键:
[ , 在这一章,我正要后分层非常积极的。然而,它并不总是提高估值的质量。构造的情况下可以事后分层可降低估计的质量。 (对于一个提示,请参阅Thomsen (1973)
[ , , ]开展亚马逊MTurk非概率调查设计和询问枪支所有权(“你,或有没有人在你的家庭,拥有一支枪,步枪或手枪?那是你或你的家庭别的吗?”),并对枪支管制的态度(“那你觉得更重要的是,以保护美国人拥有枪支,或控制拥有枪支的权利?”)。
[ , , ]戈埃尔和他的同事(2016)投与由亚马逊MTurk皮尤研究中心从综合社会调查(GSS),并选择调查得出49多项选择题态度问题,基于非概率调查。然后,他们调整用于使用基于模型的后分层(P先生)的数据的非代表性,并比较与那些使用基于概率的GSS /皮尤调查所估计的调整的估计值。开展关于MTurk同样的调查,并尝试通过从最近几轮GSS /皮尤的估计比较调整后的估计复制图2a和图2b(见附录表A2为49问题的列表)。
[ , , 许多研究使用手机的活动数据的自我报告的措施。这是一个有趣的环境,研究人员可以比较记录的行为自我报告的行为(见例如, Boase and Ling (2013)两种常见的行为,询问是打电话和发短信和两个共同的时间框架是“昨天”和“过去一周”。
[ , ]舒曼和压(1996)认为,问题的订单将此事两类问题之间的关系的:一部分部分问题,其中两个问题是在特异性相同的水平(例如两位总统候选人的评级);并在一个一般性的问题如下一个更具体的问题部分与整体的问题(例如:问:“是否满意你的工作?”,其次是“满意度如何,你有你的生活?”)。
他们进一步刻画两类问题顺序效应:当到以后的问题的回答被带到接近(比他们原本定)给前面一个问题的出现一致性效果;对比时,有两个问题响应之间有较大的差异产生的影响。
[ , ]建立在舒曼和压,工作Moore (2002)描述的问题顺序影响一个单独的维度:加分和扣分。而对比度和一致性效果产生为受访者的两个项目的评价的结果在相对于彼此,添加剂和当受访者作出在其内的问题是所带来的更大的框架更敏感减色效应产生的。阅读Moore (2002) ,然后设计和MTurk进行问卷调查实验来证明相加或相减的效果。
[ , ]克里斯托弗Antoun先生和他的同事(2015)进行了一项研究,比较了来自四个不同的网络招聘渠道获得的便利性样本:MTurk,Craigslist网站,谷歌的AdWords和Facebook。设计简单的调查,并通过在至少两个不同网络招聘源招募参加者(它们可以是从所用的四个来源不同来源Antoun et al. (2015)
[ ] YouGov的,基于互联网的市场研究公司,进行了在英国约有80万受访面板的网上投票和使用P.先生预测欧盟的公投(即Brexit)的结果中,英国选民投票要么留在或离开欧盟。
YouGov的的统计模型的详细描述在这里(https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/)。粗略地说,YouGov的划分选民到基于2015年大选中投票选择,年龄,学历,性别,面试的日期,以及他们居住。首先,他们用从YouGov的小组成员收集的数据选区来估算,这些中间类型谁投票,是谁打算投票离开每个选民类型的人的比例。他们利用2015年的英国选举研究(BES)选举后的脸对脸调查,确认投票从选民名册估计每个选民型道岔。最后,他们估计有多少人在选民每个选民类型的基于最新的人口普查和年度人口调查(从BES一些附加信息,来自各地的换届选举,以及信息YouGov的调查数据上有多少人投了赞成票在每个选区每个政党)。
在投票前三天,YouGov的表现请假两分的领先优势。在投票前夕,民调显示分不出(49-51保留)。最后上了天的研究有利于余绪(https://yougov.co.uk/news/2016/06/23/yougov-day-poll/)预测48/52。事实上,这种估计四个百分点之差无缘决赛的结果(52-48假期)。
[ , ]撰写模拟演示图3.1每一代表错误。
[ , ] Blumenstock和他的同事的研究(2015)参与建设,可以利用数字跟踪数据来预测调查的答复机器学习模型。现在,你要尝试用不同的数据集同样的事情。 Kosinski, Stillwell, and Graepel (2013)发现,Facebook的喜欢可以预测个人特质和属性。出人意料的是,这些预测可能比那些朋友和同事更准确(Youyou, Kosinski, and Stillwell 2015) 。
[ ] Toole et al. (2015)使用呼叫细节从手机记录(CDR)来预测总失业率的趋势。