చర్యలు

కీ:

• కష్టం డిగ్రీ: సులభం , మీడియం హార్డ్ , చాలా కఠినం
• గణిత అవసరం ( )
• కోడింగ్ అవసరం ( )
• వివరాల సేకరణ ( )
• నాకు ఇష్టమైనవి ( )

1. [ , ] చాప్టర్ లో, నేను పోస్ట్ స్తరీకరణ గురించి చాలా అనుకూలంగానే. అయితే, ఇది ఎల్లప్పుడూ అంచనాలు నాణ్యతను మెరుగుపరిచేందుకు లేదు. ఇక్కడ పోస్ట్-స్తరీకరణ చేయవచ్చు అంచనాలు నాణ్యత తగ్గిపోతుంది పరిస్థితి నిర్మించేందుకు. (సూచనను కోసం, చూడండి Thomsen (1973) ).

2. [ , , ] డిజైన్ మరియు తుపాకీ యాజమాన్యం గురించి అడగండి అమెజాన్ MTurk ఒక కాని సంభావ్యత సర్వే నిర్వహించడం ( "మీరు, లేదా మీ ఇంటిలో ఎవరైనా చేస్తుంది, ఒక తుపాకీ, రైఫిల్ స్వంతం లేదా తుపాకీ? మీరు లేదా మీ ఇంటిలో ఎవరో?") మరియు తుపాకి నియంత్రణ వైపు వైఖరులు ( "వాట్ మీరు అనుకుంటున్నారు సొంత తుపాకులు, లేదా తుపాకీ యాజమాన్యం నియంత్రించడానికి అమెరికన్లు కాపాడుకునేందుకు మరింత ముఖ్యం ఉంది?").

   1. ఎంతకాలం మీ సర్వే పడుతుంది? అది ఎంత ఖర్చు అవుతుంది? మీ నమూనా యొక్క జనాభా వివరాలు సంయుక్త జనాభా పోల్చడానికి లేదు?
   2. మీ నమూనా ఉపయోగించి గన్ యాజమాన్యం ముడి అంచనా ఏమిటి?
   3. పోస్ట్ స్తరీకరణ లేదా కొన్ని ఇతర టెక్నిక్ ఉపయోగించి మీ నమూనా యొక్క కాని representativeness కోసం సరిదిద్దండి. ఇప్పుడు తుపాకీ యాజమాన్యం అంచనా ఏమిటి?
   4. మీ అంచనాలు ప్యూ రీసెర్చ్ సెంటర్ నుండి తాజా అంచనా పోల్చడానికి లేదు? మీరు ఏ ఉందనుకోండి, వ్యత్యాసాలు వివరించేందుకు ఆలోచిస్తాడు?
   5. తుపాకి నియంత్రణ ధోరణులను కోసం వ్యాయామం 2-5 రిపీట్. మీ కనుగొన్న తేడా లేదు?

3. [ , , ] గోయల్, సహచరులు (2016) అమెజాన్ MTurk ప్యూ రీసెర్చ్ సెంటర్ సాధారణ సామాజిక సర్వే (GSS) మరియు ఎంపిక సర్వేలు నుండి డ్రా 49 బహుళ-ఎంపిక ప్రవర్తన ప్రశ్నలు కలిగి కాని సంభావ్యత ఆధారిత సర్వే చేయించారు. వారు అప్పుడు నమూనా ఆధారిత పోస్ట్ స్తరీకరణ (మిస్టర్ పి) ఉపయోగించి డేటా కాని representativeness కోసం సర్దుబాటు, మరియు సంభావ్యతను ఆధారిత GSS / ప్యూ సర్వేలు ఉపయోగించి అంచనా ఆ తో సర్దుబాటు అంచనాలు సరిపోల్చండి. MTurk అదే సర్వే జరిపి GSS / పూ యొక్క ఇటీవల రౌండ్లు నుండి అంచనాలు మీ సర్దుబాటు అంచనాలు పోల్చడం ద్వారా మూర్తి 2a మరియు మూర్తి 2 బి నకలు ప్రయత్నించండి (49 ప్రశ్నల జాబితాలో అపెండిక్స్ టేబుల్ A2 చూడండి).

   1. పోల్చండి మరియు ప్యూ మరియు GSS నుండి ఫలితాలు మీ ఫలితాలు కాంట్రాస్ట్.
   2. సరిపోల్చండి మరియు MTurk సర్వే ఫలితాలు మీ ఫలితాలను కాంట్రాస్ట్ Goel, Obeng, and Rothschild (2016) .

4. [ , , ] అనేక అధ్యయనాలు మొబైల్ ఫోన్ చర్య డేటా స్వీయ నివేదికను చర్యలు ఉపయోగించండి. ఈ పేరు పరిశోధకులు లాగిన్ ప్రవర్తన స్వీయ నివేదిత ప్రవర్తనను సరిపోల్చవచ్చు ఒక ఆసక్తికరమైన అమరిక (ఉదా చూడండి, Boase and Ling (2013) ). కాల్ మరియు టెక్స్టింగ్, మరియు రెండు సాధారణ సమయం ఫ్రేమ్లను గురించి అడగండి రెండు సాధారణ ప్రవర్తనల "గత వారం లో." "నిన్న" మరియు

   1. స్వీయ నివేదిక చర్యలు మీరు మరింత నిర్దిష్టంగా అనుకుంటున్నారు ఏ డేటా సేకరించడం ముందు? ఎందుకు?
   2. అభ్యర్థి 5 మీ ఫ్రెండ్స్ మీ సర్వే ఉండాలి. దయచేసి క్లుప్తంగా ఈ 5 స్నేహితులను మచ్చుకకు చేశారు సంగ్రహించేందుకు. ఈ శాంప్లింగ్ విధానం మీ అంచనాలు నిర్దిష్ట పక్షపాతాలు ప్రేరేపించడానికి ఉండవచ్చు?
   3. వాటిని క్రింది సూక్ష్మ సర్వే అడగండి:
   • "ఎన్ని సార్లు మీరు ఇతరులు నిన్న కాల్ మొబైల్ ఫోన్ వాడకం?"
   • "ఎన్ని టెక్స్ట్ సందేశాలను మీరు నిన్న పంపించాడు?"
   • "ఎన్ని సార్లు మీరు గత ఏడు రోజుల్లో ఇతరులు కాల్ మీ మొబైల్ ఫోన్ వాడకం?"
   • వారి ఫోన్ లేదా సర్వీస్ ప్రొవైడర్ లాగిన్ సర్వే పూర్తయితే "ఎన్ని సార్లు మీరు పంపిన లేక గత ఏడు రోజుల్లో టెక్స్ట్ సందేశాలను / ఎస్ఎంఎస్ అందుకున్న? మీ మొబైల్ ఫోన్ ఉపయోగించారు", వారి వాడుక డేటా తనిఖీ అడగండి.
   4. ఎలా స్వీయ నివేదికను వాడుక డేటా లాగిన్ పోల్చడానికి లేదు? కనీసం ఖచ్చితమైన ఇది, అత్యంత ఖచ్చితమైన?
   5. (మీరు ఒక తరగతి కోసం ఈ సూచించే చేస్తున్న ఉంటే) మీరు మీ తరగతి ఇతర కొంతమంది నుంచి సేకరించిన సమాచారంతో సేకరించినట్లు డేటా కలిపి. ఈ పెద్ద డేటాసెట్ తో, పునః భాగం (డి).

5. [ , ] షుమాన్లతో మరియు అద్దకం (1996) ఆ ప్రశ్న ఆదేశాలు ప్రశ్నలు మధ్య సంబంధాలు రెండు రకాల పట్టింపు ఉంటుంది వాదిస్తారు: రెండు ప్రశ్నలు విశిష్టత అదే స్థాయిలో పేరు భాగంగా భాగాల ప్రశ్నలు (ఉదా రెండు అధ్యక్ష అభ్యర్థుల రేటింగ్స్); మరియు ఒక సాధారణ ప్రశ్న మరింత నిర్దిష్ట ప్రశ్న అనుసరించి పేరు విభాగ-సంపూర్ణ ప్రశ్నలు (ఉదా అడుగుతూ "ఎలా సంతృప్తి మీ పని మీరు?" తర్వాత "ఎలా సంతృప్తి మీ జీవితం మీరు?").

   వారు మరింత ప్రశ్న క్రమంలో ప్రభావం రెండు రకాల నిర్దేశిస్తాయి: నిలకడ ప్రభావాలు తరువాత ప్రశ్నకు స్పందనలు ఒక ముందు ప్రశ్నకు ఇచ్చిన వారికి దగ్గరగా (వారు దాని కంటే) తేబడతాయి జరుగుతాయి; రెండు ప్రశ్నలకు ప్రతిస్పందనలు మధ్య ఎక్కువ తేడాలు ఉన్నాయి సంభవించే ప్రభావాలను కాంట్రాస్ట్.

   1. మీరు ఒక పెద్ద ప్రశ్న క్రమం ప్రభావం, మీరు ఒక పెద్ద ఆర్డర్ ప్రభావం ఉంటుంది భావించే విభాగ-సంపూర్ణ ప్రశ్నలు ఒక జత, మరియు దీని క్రమంలో మీరు అనుకుంటున్నాను పట్టింపు లేదు ప్రశ్నలకు మరొక జత కలిగి ఉంటుంది అనుకుంటున్నాను పార్ట్ భాగంగా ప్రశ్నలు ఒక జత సృష్టించండి. మీ ప్రశ్నలకు పరీక్షించడానికి MTurk సర్వే ప్రయోగం అమలు.
      
   2. ఎలా పెద్ద భాగం భాగాల ప్రభావం మీరు సృష్టించడానికి పోయారు ఉంది? అది ఒక నిలకడ లేదా విరుద్ధంగా ప్రభావం?
   3. ఎలా పెద్ద విభాగ-సంపూర్ణ ప్రభావం మీరు సృష్టించడానికి పోయారు ఉంది? అది ఒక నిలకడ లేదా విరుద్ధంగా ప్రభావం?
   4. మీరు క్రమంలో పట్టింపు అనుకోను పేరు మీ జత ఒక ప్రశ్న క్రమం ప్రభావం ఏమిటండీ?

6. [ , ] షుమాన్లతో మరియు అద్దకం యొక్క కృషి మీద బిల్డింగ్ Moore (2002) సంకలిత మరియు వ్యవకలన: ప్రశ్న క్రమం ప్రభావం ఒక ప్రత్యేక పరిమాణంను. దీనికి విరుద్ధంగా మరియు స్థిరత్వం ప్రభావాలు ఒకదాని, సంకలిత సంబంధించి రెండు అంశాలను ప్రతివాదులు 'అంచనాలు పర్యవసానంగా ఉత్పత్తి చేస్తారు అయితే ప్రతివాదులు ప్రశ్నలను సంధించింది తెలియచేసే అతిపెద్ద చట్రంలో చాలా సున్నితంగా చేసినప్పుడు వ్యవకలన ప్రభావాలు ఉత్పత్తి చేస్తారు. చదువు Moore (2002) , అప్పుడు రూపకల్పన మరియు సంకలిత లేదా వ్యవకలన ప్రభావాలను ప్రదర్శించేందుకు MTurk సర్వే ప్రయోగం అమలు.

7. [ , ] క్రిస్టోఫర్ Antoun మరియు సహచరులు (2015) MTurk, క్రెయిగ్స్ పదాలు ప్రకటనలను గూగుల్ మరియు ఫేస్బుక్: నాలుగు వేర్వేరు ఆన్లైన్ నియామక మూలాల నుండి పొందిన సౌలభ్యం నమూనాలను పోల్చి అధ్యయనం నిర్వహించాడు. ఒక మామూలు సర్వే డిజైన్ మరియు కనీసం రెండు వేర్వేరు ఆన్లైన్ నియామక మూలాల పాల్గొన్న సమీకరణకు (వారు ఉపయోగించే నాలుగు మూలాల నుండి వివిధ పరిణమిస్తాయి Antoun et al. (2015) ).

   1. వివిధ మూలాల మధ్య, డబ్బు మరియు సమయం పరంగా అభ్యర్థి ఖర్చును సరిపోల్చండి.
   2. వివిధ మూలాల నుండి పొందిన నమూనాలను కూర్పు సరిపోల్చండి.
   3. నమూనాలను మధ్య డేటా నాణ్యత సరిపోల్చండి. ప్రతివాదులు డేటా నాణ్యతను కొలవటానికి ఎలా ఆలోచనల కోసం, చూడండి Schober et al. (2015) .
   4. మీ ఇష్టపడే మూలం ఏమిటి? ఎందుకు?

8. [ ] YouGov, ఒక ఇంటర్నెట్ ఆధారిత మార్కెట్ పరిశోధనా సంస్థ, UK లో సుమారు 800,000 ప్రతివాదులు ఒక కమిటీని ఆన్లైన్ పోల్స్ను నిర్వహించిన మరియు UK ఓటర్లు ఓటు గాని ఉండటానికి అక్కడ EU రిఫరెండం (అంటే, Brexit) యొక్క ఫలితంగా అంచనా మిస్టర్ పి ఉపయోగిస్తారు లేదా యూరోపియన్ యూనియన్ వదిలి.

   YouGov యొక్క గణాంక నమూనా యొక్క ఒక వివరణాత్మక ఇక్కడ ఉంది (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/). సుమారు మాట్లాడుతూ, YouGov 2015 సాధారణ ఎన్నిక ఓటును ఎంపిక, వయస్సు, అర్హతలు, లింగం, ఇంటర్వ్యూ తేదీ, అలాగే వారు. మొదటి, వారు YouGov మండలి సభ్యులుగా నుండి సేకరించిన సమాచారాన్ని ఉపయోగించనున్నారు నివసిస్తున్నారు నియోజకవర్గంలో అంచనా వేయడానికి వారిలో, ఆధారంగా రకాలుగా ఓటర్లు విభజనలు ఓటు చేసిన, లీవ్ ఓటు ఉద్దేశం ఎవరు ప్రతి ఓటరు రకమైన జనాభా నిష్పత్తిని. వారు 2015 బ్రిటిష్ ఎన్నికల స్టడీ (RNS) ఓటర్లుగా నుండి పోలింగ్ చెల్లుబాటు పోస్ట్ ఎన్నిక ముఖం- to- ముఖం సర్వే, ఉపయోగించి ప్రతి ఓటరు రకం ఓటింగ్ అంచనా. చివరిగా, వారు, అనేక మంది ఓటు ఎలా సాధారణ ఎన్నికలు, మరియు సమాచారం చుట్టూ నుండి YouGov సర్వే డేటా తాజా సెన్సస్ మరియు వార్షిక జనాభా సర్వే (RNS నుండి కొన్ని అదనంగా సమాచారాన్ని ఆధారంగా ఓటర్ల ప్రతి ఓటరు రకమైన ఉన్నాయి ఎంత మంది అంచనా ప్రతి నియోజకవర్గంలో ప్రతి పార్టీ).

   మూడు రోజుల ఓటు ముందు, YouGov లీవ్ కోసం ఒక రెండు పాయింట్ల ఆధిక్యం చూపించింది. ఓటింగ్ సందర్భంగా, పోల్ కాల్ (49-51 ఉంటాయి) చాలా దగ్గరగా చూపించాడు. చివరి ఆన్ రోజుల అధ్యయనం ఉన్నారు (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/) అనుకూలంగా 48/52 అంచనా. నిజానికి, ఈ అంచనా నాలుగు శాతం పాయింట్లు పెరిగిన తుది ఫలితం (52-48 లీవ్) దూరమయ్యాడు.

   1. ఏమి తప్పు వెళ్ళాను కాలేదు అంచనా వేసేందుకు ఈ అధ్యాయం లో చర్చించారు మొత్తం సర్వే లోపం ఫ్రేమ్ ఉపయోగించండి.
   2. ఎన్నికల (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) తర్వాత YouGov యొక్క ప్రతిస్పందన వివరించాడు: "ఈ కారణంగా పోలింగ్ ఒక పెద్ద భాగం తెలుస్తోంది - అలాంటిదే మేము ఒక చక్కగా సమతుల్య రేసు ఫలితాన్ని కీలకం చెప్పారు అన్ని పాటు చేశారు. మా పోలింగ్ మోడల్ ప్రతివాదులు లేదో గత సార్వత్రిక ఎన్నికల్లో ఓటు సాధారణ ఎన్నికలు ఆ పైన సభ స్థాయి ముఖ్యంగా ఉత్తర నమూనా, కలత పాల్గొనే లో, ఆధారపడింది. "ఈ భాగం (ఎ) మీ సమాధానం మార్చదు?

9. [ , ] మూర్తి 3.1 ప్రాతినిధ్యం లోపాలు ప్రతి వర్ణించేందుకు ఒక అనుకరణ వ్రాయండి.

   1. ఈ లోపాలు నిజానికి రద్దు ఇక్కడ పరిస్థితి సృష్టించడానికి.
   2. లోపాలు ప్రతి ఇతర కాంపౌండ్ పరిస్థితి సృష్టించడానికి.

10. [ , ] Blumenstock మరియు సహచరులు పరిశోధనలు (2015) సర్వే స్పందనలు అంచనా డిజిటల్ గుర్తింపు డేటాను ఉపయోగించడానికి అని ఒక యంత్ర అభ్యాస నమూనా నిర్మాణం పాల్గొన్నారు. ఇప్పుడు, మీరు వేరే డేటాసెట్ తో ఇదే ప్రయత్నించండి వెళ్తున్నారు. Kosinski, Stillwell, and Graepel (2013) ఫేస్బుక్ ఇష్టమని వ్యక్తిగత లక్షణాలు మరియు లక్షణాలను అంచనా దొరకలేదు. అంతే కాకుండా, ఈ అంచనాలు స్నేహితులు మరియు సహచరులు ఆ కంటే మరింత ఖచ్చితమైన ఉంటుంది (Youyou, Kosinski, and Stillwell 2015) .

    1. చదువు Kosinski, Stillwell, and Graepel (2013) , మరియు మూర్తి 2. నకలు వాటి సమాచార ఇక్కడ అందుబాటులో ఉన్నాయి: http://mypersonality.org/
    2. ఇప్పుడు, మూర్తి 3 నకలు.
    3. http://applymagicsauce.com/: చివరిగా, మీ స్వంత Facebook డేటాపై తమ మోడల్ ప్రయత్నించండి. ఇది ఎంత బాగా మీరు పనిచేస్తుంది?

11. [ ] Toole et al. (2015) ఉపయోగం కాల్ వివరాలు రికార్డులు (CDRs) మొబైల్ ఫోన్లు నుండి మొత్తం నిరుద్యోగ పోకడలు అంచనా.

    1. పోల్చండి మరియు రూపకల్పన కాంట్రాస్ట్ Toole et al. (2015) తో Blumenstock, Cadamuro, and On (2015) .
    2. మీరు CDRs, సంప్రదాయ సర్వేలు స్థానంలో వాటిని పూర్తి లేదా నిరుద్యోగ ట్రాక్ ప్రభుత్వం విధాన అన్ని వద్ద వాడకూడదు ఆలోచిస్తాడు? ఎందుకు?
    3. ఏ సాక్ష్యాలు CDRs పూర్తిగా నిరుద్యోగం రేటు సంప్రదాయ చర్యలు భర్తీ చేసే మీరు ఒప్పిస్తాను?