<div dir="ltr"><div class="gmail_default"><div style="font-family:georgia,serif;font-size:12.800000190734863px">Dear all,</div><div style="font-family:georgia,serif;font-size:12.800000190734863px"><br></div><div style="font-family:georgia,serif;font-size:12.800000190734863px">
We hope you can join us this Wednesday, May 1, 2013 from 12-1.30pm for the last session of the Applied Statistics Workshop this semester. It will be held in CGIS Knafel 354. <a href="http://scholar.harvard.edu/mroberts">Molly Roberts</a>, <a href="http://scholar.harvard.edu/bstewart">Brandon Stewart</a>, and <a href="http://scholar.harvard.edu/dtingley">Dustin Tingley</a>, all from the Department of Government at Harvard University, will give a presentation entitled &quot;Topic models for open ended survey responses with applications to experiments&quot;. A light lunch will be served at 12 pm and the talk will begin at 12.15</div>
<div style="font-family:georgia,serif;font-size:12.800000190734863px"><br></div><div style="font-family:georgia,serif;font-size:12.800000190734863px">Abstract:</div><blockquote class="gmail_quote" style="margin:0px 0px 0px 0.8ex;border-left-width:1px;border-left-color:rgb(204,204,204);border-left-style:solid;padding-left:1ex">
<font face="georgia, serif">Despite broad use of surveys and survey experiments by political science, the vast majority of survey analysis deals with responses to options along a scale or from pre-established categories. Yet, in most areas of life individuals communicate either by writing or by speaking, a fact reflected in earlier debates about open and closed ended survey questions. Despite good reasons to collect and analyze open ended data, it is relatively rare in the discipline and almost exclusively done through a process involving human coding of survey responses. We present an alternative, semi-automated approach, the Structural Topic Model (STM) (Roberts et al. 2013), that draws on recent developments in machine learning based analysis of textual data. A crucial contribution of the method is that it incorporates information about the text, such as the author&#39;s gender, country of origin, treatment status, or when something was written. This paper focuses on how the STM is extremely helpful for descriptive, exploratory, or inferential purposes for survey researchers and experimentalists. The STM makes analyzing open ended responses easier, more revealing, and capable of being used to estimate treatment effects. We illustrate these innovations with several experiments.</font></blockquote>
<div><br></div><div style><span style="font-family:georgia,serif;font-size:12.800000190734863px">A draft version of the paper is available <a href="http://scholar.harvard.edu/files/dtingley/files/topicmodelsopenendedexperiments.pdf">here</a>.</span><br>
</div><div style="font-family:arial,sans-serif;font-size:12.800000190734863px"><div style="font-family:georgia,serif"><br></div></div><div style="font-family:georgia,serif;font-size:12.800000190734863px">An up-to-date schedule for the workshop is available at <a href="http://events.iq.harvard.edu/events/node/1208" target="_blank">http://events.iq.harvard.edu/events/node/1208</a>.</div>
<div style="font-family:georgia,serif;font-size:12.800000190734863px"><br></div><div style="font-family:georgia,serif;font-size:12.800000190734863px">Best,</div><div style="font-family:georgia,serif;font-size:12.800000190734863px">
Konstantin</div></div><div><br></div>-- <br><font face="garamond, serif">Konstantin Kashin<br>Ph.D. Candidate in Government<br>Harvard University<br><br>Mobile: 978-844-0538<br>E-mail: <a href="mailto:kkashin@fas.harvard.edu" target="_blank">kkashin@fas.harvard.edu</a><br>
Site: <a href="http://people.fas.harvard.edu/%7Ekkashin/" target="_blank">http://www.konstantinkashin.com/</a></font><br>
</div>