Bayesian Uncertainty Quantification for Ranked Choice Voting Polls

Resumen Técnico: Cuantificación de la Incertidumbre Bayesiana para Encuestas de Voto por Orden de Preferencia

Planteamiento del Problema
El Voto por Orden de Preferencia (RCV, por sus siglas en inglés) presenta desafíos metodológicos únicos para los encuestadores que las herramientas tradicionales de cuantificación de la incertidumbre (UQ) de tipo frecuentista no pueden abordar adecuadamente. En el RCV, el ganador de una elección se determina mediante un proceso de eliminación dependiente de la trayectoria, donde los candidatos son eliminados sucesivamente y los votos se reasignan hasta asegurar una mayoría. A diferencia de las elecciones de pluralidad (voto mayoritario simple o First-Past-The-Post), donde el ganador es una función de un único parámetro poblacional (la cuota de votos), el ganador del RCV es la unión de trayectorias disjuntas determinadas por la estructura completa de las clasificaciones de preferencia de los votantes.

En consecuencia, las métricas estándar como el "margen de error" (MoE) no logran capturar la complejidad de la incertididad del RCV. Un MoE cuantifica típicamente la incertidza alrededor de un margen de eliminación específico, pero no cuantifica directamente la probabilidad de que un candidato gane. Además, en el RCV, un candidato que es el verdadero ganador en la población puede ser el ganador más frecuente en encuestas de muestras pequeñas debido a la variabilidad del muestreo que cruza los límites de decisión en el espacio de parámetros de alta dimensión. Por el contrario, los conjuntos de confianza frecuentistas estándar para el vector de márgenes de eliminación suelen volverse tan amplios que se solapan con múltiples regiones de posibles ganadores, fallando al identificar un ganador único incluso con tamaños de muestra grandes.

Metodología
Los autores proponen un marco de trabajo bayesiano que desplaza el objetivo de la inferencia desde la estimación de márgenes de eliminación específicos hacia la estimación de la probabilidad posterior de victoria para cada candidato. La metodología procede de la siguiente manera:

1. Modelado de los Órdenes de Boleta: El problema se plantea en términos de "órdenes de boleta" ($P$), el conjunto de todas las formas únicas en que un votante puede clasificar a los candidatos. La distribución poblacional de estos órdenes es denotada por $\pi$. El ganador del RCV es una función determinista de $\pi$.
2. Inferencia Conjugada: Los autores modelan las respuestas observadas en las encuestas como extracciones independientes de una distribución multinomial sobre el conjunto de órdenes de boleta. Al utilizar la relación de conjugación entre la verosimilitud Multinomial y la distribución a priori de Dirichlet, derivan una distribución posterior para $\pi$.
   • Si $n_j$ es el conteo observado de boletas de tipo $j$, y la distribución a priori es $\pi \sim \text{Dir}(\alpha)$, la posterior es $\pi | \text{datos} \sim \text{Dir}(\alpha + n)$.
   • Esto permite la tractabilidad analítica sin requerir métodos computacionales complejos para la propia posterior.
3. Poda de Boletas (Ballot Pruning): Para abordar la "maldición de la dimensionalidad", donde el número de posibles órdenes de boleta crece super-exponencialmente con el número de candidatos, los autores introducen un lema de "poda de boletas". Este lema postula que si el conjunto de candidatos que permanecen en las rondas finales de una elección es conocido, las clasificaciones relativas de los candidatos eliminados no afectan al ganador final. Los autores recomiendan un procedimiento de bootstrap para identificar un conjunto estable de los principales candidatos (por ejemplo, los 3 o 4 mejores) y podar el espacio de boletas para incluir solo las clasificaciones relevantes para estos candidatos. Esto reduce la dimensionalidad de la distribución de Dirichlet preservando la integridad de la determinación del ganador.
4. Pipeline de Simulación:
   • Podar el espacio de boletas basado en la estabilidad del bootstrap.
   • Calcular la distribución de Dirichlet posterior utilizando los conteos observados (o ponderados).
   • Muestrear repetidamente de esta posterior para generar electorados simulados.
   • Ejecutar el algoritmo de tabulación de RCV en cada electorado simulado.
   • La proporción de simulaciones en las que un candidato gana constituye su probabilidad de victoria estimada.

Resultados Clave y Aplicaciones
Los autores validan su enfoque utilizando dos elecciones de alto perfil: las primarias demócratas para la alcaldía de Nueva York de 2021 y la elección especial para la Cámara de Representantes de EE. UU. en Alaska de 2022.

• Alaska 2022 (Elección Especial): Los autores demuestran que, en simulaciones no sesgadas de tamaños de muestra pequeños, el verdadero ganador (Mary Peltola) a menudo no es el ganador más probable en las encuestas. De hecho, Nick Begich (quien fue el primero en ser eliminado en la elección real, pero que habría ganado un enfrentamiento directo contra Peltola) aparece como el ganador más frecuente en muestras pequeñas. Esto resalta la "fragilidad" de las estimaciones puntuales del RCV. Los elipsoides de confianza frecuentistas estándar para los márgenes de eliminación fueron encontrados solapándose con las tres regiones de ganadores en casi el 97% de las simulaciones, lo que los hace inútiles para la identificación del ganador.
• Primarias de NYC 2021: Los autores reanalizaron una encuesta final de Data for Progress. Mientras que las estimaciones puntuales de la encuesta sugerían una contienda ajustada entre Eric Adams y Kathryn Garcia (con Maya Wiley a la zaga), el análisis bayesiano proporcionó una medida de incertidumbre más matizada. Las probabilidades de victoria posteriores se estimaron en 56.4% para Adams, 42.8% para Garcia y 0.8% para Wiley. Esto identificó correctamente la contienda como un duelo de dos personas con Adams como un moderado favorito, consistente con el margen de victoria real del 0.8%.
• Encuestas Ponderadas: El marco se extendió para manejar los pesos de las encuestas tratando los conteos ponderados como pseudo-conteos en la actualización de Dirichlet, lo que permite aplicar el método a datos de encuestas del mundo real que emplean ponderación demográfica.

Significancia y Reivindicaciones
El artículo afirma que el marco bayesiano propuesto ofrece una alternativa superior a las prácticas frecuentistas estándar para las encuestas de RCV al dirigirse directamente a la cantidad de interés: la probabilidad de ganar.

• Interpretación Directa: A diferencia de los márgenes de error, que requieren que los lectores infieran la probabilidad de un ganador a partir de un rango de márgenes, las probabilidades de victoria posteriores proporcionan una medida directa y continua de la incertidumbre respecto al resultado electoral.
• Manejo de la Dependencia de la Trayectoria: El método integra naturalmente la naturaleza de la trayectoria de las eliminaciones del RCV. Tiene en cuenta el hecho de que la incertidumbre en los órdenes de eliminación tempranos puede o no propagarse al ganador final, un matiz que se pierde en el reporte de márgenes estándar.
• Evitar la Falsa Certeza: Los autores argumentan que la estimación puntual en RCV está llena de riesgos porque los ganadores incorrectos pueden ser favorecidos en una pluralidad de muestras aleatorias. El enfoque bayesiano evita forzar conclusiones binarias (por ejemplo, "ventaja estadísticamente significativa") y, en su lugar, comunica la probabilidad relativa de victoria, lo cual es más apropiado para la compleja geometría de las fronteras de decisión del RCV.
• Viabilidad: El enfoque es computacionalmente tratable debido a la conjugación del par Dirichlet-Multinomial y la reducción de la dimensionalidad proporcionada por la poda de boletas.

Los autores concluyen que, si bien su método muestra potencial en elecciones muy disputadas, sirve como un paso fundacional para una cuantificación de la incertidumbre más robusta en el RCV, moviendo el campo de la inadecuada notificación de márgenes de error hacia declaraciones probabilísticas sobre los resultados electorales.