Bayesian Uncertainty Quantification for Ranked Choice Voting Polls

Technisches Resümee: Bayesianische Unsicherheitsquantifizierung für Umfragen zum gestuften Wahlverfahren (Ranked Choice Voting)

Problemstellung
Das gestufte Wahlverfahren (Ranked Choice Voting, RCV) stellt für Meinungsumfrager vor einzigartige methodische Herausforderungen, die durch traditionelle frequentistische Werkzeuge zur Unsicherheitsquantifizierung (Uncertainty Quantification, UQ) nicht angemessen adressiert werden können. Bei RCV wird der Wahlsieger durch einen pfadabhängigen Eliminationsprozess bestimmt, bei dem Kandidaten sukzessive ausgeschieden und Stimmen neu verteilt werden, bis eine Mehrheit gesichert ist. Im Gegensatz zu Pluralitätswahlen (First-Past-The-Post), bei denen der Sieger eine Funktion eines einzelnen Populationsparameters (des Stimmenanteils) ist, ist der RCV-Sieger eine Vereinigung disjunkter Pfade, die durch die vollständige Struktur der Präferenzrangfolgen der Wähler bestimmt werden.

Folglich erfassen Standardmetriken wie die „Fehlermarge“ (Margin of Error, MoE) nicht die Komplexität der RCV-Unsicherheit. Eine MoE quantifiziert typischerweise die Unsicherheit um eine spezifische Eliminationsmarge, sie quantifiziert jedoch nicht direkt die Gewinnwahrscheinlichkeit eines Kandidaten. Zudem kann ein Kandidat, der der wahre Sieger in der Population ist, aufgrund der Stichprobenvariabilität, die Entscheidungsgrenzen im hochdimensionalen Parameterraum überschreitet, in Umfragen mit kleinen Stichproben der am häufigsten gewählte Sieger sein. Umgekehrt werden die Standard-Konfidenzintervalle frequentistischer Methoden für den Vektor der Eliminationsmargen oft so breit, dass sie mit mehreren potenziellen Siegerregionen überlappen und somit selbst bei großen Stichproben keinen eindeutigen Sieger identifizieren können.

Methodik
Die Autoren schlagen ein Bayesianisches Framework vor, das das Ziel der Inferenz von der Schätzung spezifischer Eliminationsmargen hin zur Schätzung der Siegwahrscheinlichkeit für jeden Kandidaten verschiebt. Die Methodik verläuft wie folgt:

1. Modellierung von Stimmzettel-Rangfolgen: Das Problem wird in Form von „Stimmzettel-Rangfolgen“ ($P$) formuliert, der Menge aller eindeutigen Arten, wie ein Wähler Kandidaten ranken kann. Die Populationsverteilung dieser Rangfolgen wird als $\pi$ bezeichnet. Der RCV-Sieger ist eine deterministische Funktion von $\pi$.
2. Konjugierte Inferenz: Die Autoren modellieren die beobachteten Umfrageantworten als unabhängige Züge aus einer Multinomialverteilung über der Menge der Stimmzettel-Rangfolgen. Durch Nutzung der konjugierten Beziehung zwischen der Multinomial-Likelihood und der Dirichlet-Priorverteilung leiten sie eine Posterior-Verteilung für $\pi$ ab.
   • Wenn $n_j$ die beobachtete Anzahl der Stimmzettel des Typs $j$ ist und der Prior $\pi \sim \text{Dir}(\alpha)$ ist, dann ist der Posterior $\pi | \text{data} \sim \text{Dir}(\alpha + n)$.
   • Dies ermöglicht analytische Handhabbarkeit, ohne komplexe Rechenmethoden für den Posterior selbst zu benötigen.
3. Stimmzettel-Pruning (Ballot Pruning): Um dem „Fluch der Dimensionalität“ zu begegnen, bei dem die Anzahl der möglichen Stimmzettel-Rangfolgen mit der Anzahl der Kandidaten superexponentiell ansteigt, führen die Autoren ein „Ballot Pruning“-Lemma ein. Dieses Lemma postuliert, dass, wenn die Menge der in den letzten Runden einer Wahl verbleibenden Kandidaten bekannt ist, die relativen Rangfolgen ausgeschiedener Kandidaten den endgültigen Sieger nicht beeinflussen. Die Autoren empfehlen ein Bootstrap-Verfahren, um eine stabile Menge an Top-Kandidaten (z. B. die Top 3 oder 4) zu identifizieren und den Stimmzettel-Raum auf die für diese Kandidaten relevanten Rangfolgen zu beschränken. Dies reduziert die Dimensionalität der Dirichlet-Verteilung unter Wahrung der Integrität der Siegerbestimmung.
4. Simulations-Pipeline:
   • Beschränkung (Pruning) des Stimmzettel-Raums basierend auf der Bootstrap-Stabilität.
   • Berechnung der posterioren Dirichlet-Verteilung unter Verwendung der beobachteten (oder gewichteten) Häufigkeiten.
   • Wiederholtes Ziehen von Stichproben aus diesem Posterior, um simulierte Elektoren zu generieren.
   • Durchführung des RCV-Tabellierungsalgorithmus auf jeder simulierten Elektorengruppe.
   • Der Anteil der Simulationen, in denen ein Kandidat gewinnt, stellt seine geschätzte Siegwahrscheinlichkeit dar.

Zentrale Ergebnisse und Anwendungen
Die Autoren validieren ihren Ansatz anhand zweier hochprofilierter RCV-Wahlen: der demokratischen Bürgermeisterwahl in New York City im Jahr 2021 und der US-Repräsentantenhaus-Sonderwahl in Alaska im Jahr 2022.

• Alaska 2022 Special: Die Autoren zeigen, dass in unverzerrten Simulationen kleiner Stichproben der wahre Sieger (Mary Peltola) oft nicht der wahrscheinlichste Sieger in den Umfragen ist. Tatsächlich erscheint Nick Begich (der in der tatsächlichen Wahl zuerst ausschied, aber in einem direkten Duell gegen Peltola gewonnen hätte) in kleinen Stichproben als der am häufigsten gewählte Sieger. Dies verdeutlicht die „Fragilität“ von RCV-Punktschätzungen. Standardmäßige frequentistische Konfidenzellipsoide für die Eliminationsmargen überschnitten sich in fast 97 % der Simulationen mit allen drei Siegerregionen, was sie für die Identifizierung eines Siegers unbrauchbar machte.
• NYC 2021 Primary: Die Autoren analysierten eine abschließende Umfrage von Data for Progress neu. Während die Punktschätzungen der Umfrage auf ein enges Rennen zwischen Eric Adams und Kathryn Garcia hindeuteten (wobei Maya Wiley zurücklag), lieferte die Bayesianische Analyse ein differenzierteres Maß an Unsicherheit. Die posterioren Siegwahrscheinlichkeiten wurden auf 56,4 % für Adams, 42,8 % für Garcia und 0,8 % für Wiley geschätzt. Dies identifizierte das Rennen korrekt als ein Zweikampf mit Adams als moderatem Favoriten, was konsistent mit seinem tatsächlichen Vorsprung von 0,8 % war.
• Gewichtete Umfragen: Das Framework wurde erweitert, um mit Stichproben-Gewichtungen umzugehen, indem gewichtete Häufigkeiten als Pseudo-Häufigkeiten im Dirichlet-Update behandelt werden, was die Anwendung der Methode auf reale Umfragedaten ermöglicht, die demografische Gewichtungen verwenden.

Bedeutung und Behauptungen
Das Paper behauptet, dass das vorgeschlagene Bayesianische Framework eine überlegene Alternative zu Standardpraktiken der Frequentistik für RCV-Umfragen bietet, da es direkt auf die Zielgröße abzielt: die Gewinnwahrscheinlichkeit.

• Direkte Interpretation: Im Gegensatz zu Fehlermargen, die vom Leser erfordern, die Wahrscheinlichkeit eines Siegers aus einem Bereich von Margen abzuleiten, liefern die posterioren Siegwahrscheinlichkeiten ein direktes, kontinuierliches Maß für die Unsicherheit hinsichtlich des Wahlausgangs.
• Umgang mit Pfadabhängigkeit: Die Methode integriert nativ die pfadabhängige Natur der RCV-Eliminationen. Sie berücksichtigt die Tatsache, dass die Unsicherheit in frühen Eliminationsphasen den endgültigen Sieger beeinflussen kann oder auch nicht – eine Nuance, die bei der Standardberichterstattung über Margen verloren geht.
• Vermeidung falscher Gewissheit: Die Autoren argumentieren, dass die Punktschätzung in RCV problematisch ist, da in einer Mehrzahl von Zufallsstichproben falsche Sieger bevorzugt werden könnten. Der Bayesianische Ansatz vermeidet binäre Schlussfolgerungen (z. B. „statistisch signifikanter Vorsprung“) und kommuniziert stattdessen die relative Wahrscheinlichkeit eines Sieges, was angesichts der komplexen Geometrie der RCV-Entscheidungsgrenzen angemessener ist.
• Machbarkeit: Der Ansatz ist aufgrund der Konjugiertheit des Dirichlet-Multinomial-Paares und der durch Ballot Pruning erzielten Dimensionsreduktion rechnerisch handhabbar.

Die Autoren kommen zu dem Schluss, dass ihre Methode zwar vielversprechend für hochkompetitive Wahlen ist, aber als grundlegender Schritt für eine robustere Unsicherheitsquantifizierung in RCV dient, indem sie das Feld von der unzureichenden Berichterstattung über Fehlermargen hin zu probabilistischen Aussagen über Wahlausgänge führt.