Условные обозначения:
[ , ] В этой главе, я был очень позитивно после стратификации. Тем не менее, это не всегда улучшает качество оценок. Построить такую ситуацию, когда может постстратификация может снизить качество оценок. (Для получения подсказки см Thomsen (1973) ).
[ , , ] Проектирование и провести обследование без вероятности на Amazon MTurk спросить о владения оружием ( "Есть ли у вас, или кто-нибудь в вашей семье, собственный пистолет, винтовку или пистолет? Разве что вы или кто-то в вашей семье?") И отношение к контроля над огнестрельным оружием ( "Что вы считаете более важным, чтобы защитить право американцев владеть оружием, или контролировать владение оружием?").
[ , , ] Гоел и его коллеги (2016) вводят без вероятности на основе опроса , состоящую из 49 множественного выбора отношенческими вопросов , взятых из общего социального обследования (GSS) и выберите обследований Научно - исследовательским центром Pew Research Center на Amazon MTurk. Затем они регулировался не-репрезентативности данных с использованием модели на основе постстратификация (г-Р), и сравнить скорректированные оценки с теми, оцениваются с использованием вероятности на основе ГСС / Пью обследований. Провести один и тот же опрос на MTurk и попытаться повторить рисунок 2a и 2b Рисунок, сравнивая свои уточненные оценки с оценками из самых последних раундов GSS / Pew (см Приложение Таблица А2 для списка из 49 вопросов).
[ , , ] Многие исследования используют меры самоотчета данных мобильных телефонов деятельности. Это интересный параметр , где исследователи могут сравнить самостоятельно сообщали поведение с регистрируемой поведения (смотри , например, Boase and Ling (2013) ). Два наиболее часто встречающиеся модели поведения, чтобы спросить о вызываете и текстовых сообщений, а также два общих временных рамок являются "вчера" и "на прошлой неделе."
[ , ] Шуман и Прижимная (1996) утверждают , что этот вопрос приказы будут иметь значение для двух типов отношений между вопросами: неполный часть вопросов , где два вопроса находятся на том же уровне специфичности (например , рейтинги двух кандидатов в президенты); и частично целые вопросы, где общий вопрос следует более конкретный вопрос (например, вопрос: "Насколько вы удовлетворены своей работой?", а затем "Насколько вы удовлетворены своей жизнью?").
Кроме того, они характеризуют два типа эффекта порядка вопрос: консистенция эффекты возникают, когда ответы на более поздний вопрос приближены (чем они могли бы быть), приведенным на ранее заданный вопрос; контрастные эффекты возникают, когда существуют большие различия между ответами на два вопроса.
[ , ] Основываясь на работе Шуманом и прижимная, Moore (2002) описывает отдельный аспект эффекта порядка вопрос: аддитивный и отнимающий. В то время как контраст и последовательность эффектов производятся как следствие оценок респондентов двух предметов по отношению друг к другу, добавки и вычитаемые эффекты получаются, когда респонденты становятся более чувствительными к более крупной структуры, в рамках которой ставятся вопросы. Читайте Moore (2002) , а затем разработать и запустить обзорную эксперимент по MTurk , чтобы продемонстрировать аддитивное или вычитательные эффекты.
[ , ] Кристофер Antoun и его коллеги (2015) провели исследование , сравнивая образцы удобства , полученные из четырех различных источников в Интернете рекрутинг: MTurk, Craigslist, Google AdWords и Facebook. Дизайн простой опрос и привлечение участников по крайней мере двух различных источников в Интернете рекрутинга (они могут быть разные источники из четырех источников , используемых в Antoun et al. (2015) и Antoun et al. (2015) ).
[ ] YouGov, интернет на основе исследования рынка фирма, провела онлайн-опрос о панели около 800 000 респондентов в Великобритании и использовал г-н П., чтобы предсказать результат референдума ЕС (т.е. Brexit), где избиратели Великобритании голосовать либо остаться или покинуть Европейский Союз.
Подробное описание статистической модели YouGov находится здесь (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/). Грубо говоря, YouGov разделяет избирателей на типы, основанные на 2015 всеобщих выборов выбора голосов, возраста, квалификации, пол, дата интервью, а также избирательному округу они живут. Во-первых, они использовали данные, собранные из членов комиссии YouGov для оценки, в том числе тех, кто голосует, доля людей каждого типа избирателей, которые намерены голосовать уйти. Они оценивают явку избирателей каждого типа с помощью 2015 британской избирательной исследования (BES) после выборов лицом к лицу обследования, которое подтверждено явку из списков избирателей. И, наконец, они оценивают, сколько людей есть каждого типа избирателей в избирателей на основании последней переписи населения и ежегодного обследования населения (с некоторыми капельную информации из BES, данные опроса YouGov со всего всеобщих выборов, а также информацию о том, как голосовали многие люди для каждая из сторон в каждом избирательном округе).
За три дня до голосования, YouGov показал два очка для отпуска. Накануне голосования, опрос показал, слишком близко к телефону (49-51 Остаются). Окончательное исследование-день предсказывал 48/52 в пользу Остаются (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). На самом деле, эта оценка пропустила конечный результат (52-48 Leave) на четыре процентных пункта.
[ , ] Напишите моделирование, чтобы проиллюстрировать каждую из ошибок представления на рисунке 3.1.
[ , ] Исследование Blumenstock и его коллеги (2015) участвует построение модели машинного обучения , которые могли бы использовать цифровые данные трассировки для прогнозирования ответы на опрос. Теперь, вы собираетесь попробовать то же самое с другим набором данных. Kosinski, Stillwell, and Graepel (2013) обнаружили , что Facebook любит может предсказать индивидуальные черты и атрибуты. Удивительно, но эти прогнозы могут быть еще более точным , чем у друзей и коллег (Youyou, Kosinski, and Stillwell 2015) .
[ ] Toole et al. (2015) и Toole et al. (2015) подробно использование записей вызовов (CDR) с мобильных телефонов для прогнозирования общих тенденций безработицы.