കീ:
[ , ] അധ്യായത്തിൽ, ഞാൻ പോസ്റ്റ്-നാടകമുണ്ടായിരുന്നു വളരെ നല്ല ആയിരുന്നു. എന്നിരുന്നാലും, എപ്പോഴും കണക്കുകളെ നിലവാരം മെച്ചപ്പെടുത്താൻ ഇല്ല. കഴിയും പോസ്റ്റ്-നാടകമുണ്ടായിരുന്നു കണക്കുകളെ ഗുണമേന്മയുള്ള കുറയ്ക്കുകയാണ് കഴിയുന്ന ഒരു സാഹചര്യം നിർമിച്ചു. (ഒരു സൂചന കാണുക Thomsen (1973) ).
[ , , ] ഡിസൈൻ തോക്ക് ഉടമസ്ഥാവകാശം ചോദിച്ചാല് ആമസോൺ MTurk ഒരു നോൺ-പ്രോബബലിറ്റി സർവേ നടത്താൻ ( "നിങ്ങള്, അല്ലെങ്കിൽ നിങ്ങളുടെ വീട്ടിലെ ആർക്കും, ഒരു തോക്ക് റൈഫിൾ അല്ലെങ്കിൽ പിസ്റ്റൾ സ്വന്തമല്ല? നിങ്ങൾ അല്ലെങ്കിൽ നിങ്ങളുടെ വീട്ടിലാണ് മറ്റാരെങ്കിലും തന്നെയാണോ?") ഉം തോക്ക് നിയന്ത്രണം നേരെ മനോഭാവം ( "നിങ്ങൾ കൂടുതൽ പ്രധാനപ്പെട്ട-ലേക്കുള്ള തോക്കുകളുടെ സ്വന്തമാകും അമേരിക്കക്കാർ വലത് പരിരക്ഷിക്കാനോ തോക്ക് ഉടമസ്ഥാവകാശം നിയന്ത്രിക്കാൻ കരുതുന്നത്?").
[ , , ] ഗോയൽ സഹപ്രവർത്തകരും (2016) ആമസോൺ MTurk ന് പ്യൂ റിസർച്ച് സെന്റർ ജനറൽ സോഷ്യൽ സർവേ (ജിഎസ്എസ്) സർവേകൾ തിരഞ്ഞെടുത്ത നിന്നും എടുക്കുന്ന 49 ഒന്നിലധികം ചോയ്സ് attitudinal ചോദ്യങ്ങൾ അടങ്ങുന്ന നോൺ-പ്രോബബിലിറ്റി അധിഷ്ഠിത സർവേ ചൊല്ലിക്കൊടുത്തു. ഇവർ പിന്നീട് മോഡൽ അധിഷ്ഠിത പോസ്റ്റ്-നാടകമുണ്ടായിരുന്നു (ശ്രീ പി) ഉപയോഗിച്ച് ഡാറ്റ നോൺ-representativeness വേണ്ടി ക്രമീകരിക്കാനും സംഭാവ്യത അധിഷ്ഠിത ജിഎസ്എസ് / പ്യൂ സര്വേ ഉപയോഗിച്ച് കണക്കാക്കിയിരിക്കുന്നത് കൂട്ടത്തിൽ ക്രമീകരിച്ച ചെയ്യുമ്പോൾ. MTurk ഒരേ സർവേ നടത്തുക (49 ചോദ്യങ്ങളാണ് ലിസ്റ്റ് അനുബന്ധം ടേബിൾ -2 കാണുക) ജിഎസ്എസ് / പ്യൂ ഏറ്റവും പുതിയ റൗണ്ടുകൾ നിന്ന് കണക്കാക്കപ്പെട്ടിട്ടുണ്ട് നിങ്ങളുടെ ക്രമീകരിച്ച കണക്കുകളെ താരതമ്യം ചെയ്ത് ചിത്രം 2a ആൻഡ് ചിത്രം 2B അതേപടി ശ്രമിക്കുക.
[ , , ] പല പഠനങ്ങളും മൊബൈൽ ഫോൺ പ്രവർത്തനം ഡാറ്റ സ്വയം റിപ്പോര്ട്ട് നടപടികൾ ഉപയോഗിക്കുന്നു. ഈ ഗവേഷകർ ലോഗ് സ്വഭാവം (കാണാൻ ഉദാ സ്വയം റിപ്പോർട്ട് സ്വഭാവം താരതമ്യം കഴിയുന്ന ഒരു രസകരമായ ക്രമീകരണം ആണ് Boase and Ling (2013) ). കുറിച്ച് ചോദിക്കാൻ രണ്ട് സാധാരണ സ്വഭാവങ്ങൾ വിളിക്കുന്നത് ടെക്സ്റ്റിംഗും രണ്ടു സാധാരണ സമയ ഫ്രെയിമുകൾ "ഇന്നലെ" അവ "കഴിഞ്ഞ ആഴ്ച."
[ , ] Schuman ആൻഡ് Presser (1996) ആ ചോദ്യത്തിന് ഓർഡറുകൾ ചോദ്യങ്ങൾ തമ്മിലുള്ള ബന്ധം രണ്ടു തരം വേണ്ടി പ്രശ്നമല്ല തന്നെ വാദിക്കാൻ: രണ്ട് ചോദ്യങ്ങൾ വ്യക്തത ഒരേ നിലവാരത്തിലുള്ള ഭാഗം-ഭാഗം ചോദ്യങ്ങൾ (രണ്ട് പ്രസിഡന്റ് സ്ഥാനാർഥികൾ ഉദാ റേറ്റിംഗുകൾ); ഒരു പൊതുവായ ചോദ്യത്തിന് കൂടുതൽ വ്യക്തമായ ചോദ്യം (ഉദാ ആവശ്യപ്പെട്ട് "നിങ്ങൾ നിങ്ങളുടെ ജോലി കൊണ്ട് എത്ര സംതൃപ്തിയുണ്ട്?" "ആ മനുഷ്യന് എത്ര സംതൃപ്തിയുണ്ട്?" പിന്നാലെ) പിന്തുടരുകയും എവിടെ പാർട്ട് മുഴുവൻ ചോദ്യങ്ങൾ.
അവർ കൂടുതൽ ചോദ്യം ഓർഡർ പ്രഭാവം രണ്ടു തരം ചിത്രീകരിക്കുന്നതും: പിന്നീടുള്ള ചോദ്യം പ്രതികരണങ്ങൾ ഒരു നേരത്തെ ചോദ്യം കൊടുത്തിരിക്കുന്നു ആ (അതല്ലെങ്കിൽ തന്നെ അധികം) അടുത്തതാണ് പ്രദർശിപ്പിക്കപ്പെടുന്ന സ്ഥിരത ഇഫക്റ്റുകൾ സംഭവിക്കാം; തീവ്രത രണ്ടു ചോദ്യങ്ങൾക്കുള്ള പ്രതികരണങ്ങൾ തമ്മിലുള്ള വലിയവൻ വ്യത്യാസങ്ങൾ വരുമ്പോൾ ഇഫക്റ്റുകൾ സംഭവിക്കാം.
[ , ] Schuman ആൻഡ് Presser പ്രവൃത്തിയെ, കെട്ടിട Moore (2002) ഭ്രാന്താശുപത്രികളില് ഉപയോഗിക്കില്ല: ചോദ്യം ഓർഡർ പ്രഭാവമുള്ള ഒരു പ്രത്യേക മാനം വിവരിക്കുന്നു. ദൃശ്യതീവ്രതയും സ്ഥിരത പരസ്പരം ബന്ധപ്പെട്ട് രണ്ട് ഇനങ്ങളുടെ പ്രതികരിച്ചവരിൽ 'വാല്മൊഴി അനന്തരഫലമാണ് നിർമ്മിക്കുന്നത് സമയത്ത്, സർവേയിൽ ചോദ്യങ്ങൾ പോസ് ഏത് ഉള്ളിൽ വലിയ ചട്ടക്കൂട് കൂടുതൽ സെൻസിറ്റീവ് വരുത്തുമ്പോൾ ഭ്രാന്താശുപത്രികളില് ഉപയോഗിക്കില്ല ഇഫക്റ്റുകൾ നിർമ്മിക്കുന്നത്. വായിക്കുക Moore (2002) തുടർന്ന്, വര്ദ്ധിക്കുന്ന അല്ലെങ്കിൽ പ്രവണത ഇഫക്റ്റുകൾ തെളിയിക്കാനുള്ള രൂപകൽപ്പനയും MTurk ഒരു സർവേ പരീക്ഷണം ഔട്ട്.
[ , ] ക്രിസ്റ്റഫർ Antoun സഹപ്രവർത്തകരും (2015) നാലു വ്യത്യസ്ത ഓൺലൈൻ റിക്രൂട്ടിംഗ് ഉറവിടങ്ങളിൽ നിന്ന് നേടിയ സൗകര്യം സാമ്പിളുകൾ തട്ടിച്ചു ഒരു പഠനം നടത്തിയ: MTurk എത്രവേഗമാണ്, ഗൂഗിൾ AdWords, ഫേസ്ബുക്ക്. ഒരു ലളിതമായ സർവേ ഡിസൈൻ കുറഞ്ഞത് രണ്ടു വ്യത്യസ്ത ഓൺലൈൻ റിക്രൂട്ടിംഗ് സ്രോതസ്സുകൾ വഴി പങ്കെടുക്കുന്നവരെ റിക്രൂട്ട് (അവർ ഉപയോഗിക്കുന്ന നാലു ഉറവിടങ്ങളിൽ നിന്ന് വ്യത്യസ്ത ഉറവിടങ്ങളിൽ കഴിയും Antoun et al. (2015) ).
[ ] YouGov, ഇന്റർനെറ്റ് അധിഷ്ഠിത വിപണി ഗവേഷണ സ്ഥാപനമായ ഓൺലൈൻ യുകെ 800,000 പ്രതികരിച്ച ഒരു പാനൽ തിരഞ്ഞെടുപ്പിൽ നടത്തിയ യൂറോപ്യൻ ജനഹിത (അതായത്, Brexit) ഫലമാണ് പ്രവചിക്കാൻ പി ഉപയോഗിച്ച യുകെ വോട്ടർമാരെ തുടരാൻ ഒന്നുകിൽ വോട്ട് എവിടെ അല്ലെങ്കിൽ യൂറോപ്യൻ യൂണിയൻ വിട്ടേക്കുക.
YouGov ന്റെ സ്റ്റാറ്റിസ്റ്റിക്കൽ മോഡൽ വിശദമായ വിവരണം ഇവിടെ (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/) ആണ്. ഏകദേശം സംസാരിക്കുന്ന, YouGov 2015 പൊതു തെരഞ്ഞെടുപ്പിൽ വോട്ട് നിര, പ്രായം, യോഗ്യത, ലിംഗഭേദം, അഭിമുഖത്തിന്റെ തീയതി, അതുപോലെ അവർ ജീവിക്കുന്നത് മണ്ഡലത്തിൽ അടിസ്ഥാനമാക്കി തരത്തിലുള്ള വോട്ടർമാർ പാറ്ട്ടീഷനുകളുടെ. ആദ്യം അവർ YouGov പാനലിസ്റ്റുകളാണോയെന്ന് നിന്നും ശേഖരിച്ച ഡാറ്റ കണക്കാക്കാൻ, കൂട്ടത്തിൽ ഉപയോഗിച്ച ആർ വോട്ട്, ലീവ് വോട്ടുചെയ്യാൻ ആഗ്രഹിക്കാത്തവർക്കാകുന്നു ഓരോ വോട്ടർ തരം ജനങ്ങളുടെ അനുപാതം. അവർ തെരഞ്ഞെടുപ്പ് റോളുകൾ നിന്ന് പോളിങ് സാധൂകരിച്ചു ചെയ്ത 2015 ബ്രിട്ടീഷ് തിരഞ്ഞെടുപ്പ് സ്റ്റഡി (BES) പോസ്റ്റ്-തെരഞ്ഞെടുപ്പിനെ നേരിടാൻ വരെ മുഖാമുഖം സർവേ ഉപയോഗിച്ച് ഓരോ വോട്ടർ തരം പോളിങ് കണക്കാക്കാൻ. ഒടുവിൽ അവർ പുതിയ സെൻസസ് വാർഷിക ജനസംഖ്യാ സർവേ (എ.ഒ. നിന്ന് ചില പുറമേ വിവരങ്ങളുമായി, പൊതു തെരഞ്ഞെടുപ്പിൽ പരിസരത്ത് നിന്നും YouGov സർവ്വേ ഡാറ്റ എന്നിവ ആളുകൾ വോട്ടുചെയ്തു എത്ര വിവരങ്ങളെ അടിസ്ഥാനമാക്കി വോട്ടർമാരിൽ ഓരോ വോട്ടർ തരം ഉണ്ടു എത്ര പേർ കണക്കുകൂട്ടുന്നു ഓരോ മണ്ഡലത്തിൽ ഓരോ കക്ഷിയും).
മൂന്ന് ദിവസം വോട്ടിന് മുമ്പ്, YouGov അവധിക്ക് രണ്ട് പോയിന്റ് ലീഡ് കാണിച്ചു. വോട്ടിംഗ് തലേന്ന് വോട്ടെടുപ്പ് (49-51 നിലനിൽക്കുക) വിളിക്കാൻ വളരെ അടുത്ത് കാണിച്ചു. ഫൈനലിൽ ഓൺ-ദിവസത്തെ പഠനം പ്രവചിച്ചത് ശേഷിച്ചവർ (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/) അനുകൂലമായി 48/52. സത്യത്തിൽ, ഈ അനുമാനത്തെ നാലു ശതമാനം അവസാന ഫലം (52-48 വിടുക) നഷ്ടമായി.
[ , ] ചിത്രം 3.1 പ്രാതിനിധ്യം പിശകുകൾ ഓരോ ചിത്രീകരിക്കാൻ ഒരു സിമുലേഷൻ എഴുതുക.
[ , ] Blumenstock സഹപ്രവർത്തകരും ഗവേഷണ (2015) സർവേ പ്രതികരണങ്ങൾ പ്രവചിക്കാൻ ഡിജിറ്റൽ ട്രെയ്സ് ഡാറ്റ ഉപയോഗിക്കാൻ കഴിയുന്ന തരത്തിലുള്ള ഒരു മെഷീൻ ലേണിംഗ് മോഡൽ പണിയുന്നതു ഉൾപ്പെട്ട. ഇപ്പോൾ, മറ്റൊരു ഡാറ്റാഗണത്തിന്റെ അതേ കാര്യം ശ്രമിക്കും. Kosinski, Stillwell, and Graepel (2013) ഫേസ്ബുക്ക് ഇഷ്ടപ്പെടുന്നു വ്യക്തിയുടെ സ്വഭാവവിശേഷങ്ങൾ വിശേഷണങ്ങളിലും പ്രവചിക്കാൻ കഴിയും കണ്ടെത്തി. കൌതുകകരമായ ഈ പ്രവചനങ്ങൾ സുഹൃത്തുക്കളും സഹപ്രവർത്തകരെ അപേക്ഷിച്ച് ഇനിയും കൂടുതൽ കൃത്യമായ കഴിയും (Youyou, Kosinski, and Stillwell 2015) .
[ ] Toole et al. (2015) കുറയാത്ത തൊഴിലില്ലായ്മ ട്രെൻഡുകൾ പ്രവചിക്കാൻ മൊബൈൽ ഫോണുകളിൽ നിന്നും കോൾ വിശദാംശ റെക്കോർഡുകൾ (CDRs) ഉപയോഗിക്കുക.