उपक्रम

की:

• अडचण पदवी: सोपे , मध्यम हार्ड , खुप कठिण
• गणित आवश्यक आहे ( )
• आवश्यक कोडींग ( )
• माहिती मिळवणे ( )
• माझे आवडते ( )

1. [ , ] धडा, मी पोस्ट-साहित्य बियाणे बद्दल अतिशय सकारात्मक होते. तथापि, तो नेहमी अंदाज गुणवत्ता सुधारण्यासाठी नाही. पोस्ट-साहित्य बियाणे अंदाज गुणवत्ता कमी करू शकता जेथे परिस्थितीत बांधकाम. (एक इशारा, पहा Thomsen (1973) ).

2. [ , , ] डिझाईन आणि तोफा मालकी विचाराल ऍमेझॉन Mturk वरील ना-संभाव्यता सर्वेक्षण ( "तू का, किंवा आपल्या घरातील कोणी नाही, तोफा, रायफल स्वत: चे किंवा पिस्तूल आहे? आपण किंवा आपल्या घरातील कोणीतरी?") आणि तोफा नियंत्रण दिशेने दृष्टिकोन ( "तुम्हांला वाटते का काय गन स्वत: ची किंवा तोफा मालकी नियंत्रित करण्यासाठी अमेरिकन योग्य संरक्षण अधिक महत्वाचे-आहे?").

   1. आपले सर्वेक्षण किती वेळ लागतो? तो खर्च किती आहे? आपल्या नमुना लोकसंख्येबद्दल अमेरिकन लोकसंख्येच्या लोकसंख्याशास्त्र तुलना करू?
   2. आपले नमुना वापरून तोफा मालकी कच्चा अंदाज काय आहे?
   3. पोस्ट-साहित्य बियाणे किंवा काही इतर तंत्र वापरून आपले नमुना न representativeness योग्य. आता तोफा मालकी अंदाज काय आहे?
   4. आपल्या अंदाज प्यू रिसर्च सेंटर नवीनतम अंदाज तुलना करू? आपण सदोष स्पष्ट काय आहे काही आहे का?
   5. व्यायाम 2-5 तोफा नियंत्रण दिशेने दृष्टिकोन पुन्हा. आपल्या निष्कर्ष कशा?

3. [ , , ] गोयल आणि सहकारी (2016) ऍमेझॉन Mturk वर प्यू रिसर्च सेंटर जनरल सामाजिक सर्वेक्षण (GSS) आणि सर्वेक्षण काढलेल्या 49 एकाधिक-निवड वृत्तीमुळे येणारे अडथळे प्रश्न होणारी एक नॉन-संभाव्यता आधारित सर्वेक्षण दिली. ते नंतर मॉडेल आधारित पोस्ट साहित्य बियाणे (श्री पी) चा वापर करून डेटा न representativeness समायोजित, आणि संभाव्यता आधारित GSS / प्यू सर्वेक्षण वापरून अंदाज त्या जुळवून अंदाज तुलना करा. Mturk समान पाहणी आपल्या सुस्थीत अंदाज GSS / प्यू सर्वात अलीकडील फेऱ्या पासून अंदाज तुलना करून आकृती 2 अ व आकृती 2B प्रतिकृती तयार करण्यासाठी प्रयत्न करा (49 प्रश्नांची सूची परिशिष्ट टेबल A2 पहा).

   1. तुलना करा आणि प्यू आणि GSS परिणाम आपल्या परिणामांवर फरक.
   2. तुलना करा आणि Mturk सर्वेक्षण परिणाम आपल्या परिणामांवर फरक Goel, Obeng, and Rothschild (2016) .

4. [ , , ] अनेक अभ्यास मोबाइल फोन क्रियाकलाप डेटा स्वत: ची अहवाल उपाय वापर. या संशोधक लॉग वर्तन स्वत: ची अहवाल वर्तन तुलना करू शकता, जेथे एक मनोरंजक सेटिंग आहे (उदा पाहू, Boase and Ling (2013) ). कॉल करत आहेत आणि मजकूर पाठवणे, आणि दोन सामान्य चौकटीवर विचाराल दोन सामान्य आचरण "गेल्या आठवड्यात." "काल" आणि

   1. स्वत: ची अहवाल कोणत्या उपाय तुम्हाला काय वाटते अधिक अचूक आहे कोणत्याही डेटा, गोळा करण्यापूर्वी? का?
   2. नवीन सदस्य आपल्या मित्रांना 5 सर्वेक्षण होणार आहे. थोडक्यात 5 मित्र नमुनाकृत होते कसे सारांश करा. या नमूना प्रक्रिया आपल्या अंदाजपत्रकास मध्ये विशिष्ट चुका लावणे शकते?
   3. त्यांना खालील सूक्ष्म-सर्वेक्षण विचारू करा:
   • "किती वेळा आपण काल ​​इतर कॉल करण्यासाठी मोबाइल फोन उपयोग केला?"
   • "काल तू किती मजकूर संदेश पाठवू केले?"
   • "किती वेळा आपण गेल्या सात दिवस इतर कॉल करण्यासाठी आपला मोबाइल फोन उपयोग केला?"
   • सर्वेक्षण पूर्ण झाल्यानंतर "अनेक वेळा आपण पाठवू किंवा अंतिम सात दिवस मजकूर संदेश / SMS प्राप्त? आपला मोबाईल फोन वापर कशा", त्यांच्या फोन किंवा सेवा प्रदाता करून लॉग इन म्हणून त्यांच्या वापर डेटा तपासण्यासाठी विचारू.
   4. डेटा लॉग इन करण्यासाठी स्वत: ची अहवाल वापर कशी तुलना हाते? बहुतांश अचूक आहे अचूक आहे किमान आहे?
   5. आता आपण आपल्या वर्गात इतर लोक डेटा गोळा केलेल्या (आपण एक वर्ग या क्रियाकलाप करत आहात) डेटा एकत्र. या मोठ्या डेटासेटच्या सह, भाग (ड) पुन्हा करा.

5. [ , ] Schuman आणि Presser (1996) या प्रश्नाचे आदेश प्रश्न संबंध दोन प्रकार काही फरक पडत असे भांडणे: भाग भाग प्रश्न दोन प्रश्न विशिष्टता समान पातळीवर आहेत जेथे (उदा दोन राष्ट्रपती पदाचे उमेदवार रेटिंग); आणि जेथे सामान्य प्रश्न अधिक विशिष्ट प्रश्न खालील भाग-संपूर्ण प्रश्न (उदा विचारून "आपले कार्य तुम्हाला किती समाधानी आहेस?" त्यानंतर "आपल्या जीवनात आपण किती समाधानी आहात?").

   ते पुढे अधिक प्रश्न क्रम परिणाम दोन प्रकार व्यक्तिचित्रण: सुसंगतता प्रभाव नंतर प्रश्न प्रतिसाद जवळ (ते अन्यथा होईल पेक्षा) पूर्वीच्या प्रश्न दिले त्या आणले जाते करताना येऊ; प्रभाव फरक दोन प्रश्न प्रतिसाद दरम्यान मोठे फरक आहेत तेव्हा घडतात.

   1. आपण एका मोठ्या प्रश्न क्रम परिणाम, आपण एका मोठ्या ऑर्डर परिणाम लागेल भाग-संपूर्ण प्रश्न एक जोडी, आणि ज्यांचे आदेश आपण विचार काही फरक पडत नाही प्रश्न आणखी एक जोडी लागेल भाग भाग प्रश्न एक जोडी तयार करा. आपल्या प्रश्नांची चाचणी करण्यासाठी Mturk सर्वेक्षणानुसार प्रयोग चालवा.
      
   2. भाग-भाग परिणाम आपण निर्माण करू शकलो किती मोठे होते? तो एक सुसंगतता किंवा तीव्रता परिणाम होता?
   3. भाग-संपूर्ण परिणाम आपण निर्माण करू शकलो किती मोठे होते? तो एक सुसंगतता किंवा तीव्रता परिणाम होता?
   4. आपण विचार नाही जेथे क्रमवारी महत्वाची असते आपल्या जोडी मध्ये एक प्रश्न क्रम प्रभाव होता?

6. [ , ] Schuman आणि Presser, काम तयार Moore (2002) मिश्रित आणि subtractive: प्रश्न क्रम परिणाम स्वतंत्र आकारमान वर्णन. तीव्रता आणि सुसंगतता प्रभाव एकमेकांना मिश्रित संबंधात दोन आयटम सर्वेक्षणात 'मोजमापन एक परिणाम म्हणून उत्पादन आणि सर्वेक्षणात मोठ्या फ्रेमवर्क जे आत प्रश्न विचारलेल्या आहेत अधिक संवेदनशील केले जातात, तेव्हा subtractive घडवली आहेत. वाचा Moore (2002) , नंतर डिझाइन आणि मिश्रित किंवा subtractive प्रभाव ठेवावी Mturk सर्वेक्षणानुसार प्रयोग चालवा.

7. [ , ] ख्रिस्तोफर Antoun आणि सहकारी (2015) Mturk, Craigslist, Google AdWords आणि फेसबुक: सोयीसाठी नमुने चार भिन्न ऑनलाइन भरती स्रोतांपासून प्राप्त तुलना एक अभ्यास. एक साधी सर्वेक्षण डिझाइन आणि कमीत कमी दोन भिन्न ऑनलाइन भरती स्रोत माध्यमातून सहभागी भरती (ते वापरले चार स्रोत पासून विविध स्रोत असू शकते Antoun et al. (2015) ).

   1. विविध स्रोत दरम्यान, पैसा आणि वेळ दृष्टीने नवीन सदस्य दर खर्च, तुलना करा.
   2. विविध स्रोत पासून प्राप्त नमुने रचना तुलना करा.
   3. नमुने दरम्यान डेटा गुणवत्ता तुलना करा. सर्वेक्षणात डेटा गुणवत्ता कसे मोजण्यासाठी बद्दल कल्पना, पहा Schober et al. (2015) .
   4. आपली प्राधान्यकृत स्त्रोत काय आहे? का?

8. [ ] YouGov, इंटरनेट-आधारित बाजार संशोधन टणक, यूके मध्ये सुमारे 800,000 सर्वेक्षणात समिती ऑनलाइन निवडणूक आयोजित आणि युरोपियन युनियन सार्वमत (म्हणजेच, Brexit) परिणाम यूके मतदार मतदान एकतर राहू जेथे अंदाज श्री पी वापरले किंवा युरोपियन युनियन सोडा.

   YouGov च्या संख्याशास्त्रीय मॉडेल सविस्तर वर्णन येथे आहे (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/). अंदाजे बोलत, YouGov 2015 सामान्य निवडणूक मत निवड, वय, पात्रता, लिंग, मुलाखत तारीख, तसेच अंदाज ते प्रथम, ते YouGov पॅनेलचा सदस्य गोळा डेटा वापरला नाही. राहतात मतदारसंघात त्या लोकांमध्ये आधारित प्रकार मतदार विभाजने मतदान कोण, रजा मतदान हेतू प्रत्येक मतदार प्रकारच्या लोकांना प्रमाणात. ते 2015 ब्रिटिश निवडणूक अभ्यास (BES) पोस्ट निवडणूक फेस-टू-फेस मतदार यादी पासून मतदान झाले सत्यापित जे सर्वेक्षण वापरून प्रत्येक मतदार प्रकार मतदान झाले अंदाज. शेवटी, ते किती लोक नवीन जनगणना आणि वार्षिक लोकसंख्या सर्वेक्षण (BES काही व्यतिरिक्त माहिती आधारित सर्वसाधारण निवडणूक, आणि माहिती सुमारे YouGov सर्वेक्षण डेटा अनेक लोक मतदान केले कसे मतदार प्रत्येक मतदार प्रकारच्या आहेत अंदाज प्रत्येक मतदारसंघात प्रत्येक पक्ष).

   तीन दिवस मतदानापूर्वीचे, YouGov सोडा एक दोन गुणांची आघाडी घेतली झाली. मतदान पूर्वसंध्येला, मतदान कॉल (49-51 राहा) खूप जवळ झाली. अंतिम सामना-दिवस अभ्यास राहा (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/) नावे 48/52 अंदाज. खरं तर, या अंदाज चार टक्क्याने अंतिम परिणाम (52-48 रजा) नाही.

   1. चूक झाली आहेत काय मुल्यांकन एकूण सर्वेक्षण त्रुटी फ्रेमवर्क या धड्यातील चर्चा वापरा.
   2. निवडणूक (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) नंतर YouGov प्रतिसाद स्पष्ट केले: "या मुळे मतदान झाले एक मोठ्या भागात आहे असे वाटते - काहीतरी आम्ही अशा बारीक संतुलित शर्यत परिणाम महत्त्वपूर्ण होईल सर्व बाजूने म्हटले आहे. आमच्या मतदान झाले मॉडेल सर्वेक्षणात की नाही हे गेल्या सार्वत्रिक निवडणुकांसाठी मतदान केले आणि लोकसभा निवडणुकीचा की, वरील मतदानाचे पातळी मॉडेल, विशेषतः उत्तर अस्वस्थ होते वर, भाग, आधारित होता. "हा भाग (अ) ते आपले उत्तर बदला का?

9. [ , ] आकृती 3.1 निवेदन चुका प्रत्येक स्पष्ट करण्यासाठी एक नक्कल लिहा.

   1. या चुका प्रत्यक्षात बाहेर रद्द जेथे परिस्थितीत तयार करा.
   2. एक परिस्थिती त्रुटी एकमेकांना आवर्ती जेथे तयार करा.

10. [ , ] Blumenstock आणि सहकारी संशोधन (2015) सर्वेक्षण प्रतिसादांचा अंदाज डिजिटल ट्रेस डेटा वापरू शकतो, की एक मशीन लर्निंग मॉडेल इमारत सहभाग. आता, आपण भिन्न डेटासेटच्या समान गोष्ट प्रयत्न करणार आहेत. Kosinski, Stillwell, and Graepel (2013) फेसबुक आवडी की वैयक्तिक अद्वितीय वैशिष्ट्य आणि विशेषता सांगता येत नाही आढळले. आश्चर्याची गोष्ट नाही, या अंदाज अगदी मित्र आणि सहकारी त्या पेक्षा अधिक अचूक असू शकते (Youyou, Kosinski, and Stillwell 2015) .

    1. वाचा Kosinski, Stillwell, and Graepel (2013) , व आकृती 2 हुबेहुब प्रतिकृती तयार करणे त्यांच्या डेटा येथे उपलब्ध आहेत: http://mypersonality.org/
    2. आता, आकृती 3 हुबेहुब प्रतिकृती तयार करणे.
    3. http://applymagicsauce.com/: शेवटी, आपल्या स्वत: च्या फेसबुक डेटा त्यांच्या मॉडेल प्रयत्न करा. तो आपण किती चांगले कार्य करते?

11. [ ] Toole et al. (2015) वापर कॉल तपशील रेकॉर्ड्स (CDRs) मोबाइल फोन पासून एकूण बेकारी ट्रेंड अंदाज.

    1. तुलना करा आणि डिझाइन फरक Toole et al. (2015) सह Blumenstock, Cadamuro, and On (2015) .
    2. आपण CDRs, पारंपारिक सर्वेक्षण पुनर्स्थित त्यांना अश्या किंवा बेकारी ट्रॅक सरकार धोरण सर्व वापरले जाऊ नये असं वाटतं का? का?
    3. काय पुरावा CDRs पूर्णपणे बेकारी दर पारंपरिक उपाय अदलाबदल करू शकता की आपल्याला खात्री असते का?