aktiviteiten

Kaai:

  • mjitte fan muoite: maklik maklik , medium medium , hurd hurd , hiel dreech hiel dreech
  • freget math ( freget math )
  • freget taalkodearjen ( freget taalkodearjen )
  • data kolleksje ( data kolleksje )
  • myn favoriten ( myn favorite )
  1. [ hurd , freget math ] Yn it haadstik, ik wie tige posityf oer post-stratification. Mar, it hat net altyd ferbetterjen fan de kwaliteit fan de rûzings. Construct in situaasje dêr't kin post-stratification kin ôfnimme de kwaliteit fan de rûzings. (Foar in oanwizing, sjoch Thomsen (1973) ).

  2. [ hurd , data kolleksje , freget taalkodearjen ] Design en fiere in net-kâns ûndersyk op Amazon MTurk te freegjen oer gun eigendom ( "Wolle jo, of docht immen yn jo húshâlding, in eigen gun, gewear of pistol? Is dat jo of immen oars yn jo húshâlding?") En hâlding oangeande gun behearsking ( "Wat dogge jo tinke is wichtiger-te beskermjen it rjocht fan de Amerikanen nei eigen kanonnen, of te bestjoere gun eigendom?").

    1. Hoe lang hat dyn ûndersyk nimme? Hoe djoer is it? Hoe de demografy fan jo sample ferlykje nei de demografy fan 'e Amerikaanske befolking?
    2. Wat is it rauwe skatting fan gun eigendom brûkend jo sample?
    3. Korrekt foar de net-representativeness fan jo sample brûkend post-stratification of guon oare technyk. No wat is de rûzing fan gun eigendom?
    4. Hoe jo rûzingen ferlykje nei de lêste skatting út Pew Research Center? Wat ferklearje de discrepancies, as der is in?
    5. Werhelje it oefening 2-5 foar hâlding nei gun kontrôle. Hoe dyn befinings ferskille?
  3. [ hiel dreech , data kolleksje , freget taalkodearjen ] Goel en kollega (2016) bestjoerd in net-kâns-basearre ûndersyk besteande út 49 meardere-kar attitudinale fragen lutsen út it Algemien Maatskiplik Survey (GSS) en selektearje ûndersiken troch it Pew Research Center op Amazon MTurk. Se dan oanpasse foar de net-representativeness fan gegevens mei help fan model-basearre post-stratification (Mr. P), en ferlykje de oanpast rûzings mei dy rûsd mei help kâns-basearre GSS / Pew ûndersiken. Fiere itselde ûndersyk op MTurk en besykje te replicate Figure 2a en Figure 2b troch fergelykjen jo oanpast rûzings mei de rûzings fan de meast resinte rûndes fan GSS / Pew (Sjoch Taheakke Tabel A2 foar de list fan 49 fragen).

    1. Ferlykje en kontrast jo resultaten nei de resultaten fan Pew en GSS.
    2. Ferlykje en kontrast jo resultaten nei de resultaten fan de MTurk ûndersyk yn Goel, Obeng, and Rothschild (2016) .
  4. [ medium , data kolleksje , freget taalkodearjen ] In soad stúdzjes brûke sels-rapport maatregels fan mobile tillefoan aktiviteit gegevens. Dit is in nijsgjirrige ynstelling dêr't ûndersikers kinne ferlykje sels-rapportearre gedrach mei Logged gedrach (sjoch bygelyks, Boase and Ling (2013) ). Twa mienskiplike gedrach te freegjen oer binne ropt en texting, en twa mienskiplike tiid frames binne "juster" en "yn de ôfrûne wike."

    1. Foar it sammeljen fan alle gegevens, dy't fan it sels-rapport maatregels hawwe jo tinke is mear presys? Wêrom?
    2. Werve 5 fan dyn freonen te wêze yn dyn ûndersyk. Please koart gearfetsje hoe't dizze 5 freonen waarden sampled. Kin dizze sampling proseduere induce spesifike biases yn jo rûzings?
    3. Graach freegje harren de folgjende mikro-survey:
    • "Hoe faak hasto brûke mobile tillefoan te roppen oaren juster?"
    • "Hoefolle tekst berjochten hasto stjoere juster?"
    • "Hoe faak hasto brûke jo mobile tillefoan te roppen oaren yn de lêste sân dagen?"
    • "Hoe faak die jo brûke jo mobile tillefoan te ferstjoere of ûntfange tekst berjochten / sms yn de lêste sân dagen?" Ien kear it ûndersyk klear is, freegje te kontrolearjen harren usage gegevens as dy troch harren telefoan of tsjinst provider.
    1. Hoe hat sels-rapport usage ferlykje om gegevens? Dat is meast akkuraat, dat is syn minst presys?
    2. No kombinearje de gegevens dy't jo hawwe sammele mei de gegevens út oare minsken yn jo klasse (as jo dit dogge aktiviteit foar in klasse). Mei dit grutter dataset, werhelje diel (d).
  5. [ medium , data kolleksje ] Schuman en Presser (1996) stelle dat fraach oarders soe út foar twa soarten fan relaasjes tusken fragen: diel-diel fragen dêr't twa fragen binne op itselde nivo fan spesifisiteit (bygelyks wurdearrings fan twa Presidential kandidaten); en diel-hiele fragen dêr't in algemiene fraach folget in mear spesifike fraach (bygelyks freegje "Hoe tefreden binne jo mei dyn wurk?" folge troch "Hoe tefreden binne jo mei dyn libben?").

    Se fierder karakteriseren twa soarten fraach folchoarder effekt: gearhing effekten foarkomme as antwurd te in letter fraach wurde brocht tichter (as se soe oars wêze) oan dy jûn nei in earder fraach; kontrast effekten foarkomme as der gruttere ferskillen tusken reaksjes nei twa fragen.

    1. Meitsje in pear fan diel-diel fragen dy't jo tinke sil hawwe in grutte fraach oarder effekt, in pear fan diel-hiele fragen dy't jo tinke sil hawwe in grutte oarder effekt, en in oar pear fragen dêr't om jo tinke soe net út. Run in ûndersyk eksperimint op MTurk te testen jo fragen.
    2. Hoe grut wie it diel-diel effekt wiene jo te meitsjen? Wie it in gearhing of kontrast effekt?
    3. Hoe grut wie it diel-hiele effekt wiene jo te meitsjen? Wie it in gearhing of kontrast effekt?
    4. Wie der in fraach om effekt yn jo pair dêr't jo net tinke de oarder soe út?
  6. [ medium , data kolleksje ] Bouwe oan it wurk fan Schuman en Presser, Moore (2002) beskriuwt in aparte diminsje fan fraach folchoarder effekt: additive en subtraktive. Wylst tsjinstelling en gearhing effekten wurde produsearre as in gefolch fan de respondinten 'evaluaasjes fan de twa items yn relaasje mei elkoar, additief en subtraktive effekten wurde produsearre as respondinten binne makke mear gefoelich foar it gruttere ramt binnen dêr't de fragen wurde steld. Read Moore (2002) , dan ûntwerp en rinne in ûndersyk eksperimint op MTurk te demonstrate additief of subtraktive effekten.

  7. [ hurd , data kolleksje ] Christopher Antoun en kollega (2015) útfierd in stúdzje fergelykjen it gemak fan gebrûk krigen fan fjouwer ferskillende online recruiting boarnen: MTurk, Craigslist, Google AdWords en Facebook. Ûntwerp in ienfâldige survey en winnen dielnimmers troch op syn minst twa ferskillende online recruiting boarnen (sy kin wêze ferskate boarnen út de fjouwer boarnen brûkt yn Antoun et al. (2015) ).

    1. Ferlykje de kosten per recruit, kwa jild en tiid, tusken ferskillende boarnen.
    2. Ferlykje de gearstalling fan it gebrûk krigen út ferskate boarnen.
    3. Ferlykje de kwaliteit fan gegevens tusken de gebrûk. Foar ideeën oer hoe om te mjitten gegevens kwaliteit fan respondinten, sjoch Schober et al. (2015) .
    4. Wat is jo foarkar boarne? Wêrom?
  8. [ medium ] YouGov, in ynternet-basearre merk ûndersyk fêst, útfierd online polls fan in paniel fan likernôch 800.000 respondinten yn it Feriene Keninkryk en brûkt de hear P. te foarsizze it resultaat fan EU Referindum (dws, Brexit) dêr't de UK kiezers stimme of om te bliuwe yn of lit de Europeeske Uny.

    In wiidweidige beskriuwing fan YouGov fan statistyske model is hjir (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/). Rûchwei praten, YouGov Partitionen kiezers yn soarten basearre op 2015 algemiene ferkiezings vote kar, leeftyd, kwalifikaasjes, geslacht, datum fan ynterview, likegoed as it kiesdistrikt se wenje yn. Earst, se brûkte gegevens sammele fan de YouGov panelists te skatten, ûnder dyjingen dy't stimme, it oanpart fan minsken fan elke kiezer type dy't fan doel om stimme Leave. Sy rûze opkomst fan elke kiezer type troch mei help fan de 2015 Britske Election Study (BES) post-ferkiezings face-to-face enkête, dy't falidearre opkomst fan 'e stimburo broadsjes. Ta beslút, hja skatten hoefolle minsken der fan elke kiezer type yn 'e Electorate basearre op lêste folkstelling en Annual Ynwenners Survey (mei wat Neist ynformaasje fan de BES, YouGov ûndersyk gegevens út om de algemiene ferkiezings, en ynformaasje oer hoe't in protte minsken stimden foar eltse partij yn elke kiesrûnte).

    Trije dagen foar de stimming, YouGov liet in twa punt foarsprong foar Leave. Oan de foarjûn fan de stimming, de poll liet te ticht te roppen (49-51 Bliuw). De finale op-de-dei stúdzje foarseine 48/52 yn it foardiel fan Bliuw (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). Yn feite, dit rûzing miste de úteinlike resultaat (52-48 Leave) troch fjouwer persintaazje punten.

    1. Brûk de totale ûndersyk flater ramt besprutsen yn dit haadstik te beoardieljen wat koe gien ferkeard.
    2. YouGov syn antwurd nei de ferkiezings (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) ferklearre: "Dit liket yn in grut part troch de opkomst - wat dat wy hawwe sein alles tegearre wêze soe krúsjaal foar de útkomst fan sa'n fyn balansearre race. Us opkomst model wie basearre, foar in part, op oft respondinten hie stimd op de lêste algemiene ferkiezings en in opkomst nivo boppe dat fan algemiene ferkiezings overstuur it model, benammen yn 'e Noard. "Does dit feroarje jo antwurd ta diel (a)?
  9. [ medium , freget taalkodearjen ] Skriuw in simulaasje te yllustrearjen elk fan de fertsjintwurdiging flaters yn figuer 3.1.

    1. Meitsje in situaasje dêr't dizze flaters eins ôfbrekke út.
    2. Meitsje in situaasje dêr't de flaters compound inoar.
  10. [ hiel dreech , freget taalkodearjen ] It ûndersyk fan Blumenstock en kollega (2015) belutsen it bouwen fan in masine learen model dat koe brûke digitale spoare gegevens te foarsizze ûndersyk reaksjes. No, jo sille besykje itselde ding mei in oare dataset. Kosinski, Stillwell, and Graepel (2013) fûn dat Facebook likes kinne foarsizze yndividuele trekken en attributen. Ferrassend, dizze foarsizzings kin noch krekter as dy fan freonen en kollega (Youyou, Kosinski, and Stillwell 2015) .

    1. Read Kosinski, Stillwell, and Graepel (2013) , en replicate Figure 2. Har gegevens beskikber binne hjir: http://mypersonality.org/
    2. No, replicate Figuer 3.
    3. Ta beslút, besykje harren model op jo eigen Facebook gegevens: http://applymagicsauce.com/. Hoe goed wurket it foar dy?
  11. [ medium ] Toole et al. (2015) gebrûk oprop detail records (CDRs) fan mobile tillefoans te foarsizzen aggregate wurkleazens trends.

    1. Ferlykje en kontrast it ûntwerp fan Toole et al. (2015) mei Blumenstock, Cadamuro, and On (2015) .
    2. Hawwe jo tinke CDRs moatte ferfange tradisjonele ûndersiken, oanfolling se of net brûkt wurde op alle foar de oerheid beliedsmakkers om track wurkleazens? Wêrom?
    3. Wat bewiis soe oertsjûgje jo dat CDRs kinne folslein ferfange tradisjonele maatregels fan de wurkleazens?