กิจกรรม

สำคัญ:

  • ระดับความยาก: ง่าย ง่าย กลาง กลาง ยาก ยาก , ยากมาก ยากมาก
  • ต้องใช้คณิตศาสตร์ ( ต้องใช้คณิตศาสตร์ )
  • ต้องเขียนโค้ด ( ต้องเขียนโค้ด )
  • การเก็บรวบรวมข้อมูล ( การเก็บรวบรวมข้อมูล )
  • สิ่งที่ฉันชอบ ( ที่ชื่นชอบ )

  1. [ ยาก , ต้องใช้คณิตศาสตร์ ] ในบทที่ฉันเป็นบวกมากเกี่ยวกับการโพสต์การแบ่งชั้น แต่ก็ไม่เคยปรับปรุงคุณภาพของการประมาณการ สร้างสถานการณ์ที่สามารถโพสต์สามารถลดการแบ่งชั้นคุณภาพของประมาณการ (สำหรับคำแนะนำให้ดู Thomsen (1973) )

  2. [ ยาก , การเก็บรวบรวมข้อมูล , ต้องเขียนโค้ด ] การออกแบบและดำเนินการสำรวจที่ไม่น่าจะเป็นใน Amazon MTurk จะถามเกี่ยวกับเจ้าของปืน ( "คุณหรือไม่ทุกคนในครัวเรือนของคุณเป็นเจ้าของปืนไรเฟิลหรือปืนหรือไม่ว่าคุณหรือคนอื่นในครัวเรือนของคุณ?") และ ทัศนคติต่อการควบคุมอาวุธปืน ( "คุณคิดว่าอะไรเป็นสิ่งที่สำคัญมากขึ้นต่อการปกป้องสิทธิของชาวอเมริกันที่จะเป็นเจ้าของปืนหรือเพื่อควบคุมเจ้าของปืน?")

    1. นานแค่ไหนที่สำรวจของคุณจะใช้เวลาเท่าใด เท่าไหร่ค่าใช้จ่าย? วิธีทำประชากรของกลุ่มตัวอย่างของคุณเปรียบเทียบกับประชากรของประชากรสหรัฐได้หรือไม่
    2. ประมาณการดิบของเจ้าของปืนโดยใช้ตัวอย่างของคุณคืออะไร?
    3. ที่ถูกต้องสำหรับไม่ใช่มูลของกลุ่มตัวอย่างของคุณโดยใช้การแบ่งชั้นการโพสต์หรือเทคนิคอื่น ๆ ตอนนี้สิ่งที่เป็นประมาณการของเจ้าของปืนหรือไม่
    4. วิธีทำประมาณการของคุณเปรียบเทียบกับการคาดการณ์ล่าสุดจากนั่งศูนย์วิจัย? คุณคิดอย่างไรกับอธิบายความแตกต่างถ้ามีอะไรบ้าง
    5. ทำซ้ำการออกกำลังกาย 2-5 สำหรับทัศนคติที่มีต่อการควบคุมอาวุธปืน วิธีการทำผลการวิจัยของคุณแตกต่างกันอย่างไร

  3. [ ยากมาก , การเก็บรวบรวมข้อมูล , ต้องเขียนโค้ด ] โกลและเพื่อนร่วมงาน (2016) การบริหารงานการสำรวจที่ไม่น่าจะเป็นตามที่ประกอบด้วยคำถาม 49 ทัศนคติแบบปรนัยมาจากการสำรวจทั่วไปทางสังคม (GSS) และเลือกการสำรวจโดยศูนย์วิจัย Pew ใน Amazon MTurk จากนั้นพวกเขาปรับไม่ใช่มูลของข้อมูลโดยใช้แบบจำลองที่ใช้โพสต์แบ่งชั้น (นาย P) และเปรียบเทียบปรับประมาณการกับผู้ใช้น่าจะเป็นประมาณตามการสำรวจ GSS / Pew ดำเนินการสำรวจเดียวกันใน MTurk และพยายามที่จะทำซ้ำ 2a รูปและรูปที่ 2b โดยการเปรียบเทียบปรับประมาณการของคุณกับประมาณการจากรอบล่าสุดของ GSS / Pew (ดูภาคผนวกตาราง A2 สำหรับรายชื่อของ 49 คำถาม)

    1. เปรียบเทียบและความคมชัดผลลัพธ์ของคุณให้เป็นผลมาจาก Pew และ GSS
    2. เปรียบเทียบและความคมชัดผลลัพธ์ของคุณให้ผลลัพธ์ที่ได้จากการสำรวจ MTurk ใน Goel, Obeng, and Rothschild (2016)

  4. [ กลาง , การเก็บรวบรวมข้อมูล , ต้องเขียนโค้ด ] การศึกษาหลายแห่งใช้มาตรการรายงานตนเองของข้อมูลกิจกรรมโทรศัพท์มือถือ นี่คือการตั้งค่าที่น่าสนใจที่นักวิจัยสามารถเปรียบเทียบพฤติกรรมตนเองรายงานที่มีพฤติกรรมเข้าสู่ระบบ (ดูเช่น Boase and Ling (2013) ) สองพฤติกรรมธรรมดาที่จะถามเกี่ยวกับการเรียกร้องและ texting และสองกรอบเวลาร่วมกันคือ "เมื่อวาน" และ "ในสัปดาห์ที่ผ่านมา."

    1. ก่อนที่จะเก็บรวบรวมข้อมูลใด ๆ ที่ของตนเองรายงานมาตรการที่คุณคิดว่ามีความถูกต้องมากขึ้น? ทำไม?
    2. รับสมัคร 5 เพื่อนของคุณจะอยู่ในแบบสำรวจของคุณ กรุณาสรุปสั้น ๆ วิธีการเหล่านี้เพื่อน 5 คนได้รับการเก็บตัวอย่าง อาจสุ่มตัวอย่างขั้นตอนนี้ทำให้เกิดอคติที่เฉพาะเจาะจงในการประมาณการของคุณหรือไม่
    3. โปรดถามพวกเขาต่อไปนี้ไมโครสำรวจ:
    • "ไม่กี่ครั้งที่คุณใช้โทรศัพท์มือถือเพื่อโทรหาคนอื่น ๆ เมื่อวานนี้?"
    • "วิธีข้อความหลายคนที่คุณส่งเมื่อวานนี้?"
    • "ไม่กี่ครั้งที่คุณใช้โทรศัพท์มือถือของคุณโทรหาคนอื่น ๆ ในเจ็ดวันที่ผ่านมา?"
    • "ไม่กี่ครั้งที่คุณใช้โทรศัพท์มือถือของคุณในการส่งหรือรับข้อความ SMS / ในเจ็ดวันสุดท้าย?" เมื่อสำรวจเสร็จสมบูรณ์แล้วขอให้ตรวจสอบข้อมูลการใช้งานของพวกเขาเป็นลงทะเบียนทางโทรศัพท์หรือผู้ให้บริการของพวกเขา
    1. รายงานการใช้งานด้วยตนเองอย่างไรเมื่อเปรียบเทียบกับข้อมูลเข้าสู่ระบบ? ซึ่งเป็นที่ถูกต้องที่สุดซึ่งเป็นอย่างน้อยที่ถูกต้อง?
    2. ตอนนี้รวมข้อมูลที่คุณได้เก็บรวบรวมกับข้อมูลจากคนอื่น ๆ ในชั้นเรียนของคุณ (ถ้าคุณกำลังทำกิจกรรมนี้สำหรับการเรียน) ด้วยชุดข้อมูลที่มีขนาดใหญ่กว่านี้ให้ทำซ้ำส่วนหนึ่ง (ง)

  5. [ กลาง , การเก็บรวบรวมข้อมูล ] Schuman และ Presser (1996) ยืนยันว่าคำสั่งซื้อจะคำถามสำคัญสำหรับทั้งสองประเภทของความสัมพันธ์ระหว่างคำถาม: คำถามที่ส่วนหนึ่งส่วนที่สองคำถามที่อยู่ในระดับเดียวกันของความจำเพาะ (เช่นการจัดอันดับของสองผู้สมัครประธานาธิบดี); และเป็นส่วนหนึ่งทั้งคำถามที่เป็นคำถามทั่วไปดังต่อไปนี้เป็นคำถามที่เฉพาะเจาะจงมากขึ้น (เช่นถามว่า "คุณพึงพอใจกับการทำงานของคุณ?" ตามด้วย "คุณพึงพอใจกับชีวิตของคุณ?")

    นอกจากนี้พวกเขาทั้งสองประเภทลักษณะของผลกระทบเพื่อคำถาม: ผลกระทบสอดคล้องเกิดขึ้นเมื่อการตอบสนองต่อคำถามต่อมาจะถูกนำใกล้ชิด (กว่าที่พวกเขาจะเป็นอย่างอื่น) ให้กับผู้ที่ได้รับให้กับคำถามก่อนหน้า; ความคมชัดของผลกระทบที่เกิดขึ้นเมื่อมีความแตกต่างมากขึ้นระหว่างการตอบสนองต่อคำถามที่สอง

    1. สร้างคู่ของคำถามส่วนหนึ่งส่วนที่คุณคิดว่าจะมีผลขนาดใหญ่เพื่อคำถามคู่ของคำถามส่วนทั้งที่คุณคิดว่าจะมีผลการสั่งซื้อขนาดใหญ่และคู่ของคำถามอื่นซึ่งได้สั่งซื้อที่คุณคิดว่าไม่สำคัญ ใช้การทดสอบแบบสำรวจเกี่ยวกับ MTurk เพื่อทดสอบคำถาม
    2. วิธีที่มีขนาดใหญ่เป็นผลส่วนหนึ่งส่วนเป็นคุณสามารถที่จะสร้างหรือไม่? คือมันเป็นความสอดคล้องหรือความคมชัดผล?
    3. วิธีที่มีขนาดใหญ่เป็นผลส่วนหนึ่งทั้งเป็นคุณสามารถที่จะสร้างหรือไม่? คือมันเป็นความสอดคล้องหรือความคมชัดผล?
    4. ก็มีผลต่อการสั่งซื้อคำถามในคู่ของคุณที่คุณไม่คิดว่าคำสั่งซื้อจะเรื่อง?

  6. [ กลาง , การเก็บรวบรวมข้อมูล ] อาคารในการทำงานของ Schuman และ Presser ที่ Moore (2002) อธิบายมิติที่แยกต่างหากจากผลการสั่งซื้อคำถาม: สารเติมแต่งและลด ในขณะที่ความคมชัดและความสอดคล้องของผลกระทบที่จะมีการผลิตเป็นผลมาจากการประเมินผลการตอบแบบสอบถามของทั้งสองรายการในความสัมพันธ์กับแต่ละอื่น ๆ สารเติมแต่งและผลกระทบที่มีการผลิตลดเมื่อผู้ตอบแบบสอบถามที่ทำมีความไวต่อกรอบขนาดใหญ่ภายในซึ่งคำถามที่มีการโพสต์ อ่าน Moore (2002) จากนั้นออกแบบและทำการทดสอบการสำรวจแสดงให้เห็นถึง MTurk สารเติมแต่งหรือลดผลกระทบ

  7. [ ยาก , การเก็บรวบรวมข้อมูล ] คริสโต Antoun และเพื่อนร่วมงาน (2015) ได้ทำการศึกษาเปรียบเทียบตัวอย่างความสะดวกสบายที่ได้จากการที่แตกต่างกันสี่แหล่งรับสมัครออนไลน์: MTurk, Craigslist, Google AdWords และ Facebook การออกแบบที่เรียบง่ายและการสำรวจผู้เข้าร่วมรับสมัครผ่านอย่างน้อยสองแหล่งรับสมัครออนไลน์ที่แตกต่างกัน (พวกเขาสามารถเป็นแหล่งที่แตกต่างจากแหล่งที่สี่ใช้ใน Antoun et al. (2015) )

    1. เปรียบเทียบค่าใช้จ่ายต่อการรับสมัครงานในแง่ของเงินและเวลาที่แตกต่างกันระหว่างแหล่งที่มา
    2. เปรียบเทียบองค์ประกอบของกลุ่มตัวอย่างได้มาจากแหล่งที่แตกต่างกัน
    3. เปรียบเทียบคุณภาพของข้อมูลระหว่างกลุ่มตัวอย่าง สำหรับความคิดเกี่ยวกับวิธีการวัดคุณภาพข้อมูลจากผู้ตอบแบบสอบถามเห็น Schober et al. (2015)
    4. อะไรคือแหล่งที่ต้องการของคุณหรือไม่ ทำไม?

  8. [ กลาง ] YouGov เป็น บริษัท วิจัยตลาดอินเทอร์เน็ตที่ใช้ดำเนินการสำรวจความคิดเห็นออนไลน์ของแผงของผู้ตอบแบบสอบถามประมาณ 800,000 ในสหราชอาณาจักรและใช้นายพีที่จะคาดการณ์ผลมาจากสหภาพยุโรปประชามติ (กล่าวคือ Brexit) ที่ผู้มีสิทธิเลือกตั้งลงคะแนนเสียงในสหราชอาณาจักรอย่างใดอย่างหนึ่งจะยังคงอยู่ ในหรือออกจากสหภาพยุโรป

    อธิบายรายละเอียดของแบบจำลองทางสถิติ YouGov เป็นนี่ (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/) พูดประมาณ YouGov พาร์ติชันผู้มีสิทธิเลือกตั้งออกเป็นประเภทขึ้นอยู่กับ 2015 ทางเลือกการลงคะแนนเสียงเลือกตั้งทั่วไปอายุคุณสมบัติเพศวันของการสัมภาษณ์เช่นเดียวกับการเลือกตั้งที่พวกเขาอาศัยอยู่ใน. ครั้งแรกที่พวกเขาใช้ในการเก็บรวบรวมข้อมูลจากผู้ร่วมอภิปราย YouGov ในการประมาณการในบรรดา ที่ออกเสียงไม่เห็นสัดส่วนของผู้คนในแต่ละประเภทมีสิทธิเลือกตั้งที่ตั้งใจจะลงคะแนนออกจาก พวกเขาประเมินผลิตภัณฑ์แต่ละประเภทมีสิทธิเลือกตั้งโดยใช้การศึกษา 2015 อังกฤษเลือกตั้ง (BES) หลังเลือกตั้งใบหน้าเพื่อใบหน้าสำรวจซึ่งการตรวจสอบผลิตภัณฑ์จากสิทธิเลือกตั้ง ในที่สุดพวกเขาประเมินว่ามีคนจำนวนมากที่มีของแต่ละประเภทผู้มีสิทธิเลือกตั้งในเขตเลือกตั้งในการสำรวจสำมะโนประชากรล่าสุดและการสำรวจประชากรประจำปี (มีข้อมูลนอกจากนี้บางส่วนจากบีอีเอสตาม YouGov ข้อมูลการสำรวจจากทั่วเลือกตั้งทั่วไปและข้อมูลเกี่ยวกับวิธีการที่หลายคนลงคะแนนให้ แต่ละฝ่ายในแต่ละเลือกตั้ง)

    สามวันก่อนการลงคะแนนเสียง YouGov แสดงให้เห็นว่านำสองจุดปล่อย ในวันลงคะแนนเสียงการสำรวจแสดงให้เห็นว่าใกล้เกินไปที่จะเรียก (49-51 ยังคงอยู่) การศึกษา on-the-วันสุดท้ายคาดการณ์ 48/52 ในความโปรดปรานของคง (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/) ในความเป็นจริงประมาณนี้พลาดผลสุดท้าย (52-48 ฝาก) โดยสี่คะแนนร้อยละ

    1. ใช้กรอบข้อผิดพลาดแบบสำรวจทั้งหมดที่กล่าวถึงในบทนี้เพื่อประเมินสิ่งที่จะได้ไปผิด
    2. การตอบสนองของ YouGov หลังจากที่การเลือกตั้ง (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) อธิบายว่า: "ในเรื่องนี้ดูเหมือนเป็นส่วนใหญ่เนื่องจากการปฎิบัติ - สิ่งที่ ที่เราได้กล่าวมาโดยตลอดจะมีความสำคัญต่อผลการแข่งขันดังกล่าวมีความสมดุลประณีต รูปแบบผลิตภัณฑ์ของเรามีพื้นฐานในส่วนที่อยู่กับว่าผู้ตอบแบบสอบถามได้ลงคะแนนในการเลือกตั้งทั่วไปที่ผ่านมาและในระดับปฎิบัติดังกล่าวข้างต้นที่มาจากการเลือกตั้งทั่วไปไม่พอใจรูปแบบโดยเฉพาะอย่างยิ่งในภาคเหนือ. "นี้ไม่ได้เปลี่ยนคำตอบของคุณเพื่อเป็นส่วนหนึ่ง (ก)?

  9. [ กลาง , ต้องเขียนโค้ด ] เขียนจำลองแสดงให้เห็นถึงข้อผิดพลาดของแต่ละการแสดงในรูปที่ 3.1

    1. สร้างสถานการณ์ที่ผิดพลาดเหล่านี้จริงยกเลิกการออก
    2. สร้างสถานการณ์ที่ข้อผิดพลาดสารประกอบแต่ละอื่น ๆ

  10. [ ยากมาก , ต้องเขียนโค้ด ] การวิจัยของ Blumenstock และเพื่อนร่วมงาน (2015) ที่เกี่ยวข้องกับการสร้างรูปแบบการเรียนรู้ของเครื่องที่สามารถใช้ข้อมูลดิจิตอลร่องรอยในการทำนายการตอบแบบสำรวจ ตอนนี้คุณจะลองสิ่งเดียวกันกับชุดข้อมูลที่แตกต่างกัน. Kosinski, Stillwell, and Graepel (2013) พบว่าชอบ Facebook สามารถทำนายลักษณะของแต่ละบุคคลและคุณลักษณะ น่าแปลกที่คาดการณ์เหล่านี้สามารถแม้จะถูกต้องกว่าบรรดาเพื่อนและเพื่อนร่วมงาน (Youyou, Kosinski, and Stillwell 2015)

    1. อ่าน Kosinski, Stillwell, and Graepel (2013) , และทำซ้ำรูปที่ 2 ข้อมูลของพวกเขาที่มีอยู่ที่นี่: http://mypersonality.org/
    2. ตอนนี้ทำซ้ำรูปที่ 3
    3. สุดท้ายลองรูปแบบของพวกเขาในข้อมูล Facebook ของคุณเอง: http://applymagicsauce.com/ มันไม่วิธีที่ดีที่ทำงานสำหรับคุณ?

  11. [ กลาง ] Toole et al. (2015) บันทึกรายละเอียดการใช้งานโทร (CDRs) จากโทรศัพท์มือถือที่จะคาดการณ์แนวโน้มการว่างงานรวม

    1. เปรียบเทียบและความคมชัดของการออกแบบของ Toole et al. (2015) กับ Blumenstock, Cadamuro, and On (2015)
    2. คุณคิดว่าควรเปลี่ยน CDRs สำรวจแบบดั้งเดิมเติมเต็มพวกเขาหรือไม่ถูกนำมาใช้เลยสำหรับผู้กำหนดนโยบายของรัฐบาลในการติดตามการว่างงาน? ทำไม?
    3. หลักฐานอะไรที่จะโน้มน้าวให้คุณว่า CDRs สมบูรณ์สามารถแทนที่มาตรการแบบดั้งเดิมของอัตราการว่างงาน?

Powered by Open Review Toolkit