djelatnost

Key:

  • stupanj težine: lako lako , srednji srednji , teško tvrd , vrlo teško vrlo teško
  • zahtijeva matematike ( zahtijeva matematike )
  • zahtijeva kodiranje ( zahtijeva kodiranje )
  • prikupljanje podataka ( prikupljanje podataka )
  • moji omiljeni ( moj najdraži )

  1. [ tvrd , zahtijeva matematike ] U poglavlju, bio sam vrlo pozitivno mišljenje o post-stratifikacije. Međutim, to ne uvijek poboljšati kvalitetu procjena. Construct situaciju u kojoj možete postavljati-stratifikacije može smanjiti kvalitetu procjene. (Za savjet, pogledajte Thomsen (1973) ).

  2. [ tvrd , prikupljanje podataka , zahtijeva kodiranje ] Dizajn i provesti istraživanje ne-vjerojatnost na Amazon MTurk da pitate o vlasništvu pištolj ( "Da li, ili da li je neko u vašem domaćinstvu, imate pištolj, puška ili pištolj? Jesi li to ti ili neko drugi u vašem domaćinstvu?") I stavovi prema kontroli oružja ( "Šta misliš da je važnije-za zaštitu prava Amerikanaca da posjeduju pištolje, ili za kontrolu vlasništva pištolj?").

    1. Koliko vaše istraživanje uzeti? Koliko to košta? Kako se demografska slika vašeg uzorka u odnosu na demografiju SAD stanovništva?
    2. Ono što je sirovi procjena vlasništva pištolj pomoću uzorka?
    3. Pravilna za ne-reprezentativnosti vašeg uzorka pomoću post-stratifikacije ili neke druge tehnike. Sada ono što je procjena vlasništva pištolj?
    4. Kako vaše procjene u odnosu na najnovije procjene iz Pew Research Center? Šta mislite objasniti razlike, ako postoji?
    5. Ponovite vježbu 2-5 za odnos prema kontrolu oružja. Kako vaši nalazi se razlikuju?

  3. [ vrlo teško , prikupljanje podataka , zahtijeva kodiranje ] Goel i kolege (2016) daje non-vjerojatnost zasnovan istraživanju koja se sastoji od 49 višestrukog izbora stavova pitanja izvući iz Social Survey General (GSS) i odaberite ankete koju je Pew Research Center na Amazonu MTurk. Oni su zatim podesite za ne-reprezentativnosti podataka pomoću modela zasnovanog na post-stratifikacije (g P), i uporedi prilagođen procjenama s tim procjenjuje se vjerojatnost na bazi GSS / Pew anketa. Provesti isto istraživanje o MTurk i pokušati da ponovi Slika 2a i Slika 2b poređenjem svoj prilagođenom procjene s procjenama od najnovijeg kruga GSS / Pew (Vidi Dodatak Tabela A2 za listu od 49 pitanja).

    1. Usporedite i kontrast rezultate sa rezultatima iz Pew i GSS.
    2. Usporedite i kontrast rezultate sa rezultatima iz ankete MTurk u Goel, Obeng, and Rothschild (2016) .

  4. [ srednji , prikupljanje podataka , zahtijeva kodiranje ] Mnoge studije koristiti samostalno izvještaj mjera podaci mobilni telefon aktivnost. Ovo je zanimljiva postavka gdje istraživači mogu uporediti samoprijavljenih ponašanje sa Evidentirano ponašanje (vidi npr, Boase and Ling (2013) ). Dva uobičajena ponašanja da pitam pozivaju i slanje poruka, i dvije zajedničke vrijeme okviri su "jučer" i "u proteklih sedam dana."

    1. Prije prikupljanja bilo kojih podataka, koji se sami prijave mjere mislite da je točniji? Zašto?
    2. Recruit 5 među prijateljima koji će biti u vašem istraživanju. Molimo vas ukratko kako su ovih 5 prijatelji uzorkovani. Možda ovaj postupak uzorkovanja izazivaju specifične predrasude u svojim procjenama?
    3. Zamolite ih sljedeće mikro-istraživanje:
    • "Koliko puta ste koristili mobilni telefon da pozove drugi bio?"
    • "Koliko tekstualnih poruka ste zadnji poslao?"
    • "Koliko puta ste koristili svoj mobilni telefon da pozove drugi u posljednjih sedam dana?"
    • "Koliko puta ste koristili svoj mobilni telefon za slanje ili primanje tekstualnih poruka / SMS-a u posljednjih sedam dana?" Kada se istraživanje završi, zamolio da provjeri svoje podatke o upotrebi kao prijavljeni od strane njihovih telefona ili provajdera.
    1. Kako upotreba samo-izvještaj odnosu na log podataka? Koji je najprecizniji, što je najmanje tačno?
    2. Sada kombinirati podatke koje ste prikupili sa podacima iz drugih ljudi u tvom razredu (ako radite ovu aktivnost za klasu). Sa ovim veći skup, ponavljam dio (d).

  5. [ srednji , prikupljanje podataka ] Schuman i Presser (1996) tvrde da nalozi pitanje bi bilo važno za dvije vrste odnosa između pitanja: pitanja sa skraćenim radnim dijelu gdje su dva pitanja na istom nivou od specifičnosti (npr rejtinzi dva predsjednička kandidata); a dio-cijeli pitanja gdje opšte pitanje slijedi konkretnije pitanje (npr pita "Koliko ste zadovoljni sa svojim poslom?", a zatim "Koliko ste zadovoljni sa svojim životom?").

    Oni dalje karakterišu dvije vrste efekta pitanje kako: konzistentnost efekti nastaju kada odgovor na kasnije pitanje se približiti (nego što bi inače bilo) da se oni dali na prethodno pitanje; kontrast efekti nastaju kada postoje veće razlike između odgovora na dva pitanja.

    1. Napravite par pitanja dijela-dio koji mislite da će imati veliki uticaj pitanje kako, par dijela-cijeli pitanja za koje mislite da će imati veliki uticaj reda, i još par pitanja čiji bi mislite da bi bilo važno. Pokrenite istraživanje eksperiment na MTurk testirati vaša pitanja.
    2. Kolika je bila efekt dio dijela bili ste u stanju stvoriti? Da li je to konzistentnost ili kontrast učinak?
    3. Kolika je bila učinak part-cijeli bili ste u stanju stvoriti? Da li je to konzistentnost ili kontrast učinak?
    4. Da li je bilo pitanje kako bi efekat u paru gdje niste mislim da bi bi bilo važno?

  6. [ srednji , prikupljanje podataka ] Građevinsko o radu Schuman i Presser, Moore (2002) opisuje poseban dimenziju efekta pitanje reda: aditiva i oduzimanjem. Dok kontrast i dosljednost efekti se proizvode kao posljedica procjene ispitanika u dvije stavke u odnosu na drugog, aditiva i oduzimanjem efekti su proizvedeni kada su se ispitanici više osjetljive na veći okvir u kojem su postavljena pitanja. Pročitajte Moore (2002) , zatim dizajnirati i pokrenuti istraživanje eksperiment na MTurk da pokažu aditiv ili oduzimanjem efekte.

  7. [ tvrd , prikupljanje podataka ] Christopher Antoun i kolege (2015) proveli su studiju u odnosu na uzorke pogodnost dobijenih iz četiri različita online vrbovanje izvora: MTurk, Craigslist, Google AdWords i Facebook. Dizajn je jednostavan istraživanje i zaposliti učesnika kroz najmanje dva različita izvora online vrbovanje (oni mogu biti različiti izvori iz četiri izvora koji se koriste u Antoun et al. (2015) ).

    1. Usporedite troškove po regrut, u smislu novca i vremena, između različitih izvora.
    2. Usporedite sastav uzoraka dobijenih iz različitih izvora.
    3. Usporedite kvalitetu podataka između uzoraka. Za ideje o tome kako mjeriti kvalitetu podataka iz ispitanika, pogledajte Schober et al. (2015) .
    4. Ono što je željeni izvor? Zašto?

  8. [ srednji ] YouGov, internet-based istraživanje tržišta, sprovedeno online anketa panela od oko 800.000 ispitanika u Velikoj Britaniji i koristi gospodin P. predvidjeti rezultat EU referenduma (tj Brexit) gdje Velikoj Britaniji birači glasaju ili da ostane ili ostaviti Evropskoj uniji.

    Detaljan opis YouGov je statistički model je ovdje (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/). Grubo govoreći, YouGov particionišu birača u vrste na osnovu 2015 općim izborima glas izbor, dobi, kvalifikacije, spol, datum intervjua, kao i izborne jedinice u kojima žive. Prvo su koristili podatke prikupljene od YouGov panelista za procjenu, među onima koji glasaju, broj ljudi koji svake vrste birača koji namjeravaju glasati Odlazi. Oni procjenjuju odziv svake vrste birača pomoću britanske izborne Study 2015 (BES) postizborne face-to-face anketu, koja potvrđeni birača iz biračkih spiskova. Na kraju, oni procjenjuju koliko ljudi ima svake vrste birača u biračkom tijelu na osnovu najnovijih popisu i Godišnje istraživanje stanovništva (uz neke informacije dodatak od BES, istraživanje podataka YouGov od oko opštih izbora, i informacije o tome koliko je ljudi glasalo za svaka stranka u svakoj izbornoj jedinici).

    Tri dana prije izbora, YouGov je pokazao dva poena prednosti za odobrenje. Uoči glasanja, ankete pokazali su preblizu nazvati (49-51 ostati). Konačna studija o-the-dan predviđa 48/52 u korist Remain (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). U stvari, ova procjena je promašio konačan rezultat (52-48 odsustvo) za četiri procentna poena.

    1. Koristite ukupan okvir greška istraživanja govori u ovom poglavlju da proceni šta je moglo da nije u redu.
    2. YouGov je odgovor nakon izbora (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) je objasnio: "Ovo je izgleda u velikoj mjeri zbog izlaznosti - nešto što što smo rekli svi zajedno će biti od presudnog značaja za ishod takvog fino uravnotežen utrke. Naš model izlaznost je bila zasnovana, u dijelu, o tome da li ispitanici su glasali na posljednjim opštim izborima i nivo izlaznosti iznad opštih izbora uznemirila modela, posebno na sjeveru. "Da li to promijeniti vaš odgovor na dio (a)?

  9. [ srednji , zahtijeva kodiranje ] Napišite simulacija za ilustraciju svaki od reprezentacije grešaka na slici 3.1.

    1. Stvoriti situaciju u kojoj ove greške zapravo poništavaju.
    2. Stvoriti situaciju u kojoj se greške jedinstvenu jedni druge.

  10. [ vrlo teško , zahtijeva kodiranje ] Istraživanje Blumenstock i kolege (2015) uključeni izgradnju modela učenja mašinu koja može koristiti podatke digitalni trag za predviđanje odgovora ankete. Sada ćete pokušati istu stvar s različitim skup. Kosinski, Stillwell, and Graepel (2013) je utvrdio da Facebook ne voli može predvidjeti individualne osobine i atribute. Iznenađujuće, te predviđanja mogu biti još precizniji od onih prijatelja i kolega (Youyou, Kosinski, and Stillwell 2015) .

    1. Pročitajte Kosinski, Stillwell, and Graepel (2013) , i ponovi Slika 2. Njihovi podaci su dostupni ovdje: http://mypersonality.org/
    2. Sada, replicirati Slika 3.
    3. Konačno, pokušajte njihov model na svoj Facebook podataka: http://applymagicsauce.com/. Koliko dobro to radi za vas?

  11. [ srednji ] Toole et al. (2015) detaljno korištenje Zapisi poziva (CDR) iz mobilnih telefona predvidjeti agregata trendove nezaposlenosti.

    1. Usporedite i kontrast dizajn Toole et al. (2015) sa Blumenstock, Cadamuro, and On (2015) .
    2. Da li mislite da CDR bi trebao zamijeniti tradicionalne ankete, dopunjuju ih ili ne može koristiti na svim za vodeće političare za praćenje nezaposlenosti? Zašto?
    3. Kakav dokaz bi uvjeriti da CDR može u potpunosti zamijeniti tradicionalne mjere stope nezaposlenosti?

Powered by Open Review Toolkit