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

偉大なる有権者推測ゲーム

想像してみてください。あなたは、ある大規模で秘密のパーティーに、正確には誰が来るのかを突き止めようとしています。全員に直接聞くことはできません。なぜなら、ほとんどの人はドアを開けてくれませんし、たとえ返事をしてくれたとしても、実際には家にいるつもりなのに「とても参加する意欲があります」と嘘をついて熱狂を装う人もいるからです。これは、**投票率（voter turnout）**を理解しようとする政治学者が日々直面している頭痛の種です。彼らには主に2つのツールがありますが、どちらも少し壊れています。第一に、**調査（サーベイ）**です。これは人々に投票する予定があるかどうかを尋ねるものですが、問題は、回答する人々は政治に非常に強い関心を持っていることが多く、彼らは自身の熱意を誇張する傾向があることです（これは、SNSで実際に運動している以上に、運動について投稿する人たちに似ています）。第二に、**公式集計（オフィシャル・カウント）**です。これは都市や地域全体の投票者数を正確に示しますが、その人々が「誰」であったのかについては全く分かりません。それは、パーティーで合計何スライスのピザが食べられたかは分かっているものの、どのゲストがペパロニを食べ、どのゲストがチーズだけにこだわったのかは分からない状態と同じです。

この問題を解決するために、科学者たちは**マルチレベル回帰およびポストストラティフィケーション（MRP）**と呼ばれる手法を用いています。これは、国勢調査データ（そこに住むすべての人々のリスト）を用いて人口の巨大で詳細な地図を作成し、そこに調査データを使って「投票」という絵を描き込もうとするものだと考えてください。しかし、調査データは乱雑で偏りがあるため、出来上がった絵はぼやけたり間違ったりすることがよくあります。エストニアの研究者たちによるこの論文は、大きな問いを投げかけています。すなわち、乱雑な調査結果と完璧な公式集計をよりスマートで統一された方法で組み合わせることで、まさに「誰が投票し、誰が投票していないのか」という鮮明な姿を描き出すことができるのか？ という問いです。彼らは、単に総数を推測する段階を超え、若者、異なる民族、あるいは教育水準の異なる層といった、特定のグループの具体的な習慣を理解したいと考えていますいます。

3つの新しいモデル：探偵のツールキット

著者らは、新しい「ベイズ的」フレームワークを提案しています。これは、新しい証拠が見つかるたびに自らの信念を更新していく数学的なシステムのことです。彼らは、投票率という謎を解くために、それぞれが一段階ずつ複雑になる3つの異なる探偵ツール（モデル）を構築しました。

1. 「エコロジカル」な探偵（EIモデル）
最初のツールは、マルチレベル生態学的推論（EI）モデルです。想像してみてください。あなたは、混ざり合ったキャンディが入った袋（ある都市全体の公式投票数）を持っており、その袋の正確なレシピ（そこには子供、大人、高齢者がそれぞれ何人住んでいるかを示す国勢調査データ）を知っています。このモデルは、袋の総重量を見るだけで、それぞれの種類のキャンディがいくつ食べられたかを推測しようとします。これは、既知の人口構造を利用して賢明な推測を行うため巧妙ですが、依然として「全体像」のみに基づいた推測であるため、エラー（例えば、ある近隣住民は皆同じように投票したと仮定してしまうことなど）につながることがあります。

2. 「ポール・アンド・マージン」の探偵（PMモデル）
第二のツールであるポール・アンド・マージン（PM）モデルは、この論文の主役です。このモデルは、二人の目撃者の声を同時に聞く探偵のように振る舞います。一人は調査回答者（嘘をついたり誇張したりする可能性がある人々）であり、もう一人は公式の投票集計者（正確だが沈黙している人々）です。PMモデルは、これらを別々に扱うのではなく、彼らに一つの物語で一致することを強制します。これは、公式の投票総数を用いて調査データを「アンカー（固定）」するものです。つまり、「よし、調査では90%の人が投票する予定だと言っているが、公式集計では70%しか投票していない。計算が合うように、調査の誇張具合を調整しよう」と指示するのです。
テストにおいて、このモデルは現在の最善の方法（Ghitza-Gelmanと呼ばれます）よりも大幅に改善されました。シミュレーションでは、Ghitza-Gelmanのベンチマークと比較して、中央値Kullback-Leibler（KL）ダイバージェンスを約**30%**減少させました。これは、ぼやけた写真を、鋭い参照画像を使ってピントを合わせる作業に似ています。著者らは、このモデルが古い二段階の手法よりも不確実性をはるかにうまく扱えるため、これが政治アナリストの新しい標準となるべきだと示唆しています。

3. 「フル・セレクション」の探偵（FSモデル）
第三のツールであるフル・セレクション（FS）モデルは、最も野心的です。これは問題の根本原因、つまり「なぜ間違った人々が調査に回答してしまうのか」を解決しようとするものです。これは、ヘックマン選択補正（Heckman selection correction）と呼ばれる統計的なトリックを使用します。想像してみてください、調査というのは「ドアマン」がいるクラブのようなものです。FSモデルは、そのドアマンの秘密のルール（例：「スポーツ好きの人だけを入れる」）を見つけ出し、数学的にその「ドアマン」を取り除くことで、群衆全体の姿を浮き彫りにしようとします。
このモデルは、特に調査が非常に偏っていた場合（例えば、人口のわずか21%しか調査員と話す意思がなかった場合）において、最高の成果を示しました。こうした困難なケースにおいて、FSモデルの中央値KLダイバージェンスは、Ghitza-Gelmanのベンチマークよりも**57%**低くなりました。しかし、注意点もあります。このモデルは敏感です。正しく機能させるためには、調査がどの程度偏っているかについての「賢明な推測（informative priors）」を注入する必要があります。もし調査の偏りが、モデルが想定していなかったランダムなノイズによって引き起こされている場合、FSモデルの優位性は消えてしまいます。

彼らが発見したこと（そして発見できなかったこと）

研究者たちは、エストニアの実際の国勢調査データに基づいた大規模なシミュレーションを用いて、これらのモデルをテストしました。彼らは「真実」を知っている架空の選挙シナリオを作成し、どのモデルが最も真実に近くなるかを確認しました。

• 勝者： シミュレーションでは、Full Selection (FS) モデルが最も正確であり、次いで Poll-and-Margin (PM) モデルが僅差で続きました。両モデルとも、分布距離指標において、現在の最先端の手法（Ghitza-Gelman）よりも大幅に優れていました。
• 現実との照らし合わせ： 彼らがこれらのモデルを2023年のエストニア議会選挙に適用したところ、結果は少し複雑なものとなりました。PMモデルは、検証可能なデータにおいて、既存の最良の手法と非常によく似たパフォーマンスを示しました。FSモデルは、調査の偏りに関する「賢明な推測（priors）」を使用していたため、わずかな改善を見せました。しかし、それらの特定の推測がなければ、FSモデルはPMモデルと同等のパフォーマンスでした。
• 警告： 著者らは、FSモデルの強力な能力は、調査が「ランダムに接触（ランダムなリストへの電話など）」されており、かつ応答率についての何らかの知見があることに依存していると注意を促しています。もし調査データが、モデルが想定していない方法（ランダムなノイズなど）で乱れている場合、FSモデルの優位性は失われます。

結論

この論文は、投票の謎を永遠に解明したと主張しているわけではありません。代わりに、より優れたツールキットを提供しています。Poll-and-Margin (PM) モデルは、調査データと公式集計を組み合わせるための、よりクリーンな方法を提供する、信頼性が高く堅牢なアップグレードとして提示されています。Full Selection (FS) モデルは、困難で偏りのある状況においてさらなる精度を引き出すことができる強力で専門的なツールですが、機能させるためには慎重な取り扱いと特定の仮定が必要です。

著者らは、これらの手法を用いる者は、PMモデルとFSモデルの両方を実行し、その結果を比較することを推奨しています。もし両者が一致していれば、自信を持ってよいでしょう。もし食い違っているならば、それはデータが複雑すぎるか、あるいは前提条件が信頼するにはあまりにも脆弱であることを示すサインです。これは、政治学の世界において、最高の数学であっても健全な懐疑心が必要であることを思い出させてくれます。