പ്രവർത്തനങ്ങൾ

കീ:

  • വൈഷമ്യം ബിരുദം: എളുപ്പമുള്ള എളുപ്പമായ , ഇടത്തരം ഇടത്തരം , ഹാർഡ് ഹാർഡ് വളരെ ബുദ്ധിമുട്ടു വളരെ ഹാർഡ്
  • മാത്ത് ആവശ്യമാണ് ( മാത്ത് ആവശ്യമാണ് )
  • കോഡിങ് ആവശ്യമാണ് ( കോഡിങ് ആവശ്യമാണ് )
  • ഡാറ്റ ശേഖരണം ( ഡാറ്റ ശേഖരണം )
  • എന്റെ പ്രിയപ്പെട്ടവ ( എനിക്ക് പ്രിയപ്പെട്ടവ )
  1. [ ഹാർഡ് , മാത്ത് ആവശ്യമാണ് ] 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) ).

  2. [ ഹാർഡ് , ഡാറ്റ ശേഖരണം , കോഡിങ് ആവശ്യമാണ് ] 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?").

    1. സർവേ എത്ര സമയമെടുക്കും? ഇതിന് എത്രമാത്രം ചെലവാകും? എങ്ങനെ നിങ്ങളുടെ മാതൃക പ്രദേശ അമേരിക്കൻ ജനസംഖ്യയുടെ പ്രദേശ താരതമ്യം ചെയ്യുന്നു?
    2. നിങ്ങളുടെ മാതൃക ഉപയോഗിച്ച് തോക്ക് ഉടമസ്ഥാവകാശം റോ എസ്റ്റിമേറ്റ് എന്താണ്?
    3. പോസ്റ്റ്-നാടകമുണ്ടായിരുന്നു അല്ലെങ്കിൽ മറ്റ് ചില സാങ്കേതികവിദ്യ ഉപയോഗിച്ച് നിങ്ങളുടെ മാതൃക നോൺ representativeness വേണ്ടി ശരി. ഇപ്പോൾ തോക്ക് ഉടമസ്ഥാവകാശം എസ്റ്റിമേറ്റ് എന്താണ്?
    4. എങ്ങനെ നിങ്ങളുടെ കണക്കുകളെ പ്യൂ റിസർച്ച് സെന്റർ നിന്ന് പുതിയ കണക്കുകൾ താരതമ്യം എന്തു? നിങ്ങൾക്ക് എന്തെങ്കിലും ഉണ്ടെങ്കിൽ പൊരുത്തക്കേടുകൾ വിശദീകരിക്കാൻ എന്തു തോന്നുന്നു?
    5. തോക്ക് നിയന്ത്രണം നേരെ മനോഭാവം വ്യായാമം 2-5 ആവർത്തിക്കുക. എങ്ങനെ നിങ്ങളുടെ കണ്ടെത്തലുകൾ വ്യത്യാസം?
  3. [ വളരെ ഹാർഡ് , ഡാറ്റ ശേഖരണം , കോഡിങ് ആവശ്യമാണ് ] 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.

    1. താരതമ്യം ചെയ്ത് പ്യൂ ആൻഡ് ജിഎസ്എസ് നിന്ന് ഫലങ്ങളിൽ നിങ്ങളുടെ ഫലങ്ങൾ തീവ്രത.
    2. താരതമ്യം ചെയ്ത് ലെ MTurk സർവേ നിന്ന് ഫലങ്ങളിൽ നിങ്ങളുടെ ഫലങ്ങൾ വിപരീതമായി Goel, Obeng, and Rothschild (2016) .
  4. [ ഇടത്തരം , ഡാറ്റ ശേഖരണം , കോഡിങ് ആവശ്യമാണ് ] 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."

    1. സ്വയം റിപ്പോർട്ട് നടപടികൾ കൂടുതൽ കൃത്യമായ വിചാരിക്കുന്നത് ഏതെങ്കിലും ഡാറ്റ, ശേഖരിക്കുന്നതിനു മുമ്പ്? എന്തുകൊണ്ട്?
    2. നിങ്ങളുടെ സർവേ നിങ്ങളുടെ സുഹൃത്തുക്കളിൽ 5 നിയമിക്കും. ദയവായി ചുരുക്കത്തിൽ ഈ 5 സുഹൃത്തുക്കൾ സാമ്പിളുകൾ എങ്ങനെ ചുരുക്കത്തില്. ഈ ഒരുപറ്റം നടപടിക്രമം നിങ്ങളുടെ കണക്കുകളിലെ നിർദ്ദിഷ്ട പക്ഷപാത പ്രേരിപ്പിക്കുന്നു കഴിയും?
    3. അവരെ താഴെ മൈക്രോ സർവേ ചോദിക്കുക:
    • "നിങ്ങൾ എത്ര തവണ മറ്റുള്ളവരെ ഇന്നലെ വിളിക്കാൻ മൊബൈൽ ഫോൺ ഉപയോഗിച്ചത്?"
    • "എത്ര വാചക സന്ദേശങ്ങൾ ഇന്നലെ നിയോഗിച്ചിട്ടുണ്ട്"
    • "നിങ്ങൾ എത്ര തവണ കഴിഞ്ഞ ഏഴ് ദിവസം മറ്റുള്ളവരെ വിളിക്കാൻ നിങ്ങളുടെ മൊബൈൽ ഫോൺ ഉപയോഗിച്ചത്?"
    • സർവേ പൂർത്തിയായാൽ "എത്ര പ്രാവശ്യം കഴിഞ്ഞ ഏഴ് ദിവസത്തിനകം വാചക സന്ദേശങ്ങൾ / എസ്എംഎസ് അയയ്ക്കാനും സ്വീകരിക്കാനും നിങ്ങളുടെ മൊബൈൽ ഫോൺ ഉപയോഗിച്ചത്?" അവരുടെ ഉപയോഗ ഡാറ്റ പരിശോധിക്കാൻ ചോദിക്കുന്നു അവരുടെ ഫോൺ അല്ലെങ്കിൽ സേവന ദാതാവ് ലോഗ് പോലെ.
    1. എങ്ങനെ സ്വയം റിപ്പോര്ട്ട് ഉപയോഗ ഡാറ്റ ലോഗ് താരതമ്യം ചെയ്യുന്നു? ഏത് കുറഞ്ഞത് കൃത്യമാണ് ഏത്, ഏറ്റവും കൃത്യമാണ്?
    2. ഇപ്പോൾ (നിങ്ങൾ ഒരു ക്ലാസ് ഈ പ്രവർത്തനം ചെയ്യുന്നത് എങ്കിൽ) ക്ലാസ്സിൽ മറ്റ് ആളുകളിൽ നിന്ന് ഡാറ്റ ഉപയോഗിച്ച് ശേഖരിച്ച ഡാറ്റ സംയോജിപ്പിച്ച്. ഈ വലിയ ഡാറ്റാഗണത്തിന്റെ കൂടി, ഭാഗം (ഡി) ആവർത്തിക്കുക.
  5. [ ഇടത്തരം , ഡാറ്റ ശേഖരണം ] 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.

    1. പാർട്ട് ഭാഗം ചോദ്യങ്ങൾക്ക് നിങ്ങൾക്ക് ഒരു വലിയ ചോദ്യം ഓർഡർ ഫലമുണ്ടാകും കരുതുന്ന, ഒരു വലിയ ഓർഡർ ഫലമുണ്ടാകും കരുതുന്ന പാർട്ട് മുഴുവൻ ചോദ്യങ്ങൾ ഒരു ജോഡി, ആരുടെ ഓർഡർ നിങ്ങൾ ചിന്തിക്കുന്നത് പ്രശ്നമല്ല തന്നെ ചോദ്യങ്ങൾ മറ്റൊരു ജോടി ഒരു ജോഡി സൃഷ്ടിക്കുക. നിങ്ങളുടെ ചോദ്യങ്ങൾ പരിശോധിക്കുന്നതിന് MTurk ഒരു സർവേ പരീക്ഷണം പ്രവർത്തിപ്പിക്കുക.
    2. എങ്ങനെ വലിയ ഭാഗം-ഭാഗം പ്രഭാവം സൃഷ്ടിക്കാൻ സാധിച്ചു ചെയ്തു? അതു സ്ഥിരത അല്ലെങ്കിൽ തീവ്രത ഔഷധത്തിന്റെ?
    3. എങ്ങനെ വലിയ ഭാഗം-മുഴുവൻ പ്രഭാവം സൃഷ്ടിക്കാൻ സാധിച്ചു ചെയ്തു? അതു സ്ഥിരത അല്ലെങ്കിൽ തീവ്രത ഔഷധത്തിന്റെ?
    4. നിങ്ങളുടെ ജോഡി ഒരു ചോദ്യം ഓർഡർ പ്രഭാവം ഓർഡർ പ്രശ്നമല്ല കരുതിയിരുന്നില്ല എവിടെ ഉണ്ടായിരുന്നോ?
  6. [ ഇടത്തരം , ഡാറ്റ ശേഖരണം ] 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.

  7. [ ഹാർഡ് , ഡാറ്റ ശേഖരണം ] 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) ).

    1. കുറഞ്ഞ വിവിധ ശ്രോതസ്സുകൾ തമ്മിലുള്ള, തിരഞ്ഞെടുക്കുക ശതമാനം താരതമ്യം പണവും സമയവും കണക്കിലെടുത്ത്.
    2. വിവിധ ഉറവിടങ്ങളിൽ നിന്നും ലഭിക്കുന്ന സാമ്പിളുകൾ ഘടന താരതമ്യം.
    3. സാമ്പിളുകൾ തമ്മിലുള്ള ഡാറ്റ ഗുണനിലവാരം താരതമ്യം. സർവേയിൽ നിന്ന് ഡാറ്റ ഗുണമേന്മയുള്ള അളക്കാൻ എങ്ങനെ ആശയങ്ങൾക്ക്, കാണാൻ Schober et al. (2015) .
    4. നിങ്ങളുടെ ഇഷ്ട ഉറവിടം എന്താണ്? എന്തുകൊണ്ട്?
  8. [ ഇടത്തരം ] 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.

    1. അക്രമം പോയിരിക്കുന്നു കഴിഞ്ഞില്ല എന്തു വിലയിരുത്താൻ ഈ അധ്യായം ചർച്ച മൊത്തം സർവേ പിശക് ചട്ടക്കൂട് ഉപയോഗിക്കുക.
    2. തിരഞ്ഞെടുപ്പ് ശേഷം YouGov പ്രതികരണം (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) വിശദീകരിച്ചു: "ഇത് കാരണം പോളിങ് ഒരു വലിയ ഭാഗത്ത് തോന്നുന്നു - ചിലത് ആ അത്തരമൊരു നന്നായി സമതുലിതമായ റേസ് പരിണിത പ്രമുഖം തന്നെ രംഗത്ത് ഞാൻ പറഞ്ഞു. നമ്മുടെ പോളിങ് മോഡൽ, അവലംബിച്ച ഭാഗത്ത്, സർവേയിൽ പൊതുതിരഞ്ഞെടുപ്പ് മീതെ പൊതു തിരഞ്ഞെടുപ്പിൽ ഒരു പോളിങ് തലത്തിൽ വോട്ടെടുപ്പിൽ എന്നതിനെ പ്രത്യേകിച്ച് ഉത്തര, മോഡൽ മറിക്കാൻ. "ഈ ഭാഗം (എ) ലേക്ക് നിങ്ങളുടെ ഉത്തരം മാറ്റുക നൽകുന്നത്?
  9. [ ഇടത്തരം , കോഡിങ് ആവശ്യമാണ് ] ചിത്രം 3.1 പ്രാതിനിധ്യം പിശകുകൾ ഓരോ ചിത്രീകരിക്കാൻ ഒരു സിമുലേഷൻ എഴുതുക.

    1. ഈ പിശകുകൾ യഥാർത്ഥത്തിൽ പൂരകങ്ങളാകും ഒരു അവസ്ഥയിലാണ് സൃഷ്ടിക്കുക.
    2. പിശകുകൾ പരസ്പരം കോമ്പൗണ്ടഡ് എവിടെയാണ് സ്ഥിതി സൃഷ്ടിക്കുക.
  10. [ വളരെ ഹാർഡ് , കോഡിങ് ആവശ്യമാണ് ] 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) .

    1. വായിക്കുക Kosinski, Stillwell, and Graepel (2013) അവരുടെ ഡാറ്റ 2. ചിത്രം അവരാഗ്രഹിച്ചില്ല ഇവിടെ ലഭ്യമാണ്: http://mypersonality.org/
    2. ഇപ്പോൾ, ചിത്രം 3 അവരാഗ്രഹിച്ചില്ല.
    3. http://applymagicsauce.com/: ഒടുവിൽ, നിങ്ങളുടെ സ്വന്തം ഫേസ്ബുക്ക് ഡാറ്റ അവയുടെ മോഡൽ ശ്രമിക്കുക. എത്ര നന്നായി അത് നിങ്ങൾക്ക് പ്രവർത്തിക്കുന്നത്?
  11. [ ഇടത്തരം ] Toole et al. (2015) കുറയാത്ത തൊഴിലില്ലായ്മ ട്രെൻഡുകൾ പ്രവചിക്കാൻ മൊബൈൽ ഫോണുകളിൽ നിന്നും കോൾ വിശദാംശ റെക്കോർഡുകൾ (CDRs) ഉപയോഗിക്കുക.

    1. താരതമ്യം ചെയ്ത് രൂപകല്പന തീവ്രത Toole et al. (2015) കൂടെ Blumenstock, Cadamuro, and On (2015) .
    2. നിങ്ങൾ CDRs, പരമ്പരാഗത സർവേകൾ മാറ്റി പകരം അവരെ യോജിച്ച അല്ലെങ്കിൽ തൊഴിലില്ലായ്മ ട്രാക്കുചെയ്യുന്നതിന് സർക്കാർ നയരൂപീകരണ എല്ലാ ഭൂതകാല ഉപയോഗിക്കണം കരുതുന്നുണ്ടോ? എന്തുകൊണ്ട്?
    3. എന്തു തെളിവുണ്ട് നിങ്ങൾ CDRs പൂർണ്ണമായും തൊഴിലില്ലായ്മ നിരക്ക് പരമ്പരാഗത നടപടികൾ പകരം ആ ഉള്ളൂ?