Conférencier | Transcription |
| Saloni Patel | D'accord, alors bonjour, je m'appelle Saloni et aujourd'hui je vais présenter notre projet, le modèle de prédiction de l'élection présidentielle aux États-Unis et l'étude des comportements d'étude des swing states. |
| Il y a deux parties dans ce projet, la première consiste à créer et à évaluer un modèle destiné à prédire l'élection présidentielle américaine de 2020. |
| La deuxième partie du projet étudiera le comportement des États swing lors de l'élection présidentielle américaine de 2020 et identifiera les événements clés qui ont affecté les schémas de vote lors de l'élection à l'aide de méthodes de regroupement hiérarchique. Toutes les analyses ont été réalisées sur la plateforme JMP 15. |
| Pour clarifier, notre projet ne se concentre pas sur les 50 États américains et à la place, nous n'étudierons que les 15 principaux États swing. |
| Les États pivots sont des États qui peuvent raisonnablement être remportés par le candidat présidentiel démocrate ou républicain, par opposition aux États sûrs qui penchent systématiquement vers le parti unique. |
| De plus, le système de vote américain dépend du système du collège électoral qui attribue un nombre défini de voix à chaque État en fonction de la population. |
| Il y a un total de 538 votes électoraux, donc un candidat à la présidence doit obtenir 270 votes électoraux pour remporter l'élection présidentielle. |
| Étant donné que la plupart des États sont connus pour voter pour un candidat démocrate ou républicain sans espoir d'être influencés par le schéma de vote normal, |
| le système du collège électoral et le résultat de l'élection présidentielle dépendent de la majorité des États swing qui peuvent potentiellement être remportés par l'un des candidats. |
| Une victoire, même avec une petite marge, fait que ce candidat obtient tous les votes que l'État a à offrir, de sorte que les États swing ont un impact particulièrement important dans la détermination du prochain président. |
| Donc, pour commencer, nous avons mené ce projet dans l'espoir de mieux comprendre l'élection américaine historique de 2020 qui s'est produite au milieu d'une pandémie mondiale et d'une période d'instabilité sociale et économique. |
| La première partie des objectifs de notre projet est d'identifier les principaux états de basculement, de créer un modèle de prédiction basé sur l'influence de COVID 19 et de l'économie dans ces états de basculement identifiés, et enfin de valider le modèle de prédiction avec les résultats réels des élections une fois ceux-ci sortis. |
| Ainsi, la première étape de notre modèle de prédiction consiste à identifier les 15 principaux États swing des trois dernières élections à l'aide de cet indice d'état swing. |
| Nous utilisons cette formule pour déterminer si les états sont des états oscillants ou non. Il est également important de noter que cet indice de swing ne tient pas compte pour quel côté chaque État vote, |
| mais plutôt sur les résultats des élections eux-mêmes. En d'autres termes, un État aurait pu voter pour le même camp tous les trois ans mais avec des marges très différentes et être toujours considéré comme un État swing. |
| Nous étudierons plus en détail cet indice dans la prochaine partie du projet, mais pour l'instant, tout ce que nous utilisons cet indice est de... car c'est d'identifier les 15 principaux états de swing. |
| Une fois les états oscillants identifiés, nous dérivons la première valeur dont nous aurons besoin pour calculer le résultat prévu des élections de 2020. Il s'agit de la marge gagnante composite 2016-2012. |
| Pour calculer cette valeur, nous avons pris le résultat de 2016 et le résultat des élections de 2012. Dans la formule, |
| nous avons donné deux fois plus de poids aux résultats de 2016 parce qu'ils étaient plus récents que les élections de 2012 et nous avons donné deux fois plus d'attente pour les élections de 2016. |
| Parce que le président Trump était présent aux élections de 2016 en tant que président, tandis que Joe Biden était présent aux élections de 2012 en tant que candidat à la vice-présidence. Au total, les résultats de 2016 auront quatre fois plus de poids qu'en 2012 dans la marge gagnante composite 2016-2012. |
| Ensuite, nous identifions les facteurs qui sont propres à 2020 et les facteurs selon lesquels les électeurs peuvent voter. |
| Nous avons constaté que la pandémie mondiale de COVID-19 et les répercussions suivantes sur l'économie étaient des facteurs importants |
| unique à 2020, nous avons donc collecté les cas infectés et les cas de décès dus au COVID-19, ainsi que l'augmentation du chômage dans chaque État. |
| Ensuite, nous avons appliqué la transformation standardisée en Z pour éviter tout biais de moyenne et de variance d'échantillonnage. |
| En utilisant ces scores Z, comme Z-infectés, Z-décès et Z-chômage, nous avons dérivé l'indice Z-COVID. Cet indice représentera l'impact de la pandémie mondiale et le coup économique suivant que chaque État a connu. |
| Enfin, nous avons calculé le résultat prévu pour 2020, en utilisant la marge gagnante composite 2016-2012 et l'indice Z-COVID. |
| Une fois l'élection de 2020 passée, nous avons enregistré le |
| Résultats réels des élections de 2020 et avons procédé à la validation de notre modèle de prédiction et si notre choix de facteurs a fait un bon travail pour aider à prédire le résultat des élections de 2020. |
| De plus, comme les médias avaient prédit avant l'élection que Trump perdrait 3 à 5 % des voix à partir de 2016, nous avons décidé de soustraire certains pourcentages des résultats prévus. |
| Dans le tableau ci-dessous, ce résultat prévu est la catégorie zéro pour cent et les réductions peuvent également être vues. |
| Pour analyser les résultats, nous avons comparé les résultats prévus avec les résultats réels des élections de 2020, en utilisant la régression et le test t apparié. |
| Pour comparer comment les résultats prédits de 2020 par rapport aux résultats des élections précédentes lors de la prédiction des résultats de 2020 |
| résultat réel, nous incluons également les résultats des élections de 2012 et de 2016 dans notre évaluation. Enfin, nous avons également effectué un test d'hypothèse à 1 proportion pour tester l'exactitude des résultats prédits pour 2020. |
| Pour commencer, nous avons effectué un test de régression avec les résultats des élections présentés uniquement pour chaque État. |
| Le résultat de 2012 comparé au résultat réel des élections de 2020 n'a pas donné de résultat significatif. |
| Cependant, les tests de régression entre le réel 2016 et le réel 2020 affichent un résultat significatif et le R au carré le plus élevé de 0,81. |
| Les résultats de la régression sont également proches de 1, à environ 1,17, suggérant une forte relation de régression. La régression entre le 2020 prédit et le 2020 |
| réel affiche également un résultat significatif mais un R carré inférieur de 0,3. |
| D'après ces résultats, la régression entre les résultats réels de 2016 et les résultats réels de 2020 avait le carré R le plus élevé et la pente la plus proche de un, malgré la déclaration d'un gagnant différent. |
| Il est raisonnable de constater que les résultats des élections de 2020 seraient corrélés avec les résultats des élections de 2016 puisque Trump a perdu ces États swing remportés de justesse lors des élections de 2016 par une petite marge, donc seulement le Michigan, la Pennsylvanie et le Wisconsin. |
| Ensuite, les tests t appariés qui compareront également les pourcentages de résultats électoraux de chaque État. nous utilisons le test t apparié car les mêmes états ou paires sont évalués les uns par rapport aux autres. |
| Le test t apparié n'a trouvé qu'une différence significative dans les moyennes de 2016 |
| les résultats réels des élections et les résultats réels de 2020, ce qui est logique puisque ces résultats avaient une signification de test de régression élevée. |
| Cela suggérerait que les moyennes des élections de 2012 et les résultats prévus pour 2020 sont similaires à ceux de 2020, ce qui signifie réellement que les résultats des élections sont similaires. |
| Lors des élections de 2012, les démocrates avaient remporté les élections et les résultats prévus avaient prédit que les démocrates gagneraient en 2020, tandis qu'en 2016, les républicains avaient remporté les élections. Cela peut expliquer pourquoi 2016 est significativement différent des résultats réels des élections de 2020, alors que... |
| alors que les chiffres réels de 2012 et les prévisions de 2020 ne le sont pas. |
| Enfin, nous utilisons le test d'hypothèse à 1 proportion pour tester la correspondance entre les résultats prédits de 2020 et les résultats réels de 2020. |
| Contrairement à la régression et au test t apparié, le test à 1 proportion compare les États et le côté pour lequel ils ont voté. |
| La régression et le test t apparié ont uniquement comparé les résultats des élections sans aucune indication pour quel côté les États ont voté. |
| Par conséquent, ce test est plus puissant et valide le modèle de prédiction, car il compare le côté prédit pour lequel chaque État voterait |
| et pour quel côté les États ont effectivement voté. Nous attribuons les États qui ont voté pour le côté prédit avec une réussite et ceux qui n'ont pas voté pour le côté prédit avec un échec. |
| Au total, 12 États sur 15 ont reçu une réussite, car ils avaient été prédits avec précision, tandis que les trois autres ont reçu un échec. Nous fixons la valeur de réussite à la réussite et l'échelle est une proportion d'échantillon de 0,8. |
| Comme nous voulons que la proportion de l'échantillon soit supérieure à 0,9 ou précise à 90 %, nous fixons la proportion hypothétique à 0,9. |
| Étant donné que la proportion de 0,8 n'a pas dépassé 0,9 au niveau de confiance de 95 %, le modèle de prédiction n'a pas été précis à 90 %, n'a pas réussi à rejeter l'hypothèse nulle au niveau de confiance de 95 %. Selon la proportion de notre échantillon, ce modèle est précis à 80 %. |
| Pour résumer, le test de régression a montré une signification entre les résultats réels de 2016 et le résultat réel des élections de 2020., |
| ainsi qu'une signification plus faible entre les résultats électoraux prévus pour 2020 et les résultats réels pour 2020. Nous émettons l'hypothèse que cela pourrait être dû au fait que cette élection, le président Trump a perdu ces États swing remportés de justesse lors des élections de 2016. |
| Le test t apparié a montré une différence significative entre le réel de 2016 et le réel de 2020, et nous avons émis l'hypothèse que cela pourrait être dû au fait que ces deux élections ont déclaré des gagnants différents. |
| Le président Trump a remporté les élections de 2016 mais a perdu les élections de 2020. De plus, les résultats prévus pour 2012 et 2020 ne sont pas significativement différents des résultats réels de 2020 |
| résultat... résultat des élections, peut-être parce qu'ils ont tous deux déclaré le même parti politique que les gagnants. |
| Comme ... enfin, le test d'hypothèse à 1% n'a pas réussi à rejeter l'hypothèse nulle, et donc notre modèle de prédiction n'est pas précis à 90% au niveau de confiance de 95%. |
| Arizona, Wisconsin et Minnesota, |
| ce qui pourrait suggérer qu'il y avait d'autres facteurs majeurs en plus des impacts du COVID-19 et des taux de chômage qui ont influencé le résultat des élections de 2020. |
| C'est là que nous passons à la prochaine partie de notre projet dans laquelle nous regrouperons les États en fonction de leur indice d'état swing et les identifierons avec des événements clés qui ont eu lieu en 2020 qui auraient pu influencer les comportements de vote des États swing. |
| Ainsi, les questions que cette partie du projet abordera à partir de la dernière sont quels événements et facteurs influencent les États swing à voter comme ils l'ont fait. |
| Dans quelle mesure les électeurs se souciaient-ils plus ou moins du COVID-19 que de l'économie et des autres enquêtes secondaires ? Pouvons-nous utiliser des outils statistiques pour relier les événements politiques aux habitudes de vote ? |
| Les objectifs de ce projet sont d'étudier les schémas de vote des États swing précédemment identifiés en reliant les méthodes de regroupement statistique aux événements politiques. |
| Nous ajusterons également l'indice Z-COVID, ou comme nous l'appellerons désormais Z-Ratio, avec de nouveaux ratios pour mieux comprendre l'importance du COVID 19 et de l'économie dans le comportement électoral. |
| Auparavant, l'indice Z-COVID avait un rapport de deux par un, où les valeurs des cas et des décès infectés par le COVID-19 |
| ont reçu deux fois plus de poids par rapport à la valeur de l'augmentation du chômage, car il y avait deux valeurs pour COVID-19 et une seule destinée à l'économie. |
| Nous nous sommes rendu compte que chaque État était impacté différemment par la pandémie, nous avons donc pensé qu'il serait pertinent d'analyser les effets du passage de ce ratio deux par un à d'autres ratios. |
| Tout d'abord, nous reviendrons sur l'indice d'état de swing, qui permet d'identifier le swing de chaque État à l'aide des pourcentages de résultats électoraux des trois dernières élections. |
| Un résultat électoral négatif indique que le swing a voté pour les démocrates, tandis qu'un résultat positif indique un vote républicain. |
| Plus l'ampleur est grande et plus l'indice de swing est négatif, plus les modèles de vote des États ont oscillé. |
| Si l'état change de direction, les signes des deux différences ne seront pas égaux, ce qui rendra l'indice d'état de swing négatif et affichera davantage un comportement de swing. |
| À partir de ce tableau, nous pouvons voir que le Michigan et le Minnesota ont des valeurs négatives de la plus grande ampleur, ce qui signifie qu'ils ont oscillé le plus au cours des trois dernières élections. Dans l'ensemble, l'indice d'état swing est très utile pour comprendre les schémas de vote de base pour les états swing. |
| Cependant, l'indice d'état de swing ne peut pas identifier les événements clés qui ont provoqué les tendances de vote. |
| Nous avons utilisé le regroupement hiérarchique pour étudier les États ayant des modèles de vote similaires et répertorier les facteurs potentiels qui ont affecté leur comportement de vote. |
| Le clustering hiérarchique a regroupé les 15 états de swing en quatre clusters différents, comme on le voit sur la droite. |
| Nous avons utilisé cette méthode, en raison de son approche ascendante, où chaque état est son propre groupe avant d'émerger un à la fois et de monter dans la hiérarchie. Sur la droite, l'Iowa et l'Ohio peuvent être vus en rouge indiquant qu'ils sont dans le même cluster. |
| Comme mentionné précédemment, le regroupement hiérarchique a divisé les États oscillants en quatre groupes, le premier groupe se compose de l'Iowa et de l'Ohio. |
| Ces deux États avaient voté bleu ou démocrate aux élections de 2012, mais rouge ou républicain aux élections de 2016 et 2020. |
| Le deuxième groupe comprend la Géorgie, l'Arizona, la Caroline du Nord et la Floride. Tous ces États, à l'exception de la Caroline du Nord, sont devenus plus bleus ou plus rouges, ou en d'autres termes commencent à favoriser fortement un côté. |
| Mais le troisième groupe comprend le Wisconsin, la Pennsylvanie, le Michigan, le Nevada, le New Hampshire et le Minnesota. |
| Tous ces États, à part le Nevada, ont un indice de swing négatif, ce qui signifie qu'ils sont les États de swing les plus incohérents. |
| Le dernier groupe comprend le Colorado, la Virginie et le Nouveau-Mexique, qui sont tous des États relativement bleus ou des États qui ont toujours voté démocrate et lors des élections de 2020, ont voté bleu avec une marge plus grande qu'auparavant. |
| Maintenant que nous avons tous les clusters et une idée de leurs caractéristiques, nous avons examiné l'historique des jointures de clustering, qui identifie les meilleures paires d'états ou les deux états les plus similaires dans leurs clusters. |
| D'après l'historique de jointure, les deux premières paires sont le Wisconsin avec la Pennsylvanie du troisième cluster et la Géorgie avec l'Arizona du deuxième cluster. |
| Les deux paires font partie des groupes dont les États sont passés du rouge au bleu lors des élections de 2020. |
| Après des recherches plus approfondies, nous avons constaté que le Wisconsin et la Pennsylvanie semblaient avoir des préoccupations pour l'économie, |
| mécontentement à l'égard des politiques du président Trump en matière de soins de santé, telles que ses efforts pour affaiblir la loi sur les soins abordables formée sous l'administration Obama, |
| ainsi que des préoccupations pour l'environnement, qui ont finalement fait voter la majorité des électeurs démocrates. |
| Cependant, en Géorgie et en Arizona, nous constatons que des changements démographiques majeurs, tels qu'un plus grand nombre d'électeurs latinos inscrits en Arizona |
| et le mouvement Black Lives Matter qui a révélé de graves injustices raciales, a finalement poussé la majorité des électeurs à voter pour les démocrates. |
| Grâce au regroupement hiérarchique, nous avons pu séparer les États en différents groupes en fonction de leurs comportements de vote et créer des liens sur lesquels les événements clés ont provoqué le comportement de vote observé. |
| Bien que nous ayons trouvé des événements clés qui ont influencé le comportement de vote de chaque État, le regroupement hiérarchique ne nous a pas indiqué le poids que chaque événement a joué dans le comportement de vote de l'État swing individuel. |
| COVID-19 et la récession économique qui a suivi. |
| COVID-19 et l'économie. |
| Cependant, nous avons dû supposer que chaque état aurait le même rapport Z, ce qui donnait au COVID-19 deux fois plus de poids, ce qui se traduisait par un rapport de deux par un pour chaque état. |
| Cependant, à partir du regroupement hiérarchique, nous avons constaté que chaque État a une situation unique et que leurs électeurs se soucient de problèmes différents. Pour ajuster le Z-ratio et... le Z-ratio, nous avons créé une valeur appelée Ratio Variable. La variable de ratio déterminera le ratio de l'importance de COVID-19 |
| ou l'indice Z-COVID, qui représente les cas infectés et les décès dans chaque cas par rapport à l'économie ou le chômage qui représente le taux d'augmentation annuel du chômage dans chaque État. |
| Une fois le ratio Z ajusté, avec quelques variables de ratio différentes, telles que 0,1, ce qui crée un ratio de un sur 10 donnant à l'économie 10 fois plus d'importance, |
| il est implémenté dans la formule complète utilisée pour calculer les résultats prévus pour 2020. |
| Ces résultats prédits ajustés pour 2020 sont comparés aux résultats réels des élections de 2020 pour déterminer quel ratio explique le mieux la situation de l'État et l'importance que le COVID-19 et l'économie ont eu pour influencer le comportement électoral. |
| Nous avons décidé d'étudier de près le comportement électoral de la Géorgie car elle semblait se démarquer par rapport aux autres États swing. |
| D'une part, la Géorgie a été le premier État à rouvrir ses portes en avril, contrairement aux autres États. |
| De plus, la Géorgie était un État clé lors des élections de 2020, sur lesquelles le président Trump avait un œil même après l'annonce des résultats des élections dans le but de les annuler. |
| La Géorgie a voté bleu avec une faible marge et a obtenu un résultat électoral de -0,3 %. |
| Les résultats prédits ajustés de 2020 pour la Géorgie ont été mis en pot et un marqueur pour la Géorgie ... pour le résultat réel des élections de la Géorgie a été placé sur le graphique de droite. |
| D'après le graphique, nous voyons que les résultats prédits ajustés pour 2020 avec la variable de ratio de 0,75 avaient la valeur de -0,2%, ce qui est le plus proche du résultat réel des élections de Georgias, -0,3%. |
| La variable de ratio de 0,75 signifie que le ratio est de trois sur quatre, ce qui indique que l'économie était un problème plus important pour la majorité des électeurs géorgiens. |
| Cela a du sens car, comme mentionné précédemment, la Géorgie a été le premier État à rouvrir ses portes en avril, indiquant une forte préoccupation pour le bien-être de ses entreprises et de son économie. |
| Dans ce projet, nous avons exploré différents événements clés et leur importance pour influencer les comportements de vote de 15 États swing identifiés à l'aide de méthodes statistiques. |
| Le premier regroupement hiérarchique a été utilisé pour regrouper les États swing en fonction de leur comportement électoral au cours des trois dernières élections. |
| À partir de là, nous avons constaté que dans le deuxième groupe composé de l'Arizona, de la Géorgie et d'autres, |
| étaient principalement touchés par des problèmes concernant les droits civils tandis que des États tels que la Pennsylvanie et le Wisconsin dans le troisième groupe avaient voté pour Joe Biden en raison de préoccupations pour l'économie, les soins de santé et l'environnement. |
| Dans l'ensemble, l'aggravation de la situation COVID-19, les mouvements raciaux tels que le mouvement Black Lives Matter, |
| COVID-19 [feminine] |
| et l'économie, avait sur chaque état. La Géorgie a été explorée plus en détail et il a été constaté qu'un ratio de trois sur quatre correspondait le mieux au résultat réel des élections, |
| suggérant que l'économie était un problème plus important pour les électeurs que COVID = 19, et cela a du sens car la Géorgie a été le premier État à rouvrir les affaires en avril. |
| Merci d'avoir écouté ma présentation. |
