أنشطة

• درجة الصعوبة: سهل ، متوسط ، الصعب ، صعب جدا
• يتطلب الرياضيات ( )
• يتطلب الترميز ( )
• جمع البيانات ( )
• مفضلتي ( )

1. [ ، ] في الفصل ، كنت إيجابيا للغاية حول مرحلة ما بعد التقسيم الطبقي. ومع ذلك ، فإن هذا لا يؤدي دائمًا إلى تحسين جودة التقديرات. قم ببناء موقف حيث يمكن للتقسيم اللاحق أن يقلل من جودة التقديرات. (للحصول على تلميح ، راجع Thomsen (1973) .)

2. [ ، ، ] تصميم وإجراء مسح غير احتمالية على الأمازون ترك الآلي للسؤال عن ملكية السلاح والمواقف تجاه السيطرة على السلاح. بحيث يمكنك مقارنة تقديراتك بالتقديرات المشتقة من عينة احتمالية ، يرجى نسخ نص السؤال وخيارات الاستجابة مباشرة من مسح عالي الجودة مثل تلك التي يديرها مركز بيو للأبحاث.

   1. كم تستغرق عملية المسح الخاصة بك؟ كم يكلف؟ كيف يمكن مقارنة التركيبة السكانية لعينتك مع التركيبة السكانية للسكان الأمريكيين؟
   2. ما هو التقدير الأولي لملكية السلاح باستخدام عينتك؟
   3. صحّح عدم التماثل في عينتك باستخدام تقنية ما بعد الطبقية أو تقنية أخرى. الآن ما هو تقدير ملكية السلاح؟
   4. كيف تقارن تقديراتك بأحدث تقدير من عينة قائمة على الاحتمالية؟ ما رأيك يفسر التناقضات ، إذا كان هناك أي تباين؟
   5. كرر الأسئلة (ب) - (د) للمواقف تجاه السيطرة على السلاح. كيف تختلف النتائج الخاصة بك؟

3. [ ، ، قام غويل وزملاؤه (2016) بإدارة 49 سؤالاً في المواقف متعددة الخيارات من المسح الاجتماعي العام (GSS) ، واستطلاعات مختارة من مركز بيو للأبحاث إلى عينة غير محتملة من المستجيبين المستمدين من شركة أمازون ميكانيك التركية. ثم قاموا بالتعديل من أجل عدم تمثيل البيانات باستخدام نموذج ما بعد التقسيم الطبقي وقارنوا تقديراتهم المعدلة مع التقديرات الواردة في استطلاعات GSS و Pew القائمة على الاحتمالية. قم بإجراء نفس المسح على Amazon Mechanical Turk وحاول تكرار الشكل 2 أ والشكل 2 ب بمقارنة تقديراتك المعدلة مع التقديرات من أحدث جولات استبيان GSS و Pew. (انظر جدول التذييل A2 للاطلاع على قائمة من 49 سؤالًا.)

   1. قارن نتائجك مع نتائج من Pew و GSS.
   2. قم بمقارنة نتائجك مع نتائج استطلاع رأي Mechanical Mechanical في Goel, Obeng, and Rothschild (2016) .

4. [ ، ، ] العديد من الدراسات تستخدم مقاييس ذاتية المبلغ عنها لاستخدام الهاتف المحمول. هذا هو وضع مثير للاهتمام حيث يستطيع الباحثون مقارنة السلوك المبلغ عنه ذاتيا مع السلوك المسجل (انظر على سبيل المثال ، Boase and Ling (2013) ). هناك سلوكان شائعان يسألان عن الدعوة والرسائل النصية ، واثنين من الأطر الزمنية الشائعة هما "البارحة" و "في الأسبوع الماضي".

   1. قبل جمع أي بيانات ، أي من إجراءات التقرير الذاتي تعتقد أنها أكثر دقة؟ لماذا ا؟
   2. قم بتوظيف خمسة من أصدقائك ليكونوا في الاستطلاع الخاص بك. يرجى إيجاز كيف تم أخذ عينات من هؤلاء الأصدقاء الخمسة. هل يمكن أن يؤدي إجراء أخذ العينات هذا إلى تحيزات معينة في تقديراتك؟
   3. اطلب منهم الأسئلة التالية حول الأسئلة الصغرية:
   • "كم مرة استخدم هاتفك المحمول للاتصال بالأخرين أمس؟"
   • "كم عدد الرسائل النصية التي أرسلتها بالأمس؟"
   • "كم عدد المرات التي استخدمت فيها هاتفك المحمول للاتصال بأشخاص آخرين في الأيام السبعة الأخيرة؟"
   • "كم مرة استخدم هاتفك المحمول لإرسال أو استقبال الرسائل النصية / الرسائل القصيرة في آخر سبعة أيام؟"
   4. بمجرد اكتمال هذا الملخص الدقيق ، اطلب التحقق من بيانات الاستخدام الخاصة به كما تم تسجيلها بواسطة الهاتف أو مزود الخدمة. كيف يقارن استخدام التقرير الذاتي مع بيانات السجل؟ أيهما أكثر دقة ، وهو الأقل دقة؟
   5. الآن دمج البيانات التي قمت بجمعها مع البيانات من أشخاص آخرين في صفك (إذا كنت تقوم بهذا النشاط لفئة). باستخدام مجموعة البيانات الأكبر هذه ، كرر الجزء (د).

5. [ ، يجادل شومان وبريسر (1996) بأن أوامر الأسئلة ستؤثر على نوعين من الأسئلة: الأسئلة الجزئية التي يكون فيها سؤالان على نفس المستوى من الخصوصية (على سبيل المثال ، تصنيف المرشحين الرئاسيين) ؛ أسئلة جزئية حيث يتبع سؤال عام سؤالًا أكثر تحديدًا (على سبيل المثال ، السؤال "ما مدى رضاك ​​عن عملك؟" متبوعًا بـ "ما مدى رضاك ​​عن حياتك؟").

   كما أنها تميز نوعين من تأثير ترتيب الأسئلة: تحدث تأثيرات الاتساق عندما تقترب الردود على سؤال لاحق (أكثر مما كانت عليه) إلى تلك المعطاة لسؤال سابق ؛ تحدث تأثيرات التباين عند وجود اختلافات أكبر بين الردود على سؤالين.

   1. قم بإنشاء زوج من الأسئلة الجزئية التي تعتقد أنه سيكون لها تأثير كبير على طلب السؤال ؛ زوج من الأسئلة التي تعتقد أنها سيكون لها تأثير كبير على الترتيب ؛ وزوج من الأسئلة التي تعتقد أن أمرها لا يهم. قم بإجراء تجربة استطلاع على Amazon Mechanical Turk لاختبار أسئلتك.
      
   2. ما حجم التأثير الجزئي الذي أمكنك إنشاءه؟ هل كان اتساقًا أم تناقض؟
   3. ما مدى تأثير جزء كامل من التأثير؟ هل كان اتساقًا أم تناقض؟
   4. هل كان هناك تأثير طلب للسؤال في زوجك حيث لم تعتقد أن الأمر سيكون مهمًا؟

6. [ ، ] بناء على عمل شومان وبريسر ، يصف Moore (2002) بعدًا منفصلاً لتأثير ترتيب الأسئلة: التأثيرات الإضافية والمختزلة. في حين تنتج تأثيرات التباين والتناسق نتيجة تقييم المستجيبين للبندين فيما يتعلق ببعضهما البعض ، يتم إنتاج التأثيرات الإضافية والمختزلة عندما تكون المجيبات أكثر حساسية للإطار الأكبر الذي يتم طرح الأسئلة عليه. اقرأ Moore (2002) ، ثم صمم وأجري تجربة استطلاع على MTurk لإظهار التأثيرات المضافة أو المنفصلة.

7. [ ، أجرى كريستوفر أنطون وزملاؤه (2015) دراسة تقارن عينات الملاءمة التي تم الحصول عليها من أربعة مصادر توظيف مختلفة عبر الإنترنت: MTurk و Craigslist و Google AdWords و Facebook. تصميم مسح بسيط وتجنيد المشاركين من خلال اثنين على الأقل من مصادر التوظيف المختلفة عبر الإنترنت (يمكن أن تكون هذه المصادر مختلفة عن المصادر الأربعة المستخدمة في Antoun et al. (2015) ).

   1. قارن التكلفة لكل مستخدم - من حيث المال والوقت - بين المصادر المختلفة.
   2. مقارنة تركيبة العينات التي تم الحصول عليها من مصادر مختلفة.
   3. مقارنة جودة البيانات بين العينات. للحصول على أفكار حول كيفية قياس جودة البيانات من المستجيبين ، راجع Schober et al. (2015) .
   4. ما هو المصدر المفضل لديك؟ لماذا ا؟

8. [ في محاولة للتنبؤ بنتائج استفتاء الاتحاد الأوروبي لعام 2016 (أي Brexit) ، أجرت YouGov - وهي شركة أبحاث تسويقية قائمة على الإنترنت - استطلاعات رأي على الإنترنت لفريق من 800،000 مستجيب في المملكة المتحدة.

   يمكن العثور على وصف تفصيلي للنموذج الإحصائي لـ YouGov على https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/. تقريبًا ، قسمت YouGov الناخبين إلى أنواع تستند إلى اختيار عام 2015 في التصويت العام ، والسن ، والمؤهلات ، والجنس ، وتاريخ المقابلة ، فضلاً عن الدائرة التي يعيشون فيها. أولاً ، استخدموا البيانات التي تم جمعها من أعضاء فريق استطلاع يوجوف لتقدير ، من بين الذين صوتوا ، نسبة الأشخاص من كل نوع من الناخبين الذين كانوا يزمعون التصويت إجازة. وقد قدروا إقبال كل نوع من الناخبين باستخدام دراسة الانتخابات البريطانية لعام 2015 (BES) ، وهي دراسة استقصائية وجهاً لوجه تمت بعد الانتخابات ، والتي أكدت على نسبة المشاركة من القوائم الانتخابية. وأخيرًا ، فقد قدروا عدد الأشخاص من كل نوع من الناخبين في الناخبين ، استنادًا إلى أحدث التعداد والمسح السنوي للسكان (مع بعض المعلومات الإضافية من مصادر البيانات الأخرى).

   قبل ثلاثة أيام من التصويت ، أظهر موقع YouGov تقدمًا بفارق نقطتين عن الإجازة. عشية التصويت ، أشار الاستطلاع إلى أن النتيجة كانت قريبة جداً من الاستدعاء (49/51). وتوقعت الدراسة النهائية على مدار اليوم 48/52 لصالح بقاء (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). في الواقع ، فقد هذا التقدير النتيجة النهائية (52/48 إجازة) بأربع نقاط مئوية.

   1. استخدم إطار عمل إجمالي مسح الخطأ الذي تمت مناقشته في هذا الفصل لتقييم ما قد يكون خطأ.
   2. رد YouGov بعد الانتخابات (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) أوضح: "هذا يبدو في جزء كبير بسبب الإقبال - وهو أمر لقد قلنا طوال الوقت سيكون حاسما لنتيجة هذا السباق المتوازن. استند نموذج الإقبال لدينا ، جزئيا ، إلى ما إذا كان المجيبون قد صوتوا في الانتخابات العامة الأخيرة وكان مستوى الإقبال فوق مستوى الانتخابات العامة قد أزعج النموذج ، لا سيما في الشمال. "هل هذا يغير إجابتك إلى جزء (أ)؟

9. [ ، ] اكتب محاكاة لتوضيح كل من أخطاء التمثيل في الشكل 3.2.

   1. أنشئ حالة تؤدي فيها هذه الأخطاء إلى الإلغاء فعليًا.
   2. قم بإنشاء موقف تتجمع فيه الأخطاء مع بعضها البعض.

10. [ ، شمل بحث Blumenstock وزملائه (2015) بناء نموذج التعلم الآلي الذي يمكنه استخدام بيانات التتبع الرقمي للتنبؤ بردود الاستطلاع. الآن ، ستجرب نفس الشيء مع مجموعة بيانات مختلفة. وجد Kosinski, Stillwell, and Graepel (2013) أن Facebook معجب بإمكانه التنبؤ بسمات وصفات فردية. من المدهش أن هذه التنبؤات يمكن أن تكون أكثر دقة من تلك الخاصة بالأصدقاء والزملاء (Youyou, Kosinski, and Stillwell 2015) .

    1. قراءة Kosinski, Stillwell, and Graepel (2013) ، وتكرار الرقم 2. بياناتهم متاحة في http://mypersonality.org/
    2. الآن ، تكرار الشكل 3.
    3. أخيرًا ، جرّب نموذجهم على بيانات Facebook الخاصة بك: http://applymagicsauce.com/. ما مدى جودة العمل بالنسبة لك؟

11. [ ] Toole et al. (2015) استخدام سجلات تفاصيل المكالمات (CDRs) من الهواتف المحمولة للتنبؤ باتجاهات البطالة الإجمالية.

    1. قارن بين تصميم دراسة Toole et al. (2015) مع ذلك من Blumenstock, Cadamuro, and On (2015) .
    2. هل تعتقد أن سجلات الإيداع والإصلاح يجب أن تحل محل الاستطلاعات التقليدية أو تكملها أو لا يمكن استخدامها على الإطلاق لصانعي السياسات الحكومية لتعقب البطالة؟ لماذا ا؟
    3. ما هي الأدلة التي ستقنعك بأن هذه التقارير يمكن أن تحل محل المقاييس التقليدية لمعدل البطالة؟