سرگرمیاں

کلیدی:

• مشکل کی ڈگری: آسان ، درمیانے ، سخت ، بہت مشکل
• ریاضی کی ضرورت ہے ( )
• کوڈنگ کی ضرورت ہے ( )
• ڈیٹا کلیکشن ( )
• میری پسند ( )

1. [ ، ] باب میں، میں نے پوسٹ ستریکرن کے بارے میں بہت مثبت تھا. تاہم، یہ ہمیشہ اندازوں کا معیار بہتر نہیں ہے. ، پوسٹ ستریکرن سکتے ہیں جہاں اندازوں کے معیار کو کم کر سکتا ہے ایک ایسی صورت حال کی تعمیر. (ایک اشارہ کے لئے، دیکھیں Thomsen (1973) ).

2. [ ، ، ] ڈیزائن اور بندوق کی ملکیت کے بارے میں پوچھنا ایمیزون MTurk پر ایک غیر احتمال سروے ( "تم کرتے ہو، یا آپ کے گھر میں کسی کو کرتا ہے، ایک بندوق، رائفل مالک یا پستول؟ کیا یہ آپ یا آپ کے گھر میں کسی اور کو؟") اور بندوق کے کنٹرول کی طرف رویوں ( "آپ کو کیا لگتا گن کے مالک کے لئے، یا بندوق کی ملکیت کو کنٹرول کرنے کی امریکیوں کے حق کی حفاظت کے زیادہ کے لئے اہم ہے؟").

   1. آپ کے سروے میں کتنا وقت لگتا ہے؟ اس کی کیا قیمت ہے؟ کس طرح آپ کے نمونہ کی آبادی امریکہ کی آبادی کی آبادی کا موازنہ کرتے ہیں؟
   2. آپ کے نمونہ کا استعمال کرتے ہوئے بندوق کی ملکیت کے خام تخمینہ کیا ہے؟
   3. پوسٹ ستریکرن یا کسی دوسرے کی تکنیک کا استعمال کرتے ہوئے آپ کے نمونہ کی عدم نمائندگان کے لئے درست. اب بندوق کی ملکیت کے تخمینہ کیا ہے؟
   4. کس طرح آپ کے اندازوں پیو ریسرچ سینٹر سے تازہ ترین اندازے کے موازنہ کرتے ہیں؟ کیا آپ کو کسی بھی ہو تو، تضادات کی وضاحت کر سوچتے ہیں؟
   5. بندوق کے کنٹرول کی جانب رویوں کے لئے ورزش 2-5 دہرائیں. آپ کے نتائج کیا فرق ہے؟

3. [ ، ، ] گویل اور ساتھیوں (2016) 49 ایمیزون MTurk پیو ریسرچ سینٹر کی طرف سے جنرل سوشل سروے (GSS) اور منتخب سروے سے تیار ایک سے زیادہ پسند رویوں کے سوالات پر مشتمل ایک غیر احتمال کی بنیاد پر سروے کے زیر انتظام. پھر وہ ماڈل کی بنیاد پر پوسٹ ستریکرن (مسٹر P) کا استعمال کرتے ہوئے اعداد و شمار کے غیر نمائندگان کے لئے ایڈجسٹ، اور احتمال پر مبنی GSS / پیو سروے استعمال اندازے کے مطابق ان لوگوں کے ساتھ ایڈجسٹ اندازوں موازنہ. MTurk پر ایک ہی سروے اور GSS / پیو کے تازہ ترین راؤنڈ سے تخمینوں کے ساتھ اپنے ایڈجسٹ اندازوں کا موازنہ کر کے پیکر 2A اور اعداد و شمار 2B کی نقل تیار کرنے کی کوشش کریں (49 سوالات کی فہرست کے لئے ضمیمہ ٹیبل A2 ملاحظہ کریں).

   1. کا موازنہ کریں اور پیو اور GSS سے نتائج کے لئے آپ کے نتائج کے برعکس.
   2. کا موازنہ کریں اور میں MTurk سروے سے نتائج کے لئے آپ کے نتائج کے برعکس Goel, Obeng, and Rothschild (2016) .

4. [ ، ، ] بہت سے تعلیم کے موبائل فون سرگرمی ڈیٹا کا خود رپورٹ کے اقدامات کا استعمال. یہ محققین ہی رویے سے خود رپورٹ رویے کا آپس میں موازنہ کر سکتے ہیں جہاں ایک دلچسپ ترتیب ہے (ملاحظہ کریں مثال کے طور پر، Boase and Ling (2013) ). بلا اور texting رہے ہیں، اور دو عام وقت کے فریم کے بارے میں پوچھنا دو عام طرز عمل "گزشتہ ہفتے میں." "کل" اور ہیں

   1. آپ کے خیال میں خود رپورٹ میں سے جو اقدامات زیادہ درست ہے کسی بھی ڈیٹا، جمع کرنے سے پہلے؟ کیوں؟
   2. بھرتی اپنے دوستوں کے 5 آپ کے سروے میں ہونا. مختصر طور پر ان 5 ارکان نمونے تھے کس طرح کا خلاصہ پیش کریں. اس نمونے کا طریقہ کار اپنے تخمینوں میں مخصوص تعصبات دلانا سکتا ہے؟
   3. ان کی پیروی مائیکرو سروے براہ کرم دریافت کریں:
   • "کتنی بار آپ کو دوسروں سے کل فون کرنے کے لئے موبائل فون کا استعمال کرتے تھے؟"
   • "آپ کو متن کتنے پیغامات کل بھیجا؟"
   • "کتنی بار آپ کو آخری سات دنوں میں دوسروں کو فون کرنے کے لئے اپنے موبائل فون کا استعمال کرتے تھے؟"
   • ان کے فون یا خدمت فراہم کرنے کی طرف سے انتخاب کے طور پر سروے مکمل ہو گیا ہے ایک بار "کئی بار آپ کو بھیج یا آخری سات دنوں میں ٹیکسٹ پیغامات / SMS وصول کریں؟ کیلئے اپنے موبائل فون کا استعمال کیا کس طرح"، ان کے استعمال کے اعداد و شمار کو چیک کرنے کے لئے پوچھنا.
   4. کس طرح خود رپورٹ کے استعمال کے ڈیٹا کو لاگ موازنہ کرتا ہے؟ کون از کم درست ہے جو سب سے درست ہے؟
   5. ابھی ڈیٹا (آپ کو ایک کلاس کے لئے اس سرگرمی کر رہے ہیں تو) آپ کو آپ کی کلاس میں دوسرے لوگوں سے اعداد و شمار کے ساتھ جمع کیا ہے اس کو یکجا. یہ بڑے dataset کے ساتھ، حصہ (د) دہرانے.

5. [ ، ] Schuman کے اور کی Presser (1996) اس سوال کے احکامات کے سوالات کے درمیان تعلقات کی دو اقسام کے لئے کوئی فرق گی بحث: جہاں دو سوال وضاحتی کے ایک ہی سطح پر ہیں پارٹ حصہ کے سوالات (مثلا دو صدارتی امیدواروں کی درجہ بندی)؛ اور جز پوری سوالات کا ایک عام سوال ایک سے زیادہ مخصوص سوال مندرجہ ذیل ہے جہاں (مثلا پوچھ "کس قدر مطمئن آپ کے کام سے تم ہو؟" کے بعد "کس قدر مطمئن اپنی زندگی کے ساتھ آپ ہیں؟").

   انہوں نے مزید سوال کے حکم کے اثر کی دو اقسام کی خصوصیات: مستقل مزاجی کے اثرات پائے جاتے ہیں بعد میں کسی سوال کے جوابات کو قریب (وہ دوسری صورت میں ہو گا کے مقابلے میں) پہلے سوال میں دی گئی ان لوگوں کے لئے لایا جاتا ہے جب؛ اثرات کے برعکس دو سوالات کے جوابات درمیان زیادہ اختلافات ہیں جب پائے جاتے ہیں.

   1. پارٹ حصہ کے سوالات آپ کو لگتا ہے کہ ایک بڑے سوال کے حکم کا اثر، جز پوری سوالات آپ کو لگتا ہے کہ ایک بڑے آرڈر اثر پڑے گا کی ایک جوڑے، اور سوالات جس کے حکم سے آپ کو کوئی فرق نہیں آئے گا لگتا ہے کے ایک جوڑے پڑے گا کی ایک جوڑی بنائیں. آپ کے سوالوں کے ٹیسٹ کرنے کے لئے MTurk پر ایک سروے تجربہ چلائیں.
      
   2. پارٹ حصہ اثر کس طرح بڑی تھی آپ کو بنانے کے لئے کے قابل تھے؟ یہ ایک مستقل مزاجی یا اس کے برعکس اثر تھا؟
   3. پارٹ پورے اثر کس طرح بڑی تھی آپ کو بنانے کے لئے کے قابل تھے؟ یہ ایک مستقل مزاجی یا اس کے برعکس اثر تھا؟
   4. آپ کے جوڑے میں ایک سوال کے حکم کا اثر آپ کو نہیں لگتا تھا، جہاں آرڈر کی کوئی فرق گی تھی؟

6. [ ، ] Schuman کے اور کی Presser، کے کام پر عمارت Moore (2002) additive اور تفریقی: سوال کے حکم اثر کی ایک علیحدہ طول و عرض کی وضاحت. اس کے برعکس اور مستقل مزاجی کے اثرات ایک دوسرے، additive کے سلسلے میں دو اشیاء کے مدعا 'اندازہ کی ایک نتیجہ کے طور پر پیدا ہوتے ہیں اور جب مدعا جس کے اندر سوالات درپیش رہے ہیں بڑے فریم ورک کے لئے زیادہ حساس بنا رہے تفریقی اثرات پیدا ہوتے ہیں جبکہ. پڑھیں Moore (2002) ، تو ڈیزائن اور additive یا تفریقی اثرات کا مظاہرہ کرنے MTurk پر ایک سروے کے استعمال کو چلانے کے.

7. [ ، ] کرسٹوفر Antoun اور ساتھیوں (2015) MTurk، Craigslist کے، گوگل ایڈورڈز اور فیس بک: چار مختلف آن لائن بھرتی ذرائع سے حاصل کی سہولت کے نمونوں کا موازنہ ایک مطالعہ کیا. ایک سادہ سروے ڈیزائن اور کم از کم دو مختلف آن لائن بھرتی کے ذرائع کے ذریعے شرکاء کو بھرتی (وہ میں استعمال چار ذرائع سے مختلف ذرائع سے ہو سکتا Antoun et al. (2015) ).

   1. مختلف ذرائع کے درمیان، پیسہ اور وقت کے لحاظ سے میں رنگروٹ قیمت فی، موازنہ.
   2. مختلف ذرائع سے حاصل کردہ نمونوں کی ساخت کا موازنہ کریں.
   3. نمونے کے درمیان ڈیٹا کے معیار کا آپس میں موازنہ. مدعا سے اعداد و شمار کے معیار کی پیمائش کرنے کے لئے کس طرح کے بارے میں خیالات کے لئے دیکھیں Schober et al. (2015) .
   4. اپنی پسند کا مصدر کیا ہے؟ کیوں؟

8. [ ] YouGov کی، ایک انٹرنیٹ کی بنیاد پر مارکیٹ ریسرچ فرم، برطانیہ میں تقریبا 800،000 مدعا کے ایک پینل کے سب انتخابات منعقد کئے اور یورپی یونین کے ریفرنڈم (یعنی، Brexit) کا نتیجہ UK ووٹروں کو ووٹ ڈالنے یا تو رہنے کے لئے کہاں کی پیشن گوئی کرنے مسٹر پی کا استعمال کیا میں یا یورپی یونین چھوڑنے.

   YouGov کی کی شماریاتی ماڈل کی ایک تفصیلی وضاحت یہاں ہے (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/). تقریبا بات، YouGov کی 2015 کے عام انتخابات کے ووٹ کی پسند، عمر، قابلیت، صنفی، انٹرویو کی تاریخ، اس کے ساتھ ساتھ حلقہ وہ سب سے پہلے، وہ YouGov کی panelists کی طرف سے جمع اعداد و شمار کا استعمال کیا. میں رہنے والوں میں سے، اندازہ لگانے کے لئے کی بنیاد پر اقسام میں ووٹروں پارٹیشنز ووٹ ڈالنے والے، رخصت ووٹ دینے کا ارادہ رکھتے ہیں وہ ہر ووٹر قسم کے لوگوں کا تناسب. وہ 2015 میں برطانوی الیکشن مطالعہ (BES) انتخابات کے بعد چہرے سے چہرہ سروے، انتخابی فہرستوں سے ٹرن آؤٹ کی توثیق کا استعمال کرتے ہوئے کی طرف سے ہر ووٹر قسم کے ٹرن آؤٹ کا اندازہ ہے. آخر میں، وہ، عام انتخابات، اور معلومات کے ارد گرد سے YouGov سروے کے اعداد و شمار پر بہت سے لوگوں کے لئے ووٹ دیا ہے کہ کس طرح BES سے کچھ معلومات کے ساتھ تازہ ترین مردم شماری اور سالانہ آبادی سروے (پر مبنی رائے دہندگان میں ہر ووٹر کی قسم سے ہیں کتنے لوگوں کو اندازہ ہے ہر حلقے میں ہر پارٹی).

   تین دن ووٹ سے پہلے، YouGov کی چھٹی کے لئے ایک دو پوائنٹ کی برتری کا مظاہرہ کیا. ووٹنگ کے موقع پر، سروے فون کرنے کے لئے (49-51 رہیں) قریب بھی ظاہر ہوا. فائنل-روزہ مطالعہ (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/) رہیں کے حق میں 48/52 پیش گوئی کی. سچ تو یہ ہے، یہ اندازہ چار فی صد ایشو کی طرف سے حتمی نتیجہ (52-48 چھوڑ دیں) یاد کیا.

   1. غلط جا سکتا ہے کیا اندازہ کرنے کے لئے اس باب میں بحث کل سروے کی خرابی فریم ورک کو استعمال.
   2. انتخابات (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) کے بعد YouGov کی کے جواب کی وضاحت کی: "یہ ٹرن آؤٹ کی وجہ سے ایک بڑے حصے میں لگتا ہے - کچھ ہے کہ ہم سب کے ساتھ ساتھ کہا ہے اس طرح ایک باریک متوازن ریس کے نتائج کے لئے انتہائی اہم ہو جائے گا. ہمارا ٹرن آؤٹ ماڈل مدعا چاہے گزشتہ عام انتخابات میں ووٹ دیا تھا اور عام انتخابات کے اس کے اوپر ایک ٹرن آؤٹ سطح کے ماڈل، خاص طور پر شمال میں پریشان پر، جزوی طور پر، کی بنیاد پر کیا گیا تھا. "اس حصہ (ایک) کے لئے اپنے جواب تبدیل ہو جاتا ہے؟

9. [ ، ] پیکر 3.1 میں نمائندگی کی غلطیوں میں سے ہر ایک کی وضاحت کرنے کے ایک انکار لکھیں.

   1. ایک ایسی صورت حال ان غلطیوں اصل میں باہر منسوخ جہاں بنائیں.
   2. ایک ایسی صورت حال کو ایک دوسرے کی غلطیوں کو کمپاؤنڈ جہاں بنائیں.

10. [ ، ] Blumenstock اور ساتھیوں کی تحقیق (2015) سروے کے ردعمل کی پیشن گوئی کرنے کے لئے ڈیجیٹل ٹریس ڈیٹا کا استعمال کر سکتے ہیں کہ ایک مشین لرننگ ماڈل کی تعمیر ملوث. اب، آپ کو ایک مختلف ڈیٹا سیٹ کے ساتھ ایک ہی بات کی کوشش کرنے جا رہے ہیں. Kosinski, Stillwell, and Graepel (2013) فیس بک انفرادی خصوصیات اور صفات کی پیشن گوئی کر سکتے ہیں پسند کرتا ہے کہ مل گیا. حیرت کی بات ہے، یہ پیشن گوئی بھی زیادہ درست دوستوں اور ساتھیوں میں سے ان لوگوں کے مقابلے میں ہو سکتا ہے (Youyou, Kosinski, and Stillwell 2015) .

    1. پڑھیں Kosinski, Stillwell, and Graepel (2013) ، اور اعداد و شمار 2. نقل تیار ان کے اعداد و شمار کے یہاں دستیاب ہیں: http://mypersonality.org/
    2. اب، چترا 3 نقل تیار.
    3. http://applymagicsauce.com/: آخر میں، آپ کے اپنے فیس بک کے اعداد و شمار پر ان کے ماڈل کوشش کریں. کتنی اچھی طرح یہ آپ کے لئے کام کرتا ہے؟

11. [ ] Toole et al. (2015) کے استعمال کال تفصیل کے ریکارڈ (CDRs) موبائل فونز سے مجموعی بے روزگاری کے رجحانات کی پیشن گوئی کرنا.

    1. کا موازنہ کریں اور کے ڈیزائن کے برعکس Toole et al. (2015) کے ساتھ Blumenstock, Cadamuro, and On (2015) .
    2. تمہیں لگتا ہے CDRs، روایتی سروے کی جگہ ان کی تکمیل یا بے روزگاری کو ٹریک کرنے کے لئے حکومت کے پالیسی سازوں کے لئے سب سے اوپر پر استعمال نہیں کیا جانا چاہئے؟ کیوں؟
    3. کیا ثبوت آپ کو قائل کریں گے CDRs مکمل طور پر بے روزگاری کی شرح کے روایتی اقدامات کی جگہ لے سکتے ہیں؟