kagiatan

  • gelar tina kasusah: gampang gampil , sedeng sedeng , teuas teuas , Pisan teuas pisan teuas
  • merlukeun math ( merlukeun math )
  • merlukeun coding ( merlukeun coding )
  • pendataan ( pendataan )
  • paporit abdi ( anu paling dipikaresep )

  1. [ teuas , merlukeun math ] Dina bab, abdi éta pohara positif ngeunaan pos-stratifikasi. Sanajan kitu, ieu teu salawasna ngaronjatkeun kualitas perkiraan. Nyusunna kaayaan dimana pos-stratifikasi bisa ngurangan kualitas perkiraan. (Pikeun hint a, tingali Thomsen (1973) .)

  2. [ teuas , pendataan , merlukeun coding ] Desain sarta ngalaksanakeun hiji survéy non-probabiliti dina Amazon Mechanical Turk nanya ngeunaan kapamilikan gun jeung sikap arah kontrol gun. Ku kituna anjeun bisa ngabandingkeun perkiraan anjeun pikeun maranéhanana diturunkeun tina sampel probabilitas, mangga salin téks sual sarta pilihan response langsung ti survey kualitas luhur kayaning maranéhanana ngajalankeun ku bangku gereja Panalungtikan Center.

    1. Sabaraha lami teu survéy Anjeun nyandak? Sabaraha hargana? Kumaha nu demografi tina sampel Anjeun ngabandingkeun jeung demografi tina populasi AS?
    2. Naon estimasi baku kapamilikan gun ngagunakeun sampel anjeun?
    3. Bener keur nonrepresentativeness tina sampel anjeun ngagunakeun pos-stratifikasi atawa sababaraha téhnik séjén. Ayeuna naon anu estimasi tina kapamilikan gun?
    4. Kumaha perkiraan Anjeun ngabandingkeun jeung estimasi panganyarna tina sampel dumasar-probabilitas? Kumaha saur anjeun ngécéskeun discrepancies, upami aya naon?
    5. patarosan ulang (b) - (d) pikeun sikap arah kontrol gun. Kumaha papanggihan anjeun beda?

  3. [ pisan teuas , pendataan , merlukeun coding ] Goel sareng kolega Anjeun (2016) nu dikaluarkeun 49 sababaraha-pilihan patarosan attitudinal dicokot tina Survey Umum Sosial (GSS) jeung pilih survey ku bangku gereja Panalungtikan Center kana sampel non-kamungkinan responden dicokot tina Amazon Mechanical Turk. Aranjeunna lajeng disaluyukeun pikeun non-representativeness data ngagunakeun dumasar-modél pos-stratifikasi jeung dibandingkeun estimasi disaluyukeun maranéhna jeung pamadegan ti basis probability GSS na bangku gereja survey. Ngalaksanakeun survey anu sarua dina Amazon Mechanical Turk jeung nyoba ngayakeun réplikasi inohong 2a sarta inohong 2B ku ngabandingkeun perkiraan disaluyukeun anjeun jeung perkiraan tina rounds panganyarna tina survey GSS na bangku gereja. (Tempo lampiran tabel A2 pikeun daptar 49 patarosan.)

    1. Bandingkeun jeung kontras hasil anjeun jeung pamadegan ti bangku gereja sarta GSS.
    2. Bandingkeun jeung kontras hasil anjeun jeung pamadegan ti survey Mechanical Turk di Goel, Obeng, and Rothschild (2016) .

  4. [ sedeng , pendataan , merlukeun coding ] Loba studi make ukuran timer dilaporkeun pamakean handphone. Ieu mangrupa setting metot nu peneliti bisa ngabandingkeun kabiasaan timer dilaporkeun ku kabiasaan log (tingali misalna, Boase and Ling (2013) ). Dua paripolah umum nanya ngeunaan nu nelepon na texting, sarta dua pigura waktos umum anu "kamari" jeung "di minggu kaliwat".

    1. Sateuacan ngumpulkeun data wae, anu ti-laporan diri ukuran saur anjeun téh leuwih akurat? Naha?
    2. Recruit lima babaturan anjeun janten di survey Anjeun. Mangga nyimpulkeun sakeudeung kumaha lima babaturan ieu anu disampel. Bisa prosedur sampling ieu dipicuna biases husus dina perkiraan anjeun?
    3. Tanya eta patarosan microsurvey handap:
    • "Sabaraha kali anjeun make handphone anjeun pikeun nelepon batur kamari?"
    • "Sabaraha pesen téks anjeun ngirim kamari?"
    • "Sabaraha kali anjeun make handphone anjeun pikeun nelepon batur dina tujuh poe panungtungan?"
    • "Sabaraha kali anjeun make handphone anjeun pikeun ngirim atawa nampa talatah teks / SMS dina tujuh poe panungtungan?"
    1. Sakali microsurvey ieu geus réngsé, ménta mariksa data pamakéan maranéhanana salaku log ku telepon atawa propaider ladén maranéhanana. Kumaha carana sangkan pamakéan timer laporan ngabandingkeun asup data? Nu paling akurat, nu sahanteuna akurat?
    2. Ayeuna ngagabungkeun data nu geus dikumpulkeun jeung data ti jalma séjén di kelas anjeun (lamun ngalakonan aktivitas ieu kelas hiji). Kalawan dataset badag ieu, ngulang bagian (d).

  5. [ sedeng , pendataan ] Schuman na Presser (1996) ngajawab yén pesenan sual bakal masalah keur dua jenis patarosan: patarosan bagian-bagian mana dua patarosan nu di tingkat sarua spésifisitas (misalna ratings dua calon presiden); sarta patarosan bagian-sakabeh dimana pertanyaan umum kieu pertanyaan leuwih spésifik (misalna, nanyakeun "Kumaha wareg anjeun kalawan gawé anjeun?" dituturkeun ku "Kumaha wareg anjeun kalayan hirup anjeun?").

    Aranjeunna salajengna characterize dua jenis éfék urutan patarosan: épék konsistensi lumangsung nalika réspon ka sual engké téh dibawa ngadeukeutan (ti aranjeunna disebutkeun bakal) ka maranéhanana dibikeun ka hiji sual saméméhna; kontras épék lumangsung nalika aya béda gede antara réspon kana dua patarosan.

    1. Jieun sapasang patarosan bagian-bagian nu pikir moal boga pangaruh urutan patarosan badag; sapasang patarosan bagian-sakabeh nu ngarasa bakal boga pangaruh urutan badag; jeung sapasang patarosan anu urutan anjeun pikir moal bakal masalah. Ngajalankeun hiji percobaan survéy dina Amazon Mechanical Turk pikeun nguji patarosan anjeun.
    2. Kumaha badag bagian-bagian pangaruh éta anjeun bisa nyieun? Éta hiji konsistensi atawa kontras pangaruh?
    3. Kumaha badag éfék bagian-sakabeh éta anjeun bisa nyieun? Éta hiji konsistensi atawa kontras pangaruh?
    4. Éta aya patarosan pangaruh urutan di pasangan anjeun dimana anjeun teu pikir ordo bakal masalah?

  6. [ sedeng , pendataan ] Gedong dina karya Schuman na Presser, Moore (2002) ngajelaskeun hiji diménsi misah tina pangaruh urutan patarosan: épék aditif na subtraktif. Bari jelas jeung konsistensi épék dihasilkeun salaku konsekuensi Panakawan responden 'tina dua barang dina hubungan saling, aditif jeung épék subtraktif dihasilkeun nalika responden dijieun leuwih sénsitip ka kerangka gedé dina numana patarosan anu ngawarah. Baca Moore (2002) , teras mendesain tur ngajalankeun hiji percobaan survéy on MTurk mun demonstrate aditif atawa subtraktif épék.

  7. [ teuas , pendataan ] Christopher Antoun sareng kolega Anjeun (2015) anu dilakukeun studi ngabandingkeun sampel genah dicandak ti opat sumber recruiting online béda: MTurk, Craigslist, Google AdWords na Facebook. Ngarancang hiji survéy basajan tur recruit pamilon ngaliwatan sahenteuna dua sumber recruiting online béda (sumber ieu tiasa béda ti opat sumber dipake dina Antoun et al. (2015) ).

    1. Bandingkeun biaya per manggih-segi duit jeung waktu-antara sumber béda.
    2. Bandingkeun komposisi sampel dicandak ti sumber béda.
    3. Bandingkeun kualitas data antara sampel. Pikeun pamendak ngeunaan kumaha carana ngukur kualitas data ti responden, tingali Schober et al. (2015) .
    4. Naon sumber pikaresep anjeun? Naha?

  8. [ sedeng ] Dina salah sahiji usaha pikeun ngaduga hasil tina 2016 referendum EU (ie, Brexit), YouGov-hiji panalungtikan pasar nu didasarkeun-Internet teguh-dilakukeun jajal online tina panel ngeunaan 800.000 responden dina Britania Raya.

    A jentre Model statistik YouGov urang bisa kapanggih dina https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/. Sacara kasar bisa disebutkeun, YouGov bagi pamilih kana jenis dumasar kana 2015 pilihan pamilihan umum sora, umur, kualifikasi, gender, jeung tanggal wawancara, ogé constituency nu maranéhna cicing. Kahiji, aranjeunna dipaké data dikumpulkeun ti panelists YouGov keur estimasi, di antara maranéhanana anu milih, proporsi jalma unggal tipe voter anu dimaksudkeun pikeun ngajawab cuti. Aranjeunna estimasi nu turnout unggal tipe voter ku ngagunakeun Britania Study 2015 Pemilihan (BES), hiji pos-pamilihan raray-to-rupi survey, nu disahkeun turnout ti gulungan Panwaslu. Tungtungna, aranjeunna diperkirakeun sabaraha urang aya unggal tipe voter di electorate nu, dumasar Census panganyarna na Survey Populasi Taunan (kalawan sababaraha émbaran tambahan ti sumber data sejenna).

    Tilu dinten sateuacan sora, YouGov némbongkeun hiji kalungguhan dua-titik keur cuti. Dina wengi voting, polling nu dituduhkeun yén hasilna teuing deukeut nelepon (49/51 tetep). Final ulikan dina éta poé diprediksi 48/52 di ni'mat tetep (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). Kanyataanna, estimasi ieu lasut hasil ahir (52/48 cuti) ku opat titik persentase.

    1. Paké kerangka kasalahan survey total dibahas dina bab ieu assess naon bisa geus Isro salah.
    2. respon YouGov urang sanggeus pamilihan (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) dipedar: "Ieu sigana dina bagian badag alatan turnout-hal anu kami geus ngomong kabeh sapanjang bakal krusial kana hasil tina sarupaning lomba finely saimbang. Modél turnout kami ieu dumasar, dina bagian, di naha responden ngalaman milih dina pamilihan umum panungtungan sarta tingkat turnout luhur yén tina pamilihan umum kesel modél, utamana di Sulawesi. "Dupi ieu ngarobah jawaban anjeun ka bagian (a)?

  9. [ sedeng , merlukeun coding ] Tulis simulasi pikeun ngagambarkeun unggal kasalahan ngagambarkeun di angka 3.2.

    1. Nyiptakeun situasi dimana kasalahan ieu sabenerna ngabolaykeun kaluar.
    2. Nyiptakeun situasi dimana kasalahan sanyawa unggal lianna.

  10. [ pisan teuas , merlukeun coding ] Hasil panalungtikan ngeunaan Blumenstock sareng kolega Anjeun (2015) aub ngawangun modél pembelajaran mesin anu bisa ngagunakeun renik data digital pikeun ngaduga réspon survéy. Kiwari, anjeun bade nyobian hal anu sarua ku dataset béda. Kosinski, Stillwell, and Graepel (2013) kapanggih yen Facebook diaku tiasa ngaduga Tret individu jeung atribut. Ahéng, prediksi ieu tiasa malah leuwih akurat ti pamadegan babaturan sareng kolega Anjeun (Youyou, Kosinski, and Stillwell 2015) .

    1. Baca Kosinski, Stillwell, and Graepel (2013) , sarta ngayakeun réplikasi inohong 2. data Maranéhna téh aya di http://mypersonality.org/
    2. Ayeuna, ngayakeun réplikasi inohong 3.
    3. Tungtungna, coba modél maranéhanana dina data Facebook sorangan: http://applymagicsauce.com/. Kumaha ogé henteu eta dianggo pikeun anjeun?

  11. [ sedeng ] Toole et al. (2015) dipaké panggero jéntré rékaman (CDRs) ti ponsel keur prediksi tren pangangguran agrégat.

    1. Bandingkeun jeung kontras rarancang ulikan Toole et al. (2015) kalawan eta ngeunaan Blumenstock, Cadamuro, and On (2015) .
    2. Saur anjeun CDRs kedah ngaganti survey tradisional, pelengkap aranjeunna atanapi henteu dipaké di sakabéh pikeun policymakers pamaréntah lagu pangangguran? Naha?
    3. Naon bukti bakal ngayakinkeun yén CDRs lengkep bisa ngaganti ukuran tradisional tingkat pangangguran?

Powered by Open Review Toolkit