Bayesian Uncertainty Quantification for Ranked Choice Voting Polls

問題点：なぜ標準的な世論調査は「順位選択投票」の中で迷子になるのか

あなたがレースの勝者を予測しようとしている場面を想像してみてください。伝統的な選挙（単純な「単純小選挙区制」のようなレース）では、それは短距離走のようなものです。単に、誰が最初にゴールラインを駆け抜けたかを数えるだけです。もし候補者Aが51%、候補者Bが49%のランナーを持っていれば、計算は簡単です。Aの勝ちです。世論調査員は、「Aがリードしていると95%の確信があります」と言い、「誤差の範囲（例えば、結果が3%程度ズレる可能性があると言うこと）」を提示することができます。

しかし、**順位選択投票（RCV）**は短距離走ではありません。それは、**ひねりのある「椅子取りゲーム」**です。

RCVでは、有権者はただ一人を選ぶだけでなく、候補者に順位（1位、2位、3位など）をつけます。集計プロセスは複雑です：

1. 全員の「第1希望」がカウントされます。
2. 過半数（50%超）を得ている人がいない場合、最も票の少なかった人が脱落します。
3. 脱落した人に投票していた人たちの票は、その人の「次の希望」へと転送されます。
4. 誰かが過半数を得るまで、このプロセスがラウンドごとに繰り返されます。

この論文の大きな洞察：
著者らは、標準的な世論調査のツール（「誤差の範囲」など）は、ここでは機能しなくなると主張しています。なぜでしょうか？ なぜなら、勝者が決まるかどうかは、単に「現在誰がリードしているか」ではなく、完全に**「誰が最初に脱落するか」**にかかっているからです。

これはドミノ倒しのようなものだと考えてください。

• 標準的なレースでは、もしあなたが少し遅れていても、単に遅れているだけです。
• RCVでは、もしあなたが少し遅れていれば、早い段階で脱落してしまうかもしれません。しかし、もしあなたが最下位の人よりわずかに前を走っていれば、あなたは生き残り、あなたの後ろにいた人が脱落します。これがすべてを変えてしまうのです。

これはドミノ効果のようなものです。

• 標準的なレースでは、もしあなたが少し遅れていても、単に遅れているだけです。
• RCVでは、もしあなたが少し遅れていれば、早い段階で脱落してしまうかもしれません。しかし、もしあなたが少し「前」にいても、もしあなたが最下位の人よりわずかに前を走っていれば、あなたは生き残り、その人の後ろの人が脱落します。それがすべてを変えるのです。

もし、あなたが最下位の人よりわずかに前を走っていれば、あなたは生き残り、その人の後ろの人が脱落します。それがすべてを変えるのです。

論文は、小さな規模の世論調査では、誤って「間違った人」が最初に脱落すると考えてしまう可能性があることを示しています。もし脱落の順番を予測し間違えると、たとえその調査自体が他の点において正確であったとしても、最終的な勝者の予測は間違ったものになります。標準的な数学的ツールでは、この「経路依存性」を簡単に測定することはできません。

解決策：「水晶玉」シミュレーション

著者らは、ベイズ統計学を用いて不確実性を捉える新しい方法を提案しています。特定のラウンドにおける単一の「誤差の範囲」を計算しようとする代わりに、彼らは何千もの「起こりうる現実」をシミュレーションすることを提案しています。

その手法を、簡単な比喩で分解してみましょう。

1. 「投票用紙の袋」（データ）
有権者が候補者をランク付けするあらゆる可能な方法を、巨大な袋の中にあるユニークなチケットだと想像してください。

• チケットA：「アダムスを1位、ガルシアを2にしたい」
• チケットB：「ガルシアを1位、アダムスを2にしたい」
• チケットC：「ワイリーだけが好き」

世論調査が行われるとき、私たちはその中から一掴みのチケット（サンプル）を取り出します。私たちは、その一掴みのチケットに基づいて、袋全体がどのようになっているかを知りたいのです。

2. 「魔法の絵の具」（事前分布）
袋の中にどのような種類のチケットが混ざっているのか正確には分からないため、私たちは「すべての種類のチケットが存在する可能性は等しい」という「フラットな」仮定（魔法の絵の具）からスタートします。実際の調査からチケットを取り出すにつれて、この絵の具を更新していきます。もし「アダムス第1希望」のチケットがたくさん見つかれば、絵の具の色はより「アダムス色」に変化していきます。

3. 「シミュレーション工場」（事後分布）
これが彼らのアイデアの核心です。単に最終的な勝者を推測するのではなく、コンピュータを使って以下を行います：

• 絵の具を混ぜる： 調査データと数学的ルールに基づき、全体の袋の「少し異なるバージョン」を作成します。
• レースを実行する： その新しい袋を取り出し、RCVの脱落ゲーム（最下位を脱落させ、票を転送する）を実行して、誰が勝つかを見ます。
• 繰り返す： これを500回、あるいは1,000回行い、1,000通りの「もしも」の世界を作り出します。

4. 結果：「勝率」
1,000回のレースを実行した後、結果を集計します：

• 「1,000の世界のうち、564の世界でアダムスが勝利した」
• 「428の世界でガルシアが勝利した」
• 「8の世界でワイリーが勝利した」

「アダムスは3%の差でリードしており、誤差の範囲は2%です」と言う代わりに、彼らはこう言うことができます：「この調査に基づくと、アダムスが勝つ確率は56%、ガルシアが勝つ確率は43%です」。

論文で使用された実世界の例

著者らは、自分たちの手法が機能することを証明するために、2つの有名な複雑な選挙を用いてテストを行いました。

1. ニューヨーク市長予備選挙 (2021年):

• 状況： エリック・アダムスが勝利しましたが、その差はわずか0.8%でした。多くの世論調査は彼のライバルであるマヤ・ワイリーが勝つと考えていましたが、彼女は早い段階で脱落しました。本当の最終対決相手はキャサリン・ガルシアでした。
• 従来の方法： 世論調査は混乱していました。彼らはガルシアとワイリーの間のタイ（同点）を見て、どちらが最終ラウンドに進むのかを判断できませんでした。
• 新しい方法： 彼らのシミュレーションは、レースは非常に僅差であったものの、アダムスが約56%の確率で勝ち、ガルシアが43%の確率で勝つことを示しました。これは、特定の脱落順序に固執することなく、「判定不能」という性質を完璧に捉えていました。

2. アラスカ州下院特別選挙 (2022年):

• 状況： メリー・ペルトラが勝利しましたが、最初に脱落したニック・ベギッチIIIは、実は一対一の対戦であれば彼女を破っていたはずでした。これは典型的な「経路依存性」の罠です。
• 従来の方法： 小規模な世論調査では、偶然にもペリンが最初に脱落すると考えてしまったため、ベギッチが勝ると予測することがよくありました。
• 新しい方法： 彼らの手法は、サンプルサイズが大きくなるにつれてペルトラの勝利確率が高まることを正しく特定し、「ベギッチ勝利」という予測が単なる小規模サンプルによる偶然の産物であることを示しました。

「枝打ち（Pruning）」のテクニック

多くの候補者がいる場合、起こりうるランキングの数は膨大になります（まるで増え続けるトランプの束を整理するようなものです）。

彼らは**「枝打ち（Pruning）」**と呼ばれるトリックを使用しました。
サッカーのトーナメントを見ている場面を想像してください。決勝トーナメントに進むチームを知るために、ブラケットの下半分にいるチームがどのような順番で脱落していったかという詳細まで知る必要はありません。

• 著者らは、勝者を予測するためには、通常、上位3〜4人の候補者が誰であるかを知るだけで十分であることに気づきました。
• 彼らは、シミュレーションから下位の候補者を数学的に「切り落とす」方法を開発しました。これにより、コンピュータの実行速度が上がり、数学的な精度も向上します。なぜなら、10位の人がどうなったかといった無関係な詳細に悩まされることがなくなるからです。

まとめ

この論文は、順位選択投票においては、特定のリードに対する単一の「誤差の範囲」を計算しようとするのをやめるべきだと主張しています。代わりに、「もし、少し異なる調査結果でこの選挙を1,000回行ったとしたら、各候補者が何回勝つだろうか？」と問いかけるシミュレーション・アプローチを用いるべきだと述べています。

これにより、有権者やジャーナリストには、より明確なイメージを与えることができます。単に「誰がリードしているか」ではなく、**「この人が実際に勝つ可能性はどのくらいあるのか？」**です。これは、RCVにおいては勝利への道のりは曲がりくねっており、世論調査のわずかな変化が結果全体を変えうるという事実を認めているのです。