniais internete (šie šaltiniai gali skirtis nuo keturių šaltinių, kuriuos naudojo Antoun et al. (2015) ).

    1. Palyginkite išlaidas, susijusias su įdarbinimu pinigų ir laiko požiūriu, iš skirtingų šaltinių.
    2. Palyginkite skirtingų šaltinių pavyzdžių sudėtį.
    3. Palyginkite duomenų kokybę tarp mėginių. Idėjų apie tai, kaip vertinti respondentų duomenų kokybę, žr. Schober et al. (2015) .
    4. Koks jūsų pageidaujamas šaltinis? Kodėl?

  8. [ vidutinė ] Siekdama prognozuoti 2016 m. ES referendumo rezultatus (ty "Brexit"), "YouGov" - internetinė rinkos tyrimų bendrovė - atliko internetinius apklausus apie 800 000 respondentų Jungtinėje Karalystėje.

    Išsamus YouGov statistinio modelio aprašymas pateikiamas https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/. Apytikriai tariant, "YouGov" suskirstė rinkėjus į tipus pagal 2015 m. Bendrą rinkimų balsų pasirinkimą, amžių, kvalifikaciją, lytį ir interviu datą, taip pat rinkimų apygardą, kurioje jie gyveno. Pirma, jie naudojo "YouGov" grupės narių surinktus duomenis, kad įvertintų kiekvieno balsuotojo, kuris ketina balsuoti "Palikti", balsų skaičių. Jie apskaičiavo kiekvieno rinkėjų tipo dalyvavimą, naudodamiesi 2015 m. Britų rinkimų studija (BES), po rinkimų akis į akį apklausa, kuri patvirtino dalyvavimą rinkėjų sąrašuose. Galiausiai jie apskaičiavo, kiek rinkėjų daugiausia yra kiekvieno rinkėjų tipo, remiantis naujausiu surašymu ir metine gyventojų apklausa (su papildoma informacija iš kitų duomenų šaltinių).

    Trys dienos prieš balsavimą "YouGov" parodė, kad paliktas du taškai. Balandžio išvakarėse apklausa parodė, kad rezultatas buvo per daug artimas skambinti (49/51 liko). Galutinis dienos tyrimas numatė 48/52 "Remain" naudai (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). Iš tikrųjų šis įvertinimas neatitiko galutinio rezultato (52/48 Palikimas) keturis procentinius punktus.

    1. Naudokite bendrą apklausos klaidų sistemą, aptartą šiame skyriuje, kad galėtumėte įvertinti, kas galėjo nutikti.
    2. "YouGov" atsakymas po rinkimų (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) paaiškino: "Tai atrodo didelė dalis dėl dalyvavimo - kažkas, kad mes viską pasakėme, būtų itin svarbus tokios subalansuotos rasės rezultatams. Mūsų dalyvavimo modelis buvo iš dalies grindžiamas tuo, ar respondentai balsavo per paskutinius visuotinius rinkimus, o rinkėjų lygis aukštesnis už bendrųjų rinkimų lygį, sutrikdė šį modelį, ypač šiaurėje. "Ar tai pakeičia jūsų atsakymą į dalies (a)?

  9. [ vidutinė , reikalauja kodavimo ] Parašykite simuliaciją, kad iliustruotumėte visas reprezentacines klaidas, pateiktas 3.2 pav.

    1. Sukurkite situaciją, kai šios klaidos iš tikrųjų atšaukiamos.
    2. Sukurkite situaciją, kai klaidos jungiasi viena prie kitos.

  10. [ labai sunku , reikalauja kodavimo ] "Blumenstock" ir kolegų (2015) Tyrimas buvo susijęs su mašinų mokymosi modeliu, kuris galėtų naudoti skaitmeninius pėdsakų duomenis, kad būtų galima numatyti apklausos atsakymus. Dabar jūs ketinate išbandyti tą patį, naudodami kitą duomenų rinkinį. Kosinski, Stillwell, and Graepel (2013) nustatė, kad "Facebook" Kosinski, Stillwell, and Graepel (2013) gali numatyti individualius bruožus ir atributus. Keista, šios prognozės gali būti dar tikslesnės nei draugų ir kolegų (Youyou, Kosinski, and Stillwell 2015) .

    1. Perskaitykite " Kosinski, Stillwell, and Graepel (2013) 2 pav. Jų duomenys pateikiami adresu http://mypersonality.org/
    2. Dabar atkartokite 3 pav.
    3. Pagaliau išbandykite savo modelį savo "Facebook" duomenimis: http://applymagicsauce.com/. Kaip tai gerai tinka jums?

  11. [ vidutinė ] Toole et al. (2015) Iš mobiliųjų telefonų naudojo skambučių išsamius duomenis (CDR), kad prognozuotų bendrą nedarbo tendencijas.

    1. Palyginkite ir kontrastuokite Toole et al. (2015) Tyrimo planą Toole et al. (2015) Su Blumenstock, Cadamuro, and On (2015) .
    2. Ar manote, kad CDR turėtų pakeisti tradicinius tyrimus, juos papildyti ar apskritai nenaudoti vyriausybės politikos formuotojams, kad būtų galima stebėti nedarbo lygį? Kodėl?
    3. Kokie įrodymai įtikins jus, kad CDR gali visiškai pakeisti tradicines nedarbo lygio priemones?

Powered by Open Review Toolkit