उपक्रम

• अडचण पदवी: सोपे , मध्यम , हार्ड , खुप कठिण
• गणित आवश्यक आहे ( )
• कोडींग आवश्यक आहे ( )
• माहिती मिळवणे ( )
• माझे आवडते ( )

1. [ , ] अध्यायात, पोस्ट स्तरीकरणबद्दल मी खूप सकारात्मक आहे. तथापि, हे नेहमी अनुमानांची गुणवत्ता सुधारत नाही अशा स्थितीत निर्माण करा जेथे पोस्ट-स्तरीकरण कमीतकमी अनुमानांची गुणवत्ता कमी करू शकेल. (एखाद्या Thomsen (1973) .)

2. [ , , ] डिझाईन आणि तोफा नियंत्रण दिशेने तोफा मालकी आणि दृष्टिकोन बद्दल विचारू ऍमेझॉन यांत्रिक तुर्क वर एक गैर-संभाव्यता सर्वेक्षण आयोजित. जेणेकरून आपण आपल्या अंदाजांनुसार संभाव्यतेच्या नमुन्याशी तुलना करू शकता, कृपया प्यू रिसर्च सेंटरद्वारे चालविलेल्या उच्च गुणवत्ता सर्वेक्षणामधून प्रश्न मजकूर आणि प्रतिसाद पर्यायांची प्रत थेट कॉपी करा.

   1. आपले सर्वेक्षण किती वेळ घेते? त्याची किंमत किती आहे? आपल्या नमुनाची लोकसंख्याशास्त्र अमेरिकेच्या लोकसंख्येच्या लोकसंख्येशी तुलना कशी करते?
   2. आपल्या नमुना वापरुन तोफा मालकीचा कच्चा अंदाज काय आहे?
   3. पोस्ट-स्टेराफिकेशन किंवा काही इतर तंत्राचा वापर करून आपल्या नमुनाची नॉन-प्रस्तुतीकरण योग्य आता तोफा मालकीचा अंदाज काय आहे?
   4. संभाव्यता-आधारित नमुनामधून नवीनतम अंदाजासह आपले अंदाज काय करतात? आपल्याला काय वाटतं, यातील फरक स्पष्ट करतात, जर काही असेल तर?
   5. पुनरावृत्त प्रश्न (ब) - (डी) तोफा नियंत्रण दिशेने दृष्टिकोन साठी तुमचे निष्कर्ष कसे भिन्न आहेत?

3. [ , , ] गोयल आणि सहकाऱ्यांनी (2016) जनरल सोशल सर्वे (जीएसएस) वरून काढलेल्या 49 बहु-निवडक मतपरिवर्तनविषयक प्रश्न आणि प्यू रिसर्च सेंटरद्वारे ऍमेझॉन यांत्रिकी तुर्कमधून काढलेल्या सर्वेक्षणाचा गैर-संभाव्यतेचा नमूना म्हणून सर्वेक्षण केले. त्यानंतर त्यांनी मॉडेल-आधारित पोस्ट-स्तरीकरण वापरून डेटाच्या प्रतिनिधीत्व न करण्याबद्दल समायोजित केले आणि संभाव्यता-आधारित GSS आणि Pew सर्वेक्षणातील त्यांच्या समायोजित अंदाजांशी तुलना केली. ऍमेझॉन यांत्रिकी तुर्कवर समान सर्वेक्षण करा आणि GSS आणि PEW सर्वेक्षणातील सर्वात अलीकडील फेरीच्या अंदाजानुसार आपल्या समायोजित अंदाजांची तुलना करून आकृती 2a आणि आकृती 2b ची प्रतिकृती करण्याचा प्रयत्न करा. (49 प्रश्नांची सूचीसाठी परिशिष्ट सारणी ए 2 पहा.)

   1. आपल्या परिणामांची तुलना प्यू आणि जीएसएसमधून करा.
   2. Goel, Obeng, and Rothschild (2016) मधील यांत्रिक तुर्क सवेर्क्षणासह आपल्या परिणामांची तुलना करा आणि त्यामध्ये तुलना करा.

4. [ , , ] अनेक अभ्यास मोबाइल फोन वापराच्या स्वयं-अहवाल उपाय वापरतात. हे एक रोचक सेटिंग आहे ज्यामध्ये संशोधक लॉग Boase and Ling (2013) स्वत: ची तक्रार केलेल्या वर्तनाची तुलना करू शकतात (उदा., Boase and Ling (2013) ). विचारण्यासाठी दोन सामान्य आचरण कॉलिंग आणि मजकूर पाठवणे आहेत आणि दोन सामान्य वेळ फ्रेम "काल" आणि "गेल्या आठवड्यात" आहेत.

   1. कोणताही डेटा संकलित करण्यापूर्वी, आपणास स्व-अहवाल उपायांपैकी कोणती अधिक सचित्र वाटते? का?
   2. आपल्या सर्वेक्षणांपैकी आपल्या पाच मित्रांची भरती करा. हे पाच मित्र कसे एकत्रित केले गेले याचा थोडक्यात सारांश द्या. या नमूना पद्धत आपल्या अंदाजामध्ये विशिष्ट पूर्वाभिमुख बनू शकते का?
   3. खालील त्यांना microsurvey प्रश्न विचारा:
   • "आपण इतरांना कालच कॉल करण्यासाठी आपल्या मोबाइल फोनचा किती वेळा वापर केला?"
   • "आपण काल ​​किती मजकूर संदेश पाठविले?"
   • "गेल्या सात दिवसात इतरांना कॉल करण्यासाठी आपण किती वेळा आपल्या मोबाईल फोनचा वापर केला?"
   • "गेल्या सात दिवसांत तुम्ही तुमच्या मोबाईल फोनला किती वेळा मजकूर संदेश / एसएमएस पाठवू किंवा प्राप्त करू शकाल?"
   4. एकदा हा मायक्रोसॉफ्ट पूर्ण झाला की, त्यांचे फोन किंवा सेवा प्रदात्याद्वारे लॉग इन केलेले त्यांचे वापर डेटा तपासण्यास सांगा. लॉग डेटाशी स्व-अहवाल वापर कशी तुलना करते? कोणता सर्वात अचूक आहे, कमीत कमी अचूक आहे?
   5. आता आपल्या वर्गामधील इतर लोकांच्या डेटासह आपण गोळा केलेला डेटा एकत्र करा (आपण हा वर्गसाठी हा क्रिया करत असल्यास). या मोठ्या डेटासेटसह, पुनरावृत्ती भाग (डी).

5. [ , ] स्कुमन अँड प्रेस (1996) म्हणते की या प्रश्नांची दोन प्रकारच्या प्रश्नांची उत्तरे मिळतील: अर्धवेळ प्रश्न जेथे दोन प्रश्न विशिष्टतेच्या पातळीवर असतात (उदा., राष्ट्रपती पदाच्या दोन उमेदवारांच्या रेटिंग); आणि एक संपूर्ण प्रश्न जिथे सामान्य प्रश्न अधिक विशिष्ट प्रश्नांसह (उदा., "आपण आपल्या कामासह किती समाधानी आहात" असे विचारून "आपले जीवन कसे समाधानी आहात?"

   ते दोन प्रकारचे प्रश्नपत्रिक परिणाम पुढीलप्रमाणे करतात: पूर्वीच्या प्रश्नासाठी दिलेल्या प्रश्नांच्या नंतरच्या प्रश्नांच्या जवळ (त्यांच्यापेक्षा अधिक असल्यास) सुसंगतता परिणाम घडतात; जेव्हा दोन प्रश्नांच्या प्रतिसादांमध्ये जास्त फरक असतो तेव्हा तीव्रता दिसून येते.

   1. आपणास मोठे प्रश्न ऑर्डर प्रभाव असेल असे भाग-भाग प्रश्नांची एक जोडी तयार करा; आपणास मोठा ऑर्डर प्रभाव असला की संपूर्ण संपूर्ण प्रश्नांची जोडी; आणि ज्यांचे ऑर्डर आपण काही फरक पडत नाही विचार एक जोडी. आपल्या प्रश्नांची चाचणी करण्यासाठी ऍमेझॉन यांत्रिक तुर्क वर एक सर्वेक्षण प्रयोग चालवा.
      
   2. आपण किती मोठे भाग-प्रभाव निर्माण करण्यास सक्षम आहात? तो एक सुसंगतता किंवा कॉन्ट्रास्ट प्रभाव होता?
   3. एक संपूर्ण-संपूर्ण प्रभाव आपण तयार करण्यास किती सक्षम होता? तो एक सुसंगतता किंवा कॉन्ट्रास्ट प्रभाव होता?
   4. आपल्या जोडीमध्ये एखादा प्रश्न ऑर्डर प्रभाव होता का ज्यामुळे आपल्याला ऑर्डर महत्त्व नाही वाटले?

6. [ , ] सुमन आणि प्रेसरच्या कामावर इमारत, Moore (2002) प्रश्नपत्रिकरणाच्या प्रभावाचे एक स्वतंत्र परिमाण वर्णन करते: मिश्रित पदार्थ आणि उपकेंद्रित प्रभाव. जेव्हा परस्परविरोधी आणि सातत्यपूर्ण परिणाम एकमेकांच्या संबंधात दोन गोष्टींच्या उत्तरप्रेमींच्या मूल्यांकनांचे परिणाम म्हणून निर्माण केले जातात, तेव्हा उत्तरदायी आणि उपवत्करणीय प्रभाव निर्माण होतात जेव्हा उत्तरदायी व्यक्ती मोठ्या चौकटीत संवेदनशील असतात ज्या अंतर्गत प्रश्न विचारले जातात. Moore (2002) वाचा, मग मिश्रित पदार्थ किंवा उपकेंद्रित प्रभावाचे प्रदर्शन करण्यासाठी मेटच्युचवर एक सर्वेक्षण तयार करा आणि चालवा.

7. [ , ] क्रिस्टोफर Antoun आणि सहकार्यांना (2015) चार वेगवेगळ्या ऑनलाइन भरती स्रोत पासून मिळविले सुविधा नमुने तुलना अभ्यास आयोजित: MTurk, Craigslist, Google AdWords आणि Facebook एक साधी सर्वेक्षण तयार करा आणि कमीतकमी दोन वेगवेगळ्या ऑनलाइन भरती करणार्या स्त्रोतांद्वारे सहभागींची भरती करा (हे स्त्रोत Antoun et al. (2015) मध्ये वापरल्या जाणार्या चार स्रोतांपेक्षा वेगळे असू शकतात Antoun et al. (2015) )

   1. वेगवेगळ्या स्रोतांमधल्या मनी आणि वेळेच्या भरतीसाठी प्रति शुश्रुषाची तुलना करा.
   2. विविध स्त्रोतांपासून मिळविलेले नमुन्यांची रचनाची तुलना करा.
   3. नमुन्यांमधील डेटाची गुणवत्ता तुलना करा. उत्तरदात्यांकडील डेटा गुणवत्ता कशी मोजावी याबद्दल कल्पनांसाठी, Schober et al. (2015) पहा Schober et al. (2015) .
   4. आपले प्राधान्य स्रोत काय आहे? का?

8. [ ] युनायटेड किंग्डममधील सुमारे 800,000 प्रतिनिधींच्या पॅनलची ऑनलाइन मतदान आयोजित केलेल्या इंटरनेट युजर्सने 200 9 च्या सार्वभौम सार्वभौम (उदा. ब्रेक्सिट) च्या परिणामांचे अनुमान लावण्याच्या प्रयत्नात

   YouGov च्या सांख्यिकीय मॉडेलचे सविस्तर वर्णन https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/ वर आढळू शकते. साधारणपणे बोलत, YouGov ने 2015 च्या सार्वत्रिक निवडणुकीत मत निवड, वय, पात्रता, लिंग आणि मुलाखतीची तारीख, तसेच ज्या ठिकाणी ते वास्तव्य केले त्या मतदारसंघानुसार मतदारांना विभाजित केले. सर्वप्रथम, त्यांनी YouGov पॅनेलच्या सदस्यांमधून गोळा केलेल्या डेटाचा अंदाज लावला, ज्यांनी मतदान केले त्यांच्यापैकी प्रत्येक मतदारांच्या रकमेचा अनुपात जो सोडवायचे मतदान करण्याचा उद्देश होता. त्यांनी अंदाज वर्तवलं की प्रत्येक मतदाराचा 2015 च्या निवडणुकीत ब्रिटिश निवडणूक अभ्यास (बीईएस) वापरून निवडणुका घेण्यामागे एक समोरासमोर विचार केला गेला होता, जो मतदारयादीतून मतदान करू शकला होता. अखेरीस, नवीनतम जनगणना आणि वार्षिक लोकसंख्या सर्वेक्षण (अन्य डेटा स्त्रोतांकडून काही अतिरिक्त माहितीसह) वर आधारित, त्यांनी मतदानाच्या मतदारांमध्ये प्रत्येक मतदार प्रकारचे किती लोक होते याचा अंदाज लावला.

   मतापेक्षा तीन दिवसांपूर्वी, यूजीव्हने सोडण्याची दोन-बिंदू आघाडी दर्शवली. मतदानाच्या पूर्वसंध्येला पाहणीत असे दर्शविण्यात आले की त्याचा परिणाम कॉल करण्यासाठी अगदी जवळचा होता (49/51 राहिलेला). शेवटच्या दिवशीच्या अभ्यासामध्ये 48/52 ची उर्वरित पार्श्वभूमी होती (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). खरेतर, हा अंदाज अंतिम परिणाम नाही (52/48 लीव्ह) चार टक्के गुणाने.

   1. चुकीचे काय होऊ शकते याचा अंदाज घेण्यासाठी या प्रकरणामध्ये चर्चा केलेल्या एकूण सर्वेक्षण त्रुटी फ्रेमवर्कचा वापर करा.
   2. निवडणूक झाल्यानंतर YouGov चे प्रतिसाद (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) स्पष्ट केले: "हे मतदानामुळे मोठ्या प्रमाणात दिसते-काहीतरी आहे आम्ही असे म्हटले आहे की अशी बारीकपणे संतुलित जातीच्या परिणामासाठी सर्वजण महत्वाचे असतील. आमचे मतदानाचे मॉडेल मागील निवडणुकीत उत्तरप्राय मतदान होते की नाही यावर अवलंबून होते आणि सामान्य निवडणुकीच्या तुलनेत मतदानोत्तर पातळीने विशेषत: उत्तर प्रदेशात असा बदल केला होता. "हे आपल्या उत्तर भाग (ए) मध्ये बदलते का?

9. [ , ] आकृती 3.2 मध्ये प्रत्येक प्रतिनिधित्वाच्या चुका स्पष्ट करण्यासाठी एक अनुकरण लिहा.

   1. अशी परिस्थिती तयार करा जिथे ही त्रुटी प्रत्यक्षात रद्द होते.
   2. ज्या परिस्थितीमध्ये त्रुटी एकमेकांना जुळतात त्या स्थितीत तयार करा

10. [ , ] ब्ल्यूमनस्टॉक आणि सहकाऱ्यांनी (2015) संशोधनाने एक मशीन शिकण्याचे मॉडेल तयार केले ज्याने सर्वेक्षणांच्या प्रतिसादांची अंमलबजावणी करण्यासाठी डिजिटल ट्रेस डेटा वापरू शकतो आता, आपण एका वेगळ्या डेटासेटसह हेच करण्याचा प्रयत्न करणार आहात. Kosinski, Stillwell, and Graepel (2013) आढळून आले की फेसबुकच्या आवडीनुसार वैयक्तिक वैशिष्ट्ये आणि गुणधर्मांचा अंदाज येऊ शकतो. आश्चर्याची गोष्ट म्हणजे, हे अंदाज मित्र आणि सहकार्यांसह (Youyou, Kosinski, and Stillwell 2015) पेक्षा अधिक अचूक असू शकतात.

    1. Kosinski, Stillwell, and Graepel (2013) वाचा आणि आकृत्या 2 ची प्रतिकृती तयार करा. त्यांचे डेटा http://mypersonality.org/ येथे उपलब्ध आहेत.
    2. आता, आकृती 3 ची प्रत बनवा.
    3. अखेरीस, आपल्या स्वतःच्या फेसबुक डेटावर त्यांच्या मॉडेलचा प्रयत्न करा: http://applymagicsauce.com/. हे आपल्यासाठी किती चांगले कार्य करते?

11. [ ] Toole et al. (2015) एकूण बेरोजगारी ट्रेंडची भविष्यवाणी करण्यासाठी मोबाईल फोनवरून कॉल तपशील रेकॉर्ड (CDR Toole et al. (2015) वापरला

    1. Toole et al. (2015) च्या अभ्यासाची तुलना आणि तुलना करा Toole et al. (2015) Blumenstock, Cadamuro, and On (2015) .
    2. तुम्हाला असे वाटते का की CDRs ने पारंपारिक सर्वेक्षणांची पुनर्स्थापने करावी, त्यांचे पूरक होईल किंवा सरकारी धोरणकर्त्यांना बेरोजगारीचा मागोवा घेण्यासाठी वापरता येणार नाही? का?
    3. कोणते पुरावे आपल्याला खात्री करतील की CDRs बेरोजगारी दराचे पारंपरिक उपाय पूर्णपणे प्रतिस्थापित करू शकतात?