📊 statistics

Ballot Design and Electoral Outcomes: The Role of Candidate Order and Party Affiliation

Questo articolo utilizza un modello di inferenza causale e il double machine learning sulle elezioni giudiziarie della Carolina del Nord per dimostrare che l'omissione delle designazioni di partito dalle schede elettorali causa il fatto che circa il 12–15% degli elettori partitici esprima voti errati affidandosi a segnali fuorvianti derivanti dall'ordine dei candidati, un errore che scompare quando le affiliazioni di partito sono esplicitamente visualizzate.

Autori originali: Alessandro Arlotto, Alexandre Belloni, Fei Fang, Saša Pekeč

Pubblicato 2026-07-22

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Alessandro Arlotto, Alexandre Belloni, Fei Fang, Saša Pekeč

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di essere a una festa enorme e caotica, dove tutti cercano di scegliere un capitano della squadra. Nel mondo della scienza politica, i ricercatori studiano come le persone compiono queste scelte. A volte, gli elettori sono super informati; sanno esattamente chi piace loro e perché. Altre volte, cercano solo un indizio rapido, come il colore di una maglia su una divisa. Uno degli indizi più famosi è l' "affiliazione di partito" — sapere se un candidato è Democratico o Repubblicano. Ma cosa succede quando la maglia manca? È qui che entra in gioco la scienza dell'inferenza causale. Immaginala come il kit di attrezzi di un detective usato per capire causa ed effetto. Invece di limitarsi a ipotizzare che "A ha causato B", gli scienziati cercano di isolare A per vedere se B accade davvero a causa di esso, escludendo altri sospetti subdoli. Guardano anche al ballot design (la progettazione della scheda elettorale), che è semplicemente la disposizione dell'elenco dei candidati. Proprio come un menu può spingerti a ordinare il primo piatto solo perché è in cima alla lista, l'ordine dei nomi su una scheda elettorale può trarre in inganno il tuo cervello, portandoti a scegliere la persona sbagliata. Questo è importante perché, se gli elettori scelgono accidentalmente il candidato sbagliato, i risultati delle elezioni non riflettono realmente ciò che la gente voleva, il che può cambiare leggi e leader.

Ora, facciamo uno zoom su un mistero risolto da un team di ricercatori dell'Università di Duke e della Yale. Volevano sapere: l'ordine dei nomi sulla scheda elettorale truffa gli elettori portandoli a votare per il partito sbagliato?

In North Carolina, le regole su come i giudici venivano elencati sulla scheda erano un po' come un gioco d'azzardo. Per alcuni anni, la legge stabiliva che nelle competizioni in cui le etichette di partito erano stampate (come "Democratico" o "Repubblicano" accanto al nome), l'ordine era determinato dal partito che era al potere nel governo dello stato. Ma in altre competizioni — specificamente nelle gare giudiziarie senza etichette di partito — l'ordine era deciso da un sorteggio casuale, come estrarre una lettera da un cappello per vedere chi viene elencato per primo. Questo ha creato un esperimento perfetto e accidentale. A volte, il "Democratico" veniva elencato per primo nella sfida presidenziale (con l'etichetta), ma il giudice "Democratico" veniva elencato per secondo nella sfida giudiziaria (senza l'etichetta). I ricercatori chiamano questo un "flip" (un ribaltamento).

Il team si è chiesto se gli elettori di parte (persone che di solito votano per il proprio partito) si sarebbero confusi. Se un elettore vede "Democratico per primo" per il Presidente, potrebbe presumere che sia "Democratico per primo" anche per il giudice. Se la scheda del giudice è stata ribaltata, quell'elettore potrebbe votare accidentalmente il giudice Repubblicano, pensando di stare votando per il Democratico.

Per risolvere questo problema, i ricercatori non si sono limitati a indovinare; hanno utilizzato un metodo informatico super intelligente chiamato Double Machine Learning. Immagina di cercare un singolo ago in un pagliaio che, inoltre, si sta muovendo intorno. Questo metodo aiuta a separare l' "ago" (l'effetto del ribaltamento) dal "pagliaio" (tutte le altre cose che influenzano il voto, come l'età delle persone, quanto l'affluenza sia stata alta o quali altre competizioni fossero presenti nella scheda). Hanno esaminato i dati di oltre 37.000 seggi elettorali in quattro diverse annate elettorali.

Ecco cosa hanno scoperto: il ribaltamento avviene davvero, e causa errori.

Quando l'ordine dei giudici era ribaltato rispetto alla sfida presidenziale, la connessione tra il modo in cui una città votava per il Presidente e il modo in cui votava per il giudice diventava molto più debole. È come se di solito seguissi il consiglio di un amico, ma improvvisamente il tuo amico si trovasse sul lato opposto della stanza e tu finissi per seguire la persona sbagliata.

I ricercatori hanno calcolato esattamente quante persone hanno sbagliato. Hanno stimato che il 12,0% degli elettori Democratici e il 15,4% degli elettori Repubblicani hanno espresso il voto in modo errato a causa di questo scambio di ordine. È un numero considerevole! Per dare un contesto, se hai una stanza di 100 elettori Repubblicani che intendono votare per il loro giudice di partito, circa 15 di loro hanno accidentalmente votato per l'altro schieramento solo perché i nomi erano in un ordine diverso da quello che si aspettavano.

Il team è stato molto attento a garantire che non si trattasse di una coincidenza. Hanno eseguito un "test placebo", che è come un gruppo di controllo in un esperimento scientifico. Hanno esaminato le competizioni in cui le etichette di partito erano visibili sulla scheda. In quei casi, l'effetto del "flip" è scomparso. Questo ha confermato la loro teoria: le persone si confondono solo quando le etichette mancano e devono affidarsi all'ordine dei nomi come indizio. Quando l'indizio è presente (l'etichetta), il trucco non funziona.

Pertanto, l'articolo conclude che il ballot design non è solo una questione di estetica; è una forza potente che può accidentalmente cambiare gli esiti elettorali. Quando gli elettori si affidano all'ordine dei nomi per indovinare il partito di un candidato, e quell'ordine viene ribaltato, una parte significativa del voto viene di fatto indirizzata verso il bersaglio sbagliato. Gli autori suggeriscono che, se vogliamo che le elezioni riflettano veramente ciò che la gente vuole, dobbiamo fare attenzione a come disponiamo i nomi sulla pagina, specialmente quando rimuoviamo le utili etichette di partito.

Sintesi Tecnica: Design della Scheda Elettorale ed Esiti Elettorali

Problema di Ricerca
Questo documento indaga come il design della scheda elettorale influenzi gli esiti elettorali, concentrandosi specificamente sull'impatto dell'omissione delle designazioni di partito (etichette) nelle competizioni giudiziarie non partitiche. L'ipotesi centrale è che gli elettori partigiani, di fronte a una scheda non partitica priva di etichette di partito, si affidino ai "segnali di ordine di partito" (party-order cues) — ovvero la sequenza in cui i partiti appaiono nella scheda in altre competizioni (ad esempio, la corsa presidenziale) — per inferire l'affiliazione del candidato. Se l'ordine di partito in una corsa giudiziaria non partitica differisce dall'ordine di partito nella concorrente corsa presidenziale partitica (un "flip"), questi elettori potrebbero votare per il candidato sbagliato. Gli autori mirano a quantificare l'entità di questi "errori di voto partigiano" e il conseguente "effetto flip" sulle quote di voto.

Metodologia
Gli autori sviluppano un quadro di inferenza causale sfruttando un esperimento naturale quasi-randomizzato all'interno delle elezioni giudiziarie della Carolina del Nord (NC).

Fonte dei Dati: Lo studio utilizza dati a livello di seggio per 13 competizioni giudiziarie statali (Corte Suprema della NC e Corte d'Appello della NC) tenutesi durante le elezioni generali del 2004, 2008, 2012 e 2016. Queste competizioni erano prive di designazioni di partito. Un campione placebo di 17 competizioni con designazioni di partito (2016, 2020, 2024) è utilizzato per la validazione. Il dataset comprende 37.690 osservazioni a livello di seggio per il campione principale e 50.804 per il campione placebo, arricchite da oltre 85.000 covariate, inclusi dati demografici, affluenza e risultati di concorrenti processi statali.
Strategia di Identificazione: L'identificazione si basa sulla legge generale della NC, che storicamente dettava l'ordinamento dei candidati tramite estrazioni casuali (ad esempio, la selezione di una lettera iniziale per l'ordine alfabetico) per le competizioni non partitiche, mentre le competizioni partitiche seguivano regole diverse (ad esempio, ordine alfabetico per partito o il partito del governatore per primo). Ciò crea una variazione esogena nel fatto che l'ordine di partito di una competizione giudiziaria sia "invertito" (flipped) rispetto alla corsa presidenziale ( $T_c=1$ ) o allineato ( $T_c=0$ ).
Tecnica di Stima: Per gestire l'alta dimensionalità delle covariate e consentire forme funzionali flessibili, gli autori impiegano il Double Machine Learning (DML).
- Modello di Esito: $Y_{cp} = f(X_p)T_c + g(X_p, W_{cp}, Z_c) + \epsilon_{cp}$ , dove $Y_{cp}$ è la quota di voto giudiziario, $X_p$ è la quota di voto presidenziale e $f(X_p)$ rappresenta l'effetto flip eterogeneo.
- Modello di Trattamento: L'assegnazione del trattamento è modellata come una media costante ( $m_0$ ) a causa della natura quasi-randomizzata dell'assegnazione a livello di competizione.
- Stima dei Parametri di Disturbo: La funzione $g$ è stimata utilizzando Elastic Net con selezione della penalità tramite cross-validazione per controllare i confonditori senza introdurre bias nello stimatore dell'effetto del trattamento.
- Inferenza: Gli autori calcolano errori standard robusti per cluster per tenere conto della dipendenza intra-competizione. Utilizzano una procedura di bootstrap a moltiplicatori per costruire bande di confidenza simultaneamente valide per l'intero intervallo di quote di voto presidenziale ( $x \in [0, 1]$ ).

Contributi Chiave

Quadro Causale per il Design della Scheda: Il documento stabilisce un rigoroso modello di inferenza causale per isolare l'effetto dei flip dell'ordine di partito in assenza di etichette di partito, distinguendo tra l'impatto netto sulle quote di voto (effetto flip) e la proporzione di elettori che commettono voti errati (errori di voto partigiano).
Applicazione Metodologica: Dimostra l'applicazione del Double Machine Learning in un contesto elettorale con assegnazione del trattamento raggruppata (clustered) e covariate ad alta dimensionalità, utilizzando cross-fitting e condizioni di ortogonalità per garantire un'inferenza statistica valida.
Quantificazione degli Errori di Voto: Lo studio fornisce stime specifiche della quota di elettori partigiani che votano erroneamente a causa del design della scheda, una metrica spesso difficile da identificare in dati aggregati.

Risultati

Eterogeneità dell'Effetto Flip: L'analisi conferma che l'effetto flip è eterogeneo rispetto alla quota di voto presidenziale. L'effetto è positivo quando la quota di voto presidenziale di un partito è bassa e negativo quando è alta, coerentemente con il meccanismo per cui gli elettori utilizzano l'ordine in cima alla scheda come segnale.
Entità degli Errori: Utilizzando la stima dell'effetto flip in un ipotetico seggio in cui il candidato presidenziale di un partito riceve il 100% dei voti, gli autori stimano che:
- Il 12,0% (Errore Standard: 3,6%) degli elettori partigiani democratici esprime il proprio voto in modo errato a causa del flip dell'ordine di partito.
- Il 15,4% (Errore Standard: 4,0%) degli elettori partigiani repubblicani esprime il proprio voto in modo errato a causa del flip.
Test Placebo: Un test placebo utilizzando competizioni giudiziarie con designazioni di partito (dove l'affiliazione è osservabile) mostra che l'effetto flip scompare. Ciò conferma che gli errori osservati nel campione principale sono guidati dal ricorso ai segnali di ordine in assenza di etichette, supportando il meccanismo causale proposto.
Evidenza di Correlazione: Un'analisi preliminare mostra un calo significativo della correlazione tra le quote di voto presidenziale e giudiziario nelle competizioni con flip rispetto a quelle senza flip (ad esempio, la correlazione democratica scende da 0,714 a 0,564), fornendo evidenza descrittiva della perturbazione dei modelli di voto.

Significatività
Il documento sostiene che i suoi risultati sono critici per comprendere come il design della scheda possa involontariamente distorcere gli esiti elettorali, causando una divergenza tra i risultati e le reali preferenze degli elettori. Quantificando la quota di errori di voto partigiano, lo studio offre prove concrete del fatto che l'omissione delle etichette di partito nelle competizioni non partitiche, combinata con specifici regolamenti di ordinamento, porta un numero non trascurabile di elettori a votare contro la propria volontà. Gli autori pongono che questi risultati hanno dirette implicazioni politiche su come le schede dovrebbero essere progettate per minimizzare la confusione e garantire che gli esiti elettorali riflettano accuratamente la volontà degli elettori. Lo studio non propone cambiamenti legislativi specifici, ma evidenzia il meccanismo causale attraverso il quale i design attuali possono fallire nel soddisfare gli elettori partigiani.

Sintesi Tecnica: Design della Scheda Elettorale ed Esiti Elettorali

Articoli simili