aktivnosti

  • степен тешкоће: једноставно лако , средња средња , тешко тешко , Веома тешко Веома тешко
  • захтева математику ( захтева математику )
  • захтева кодирање ( захтева кодирање )
  • прикупљање података ( прикупљање података )
  • моји фаворити ( моје омиљено )

  1. [ тешко , захтева математику ] У поглављу сам био веома позитиван у погледу пост-стратификације. Међутим, ово не увијек побољшава квалитет процјена. Конструишите ситуацију у којој пост-стратификација може смањити квалитет процена. (За наговештај погледајте Thomsen (1973) .)

  2. [ тешко , прикупљање података , захтева кодирање ] Дизајнирајте и спроведите истраживање без вероватноће на Амазон Мецханицал Турк да бисте питали о власништву оружја и ставовима о контроли оружја. Да бисте могли да упоређујете процене са онима добијеним из узорка вероватноће, молимо вас да копирате текст питања и одговоре директно из високо квалитетног истраживања, као што су оне које води Пев Ресеарцх Центер.

    1. Колико дуго траје ваше истраживање? Колико то кошта? Како се демографија вашег узорка упоређује са демографијом становништва САД-а?
    2. Која је сирова процена власништва оружја користећи ваш узорак?
    3. Правите за непрепознатљивост вашег узорка користећи пост-стратификацију или неку другу технику. Каква је процена власништва над оружјем?
    4. Како се ваше процјене упоређују са најновијом проценом из узорка заснованог на вјеројатности? Шта мислиш да објашњава неслагања, ако их има?
    5. Поновите питања (б) - (д) за ставове према контроли оружја. Како се ваши налази разликују?

  3. [ Веома тешко , прикупљање података , захтева кодирање ] Гоел и колеге (2016) администрирали су 49 питања вишеструког избора постављених на основу Опште друштвене анкете (ГСС) и одабране анкете од стране истраживачког центра Пев на узорку испитаника који нису вероватно ангажовани од Амазон Мецханицал Турк. Затим су се прилагодили за не-репрезентативност података користећи пост-стратификацију засновану на моделу и упоређивали њихове прилагођене процјене са онима из ГСС и Пев студија заснованих на вјероватноћи. Спроведите исту анкету на Амазон Мецханицал Турк и покушајте да поновите слику 2а и Слика 2б упоређивањем ваших прилагођених процена са проценама из најновијих кругова ГСС и Пев истраживања. (Види додатак табела А2 за листу 49 питања.)

    1. Упоредите и упоређујте своје резултате са онима из Пев и ГСС.
    2. Упоредите и упоредите резултате са онима из анкете Механички Турк у Goel, Obeng, and Rothschild (2016) .

  4. [ средња , прикупљање података , захтева кодирање ] Многе студије користе само-пријављене мере употребе мобилних телефона. Ово је занимљиво окружење у којем истраживачи могу упоређивати самоповређено понашање са логираним понашањем (види нпр. Boase and Ling (2013) ). Два најчешћа понашања о којима се питате су позивање и слање текстова, а два уобичајена временска оквира су "јучер" и "прошле недеље".

    1. Пре него што сте прикупили било који податак, која од мјера самоприложења је тачнија? Зашто?
    2. Реците пет пријатеља да буду у вашој анкети. Молимо да укратко сумирамо како су ове пет пријатеља узорковане. Може ли ова процедура узорковања изазвати одређене пристрасности у вашим процјенама?
    3. Питајте им следећа питања микропроцесора:
    • "Колико пута сте користили свој мобилни телефон да позовете друге јуче?"
    • "Колико сте текстуалних порука послали јуче?"
    • "Колико пута сте користили свој мобилни телефон да позовете друге у последњих седам дана?"
    • "Колико пута сте користили свој мобилни телефон за слање или примање СМС порука / СМС-а у последњих седам дана?"
    1. Када се ова микросрбија заврши, затражите да проверите њихове податке о коришћењу које пријављује њихов телефон или провајдер услуга. Како се само-пријављивање користи упоређује са евиденцијама података? Што је најтачније, што је најмање тачно?
    2. Сада комбинујте податке које сте прикупили са подацима других људи у вашој класи (ако то радите за класу). Са овим већим скупом података поновите део (д).

  5. [ средња , прикупљање података Сцхуман и Прессер (1996) тврде да би наруџбина питања била важна за два типа питања: делимична питања у којима су два питања у истом нивоу специфичности (нпр. Оцјене два председничка кандидата); и делимична питања у којима опште питање прати конкретније питање (нпр. питајући "Колико сте задовољни са својим послом?" а затим "Колико сте задовољни са својим животом?").

    Они даље карактеришу два типа ефекта налога: ефекти конзистенције се јављају када су одговори на касније питање доведени ближе (него што би иначе били) на оне које су дане ранијем питању; контрастни ефекти се јављају када постоје веће разлике између одговора на два питања.

    1. Креирајте пар питања у дијелу за који мислите да ће имати велики ефекат поруџбине питања; пар делимичних питања за које мислите да ће имати велики ефекат наредбе; и пар питања чији поредак мислите да није битно. Покрените анкетни експеримент на Амазон Мецханицал Турк да бисте тестирали своја питања.
    2. Колико је ефекат делимичних делова био стваран? Да ли је то био конзистентан или контрастни ефекат?
    3. Колико је био велики ефекат у целини? Да ли је то био конзистентан или контрастни ефекат?
    4. Да ли је у вашем пару постојао ефекат налога за питања, када нисте мислили да би то било важно?

  6. [ средња , прикупљање података ] Изградња на радовима Сцхуман и Прессер, Moore (2002) описује одвојену димензију ефекта поретка питања: адитивне и субтрактивне ефекте. Док су ефекти контраста и конзистентности произведени као последица оцењивања испитаника о две ствари у односу једна на другу, адитивни и субтрактивни ефекти се стварају када испитаници постану осјетљивији на већи оквир унутар којег се постављају питања. Прочитајте Moore (2002) , затим дизајнирајте и покрените истраживачки експеримент на МТурк-у да бисте приказали адитивне или субтрактивне ефекте.

  7. [ тешко , прикупљање података ] Цхристопхер Антоун и колеге (2015) спровели студију упоређујући узорке погодности добијене из четири различита извора за онлајн запошљавање: МТурк, Цраигслист, Гоогле АдВордс и Фацебоок. Дизајнирајте једноставно истраживање и регрутирајте учеснике кроз најмање два различита онлине начина регрутовања (ти извори се могу разликовати од четири извора који су кориштени у Antoun et al. (2015) ).

    1. Упоредите трошкове по запосленима - у смислу новца и времена - између различитих извора.
    2. Упоредите састав узорака добијених из различитих извора.
    3. Упоредите квалитет података између узорака. За идеје о томе како мјерити квалитет података од испитаника, погледајте Schober et al. (2015) .
    4. Који је ваш омиљени извор? Зашто?

  8. [ средња ] У настојању да предвиди резултате референдума ЕУ у 2016. години (тј. Брекит), ИоуГовова фирма за истраживање тржишта заснована на интернету, спровела је онлине анкете панела од око 800.000 испитаника у Уједињеном Краљевству.

    Детаљан опис ИоуГовог статистичког модела можете пронаћи на хттпс://иоугов.цо.ук/невс/2016/06/21/иоугов-референдум-модел/. Грубо говорећи, ИоуГов је поделио гласаче на типове засноване на избору општег изборног избора у 2015. години, узрасту, квалификацијама, полу и датуму интервјуа, као и изборној јединици у којој живе. Прво, они су користили податке прикупљене од ИоуГов панелиста како би проценили, међу онима који су гласали, проценат људи из сваког бирачког типа који су намјеравали да гласају за одлазак. Проценили су одзив сваког бирача коришћењем британске изборне студије (БЕС) за 2015. годину, постизборном лицем у лице, који је потврдио излазност из изборних листића. Коначно, процијенили су колико је било људи из сваког бирача у бирачком списку, на основу најновије пописа и годишњег пописа становништва (уз неке додатне информације из других извора података).

    Три дана пре гласања, ИоуГов је показао вођство од две тачке за одлазак. Уочи гласања, анкета је показала да је резултат био превише близу да се позове (49/51 Ремаин). Коначна данашња студија предвиђала је 48/52 у корист Ремаина (хттпс://иоугов.цо.ук/невс/2016/06/23/иоугов-даи-полл/). У ствари, ова процјена је пропустила коначни резултат (52/48 одлазак) за четири процентна поена.

    1. Користите оквир укупне грешке у истраживању који је разматран у овом поглављу како бисте процијенили шта је могло погријешити.
    2. Одговор ИоуГов-а након избора (хттпс://иоугов.цо.ук/невс/2016/06/24/брекит-фолловс-цлосе-рун-цампаигн/) објаснио је: "Ово се чини у великом дијелу због излазности - нешто што рекли смо да ће све време бити пресудно за исход такве фино избалансиране расе. Наш модел одзива дјелимично се заснивао на томе да ли су испитаници гласали на посљедњим општим изборима, а ниво излазности изнад опћих избора узнемирио је модел, посебно на сјеверу. "Да ли ово мијења ваш одговор на дио (а)?

  9. [ средња , захтева кодирање ] Напишите симулацију за илустрацију сваке од грешака репрезентације на слици 3.2.

    1. Створите ситуацију у којој ове грешке заправо отказују.
    2. Створите ситуацију у којој се грешке слажу једни друге.

  10. [ Веома тешко , захтева кодирање ] Истраживање Блуменстоцк-а и колега (2015) укључивало је изградњу модела за учење машина који би могао користити дигиталне податке о траговима како би предвидио одговоре на анкете. Сада ћете покушати исту ствар са другим подацима. Kosinski, Stillwell, and Graepel (2013) открили да Фацебоок воли да предвиде индивидуалне особине и атрибуте. Изненађујуће, ове предвиђања могу бити још прецизније од оних пријатеља и колега (Youyou, Kosinski, and Stillwell 2015) .

    1. Прочитајте Kosinski, Stillwell, and Graepel (2013) слику 2. Њихови подаци су доступни на хттп: Kosinski, Stillwell, and Graepel (2013)
    2. Сада, поновите слику 3.
    3. Најзад, пробајте свој модел на сопственим Фацебоок подацима: хттп://апплимагицсауце.цом/. Колико добро то ради за вас?

  11. [ средња ] Toole et al. (2015) користио је податке о детаљима позива (ЦДР-а) са мобилних телефона како би предвидио агрегатне трендове незапослености.

    1. Упоредите и контрастирајте дизајн студије Toole et al. (2015) са Blumenstock, Cadamuro, and On (2015) из Blumenstock, Cadamuro, and On (2015) .
    2. Да ли мислите да ЦДР треба да замене традиционална истраживања, да их допуњују или да се уопште не користе за владине доносиоце политике да прате незапосленост? Зашто?
    3. Који докази ће вас уверити да ЦДР могу у потпуности заменити традиционалне мере стопе незапослености?

Powered by Open Review Toolkit