A Unified Bayesian Model for Voter Turnout Estimation: Combining Surveys, Aggregate Data, and Selection Correction

Il Grande Gioco delle Sfide per Indovinare il Votante

Immaginate di cercare di capire esattamente chi si presenterà a una festa enorme e segreta. Non potete chiedere direttamente a tutti perché la maggior parte delle persone non risponderà alla porta, e i pochi che lo faranno potrebbero mentire dicendo di essere entusiasti di partecipare anche se poi intendono restare a casa. Questo è il mal di testa quotidiano per i politologi che cercano di comprendere l'affluenza alle urne. Hanno due strumenti principali, ma entrambi sono un po' difettosi. Primo, hanno i sondaggi, dove chiedono alle persone cosa intendono fare. Il problema? Le persone che rispondono sono spesso le più interessate alla politica e tendono a esagerare il proprio entusiasmo (un po' come accade sui social media, dove la gente pubblica di più sul fatto di allenarsi rispetto a quanto faccia realmente). Secondo, hanno i conteggi ufficiali, che dicono esattamente quante persone hanno votato in un'intera città o regione, ma non hanno idea di chi fossero queste persone. È come sapere il numero totale di fette di pizza mangiate a una festa, ma non sapere quali ospiti hanno mangiato quella con il salamino e quali si sono limitati al formaggio.

Per risolvere questo problema, gli scienziati usano un metodo chiamato Regressione Multilivello e Poststratificazione (MRP). Pensate a questo come alla costruzione di una mappa gigante e dettagliata della popolazione usando i dati del censimento (l'elenco di tutti coloro che vivono lì) e poi cercando di dipingere il quadro del "voto" su di essa usando i dati dei sondaggi. Tuttavia, poiché i dati dei sondaggi sono disordinati e distorti, il quadro risulta spesso sfocato o errato. Questo articolo, scritto da ricercatori estoni, pone una grande domanda: possiamo costruire un modo più intelligente e unificato per combinare le risposte disordinate dei sondaggi con i conteggi ufficiali perfetti per ottenere un'immagine nitidissima di esattamente chi vota e chi no? Vogliono andare oltre il semplice indovinare il numero totale e iniziare a comprendere le abitudini specifiche di diversi gruppi, come i giovani, diverse etnie o quelli con diversi livelli di istruzione.

I Tre Nuovi Modelli: Il Kit di Attrezzi di un Detective

Gli autori propongono un nuovo framework "Bayesiano", che è un modo elegante per dire che utilizzano un sistema matematico che aggiorna le proprie convinzioni man mano che vede nuove prove. Hanno costruito tre diversi strumenti da detective (modelli) per risolvere il mistero dell'affluenza alle urne, ognuno uno un passo più complesso dell'altro.

1. Il Detective "Ecologico" (Modello EI)
Il primo strumento è un modello di Inferenza Ecologica (EI) Multilivello. Immaginate di avere un sacchetto di caramelle miste (i conteggi ufficiali dei voti per un'intera città) e di conoscere la ricetta esatta del sacchetto (i dati del censimento che mostrano quanti bambini, adulti e anziani vivono lì). Questo modello cerca di indovinare quante caramelle di ogni tipo siano state mangiate guardando solo il peso totale del sacchetto. È intelligente perché utilizza la struttura nota della popolazione per fare ipotesi istruite, ma sta comunque indovinando basandosi solo sul "quadro generale", il che può talvolta portare a errori (come presumere che tutti in un quartiere abbiano votato allo stesso modo).

2. Il Detective "Sondaggio e Margine" (Modello PM)
Il secondo strumento, il modello Poll-and-Margin (PM), è la vera stella dell'articolo. Questo modello agisce come un detective che ascolta due testimoni contemporaneamente: i rispondenti ai sondaggi (che potrebbero mentire o esagerare) e i contatori ufficiali dei voti (che sono accurati ma silenziosi). Inveve di trattarli separatamente, il modello PM li costringe a concordare su un'unica storia. Utilizza i totali ufficiali del voto per "ancorare" i dati del sondaggio, dicendo efficacementmente: "Ok, il sondaggio dice che il 90% delle persone intende votare, ma il conteggio ufficiale dice che solo il 70% lo ha fatto. Regoliamo l'esagerazione del sondaggio in modo che la matematica funzioni".
Nei loro test, questo modello è stato un enorme miglioramento rispetto al metodo attuale (chiamato Ghitza-Gelman). Nelle simulazioni, ha ridotto la divergenza mediana di Kullback-Leibler (KL) di circa il 30% rispetto al benchmark Ghitza-Gelman. È come prendere una foto sfocata e usare un'immagine di riferimento nitida per sistemare la messa a fuoco. Gli autori suggeriscono che questo dovrebbe essere il nuovo standard per gli analisti politici perché gestisce l'incertezza molto meglio dei vecchi metodi in due fasi.

3. Il Detective "Selezione Totale" (Modello FS)
Il terzo strumento, il modello Full Selection (FS), è il più ambizioso. Cerca di risolvere la causa principale del problema: perché le persone sbagliate rispondono al sondaggio? Utilizza un trucco statistico chiamato correzione di selezione di Heckman. Immaginate che il sondaggio sia un club con un buttafuori. Il modello FS cerca di capire le regole segrete del buttafuori (ad esempio, "lascio entrare solo chi ama lo sport") e poi matematicamente "annulla il ruolo del buttafuori" per vedere come appare l'intera folla.
Questo modello ha mostrato i risultati migliori nelle simulazioni, specialmente quando il sondaggio era molto distorto (come quando solo il 21% della popolazione era disposto a parlare con i ricercatori). In questi casi difficili, la divergenza KL mediana del modello FS era inferiore del 57% rispetto al benchmark Ghitza-Gelman. Tuttavia, c'è un limite: questo modello è sensibile. Ha bisogno di essere alimentato con alcune "ipotesi intelligenti" (chiamate prior informative) su quanto sia distorto il sondaggio per funzionare correttamente. Se la distorsione del sondaggio è causata da rumore casuale che il modello non si aspettava, il vantaggio del modello FS svanisce.

Cosa Hanno Trovato (e Cosa Non Hanno Trovato)

I ricercatori hanno testato questi modelli utilizzando una massiccia simulazione basata su dati reali del censimento dell'Estonia. Hanno creato scenari elettorali fittizi in cui conoscevano la "verità" e poi hanno visto quale modello si avvicinava di più.

• Il Vincitore: Nelle simulazioni, il modello Full Selection (FS) è stato il più accurato, seguito da vicino dal modello Poll-and-Margin (PM). Entrambi sono stati significativamente migliori del metodo allo stato dell'arte (Ghitza-Gelman) in termini di metriche di distanza distributiva.
• Il Controllo della Realtà: Quando hanno applicato questi modelli alle elezioni parlamentari estoni del 2023, i risultati sono stati un po' più contrastanti. Il modello PM ha performato in modo molto simile ai migliori metodi esistenti sui dati che potevano controllare. Il modello FS ha mostrato un leggero miglioramento, ma solo perché utilizzava quelle "ipotesi intelligenti" (prior) sulla distorsione del sondaggio. Senza quelle ipotesi specifiche, il modello FS è performato esattamente come il modello PM.
• L'Avvertimento: Gli autori sono cauti nell'affermare che il potere speciale del modello FS dipende dal fatto che il sondaggio sia stato "contattato casualmente" (come una chiamata telefonica a una lista casuale) e che ci sia un'idea del tasso di risposta. Se i dati del sondaggio sono disordinati in modi che il modello non si aspetta (come il rumore casuale), il vantaggio del modello FS viene meno.

In Breve

Questo articolo non sostiene di aver risolto il mistero del voto per sempre. Inveve, offre un kit di attrezzi migliore. Il modello Poll-and-Margin (PM) viene presentato come un aggiornamento affidabile e robusto per quasi ogni situazione, offrendo un modo più pulito per combinare i dati dei sondaggi con i conteggi ufficiali. Il modello Full Selection (FS) è uno strumento potente e specializzato che può spremere un'ulteriore precisione in situazioni difficili e distorte, ma richiede una gestione attenta e assunzioni specifiche per funzionare.

Gli autori raccomandano a chiunque utilizzi questi metodi di eseguire sia il modello PM che il modello FS e confrontare i risultati. Se concordano, potete essere fiduciosi. Se non concordano, è un segno che i dati potrebbero essere troppo disordinati o le assunzioni troppo fragili per fidarsi di una singola risposta. È un promemoria che nel mondo della scienza politica, anche la migliore matematica ha bisogno di una sana dose di scetticismo.