Aktivitéiten

  • Schwieregkeetsgrad: einfach einfach ass , mëttelfristeg mëttlerer , houfreg schwéier , ganz schwéier ganz schwéier
  • Mataarbechter braucht ( Mathematik erfëllt ) Fir
  • Veruerdnung ( erfuerdert Kodéierung ) Fir
  • Datenerfassung ( Datensammlung ) Fir
  • mengen Favoritten ( mäin Favorit ) Fir

  1. [ schwéier , An Mathematik erfëllt ] Am Kapitel war ech ganz positiv iwwer Post-Stratifikatioun. Dat heescht awer net ëmmer d'Qualitéit vun de Schätzungen. Konstrukt eng Situatioun wou d'Post-Stratifikatioun d'Qualitéit vun Schätzungen kann erofsen. (Fir e Schluss, kuckt Thomsen (1973) .)

  2. [ schwéier , An Datensammlung , An erfuerdert Kodéierung ] Entworf a féieren eng Unwahrscheinlechkeetsstands op Amazon Mechanical Turk, fir iwwer Waffopriitéit an Haltung iwwer Pistoolskontroll ze froen. Fir datt Dir Är Schätzunge fir déi Wahrscheinlechkeetsproblem vergläicht, kënnt Dir d'Text an d'Äntwert ophuelen direkt aus enger héichqualitatéierter Ëmfro, wéi déi vum Pew Research Centre.

    1. Wéi laang hutt Är Umeldung iwwerhuelen? Wéi vill kascht et? Wéi vergiesst d'Demografie vun Ärer Probe mat der Demographie vun der US-Bevëlkerung?
    2. Wat ass déi räich Schätzung vu Waffrechtlechkeet mat Ärer Probe?
    3. Correct fir d'Nonrepresentativ vun Ärer Probe duerch d'Post-Stratifikatioun oder eng aner Technik. Wat ass d'Schätzung vu Waffopriitéit?
    4. Wéi vergiesst Är Schätzungen mat der neier Schätzung vun enger Probabilitéit baséiert Probe? Wat mengt Dir datt d'Diskrepanzen unzefroen, ob et soss?
    5. Wiederfroen Froen (b) - (d) fir Haltung iwwer Pistool Kontroll. Wéi verflichten Är Erkenntnisser?

  3. [ ganz schwéier , An Datensammlung , An erfuerdert Kodéierung ] Goel a Kollegen (2016) verwalten 49 verschidde a wäissenexceptive Froe vu Froe vun der General Social Survey (GSS) a wielt Umfuerderungen vum Pew Research Center un d'Wahrscheinlechkeetsprobe vun den Interviewten aus dem Amazon Mechanical Turk. Si hunn fir d'Net-Repräsentativitéit vun Daten mat der modellbaséierter Post-Stratifikatioun ugepasst a verglach mat hire justifiéierte Schätzunge mat deene vun de Wahrscheinlechkeets baséiert GSS- a Pew-Ëmfroen. Conduct déi selwescht Ëmfro bei Amazon Mechanical Turk a versicht d'Figur 2a a 2a ze erspueren andeems Dir Är ugepasst Schätzungen mat den Schätzunge vun de leschte Ronn vun de GSS- a Pew-Ëmfroen vergläicht. (Kuckt d'Apdikt Dësch A2 fir d'Lëscht vu 49 Froen.)

    1. Verglach a kontrast d'Resultater mat denen vu Pew a GSS.
    2. Verglach a kontrast d'Resultater mat deene vun der Mechanical Turk Survey am Goel, Obeng, and Rothschild (2016) .

  4. [ mëttlerer , An Datensammlung , An erfuerdert Kodéierung ] Vill Studie benotze selbstverständlech Mesuren vun Ärem Handy benotzt. Dëst ass eng interessant Astellung, wou d'Fuerscher selbstverständlech Verhalensvergläicher mat protokolléiert Verhalen vergläichen (z. B. Boase and Ling (2013) ). Zwee gemeinsame Verhalen unzefroen iwwer d'Uruff an SMS, an zwee gemeinsame Fromm ze "gestern" an "an der vergaang Woch".

    1. Virun eppes ze sammelen, a wéi eng vun de Self-Report-Mooss denkt Dir ass méi genee? Firwat?
    2. Recruit fënnef vun Ären Frënn an Ärer Emfro. Gitt weg eng Kéier e falsch Fakt eraus, wéi dës fënnef Frënn probéieren. Ginn dës Virstellungsprozedur indirekt spezifesch Biasis an Äre Schätz ugefangen?
    3. Bitt Iech déi folgend Froe:
    • "Wéi oft hutt Dir Ären Handy benotzt fir anerer ze ginn?"
    • "Wéivill SMSen hutt Dir gëschter verschéckt?"
    • "Wéi oft hutt Dir Ären Handy benotzt fir aner an den leschten sieben Deeg ze ruffen?"
    • "Wéi oft hutt Dir Ären Handy benotzt fir SMSen / SMSen an de leschten sieben Deeg ze schécken oder z'empfänken?"
    1. Wann dës Microsurvey fäerdeg ass, bieden ech se hir Benotzerdaten ze kontrolléieren, wéi Dir vun Ärem Telefon oder Service Provider protokolléiert hutt. Wéi verwiesselt d'Selbstberechtegungsverbrauch mat Logbicher? Wat ass genee, wat ass dat richtegt?
    2. Verbanne mat den Donnéeën déi Dir mat den Daten vun aneren Leit an Ärer Klass ze sammelen (wann Dir dës Aktivitéit fir eng Klasse maachen). Mat dësem méi groussen Dataset widderhuelen ech deel (d).

  5. [ mëttlerer , An Datensammlung ] Schuman an Presser (1996) behaapten dass dës Froen Ofstëmmungen mat zwee Forme vu Froen opfänken: Deel Deel Froen, wou zwee Froen op déi selwecht Spezifizitéitsthema sinn (z. B. Bewäertungen vun zwee Presidentekandidaten); a ganz Partie Froen, wou eng allgemeng Fro op eng méi spezifesch Fro ass (z. B. "wéi zefridden sidd Dir mat Ärer Aarbecht?" mat "Wéi zefridden sidd Dir mat Ärem Liewen?").

    Si charakteriséieren zwou Zorte Fraeeffektiver Effekt: Konsistenz Effekter kommen wann d'Äntwert op eng spéider Fro méi no kommen (wéi se anescht sinn) an déi fréier eng Fro stellen. Kontrast Effekter kommen wann et méi grouss Differenze ginn tëscht Réponses op zwou Froen.

    1. Erstellt e puer Deelproblemer Froen, déi Dir denkt datt e groussen Effekt vun der Frae bestoe kann; e puer vun allgemeng Froe stellen, déi Dir mengt, e groussen Effet vum Effet ze hunn; an e puer Froen, déi Dir gemaach hutt Dir net wichteg ass. Fuert een Ëmfang Experimenter op Amazon Mechanical Turk fir Är Froen ze testen.
    2. Wéi grouss e partielle Deel wierkt Dir amgaang ze kreéieren? War et e Konsequenz oder Kontrast?
    3. Wéi grouss e groussen Effekt huet Dir geschaaft? War et e Konsequenz oder Kontrast?
    4. War et do e Froenauftrag an Äre Paar, wou Dir d'Iwwerwaachung net mengt hätt?

  6. [ mëttlerer , An Datensammlung ] Bauen op der Aarbecht vu Schuman an Presser, Moore (2002) beschreift e gesonden Ausmooss vu Froeffekt effektiv: additive a subtraktive Effekter. Obwuel Kontrast an Konsistenzseffekt als Konsequenz vun den Evaluatioune vun den Interviewten vun den zwou Elementer relativ zuenee produzéiert ginn, ginn additiv a subtraktive Effekter produzéiert wann d'Ënnersiche sinn méi sensibel fir de gréissere Kader, an deem d'Froe stellen. Liest Moore (2002) , entwéckelt an en Ëmfro experimentéiert op MTURK fir Additiv oder subtraktive Effekter ze weisen.

  7. [ schwéier , An Datensammlung ] Christopher Antoun a Kollegen (2015) hunn eng Studie virgeluegt, déi d'Komfortprobleemer aus véier verschiddene Online-Recrutéierter Quelle kritt: MTurk, Craigslist, Google AdWords a Facebook. Entworf en einfachen Ëmfroën an rekrutéieren d'Participanten duerch mindestens zwee verschiddene Online-Recrutéierungsquellen (déi Quellen kënnen anescht wéi déi véier Quellen an Antoun et al. (2015) ) sinn.

    1. Vergläicht d'Käschte pro Recrut - am Sënn vu Geld a Zäit - tëscht verschiddene Quellen.
    2. Verglach d'Kompositioun vun de Proben aus verschiddene Quellen.
    3. Vergläicht d'Qualitéit vun Daten tëschent de Prouf. Fir Iddien iwwer d'Messung vun der Qualitéit vum Benotzer vun den Interviewten, kuckt Schober et al. (2015) .
    4. Wat ass Är Lieblingsquell? Firwat?

  8. [ mëttlerer ] An engem Effort fir d'Resultater vun der 2016 EU Referendum (dh Brexit), DirGov - en Internet-baséiert Maartfuerschungsinstitut fir online Surveillë vun engem Panel vun ongeféier 800.000 Interviewten zu Lëtzebuerg viru bréngen.

    Eng detailléiert Beschreiwung vum statistesche Modell YouGov ka fonnt ginn op https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/. A gréisser Manéier hunn DirGo Wieler vereelt getippt op Typen baséiert op 2015 Wahlen fir Wahlen, Alters, Qualifikatiounen, Geschlecht, Datum vum Interview, wéi och de Wahlkreis, wou se geliewt hunn. Als éischt hunn se Daten aus den YouGov-Pionisten gesammelt fir eng Schätzung ze hunn, dorënner déi, déi gewielt hunn, den Undeel vun de Leit vun all Wahler-Typ, déi d'Stëmmung behalen wollten. Si hunn d'Ausnam vun all Wuere-Typ geschätzt andeems de 2015 British Election Study (BES) benotzt, e post-election face-to-face-Ëmfro, déi d'Ausnahm vun de Walwalen validéiert. Endlech si se geschätzt wéi vill Leit et vun all Wahler-Typ an der Wahllëscht waren, baséiert op déi lescht Zensus- an Joresbezuelungs-Ëmfuerderung (mat enger Zousätz Informatioun vun anere Datenquellen).

    Dräi Deeg virum Vote, YouGov huet eng zweet-Punkt-Lead fir Leave. Op der ow vum Vote, huet d'Umellung uginn datt d'Resultat ze noprëfft (49/51 Remain). D'Finale um Programm ass virgesin 48/52 fir Remain (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). Tatsächlech hat dës Schätzung de Resultat vum Resultat (52/48 Leave) vun 4 Prozentpunkten vermësst.

    1. Benotz all d'Ëmfrohfehlerkader, déi an dësem Kapitel diskutéiert ginn, beurteelt, wat kéint falsch getraff sinn.
    2. D'Reaktioun vum YouGov no der Wahl (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) erkläert: "Dëst schéngt an engem groussen Deel wéinst der Participatioun vun deem wat eppes ass Mir hu ganz allgemeng gesot, datt et entscheedend ass fir d'Resultat vun sou enger fein ausgeglach Rasse. Eist Participatiounsprogramm baséiert, zum Deel, ob d'Réuniounen op déi lescht Generalversammlung gestëmmt hunn an en Ausgläichniveau iwwer dem allgemenge Wahlen de Modell huet, besonnesch am Norden. "Äert Äert Äert Äntwert a (a)?

  9. [ mëttlerer , An erfuerdert Kodéierung ] Schreift eng Simulatioun fir all eenzel vun de Representatiounsfehler am 3.2 ze illustréieren.

    1. Erstellt eng Situatioun wou déi Fehler fonnt hunn, z'ënnerstëtzen.
    2. Erstellt eng Situatioun, déi d'Feeler vereinfacht.

  10. [ ganz schwéier , An erfuerdert Kodéierung ] D'Recherche vu Blumenstock a Kollegen (2015) beschäftegt en Maschinnmodell ze bauen, deen digitale Spuerdaten benotzen kéint fir d'Iwwersiichtsreaktioun viru bréngen. Dir sidd elo déi selwecht Saach mat engem aneren Dataset. Kosinski, Stillwell, and Graepel (2013) festgestallt, datt Facebook gäeren individuell Zorte an Attributer virstellen kann. Iwwerraschend kënne dës Prognosen nach méi genau sinn wéi déi vu Frënn a Kollegen (Youyou, Kosinski, and Stillwell 2015) .

    1. Kosinski, Stillwell, and Graepel (2013) , a Réplicise. 2. D'Donnéeën sinn op http://mypersonality.org/
    2. Kompriméieren 3.
    3. Endlech, probéiert de Model op Äre eegene Facebook Daten: http://applymagicsauce.com/. Wéi gutt funktionnéiert et fir Iech?

  11. [ mëttlerer ] Toole et al. (2015) benotzt Detail detailléiert Rekorder (CDRs) vun Handyen, fir aggregéiert Chômeuren Tendenze ze prediéieren.

    1. Vergläicht a kontrastéiert d'Studie vum Toole et al. (2015) mat der vun Blumenstock, Cadamuro, and On (2015) .
    2. Géngt Dir datt CDRen traditionell Besëtzer ersetzen, se ergänzen oder net fir all Politiker ëmsetzen fir de Chômage ze verfolgen? Firwat?
    3. Wat Beweiser géif Iech iwwerzeegen datt CDR's komplett traditionell Moossnahmen vun der Chômage kréien?

Powered by Open Review Toolkit