aktivitetet

Celes:

  • shkalla e vështirësisë: e lehtë i lehtë , të mesme medium , hard i vështirë , shume e veshtire shume e veshtire
  • kërkon matematikë ( kërkon matematikë )
  • kërkon kodim ( kërkon kodim )
  • Mbledhja e të dhënave ( Mbledhja e të dhënave )
  • te Preferuarat e mia ( im i preferuar )

  1. [ i vështirë , kërkon matematikë ] Në kapitullin, unë kam qenë shumë pozitiv në lidhje me post-stratifikimit. Megjithatë, ajo nuk ka gjithmonë të përmirësuar cilësinë e vlerësimeve. Ndërtimi i një situatë ku mund të postoni-shtresim mund të ulet në cilësinë e vlerësimeve. (Për një aluzion, shih Thomsen (1973) ).

  2. [ i vështirë , Mbledhja e të dhënave , kërkon kodim ] Projektimi dhe realizimi i anketës jo-probabilitetit në Amazon MTurk për të pyetur në lidhje me pronësinë e armëve ( "A ju, ose e bën dikush në familjen tuaj, vetë një armë, pushkë ose pistoletë? Është se ju ose dikush tjetër në shtëpinë tuaj?") Dhe qëndrimet ndaj kontrollit të armëve ( "Çfarë mendoni se është më e rëndësishme, për të mbrojtur të drejtën e amerikanëve për të zotëruar armë, ose për të kontrolluar mbajtjen e armëve?").

    1. Sa kohë merr sondazh juaj? Sa kushton? Si e demografia e kampionit tuaj të krahasohet me demografinë e popullsisë amerikane?
    2. Cili është vlerësimi parë e armëmbajtjes përdorur mostër tuaj?
    3. Correct për jo-përfaqësimit të mostrës tuaj duke përdorur pas-shtresimit apo ndonjë teknikë tjetër. Tani ajo që është vlerësimi i pronësisë gun?
    4. Si mund vlerësimet tuaja të krahasohet me vlerësimin fundit nga Qendra Kërkimore Pew? Çfarë mendoni shpjegojnë mospërputhjet, nëse ka ndonjë?
    5. Përsëriteni ushtrimin 2-5 për qëndrimet ndaj kontrollin e armëve. Si mund gjetjet tuaja ndryshojnë?

  3. [ shume e veshtire , Mbledhja e të dhënave , kërkon kodim ] Goel dhe kolegët (2016) administrohet një studim jo probabiliteti-bazë të përbërë nga 49 pyetje me zgjedhje të shumëfishta në qëndrim të nxjerra nga Anketa e Përgjithshme e Sociale (GSS) dhe zgjidhni sondazhet nga Pew Research Center në Amazon MTurk. Ata pastaj të rregulluar për jo-përfaqësimit të të dhënave duke përdorur modelin e bazuar në pas-shtresimit (Mr. P), dhe krahasoni vlerësimet e përshtatura me ato të vlerësuar duke përdorur sondazheve probabilitetit bazuar në GSS / Pew. Kryerja studim të njëjtë në MTurk dhe të përpiqen për të replikuar Figura 2a dhe 2b Figura duke i krahasuar vlerësimet tuaja rregulluar me vlerësimet nga raundet më të fundit të GSS / Pew (Shih Shtojcën Tabela A2 për listën e 49 pyetje).

    1. Krahasoni dhe kontrast rezultatet tuaja me rezultatet nga Pew dhe MPJ.
    2. Krahasoni dhe kontrast rezultatet tuaja me rezultatet nga anketa MTurk në Goel, Obeng, and Rothschild (2016) .

  4. [ medium , Mbledhja e të dhënave , kërkon kodim ] Shumë studime të përdorin masa të vetë-raportimit të të dhënave të aktivitetit të telefonit celular. Kjo është një vendosjen interesante, ku studiuesit mund të krahasoni sjelljen e vetë-raportuar me sjelljen loguar (shih p.sh., Boase and Ling (2013) ). Dy sjellje të përbashkëta për të kërkuar në lidhje me po bëjnë thirrje dhe texting, dhe dy korniza të zakonshme kohore janë "dje" dhe "gjatë javës së kaluar."

    1. Para mbledhjes së çdo të dhënë që të vetë-raportit masa mendoni se është më i saktë? Pse?
    2. Rekrutuar 5 nga miqtë tuaj për të qenë në hulumtimin tuaj. Ju lutem shkurtimisht të përmbledhur se si u provuan këto 5 shokë. Mund kjo procedurë marrjen e mostrave të shkaktoj paragjykime të veçanta në vlerësimet tuaja?
    3. Ju lutem, pyesni ata në vijim mikro-Anketa:
    • "Sa herë që ju përdorni telefonin celular për të thirrur të tjerët dje?"
    • "Sa mesazhe teksti i keni dërguar dje?"
    • "Sa herë që ju përdorni telefonin tuaj celular për të thirrur të tjerët në shtatë ditët e fundit?"
    • "Sa herë e bëri të përdorni telefonin tuaj celular për të dërguar ose marrë mesazhe me tekst / SMS në shtatë ditët e fundit?" Kur studimi është i plotë, të kërkojë për të kontrolluar të dhënat e tyre të përdorimit si të lidhur me telefon ose ofruesi i tyre.
    1. Si e bën përdorimin e vetë-raporti krahasohet me log të dhënat? E cila është më e saktë, e cila është më pak e saktë?
    2. Tani kombinohen të dhënat që keni mbledhur me të dhënat nga njerëzit e tjerë në klasën tuaj (nëse jeni duke bërë këtë aktivitet për një klasë). Me këtë CCD më të madhe, të përsëritur pjesë (d).

  5. [ medium , Mbledhja e të dhënave ] Shuman dhe Presser (1996) argumentojnë se urdhrat pyetje do të marrë parasysh për të dy llojet e marrëdhënieve ndërmjet pyetje: pyetje pjesë-pjesë, ku dy pyetje janë në të njëjtin nivel të veçantisë (p.sh. vlerësimet e dy kandidatëve presidencialë); dhe pjesërisht të tëra pyetje, ku një pyetje të përgjithshme në vijim një pyetje më specifike (p.sh. duke i kërkuar "Sa jeni të kënaqur me punën tuaj?" e ndjekur nga "Sa jeni të kënaqur me jetën tuaj?").

    Ata më tej karakterizojnë dy lloje të efektit rendit pyetja: Efektet qëndrueshmëri të ndodhë kur përgjigjet në një pyetje të mëvonshme janë të sjellë më afër (se ata do të jenë ndryshe) me ato të dhëna për një pyetje të mëparshme; kontrast efekte ndodhin kur ka ndryshime të mëdha në mes të përgjigjet në dy pyetje.

    1. Krijo një palë e pjesë-pjesë pyetjet që ju mendoni se do të ketë një efekt të madh rendit pyetje, një palë pyetje pjesë-tërësi që ju mendoni se do të ketë një efekt të madh rendit, dhe një palë e pyetjeve të rendit e të cilëve ju mendoni se nuk do të marrë parasysh. Drejtuar një eksperiment studim mbi MTurk për të testuar pyetjet tuaja.
    2. Sa i madh ishte efekti part-pjesë ishte në gjendje për të krijuar? Ishte kjo një qëndrueshmëri apo kontrast efekt?
    3. Sa i madh ishte efekti part-gjithë ishin në gjendje për të krijuar? Ishte kjo një qëndrueshmëri apo kontrast efekt?
    4. A ka pasur një urdhër efekt pyetje në palë tuaj, ku ju nuk mendoni se urdhri do të marrë parasysh?

  6. [ medium , Mbledhja e të dhënave ] Duke u bazuar në punën e Schuman dhe Presser, Moore (2002) përshkruan një dimension të veçantë të efektit rendit pyetje: shtues dhe subtractive. Ndërsa kontrast dhe konsistenca efektet janë prodhuar si pasojë e vlerësimeve të dy artikujve të anketuarve në lidhje me njëri-tjetrin, shtues dhe efektet subtractive janë prodhuar kur të anketuarit janë bërë më të ndjeshëm ndaj kuadrit më të gjerë brenda të cilit pyetje janë paraqitur. Lexo Moore (2002) , pastaj të hartuar dhe drejtuar një eksperiment studim mbi MTurk për të treguar efektet shtues ose subtractive.

  7. [ i vështirë , Mbledhja e të dhënave ] Christopher Antoun dhe kolegët (2015) ka kryer një studim që krahason mostrat lehtësi marra nga katër burime të ndryshme online të rekrutimit: MTurk, Craigslist, Google AdWords dhe Facebook. Hartuar një studim të thjeshtë dhe rekrutimin e pjesëmarrësve me të paktën dy burime të ndryshme në internet rekrutimit (ato mund të jenë burime të ndryshme nga katër burimet e përdorura në Antoun et al. (2015) ).

    1. Krahasoni koston për të rekrutuar, në drejtim të para dhe kohë, në mes të burimeve të ndryshme.
    2. Krahaso përbërjen e mostrave të marra nga burime të ndryshme.
    3. Krahaso cilësinë e të dhënave në mes të mostrave. Për ide se si për të matur cilësinë e të dhënave nga të anketuarit, shih Schober et al. (2015) .
    4. Cili është burimi juaj i preferuar? Pse?

  8. [ medium ] YouGov, një firmë kërkimore të tregut të bazuar në internet, i kryer në internet sondazhe nga një panel prej rreth 800.000 anketuarve në Mbretërinë e Bashkuar dhe përdoret z P. për të parashikuar rezultatin e referendumit të BE-së (p.sh., Brexit), ku zgjedhësit në Mbretërinë e Bashkuar të votuar ose për të qëndruar ose të lënë në Bashkimin Evropian.

    Një përshkrim i detajuar i modelit statistikore YouGov është këtu (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/). Në vija të përgjithshme, YouGov ndarëse votuesit në lloje të bazuara në 2015 zgjedhje të votave të përgjithshme zgjedhore, moshës, kualifikimeve, gjinore, data e intervistës, si dhe me qytetarë që jetojnë në. Së pari, ata kanë përdorur të dhënat e mbledhura nga panelistët YouGov për të vlerësuar, në mesin e atyre që votojnë, përqindja e njerëzve të çdo lloji të votuesve që kanë për qëllim për të votuar Leave. Ata vlerësojnë pjesëmarrjen e çdo lloji të votuesve duke përdorur Studimin e 2015 britanik Zgjedhor (BES) pas zgjedhjeve ballë për ballë studim, i cili vërtetuar pjesëmarrjen nga listat zgjedhore. Së fundi, ata e vlerësojnë sa njerëz janë të çdo lloji e votuesve në të elektoratit në bazë të regjistrimit të fundit dhe Anketës Popullsisë (me disa të dhëna shtesë nga BES, YouGov anketës të dhënat nga e gjithë zgjedhjet e përgjithshme, si dhe informata se si shumë njerëz votuan për secila palë në çdo zonë zgjedhore).

    Tre ditë para votimit, YouGov tregoi një të çojë dy pikë për lejen. Në prag të votimit, sondazhi tregoi shumë afër për të thirrur (49-51 Qëndroni). on-the-ditës Studimi i fundit parashikuar 48/52 në favor të mbeten (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). Në fakt, ky vlerësim humbur rezultatin përfundimtar (52-48 Leave) me katër pikë përqindjeje.

    1. Përdorni kuadrin e përgjithshëm gabim studim i diskutuar në këtë kapitull për të vlerësuar se çfarë mund të ketë shkuar keq.
    2. Përgjigja YouGov pas zgjedhjeve (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/~~HEAD=pobj) shpjegoi: "Kjo duket në një pjesë të madhe për shkak të pjesëmarrjes - diçka që kemi thënë të gjithë së bashku do të jetë vendimtare për rezultatin e një gare të tillë imët të balancuar. Modeli ynë Pjesëmarrja ishte i bazuar, pjesërisht, nëse të anketuarit kishin votuar në zgjedhjet e fundit të përgjithshme dhe një nivel më lart se pjesëmarrja e zgjedhjeve të përgjithshme mërzitur modelin, sidomos në veri. "A ka kjo të ndryshojë përgjigjen tuaj në pjesë (një)?

  9. [ medium , kërkon kodim ] Shkruaj një simulim për të ilustruar secilin nga gabimet e përfaqësimit në figurën 3.1.

    1. Të krijojë një situatë ku këto gabime në fakt anulojë jashtë.
    2. Të krijojë një situatë ku gabimet përbërë njëri-tjetrin.

  10. [ shume e veshtire , kërkon kodim ] Hulumtimi i Blumenstock dhe kolegët (2015) përfshinte ndërtimin e një modeli të mësuarit makinë që mund të përdorin të dhënat dixhitale gjurmë për të parashikuar përgjigjet e anketës. Tani, ju do të provoni të njëjtën gjë me një tjetër të dhënash. Kosinski, Stillwell, and Graepel (2013) ka gjetur se Facebook pëlqen mund të parashikojë tipare individuale dhe atributet. Çuditërisht, këto parashikime mund të jenë edhe më të sakta se ato të miqve dhe kolegëve (Youyou, Kosinski, and Stillwell 2015) .

    1. Lexo Kosinski, Stillwell, and Graepel (2013) , dhe të replikuar Figura 2. Të dhënat e tyre janë në dispozicion këtu: http://mypersonality.org/
    2. Tani, replikuar Figura 3.
    3. Së fundi, provoni modelin e tyre në vetë të dhënat tuaja në Facebook: http://applymagicsauce.com/. Sa mirë e bën këtë punë për ju?

  11. [ medium ] Toole et al. (2015) të dhënat përdorimi thirrje detaje (CDR) nga telefonat celularë të parashikojnë tendencat agregate papunësisë.

    1. Krahasoni dhe kontrast dizajnin e Toole et al. (2015) me Blumenstock, Cadamuro, and On (2015) .
    2. A mendoni CDR duhet të zëvendësojë sondazhe tradicionale, të plotësuar apo jo të përdoret në të gjitha për politikëbërësit e qeverisë për të ndjekur papunësinë? Pse?
    3. Çfarë provash do të bindë se CDR mund të zëvendësojë plotësisht masat tradicionale të shkallës së papunësisë?

Powered by Open Review Toolkit