La previsión de elecciones es un problema de gran importancia. Tanto los políticos como los votantes a menudo están desesperados por conocer el resultado de una contienda reñida, pero proporcionarles predicciones incompletas o inexactas puede ser engañoso. Y la previsión de elecciones ya es un desafío innato.el proceso de modelado está plagado de incertidumbre, información incompleta y opciones subjetivas, todo lo cual debe manejarse con destreza. Los expertos políticos y los investigadores han implementado una serie de enfoques exitosos para pronosticar los resultados de las elecciones, con diversos grados de transparencia y complejidad. Sin embargo, las eleccioneslos pronósticos pueden ser difíciles de interpretar y pueden dejar muchas preguntas sin respuesta después de que se desarrollen carreras cerradas.
Estos desafíos llevaron a los investigadores a preguntarse si la aplicación de un modelo de enfermedad a las elecciones podría ampliar la comunidad involucrada en el pronóstico político. En un artículo publicado hoy en Revisión SIAM , Alexandria Volkening Universidad Northwestern, Daniel F. Linder Universidad Augusta, Mason A. Porter Universidad de California, Los Ángeles y Grzegorz A. Rempala Universidad Estatal de Ohio tomaron prestadas ideas de la epidemiología para desarrollar unanuevo método para pronosticar las elecciones. El equipo esperaba expandir la comunidad que interactúa con los datos de las encuestas y plantear preguntas de investigación desde una nueva perspectiva; la naturaleza multidisciplinaria de su modelo de enfermedades infecciosas era una virtud en este sentido. "Nuestro trabajo es completamente de código abierto", Dijo Porter." Con suerte, eso animará a otros a seguir construyendo sobre nuestras ideas y desarrollar sus propios métodos para pronosticar las elecciones ".
En su nuevo artículo, los autores proponen un modelo matemático basado en datos de la evolución de las opiniones políticas durante las elecciones estadounidenses. Encontraron los parámetros de su modelo utilizando datos de encuestas agregados, lo que les permitió realizar un seguimiento de los porcentajes de votantes demócratas y republicanos a lo largo del tiempo.y pronostican los márgenes de voto en cada estado. Los autores enfatizaron la simplicidad y transparencia en su enfoque y consideran que estos rasgos son fortalezas particulares de su modelo. "Los modelos complicados deben tener en cuenta la incertidumbre en muchos parámetros a la vez", dijo Rempala.
Este estudio se centró principalmente en la influencia que los votantes de diferentes estados pueden ejercer entre sí, ya que tener en cuenta con precisión las interacciones entre los estados es crucial para la producción de pronósticos confiables. Los resultados de las elecciones en estados con demografía similar a menudo están correlacionados, y los estadosTambién pueden influirse entre sí de forma asimétrica; por ejemplo, los votantes de Ohio pueden influir más en los votantes de Pensilvania que a la inversa. La fuerza de la influencia de un estado puede depender de varios factores, incluida la cantidad de tiempo que los candidatos pasan haciendo campaña allíy la cobertura del estado en las noticias. Para desarrollar su enfoque de pronóstico, el equipo reutilizó las ideas del modelo compartimental de enfermedades biológicas. Los matemáticos a menudo utilizan modelos compartimentados, que clasifican a los individuos en unos pocos tipos distintos es decir, compartimentos, para examinarla propagación de enfermedades infecciosas como la influenza y el COVID-19. Un modelo compartimental ampliamente estudiadodel denominado modelo susceptible-infectado-susceptible SIS divide una población en dos grupos: los que son susceptibles de enfermarse y los que están actualmente infectados.El modelo SIS luego rastrea las fracciones de individuos susceptibles e infectados en una comunidad a lo largo del tiempo, según los factores de transmisión y recuperación.Cuando una persona infectada interactúa con una persona susceptible, la persona susceptible puede infectarse.Una persona infectada también tiene una cierta probabilidad de recuperarse y volverse susceptible nuevamente.
Debido a que hay dos partidos políticos importantes en los EE. UU., Los autores emplearon una versión modificada de un modelo SIS con dos tipos de infecciones. "Usamos técnicas de epidemiología matemática porque nos brindaron un medio para enmarcar las relaciones entre los estados en un contexto familiar., de manera multidisciplinaria ", dijo Volkening. Si bien las elecciones y la dinámica de las enfermedades son ciertamente diferentes, los investigadores trataron las inclinaciones al voto demócratas y republicanos como dos posibles tipos de" infecciones "que pueden propagarse entre los estados. Los votantes indecisos, independientes o de partidos minoritarios encajanbajo la categoría de individuos susceptibles. "Infección" se interpretó como la adopción de opiniones demócratas o republicanas, y "recuperación" representó el cambio de votantes comprometidos a indecisos.
En el modelo, los votantes comprometidos pueden transmitir sus opiniones a los votantes indecisos, pero lo contrario no es cierto. Los investigadores adoptaron una visión amplia de la transmisión, interpretando que la persuasión de opinión se produce a través de la comunicación directa entre los votantes y métodos más indirectos como la campaña,cobertura de noticias y debates. Los individuos pueden interactuar y hacer que otras personas cambien sus opiniones tanto dentro como entre los estados.
Para determinar los valores de los parámetros matemáticos de sus modelos, los autores utilizaron datos de encuestas sobre carreras senatoriales, gubernamentales y presidenciales de HuffPost Pollster para 2012 y 2016 y RealClearPolitics para 2018. Ajustaron el modelo a los datos de cada carrera individual ysimularon la evolución de las opiniones en el año previo a cada elección mediante el seguimiento de las fracciones de votantes indecisos, demócratas y republicanos en cada estado desde enero hasta el día de las elecciones. Los investigadores simularon sus pronósticos finales como si los hubieran hecho en vísperas de las eleccionesDay, incluidos todos los datos de las encuestas, pero omitiendo los resultados de las elecciones.
A pesar de su base en un campo poco convencional para el pronóstico de elecciones, a saber, la epidemiología, el modelo resultante funcionó sorprendentemente bien. Pronosticó las contiendas de 2012 y 2016 para gobernador, Senado y cargos presidenciales en EE. UU. Con una tasa de éxito similar a la del popular analistasitios FiveThirtyEight y Sabato's Crystal Ball. Por ejemplo, la tasa de éxito de los autores para predecir los resultados de los partidos a nivel estatal en las elecciones presidenciales de 2012 y 2016 fue del 94,1%, mientras que FiveThirtyEight tuvo una tasa de éxito del 95,1% y Sabato's Crystal Ball tuvo un éxitotasa de 93,1 por ciento. "Todos nos sorprendió inicialmente que un modelo de transmisión de enfermedades pudiera producir pronósticos significativos de elecciones", dijo Volkening.
Después de establecer la capacidad de su modelo para pronosticar los resultados en la víspera del día de las elecciones, los autores buscaron determinar qué tan temprano el modelo podría crear pronósticos precisos. Las predicciones que se hacen en las semanas y meses antes del día de las elecciones son particularmente significativas, pero producen resultados tempranosLos pronósticos son desafiantes porque hay menos datos de encuestas disponibles para el entrenamiento de modelos.Al emplear datos de encuestas de las carreras senatoriales de 2018, el modelo del equipo pudo producir pronósticos estables desde principios de agosto en adelante con la misma tasa de éxito que los pronósticos finales de FiveThirtyEight para esas carreras.
A pesar de las claras diferencias entre el contagio y la dinámica de la votación, este estudio sugiere un enfoque valioso para describir cómo cambian las opiniones políticas en los estados. Volkening está aplicando este modelo en la actualidad, en colaboración con los estudiantes de pregrado de la Universidad Northwestern Samuel Chian, William L. He yChristopher M. Lee - para pronosticar las elecciones presidenciales, senatoriales y para gobernador de los EE. UU. 2020. "Este proyecto me ha hecho darme cuenta de que es un desafío juzgar los pronósticos, especialmente cuando algunas elecciones se deciden con un margen de voto de menos del uno por ciento".Volkening dijo. "El hecho de que nuestro modelo funcione bien es emocionante, ya que hay muchas formas de hacerlo más realista en el futuro. Esperamos que nuestro trabajo aliente a la gente a pensar de manera más crítica sobre cómo juzgan los pronósticos y se involucran en los pronósticos electorales.sí mismos."
Fuente de la historia :
Materiales proporcionado por Sociedad de Matemáticas Industriales y Aplicadas . Original escrito por Jillian Kunze. Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :