പ്രവർത്തനങ്ങൾ

കീ:

  • വൈഷമ്യം ബിരുദം: എളുപ്പമുള്ള എളുപ്പമായ , ഇടത്തരം ഇടത്തരം , ഹാർഡ് ഹാർഡ് വളരെ ബുദ്ധിമുട്ടു വളരെ ഹാർഡ്
  • മാത്ത് ആവശ്യമാണ് ( മാത്ത് ആവശ്യമാണ് )
  • കോഡിങ് ആവശ്യമാണ് ( കോഡിങ് ആവശ്യമാണ് )
  • ഡാറ്റ ശേഖരണം ( ഡാറ്റ ശേഖരണം )
  • എന്റെ പ്രിയപ്പെട്ടവ ( എനിക്ക് പ്രിയപ്പെട്ടവ )
  1. [ ഇടത്തരം , ഡാറ്റ ശേഖരണം ] Berinsky സഹപ്രവർത്തകരും (2012) മൂന്ന് ക്ലാസിക് പരീക്ഷണങ്ങൾ പകർപ്പെടുക്കുന്ന വഴി ഭാഗത്ത് മെക്കാനിക്കൽ ട്രങ്ക് വിലയിരുത്തുന്നു. വഴി ക്ലാസിക് ഏഷ്യൻ രോഗ ഫ്രെയിമിംഗും പരീക്ഷണം അവരാഗ്രഹിച്ചില്ല Tversky and Kahneman (1981) . നിങ്ങളുടെ ഫലങ്ങൾ മത്സരം Tversky ആൻഡ് Kahneman ന്റെ ചെയ്യുന്നുണ്ടോ? നിങ്ങളുടെ ഫലങ്ങൾ Berinsky സഹപ്രവർത്തകരും പൊരുത്തപ്പെടുന്ന ചെയ്യുന്നുണ്ടോ? വാട്ട്-ഒന്നും-ഇല്ല ഈ സർവേ പരീക്ഷണങ്ങളിൽ മെക്കാനിക്കൽ ട്രങ്ക് ഉപയോഗിച്ച് കുറിച്ച് നമ്മെ പഠിപ്പിക്കുന്നത്?

  2. [ ഇടത്തരം , എനിക്ക് പ്രിയപ്പെട്ടവ ] ഒരു അല്പമെങ്കിലും നാവും-ഇൻ-കവിൾ പ്രബന്ധത്തിൽ സോഷ്യൽ സൈക്കോളജിസ്റ്റ് റോബർട്ട് Cialdini, രചയിതാക്കളെ ഒരാൾ "ഞങ്ങൾ വേർപെടുത്തുന്നതിന് ഉണ്ടോ" എന്ന തലക്കെട്ടിനു Schultz et al. (2007) , നേരത്തെ പ്രൊഫസറും ജോലി നിന്ന് വിരമിച്ച എന്നു അവൻ ഒരു ശിക്ഷണം (സൈക്കോളജി) വയലിലെ പരീക്ഷണങ്ങൾ ചെയ്യുന്നത് പ്രധാനമായും ലാബ് പരീക്ഷണങ്ങൾ നടത്തിവരുന്നു എന്ന് നേരിടുന്ന വെല്ലുവിളികൾ ഭാഗത്ത് എഴുതി (Cialdini 2009) . Cialdini പ്രബന്ധം വായിക്കുക, അവനെ ഡിജിറ്റൽ പരീക്ഷണങ്ങളുടെ സാധ്യതകൾ വെളിച്ചത്തിൽ തന്റെ തരംതിരിവ് പരിഗണിക്കണമെങ്കിൽ അവനെ നിര്ബന്ധിച്ചു ഒരു ഇമെയിൽ എഴുതുക. തന്റെ ആശങ്കകൾ ആ ഗവേഷണത്തിന്റെ പ്രത്യേക ഉദാഹരണങ്ങൾ ഉപയോഗിക്കുക.

  3. [ ഇടത്തരം ], സഹപ്രവർത്തകരും ചെറിയ പ്രാരംഭ നേട്ടങ്ങളെ ലോക്ക്-ഇൻ അല്ലെങ്കിൽ ക്ഷയിച്ചുപോകുന്നു എന്ന് നിർണ്ണയിക്കാൻ വാൻ ഡി Rijt ക്രമത്തിൽ (2014) ക്രമരഹിതമായി തിരഞ്ഞെടുത്ത പങ്കെടുക്കുന്നവർ വിജയം നൽകി നാലു വ്യത്യസ്ത സിസ്റ്റങ്ങൾ കയറി ഇടപെട്ടു, തുടർന്ന് ഈ ഏകപക്ഷീയമായ വിജയം ദീർഘകാല പ്രത്യാഘാതങ്ങളാണ് അളന്നു. നിങ്ങൾ സമാനമായ പരീക്ഷണങ്ങൾ നടത്താനും കഴിയാത്ത മറ്റ് സിസ്റ്റങ്ങളിൽ നിങ്ങൾക്കറിയാമോ? ശാസ്ത്രീയ മൂല്യം, അൽഗോരിത്മിക് മറിച്ച്നോക്കിക്കൊണ്ട് (അധ്യായം 2 കാണുക), ടേറ്റ് പ്രശ്നങ്ങൾ കണക്കിലെടുത്ത് ഈ സിസ്റ്റങ്ങൾ വിലയിരുത്തുക.

  4. [ ഇടത്തരം , ഡാറ്റ ശേഖരണം ] ഒരു പരീക്ഷണത്തിന്റെ ഫലങ്ങൾ പങ്കെടുക്കുന്നവർ ആശ്രയിക്കാം. പിന്നീട് ഒരു പരീക്ഷണം സൃഷ്ടിക്കുക രണ്ടു വ്യത്യസ്ത റിക്രൂട്ട്മെന്റ് തന്ത്രങ്ങൾ ഉപയോഗിച്ച് ആമസോൺ മെക്കാനിക്കൽ ട്രങ്ക് (MTurk) അത് റൺ. ഫലങ്ങള് കഴിയുന്നത്ര വ്യത്യസ്തമായിരിക്കും അങ്ങനെ പരീക്ഷണം റിക്രൂട്ട്മെന്റ് തന്ത്രങ്ങൾ ട്ട് ശ്രമിക്കുക. ഉദാഹരണത്തിന്, നിങ്ങളുടെ റിക്രൂട്ട്മെന്റ് തന്ത്രങ്ങൾ രാവിലെ പങ്കെടുക്കുന്നവർ വൈകുന്നേരം റിക്രൂട്ട് അല്ലെങ്കിൽ കൂടിയതും കുറഞ്ഞതുമായ ശമ്പളത്തോട് കൂടി പങ്കെടുക്കുന്നവരെ നഷ്ടപരിഹാരം ആകാം. റിക്രൂട്ട്മെന്റ് തന്ത്രത്തിലെ വ്യത്യാസങ്ങൾ ഈ തരത്തിലുള്ള പങ്കെടുക്കുന്നവർ വിവിധ പരീക്ഷണാത്മക പാടുന്നവർ വിവിധ കുളങ്ങൾ കാരണമാകും. നിങ്ങളുടെ ഫലങ്ങൾ എങ്ങനെ വ്യത്യസ്ത കാത്തിരുന്നത്? ആ MTurk സംബന്ധിച്ച പരീക്ഷണങ്ങൾ പ്രവർത്തിക്കുന്ന കുറിച്ച് എന്താണ് വെളിപ്പെടുത്തുന്നത്?

  5. [ വളരെ ഹാർഡ് , മാത്ത് ആവശ്യമാണ് , കോഡിങ് ആവശ്യമാണ് , എനിക്ക് പ്രിയപ്പെട്ടവ ] നിങ്ങൾ വൈകാരിക മലീനീകരണത്തിനെതിരായ പഠനം പദ്ധതിയിട്ട സങ്കൽപ്പിക്കുക (Kramer, Guillory, and Hancock 2014) . ഒരു നേരത്തെ നിരീക്ഷണ പഠനത്തിന് ഉപയോഗിക്കുക Kramer (2012) ഓരോ കണ്ടീഷൻ അംഗങ്ങളുടെ എണ്ണം തീരുമാനിക്കേണ്ടത്. ഈ രണ്ടു പഠനങ്ങൾ തികച്ചും പൊരുത്തപ്പെടുന്നില്ല അങ്ങനെ വ്യക്തമാക്കും ഉണ്ടാക്കുന്ന എല്ലാ അനുമാനങ്ങൾ ലിസ്റ്റ് ചെയ്യുവാൻ ഉറപ്പാക്കുക:

    1. പ്രാബല്യത്തിൽ വലിയ ഒരു പ്രഭാവം കണ്ടെത്താനായി എത്ര പങ്കെടുക്കുന്നവർ ആവശ്യമായ ഇതിനുമുമ്പേ തീരുമാനിക്കും ഒരു സിമുലേഷൻ പ്രവർത്തിപ്പിക്കുക Kramer (2012) (- \ ബീറ്റ = 0.8 \ 1) \ (\ ആൽഫ = 0.05 \) കൂടാതെ \ കൂടെ.
    2. analytically ഒരേ കണക്കുകൂട്ടൽ ചെയ്ക.
    3. നിന്ന് ഫലങ്ങൾ നൽകിയിരിക്കുന്ന Kramer (2012) വൈകാരിക മലീനീകരണത്തിനെതിരായ ആയിരുന്നു (Kramer, Guillory, and Hancock 2014) (അതായത്, ആവശ്യമായ കൂടുതൽ പങ്കെടുക്കുന്നവരെ ഉണ്ടായിരുന്നത്) മേൽ സുസജ്ജമായ?
    4. നിങ്ങളുടെ കണക്കുകൂട്ടൽ ഏറ്റവും പ്രഭാവം നിങ്ങളോടു ഉണ്ടാക്കിയ സങ്കൽപ്പങ്ങൾ, എന്ന?
  6. [ വളരെ ഹാർഡ് , മാത്ത് ആവശ്യമാണ് , കോഡിങ് ആവശ്യമാണ് , എനിക്ക് പ്രിയപ്പെട്ടവ ] നേരത്തെ നിരീക്ഷണ പഠനം ഉപയോഗിച്ച് പകരം മുകളിൽ ചോദ്യത്തിന് ഉത്തരം, എന്നാൽ Kramer (2012) ഒരു നേരത്തെ സ്വാഭാവിക പരീക്ഷണം ഫലങ്ങൾ ഉപയോഗിക്കുക Coviello et al. (2014) .

  7. [ എളുപ്പമായ ] രണ്ട് Rijt et al. (2014) ഉം Margetts et al. (2011) രണ്ടും ഹർജി ഇൻ ജനങ്ങളുടെ പ്രക്രിയ പഠിക്കാൻ നടത്തിയിട്ടുണ്ട്. താരതമ്യം ചെയ്ത് ഈ പഠനങ്ങൾ രൂപകൽപന കണ്ടെത്തലുകൾ തീവ്രത.

  8. [ എളുപ്പമായ ] Dwyer, Maki, and Rothman (2015) സോഷ്യൽ മാനദണ്ഡങ്ങളും proenvironmental പെരുമാറ്റം തമ്മിലുള്ള ബന്ധം രണ്ടു ഫീൽഡ് പരീക്ഷണങ്ങൾ നടത്തി. ഇവിടെ അവരുടെ പേപ്പർ പ്രബന്ധത്തിന്റെ തുടർന്ന്:

    "എത്ര സൈക്കോളജിക്കൽ സയൻസ് proenvironmental സ്വഭാവം പ്രോത്സാഹിപ്പിക്കുന്നതിന് വിനിയോഗിച്ചു എന്തുകൊണ്ട്? രണ്ടു പഠനങ്ങളിൽ, പൊതു കുളിമുറി ഊർജ്ജ സംരക്ഷണ പെരുമാറ്റം പ്രമോട്ടുചെയ്യുന്നതിലൂടെ ലക്ഷ്യമിട്ടുള്ള ഇടപെടലുകൾ വിവരണാത്മക മാനദണ്ഡങ്ങളും വ്യക്തിപരമായ ഉത്തരവാദിത്വം സ്വാധീനത്തെയും പരിശോധിച്ചു. അധ്യയന 1 ഒരാളെ ക്രമീകരണത്തിനായി വിവരണാത്മക ധനാഗമ സിഗ്നലിങ്, ആളൊഴിഞ്ഞ പൊതു കുളിമുറി കടക്കുന്നതിനുമുമ്പു് നേരിയ നില (അതായത്, അല്ലെങ്കിൽ ഓഫ്) കൃത്രിമം ചെയ്തു. പങ്കെടുത്തവർ അവർ പ്രവേശിച്ചപ്പോൾ അവർ ആയിരുന്നു എങ്കിൽ ലൈറ്റുകൾ ഓഫാക്കാൻ ഗണ്യമായി സാധ്യതയും. അധ്യയന 2 ൽ ഒരു അധിക കണ്ടീഷൻ പ്രകാശം ഓഫുചെയ്യുന്നതിന് ധനാഗമ ഒരു സഖ്യത പ്രദർശനത്തിലൂടെ ചെയ്തു ഉൾപ്പെടുത്തിയിട്ടുണ്ട്, എന്നാൽ പങ്കെടുക്കുന്നവർ അത് തിരിഞ്ഞു ഉത്തരവാദിത്വം തങ്ങളെ ആയിരുന്നില്ല. വ്യക്തിപരമായ ഉത്തരവാദിത്തവും പെരുമാറ്റം സോഷ്യൽ മാനദണ്ഡങ്ങൾ സ്വാധീനം പബ്ലിക്; പങ്കെടുക്കുന്നവർ വെളിച്ചം തിരിഞ്ഞ് ഉത്തരവാദിയല്ല ആയിരുന്നപ്പോൾ ധനാഗമ സ്വാധീനം കുറഞ്ഞു ചെയ്തു. ഈ ഫലങ്ങൾ മാനദണ്ഡങ്ങളും വ്യക്തിപരമായ ഉത്തരവാദിത്വം proenvironmental ഇടപെടലുകൾ ഫലപ്രാപ്തി നിയന്ത്രിക്കുന്ന എങ്ങനെ വിവരണാത്മക സൂചിപ്പിക്കുന്നു. "

    അവരുടെ പേപ്പർ വായിക്കുകയും പഠിക്കുകയും 1 തനിപ്പകർപ്പെടുക്കൽ രൂപകൽപ്പന.

  9. [ ഇടത്തരം , ഡാറ്റ ശേഖരണം ] ഇപ്പോൾ, മുമ്പത്തെ ചോദ്യം കെട്ടിട നിങ്ങളുടെ ഡിസൈന് പുറത്തു കൊണ്ടുപോകും.

    1. എങ്ങനെ ഫലങ്ങൾ താരതമ്യം എന്തു?
    2. എന്താണ് ഈ വ്യത്യാസങ്ങൾ വിശദീകരിക്കാവുന്നതാണ്?
  10. [ ഇടത്തരം ] ആമസോൺ മെക്കാനിക്കൽ Turk ൽ റിക്രൂട്ട് പങ്കെടുക്കുന്നവരെ ഉപയോഗിച്ച് പരീക്ഷണങ്ങൾ കുറിച്ച് ഗണ്യമായ ചർച്ചയിൽ നടന്നിട്ടില്ല. സമാന്തരമായി അവിടെ പുറമേ ബിരുദ വിദ്യാർത്ഥി പോപ്പുലേഷനുകളിൽ റിക്രൂട്ട് പങ്കെടുക്കുന്നവരെ ഉപയോഗിച്ച് പരീക്ഷണങ്ങൾ കുറിച്ച് ഗണ്യമായ സംവാദത്തിന് നടന്നിട്ടില്ല. രണ്ട് പേജ് മെമ്മോ ഗവേഷകരും പങ്കെടുക്കുന്നവർ പോലെ Turkers ആൻഡ് ബിരുദ താരതമ്യത്തിനും വ്യത്യസ്ഥമാക്കുന്നു എഴുതുക. നിങ്ങളുടെ താരതമ്യം ശാസ്ത്രീയവും എത്തിക്കുന്നതിന്റെ ഇരു പ്രശ്നങ്ങൾ ചർച്ച ഉൾപ്പെടുത്തണം.

  11. [ എളുപ്പമായ ] ജിം Manzi പുസ്തകം നിയന്ത്രണാതീതമായ (2012) ബിസിനസ്സിൽ പരീക്ഷണങ്ങൾ ശക്തി ഒരു അത്ഭുതകരമായ അവതരണമാണ്. പുസ്തകത്തിൽ അദ്ദേഹം ഈ കഥ തീര്ത്തു:

    "ഞാൻ ഒരു യഥാർത്ഥ ബിസിനസ് ജീനിയസ്, പരീക്ഷണങ്ങൾ ശക്തി അഗാധമായ അവബോധജന്യവുമായ understating ഉണ്ടായിരുന്നു ഒരു സ്വയം ഉണ്ടാക്കി കോടീശ്വരന്മാരും കൂടിക്കാഴ്ച ഒരിക്കൽ ആയിരുന്നു. തന്റെ കമ്പനി പരമ്പരാഗത ജ്ഞാനം എന്നത് പറഞ്ഞതു പോലെ ഉപഭോക്താക്കൾക്ക് വർദ്ധിക്കുകയും വിൽപ്പന ആകർഷിക്കാൻ തന്നെ ആ വലിയ സ്റ്റോർ വിൻഡോ ഡിസ്പ്ലേകൾ സൃഷ്ടിക്കാൻ ശ്രമിക്കുന്നു കാര്യമായ വിഭവങ്ങൾ ചെലവഴിച്ചത്. ശ്രദ്ധാപൂർവ്വം വർഷം നീളുന്ന പരീക്ഷിച്ചു ഡിസൈൻ ഡിസൈൻ ശേഷം, വ്യക്തിയുടെ ടെസ്റ്റ് അവലോകനം സെഷനുകളിലായി വിദഗ്ധർ വിൽപന ഓരോ പുതിയ പ്രദർശന ഡിസൈൻ യാതൊരു കാര്യമായ കാര്യകാരണങ്ങളെ പ്രഭാവം കാണിക്കുന്ന ആചരിച്ചു. സീനിയർ മാർക്കറ്റിംഗ് ആൻഡ് ഇന്റർവ്യൂ എക്സിക്യുട്ടീവുകൾ ജയരാജന്മാരും ഈ ചരിത്ര പരിശോധന ഫലങ്ങൾ അവലോകനം സിഇഒ കൂടിക്കാഴ്ച. പരീക്ഷണാത്മക എല്ലാ ഡാറ്റയും അവതരിപ്പിക്കുന്നത് ശേഷം അവർ പരമ്പരാഗത ജ്ഞാനം അക്രമം ജാലകം ഡിസ്പ്ലേകൾ വിൽപ്പന ഓടിക്കരുത് നിഗമനം. അവരുടെ ശുപാർശ പ്രവർത്തനം ഈ പ്രദേശത്തെ ചിലവും കുറക്കാൻ ഇത് ആയിരുന്നു. ഈ നാടകീയമായി പരമ്പരാഗത ജ്ഞാനം വാദമുഖങ്ങളെ പരീക്ഷണങ്ങൾ കഴിവ് പ്രകടമാക്കി. സിഇഒ പ്രതികരണം ലളിതമായിരുന്നു: 'എൻറെ നിഗമനത്തിൽ നിങ്ങളുടെ ഡിസൈനർമാർ വളരെ നല്ല എന്നതാണ്.' അവന്റെ പരിഹാരം സ്റ്റോർ ഡിസ്പ്ലേ രൂപകൽപ്പനയിൽ ശ്രമം വർദ്ധിപ്പിക്കാൻ, പുതിയ ആളുകൾ അത് ചെയ്യണമെന്നു ആയിരുന്നു. " (Manzi 2012, 158–9)

    സി.ഇ.ഒ ആശങ്ക സാധുത ഏത് തരം?

  12. [ എളുപ്പമായ ] മുമ്പത്തെ ചോദ്യം പണിയുന്നത്, നീ എവിടെ പരീക്ഷണങ്ങൾ ഫലങ്ങൾ ചർച്ച ചെയ്തു യോഗത്തിൽ ആയിരുന്നു കരുതുക. (സ്റ്റാറ്റിസ്റ്റിക്കൽ, നിർമിക്കുക ആന്തരിക, എക്സ്റ്റേണൽ) നിങ്ങൾ ചോദിക്കാവുന്ന നാലു ചോദ്യങ്ങൾ, സാധുത ഓരോ തരം ഒന്നു എന്തൊക്കെയാണ്?

  13. [ എളുപ്പമായ ] Bernedo, Ferraro, and Price (2014) വിവരിച്ചിട്ടുള്ള വെള്ളം രക്ഷിക്കാനാവും ഇടപെടൽ ഏഴു വർഷം പ്രഭാവം പഠിക്കുന്ന Ferraro, Miranda, and Price (2011) (ചിത്രം 4.10 കാണുക). ഈ പ്രബന്ധത്തിൽ, Bernedo സഹപ്രവർത്തകരും പുറമേ ഞങ്ങൾക്കുണ്ട് ചികിത്സ ആയശേഷം നീക്കി ചെയ്യാത്ത കുടുംബങ്ങളുടെ സ്വഭാവം താരതമ്യം പ്രാബല്യത്തിൽ പിന്നിൽ മെക്കാനിസം മനസ്സിലാക്കാൻ അന്വേഷിക്കുന്നു. അത് ഏതാണ്ട്, അവർക്ക് ചികിത്സ വീട്ടിൽ അല്ലെങ്കിൽ മഹാദുരന്തത്തിന്റെ ബാധിച്ചതായി എന്ന് കാണാൻ ശ്രമിക്കുക ആണ്.

    1. പേപ്പർ വായിക്കുക അവരുടെ ഡിസൈൻ വിവരിക്കുക അവരുടെ കണ്ടെത്തലുകൾ വേണ്ടു. ബി) കണ്ടെത്തലുകൾ നിങ്ങൾക്ക് സമാനമായ ഇടപെടലുകൾ ചെലവ്-ഫലപ്രാപ്തി വിലയിരുത്താൻ വിധം സ്വാധീനിക്കില്ല ഇല്ലേ? അങ്ങനെയെങ്കിൽ, എന്തുകൊണ്ട്? ഇല്ലെങ്കിൽ എന്തു ചെയ്യാൻ?
  14. [ എളുപ്പമായ ] ഒരു ഫോളോ-അപ്പ് ൽ Schultz et al. (2007) , ഷൂട്സ് സഹപ്രവർത്തകരും രണ്ടു സന്ദർഭങ്ങൾ (ഒരു ഹോട്ടലും ഒരു ടൈംഷെയർ കെട്ടിടസമുച്ചയം) ഒരു വ്യത്യസ്തമായ പരിസ്ഥിതി പെരുമാറ്റം (ടവൽ പുനരുപരയോഗമില്ല) ലുള്ള വിവരണാത്മകവുമായിരിക്കുക നിരോധന മാനദണ്ഡങ്ങൾ പ്രാബല്യത്തിൽ മൂന്നു പരീക്ഷണങ്ങൾ ഒരു പരമ്പര നടത്തുന്നതിനായി (Schultz, Khazian, and Zaleski 2008) .

    1. ഈ മൂന്നു പരീക്ഷണങ്ങൾ രൂപകൽപന കണ്ടെത്തലുകൾ സംഗ്രഹിക്കുക.
    2. എങ്ങനെ ഒട്ടും പക്ഷം അവർ നിങ്ങളുടെ വ്യാഖ്യാനം മാറ്റാം Schultz et al. (2007) ?
  15. [ എളുപ്പമായ ] പ്രതികരണമായി Schultz et al. (2007) , Canfield, Bruin, and Wong-Parodi (2016) വൈദ്യുത ബില്ലുകൾ ഡിസൈൻ പഠിക്കാൻ ലാബ് പോലുള്ള പരീക്ഷണങ്ങൾ ഒരു പരമ്പര ഓടി. ഇവിടെ അവർ അമൂർത്തമായ അത് വിവരിക്കുക എങ്ങനെ:

    "ഒരു സർവേ അധിഷ്ഠിത പരീക്ഷണത്തിൽ ഓരോ പങ്കാളിയെയും ഒരു കുടുംബത്തിന് ഒരു സാങ്കൽപ്പിക വൈദ്യുതി ബിൽ താരതമ്യേന ഉയർന്ന വൈദ്യുതി ഉപയോഗം, (എ) ചരിത്രപരമായ ഉപയോഗവുമായി ബന്ധപ്പെട്ട വിവരങ്ങൾ മൂടുകയും കണ്ടു (ബി) അയൽക്കാർക്കും താരതമ്യത്തിനും, (സി) അപ്ലയൻസ് നിലച്ച കൂടെ ചരിത്രപരമായ ഉപയോഗം. പാർട്ടിസിപന്റ്സിന് (എ) പട്ടികകൾ ഉൾപ്പെടെ മൂന്നു ഫോർമാറ്റുകളിലൊന്ന് എല്ലാ വിവരങ്ങളും തരം, (ബി) ബാർ ഗ്രാഫുകൾ, (സി) ഐക്കൺ ഗ്രാഫുകൾ കണ്ടു. ഞങ്ങൾ മൂന്ന് പ്രധാന കണ്ടെത്തലുകൾ റിപ്പോർട്ട്. ആദ്യം, ഉപഭോക്താക്കൾക്ക് വൈദ്യുതി ഉപയോഗിക്കാവുന്ന വിവരങ്ങൾ ഓരോ തരം ഏറ്റവും അതിനെ ഒരു പലകയിൽ ഹാജരാക്കിയ വന്നപ്പോൾ, പട്ടികകൾ ലളിതമായ പോയിന്റ് വായന സുഗമമാക്കുന്നതിന് ഒരുപക്ഷേ കാരണം ഗ്രഹിച്ചു. രണ്ടാമത്തേത്, മുൻഗണനകൾ, വൈദ്യുതി സംരക്ഷിക്കാൻ മനോഭാവങ്ങളും ഫോർമാറ്റ് സ്വതന്ത്രമായ, ചരിത്രപരമായ ഉപയോഗം വിവരങ്ങൾക്ക് ശക്തമായ ആയിരുന്നു. മൂന്നാമതായി, ഊർജ്ജം കുറഞ്ഞ സാക്ഷരത വ്യക്തികൾ എല്ലാ വിവരങ്ങളും കുറവ് ഗ്രഹിച്ചു. "

    മറ്റ് ഫോളോ അപ്പ് പഠനങ്ങളിൽ വ്യത്യസ്തമായി, താത്പര്യം പ്രധാന ഫലമാണ് Canfield, Bruin, and Wong-Parodi (2016) പെരുമാറ്റം യഥാർത്ഥത്തിലുള്ള റിപ്പോർട്ട്. ഊർജ്ജ സേവിംഗ്സ് പ്രമോട്ടുചെയ്യുന്നതിലൂടെ വിശാലമായ ഗവേഷണ പ്രോഗ്രാമിൽ പഠനത്തിൽ ഈ തരത്തിലുള്ള ശക്തി ദൌർബല്യങ്ങളും എന്തൊക്കെയാണ്?

  16. [ ഇടത്തരം , എനിക്ക് പ്രിയപ്പെട്ടവ ] Smith and Pell (2003) പാരച്യൂട്ടുകൾ ഫലപ്രാപ്തി തെളിയിക്കുന്ന പഠനങ്ങൾ ഒരു ആക്ഷേപ മെറ്റാ അനാലിസിസ് ആണ്. അവർ നിഗമനം:

    "അനാരോഗ്യവും തടയാൻ ഉദ്ദേശിച്ചുള്ള നിരവധി ഇടപെടലുകൾ കാര്യത്തിലെന്ന പോലെ പാരച്യൂട്ടുകൾ ഫലപ്രാപ്തി ക്രമരഹിതമായ നിയന്ത്രിത പരീക്ഷണങ്ങൾ ഉപയോഗിച്ച് കഠിനതടവ് മൂല്യനിർണ്ണയത്തിൽ വിധേയമാക്കിയിരുന്നു ചെയ്തിട്ടില്ല. തെളിവുകൾ അടിസ്ഥാനമാക്കിയുള്ള വൈദ്യം വക്താക്കൾ മാത്രം നിരീക്ഷണ ഡാറ്റ ഉപയോഗിച്ച് വിലയിരുത്തുകയും ഇടപെടലുകൾ പുത്രത്വം വിമർശിച്ചിട്ടുണ്ട്. നാം തെളിവുകൾ അടിസ്ഥാനമാക്കിയുള്ള വൈദ്യം ഏറ്റവും സമൂലമായ കഥാപാത്രങ്ങളാകുന്ന സംഘടിപ്പിച്ച എങ്കിൽ എല്ലാവർക്കും പ്രയോജനം ഒരു ഇരട്ട കുരുടൻ, ക്രമരഹിതമായ നല്ലതാണ് നിയന്ത്രണത്തിലുള്ള പാരച്യൂട്ടിന്റെ എന്ന ക്രോസ്ഓവര് വിചാരണ പങ്കെടുത്തു തോന്നിയാൽ. "

    പരീക്ഷണാത്മക തെളിവുകളുടെ fetishization നേരെ വാദത്തോടെ അത്തരം ന്യൂയോർക്ക് ടൈംസ് പോലുള്ള ഒരു പൊതു വായനക്കാരുണ്ട് മൾട്ടി അനുയോജ്യമായ ഒരു അഭിപ്രായം-എഡിറ്റോറിയൽ എഴുതുക. നിർദ്ദിഷ്ട, കോൺക്രീറ്റ് ഉദാഹരണങ്ങൾ നൽകുക. സൂചന: ഇതും കാണുക, Bothwell et al. (2016) ഉം Deaton (2010)

  17. [ ഇടത്തരം , കോഡിങ് ആവശ്യമാണ് , എനിക്ക് പ്രിയപ്പെട്ടവ ] ഒരു ചികിത്സ പ്രഭാവം വ്യത്യാസം-ഇൻ-വ്യത്യാസങ്ങൾ estimators വ്യത്യാസം-ഇൻ-അർത്ഥമാക്കുന്ന estimators കൂടുതൽ കൃത്യമായ കഴിയും. ഒരു ഓൺലൈൻ പരീക്ഷണം പ്രവർത്തിപ്പിക്കുന്നതിനുള്ള വ്യത്യാസം-ഇൻ-വ്യത്യാസങ്ങൾ സമീപനം മൂല്യം വിശദീകരിക്കുന്ന ഒരു തുടക്കത്തിൽ സോഷ്യൽ മീഡിയ കമ്പനി എ / ബി പരിശോധനയുടെ ചുമതല ഒരു എഞ്ചിനീയർ ഒരു മെമോ എഴുതുക. മെമ്മോ പ്രശ്നത്തിന്റെ ഒരു പ്രസ്താവന വ്യത്യാസം-ഇൻ-വ്യത്യാസം എസ്റ്റിമേറ്റർ വ്യത്യാസം-ഇൻ-നീചനെയും എസ്റ്റിമേറ്റർ മറികടന്ന ചെയ്യും പ്രകാരം അവസ്ഥ കുറിച്ചുള്ള ചില സഹജാവബോധം, ഒരു ലളിതമായ സിമുലേഷൻ പഠനം ഉൾപ്പെടുത്തണം.

  18. [ എളുപ്പമായ , എനിക്ക് പ്രിയപ്പെട്ടവ ] ഗാരി Loveman Harrah ന്റെ സിഇഒ ലോകത്തെ ഏറ്റവും വലിയ കാസിനോ കമ്പനികളിലൊന്നായ മുൻപ് ഹാർവാർഡ് ബിസിനസ് സ്കൂളിൽ അദ്ധ്യാപകനായിരുന്നു. അവൻ Harrah ന്റെ നീക്കി സന്ദർഭം Loveman ഉപഭോക്തൃ പെരുമാറ്റത്തെക്കുറിച്ച് ഡാറ്റ വമ്പിച്ച തുക കൈപ്പറ്റിക്കൊണ്ട് ഒരു ഇടക്കിടെയുള്ള flier-പോലുള്ള ലോയൽറ്റി പ്രോഗ്രാം കമ്പനി രൂപാന്തരപ്പെടുന്നു. ഈ മുകളിൽ എപ്പോഴും-മെഷർമെന്റ് സിസ്റ്റം, കമ്പനി പരീക്ഷണങ്ങൾ പ്രവർത്തിക്കുന്ന തുടങ്ങി. ഉദാഹരണത്തിന്, ഒരു പ്രത്യേക ചൂതാട്ട പാറ്റേൺ ഉപഭോക്താക്കൾക്കായി ഒരു സ്വതന്ത്ര ഹോട്ടൽ രാത്രി ഒരു കൂപ്പൺ പ്രഭാവം വിലയിരുത്താൻ ഒരു പരീക്ഷണം പോയിവരേണ്ടതിന്നു. ഇവിടെ Loveman Harrah ന്റെ ദൈനംദിന ബിസിനസ്സ് പ്രവർത്തികളുടെ പരീക്ഷണങ്ങൾ പ്രാധാന്യം വിവരിച്ച എങ്ങനെ:

    "നിങ്ങൾ സ്ത്രീകളെ അധിക്ഷേപിക്കാതിരിക്കുകയും ചെയ്യുക പോലുള്ള നിങ്ങൾ മോഷ്ടിക്കരുതു, നിങ്ങൾ ഒരു നിയന്ത്രണ ഗ്രൂപ്പ് ഉണ്ട് ലഭിച്ചു അത്രയേയുള്ളൂ. ഇത് നിങ്ങൾ ഒരു നിയന്ത്രണ ഗ്രൂപ്പ് പ്രവർത്തിക്കുന്ന Harrah's-അല്ല നിങ്ങളുടെ ജോലി നഷ്ടപ്പെടും കഴിയുന്ന ഒരു കാര്യം. " (Manzi 2012, 146)

    Loveman അതു നിയന്ത്രണ ഗ്രൂപ്പ് ഉണ്ട് ലേക്ക് പ്രാധാന്യം കരുതിയാൽ എന്തുകൊണ്ട് ഒരു പുതിയ ജീവനക്കാരനെ ഒരു ഇമെയിൽ എഴുതുക. ഒരു ഉദാഹരണം-ഒന്നുകിൽ റിയൽ അല്ലെങ്കിൽ അപ്പ്-നിങ്ങളുടെ കാഴ്ചപ്പാട് തെളിയിക്കുവാൻ ഉണ്ടാക്കി ഉൾപ്പെടുത്താൻ ശ്രമിക്കണം.

  19. [ ഹാർഡ് , മാത്ത് ആവശ്യമാണ് ] ഒരു പുതിയ പരീക്ഷണം വാക്സിനേഷൻ uptake ടെക്സ്റ്റ് സന്ദേശം ഓർമ്മപ്പെടുത്തലുകൾ സ്വീകരിക്കുന്നത് പ്രാബല്യത്തിൽ കണക്കാക്കാൻ ലക്ഷ്യമിടുന്നത്. 150 ക്ലിനിക്കുകൾ, 600 യോഗ്യതയുള്ള രോഗികൾക്ക് ഓരോ, പങ്കെടുക്കാൻ തയ്യാറാണ്. നിങ്ങൾ പ്രവർത്തിക്കാൻ ആഗ്രഹിക്കുന്ന ഓരോ ക്ലിനിക് 100 ഡോളർ സ്ഥിര ചെലവ് ഉണ്ട്, അത് നിങ്ങളിൽ അയയ്ക്കേണ്ട ഓരോ വാചക സന്ദേശം 1 ഡോളർ വിലവരും. കൂടുതലായി, നിങ്ങൾ ജോലി ഏതെങ്കിലും ക്ലിനിക്കുകൾ സൗജന്യമായി ഫലമാണ് അളക്കും (ആരോ ഒരു വാക്സിനേഷൻ ലഭിച്ചു എന്ന്). നിങ്ങൾ 1000 ഡോളർ ബജറ്റ് ഞങ്ങൾ വിചാരിക്കുന്നു.

    1. എന്താണ് അവസ്ഥ അതു ക്ലിനിക്കുകൾ ഒരു ചെറിയ എണ്ണം എന്തു അവസ്ഥ ഇതിനാൽ വ്യാപകമായി വിതറി നല്ലത് ആകേണ്ടതിന്നു നിങ്ങളുടെ വിഭവങ്ങളും നല്ലത് ആകേണ്ടതിന്നു കീഴിൽ?
    2. എന്താണ് ഘടകങ്ങൾ നിങ്ങൾ വിശ്വസനീയമായി നിങ്ങളുടെ ബജറ്റ് കണ്ടെത്തുന്നതിനും കഴിയും ചെറിയ ഇഫക്ട് വലിപ്പം നിശ്ചയിക്കുന്നതാണെന്നും?
    3. ഒരു സാധ്യതകൾ funder ഈ വ്യാപാരം ഓഫിൽ വിശദീകരിക്കുന്ന ഒരു മെമ്മോ എഴുതുക.
  20. [ ഹാർഡ് , മാത്ത് ആവശ്യമാണ് ] ഓൺലൈൻ വരിയും വലിയ പ്രശ്നം കൊഴിഞ്ഞുപോക്ക് ആണ്; കോഴ്സുകൾ ആരംഭിക്കുമ്പോൾ വിദ്യാർത്ഥികളും ഇറ്റിറ്റു-ഔട്ട് നശിക്കുകയും. ഒരു ഓൺലൈൻ പഠനസംരംഭം ജോലി നടത്തുന്നതെന്നും പ്ലാറ്റ്ഫോമിൽ ഒരു ഡിസൈനർ അവൾ കോഴ്സ് നിന്നു ഇറ്റിറ്റു വിദ്യാർത്ഥികൾ തടയാൻ സഹായിക്കും കരുതുന്ന ഒരു ദൃശ്യ പുരോഗതി ബാർ സൃഷ്ടിച്ചു സങ്കൽപ്പിക്കുക. നിങ്ങൾ ഒരു വലിയ കമ്പ്യൂട്ടേഷണൽ സോഷ്യൽ സയൻസ് കോഴ്സ് വിദ്യാർത്ഥികളുടെ പുരോഗതി ബാർ പ്രഭാവം പരീക്ഷിക്കേണ്ടിയുള്ളൂ. പരീക്ഷണം അൻപതിനായിരത്തിലധികം ഏതെങ്കിലും നൈതിക പ്രശ്നങ്ങൾ അഭിസംബോധന ശേഷം, നിങ്ങൾ നിങ്ങളുടെ സഹപ്രവർത്തകർ കോഴ്സ് വിശ്വസനീയമായി പുരോഗതി ബാർ ഇഫക്റ്റുകൾ കൃത്യതയോടെ കണ്ടെത്താൻ വിദ്യാർഥികളെ ഇല്ല എന്ന് ചൂണ്ടികാട്ടിയാണിത് നേടുകയും. നിങ്ങൾ ചുവടെയുള്ള കണക്കുകൂട്ടലുകളിൽ വിദ്യാർത്ഥികളുടെ പാതി പുരോഗതി ബാർ ലഭിക്കും ഒന്നര ചെയ്യുക ഏറ്റെടുക്കാം. കൂടുതലായി, നിങ്ങൾ യാതൊരു ഇടപെടലുകളും ഇല്ല കരുതാമോ. മറ്റു വാക്കുകളിൽ, പങ്കെടുക്കുന്നവരിൽ മാത്രമേ അവർക്ക് ചികിത്സ അല്ലെങ്കിൽ നിയന്ത്രണ നൽകപ്പെട്ടോ ബാധിച്ച കരുതാമോ; അവർ മറ്റ് ആളുകൾ ചികിത്സ അല്ലെങ്കിൽ നിയന്ത്രണ നൽകപ്പെട്ടോ വഴി പ്രാബല്യത്തിൽ അല്ല (, കൂടുതൽ ഔപചാരിക ഡെഫനിഷൻ കാണും Gerber and Green (2012) സി.എച്ച്. 8). നിങ്ങൾ വരുത്തുന്ന ഏതെങ്കിലും കൂടുതൽ അനുമാനങ്ങൾ ട്രാക്ക് നിലനിർത്തുക.

    1. വിശ്വസനീയമായി ഇഫക്റ്റ് കണ്ടെത്തുന്നതിനും ആവശ്യമായ സാമ്പിൾ വലിപ്പം എന്താണെന്ന്, പുരോഗതി ബാർ 1 ശതമാനം ഗാവസ്കറുടെ പൂർത്തിയാക്കുന്നതിന് വിദ്യാർഥികൾ അനുപാതത്തിൽ വർധിക്കുമെന്നാണ് കരുതുന്നത് കരുതുക?
    2. പുരോഗതി ബാർ കരുതുക, 10 ശതമാനം ക്ലാസ് പൂർത്തിയാക്കുന്നതിന് വിദ്യാർഥികൾ അനുപാതത്തിൽ വർദ്ധിപ്പിക്കാൻ വിശ്വസനീയമായി ഇഫക്റ്റ് കണ്ടെത്തുന്നതിനും ആവശ്യമായ സാമ്പിൾ വലിപ്പം എന്താണെന്ന് പ്രതീക്ഷിക്കുന്നത്?
    3. ഇപ്പോൾ നിങ്ങൾക്ക് കോഴ്സ് മെറ്റീരിയലുകൾ ഒരു അവസാന പരീക്ഷ കിട്ടിയില്ല പൂർത്തിയാക്കിയ പരീക്ഷണം വിദ്യാർഥികളുടെയും കുറയും കരുതുക. നിങ്ങൾ ചെയ്തതുപോലെ ആ പുരോഗതി ബാർ ലഭിച്ച വിദ്യാർഥികൾ അവസാന പരീക്ഷ സ്കോർ താരതമ്യം ചെയ്യുമ്പോൾ, നിങ്ങളുടെ സർപ്രൈസ് വളരെ, പുരോഗതി ബാർ ലഭിച്ചില്ല വിദ്യാർഥികളിൽ കൂടിയ നേടിയ കണ്ടെത്താൻ. ഈ പുരോഗതി ബാർ വിദ്യാർത്ഥികൾക്ക് കുറവ് പഠിക്കാൻ പരത്തിയ അർഥം? ഈ അനന്തരഫലം ഡാറ്റ എന്തു പഠിക്കാൻ കഴിയും? (സൂചന: കാണുക Gerber and Green (2012) . സി.എച്ച് 7)
  21. [ വളരെ ഹാർഡ് , കോഡിങ് ആവശ്യമാണ് ] മനോഹരവും പേപ്പർ, ൽ Lewis and Rao (2015) മനോനില പോലും വൻതോതിൽ പരീക്ഷണത്തിന്റെ അടിസ്ഥാനപരമായ സ്ഥിതിവിവര പരിമിതി വിശദീകരിയ്ക്കുന്നു. പേപ്പർ-യഥാർത്ഥത്തിൽ പ്രകോപനപരമായ ശീർഷകം ഉണ്ടായിരുന്നു "പരസ്യ മടങ്ങുന്നു അളന്നു സമീപ-impossibility ന്" പോലും ഉപഭോക്താക്കൾ ദശലക്ഷക്കണക്കിന് ഉൾപ്പെട്ട ഡിജിറ്റൽ പരീക്ഷണങ്ങൾ, ഓൺലൈൻ പരസ്യങ്ങൾ നിക്ഷേപം മടക്കം അളക്കാൻ എത്ര പ്രയാസമാണ് -shows. കൂടുതൽ സാധാരണയായി, പേപ്പർ വ്യക്തമായി ശബ്ദായമാനമായ പരിണതി ഡാറ്റ അനുഷ്ഠിക്കുമ്പോൾ ചെറിയ ചികിത്സ പ്രഭാവം കണക്കാക്കാൻ കഠിനമാണെന്ന് കാണിക്കുന്നു. അല്ലെങ്കിൽ diffently പ്രസ്താവിച്ചു, പേപ്പർ ആഘാതം-ടു-സ്റ്റാൻഡേർഡ്-ഡീവിയേഷൻ (\ (\ frac {\ ഡെൽറ്റാ \ ബാർ {Y}} {\ സിഗ്മ} \)) അനുപാതം ചെറിയ വരുമ്പോൾ ഏകദേശ ചികിത്സ ഇഫക്റ്റുകൾ വലിയ ആത്മവിശ്വാസം ഇടവേളകളിൽ ഉണ്ടാകും കാണിക്കുന്നു. ഈ പേപ്പറിൽ നിന്നും പ്രധാനപ്പെട്ട ജനറൽ പാഠം ചെറിയ ആഘാതം-ടു-സ്റ്റാൻഡേർഡ്-ഡീവിയേഷൻ അനുപാതം (ഉദാ, പരസ്യ കാമ്പെയ്നുകളുടെ വെണ്ടക്കക്ക്) കൊണ്ട് പരീക്ഷണം നിന്നുള്ള ഫലങ്ങൾ തന്നെങ്കിലും എന്നതാണ്. നിങ്ങളുടെ വെല്ലുവിളി ഒരു പരസ്യ പ്രചാരണത്തിന്റെ വെണ്ടക്കക്ക് അളക്കാൻ ഒരു ആസൂത്രിതമായ പരീക്ഷണം evaluting നിങ്ങളുടെ കമ്പനിക്ക് മാർക്കറ്റിംഗ് വകുപ്പിൽ ആർക്കെങ്കിലും ഒരു മെമ്മോ എഴുതാൻ ആയിരിക്കും. നിങ്ങളുടെ മെമ്മോ കമ്പ്യൂട്ടർ അനുകരണങ്ങളിൽ എന്ന ഫലങ്ങൾ ഗ്രാഫുകൾക്കുമൊപ്പം പിന്തുണയ്ക്കുന്ന വേണം.

    ഇവിടെ നിങ്ങൾ വേണമെങ്കിൽ ചില പശ്ചാത്തല വിവരങ്ങൾ ഇതാ. ഈ സംഖ്യാ മൂല്യങ്ങൾ എല്ലാ റിപ്പോർട്ട് യഥാർത്ഥ പരീക്ഷണങ്ങളുടെ താരതമ്യേന Lewis and Rao (2015) :

    • വെണ്ടക്കക്ക്, ഓൺലൈൻ പരസ്യ കാമ്പെയ്നുകൾക്കായി കീ മെട്രിക്, പ്രചാരണം (പ്രചാരണത്തിന്റെ പ്രചാരണ മൈനസ് ചിലവു നിന്ന് മൊത്തം ലാഭം) പ്രചാരണത്തിന്റെ ചിലവു ഹരിച്ച് നിന്ന് അറ്റാദായം ആയിരിക്കുമെന്ന് നിർവചിച്ചിരിക്കുന്നത്. ഉദാഹരണത്തിന് വിൽപ്പന യാതൊരു വ്യത്യാസവും കണ്ട ഒരു പ്രചാരണം -100% ഒരു വെണ്ടക്കക്ക് ലഭിക്കുമായിരുന്നു ഒപ്പം ലാഭങ്ങള് ചെലവ് തുല്യമാണ് എവിടെ ഒരു കാമ്പെയ്ൻ 0 ഒരു വെണ്ടക്കക്ക് ലഭിക്കുമായിരുന്നു.

    • കസ്റ്റമർക്ക് മാധ്യത്തിൽ വിൽപ്പന $ 75 ഒരു ഓട കൂടി $ 7 ആണ്.

    • കാമ്പെയ്ൻ കസ്റ്റമർക്ക് $ 0,175 ലാഭം വർദ്ധനവ് യോജിക്കുന്ന കസ്റ്റമർക്ക് $ 0.35 ഓടെ വിൽപ്പന വർധിക്കുമെന്നാണ് കരുതുന്നത്. മറ്റു വാക്കുകളിൽ, മൊത്ത മാർജിൻ 50% ആണ്.

    • പരീക്ഷണത്തിന്റെ ആസൂത്രണം വലിപ്പം നിയന്ത്രണം ഗ്രൂപ്പിൽ 200,000 ആളുകൾ, ചികിത്സ ഗ്രൂപ്പിൽ പകുതിയും പകുതിയും ആണ്.

    • പ്രചാരണത്തിന്റെ കുറഞ്ഞ പങ്കാളിയല്ലാതെ ശതമാനം $ 0,14 ആണ്.

    ഈ പരീക്ഷണം evaluting ഒരു മെമ്മോ എഴുതുക. ആസൂത്രണം ചെയ്ത പോലെ നിങ്ങൾ ഈ പരീക്ഷണം ലോഞ്ച് തോറ്റു? അങ്ങനെയെങ്കിൽ, എന്തുകൊണ്ട്? ഇല്ലെങ്കിൽ, നിങ്ങൾ എന്തു മാറ്റങ്ങൾ ശുപാർശ ചെയ്യുക?

    ഒരു നല്ല മെമ്മോ ഈ നിർദ്ദിഷ്ട കേസ് അഭിസംബോധന ചെയ്യും; ഒരു മികച്ച മെമ്മോ (ഉദാ, ഇംപാക്ട്-ടു-സ്റ്റാൻഡേർഡ്-ഡീവിയേഷൻ അനുപാതം ഒരു ചടങ്ങിൽ എങ്ങനെ തീരുമാനം മാറ്റങ്ങൾ കാണിക്കുക) ഒരു വഴിയായി ഈ കേസ് സാമാന്യവത്കരിക്കുകയെന്നാൽ ചെയ്യും; ഒരു വലിയ മെമ്മോ ഒരു പൂർണ്ണമായി സാമാന്യമായി ഫലം അവതരിപ്പിക്കും.

  22. [ വളരെ ഹാർഡ് , മാത്ത് ആവശ്യമാണ് ] നിങ്ങൾ വിശകലന ഫലങ്ങളും ഉപയോഗിക്കണം സിമുലേഷൻ, മുമ്പത്തെ ചോദ്യം അതേ മറിച്ച് അധികം നടത്തുക.

  23. [ വളരെ ഹാർഡ് , മാത്ത് ആവശ്യമാണ് , കോഡിങ് ആവശ്യമാണ് ] മുമ്പത്തെ ചോദ്യം അതേ, എന്നാൽ സിമുലേഷൻ വിശകലന ഫലങ്ങളിലും ഉപയോഗിക്കുക.

  24. [ വളരെ ഹാർഡ് , മാത്ത് ആവശ്യമാണ് , കോഡിങ് ആവശ്യമാണ് ] നിങ്ങൾ സിമുലേഷൻ ഒന്നുകിൽ, വിശകലന ഫലങ്ങൾ, അല്ലെങ്കിൽ മുകളിലുള്ള-ഉപയോഗിച്ച് വിവരിച്ച മെമ്മോ എഴുതിയ രണ്ടും-വിപണനവും വകുപ്പിൽ ആരെങ്കിലും പകരം മാർഗ്ഗങ്ങളിലൂടെ എസ്റ്റിമേറ്റർ ഒരു വ്യത്യാസം ഒരു വ്യത്യാസം-ഇൻ-വ്യത്യാസങ്ങൾ എസ്റ്റിമേറ്റർ ഉപയോഗിച്ച് ശുപാർശ (വിഭാഗം 4.6.2 കാണുക) സങ്കൽപ്പിക്കുക . പരീക്ഷണം ശേഷം പരീക്ഷണം മുമ്പിൽ വിൽപ്പന വിൽപ്പന തമ്മിൽ ഒരു 0.4 പഠനഫലം നിങ്ങളുടെ നിഗമനത്തിൽ മാറ്റുമെന്നതിനാൽ എങ്ങനെ വിശദീകരിക്കുന്ന ഒരു പുതിയ ഹ്രസ്വമായ മെമ്മോ എഴുതുക.

  25. [ ഹാർഡ് , മാത്ത് ആവശ്യമാണ് ] ഒരു പുതിയ വെബ് അധിഷ്ഠിത കരിയർ സേവനം, ഒരു യൂണിവേഴ്സിറ്റി കരിയർ സേവനങ്ങൾ ഓഫീസ് ഫലപ്രാപ്തി മൂല്യനിർണ്ണയിക്കാൻ സ്കൂൾ അവസാന വർഷ നൽകിക്കൊണ്ട് 10,000 വിദ്യാർത്ഥികൾക്കിടയിൽ ഒരു ക്രമരഹിതമായ നിയന്ത്രണം ട്രയൽ നടത്തി. അതുല്യമായ ലോഗ് ഇൻ വിവരങ്ങൾ സൗജന്യമായി സബ്സ്ക്രിപ്ഷൻ മറ്റ് 5,000 വിദ്യാർത്ഥികൾ നിയന്ത്രണം ഗ്രൂപ്പിൽ, ഒരു സബ്സ്ക്രിപ്ഷൻ ഇല്ല അതേസമയം, ക്രമരഹിതമായി തിരഞ്ഞെടുത്ത വിദ്യാർത്ഥികൾ 5,000 ഒരു എക്സ്ക്ലൂസീവ് ഇമെയിൽ ക്ഷണം അയച്ചു. പന്ത്രണ്ട് മാസം കഴിഞ്ഞ് ഒരു ഫോളോ-അപ്പ് സർവേ (ഒന്നുമില്ല പ്രതികരണത്തിൽ) രണ്ടും ചികിത്സ നിയന്ത്രണവും ഗ്രൂപ്പുകൾ വിദ്യാർത്ഥികളുടേയും 70% തിരഞ്ഞെടുത്ത ഫീൽഡ് (പട്ടിക 4.5) ൽ മുഴുസമയ തൊഴിൽ കരസ്ഥമാക്കിയിട്ടുണ്ടെങ്കിൽ കാണിക്കുന്നു. അതുകൊണ്ട്, വെബ് അധിഷ്ഠിത സേവനം ഫലമില്ല ഉള്ളതെന്ന് തോന്നുന്നു.

    എന്നാൽ സർവ്വകലാശാലയിലെ സമർഥമായ ഡാറ്റ ശാസ്ത്രജ്ഞൻ കുറച്ചധികം അടുത്തുനിന്ന് ഡാറ്റ നോക്കി ചികിത്സ ഗ്രൂപ്പിൽ വിദ്യാർത്ഥികളുടെ മാത്രം 20% എന്നേക്കും ഇമെയിൽ ലഭിച്ച് അക്കൗണ്ടിൽ ലോഗിൻ കണ്ടെത്തി. എന്നുതന്നെയല്ല, ഒപ്പം അല്പമെങ്കിലും അത്ഭുതമെന്നു, വെബ്സൈറ്റിലേക്ക് മാത്രം 60% ലോഗ് ചെയ്തവരുടെ കൂട്ടത്തിൽ ലോഗിൻ വന്നില്ല ജനങ്ങൾക്ക് നിരക്ക് താഴെയും ജനങ്ങൾക്ക് നിരക്ക് കുറവാണ് അവരുടെ തിരഞ്ഞെടുത്ത ഫീൽഡിൽ മുഴുസമയ തൊഴിൽ ലഭിച്ചു നിയന്ത്രണം കണ്ടീഷൻ (പട്ടിക 4.6).

    1. സംഭവിച്ച എന്തു ഒരു വിശദീകരണം നൽകുക.
    2. ഈ പരീക്ഷണത്തിൽ ചികിത്സ പ്രാബല്യത്തിൽ കണക്കുകൂട്ടാൻ രണ്ടു വ്യത്യസ്ത മാർഗങ്ങൾ എന്തൊക്കെയാണ്?
    3. ഈ ഫലം കണക്കിലെടുക്കുമ്പോൾ യൂണിവേഴ്സിറ്റി കരിയർ സേവനം എല്ലാ വിദ്യാർത്ഥികൾക്കും ഈ വെബ് അധിഷ്ഠിത കരിയർ സേവനം നൽകാൻ എന്തുകൊണ്ട്? വെറും വ്യക്തമായ വേണം ഇതു ഒരു ലളിതമായ ഉത്തരം ഒരു ചോദ്യമല്ല.
    4. അടുത്ത എന്തു ചെയ്യണം?

    സൂചന: ഈ ചോദ്യം ഈ അധ്യായത്തിൽ മൂടി മെറ്റീരിയൽ അപ്പുറം പോകുന്ന, പക്ഷേ പരീക്ഷണങ്ങളിൽ സാധാരണ വിഷയങ്ങളിൽ. പങ്കെടുക്കുന്നവർ ചികിത്സ ഏർപ്പെടാൻ പ്രോത്സാഹിപ്പിക്കുന്നു കാരണം പരീക്ഷണാത്മക ഡിസൈൻ ഈ തരം ചിലപ്പോൾ ഒരു പ്രോത്സാഹനം ഡിസൈൻ വിളിക്കുന്നു. ഈ പ്രശ്നം (കാണാൻ ഏകപക്ഷീയമായ നോൺ-പാലിക്കൽ എന്നുവിളിക്കുന്നതാക്കി ഉദാഹരണം Gerber and Green (2012) സി.എച്ച്. 5)

  26. [ ഹാർഡ് ] കൂടുതൽ പരീക്ഷ ശേഷം, മുമ്പത്തെ ചോദ്യം വിവരിച്ചിട്ടുള്ള പരീക്ഷണം കൂടുതൽ സങ്കീർണ്ണമായ ആയിരുന്നു മാറുകയാണെങ്കിൽ. ഇത് സേവനം ആക്സസ്സ് അടച്ച നിയന്ത്രണം ഗ്രൂപ്പിൽ ജനവിഭാഗങ്ങളും 10% മാറുകയാണെങ്കിൽ, അവർ 65% (പട്ടിക 4.7) ഒരു തൊഴിൽ നിരക്ക് അവസാനിച്ച.

    1. നിങ്ങൾ ചിന്തിക്കുന്നത് സംഗ്രഹിച്ചുകൊണ്ട് ഒരു ഇമെയിൽ സംഭവിക്കുന്നത് എഴുതുക ആക്ഷൻ ഒരു ഗതി ശുപാർശ.

    സൂചന: ഈ ചോദ്യം ഈ അധ്യായത്തിൽ മൂടി മെറ്റീരിയൽ അപ്പുറം പോകുന്ന, പക്ഷേ പരീക്ഷണങ്ങളിൽ സാധാരണ വിഷയങ്ങളിൽ. ഈ പ്രശ്നം (കാണാൻ രണ്ടു-വശങ്ങളുള്ള നോൺ-പാലിക്കൽ എന്നുവിളിക്കുന്നതാക്കി ഉദാഹരണം Gerber and Green (2012) സി.എച്ച്. 6)

പട്ടിക 4.5: കരിയർ സേവനങ്ങൾ പരീക്ഷണം നിന്നുള്ള ഡാറ്റയുടെ ലളിതമായ കാഴ്ച.
ഗ്രൂപ്പ് വലുപ്പം തൊഴിൽ നിരക്ക്
വെബ്സൈറ്റ് നൽകിയ അക്സസ് 5000 70%
വെബ്സൈറ്റ് ആക്സസ് അനുവദിച്ചു അല്ല 5000 70%
പട്ടിക 4.6: കരിയർ സേവനങ്ങൾ പരീക്ഷണം നിന്നുള്ള ഡാറ്റയുടെ കൂടുതൽ പൂർണ്ണമായ കാഴ്ച.
ഗ്രൂപ്പ് വലുപ്പം തൊഴിൽ നിരക്ക്
വെബ്സൈറ്റ് ആക്സസ് അനുവദിച്ചു, ഒപ്പം ലോഗിൻ 1000 60%
വെബ്സൈറ്റ് ആക്സസ് നൽകുകയും, ഒരിക്കലും ലോഗ് 4000 85%
വെബ്സൈറ്റ് ആക്സസ് അനുവദിച്ചു അല്ല 5000 70%
പട്ടിക 4.7: കരിയർ സേവനങ്ങൾ പരീക്ഷണം നിന്നുള്ള ഡാറ്റയുടെ പൂർണ്ണ കാഴ്ച.
ഗ്രൂപ്പ് വലുപ്പം തൊഴിൽ നിരക്ക്
വെബ്സൈറ്റ് ആക്സസ് അനുവദിച്ചു, ഒപ്പം ലോഗിൻ 1000 60%
വെബ്സൈറ്റ് ആക്സസ് നൽകുകയും, ഒരിക്കലും ലോഗ് 4000 72.5%
വെബ്സൈറ്റ് ആക്സസ് അനുവദിച്ചു അതു പണം 500 65%
വെബ്സൈറ്റ് ആക്സസ് അനുവദിച്ചു അതു അടയ്ക്കും ചെയ്തില്ല അല്ല 4500 70,56%