[论文解读] Gerrymandering metrics: How to measure? What's the baseline?

Moon Duchin|arXiv (Cornell University)|Jan 6, 2018

Markov Chains and Monte Carlo Methods参考文献 2被引用 12

一句话总结

本文评估了三种不同的方法——部分对称性、效率差距和基于抽样的异常值分析——用于衡量国会及立法选区重划中的部分性杰利曼现象。研究提出，每种方法提供了不同的规范性标准和公平性基准，其中基于抽样的方法提供了在地理和政治上都具有依据的基准，更好地反映了现实世界的约束条件，并减少了对推测性反事实情景的依赖。

ABSTRACT

This note outlines three intellectually distinct but not mutually exclusive strategies for measuring partisan gerrymandering: partisan symmetry, efficiency gap, and algorithmic sampling.

研究动机与目标

• 解决在选区重划中缺乏一致、公平且具有法律可行性的部分性杰利曼现象测量标准的问题。
• 评估三种主流度量指标——部分对称性、效率差距和基于抽样的异常值分析——的规范性基础与实际可行性。
• 主张基于抽样的方法通过反映实际的地理和政治约束，而非理想化或假设的情景，提供更现实的基准。
• 指出单一度量方法（如效率差距）的局限性，这些方法可能过度简化杰利曼现象的多维特性。
• 倡导在法律和政策框架中整合多种度量指标，尤其是基于抽样的方法，以提升公平性并减少对推测性模型的司法依赖。

提出的方法

• 将选区重划方案形式化为地理图的划分——其中顶点代表人口单元（如人口普查区），边代表相邻关系——划分为连通且连续的选区。
• 通过均匀部分性波动建模得票-席位曲线，评估在50-50得票份额点周围的对称性，以检测席位分配的非对称性。
• 使用公式 $ EG = \left| \sum_{i} (w_i^D - w_i^R) \right| / \sum_{i} V_i $ 计算效率差距（EG），其中 $ w_i^D $ 和 $ w_i^R $ 分别为民主党和共和党的浪费选票数。
• 采用马尔可夫链蒙特卡洛（MCMC）抽样方法，在固定人口和连通性约束下生成有效选区重划方案的集合，从而实现对某一方案与现实分布的统计比较。
• 通过异常值分析确定某一给定方案在部分性结果上是否相对于抽样集合处于极端位置，将其视为公平性的基准。
• 通过评估其对政治地理的敏感性、法律可辩护性以及避免依赖推测性反事实情景的能力，比较三种方法的优劣。

实验结果

研究问题

• RQ1 如何以反映公平性与政治现实的方式衡量部分性杰利曼现象？
• RQ2 评估某一选区重划方案是否构成杰利曼现象，最具有可辩护性的基准是什么——理想对称性、效率，还是现实世界的抽样？
• RQ3 传统度量指标（如效率差距）在多大程度上未能捕捉杰利曼现象的多维特性？
• RQ4 基于抽样的方法是否能为选区重划提供比假设或对称模型更具法律和政治可行性的标准？
• RQ5 地理约束和人口分布在多大程度上影响了在现实选区重划中实现部分对称性或效率的可行性？

主要发现

• 部分对称性在直觉上是公平的，但法院批评其依赖于推测性反事实情景，例如计划在不同得票份额下的表现。
• 效率差距提供了一个单一且易于管理的杰利曼现象度量指标，但可能过度简化多维问题，导致误报或漏报。
• 基于抽样的异常值分析通过将某一方案与在固定地理和人口约束下生成的大量有效、连通的选区重划方案集合进行比较，提供了更现实的基准。
• 抽样方法揭示，某些效率差距高或存在部分性偏见的方案，在特定州的政治地理背景下（如明尼苏达州或威斯康星州）可能属于典型情况，因为紧凑性和人口聚集限制了对称性。
• 在某些地理背景下，极端结果（如60%的得票率获得100%的席位）在统计上可能是正常的，表明若这些结果在抽样中属于典型情况，则此类结果可能并不表示杰利曼现象。
• 本文结论认为，结合多种度量指标，尤其是基于抽样的方法，可提供比单一度量指标更稳健、更具情境敏感性的杰利曼现象评估，从而提升公平性。