ਸਰਗਰਮੀ

ਕੁੰਜੀ:

• ਮੁਸ਼ਕਲ ਦੇ ਡਿਗਰੀ: ਆਸਾਨ , ਮੱਧਮ , ਹਾਰਡ , ਬਹੁਤ ਔਖਾ
• ਮੈਥ ਦੀ ਲੋੜ ਹੈ ( )
• ਦੀ ਲੋੜ ਹੈ ਕੋਡਿੰਗ ( )
• ਡਾਟਾ ਇਕੱਠਾ ( )
• ਮੇਰੇ ਮਨਪਸੰਦ ( )

1. [ , ] ਅਧਿਆਇ ਵਿਚ, ਮੈਨੂੰ ਪੋਸਟ-stratification ਬਾਰੇ ਬਹੁਤ ਹੀ ਸਕਾਰਾਤਮਕ ਸੀ. ਪਰ, ਇਸ ਨੂੰ ਹਮੇਸ਼ਾ ਅਨੁਮਾਨ ਦੀ ਗੁਣਵੱਤਾ ਵਿੱਚ ਸੁਧਾਰ ਨਹੀ ਕਰਦਾ ਹੈ. ਜਿੱਥੇ ਇੱਕ ਦੀ ਸਥਿਤੀ ਪੋਸਟ-stratification ਕਰ ਸਕਦੇ ਅਨੁਮਾਨ ਦੀ ਗੁਣਵੱਤਾ ਘੱਟ ਕਰ ਸਕਦਾ ਹੈ ਬਣਾਉ. (ਇੱਕ ਸੰਕੇਤ ਲਈ, ਵੇਖੋ Thomsen (1973) ).

2. [ , , ] ਡਿਜ਼ਾਇਨ ਅਤੇ ਬੰਦੂਕ ਮਾਲਕੀ ਬਾਰੇ ਪੁੱਛਣ ਲਈ ਐਮਾਜ਼ਾਨ MTurk 'ਤੇ ਇੱਕ ਨਾ-ਸੰਭਾਵਨਾ ਸਰਵੇਖਣ ਕਰਨ ( "ਤੁਹਾਨੂੰ ਹੋ, ਜ ਤੁਹਾਡੇ ਘਰ ਵਿਚ ਕਿਸੇ ਵੀ ਵਿਅਕਤੀ ਨੂੰ ਕਰਦਾ ਹੈ, ਦੇ ਮਾਲਕ ਨੂੰ ਇੱਕ ਬੰਦੂਕ, ਰਾਈਫਲ ਜ ਪਿਸਤੌਲ? ਹੈ, ਜੋ ਕਿ ਤੁਹਾਨੂੰ ਜ ਤੁਹਾਡੇ ਘਰ ਵਿਚ ਕਿਸੇ ਹੋਰ ਵਿਅਕਤੀ ਨੂੰ?") ਅਤੇ ਬੰਦੂਕ ਕੰਟਰੋਲ ਵੱਲ ਰਵੱਈਏ ( "ਕੀ ਤੁਹਾਨੂੰ ਲੱਗਦਾ ਹੈ ਕਿ ਕੀ ਨੇਤਾ ਦੇ ਮਾਲਕ ਨੂੰ, ਜ ਬੰਦੂਕ ਮਾਲਕੀ ਨੂੰ ਕੰਟਰੋਲ ਕਰਨ ਲਈ ਅਮਰੀਕੀ ਦੇ ਸੱਜੇ ਦੀ ਰੱਖਿਆ ਨੂੰ ਹੋਰ ਕਰਨ ਲਈ ਜ਼ਰੂਰੀ-ਹੈ?").

   1. ਕਿੰਨਾ ਚਿਰ ਆਪਣੇ ਸਰਵੇਖਣ ਲੈ ਕਰਦਾ ਹੈ? ਇਸ ਦੀ ਕਿੰਨੀ ਕੀਮਤ ਹੈ? ਕਿਸ ਨੂੰ ਆਪਣੇ ਨਮੂਨੇ ਦੇ ਜਨ-ਅਮਰੀਕਾ ਦੇ ਆਬਾਦੀ ਦੇ ਜਨ ਦੀ ਤੁਲਨਾ ਕਰਦੇ ਹਨ?
   2. ਆਪਣੇ ਨਮੂਨਾ ਵਰਤ ਬੰਦੂਕ ਦੀ ਮਾਲਕੀ ਦੇ ਕੱਚੇ ਅੰਦਾਜ਼ਾ ਕੀ ਹੈ?
   3. ਆਪਣੇ ਨਮੂਨਾ ਪੋਸਟ-stratification ਜ ਕੁਝ ਹੋਰ ਤਕਨੀਕ ਵਰਤਣ ਦੀ ਗੈਰ-representativeness ਲਈ ਠੀਕ ਕਰੋ. ਹੁਣ ਬੰਦੂਕ ਮਾਲਕੀ ਦੇ ਅੰਦਾਜ਼ੇ ਕੀ ਹੈ?
   4. ਕਿਸ ਨੂੰ ਆਪਣੇ ਅੰਦਾਜ਼ੇ PEW ਰਿਸਰਚ Center ਨਵੀਨਤਮ ਅੰਦਾਜ਼ੇ ਦੀ ਤੁਲਨਾ ਕਰਦੇ ਹਨ? ਤੁਹਾਨੂੰ ਅੰਤਰ ਸਮਝਾਉਣ ਕੀ ਸੋਚਦੇ ਹੋ, ਜੇ ਹੁੰਦਾ ਹੈ, ਕੋਈ ਵੀ?
   5. ਬੰਦੂਕ ਕੰਟਰੋਲ ਵੱਲ ਰਵੱਈਏ ਲਈ ਕਸਰਤ 2-5 ਦੁਹਰਾਓ. ਆਪਣੇ ਖੁਲਾਸੇ ਕੀ ਫ਼ਰਕ ਹੈ?

3. [ , , ] ਗੋਇਲ ਅਤੇ ਸਾਥੀ (2016) ਇੱਕ ਗੈਰ-ਸੰਭਾਵਨਾ-ਅਧਾਰਿਤ 49 ਬਹੁ-ਪਸੰਦ attitudinal ਐਮਾਜ਼ਾਨ MTurk 'ਤੇ PEW ਰਿਸਰਚ Center ਦੇ ਕੇ ਜਨਰਲ ਸੋਸ਼ਲ ਸਰਵੇ (GSS) ਅਤੇ ਚੋਣ ਸਰਵੇਖਣ ਤੱਕ ਖਿੱਚਿਆ ਸਵਾਲ ਰੱਖਦਾ ਸਰਵੇਖਣ ਚੁਕਾਈ. ਉਹ ਫਿਰ ਮਾਡਲ-ਅਧਾਰਿਤ ਪੋਸਟ-stratification (ਸ੍ਰੀ ਪੀ) ਵਰਤ ਡਾਟੇ ਦੀ ਨਾ-representativeness ਲਈ ਅਨੁਕੂਲ ਹੈ, ਅਤੇ ਸੰਭਾਵਨਾ-ਅਧਾਰਿਤ GSS / ਪਿਊ ਸਰਵੇਖਣ ਵਰਤ ਅੰਦਾਜ਼ਾ ਉਹ ਦੇ ਨਾਲ ਐਡਜਸਟ ਅਨੁਮਾਨ ਦੀ ਤੁਲਨਾ ਕਰੋ. MTurk 'ਤੇ ਉਸੇ ਸਰਵੇਖਣ ਕਰਨੇ ਅਤੇ GSS / ਪਿਊ ਦਾ ਸਭ ਹਾਲ ਹੀ ਦੌਰ ਤੱਕ ਅੰਦਾਜ਼ੇ ਨਾਲ ਆਪਣੇ ਰੌਸ਼ਨੀ ਅਨੁਮਾਨ ਤੁਲਨਾ ਕਰਕੇ ਚਿੱਤਰ 2 ੳ ਅਤੇ ਚਿੱਤਰ 2 ਅ ਦੁਹਰਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ (49 ਸਵਾਲ ਦੀ ਸੂਚੀ ਲਈ ਅੰਤਿਕਾ ਸਾਰਣੀ A2 ਵੇਖੋ).

   1. ਦੀ ਤੁਲਨਾ ਅਤੇ ਪਿਊ ਅਤੇ GSS ਤੱਕ ਨਤੀਜੇ ਨੂੰ ਆਪਣੇ ਨਤੀਜੇ ਵਿੱਚ ਫਰਕ.
   2. ਦੀ ਤੁਲਨਾ ਅਤੇ MTurk ਸਰਵੇਖਣ ਦੇ ਨਤੀਜੇ ਨੂੰ ਆਪਣੇ ਨਤੀਜੇ ਵਿੱਚ ਫਰਕ Goel, Obeng, and Rothschild (2016) .

4. [ , , ] ਕਈ ਪੜ੍ਹਾਈ ਮੋਬਾਈਲ ਫੋਨ ਦੀ ਸਰਗਰਮੀ ਦਾ ਡਾਟਾ ਦੇ ਸਵੈ-ਰਿਪੋਰਟ 'ਉਪਾਅ ਨੂੰ ਵਰਤਣ. ਇਹ ਇੱਕ ਦਿਲਚਸਪ ਸੈਟਿੰਗ, ਜਿੱਥੇ ਖੋਜਕਾਰ ਲਾਗ ਵਿਵਹਾਰ ਨੂੰ ਨਾਲ ਸਵੈ-ਰਿਪੋਰਟ ਕੀਤਾ ਵਿਵਹਾਰ ਨੂੰ ਦੀ ਤੁਲਨਾ ਕਰੋ ਸਕਦਾ ਹੈ (ਵੇਖੋ, ਉਦਾਹਰਨ ਲਈ, Boase and Ling (2013) ). ਦੋ ਆਮ ਵਿਹਾਰ ਬਾਰੇ ਕਾਲ ਕਰ ਅਤੇ ਟੈਕਸਵਟੰਗ ਰਹੇ ਹਨ, ਅਤੇ ਦੋ ਆਮ ਵਾਰ ਫਰੇਮ ਪੁੱਛਣ ਲਈ "ਪਿਛਲੇ ਹਫ਼ਤੇ 'ਚ." "ਕੱਲ੍ਹ" ਅਤੇ ਹਨ

   1. ਕੋਈ ਵੀ ਡਾਟਾ, ਜੋ ਕਿ ਸਵੈ-ਰਿਪੋਰਟ ਦੇ ਉਪਾਅ ਤੁਹਾਨੂੰ ਹੋ ਸੋਚਦੇ ਹੋਰ ਸਹੀ ਹੈ ਇਕੱਠੇ ਅੱਗੇ? ਇਸੇ?
   2. ਦੀ ਭਰਤੀ ਲਈ ਆਪਣੇ ਦੋਸਤ ਦੇ 5 ਆਪਣੇ ਸਰਵੇਖਣ ਵਿੱਚ ਹੋਣ ਲਈ. ਕਿਰਪਾ ਕਰਕੇ ਸੰਖੇਪ ਸਾਰ ਨੂੰ ਇਹ 5 ਦੋਸਤ ਨਮੂਨੇ ਗਏ ਸਨ. ਇਸ ਨਮੂਨੇ ਵਿਧੀ ਆਪਣੇ ਅਨੁਮਾਨ ਵਿੱਚ ਖਾਸ ੳੱੁਪਰ ਫੁਸਲਾਉਣਾ ਸਕਦਾ ਹੈ?
   3. ਨੂੰ ਹੇਠ ਮਾਈਕਰੋ-ਸਰਵੇਖਣ ਨੂੰ ਪੁੱਛੋ ਕਰੋ ਜੀ:
   • "ਕਿੰਨੀ ਵਾਰ ਤੁਹਾਨੂੰ ਹੋਰ ਕੱਲ੍ਹ ਨੂੰ ਕਾਲ ਕਰਨ ਲਈ ਮੋਬਾਈਲ ਫੋਨ ਦੀ ਵਰਤਿਆ ਸੀ?"
   • "ਤੁਹਾਨੂੰ ਕੱਲ੍ਹ ਨੂੰ ਪਾਠ ਕਿੰਨੇ ਸੁਨੇਹੇ ਭੇਜਣ ਸੀ?"
   • "ਕਿੰਨੀ ਵਾਰ ਤੁਹਾਨੂੰ ਪਿਛਲੇ ਸੱਤ ਦਿਨ 'ਚ ਹੋਰ ਨੂੰ ਕਾਲ ਕਰਨ ਲਈ ਆਪਣੇ ਮੋਬਾਈਲ ਫੋਨ ਦੀ ਵਰਤਿਆ ਸੀ?"
   • ਇੱਕ ਵਾਰ ਸਰਵੇਖਣ ਪੂਰਾ ਹੋ ਗਿਆ ਹੈ, "ਕਿੰਨੀ ਵਾਰ ਤੁਹਾਨੂੰ ਆਪਣੇ ਮੋਬਾਈਲ ਫੋਨ ਨੂੰ ਵਰਤਣ ਭੇਜਣ ਜ ਪਿਛਲੇ ਸੱਤ ਦਿਨ 'ਚ ਪਾਠ ਦੇ ਸੁਨੇਹੇ / SMS ਪ੍ਰਾਪਤ? ਕੀਤਾ", ਆਪਣੇ ਵਰਤੋ ਡਾਟਾ ਨੂੰ ਚੈੱਕ ਕਰਨ ਲਈ ਦੇ ਰੂਪ ਵਿੱਚ ਆਪਣੇ ਫੋਨ ਜ ਸੇਵਾ ਪ ਦਾਤਾ ਲਾਗਇਨ ਪੁੱਛੋ.
   4. ਕਰਨਾ ਸਵੈ-ਦੀ ਰਿਪੋਰਟ ਵਰਤੋ ਡਾਟਾ ਲਾਗਇਨ ਕਰਨ ਲਈ ਦੀ ਤੁਲਨਾ ਕਰਦਾ ਹੈ? ਕਿਹੜਾ ਸਭ ਸਹੀ ਹੈ, ਜੋ ਕਿ ਘੱਟੋ ਘੱਟ ਸਹੀ ਹੈ,?
   5. ਹੁਣ ਡਾਟਾ ਹੈ, ਜੋ ਕਿ ਤੁਹਾਨੂੰ ਆਪਣੇ ਕਲਾਸ ਵਿਚ ਹੋਰ ਲੋਕ ਤੱਕ ਡਾਟਾ ਨਾਲ ਇਕੱਠਾ ਕੀਤਾ ਹੈ (ਜੇਕਰ ਤੁਹਾਡੇ ਕੋਲ ਇੱਕ ਕਲਾਸ ਲਈ ਇਸ ਨੂੰ ਸਰਗਰਮੀ ਕਰ ਰਹੇ ਹਨ) ਨੂੰ ਜੋੜ. ਇਸ ਵੱਡੇ dataset ਨਾਲ, ਹਿੱਸੇ ਨੂੰ (ਸ) ਦੁਹਰਾਓ.

5. [ , ] Schuman ਅਤੇ Presser (1996) ਜੋ ਕਿ ਬਹਿਸ ਸਵਾਲ ਦਾ ਹੁਕਮ ਸਵਾਲ ਦੇ ਵਿਚਕਾਰ ਸੰਬੰਧ ਦੇ ਦੋ ਕਿਸਮ ਦੇ ਲਈ ਫ਼ਰਕ ਜਾਵੇਗਾ: ਭਾਗ-ਹਿੱਸਾ ਸਵਾਲ ਹੈ, ਜਿੱਥੇ ਦੋ ਸਵਾਲ ਨਿਸ਼ਚਿਤ ਦੇ ਉਸੇ ਪੱਧਰ 'ਤੇ ਹਨ (ਉਦਾਹਰਨ ਲਈ ਦੋ ਰਾਸ਼ਟਰਪਤੀ ਉਮੀਦਵਾਰ ਦੀ ਰੇਟਿੰਗ); ਅਤੇ ਪਾਰਟ-ਸਾਰੀ ਸਵਾਲ ਹੈ, ਜਿੱਥੇ ਇੱਕ ਆਮ ਸਵਾਲ ਦਾ ਇੱਕ ਹੋਰ ਖਾਸ ਸਵਾਲ ਦਾ ਹੇਠ (ਉਦਾਹਰਨ ਲਈ ਪੁੱਛ "ਤੁਹਾਨੂੰ ਆਪਣੇ ਕੰਮ ਨਾਲ ਕਿੰਨੇ ਸੰਤੁਸ਼ਟ ਹੋ?" ਦੇ ਬਾਅਦ "ਤੁਹਾਨੂੰ ਆਪਣੇ ਜੀਵਨ ਦੇ ਨਾਲ ਕਿੰਨੇ ਸੰਤੁਸ਼ਟ ਹੋ?").

   ਉਹ ਹੋਰ ਅੱਗੇ ਸਵਾਲ ਦਾ ਕ੍ਰਮ ਪ੍ਰਭਾਵ ਦੇ ਦੋ ਕਿਸਮ ਨੂੰ ਵਿਸ਼ੇਸ਼ਤਾ: ਇਕਸਾਰਤਾ ਪ੍ਰਭਾਵ ਵਾਪਰ ਜਦ ਇੱਕ ਨੂੰ ਬਾਅਦ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦੇ ਨੇੜੇ (ਵੱਧ ਹੋਰ ਹੋਣਾ ਸੀ) ਇੱਕ ਪਹਿਲੇ ਸਵਾਲ ਦਾ ਦੇ ਦਿੱਤਾ ਜਿਹੜੇ ਨੂੰ ਲੈ ਰਹੇ ਹਨ; ਫਰਕ ਪ੍ਰਭਾਵ ਵਾਪਰ ਜਦ ਉੱਥੇ ਦੋ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦੇ ਵਿਚਕਾਰ ਵੱਡਾ ਅੰਤਰ ਹੁੰਦਾ ਹੈ.

   1. ਹਿੱਸਾ-ਹਿੱਸਾ ਸਵਾਲ ਤੁਹਾਨੂੰ ਲੱਗਦਾ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਵੱਡੇ ਸਵਾਲ ਦਾ ਕ੍ਰਮ ਪ੍ਰਭਾਵ, ਪਾਰਟ-ਸਾਰੀ ਸਵਾਲ ਤੁਹਾਨੂੰ ਲੱਗਦਾ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਵੱਡੇ ਕ੍ਰਮ ਅਸਰ ਪਵੇਗਾ ਦਾ ਇੱਕ ਜੋੜਾ, ਅਤੇ ਸਵਾਲ ਜਿਸ ਦਾ ਕ੍ਰਮ ਕੀ ਤੁਹਾਨੂੰ ਲੱਗਦਾ ਹੈ ਕੋਈ ਫ਼ਰਕ ਨਹੀ ਸੀ, ਦੇ ਇਕ ਹੋਰ ਜੋੜਾ ਹੋਵੇਗੀ ਦਾ ਇੱਕ ਜੋੜਾ ਬਣਾਓ. ਆਪਣੇ ਸਵਾਲ ਨੂੰ ਟੈਸਟ ਕਰਨ ਲਈ MTurk 'ਤੇ ਇੱਕ ਸਰਵੇਖਣ ਤਜਰਬੇ ਚਲਾਓ.
      
   2. ਹਿੱਸਾ-ਹਿੱਸਾ ਅਸਰ ਕਰਨਾ ਹੈ ਵਿਸ਼ਾਲ ਤੁਹਾਨੂੰ ਬਣਾਉਣ ਲਈ ਯੋਗ ਸਨ ਸੀ? ਇਸ ਨੂੰ ਇੱਕ ਇਕਸਾਰਤਾ ਜ ਉਲਟ ਅਸਰ ਸੀ?
   3. ਹਿੱਸਾ-ਸਾਰੀ ਅਸਰ ਕਰਨਾ ਹੈ ਵਿਸ਼ਾਲ ਤੁਹਾਨੂੰ ਬਣਾਉਣ ਲਈ ਯੋਗ ਸਨ ਸੀ? ਇਸ ਨੂੰ ਇੱਕ ਇਕਸਾਰਤਾ ਜ ਉਲਟ ਅਸਰ ਸੀ?
   4. ਉਥੇ ਆਪਣੇ ਜੋੜਾ 'ਚ ਇਕ ਸਵਾਲ ਦੇ ਕ੍ਰਮ ਅਸਰ ਹੈ, ਜਿੱਥੇ ਤੁਹਾਨੂੰ ਲੱਗਦਾ ਹੈ ਨਾ ਸੀ ਕ੍ਰਮ ਫ਼ਰਕ ਸੀ?

6. [ , ] Schuman ਅਤੇ Presser, ਦਾ ਕੰਮ 'ਤੇ ਬਣਾਉਣਾ Moore (2002) additive ਅਤੇ subtractive: ਸਵਾਲ ਦਾ ਕ੍ਰਮ ਪ੍ਰਭਾਵ ਦੀ ਇੱਕ ਵੱਖਰੀ ਦਿਸ਼ਾ ਬਾਰੇ ਦੱਸਦਾ ਹੈ. ਇਸ ਦੇ ਉਲਟ ਹੈ ਅਤੇ ਇਕਸਾਰਤਾ ਪ੍ਰਭਾਵ ਇਕ-ਦੂਜੇ ਨੂੰ, additive ਦੇ ਸਬੰਧ ਵਿੱਚ ਦੋ ਇਕਾਈ ਦੀ ਜਵਾਬ 'evaluations ਦੀ ਇੱਕ ਨਤੀਜਾ ਦੇ ਤੌਰ ਤੇ ਪੈਦਾ ਕਰ ਰਹੇ ਹਨ ਅਤੇ subtractive ਪ੍ਰਭਾਵ ਪੈਦਾ ਕਰ ਰਹੇ ਹਨ, ਜਦ ਕਿ ਜਵਾਬ ਵੱਡੇ ਫਰੇਮਵਰਕ ਹੈ, ਜੋ ਕਿ ਦੇ ਅੰਦਰ ਸਵਾਲ ਪੁੱਛੇ ਹਨ, ਨੂੰ ਹੋਰ ਸੰਵੇਦਨਸ਼ੀਲ ਬਣਾਇਆ ਰਹੇ ਹਨ, ਜਦਕਿ. ਪੜ੍ਹੋ Moore (2002) , ਫਿਰ ਤਿਆਰ ਹੈ ਅਤੇ additive ਜ subtractive ਪ੍ਰਭਾਵ ਦਿਖਾਉਣ ਦਾ MTurk 'ਤੇ ਇੱਕ ਸਰਵੇਖਣ ਤਜਰਬੇ ਨੂੰ ਚਲਾਉਣ.

7. [ , ] ਕ੍ਰਿਸਟਫਰ Antoun ਅਤੇ ਸਾਥੀ (2015) MTurk, Craigslist, ਗੂਗਲ AdWords ਅਤੇ ਫੇਸਬੁੱਕ: ਚਾਰ ਵੱਖ-ਵੱਖ ਆਨਲਾਈਨ ਭਰਤੀ ਸਰੋਤ ਤੱਕ ਪ੍ਰਾਪਤ ਕੀਤਾ ਰਿਹਾਇਸ਼ ਨੂੰ ਨਮੂਨੇ ਦੀ ਤੁਲਨਾ ਇੱਕ ਅਧਿਐਨ ਕਰਵਾਏ. ਇੱਕ ਸਧਾਰਨ ਸਰਵੇਖਣ ਡਿਜ਼ਾਇਨ ਅਤੇ ਘੱਟੋ-ਘੱਟ ਦੋ ਵੱਖ-ਵੱਖ ਆਨਲਾਈਨ ਭਰਤੀ ਸਰੋਤ ਦੁਆਰਾ ਹਿੱਸਾ ਲੈਣ ਦੀ ਭਰਤੀ (ਉਹ ਵਿੱਚ ਵਰਤਿਆ ਚਾਰ ਸਰੋਤ ਤੱਕ ਵੱਖ ਵੱਖ ਸਰੋਤ ਹੋ ਸਕਦਾ ਹੈ Antoun et al. (2015) ).

   1. ਭਰਤੀ ਪ੍ਰਤੀ ਲਾਗਤ, ਪੈਸੇ ਅਤੇ ਵਾਰ ਦੇ ਰੂਪ ਵਿੱਚ ਦੀ ਤੁਲਨਾ ਕਰੋ, ਵੱਖ-ਵੱਖ ਸਰੋਤ ਦੇ ਵਿਚਕਾਰ.
   2. ਵੱਖ-ਵੱਖ ਸਰੋਤ ਤੱਕ ਪ੍ਰਾਪਤ ਕੀਤਾ ਨਮੂਨੇ ਦੀ ਰਚਨਾ ਦੀ ਤੁਲਨਾ ਕਰੋ.
   3. ਨਮੂਨੇ ਦੇ ਵਿਚਕਾਰ ਡਾਟਾ ਦੀ ਗੁਣਵੱਤਾ ਦੀ ਤੁਲਨਾ ਕਰੋ. ਨੂੰ ਜਵਾਬ ਡਾਟਾ ਗੁਣਵੱਤਾ ਨੂੰ ਮਾਪਣ ਲਈ ਇਸ ਬਾਰੇ ਵਿਚਾਰ ਕਰਨ ਲਈ, ਵੇਖੋ, Schober et al. (2015) .
   4. ਆਪਣੇ ਪਸੰਦੀਦਾ ਸਰੋਤ ਕੀ ਹੈ? ਇਸੇ?

8. [ ] YouGov, ਇੱਕ ਇੰਟਰਨੈੱਟ-ਅਧਾਰਿਤ ਬਾਜ਼ਾਰ ਖੋਜ ਫਰਮ, ਯੂਕੇ ਵਿਚ 800,000 ਬਾਰੇ ਜਵਾਬ ਦੇ ਇੱਕ ਪੈਨਲ ਦੀ ਆਨਲਾਈਨ ਚੋਣ ਕਰਵਾਏ ਅਤੇ ਸ਼੍ਰੀ ਪੀ ਵਰਤਿਆ ਯੂਰਪੀ ਜਨਮਤ (ਭਾਵ, Brexit) ਦਾ ਨਤੀਜਾ ਹੈ, ਜਿੱਥੇ ਯੂਕੇ ਵੋਟਰ ਵੋਟ ਕਿਸੇ ਰਹਿਣ ਲਈ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ ਵਿੱਚ ਜ ਯੂਰਪੀ ਯੂਨੀਅਨ ਨੂੰ ਛੱਡ.

   YouGov ਦੀ ਅੰਕੜਾ ਮਾਡਲ ਦੇ ਵੇਰਵੇ ਇੱਥੇ ਹੈ (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/). ਆਮ ਗੱਲ ਕਰ, YouGov ਤੇ 2015 ਆਮ ਚੋਣ ਵੋਟ ਪਸੰਦ, ਉਮਰ, ਯੋਗਤਾ, ਲਿੰਗ, ਇੰਟਰਵਿਊ ਦੀ ਮਿਤੀ, ਦੇ ਨਾਲ ਨਾਲ ਹਲਕੇ ਉਹ. ਪਹਿਲਾ, ਉਹ YouGov ਸਦੱਸ ਤੱਕ ਇਕੱਠੇ ਕੀਤੇ ਡਾਟਾ ਵਰਤਿਆ ਸਿੱਧਾ ਅੰਦਾਜ਼ਾ ਕਰਨ ਵਾਲੇ ਦਾ ਆਪਸ ਵਿੱਚ, ਆਧਾਰਿਤ ਕਿਸਮ ਵਿੱਚ ਵੋਟਰ ਭਾਗ ਜੋ ਵੋਟ, ਹਰ ਵੋਟਰ ਦੀ ਕਿਸਮ ਦੇ ਲੋਕ ਹਨ ਜੋ ਲੀਵ ਵੋਟ ਕਰਨ ਦਾ ਇਰਾਦਾ ਦੇ ਅਨੁਪਾਤ. ਉਹ 2015 ਬ੍ਰਿਟਿਸ਼ ਚੋਣ ਸਟੱਡੀ (bes) ਪੋਸਟ-ਚੋਣ ਦਾ ਮੂੰਹ-ਨੂੰ-ਚਿਹਰੇ ਨੂੰ ਸਰਵੇਖਣ, ਜਿਸ ਨੂੰ ਵੋਟਰ ਸੂਚੀ ਤੱਕ ਮਤਦਾਨ ਪ੍ਰਮਾਣਿਤ ਵਰਤ ਕੇ ਹਰ ਇਕ ਵੋਟਰ ਦੀ ਕਿਸਮ ਦੇ ਮਤਦਾਨ ਦਾ ਅੰਦਾਜ਼ਾ. ਅੰਤ ਵਿੱਚ, ਉਹ ਅੰਦਾਜ਼ਾ ਕਿੰਨੇ ਲੋਕ, ਆਮ ਚੋਣ, ਅਤੇ ਜਾਣਕਾਰੀ ਦੁਆਲੇ ਦੇ YouGov ਸਰਵੇਖਣ ਡਾਟਾ 'ਤੇ ਬਹੁਤ ਸਾਰੇ ਲੋਕ ਲਈ ਵੋਟ ਨੂੰ ਨਵੀਨਤਮ ਮਰਦਮਸ਼ੁਮਾਰੀ ਅਤੇ ਸਾਲਾਨਾ ਆਬਾਦੀ ਸਰਵੇਖਣ (bes ਤੱਕ ਕੁਝ ਇਲਾਵਾ ਜਾਣਕਾਰੀ ਨਾਲ ਦੇ ਆਧਾਰ' ਤੇ ਵੋਟਰ ਵਿੱਚ ਹਰ ਵੋਟਰ ਕਿਸਮ ਦੇ ਹੁੰਦੇ ਹਨ, ਹਰ ਇੱਕ ਹਲਕੇ ਵਿੱਚ ਹਰ ਪਾਰਟੀ ਨੂੰ).

   ਤਿੰਨ ਦਿਨ ਵੋਟ ਦੇ ਅੱਗੇ, YouGov ਲੀਵ ਲਈ ਇੱਕ ਦੋ ਬਿੰਦੂ ਲੀਡ ਸੀ. ਵੋਟਿੰਗ ਦੇ ਹੱਵਾਹ 'ਤੇ, ਚੋਣ ਨੂੰ ਵੀ (49-51 ਰਹੋ) ਨੂੰ ਕਾਲ ਦੇ ਨੇੜੇ ਸੀ. ਫਾਈਨਲ 'ਤੇ--ਦਿਨ ਦਾ ਅਧਿਐਨ ਰਹੋ ਦੇ (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/) ਹੱਕ ਵਿਚ 48/52 ਦੀ ਭਵਿੱਖਬਾਣੀ. ਅਸਲ ਵਿਚ, ਇਸ ਦਾ ਅੰਦਾਜ਼ਾ ਚਾਰ ਫੀਸਦੀ ਅੰਕ ਫਾਈਨਲ ਦਾ ਨਤੀਜਾ (52-48 ਲੀਵ) ਖੁੰਝ ਗਿਆ.

   1. ਦਾ ਜਾਇਜ਼ਾ ਲੈਣ ਲਈ ਕਿ ਕੀ ਗਲਤ ਹੋ ਗਿਆ ਹੈ, ਹੋ ਸਕਦਾ ਕੁੱਲ ਸਰਵੇਖਣ ਗਲਤੀ ਫਰੇਮਵਰਕ ਇਸ ਅਧਿਆਇ ਵਿਚ ਚਰਚਾ ਵਰਤੋ.
   2. ਚੋਣ (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) ਬਾਅਦ YouGov ਦਾ ਜਵਾਬ ਸਮਝਾਇਆ: "ਇਹ ਮਤਦਾਨ ਦੇ ਕਾਰਨ ਇੱਕ ਵਿਸ਼ਾਲ ਹਿੱਸੇ ਵਿਚ ਲੱਗਦਾ ਹੈ - ਕੁਝ ਅਜਿਹਾ ਹੈ, ਜੋ ਕਿ ਸਾਨੂੰ ਸਭ ਨੂੰ ਨਾਲ ਨੇ ਕਿਹਾ ਕਿ ਹੈ ਕਿ ਅਜਿਹੇ ਇੱਕ ਬਾਰੀਕ ਸੰਤੁਲਿਤ ਦੌੜ ਦਾ ਨਤੀਜਾ ਕਰਨ ਲਈ ਅਹਿਮ ਹੋਵੇਗਾ. ਸਾਡੇ ਮਤਦਾਨ ਮਾਡਲ ਹਿੱਸੇ ਵਿੱਚ ਅਧਾਰਿਤ ਕੀਤਾ ਗਿਆ ਸੀ, 'ਤੇ ਜਵਾਬ ਹੈ ਕਿ ਕੀ ਪਿਛਲੇ ਆਮ ਚੋਣ' ਤੇ ਵੋਟ ਪਾਈ ਸੀ ਅਤੇ ਆਮ ਚੋਣ ਦੇ, ਜੋ ਕਿ ਉਪਰੋਕਤ ਨੂੰ ਇੱਕ ਮਤਦਾਨ ਦੇ ਪੱਧਰ ਮਾਡਲ, ਖਾਸ ਤੌਰ 'ਤੇ ਉੱਤਰੀ ਵਿੱਚ ਪਰੇਸ਼ਾਨ. "ਇਹ ਭਾਗ (ੳ) ਤੱਕ ਆਪਣਾ ਜਵਾਬ ਨੂੰ ਤਬਦੀਲ ਕਰਦਾ ਹੈ?

9. [ , ] ਚਿੱਤਰ 3.1 ਵਿੱਚ ਨੁਮਾਇੰਦਗੀ ਗਲਤੀ ਦੇ ਹਰ ਮਿਸਾਲ ਲਈ ਇੱਕ ਸਿਮੂਲੇਸ਼ਨ ਲਿਖੋ.

   1. ਜਿੱਥੇ ਇੱਕ ਦੀ ਸਥਿਤੀ ਇਹ ਗਲਤੀ ਅਸਲ ਵਿੱਚ ਬਾਹਰ ਨੂੰ ਰੱਦ ਬਣਾਓ.
   2. ਜਿੱਥੇ ਇੱਕ ਦੀ ਸਥਿਤੀ ਗਲਤੀ ਇਕ-ਦੂਜੇ ਨੂੰ ਹੋਰ ਵਧਾ ਬਣਾਓ.

10. [ , ] Blumenstock ਅਤੇ ਸਾਥੀ ਦੇ ਖੋਜ (2015) , ਇੱਕ ਮਸ਼ੀਨ ਸਿੱਖਣ ਮਾਡਲ ਹੈ, ਜੋ ਕਿ ਡਿਜ਼ੀਟਲ ਟਰੇਸ ਡਾਟਾ ਦਾ ਇਸਤੇਮਾਲ ਕਰ ਸਕਦਾ ਹੈ ਸਰਵੇਖਣ ਪ੍ਰਤਿਕਿਰਿਆ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ ਬਣਾਉਣ ਸ਼ਾਮਲ. ਹੁਣ, ਤੁਹਾਨੂੰ ਇੱਕ ਵੱਖਰਾ dataset ਦੇ ਨਾਲ ਵੀ ਇਹੀ ਗੱਲ ਨੂੰ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨ ਲਈ ਜਾ ਰਹੇ ਹਨ. Kosinski, Stillwell, and Graepel (2013) ਪਤਾ ਲੱਗਿਆ ਹੈ ਕਿ ਫੇਸਬੁੱਕ ਪਸੰਦ ਵਿਅਕਤੀ ਨੂੰ ਗੁਣ ਅਤੇ ਗੁਣ ਅੰਦਾਜ਼ਾ ਕਰ ਸਕਦਾ ਹੈ. ਹੈਰਾਨੀ ਦੀ ਗੱਲ ਹੈ, ਇਹ ਸ਼ਬਦ ਵੀ ਦੋਸਤ ਅਤੇ ਸਾਥੀ ਦੇ ਵੱਧ ਹੋਰ ਸਹੀ ਹੋ ਸਕਦਾ ਹੈ (Youyou, Kosinski, and Stillwell 2015) .

    1. ਪੜ੍ਹੋ Kosinski, Stillwell, and Graepel (2013) , ਅਤੇ ਚਿੱਤਰ 2. ਨਕਲ ਆਪਣੇ ਡਾਟਾ ਇੱਥੇ ਉਪਲੱਬਧ ਹਨ: http://mypersonality.org/
    2. ਹੁਣ, ਚਿੱਤਰ 3 ਦੁਹਰਾਉਣ.
    3. http://applymagicsauce.com/: ਅੰਤ ਵਿੱਚ, ਆਪਣੇ ਹੀ ਫੇਸਬੁੱਕ ਡਾਟਾ 'ਤੇ ਆਪਣੇ ਮਾਡਲ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ. ਕਰਨਾ ਚੰਗੀ ਇਸ ਨੂੰ ਤੁਹਾਡੇ ਲਈ ਕੰਮ ਕਰਦਾ ਹੈ?

11. [ ] Toole et al. (2015) ਵਰਤਣ ਕਾਲ ਵੇਰਵੇ ਦਾ ਰਿਕਾਰਡ (ਕਾਲ) ਮੋਬਾਈਲ ਫੋਨ ਤੱਕ ਕੁੱਲ ਬੇਰੁਜ਼ਗਾਰੀ ਰੁਝਾਨ ਦਾ ਅਨੁਮਾਨ ਕਰਨ.

    1. ਤੁਲਨਾ ਕਰਨ ਅਤੇ ਦੇ ਡਿਜ਼ਾਇਨ ਵਿੱਚ ਫਰਕ Toole et al. (2015) ਦੇ ਨਾਲ Blumenstock, Cadamuro, and On (2015) .
    2. ਕੀ ਤੁਹਾਨੂੰ ਲੱਗਦਾ ਹੈ ਕਾਲ, ਰਵਾਇਤੀ ਸਰਵੇਖਣ ਨੂੰ ਤਬਦੀਲ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਨੂੰ ਦੇਣ ਜ ਬੇਰੁਜ਼ਗਾਰੀ ਨੂੰ ਟਰੈਕ ਕਰਨ ਲਈ ਸਰਕਾਰ ਨੂੰ ਨੀਤੀ ਲਈ ਸਭ 'ਤੇ ਵਰਤਿਆ ਨਹੀ ਜਾ ਸਕਦਾ ਹੈ? ਇਸੇ?
    3. ਕੀ ਸਬੂਤ ਤੁਹਾਨੂੰ ਯਕੀਨ ਸੀ ਕਿ ਕਾਲ ਪੂਰੀ ਬੇਰੁਜ਼ਗਾਰੀ ਦੀ ਦਰ ਦੀ ਰਵਾਇਤੀ ਉਪਾਅ ਨੂੰ ਤਬਦੀਲ ਕਰ ਸਕਦਾ ਹੈ?