Lautsprecher | Abschrift |
| Saloni Patel | Okay, also hallo, mein Name ist Saloni und heute werde ich unser Projekt vorstellen, das Vorhersagemodell für die Präsidentschaftswahlen in den Vereinigten Staaten und die Verhaltensstudie der Swing-States-Studie. |
| Es gibt zwei Teile in diesem Projekt, der erste beinhaltet die Erstellung und Bewertung eines Modells, das die US-Präsidentschaftswahlen 2020 vorhersagen soll. |
| Der zweite Teil des Projekts wird das Swing-State-Verhalten bei den US-Präsidentschaftswahlen 2020 untersuchen und mithilfe hierarchischer Clustering-Methoden Schlüsselereignisse identifizieren, die das Wahlverhalten bei der Wahl beeinflusst haben. Die gesamte Analyse wurde auf der JMP 15-Plattform durchgeführt. |
| Zur Verdeutlichung konzentriert sich unser Projekt nicht auf alle 50 US-Bundesstaaten, sondern wir werden nur die 15 wichtigsten Swing-Staaten untersuchen. |
| Die Swing States sind Staaten, die vernünftigerweise entweder vom demokratischen oder republikanischen Präsidentschaftskandidaten gewonnen werden können, im Gegensatz zu sicheren Staaten, die sich konsequent auf die eine Partei stützen. |
| Darüber hinaus hängt das US-Wahlsystem vom Electoral College-System ab, das jedem Bundesstaat basierend auf der Bevölkerungszahl eine festgelegte Anzahl von Stimmen zuweist. |
| Es gibt insgesamt 538 Wahlmännerstimmen, also muss ein Präsidentschaftskandidat 270 Wahlmännerstimmen bekommen, um die Präsidentschaftswahl zu gewinnen. |
| Da bekannt ist, dass die meisten Bundesstaaten entweder für einen Kandidaten der Demokraten oder der Republikaner stimmen, ohne die Hoffnung zu haben, vom normalen Abstimmungsmuster abgebracht zu werden, |
| Das Electoral College-System und das Ergebnis der Präsidentschaftswahlen hängen von der Masse der Swing States ab, die potenziell von einem der Kandidaten gewonnen werden können. |
| Selbst ein knapper Sieg führt dazu, dass dieser Kandidat alle Stimmen erhält, die der Staat zu bieten hat, so dass Swing-Staaten bei der Bestimmung des nächsten Präsidenten besonders wirkungsvoll sind. |
| Also haben wir dieses Projekt zunächst in der Hoffnung durchgeführt, die historischen US-Wahlen von 2020 besser zu verstehen, die mitten in einer globalen Pandemie und in sozial sowie wirtschaftlich instabilen Zeiten stattfanden. |
| Der erste Teil der Ziele unseres Projekts besteht darin, wichtige Swing-Zustände zu identifizieren, ein Vorhersagemodell basierend auf dem Einfluss von COVID 19 und der Wirtschaft in diesen identifizierten Swing-Zuständen zu erstellen und schließlich das Vorhersagemodell mit den tatsächlichen Wahlergebnissen zu validieren, sobald diese veröffentlicht wurden. |
| Der erste Schritt in unserem Vorhersagemodell besteht also darin, anhand dieses Swing-State-Index die 15 wichtigsten Swing-States der letzten drei Wahlen zu identifizieren. |
| Wir verwenden diese Formel, um zu bestimmen, ob es sich bei den Zuständen um Swing-Zustände handelt oder nicht. Es ist auch wichtig zu beachten, dass dieser Swing-Index nicht berücksichtigt, für welche Seite jeder Staat stimmt, |
| sondern auf das Wahlergebnis selbst. Mit anderen Worten, ein Staat hätte alle drei Jahre für dieselbe Seite stimmen können, jedoch mit sehr unterschiedlichen Margen, und dennoch als Swing-Staat gezählt werden können. |
| Wir werden diesen Index im nächsten Teil des Projekts weiter untersuchen, aber im Moment verwenden wir diesen Index nur, um … die 15 wichtigsten Swing-Zustände zu identifizieren. |
| Sobald die Swing States identifiziert sind, leiten wir den ersten Wert ab, den wir zur Berechnung des prognostizierten Wahlergebnisses für 2020 benötigen. Dies ist die zusammengesetzte Gewinnmarge 2016-2012. |
| Um diesen Wert zu berechnen, haben wir das Ergebnis von 2016 und das Wahlergebnis von 2012 genommen. In der Formel |
| Wir haben den Ergebnissen von 2016 doppelt so viel Gewicht beigemessen, weil sie jünger waren als die Wahlen von 2012, und wir haben noch einmal doppelt so lange auf die Wahlen von 2016 gewartet. |
| Denn Präsident Trump war bei den Präsidentschaftswahlen 2016 dabei, während Joe Biden bei den Wahlen 2012 als Vizepräsidentschaftskandidat dabei war. Insgesamt werden die Ergebnisse von 2016 in der zusammengesetzten Gewinnspanne 2016-2012 viermal so viel Gewicht haben wie 2012. |
| Als nächstes identifizieren wir Faktoren, die für das Jahr 2020 einzigartig sind, und Faktoren, nach denen die Wähler abstimmen können. |
| Wir stellten fest, dass die globale COVID-19-Pandemie und die folgenden Auswirkungen auf die Wirtschaft wichtige Faktoren waren |
| einzigartig für 2020, daher haben wir die infizierten Fälle und Todesfälle aufgrund von COVID-19 sowie den Anstieg der Arbeitslosigkeit in jedem Bundesstaat gesammelt. |
| Als nächstes wendeten wir die standardisierte Z-Transformation an, um Verzerrungen des Stichprobenmittelwerts und der Varianz zu vermeiden. |
| Unter Verwendung dieser Z-Scores als Z-Infizierte, Z-Todesfälle und Z-Arbeitslosigkeit haben wir den Z-COVID-Index abgeleitet. Dieser Index wird die Auswirkungen der globalen Pandemie und des folgenden wirtschaftlichen Schlags darstellen, den jeder Staat erlebt hat. |
| Schließlich haben wir das prognostizierte Ergebnis für 2020 berechnet, indem wir die zusammengesetzte Gewinnmarge 2016–2012 und den Z-COVID-Index verwendet haben. |
| Sobald die Wahl 2020 vorbei war, haben wir die aufgezeichnet |
| die tatsächlichen Wahlergebnisse 2020 und fuhr fort, unser Vorhersagemodell zu validieren und ob unsere Auswahl der Faktoren bei der Vorhersage des Wahlergebnisses 2020 gute Arbeit geleistet hat. |
| Da die Medien vor der Wahl vorausgesagt hatten, dass Trump ab 2016 3 bis 5 % der Stimmen verlieren wird, haben wir uns außerdem entschieden, bestimmte Prozentsätze von den vorhergesagten Ergebnissen abzuziehen. |
| In der folgenden Tabelle ist dieses vorhergesagte Ergebnis die Null-Prozent-Kategorie, und die Reduzierungen sind ebenfalls ersichtlich. |
| Um die Ergebnisse zu analysieren, verglichen wir die vorhergesagten Ergebnisse mit den tatsächlichen Wahlergebnissen von 2020 unter Verwendung der Regression und des gepaarten t-Tests. |
| Um zu vergleichen, wie die vorhergesagten Ergebnisse für 2020 mit früheren Wahlergebnissen bei der Vorhersage von 2020 verglichen werden |
| Neben dem tatsächlichen Ergebnis beziehen wir auch die Wahlergebnisse 2012 und 2016 in unsere Auswertung mit ein. Schließlich haben wir auch einen 1-Proportion-Hypothesentest durchgeführt, um die Genauigkeit der vorhergesagten Ergebnisse für 2020 zu testen. |
| Zu Beginn haben wir einen Regressionstest durchgeführt, bei dem nur die Wahlergebnisse aus jedem Staat präsentiert wurden. |
| Das Ergebnis 2012 im Vergleich zum tatsächlichen Wahlergebnis 2020 ergab kein signifikantes Ergebnis. |
| Die Regressionstests zwischen 2016 tatsächlich und 2020 tatsächlich zeigen jedoch ein signifikantes Ergebnis und das höchste R-Quadrat von 0,81. |
| Das Ergebnis der Regression liegt mit etwa 1,17 ebenfalls nahe bei 1, was auf eine starke Regressionsbeziehung hindeutet. Die Regression zwischen dem vorhergesagten 2020 und dem 2020 |
| Tatsächlich zeigt auch ein signifikantes Ergebnis, aber ein niedrigeres R-Quadrat von 0,3. |
| Aus diesen Ergebnissen ergab die Regression zwischen den tatsächlichen Ergebnissen von 2016 und den tatsächlichen Ergebnissen von 2020 das höchste R-Quadrat und die Steigung, die am nächsten bei eins lag, obwohl ein anderer Gewinner erklärt wurde. |
| Es ist vernünftig festzustellen, dass die Wahlergebnisse von 2020 mit den Wahlergebnissen von 2016 korrelieren würden, da Trump die bei den Wahlen 2016 knapp gewonnenen Swing States mit knappem Vorsprung verloren hat, also nur Michigan, Pennsylvania und Wisconsin. |
| Als nächstes die gepaarten t-Tests, die auch die Prozentsätze der Wahlergebnisse jedes Staates vergleichen. Wir verwenden den gepaarten t-Test, weil dieselben Zustände oder Paare gegeneinander bewertet werden. |
| Der gepaarte t-Test fand nur einen signifikanten Unterschied in den Mittelwerten von 2016 |
| tatsächlichen Wahlergebnissen und den tatsächlichen Ergebnissen 2020, was sinnvoll ist, da diese Ergebnisse eine hohe Regressionstest-Signifikanz hatten. |
| Dies würde darauf hindeuten, dass die Mittelwerte der Wahlen von 2012 und der prognostizierten Ergebnisse von 2020 denen von 2020 ähnlich sind, was bedeutet, dass die Wahlergebnisse ähnlich sind. |
| Bei den Wahlen 2012 hatten die Demokraten die Wahl gewonnen und die vorhergesagten Ergebnisse hatten vorhergesagt, dass die Demokraten 2020 gewinnen würden, während 2016 die Republikaner die Wahl gewonnen hatten. Dies kann erklären, warum 2016 deutlich von den tatsächlichen Wahlergebnissen 2020 abweicht, während die... |
| während die tatsächliche 2012 und die Prognose für 2020 dies nicht sind. |
| Schließlich verwenden wir den 1-Proportion-Hypothesentest, um zu testen, wie die vorhergesagten Ergebnisse für 2020 mit den tatsächlichen Ergebnissen für 2020 übereinstimmen. |
| Im Gegensatz zur Regression und dem gepaarten t-Test vergleicht der 1-Proportion-Test die Staaten und welche Seite sie gewählt haben. |
| Regression und gepaarter t-Test verglichen nur die Wahlergebnisse ohne Angabe, für welche Seite die Staaten gestimmt haben. |
| Daher ist dieser Test leistungsfähiger und validiert das Vorhersagemodell, da er die vorhergesagte Seite vergleicht, für die jeder Staat stimmen würde |
| und für welche Seite die Staaten tatsächlich gestimmt haben. Wir weisen den Staaten, die für die vorhergesagte Seite gestimmt haben, ein Pass zu und denen, die nicht für die vorhergesagte Seite gestimmt haben, ein Fail. |
| Insgesamt 12 von 15 Bundesstaaten haben ein Bestehen erhalten, da sie genau vorhergesagt wurden, während die anderen drei ein Nichtbestehen erhielten. Wir setzen den Erfolgswert auf bestanden und die Skala ist ein Stichprobenanteil von 0,8. |
| Da der Stichprobenanteil größer als 0,9 oder 90 % genau sein soll, setzen wir den hypothetischen Anteil auf 0,9. |
| Da der Anteil von 0,8 den Wert von 0,9 beim Konfidenzniveau von 95 % nicht überstieg, war das Vorhersagemodell nicht zu 90 % genau und konnte die Nullhypothese beim Konfidenzniveau von 95 % nicht zurückweisen. Nach dem Anteil unserer Stichprobe ist dieses Modell zu 80 % genau. |
| Zusammenfassend lässt sich sagen, dass der Regressionstest eine Signifikanz zwischen den tatsächlichen Ergebnissen von 2016 und dem tatsächlichen Wahlergebnis von 2020 zeigte., |
| sowie eine schwächere Signifikanz zwischen 2020 prognostizierten und 2020 tatsächlichen Wahlergebnissen. Wir vermuten, dass dies daran liegen könnte, dass Präsident Trump bei dieser Wahl jene Swing States verlor, die er bei den Wahlen 2016 knapp gewonnen hatte. |
| Der gepaarte t-Test zeigte einen signifikanten Unterschied zwischen dem tatsächlichen Wert von 2016 und dem tatsächlichen Wert von 2020, und wir stellten die Theorie auf, dass dies daran liegen könnte, dass diese beiden Wahlen unterschiedliche Gewinner erklärten. |
| Präsident Trump gewann die Wahlen 2016, verlor jedoch die Wahlen 2020. Darüber hinaus unterscheiden sich die prognostizierten Ergebnisse für 2012 und 2020 nicht wesentlich von den tatsächlichen Ergebnissen für 2020 |
| Ergebnis ... Wahlergebnis, was möglicherweise daran lag, dass beide dieselbe politische Partei zum Sieger erklärten. |
| Wie ... zuletzt, der 1-Prozent-Hypothesentest konnte die Nullhypothese nicht zurückweisen, und daher ist unser Vorhersagemodell bei einem Konfidenzniveau von 95 % nicht zu 90 % genau. |
| Arizona, Wisconsin und Minnesota, |
| was darauf hindeuten könnte, dass es neben den Auswirkungen von COVID-19 und den Arbeitslosenquoten noch andere wichtige Faktoren gab, die das Wahlergebnis 2020 beeinflussten. |
| Hier gehen wir zum nächsten Teil unseres Projekts über, in dem wir Staaten basierend auf ihrem Swing-State-Index gruppieren und sie mit Schlüsselereignissen identifizieren, die im Jahr 2020 stattgefunden haben und das Abstimmungsverhalten der Swing-Staaten beeinflusst haben könnten. |
| Die Frage, die sich dieser Teil des Projekts von Anfang an stellen wird, ist, welche Ereignisse und Faktoren die Swing-Staaten beeinflussen, so zu wählen, wie sie es getan haben. |
| Wie viel mehr oder weniger kümmerten sich die Wähler um COVID-19 als um die Wirtschaft und andere Nebenuntersuchungen? Können wir statistische Tools verwenden, um politische Ereignisse mit Abstimmungsmustern zu verknüpfen? |
| Das Ziel dieses Projekts ist es, die zuvor identifizierten Abstimmungsmuster von Swing States zu untersuchen, indem statistische Clustering-Methoden mit politischen Ereignissen verknüpft werden. |
| Wir werden auch den Z-COVID-Index, oder wie wir ihn jetzt Z-Ratio nennen, mit neuen Kennzahlen anpassen, um die Bedeutung von COVID 19 und der Wirtschaft beim Wahlverhalten besser zu verstehen. |
| Zuvor hatte der Z-COVID-Index ein Verhältnis von zwei zu eins, in dem die Werte von COVID-19-infizierten Fällen und Todesfällen angegeben waren |
| wurden im Vergleich zum Anstiegswert der Arbeitslosigkeit doppelt gewichtet, da es zwei Werte für COVID-19 gab und nur einer für die Wirtschaft gedacht war. |
| Wir haben erkannt, dass jeder Staat unterschiedlich von der Pandemie betroffen war, und hielten es daher für angebracht, die Auswirkungen einer Umstellung dieses Zwei-zu-eins-Verhältnisses auf andere Verhältnisse zu analysieren. |
| Zuerst kehren wir zum Swing-State-Index zurück, der dabei hilft, den Swing jedes Staates zu identifizieren, indem er die Prozentsätze der Wahlergebnisse der letzten drei Wahlen verwendet. |
| Ein negatives Wahlergebnis zeigt an, dass der Swing für die Demokraten gestimmt hat, während ein positives für eine republikanische Stimme steht. |
| Je größer die Größenordnung und je negativer der Swing-Index, desto mehr haben die Abstimmungsmuster der Staaten geschwankt. |
| Wenn der Zustand die Richtung ändert, sind die Vorzeichen der beiden Differenzen nicht gleich, was dazu führt, dass der Schwungzustandsindex negativ ist und eher ein Schwungverhalten zeigt. |
| Aus dieser Tabelle können wir ersehen, dass Michigan und Minnesota negative Werte der größten Größenordnung aufweisen, was bedeutet, dass sie bei den letzten drei Wahlen am stärksten schwankten. Insgesamt ist der Swing-State-Index sehr nützlich, um grundlegende Abstimmungsmuster für die Swing-States zu verstehen. |
| Der Swing-State-Index kann jedoch keine Schlüsselereignisse identifizieren, die die Abstimmungsmuster verursacht haben. |
| Wir haben hierarchisches Clustering verwendet, um Staaten mit ähnlichen Abstimmungsmustern zu untersuchen und potenzielle Faktoren aufzulisten, die ihr Abstimmungsverhalten beeinflusst haben. |
| Durch hierarchisches Clustering wurden die 15 Swing-Zustände in vier verschiedene Cluster gruppiert, wie rechts zu sehen ist. |
| Wir haben diese Methode aufgrund ihres Bottom-up-Ansatzes verwendet, bei dem jeder Zustand ein eigener Cluster ist, bevor er einzeln auftaucht und in der Hierarchie nach oben klettert. Auf der rechten Seite sind Iowa und Ohio in Rot zu sehen, was darauf hinweist, dass sie sich im selben Cluster befinden. |
| Wie bereits erwähnt, teilte das hierarchische Clustering die Swing-Staaten in vier Cluster auf, der erste Cluster besteht aus Iowa und Ohio. |
| Beide Staaten hatten bei den Wahlen 2012 blau oder demokratisch gewählt, bei den Wahlen 2016 und 2020 jedoch rot oder republikanisch. |
| Der zweite Cluster umfasst Georgia, Arizona, North Carolina und Florida. Alle diese Staaten außer North Carolina wurden blauer oder röter, oder mit anderen Worten, sie beginnen, eine Seite stark zu bevorzugen. |
| Aber der dritte Cluster besteht aus Wisconsin, Pennsylvania, Michigan, Nevada, New Hampshire und Minnesota. |
| Alle diese Staaten außer Nevada haben einen negativen Swing-Index, was bedeutet, dass sie die widersprüchlichsten Swing-Staaten sind. |
| Der letzte Cluster besteht aus Colorado, Virginia und New Mexico, die alle relativ blaue Staaten oder Staaten sind, die konsequent für Demokraten gestimmt haben und bei den Wahlen 2020 mit einem größeren Vorsprung als zuvor blau gewählt haben. |
| Nachdem wir nun alle Cluster und eine Vorstellung von ihren Eigenschaften haben, haben wir uns den Clustering-Join-Verlauf angesehen, der die obersten Zustandspaare identifiziert oder welche zwei Zustände in ihren Clustern am ähnlichsten sind. |
| Aus der Verbindungsgeschichte sind die ersten beiden Paare Wisconsin mit Pennsylvania aus dem dritten Cluster und Georgia mit Arizona aus dem zweiten Cluster. |
| Beide Paare gehören zu den Clustern mit Bundesstaaten, die bei den Wahlen 2020 von Rot auf Blau wechselten. |
| Nach weiteren Recherchen stellten wir fest, dass Wisconsin und Pennsylvania offenbar Bedenken hinsichtlich der Wirtschaft hatten, |
| Unzufriedenheit mit der Gesundheitspolitik von Präsident Trump, wie etwa seinen Bemühungen, den Affordable Care Act zu schwächen, der unter der Obama-Regierung geschaffen wurde, |
| sowie Umweltbedenken, die letztendlich dazu führten, dass die Mehrheit der Wähler demokratisch stimmte. |
| In Georgia und Arizona sehen wir jedoch große demografische Veränderungen, wie z. B. mehr registrierte Latino-Wähler in Arizona |
| und die Black Lives Matter-Bewegung, die schwere rassistische Ungerechtigkeiten aufdeckte, veranlasste letztendlich die Mehrheit der Wähler, einen demokratischen Stimmzettel abzugeben. |
| Durch hierarchisches Clustering konnten wir Staaten basierend auf ihrem Abstimmungsverhalten in verschiedene Gruppen einteilen und Verbindungen herstellen, welche Schlüsselereignisse das beobachtete Abstimmungsverhalten verursachten. |
| Obwohl wir Schlüsselereignisse gefunden haben, die das Abstimmungsverhalten jedes Bundesstaates beeinflussten, sagten uns die hierarchischen Cluster nicht, welches Gewicht jedes Ereignis im Abstimmungsverhalten der einzelnen Swing-Staaten spielte. |
| COVID-19 und die darauf folgende wirtschaftliche Rezession. |
| COVID-19 und die Wirtschaft. |
| Wir mussten jedoch davon ausgehen, dass jeder Staat das gleiche Z-Verhältnis haben würde, was COVID-19 das doppelte Gewicht verlieh, was zu einem Verhältnis von zwei zu eins für jeden Staat führte. |
| Aus der hierarchischen Gruppierung haben wir jedoch herausgefunden, dass jeder Staat eine einzigartige Situation hat und seine Wähler sich um unterschiedliche Themen kümmern. Um das Z-Verhältnis und ... das Z-Verhältnis anzupassen, haben wir einen Wert namens Verhältnisvariable erstellt. Die Verhältnisvariable bestimmt das Verhältnis der Wichtigkeit von COVID-19 |
| oder Z-COVID-Index, der die jeweils infizierten Fälle und Todesfälle im Vergleich zur Wirtschaft darstellt, oder die Arbeitslosigkeit, die die jährliche Steigerungsrate der Arbeitslosigkeit in jedem Staat darstellt. |
| Sobald das Z-Verhältnis angepasst ist, mit ein paar verschiedenen Verhältnisvariablen, wie z. |
| es ist in die vollständige Formel implementiert, die zur Berechnung der prognostizierten Ergebnisse für 2020 verwendet wird. |
| Diese angepassten prognostizierten Ergebnisse für 2020 werden mit den tatsächlichen Wahlergebnissen für 2020 verglichen, um festzustellen, welches Verhältnis die Situation des Staates am besten erklärt und wie viel Bedeutung COVID-19 und die Wirtschaft bei der Beeinflussung des Wahlverhaltens hatten. |
| Wir entschieden uns, das Abstimmungsverhalten Georgiens genau zu untersuchen, da es sich von den anderen Swing-Staaten abzuheben schien. |
| Zum einen war Georgia der erste Staat, der im April seine Geschäfte wiedereröffnete, während die übrigen Staaten dies nicht taten. |
| Darüber hinaus war Georgia ein Schlüsselstaat bei den Wahlen 2020, den Präsident Trump auch nach Bekanntgabe der Wahlergebnisse im Auge hatte, um sie zu stürzen. |
| Georgien hat mit knappem Vorsprung blau gewählt und erzielte ein Wahlergebnis von -0,3 %. |
| Die angepassten prognostizierten Ergebnisse für Georgien für 2020 wurden eingetopft und eine Markierung für Georgien... für das tatsächliche Wahlergebnis Georgiens wurde in der Grafik rechts platziert. |
| Aus der Grafik sehen wir, dass die angepassten prognostizierten Ergebnisse für 2020 mit der Ratio-Variablen von 0,75 den Wert von -0,2 % hatten, was dem tatsächlichen Wahlergebnis Georgiens von -0,3 % am nächsten kommt. |
| Die Verhältnisvariable 0,75 bedeutet, dass das Verhältnis drei zu vier beträgt, was darauf hinweist, dass die Wirtschaft für die Mehrheit der Wähler in Georgien ein wichtigeres Thema war. |
| Dies ist sinnvoll, da Georgia, wie bereits erwähnt, der erste Staat war, der im April seine Geschäfte wiedereröffnete, was auf eine starke Sorge um das Wohlergehen seiner Unternehmen und seiner Wirtschaft hinweist. |
| In diesem Projekt untersuchten wir verschiedene Schlüsselereignisse und ihre Bedeutung für die Beeinflussung des Abstimmungsverhaltens von 15 identifizierten Swing-Zuständen mit statistischen Methoden. |
| Zunächst wurde hierarchisches Clustering verwendet, um Swing States basierend auf ihrem Wahlverhalten bei den letzten drei Wahlen zu gruppieren. |
| Daraus haben wir herausgefunden, dass im zweiten Cluster, bestehend aus Arizona, Georgia und anderen, |
| waren vor allem von Bürgerrechtsfragen betroffen, während Staaten wie Pennsylvania und Wisconsin im dritten Cluster aus Sorge um Wirtschaft, Gesundheitswesen und Umwelt für Joe Biden gestimmt hatten. |
| Insgesamt die sich verschlechternde COVID-19-Situation, rassistische Bewegungen wie die Black Lives Matter-Bewegung, |
| COVID-19 |
| und die Wirtschaft, hatte auf jedem Staat. Georgien wurde genauer untersucht, und es wurde festgestellt, dass ein Verhältnis von drei zu vier am besten mit dem tatsächlichen Wahlergebnis übereinstimmte. |
| Dies deutet darauf hin, dass die Wirtschaft im Vergleich zu COVID=19 ein wichtigeres Thema für die Wähler war, und dies ist sinnvoll, da Georgia der erste Staat war, der im April seine Geschäfte wiedereröffnete. |
| Vielen Dank, dass Sie sich meine Präsentation angehört haben. |
