shughuli

  • shahada ya ugumu: rahisi rahisi , kati kati , ngumu ngumu , ngumu sana ngumu sana
  • inahitaji math ( inahitaji math )
  • inahitaji coding ( inahitaji coding )
  • ukusanyaji wa data ( ukusanyaji wa data )
  • favorites yangu ( mimi favorite )

  1. [ ngumu , inahitaji math ] Katika sura hiyo, nilikuwa na chanya sana kuhusu utunzaji wa baada ya kuchapishwa. Hata hivyo, hii si mara zote kuboresha ubora wa makadirio. Tengeneza hali ambapo baada ya stratification inaweza kupunguza ubora wa makadirio. (Kwa ladha, angalia Thomsen (1973) .)

  2. [ ngumu , ukusanyaji wa data , inahitaji coding ] Kubuni na kufanya utafiti usio uwezekano kwenye Amazon Mechanical Turk kuuliza juu ya umiliki wa bunduki na mtazamo kuhusu udhibiti wa bunduki. Ili uweze kulinganisha makadirio yako kwa wale wanaotokana na sampuli ya uwezekano, tafadhali nakala ya maandishi ya swali na majibu moja kwa moja kutoka kwa utafiti wa juu kama vile wale wanaoendesha Kituo cha Utafiti wa Pew.

    1. Utafiti wako unachukua muda gani? Inagharimu kiasi gani? Je, idadi ya watu ya sampuli yako inalinganisha na idadi ya idadi ya watu wa Marekani?
    2. Makadirio ghafi ya umiliki wa bunduki kwa kutumia sampuli yako?
    3. Sahihi kwa usio na uwakilishi wa sampuli yako ukitumia stratification au baada ya mbinu nyingine. Sasa ni makadirio gani ya umiliki wa bunduki?
    4. Makadirio yako yanalinganisha na makadirio ya hivi karibuni kutoka kwa sampuli inayotokana na uwezekano? Unadhani unaelezea tofauti gani, ikiwa kuna yoyote?
    5. Kurudia maswali (b) - (d) kwa mtazamo kuhusu udhibiti wa bunduki. Matokeo yako yanatofautianaje?

  3. [ ngumu sana , ukusanyaji wa data , inahitaji coding Goel na wafanyakazi wenzake (2016) walitumia maswali 49 ya maswali ya uchaguzi yaliyotokana na Utafiti wa Jamii Mkuu (GSS) na kuchagua tafiti na Kituo cha Utafiti wa Pew kwa sampuli isiyowezekana ya washiriki waliotokana na Amazon Mechanical Turk. Walibadilishwa kwa ajili ya wasiokuwa na uwakilishi wa data kwa kutumia utambulisho wa baada ya mtindo na kulinganisha makadirio yao yaliyobadilishwa na wale kutoka kwa tafiti za GSS na Pew zinazowezekana. Fanya utafiti huo juu ya Mitambo ya Mitambo ya Amazon na jaribu kuiga takwimu ya 2a na takwimu 2b kwa kulinganisha makadirio yako yaliyorekebishwa na makadirio kutoka kwa raundi ya hivi karibuni ya tafiti za GSS na Pew. (Angalia kiambatisho cha meza A2 kwa orodha ya maswali 49.)

    1. Linganisha na kulinganisha matokeo yako na wale kutoka Pew na GSS.
    2. Linganisha na kulinganisha matokeo yako na wale kutoka Utafiti wa Mechanical Turk huko Goel, Obeng, and Rothschild (2016) .

  4. [ kati , ukusanyaji wa data , inahitaji coding Masomo mengi hutumia hatua za kujitegemea za matumizi ya simu ya mkononi. Hii ni mazingira ya kuvutia ambayo watafiti wanaweza kulinganisha tabia ya kujitegemea yenye tabia iliyoingia (tazama mfano, Boase and Ling (2013) ). Tabia mbili za kawaida za kuuliza kuhusu ni wito na kutuma maandishi, na muafaka wawili wa kawaida ni "jana" na "wiki iliyopita."

    1. Kabla ya kukusanya data yoyote, ni ipi ya hatua za kujitegemea ambazo unadhani ni sahihi zaidi? Kwa nini?
    2. Pata marafiki wako watano kuwa katika utafiti wako. Tafadhali tafadhali kwa kifupi muhtasari jinsi marafiki hawa watano walitumiwa. Je, utaratibu huu wa sampuli unaweza kuhamasisha udhaifu maalum katika makadirio yako?
    3. Waulize maswali ya microsurvey yafuatayo:
    • "Ulikuwa unatumia mara ngapi simu yako ya mkononi kuwaita wengine jana?"
    • "Je, unatuma ujumbe wa maandishi ngapi jana?"
    • "Ni mara ngapi ulizotumia simu yako ya simu kuwaita wengine katika siku saba za mwisho?"
    • "Ni mara ngapi ulizotumia simu yako ya simu kutuma au kupokea ujumbe wa maandishi / SMS siku saba zilizopita?"
    1. Mara microsurvey hii imekamilika, waulize kuangalia data zao za matumizi kama zimeingia kwa simu zao au mtoa huduma. Je! Matumizi ya ripoti ya kujitegemea yanafanana na data ya kumbukumbu? Ni ipi sahihi zaidi, ambayo ni sahihi zaidi?
    2. Sasa patanisha data uliyokusanya na data kutoka kwa watu wengine katika darasa lako (ikiwa unafanya shughuli hii kwa darasa). Kwa dasaset hii kubwa, kurudia sehemu (d).

  5. [ kati , ukusanyaji wa data ] Schuman na Presser (1996) wanasema kwamba maagizo ya swali ingekuwa muhimu kwa aina mbili za maswali: maswali ya sehemu ya sehemu ambapo maswali mawili yana kwenye kiwango kimoja cha maalum (kwa mfano, upimaji wa wagombea wawili wa urais); na maswali ya sehemu nzima ambapo swali la jumla linafuatia swali maalum (kwa mfano, kuuliza "Umejaa kuridhika na kazi yako?" ikifuatiwa na "Umejaa kuridhika kwa maisha yako?").

    Wanaendelea zaidi aina mbili za athari za kuagiza swali: athari za thabiti hutokea wakati majibu ya swali la baadaye yanaletwa karibu (kuliko ilivyoweza kuwa) kwa wale waliopewa swali la awali; Tofauti tofauti hutokea wakati kuna tofauti kubwa kati ya majibu kwa maswali mawili.

    1. Unda jozi ya maswali ya sehemu ya sehemu ambayo unadhani itakuwa na athari kubwa ya kuuliza swali; jozi la sehemu-maswali yote unayofikiri yatakuwa na athari kubwa ya utaratibu; na jozi la maswali ambao unafikiria kuwa haujalishi. Tumia majaribio ya utafiti kwenye Kituruki cha Mitambo ya Amazon ili uhakiki maswali yako.
    2. Ulikuwa na athari kubwa ya sehemu ya sehemu gani? Ilikuwa ni uthabiti au athari tofauti?
    3. Je! Ni athari kubwa ya sehemu gani iliyoweza kuunda? Ilikuwa ni uthabiti au athari tofauti?
    4. Je, kulikuwa na athari za kuagiza swali katika jozi yako ambapo haufikiri kuwa utaratibu ungekuwa jambo?

  6. [ kati , ukusanyaji wa data ] Kujenga kazi ya Schuman na Presser, Moore (2002) inaelezea mwelekeo tofauti wa athari za kuagiza swali: madhara ya kuongezea na ya kusisimua. Wakati tofauti na athari za uthabiti zinazalishwa kama matokeo ya tathmini ya wahojiwa ya vitu viwili kuhusiana na kila mmoja, madhara ya kuongezea na ya kufuta yanatolewa wakati wahojiwa hupatikana zaidi kwa mfumo mkubwa katika ambayo maswali yanayopatikana. Soma Moore (2002) , kisha uumbie na uendelee majaribio ya uchunguzi juu ya MTurk ili kuonyesha athari za kuongezea au za kutenganisha.

  7. [ ngumu , ukusanyaji wa data ] Christopher Antoun na wenzake (2015) walifanya utafiti kulinganisha sampuli za urahisi zilizopatikana kutoka vyanzo vinne vya kuajiri online: MTurk, Craigslist, Google AdWords na Facebook. Tengeneza utafiti rahisi na waajiri washiriki kupitia angalau vyanzo viwili vya kuajiri mtandaoni (vyanzo hivi vinaweza kuwa tofauti na vyanzo vinne vilivyotumiwa katika Antoun et al. (2015) ).

    1. Linganisha gharama kwa kuajiri-kwa pesa na muda kati ya vyanzo tofauti.
    2. Linganisha muundo wa sampuli zilizopatikana kutoka vyanzo tofauti.
    3. Linganisha ubora wa data kati ya sampuli. Kwa mawazo kuhusu jinsi ya kupima ubora wa data kutoka kwa washiriki, ona Schober et al. (2015) .
    4. Nini chanzo chako cha kuchaguliwa? Kwa nini?

  8. [ kati ] Jitihada za kutabiri matokeo ya kura ya maoni ya Umoja wa Mataifa 2016 (yaani, Brexit), YouGov-mtandao unaofanywa na utafiti wa soko uliofanywa na waandishi wa mtandao wa jopo la washiriki 800,000 nchini Uingereza.

    Maelezo ya kina ya mfano wa Takwimu wa YouGov yanaweza kupatikana kwenye https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/. Kwa kusema, WaGov waligawanya wapiga kura katika aina kulingana na uchaguzi mkuu wa uchaguzi wa 2015, umri, sifa, jinsia, na tarehe ya mahojiano, pamoja na eneo ambalo waliishi. Kwanza, walitumia data zilizokusanywa kutoka kwa wananchi wa YouGov kuzingatia, kati ya wale waliopiga kura, idadi ya watu wa kila aina ya wapiga kura ambao walitaka kupiga kura. Wao walidhani kugeuka kwa kila aina ya wapiga kura kwa kutumia Utafiti wa Uchaguzi wa Uingereza wa mwaka wa 2015 (BES), uchunguzi wa uso kwa uso baada ya uchaguzi, ambao ulithibitisha kurudi kutoka kwenye uchaguzi wa uchaguzi. Hatimaye, waligundua jinsi watu wengi walivyokuwa na kila aina ya wapiga kura katika wapiga kura, kwa kuzingatia Utafiti wa Idadi ya Watu wa Sensa na wa Mwaka (pamoja na maelezo ya ziada kutoka kwa vyanzo vingine vya data).

    Siku tatu kabla ya kupiga kura, YouGov ilionyesha uongozi wa hatua mbili za kuondoka. Saa ya kupiga kura, uchaguzi ulionyesha kuwa matokeo yalikuwa karibu sana kuwaita (49/51 Endelea). Utafiti wa mwisho wa siku ulibainisha 48/52 kwa kubaki (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). Kwa kweli, makadirio haya yalikosa matokeo ya mwisho (52/48 kuondoka) kwa pointi nne za asilimia.

    1. Tumia mfumo wa kosa la uchunguzi wa jumla uliojadiliwa katika sura hii ili kutathmini kile ambacho kinaweza kwenda vibaya.
    2. Jibu la YouGov baada ya uchaguzi (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) alielezea: "Hii inaonekana katika sehemu kubwa kutokana na kurudi-kitu ambacho tumesema kila wakati itakuwa muhimu kwa matokeo ya mbio hiyo nzuri. Mfano wetu wa kurejea ulikuwa msingi, kwa upande mmoja, kama washiriki walipiga kura katika uchaguzi mkuu wa mwisho na ngazi ya kurudi juu ya uchaguzi wa jumla unasisimua mfano, hasa katika Kaskazini. "Je! Hii inabadili jibu lako kwa sehemu (a)?

  9. [ kati , inahitaji coding ] Andika simulation ili kuonyesha kila makosa ya uwakilishi katika sura ya 3.2.

    1. Unda hali ambapo makosa haya kweli kufuta.
    2. Unda hali ambapo makosa yanajumuisha.

  10. [ ngumu sana , inahitaji coding Utafiti wa Blumenstock na wenzake (2015) ulihusisha kujenga mtindo wa kujifunza mashine ambayo inaweza kutumia data ya kufuatilia digital ili kutabiri majibu ya uchunguzi. Sasa, utajaribu kitu kimoja na dataset tofauti. Kosinski, Stillwell, and Graepel (2013) waligundua kuwa kupenda Facebook kunaweza kutabiri sifa na sifa za kibinafsi. Kwa kushangaza, utabiri huu unaweza kuwa sahihi zaidi kuliko wale wa marafiki na wafanyakazi wenzake (Youyou, Kosinski, and Stillwell 2015) .

    1. Soma Kosinski, Stillwell, and Graepel (2013) , na kuiga takwimu 2. Takwimu zao zinapatikana kwa http://mypersonality.org/
    2. Sasa, fanya takwimu ya 3.
    3. Hatimaye, jaribu mfano wao kwenye data yako mwenyewe ya Facebook: http://applymagicsauce.com/. Je! Inakufanyia kazi vizuri?

  11. [ kati ] Toole et al. (2015) alitumia kumbukumbu za maelezo ya wito (CDRs) kutoka simu za mkononi kutabiri mwenendo wa ukosefu wa ajira.

    1. Linganisha na kulinganisha muundo wa utafiti wa Toole et al. (2015) na ile ya Blumenstock, Cadamuro, and On (2015) .
    2. Je, unadhani CDR zinapaswa kuchukua nafasi ya uchunguzi wa jadi, kuwasaidia au kutumiwa kabisa kwa wasimamizi wa serikali kufuatilia ukosefu wa ajira? Kwa nini?
    3. Ni ushahidi gani unaokushawishi kuwa CDR zinaweza kuchukua nafasi ya hatua za jadi za kiwango cha ukosefu wa ajira?

Powered by Open Review Toolkit