aktivnosti

кеи:

  • степен тежине: лако лако , средњи средњи , тешко тврд , Веома тешко Веома тешко
  • захтева математику ( захтева математику )
  • захтева кодирање ( захтијева кодирање )
  • прикупљање података ( прикупљање података )
  • моји фаворити ( моје омиљено )

  1. [ тврд , захтева математику ] У поглављу, био сам веома позитивно о пост-стратификације. Међутим, то није увек побољшати квалитет процене. Изгради ситуацију у којој се пост-раслојавање може да смањи квалитет процене. (За хинт, погледајте Thomsen (1973) ).

  2. [ тврд , прикупљање података , захтијева кодирање ] Дизајн и спровођење анкете не вероватноће на Амазон МТурк питати о власништву оружја ( "Да ли, или не било кога у вашем домаћинству, поседује пиштољ, пушку или пиштољ? Јеси ли то ти или неко други у вашем домаћинству?") И ставови према контроли оружја ( "Шта мислиш да је важније-да се заштити право Американаца да поседује оружје, или да контролише посједовање оружја?").

    1. Колико се ваш преглед траје? Колико то кошта? Како се демографска слика у узорку у поређењу са демографији америчке популације?
    2. Шта је сиров процена посједовања оружја користећи свој узорак?
    3. Исправан за не-репрезентативности узорку коришћењем пост-раслојавања или неки други технику. Шта је процена посједовања оружја?
    4. Како ваше процене упоредити са последњим проценама из Пев Ресеарцх Центер? Шта мислиш објаснити неслагања, ако постоји?
    5. Поновите вежбу 2-5 за однос према контроле оружја. Како се ваши закључци разликују?

  3. [ Веома тешко , прикупљање података , захтијева кодирање ] Гоел и сарадници (2016) истраживање не вероватноћа засновану на који се састоји од 49 вишеструког избора ставова питања извучени из општег друштвеног анкете (ГСС) и изаберите истраживања од истраживачког центра Пев на Амазон МТурк. Они затим подесите за не-репрезентативности података коришћењем модела заснованог на пост-раслојавања (Мр. П), и упоредити прилагођене процене са онима процењује коришћењем ГСС-/ Пев истраживања вероватноће засноване. Поступа према истим истраживање о МТурк и покушати да понове Слика 2а и 2б слика по поређењем своје прилагођене процене са проценама из најновијих рунди ГСС / Пев (Види Прилог, Табела А2 за листу 49 питања).

    1. Упоредите и контраст своје резултате са резултатима из Пев и ГСС.
    2. Упоредите и контраст своје резултате са резултатима анкете МТурк у Goel, Obeng, and Rothschild (2016) .

  4. [ средњи , прикупљање података , захтијева кодирање ] Многе студије користе само-репорт мера мобилних података телефон активности. Ово је занимљива поставка где истраживачи могу поредити само-пријавио понашање са пријављени понашања (види нпр, Boase and Ling (2013) ). Две заједничке понашања која треба поставити око зову и уноса текста, и два заједничка временским оквирима су "јуче" и "у протеклој недељи."

    1. Пре него што прикупљање било каквих података који у себи извештају мере Да ли мислите да је прецизније? Зашто?
    2. Регрутује 5 својих пријатеља да буде у својој анкети. Молимо Вас да укратко како су ови 5 пријатељи узорак. Можда ова процедура узорковања изазвати специфичне предрасуде у својим проценама?
    3. Молимо Вас да их следеће микро-анкета:
    • "Колико пута сте користили мобилни телефон да зовем друге јуче?"
    • "Колико текстуалних порука сте послали јуче?"
    • "Колико пута сте користили мобилни телефон да позове остале у последњих седам дана?"
    • "Колико пута сте користили мобилни телефон за слање или примање СМС / СМС у последњих седам дана?" Када се истраживање заврши, замолио да провери податке о њиховој примени као пријављени њиховом телефону или провајдера.
    1. Како употреба само-извештај у поређењу са лог податке? Који је најпрецизнији, што је најмање тачно?
    2. Сада комбинују податке које сте прикупили са подацима из других људи у својој класи (ако радите ову активност за класу). Са овим већим података, понављам део (д).

  5. [ средњи , прикупљање података ] Шуман и стискача (1996) да је питање налози би било важно за две врсте односа питања: Парт-део питања где два питања су на истом нивоу специфичности (нпр рејтинзи два председничка кандидата); и део-цела питања где опште питање следи конкретније питање (нпр пита "Колико сте задовољни својим послом?" следи "Колико сте задовољни својим животом?").

    Они даље карактеришу две врсте питање реда ефекта: конзистенције се јављају када се одговори на питање касније приближити (него што би иначе било) које су дали на претходно питање; контраст се јављају када постоје веће разлике између одговора на два питања.

    1. Критике пар део-делова питања за које мислите да ће имати велики утицај питање реда, пар део-целина питања за које мислите да ће имати велики утицај реда, и још један пар питања чије би ли мислите да би било важно. Покренути експеримент истраживање о МТурк да тестирате своје питања.
    2. Колика је била ефекат део дела сте били у стању да створи? Да ли је то доследност или контраст ефекат?
    3. Колика је била део-целина ефекат да ли сте у стању да створи? Да ли је то доследност или контраст ефекат?
    4. Да ли је било питање би ефекат у својој пару где ниси мислио ред би битно?

  6. [ средњи , прикупљање података ] Изградња о раду Сцхуман и преса, Moore (2002) посебну димензију питање реда ефекта: адитива и субстрактивну. Док контраст и постојаност ефекти се производе као последица процене испитаника о два предмета у односу на сваку другу, адитива и субстрактивну ефекти су произведени и када су испитаници су осетљивији на ширем оквиру унутар којег се поставила питања. Реад Moore (2002) , а затим дизајн и покренути експеримент истраживање о МТурк да покажу адитив или субстрактивну ефекте.

  7. [ тврд , прикупљање података ] Кристофер Антоун и колеге (2015) је студију у односу на узорке олакшају добијених из четири различита интернет регрутовање извора: МТурк, Цраигслист, Гоогле АдВордс и Фацебоок. Дизајн једноставан преглед и запосли учеснике кроз најмање два различита извора на мрежи регрутовање (они могу бити различити извори из четири извора који се користе у Antoun et al. (2015) ).

    1. Упоредите цене по војнику, у смислу новца и времена, између различитих извора.
    2. Упоредите састав узорака добијених из различитих извора.
    3. Упоредити квалитет података између узорака. За идеје о томе како да мерење квалитета података из испитаника, погледајте Schober et al. (2015) .
    4. Који је ваш омиљени извор? Зашто?

  8. [ средњи ] Анкете,, интернет-басед истраживање тржишта, спроведено Анкете панела од око 800.000 испитаника у Великој Британији и користи господине П. предвидети резултат ЕУ референдума (тј Брекит) где су гласачи УК гласа или да остану или напустити Европску унију.

    Детаљан опис анкете, с статистичког модела је овде (хттпс://иоугов.цо.ук/невс/2016/06/21/иоугов-референдум-модел/). Грубо говорећи, анкете, партиције гласаче на типове на основу 2015 опште изборе гласова избора, старости, квалификација, пол, датум интервјуа, као и изборне живе у. Прво, користили су податке прикупљене из анкете, панелиста проценити, међу онима који гласају, проценат људи сваке врсте бирача који намеравају да гласају оду. Они процењују гледалаца сваке врсте бирача помоћу 2015 британског изборну студије (БЕС) пост-изборни лицем у лице анкети, која потврдио излазности од бирачки списак. На крају, они процењују колико људи има у свакој врсти бирача у бирачком телу на основу последњем попису становништва и годишњег истраживања становништва (са неким подацима сабирање из Завода за школство, подаци анкете, истраживања из целог општим изборима, и информације о томе колико су људи гласали за свака странка у свакој изборној јединици).

    Три дана пре гласања, анкете, показало је два поена предности за одобрење. Уочи гласања, анкета је показала сувише близу да позове (49-51 Ремаин). Коначна студија на-на-дан предвидео 48/52 у корист Ремаин (хттпс://иоугов.цо.ук/невс/2016/06/23/иоугов-даи-полл/). У ствари, ова процена је пропустио крајњи резултат (52-48 Леаве) за четири процентна поена.

    1. Користите укупан оквир грешци истраживање расправљали у овом поглављу да процени шта је могло пошло наопако.
    2. Анкете, одговор након избора (хттпс://иоугов.цо.ук/невс/2016/06/24/брекит-фолловс-цлосе-рун-цампаигн/~~ХЕАД=побј) објашњава: "Ово изгледа у великом делу због излазности - нешто што смо рекли сви заједно ће бити пресудан за исход таквог фино избалансираним трке. Наш модел излазност била заснована, делом, од тога да ли испитаници су гласали на посљедњим општим изборима и ниво одзив изнад да општих избора узнемирио модел, посебно на северу. "Да ли то мења свој одговор на делу (а)?

  9. [ средњи , захтијева кодирање ] Напишите симулацију да илуструју сваки од репрезентације грешака на слици 3.1.

    1. Створи ситуацију у којој су те грешке заправо отказати.
    2. Створи ситуацију у којој су грешке једињење једни друге.

  10. [ Веома тешко , захтијева кодирање ] Истраживање Блуменстоцк и колега (2015) изградње модела машинског учења које би могле користити дигиталне податке у траговима предвидети одговоре анкете. Сада, ви ће покушати исту ствар са другом података. Kosinski, Stillwell, and Graepel (2013) утврдио да Фацебоок ликес може предвидети индивидуалне црте и атрибуте. Изненађујуће, ови предвиђања могу бити још прецизнији од оних пријатеља и колега (Youyou, Kosinski, and Stillwell 2015) .

    1. Реад Kosinski, Stillwell, and Graepel (2013) , и понове Слика 2. Њихови подаци су доступни овде: хттп://миперсоналити.орг/
    2. Сада, реплицирати Слика 3.
    3. На крају, пробајте свој модел на свом Фацебоок података: хттп://апплимагицсауце.цом/. Колико добро функционише за вас?

  11. [ средњи ] Toole et al. (2015) употреба позива записи (ЦДР) са мобилних телефона да предвиди агрегата тренд незапослености.

    1. Упоредите и контраст дизајн Toole et al. (2015) Blumenstock, Cadamuro, and On (2015) .
    2. Да ли мислите да се ЦДР би требало да замени традиционалне анкете, допуни их или не користити уопште за владине политике за праћење незапослености? Зашто?
    3. Шта доказ да вас убеди да се ЦДР може у потпуности да замени традиционалне мере стопе незапослености?

Powered by Open Review Toolkit