நடவடிக்கைகள்

விசை:

  • சிரமம் பட்டம்: எளிதாக எளிதாக , நடுத்தர நடுத்தர , கடின கடின , மிகவும் கடினமாக மிகவும் கடினமாக
  • கணித தேவை ( கணித தேவை )
  • கோடிங் தேவைப்படுகிறது ( கோடிங் தேவைப்படுகிறது )
  • தரவு சேகரிப்பு ( தரவு சேகரிப்பு )
  • எனக்கு பிடித்தவைகள் ( எனக்கு பிடித்த )
  1. [ கடின , கணித தேவை ] அத்தியாயத்தில், நான் பிந்தைய ஸ்டிராடிபிகேஷனால் பற்றி மிகவும் சாதகமான இருந்தது. எனினும், அது எப்போதும் மதிப்பீடுகள் தரத்தை மேம்படுத்த முடியாது. பதிவு-ஸ்டிராடிபிகேஷனால் முடியும் மதிப்பீடுகள் தரம் குறைக்க முடியாது ஒரு நிலைமையை அமைக்கவேண்டும். (ஒரு குறிப்பை, பார்க்க Thomsen (1973) ).

  2. [ கடின , தரவு சேகரிப்பு , கோடிங் தேவைப்படுகிறது ] வடிவமைப்பு மற்றும் துப்பாக்கி உரிமை பற்றி கேட்க அமேசான் MTurk ஒரு அல்லாத நிகழ்தகவு ஆய்வு நடத்துவதற்காக, ( "நீ, அல்லது உங்கள் வீட்டு யாருக்காவது, ஒரு துப்பாக்கி, துப்பாக்கி சொந்தமாக அல்லது பிஸ்டல்? என்று நீங்கள் அல்லது உங்கள் வீட்டு வேறு யாரோ?") மற்றும் துப்பாக்கி கட்டுப்பாடு பற்றியும் ( "நீங்கள் என்ன நினைக்கிறீர்கள் துப்பாக்கிகள் சொந்தமாக, அல்லது துப்பாக்கி உரிமை கட்டுப்படுத்த அமெரிக்கர்கள் உரிமை பாதுகாக்க இன்னும் முக்கியம் ஆகும்?").

    1. உங்கள் ஆய்வு எவ்வளவு நேரம் ஆகும்? அது எவ்வளவு செலவாகும்? எப்படி உங்கள் மாதிரி விளக்கப்படங்கள் அமெரிக்க மக்கள் தொகையில் விளக்கப்படங்கள் ஒப்பிடுகையில்?
    2. உங்கள் மாதிரி பயன்படுத்தி துப்பாக்கி உரிமை மூல மதிப்பீடு என்ன?
    3. பிந்தைய ஸ்டிராடிபிகேஷனால் அல்லது வேறு சில நுட்பத்தை பயன்படுத்தி உங்கள் மாதிரி அல்லாத பிரதிநிதித்துவங்களின் சரியான. இப்போது துப்பாக்கி உரிமை மதிப்பீடு என்ன?
    4. எப்படி உங்கள் மதிப்பீடுகள் பியூ ஆராய்ச்சி மையம் இருந்து சமீபத்திய மதிப்பீட்டின்படி ஒப்பிட்டு? என்ன நீங்கள் எந்த இருந்தால், முரண்பாடுகள் விளக்க நினைக்கிறீர்கள்?
    5. உடற்பயிற்சி 2-5 துப்பாக்கி கட்டுப்பாடு நோக்கி அணுகுமுறைகளை மீண்டும். உங்கள் கண்டுபிடிப்புகள் எவ்வாறு வித்தியாசப்படுகின்றன?
  3. [ மிகவும் கடினமாக , தரவு சேகரிப்பு , கோடிங் தேவைப்படுகிறது ] கோயல் மற்றும் சக (2016) அமேசான் MTurk மீதான ப்யூ ரிசர்ச் சென்டர் மூலம் பொது சமூக கணக்கெடுப்பு (GSS) மற்றும் ஆய்வுகள் தேர்ந்தெடுக்கப்பட்ட இருந்து வரையப்பட்ட 49 பல தேர்வு மனோபாவ கேள்விகள் அடங்கிய ஒரு அல்லாத நிகழ்தகவு அடிப்படையிலான கணக்கெடுப்பு நிர்வகிக்கப்படுகிறது. பின்னர் அவர்கள் மாதிரி-சார்ந்த பிந்தைய ஸ்டிராடிபிகேஷன் (திரு பி) பயன்படுத்தி தரவின் அல்லாத பிரதிநிதித்துவங்களின் சரிசெய்ய, மற்றும் நிகழ்தகவு அடிப்படையிலான GSS / ப்யூ ஆய்வுகள் பயன்படுத்தி மதிப்பிடப்பட்டுள்ளது அந்த சரிசெய்யப்பட்டு மதிப்பீடுகள் ஒப்பிடவும். MTurk அதே ஆய்வினை மேற்கொள்ளுதல் மற்றும் GSS / ப்யூ மிக சமீபத்திய சுற்று இருந்து மதிப்பீடுகள் உங்கள் சரிசெய்யப்பட்ட மதிப்பீடுகள் ஒப்பிடுவதன் மூலம் படம் 2a மற்றும் படம் 2b பெருக்கும் முயற்சி (49 கேள்விகளுக்கு பட்டியல் இணைப்பு அட்டவணை, A2 பார்க்கவும்).

    1. ஒப்பிட்டு ப்யூ மற்றும் GSS இருந்து முடிவுகளை உங்கள் முடிவுகளை மாறாக.
    2. ஒப்பிட்டு உள்ள MTurk ஆய்வு முடிவுகளை உங்கள் முடிவுகளை வேறுபடுத்திப் Goel, Obeng, and Rothschild (2016) .
  4. [ நடுத்தர , தரவு சேகரிப்பு , கோடிங் தேவைப்படுகிறது ] பல ஆய்வுகள் மொபைல் போன் நடவடிக்கை தரவு சுய அறிக்கை நடவடிக்கைகளை பயன்படுத்த. இந்த ஆராய்ச்சியாளர்கள் வெளியேற்ற நடத்தை கொண்ட சுய தகவல் நடத்தை ஒப்பிட்டு முடியும் ஒரு சுவாரஸ்யமான அமைப்பை (எ.கா. பார்க்க, Boase and Ling (2013) ). அழைப்பு மற்றும் உரைச், மற்றும் இரண்டு பொதுவான நேரம் பிரேம்கள் பற்றி கேட்க இரண்டு பொதுவான நடத்தைகள் "கடந்த வாரம்." "நேற்று" மற்றும்

    1. நீங்கள் மிகவும் துல்லியமான நினைக்கிறேன் சுய அறிக்கை நடவடிக்கைகளை எந்த தரவு, சேகரிக்கும் முன்பும்? ஏன்?
    2. உங்கள் ஆய்வு இருக்க உங்கள் நண்பர்கள் 5 சேர்த்துக்கொள்ள. தயவு செய்து சுருக்கமாக இந்த 5 நண்பர்கள் மாதிரியாக்கியது எப்படி சுருக்கமாக. இந்த மாதிரி செயல்முறை உங்கள் மதிப்பீடுகள் குறிப்பிட்ட பாகுபாடுகளை தூண்ட வேண்டும்?
    3. அவர்களை தொடர்ந்து மைக்ரோ கணக்கெடுப்பு கேளுங்கள்:
    • "எத்தனை முறை நீங்கள் மற்றவர்கள் நேற்று அழைக்க மொபைல் போன் பயன்படுத்த?"
    • "எத்தனை உரை செய்திகளை நீங்கள் நேற்று அனுப்பி வைத்தார்?"
    • "எத்தனை முறை நீங்கள் கடந்த ஏழு நாட்களில் மற்றவர்கள் அழைக்க உங்கள் மொபைல் போன் பயன்படுத்த?"
    • கணக்கெடுப்பு முடிந்ததும் "பல முறை எப்படி நீங்கள் அனுப்ப அல்லது கடந்த ஏழு நாட்களில் உரை செய்திகளை / SMS பெறலாம்? உங்கள் மொபைல் போன் பயன்படுத்த செய்தார்", தங்கள் பயன்பாடு தரவு சரிபார்க்க கேட்க தங்கள் தொலைபேசி அல்லது சேவை வழங்குநர் மூலம் வெளியேற்ற என.
    1. எப்படி சுய அறிக்கை பயன்பாடு தரவு பதிவு ஒப்பிட்டு? எந்த குறைந்தது துல்லியமாக பொருந்தும், மிக துல்லியமாக உள்ளது?
    2. இப்போது நீங்கள் (நீங்கள் ஒரு வர்க்கத்தின் இந்த நடவடிக்கை செய்கிறார்கள் என்றால்) உங்கள் வர்க்கம் மற்ற மக்கள் இருந்து தரவு சேகரிக்கப்பட்ட என்று தரவு இணைக்க. இந்த பெரிய தரவுத்தொகுப்பின், பாகம் (ஈ) மீண்டும்.
  5. [ நடுத்தர , தரவு சேகரிப்பு ] ஸ்ஹூமேன் மற்றும் இஸ்திரி (1996) என்று கேள்வி உத்தரவுகளை கேள்விகள் இடையே உறவுகள் இரண்டு வகையான விஷயமே என்று வாதிடுகின்றனர்: அங்கு இரண்டு கேள்விகள் துல்லியம் ஒரே மட்டத்தில் இருந்தாலும் பகுதி பகுதியாக கேள்விகள் (எ.கா. இரண்டு ஜனாதிபதி வேட்பாளர்களின் மதிப்பீடுகள்); மற்றும் ஒரு பொதுவான கேள்வி ஒரு மேலும் குறிப்பிட்ட கேள்வி பின்வருமாறு அங்கு பகுதி-முழுமை கேள்விகள் (எ.கா. கேட்டு "உங்கள் வேலையை நீங்கள் எப்படி திருப்தி?" தொடர்ந்து "உங்கள் வாழ்க்கையில் நீங்கள் எப்படி திருப்தி?").

    அவர்கள் அடுத்த கேள்வி பொருட்டு விளைவு இரண்டு வகையான குணாதிசயம்: நிலைத்தன்மையும் விளைவுகள் பிறகு ஒரு கேள்வி பதில்களை முந்தைய கேள்விக்கு கொடுக்கப்பட்ட அந்த (அவர்கள் இல்லையெனில் இருக்கும் விட) நெருக்கமாக கொண்டு போது ஏற்படும்; விளைவுகள் வேறுபடுத்திப் இரண்டு கேள்விகளுக்கு பதில்களை இடையே அதிக வேறுபாடுகள் உள்ளன போது ஏற்படும்.

    1. நீங்கள் ஒரு பெரிய கேள்விக் பொருட்டு விளைவு, நீங்கள் ஒரு பெரிய ஆர்டர் விளைவை என்று நான் நினைக்கிறேன் என்று பகுதி-முழுமை கேள்விகள் ஒரு ஜோடி, மற்றும் அதன் பொருட்டு நீங்கள் என்ன நினைக்கிறீர்கள் தேவையில்லை என்று கேள்விகள் மற்றொரு ஜோடி வேண்டும் என்று நான் நினைக்கிறேன் என்று பகுதி பகுதியாக கேள்விகள் ஒரு ஜோடி உருவாக்க. உங்கள் கேள்விகளுக்கு சோதிக்க MTurk ஒரு ஆய்வு சோதனை இயக்கவும்.
    2. பகுதி பகுதியாக விளைவு நீங்கள் உருவாக்க முடிந்தது எப்படி பெரிய இருந்தது? அது ஒரு சீரான அல்லது மாறாக விளைவு இருந்ததா?
    3. பகுதி-முழுமை விளைவு நீங்கள் உருவாக்க முடிந்தது எப்படி பெரிய இருந்தது? அது ஒரு சீரான அல்லது மாறாக விளைவு இருந்ததா?
    4. உங்கள் ஜோடி ஒரு கேள்வி பொருட்டு விளைவு நீங்கள் வரிசையில் ஒரு விஷயமே என்று நான் நினைக்கவில்லை அங்கு இருந்ததா?
  6. [ நடுத்தர , தரவு சேகரிப்பு ] ஸ்ஹூமேன் மற்றும் இஸ்திரி, இன் வழிகாட்டல் தொடர்பான பணிகள் Moore (2002) சேர்க்கை மற்றும் Subtractive: கேள்வியின் விளைவு ஒரு தனி பரிமாணத்தை விவரிக்கிறது. மாறாக நிலைத்தன்மையும் விளைவுகள் ஒன்றையொன்று, சேர்க்கை தொடர்பாக இரண்டு பொருட்களை பதிலளித்தவர்களில் 'மதிப்பீடுகள் விளைவாக உற்பத்தி செய்யப்படுகின்றன போது மற்றும் பதிலளித்தவர்களில் வினாக்கள் எழுப்பப்படுகின்ற அதில் உள்ள பெரிய கட்டமைப்பை மிகவும் உணர்திறன் செய்யப்படும் போது Subtractive விளைவுகள் உற்பத்தி செய்யப்படுகின்றன. படிக்க Moore (2002) வடிவமைக்க சேர்க்கை அல்லது Subtractive விளைவுகளை நிரூபிக்க MTurk ஒரு ஆய்வு சோதனை ரன்.

  7. [ கடின , தரவு சேகரிப்பு ] கிறிஸ்டோபர் Antoun மற்றும் சக (2015) MTurk, கிரெய்க்ஸ்லிஸ்ட், Google AdWords மற்றும் பேஸ்புக்: நான்கு வெவ்வேறு ஆன்லைன் ஆளெடுப்பு மூலங்களிலிருந்து பெறப்படும் வசதிக்காக மாதிரிகள் ஒப்பிட்டு ஒரு ஆய்வு நடத்தப்பட்டது. ஒரு எளிய ஆய்வு வடிவமைத்து மற்றும் குறைந்தது இரு மாறுபட்ட ஆன்லைன் நேற ஆதாரங்கள் மூலம் பங்கேற்பாளர்கள் சேர்த்துக்கொள்ள (அவர்கள் பயன்படுத்தப்படுகிறது நான்கு ஆதாரங்களில் இருந்து பல்வேறு ஆதாரங்கள் இருக்க முடியும் Antoun et al. (2015) ).

    1. பல்வேறு ஆதாரங்கள் இடையே, பணம் மற்றும் நேரம் அடிப்படையில் பணியமர்த்த ஒன்றுக்கு செலவு, ஒப்பிடு.
    2. பல்வேறு ஆதாரங்களில் இருந்து பெறப்பட்ட மாதிரிகள் கலவை ஒப்பிடு.
    3. மாதிரிகள் இடையே தரவின் தரம் ஒப்பிடு. பதிலளித்தவர்களில் இருந்து தரவு தரத்தை அளவிட எப்படி யோசனை, பார்க்க Schober et al. (2015) .
    4. உங்கள் விருப்பமான ஆதாரம் என்ன? ஏன்?
  8. [ நடுத்தர ] YouGov, இணையம் சார்ந்த சந்தை ஆராய்ச்சி நிறுவனம், பிரிட்டனில் 800,000 பதிலளித்தவர்களில் ஒரு குழு ஆன்லைன் தேர்தல் நடத்தப்படும் மற்றும் இங்கிலாந்து வாக்காளர்கள் வாக்களிக்க ஒன்று இருக்க அங்கு ஐரோப்பிய ஒன்றிய வாக்கெடுப்பு (அதாவது, Brexit) விளைவாக கணிக்க பதைபதைத்துப் பயன்படுத்தப்படும் அல்லது விட்டு ஐரோப்பிய ஒன்றியம்.

    YouGov தான் புள்ளிவிவர மாதிரி ஒரு விரிவான விளக்கத்தை இங்கே உள்ளது (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/). தோராயமாக பேசும், YouGov 2015 பொது தேர்தலில் வாக்கு தேர்வு, வயது, தகுதிகள், பாலினம், பேட்டி தேதி, அதே போல் மதிப்பிட அவர்கள் முதல், அவர்கள் YouGov குழுவினர்களா இருந்து சேகரிக்கப்பட்ட தரவு பயன்படுத்தப்படும். வாழ தொகுதியில், அந்த மத்தியில் அடிப்படையில் வகையான வாக்காளர்கள் பகிர்வுகள் வாக்களிக்க, விடுப்பு வாக்களிக்க விரும்பவில்லை என்று ஒவ்வொரு வாக்காளரும் வகை மக்களின் விகிதம். அவர்கள் 2015 பிரிட்டிஷ் தேர்தல் ஆய்வு (பிஇஎஸ்) வாக்காளர் பட்டியலில் இருந்து வாக்குப்பதிவு சரிபார்க்கப்பட்டது இது தேர்தலுக்கு பிந்தைய நேருக்கு நேர் கணக்கெடுப்பு, பயன்படுத்தி ஒவ்வொரு வாக்காளரும் வகை வாக்குப்பதிவு மதிப்பிட்டுள்ளனர். இறுதியாக, அவர்கள், பொதுத் தேர்தல், மற்றும் தகவல் முழுவதும் YouGov கணக்கெடுப்பு தரவு பல மக்கள் வாக்களித்தனர் என்பது பற்றிய சமீபத்திய மக்கள் தொகை கணக்கெடுப்பு மற்றும் வருடாந்த மக்கள்தொகைக் கணக்கெடுப்பு (பிஇஎஸ் இருந்து சில கூடுதலாக தகவல்களை அடிப்படையாக தேர்தல் தொகுதியில் ஒவ்வொரு வாக்காளரும் வகை உள்ளன எத்தனை பேர் மதிப்பிட ஒவ்வொரு தொகுதியிலும் ஒவ்வொரு கட்சி).

    மூன்று நாட்களுக்கு முன்னர், YouGov விடுப்பு ஒரு இரண்டு புள்ளி முன்னணி காட்டியது. வாக்களிக்கும் தினத்தன்று, வாக்கெடுப்பில் (49-51 இருக்கும்) மிகவும் நெருக்கமாக காட்டியது. இறுதி மீது-நாள் ஆய்வு (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/) இருக்கும் ஆதரவாக கணித்து 48/52. உண்மையில், இந்த மதிப்பீடு நான்கு சதவீத புள்ளிகள் இறுதி முடிவு (52-48 விடுப்பு) தவறவிட்டார்.

    1. தவறான போயிருக்கலாம் பற்றி மதிப்பீடு செய்ய இந்த அத்தியாயம் விவாதிக்கப்பட்டது மொத்த கணக்கெடுப்பு பிழை கட்டமைப்பை பயன்படுத்தவும்.
    2. தேர்தல் (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) பிறகு YouGov தான் பதில் விளக்கினார்: "இந்த காரணமாக வாக்குப்பதிவு ஒரு பெரிய பகுதியாக தெரிகிறது - ஏதோ என்று நாம் ஒரு இறுதியாக சீரான இனம் விளைவு முக்கிய இருக்க வேண்டும் அனைத்து சேர்த்து சொல்லிவிட்டீர்கள். எங்கள் வாக்குப்பதிவு மாதிரி பதிலளித்தவர்களில் என்பதை கடந்த பொது தேர்தலில் வாக்களித்திருந்தனர், அவர்கள் தேர்தல் என்று மேலே ஒரு வாக்குப்பதிவு நிலை குறிப்பாக வடக்கில் மாதிரி, வருத்தம் மீது, பகுதி, அடிப்படையாக கொண்டது. "இந்த பகுதி (அ) உங்கள் பதில் மாறுகிறது?
  9. [ நடுத்தர , கோடிங் தேவைப்படுகிறது ] படம் 3.1 ல் பிரதிநிதித்துவத்தைக் பிழைகள் ஒவ்வொரு விளக்குவதற்கு ஒரு உருவகப்படுத்துதல் எழுது.

    1. இந்த பிழைகளை உண்மையில் இரத்து ஒரு சூழ்நிலையை உருவாக்க அங்கு.
    2. பிழைகள் ஒருவருக்கொருவர் குவிக்கும் ஒரு சூழ்நிலையை உருவாக்க அங்கு.
  10. [ மிகவும் கடினமாக , கோடிங் தேவைப்படுகிறது ] Blumenstock மற்றும் சக ஆராய்ச்சி (2015) ஆய்வு பதில்களை கணிக்க டிஜிட்டல் சுவடு தரவு பயன்படுத்த முடியும் என்று ஒரு இயந்திர கற்றல் மாதிரி கட்டிட தொடர்பு. இப்போது, நீங்கள் வேறு ஒரு தரவுத்தொகுப்பின் அதே விஷயத்தை முயற்சி போகிறோம். Kosinski, Stillwell, and Graepel (2013) பேஸ்புக் பிடிக்கும் என்று தனிப்பட்ட பண்புக்கூறுகள் மற்றும் இயல்புகளின் கணிக்க முடியும் காணப்படும். எனவேதான், இந்த கணிப்புகள் நண்பர்கள் மற்றும் சக விட இன்னும் துல்லியமாக இருக்க முடியும் (Youyou, Kosinski, and Stillwell 2015) .

    1. படிக்க Kosinski, Stillwell, and Graepel (2013) , மற்றும் படம் 2. பெருக்கும் அவற்றின் விபரங்கள் இங்கே கிடைக்கும்: http://mypersonality.org/
    2. இப்போது, படம் 3 பெருக்கும்.
    3. http://applymagicsauce.com/: இறுதியாக, உங்கள் சொந்த பேஸ்புக் தரவு தங்கள் மாதிரி முயற்சி. எப்படி நன்றாக அதை நீங்கள் வேலை செய்கிறது?
  11. [ நடுத்தர ] Toole et al. (2015) பயன்படுத்த அழைப்பு விவரப் பதிவுகளை (CDRs) கையடக்க தொலைபேசிகள் இருந்து மதிப்பீட்டு வேலையின்மை போக்குகள் கணிக்க.

    1. ஒப்பிட்டு வடிவமைப்பு வேறுபடுத்திப் Toole et al. (2015) கொண்டு Blumenstock, Cadamuro, and On (2015) .
    2. நீங்கள் CDRs, பாரம்பரிய ஆய்வுகள் பதிலாக அவர்களுக்கு கொண்டாடுவதற்காக அல்லது வேலையின்மை கண்காணிக்க அரசு கொள்கை அனைத்து பயன்படுத்த கூடாது என்று நீங்கள் நினைக்கிறீர்களா? ஏன்?
    3. என்ன ஆதாரம் நீங்கள் CDRs முற்றிலும் வேலையின்மை விகிதம் பாரம்பரிய நடவடிக்கைகளை மாற்ற முடியும் என்று நம்ப வேண்டும்?