गतिविधिहरु

प्रमुख:

• कठिनाई डिग्री: सजिलो , मध्यम , हार्ड , धेरै कडा
• गणित आवश्यक ( )
• आवश्यक कोडिङ ( )
• डाटा संग्रह ( )
• मेरो प्यारो ( )

1. [ , ] अध्याय मा, म पोस्ट-स्तरीकरण बारेमा धेरै सकारात्मक थियो। तर, यो सधैं अनुमान गुणस्तर सुधार छैन। पोस्ट-स्तरीकरण गर्न सक्नुहुन्छ जहाँ अनुमान गुणस्तर कम गर्न सक्छन् अवस्थामा निर्माण। (सुझावको लागि, हेर्न Thomsen (1973) )।

2. [ , , ] डिजाइन र बन्दूक स्वामित्व बारेमा सोध्न अमेजन MTurk मा एक गैर-सम्भावना सर्वेक्षण सञ्चालन ( "स्वामित्व एक बन्दूक, राइफल तपाईं के, वा आफ्नो परिवारमा कसैले गर्छ, वा पिस्तौल? छ कि तिमी वा आफ्नो परिवारमा अरू कसैले?") र बन्दूक नियन्त्रण तिर मनोवृत्ति ( "तपाईंलाई लाग्छ कि के बन्दुक स्वामित्व, वा बन्दूक स्वामित्व नियन्त्रण गर्न अमेरिका सही रक्षा थप गर्न महत्त्वपूर्ण-छ?")।

   1. आफ्नो सर्वेक्षण कसरी लामो ले? यो कति खर्च गर्छ? आफ्नो नमूनाको डेमोग्राफिकहरूको अमेरिकी जनसंख्या को डेमोग्राफिकहरूको कसरी तुलना गर्नुहुन्छ?
   2. तपाईंको नमूना प्रयोग बन्दूक स्वामित्व को कच्चा अनुमान के छ?
   3. पोस्ट-स्तरीकरण वा केही अन्य प्रविधी प्रयोग गरेर आफ्नो नमूनाको गैर-representativeness लागि सही। अब बन्दूक स्वामित्व को अनुमान के छ?
   4. तपाईंको अनुमान बेंच अनुसन्धान केन्द्र देखि नवीनतम अनुमान गर्न कसरी तुलना गर्नुहुन्छ? के तपाईं त्यहाँ कुनै पनि छ भने, फर्क व्याख्या लाग्छ?
   5. बन्दूक नियन्त्रण तिर मनोवृत्ति लागि व्यायाम 2-5 दोहोर्याउनुहोस्। आफ्नो निष्कर्ष कसरी फरक छ?

3. [ , , ] Goel र सहयोगिहरु (2016) एक गैर-सम्भावना आधारित सर्वेक्षण 49 धेरै-विकल्प attitudinal अमेजन MTurk मा बेंच अनुसन्धान केन्द्र द्वारा सामान्य सामाजिक सर्वेक्षण (GSS) र सर्वेक्षण चयन देखि आएको प्रश्नहरू मिलेर प्रशासित। तिनीहरू त मोडेल आधारित पोस्ट-स्तरीकरण (श्री पी) को प्रयोग गरेर डाटा को गैर-representativeness लागि समायोजन, र सम्भावना आधारित GSS / बेंच सर्वेक्षण प्रयोग अनुमानित ती संग समायोजित अनुमान तुलना गर्नुहोस्। MTurk मा नै सर्वेक्षण सञ्चालन र GSS / बेंच को हालैको दौर देखि अनुमान तपाईंको समायोजित अनुमान तुलना गरेर चित्र 2a र चित्रा 2b दोहराने प्रयास (49 प्रश्न सूची लागि परिशिष्ट तालिका A2 हेर्नुहोस्)।

   1. तुलना गर्नुहोस् र बेंच र GSS देखि परिणाम आफ्नो परिणाम भिन्नता।
   2. तुलना गर्नुहोस् र मा MTurk सर्वेक्षण देखि परिणाम आफ्नो परिणाम भिन्नता Goel, Obeng, and Rothschild (2016) ।

4. [ , , ] थुप्रै अध्ययन मोबाइल फोन गतिविधि डेटा को आत्म-रिपोर्ट उपाय प्रयोग गर्नुहोस्। यो एक रोचक सेटिङ अनुसन्धानकर्ताहरूले तुलना गर्न सक्छन् जहाँ Logged व्यवहार संग आत्म-रिपोर्ट व्यवहार छ (हेर्नुहोस् जस्तै, Boase and Ling (2013) )। कल छन् र पाठ र दुई साधारण समय फ्रेम बारेमा सोध्न दुई साधारण व्यवहार "गत हप्ता मा।" "हिजो" र छन्

   1. थप सही छ तपाईं लाग्छ सेल्फ-रिपोर्ट को जो उपाय कुनै पनि डाटा, सङ्कलन अघि? किन?
   2. आफ्नो सर्वेक्षण मा हुन आफ्नो मित्र को 5 रंगरुट। कृपया छोटकरीमा यी 5 मित्र नमूना थिए कसरी संक्षेप। यो नमूना प्रक्रिया आफ्नो अनुमान विशिष्ट पक्षपात induce सक्छ?
   3. कृपया उनीहरूलाई निम्न माइक्रो-सर्वेक्षण सोध्छन्:
   • "तपाईं मोबाइल फोन कति पटक हिजो अरूलाई कल गर्न प्रयोग गर्नुभयो?"
   • "तपाईं कसरी धेरै पाठ सन्देशहरू हिजो पठाउन गर्नुभयो?"
   • "तपाईंले आफ्नो मोबाइल फोन कति पटक अन्तिम सात दिनमा अरूलाई कल गर्न प्रयोग गर्नुभयो?"
   • आफ्नो फोन वा सेवा प्रदायक द्वारा लग रूपमा सर्वेक्षण पूरा भएपछि "धेरै पटक तपाईं पठाउन वा अन्तिम सात दिनमा पाठ सन्देशहरू / एसएमएस प्राप्त? आफ्नो मोबाइल फोन प्रयोग कसरी", आफ्नो उपयोग डाटा जाँच गर्न अनुरोध।
   4. आत्म-रिपोर्ट उपयोग कसरी लग डेटा तुलना गरे? जो जो कम्तिमा सही छ, सबै भन्दा सही छ?
   5. अब तपाईं अन्य मान्छे देखि आफ्नो वर्ग मा डाटा संग संकलित (यदि तपाईं एक वर्ग को लागि यो गतिविधि गरिरहेका छन्) छन् कि डाटा संयोजन। यो ठूलो डेटासेटको संग, भाग (घ) दोहोर्याउनुहोस्।

5. [ , ] Schuman र Presser (1996) भन्ने प्रश्न आदेश प्रश्नहरू बीचको सम्बन्ध दुई प्रकारका लागि कुरा थियो तर्क: कहाँ दुई प्रश्नको विशिष्टता को नै स्तर मा हो भाग-भाग प्रश्नहरू (जस्तै दुई राष्ट्रपति उम्मेदवारको मूल्यांकन); र भाग-सारा प्रश्नहरू जहाँ एक सामान्य प्रश्न थप विशिष्ट प्रश्न निम्नानुसार (जस्तै द्वारा अनुगमन सोधेर "आफ्नो काम छन् कसरी सन्तुष्ट?" "आफ्नो जीवनको छन् कसरी सन्तुष्ट?")।

   तिनीहरूले थप प्रश्न क्रम प्रभाव दुई प्रकारका चिनारी: स्थिरता प्रभाव एक पछि प्रश्न प्रतिक्रियाहरू नजिक (तिनीहरूले अन्यथा हुनेछ भन्दा) पहिलेको प्रश्न गर्न दिइएको ती ल्याइएको गर्दा हुन्छ; प्रभाव भिन्नता त्यहाँ दुई प्रश्नहरूको प्रतिक्रियाहरू बीच ठूलो मतभेद हुँदा आउँदैन।

   1. कि तपाईंलाई लाग्छ कि एक ठूलो प्रश्न क्रम प्रभाव, कि तपाईं एक ठूलो अर्डर प्रभाव हुनेछ लाग्छ भाग-सारा प्रश्नहरू एक जोडी, र प्रश्न जसको क्रम तपाईंलाई लाग्छ कि फरक छैन अर्को जोडी हुनेछ भाग-भाग प्रश्नहरू एक जोडी सिर्जना गर्नुहोस्। तपाईंको प्रश्न परीक्षण गर्न MTurk मा एक सर्वेक्षण प्रयोग चलाउनुहोस्।
      
   2. भाग-भाग प्रभाव कसरी ठूलो तपाईं सिर्जना गर्न सके थियो? यो एक स्थिरता वा विपरीत प्रभाव थियो?
   3. भाग-सारा प्रभाव कसरी ठूलो तपाईं सिर्जना गर्न सके थियो? यो एक स्थिरता वा विपरीत प्रभाव थियो?
   4. तपाईंको जोडी एक प्रश्न क्रम प्रभाव तपाईंलाई लाग्छ कि छैन जहाँ गरे क्रम फरक थियो थियो?

6. [ , ] Schuman र Presser, काम मा निर्माण Moore (2002) थपिएको र subtractive: प्रश्न क्रम प्रभाव को एक अलग आयाम वर्णन गर्दछ। जबकि विपरीत र स्थिरता प्रभाव दुई वस्तुहरूको उत्तरदाताओं 'मूल्यांकन को एक परिणाम एकअर्कालाई, अतिरिक्त को सम्बन्ध मा उत्पादन गर्दै छन् र उत्तरदाताओं प्रश्नहरूको खडा छन् जो भित्र ठूलो रूपरेखा थप संवेदनशील बनाएको हुँदा subtractive प्रभाव उत्पादित गर्दै छन्। पढ्नुहोस् Moore (2002) , त्यसपछि डिजाइन र थपिएको वा subtractive प्रभाव देखाउन MTurk मा एक सर्वेक्षण प्रयोग चलाउन।

7. [ , ] क्रिस्टोफर Antoun र सहयोगिहरु (2015) MTurk, Craigslist, Google AdWords र फेसबुक: चार फरक अनलाइन भर्ती स्रोतबाट प्राप्त सुविधाको नमूनाहरू तुलना एक अध्ययन। एक सरल सर्वेक्षण डिजाइन र कम से कम दुई फरक अनलाइन भर्ती स्रोतहरू मार्फत सहभागीहरू रंगरुट (तिनीहरूले प्रयोग चार स्रोतबाट विभिन्न स्रोतहरूबाट हुन सक्छ Antoun et al. (2015) )।

   1. विभिन्न स्रोतहरूबाट बीच, पैसा र समय को मामला मा प्रति रंगरुट लागत, तुलना गर्नुहोस्।
   2. विभिन्न स्रोतबाट प्राप्त नमूनों को संरचना तुलना गर्नुहोस्।
   3. नमूनों बीच डाटा गुणस्तर तुलना गर्नुहोस्। उत्तरदाताओं देखि डेटा गुणस्तर मापन कसरी गर्ने भन्ने बारे विचार को लागि, Schober et al. (2015) ।
   4. आफ्नो रुचि स्रोत के हो? किन?

8. [ ] YouGov, इन्टरनेट-अनुसन्धान दृढ, बेलायत मा बारेमा 8,00,000 उत्तरदाताओं एक प्यानल को अनलाइन पोल सञ्चालन र बेलायत मतदाता मतदान या त रहन कहाँ यूएस Referendum (अर्थात्, Brexit) को परिणाम भविष्यवाणी गर्न श्री पी प्रयोग वा युरोपेली संघ छोड्नुहोस्।

   YouGov गरेको तथ्याङ्क मोडेल को एक विस्तृत विवरण यहाँ छ (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/)। लगभग बोल्ने, YouGov 2015 सामान्य निर्वाचन मत विकल्प, उमेर, योग्यता, लिङ्ग, साक्षात्कार को मिति, साथै अनुमान गर्न तिनीहरूले। पहिलो, तिनीहरूले YouGov panelists देखि संकलित डाटा प्रयोग बस्ने भएको संसदीय, ती बीच मा आधारित प्रकार मा मतदाता विभाजन जो मतदान, छुट्टी मतदान गर्ने अभिप्राय गर्ने प्रत्येक मतदाता प्रकार को मान्छे को अनुपात। तिनीहरूले 2015 ब्रिटिश निर्वाचन अध्ययन (BES) आमने-अनुहार पोस्ट-निर्वाचन सर्वेक्षण, को निर्वाचन रोल देखि .वाराणसी मान्य जो प्रयोग गरेर प्रत्येक मतदाता प्रकार को .वाराणसी अनुमान। अन्तमा, तिनीहरू, सामान्य चुनाव र जानकारी वरिपरि YouGov सर्वेक्षण धेरै मान्छे को लागि मतदान कसरी नवीनतम जनगणना र वार्षिक जनसंख्या सर्वेक्षण (को BES केही वाहेक जानकारी आधारमा निर्वाचक मण्डल मा प्रत्येक मतदाता प्रकार को छन् कति मान्छे अनुमान प्रत्येक संसदीय प्रत्येक पक्ष)।

   को मत अघि तीन दिन, YouGov छुट्टी को लागि एक दुई बिन्दु नेतृत्व देखाए। मतदान को पूर्वसन्ध्या मा, पोल कल गर्न (49-51 रहिरहन) नजिक देखाए। अन-द-दिन अन्तिम अध्ययन (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/) रहन पक्षमा 48/52 भविष्यवाणी। वास्तवमा, यो अनुमान चार प्रतिशत अंक अन्तिम परिणाम (52-48 छुट्टी) छुट्यो।

   1. के गलत जान सक्छ आकलन गर्न यस अध्यायमा छलफल कुल सर्वेक्षण त्रुटि रूपरेखा प्रयोग गर्नुहोस्।
   2. चुनाव (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) पछि YouGov प्रतिक्रिया बताए: "यो कारण .वाराणसी एउटा ठूलो भाग मा देखिन्छ - केही कि हामी एक सूक्ष्मता सन्तुलित दौड यस्तो नतिजा गर्न महत्वपूर्ण हुनेछ सबै साथ भनेका छन्। उत्तरदाताओं कि अन्तिम सामान्य चुनाव मा मतदान गरेका थिए र एक .वाराणसी स्तर सामान्य चुनाव कि माथि विशेष उत्तर मा मोडेल, विरक्तलाग्दो हाम्रो .वाराणसी मोडेल, भाग मा आधारित थियो। "यो भाग (क) आफ्नो उत्तर परिवर्तन गर्छ?

9. [ , ] चित्रा 3.1 मा प्रतिनिधित्व त्रुटिहरू प्रत्येक चित्रण गर्न एक सिमुलेशन लेख्नुहोस्।

   1. यी त्रुटिहरू वास्तवमा बाहिर रद्द जहाँ परिस्थिति सिर्जना गर्नुहोस्।
   2. जहाँ त्रुटिहरू प्रत्येक अन्य चक्रवृद्धि अवस्थामा सिर्जना गर्नुहोस्।

10. [ , ] Blumenstock र सहयोगिहरु को अनुसन्धान (2015) एक मिसिन सिक्ने मोडेल सर्वेक्षण प्रतिक्रियाहरू भविष्यवाणी गर्न डिजिटल ट्रेस डेटा प्रयोग सक्ने निर्माण संलग्न। अब, तपाईं फरक डेटासेटको त्यसै प्रयास जाँदैछन्। Kosinski, Stillwell, and Graepel (2013) फेसबुक रुचि कि व्यक्तिगत गुण र विशेषताहरु भविष्यवाणी गर्न सक्नुहुन्छ फेला परेन। अचम्मको कुरा, यी अनुमानहरू साथीहरू र सहयोगिहरु ती भन्दा पनि अधिक सही हुन सक्छ (Youyou, Kosinski, and Stillwell 2015) ।

    1. पढ्नुहोस् Kosinski, Stillwell, and Graepel (2013) , र चित्रा 2 दोहराने तिनीहरूको डाटा यहाँ उपलब्ध छन्: http://mypersonality.org/
    2. अब, चित्रा 3 दोहराने।
    3. http://applymagicsauce.com/: अन्तमा, तपाईंको आफ्नै फेसबुक डाटा मा आफ्नो मोडेल प्रयास गर्नुहोस्। यो तपाईं को लागि कसरी राम्रो काम गर्छ?

11. [ ] Toole et al. (2015) प्रयोग कल विवरण अभिलेख (CDRs) मोबाइल फोन बाट समग्र बेरोजगारी रुझान भविष्यवाणी गर्न।

    1. तुलना गर्नुहोस् र डिजाइन भिन्नता Toole et al. (2015) संग Blumenstock, Cadamuro, and On (2015) ।
    2. तपाईं CDRs, परम्परागत सर्वेक्षण प्रतिस्थापन गर्नुपर्छ तिनीहरूलाई पूरक वा बेरोजगारी ट्रयाक गर्न सरकार policymakers लागि सबै प्रयोग हुन लाग्छ? किन?
    3. के प्रमाण CDRs पूर्ण बेरोजगारी दर को परम्परागत उपाय प्रतिस्थापन गर्न सक्छ कि तपाईं विश्वस्त थियो?