પ્રવૃત્તિઓ

• મુશ્કેલીની ડિગ્રી: સરળ , મધ્યમ , હાર્ડ , ખૂબ જ હાર્ડ
• ગણિત જરૂરી છે ( )
• કોડિંગની જરૂર છે ( )
• માહિતી સંગ્રહ ( )
• મારા મનપસંદ ( )

1. [ , ] પ્રકરણમાં, હું પોસ્ટ સ્તરીકરણ વિશે ખૂબ જ હકારાત્મક હતી. જો કે, તે હંમેશા અંદાજોની ગુણવત્તામાં સુધારો કરતી નથી. એવી સ્થિતિનું નિર્માણ કરો કે જ્યાં પોસ્ટ-સ્તરીકરણ અનુમાનની ગુણવત્તાને ઘટાડી શકે. (સંકેત માટે, Thomsen (1973) જુઓ.)

2. [ , , ] બંદૂક નિયંત્રણ અને બંદૂક નિયંત્રણ તરફ વલણ વિશે પૂછવા એમેઝોન યાંત્રિક ટર્ક પર બિન-સંભાવના સર્વેક્ષણ ડિઝાઇન અને સંચાલન. જેથી કરીને તમે તમારા અંદાજો સંભાવના નમૂનામાંથી ઉતરી આવેલા લોકો સાથે તુલના કરી શકો છો, પ્યૂ રિસર્ચ સેન્ટર દ્વારા ચલાવવામાં આવતી, જેમ કે હાઇ-ક્વોલિટી સર્વેક્ષણમાંથી સીધા જ પ્રશ્ન ટેક્સ્ટ અને પ્રતિભાવ વિકલ્પોની નકલ કરો.

   1. તમારા મોજણી કેટલો સમય લે છે? તે કેટલો ખર્ચ કરે છે? યુ.એસ. વસ્તીના વસ્તીવિષયક સાથે તમારા નમૂનાની વસ્તી-વિષયક માહિતીની સરખામણી કેવી રીતે થાય છે?
   2. તમારા નમૂનાનો ઉપયોગ કરીને બંદૂક માલિકીનો કાચો અંદાજ શું છે?
   3. પોસ્ટ-સ્તરીકરણ અથવા અમુક અન્ય તકનીકનો ઉપયોગ કરીને તમારા નમૂનાની બિનપ્રતિનિધિત્વ માટે યોગ્ય. હવે બંદૂકની માલિકીનો અંદાજ શું છે?
   4. તમારા અંદાજો સંભાવના આધારિત નમૂનામાંથી નવીનતમ અનુમાન સાથે કેવી રીતે તુલના કરે છે? તમને શું લાગે છે, જો કોઈ હોય તો અંતર સમજાવે છે?
   5. પુનરાવર્તન પ્રશ્નો (બી) - (ડી) બંદૂક નિયંત્રણ તરફ વલણ માટે. તમારા તારણો કેવી રીતે જુદા પડે છે?

3. [ , , ] ગોયલ અને સહકાર્યકરો (2016) જનરલ સોશિયલ સર્વે (જીએસએસ) માંથી લેવામાં આવેલા 49 બહુહેતુક અભિગમના પ્રશ્નો અને એમેઝોન યાંત્રિક ટર્કમાંથી દોરવામાં આવેલા ઉત્તરદાતાઓના બિન-સંભાવના નમૂના માટે પ્યુ સંશોધન કેન્દ્ર દ્વારા પસંદ કરેલ સર્વેક્ષણો. ત્યારબાદ તેઓએ મોડેલ-આધારિત પોસ્ટ-સ્તરીકરણનો ઉપયોગ કરીને ડેટાની બિન-પ્રતિનિધિત્વતા માટે ગોઠવણ કરી અને સંસ્થિતતા-આધારિત GSS અને Pew સર્વેક્ષણો સાથેના તેમના એડજસ્ટેડ અંદાજની તુલના કરી. એમેઝોન યાંજેકિક ટર્ક પર સમાન સર્વેક્ષણનું સંચાલન કરો અને GSS અને પ્યુ સર્વેક્ષણોના તાજેતરના રાઉન્ડના અંદાજો સાથે તમારા સમાયોજિત અંદાજની સરખામણી કરીને આકૃતિ 2 એક અને આકૃતિ 2b ની નકલ કરવાનો પ્રયાસ કરો. (49 પ્રશ્નોની સૂચિ માટે પરિશિષ્ટ કોષ્ટક A2 જુઓ.)

   1. તમારા પરિણામોની સરખામણી પ્યુ અને જીએસએસ સાથે કરો.
   2. Goel, Obeng, and Rothschild (2016) માં યાંત્રિક ટર્ક મોજણી સાથે તમારા પરિણામોની સરખામણી કરો અને તેનાથી વિપરિત કરો.

4. [ , , ] ઘણા અભ્યાસો મોબાઇલ ફોન ઉપયોગના સ્વ-રિપોર્ટ કરેલ પગલાંનો ઉપયોગ કરે છે. આ એક રસપ્રદ સેટિંગ છે જેમાં સંશોધકો લોગ કરેલ વર્તન સાથે સ્વ- Boase and Ling (2013) વર્તનની સરખામણી કરી શકે છે (ઉદાહરણ તરીકે, Boase and Ling (2013) ). કહો કે બે સામાન્ય વર્તણૂકો ફોન કરે છે અને ટેક્સ્ટિંગ કરે છે, અને બે સામાન્ય સમય ફ્રેમ "ગઇકાલે" અને "છેલ્લા અઠવાડિયામાં" છે.

   1. કોઈ પણ ડેટા એકઠી કરતા પહેલા, સ્વયં-રિપોર્ટના પગલાંમાંથી કયો અભિપ્રાય વધુ સચોટ છે? શા માટે?
   2. તમારા સર્વેમાં પાંચ મિત્રોની ભરતી કરો. આ પાંચ મિત્રોને કેવી રીતે નમૂનારૂપ કરવામાં આવ્યા તે ટૂંકમાં સંક્ષિપ્તમાં જણાવો. શું આ નમૂનાની પ્રક્રિયા તમારા અંદાજોમાં ચોક્કસ પક્ષપાતને પ્રેરિત કરે છે?
   3. તેમને નીચેના માઇક્રોસર્વેય પ્રશ્નો પૂછો:
   • "તમે ગઈકાલે અન્ય લોકોને કૉલ કરવા માટે તમારા મોબાઇલ ફોનનો કેટલો વખત ઉપયોગ કર્યો છે?"
   • "તમે ગઇકાલે કેટલા ટેક્સ્ટ સંદેશા મોકલ્યા?"
   • "તમે છેલ્લા સાત દિવસોમાં અન્યને કૉલ કરવા માટે તમારા મોબાઇલ ફોનનો કેટલો વખત ઉપયોગ કર્યો છે?"
   • "તમે છેલ્લા સાત દિવસોમાં ટેક્સ્ટ સંદેશા / એસએમએસ મોકલવા અથવા પ્રાપ્ત કરવા માટે તમારા મોબાઇલ ફોનનો કેટલો વખત ઉપયોગ કર્યો છે?"
   4. એકવાર આ માઇક્રોસર્વે પૂર્ણ થઈ જાય, તેમના ફોન અથવા સેવા પ્રદાતા દ્વારા લૉગ કરાયેલા તેમના વપરાશ ડેટાને ચકાસવા માટે પૂછો. સ્વયં-રિપોર્ટનો વપરાશ લોગ ડેટા સાથે કેવી રીતે કરે છે? જે સૌથી સચોટ છે, જે ઓછામાં ઓછું સચોટ છે?
   5. હવે તમારા વર્ગના અન્ય લોકોના ડેટા સાથે એકત્રિત કરેલા ડેટાને ભેગા કરો (જો તમે વર્ગ માટે આ પ્રવૃત્તિ કરી રહ્યા હોવ). આ મોટા ડેટાસેટ સાથે, પુનરાવર્તન ભાગ (ડી).

5. [ , ] શુમેન અને પ્રેસર (1996) એવી દલીલ કરે છે કે પ્રશ્ન ઑર્ડર્સ બે પ્રકારનાં પ્રશ્નો માટે વાકેફ કરશે: ભાગ-ભાગના પ્રશ્નો જ્યાં બે પ્રશ્નો ચોક્કસતાના સમાન સ્તરે હોય છે (દા.ત., બે પ્રમુખપદના ઉમેદવારોની રેટિંગ્સ); અને સંપૂર્ણ સવાલો જ્યાં સામાન્ય પ્રશ્ન વધુ વિશિષ્ટ પ્રશ્નને અનુસરે છે (દા.ત., "તમે તમારા કામથી કેટલા સંતુષ્ટ છો?" પછી "તમે તમારા જીવન સાથે કેટલા સંતુષ્ટ છો?")

   તેઓ આગળ બે પ્રકારનાં પ્રશ્નોક્રમની અસરનું લક્ષણ ધરાવે છે: સુસંગતતા અસરો ત્યારે થાય છે જ્યારે પછીના પ્રશ્નનો જવાબ આપવા માટે નજીકના પ્રશ્નોના જવાબો લાવવામાં આવે છે (અન્યથા તે અન્યથા હશે); વિપરીત અસરો ત્યારે થાય છે જ્યારે બે પ્રશ્નોના પ્રત્યુત્તરો વચ્ચે વધારે તફાવત છે.

   1. ભાગ-ભાગનાં પ્રશ્નોની એક જોડ બનાવો જે તમને લાગે છે કે મોટા પ્રશ્ન આદેશ અસર હશે; ભાગપૂર્ણ પ્રશ્નોના એક જોડી જે તમને લાગે છે કે મોટા ઓર્ડર અસર હશે; અને પ્રશ્નોનો જોડી જેનો ઓર્ડર તમને લાગે છે તે કોઈ વાંધો નહીં. તમારા સવાલોની ચકાસણી કરવા માટે એમેઝોન યાંત્રિક ટર્ક પર એક મોજણી પ્રયોગ કરો.
      
   2. તમે કેટલું મોટા ભાગનો ભાગ બનાવી શક્યા? શું તે સુસંગતતા અથવા વિપરીત અસર હતી?
   3. તમે કેટલો મોટો ભાગ બનાવી શક્યા? શું તે સુસંગતતા અથવા વિપરીત અસર હતી?
   4. શું તમારી જોડીમાં કોઈ પ્રશ્ન આડઅસરોની અસર હતી કે જ્યાં તમે એવું નથી લાગતું કે આ ક્રમમાં વાંધો છે?

6. [ , ] શુમેન અને પ્રેસરની રચના પર મૂર્તિ, Moore (2002) પ્રશ્ન ક્રમમાં અસરના એક અલગ પરિમાણનું વર્ણન કરે છે: એડિમિટીવ અને સબટ્રેક્ટિવ અસરો. વિરોધાભાસ અને સુસંગતતા અસરો એકબીજા સાથે સંબંધમાં બે વસ્તુઓના ઉત્તરદાતાઓના મૂલ્યાંકનના પરિણામે ઉત્પન્ન થાય છે, જ્યારે ઉત્તરદાતાઓને મોટા માળખામાં વધુ સંવેદનશીલ બનાવવામાં આવે છે જ્યારે પ્રશ્નો પૂછે છે. Moore (2002) વાંચો, પછી ઍડિટિવ અથવા સબટ્રેક્ટિવ ઇફેક્ટ્સ દર્શાવવા માટે મીટુકુક પર એક સર્વેક્ષણ પ્રયોગ ડિઝાઇન કરો અને ચલાવો.

7. [ , ] ક્રિસ્ટોફર Antoun અને સહકાર્યકરો (2015) ચાર અલગ અલગ ઓનલાઇન ભરતી સ્ત્રોતોમાંથી મેળવવામાં સગવડ નમૂનાઓ સરખામણી એક અભ્યાસ હાથ ધરવામાં: MTurk, ક્રૈગ્સલિસ્ટ, ગૂગલ એડવર્ડ્સ અને ફેસબુક સાદી સર્વેક્ષણ તૈયાર કરો અને ઓછામાં ઓછા બે અલગ અલગ ઓનલાઇન ભરતી સ્ત્રોતો દ્વારા સહભાગીઓની ભરતી કરો (આ સ્રોતો Antoun et al. (2015) માં વપરાતા ચાર સ્રોતોથી અલગ હોઈ શકે છે.

   1. વિવિધ સ્રોતો વચ્ચે ભરતી-ભરતીની દ્રષ્ટિએ ખર્ચ અને સમયની સરખામણી કરો.
   2. જુદા જુદા સ્રોતોમાંથી મેળવેલ નમૂનાઓની સરખામણી કરો.
   3. નમૂના વચ્ચેની માહિતીની ગુણવત્તાની સરખામણી કરો. ઉત્તરદાતાઓના ડેટા ગુણવત્તાને કેવી રીતે માપવા તે વિશેનાં વિચારો માટે, Schober et al. (2015) જુઓ Schober et al. (2015) .
   4. તમારું મનપસંદ સ્ત્રોત શું છે? શા માટે?

8. [ ] યુનાઈટેડ કિંગડમના લગભગ 800,000 ઉત્તરદાતાઓના પેનલના ઓનલાઈન સર્વેક્ષણમાં, ઇયુ (EU) લોકમત (એટલે ​​કે બ્રેક્સિટ) ના પરિણામોની આગાહી કરવાના પ્રયત્નોમાં, ઈન્ટરનેટ-આધારિત માર્કેટ રિસર્ચ કંપની યૂગવ.

   YouGov નું આંકડાકીય મોડલનું વિગતવાર વર્ણન https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/ પર શોધી શકાય છે. આશરે કહીએ તો, યુગોવરે 2015 ની સામાન્ય ચૂંટણી મત પસંદગી, વય, લાયકાતો, જાતિ અને ઇન્ટરવ્યૂની તારીખ, તેમજ તેઓ જે વિસ્તારમાં રહેતા હતા તે આધારે મતદારોને વિભાજિત કર્યા હતા. પ્રથમ, તેઓ મત આપવા માટેના મતદારોના પ્રમાણમાં, મતદાનમાં મતદાન કરવાના હેતુ ધરાવતા દરેક મતદારોના લોકોના પ્રમાણના અંદાજ માટે, YouGov પેનલિસ્ટ્સ પાસેથી એકત્રિત કરેલા ડેટાનો ઉપયોગ કરે છે. તેઓએ અંદાજ મુક્યા છે કે 2015 ના બ્રિટિશ ઇલેક્શન સ્ટડી (બીઇએસ) નો ઉપયોગ કરીને દરેક મતદાર પ્રકારનું મતદાન, મતદાન બાદના એક સર્વેક્ષણ બાદ, મતદાન પત્રથી મતદાન માન્ય છે. છેલ્લે, તેઓએ અંદાજ આપ્યો હતો કે તાજેતરની સેન્સસ અને વાર્ષિક વસ્તી સર્વે (અન્ય ડેટા સ્રોતોમાંથી કેટલીક વધારાની જાણકારી સાથે), મતદાતાઓમાં દરેક મતદાર પ્રકારનાં કેટલા લોકો હતા.

   મતદાનના ત્રણ દિવસ પહેલા, યુગવૉવે છોડવા માટે બે-બિંદુઓનું લીડ દર્શાવ્યું હતું મતદાનની પૂર્વસંધ્યાએ, મતદાન દર્શાવે છે કે પરિણામ ખૂબ નજીક છે (49/51 બાકી). અંતિમ ઓન-ડે-ડે અભ્યાસમાં રિવાઇન તરફની 48/52 આગાહી કરવામાં આવી હતી (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). હકીકતમાં, આ અંદાજ અંતિમ પરિણામ (52/48 રજા) ચાર ટકા પોઈન્ટથી ચૂકી ગયો.

   1. ખોટું શું થઈ શકે છે તે આકારણી કરવા માટે આ પ્રકરણમાં ચર્ચા કરાયેલ કુલ સર્વેક્ષણ ભૂલ ફ્રેમવર્કનો ઉપયોગ કરો.
   2. ચૂંટણી પછી યુગોવના પ્રતિભાવ (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) સમજાવે છે: "આ મતદાનને કારણે મોટા ભાગમાં લાગે છે-કંઈક અમે કહ્યું છે કે આ બારીકાઈથી સંતુલિત જાતિના પરિણામ માટે બધા સાથે નિર્ણાયક હશે. અમારા મતદાન મૉડલ એ ભાગ રૂપે, શું ઉત્તરદાતાઓએ છેલ્લા સામાન્ય ચૂંટણીમાં મતદાન કર્યું હતું અને સામાન્ય ચૂંટણીઓના મતભેદના સ્તરને કારણે, ખાસ કરીને ઉત્તરમાં મોડેલને અસ્વસ્થ કર્યું હતું. "શું આ તમારા જવાબને ભાગ (એ) માં બદલાય છે?

9. [ , ] આકૃતિ 3.2 માં દરેક પ્રતિનિધિત્વની ભૂલોને સમજાવવા માટે એક સિમ્યુલેશન લખો.

   1. એક પરિસ્થિતિ બનાવો જ્યાં આ ભૂલો વાસ્તવમાં રદ થાય છે.
   2. એક પરિસ્થિતિ બનાવો જ્યાં ભૂલો એકબીજાને સંયોજિત કરે છે.

10. [ , ] બ્લુમેનેસ્ટોક અને સહકાર્યકરો (2015) ના સંશોધનમાં એક મશીન શિક્ષણ મોડેલનું નિર્માણ સામેલ છે જે સર્વેક્ષણના જવાબોની આગાહી કરવા માટે ડિજિટલ ટ્રેસ ડેટાનો ઉપયોગ કરી શકે છે. હવે, તમે એક અલગ ડેટાસેટ સાથે એક જ વસ્તુનો પ્રયાસ કરવા જઈ રહ્યા છો. Kosinski, Stillwell, and Graepel (2013) જાણવા મળ્યું છે કે ફેસબુકની પસંદગીમાં વ્યક્તિગત લક્ષણો અને લક્ષણોની આગાહી થઇ શકે છે. આશ્ચર્યજનક રીતે, આ આગાહીઓ મિત્રો અને સહકર્મીઓ (Youyou, Kosinski, and Stillwell 2015) કરતાં વધુ સચોટ હોઈ શકે છે.

    1. Kosinski, Stillwell, and Graepel (2013) , અને આકૃતિ 2 ની નકલ કરો. તેમની માહિતી http://mypersonality.org/ પર ઉપલબ્ધ છે.
    2. હવે, આકૃતિ 3 નકલ કરો.
    3. છેલ્લે, તમારા પોતાના ફેસબુક ડેટા પર તેમના મોડેલનો પ્રયાસ કરો: http://applymagicsauce.com/. તે તમારા માટે કેટલું સારું કાર્ય કરે છે?

11. [ ] Toole et al. (2015) એકંદર બેરોજગારીના વલણોની આગાહી કરવા માટે મોબાઇલ ફોનથી કોલ વિગતવાર રેકોર્ડ્સ (સીડીઆર Toole et al. (2015) ઉપયોગ કર્યો.

    1. Toole et al. (2015) અભ્યાસ ડિઝાઇનની તુલના કરો અને તેનાથી વિપરીત કરો Toole et al. (2015) Blumenstock, Cadamuro, and On (2015) .
    2. શું તમને લાગે છે કે સીડીઆર, પરંપરાગત સર્વેક્ષણોને બદલવી જોઈએ, તેમને પૂરક બનાવશે અથવા બેરોજગારીને ટ્રેક કરવા સરકારી નીતિબનાવનારાઓ માટે તેનો ઉપયોગ ન કરવો જોઇએ? શા માટે?
    3. શું પુરાવા તમને ખાતરી કરશે કે સીડીઆર સંપૂર્ણપણે બેરોજગારી દરના પરંપરાગત પગલાંને સંપૂર્ણપણે બદલી શકે છે?