Bayesian Uncertainty Quantification for Ranked Choice Voting Polls

Technische Samenvatting: Bayesiaanse Onzekerheidskwantificering voor Polls met Ranked Choice Voting

Probleemstelling
Ranked Choice Voting (RCV) brengt unieke methodologische uitdagingen met zich mee voor pollster die traditionele frequentistische instrumenten voor onzekerheidskwantificering (UQ) niet adequaat kunnen adresseren. Bij RCV wordt de winnaar van een verkiezing bepaald door een padafhankelijk eliminatieproces, waarbij kandidaten opeenvolgend worden verwijderd en stemmen opnieuw worden verdeeld totdat een meerderheid is bereikt. In tegenstelling tot pluraliteitsverkiezingen (First-Past-The-Post), waarbij de winnaar een functie is van één enkele populatieparameter (het stempercentage), is de RCV-winnaar een unie van disjuncte paden die worden bepaald door de volledige structuur van de voorkeursrangschikkingen van de kiezers.

Consequentelijk schieten standaardmetrieken zoals de "foutmarge" (margin of error, MoE) tekort om de complexiteit van RCV-onzekerheid te vatten. Een MoE kwantificeert doorgaans de onzekerheid rond een specifieke eliminatiemarge, maar het kwantificeert niet direct de kans dat een kandidaat wint. Bovendien kan bij RCV een kandidaat die de werkelijke winnaar is in de populatie, de meest frequente winnaar zijn in polls met kleine steekproeven vanwege de variabiliteit in de steekproef die beslissingsgrenzen overschrijdt in de hoogdimensionele parameterruimte. Omgekeerd worden de standaard frequentistische betrouwbaarheidsintervallen voor de vector van eliminatiemarges vaak zo breed dat ze overlappen met meerdere potentiële winnaarregio's, waardoor ze er niet in slagen een unieke winnaar te identificeren, zelfs bij grote steekproefomvang.

Methodologie
De auteurs stellen een Bayesiaans kader voor dat de inferentiële doelstelling verschuift van het schatten van specifieke eliminatiemarges naar het schatten van de posterieure winstkans voor elke kandidaat. De methodologie verloopt als volgt:

1. Modelleren van Stembiljetvolgordes: Het probleem wordt geformuleerd in termen van "stembiljetvolgordes" ($P$), de verzameling van alle unieke manieren waarop een kiezer kandidaten kan rangschikken. De populatieverdeling van deze volgordes wordt aangeduid met $\pi$. De RCV-winnaar is een deterministische functie van $\pi$.
2. Conjugate Inferentie: De auteurs modelleren de geobserveerde pollrespons als onafhankelijke trekkingen uit een multinomiale verdeling over de verzameling van stembiljetvolgordes. Door gebruik te maken van de conjugale relatie tussen de Multinomiale likelihood en de Dirichlet-prior, leiden zij een posterieure verdeling af voor $\pi$.
   • Als $n_j$ het aantal geobserveerde stembiljetten van type $j$ is, en de prior is $\pi \sim \text{Dir}(\alpha)$, dan is de posterieure verdeling $\pi | \text{data} \sim \text{Dir}(\alpha + n)$.
   • Dit maakt analytische traceerbaarheid mogelijk zonder dat complexe computationele methoden voor de posterieure verdeling zelf vereist zijn.
3. Stembiljet-pruning (Ballot Pruning): Om de "vloek van de dimensionaliteit" aan te pakken—waarbij het aantal mogelijke stembiljetvolgordes super-exponentieel groeit met het aantal kandidaten—introduceren de auteurs een "stembiljet-pruning"-lemma. Dit lemma stelt dat als de set kandidaten die in de laatste rondes van een verkiezing overblijven bekend is, de relatieve rangschikkingen van geëlimineerde kandidaten geen invloed hebben op de uiteindelijke winnaar. De auteurs bevelen een bootstrap-procedure aan om een stabiele set topkandidaten te identificeren (bijv. de top 3 of 4) en de stembiljetruimte te beperken tot enkel de rangschikkingen die relevant zijn voor deze kandidaten. Dit vermindert de dimensionaliteit van de Dirichlet-verdeling terwijl de integriteit van de winnaarsbepaling behouden blijft.
4. Simulatiepijplijn:
   • Prune de stembiljetruimte op basis van bootstrap-stabiliteit.
   • Bereken de posterieure Dirichlet-verdeling met behulp van de geobserveerde (of gewogen) aantallen.
   • Sample herhaaldelijk uit deze posterieure verdeling om gesimuleerde electoraten te genereren.
   • Voer het RCV-tabulatiealgoritme uit op elk gesimuleerd electoraat.
   • De proportie simulaties waarin een kandidaat wint, vormt hun geschatte winstkans.

Belangrijkste Resultaten en Toepassingen
De auteurs valideren hun benadering aan de hand van twee hoogprofiel RCV-verkiezingen: de Democratische burgemeestersverkiezing in New York City in 2021 en de speciale verkiezingen voor het Huis van Afgevaardigden in Alaska in 2022.

• Alaska 2022 Special: De auteurs demonstreren dat in onbevooroordeelde simulaties van kleine steekproefomvang, de werkelijke winnaar (Mary Peltola) vaak niet de meest waarschijnlijke winnaar is in de polls. Sterker nog, Nick Begich (die in de werkelijke verkiezing als eerste werd geëlimineerd, maar in een head-to-head tegen Peltola zou hebben gewonnen) verschijnt als de meest frequente winnaar in kleine steekproeven. Dit onderstreept de "fragiliteit" van RCV-puntmetingen. Standaard frequentistische betrouwbaarheidsellipsoïden voor de eliminatiemarges bleken in bijna 97% van de simulaties te overlappen met alle drie de winnaarsregio's, wat ze nutteloos maakt voor winnaarsidentificatie.
• NYC 2021 Primary: De auteurs hebben een laatste poll van Data for Progress geheranalyseerd. Hoewel de puntmetingen van de poll suggereerden dat het een nek-aan-nekrace was tussen Eric Adams en Kathryn Garcia (waarbij Maya Wiley achterop liep), bood de Bayesiaanse analyse een genuanceerde onzekerheidsmaat. De posterieure winstkansen werden geschat op 56,4% voor Adams, 42,8% voor Garcia en 0,8% voor Wiley. Dit identificeerde de strijd correct als een strijd tussen twee personen met Adams als bescheiden favoriet, consistent met de werkelijke marge van overwinning van 0,8%.
• Gewogen Polls: Het kader is uitgebreid om met enquêtegewichten om te gaan door de gewogen aantallen te behandelen als pseudo-aantallen in de Dirichlet-update, waardoor de methode kan worden toegepast op real-world pollingdata die demografische weging gebruikt.

Betekenis en Claims
Het artikel beweert dat het voorgestelde Bayesiaanse kader een superieur alternatief biedt voor standaard frequentistische praktijken voor RCV-polls door direct te richten op de grootheid van belang: de kans om te winnen.

• Directe Interpretatie: In tegen tegenstelling tot foutmarges, die de lezer vereisen om de waarschijnlijkheid van een winnaar af te leiden uit een reeks marges, bieden de posterieure winstkansen een directe, continue maatstaf voor onzekerheid over de verkiezingsuitslag.
• Omgaan met Padafhankelijkheid: De methode integreert op natuurlijke wijze de padafhankelijke aard van RCV-eliminaties. Het houdt rekening met het feit dat onzekerheid in vroege eliminatieordes wel of niet doorwerkt naar de uiteindelijke winnaar, een nuance die verloren gaat bij standaard rapportage van marges.
• Vermijden van Vals Zekerheid: De auteurs betogen dat puntmeting in RCV problematisch is omdat onjuiste winnaars bevoordeeld kunnen worden in een meerderheid van willekeurige steekproeven. De Bayesiaanse benadering vermijdt het forceren van binaire conclusies (bijv. "statistisch significante voorsprong") en communiceert in plaats daarvan de relatieve waarschijnlijkheid van overwinning, wat meer passend is voor de complexe geometrie van RCV-beslissingsgrenzen.
• Haalbaarheid: De benadering is computationeel hanteerbaar dank door de conjugaliteit van het Dirichlet-Multinomial paar en de dimensionaliteitsreductie die wordt geboden door stembiljet-pruning.

De auteurs concluderen dat hoewel hun methode veelbelovend is in sterk omstreden verkiezingen, het dient als een fundamentele stap voor een robuustere onzekerheidskwantificering voor RCV, waarbij het veld wordt bewogen van inadequate foutmarge-rapportage naar probabilistische uitspraken over verkiezingsuitslagen.