darbības

Key:

  • sarežģītības pakāpi: viegli viegli , vidēja vidējs , cietais grūti , ļoti grūti ļoti grūti
  • prasa matemātiku ( prasa matemātiku )
  • prasa kodēšana ( prasa kodēšana )
  • datu vākšana ( datu vākšana )
  • mani mīļākie ( Mans mīļākais )
  1. [ grūti , prasa matemātiku ] Šajā nodaļā, es biju ļoti pozitīvi pēc stratifikācijas. Tomēr tas ne vienmēr uzlabotu aplēšu kvalitāti. Konstruēt situāciju, kurā var ievietot-stratifikācija var samazināt aplēšu kvalitāti. (Par mājienu, sk Thomsen (1973) ).

  2. [ grūti , datu vākšana , prasa kodēšana ] Design un veikt nav varbūtības aptauju par Amazon MTurk jautāt par ieroču īpašnieku ( "Vai jūs, vai arī kāds Jūsu mājsaimniecības, pieder lielgabals, šautene vai pistole? Vai tas jūs vai kāds cits jūsu mājsaimniecībā?") Un attieksme pret lielgabals kontroles ( "Ko jūs domājat, ka ir svarīgāk-aizsargāt tiesības amerikāņiem pieder šautenes, vai kontrolēt lielgabals īpašumtiesības?").

    1. Cik ilgi jūsu aptauja veikt? Cik tas maksā? Kā demogrāfiskos savu paraugu salīdzināt ar demogrāfiju ASV iedzīvotājiem?
    2. Kas ir aptuvenu novērtējumu par ieroču īpašnieku, izmantojot savu izlasi?
    3. Pareizi attiecībā uz ne-reprezentativitāti savu paraugu, izmantojot post-noslāņošanos vai kādu citu tehniku. Tagad to, kas ir novērtētas lielgabals īpašumtiesības?
    4. Kā jūsu aprēķini salīdzināt ar jaunākajām aplēsēm no Pew Research Center? Ko jūs domājat izskaidrot neatbilstības, ja ir kāds?
    5. Atkārtojiet vingrinājumu 2-5 par attieksmi pret lielgabals kontroles. Kā jūsu secinājumi atšķiras?
  3. [ ļoti grūti , datu vākšana , prasa kodēšana ] Goel un kolēģi (2016) lietoja bez iespējamības balstīta aptauju, kas sastāv no 49 atbilžu variantiem attieksmes jautājumiem novilktas no vispārējo sociālo apsekojuma (GSS) un izvēlieties aptauju Pew Research Center par Amazon MTurk. Pēc tam viņi pielāgot, lai nav reprezentativitāti datus, izmantojot modeli balstītu post-noslāņošanos (Mr. P), un salīdzināt pielāgotās aplēses ar tiem, novērtēt, izmantojot varbūtību balstītu GSS / Pew aptaujas. Veic to pašu apsekojumu par MTurk un mēģināt atkārtot 2.a attēls un 2.b attēls, salīdzinot jūsu pielāgotās aprēķinus ar aplēsēm no jaunākajiem kārtās GSS / baznīcas sols (skatīt pielikumu tabulu A2 par sarakstu 49 jautājumiem).

    1. Salīdzināt un pretstatīt savus rezultātus ar rezultātiem no baznīcas sols un GSS.
    2. Salīdzināt un pretstatīt savus rezultātus ar rezultātiem no MTurk apsekojuma Goel, Obeng, and Rothschild (2016) .
  4. [ vidējs , datu vākšana , prasa kodēšana ] Daudzi pētījumi izmantot self-ziņojumu pasākumus mobilo telefonu darbības datiem. Tas ir interesants iestatījums kur pētnieki var salīdzināt sevi ziņoja uzvedību ar pieteicies uzvedību (skatīt, piemēram, Boase and Ling (2013) ). Divas kopīgas uzvedību, jautāt par zvanāt un īsziņu sūtīšanai, un abu kopīgo termiņos ir "vakar" un "pagājušajā nedēļā."

    1. Pirms jebkurus datus, kas no sevis ziņojuma pasākumi, Jūsuprāt, ir precīzāka savākt? Kāpēc?
    2. Recruit 5 no saviem draugiem, lai būt jūsu aptaujā. Lūdzu īsu kopsavilkumu, kā tika atlasītas šie draugi 5. Tas varētu paraugu ņemšanas procedūra izraisīt konkrētus aizspriedumi jūsu aplēses?
    3. Lūdzu, pajautājiet viņiem šādi mikro aptauja:
    • "Cik reizes jūs izmantojat mobilo tālruni, lai izsauktu citiem vakar?"
    • "Cik daudz teksta ziņojumus jūs sūtīt vakar?"
    • "Cik reizes jūs izmantot savu mobilo tālruni, lai izsauktu citiem pēdējo septiņu dienu laikā?"
    • "Cik reizes jūs izmantot savu mobilo tālruni, lai nosūtītu vai saņemtu īsziņas / SMS pēdējo septiņu dienu laikā?" Kad pētījums ir pabeigta, palūdziet, lai pārbaudītu savas izmantošanas datus, pieteicies ar savu tālruni vai pakalpojumu sniedzējs.
    1. Kā self-ziņojumu izmantošana salīdzināt pieteikties datus? Kura ir visprecīzākais, kas ir vismazāk precīzs?
    2. Tagad apvienot datus, kas jums ir savākti kopā ar datiem no citiem cilvēkiem savā klasē (ja jūs darāt šo aktivitāti klases). Ar šo lielāku datu kopā, atkārtojiet daļa (d).
  5. [ vidējs , datu vākšana ] Schuman un Presser (1996) apgalvo, ka jautājums pasūtījumi būtu jautājums par divu veidu attiecību jautājumiem: nepilna daļa jautājumiem, kad divi jautājumi ir tajā pašā līmenī specifiku (piemēram, novērtējumi divi prezidenta kandidātu); un nepilna veseli jautājumi kur vispārīgs jautājums šādi konkrētāku jautājumu (piemēram, lūdzot "Cik apmierināts Jūs esat ar savu darbu?", kam seko "Cik apmierināts Jūs esat ar savu dzīvi?").

    Turklāt tās raksturo divu veidu jautājums rīkojuma spēkā: konsekvences ietekme rodas, ja atbildes uz vēlāku jautājumu tiek tuvinātas (nekā tas būtu pretējā gadījumā), ar noteikumiem, kas uz agrāku jautājumu; kontrasts sekas rodas, ja pastāv lielākas atšķirības starp atbildes uz diviem jautājumiem.

    1. Izveidot pāris nepilnas daļu jautājumiem, kas jūs domājat, ka būs liels jautājums pasūtījuma efektu, pāris nepilnas viss jautājumiem, kas jūs domājat, ka būs liela pasūtījuma efektu, un vēl viens no jautājumiem, kuru rīkojums jūs domājat, tas nav svarīgi pāri. Palaist aptauju eksperimentu MTurk lai pārbaudītu jūsu jautājumiem.
    2. Cik liela bija nepilnu darba daļa efekts bija jūs varētu izveidot? tas bija konsistence vai kontrasta efektu?
    3. Cik liela bija nepilnu viss efekts bija jūs varētu izveidot? tas bija konsistence vai kontrasta efektu?
    4. Bija tur jautājums rīkojums efekts savā pārī, kur jūs nedomāju, ka rīkojums būtu jautājums?
  6. [ vidējs , datu vākšana ] Balstoties uz darbu Schuman un presser, Moore (2002) raksturo atsevišķu dimensiju jautājums pasūtījuma iedarbību: piedevas un subtraktīvās. Kaut kontrasta un konsekvence sekas tiek veidots kā rezultātā respondentu vērtējumu par divām pozīcijām attiecībā pret otru, piedevas un subtraktīvās sekas tiek ražoti, kad respondenti tiek veikti jutīgāki pret lielāku regulējumu, kurā šie jautājumi tiek uzdoti. Lasīt Moore (2002) , tad dizains un palaist aptauju eksperimentu MTurk demonstrēt piedevu vai subtractive efektus.

  7. [ grūti , datu vākšana ] Christopher Antoun un kolēģi (2015) veica pētījumu, salīdzinot ērtībai paraugus, kas iegūti no četriem dažādiem tiešsaistes vervēšanu avotiem: MTurk, Craigslist, Google AdWords un Facebook. Izstrādātu vienkāršu aptauju un piesaistīt dalībniekus ar vismaz diviem dažādiem tiešsaistes rekrutācijas avoti (tie var būt dažādi avoti, no četriem avotiem, ko izmanto Antoun et al. (2015) ).

    1. Salīdziniet izmaksas uz vienu darbā, attiecībā uz naudas un laika, starp dažādiem avotiem.
    2. Salīdziniet sastāvu paraugu, kas iegūti no dažādiem avotiem.
    3. Salīdziniet datu apmaiņu starp paraugu kvalitāti. Idejas par to, kā novērtēt datu kvalitāti no respondentiem, skatiet Schober et al. (2015) .
    4. Kāds ir jūsu vēlamo avots? Kāpēc?
  8. [ vidējs ] YouGov, interneta balstītas tirgus izpētes firma, veica tiešsaistes aptauju par paneļa aptuveni 800,000 respondentu Lielbritānijā un izmanto Mr P. lai prognozētu rezultātu ES referendums (ti, Brexit), kur AK vēlētāji balsot vai nu palikt vai izvest no Eiropas Savienības.

    Sīks apraksts YouGov statistikas modelis ir šeit (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/). Rupji runājot, YouGov starpsienas vēlētājus par veidiem, pamatojoties uz 2015. gada vispārējā vēlēšanu balsu izvēli, vecuma, kvalifikācijas, dzimuma, datums intervijas, kā arī vēlēšanu apgabalā viņi dzīvo. Pirmkārt, viņi izmantoja datus, kas iegūti no YouGov komisijas sastāvā, lai novērtētu, starp tiem kas balso, īpatsvars iedzīvotāju katras vēlētāju veidam, kas plāno balsot atvaļinājumu. Viņi lēš, sagaidīja katru vēlētāju tipam, izmantojot 2015 britu vēlēšanu Study (BES) pēcvēlēšanu sejas-pret-aci aptaujas, kas apstiprinātas ieradušies no vēlētāju sarakstos. Visbeidzot, viņi novērtēt, cik daudz cilvēku ir katra vēlētāju tipa vēlētāju, pamatojoties uz jaunāko skaitīšanu un gada iedzīvotāju aptaujā (ar kādu papildus informāciju no BES, YouGov apsekojumu dati no visas vispārējās vēlēšanās, un informāciju par to, cik daudz cilvēku nobalsoja par katrai pusei katrā vēlēšanu apgabalā).

    Trīs dienas pirms balsošanas, YouGov parādīja divu punktu pārsvaru atvaļinājumu. Gada priekšvakarā balsošanas, aptauja parādīja pārāk tuvu zvanu (49-51 Palikt). Gala on-the-dienu pētījumā prognozēts 48/52 par labu Paliek (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). Faktiski, šis aprēķins neatbildētos gala rezultātu (52-48 atvaļinājumu) par četriem procentu punktiem.

    1. Izmantojuši visus survey error framework apspriesti šajā nodaļā novērtēt to, kas varētu būt nogājis greizi.
    2. YouGov reakcija pēc vēlēšanām (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/~~HEAD=pobj) paskaidroja: "Tas šķiet lielā mērā pateicoties uz vēlētāju aktivitāti - kaut kas mēs jau teicu visi kopā varētu būt izšķiroša nozīme, lai iznākumu šāda smalki sabalansētu skrējiens. Mūsu vēlētāju modelis bija balstīts daļēji, vai respondentiem bija balsoja pēdējās vispārējās vēlēšanās un aktivitāte līmenis augstāks par vispārējām vēlēšanām sajukums modeli, jo īpaši ziemeļos. "Vai tas mainītu savu atbildi uz daļu (a)?
  9. [ vidējs , prasa kodēšana ] Uzrakstiet simulācijas, lai ilustrētu katru no reprezentācijas kļūdas 3.1 attēlā.

    1. Radīt situāciju, kurā šīs kļūdas faktiski likvidēt.
    2. Radīt situāciju, kad kļūdas savienojums otru.
  10. [ ļoti grūti , prasa kodēšana ] No Blumenstock un kolēģu pētījums (2015) iesaistīti veidojot mašīna mācību modeli, kas varētu izmantot digitālas izsekot datu paredzēt aptaujas atbildes. Tagad jūs gatavojas izmēģināt to pašu ar citu datu kopu. Kosinski, Stillwell, and Graepel (2013) atklāja, ka Facebook varētu patikt var prognozēt atsevišķas iezīmes un īpašības. Pārsteidzoši, šīs prognozes var būt vēl precīzāka nekā draugiem un kolēģiem (Youyou, Kosinski, and Stillwell 2015) .

    1. Lasīt Kosinski, Stillwell, and Graepel (2013) , un atkārtot 2. att Viņu dati ir pieejami šeit: http://mypersonality.org/
    2. Tagad atkārtot 3. attēlu.
    3. Visbeidzot, izmēģināt savu modeli uz savu Facebook datiem: http://applymagicsauce.com/. Cik labi tas strādā Jums?
  11. [ vidējs ] Toole et al. (2015) lietošana zvans sīki ieraksti (CDR) no mobilajiem tālruņiem prognozēt kopējās bezdarba tendences.

    1. Salīdzināt un pretstatīt dizainu Toole et al. (2015) ar Blumenstock, Cadamuro, and On (2015) .
    2. Vai jūs domājat, ka KAZ vajadzētu aizstāt tradicionālos apsekojumi, papildina tos vai neizmanto vispār valdības politikas, lai izsekotu bezdarbu? Kāpēc?
    3. Kādi pierādījumi varētu pārliecināt, ka KAZ var pilnībā aizstāt tradicionālos pasākumus bezdarba līmenis?