நடவடிக்கைகள்

• சிரமம் பட்டம்: எளிது , நடுத்தர , கடினமாக , மிகவும் கடினமாக உள்ளது
• கணிதம் தேவை )
• குறியீட்டு தேவை ( )
• தரவு சேகரிப்பு ( )
• எனக்கு பிடித்தவைகள் ( )

1. [ , ] அத்தியாயத்தில், நான் பிந்தைய அடுக்குகள் பற்றி மிகவும் சாதகமான இருந்தது. இருப்பினும், இது எப்போதும் மதிப்பீடுகளின் தரத்தை மேம்படுத்தாது. மதிப்பீட்டின் தரத்தை பிந்தைய அடுக்குகள் குறைக்கக்கூடிய சூழ்நிலையை உருவாக்கவும். (குறிப்புக்கு, Thomsen (1973) .)

2. [ , , ] அமேசான் மெக்கானிக்கல் துருக்கியில் துப்பாக்கி கட்டுப்பாட்டை நோக்கி துப்பாக்கி உரிமையைப் பற்றியும் அணுகுமுறைகளைப் பற்றியும் கேட்கும் ஒரு அல்லாத நிகழ்தகவு கணக்கை வடிவமைத்தல் மற்றும் நடத்துதல். எனவே, உங்கள் மதிப்பீட்டை ஒரு நிகழ்தகவு மாதிரியில் இருந்து பெறலாம் என்பதை நீங்கள் ஒப்பிட்டுக் கொள்ள முடியும். தயவுசெய்து கேள்விக் குறிப்பு மற்றும் மறுமொழி விருப்பங்களை நேரடியாக Pew Research Centre மூலம் இயக்கும் உயர் தரத்திலான ஆய்வுகளிலிருந்து நகலெடுக்கவும்.

   1. உங்கள் கணக்கெடுப்பு எவ்வளவு காலம் எடுக்கப்படுகிறது? எவ்வளவு செலவாகும்? உங்கள் மாதிரி புள்ளிவிவரங்கள் அமெரிக்க மக்களுடைய புள்ளிவிவரங்களுடன் எவ்வாறு ஒப்பிடப்படுகின்றன?
   2. உங்கள் மாதிரியைப் பயன்படுத்தி துப்பாக்கி உரிமையாளரின் மூல மதிப்பீடு என்ன?
   3. Post-stratification அல்லது வேறு சில நுட்பங்களைப் பயன்படுத்தி உங்கள் மாதிரியின் சார்பற்ற தன்மைக்கு சரியானது. இப்போது துப்பாக்கி உரிமையை மதிப்பீடு என்ன?
   4. உங்கள் மதிப்பீடுகள், நிகழ்தகவு அடிப்படையிலான மாதிரியின் சமீபத்திய மதிப்பீட்டை எவ்வாறு ஒப்பிடுகின்றன? ஏதேனும் இருந்தால், முரண்பாடுகளை விளக்குவது என்ன?
   5. துப்பாக்கி கட்டுப்பாட்டுக்கு எதிரான மனப்பான்மைகளுக்கு (பி) - (ஈ) கேள்விகளை மீண்டும் செய்யவும். உங்கள் கண்டுபிடிப்புகள் எப்படி வேறுபடுகின்றன?

3. [ , , ] கோயல் மற்றும் சகாக்களும் (2016) பொதுமக்கள் சமூக ஆய்வு (GSS) இலிருந்து பெறப்பட்ட பல விருப்பத் தேர்வான கேள்விகளையும், அமேசான் மெக்கானிக்கல் டர்க்ஸிலிருந்து பெறப்பட்ட பதிலளிப்பாளர்களின் அல்லாத நிகழ்தகவு மாதிரிக்கு Pew Research Centre ஆல் தேர்வு செய்யப்பட்டது. பின்னர் அவர்கள் மாதிரியை அடிப்படையாகக் கொண்ட பிந்தைய அடுக்குமாற்றத்தைப் பயன்படுத்தி தரவு சார்பற்ற தன்மைக்காக சரிசெய்து, நிகழ்தகவு அடிப்படையிலான ஜிஎஸ்எஸ் மற்றும் ப்யூ ஆய்வுகள் ஆகியவற்றின் மூலம் தங்கள் சரிசெய்யப்பட்ட மதிப்பீடுகளை ஒப்பிடுகின்றனர். அமேசான் மெக்கானிக்கல் துர்க் மீது அதே கணக்கெடுப்பு நடத்தி GSS மற்றும் Pew ஆய்வுகள் சமீபத்திய சுற்றுகள் இருந்து மதிப்பீடுகள் உங்கள் சரிசெய்ய மதிப்பீடுகள் ஒப்பிட்டு எண்ணிக்கை 2a மற்றும் எண்ணிக்கை 2b பெருக்கும் முயற்சி. (49 கேள்விகளின் பட்டியலுக்கு இணைப்பு அட்டவணை அட்டவணை A2 ஐ பார்க்கவும்.)

   1. Pew மற்றும் GSS இல் உள்ளவர்களுடன் உங்கள் முடிவுகளை ஒப்பிட்டு வேறுபடுத்தி பாருங்கள்.
   2. Goel, Obeng, and Rothschild (2016) ஆகியவற்றில் மெக்கானிக்கல் டர்க் சர்வேயில் உள்ளவர்களுடன் உங்கள் முடிவுகளை ஒப்பிட்டு வேறுபடுத்தி Goel, Obeng, and Rothschild (2016) .

4. [ , , ] பல ஆய்வுகள் மொபைல் போன் பயன்பாட்டின் சுய தகவல் நடவடிக்கைகளை பயன்படுத்துகின்றன. இது ஒரு சுவாரஸ்யமான அமைப்பாகும், அதில் ஆராய்ச்சியாளர்கள் பதிவு செய்யப்பட்ட நடத்தையுடன் சுய தகவல் நடத்தை ஒப்பிடலாம் (எ.கா., Boase and Ling (2013) ). பற்றி கேட்க இரண்டு பொதுவான நடத்தை அழைப்பு மற்றும் உரை, மற்றும் இரண்டு பொதுவான நேரம் பிரேம்கள் "நேற்று" மற்றும் "கடந்த வாரம்."

   1. எந்தவொரு தரவையும் சேகரிப்பதற்கு முன், சுய மதிப்பீட்டு நடவடிக்கைகளில் நீங்கள் மிகவும் துல்லியமானதாக நினைக்கிறீர்களா? ஏன்?
   2. உங்கள் கணக்கில் உங்கள் நண்பர்களில் ஐந்து பேரை சேர்த்துக்கொள்ளுங்கள். தயவு செய்து சுருக்கமாக இந்த ஐந்து நண்பர்கள் மாதிரி எப்படி சுருக்கமாக. இந்த மதிப்பீட்டு செயல்முறை உங்கள் மதிப்பீட்டில் குறிப்பிட்ட பயன்களைத் தூண்டலாம்?
   3. பின்வரும் நுண்ணோக்கி கேள்விகளுக்கு அவர்களிடம் கேளுங்கள்:
   • "நேற்று எத்தனை முறை உங்கள் மொபைல் ஃபோனை மற்றவர்களை அழைக்க வேண்டும்?"
   • "நேற்று எத்தனை உரை செய்திகளை அனுப்பினீர்கள்?"
   • "கடந்த ஏழு நாட்களில் எத்தனை முறை நீங்கள் உங்கள் மொபைல் ஃபோனை மற்றவர்களை அழைக்க வேண்டும்?"
   • "கடந்த ஏழு நாட்களில் உரை செய்திகளை / எஸ்எம்எஸ் அனுப்ப அல்லது பெற உங்கள் மொபைல் ஃபோன் எத்தனை முறை நீங்கள் பயன்படுத்தினீர்கள்?"
   4. இந்த நுண்ணறிவு முடிந்தவுடன், அவற்றின் பயன்பாட்டுத் தரவை அவற்றின் தொலைபேசி அல்லது சேவை வழங்குநரால் வெளியேற்றுவதைப் பார்க்கவும். தரவை பதிவு செய்வதற்கு சுய அறிக்கை பயன்பாடு எப்படி ஒப்பிடுகிறது? மிகவும் துல்லியமானது, இது குறைந்தபட்சம் துல்லியமானதா?
   5. இப்போது உங்கள் வகுப்பில் மற்றவர்களிடம் இருந்து நீங்கள் சேகரித்த தரவை இணைத்துக்கொள்ளுங்கள் (நீங்கள் ஒரு வகுப்பிற்கு இந்தச் செயலைச் செய்தால்). இந்த பெரிய தரவுத்தளத்துடன், மீண்டும் பகுதி (d).

5. [ , ] இரண்டு கேள்விகளுக்கு வினாக்களுக்கு விடையிறுக்கும் கேள்வி கேள்விக்குரியது: சுமன் மற்றும் பிரேக்கர் (1996) விவாதிக்கின்றனர்: இரண்டு கேள்விகளின் தனித்தன்மைக்கு இரண்டு கேள்விகளுக்கு இரு பகுதிகள் உள்ளன (எ.கா., இரண்டு ஜனாதிபதி வேட்பாளர்களின் மதிப்பீடுகள்); மற்றும் ஒரு பொதுவான கேள்வி ஒரு குறிப்பிட்ட கேள்விக்கு (எ.கா., "உங்கள் வேலையில் எவ்வளவு திருப்திகரமாக இருக்கிறீர்கள்?" என்று கேட்டால், "உங்கள் வாழ்க்கையில் எவ்வளவு திருப்தியாக இருக்கிறீர்கள்?"

   மேலும் அவை இரண்டு வகையான கேள்வி வரிசை விளைவுகளை குணாதிசயப்படுத்துகின்றன: முந்தைய கேள்விகளுக்கான பதில்கள் முந்தைய கேள்விக்கு கொடுக்கப்பட்டவர்களுக்கு நெருக்கமாக (விட வேறுவழியில்லாமல்) நெருக்கமாக கொண்டு வரும்போது நிலைத்தன்மையின் விளைவுகள் ஏற்படலாம்; இரண்டு கேள்விகளுக்கான பதில்களுக்கு இடையில் அதிக வேறுபாடுகள் இருக்கும்போது மாறுபட்ட விளைவுகள் ஏற்படும்.

   1. ஒரு பெரிய கேள்விக் கோரிக்கை விளைவைக் கொண்டிருப்பதாக நீங்கள் நினைக்கிறீர்கள் என்று ஒரு பகுதி பகுதியாகும் பகுதியை உருவாக்குங்கள்; ஒரு ஜோடி பகுதியாக முழு கேள்விகளை நீங்கள் ஒரு பெரிய ஒழுங்கு விளைவு வேண்டும் என்று; மற்றும் ஒரு பொருளை நீங்கள் பொருட்படுத்தமாட்டீர்கள் என்று ஒரு ஜோடி கேள்வி. அமேசான் மெக்கானிக்கல் துருக்கியில் உங்கள் கேள்விகளை சோதித்துப் பரிசோதிக்கவும்.
      
   2. எப்படி ஒரு பகுதியாக பகுதியாக விளைவு நீங்கள் உருவாக்க முடியும்? இது ஒரு சீரான அல்லது மாறாக விளைவு?
   3. ஒரு பகுதி-முழு விளைவு எப்படி நீங்கள் உருவாக்க முடிந்தது? இது ஒரு சீரான அல்லது மாறாக விளைவு?
   4. உங்களுடைய ஜோடியில் கேள்வி கேட்கும் பொருளை நீங்கள் பொருட்படுத்தவில்லையா?

6. [ , ] சுமன் மற்றும் பிரசர் ஆகியோரின் பணிக்கான கட்டிடம், Moore (2002) வினா விடை விளைவுகளின் தனித்தன்மையை விவரிக்கிறது: சேர்க்கை மற்றும் கழித்தல் விளைவுகள். எதிர்விளைவுகள் மற்றும் நிலைத்தன்மையின் விளைவுகளை எதிர்வினையாற்றும் போது, ​​இருவருக்குமிடையில் இரண்டு உருப்படிகளின் மதிப்பீடுகளின் விளைவாக, சேர்க்கை மற்றும் கழித்தல் விளைவுகளை எதிர்கொள்ளும் போது, ​​கேள்விகளுக்கு விடையளிக்கும் பெரிய கட்டமைப்பிற்கு பதிலளித்தவர்கள் மிகவும் உணர்ச்சிவசப்பட்டனர். Read Moore (2002) , பின்னர் வடிவமைப்பதோடு, MTK இல் ஒரு ஆய்வக பரிசோதனை நடத்தவும், சேர்க்கை அல்லது கழித்தல் விளைவுகளை நிரூபிக்கவும்.

7. [ , ] கிறிஸ்டோபர் ஆண்டன் மற்றும் சகாக்கர்கள் (2015) நான்கு வெவ்வேறு ஆன்லைன் ஆட்சேர்ப்பு ஆதாரங்களில் இருந்து கிடைக்கும் வசதிகளை ஒப்பிடுகையில் ஒரு ஆய்வு நடத்தினர்: MTurk, கிரெய்க்ஸ்லிஸ்ட், Google AdWords மற்றும் பேஸ்புக். குறைந்தபட்சம் இரண்டு வெவ்வேறு ஆன்லைன் ஆட்சேர்ப்பு ஆதாரங்களால் (இந்த ஆதாரங்கள் Antoun et al. (2015) இல் பயன்படுத்தப்படும் நான்கு ஆதாரங்களில் இருந்து வேறுபட்டிருக்கலாம் என்பதால் ஒரு எளிமையான ஆய்வு மற்றும் பங்கேற்பாளர்களை பங்கேற்க வேண்டும்.

   1. பணமளிப்பிற்கான செலவை ஒப்பிடு - பணம் மற்றும் நேரம் ஆகியவற்றின் இடையே வெவ்வேறு ஆதாரங்களைக் கொண்டு ஒப்பிடுக.
   2. பல்வேறு ஆதாரங்களில் இருந்து பெறப்பட்ட மாதிரிகள் கலவை ஒப்பிட்டு.
   3. மாதிரிகள் இடையே தரவின் தரத்தை ஒப்பிடவும். பதிலளித்தவர்களில் இருந்து தரவு தரத்தை எப்படி அளவிடுவது என்பது பற்றிய யோசனைகளுக்கு, Schober et al. (2015) ஐப் பார்க்கவும் Schober et al. (2015) .
   4. உங்களுக்கு விருப்பமான ஆதாரம் என்ன? ஏன்?

8. [ ] 2016 யூரோ ரெபரெண்டம் (எ.கா. ப்ரெக்ஸிட்), யுகெவ்-இன் இணைய அடிப்படையிலான சந்தை ஆராய்ச்சி நிறுவனம் ஆகியவற்றின் முடிவுகளை யூட்யூபில் சுமார் 800,000 பேராசிரியர்களின் குழுவினரால் நடத்தப்பட்ட ஆன்லைன் கருத்துக்கணிப்புகளின் முடிவுகளை முன்வைக்கும் முயற்சியில்.

   யூஜோவின் புள்ளிவிவர மாதிரி குறித்த விரிவான விளக்கம் https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/ இல் காணலாம். குறைந்தபட்சம், 2015 பொதுத் தேர்தல் வாக்கெடுப்பு, வயது, தகுதிகள், பாலினம் மற்றும் நேர்முக தேதி, அதே போல் அவர்கள் வாழ்ந்திருக்கும் தொகுதி ஆகியவற்றின் அடிப்படையில், நீங்கள் வாக்காளர்களைப் பிரித்தனர். முதலாவதாக, வாக்களிக்கும் நபர்களிடையே மதிப்பீடு செய்ய யூஜோவ் பேனல் உறுப்பினர்களிடமிருந்து சேகரிக்கப்பட்ட தரவுகளைப் பயன்படுத்தினர், வாக்களிக்கும் ஒவ்வொரு வாக்காளர்களுக்கும் வாக்களிக்கும் மக்களின் விகிதம். வாக்காளர் பட்டியலில் இருந்து வாக்களிக்கும் வாக்கெடுப்பை உறுதிப்படுத்திய 2015 தேர்தலுக்கு பிந்தைய கருத்துக்கணிப்பு, 2015 பிரிட்டிஷ் தேர்தல் ஆய்வு (பி.இ.எஸ்) ஐ பயன்படுத்தி ஒவ்வொரு வாக்காளர்களுக்கும் வாக்களித்திருப்பதாக அவர்கள் மதிப்பிட்டனர். இறுதியாக, சமீபத்திய மக்கள் தொகை கணக்கெடுப்பு மற்றும் வருடாந்தர மக்கள்தொகை கணக்கெடுப்பு அடிப்படையில் (வாக்கெடுப்பில் ஒவ்வொரு வாக்காளர் வகையிலும் எத்தனை பேர் இருந்தார்கள் என கணக்கிடப்பட்டது) (மற்ற தரவு ஆதாரங்களிலிருந்து சில கூடுதலான தகவல்களுடன்).

   வாக்களிக்கும் மூன்று நாட்களுக்கு முன்னர், யூஜோவ் விடுப்புக்கு இரண்டு புள்ளி முன்னணி காட்டியது. வாக்களிப்பிற்கு முன்னதாக, தேர்தல் முடிவுகள் (49/51 எஞ்சியுள்ள) அழைக்க மிகவும் நெருக்கமாக இருப்பதாக சுட்டிக்காட்டுகின்றன. இறுதி நாள் ஆய்வு ஆய்வில் 48/52 க்கு முன்னுரிமை அளித்தது (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/). உண்மையில், இந்த மதிப்பீட்டின்படி இறுதி முடிவு (52/48 விடுப்பு) நான்கு சதவிகித புள்ளிகளை இழந்தது.

   1. தவறான காரணம் என்ன என்பதை மதிப்பீடு செய்ய இந்த அத்தியாயத்தில் விவாதிக்கப்பட்ட மொத்த கணக்கெடுப்பு பிழை கட்டமைப்பைப் பயன்படுத்தவும்.
   2. தேர்தல் முடிந்தபிறகு யூகோவின் பதில் (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) பின்வருமாறு விளக்கியது: "வாக்கெடுப்பு காரணமாக இது ஒரு பெரிய பகுதியாக உள்ளது. அத்தகைய ஒரு சமநிலையான இனம் என்ற முடிவுக்கு அனைத்து முக்கியத்துவம் வாய்ந்ததாக இருக்கும் என்று நாங்கள் கூறியுள்ளோம். நமது பொது வாக்கெடுப்பு மாதிரியானது, கடந்த பொதுத் தேர்தலில் வாக்களித்திருந்தாலும், பொது தேர்தல்களுக்கு மேலாக வாக்கெடுப்பு மட்டத்தில் குறிப்பாக வடமாகாணத்தில் தோல்வி அடைந்ததா என்பதை அடிப்படையாகக் கொண்டது. "இது ஒரு பகுதியை (அ) உங்கள் பதில்க்கு மாற்றுகிறதா?

9. [ , ] படம் 3.2 ல் பிரதிநிதித்துவம் பிழைகள் ஒவ்வொன்றையும் விளக்குவதற்கு ஒரு உருவகத்தை எழுதவும்.

   1. இந்த பிழைகள் உண்மையில் ரத்து செய்யப்படும் சூழ்நிலையை உருவாக்கவும்.
   2. பிழைகள் ஒன்றோடொன்று இணைந்திருக்கும் சூழலை உருவாக்கவும்.

10. [ , பிளமென்ஸ்ஸ்டாக் மற்றும் சக ஊழியர்களின் ஆராய்ச்சி (2015) கணக்கெடுப்பு பதில்களை முன்னறிவிப்பதற்காக டிஜிட்டல் தரவைப் பயன்படுத்தக்கூடிய ஒரு இயந்திர கற்றல் மாதிரியை உருவாக்குவதில் ஈடுபட்டுள்ளது. இப்பொழுது, நீங்கள் வெவ்வேறு தரவுத்தளத்துடன் அதே விஷயத்தைச் சோதிக்க போகிறீர்கள். Kosinski, Stillwell, and Graepel (2013) பேஸ்புக் பிடிக்கும் தனி பண்புகள் மற்றும் பண்புகளை கணிக்க முடியும் என்று கண்டறியப்பட்டது. ஆச்சரியப்படும் விதமாக, இந்த கணிப்புகள் நண்பர்களையும் சக ஊழியர்களையும் (Youyou, Kosinski, and Stillwell 2015) விட இன்னும் துல்லியமாக இருக்கும்.

    1. Kosinski, Stillwell, and Graepel (2013) படிக்கவும் Kosinski, Stillwell, and Graepel (2013) . அவற்றின் தரவு http://mypersonality.org/ இல் கிடைக்கும்.
    2. இப்போது, ​​எண்ணிக்கை 3 பெருக்கும்.
    3. இறுதியாக, உங்கள் சொந்த பேஸ்புக் தரவரிசையில் தங்கள் மாதிரியை முயற்சிக்கவும்: http://applymagicsauce.com/. அது உங்களுக்கு எப்படி வேலை செய்கிறது?

11. [ ] Toole et al. (2015) மொபைல் ஃபோன்களிலிருந்து மொத்த அழைப்பு வேலை விவரங்கள் (CDR கள்) மொத்த வேலையின்மை போக்குகளை முன்வைக்கின்றன.

    1. Toole et al. (2015) இன் ஆய்வு வடிவமைப்பை ஒப்பிட்டு வேறுபடுத்தி Toole et al. (2015) Blumenstock, Cadamuro, and On (2015) .
    2. CDR க்கள் பாரம்பரிய ஆய்வை மாற்ற வேண்டும், வேலையில்லாத் திண்டாட்டத்தைக் கண்காணிக்கும் அரசாங்க கொள்கைகளுக்காக அவற்றைப் பூர்த்தி செய்யவோ அல்லது பயன்படுத்தவோ கூடாது என்று நீங்கள் நினைக்கிறீர்களா? ஏன்?
    3. CDR கள் வேலையின்மை விகிதத்தின் பாரம்பரிய நடவடிக்கைகளை முழுமையாக மாற்றுவதற்கு உங்களுக்கு என்ன சான்றுகள் இருக்கும்?