Activités

Santa Margherita di:

  • gradu di difficultà: facile fàciule , maculata medie , dura aspra , Assai difficiuli assai difficiuli
  • Abbisogna math ( abbisogna a matimatica )
  • abbisognu di scrittura ( abbisogna linguistic )
  • racolta di dati ( cullezzione données )
  • u mio favoritos ( my favorite )

  1. [ aspra , abbisogna a matimatica ] In a lezziò, iò era assai pusitiva su post-stratificazzioni. A ogni modu, lu cchiù nun sempri chidda di migghiurari la qualità di estimates. Custruiscia una situazione induve pò Plessis-stratificazzioni pò favuritu la qualità di estimates. (Per un amarore assai, vidi Thomsen (1973) ).

  2. [ aspra , cullezzione données , abbisogna linguistic ] Design e ricerche ntôn rilivamentu non-prubabilità nant'à Amazon MTurk à dumandà à circa la propietà cannone ( "tu tu, o ùn qualchissia in a to casa, pusseda un cennu bastarà, fucile, o pistola? Is chi voi o quarchidunu a vostra casa?") È cumpurtamentu verso lu cuntrollu cannone ( "Chì fà vi pensu è più impurtanti-a prutezzione di u dirittu di Miricani à pusseda armi tesi, o à cuntrullà la propietà cannone?").

    1. Finu à quandu ùn vostru log piglià? Quantu ùn lu costa? How do lu dem demographics di u vostru riguarda lu parauni a lu dem demographics di la pupulazzioni US?
    2. Chì hè u stimata crudu di pruprietà fucili cù i vostri campionu?
    3. Correct di u cada-representativeness di u vostru campionu usannu post-stratificazzioni o di qualchì altru technique. Avà chì hè u stimata di pruprietà cannone?
    4. How do vostru estimates parauni à l 'ultimu stimata da a Arches Research Center? Chì ne pensate spiegà u mancamentu, s'ellu ùn ci hè alcunu?
    5. Ripetiri, lu teacher 2-5 di atteghjamenti versu lu cuntrollu fucili. How do vostru scuperti differ?

  3. [ assai difficiuli , cullezzione données , abbisogna linguistic ] Goel e culleghi (2016) amministrata ntôn rilivamentu-based non-prubabilità più di 49 e dumande attitudinal a multiplicità di-scelta disegnata da u bambino General Suciali (GSS) è pezzu Salumeria da u Centru di Ricerca Arches on Amazon MTurk. Ci poi aghjustà di u cada-representativeness di dati usendu mudellu di-based post-stratificazzioni (Mr. P), e lu parauni di u estimates pulito cù quelli stimati usannu Salumeria GSS / Arches prubabilità-based. Cunduce u listessu log in u MTurk è pruvà à replicate Figure 2a e Figure 2B par comparing u vostru estimates pulito cù u estimates da i più ricenti giru di GSS / Arches (Voir penale Table A2 di a lista di i 49 e dumande).

    1. Compare e incuntrariu di i vostri risultati à i risultati da Arches e GSS.
    2. Compare e incuntrariu di i vostri risultati à i risultati da u log MTurk in Goel, Obeng, and Rothschild (2016) .

  4. [ medie , cullezzione données , abbisogna linguistic ] Parechje studi aduprà misure self-rapportu di dati attività telefuninu. Chistu è un paràmetru ntirissanti unni circadori ponu cunfruntari lu cumpurtamentu self-cuntatu cù u cumpurtamentu identificatu (vede per esempiu, Boase and Ling (2013) ). Dui cumpurtamenti cumunu da dumandà à circa sò curti e texting, è dui Falegnameria vota cumuni sunnu "aieri" e "a la semaine passatu."

    1. Prima di racoglia i dati, chì di u self-rapportu di li misuri ti pensu è più precisamente? Perchè?
    2. Ricrutari 5 di tuoi amici to be in a vostra log. Please in craru prestu prestu cumu sti 5 amichi eranu sampled. Rimori sta prucedura sediment Invitanu biases identitariu in u vostru estimates?
    3. Rinsignassi elli i servizii micru-log:
    • «Quante volte si vo aduprate telefuninu à chjamà à altri eri?"
    • "Comu tanti missaghji testu m'avete mandatu eri?"
    • «Quante volte si vo aduprate u vostru telefuninu à chjamà à d 'altri à i noms de sette ghjorni?"
    • "Comu tanti voti nun vo aduprate u vostru telefuninu à mandà o riceve missaghji testu / SMS in l 'ultimi sette ghjorni?" Na vota ca lu log hè compia, dumanda di verificà i so infurmazioni utilizzu comu identificatu da u so telefonu o webmaestru.
    1. Cumu ùn utilizzu self-rapportu parauni a Scie à données? Qualessu hè più precisamente, chì hè u più chjucu pricisa?
    2. Avà mischjà i dati chì vo avete coltu cu la data, da l'altra ghjente in u vostru classi (s'è vo vulete fà sta filiera di na classi). Cu stu dataset salvaticu, torna parte (d).

  5. [ medie , cullezzione données ] Schuman e Presser (1996) sustennu ca decretu quistioni si conta per dui tipi di rilazzioni tra d 'interrugazioni: e dumande parte-parte induve duie e quistione sò à u stessu livellu di ribomba (per esempiu, valutazioni di i dui candidati à empie); e dumande parte-friscalette, unni na quistioni ginirali di a siguenti manera una quistioni di più pricisu (per esempiu, dumandendu "come accuntintari di sì cù u vostru travagliu?" siguita di "come accuntintari di sì cù la to vita?").

    Iddi chiamau d'àutri dui tipi di effettu di modu quistioni: effetti cuerenza esempiu, quandu risposti à una quistione di sècutu sunnu purtati vicina (d 'iddi sariani) à quelli datu à una quistione di nanzu; cuntrastu effetti esempiu, quandu ùn ci sò più grande diffirenza tra risposti à dui questioni.

    1. Creà un paru di e dumande parte-parte chi ti criri ti darà un grossu effettu di modu quistione, un paru di e dumande parte-interu ca pinzasti ti darà un grossu effettu ordine, è un altru paru di e dumande chì u scopu pensate ùn si contani. Lanciatu un tentativu log in u MTurk à pruvà a vostra quistione.
    2. Quissu hè u effettu parte-parte tu fussi capaci pi criari? Era podarsi un effettu cuerenza o cuntrariu?
    3. Quissu hè u effettu parte-interu tu fussi capaci pi criari? Era podarsi un effettu cuerenza o cuntrariu?
    4. Ci era un effettu di modu quistione di a vostra paru unni tu nun ci pinsari l 'ordini chi' mpurtanza havi?

  6. [ medie , cullezzione données ] Bâtiment, nantu à u travagliu di Schuman e Presser, Moore (2002) discrivi na diminzioni siparati di effettu di modu quistioni: additivi e subtractive. Mentri effetti cuntrastu e so cuerenza, sunnu pruduciùti comu un numeru di laus di i dui elementi respondents 'a praticà trattendu si di ogni altra, additivi è effetti subtractive sunnu pruduciùti quandu respondents sò fatti di più attenti à u quadru salvaticu nella chì sò criò la custioni. Leggi Moore (2002) , tandu cuncepisce è lanciatu un tentativu log in u MTurk à dimustrà additivi o subtractive effetti.

  7. [ aspra , cullezzione données ] Christopher Antoun e culleghi (2015) purtava un studiu comparing u analise altra ottense da quattru funti Solutions en ligne: MTurk, Craigslist, Google AdWords è su Facebook. Oculistica un cuntu log è di ricrutari na participanti à traversu omancu dui diversi fonti Solutions nanu (Ponnu essiri diffirenti fonti da i quattru funti usati in Antoun et al. (2015) ).

    1. Compare u costu pi ricrutari, in termini di soldi è u tempu, trà di funti diffirenti.
    2. Compare la cumpusizioni di l 'analise ottense da funti diffirenti.
    3. Compare a qualità di dati trà u analise. Per nostri idei supra a quantu à misurà a qualità di dati da respondents, voir Schober et al. (2015) .
    4. Chì hè u vostru surghjente preferitu? Perchè?

  8. [ medie ] YouGov, un offiziu di a ricerca mercatu daca-based, cunnucieru polls en ligne di una tavola di circa 800.000 respondents in u UK è usatu Mr. P. à predict u risultatu di u referendum EU (vale à dì, Brexit), unni l 'elettori UK pìgghianu sia à tene in o lascià l 'Unioni europea.

    A discrizzione info di mudellu di statìstiche di YouGov hè quì (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/). All'incirca di parlà, YouGov Spartuta elettori in tippi si basa nantu à u 2015 elizzioni pulìtichi scelta votu, l'età, insignamentu, voce, a data di u candidatu, oltri a la prima circuscrizzioni ch'elli campanu in. Prima, usàvanu nnî dati da u panelists YouGov à cuntà, à mezu à quelli chì chi ci pìgghianu parti, l 'idea di ghjente di ogni tipu latinu chì ntènninu pi pìgghianu lascià more. Iddi cuntà turning di ogni tipu latinu, aduprendu u 2015 British Election Corso di lingua Francese (BES) post-elezzione faccia-a-faccia log, chi stati validati, turning da li panini di pèrdiri. Infine, ùn cuntà quantu genti cci nni sunnu di ogni tippu in latinu in u Maschera basata supra ultimu Census e annuali bambino Population (cu quarchi nfurmazzioni Moltu più da u BES, YouGov dati log da attornu a l 'elizzioni pulìtichi, e nfurmazzioni supra comu tanti pirsuni u votu di ogni partitu in ogni circuscrizzioni).

    Tre ghjorni nanzu u votu, YouGov mustrò un gout du puntu per lascià more. Nantu à a vigiglia di vutari, li tabac mustrò troppu vicinu à chjamà à (49-51 Statti). Lu studiu finali su-la-jornu putìa prividiri 48/52 in favore di u Statti (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). In fatti, stu stimata da passà u risultatu finali (52-48 Lascia) pè i quattru punti pircintuali.

    1. Aduprà u quadru di errore log tutali discututu nta stu capitulu a griglia di ciò chì avaria pussutu sbagghiatu.
    2. risposta d'YouGov dopu à l 'elezzione (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) spiigheti: "Chistu mi pari in a maiò parte à causa di turning - calcosa chì avemu dettu tuttu, lungo, saria una rifarenza à u risultatu di una razza cusì sbuchjata equilibrati. U nostru mudellu turning era basatu, in parte, in u s'ellu respondents avia vutatu à l 'ultimu elizzioni pulìtichi e nu liveddu turning sopra à quella di elizzioni ginirali scunvurgìu u mudellu, in particulari in u nordu ". Dunqua sta cancianu a vostra risposta à part (un)?

  9. [ medie , abbisogna linguistic ] Ecrire un Simulation à illustrate ognunu di i sbagli, la rapprisintazzioni in Figura 3.1.

    1. Creà una situazione induve sti sbagli intreccia annullà u fora.
    2. Creà una situazione induve i sbagli, cumposti tra d 'iddi.

  10. [ assai difficiuli , abbisogna linguistic ] A ricerca di Blumenstock e culleghi (2015) intarvena custruenduvi na sò mudellu amparera machine à chì pudia aduprà dati traccia digitale à predict risposti log. Avà, vi nni jemu a pruvà a listessa cosa incù un dataset diffirenti. Kosinski, Stillwell, and Graepel (2013) truvonu ca Facebook piaci pò predict individuale tratti e spicificu. Surprisa, sti divi pò esse ancu di più precisa chè quelli di amichi è culleghi (Youyou, Kosinski, and Stillwell 2015) .

    1. Leggi Kosinski, Stillwell, and Graepel (2013) , e replicate Figura 2. Lu sò dati sunnu dispunìbbili di ccà: http://mypersonality.org/
    2. Avà, replicate Figura 3.
    3. Infine, à pruvà a so mudellu nant'à u so dati Facebook: http://applymagicsauce.com/. Come bè viaghja per voi?

  11. [ medie ] Toole et al. (2015) Scheda 'usu d' dischi (CDRs) da cellulari à predict sa moda de disoccupazioni aggregate.

    1. Compare e incuntrariu di u generu di Toole et al. (2015) cù Blumenstock, Cadamuro, and On (2015) .
    2. Nun ti pensu CDRs avissi a fari sustituiri Salumeria tradizziunali, li complement o nun essiri usatu pi tutti li di policymakers guvernu a pista disoccupazioni? Perchè?
    3. Cosa testimunianze avissi u fracicume di voi chì CDRs pò rimpiazza cumplitamenti misuri tradizziunali di l 'acqua di disoccupazioni?

Powered by Open Review Toolkit