shughuli

muhimu:

  • kiwango cha ugumu: rahisi rahisi , kati kati , ngumu ngumu , ngumu sana ngumu sana
  • inahitaji math ( inahitaji math )
  • inahitaji coding ( inahitaji coding )
  • ukusanyaji wa takwimu ( ukusanyaji wa takwimu )
  • favorites yangu ( favorite yangu )

  1. [ ngumu , inahitaji math ] Katika sura, nilikuwa mazuri sana juu baada ya stratification. Hata hivyo, haina daima kuboresha ubora wa makadirio. Kujenga hali ambapo unaweza post-stratification unaweza kupungua ubora wa makadirio. (Kwa ladha, angalia Thomsen (1973) ).

  2. [ ngumu , ukusanyaji wa takwimu , inahitaji coding ] Design na kuendesha zisizo uwezekano utafiti juu ya Amazon MTurk kuuliza kuhusu umiliki wa bunduki ( "Je, wewe, au anafanya yeyote katika kaya yako, kumiliki bunduki, bunduki au bastola? Ni kwamba wewe au mtu mwingine katika kaya yako?") Na mitazamo udhibiti wa bunduki ( "unafikiri ni muhimu-to zaidi kulinda haki ya Wamarekani kumiliki bunduki, au kudhibiti umiliki wa bunduki?").

    1. Muda gani utafiti wako kuchukua? Inagharimu kiasi gani? Jinsi gani idadi ya watu ya sampuli yako kulinganisha na idadi ya watu ya idadi ya Marekani?
    2. ni makisio ghafi ya umiliki wa bunduki kwa kutumia sampuli yako ni nini?
    3. Sahihi kwa mashirika yasiyo ya representativeness ya sampuli yako kwa kutumia baada ya stratification au baadhi ya mbinu mingine. Sasa ni nini makadirio ya umiliki wa bunduki?
    4. Jinsi gani makadirio yako kulinganisha na makadirio ya karibuni kutoka Pew Kituo cha Utafiti? Je, unafikiri kueleza utofauti, kama kuna yoyote?
    5. Kurudia zoezi 2-5 kwa mitazamo ya udhibiti wa bunduki. Jinsi gani matokeo ya uchunguzi wako tofauti?

  3. [ ngumu sana , ukusanyaji wa takwimu , inahitaji coding ] Goel na wenzake (2016) kusimamiwa utafiti zisizo uwezekano makao yenye 49 maswali mbalimbali-uchaguzi mtizamo inayotolewa kutoka General Social Survey (GSS) na kuchagua tafiti na Pew Kituo cha Utafiti juu ya Amazon MTurk. Wao kisha kurekebisha kwa mashirika yasiyo ya representativeness ya data kwa kutumia mfano makao baada ya stratification (Mr. P), na kulinganisha makadirio kubadilishwa na wale inakadiriwa kutumia uwezekano makao GSS / Pew tafiti. Kufanya utafiti huo kwenye MTurk na kujaribu kuiga kielelezo 2a na 2b Kielelezo kwa kulinganisha makadirio yako kurekebishwa na makadirio kutoka raundi ya GSS / Pew hivi karibuni (Angalia Kiambatisho Jedwali A2 kwa orodha ya maswali 49).

    1. Kulinganisha na kulinganisha matokeo yako kwa matokeo kutoka Pew na GSS.
    2. Kulinganisha na kulinganisha matokeo yako kwa matokeo ya utafiti MTurk katika Goel, Obeng, and Rothschild (2016) .

  4. [ kati , ukusanyaji wa takwimu , inahitaji coding ] Tafiti nyingi kutumia hatua binafsi ripoti ya data ya mkononi shughuli simu. Hii ni ya kuvutia mazingira ambapo watafiti wanaweza kulinganisha tabia binafsi taarifa na tabia Logged (tazama kwa mfano, Boase and Ling (2013) ). tabia mbili ya kawaida ya kuuliza juu ya wito na texting, na wawili muda muafaka kawaida ni "jana" na "katika wiki iliyopita."

    1. Kabla ya kukusanya data yoyote, ambayo ya binafsi ripoti hatua unadhani ni sahihi zaidi? Kwa nini?
    2. Kuajiri 5 ya rafiki yako kuwa katika utafiti wako. Tafadhali tunatoa muhtasari wa jinsi marafiki hawa walikuwa 5 sampuli. Huenda utaratibu huu sampuli kushawishi biases maalum katika makadirio yako?
    3. Tafadhali waulize yafuatayo micro-utafiti:
    • "Ni mara ngapi wewe kutumia simu ya mkononi kuita wengine jana?"
    • "Ni wangapi ujumbe wa maandishi gani kutuma jana?"
    • "Ni mara ngapi wewe kutumia simu yako ya mkononi kuwaita wengine katika muda wa siku saba iliyopita?"
    • "Ni mara ngapi wewe kutumia simu yako ya mkononi kutuma au kupokea ujumbe wa maandishi / SMS katika muda wa siku saba iliyopita?" Mara baada ya utafiti ni kamili, kuuliza kwa kuangalia data zao matumizi kama watumiaji na mtoa simu zao au huduma.
    1. Ni kwa jinsi gani matumizi binafsi ripoti kulinganisha na kuingia data? Ambayo ni sahihi zaidi, ambayo ni angalau sahihi?
    2. Sasa kuchanganya data kwamba una zilizokusanywa na data kutoka kwa watu wengine katika darasa lako (kama unafanya shughuli hii kwa ajili ya darasa). Pamoja CCD hii kubwa, kurudia sehemu (d).

  5. [ kati , ukusanyaji wa takwimu ] Schuman na Presser (1996) wanasema kuwa swali amri ingekuwa jambo kwa aina mbili za mahusiano kati ya maswali: maswali sehemu-sehemu ambapo maswali mawili ni katika ngazi moja ya maalum (kwa mfano ratings ya wagombea wawili wa urais); na maswali sehemu ya zima ambapo swali ujumla ifuatavyo swali maalum zaidi (kwa mfano kuuliza "Jinsi unaridhishwa na kazi yako?" ikifuatiwa na "Jinsi unaridhishwa na maisha yako?").

    Wao kusaidia zaidi kutathmini aina mbili za athari ili swali: madhara msimamo kutokea wakati majibu ya swali baadaye ni kuletwa kwa wale aliyopewa swali mapema karibu (kuliko wao ingekuwa vinginevyo kuwa); Tofauti madhara kutokea wakati kuna tofauti kubwa kati ya majibu ya maswali mawili.

    1. Kujenga jozi ya maswali sehemu-sehemu ambayo unafikiri itakuwa na kubwa ili swali athari, jozi ya maswali sehemu ya zima kwamba unafikiri itakuwa na kubwa ili athari, na jozi nyingine ya maswali ambao ili unafikiri itakuwa si jambo. Kuendesha majaribio ya utafiti juu ya MTurk mtihani maswali yako.
    2. Jinsi kubwa ilikuwa ni sehemu-sehemu athari walikuwa wewe na uwezo wa kujenga? Ilikuwa ni msimamo au athari tofauti?
    3. Jinsi kubwa ilikuwa ni sehemu-nzima athari walikuwa wewe na uwezo wa kujenga? Ilikuwa ni msimamo au athari tofauti?
    4. Je, kulikuwa na swali ili athari katika jozi yako ambapo wewe si kufikiri ili itakuwa jambo?

  6. [ kati , ukusanyaji wa takwimu ] Kujenga juu ya kazi ya Schuman na Presser, Moore (2002) inaeleza mwelekeo tofauti ya athari utaratibu swali: livsmedelstillsats na subtractive. Wakati kulinganisha na msimamo madhara ni zinazozalishwa kama matokeo ya tathmini waliohojiwa 'wa vitu viwili katika uhusiano kwa kila mmoja, nyongeza na madhara subtractive ni zinazozalishwa wakati waliohojiwa ni kufanywa zaidi nyeti kwa mfumo kubwa ndani ambayo maswali yaliyoulizwa. Kusoma Moore (2002) , basi kubuni na kuendesha majaribio ya utafiti juu ya MTurk kuonyesha nyongeza au subtractive madhara.

  7. [ ngumu , ukusanyaji wa takwimu ] Christopher Antoun na wenzake (2015) ilifanya utafiti kulinganisha urahisi sampuli zilizopatikana kutoka nne tofauti online kuajiri vyanzo: MTurk, Craigslist, Google AdWords na Facebook. Kubuni utafiti rahisi na kuwaajiri washiriki kupitia tofauti angalau vyanzo viwili online kuajiri (wanaweza kuwa vyanzo mbalimbali kutoka vyanzo vinne kutumika katika Antoun et al. (2015) ).

    1. Kulinganisha gharama per kuwaajiri, katika suala la fedha na wakati, kati ya vyanzo mbalimbali.
    2. Kulinganisha utungaji wa sampuli zilizopatikana kutoka vyanzo mbalimbali.
    3. Kulinganisha ubora wa data kati ya sampuli. Kwa mawazo kuhusu jinsi ya kupima data ubora kutoka waliohojiwa, angalia Schober et al. (2015) .
    4. Ni nini chanzo preferred yako? Kwa nini?

  8. [ kati ] YouGov, internet-msingi utafiti wa soko imara, uliofanywa online uchaguzi wa jopo la wapatao 800,000 waliohojiwa nchini Uingereza na kutumika Mr. P. sana kutabiri matokeo ya EU kura ya maoni (yaani, Brexit) ambapo wapiga kura wa Uingereza kupiga kura ama kubaki katika au kuondoka Umoja wa Ulaya.

    maelezo ya kina ya mfano wa kuigwa YouGov ya takwimu ni hapa (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/). Kati kusema, YouGov partitions wapiga kura katika aina kuzingatia 2015 uchaguzi mkuu kura uchaguzi, umri, sifa, jinsia, tarehe ya mahojiano, kama vile jimbo wanamoishi. Kwanza, walitumia takwimu zilizokusanywa kutoka YouGov panelists kukadiria, kati ya wale ambao kura, idadi ya watu wa kila aina wapiga kura walio na nia ya kupiga kura Acha. Wao makisio turnout ya kila aina wapiga kura kwa kutumia 2015 Utafiti wa Uingereza Uchaguzi (BES) baada ya uchaguzi wa uso kwa uso utafiti huo, ambayo Ilisahihishwa turnout kutoka mistari wa uchaguzi. Hatimaye, wao kukadiria jinsi watu wengi kuna wa kila aina ya wapiga kura katika wapiga kura kwa kuzingatia sensa ya karibuni na Mwaka Idadi ya Survey (pamoja na baadhi ya taarifa Aidha kutoka BES, YouGov data kutoka duniani uchaguzi mkuu, na habari utafiti juu ya jinsi watu wengi walipiga kura kwa ajili kila chama katika kila eneo bunge).

    Siku tatu kabla ya kupiga kura, YouGov ilionyesha risasi mbili hatua kwa Acha. Katika usiku wa kupiga kura, uchaguzi ilionyesha karibu sana na kuwaita (49-51 Kubaki). on-siku-uchunguzi wa mwisho alikadiria 48/52 katika neema ya Kubaki (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). Kwa kweli, makadirio haya amekosa matokeo ya mwisho (52-48 Acha) kwa asilimia nne.

    1. Matumizi jumla makosa utafiti mfumo kujadiliwa katika sura hii ili kutathmini nini inaweza kuwa wamekwenda vibaya.
    2. majibu YouGov ya baada ya uchaguzi (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) alieleza: "Hii inaonekana katika sehemu kubwa kutokana na turnout - kitu ambacho tulivyosema wote pamoja itakuwa muhimu sana kwa matokeo ya mbio hizo laini uwiano. turnout yetu mfano ilikuwa msingi, kwa sehemu, juu ya kama washiriki walikuwa walipiga kura katika uchaguzi mkuu uliopita na turnout kiwango cha juu kwamba ya uchaguzi mkuu upset mfano, hususan Kaskazini. "Je, hii mabadiliko jibu lako kwa sehemu (a)?

  9. [ kati , inahitaji coding ] Kuandika simulation kuonyesha kila mmoja makosa uwakilishi katika Kielelezo 3.1.

    1. Kujenga hali ambapo makosa hayo kwa kweli kufuta nje.
    2. Kujenga hali ambapo makosa kiwanja kila mmoja.

  10. [ ngumu sana , inahitaji coding ] Utafiti wa Blumenstock na wenzake (2015) kushiriki ujenzi wa mashine kujifunza mfano kwamba inaweza kutumia data digital kuwaeleza kutabiri majibu ya utafiti. Sasa, wewe ni kwenda kujaribu kitu kimoja na CCD tofauti. Kosinski, Stillwell, and Graepel (2013) iligundua kuwa Facebook anapenda wanaweza kutabiri sifa ya mtu binafsi na sifa. Cha kushangaza, utabiri haya inaweza kuwa hata sahihi zaidi kuliko yale ya marafiki na wafanyakazi wenzake (Youyou, Kosinski, and Stillwell 2015) .

    1. Kusoma Kosinski, Stillwell, and Graepel (2013) , na kuiga Kielelezo 2. data zao zinapatikana hapa: http://mypersonality.org/
    2. Sasa, kuiga Kielelezo 3.
    3. Mwisho, jaribu mtindo wao katika Picha yako mwenyewe data: http://applymagicsauce.com/. Jinsi vizuri gani kazi kwa ajili yenu?

  11. [ kati ] Toole et al. (2015) matumizi wito kwa undani rekodi (CDRs) kutoka simu za mkononi kutabiri ukosefu wa ajira mwenendo wa mabao.

    1. Kulinganisha na kulinganisha mpango wa Toole et al. (2015) na Blumenstock, Cadamuro, and On (2015) .
    2. Je, unafikiri CDRs inapaswa kuchukua nafasi ya tafiti za jadi, inayosaidia yao au si kutumika wakati wote kwa ajili ya watunga sera wa serikali kufuatilia ukosefu wa ajira? Kwa nini?
    3. Ushahidi gani ingekuwa kuwashawishi kwamba CDRs unaweza kabisa kuchukua nafasi ya hatua za jadi za kiwango cha ukosefu wa ajira?

Powered by Open Review Toolkit