Valg 2024: Analyse og forudsigelser

Introduktion

Målet med dette modelleringsprojekt var at forudsige resultatet af valget i 2024 ved hjælp af folkesundhedsdata, demografiske og historiske data. Den unikke tilgang er afhængig af forudsigelser, der er en proxy for offentlig støtte til det demokratiske parti i en befolkning. I USA står vi over for et binært valg, demokrat eller republikansk, og vores valg afgøres af valgmandsstemmer fra hver stat. Derfor var den forudsagte svarmåling simpelthen sejrsmarginen i en stat.

På grund af valgkollegiet er forudsigelse af valget i bund og grund et spørgsmål om at forudsige en håndfuld stater. De fleste stater har en pålidelig historie med en bred sejrsmargin for den ene eller den anden part, mens nogle få ikke har. Dataene og modellen vil være nøjagtige i det omfang, de nøjagtigt forudsiger disse tilstande. På grund af den mindre stikprøvestørrelse af de seneste nationale valg og vigtigheden af ​​de seneste datapunkter i modellen, vil den ikke være i stand til at producere meget præcise forudsigelser for stater med små sejrsmargener. Derfor vil succesen af ​​denne model afhænge af dens evne til at opdage, hvilke svingstater der kan have mere støtte til demokrater (eller republikanere) end hvad der i øjeblikket bliver opdaget i meningsmålingerne.

Baggrund og antagelser

I løbet af de sidste to præsidentvalgscyklusser har vi set offentlige meningsmålinger slå fejl på væsentlige måder. I 2016 formåede næsten alle større meningsmålinger og medier ikke at opdage graden af ​​offentlig støtte blandt demokrater og uafhængige, der førte til Trumps sejr i vigtige swing-stater og Rustbæltet. I 2020 undervurderede valgstederne igen Trumps støtte i nøglestater. Siden da er tilliden til mediernes evne til at efterforske og komme frem til sandheden yderligere udhulet.

Denne analyse søger at finde forudsigelser, der afspejler en mere nøjagtig tilstand af offentlighedens politiske præferencer, som ikke er underlagt svaghederne ved meningsmålingsindustriens skævheder. På grund af den hyperpolariserede karakter af Covid-19-pandemien og de eksplicit klare linjer, hvor støtten til Covid-19-skuddet faldt, er offentlig optagelse for hvert års "nye" version af et Covid-19-skud stærkt korreleret med støtte til det demokratiske parti. Fordi der er et nyt Covid-19-skud hvert år, antages fortsat optagelse at indikere demokratisk stemmetroskab. Andre indikatorer, såsom indenlandsk migrationsrate og anmodninger om brevstemme, er stærkt korreleret med demokratisk støtte gennem de sidste fire år.

Derudover er befolkningsdata fra folkesundhedskilder blevet brugt som kontrollerende eller prædiktive variabler, herunder dødelighed, fødselsrate og mental sundhed. Nogle demografiske og befolkningsmæssige dynamikker er forbundet med mere republikansk orienterede stater og andre med demokratisk orienterede stater, og disse forhold har holdt sig over tid i nyere historie. Andre foranstaltninger, som nettomigreringsrate, har stærke tilknytninger, men de er nyere og blev påvirket af Covid-19-pandemien, hvor mange låste blå stater oplevede et nettotab, og røde åbne stater oplevede en nettogevinst. Populariteten af ​​det nu årlige Covid-19-skud aftager år for år, og dataene er blevet justeret for at måle relativ popularitet, hvor stater med en højere samlet optagelse end gennemsnittet afspejler højere demokratisk partistøtte.

Overordnet set søger denne analyse at kombinere både langsigtede tendenser og nyere tendenser for at estimere det nuværende niveau af støtte til Det Demokratiske Parti. Da modellen skal trænes på data, der kun stilles til rådighed i månederne (Covid-Vax) og ugerne (fraværende stemmeseddelanmodninger) op til valget, vil den ikke være i stand til at registrere nogen 11. time-skift.

Som George Box sagde: "Alle modeller er forkerte, men nogle er nyttige." Mit håb med denne analyse er, at det kan være nyttigt at opdage signaler, som måske ikke er til stede i traditionel valgafstemning. Ud over forudsigelse (som mest er for sjov), har jeg inkluderet nogle swing state-analyser, som jeg tror kan kaste lys over nøgleskift, der er sket i løbet af de sidste fire år.

Metoder

Fordi forklarlighed og fortolkning er kritisk i valgsammenhæng, har jeg holdt mig til simple modeller. Generaliseret lineær modellering, logistisk regression og Random Forest-modeller blev alle trænet på data fra 2020-2022. Resultatet, eller svaret, var marginen for det demokratiske partis sejr. For den logistiske model var det forudsagte svar en binær sejr eller et tab for den pågældende stat. Fordi hver model har sine egne styrker og svagheder sammen med sine egne fejlprocenter, vil den endelige klassificering af en sejr eller et tab blive bestemt af flertalsafstemningen. Jeg har uploadet min kode og data til github, og alle er velkomne til at kritisere, rette eller give feedback.

Begrænsninger

På grund af min beslutning om at bruge Covid-19-skudoptagelse blandt stater som en forudsigelse, begrænser dette tidslinjen og data, der kan indsamles. På grund af dette forventer jeg, at modellen vil have en bias over for demokraterne. Ud af 50 stater faldt fem inden for rækkevidden af ​​fejl. Alle fem af disse stater betragtes som svingstater. Til kategoriseringsformål vil kun stater, der falder klart uden for fejlene i mine modeller, blive kategoriseret som en gevinst for den pågældende part. Dem inden for fejlintervallerne vil blive kategoriseret som toss-ups.

Diskussion

Fordi i USA er valg et binært valg, ser analysen kun på demokrat vs. republikaner og kan ikke registrere ændringer i støtten til en kandidat blandt vælgere fra det modsatte parti. Dette afslører en kerneantagelse i modellen, at dette valg stadig primært handler om partitroskab over for den enkelte kandidat.

For den demokratiske kandidat Kamala Harris tror jeg, at denne antagelse holder stik, da hun ikke blev valgt via folkeafstemning under primærvalget, og meget af kampagnen har handlet om at skabe en strategisk udformet persona ud af en kvinde, der indtil for nylig stort set var blevet ignoreret , afvist og endda hånet. Vi kan se, at debatterne, mordforsøgene og andre store øjeblikke i løbet af de sidste par måneder simpelthen ikke har haft nogen større effekt på meningsmålingstendenserne.

For Donald Trump tror jeg ikke, at denne antagelse holder. Trumps velkendte persona er dominerende og allestedsnærværende. Fra hans præsidentperiode fra 2017-2021 og hans fortsatte kampe med retssager, mordforsøg og mediebesættelse siger Trumps sejr meget mere om ham end det republikanske parti. Det Demokratiske Parti er en maskine, og det republikanske parti styrkede kun modvilligt støtten til Trump efter flere års konflikt og splittelse blandt dets ledere.

Da modellen bruger data fra både præsidentvalget i 2020 og Senatsvalget i 2022, er den trænet til at modellere partistøtte, og dermed dens iboende svaghed. Den seneste meningsmåling har skiftet i Trumps favør, men har store svingstater i dødt løb. For at holde fast i mine metoder og hensigten med denne øvelse, er ingen af ​​disse data inkluderet.

Swing State Analyse

Valgets resultat vil blive bestemt af en håndfuld stater. I øjeblikket er de tætte løb i Arizona, Nevada, Wisconsin, Michigan, North Carolina, Georgia og Pennsylvania nok til at svinge valget til begges fordel. Af disse stater kategoriserede modellen Michigan og Pennsylvania som sikkert svingende demokratiske. De resterende tilstande var alle inden for modellens fejlområde og blev derfor kategoriseret som toss-ups.

For at give en vis visuel kontekst for, hvordan denne analyse fungerer, er her et par opdelinger af nogle af prædiktorerne for de stater, der generelt betragtes som svingtilstande. 

Indenlandske migrationsrater: 2019-2023*

Samlet set er der et negativt forhold mellem nettomigrationsraten og den demokratiske sejrsmargin. I løbet af de sidste 4 år har mange blå stater mistet mennesker, mens røde stater har vundet. For disse svingstater er nogle "røde" med hensyn til guvernører og statsregering, og andre er "blå". Samlet set er Pennsylvania og Michigan de eneste 2, der har haft negative migrationsrater i løbet af de sidste 4 år.

Indsendt stemmeseddel

Nogle stater, som Californien, Colorado og Nevada, er "All Mail"-stater. Det betyder, at alle registrerede vælgere som standard får tilsendt en papirstemmeseddel. Med undtagelse af Utah (og muligvis Nevada) er næsten alle disse stater blå stater og solidt blå. Nevada er den eneste swing-stat, der er en all-mail-stat, som du kan se, at dens anmodninger forbliver flad. Den generelle tendens med de fleste andre undtagen Arizona er et fald i post-i-afstemningsanmodninger.

Årlig Covid-19 skudoptagelse**

Da modellen bruger årlig Covid-shot-optagelse som en stærk forudsigelse af det demokratiske partis støtte, men den generelle popularitet er faldende, bruger modellen relativ scoring til at sammenligne hver stat med hinanden inden for året. Bortset fra Wisconsin havde de resterende stater en Covid-19-skudoptagelse lidt under gennemsnittet i 2021**, 2022 og 2024. 

*Den indenlandske migrationsrater er matchet fra det foregående år.

**Fordi Covid-19-billederne ikke var tilgængelige før 2021, blev 2021-data parret med 2020-valgresultatdata. For 2022 og 2024 afspejler data optagelsen for det års nye version.

For at få en fornemmelse af, hvor vigtige prædiktorerne er for modellen, rangerer nedenstående diagram hvert mål for, hvor meget det påvirker en af ​​modellens forudsigelser. Som du kan se, er Covid-19-skudoptagelsen placeret lige under "tidligere demokratisk sejr."

Resultater

Modellen har fået Harris til at vinde sikkert 260 valgmandsstemmer fra de stater, som den forudser vil være sikkert demokratiske. Hvis Pennsylvania og Michigan faktisk er i strid, så er kun 226 af dem sikkert demokratiske.

Modellen har fået Trump til at vinde sikkert 219 valgmandsstemmer fra de stater, som den forudser vil være sikkert republikanske.

Swing-staterne Wisconsin, Georgia, North Carolina, Nevada og Arizona er alle på spil og repræsenterer 59 valgmandsstemmer. Hvis Pennsylvania og Michigan er i blandingen, er det 93 valgmandsstemmer på højkant.

Harris's vej til at vinde

Harris' vej til sejr ser nemmest ud. Med en højere startende valgmandsstemme "i posen" kan hun samle en håndfuld svingstater. Pennsylvania og Michigan viser sig som sejre for hende i modellen, og hvis hun vinder dem, har hun simpelthen brug for en enkelt af Arizona, North Carolina, Wisconsin eller Georgia for at låse den ned. Hvis hun vinder den ene eller den anden af ​​Pennsylvania eller Michigan, skal hun erstatte tabet med 1-2 ekstra svingstater.

Trumps vej til sejr

Det er vigtigt at se på Trumps vej med en "alt kan ske" tankegang. Han har overgået forventningerne ved begge forudgående valg. De fleste informations-gatekeepere, mainstream-eksperter og valgundersøgelseseksperter har taget fejl i fortiden.

Med 219 i bagagen må Trump tage hver eneste slyngestat Arizona, Georgia, North Carolina, Wisconsin og Nevada. Hvis Trump vinder Pennsylvania og/eller Michigan, så bliver hans vej nemmere, hvilket betyder, at han stadig skal bruge 2-3 af de resterende tos-ups.

Tag et kig på Dashboardet nedenfor. Interager for at se, hvordan begge kandidaters vej til sejr ved at vinde toss-up-staterne, og se scatterplots for forudsigelser målt efter stat.

Mine personlige forudsigelser baseret på modellen

Jeg har mere en intuition om North Carolina og Georgia, da jeg tilbringer tid der, og jeg kalder dem for Trump. Jeg har ikke den intuition for Arizona, Nevada eller Wisconsin. Så tag dette med et gran salt. Men da jeg er tro mod metoden, kalder min model Pennsylvania og Michigan for Harris, og jeg tror, ​​hun vil tage mindst 2-3 ekstra swing-stater. Jeg håber, jeg tager fejl.

Referencer: 

MIT valglaboratorium https://electionlab.mit.edu/data#data

USA Fakta https://usafacts.org/economy/

UF Valglab https://election.lab.ufl.edu/voter-turnout/

CDC https://data.cdc.gov/Vaccinations/Cumulative-Percentage-of-Adults-18-Years-and-Older/hm35-qkiu/about_data

Afstemning og registrering ved valget i november 2022 https://www.census.gov/data/tables/time-series/demo/voting-and-registration/p20-586.html

CDC https://data.cdc.gov/NCHS/Indicators-of-Anxiety-or-Depression-Based-on-Repor/8pt5-q6wp/about_data

CDC https://data.cdc.gov/Vaccinations/COVID-19-Vaccinations-in-the-United-States-Jurisdi/unsk-b7fc/about_data

CMS https://data.cms.gov/provider-data/dataset/avax-cv19

CDC https://www.cdc.gov/covidvaxview/weekly-dashboard/vaccine-administration-coverage-jurisdiction.html

Fem tredive otte https://github.com/fivethirtyeight/election-results/blob/main/election_results_senate.csv

KFF Vaccinemonitor https://www.kff.org/coronavirus-covid-19/dashboard/kff-covid-19-vaccine-monitor-dashboard/

UF Valglab https://election.lab.ufl.edu/2024-presidential-nomination-contests-turnout-rates/

National Center for Sundhedsstatistik https://www.cdc.gov/nchs/data_access/VitalStatsOnline.htm CDC https://www.cdc.gov/nchs/data/vsrr/vsrr035.pdf Census.Gov https://www.census.gov/data/tables/time-series/demo/popest/2020s-state-total.htmlCDC https://www.cdc.gov/covidvaxview/interactive/adults.html

National Center for Sundhedsstatistik https://www.cdc.gov/nchs/fastats/state-and-territorial-data.htm

Folketælling- Fattigdom https://www.census.gov/data/tables/time-series/demo/income-poverty/historical-poverty-people.html

Folketælling- Befolkningsændring efter stat https://www.census.gov/newsroom/press-kits/2023/national-state-population-estimates.html

USAs valgprojekt https://electproject.github.io/

Genudgivet fra forfatterens understak