Forudsigelse af valg med en model for infektionssygdomme

Det er et problem at forudsige valg. Både politikere og vælgere er ofte desperate efter at kende resultatet af et tæt løb, men at give dem ufuldstændige eller unøjagtige forudsigelser kan være vildledende. Og valgprognose er allerede en iboende udfordrende bestræbelse - modelleringsprocessen er fyldt med usikkerhed, ufuldstændige oplysninger, og subjektive valg, alt sammen skal håndteres behændigt. Politiske eksperter og forskere har implementeret en række vellykkede tilgange til at forudsige valgresultater, med varierende grad af gennemsigtighed og kompleksitet. Imidlertid, valgprognoser kan være svære at fortolke og kan efterlade mange spørgsmål ubesvarede efter tætte løb.

Disse udfordringer fik forskere til at spekulere på, om anvendelsen af ​​en sygdomsmodel til valg kunne udvide det samfund, der er involveret i politiske prognoser. I en papirudgivelse i dag i SIAM anmeldelse , Alexandria Volkening (Northwestern University), Daniel F. Linder (Augusta University), Mason A. Porter (University of California, Los Angeles), og Grzegorz A. Rempala (The Ohio State University) lånte ideer fra epidemiologien for at udvikle en ny metode til at forudsige valg. Holdet håbede at udvide det fællesskab, der engagerer sig i afstemningsdata og rejse forskningsspørgsmål fra et nyt perspektiv; den tværfaglige karakter af deres infektionssygdomsmodel var en dyd i denne henseende. "Vores arbejde er udelukkende open source, " sagde Porter. "Forhåbentlig vil det tilskynde andre til at bygge videre på vores ideer og udvikle deres egne metoder til at forudsige valg."

I deres nye avis, forfatterne foreslår en datadrevet matematisk model for udviklingen af ​​politiske meninger under amerikanske valg. De fandt deres models parametre ved hjælp af aggregerede meningsmålingsdata, hvilket gjorde det muligt for dem at spore procentdelen af ​​demokratiske og republikanske vælgere over tid og forudsige stemmemargener i hver stat. Forfatterne lagde vægt på enkelhed og gennemsigtighed i deres tilgang og betragter disse egenskaber som særlige styrker ved deres model. "Komplicerede modeller skal tage højde for usikkerhed i mange parametre på én gang, " sagde Rempala.

Denne undersøgelse fokuserede overvejende på den indflydelse, som vælgere i forskellige stater kan udøve på hinanden, da nøjagtig redegørelse for interaktioner mellem stater er afgørende for produktionen af ​​pålidelige prognoser. Valgresultaterne i stater med lignende demografi er ofte korrelerede, og stater kan også påvirke hinanden asymmetrisk; for eksempel, vælgerne i Ohio kan have stærkere indflydelse på vælgerne i Pennsylvania end omvendt. Styrken af ​​en stats indflydelse kan afhænge af en række faktorer, herunder mængden af ​​tid, som kandidater bruger på at føre valgkamp der og statens dækning i nyhederne. For at udvikle deres prognosetilgang, holdet genbrugte ideer fra den kompartmentelle modellering af biologiske sygdomme. Matematikere bruger ofte kompartmentmodeller - som kategoriserer individer i nogle få forskellige typer (dvs. compartments) - for at undersøge spredningen af ​​infektionssygdomme som influenza og COVID-19. En bredt undersøgt kompartmentmodel kaldet susceptible-infected-susceptible (SIS)-modellen opdeler en befolkning i to grupper:dem, der er modtagelige for at blive syge, og dem, der i øjeblikket er inficerede. SIS-modellen sporer derefter fraktionerne af modtagelige og inficerede individer i et samfund over tid, baseret på faktorerne transmission og nyttiggørelse. Når en smittet person interagerer med en modtagelig person, det modtagelige individ kan blive smittet. En smittet person har også en vis chance for at komme sig og blive modtagelig igen.

Fordi der er to store politiske partier i USA, forfatterne anvendte en modificeret version af en SIS-model med to typer infektioner. "Vi brugte teknikker fra matematisk epidemiologi, fordi de gav os et middel til at indramme forhold mellem stater i en velkendt, tværfaglig måde, " sagde Volkening. Mens valg og sygdomsdynamikker bestemt er forskellige, forskerne behandlede demokratiske og republikanske stemmetilbøjeligheder som to mulige slags "infektioner", der kan spredes mellem stater. Uafklaret, uafhængig, eller mindre partis vælgere passer alle ind under kategorien modtagelige individer. "Infektion" blev fortolket som vedtagelse af demokratiske eller republikanske meninger, og "genopretning" repræsenterede omsætningen af ​​engagerede vælgere til uafklarede.

I modellen, engagerede vælgere kan videregive deres meninger til uafklarede vælgere, men det modsatte er ikke sandt. Forskerne havde et bredt syn på transmission, at fortolke meningsovertalelse som opstået gennem både direkte kommunikation mellem vælgere og mere indirekte metoder som kampagne, nyhedsdækning, og debatter. Individer kan interagere og føre til, at andre mennesker ændrer deres mening både i og mellem stater.

For at bestemme værdierne af deres modellers matematiske parametre, forfatterne brugte meningsmålingsdata om senatorer, guvernør, og præsidentløb fra HuffPost Pollster for 2012 og 2016 og RealClearPolitics for 2018. De tilpassede modellen til dataene for hver enkelt race og simulerede udviklingen af ​​meninger i året op til hvert valg ved at spore fraktionerne af uafklarede, Demokratisk, og republikanske vælgere i hver stat fra januar til valgdagen. Forskerne simulerede deres endelige prognoser, som om de lavede dem på tærsklen til valgdagen, inklusive alle meningsmålingsdata, men udeladelse af valgresultater.

På trods af dets grundlag i et utraditionelt felt for valgprognose - nemlig, epidemiologi - den resulterende model klarede sig overraskende godt. Det forudsagde 2012 og 2016 amerikanske kapløb om guvernør, Senatet, og præsidentkontor med en lignende succesrate som populære analytikersider FiveThirtyEight og Sabato's Crystal Ball. For eksempel, forfatternes succesrate for at forudsige partiresultater på delstatsniveau ved præsidentvalget i 2012 og 2016 var 94,1 procent, mens FiveThirtyEight havde en succesrate på 95,1 procent og Sabatos Crystal Ball havde en succesrate på 93,1 procent. "Vi var alle i starten overraskede over, at en sygdomsoverførselsmodel kunne producere meningsfulde prognoser for valg, " sagde Volkening.

Efter at have etableret deres models evne til at forudsige resultater på tærsklen til valgdagen, forfatterne søgte at bestemme, hvor tidligt modellen kunne skabe nøjagtige prognoser. Forudsigelser, der er lavet i ugerne og månederne før valgdagen, er særligt meningsfulde, men at producere tidlige prognoser er udfordrende, fordi færre meningsmålingsdata er tilgængelige til modeltræning. Ved at bruge meningsmålingsdata fra 2018 senatorløb, holdets model var i stand til at producere stabile prognoser fra begyndelsen af ​​august og frem med samme succesrate som FiveThirtyEights endelige prognoser for disse løb.

På trods af klare forskelle mellem smitte og stemmedynamik, denne undersøgelse foreslår en værdifuld tilgang til at beskrive, hvordan politiske meninger ændrer sig på tværs af stater. Volkening anvender i øjeblikket denne model - i samarbejde med Northwestern University bachelorstuderende Samuel Chian, William L. Han, og Christopher M. Lee - for at forudsige det amerikanske præsidentvalg i 2020, senator, og guvernørvalg. "Dette projekt har fået mig til at indse, at det er udfordrende at bedømme prognoser, især når nogle valg afgøres med en stemmemargen på mindre end én procent, " sagde Volkening. "Det faktum, at vores model klarer sig godt, er spændende, da der er mange måder at gøre det mere realistisk i fremtiden. Vi håber, at vores arbejde tilskynder folk til at tænke mere kritisk over, hvordan de bedømmer prognoser og selv bliver involveret i valgprognosen."