darbības

  • grūtības pakāpe: viegli viegli , vidēja vidēja , grūti grūti , ļoti grūti ļoti grūti
  • prasa math ( prasa matemātiku )
  • nepieciešama kodēšana ( nepieciešama kodēšana )
  • datu vākšana ( datu vākšana )
  • mani mīļākie ( Mans mīļākais )

  1. [ grūti , prasa matemātiku ] Šajā nodaļā es biju ļoti pozitīvs par post-stratifikāciju. Tomēr tas ne vienmēr uzlabo aplēšu kvalitāti. Izveidojiet situāciju, kad pēc stratifikācijas var samazināt aplēšu kvalitāti. (Par mājienu skatiet Thomsen (1973) .)

  2. [ grūti , datu vākšana , nepieciešama kodēšana ] Veidojiet un veiciet neuzticamu aptauju par Amazon Mechanical Turk, lai uzdotu jautājumu par ieroču īpašumtiesībām un attieksmi pret ieroču kontroli. Lai jūs varētu salīdzināt savus aprēķinus ar tiem, kas iegūti no varbūtības parauga, lūdzu, kopējiet jautājuma tekstu un atbildes iespējas tieši no augstas kvalitātes aptaujas, piemēram, Pew Research Centre vadītajiem.

    1. Cik ilgi notiek jūsu aptauja? Cik tas maksā? Kā jūsu parauga demogrāfiskie dati salīdzināmi ar ASV iedzīvotāju demogrāfiskajiem datiem?
    2. Kāda ir ieroča īpašumtiesību aprēķins, izmantojot savu paraugu?
    3. Pareiza parauga nereprezentativitāte, izmantojot stratifikāciju vai kādu citu metodi. Tagad kāds ir ieroču īpašumtiesību novērtējums?
    4. Kā jūsu aplēses salīdzina ar jaunāko aprēķinu, pamatojoties uz varbūtību balstītu izlasi? Ko jūs domājat, izskaidro neatbilstības, ja tādas ir?
    5. Atkārtojiet b) -d) jautājumus par attieksmi pret ieroču kontroli. Kā jūsu secinājumi atšķiras?

  3. [ ļoti grūti , datu vākšana , nepieciešama kodēšana ] Goel un viņa kolēģi (2016) 49 vispārējas sociālās aptaujas (GSS) atlasīja 49 atbilžu variantu attieksmes jautājumus un izvēlējās Pew pētījumu centra aptaujas, lai atlasītu neuzticamu izlasi no Amazon Mechanical Turk. Viņi pēc tam koriģēja datu nereprezentatīvību, izmantojot modelētu pēcapstrādi pēc stratifikācijas, un salīdzināja to koriģētās aplēses ar tām, kas iegūtas no varbūtības balstīta GSS un Pew aptaujām. Veikt to pašu aptauju Amazon Mechanical Turk un mēģiniet atkārtot 2.a un 2.b attēlu, salīdzinot jūsu pielāgotās aplēses ar aplēsēm no pēdējiem GSS un Pew aptaujas posmiem. (49. jautājuma sarakstā skat. Pielikuma A2 tabulu.)

    1. Salīdziniet un salīdziniet rezultātus ar Pew un GSS rezultātiem.
    2. Salīdziniet un salīdziniet savus rezultātus ar rezultātiem, kas iegūti no Mechanicaleccher aptaujas Goel, Obeng, and Rothschild (2016) .

  4. [ vidēja , datu vākšana , nepieciešama kodēšana ] Daudzi pētījumi izmanto pašregulējošus mobilo tālruņu lietošanas pasākumus. Šis ir interesants iestatījums, kurā pētnieki var salīdzināt pašregulēto uzvedību ar reģistrētu uzvedību (skat., Piemēram, Boase and Ling (2013) ). Divi kopīgi uzvedības veidi, uz kuriem jājautā, ir zvana un īsziņu sūtīšana, un divi parastie laika posmi ir "vakar" un "pagājušajā nedēļā".

    1. Pirms jebkādu datu apkopošanas, kurš no pašregulācijas pasākumiem, jūsuprāt, ir precīzāks? Kāpēc
    2. Apmeklējiet piecus savus draugus. Lūdzu, īsumā apkopojiet, kā atlasīti šie pieci draugi. Vai šī paraugu ņemšanas procedūra jūsu aprēķinos var radīt īpašas novirzes?
    3. Uzdodiet viņiem šādus mikrosaukšanas jautājumus:
    • "Cik reizes jūs izmantojat savu mobilo tālruni, lai vakar zvanītu citiem?"
    • "Cik īsziņas nosūtījāt vakar?"
    • "Cik reizes jūs izmantojāt savu mobilo tālruni, lai pēdējo septiņu dienu laikā zvanītu citiem?"
    • "Cik reizes jūs izmantojāt mobilo tālruni, lai nosūtītu vai saņemtu īsziņas / īsziņas pēdējo septiņu dienu laikā?"
    1. Kad šī mikrosaukšana ir pabeigta, lūdziet pārbaudīt to lietojuma datus, kā pierakstījies viņu tālruņa vai pakalpojumu sniedzējs. Kā pašnovērtējuma izmantošana salīdzina ar žurnāla datiem? Kas ir visprecīzākais, kas ir vismazāk precīzi?
    2. Tagad apvienojiet datus, kurus esat savācis kopā ar datiem no citiem jūsu klases cilvēkiem (ja jūs veicat šīs darbības kādai no klasēm). Izmantojot šo lielāko datu kopu, atkārtojiet daļu (d).

  5. [ vidēja , datu vākšana ] Schuman un Presser (1996) apgalvo, ka jautājuma rīkojumi būtu saistīti ar divu veidu jautājumiem: daļēji uzdotie jautājumi, kad divi jautājumi ir vienādā līmenī ar specifiskumu (piemēram, divu prezidenta vēlēšanu reitingi); un vispārīgi jautājumi, ja vispārīgs jautājums seko konkrētam jautājumam (piemēram, uzdodot jautājumu "cik apmierināts esat ar savu darbu?", kam sekoja "cik apmierināts esat ar dzīvi?").

    Turpmāk tie raksturo divu veidu jautājumu rīkojumu efektu: konsekvences sekas rodas, ja atbildes uz vēlāku jautājumu tiek tuvinātas (nekā tas citādi būtu), salīdzinot ar tiem, kas doti iepriekšējam jautājumam; kontrasta efekts rodas tad, ja ir lielākas atšķirības starp atbildēm uz diviem jautājumiem.

    1. Izveidojiet pāris daļēju jautājumu, kuriem, jūsuprāt, būs liels jautājuma pasūtījumu efekts; pāris daļēji neskaidri jautājumi, kuriem, jūsuprāt, būs liela pasūtījuma efekts; un jautājumu pāri, kuru pasūtījums, jūsuprāt, nebūtu svarīgs. Veiciet aptaujas eksperimentu ar Amazon Mechanical Turk, lai pārbaudītu savus jautājumus.
    2. Cik liela daļējas daļas efekts jūs varēja radīt? Vai tas bija konsistences vai kontrasta efekts?
    3. Cik liela daļēja ietekme jūs varēja radīt? Vai tas bija konsistences vai kontrasta efekts?
    4. Vai jūsu pāra laikā bija bijis jautājuma rīkojuma efekts, kurā jūs domājat, ka pasūtījums nebūtu svarīgs?

  6. [ vidēja , datu vākšana ] Pamatojoties uz Schumana un Pressera darbu, Moore (2002) apraksta atsevišķu jautājuma rīkojuma efekta dimensiju: ​​piedevu un subtracējošu efektu. Lai gan kontrasts un konsekvences ietekme tiek iegūta respondentu vērtējumu rezultātā attiecībā uz abiem posteņiem saistībā ar otru, papildu un atvilkšanas sekas rodas, kad respondenti tiek padarīti jutīgāki pret lielāko sistēmu, kurā jautājumi tiek izvirzīti. Izlasiet Moore (2002) , pēc tam izstrādājiet un veiciet apsekojuma eksperimentu ar MTurk, lai parādītu piedevas vai subtractive ietekmi.

  7. [ grūti , datu vākšana ] Christopher Antoun un viņa kolēģi (2015) veica pētījumu, kurā salīdzināti ērtības paraugi, kas iegūti no četriem dažādiem tiešsaistes darbā pieņemšanas avotiem: MTurk, Craigslist, Google AdWords un Facebook. Izstrādāt vienkāršu apsekojumu un pieņemt darbā dalībniekus, izmantojot vismaz divus dažādus tiešsaistes darbā pieņemšanas avotus (šie avoti var atšķirties no četriem avotiem, kas izmantoti Antoun et al. (2015) ).

    1. Salīdziniet izmaksas par katru darbā pieņemto naudu un laiku starp dažādiem avotiem.
    2. Salīdziniet paraugu sastāvu, kas iegūti no dažādiem avotiem.
    3. Salīdziniet datu kvalitāti starp paraugiem. Idejas par to, kā novērtēt respondentu datu kvalitāti, sk. Schober et al. (2015) .
    4. Kāds ir jūsu vēlamais avots? Kāpēc

  8. [ vidēja ] Lai prognozētu 2016. gada ES referenduma rezultātus (ti, Brexit), YouGov - interneta tirgus izpētes firma - veica tiešsaistes aptaujas par aptuveni 800 000 respondentu Apvienotajā Karalistē.

    Detalizēts YouGov statistikas modeļa apraksts atrodams vietnē https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/. Gandrīz runājot, YouGov sadalīja vēlētājus uz veidiem, pamatojoties uz 2015. gada vispārējo vēlēšanu balsošanas izvēli, vecumu, kvalifikāciju, dzimumu un intervijas datumu, kā arī to vēlēšanu apgabalu, kurā viņi dzīvoja. Pirmkārt, viņi izmantoja datus, kas savākti no "YouGov" grupas dalībniekiem, lai aplēstu starp tiem, kas balsoja, aplēstu katra vēlētāja veida cilvēku, kuri plāno balsot "atstāt", daļu. Viņi novērtēja katra vēlētāju veida dalību, izmantojot 2015. gada britu vēlēšanu pētījumu (BES), pēc vēlēšanām klātienē veikto aptauju, kurā tika apstiprināts vēlētāju skaits no vēlēšanu saraksta. Visbeidzot, viņi aprēķināja, cik daudz cilvēku katrā no vēlētājiem bija vēlēšanās, pamatojoties uz jaunāko skaitīšanu un ikgadējo iedzīvotāju aptauju (ar dažiem papildu datiem no citiem datu avotiem).

    Trīs dienas pirms balsošanas YouGov parādīja divus punktus par atvaļinājumu. Balsošanas priekšvakarā aptauja liecināja, ka rezultāts bija pārāk tuvu zvanīšanai (49/51 paliek). Pētījuma noslēguma pārbaudījums paredz 48/52 par labu "Remain" (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). Faktiski šī novērtējuma vērtība nokavēja gala rezultātu (52/48 Atstāt) par četriem procentpunktiem.

    1. Izmantojiet kopējo aptaujas kļūdu sistēmu, kas apskatīta šajā nodaļā, lai novērtētu, kas varētu būt noticis nepareizi.
    2. YouGov atbilde pēc vēlēšanām (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) paskaidroja: "Tas, šķiet, lielā mērā ir saistīts ar vēlētāju aktivitāti - kaut kas, kas mēs visu laiku esam teikuši, būtu izšķiroša nozīme šādas tik smalki līdzsvarotas sacensības iznākumā. Mūsu izlases modelis daļēji tika balstīts uz to, vai respondenti balsoja pēdējās vispārējās vēlēšanās, un vēlētāju aktivitāte, kas pārsniedz vispārējo vēlēšanu rādītājus, sagraut modeli, it īpaši ziemeļos. "Vai tas mainīs jūsu atbildi uz daļu (a)?

  9. [ vidēja , nepieciešama kodēšana ] Uzrakstiet simulāciju, lai ilustrētu katru no attēlojuma kļūdām 3.2. Attēlā.

    1. Izveidojiet situāciju, kurā šīs kļūdas faktiski tiek atceltas.
    2. Izveidojiet situāciju, kad kļūdas savstarpēji savieno.

  10. [ ļoti grūti , nepieciešama kodēšana ] Blūmenstoka un viņa kolēģu pētījums (2015) ietvēra mašīnu mācību modeli, kas varētu izmantot digitālo izsekošanas datus, lai prognozētu aptaujas atbildes. Tagad jūs mēģināt to pašu ar citu datu kopu. Kosinski, Stillwell, and Graepel (2013) konstatēja, ka Facebook patīk, var prognozēt individuālās iezīmes un atribūtus. Pārsteidzoši, šīs prognozes var būt vēl precīzākas par draugiem un kolēģiem (Youyou, Kosinski, and Stillwell 2015) .

    1. Lasiet Kosinski, Stillwell, and Graepel (2013) un atkārtojiet 2. attēlu. To dati ir pieejami vietnē http://mypersonality.org/.
    2. Tagad atkārtojiet 3. attēlu.
    3. Visbeidzot izmēģiniet savu modeli ar saviem Facebook datiem: http://applymagicsauce.com/. Cik tas darbojas jums?

  11. [ vidēja ] Toole et al. (2015) no mobilajiem telefoniem izmantoja zvanu detalizētu informāciju (CDR), lai prognozētu kopējo bezdarba tendences.

    1. Salīdzināt un pretstatīt pētījuma dizainu Toole et al. (2015) ar Blumenstock, Cadamuro, and On (2015) .
    2. Vai jūs domājat, ka CDR būtu jāaizstāj tradicionālie apsekojumi, jāpapildina vai vispār nedrīkst izmantot valsts politikas veidotājiem, lai izsekotu bezdarbu? Kāpēc
    3. Kādi pierādījumi pārliecinātu jūs, ka CDR var pilnībā aizstāt tradicionālos bezdarba līmeņa rādītājus?

Powered by Open Review Toolkit