Bayesian Uncertainty Quantification for Ranked Choice Voting Polls
यह शोध पत्र 2021 के NYC मेयर प्राथमिक और 2022 के अलास्का विशेष चुनाव के व्यावहारिक विश्लेषणों के माध्यम से, RCV परिणामों की पथ-निर्भर प्रकृति को पकड़ने में पारंपरिक आवृत्तिवादी (फ्रीक्वेंटिस्ट) विधियों की सीमाओं को संबोधित करते हुए, उम्मीदवार की जीत की संभावनाओं का अनुमान लगाकर रैंक की गई पसंद वाले मतदान (RCV) के सर्वेक्षणों में अनिश्चितता को मापने के लिए एक सरल बेयसियन ढांचे का प्रस्ताव करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
यहाँ एक सरल भाषा और रचनात्मक उपमाओं (analogies) का उपयोग करके शोध पत्र (paper) की व्याख्या दी गई है।
समस्या: क्यों मानक सर्वेक्षण (Standard Polls) "रैंक्ड चॉइस" में खो जाते हैं
कल्पना कीजिए कि आप एक दौड़ के विजेता की भविष्यवाणी करने की कोशिश कर रहे हैं। एक पारंपरिक चुनाव में (जैसे कि एक साधारण "फर्स्ट-पास्ट-द-पोस्ट" दौड़), यह एक स्प्रिंट (तेज दौड़) की तरह है। आप बस गिनते हैं कि कितने धावक सबसे पहले फिनिश लाइन को पार करते हैं। यदि उम्मीदवार A के पास 51% धावक हैं और उम्मीदवार B के पास 49%, तो गणित आसान है: A जीत गया। पोलस्टर आसानी से कह सकते हैं, "हमें 95% यकीन है कि A आगे है," और आपको एक "मार्जिन ऑफ एरर" (जैसे यह कहना कि परिणाम 3% गलत हो सकता है) दे सकते हैं।
लेकिन रैंक्ड चॉइस वोटिंग (RCV) एक स्प्रिंट नहीं है; यह एक ट्विस्ट के साथ म्यूजिकल चेयर्स का खेल है।
RCV में, मतदाता केवल एक व्यक्ति को नहीं चुनते; वे उन्हें रैंक करते हैं (पहला, दूसरा, तीसरा, आदि)। गणना की प्रक्रिया जटिल है:
- हर किसी की पहली पसंद गिनी जाती है।
- यदि किसी के पास बहुमत (50% से अधिक) नहीं है, तो जिस व्यक्ति को सबसे कम वोट मिले हैं, उसे बाहर कर दिया जाता है।
- जिन लोगों ने बाहर हुए व्यक्ति को वोट दिया था, उनके वोट उनके अगले विकल्प को हस्तांतरित (transfer) कर दिए जाते हैं।
- यह प्रक्रिया दौर-दर-दौर तब तक चलती है जब तक कि अंततः किसी को 50% से अधिक वोट नहीं मिल जाते।
शोध पत्र की बड़ी अंतर्दृष्टि (Big Insight):
लेखकों का तर्क है कि मानक पोलिंग उपकरण (जैसे "मार्जिन ऑफ एरर") यहाँ विफल हो जाते हैं। क्यों? क्योंकि विजेता केवल इस पर निर्भर नहीं करता कि वर्तमान में कौन आगे है; यह पूरी तरह से इस पर निर्भर करता है कि कौन सबसे पहले बाहर होता है।
इसे एक डोमिनो प्रभाव (domino effect) की तरह सोचें।
- एक मानक दौड़ में, यदि आप थोड़ा पीछे हैं, तो आप बस पीछे हैं।
- RCV में, यदि आप थोड़े पीछे हैं, तो आपको जल्दी बाहर किया जा सकता है। लेकिन यदि आप आखिरी स्थान पर रहने वाले व्यक्ति से थोड़े ही आगे हैं, तो आप बच जाते हैं, और आपके ठीक पीछे वाला व्यक्ति बाहर हो जाता है। यह सब कुछ बदल देता है।
पेपर दिखाता है कि छोटे सर्वेक्षणों में, आप गलती से यह सोच सकते हैं कि "गलत" व्यक्ति सबसे पहले बाहर होगा। यदि आप उन्मूलन क्रम (elimination order) का गलत अनुमान लगाते हैं, तो आपकी अंतिम विजेता की भविष्यवाणी गलत हो जाएगी, भले ही आपका पोल अन्यथा सटीक रहा हो। मानक गणितीय उपकरण इस "पथ निर्भरता" (path dependency) को आसानी से नहीं माप सकते।
समाधान: एक "क्रिस्टल बॉल" सिमुलेशन
लेखक बेयसियन सांख्यिकी (Bayesian statistics) का उपयोग करके अनिश्चितता को देखने का एक नया तरीका प्रस्तावित करते हैं। एक विशिष्ट दौर के लिए एक एकल "मार्जिन ऑफ एरर" की गणना करने के बजाय, वे हजारों संभावित वास्तविकताओं का सिमुलेशन करने का सुझाव देते हैं।
यहाँ उनका तरीका है, जिसे एक सरल रूपक (metaphor) में विभाजित किया गया है:
1. "बैलेट बैग" (डेटा)
कल्पना कीजिए कि एक मतदाता किसी उम्मीदवार को किस तरह से रैंक कर सकता है, इसके हर संभावित तरीके को एक विशाल बैग में एक अद्वितीय टिकट के रूप में माना जा सकता है।
- टिकट A: "मैं एडम्स को पहला, गार्सिया को दूसरा पसंद करता हूँ।"
- टिकट B: "मैं गार्सिया को पहला, एडम्स को दूसरा पसंद करता हूँ।"
- टिकट C: "मुझे केवल विली पसंद है।"
जब एक पोल लिया जाता है, तो हम वास्तव में कुछ टिकटों को बाहर निकालते हैं (नमूना/sample)। हम जानना चाहते हैं कि उस मुट्ठी भर टिकटों के आधार पर वह पूरा बैग कैसा दिखता है।
2. "जादुई पेंट" (प्रायर/Prior)
चूंकि हमें नहीं पता कि बैग में टिकटों का सटीक मिश्रण क्या है, हम एक "फ्लैट" धारणा (जादुई पेंट) के साथ शुरू करते हैं जो कहती है, "हर प्रकार के टिकट का अस्तित्व समान रूप से संभव है।" जैसे-जैसे हम पोल से निकले वास्तविक टिकटों को देखते हैं, हम इस पेंट को अपडेट करते हैं। यदि हम बहुत सारे "एडम्स फर्स्ट" टिकट देखते हैं, तो पेंट अधिक "एडम्स-रंग" का हो जाता है।
3. "सिमुलेशन फैक्ट्री" (पोस्टीरियर/Posterior)
यह उनके विचार का मुख्य हिस्सा है। केवल अनुमान लगाने के बजाय, वे कंप्यूटर का उपयोग करते हैं:
- पेंट को मिलाना: पोल डेटा और गणितीय नियमों के आधार पर पूरे बैग का एक नया, थोड़ा अलग संस्करण बनाना।
- दौड़ चलाना: उस नए बैग को लेना, RCV उन्मूलन खेल चलाना (नीचे वाले को बाहर करना, वोट ट्रांसफर करना), और देखना कि कौन जीतता है।
- दोहराना: इसे 500 या 1,000 बार करना, जिससे 1,000 थोड़े अलग "क्या-होता-अगर" (what-if) वाली दुनिया बनती हैं।
4. परिणाम: "जीत की संभावना" (Win Probabilities)
1,000 बार दौड़ चलाने के बाद, वे परिणामों को गिनते हैं:
- "इन 564 दुनियाओं में, एडम्स जीता।"
- "इन 428 दुनियाओं में, गार्सिया जीता।"
- "इन 8 दुनियाओं में, विली जीता।"
यह कहने के बजाय कि "एडम्स 3% की बढ़त के साथ आगे है और मार्जिन ऑफ एरर 2% है," वे अब कह सकते हैं: "इस पोल के आधार पर, एडम्स के जीतने की संभावना 56% है, और गार्सिया की 43% है।"
पेपर में उपयोग किए गए वास्तविक दुनिया के उदाहरण
लेखकों ने यह सिद्ध करने के लिए कि यह काम करता है, इसे दो प्रसिद्ध, जटिल चुनावों पर परखा:
न्यूयॉर्क सिटी मेयरल प्राइमरी (2021):
- स्थिति: एरिक एडम्स जीते, लेकिन केवल 0.8% के मामूली अंतर से। कई पोलों ने सोचा कि उनकी प्रतिद्वंद्वी माया विली होंगी, लेकिन उन्हें जल्दी बाहर कर दिया गया। वास्तविक अंतिम प्रतिद्वंद्वी कैथरीन गार्सिया थीं।
- पुराना तरीका: पोल उलझन में थे। उन्होंने गार्सिया और विली के बीच बराबरी देखी और यह नहीं बता सके कि कौन अंतिम दौर में पहुंचेगा।
- नया तरीका: उनके सिमुलेशन ने दिखाया कि हालांकि यह एक बहुत करीबी मुकाबला था, लेकिन एडम्स के जीतने की संभावना लगभग 56% थी और गार्सिया की 43%। इसने बिना किसी विशिष्ट उन्मूलन क्रम पर अटके, इस दौड़ की "बहुत करीबी" प्रकृति को पूरी तरह से पकड़ लिया।
अलास्का हाउस स्पेशल (2022):
- स्थिति: मैरी पेल्टोला जीतीं, लेकिन निक बेगिच III (जिन्हें पहले बाहर किया गया था) वास्तव में एक-पर-एक मुकाबले में उन्हें हरा देते। यह एक क्लासिक "पथ निर्भरता" का जाल है।
- पुराना तरीका: छोटे पोल अक्सर भविष्यवाणी करते थे कि बेगिच जीतेंगे क्योंकि उन्होंने गलती से सोचा था कि पेलिन को पहले बाहर किया जाएगा।
- नया तरीका: उनके तरीके ने सही ढंग से पहचान लिया कि जैसे-जैसे नमूना आकार (sample size) बढ़ता गया, पेल्टोला के जीतने की संभावना बढ़ गई, जिससे यह स्पष्ट हुआ कि "बेगिच जीतेंगे" की भविष्यवाणी केवल छोटे नमूना आकार का एक उतार-चढ़ाव (fluke) था।
"प्रूनिंग" (Pruning) की ट्रिक
एक व्यावहारिक समस्या जिसे उन्होंने हल किया, वह यह है कि कई उम्मीदवारों के साथ, संभावित रैंकिंग की संख्या बहुत बड़ी हो जाती है (जैसे कि ताश की ऐसी गड्डी को छांटना जो लगातार बढ़ती जा रही हो)।
उन्होंने "प्रूनिंग" नामक एक ट्रिक का उपयोग किया।
कल्पना कीजिए कि आप एक फुटबॉल टूर्नामेंट देख रहे हैं। आपको यह जानने के लिए कि फाइनल फोर में कौन है, ब्रैकेट के निचले हिस्से में टीमों के बाहर होने के सटीक क्रम को जानने की आवश्यकता नहीं है।
- लेखकों ने महसूस किया कि विजेता की भविष्यवाणी करने के लिए, आपको अक्सर केवल यह जानने की आवश्यकता होती है कि शीर्ष 3 या 4 उम्मीदवार कौन हैं।
- उन्होंने सिमुलेशन से निचले स्तर के उम्मीदवारों को गणितीय रूप से "काटने" का एक तरीका विकसित किया। यह कंप्यूटर को तेज़ बनाता है और गणित को अधिक सटीक बनाता है, क्योंकि यह 10वें स्थान पर आने वाले व्यक्ति के अप्रासंगिक विवरणों की चिंता करना बंद कर देता है।
सारांश
यह पेपर तर्क देता है कि रैंक्ड चॉइस वोटिंग के लिए, हमें एक विशिष्ट बढ़त के लिए एकल "मार्जिन ऑफ एरर" की गणना करने की कोशिश छोड़ देनी चाहिए। इसके बजाय, हमें एक सिमुलेशन दृष्टिकोण का उपयोग करना चाहिए जो पूछता है: "यदि हम थोड़े अलग पोल परिणामों के साथ इस चुनाव को 1,000 बार चलाएं, तो प्रत्येक उम्मीदवार कितनी बार जीतेगा?"
यह मतदाताओं और पत्रकारों को एक स्पष्ट तस्वीर देता है: केवल यह नहीं कि "कौन आगे चल रहा है," बल्कि यह कि "इस बात की कितनी संभावना है कि यह व्यक्ति वास्तव में जीतेगा?" यह स्वीकार करता है कि RCV में, जीत का रास्ता घुमावदार होता है, और पोल में एक छोटा सा बदलाव भी पूरे परिणाम को बदल सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।