చర్యలు

• కష్టం డిగ్రీ: సులభం , మీడియం , హార్డ్ , చాలా కఠినం
• గణితం అవసరం )
• కోడింగ్ అవసరం ( )
• వివరాల సేకరణ ( )
• నాకు ఇష్టమైనవి ( )

1. [ , ] అధ్యాయంలో, పోస్ట్ స్ట్రాటిఫికేషన్ గురించి నేను చాలా సానుకూలంగా ఉన్నాను. అయితే, ఇది ఎల్లప్పుడూ అంచనాల నాణ్యతను మెరుగుపరచదు. పోస్ట్ స్ట్రాటిఫికేషన్ అంచనాల నాణ్యతను తగ్గించగల పరిస్థితిని నిర్మిస్తుంది. (సూచన కోసం, Thomsen (1973) .)

2. [ , , ] గన్ యాజమాన్యం మరియు తుపాకీ నియంత్రణ వైపు వైఖరులు గురించి అడగటానికి అమెజాన్ యాంత్రిక టర్క్పై సంభావ్యత సర్వే డిజైన్ మరియు నిర్వహించడం. అందువల్ల మీ అంచనాలను ఒక సంభావ్య నమూనా నుండి పోల్చవచ్చు, దయచేసి ప్యూ రీసెర్చ్ సెంటర్ నిర్వహించిన అధిక-నాణ్యత సర్వే నుండి ప్రశ్న టెక్స్ట్ మరియు ప్రతిస్పందన ఎంపికలను నేరుగా కాపీ చేయండి.

   1. మీ సర్వే ఎంతకాలం పడుతుంది? ఎంత ఖర్చు అవుతుంది? యుఎస్ జనాభా జనాభా గణాంకాలతో మీ నమూనా యొక్క జనాభా గణాంకాలు ఎలా సరిపోతాయి?
   2. మీ నమూనా ఉపయోగించి గన్ యాజమాన్యం యొక్క ముడి అంచనా ఏమిటి?
   3. పోస్ట్-స్ట్రాటిఫికేషన్ లేదా కొన్ని ఇతర పద్ధతిని ఉపయోగించి మీ నమూనా యొక్క nonrepresentativeness కోసం సరి. ఇప్పుడు గన్ యాజమాన్యం అంచనా ఏమిటి?
   4. సంభావ్యత ఆధారిత నమూనా నుండి తాజా అంచనాతో మీ అంచనాలు ఎలా సరిపోతాయి? ఏదైనా ఉంటే, మీరు వ్యత్యాసాలు వివరిస్తుంది ఏమి ఆలోచిస్తాడు?
   5. ప్రశ్నలను పునరావృతం (బి) - (d) తుపాకీ నియంత్రణ వైపు వైఖరులు కోసం. మీ అన్వేషణలు ఎలా విభిన్నంగా ఉంటాయి?

3. [ , , ] గోయల్ మరియు సహచరులు (2016) జనరల్ సోషల్ సర్వే (GSS) నుండి తీసుకున్న పలు బహుళ-ఎంపిక దృక్పథ ప్రశ్నలను మరియు ప్యూ రీసెర్చ్ సెంటర్ ద్వారా అమెజాన్ మెకానికల్ టర్క్ నుండి తీసుకోబడిన ప్రతివాదులు కాని సంభావ్యత నమూనాకు ఎంపిక చేసిన సర్వేలను నిర్వహించారు. అప్పుడు వారు మోడల్ ఆధారిత పోస్ట్-స్ట్రాటిఫికేషన్ను ఉపయోగించి డేటా యొక్క ప్రాతినిధ్య రహితీకరణకు సర్దుబాటు చేశారు మరియు సంభావ్యత ఆధారిత GSS మరియు ప్యూ సర్వేల నుండి వారి సర్దుబాటు అంచనాలను పోలిస్తే సరిపోతుంది. అమెజాన్ మెకానికల్ టర్క్పై అదే సర్వే నిర్వహించండి మరియు GSS మరియు ప్యూ సర్వేల యొక్క ఇటీవల రౌండ్ల నుండి అంచనాలతో మీ సర్దుబాటు అంచనాలను పోల్చడం ద్వారా ఫిగర్ 2a మరియు ఫిగర్ 2b ప్రతిబింబించేందుకు ప్రయత్నించండి. (49 ప్రశ్నల జాబితాకు Appendix పట్టిక A2 ను చూడండి.)

   1. పోవ్ మరియు GSS నుండి మీ ఫలితాలను పోల్చండి మరియు విరుద్ధంగా చేయండి.
   2. Goel, Obeng, and Rothschild (2016) లో మెకానికల్ టర్క్ సర్వే నుండి వారి ఫలితాలను పోల్చండి మరియు విరుద్ధంగా.

4. [ , , ] చాలా అధ్యయనాలు మొబైల్ ఫోన్ వాడకం యొక్క స్వీయ-నివేదిత చర్యలను ఉపయోగిస్తాయి. ఇది ఒక ఆసక్తికరమైన అమరిక, దీనిలో పరిశోధకులు స్వీయ-నివేదిత ప్రవర్తనను లాగ్డ్ ప్రవర్తనతో పోల్చవచ్చు (ఉదా. Boase and Ling (2013) ). గురించి గోవా రెండు సాధారణ ప్రవర్తనలు కాల్ మరియు టెక్స్టింగ్, మరియు రెండు సాధారణ సమయం ఫ్రేమ్లను "నిన్న" మరియు "గత వారం."

   1. ఏ డేటాను సేకరించే ముందు, స్వీయ నివేదిక చర్యల్లో మీరు మరింత ఖచ్చితమైనదిగా భావిస్తారా? ఎందుకు?
   2. మీ స్నేహితుల్లో ఐదుగురు మీ సర్వేలో ఉండాలి. దయచేసి ఈ ఐదుగురు స్నేహితులు మాదిరిగా ఎలా సంగ్రహించారు? ఈ మాదిరి ప్రక్రియ మీ అంచనాలలో నిర్దిష్ట పక్షపాతాలను ప్రేరేపించగలదా?
   3. వారికి క్రింది సూక్ష్మదర్శిని ప్రశ్నలను అడగండి:
   • "మీరు నిన్న ఇతరులను కాల్ చేయడానికి మీ మొబైల్ ఫోన్ను ఎన్ని సార్లు ఉపయోగించారు?"
   • "మీరు నిన్న ఎన్ని సందేశాలను పంపించారా?"
   • "మీరు గత ఏడు రోజులలో ఇతరులను కాల్ చేయడానికి మీ మొబైల్ ఫోన్ను ఎన్ని సార్లు ఉపయోగించారు?"
   • "గత ఏడు రోజులలో టెక్స్ట్ సందేశాలను / SMSలను పంపడానికి లేదా స్వీకరించడానికి మీరు ఎన్నిసార్లు మీ మొబైల్ ఫోన్ను ఉపయోగించారు?"
   4. ఒకసారి ఈ మైక్రోస్యురీ పూర్తయిన తర్వాత, వారి ఫోన్ లేదా సర్వీస్ ప్రొవైడర్ ద్వారా లాగ్ చేయబడిన వారి వాడుక డేటాను తనిఖీ చెయ్యండి. స్వీయ-నివేదిక వాడుక డేటాను లాగ్ చేయడానికి ఎలా సరిపోతుంది? ఏది ఖచ్చితంగా ఖచ్చితమైనది, ఇది ఖచ్చితమైనది?
   5. ఇప్పుడు మీరు మీ తరగతిలోని ఇతర వ్యక్తుల నుండి డేటాతో సేకరించిన డేటాను మిళితం చేయండి (మీరు ఒక తరగతి కోసం ఈ కార్యాచరణ చేస్తున్నట్లయితే). ఈ పెద్ద డేటాసమితితో, పునరావృత భాగం (d).

5. [ , ] షుమాన్ మరియు ప్రెసర్ (1996) ప్రశ్నించే రెండు రకాలైన ప్రశ్నలకు ప్రాధాన్యతనిస్తారని వాదించారు: రెండు ప్రశ్నలు ప్రత్యేకమైన స్థాయిలో (ఉదా., రెండు అధ్యక్ష అభ్యర్థుల రేటింగ్స్) రెండు భాగాలను కలిగి ఉన్న భాగం-భాగం ప్రశ్నలు; మరియు ఒక సాధారణ ప్రశ్న మరింత సాధారణ ప్రశ్న (ఉదా., "మీ పనితో ఎంత సంతృప్తి చెందింది?" అని అడుగుతూ) "మీ జీవితంలో ఎంత సంతృప్తి చెందుతుంది?"

   ఇవి రెండు రకాల ప్రశ్నార్థక ప్రభావాలను మరింత వర్గీకరిస్తాయి: తరువాతి ప్రశ్నకు ఇచ్చిన ప్రతిస్పందనలకు ముందుగా ఉన్న ప్రశ్నకు సమాధానాలు (లేకపోతే వారు కాకుండా) కంటే స్థిరపడినప్పుడు స్థిరమైన ప్రభావాలు ఏర్పడతాయి; రెండు ప్రశ్నలకు స్పందనలు మధ్య ఎక్కువ తేడాలు ఉన్నప్పుడు విరుద్ధమైన ప్రభావాలు జరుగుతాయి.

   1. పెద్ద ప్రశ్న ఆర్డర్ ప్రభావం ఉంటుందని మీరు భావిస్తున్న పార్ట్-పార్ట్ ప్రశ్నలను సృష్టించండి; మీరు ఒక పెద్ద ఆర్డర్ ప్రభావాన్ని కలిగి ఉంటారని భావించే పార్ట్-మొత్తం ప్రశ్నల జత; మరియు మీ ఆర్డర్ మీరు పట్టింపు లేదు అనుకుంటున్నాను ఒక జత ప్రశ్నలు. మీ ప్రశ్నలను పరీక్షించడానికి అమెజాన్ మెకానికల్ టర్క్పై సర్వే ప్రయోగం అమలు చేయండి.
      
   2. మీరు ఎంత భాగం పార్ట్ ఎఫెక్ట్ సృష్టించగలవా? అది స్థిరత్వం లేదా వ్యత్యాసమా?
   3. మీరు ఎంత భాగం పూర్తి ప్రభావాన్ని సృష్టించగలవా? అది స్థిరత్వం లేదా వ్యత్యాసమా?
   4. మీరు ఆర్డర్ పట్టడం భావించలేదు పేరు మీ జంట లో ఒక ప్రశ్న ఆర్డర్ ప్రభావం ఉందా?

6. [ , ] షుమాన్ మరియు ప్రెస్ల రచన బిల్డింగ్, Moore (2002) ప్రశ్న ఆర్డర్ ఎఫెక్ట్ యొక్క ప్రత్యేక కోణాన్ని వివరించారు: సంకలిత మరియు వ్యవకలనం ప్రభావాలు. ప్రతి ఇతర సంబంధించి రెండు వస్తువుల యొక్క ప్రతివాదులు 'అంచనాల ఫలితంగా విరుద్ధంగా మరియు అనుగుణ్యత ప్రభావాలను ఉత్పత్తి చేస్తారు, సంకలిత మరియు వ్యవకలనం ప్రభావాలను ఉత్పత్తి చేయబడతాయి, ఇందులో ప్రతివాదులు ప్రశ్నలకు ఎదురయ్యే పెద్ద చట్రంలో మరింత సున్నితంగా ఉంటారు. Moore (2002) చదవండి Moore (2002) , అప్పుడు రూపకల్పన మరియు సంకలిత లేదా వ్యవకలనం ప్రభావాలు ప్రదర్శించేందుకు MTurk ఒక సర్వే ప్రయోగం అమలు.

7. [ , ] క్రిస్టోఫర్ ఆంటోన్ మరియు సహచరులు (2015) నాలుగు వేర్వేరు ఆన్లైన్ రిక్రూటింగ్ వనరుల నుండి పొందిన సౌలభ్యం నమూనాలను పోల్చడం అధ్యయనం నిర్వహించారు: MTurk, క్రెయిగ్స్ జాబితా, Google AdWords మరియు ఫేస్బుక్. కనీసం రెండు వేర్వేరు ఆన్లైన్ రిక్రూటింగ్ మూలాల ద్వారా సాధారణ సర్వేని మరియు నియామక భాగస్వాములను రూపొందిస్తారు (ఈ మూలాలు Antoun et al. (2015) లో ఉపయోగించిన నాలుగు మూలాల నుండి భిన్నంగా ఉంటాయి.

   1. ప్రతినిధికి ఖర్చుతో పోల్చుకోండి-డబ్బు మరియు సమయాల మధ్య వివిధ మూలాల మధ్య.
   2. వివిధ మూలాల నుండి పొందిన నమూనాల కూర్పును పోల్చండి.
   3. నమూనాల మధ్య డేటా నాణ్యతను పోల్చండి. ప్రతివాదులు నుండి డేటా నాణ్యత కొలిచేందుకు ఎలా ఆలోచనలు కోసం, Schober et al. (2015) చూడండి Schober et al. (2015) .
   4. మీ ఇష్టపడే మూలం ఏమిటి? ఎందుకు?

8. [ ] 2016 EU రిఫెరెండమ్ (అనగా, బ్రెక్సిట్), యుగోబ్-ఇంటర్నెట్ ఆధారిత మార్కెటింగ్ పరిశోధన సంస్థ-యునైటెడ్ కింగ్డమ్లో సుమారు 800,000 మంది ప్రతినిధుల ప్యానెల్ యొక్క ఆన్లైన్ ఎన్నికలను నిర్వహించిన ఫలితాలను అంచనా వేసే ప్రయత్నంలో.

   యుగవ్ యొక్క గణాంక నమూనా యొక్క వివరణాత్మక వివరణను https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/ లో కనుగొనవచ్చు. సుమారుగా చెప్పాలంటే, 2015 సాధారణ ఎన్నికల ఓటు ఎంపిక, వయస్సు, అర్హతలు, లింగ మరియు ఇంటర్వ్యూ తేదీ, అలాగే వారు నివసించిన నియోజకవర్గం ఆధారంగా యుగోర్లను విభజించారు. మొదట, వారు యుగవ్ ప్యానెలిస్ట్ల నుండి సేకరించిన డేటాను ఓటు వేయడానికి ఉపయోగించారు, ఓటు వేయడానికి ఉద్దేశించిన ప్రతి వోటర్ రకం ప్రజల నిష్పత్తి. 2015 బ్రిటిష్ ఎన్నికల అధ్యయనం (బీఎస్ఈ) ను ఉపయోగించి ప్రతి వోటర్ రకానికి చెందిన ఓటింగ్ను వారు అంచనా వేశారు, ఇది ఎన్నికల తరువాత ముఖాముఖి సర్వేలో ఉంది, ఇది ఎన్నికల రోల్స్ నుండి ఓటు వేసింది. చివరగా, తాజా సెన్సస్ మరియు యాన్యువల్ పాపులేషన్ సర్వే (ఇతర డేటా మూలాల నుండి కొన్ని అదనపు సమాచారంతో) ఆధారంగా ఎన్ని ఓటర్లు ఎన్ని ఓటర్లు ఉన్నారు?

   ఓటు మూడు రోజుల ముందు, యుగవ్ లీవ్ కోసం రెండు-పాయింట్ల ఆధిక్యం చూపించారు. ఓటింగ్ సందర్భంగా, పోల్ ఫలితంగా (49/51 మిగిలిపోయింది) కాల్ చాలా దగ్గరగా ఉందని సూచించింది. ఫైనల్ ఆన్ ది డే స్టడీ 48/52 లో రెమిన్కు అనుకూలంగా ఉందని అంచనా వేసింది (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). వాస్తవానికి, ఈ అంచనా తుది ఫలితం (52/48 లీవ్) నాలుగు శాతం పాయింట్లచే దూరమయింది.

   1. తప్పు జరిగిందని అంచనా వేయడానికి ఈ అధ్యాయంలో చర్చించిన మొత్తం సర్వే లోపం ఫ్రేమ్వర్క్ను ఉపయోగించండి.
   2. ఎన్నికల తరువాత యుగోవ్ యొక్క ప్రతిస్పందన (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) ఇలా వివరించింది: "సభలో పాల్గొన్న కారణంగా ఇది చాలా పెద్దదిగా ఉంది అటువంటి సరసమైన సమతుల్య జాతి ఫలితం అన్నింటికన్నా కీలకమైనదని మేము చెప్పాము. మా సాధారణ సభ ఎన్నికలలో చివరి సాధారణ ఎన్నికలలో ఓటు వేయిందా మరియు సాధారణ ఎన్నికల కంటే సభ ఎన్నికలకు పైన ఓటు వేసింది, ప్రత్యేకంగా నార్త్లో మోసగించడం మా భాగంగా ఉంది.

9. [ , ] ఫిగర్ 3.2 లో ప్రాతినిధ్య లోపాల ప్రతి వర్ణించేందుకు ఒక అనుకరణను వ్రాయండి.

   1. ఈ లోపాలు వాస్తవానికి రద్దు చేయబడిన పరిస్థితిని సృష్టించండి.
   2. లోపాలు ప్రతి ఇతర సమ్మేళనం ఉన్న పరిస్థితిని సృష్టించండి.

10. [ , బ్లుమెన్స్టాక్ మరియు సహచరుల పరిశోధన (2015) సర్వే స్పందనలు అంచనా వేయడానికి డిజిటల్ ట్రేస్ డేటాను ఉపయోగించే ఒక యంత్ర అభ్యాస నమూనాను నిర్మించడంలో పాల్గొంది. ఇప్పుడు, మీరు వేరే డేటాసెట్ తో అదే విషయం ప్రయత్నిస్తారని. Kosinski, Stillwell, and Graepel (2013) ఫేస్బుక్ మంది ఇష్టపడ్డారు వ్యక్తిగత లక్షణాలు మరియు లక్షణాలను అంచనా వేయవచ్చు. ఆశ్చర్యకరంగా, స్నేహితులు మరియు సహోద్యోగులు (Youyou, Kosinski, and Stillwell 2015) కంటే ఈ అంచనాలు మరింత ఖచ్చితమైనవిగా ఉంటాయి.

    1. Kosinski, Stillwell, and Graepel (2013) , మరియు సంఖ్య ప్రతిరూపం. వారి డేటా అందుబాటులో ఉన్నాయి http://mypersonality.org/
    2. ఇప్పుడు, సంఖ్య 3 ప్రతిబింబించు.
    3. చివరగా, మీ స్వంత ఫేస్బుక్ డేటాలో వారి నమూనాను ప్రయత్నించండి: http://applymagicsauce.com/. ఇది మీ కోసం ఎలా పనిచేస్తుంది?

11. [ ] Toole et al. (2015) మొబైల్ ఫోన్ల నుండి ఉపయోగించే కాల్ వివరాలు వివరాలు (CDRs) మొత్తం నిరుద్యోగ పోకడలను అంచనా వేయడానికి.

    1. Toole et al. (2015) యొక్క అధ్యయనం డిజైన్ను పోల్చండి మరియు విరుద్ధంగా Toole et al. (2015) Blumenstock, Cadamuro, and On (2015) .
    2. CDR లు సాంప్రదాయ సర్వేలను భర్తీ చేయవచ్చని లేదా నిరుద్యోగాలను గుర్తించేందుకు ప్రభుత్వ విధాన రూపకర్తలకు అన్నింటిని ఉపయోగించరాదని మీరు భావిస్తున్నారా? ఎందుకు?
    3. CDR లు నిరుద్యోగ రేటు సాంప్రదాయ చర్యలను పూర్తిగా భర్తీ చేయగలవని మీకు ఏ రుజువులు తెలియచేస్తాయి?