[论文解读] Voting patterns in 2016: Exploration using multilevel regression and poststratification (MRP) on pre-election polls

Rob Trangucci, I Ali+2 more|arXiv (Cornell University)|Feb 2, 2018

Electoral Systems and Political Participation参考文献 1被引用 7

一句话总结

本文利用2016年10月24日至11月6日期间YouGov的选前民调数据，通过多层回归与后分层化（MRP）方法，按人口统计群体和州对2016年美国总统大选的详细投票模式进行建模。研究发现，希拉里·克林顿与唐纳德·特朗普的支持率性别差距在年龄、教育程度和种族之间存在显著差异，其中受教育程度较低的年长白人男性对特朗普的支持最为强烈，而年轻、受过大学教育的女性则最强烈支持克林顿，且教育程度对支持率的影响差距约为10个百分点，倾向支持克林顿。

ABSTRACT

We analyzed 2012 and 2016 YouGov pre-election polls in order to understand how different population groups voted in the 2012 and 2016 elections. We broke the data down by demographics and state. We display our findings with a series of graphs and maps. The R code associated with this project is available at https://github.com/rtrangucci/mrp_2016_election/.

研究动机与目标

• 理解2016年美国总统大选中不同人口统计群体的投票情况，超越总体州和全国结果。
• 利用选前民调与人口普查数据进行后分层化，通过多层回归与后分层化（MRP）对精细投票行为进行建模，克服出口民调的局限性。
• 探究性别差距、基于教育程度的分歧以及按年龄、教育程度和州划分的投票率模式。
• 提供一个可复现的统计框架，利用MRP估算按详细人口子群体划分的候选人支持率与投票率。
• 分享R代码与可视化图表，以促进该建模方法的广泛使用与验证。

提出的方法

• 将多层回归与后分层化（MRP）应用于YouGov的2016年10月24日至11月6日的选前民调数据以及2016年CPS投票率数据。
• 使用州、族裔、性别、婚姻状况、年龄和教育程度构建六维后分层表，定义33,561个人口统计单元。
• 采用具有随机截距和交互项的贝叶斯分层模型，估算每个人口统计单元内的投票率与候选人偏好概率。
• 使用具有复杂随机效应结构的混合效应逻辑回归，分别拟合投票率与候选人偏好模型。
• 利用美国人口普查数据校准模型预测，估算各人口统计群体的总票数与投票率。
• 生成各州层面的地图与图表，可视化按教育程度、性别、年龄和族裔划分的得票率与投票率。

实验结果

研究问题

• RQ1 2016年美国总统选举中，支持率的性别差距如何随年龄与教育水平变化？
• RQ2 在不同州与人口统计群体中，教育程度与对特朗普或克林顿的支持率之间存在何种关系？
• RQ3 2016年美国各州中，投票率如何随年龄、教育程度与性别而变化？
• RQ4 族裔与婚姻状况在塑造投票偏好与投票率方面发挥了何种作用？
• RQ5 该模型的预测在多大程度上揭示了与全国出口民调总结不一致的区域或子群体模式？

主要发现

• 2016年的性别差距在教育程度上呈U型分布，受教育程度较低与较高的女性和男性群体中差距更大。
• 受教育程度低于大学文凭的年长白人男性对唐纳德·特朗普的支持最为强烈，而受过更多教育的年轻白人男性支持度较低。
• 年轻、受过大学教育的女性对希拉里·克林顿的支持度最高，表明该群体与克林顿存在强烈支持倾向。
• 非裔美国人几乎全体支持希拉里·克林顿，无论年龄与教育程度子群体均表现出近乎普遍的支持。
• 对克林顿与特朗普的支持率教育差距约为10个百分点，非大学教育背景的选民更倾向于支持特朗普。
• 年轻且教育程度较低的群体投票率最低，而年长、受教育程度较高的群体——尤其是女性——投票率更高。