kagiatan

Key:

  • darajat kasulitan: gampang gampil , sedeng sedeng , teuas teuas Pisan teuas pisan teuas
  • merlukeun math ( merlukeun math )
  • merlukeun coding ( merlukeun coding )
  • kumpulan data ( kumpulan data )
  • paporit mah ( anu paling dipikaresep )
  1. [ teuas , merlukeun math ] Dina bab, Kuring pohara positif ngeunaan pos-stratifikasi. Tapi, teu salawasna ngaronjatkeun kualitas perkiraan. Nyusunna kaayaan dimana bisa ngirim tulisan-stratifikasi bisa ngurangan kualitas perkiraan. (Keur hint, tempo Thomsen (1973) ).

  2. [ teuas , kumpulan data , merlukeun coding ] Desain sarta ngalaksanakeun hiji survey non-probability dina Amazon MTurk nanya ngeunaan kapamilikan gun ( "Naha anjeun, atawa teu saha di rumah tangga Anjeun, sorangan a gun, bedil atawa pestol? Nyaeta nu atawa batur nu sejenna di rumah tangga anjeun?") Jeung sikap arah kontrol gun ( "Naon maneh mikir leuwih penting-pikeun nangtayungan katuhu Amerika sorangan pakarang, atawa pikeun ngadalikeun kapamilikan gun?").

    1. Sabaraha lila teu survey Anjeun nyandak? Sabaraha hargana? Kumaha nu demografi tina sampel Anjeun ngabandingkeun ka demografi tina populasi US?
    2. What is the estimasi atah tina kapamilikan gun ngagunakeun sampel anjeun?
    3. Bener keur non-representativeness tina sampel Anjeun nganggo pos-stratifikasi atawa sababaraha téhnik séjén. Ayeuna naon estimasi tina kapamilikan gun?
    4. Kumaha perkiraan Anjeun ngabandingkeun ka estimasi panganyarna ti bangku gereja Research Center? Kumaha saur anjeun ngécéskeun discrepancies, lamun aya wae?
    5. Malikan nu latihan 2-5 keur sikap arah kontrol gun. Kumaha papanggihan Anjeun beda?
  3. [ pisan teuas , kumpulan data , merlukeun coding ] Goel sareng kolega (2016) nu dikaluarkeun a survey basis non-probability diwangun ku 49 sababaraha-pilihan patarosan attitudinal dicokot tina Survey General Social (GSS) jeung pilih survey ku bangku gereja Research Center di Amazon MTurk. Maranéhanana saterusna ngaluyukeun pikeun non-representativeness data ngagunakeun basis model post-stratifikasi (Mr. P), jeung ngabandingkeun perkiraan disaluyukeun jeung pamadegan diperkirakeun ngagunakeun basis probability survey GSS / bangku gereja. Ngalaksanakeun survey sarua dina MTurk jeung nyoba ngayakeun réplikasi Gambar 2a jeung Gambar 2B ku ngabandingkeun perkiraan disaluyukeun Anjeun sareng perkiraan ti rounds panganyarna tina GSS / bangku gereja (Tempo Appendix Table A2 pikeun daptar 49 pertanyaan).

    1. Bandingkeun jeung kontras hasil Anjeun ka hasil ti bangku gereja jeung GSS.
    2. Bandingkeun jeung kontras hasil Anjeun ka hasil ti survey MTurk di Goel, Obeng, and Rothschild (2016) .
  4. [ sedeng , kumpulan data , merlukeun coding ] Loba studi make ukuran timer laporan data aktivitas telepon sélulér. Ieu hiji setting metot mana panalungtik bisa ngabandingkeun paripolah timer dilaporkeun jeung paripolah log (tempo misalna Boase and Ling (2013) ). Dua paripolah umum nanya ngeunaan nu nelepon jeung texting, sarta dua pigura waktu umum aya "kamari" jeung "dina minggu katukang."

    1. Saméméh ngumpulkeun data nu mana wae, nu tina-laporan diri ukuran saur anjeun leuwih akurat? Naha?
    2. Recruit 5 babaturan Anjeun ka jadi survey Anjeun. Mangga nyimpulkeun sakeudeung kumaha 5 babaturan kasebut sampel. Bisa prosedur sampling ieu dipicuna biases husus dina perkiraan anjeun?
    3. Mangga ménta eta di handap mikro-survey:
    • "Sabaraha kali teu Anjeun pake telepon sélulér pikeun nelepon batur kamari?"
    • "Sabaraha talatah teks anjeun ngirim kamari?"
    • "Sabaraha kali anjeun make telepon sélulér Anjeun pikeun nelepon batur di tujuh poé panungtung?"
    • "Sabaraha kali teu Anjeun pake telepon sélulér Anjeun pikeun ngirim atawa nampa talatah téks / SMS dina tujuh poé panungtung?" Sakali survey geus réngsé, ménta mariksa pamakean data maranéhanana salaku log ku télépon atawa panyadia ladenan maranéhanana.
    1. Kumaha carana sangkan pamakéan timer laporan ngabandingkeun asup data? Nu paling akurat, nu sahenteuna akurat?
    2. Ayeuna ngagabung data nu geus dikumpulkeun jeung data ti jalma sejen di kelas anjeun (upami anjeun ngalakonan aktivitas ieu kelas a). Jeung dataset badag ieu, malikan bagian (d).
  5. [ sedeng , kumpulan data ] Schuman jeung Presser (1996) ngajawab yén pemesanan Patarosan bakal masalah keur dua jenis hubungan antara patarosan: bagian-bagian patarosan mana dua patarosan nu di tingkat sarua spésifisitas (misalna ratings dua calon presiden); jeung pertanyaan bagian-sakabeh mana pertanyaan umum kieu pertanyaan leuwih husus (misalna nanyakeun "Kumaha wareg anjeun jeung karya Anjeun?" dituturkeun ku "Kumaha wareg anjeun jeung kahirupan anjeun?").

    Maranéhanana saterusna characterize dua jenis éfék order Patarosan: efek konsistensi lumangsung lamun réspon ka Patarosan saterusna nu dibawa leuwih deukeut (ti maranéhanana disebutkeun bakal) pikeun maranéhanana dibikeun ka hiji pertanyaan tadi; kontras pangaruh lumangsung lamun aya béda gede antara réspon ka dua patarosan.

    1. Jieun pasangan patarosan bagian-bagian nu mikir bakal boga pangaruh gede order Patarosan, pasangan patarosan bagian-sakabeh nu mikir anjeun bakal boga pangaruh order badag, sarta pasangan sejen patarosan nu guna mikir moal masalah. Ngajalankeun percobaan survey dina MTurk pikeun nguji patanyaan anjeun.
    2. Kumaha badag ieu pangaruh bagian-bagian éta anjeun bisa nyieun? Ieu eta hiji konsistensi atawa jelas pangaruh?
    3. Kumaha badag ieu pangaruh bagian-sakabeh éta anjeun bisa nyieun? Ieu eta hiji konsistensi atawa jelas pangaruh?
    4. Aya pertanyaan pangaruh order di pasangan Anjeun di mana Anjeun teu mikir order bakal masalah?
  6. [ sedeng , kumpulan data ] Wangunan di karya Schuman jeung Presser, Moore (2002) ngagambarkeun hiji dimension misah tina pangaruh order Patarosan: aditif jeung subtraktif. Sedengkeun jelas jeung konsistensi efek nu dihasilkeun salaku konsekuensi tina Panakawan responden 'dua item dina hubungan silih, aditif jeung pangaruh subtraktif dihasilkeun nalika responden dijieun leuwih sensitip ka kerangka badag dina nu patarosan anu ngawarah. Baca Moore (2002) , tuluy ngarancang jeung ngajalankeun percobaan survey dina MTurk ka demonstrate aditif atawa subtraktif pangaruh.

  7. [ teuas , kumpulan data ] Christopher Antoun sareng kolega (2015) dipigawé hiji ulikan ngabandingkeun sampel genah dicandak ti opat sumber recruiting online béda: MTurk, Craigslist, Google AdWords jeung Facebook. Ngarancang hiji survey basajan jeung recruit pamilon ngaliwatan saeutikna dua sumber recruiting online beda (maranehna bisa sumber béda ti opat sumber dipaké dina Antoun et al. (2015) ).

    1. Bandingkeun biaya per manggih, dina watesan duit jeung waktu, antara sumber beda.
    2. Bandingkeun komposisi sampel dicandak ti sumber nu beda.
    3. Bandingkeun kualitas data antara sampel. Pikeun gagasan ngeunaan kumaha pikeun ngukur kualitas data ti responden, tempo Schober et al. (2015) .
    4. What is sumber pikaresep anjeun? Naha?
  8. [ sedeng ] YouGov, hiji sungut panalungtikan pasar basis internet, dipigawé jajal online hiji panel kira-kira 800.000 responden di Inggris sarta dipaké Mr. P. pikeun ngaduga hasil referendum EU (ie, Brexit) mana pamilih UK ngajawab boh tetep atawa ninggalkeun Uni Éropa.

    A jentre model statistik YouGov nyaéta dieu (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/). Kasarna diomongkeun, YouGov partitions pamilih kana tipe dumasar kana 2015 pilihan sora pamilihan umum, umur, kualifikasi, gender, tanggal wawancara, ogé constituency maranehna hirup di. Kahiji, maranéhanana dipaké data dikumpulkeun ti panelists YouGov ka estimasi, antara maranéhanana anu ngajawab, proporsi jalma unggal tipe voter anu maksudna pikeun ngajawab ninggalkeun. Maranéhanana estimasi turnout unggal tipe voter ku cara make British Study Pemilihan 2015 (BES) post-pamilihan beungeut-to-beungeut survey, nu disahkeun turnout ti gulungan Panwaslu. Ahirna, maranehna estimasi sabaraha urang aya unggal tipe voter di electorate dumasar kana Census panganyarna jeung Survey Populasi taunan (jeung sababaraha émbaran tambahan ti BES, data survey YouGov ti kira-kira pamilihan umum, sareng inpo tentang kumaha loba jelema milih pikeun unggal pihak dina unggal constituency).

    Tilu poé saméméh sora nu, YouGov némbongkeun hiji kalungguhan dua titik pikeun ninggalkeun. Dina wengi voting, polling némbongkeun deukeut teuing ka sebut (49-51 tetep). Final ulikan dina-nu-poé diprediksi 48/52 di ni'mat tetep (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). Kanyataanna, estimasi ieu lasut hasil final (52-48 ninggalkeun) ku opat titik persentase.

    1. Paké kerangka kasalahan survey total dibahas dina bab ieu assess naon bisa geus Isro salah.
    2. response YouGov sacara sanggeus pamilihan (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) ngécéskeun: "Ieu sigana dina sabagian gedé alatan turnout - hal anu kami geus ngomong sadaya sapanjang bakal krusial ka hasil saperti ras finely saimbang. model turnout urang ieu dumasar, dina bagian, dina naha responden geus milih di pamilihan umum kamari jeung tingkat turnout luhur nu pamilihan umum kesel modél, utamana dina Kalér. "Teu ieu ngarobah jawaban Anjeun ka bagian (a)?
  9. [ sedeng , merlukeun coding ] Tulis hiji simulasi pikeun ngagambarkeun unggal kasalahan ngagambarkeun di Gambar 3.1.

    1. Jieun kaayaan dimana kasalahan ieu sabenerna ngabolaykeun kaluar.
    2. Jieun kaayaan dimana kasalahan sanyawa unggal séjén.
  10. [ pisan teuas , merlukeun coding ] Nu panalungtikan Blumenstock sareng kolega (2015) aub ngawangun model pembelajaran mesin anu bisa maké renik data digital pikeun ngaduga réspon survey. Ayeuna, anjeun bade nyoba hal anu sarua jeung dataset beda. Kosinski, Stillwell, and Graepel (2013) manggihan yén Facebook diaku bisa ngaduga Tret individu jeung atribut. Ahéng, prediksi ieu bisa komo leuwih akurat ti eta babaturan sareng kolega (Youyou, Kosinski, and Stillwell 2015) .

    1. Baca Kosinski, Stillwell, and Graepel (2013) , sarta ngayakeun réplikasi Gambar 2. data maranéhanana sadia di dieu: http://mypersonality.org/
    2. Ayeuna, ngayakeun réplikasi Gambar 3.
    3. Ahirna, coba model maranéhanana dina data Facebook Anjeun sorangan: http://applymagicsauce.com/. Kumaha ogé teu nya digawekeun pikeun anjeun?
  11. [ sedeng ] Toole et al. (2015) maké télépon jéntré catetan (CDRs) ti ponsel pikeun ngaduga tren pangangguran agrégat.

    1. Bandingkeun jeung kontras desain Toole et al. (2015) jeung Blumenstock, Cadamuro, and On (2015) .
    2. Ulah mikir CDRs kudu ngaganti survey tradisional, pelengkap eta atawa teu bisa dipaké dina sadaya pikeun policymakers pamaréntah lagu pangangguran? Naha?
    3. Naon bukti bakal ngayakinkeun yén CDRs lengkep bisa ngaganti ukuran tradisional laju pangangguran?