key:
[ , ] Sa kabanata, ako ay napaka-positibong tungkol sa post-pagsasapin-sapin. Gayunman, ito ay hindi laging mapabuti ang kalidad ng mga pagtatantya. Makagawa ng isang sitwasyon na kung saan maaaring mag-post-pagsasapin-sapin ay maaaring bumaba ang kalidad ng mga pagtatantya. (Para sa isang pahiwatig, tingnan Thomsen (1973) ).
[ , , ] Disenyo at magsagawa ng isang non-bagay na maaaring mangyari survey sa Amazon MTurk upang magtanong tungkol sa gun pagmamay-ari ( "Gusto mo ba, o ang sinuman sa iyong sambahayan, pagmamay-ari ng baril, rifle o pistol? Iyan ba sa iyo o sa ibang tao sa inyong sambahayan?") At attitudes patungo gun control ( "Ano sa tingin ninyo ay mas mahalaga-upang protektahan ang karapatan ng mga Amerikano mag-angkin ng baril, o upang makontrol gun pagmamay-ari?").
[ , , ] Goel at kasamahan (2016) pinangangasiwaan ng isang non-bagay na maaaring mangyari-based survey na binubuo ng 49 multiple-choice attitudinal katanungan iginuhit mula sa Pangkalahatang Social Survey (GSS) at piliin ang mga survey sa pamamagitan ng bangko Research Center sa Amazon MTurk. Sila ay pagkatapos ay ayusin para sa mga di-representativeness ng data gamit ang modelo-based post-pagsasapin-sapin (Mr. P), at ihambing ang mga nababagay pagtatantya sa mga tinatayang gamit probabilidad-based GSS / Pew survey. Magsagawa ang parehong survey sa MTurk at subukan upang magtiklop Figure 2a at 2b Figure sa pamamagitan ng paghahambing ng iyong adjusted estima sa mga pagtatantya mula sa pinakahuling round ng GSS / Pew (Tingnan ang Appendix Table A2 para sa listahan ng 49 mga tanong).
[ , , ] Maraming mga pag-aaral gamitin panukala self-ulat ng mobile data ng telepono na aktibidad. Ito ay isang nakawiwiling setting na kung saan mga mananaliksik ay maaaring ihambing self-iniulat uugali na may naka-log-uugali (tingnan eg, Boase and Ling (2013) ). Dalawang karaniwang pag-uugali upang magtanong tungkol sa ay pagtawag at texting, at dalawang mga karaniwang oras frame ay "kahapon" at "sa nakalipas na linggo."
[ , ] Schuman at Presser (1996) magtaltalan na tanong order ay bagay para sa dalawang uri ng mga relasyon sa pagitan ng mga tanong: part-part katanungan kung saan ang dalawang mga katanungan ay sa parehong antas ng pagtitiyak (eg ratings ng dalawang kandidato sa pagkapangulo); at part-buong mga katanungan kung saan ang isang pangkalahatang tanong ay sinusundan ng isang mas tiyak na tanong (eg humihingi sa "Gaano ka nasiyahan sa iyong trabaho?" na sinusundan ng "Gaano ka nasiyahan sa iyong buhay?").
Sila karagdagang magpakilala dalawang uri ng tanong upang epekto: hindi pabago-bago effects mangyari kapag mga tugon sa isang mas huling tanong ay dinadala mas malapit (kaysa sila man ay maging) sa mga binigay sa isang mas maaga tanong; kaibahan epekto mangyari kapag mayroong mga mas higit na pagkakaiba sa pagitan ng mga sagot sa dalawang tanong na ito.
[ , ] Building sa ang gawain ng Schuman at Presser, Moore (2002) ay naglalarawan ng isang hiwalay na sukat ng tanong upang epekto: additive at subtractive. Habang contrast at pagkakapare-pareho ng mga epekto ay ginawa bilang isang resulta ng respondents 'pagsusuri ng dalawang mga item na may kaugnayan sa bawat isa, additive at subtractive epekto ay ginawa kapag respondents ay ginawa mas sensitibo sa mga mas malalaking framework sa loob kung saan ang mga tanong ay posed. Basahin Moore (2002) , at pagkatapos ay mag-disenyo at patakbuhin ang isang survey eksperimento sa MTurk upang ipakita additive o subtractive epekto.
[ , ] Christopher Antoun at kasamahan (2015) na isinasagawa ng isang pag-aaral ng paghahambing ng mga convenience samples na nakuha mula sa apat na iba't ibang mga online na mapagkukunan recruiting: MTurk, Craigslist, Google AdWords at Facebook. Disenyo ng isang simpleng survey at kumalap mga kalahok sa pamamagitan ng hindi bababa sa dalawang iba't ibang mga pinagmulan online recruiting (maaari silang maging sa iba't ibang pinagmumulan mula sa apat na mga pinagkukunan na ginagamit sa Antoun et al. (2015) ).
[ ] YouGov, isang internet-based na pananaliksik sa merkado firm, na isinasagawa online polls ng isang panel ng mga tungkol sa 800,000 respondents sa UK at ginagamit Mr. P. upang mahulaan ang resulta ng EU reperendum (ie, Brexit) kung saan ang UK botante bumoto alinman upang manatili in o mag-iwan ng European Union.
Ang isang detalyadong paglalarawan ng statistical modelo YouGov ay dito (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/). Halos pagsasalita, YouGov partitions botante sa uri batay sa 2015 pangkalahatang halalan boto choice, edad, mga kwalipikasyon, kasarian, petsa ng interview, pati na rin ang konstityuwensya sila nakatira in. Una, ginagamit ang mga ito ng data na nakolekta mula sa YouGov panelists upang matantya, bukod sa mga na bumoto, ang bahagdan ng mga tao ng bawat uri ng botante na nilayon upang bumoto Leave. matantya nila turnout ng bawat uri ng botante sa pamamagitan ng paggamit sa 2015 British Election Study (BES) post-election face-to-face survey, na kung saan patutunayan turnout mula sa elektoral roll. Sa wakas, tinatantiya nila kung ilang mga tao may mga ng bawat uri ng botante sa mga manghahalal batay sa pinakabagong Census at Taunang Populasyon Survey (na may ilang mga karagdagan impormasyon mula sa BES, YouGov survey data mula sa buong pangkalahatang halalan, at impormasyon sa kung ilang mga tao na bumoto para sa ang bawat partido sa bawat konstityuwensya).
Tatlong araw bago ang boto, YouGov ay nagpakita ng isang dalawang puntos na kalamangan para sa Leave. Sa gabi ng pagboto, ang poll ay nagpakita ng masyadong malapit sa tumawag sa (49-51 Manatili). Ang huling on-the-araw na pag-aaral hinulaang 48/52 pabor sa Manatiling (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). Sa katunayan, ito pagtatantya hindi nakuha ang huling resulta (52-48 Leave) sa pamamagitan ng apat na puntos na porsyento.
[ , ] Sumulat ng simulation upang ilarawan ang bawat isa sa mga error na representasyon sa Figure 3.1.
[ , ] Ang pananaliksik ng Blumenstock at kasamahan (2015) na kasangkot sa paggawa ng isang machine modelo sa pag-aaral na maaaring gamitin ng mga digital na data trace upang mahulaan kasagutan survey. Ngayon, ikaw ay pagpunta sa subukan ang parehong bagay sa isang iba't ibang mga dataset. Kosinski, Stillwell, and Graepel (2013) natagpuan na Facebook paggusto mahuhulaan indibidwal na katangian at mga katangian. Nakakagulat na ang mga hulang ito ay maaaring maging mas tumpak na kaysa sa mga ng mga kaibigan at kasamahan (Youyou, Kosinski, and Stillwell 2015) .
[ ] Toole et al. (2015) mga tala detalye paggamit call (CDRs) mula sa mga mobile phone upang mahulaan aggregate uso kawalan ng trabaho.