[论文解读] Predicting elections with emerging political parties

José García Montalvo, Omiros Papaspiliopoulos+1 more|arXiv (Cornell University)|Dec 9, 2016

Energy Load and Power Forecasting被引用 2

一句话总结

本文提出了一种贝叶斯分层模型，整合了基础选举数据与实时民意调查信息，以预测选举结果，尤其针对新兴政党。该模型通过动态更新新数据，在预测议席分配方面优于其他模型，如在2015年西班牙选举中，成功预测了两个新成立政党获得30%选票的情况。

ABSTRACT

This paper proposed a methodology to forecast electoral outcomes using the result of the combination of a fundamental model and a model-based aggregation of polls. We propose a Bayesian hierarchical structure for the fundamental model that synthesises data at the provincial, regional and national level. We use a Bayesian strategy to combine the fundamental model with the information coming for recent polls. This model can naturally be updated every time new information, for instance a new poll, becomes available. This methodology is well suited to deal with increasingly frequent situations in which new political parties enter an electoral competition, although our approach is general enough to accommodate any other electoral situation. We illustrate the advantages of our method using the 2015 Spanish Congressional Election in which two new parties ended up receiving 30\% of the votes. We compare the predictive performance of our model versus alternative models. In general the predictions of our model outperform the alternative specifications, including hybrid models that combine fundamental and polls models. Our predictions are, in relative terms, particularly accurate in predicting the seats obtained by each political party.

研究动机与目标

• 开发一种能有效应对新政治政党进入选举竞争的预测模型。
• 将多层次数据（省级、区域级、国家级）整合到统一的预测框架中。
• 构建一种可动态更新、能实时整合新民意调查数据的模型。
• 相比现有混合型基础-民意调查模型，提升议席预测的准确性。
• 在具有高波动性与新进入者的复杂现实选举中评估模型性能。

提出的方法

• 使用贝叶斯分层结构，整合省级、区域级和国家级的选举基础数据。
• 利用贝叶斯框架聚合民意调查数据，对近期民意调查进行加权并考虑不确定性。
• 通过分层贝叶斯方法将基础数据与民意调查预测相结合，实现概率性更新。
• 使用马尔可夫链蒙特卡洛（MCMC）或类似的贝叶斯推断技术估计模型参数。
• 该框架支持在新民意调查或数据出现时持续更新。
• 以2015年西班牙国会选举为案例研究，对模型进行校准与验证。

实验结果

研究问题

• RQ1 当新政党进入选举竞争时，贝叶斯分层模型在预测选举结果方面的表现如何？
• RQ2 结合基础数据与民意调查数据，与独立模型相比，能否显著提升预测准确性？
• RQ3 该模型在预测议席分配方面表现如何，特别是对新兴政党？
• RQ4 能否实时动态更新新民意调查数据？
• RQ5 与结合基础数据与民意调查的混合模型相比，该模型的性能如何？

主要发现

• 所提出的模型在预测整体选举结果方面优于其他替代模型，包括混合型基础-民意调查模型。
• 该模型在准确预测各政党获得的议席数量方面表现出显著优势。
• 在2015年西班牙选举中，该模型成功捕捉到两个新成立政党获得30%选票的情况。
• 贝叶斯更新机制使得在新民意调查数据出现时能够及时且可靠地调整预测。
• 对于历史数据有限的政党（如新兴政党），相对预测准确性尤其高。
• 多层级（省级、区域级、国家级）数据的整合显著提升了模型的稳健性与精确度。