Starfsemi

• erfiðleikar: auðvelt , miðlungs , erfitt , mjög erfitt
• krefst stærðfræði ( )
• krefst kóðunar ( )
• gagnasafn ( )
• mín uppáhalds ( )

1. [ , ] Í kaflanum var ég mjög jákvæður um eftirlagningu. Hins vegar er þetta ekki alltaf að bæta gæði áætlana. Búðu til aðstæður þar sem eftir stratification getur dregið úr gæðum matanna. (Til vísbendinga, sjá Thomsen (1973) .)

2. [ , , ] Hönnun og framkvæma ekki líkur á könnun á Amazon Mechanical Turk til að spyrja um eignarhald á byssu og viðhorf til stjórnar byssu. Þannig að þú getir borið saman áætlanir þínar fyrir þá sem eru fengnar úr líkindasýni, vinsamlegast afritaðu spurningalistann og svörunarvalkostin beint úr hágæða könnun, eins og þeim sem Pew Research Center rekur.

   1. Hversu lengi tekur könnunin þín? Hversu mikið kostar það? Hvernig bera lýðfræðilegar upplýsingar úr sýninu saman við lýðfræði Bandaríkjanna?
   2. Hver er hrátt mat á eignarhaldi byssu með því að nota sýnið þitt?
   3. Rétt fyrir óprófunargetu sýnisins með því að nota eftir lagskiptingu eða annan tækni. Nú, hvað er áætlun um eigendaskipti?
   4. Hvernig bera áætlanir þínar saman við nýjustu áætlunina frá líkum byggð sýni? Hvað heldur þú að útskýrir misræmi, ef einhver eru?
   5. Endurtaktu spurningar (b) - (d) fyrir viðhorf til byssuvarnar. Hvernig eru niðurstöður þínar mismunandi?

3. [ , , ] Goel og samstarfsmenn (2016) fengu 49 fjölhátta viðhorf spurningar sem dregin voru úr almennum félagsfræðilegum könnun (GSS) og velja kannanir Pew Research Center til ósannprófunar sýnishorn svarenda sem dregin voru frá Amazon Mechanical Turk. Þeir leiðréttaðu þá fyrir óprófunargetu gagna með því að nota fyrirmynd byggð eftir lagskiptingu og borðuðu saman áætlaða áætlun þeirra með þeim sem byggjast á líkum byggðum GSS og Pew könnunum. Framkvæma sömu könnun á Amazon Mechanical Turk og reyndu að endurtaka mynd 2a og mynd 2b með því að bera saman leiðréttar áætlanir með áætlunum frá nýjustu umferðum GSS og Pew könnunum. (Sjá fylgiskjal A2 fyrir listann yfir 49 spurningar.)

   1. Bera saman og hreinsaðu niðurstöðurnar þínar með þeim frá Pew og GSS.
   2. Bera saman og skörðu niðurstöðurnar þínar með þeim frá Mechanical Turk könnuninni í Goel, Obeng, and Rothschild (2016) .

4. [ , , ] Margir rannsóknir nota sjálfsmatsaðgerðir fyrir notkun farsíma. Þetta er áhugaverð stilling þar sem vísindamenn geta borið saman sjálfsskoðaðan hegðun með skráða hegðun (sjá td Boase and Ling (2013) ). Tveir algengar hegðun við að spyrja um eru að hringja og vefnaður og tveir algengar tímarammar eru "í gær" og "í síðustu viku."

   1. Áður en þú safnar einhverjum gögnum, hvaða sjálfsmatsskýrslugerð finnst þér nákvæmara? Af hverju?
   2. Ráðið fimm af vinum þínum til að vera í könnuninni þinni. Vinsamlega stuttu stuttlega saman hvernig þessi fimm vinir voru sýndar. Getur þetta sýnatökuaðferð valdið sérstökum hlutdrægni í þínu mati?
   3. Spyrðu þá eftirfarandi smásjá spurninga:
   • "Hversu oft notaðirðu farsímann þinn til að hringja í aðra í gær?"
   • "Hversu margar textaskilaboð sendir þú í gær?"
   • "Hversu oft notaðirðu farsímann þinn til að hringja í aðra á síðustu sjö dögum?"
   • "Hversu oft notaðirðu farsímann þinn til að senda eða taka á móti SMS / SMS á síðustu sjö dögum?"
   4. Þegar þetta microsurvey hefur verið lokið skaltu biðja um að athuga notkunarupplýsingar sínar eins og skráðir eru af símanum eða þjónustuveitunni. Hvernig er sjálfsmatsskýrsla borin saman við innskráningarupplýsingar? Hver er nákvæmasti, hver er minnst nákvæmur?
   5. Nú sameina þau gögn sem þú hefur safnað saman með gögnum frá öðru fólki í bekknum þínum (ef þú ert að gera þessa starfsemi í bekknum). Með þessari stærri gagnasafni endurtaktu hluti (d).

5. [ , ] Schuman og Presser (1996) halda því fram að spurningapantanir muni skipta máli fyrir tvær tegundir af spurningum: hluti spurninga þar sem tveir spurningar eru á sama stigi sértækni (td einkunnir tveggja forseta frambjóðenda); og heildar spurningar þar sem almenn spurning fylgir ákveðnum spurningum (td að spyrja: "Hversu ánægð ertu með vinnu þína?" eftir "Hversu ánægð ertu með líf þitt?").

   Þeir einkennast frekar af tveimur gerðum af röð röð áhrif: samkvæmni áhrif eiga sér stað þegar svar við síðari spurningu er fært nær (en þeir ættu annars) að þeim sem gefið er í fyrri spurningu; andstæðaáhrif eiga sér stað þegar meiri munur er á svörun við tveimur spurningum.

   1. Búðu til par af hluta spurningum sem þér finnst mun hafa stórt spyrjunarfyrirmæli; par af heilum spurningum sem þú telur vilja hafa mikla fyrirhugaða áhrif; og par af spurningum sem röðin sem þú heldur að myndi ekki skipta máli. Haltu könnunarsýningu á Amazon Mechanical Turk til að prófa spurningar þínar.
      
   2. Hversu stór hluti hefur þú áhrif á að búa til? Var það samkvæmni eða andstæðaáhrif?
   3. Hversu stór þáttur í heildinni áttu að búa til? Var það samkvæmni eða andstæðaáhrif?
   4. Var spurning röð áhrif í par þitt þar sem þú vissir ekki að pöntunin myndi skipta máli?

6. [ , ] Byggir á verkum Schuman og Presser, lýsir Moore (2002) sérstaka vídd fyrir röð röð áhrif: aukefni og frádráttaráhrif. Þó að mótsagnir og samkvæmniáhrif eru framleidd vegna þess að mat á viðmælum svarenda tveggja eru í tengslum við hvert annað, eru til viðbótar og frádráttaráhrif framleidd þegar svarendur eru næmari fyrir stærri ramma þar sem spurningarnar eru lagðar fram. Lestu Moore (2002) , þá hanna og hlaupa könnunartilraun á MTurk til að sýna fram á viðbótar- eða frádráttaráhrif.

7. [ , ] Christopher Antoun og samstarfsmenn (2015) gerðu rannsókn á því að bera saman samanburðargögnin sem fengin voru úr fjórum mismunandi á netinu ráðningartækjum: MTurk, Craigslist, Google AdWords og Facebook. Hannaðu einfaldan könnun og nýttu þátttakendur í gegnum að minnsta kosti tvær mismunandi netnotkunartæki (heimildir geta verið frábrugðnar þeim fjórum heimildum sem notuð eru í Antoun et al. (2015) ).

   1. Bera saman kostnað á hverja ráðningu - hvað varðar peninga og tíma milli mismunandi heimilda.
   2. Bera saman samsetningu sýnanna sem fengin eru frá mismunandi aðilum.
   3. Bera saman gæði gagna milli sýnanna. Fyrir hugmyndir um hvernig á að mæla gagna gæði frá svarendum, sjá Schober et al. (2015) .
   4. Hver er valinn uppspretta þinn? Af hverju?

8. [ ] Til að spá fyrir um niðurstöður 2016 ESB-þjóðaratkvæðagreiðslunnar (þ.e. Brexit), YouGov-internet-undirstaða markaðsrannsóknir, sem gerðar voru á netinu á netinu um spjaldið af um 800.000 svarendum í Bretlandi.

   Nákvæm lýsing á tölfræðilegu líkani YouGov er að finna á https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/. U.þ.b., YouGov skiptir kjósendum í gerðir sem eru byggðar á kjörstjórn kosninganna árið 2015, aldur, hæfi, kyn og dagsetningu viðtala, svo og kjördæmi þar sem þeir bjuggu. Í fyrsta lagi notuðu þeir gögn sem safnað var frá YouGov spjaldtölvum til að meta, meðal þeirra sem kusu, hlutfall fólks af hverjum kjósanda sem ætlaði að kjósa Leyfi. Þeir gerðu ráð fyrir að hver og einn kjósandi gerði sér stað með því að nota breska kosningakönnunina 2015 (BES), könnun á augliti til auglitis eftir kosningu, sem fullgiltur stuðningur frá kosningakerfinu. Að lokum áætluðu þeir hversu margir voru af hverju kjósandi gerð í kjósendum, byggt á nýjustu Census og Annual Population Survey (með nokkrum viðbótarupplýsingum frá öðrum gögnum heimildum).

   Þremur dögum fyrir kosningarnar sýndu YouGov tveggja punkta leið til að fara. Í aðdraganda atkvæðagreiðslunnar benti til þess að niðurstaðan væri of nálægt því að hringja (49/51 Remain). Endanleg rannsókn á daginn spáði 48/52 í þágu Restain (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). Reyndar missti þessi áætlun ekki endanlegt afleiðing (52/48 Leyfi) með fjórum prósentum.

   1. Notaðu heildar könnunarsvip ramma sem fjallað er um í þessum kafla til að meta hvað gæti hafa farið úrskeiðis.
   2. Þú svarar YouGov eftir kosningarnar (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) útskýrði: "Þetta virðist í stórum hluta vegna aðsókn-eitthvað sem Við höfum sagt allt eftir að vera mikilvægt fyrir niðurstöðu slíkrar fíngerðu jafnvægis kynþáttar. Módelið okkar var að hluta til byggt á því hvort svarendur höfðu kusu við síðustu alþingiskosningarnar og umboðsstig fyrir ofan almennar kosningar í uppnámi fyrir líkanið, sérstaklega í norðri. "Breytir þetta svarið við hluta (a)?

9. [ , ] Skrifa eftirlíkingu til að lýsa hverri framsetningargluggann á mynd 3.2.

   1. Búðu til aðstæður þar sem þessar villur eru í raun að hætta við.
   2. Búðu til aðstæður þar sem villurnar tengjast hver öðrum.

10. [ , ] Rannsóknirnar á Blumenstock og samstarfsfólki (2015) fólst í því að byggja upp námsmat fyrir vél sem gæti notað stafræna rekja gögn til að spá fyrir um könnun viðbrögð. Nú ertu að fara að reyna það sama með mismunandi gagnasafni. Kosinski, Stillwell, and Graepel (2013) komust að því að Facebook finnst gaman að spá fyrir um einstök einkenni og eiginleika. Furðu, þessar spár geta verið enn nákvæmari en vinir og samstarfsmenn (Youyou, Kosinski, and Stillwell 2015) .

    1. Lesið Kosinski, Stillwell, and Graepel (2013) og endurtakið mynd 2. Gögnin eru fáanleg á http://mypersonality.org/
    2. Nú endurtaka mynd 3.
    3. Að lokum skaltu reyna líkanið á eigin Facebook gögn: http://applymagicsauce.com/. Hversu vel virkar það fyrir þig?

11. [ ] Toole et al. (2015) notaði kalla smáatriði skrár (CDRs) frá farsímum til að spá fyrir um heildarlausnir í atvinnuleysi.

    1. Bera saman og andstæða rannsóknarsnið Toole et al. (2015) með því að Blumenstock, Cadamuro, and On (2015) .
    2. Telur þú að CDR ætti að skipta í hefðbundnum könnunum, bæta þeim við eða ekki nota það til að stjórnvöld geti fylgst með atvinnuleysi? Af hverju?
    3. Hvaða vísbendingar myndu sannfæra þig um að CDRs geti alveg komið í stað hefðbundinna ráðstafana á atvinnuleysi?