Activitati

• gradul de dificultate: ușor , mediu , greu , foarte greu
• necesită matematică ( )
• necesită codificare ( )
• colectare de date ( )
• preferatele mele ( )

1. [ . ] În capitol, am fost foarte pozitiv în ceea ce privește post-stratificarea. Cu toate acestea, acest lucru nu îmbunătățește întotdeauna calitatea estimărilor. Construiți o situație în care post-stratificarea poate scădea calitatea estimărilor. (Pentru o sugestie, vezi Thomsen (1973) .)

2. [ . . ] Proiectați și efectuați un sondaj de non-probabilitate pe Amazon Mechanical Turk pentru a întreba despre proprietatea armelor și atitudinile față de controlul armelor. Pentru a putea compara estimările cu cele derivate dintr-o probă de probabilitate, copiați textul întrebării și opțiunile de răspuns direct dintr-un sondaj de înaltă calitate, cum ar fi cele efectuate de Centrul de Cercetare Pew.

   1. Cât durează sondajul dvs.? Cat costa? Cum se compară demografia eșantionului dvs. cu datele demografice ale populației din SUA?
   2. Care este estimarea primară a proprietății armelor folosind eșantionul dvs.?
   3. Corectați pentru nereprezentativitatea eșantionului dvs. folosind post-stratificare sau altă tehnică. Acum, care este estimarea proprietății armelor?
   4. Cum compară estimările dvs. cu cea mai recentă estimare dintr-o probă bazată pe probabilitate? Ce credeți că explică discrepanțele, dacă există?
   5. Repetați întrebările (b) - (d) pentru atitudinile față de controlul armelor. Cum diferă rezultatele dvs.?

3. [ . . ] Goel și colegii săi (2016) administrat 49 de întrebări atitudinale cu multiple alegeri extrase din Ancheta Socială Generală (GSS) și au selectat sondajele efectuate de Centrul de Cercetare Pew la un eșantion de non-probabilitate al respondenților trași de la Amazon Mechanical Turk. Apoi, acestea au fost ajustate pentru nereprezentativitatea datelor utilizând post-stratificarea bazată pe model și au comparat estimările lor ajustate cu cele din sondajele GSS și Pew bazate pe probabilități. Realizați același studiu pe Amazon Mechanical Turk și încercați să reproduceți figura 2a și figura 2b prin compararea estimărilor ajustate cu estimările din cele mai recente runde ale anchetelor GSS și Pew. (A se vedea tabelul din Anexa A2 pentru lista a 49 de întrebări.)

   1. Comparați și contrastați rezultatele cu cele de la Pew și GSS.
   2. Comparați și contrastați rezultatele cu cele din sondajul Mechanical Turk din Goel, Obeng, and Rothschild (2016) .

4. [ . . ] Multe studii utilizează măsuri de auto-raportate de utilizare a telefonului mobil. Acesta este un cadru interesant în care cercetătorii pot compara comportamentul raportat cu comportamentul logat (a se vedea, de exemplu, Boase and Ling (2013) ). Două comportamente comune pe care trebuie să le întrebați sunt apelarea și trimiterea de mesaje text, iar două cadre comune sunt "ieri" și "în săptămâna trecută".

   1. Înainte de colectarea datelor, care dintre măsurile de auto-raportare credeți că este mai exactă? De ce?
   2. Recrutați cinci prieteni pentru a fi în sondajul dvs. Vă rugăm să rezumați pe scurt modul în care acești cinci prieteni au fost selectați. Este posibil ca această procedură de eșantionare să inducă tendințe specifice în estimările dvs.?
   3. Întrebați-le următoarele întrebări privind microsurvey:
   • "De câte ori ați folosit telefonul mobil pentru a apela alții ieri?"
   • "Câte mesaje text ați trimis ieri?"
   • "De câte ori ați folosit telefonul mobil pentru a apela alte persoane în ultimele șapte zile?"
   • "De câte ori ați folosit telefonul mobil pentru a trimite sau a primi mesaje text / SMS în ultimele șapte zile?"
   4. Odată ce acest microsurvey a fost finalizat, cereți-i să verifice datele de utilizare ca fiind înregistrate de către telefonul sau furnizorul de servicii. Cum se compară utilizarea raportării automate cu datele din jurnal? Care este cel mai precis, care este cel mai puțin exacte?
   5. Acum combinați datele pe care le-ați colectat cu datele altor persoane din clasa dvs. (dacă faceți această activitate pentru o clasă). Cu acest set de date mai mare, repetați partea (d).

5. [ . ] Schuman și Presser (1996) susțin că ordinele de întrebare ar conta pentru două tipuri de întrebări: întrebări parțiale în care două întrebări se află la același nivel de specificitate (de exemplu, ratingul a doi candidați prezidențiali); și întrebări parțiale atunci când o întrebare generală urmează o întrebare mai specifică (de exemplu, întrebarea: "Cât de mulțumiți de munca dvs.?", urmată de "Cât de mulțumit sunteți de viața voastră?").

   Acestea caracterizează în plus două tipuri de efecte ale ordinelor de întrebare: efectele de consecvență apar atunci când răspunsurile la o întrebare ulterioară sunt aduse mai aproape (decât ar fi altfel) celor acordate unei întrebări anterioare; efectele de contrast apar atunci când există diferențe mai mari între răspunsurile la două întrebări.

   1. Creați o pereche de întrebări parțiale care credeți că vor avea un efect de comandă mare de întrebări; o pereche de întrebări parțiale întregi care credeți că vor avea un efect de ordin larg; și o pereche de întrebări a căror ordine credeți că nu ar conta. Rulați un experiment de sondaj pe Amazon Mechanical Turk pentru a vă testa întrebările.
      
   2. Cât de mare a fost un efect parțial pe care l-ați putut crea? A fost un efect de consistență sau contrast?
   3. Cât de mare a fost un efect parțial pe care l-ați putut crea? A fost un efect de consistență sau contrast?
   4. A existat un efect de ordine de întrebare în perechea dvs. unde nu credeți că ordinea ar conta?

6. [ . ] Bazându-se pe opera lui Schuman și Presser, Moore (2002) descrie o dimensiune distinctă a efectului ordinii de întrebare: efectele aditive și subtractive. În timp ce efectele de contrast și consecvență sunt produse ca o consecință a evaluărilor respondenților asupra celor două elemente în raport unul cu celălalt, se produc efecte adiționale și subtractive atunci când respondenții sunt mai sensibili la cadrul mai amplu în care se pun întrebările. Citiți Moore (2002) , apoi proiectați și executați un experiment pe MTurk pentru a demonstra efecte adiționale sau subtractive.

7. [ . ] Christopher Antoun și colegii săi (2015) realizat un studiu care a comparat probele de confort obținute de la patru surse de recrutare online: MTurk, Craigslist, Google AdWords și Facebook. Proiectați un studiu simplu și recrutați participanții prin cel puțin două surse de recrutare online diferite (aceste surse pot fi diferite de cele patru surse utilizate în Antoun et al. (2015) ).

   1. Comparați costul pe recrutare - în termeni de bani și timp - între diferite surse.
   2. Comparați compoziția probelor obținute din surse diferite.
   3. Comparați calitatea datelor între eșantioane. Pentru idei despre modul de măsurare a calității datelor de la respondenți, a se vedea Schober et al. (2015) .
   4. Care este sursa preferată? De ce?

8. [ ] Într-un efort de a anticipa rezultatele Referendumului UE din 2016 (Brexit), firma YouGov - o firmă de cercetare de piață bazată pe Internet - a efectuat sondaje online ale unui grup de aproximativ 800 000 de respondenți din Regatul Unit.

   O descriere detaliată a modelului statistic al YouGov poate fi găsită la adresa https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/. Aproape vorbind, YouGov a împărțit alegătorii în tipuri bazându-se pe alegerea alegerilor generale, ale vârstei, calificărilor, sexului și datei interviului în alegerile generale din 2015, precum și circumscripția în care locuiau. În primul rând, au folosit datele colectate de la membrii grupului YouGov pentru a estima, printre cei care au votat, procentul de persoane ale fiecărui tip de alegător care intenționa să voteze. Ei au estimat prezența la vot a fiecărui tip de alegător prin utilizarea Studiului de alegeri britanice (BES) din 2015, un sondaj post-electoral față în față, care a validat participarea la alegeri. În cele din urmă, au estimat câte persoane au fost alese de fiecare tip de alegător în electorat, pe baza celor mai recente studii de recensământ și populație anuală (cu unele informații suplimentare din alte surse de date).

   Cu trei zile înainte de vot, YouGov a arătat un avantaj în două puncte pentru Leave. În ajunul votării, sondajul a indicat că rezultatul a fost prea aproape de a apela (49/51 Rămâneți). Studiul final de zi cu zi a prezis 48/52 în favoarea Remain (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). De fapt, această estimare a pierdut rezultatul final (52/48 Leave) cu patru puncte procentuale.

   1. Utilizați cadrul general de eroare a anchetei discutat în acest capitol pentru a evalua ce s-ar fi putut întâmpla.
   2. Răspunsul lui YouGov după alegeri (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) a explicat: "Acest lucru pare în mare parte datorită participării la vot - ceva ce am spus tot timpul vor fi cruciale pentru rezultatul unei astfel de curse fin echilibrate. Modelul nostru de prezență a fost bazat, în parte, pe faptul dacă respondenții au votat la ultimele alegeri generale, iar un nivel de participare mai mare decât cel al alegerilor generale a afectat modelul, în special în Nord. "Acest lucru schimbă răspunsul dvs. la partea (a)?

9. [ . ] Scrieți o simulare pentru a ilustra fiecare dintre erorile de reprezentare din figura 3.2.

   1. Creați o situație în care aceste erori se anulează.
   2. Creați o situație în care erorile se compun reciproc.

10. [ . ] Cercetarea lui Blumenstock și a colegilor săi (2015) implicat construirea unui model de învățare a mașinilor care ar putea utiliza date de urmărire digitală pentru a prezice răspunsurile sondajului. Acum, veți încerca același lucru cu un alt set de date. Kosinski, Stillwell, and Graepel (2013) constatat că Facebook îi place să prezică trăsăturile și atributele individuale. În mod surprinzător, aceste predicții pot fi chiar mai exacte decât cele ale prietenilor și colegilor (Youyou, Kosinski, and Stillwell 2015) .

    1. Citiți Kosinski, Stillwell, and Graepel (2013) și replicați figura 2. Datele lor sunt disponibile la http://mypersonality.org/
    2. Acum, replicați figura 3.
    3. În cele din urmă, încercați modelul pe propriile date de pe Facebook: http://applymagicsauce.com/. Cât de bine funcționează pentru dvs.?

11. [ ] Toole et al. (2015) utilizat înregistrările detaliilor apelurilor (CDR) de la telefoanele mobile pentru a prezice tendințele agregate ale șomajului.

    1. Comparați și contrastează proiectul studiului lui Toole et al. (2015) cu cele ale Blumenstock, Cadamuro, and On (2015) .
    2. Credeți că CDR-urile ar trebui să înlocuiască anchetele tradiționale, să le completeze sau să nu fie utilizate deloc pentru ca factorii de decizie guvernamentali să urmărească șomajul? De ce?
    3. Ce dovezi te-ar convinge că CDR-urile pot înlocui complet măsurile tradiționale ale ratei șomajului?