אַקטיוויטעטן

שליסל:

• גראַד פון שוועריקייט: גרינג , מיטל , שווער , זייער שווער
• ריקווייערז מאַט ( )
• ריקווייערז קאָודינג ( )
• דאַטן זאַמלונג ( )
• מיין favorites ( )

1. [ , ] אין די קאַפּיטל, איך איז געווען זייער positive וועגן פּאָסטן-סטראַטיפיקאַטיאָן. אָבער, עס טוט ניט שטענדיק פֿאַרבעסערן די קוואַליטעט פון עסטאַמאַץ. בויען אַ סיטואַציע ווו קענען פּאָסטן-סטראַטיפיקאַטיאָן קענען פאַרמינערן די קוואַליטעט פון עסטאַמאַץ. (פֿאַר אַ אָנצוהערעניש, זען Thomsen (1973) ).

2. [ , , ] פּלאַן און אָנפירן אַ נאַן-מאַשמאָעס יבערבליק אויף אַמאַזאָן מטורק צו פרעגן וועגן ביקס אָונערשיפּ ( "דו זאלסט איר, אָדער טוט ווער עס יז אין אייער הויזגעזונד, אייגן אַ ביקס, ביקס אָדער פּיסטויל? איז אַז איר אָדער עמעצער אַנדערש אין אייער הויזגעזונד?") און אַטאַטודז צו ביקס קאָנטראָל ( "וואָס טאָן איר טראַכטן איז מער וויכטיק-צו באַשיצן די רעכט פון אמעריקאנער צו אייגן גאַנז, אָדער צו קאָנטראָל ביקס אָונערשיפּ?").

   1. ווי לאַנג טוט דיין יבערבליק נעמען? ווי פיל טוט עס קאָסטן? ווי טאָן די דעמאָגראַפיקס פון דיין מוסטער פאַרגלייַכן צו די דעמאָגראַפיקס פון די יו באַפעלקערונג?
   2. וואָס איז די רוי אָפּשאַצונג פון ביקס אָונערשיפּ ניצן דיין מוסטער?
   3. ריכטיק פֿאַר די גויים-רעפּרעסענטאַטיווענעסס פון דיין מוסטער ניצן פּאָסטן-סטראַטיפיקאַטיאָן אָדער עטלעכע אנדערע טעכניק. איצט וואָס איז די אָפּשאַצונג פון ביקס אָונערשיפּ?
   4. ווי טאָן דיין עסטאַמאַץ פאַרגלייַכן צו די לעצט אָפּשאַצונג פון פּעוו פֿאָרש צענטער? וואָס טאָן איר טראַכטן דערקלערן די דיסקרעפּאַנסיז, אויב עס איז קיין?
   5. איבערחזרן די געניטונג 2-5 פֿאַר אַטאַטודז צו ביקס קאָנטראָל. ווי טאָן דיין פינדינגס אַנדערש?

3. [ , , ] גאָעל און חברים (2016) אַדמינאַסטערד אַ נאַן-מאַשמאָעס-באזירט יבערבליק קאַנסיסטינג פון 49 קייפל-ברירה אַטטיטודינאַל שאלות ציען פון די אַלגעמיינע סאציאל סורוויי (גסס) און סעלעקטירן סערווייז דורך די פּעוו פֿאָרש צענטער אויף אַמאַזאָן מטורק. זיי דעמאָלט סטרויערן פֿאַר די גויים-רעפּרעסענטאַטיווענעסס פון דאַטן ניצן מאָדעל-באזירט פּאָסטן-סטראַטיפיקאַטיאָן (הער פּ), און פאַרגלייַכן די אַדזשאַסטיד עסטאַמאַץ מיט די עסטימאַטעד ניצן מאַשמאָעס-באזירט גסס / פּעוו סערווייז. אָנפירן די זעלביקער יבערבליק אויף מטורק און פּרובירן צו רעפּלאַקייט Figure 2a און רעכענען 2b דורך קאַמפּערינג אייער אַדזשאַסטיד עסטאַמאַץ מיט די עסטאַמאַץ פון די מערסט פריש ראָונדס פון גסס / פּעוו (זען אַפּפּענדיקס טיש אַ 2 פֿאַר די רשימה פון 49 שאלות).

   1. קאָמפּאַרע און קאַנטראַסט דיין רעזולטאַטן צו די רעזולטאטן פון פּעוו און גסס.
   2. קאָמפּאַרע און קאַנטראַסט דיין רעזולטאַטן צו די רעזולטאטן פון די מטורק יבערבליק אין Goel, Obeng, and Rothschild (2016) .

4. [ , , ] סך שטודיום נוצן זיך-באַריכט מיטלען פון רירעוודיק טעלעפאָנירן טעטיקייט דאַטן. דאס איז אַ טשיקאַווע באַשטעטיקן ווו ריסערטשערז קענען פאַרגלייַכן זיך-געמאלדן אָפּפירונג מיט לאָגד אָפּפירונג (זען למשל, Boase and Ling (2013) ). צוויי פּראָסט ביכייוויערז צו פרעגן וועגן זענען פאַך און טעקסטינג, און צוויי פּראָסט צייַט ראָמען זענען "נעכטן" און "אין דער פאַרגאַנגענהייַט וואָך."

   1. איידער קאַלעקטינג קיין דאַטן, וואָס פון די זיך-באַריכט מיטלען טאָן איר טראַכטן איז מער פּינטלעך? וואָס?
   2. רעקרוט 5 פון דיין Friends צו זיין אין דיין יבערבליק. ביטע בעקיצער סאַמערייז ווי די 5 Friends זענען סאַמפּאַלד. זאל דעם מוסטערונג פּראָצעדור פּויעלנ בייַ ספּעציפיש בייאַסיז אין אייער עסטאַמאַץ?
   3. ביטע פרעגן זיי די ווייַטערדיק מיקראָ-יבערבליק:
   • "ווי פילע מאל האט איר נוצן רירעוודיק טעלעפאָנירן צו רופן אנדערע נעכטן?"
   • "ווי פילע טעקסט אַרטיקלען האט איר שיקן נעכטן?"
   • "ווי פילע מאל האט איר נוצן דיין רירעוודיק טעלעפאָנירן צו רופן אנדערע אין די לעצטע זיבן טעג?"
   • "ווי פילע מאל האט איר נוצן דיין רירעוודיק טעלעפאָנירן צו שיקן אָדער באַקומען טעקסט אַרטיקלען / SMS אין די לעצטע זיבן טעג?" וואַנס די יבערבליק איז גאַנץ, פרעגן צו קאָנטראָלירן זייער באַניץ דאַטן ווי לאָגד דורך זייער טעלעפאָנירן אָדער דינסט שפּייַזער.
   4. ווי טוט זיך-באַריכט באַניץ פאַרגלייַכן צו קלאָץ דאַטן? וואָס איז מערסט פּינטלעך, וואָס איז מינדסטער פּינטלעך?
   5. איצט פאַרבינדן די דאַטן וואָס איר האָבן געזאמלט מיט דער דאַטע פון ​​אנדערע מענטשן אין דיין קלאַס (אויב איר זענען טאן דעם טעטיקייט פֿאַר אַ סאָרט). מיט דעם גרעסערע דאַטאַסעט, איבערחזרן טייל (ד).

5. [ , ] Schuman און פּרעססער (1996) טייַנען אַז קשיא אָרדערס וואָלט ענין פֿאַר צוויי טייפּס פון באַציונגען צווישן שאלות: טייל-טייל שאלות ווו צוויי שאלות זענען אין דער זעלביקער מדרגה פון ספּעסיפיסיטי (למשל רייטינגז פון צוויי פּרעזאַדענטשאַל קאַנדאַדייץ); און טייל-גאַנץ שאלות ווו אַ גענעראַל קשיא גייט אַ מער ספּעציפיש קשיא (למשל אַסקינג "ווי צופֿרידן זענען איר מיט אייער אַרבעט?" נאכגעגאנגען דורך "ווי צופֿרידן זענען איר מיט דיין לעבן?").

   זיי ווייַטער קעראַקטערייז צוויי טייפּס פון קשיא סדר ווירקונג: קאָנסיסטענסי ווירקונג פּאַסירן ווען רעספּאָנסעס צו אַ שפּעטער קשיא זענען געבראכט נעענטער (ווי זיי וואָלט אַנדערש זיין) צו יענע געגעבן צו אַ פריער קשיא; קאַנטראַסט ווירקונג פּאַסירן ווען עס זענען גרעסער חילוק צווישן רעספּאָנסעס צו צוויי שאלות.

   1. שאַפֿן אַ פּאָר פון טייל-טייל שאלות אַז איר טראַכטן וועט האָבן אַ גרויס קשיא סדר ווירקונג, אַ פּאָר פון טייל-גאַנץ שאלות אַז איר טראַכטן וועט האָבן אַ גרויס סדר ווירקונג, און אן אנדער פּאָר פון שאלות וועמענס סדר איר טראַכטן וואָלט ניט ענין. ראַן אַ יבערבליק עקספּערימענט אויף מטורק צו פּרובירן דיין שאלות.
      
   2. ווי גרויס איז געווען דער טייל-טייל ווירקונג זענען איר קענען צו מאַכן? איז עס אַ קאָנסיסטענסי אָדער קאַנטראַסט ווירקונג?
   3. ווי גרויס איז געווען דער טייל-גאַנץ ווירקונג זענען איר קענען צו מאַכן? איז עס אַ קאָנסיסטענסי אָדער קאַנטראַסט ווירקונג?
   4. איז געווען דאָרט אַ קשיא סדר ווירקונג אין אייער פּאָר ווו איר האט ניט טראַכטן די סדר וואָלט ענין?

6. [ , ] בנין אויף די אַרבעט פון Schuman און פּרעססער, Moore (2002) באשרייבט אַ באַזונדער ויסמעסטונג פון קשיא סדר ווירקונג: אַדאַטיוו און סובטראַקטיווע. בשעת קאַנטראַסט און קאָנסיסטענסי ווירקונג זענען Produced ווי אַ קאַנסאַקוואַנס פון ריספּאַנדאַנץ 'יוואַליויישאַנז פון די צוויי זאכן אין באַציונג צו יעדער אנדערע, אַדאַטיוו און סובטראַקטיווע ווירקונג זענען Produced ווען ריספּאַנדאַנץ זענען געמאכט מער שפּירעוודיק צו די גרעסערע ראַם ין וואָס די שאלות זענען געשטעלט. לייענען Moore (2002) , דעמאָלט פּלאַן און לויפן אַ יבערבליק עקספּערימענט אויף מטורק צו באַווייַזן אַדאַטיוו אָדער סובטראַקטיווע ווירקונג.

7. [ , ] Christopher אַנטאָון און חברים (2015) באגלייט אַ לערנען קאַמפּערינג די קאַנוויניאַנס סאַמפּאַלז באקומען פון פיר פאַרשידענע אָנליין ריקרוטינג קוואלן: מטורק, קראַיגסליסט, Google אַדוואָרדס און Facebook. דיזיין אַ פּשוט יבערבליק און רעקרוט פּאַרטיסאַפּאַנץ דורך לפּחות צוויי פאַרשידענע אָנליין ריקרוטינג קוואלן (זיי קענען זיין אַנדערש קוואלן פון די פיר קוועלער געניצט אין Antoun et al. (2015) ).

   1. קאָמפּאַרע דער פּרייַז פּער רעקרוט, אין טערמינען פון געלט און צייַט, צווישן פאַרשידענע קוואלן.
   2. קאָמפּאַרע דער זאַץ פון די סאַמפּאַלז באקומען פון פאַרשידענע קוואלן.
   3. קאָמפּאַרע דער קוואַליטעט פון דאַטן צווישן די סאַמפּאַלז. פֿאַר געדאנקען וועגן ווי צו מעסטן דאַטן קוואַליטעט פון ריספּאַנדאַנץ, זען Schober et al. (2015) .
   4. וואָס איז דיין בילכער מקור? וואָס?

8. [ ] יאָוגאָוו, אַן אינטערנעט-באזירט מאַרק פאָרשונג פעסט, באגלייט אָנליין פּאָללס פון אַ טאַפליע פון ​​וועגן 800,000 ריספּאַנדאַנץ אין די וק און געניצט הער פּי צו פאָרויסזאָגן דער רעזולטאַט פון אי.יו. רעפערענדום (ד"ה, ברעקסיט) ווו די וק וואָטערס שטימען אָדער צו בלייַבן אין אָדער לאָזן די European יוניאַן.

   א דיטיילד באַשרייַבונג פון יאָוגאָוו ס סטאַטיסטיש מאָדעל איז דאָ (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/). בעערעך גערעדט, יאָוגאָוו פּאַרטישאַנז וואָטערס אין טייפּס באזירט אויף 2015 גענעראַל וואַלן שטימען ברירה, עלטער, קוואַליפיקאַטיאָנס, דזשענדער, דאַטע פון ​​אינטערוויו, ווי ווויל ווי די קאָנסטיטוענסי זיי לעבן אין. ערשטער, זיי געניצט דאַטן געזאמלט פון די יאָוגאָוו פּאַנעליסץ צו אָפּשאַצונג, צווישן יענע וואס שטימען, די פּראָפּאָרציע פון ​​מענטשן פון יעדער וויילער טיפּ וואס אויסן צו שטימען לאָזן. זיי שאַצן טורנאָוט פון יעדער וויילער טיפּ דורך ניצן די 2015 בריטיש וואַלן לערנען (BES) פּאָסטן-וואַלן פּנים-צו-פּנים יבערבליק, וואָס וואַלאַדייטאַד טורנאָוט פון די עלעקטאָראַל ראָללס. צום סוף, זיי אָפּשאַצן ווי פילע מענטשן עס זענען פון יעדער וויילער טיפּ אין די ילעקטעראַט באזירט אויף לעצט סענסוס און אַננואַל פּאָפּולאַטיאָן סורוויי (מיט עטלעכע נאך אינפֿאָרמאַציע פון ​​די BES, יאָוגאָוו יבערבליק דאַטן פון אַרום די גענעראַל וואַלן, און אינפֿאָרמאַציע אויף ווי פילע מענטשן וואָוטאַד פֿאַר יעדער פּאַרטיי אין יעדער קאָנסטיטוענסי).

   דריי טעג איידער די שטימען, יאָוגאָוו געוויזן אַ צוויי פונט פירן פֿאַר לאָזן. אויף די ערעוו פון אָפּשטימונג, די אַנקעטע געוויזן אויך נאָענט צו רופן (49-51 רעמאַין). די לעצט אויף-דעם-טאָג לערנען פּרעדיקטעד 48/52 אין טויווע פון ​​רעמאַין (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). אין פאַקט, דעם אָפּשאַצונג מיסט די לעצט רעזולטאַט (52-48 לאָזן) דורך פיר פּראָצענט ווייזט.

   1. ניצן די גאַנץ יבערבליק טעות Framework דיסקאַסט אין דעם קאַפּיטל צו אַססעסס וואָס קען האָבן ניטאָ אומרעכט.
   2. יאָוגאָוו ס ענטפער נאָך די וואַלן (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) דערקלערט: "דאס מיינט אין אַ גרויס טייל רעכט צו טורנאָוט - עפּעס אַז מיר האָבן געזאגט אַלע צוזאמען וואָלט זייַן קריטיש צו די אַוטקאַם פון אַזאַ אַ פינעלי באַלאַנסט ראַסע. אונדזער טורנאָוט מאָדעל איז באזירט, אין טייל, אויף צי ריספּאַנדאַנץ האט וואָוטאַד אין די לעצטע גענעראַל וואַלן און אַ טורנאָוט מדרגה אויבן אַז פון גענעראַל ילעקשאַנז יבערקערן די מאָדעל, דער הויפּט אין די צפֿון. "טוט דעם טוישן דיין ענטפער צו טייל (אַ)?

9. [ , ] שרייב אַ סימיאַליישאַן צו אילוסטרירן יעדער פון די פאַרטרעטונג ערראָרס אין Figure 3.1.

   1. שאַפֿן אַ סיטואַציע ווו די ערראָרס אַקטשאַוואַלי באָטל מאַכן אויס.
   2. שאַפֿן אַ סיטואַציע ווו די ערראָרס קאַמפּאַונד יעדער אנדערער.

10. [ , ] דער פאָרשונג פון בלומענסטאָקק און חברים (2015) ינוואַלווד בנין אַ מאַשין וויסן מאָדעל אַז קען נוצן דיגיטאַל שפּור דאַטן צו פאָרויסזאָגן יבערבליק רעספּאָנסעס. איצט, איר זענען געגאנגען צו פּרובירן די זעלבע זאַך מיט אַ אַנדערש דאַטאַסעט. Kosinski, Stillwell, and Graepel (2013) געפֿונען אַז Facebook לייקס קענען פאָרויסזאָגן יחיד טרייץ און אַטראַביוץ. סורפּריסינגלי, די פֿאָרויסזאָגן קענען זייַן אַפֿילו מער פּינטלעך ווי יענע פון Friends און חברים (Youyou, Kosinski, and Stillwell 2015) .

    1. לייענען Kosinski, Stillwell, and Graepel (2013) , און רעפּלאַקייט Figure 2. זייער דאַטן זענען בנימצא דאָ: http://mypersonality.org/
    2. איצט, רעפּלאַקייט Figure 3.
    3. צום סוף, פּרובירן זייער מאָדעל אויף דיין אייגן Facebook דאַטן: http://applymagicsauce.com/. ווי געזונט טוט עס אַרבעט פֿאַר איר?

11. [ ] Toole et al. (2015) נוצן רופן דעטאַל רעקאָרדס (קדרס) פון מאָביל טעלעפֿאָנען צו פאָרויסזאָגן געמיינזאַם אַרבעטלאָזיקייַט טרענדס.

    1. קאָמפּאַרע און קאַנטראַסט די פּלאַן פון Toole et al. (2015) מיט Blumenstock, Cadamuro, and On (2015) .
    2. צי איר טראַכטן קדרס זאָל פאַרבייַטן בעקאַבאָלעדיק סערווייז, דערגאַנג זיי אָדער ניט זיין געוויינט בייַ אַלע פֿאַר רעגירונג פּאַלאַסימייקערז צו שפּור אַרבעטלאָזיקייַט? וואָס?
    3. וואָס זאָגן וואָלט יבערצייַגן איר אַז קדרס קענען גאָר פאַרבייַטן בעקאַבאָלעדיק מיטלען פון די אַרבעטלאָזיקייַט קורס?