Տուրիզմ

Բանալի:

  • աստիճանը դժվարությամբ հեշտ հեշտ , միջին միջին , դժվար դժվար , շատ բարդ շատ բարդ
  • պահանջում է math ( պահանջում է math )
  • պահանջում է կոդավորման ( պահանջում է կոդավորման )
  • տվյալների հավաքագրումը ( տվյալների հավաքագրումը )
  • Իմ սիրելիները ( Իմ սիրելի )
  1. [ դժվար , պահանջում է math ] Ի գլխում, ես շատ դրական էր այն մասին, հետընտրական շերտավորման: Սակայն, դա միշտ չէ, բարելավել որակը գնահատականների: Կառուցել մի իրավիճակ, որտեղ կարող են հաղորդագրություն փակցնել շերտավորում կարող է նվազեցնել որակը գնահատականների: (Մի ակնարկ, տես Thomsen (1973) ):

  2. [ դժվար , տվյալների հավաքագրումը , պահանջում է կոդավորման ] Դիզայն եւ անցկացնել ոչ հավանականությունը հարցում Ամազոն MTurk հարցնել gun սեփականության ( «Դուք, կամ որեւէ մեկը ձեր ընտանիքի, սեփական ատրճանակ, հրացան, թե ատրճանակը: Այն է, որ դուք կամ մեկ ուրիշը Ձեր ընտանիքի») եւ նկատմամբ վերաբերմունքը gun վերահսկողության ( «Ինչ եք կարծում, դա ավելի կարեւոր է, որպեսզի պաշտպանել իրավունքը ամերիկացիների սեփական զենքերը, կամ վերահսկել հրացանը սեփականությունը»):

    1. Որքան է Ձեր հարցման վերցնում. Որքան կարժենա. Ինչպես են ժողովրդագրական ձեր նմուշ համեմատում է ժողովրդագրական ԱՄՆ բնակչության.
    2. Որն է հում նախահաշիվը gun սեփականության օգտագործելով Ձեր նմուշ.
    3. Correct համար ոչ-ներկայացուցչականության ձեր նմուշի օգտագործելով շերտավորում, կամ ինչ - որ այլ տեխնիկան: Հիմա ինչ է նախահաշիվը gun սեփականության.
    4. Ինչպես են ձեր հաշվարկները համեմատել է վերջին գնահատականներով ից Pew Research Center. Ինչ եք կարծում, բացատրել անհամապատասխանություն, եթե կա որեւէ?
    5. Կրկնել վարժությունը 2-5 համար վերաբերմունքը gun վերահսկողության. Ինչպես են ձեր բացահայտումներ տարբերվում.
  3. [ շատ բարդ , տվյալների հավաքագրումը , պահանջում է կոդավորման ] Goel եւ գործընկերները (2016) Կառավարվում է ոչ-հավանականության վրա հիմնված հետազոտություն, որը բաղկացած է 49 բազմակի ընտրության վարքագծային հարցերի վերցված գլխավոր Սոցիալական հետազոտության (GSS) եւ ընտրեք հարցումների կողմից Pew Research Center վրա Amazon MTurk: Նրանք ապա հարմարեցնել համար ոչ-ներկայացուցչականության տվյալները օգտագործելով մոդելը հիմնված շերտավորում (պրն P), եւ համեմատել ճշգրտված նախահաշիվները նրանց հետ գնահատվում հավանականության վրա հիմնված GSS / Pew հարցումներ: Իրականացնել նույն հարցում MTurk եւ փորձում է կրկնել Գծապատկեր 2 ա, եւ պարզել, 2B համեմատելով ձեր ճշգրտված գնահատումները հետ գնահատականների ամենավերջին փուլերի GSS / Pew (Տես Հավելված Սեղանի A2 համար ցանկում 49 հարցերին):

    1. Համեմատեք եւ հակադրեք Ձեր արդյունքները արդյունքների Pew եւ GSS:
    2. Համեմատեք եւ հակադրեք ձեր արդյունքները արդյունքների են MTurk հարցման Goel, Obeng, and Rothschild (2016) :
  4. [ միջին , տվյալների հավաքագրումը , պահանջում է կոդավորման ] Բազմաթիվ ուսումնասիրություններ օգտագործել ինքնակառավարման զեկույցը միջոցներ բջջային հեռախոսը գործունեության տվյալները: Սա հետաքրքիր է ընդլայնված նիստում, որտեղ հետազոտողները կարող են համեմատել ինքնակառավարման հաղորդում վարքագիծը մուտք վարքագծի (տես, օրինակ, Boase and Ling (2013) ): Երկու ընդհանուր վարքագծերը հարցնել են կանչում եւ texting, եւ երկու տարածված ժամկետների են «երեկ» եւ «մեկ շաբաթվա ընթացքում»:

    1. Նախքան հավաքելով ցանկացած տվյալներ, որոնք այդ ինքնորոշման զեկույցում միջոցառումներ եք կարծում, ավելի ճշգրիտ. Ինչու:
    2. Հավաքագրել 5 ձեր ընկերներին լինել Ձեր հարցման. Խնդրում ենք համառոտ ամփոփել, թե ինչպես են այդ 5 ընկերները sampled: Հնարավոր է, այս նմուշառում ընթացակարգը դրդել հատուկ շեղումներ ձեր գնահատականներով:
    3. Խնդրում եմ, դրանք հետեւյալն են միկրո - Հետազոտությունը:
    • «Քանի անգամ եք օգտագործել բջջային հեռախոսը զանգահարել ուրիշներին երեկ».
    • «Քանի տեքստը պատգամներ եք ուղարկել երեկ».
    • «Քանի անգամ եք օգտագործել Ձեր բջջային հեռախոսը զանգահարել ուրիշներին վերջին յոթ օրվա ընթացքում:»:
    • «Քանի անգամ եք օգտագործել Ձեր բջջային հեռախոսը ուղարկել կամ ստանալ տեքստային հաղորդագրություններ / SMS ի վերջին յոթ օրերի:« Երբ հետազոտությունն ավարտված է, խնդրել է ստուգել իրենց օգտագործման տվյալներ, ինչպես նաեւ մուտք են իրենց հեռախոսի կամ ծառայություն մատուցողի.
    1. Ինչպես է ինքնուրույն զեկույցը օգտագործումը համեմատում է մուտք տվյալները: Որն է առավել ճշգրիտ է, որը առնվազն ճշգրիտ.
    2. Այժմ համատեղել տվյալները, որ դուք պետք է հավաքել, ինչպես նաեւ տվյալների այլ մարդկանց ձեր դասարանում (եթե դուք են անում այս գործունեությունը մի դասարանում): Այս ավելի մեծ dataset, կրկնել մաս (D).
  5. [ միջին , տվյալների հավաքագրումը ] Շումանի եւ Presser (1996) պնդում են, որ այդ հարցը պատվերներ չէր կարեւորը երկու տեսակի միջեւ հարաբերությունների հարցերի մի մասը, մաս հարցերի, որտեղ երկու հարցերը գտնվում են նույն մակարդակի վրա որոշակի առանձնահատկություններ (օրինակ վարկանիշները երկու թեկնածուների); եւ մասն ամբողջ հարցեր, որտեղ ընդհանուր առմամբ հարցը հետեւյալն է ավելի կոնկրետ հարց (օրինակ, խնդրելով «Ինչպես եք բավարարված ձեր աշխատանքի." որին հետեւում է «Ինչպես եք բավարարված Ձեր կյանքում:»):

    Նրանք ավելի բնութագրում երկու տեսակի հարց է կարգի ուժի Համապատասխանություն բարդություններ առաջանալ, երբ պատասխանները ավելի ուշ հարցին են բերել մոտ (, քան նրանք, այլապես), որպեսզի նրանք, ովքեր տվել է ավելի վաղ հարցին. հակադրեք բարդություններ առաջանալ, երբ կան ավելի մեծ տարբերություններ պատասխանների երկու հարցերին.

    1. Ստեղծել մի զույգ մասը մաս հարցեր, որ դուք կարծում ունեք մի մեծ հարց է կարգը ազդեցություն, մի զույգ մաս ամբողջ հարցեր, որ դուք կարծում ունեք մի մեծ կարգը ազդեցություն, եւ մեկ այլ զույգ հարցերի ում պատվերն եք կարծում, կարեւոր չէ: Run մի հետազոտության փորձարկումից MTurk փորձարկել ձեր հարցերին:
    2. Որքան մեծ էր մաս մասը ազդեցությունը էիք կարողացել է ստեղծել. Եղել է այն հետեւողականությունը, թե հակադրություն ազդեցությունը.
    3. Որքան մեծ էր կես ամբողջ ազդեցությունը էիք կարողացել է ստեղծել. Եղել է այն հետեւողականությունը, թե հակադրություն ազդեցությունը.
    4. Եղել է, որ մի հարց կարգը ազդեցությունը ձեր զույգի, որտեղ դուք չեք կարծում, որ կարգը պետք է կարեւորը:
  6. [ միջին , տվյալների հավաքագրումը ] Հիմնվելով աշխատանքի Շումանի եւ Presser, Moore (2002) Նկարագրում է առանձին հարթության հարց է պատվերի ազդեցություն հավելում եւ subtractive. Մինչ հակադրություն եւ հետեւողականությունը ազդեցությունները արտադրվում են որպես հետեւանք հարցվողների գնահատականներին երկու ապրանքների նկատմամբ յուրաքանչյուր այլ, հավելում եւ subtractive ազդեցությունները են, երբ հարցվողներին կատարվում են ավելի զգայուն ավելի լայն շրջանակի, որոնց շրջանակներում հարցեր են դրված: Կարդալ Moore (2002) , Ապա նախագծել եւ վարում է մի հետազոտության փորձարկումից MTurk է ցույց տալ, հավելում կամ subtractive հետեւանքները.

  7. [ դժվար , տվյալների հավաքագրումը ] Christopher Antoun եւ գործընկերները (2015) իրականացրել է ուսումնասիրություն համեմատելով հարմարության նմուշները ստացված չորս տարբեր օնլայն հավաքագրման աղբյուրների `MTurk, արձագանք, Google AdWords եւ Facebook. Մշակել է պարզ հետազոտություն եւ հավաքագրել մասնակիցներին միջոցով առնվազն երկու տարբեր օնլայն հավաքագրման աղբյուրների (դրանք կարող են լինել տարբեր աղբյուրները չորս աղբյուրներից օգտագործվող Antoun et al. (2015) ):

    1. Համեմատեք ծախսերը մեկ նորակոչիկի առումով փողի եւ ժամանակի միջեւ, տարբեր աղբյուրներից:
    2. Համեմատեք կազմը նմուշների ստացված տարբեր աղբյուրներից:
    3. Համեմատեք որակի տվյալների միջեւ նմուշների. For գաղափարների շուրջ, թե ինչպես պետք է չափել տվյալների որակը ից հարցվածների, տես Schober et al. (2015) :
    4. Որն է ձեր նախընտրած աղբյուր. Ինչու:
  8. [ միջին ] YouGov, ինտերնետ հիմնված Շուկայի հետազոտում ամուր, իրականացրել օնլայն հարցումներ է վահանակի մոտ 800,000 հարցվածների Մեծ Բրիտանիայում եւ օգտագործվում պարոն Պ. է կանխատեսել արդյունքը ԵՄ հանրաքվեն (այսինքն, Brexit), որտեղ Մեծ Բրիտանիայի ընտրողները քվեարկելու են կամ մնալ կամ թողնել Եվրամիությանը:

    Մանրամասն նկարագրությունը YouGov վիճակագրական մոդելի այստեղ է (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/): Կոպիտ ասած, YouGov partitions ընտրողների տեսակի հիման վրա 2015 թ., Ընդհանուր առմամբ ընտրությունների ձայների ընտրության, տարիքային, որակավորման, գենդերային, ամսաթիվը հարցազրույցի, ինչպես նաեւ ընտրատարածքում նրանք ապրում են: Նախ, նրանք օգտագործվում տվյալներ հավաքած YouGov բանավեճի վարողներ է գնահատել, նրանց թվում ով է քվեարկելու, համամասնությունը մարդկանց յուրաքանչյուր ընտրողների տեսակի ովքեր մտադիր են քվեարկել հեռանալ. Նրանք գնահատել մասնակցության յուրաքանչյուր ընտրողի տեսակի օգտագործելով 2015 Մեծ Բրիտանիայի Ընտրությունների ուսումնասիրություն (BES) հետընտրական երես առ երես հետազոտության, որի վավերացվել է ակտիվ մասնակցություն են ընտրացուցակներում: Ի վերջո, նրանք գնահատել, թե քանի մարդ կա, յուրաքանչյուր ընտրողի տեսակի մեջ ընտրազանգվածի վրա հիմնված վերջին մարդահամարի եւ տարեկան բնակչության հարցման (որոշ լրացում տեղեկատվության ից BES, YouGov հարցումների տվյալները շուրջ համընդհանուր ընտրությունների, եւ տեղեկատվություն, թե քանի մարդ քվեարկել է յուրաքանչյուր Կողմ յուրաքանչյուր ընտրատարածքում):

    Երեք օր քվեարկությունից առաջ, YouGov ցույց տվեց երկու կետանոց առաջատարը համար արձակուրդ: Նախօրեին քվեարկության Հարցումը ցույց է տվել, շատ մոտ է զանգահարել (49-51 մնալու): Վերջնական on-the-օրյա ուսումնական կանխատեսեց 48/52, հօգուտ մնա (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/): Ի դեպ, այս գնահատումը կարոտել վերջնական արդյունքը (52-48 արձակուրդները) չորս տոկոսային կետով:

    1. Օգտագործեք ընդհանուր հետազոտությունը սխալ շրջանակը քննարկվել է սույն գլխում `գնահատելու, թե ինչ կարող էր գնացել սխալ.
    2. YouGov արձագանքը ընտրություններից հետո (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/~~HEAD=pobj) բացատրեց. «Սա, կարծես մի մեծ մասամբ պայմանավորված է ընտրողների մի բան, որ մենք ասել բոլորս միասին կլինի կարեւոր է արդյունքի նման մանր հավասարակշռված մրցավազքում. Մեր մասնակցությունը մոդելը հիմնված էր, մասնավորապես, թե արդյոք հարցվածների էր քվեարկել է Առհասարակ վերջին ընտրություններից եւ մասնակցությունը մակարդակը բարձր է, որ համապետական ​​ընտրությունների խախտել մոդելը, մասնավորապես, հյուսիսից: «Արդյոք սա է փոխել ձեր պատասխանը մասի (ա).
  9. [ միջին , պահանջում է կոդավորման ] Գրեք սիմուլյացիա ցույց յուրաքանչյուր ներկայացուցչության սխալների Նկար 3.1.

    1. Ստեղծել մի իրավիճակ, որտեղ այդ սխալները, ըստ էության, չեղյալ է.
    2. Ստեղծել մի իրավիճակ, որտեղ սխալները բաղադրություն միմյանց:
  10. [ շատ բարդ , պահանջում է կոդավորման ] Հետազոտությունները Blumenstock եւ գործընկերների (2015) Ներգրավված կառուցելու մեքենա ուսուցման մոդել, որը կարող է օգտագործել թվային հետք տվյալներ է կանխատեսել հարցման պատասխանները: Այժմ, դուք պատրաստվում եք փորձել նույն բանը տարբեր dataset. Kosinski, Stillwell, and Graepel (2013) գտել է, որ Facebook սիրում կարող կանխատեսել անհատական ​​հատկություններ եւ հատկանիշներ: Զարմանալի է, այդ կանխատեսումները կարող են լինել նույնիսկ ավելի ճշգրիտ, քան նրանք, ովքեր ընկերների եւ գործընկերների (Youyou, Kosinski, and Stillwell 2015) :

    1. Կարդալ Kosinski, Stillwell, and Graepel (2013) , եւ վերարտադրելու Գծապատկեր 2. Նրանց տվյալները հասանելի են այստեղ: http://mypersonality.org/
    2. Հիմա, վերարտադրելու Նկար 3:
    3. Վերջապես, փորձում են իրենց մոդելը ձեր սեփական Facebook տվյալները: http://applymagicsauce.com/: Որքանով է այն աշխատում է ձեզ համար.
  11. [ միջին ] Toole et al. (2015) Օգտագործումը Զանգահարեք մանրամասն գրառումները (CDRs) բջջային հեռախոսների կանխատեսել համախառն գործազրկության միտումները:

    1. Համեմատեք եւ հակադրեք ձեւավորում Toole et al. (2015) Ինչպես նաեւ Blumenstock, Cadamuro, and On (2015) :
    2. Ինչ եք կարծում, CDRs պետք է փոխարինել ավանդական հարցումներ, լրացնում նրանց, թե չեն կարող օգտագործվել է բոլոր կառավարական քաղաքականություն մշակողների է հետեւել գործազրկության. Ինչու:
    3. Ինչն է փաստում, որ համոզել ձեզ, որ CDRs կարող է լիովին փոխարինել ավանդական միջոցառումները գործազրկության: