A Unified Bayesian Model for Voter Turnout Estimation: Combining Surveys, Aggregate Data, and Selection Correction
تقترح هذه الورقة إطاراً هرمياً بايزياً موحداً يدمج بيانات المسح على المستوى الفردي، وهوامش الإقبال الإجمالية، وتعدادات التعداد السكاني مع تصحيح الاختيار لتحسين دقة تقدير إقبال الناخبين في المناطق الصغيرة للفئات الديموغرافية الفرعية، مما أظهر مكاسب جوهرية مقارنة بالمعايير المرجعية في عمليات المحاكاة وتحسينات متواضعة في تطبيق على الانتخابات الإستونية لعام 2023.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
لعبة تخمين الناخبين الكبرى
تخيل أنك تحاول معرفة من سيحضر بالضبط إلى حفلة ضخما وسرية. لا يمكنك سؤال الجميع مباشرة لأن معظم الناس لن يفتحوا الأبواب، والقليل ممن يستجيبون قد يكذبون ويقولون إنهم متحمسون للغاية للحضور حتى لو كانوا يخططون للبقاء في المنزل. هذا هو الصداع اليومي لعلماء السياسة الذين يحاولون فهم الإقبال الانتخابي. لديهم أداتان رئيسيتان، لكن كلتاهما معطلة نوعاً ما. أولاً، لديهم الاستطلاعات، حيث يسألون الناس عما يخططون لفعله. المشكلة؟ الأشخاص الذين يجيبون هم غالباً الأكثر اهتماماً بالسياسة، ويميلون إلى المبالغة في حماسهم (بشبه الطريقة التي ينشر بها الناس على وسائل التواصل الاجتماعي عن ممارسة التمارين الرياضية أكثر مما يفعلون في الواقع). ثانياً، لديهم الإحصاءات الرسمية، التي تخبرهم بالضبط عدد الأشخاص الذين صوتوا في مدينة أو منطقة كاملة، لكن ليس لديهم أي فكرة عن من كان هؤلاء الأشخاص. الأمر يشبه معرفة العدد الإجمالي لشرائح البيتزا التي أُكلت في حفلة، ولكن دون معرفة أي من الضيوف أكلوا الببروني وأيهم اكتفوا بالجبن.
لحل هذه المعضلة، يستخدم العلماء طريقة تسمى الانحدار متعدد المستويات وتصنيف الفئات (MRP). فكر في هذا كبناء خريطة تفصيلية ضخمة للسكان باستخدام بيانات التعداد السكاني (القائمة التي تضم كل من يعيش هناك) ثم محاولة رسم صورة "التصويت" فوقها باستخدام بيانات الاستطلاع. ومع ذلك، ولأن بيانات الاستطلاع مشوشة ومنحازة، فإن الصورة الناتجة غالباً ما تكون باهتة أو خاطئة. هذه الورقة البحثية، التي كتبها باحثون من إستونيا، تطرح سؤالاً كبيراً: هل يمكننا بناء طريقة أكثر ذكاءً وتوحيداً لدمج إجابات الاستطلاع الفوضوية مع الإحصاءات الرسمية المثالية للحصول على صورة واضحة تماماً لمن يصوت ومن لا يصوت؟ إنهم يريدون تجاوز مجرد تخمين العدد الإجمالي والبدء في فهم العادات المحددة لمجموعات مختلفة، مثل الشباب، أو الأعراق المختلفة، أو أولئك الذين تتفاوت مستويات تعليمهم.
النماذج الثلاثة الجديدة: حقيبة أدوات المحقق
يقترح المؤلفون إطار عمل "بيزي" (Bayesian) جديداً، وهو طريقة فخمة لقول إنهم يستخدمون نظاماً رياضياً يحدث معتقداته كلما رأى دليلاً جديداً. لقد بنوا ثلاث أدوات تحقيق مختلفة (نماذج)، كل منها خطوة أكثر تعقيداً من التي تسبقها.
1. المحقق "الإيكولوجي" (نموذج EI)
الأداة الأولى هي نموذج الاستدلال الإيكولوجي متعدد المستويات (EI). تخيل أن لديك كيساً من الحلوى المختلطة (إحصاءات التصويت الرسمية لمدينة كاملة) وأنت تعرف الوصفة الدقيقة لهذا الكيس (بيانات التعداد السكاني التي توضح عدد الأطفال والبالغين وكبار السن الذين يعيشون هناك). يحاول هذا النموذج تخمين عدد كل نوع من الحلوى التي تم أكلها بمجرد النظر إلى الوزن الإجمالي للكيس. إنه ذكي لأنه يستخدم هيكل السكان المعروف لتقديم تخمينات مدروسة، لكنه لا يزال يخمن بناءً على "الصورة الكبيرة" فقط، مما قد يؤدي أحياناً إلى أخطاء (مثل افتراض أن الجميع في حي معين صوتوا بنفس الطريقة).
2. محقق "الاستطلاع والهامش" (نموذج PM)
الأداة الثانية، وهي نموذج الاستطلاع والهامش (PM)، هي النجم الرئيسي للورقة البحثية. يعمل هذا النموذج كمحقق يستمع إلى شاهدين في آن واحد: المستجيبون للاستطلاع (الذين قد يكذبون أو يبالغون) وعدادو الأصوات الرسميون (الذين يتسمون بالدقة ولكنهم صامتون). بدلاً من معاملتهم بشكل منفصل، يجبر نموذج PM الشهود على الاتفاق على قصة واحدة. فهو يستخدم إجمالي الأصوات الرسمية ليكون بمثابة "مرساة" لبيانات الاستطلاع، قائلاً بفعالية: "حسناً، الاستطلاع يقول إن 90% من الناس يخططون للتصويت، لكن الإحصاء الرسمي يقول إن 70% فقط فعلوا ذلك. دعونا نعدل مبالغة الاستطلاع لكي تستقيم الحسابات".
في اختباراتهم، كان هذا النموذج تحسناً كبيراً مقارنة بأفضل طريقة حالية (تسمى Ghitza-Gelman). ففي عمليات المحاكاة، قلل نموذج PM من متوسط تباعد كولباك - ليبلر (KL divergence) بنسبة تقارب 30% مقارنة بمعيار Ghitza-Gelman. الأمر يشبه أخذ صورة باهتة واستخدام صورة مرجعية حادة لتصحيح التركيز. يقترح المؤلفون أن هذا يجب أن يكون المعيار الجديد للمحللين السياسيين لأنه يتعامل مع عدم اليقين بشكل أفضل بكثير من الطرق القديمة ذات الخطوتين.
3. محقق "الاختيار الكامل" (نموذج FS)
الأداة الثالثة، وهي نموذج الاختيار الكامل (FS)، هي الأكثر طموحاً. فهي تحاول حل السبب الجذري للمشكلة: لماذا يستجيب الأشخاص الخطأ للاستطلاع في المقام الأول؟ تستخدم الأداة خدعة إحصائية تسمى تصحيح هيكمان للاختيار (Heckman selection correction). تخيل أن الاستطلاع عبارة عن نادٍ له حارس عند الباب. يحاول نموذج FS معرفة القواعد السرية للحارس (مثل: "أنا أسمح فقط بدخول محبي الرياضة") ثم يقوم رياضياً بـ "إزالة تأثير الحارس" عن البيانات ليرى كيف يبدو الجمهور بأكمله.
أظهر هذا النموذج أفضل النتائج في عمليات المحاكاة، خاصة عندما كان الاستطلاع منحازاً جداً (مثل عندما كان 21% فقط من السكان مستعدين للتحدث مع الباحثين). في هذه الحالات الصعبة، كان متوسط تباعد KL لنموذج FS أقل بنسبة 57% من معيار Ghitza-Gelman. ومع ذلك، هناك عقبة: هذا النموذج حساس. فهو يحتاج إلى تغذيته ببعض "التخمينات الذكية" (تسمى التوزيعات القبلية المعلوماتية) حول مدى انحياز الاستطلاع لكي يعمل بشكل صحيح. إذا كان انحياز الاستطلاع ناتجاً عن ضوضاء عشوائية لم يتوقعها النموذج، فإن ميزة نموذج FS ستتلاشى.
ما وجدوه (وما لم يجدوه)
اختبر الباحثون هذه النماذج باستخدام محاكاة ضخمة تعتمد على بيانات تعداد حقيقية من إستونيا. لقد أنشأوا سيناريوهات انتخابات وهمية حيث يعرفون "الحقيقة" ثم رأوا أي نموذج كان الأقرب إليها.
- الفائز: في عمليات المحاكاة، كان نموذج الاختيار الكامل (FS) هو الأكثر دقة، يليه عن كثب نموذج الاستطلاع والهامش (PM). كلاهما كان أفضل بكثير من أحدث الطرق الحالية (Ghitza-Gelman) من حيث مقاييس المسافة التوزيعية.
- اختبار الواقع: عندما طبقوا هذه النماذج على الانتخابات البرلمانية الإستونية لعام 2023، كانت النتائج مختلطة بعض الشيء. أدى نموذج PM أداءً مشابهاً جداً لأفضل الطرق الموجودة في البيانات التي استطاعوا التحقق منها. أما نموذج FS فقد أظهر تحسناً طفيفاً، ولكن فقط لأنه استخدم تلك "التخمينات الذكية" (التوزيعات القبلية) حول مدى انحياز الاستطلاع. وبدون تلك التخمينات المحددة، كان أداء نموذج FS مساوياً لأداء نموذج PM.
- التحذير: يحذر المؤلفون من أن قوة نموذج FS تكمن في أن يكون الاستطلاع قد تم عبر "اتصال عشوائي" (مثل مكالمة هاتفية لقائمة عشوائية) وأن يكون هناك تصور عن معدل الاستجابة. إذا كانت بيانات الاستطلاع مشوشة بطرق لا يتوقعها النموذج (مثل الضوضاء العشوائية)، فإن ميزة نموذج FS ستضيع.
الخلاصة
لا تدعي هذه الورقة أنها حلت لغز التصويت إلى الأبد. بدلاً من ذلك، هي تقدم حقيبة أدوات أفضل. يُقدم نموذج الاستطلاع والهامش (PM) كترقية موثوقة وقوية لأي موقف، حيث يوفر طريقة أكثر وضوحاً لدمج بيانات الاستطلاع مع الإحصاءات الرسمية. أما نموذج الاختيار الكامل (FS) فهو أداة متخصصة وقوية يمكنها استخراج دقة إضافية في المواقف الصعبة والمنحازة، لكنها تتطلب تعاملاً دقيقاً وافتراضات محددة لتعمل.
يوصي المؤلفون بأن أي شخص يستخدم هذه الأساليب يجب أن يشغل كلاً من نموذجي PM و FS ويقارن بين النتائج. إذا اتفقا، يمكنك أن تثق في النتيجة. وإذا اختلفا، فهذه علامة على أن البيانات قد تكون مشوشة للغاية أو أن الافتراضات مهتزة للغاية بحيث لا يمكن الوثوق بإجابة واحدة. إنه تذكير بأنه في عالم العلوم السياسية، حتى أفضل الرياضيات تحتاج إلى جرعة صحية من الشك.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.