La previsione delle elezioni è un problema ad alto rischio. Sia i politici che gli elettori sono spesso alla disperata ricerca dell'esito di una corsa serrata, ma fornire loro previsioni incomplete o imprecise può essere fuorviante. E la previsione elettorale è già un'impresa intrinsecamente impegnativa:il processo di modellazione è pieno di incertezza, informazioni incomplete, e scelte soggettive, tutto ciò deve essere abilmente gestito. Esperti politici e ricercatori hanno implementato una serie di approcci di successo per prevedere i risultati delle elezioni, con diversi gradi di trasparenza e complessità. Però, Le previsioni elettorali possono essere difficili da interpretare e possono lasciare molte domande senza risposta dopo lo svolgimento di gare ravvicinate.

Queste sfide hanno portato i ricercatori a chiedersi se l'applicazione di un modello di malattia alle elezioni potrebbe ampliare la comunità coinvolta nelle previsioni politiche. In una pubblicazione cartacea oggi in Recensione SIAM , Alessandria Volkening (Università nordoccidentale), Daniel F. Linder (Università di Augusta), Mason A. Porter (Università della California, Los Angeles), e Grzegorz A. Rempala (The Ohio State University) hanno preso in prestito idee dall'epidemiologia per sviluppare un nuovo metodo per prevedere le elezioni. Il team sperava di espandere la comunità che si occupa dei dati dei sondaggi e sollevare questioni di ricerca da una nuova prospettiva; la natura multidisciplinare del loro modello di malattia infettiva è stata una virtù in questo senso. "Il nostro lavoro è interamente open-source, Porter ha detto. "Speriamo che questo incoraggi altri a sviluppare ulteriormente le nostre idee e sviluppare i propri metodi per prevedere le elezioni".

Nel loro nuovo documento, gli autori propongono un modello matematico basato sui dati dell'evoluzione delle opinioni politiche durante le elezioni statunitensi. Hanno trovato i parametri del loro modello utilizzando dati di polling aggregati, che ha permesso loro di monitorare le percentuali di elettori democratici e repubblicani nel tempo e prevedere i margini di voto in ciascuno stato. Gli autori hanno enfatizzato la semplicità e la trasparenza nel loro approccio e considerano questi tratti come particolari punti di forza del loro modello. "I modelli complicati devono tenere conto dell'incertezza in molti parametri contemporaneamente, " ha detto Rempala.

Questo studio si è concentrato principalmente sull'influenza che gli elettori in diversi stati possono esercitare gli uni sugli altri, poiché la contabilizzazione accurata delle interazioni tra gli stati è cruciale per la produzione di previsioni affidabili. I risultati elettorali in stati con dati demografici simili sono spesso correlati, e gli stati possono anche influenzarsi reciprocamente in modo asimmetrico; Per esempio, gli elettori dell'Ohio possono influenzare più fortemente gli elettori della Pennsylvania che il contrario. La forza dell'influenza di uno stato può dipendere da una serie di fattori, compresa la quantità di tempo che i candidati trascorrono in campagna e la copertura dello stato nelle notizie. Per sviluppare il loro approccio previsionale, il team ha riproposto le idee della modellazione compartimentale delle malattie biologiche. I matematici utilizzano spesso modelli compartimentali, che categorizzano gli individui in pochi tipi distinti (ad es. compartimenti) – per esaminare la diffusione di malattie infettive come l'influenza e il COVID-19. Un modello compartimentale ampiamente studiato chiamato modello suscettibile-infetto-sensibile (SIS) divide una popolazione in due gruppi:coloro che sono suscettibili di ammalarsi e coloro che sono attualmente infetti. Il modello SIS quindi tiene traccia delle frazioni di individui suscettibili e infetti in una comunità nel tempo, in base ai fattori di trasmissione e recupero. Quando una persona infetta interagisce con una persona suscettibile, l'individuo suscettibile può essere infettato. Una persona infetta ha anche una certa possibilità di riprendersi e diventare di nuovo suscettibile.

Perché ci sono due principali partiti politici negli Stati Uniti, gli autori hanno utilizzato una versione modificata di un modello SIS con due tipi di infezioni. "Abbiamo usato tecniche dell'epidemiologia matematica perché ci hanno dato un mezzo per inquadrare le relazioni tra gli stati in un modo familiare, modo multidisciplinare, " ha detto Volkening. Mentre le elezioni e le dinamiche della malattia sono certamente diverse, i ricercatori hanno trattato le inclinazioni di voto democratico e repubblicano come due possibili tipi di "infezione" che possono diffondersi tra gli stati. indeciso, indipendente, o elettori di partiti minori rientrano tutti nella categoria degli individui suscettibili. "Infezione" è stata interpretata come adozione di opinioni democratiche o repubblicane, e la "ripresa" rappresentava il ricambio degli elettori impegnati a quelli degli indecisi.

Nel modello, gli elettori impegnati possono trasmettere le loro opinioni agli elettori indecisi, ma non è vero il contrario. I ricercatori hanno adottato una visione ampia della trasmissione, interpretare la persuasione dell'opinione come avviene attraverso la comunicazione diretta tra elettori e metodi più indiretti come la campagna elettorale, copertura di notizie, e dibattiti. Gli individui possono interagire e portare altre persone a cambiare le proprie opinioni sia all'interno che tra gli stati.

Per determinare i valori dei parametri matematici dei loro modelli, gli autori hanno utilizzato i dati dei sondaggi su senatori, governatore, e le gare presidenziali di HuffPost Pollster per il 2012 e 2016 e RealClearPolitics per il 2018. Hanno adattato il modello ai dati di ogni singola razza e hanno simulato l'evoluzione delle opinioni nell'anno precedente a ogni elezione monitorando le frazioni di indecisi, Democratico, e gli elettori repubblicani in ogni stato da gennaio fino al giorno delle elezioni. I ricercatori hanno simulato le loro previsioni finali come se le avessero fatte alla vigilia del giorno delle elezioni, includendo tutti i dati del sondaggio ma omettendo i risultati delle elezioni.

Nonostante la sua base in un campo non convenzionale per le previsioni elettorali, vale a dire, epidemiologia:il modello risultante ha funzionato sorprendentemente bene. Prevede le corse degli Stati Uniti per il 2012 e il 2016 a governatore, Senato, e ufficio presidenziale con un tasso di successo simile a quello dei popolari siti di analisti FiveThirtyEight e Sabato's Crystal Ball. Per esempio, il tasso di successo degli autori per la previsione dei risultati del partito a livello statale nelle elezioni presidenziali del 2012 e del 2016 è stato del 94,1 per cento, mentre FiveThirtyEight ha avuto un tasso di successo del 95,1 percento e Crystal Ball di Sabato ha avuto un tasso di successo del 93,1 percento. "Siamo rimasti tutti inizialmente sorpresi dal fatto che un modello di trasmissione della malattia potesse produrre previsioni significative delle elezioni, "Ha detto Volken.

Dopo aver stabilito la capacità del loro modello di prevedere i risultati alla vigilia del giorno delle elezioni, gli autori hanno cercato di determinare quanto presto il modello potrebbe creare previsioni accurate. Le previsioni che vengono fatte nelle settimane e nei mesi precedenti il ​​giorno delle elezioni sono particolarmente significative, ma produrre previsioni anticipate è impegnativo perché sono disponibili meno dati di polling per l'addestramento del modello. Utilizzando i dati dei sondaggi delle corse senatoriali del 2018, il modello del team è stato in grado di produrre previsioni stabili dall'inizio di agosto in poi con lo stesso tasso di successo delle previsioni finali di FiveThirtyEight per quelle gare.

Nonostante le chiare differenze tra contagio e dinamiche di voto, questo studio suggerisce un valido approccio per descrivere come cambiano le opinioni politiche tra gli stati. Volkening sta attualmente applicando questo modello, in collaborazione con gli studenti universitari della Northwestern University Samuel Chian, William L. Lui, e Christopher M. Lee, per prevedere le presidenziali degli Stati Uniti del 2020, senatoriale, ed elezioni governative. "Questo progetto mi ha fatto capire che è difficile giudicare le previsioni, soprattutto quando alcune elezioni sono decise con un margine di voto inferiore all'uno per cento, " ha detto Volkening. "Il fatto che il nostro modello si comporti bene è eccitante, poiché ci sono molti modi per renderlo più realistico in futuro. Speriamo che il nostro lavoro incoraggi le persone a pensare in modo più critico a come giudicano le previsioni e a essere coinvolti nelle previsioni elettorali".