પ્રવૃત્તિઓ

કી:

• મુશ્કેલી ડિગ્રી: સરળ , મધ્યમ , હાર્ડ , ખૂબ જ હાર્ડ
• ગણિત માટે જરૂરી છે ( )
• જરૂરી કોડિંગ ( )
• માહિતી સંગ્રહ ( )
• મારા ફેવરિટ ( )

1. [ , ] પ્રકરણમાં, હું પોસ્ટ સ્તરીકરણ વિશે ખૂબ જ પોઝિટિવ રહી હતી. જો કે, તે હંમેશા અંદાજ ગુણવત્તા સુધારવા નથી. એક પરિસ્થિતિ જ્યાં પોસ્ટ સ્તરીકરણ કરી શકો છો અંદાજ ગુણવત્તા ઘટાડી શકે છે રચવા. (એક હિંટ માટે, જુઓ Thomsen (1973) ).

2. [ , , ] ડિઝાઇન અને બંદૂક માલિકી વિશે પૂછો એમેઝોન MTurk પર બિન-સંભાવના મોજણી હાથ ધરવામાં ( "તમે છો, અથવા તમારા ઘરમાં કોઈને કરે છે, માલિક એક બંદૂક, રાઇફલ અથવા પિસ્તોલ? કે તમે અથવા તમારા ઘરમાં અન્ય કોઈ વ્યક્તિ?") અને બંદૂક નિયંત્રણ તરફ વલણ ( "તમે શું વિચારો છો ગન્સ માલિકી, અથવા બંદૂક માલિકી નિયંત્રિત કરવા માટે અમેરિકનો અધિકાર રક્ષણ વધુ મહત્વનું છે?").

   1. લાંબા કેવી રીતે તમારા મોજણી લેવા નથી? કેટલી ખર્ચ થાય છે? કેવી રીતે તમારા નમૂના વસ્તી વિષયક અમેરિકી વસ્તી વસ્તી વિષયક તુલના નથી?
   2. તમારા નમૂના ઉપયોગ કરીને બંદૂક માલિકી કાચા અંદાજ શું છે?
   3. તમારા નમૂના પોસ્ટ સ્તરીકરણ અથવા અમુક અન્ય ટેકનીકની મદદથી બિન Representativeness માટે યોગ્ય. હવે બંદૂક માલિકી અંદાજ શું છે?
   4. કેવી રીતે તમારા અંદાજ પ્યુ સંશોધન કેન્દ્ર માંથી તાજેતરની અંદાજ તુલના કરી શકું? તમે અંતર સમજાવવા શું વિચારો છો, જો ત્યાં કોઈપણ છે?
   5. બંદૂક નિયંત્રણ તરફ વલણ માટે વ્યાયામ 2-5 પુનરાવર્તન કરો. તમારા તારણો કેવી રીતે અલગ પડે છે?

3. [ , , ] ગોયલ અને સહકર્મીઓ (2016) એક બિન-સંભાવના આધારિત 49 અનેક વિકલ્પવાળા વર્તનને એમેઝોન MTurk પર પ્યુ સંશોધન કેન્દ્ર દ્વારા સામાન્ય સામાજિક સર્વેક્ષણ (GSS) અને પસંદ કરો સર્વેક્ષણ માંથી દોરેલા પ્રશ્નો સમાવેશ મોજણી સંચાલિત. પછી તેઓ મોડેલ આધારિત પોસ્ટ સ્તરીકરણ (શ્રી પી) ની મદદથી ડેટા બિન Representativeness માટે સંતુલિત, અને સંભાવના આધારિત GSS / પ્યુ સર્વે મદદથી અંદાજ તે સાથે સંતુલિત અંદાજ સરખામણી કરો. MTurk પર જ મોજણી કરવા માટે અને GSS / પ્યુ સૌથી તાજેતરનું રાઉન્ડ અંદાજ સાથે તમારા સમાયોજિત અંદાજ સરખામણી કરીને આકૃતિ 2A અને આકૃતિ 2B નકલ કરવાનો પ્રયાસ કરો (49 પ્રશ્નો યાદી માટે પરિશિષ્ટ ટેબલ 2 જુઓ).

   1. સરખામણી કરો અને પ્યુ અને GSS ના પરિણામો તમારા પરિણામો વિરોધાભાસ છે.
   2. સરખામણી કરો અને MTurk મોજણી પરિણામો તમારા પરિણામો વિરોધાભાસ Goel, Obeng, and Rothschild (2016) .

4. [ , , ] ઘણા અભ્યાસો મોબાઇલ ફોન પ્રવૃત્તિ માહિતી આત્મ-અહેવાલ પગલાં ઉપયોગ કરે છે. આ એક રસપ્રદ સેટિંગ જ્યાં સંશોધકો થયાં વર્તન સાથે પોતાની જાતે નોંધેલા વર્તન તુલના કરી શકો છો છે (જુઓ દા.ત., Boase and Ling (2013) ). બે સામાન્ય વર્તણૂક વિશે ફોન અને ટેક્સ્ટિંગ છે, અને બે સામાન્ય સમય ફ્રેમ પૂછો "છેલ્લા સપ્તાહમાં." "ગઈ કાલે" અને

   1. કોઈપણ માહિતી, જે સ્વ અહેવાલ પગલાં તમે નથી લાગે છે વધુ ચોક્કસ છે, એકઠી પહેલાં? શા માટે?
   2. ભરતી તમારા મિત્રો 5 તમારા સર્વે હોઈ શકે છે. કૃપા કરીને થોડા સમય માટે સારાંશ કેવી રીતે આ 5 મિત્રો લેવામાં આવ્યા હતા. આ નમૂના પ્રક્રિયા તમારા અંદાજ ચોક્કસ પક્ષપાતને પ્રેરિત શકે?
   3. તેમને નીચેની સૂક્ષ્મ મોજણી પૂછો:
   • "કેટલી વખત તમે અન્ય લોકો ગઈકાલે કૉલ કરવા માટે મોબાઇલ ફોન ઉપયોગ કર્યો હતો?"
   • "તમે ગઇકાલે લખાણ કેટલા સંદેશા મોકલી હતી?"
   • "કેટલી વખત તમે છેલ્લા સાત દિવસમાં અન્ય કૉલ કરવા માટે તમારા મોબાઇલ ફોન ઉપયોગ કર્યો હતો?"
   • એકવાર મોજણી પૂર્ણ છે "કેટલી વખત તમે તમારા મોબાઇલ ફોનનો ઉપયોગ મોકલવા અથવા છેલ્લા સાત દિવસમાં લખાણ સંદેશાઓ / SMS પ્રાપ્ત? કર્યું", તેમના વપરાશ માહિતી તપાસો તેમના ફોન અથવા સેવા પ્રદાતા દ્વારા લૉગ પૂછો.
   4. કેવી રીતે સ્વ અહેવાલ વપરાશ માહિતી પ્રવેશવા માટે સરખાવે છે? જે સૌથી ચોક્કસ ઓછામાં ઓછા ચોક્કસ છે?
   5. હવે માહિતી કે જે તમે તમારા વર્ગ બીજા લોકો પાસેથી માહિતી સાથે એકઠી કરી છે (જો તમે એક વર્ગ માટે આ પ્રવૃત્તિ કરી રહ્યા છે) ભેગા કરો. આ મોટા dataset સાથે, ભાગ (D) પુનરાવર્તન કરો.

5. [ , ] સ્ય્હુમન અને Presser (1996) દલીલ કરે છે કે પ્રશ્ન ઓર્ડર પ્રશ્નો વચ્ચે સંબંધો બે પ્રકારના માટે વાંધો: ભાગ ભાગ પ્રશ્નો જ્યાં બે પ્રશ્નો ચોક્કસતા સમાન સ્તર પર છે (દા.ત. બે પ્રમુખપદ માટેના ઉમેદવારો રેટિંગ્સ); અને પાર્ટ સમગ્ર પ્રશ્નો જ્યાં એક સામાન્ય પ્રશ્ન વધુ ચોક્કસ પ્રશ્ન નીચે (દા.ત. પૂછવા "જો તમે તમારા કામ સાથે કેવી રીતે સંતુષ્ટ છો?" દ્વારા અનુસરવામાં "તમે તમારા જીવન સાથે કેવી રીતે સંતુષ્ટ છો?").

   તેઓ વધુ પ્રશ્ન અસર બે પ્રકારના લક્ષણ: સુસંગતતા અસરો થાય છે જ્યારે પાછળથી પ્રશ્ન માટે જવાબો નજીક (કરતાં તેઓ અન્યથા હશે) પહેલાંની પ્રશ્નનો આપવામાં તે માટે લાવવામાં આવે છે; વિપરીત અસરો થાય છે જ્યારે ત્યાં બે પ્રશ્નોના જવાબો વચ્ચે વધારે તફાવત છે.

   1. ભાગ ભાગ પ્રશ્નો તમને લાગે છે કે મોટા પ્રશ્ન અસર, ભાગ સમગ્ર પ્રશ્નો તમને લાગે છે કે એક મોટો ઓર્ડર અસર પડશે એક જોડી, અને પ્રશ્નો જેના ક્રમ તમને લાગે તો કોઈ વાંધો આવશે અન્ય જોડી હોય છે એક જોડી બનાવો. તમારા પ્રશ્નો ચકાસવા માટે MTurk પર એક સર્વેક્ષણ પ્રયોગ ચલાવો.
      
   2. ભાગ ભાગ અસર કેવી રીતે મોટા તમે બનાવવા માટે સમર્થ હતા? તે સુસંગતતા અથવા તેનાથી વિપરીત અસર હતી?
   3. ભાગ સમગ્ર અસર કેવી રીતે મોટા તમે બનાવવા માટે સમર્થ હતા? તે સુસંગતતા અથવા તેનાથી વિપરીત અસર હતી?
   4. ત્યાં તમારા જોડી એક પ્રશ્ન અસર જ્યાં તમે નથી લાગતું કે ક્રમમાં વાંધો હતો?

6. [ , ] સ્ય્હુમન અને Presser, કામ પર મકાન Moore (2002) ઉમેરવામાં અને subtractive: પ્રશ્ન અસર એક અલગ પરિમાણ વર્ણવે છે. વિપરીત અને સુસંગતતા અસરો એકબીજા ઉમેરવામાં સંબંધમાં બે વસ્તુઓ ઉત્તરદાતાઓ 'મૂલ્યાંકનના પરિણામે ઉત્પન્ન થાય છે અને subtractive અસરો ઉત્પન્ન થાય છે જ્યારે ઉત્તરદાતાઓ મોટા માળખું છે, જે અંદર પ્રશ્નો પૂછતા છે માટે વધુ સંવેદનશીલ કરવામાં આવે છે, જ્યારે. વાંચો Moore (2002) , પછી ડિઝાઇન અને ઉમેરણ અથવા subtractive અસરો દર્શાવવા માટે MTurk પર એક સર્વેક્ષણ પ્રયોગ ચાલે છે.

7. [ , ] ક્રિસ્ટોફર Antoun અને સહકર્મીઓ (2015) MTurk ક્રૈગ્સલિસ્ટ, Google AdWords અને ફેસબુક: ચાર અલગ અલગ ઓનલાઇન ભરતી મેળવવામાં અનુકૂળતા નમૂનાઓ સરખામણી એક અભ્યાસ હાથ ધરવામાં. એક સરળ મોજણી ડિઝાઇન અને ઓછામાં ઓછા બે અલગ અલગ ઓનલાઇન ભરતી સ્ત્રોતો દ્વારા સહભાગીઓ ભરતી (તેઓ વપરાય ચાર સ્રોતોમાંથી વિવિધ સ્રોતો હોઇ શકે છે Antoun et al. (2015) ).

   1. ભરતી દીઠ ખર્ચ, પૈસા અને સમય દ્રષ્ટિએ સરખામણી વિવિધ સ્રોતો વચ્ચે.
   2. વિવિધ સ્રોતો પાસેથી મેળવી નમૂનાઓ ની રચના સરખામણી કરો.
   3. નમૂનાઓ વચ્ચે માહિતી ગુણવત્તા સરખામણી કરો. કેવી રીતે ઉત્તરદાતાઓ માંથી માહિતી ગુણવત્તા માપવા માટે વિશે વિચારો માટે, જુઓ Schober et al. (2015) .
   4. તમારા મનપસંદ સ્ત્રોત શું છે? શા માટે?

8. [ ] YouGov, એક ઇન્ટરનેટ આધારિત બજાર સંશોધન પેઢી, યુકેમાં 800,000 વિશે ઉત્તરદાતાઓ એક પેનલ ઓનલાઇન ચૂંટણીમાં હાથ અને શ્રી પી ઉપયોગ ઇયુ લોકમત (એટલે ​​કે, Brexit) નું પરિણામ જ્યાં યુકે મતદારો મત ક્યાં રહેવા માટે આગાહી અથવા યુરોપિયન યુનિયન છોડી દો.

   YouGov આંકડાકીય મોડલને એક વિગતવાર વર્ણન અહીં છે (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/). આશરે કહીએ તો, YouGov પર 2015 ની સામાન્ય ચૂંટણી મત પસંદગી, ઉંમર, લાયકાત, લિંગ, ઇન્ટરવ્યૂ તારીખ, તેમજ મતદાર તેઓ. પ્રથમ, તેઓ YouGov પેનલના માંથી એકત્રિત માહિતી ઉપયોગ રહેવા અંદાજ તે વચ્ચે, આધારિત પ્રકારના મતદારો પાર્ટીશનો જે મત, દરેક મતદાર પ્રકાર જે લોકો છોડો મત માંગો પ્રમાણ. તેઓ 2015 બ્રિટિશ ચૂંટણી અભ્યાસ (BES) ચૂંટણી ચહેરો-થી-ચહેરો મોજણી, કે જે મતદાર થી મતદાન માન્ય ઉપયોગ કરીને દરેક મતદાર પ્રકાર મતદાન અંદાજ. છેલ્લે, તેઓ અંદાજ કેટલા લોકો, સામાન્ય ચૂંટણી અને માહિતી આસપાસ YouGov મોજણી માહિતી પર ઘણા લોકો માટે મતદાન કર્યું હતું કે કેવી રીતે તાજેતરની સેન્સસ અને વાર્ષિક વસ્તી સર્વે (BES કેટલાક વધુમાં માહિતી પર આધારિત મતદારોના દરેક મતદાર પ્રકાર છે દરેક મતવિસ્તારમાં દરેક પક્ષ).

   ત્રણ દિવસ મત પહેલાં, YouGov રજા માટે એક બે બિંદુ લીડ દર્શાવે છે. મતદાન પ્રસંગ પર, મતદાન પણ (49-51 રહો) કૉલ બંધ જોવા મળ્યો હતો. અંતિમ પર દિવસ અભ્યાસ રહે (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/) તરફેણમાં 48/52 આગાહી કરી હતી. હકીકતમાં, આ અંદાજ ચાર ટકાનો અંતિમ પરિણામ (52-48 છોડો) ચૂકી.

   1. આકારણી શું ખોટું ચાલ્યા ગયા છે શકે કુલ મોજણી ભૂલ માળખું આ પ્રકરણમાં વર્ણવાયેલ વાપરો.
   2. ચૂંટણી (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) પછી YouGov પ્રતિભાવ સમજાવી: "આ મતદાન કારણે એક મોટો ભાગ લાગે છે - કંઈક કે જે અમે બધા સાથે જણાવ્યું હતું કે આવા ઉડી સંતુલિત સ્પર્ધા પરિણામ માટે નિર્ણાયક હશે. અમારા મતદાન મોડેલ આધારિત હતું ભાગમાં, પર ઉત્તરદાતાઓ કે શું છેલ્લા સામાન્ય ચુંટણીમાં મતદાન કર્યું હતું અને સામાન્ય ચૂંટણી કે ઉપર મતદાન લેવલ મોડેલ, ખાસ કરીને ઉત્તર અપસેટ. "આ ભાગ (એક) માટે તમારો જવાબ બદલી નથી?

9. [ , ] આકૃતિ 3.1 માં પ્રતિનિધિત્વ ભૂલો દરેક સમજાવવા માટે એક સિમ્યુલેશન લખો.

   1. એક પરિસ્થિતિ જ્યાં આ ભૂલો ખરેખર રદ્દ બનાવો.
   2. એક પરિસ્થિતિ જ્યાં ભૂલો દરેક અન્ય સંયોજન બનાવો.

10. [ , ] Blumenstock અને સાથીદારો સંશોધન (2015) એક મશીન શિક્ષણ મોડેલ કે ડિજિટલ ટ્રેસ માહિતી ઉપયોગ કરી શકે છે મોજણી જવાબો આગાહી મકાન સમાવેશ થાય છે. હવે, તમે એક અલગ dataset સાથે જ વાત પ્રયાસ ચાલુ છે. Kosinski, Stillwell, and Graepel (2013) જાણવા મળ્યું છે કે ફેસબુક પસંદ વ્યક્તિગત ગુણો અને લક્ષણો આગાહી કરી શકો છો. આશ્ચર્યજનક રીતે, આ આગાહીઓ પણ મિત્રો અને સહકર્મીઓ કરતા વધુ ચોક્કસ કરી શકાય છે (Youyou, Kosinski, and Stillwell 2015) .

    1. વાંચો Kosinski, Stillwell, and Graepel (2013) , અને આકૃતિ 2 નકલ તેમની માહિતી અહીં ઉપલબ્ધ છે: http://mypersonality.org/
    2. હવે, આકૃતિ 3 નકલ.
    3. http://applymagicsauce.com/: છેલ્લે, તમારા પોતાના ફેસબુક માહિતી પર તેમના મોડેલ પ્રયાસ કરો. કેવી રીતે તે તમારા માટે કામ કરે છે?

11. [ ] Toole et al. (2015) ઉપયોગ કોલ વિગતવાર રેકોર્ડ (CDRs) મોબાઇલ ફોનથી એકંદર બેરોજગારી વલણો આગાહી.

    1. સરખામણી કરો અને ડિઝાઇન વિપરીત Toole et al. (2015) સાથે Blumenstock, Cadamuro, and On (2015) .
    2. શું તમને લાગે છે CDRs, પરંપરાગત સર્વેક્ષણ બદલવા જોઇએ તેમને પૂરક અથવા બેરોજગારી ટ્રૅક કરવા માટે સરકાર નીતિ માટે તમામ ઉપયોગમાં આવશે? શા માટે?
    3. શું પુરાવા તમે સહમત છે કે CDRs સંપૂર્ણપણે બેરોજગારીનો દર પરંપરાગત પગલાં બદલો કરી શકો છો?