工业和应用数学学会 选民可以在国家内部和国家之间互动,从而潜在地影响彼此的政治观点
信用:数字由亚历山大·沃克宁提供
林德,梅森
波特和格泽高兹
Rempala
预测选举是一个高风险的问题
政治家和选民都渴望知道一场势均力敌的竞赛的结果,但是向他们提供不完整或不准确的预测可能会产生误导
选举预测已经是一项天生具有挑战性的工作——建模过程充满了不确定性、不完整的信息和主观选择,所有这些都必须巧妙处理
政治专家和研究人员已经实施了许多预测选举结果的成功方法,具有不同程度的透明度和复杂性
然而,选举预测可能很难解释,而且在势均力敌的竞选展开后,可能会留下许多未解之谜
这些挑战让研究人员怀疑将疾病模型应用于选举是否能扩大参与政治预测的社区
在今天发表在亚历山大沃肯宁(西北大学)暹罗评论上的一篇论文中
林德(奥古斯塔大学),梅森
波特(加州大学洛杉矶分校)和格泽高兹
雷姆帕拉(俄亥俄州立大学)借鉴流行病学的观点,开发了一种预测选举的新方法
该团队希望扩大参与民意调查数据的社区,并从一个新的角度提出研究问题;在这方面,他们的传染病模型的多学科性质是一个优点
“我们的工作完全是开源的,”波特说
“希望这将鼓励其他国家进一步借鉴我们的想法,发展自己预测选举的方法
" 在他们的新论文中,作者提出了一个数据驱动的数学模型,用于描述美国总统大选期间政治观点的演变
S
选举
他们使用汇总的投票数据找到了他们模型的参数,这使他们能够跟踪一段时间内民主党和共和党选民的百分比,并预测每个州的投票差额
作者强调了他们方法的简单性和透明性,并认为这些特性是他们模型的独特优势
“复杂的模型需要同时考虑许多参数的不确定性,”雷帕拉说
对2012年和2016年总统选举的预测,是利用选举日之前的投票数据得出的
深色条表示模型的预测,浅色条表示选举结果
模型产生不正确预测的状态用绿色文本书写
信用:数字由亚历山大·沃克宁提供
林德,梅森
波特和格泽高兹
Rempala
这项研究主要侧重于不同州的选民可能对彼此施加的影响,因为准确说明州与州之间的相互作用对于产生可靠的预测至关重要
人口统计数据相似的州的选举结果通常是相关的,各州也可能不对称地相互影响;例如,俄亥俄州的选民可能比宾夕法尼亚州的选民影响更大
一个州影响力的强弱取决于许多因素,包括候选人在那里竞选的时间和该州的新闻报道
为了发展他们的预测方法,研究小组重新利用了生物疾病的房室模型的想法
数学家们经常使用分隔模型——将个体分成几个不同的类型(即
e
,隔间)—检查流感和COVID-19等传染病的传播
一个被广泛研究的被称为易感-感染-易感(SIS)模型的房室模型将人群分为两组:那些容易生病的人和那些目前被感染的人
然后,基于传播和恢复的因素,SIS模型跟踪一段时间内社区中易感和受感染个体的比例
当感染者与易感者相互作用时,易感者可能会被感染
感染者也有一定的机会康复并再次变得易感
因为美国有两大政党
S
,作者采用了一个带有两种感染类型的SIS模型的修改版本
“我们使用了数学流行病学的技术,因为它们给了我们一种以熟悉的、多学科的方式构建国家间关系的方法,”沃克宁说
虽然选举和疾病动态当然不同,但研究人员将民主党和共和党的投票倾向视为两种可能在州与州之间传播的“感染”
未决定的、独立的或小党派的选民都属于易受影响的人群
“感染”被解释为采纳民主党或共和党的意见,“恢复”代表坚定的选民转向犹豫不决的选民
在这个模型中,忠诚的选民可以把他们的观点传递给犹豫不决的选民,但事实并非如此
研究人员从广义上看待传播,将意见说服解释为通过选民之间的直接沟通和更间接的方法,如竞选、新闻报道和辩论来进行
个人可以在国家内部和国家之间相互作用,并导致其他人改变他们的观点
2020年美国经济预测
S
10月27日的总统选举使用了研究人员的传染病模型
参议院和州长的预测,以及相关代码的链接,可在https://modeling election dynamics上找到
工具
io/2020-预测
信用:数字由塞缪尔·中国提供
他,克里斯托弗·米
丹尼尔·李
林德,梅森
波特,格泽高兹
伦巴拉和亚历山大·沃克宁
为了确定他们模型的数学参数值,作者使用了《赫芬顿邮报》民意调查机构2012年和2016年的参议员、州长和总统竞选的民意调查数据,以及real clearpolitics 2018年的数据
他们将模型与每个种族的数据相匹配,并通过跟踪每个州从1月到选举日的未决、民主党和共和党选民的比例,模拟了每次选举前一年的意见演变
研究人员模拟了他们的最终预测,就好像他们是在选举日的前夕做的一样,包括所有的投票数据,但忽略了选举结果
尽管它的基础是选举预测的非常规领域——即流行病学——但由此产生的模型表现惊人地好
它预测了2012年和2016年的美国
S
竞选州长、参议院和总统职位的成功率与热门分析网站“五·三十八”和“萨巴托水晶球”相似
例如,作者在2012年和2016年总统选举中预测州一级政党结果的成功率为94
1%,而538的成功率为95
1%,萨巴托的水晶球成功率为93
1%
“我们最初都很惊讶疾病传播模型能够对选举做出有意义的预测,”沃克宁说
在建立了他们的模型在选举日前夕预测结果的能力后,作者试图确定该模型可以多早做出准确的预测
在选举日之前的几周和几个月做出的预测特别有意义,但提前做出预测具有挑战性,因为可用于模型训练的投票数据更少
通过使用2018年参议院竞选的投票数据,该团队的模型能够从8月初开始产生稳定的预测,成功率与五个38的最终预测相同
尽管传染和投票动态之间存在明显差异,但这项研究为描述各州政治观点的变化提供了一个有价值的方法
沃克宁目前正在应用这一模式——与西北大学本科生塞缪尔·钱恩合作
他和克里斯托弗·米
李——预测2020年的美国
S
总统、参议院和州长选举
沃克宁说:“这个项目让我意识到判断预测很有挑战性,尤其是当一些选举的投票率低于1%时。”
“我们的模型做得很好,这一事实令人兴奋,因为有许多方法可以让它在未来变得更加现实
我们希望我们的工作能鼓励人们更加批判性地思考他们如何判断预测,并参与选举预测
"
来源:由phyica.com整理转载自PH,转载请保留出处和链接!