Key ကို:
[ , ] အခနျးတှငျ, ငါသည် Post-stratification အကြောင်းကိုအလွန်အပြုသဘောဆောင်တဲ့ခဲ့သည်။ သို့ရာတွင်ထိုသို့အစဉ်အမြဲခန့်မှန်းတွက်ချက်မှုများအရညျအသှေးတိုးတကျအောငျမပေးပါဘူး။ နိုင် post-stratification ခန့်မှန်းချက်များ၏အရည်အသွေးလျော့နည်းကျဆင်းနိုင်ပါတယ်တဲ့အခွအေနတည်ဆောက်ရန်။ (ကအရိပ်အမြွက်များအတွက်တွေ့ Thomsen (1973) ) ။
[ , , ] ဒီဇိုင်းနှင့်သေနတ်ပိုင်ဆိုင်မှုနှင့် ပတ်သက်. မေးရန်အမေဇုံ MTurk အပေါ် non-ဖြစ်နိုင်ခြေစစ်တမ်းကောက်ယူ ( "သငျသညျပွုပါ, သို့မဟုတ်သင့်အိမ်ထောင်စုအတွက်မည်သူမဆိုတတ်, တစ်ဦးသေနတ်, ရိုင်ဖယ်သို့မဟုတ်ပစ္စတိုပိုင်ဆိုင်? သင်သို့မဟုတ်သင့်အိမ်ထောင်စုအတွက်တစ်စုံတစ်ဦးကလား?") နှင့် သေနတ်ထိန်းချုပ်ရေးဆီသို့ဦးတည်သဘောထားများ ( "သင်ပိုမိုအရေးကြီးသောမှသေနတ်ပိုင်ဆိုင်အမေရိကန်များ၏ညာဘက်ကာကွယ်, ဒါမှမဟုတ်သေနတ်ပိုင်ဆိုင်မှုကိုထိန်းချုပ်ရန်သည်အဘယ်သို့ထင်သနည်း") ။
[ , , ] Goel နှင့်လုပ်ဖော်ကိုင်ဖက်များက (2016) အမေဇုံ MTurk အပေါ် Pew Research Center ကအားဖြင့်အထွေထွေလူမှုစစ်တမ်း (GSS) နှင့်ကို select လုပ်ပါစစ်တမ်းများကနေရေးဆွဲ 49 မျိုးစုံကို-ရွေးချယ်စရာ attitudinal မေးခွန်းများကိုပါဝင်သည်ဟု non-ဖြစ်နိုင်ခြေ-based စစ်တမ်းအုပ်ချုပ်ခွင့်ရ။ ထို့နောက်စံပြ-based Post-stratification (မစ္စတာ P) ကိုအသုံးပြုခြင်းအချက်အလက်များ၏ non-ကိုယ်စားပြုမှုများအတွက်ချိန်ညှိနှင့်ဖြစ်နိုင်ခြေ-based GSS / Pew သုတေသနအဖွဲ့စစ်တမ်းများသုံးပြီးခန့်မှန်းခြေသူတို့နှင့်အတူညှိပြီးခန့်မှန်းခိုင်းနှိုင်း။ MTurk အပေါ်တူညီတဲ့စစ်တမ်းကောက်ယူနှင့် (49 မေးခွန်းများကိုများ၏စာရင်းအတွက်နောက်ဆက်တွဲဇယား A2 ကိုကြည့်ပါ) GSS / Pew သုတေသနအဖွဲ့၏လတ်တလောကျည်အနေဖြင့်ခန့်မှန်းတွက်ချက်မှုနှင့်သင်၏ညှိပြီးခန့်မှန်းချက်နှိုင်းယှဉ်ခြင်းဖြင့်ပုံ 2- နဲ့ပုံ 2 ခပုံတူပွားဖို့ကြိုးစားပါ။
[ , , ] အများစုကလေ့လာမှုများမိုဘိုင်းဖုန်းလှုပ်ရှားမှုအချက်အလက်များ၏ Self-အစီရင်ခံစာအစီအမံကိုအသုံးပြုပါ။ ဒီသုတေသီများက Logged အပြုအမူ (ဥပမာတွေ့နှင့်အတူ Self-ဖော်ပြခဲ့သည်အပြုအမူနှိုင်းယှဉ်နိုင်သည့်နေရာတွင်တစ်ဦးစိတ်ဝင်စားစရာ setting ကိုဖြစ်ပါတယ် Boase and Ling (2013) ) ။ အကြောင်းမေးမြန်းဖို့နှစ်ဦးဘုံအပြုအမူတွေတောင်းဆိုနှင့်စာသား, နှစ်ယောက်ဘုံအချိန်ဘောင် "မနေ့က" ဖြစ်ကြောင်းနှင့်နေကြတယ် "အတိတ်ရက်သတ္တပတ်၌တည်၏။ "
[ , ] Schuman နှင့် Presser (1996) ထိုမေးခွန်းကိုအမိန့်မေးခွန်းတွေကိုအကြားဆက်ဆံရေးနှစ်မျိုးများအတွက်အရေးပါမယ်လို့ငြင်း: မေးခွန်းနှစ်ခု Specifications များမှာအတူတူပင်အဆင့်မှာရှိပါတယ်ဘယ်မှာအစိတ်အပိုင်း-အစိတ်အပိုင်းမေးခွန်းများကို (နှစ်ခုသမ္မတကိုယ်စားလှယ်လောင်းဥပမာ ratings); နှင့်အထွေထွေမေးခွန်းကပိုပြီးတိကျတဲ့မေးခွန်း (ဥပမာတောင်း "သင်သည်သင်၏အလုပ်နှင့်အတူဘယ်လိုစိတ်ကျေနပ်မှု?" "သင်သည်သင်၏အသက်တာနှင့်အတူနေကြသည်ကိုဘယ်လိုစိတ်ကျေနပ်မှု?" အားဖြင့်နောက်တော်သို့လိုက်) မှာအောက်ပါအတိုင်းဘယ်မှာပိုငျးတပြင်လုံးကိုမေးခွန်းများကို။
သူတို့ကနောက်ထပ်မေးခွန်းအမိန့်သက်ရောက်မှုနှစ်မျိုးလက္ခဏာ: တစ်အကြာတွင်မေးခွန်းကိုတုံ့ပြန်မှုတခုအစောပိုင်းကမေးခွန်းအားပေးပြီးမှသူတို့အား (သူတို့မဟုတ်ရင်လိမ့်မည်ထက်) ပိုမိုနီးကပ်စွာပို့ဆောင်ကြသောအခါအကိုက်ညီမှုအကျိုးသက်ရောက်မှုများဖြစ်ပေါ်; မေးခွန်းနှစ်ခုမှတုံ့ပြန်မှုအကြားကြီးမြတ်ကွဲပြားခြားနားမှုရှိပါတယ်ကြသောအခါသက်ရောက်မှုများဖြစ်ပေါ်နှိုငျးယှဉျ။
[ , ] Schuman နှင့် Presser ၏လုပျငနျးပေါ်တွင်တည်ဆောက်ခြင်း Moore (2002) ထို့အပြင်နှင့်နုတ်: မေးခွန်းအမိန့်သက်ရောက်မှု၏သီးခြားရှုထောင်ဖော်ပြသည်။ နှိုင်းယှဉ်ခြင်းနှင့်ကိုက်ညီမှုအကျိုးသက်ရောက်မှုများအသီးအသီးအခြား ဆက်စပ်. အတွက်နှစ်ခုပစ္စည်းများဖြေဆိုသူ '' အကဲဖြတ်၏အကျိုးဆက်အဖြစ်ထုတ်လုပ်နေချိန်မှာဖြေဆိုသူမေးခွန်းများကို စုပေါင်း. ထားတဲ့အတွင်းပိုကြီးမူဘောင်ဖို့ပိုအထိခိုက်မခံစေကြသောအခါ, ထို့အပြင်နှင့်နုတ်သက်ရောက်မှုများထုတ်လုပ်လျက်ရှိသည်။ Read Moore (2002) ထို့အပြင်သို့မဟုတ်နုတ်သက်ရောက်မှုများသရုပ်ပြ MTurk အပေါ်စစ်တမ်းတစ်ခုစမ်းသပ်မှုဒီဇိုင်းနှင့် run ပြီးတော့။
[ , ] ခရစ္စတိုဖာ Antoun နှင့်လုပ်ဖော်ကိုင်ဖက်များက (2015) လေးကွဲပြားခြားနားသောအွန်လိုင်းစုဆောင်းရေးရင်းမြစ်များမှရရှိသောအဆင်ပြေနမူနာနှိုင်းယှဉ်လေ့လာမှုတစ်ခုကောက်ယူ: MTurk, Craigslist Google က AdWords အနှင့် Facebook ။ (သူတို့အတွက်အသုံးပြုလေးပါးသတင်းရပ်ကွက်ထံမှကွဲပြားခြားနားသောသတင်းရင်းမြစ်များရှိနိုင်ပါသည်ရိုးရှင်းတဲ့စစ်တမ်း Design နှင့်အနည်းဆုံးနှစ်ဦးကွဲပြားခြားနားသောအွန်လိုင်းစုဆောင်းရေးသတင်းရပ်ကွက်မှတဆင့်သင်တန်းသားများကိုစုဆောင်း Antoun et al. (2015) ) ။
[ ] YouGov, အင်တာနက်-based ဈေးကွက်သုတေသနကုမ္ပဏီ, ဗြိတိန်၌အကြောင်းကို 800,000 ဖြေဆိုသူတစ်ဦး panel ကို၏အွန်လိုင်းရွေးကောက်ပွဲကောက်ယူနှင့်အီးယူဆန္ဒခံယူပွဲ (ဆိုလိုသည်မှာ, Brexit) ၏ရလဒ်ခန့်မှန်းဖို့မစ္စတာ P. အသုံးပြုတဲ့ဗြိတိန်မဲဆန္ဒရှင်ဆက်လက်ရှိနေရန်ဖြစ်စေမဲပေးဘယ်မှာ ဒါမှမဟုတ်ဥရောပသမဂ္ဂထားခဲ့ပါ။
YouGov ရဲ့စာရင်းအင်းမော်ဒယ်တစ်အသေးစိတ်ဖော်ပြချက်ကဒီမှာ (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/) ဖြစ်ပါသည်။ အကြမ်းအားဖြင့်စကားပြော, YouGov 2015 အထွေထွေရွေးကောက်ပွဲတွင်မဲပေးရှေးခယျြမှု, အသက်, အရည်အချင်း, ကျား, မ, အင်တာဗျူး၏နေ့စွဲအဖြစ်သူတို့နထေိုငျမဲဆန္ဒနယ်အပေါ်အခြေခံပြီးအမျိုးအစားများသို့မဲဆန္ဒရှင် partitions ။ ပထမဦးစွာသူတို့အနက်ခန့်မှန်းဖို့ YouGov ဟောပြောထံမှကောက်ယူဒေတာအသုံးပြု အဘယ်သူသည် Leave မဲပေးရန်ရည်ရွယ်သူအသီးအသီးမဲဆန္ဒရှင်အမျိုးအစားလူမျိုး၏အချိုးအစားမဲပေး။ သူတို့ဟာရွေးကောက်ပွဲဆိုင်ရာလိပ်မှမဲပေးသူအတည်ပြုသော 2015 ခုနှစ်ဗြိတိသျှတို့ရွေးကောက်ပွဲလေ့လာမှု (ကမ္ဘာပေါ်မှာအကောင်းဆုံးသော) Post-ရွေးကောက်ပွဲမျက်နှာ-to-မျက်နှာစစ်တမ်းကိုအသုံးပြုခြင်းအားဖြင့်အသီးအသီးမဲဆန္ဒရှင်အမျိုးအစားမဲပေးသူခန့်မှန်းကြသည်။ နောက်ဆုံးတော့သူတို့ကနောက်ဆုံးသန်းခေါင်စာရင်းနှင့်ကမ္ဘာပေါ်မှာအကောင်းဆုံးသောမှအချို့သောထို့အပြင်သတင်းအချက်အလက်နှင့်အတူနှစ်စဉ်လူဦးရေစစ်တမ်း (အထွေထွေရွေးကောက်ပွဲတွင်ပတ်ပတ်လည်ကနေ YouGov စစ်တမ်းဒေတာနှင့်လူများအတွက်မဲပေးမည်မျှစသည်ဖြင့်သတင်းအချက်အလက်အပေါ်အခြေခံပြီးမဲဆန္ဒရှင်များအတွက်အသီးအသီးမဲဆန္ဒရှင်အမျိုးအစားရှိပါတယ်လူမည်မျှခန့်မှန်း အသီးအသီးမဲဆန္ဒနယ်တခုစီပါတီ) ။
သုံးရက်ပတ်လုံးမဲ, ရှေ့တော်၌ YouGov ခွင့်များအတွက်တစ်ဦးနှစ်ဦးအမှတ်ခဲပြသခဲ့တယ်။ မဲပေး၏အကြိုတွင်စစ်တမ်း (49-51 တည်နေ) ခေါ်ခြင်းနီးကပ်လွန်းပြသခဲ့သည်။ နောက်ဆုံး On-The-နေ့ကလေ့လာမှုတည်နေ (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/) ၏မျက်နှာသာအတွက် 48/52 ခန့်မှန်းခဲ့ပါတယ်။ တကယ်တော့ဒီခန့်မှန်းချက်လေးရာခိုင်နှုန်းမှတ်ခြင်းအားဖြင့်နောက်ဆုံးရလဒ် (52-48 Leave) လွဲချော်။
[ , ] ပုံ 3.1 အတွက်ကိုယ်စားပြုမှုအမှားများကိုအသီးအသီးသရုပျဖျောဖို့ခြင်း simulation ရေးပါ။
[ , ] Blumenstock နှင့်လုပ်ဖော်ကိုင်ဖက်များ၏အဆိုပါသုတေသန (2015) စစ်တမ်းတုံ့ပြန်မှုကြိုတင်ခန့်မှန်းဖို့ဒစ်ဂျစ်တယ်သဲလွန်စဒေတာကိုသုံးနိုင်ကြောင်းစက်သင်ယူမှုပုံစံကိုတည်ဆောက်ပါဝင်ပတ်သက်။ အခုဆိုရင်သင်တစ်ဦးကွဲပြားခြားနားသော Datasets တွေနဲ့အတူတူပဲကြိုးစားကြည့်ပါသွားကြသည်။ Kosinski, Stillwell, and Graepel (2013) က Facebook တစ်ဦးချင်းစီစရိုက်များနှင့် Attribute တွေကြိုတင်ခန့်မှန်းနိုင် likes ကြောင်းတွေ့ရှိခဲ့ပါတယ်။ အံ့သြစရာကောင်းတာကအဲဒီဟောကိန်း ပို. ပင်တိကျမှန်ကန်မိတ်ဆွေများနှင့်လုပ်ဖော်ကိုင်ဖက်များ၏တွေထက်ဖြစ်နိုင် (Youyou, Kosinski, and Stillwell 2015) ။
[ ] Toole et al. (2015) စုစုပေါင်းအလုပ်လက်မဲ့ခေတ်ရေစီးကြောင်းကြိုတင်ခန့်မှန်းဖို့မိုဘိုင်းဖုန်းများမှဖုန်းခေါ်ဆိုမှုအသေးစိတ်မှတ်တမ်းများ (CDRs) ကိုအသုံးပြုပါ။