[OC]
Ich habe an einem persönlichen Projekt namens gearbeitet KalpiCastein Wahlprognosemodell für Griechenland, das auf der Aggregation von Umfragen und der statistischen Bayes’schen MCMC-Modellierung basiert.
Griechenland verwendet a Mehrparteiensystem mit halbproportionaler Vertretungwas zu einem etwas anderen Modellierungsproblem führt als die beliebten US-Wahlmodelle. KalpiCast versucht dem entgegenzuwirken, indem es die gemeinsame Verteilung der Stimmenanteile der Parteien explizit modelliert.
Kernmodellierungsansatz
Auf hohem Niveau vereint das Modell drei Hauptkomponenten:
1. Kompositionsmodellierung von Stimmanteilen
Parteistimmenanteile werden wie folgt behandelt Kompositionsdaten (sie müssen sich zu 100 % summieren).
Um falsche Korrelationen zwischen Parteien zu vermeiden, wendet das Modell an isometrische Log-Ratio-Transformation (ILR). bevor der Prozess des latenten Stimmenanteils geschätzt wird.
2. Dynamische latente Abstimmungsabsicht
Die zugrunde liegende Abstimmungsabsicht wird als modelliert sich zeitlich entwickelnder latenter Prozess.
Umfragen werden als verrauschte Beobachtungen dieses latenten Zustands behandelt, ähnlich wie bei den neuesten 538-Modellen.
Dadurch kann das Modell:
- gleichmäßig über alle Umfragen hinweg
- erfassen allmähliche Veränderungen in der öffentlichen Meinung
- Unsicherheit in der Zeit vorantreiben
- Kovarianz schätzen
3. Umfragewerte
Meinungsforscher werden nicht gleich behandelt.
Jedem Meinungsforscher wird ein zugewiesen Bewertung abgeleitet aus der historischen Leistung bei früheren Wahlen in Griechenland, basierend auf Kennzahlen wie Log-Likelihood und Bias. Diese Bewertungen beeinflussen die Umfragegewichtung und die Unsicherheitsschätzungen. Der Methodik ist von den Meinungsforscherbewertungen von 538 inspiriert.
Zusätzliche Komponenten
Um das griechische Wahlumfeld besser einzufangen, sind einige weitere Teile enthalten:
- Designeffekte modelliert mit Dirichlet-Multinomial, um reale Umfrageunsicherheiten über die nominale Stichprobengröße hinaus zu berücksichtigen
- Hauseffekte zur Erfassung systemischer Abweichungen vom Umfrageaggregat
- Stochastisch unentschlossenes Wählerverteilungsschemaleichte Bevorzugung der großen Parteien
- Ein separater Bayes’scher MCMC Grundlagenmodell einbeziehen makroökonomische Indikatoren schulisch. Dieses Modell ist auch insofern einzigartig, als es auch die zeitliche Unsicherheit wirtschaftlicher Variablen berücksichtigt.
Was das Modell produziert
Die endgültige Ausgabe ist keine einzelne Prognosezahl.
Stattdessen generiert das Modell große Anzahl (50000) von Monte-Carlo-Simulationen über mögliche Wahlergebnisse. Diese Simulationen nähern sich der vollständigen hinteren Wahrscheinlichkeitsverteilung dessen an, was passieren könnte.
Aus dieser Verteilung leiten wir ab:
- Schätzungen des Stimmenanteils mit Konfidenzintervallen
- Sitzverteilung im griechischen Wahlsystem
- Wahrscheinlichkeiten unterschiedlicher parlamentarischer Ergebnisse
Vollständige Methoden
Feedback mehr als willkommen
Ich wäre sehr an Rückmeldungen von Leuten hier interessiert, insbesondere zu:
- Wahlmöglichkeiten für die Umfragemodellierung
- Bewertungsansätze von Meinungsforschern
- Behandlung von Multi-Party-Polling-Fehlern
Dennoch ist jedes Feedback (z. B. zur Website) willkommen.
Bei Interesse teile ich gerne weitere Einzelheiten mit.
Von StructuredChaos42
1 Kommentar
Tools: Python, matplotlib, Plotly.js
Data:
– Polls: Publicly available Greek vote intention polls (partially hand collected and partially via proprietary LLM assisted utility)
– Fundamentals: Election History + Publicly available Economic Data (retrieved from FRED)
Methodology:
– Poll Aggregate & Forecast: [https://kalpicast.gr/en/methodology/poll-aggregate-forecast](https://kalpicast.gr/en/methodology/poll-aggregate-forecast)
– Fundamentals Model: [https://kalpicast.gr/en/methodology/fundamental-model-forecast](https://kalpicast.gr/en/methodology/fundamental-model-forecast)
– Pollster Ratings: [https://kalpicast.gr/en/methodology/pollster-ratings](https://kalpicast.gr/en/methodology/pollster-ratings)