aktivecoj

  • grado de malfacilaĵo: facila facila , meza meza , malfacile malfacile , tre malfacile tre malfacile
  • postulas matematikon ( postulas matematikon )
  • postulas kodigon ( postulas kodigon )
  • kolekto de datumoj ( kolekto de datumoj )
  • miaj plej ŝatataj ( mia plej ŝatata )

  1. [ malfacile , postulas matematikon ] En la ĉapitro, mi estis tre pozitiva pri post-estratigo. Tamen, ĉi tio ne ĉiam plibonigas la kvaliton de korinklinoj. Konstruu situacion kie post-estratigo povas malpliigi la kvaliton de korinklinoj. (Por aludo, vidu Thomsen (1973) .)

  2. [ malfacile , kolekto de datumoj , postulas kodigon ] Dezajno kaj realigi ne-probablan enketon pri Amazona Mekanika Turko por demandi pri pafilfamilio kaj sintenoj direkte al pafilo. Por ke vi povu kompari viajn taksojn al tiuj, kiuj elspezas de probabla specimeno, bonvolu kopii la demandojn de teksto kaj respondo rekte de altkvalita enketo, kiel ekzemple tiuj, kiuj estas pekitaj de Pew Research Center.

    1. Kiom longe daŭras via enketo? Kiom ĝi kostas? Kiel la demografiaĵoj de via specimeno komparas kun la demografioj de la usona loĝantaro?
    2. Kio estas la kruda takso de pafta proprieto uzanta vian specimenon?
    3. Korektu por la ne reprezentado de via specimeno per post-estratigo aŭ iu alia tekniko. Nun, kio estas la takso de pafilfamiliaĵo?
    4. Kiel viaj taksoj komparas kun la plej lasta takso de probabl-bazita specimeno? Kion vi pensas klarigas la discrepancojn, ĉu ekzistas?
    5. Ripeti demandojn (b) - (d) por sintenoj direkte al pafilo. Kiel viaj rezultoj diferencas?

  3. [ tre malfacile , kolekto de datumoj , postulas kodigon ] Goel kaj kolegoj (2016) administris 49 multoblajn pozitivajn demandojn de la Ĝenerala Socia Enketo (GSS) kaj selektitaj enketoj de Pew Research Center al neprobabla specimeno de enketitaj el Amazon Mechanical Turk. Ili tiam ĝustigis pro la ne-reprezentaĵo de datumoj per modelo-bazita poststratifiko kaj komparis iliajn aranĝitajn taksojn kun tiuj de la probabl-bazitaj GSS kaj Pew-enketoj. Konduku la saman enketon pri Amazon Mechanical Turk kaj provu repliki figuron 2a kaj figuron 2b komparante viajn aranĝajn taksojn kun la taksoj de la plej lastatempaj ĉirkaŭvojoj de la GSS kaj Pew-enketoj. (Vidu apendico tablo A2 por la listo de 49 demandoj.)

    1. Komparu kaj kontrastu viajn rezultojn kun tiuj de Pew kaj GSS.
    2. Komparu kaj kontrastu viajn rezultojn kun tiuj de la Mekanika Turka enketo en Goel, Obeng, and Rothschild (2016) .

  4. [ meza , kolekto de datumoj , postulas kodigon ] Multaj studoj uzas mem-raportitajn mezurojn de poŝtelefono. Ĉi tio estas interesa agordo en kiu esploristoj povas kompari mem-raportitajn kondutojn kun ensalutinta konduto (vidu ekz., Boase and Ling (2013) ). Du komunaj kondutoj por demandi privokas kaj tekstas, kaj du oftaj tempoj kadroj estas "hieraŭ" kaj "en la pasinta semajno."

    1. Antaŭ kolekti ajnan datumon, kiun el la mem-raportaj mezuroj vi opinias estas pli preciza? Kial?
    2. Varbi kvin el viaj amikoj esti en via enketo. Bonvolu resumi breve, kiel tiuj kvin amikoj estis montritaj. Ĉu ĉi tiu specimena proceduro induktas specifajn antaŭjuĝojn en viaj taksoj?
    3. Demandu al ili la jenajn mikrosurveyajn demandojn:
    • "Kiomfoje vi uzis vian poŝtelefonon por voki aliajn hieraŭ?"
    • "Kiom da mesaĝoj de teksto vi sendis hieraŭ?"
    • "Kiomfoje vi uzis vian poŝtelefonon por voki aliajn dum la lastaj sep tagoj?"
    • "Kiomfoje vi uzis vian poŝtelefonon por sendi aŭ ricevi tekston-mesaĝojn / SMS en la lastaj sep tagoj?"
    1. Post kiam ĉi tiu microsurveyo estis finita, petu kontroli iliajn uzajn datumojn kiel ensalutitajn per sia telefono aŭ servprovizanto. Kiel faras mem-raporta uzado kompari al ensalutaj datumoj? Kiu estas plej preciza, kio estas malpli preciza?
    2. Nun kombini la datumojn, kiujn vi kolektis kun la datumoj de aliaj homoj en via klaso (se vi faras ĉi tiun agadon por klaso). Kun ĉi tiu pli granda datumaro, ripetu parto (d).

  5. [ meza , kolekto de datumoj ] Schuman kaj Presser (1996) argumentas, ke la demandoj demandas du tipojn de demandoj: partpartaj demandoj, kie du demandoj estas samtempe kun la specifaĵoj (ekz., Ratings de du prezidantaj kandidatoj); kaj tutmondaj demandoj, kie ĝenerala demando sekvas pli specifan demandon (ekz. demandante "Kiom kontenta vi estas kun via laboro?" sekvita de "Kiel kontenta vi estas kun via vivo?").

    Ili pli karakterizas du specojn de demando-ordo-efekto: konsistencaj efikoj okazas kiam respondoj al posta demando estas pli proksimaj (ol alie ili estus) al tiuj donitaj al pli frua demando; Kontrastaj efikoj okazas kiam estas pli grandaj diferencoj inter respondoj al du demandoj.

    1. Krei paron de partpartaj demandoj, kiujn vi opinias, ke ĝi havas grandan demandon-efekton; paro de tutmondaj demandoj, kiujn vi opinias, havos grandan ordon-efekton; kaj paro da demandoj, kies ordo, kiun vi opinias, ne gravas. Kuri enketan eksperimenton sur Amazona Mekanika Turko por provi viajn demandojn.
    2. Kiom granda partoparta efiko vi povus krei? Ĉu ĝi estis konsistenteco aŭ kontrasta efiko?
    3. Kiom granda efika efiko vi povis krei? Ĉu ĝi estis konsistenteco aŭ kontrasta efiko?
    4. Ĉu ekzistis demando ordo en via paro, kie vi ne pensis, ke la ordo importus?

  6. [ meza , kolekto de datumoj ] Konstruanta sur la verko de Schuman kaj Presser, Moore (2002) priskribas apartan dimension de demando ordo efiko: aldonaĵoj kaj subtractaj efikoj. Kvankam kontrasto kaj konsistencaj efikoj estas produktitaj kiel konsekvenco de la taksadoj de la enketistoj de la du eroj rilate unu al la alia, produktaj efikoj kaj subtrahataj efikoj estas produktitaj kiam la enketoj fariĝas pli sentemaj al la pli granda kadro, en kiu la demandoj posedas. Legu Moore (2002) , tiam desegnas kaj ekzekutas enketon eksperimenton pri MTurk por pruvi aldonaĵojn aŭ subtrajnajn efikojn.

  7. [ malfacile , kolekto de datumoj ] Christopher Antoun kaj kolegoj (2015) realigis studon komparante la komfortajn specimenojn akiritajn de kvar malsamaj retaj varboj en linio: MTurk, Craigslist, Google AdWords kaj Facebook. Deziru simplan enketon kaj rekrutu partoprenantojn per almenaŭ du malsamaj interretaj rekrutantaj fontoj (tiuj fontoj povas esti malsamaj de la kvar fontoj uzitaj en Antoun et al. (2015) ).

    1. Komparu la koston per rekruto-en terminoj de mono kaj tempo-inter malsamaj fontoj.
    2. Komparu la komponadon de la specimenoj akiritaj de diversaj fontoj.
    3. Komparu la kvaliton de datumoj inter la specimenoj. Por ideoj pri kiel mezuri la kvaliton de datumoj de la enketitaj, vidu Schober et al. (2015) .
    4. Kio estas via preferata fonto? Kial?

  8. [ meza ] Por klopodi antaŭdiri la rezultojn de la 2016 EU-Referendumo (tio estas, Brexit), YouGov-interreta merkata esploro firma-realigita enretajn balotojn de panelo de proksimume 800,000 enketitaj en Britio.

    Detala priskribo de la statistika modelo de YouGov povas esti trovita ĉe https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/. Iom vorte, YouGov disdonis voĉdonantojn en specojn bazitajn en 2015 voĉdonaj elektoj de ĝenerala elekto, aĝo, kvalifikoj, sekso kaj dato de intervjuo, same kiel la balotdistrikto en kiu ili loĝis. Unue, ili uzis datumojn kolektitajn de la panelistoj de YouGov por taksi, inter tiuj, kiuj voĉdonis, la proporcion de homoj de ĉiu voĉdona tipo, kiu celis voĉdoni. Ili taksis la balotadon de ĉiu voĉdona tipo per la 2015-datita Brita Elekto-Studo (BES), post-elekta vizaĝo-al-vizaĝo enketo, kiu validigis la balotadon de la voĉdonaj listoj. Fine, ili taksis kiom da homoj estis de ĉiu vota tipo en la elektantaro, bazita sur la plej lasta Censo kaj Jara Loĝantaro (kun iuj aldonaj informoj de aliaj datumaj fontoj).

    Tri tagojn antaŭ la voĉdono, YouGov montris du-punktan plumon por Leave. Antaŭ la antaŭa balotado, la enketo indikis, ke la rezulto estis tro proksima alvoki (49/51 Resti). La fina hodda studo antaŭvidis 48/52 en favoro de Resti (https://yougov.co.uk/news/2016/06/23/ougov-day-poll/). Fakte, ĉi tiu takso perdis la rezultan rezulton (52/48 Leave) per kvar procentoj.

    1. Uzu la tutan enketan eraran kadron diskutita en ĉi tiu ĉapitro por taksi kio povus esti malĝusta.
    2. La respondo de YouGov post la elekto (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) klarigis: "Ĉi tio ŝajnas en granda parto pro partopreno-io ni diris dum la tuta tempo estus fundamenta por la rezulto de tia bele ekvilibra raso. Nia parlamenta modelo baziĝis, parte, ĉu enketantoj voĉdonis ĉe la lasta ĝenerala elekto kaj voĉdona nivelo super la ĝeneralaj elektoj renversis la modelon, precipe en la Nordo. "Ĉu ĉi tio ŝanĝas vian respondon al parto?

  9. [ meza , postulas kodigon ] Skribu simuladon por ilustri ĉiun el la reprezentaj eraroj en figuro 3.2.

    1. Krei situacion, kie tiuj eraroj vere nuligas.
    2. Krei situacion, kie la eraroj formis unu la alian.

  10. [ tre malfacile , postulas kodigon ] La esplorado de Blumenstock kaj kolegoj (2015) implikis konstrui maŝin-lernadon, kiu povus uzi ciferecajn spurojn por antaŭdiri enketojn. Nun vi provos saman aferon kun malsama datumaro. Kosinski, Stillwell, and Graepel (2013) trovis, ke Facebook-likoj povas antaŭdiri individuajn trajtojn kaj atributojn. Surprize, ĉi tiuj antaŭdiroj povas esti eĉ pli precizaj ol tiuj de amikoj kaj kolegoj (Youyou, Kosinski, and Stillwell 2015) .

    1. Legu Kosinski, Stillwell, and Graepel (2013) kaj replikas figuron 2. Ilia datumo estas disponebla ĉe http://mypersonality.org/
    2. Nun repliku figuron 3.
    3. Finfine provu sian modelon sur viaj propraj Facebook-datumoj: http://applymagicsauce.com/. Kiel bone funkcias por vi?

  11. [ meza ] Toole et al. (2015) uzis nomitajn detalojn (CDRs) de poŝtelefonoj por antaŭdiri kompletajn senlaborecajn tendencojn.

    1. Komparu kaj kontrastas la studan desegnon de Toole et al. (2015) kun tiu de Blumenstock, Cadamuro, and On (2015) .
    2. Ĉu vi opinias, ke CDRoj devus anstataŭigi tradiciajn enketojn, kompletigi ilin aŭ ne esti uzataj tute por registaraj politikistoj por spuri senlaborecon? Kial?
    3. Kio evidenteco konvinkus vin, ke CDRoj povas tute anstataŭigi tradiciajn mezurojn de senlaboreco?

Powered by Open Review Toolkit