Relatore | Trascrizione |
| Saloni Patel | Ok, quindi ciao, mi chiamo Saloni e oggi presenterò il nostro progetto, il modello di previsione delle elezioni presidenziali degli Stati Uniti e lo studio sui comportamenti di studio degli stati oscillanti. |
| Ci sono due parti in questo progetto, la prima riguarda la creazione e la valutazione di un modello inteso a prevedere le elezioni presidenziali americane del 2020. |
| La seconda parte del progetto studierà il comportamento dello stato oscillante nelle elezioni presidenziali statunitensi del 2020 e identificherà gli eventi chiave che hanno influenzato i modelli di voto nelle elezioni utilizzando metodi di raggruppamento gerarchico. Tutta l'analisi è stata eseguita sulla piattaforma JMP 15. |
| Per chiarire il nostro progetto non si concentra su tutti i 50 stati degli Stati Uniti e invece studieremo solo i primi 15 stati oscillanti. |
| Gli stati oscillanti sono stati che possono essere ragionevolmente conquistati dal candidato presidenziale democratico o repubblicano, al contrario degli stati sicuri che tendono costantemente verso l'unico partito. |
| Inoltre, il sistema di voto degli Stati Uniti dipende dal sistema del Collegio elettorale che assegna un determinato numero di voti a ciascuno stato in base al numero di abitanti. |
| Ci sono un totale di 538 voti elettorali, quindi un candidato presidenziale deve ottenere 270 voti elettorali per vincere le elezioni presidenziali. |
| Poiché è noto che la maggior parte degli stati vota per un candidato democratico o repubblicano senza speranze di essere sviato dal normale schema di voto, |
| il sistema del collegio elettorale e il risultato delle elezioni presidenziali dipendono dalla maggior parte degli stati oscillanti che possono essere potenzialmente vinti da uno qualsiasi dei candidati. |
| Una vittoria anche con un piccolo margine fa sì che quel candidato acquisisca tutti i voti che lo stato ha da offrire, quindi gli stati oscillanti hanno un impatto particolare nella determinazione del prossimo presidente. |
| Quindi, per iniziare, abbiamo condotto questo progetto nella speranza di comprendere meglio le storiche elezioni americane del 2020 che si sono svolte nel mezzo di una pandemia globale e in tempi socialmente ed economicamente instabili. |
| La prima parte degli obiettivi del nostro progetto è identificare gli stati oscillanti chiave, creare un modello di previsione basato sull'influenza di COVID 19 e dell'economia in quegli stati oscillanti identificati e, infine, convalidare il modello di previsione con i risultati elettorali effettivi una volta che sono stati pubblicati. |
| Quindi il primo passo nel nostro modello di previsione è identificare i primi 15 stati oscillanti delle ultime tre elezioni utilizzando questo indice di stato oscillante. |
| Usiamo questa formula per determinare se gli stati sono stati oscillanti o meno. È anche importante notare che questo indice di oscillazione non tiene conto da quale parte ciascuno stato vota, |
| ma piuttosto sui risultati elettorali stessi. In altre parole, uno stato avrebbe potuto votare per la stessa parte tutti e tre gli anni ma con margini molto diversi ed essere ancora considerato uno stato oscillante. |
| Studieremo ulteriormente questo indice nella prossima parte del progetto, ma in questo momento tutto ciò che usiamo questo indice è per... perché è identificare i primi 15 stati di oscillazione. |
| Una volta identificati gli stati oscillanti, deriviamo il primo valore di cui avremo bisogno per calcolare il risultato previsto per le elezioni del 2020. Questo è il margine di vincita composito 2016-2012. |
| Per calcolare questo valore abbiamo preso il risultato del 2016 e il risultato delle elezioni del 2012. Nella formula, |
| abbiamo dato ai risultati del 2016 un peso doppio perché era più recente delle elezioni del 2012 e abbiamo dato un altro doppio di attesa per le elezioni del 2016. |
| Perché il presidente Trump era presente alle elezioni del 2016 in corsa come presidente, mentre Joe Biden era presente alle elezioni del 2012 come candidato alla vicepresidenza. In totale, i risultati del 2016 avranno quattro volte il peso del 2012 nel margine di vittoria composito 2016-2012. |
| Successivamente identifichiamo i fattori che sono unici per il 2020 e i fattori in base ai quali gli elettori possono votare. |
| Abbiamo scoperto che la pandemia globale di COVID-19 e il successivo colpo subìto dall'economia erano fattori importanti |
| unico nel 2020, quindi abbiamo raccolto i casi infetti e i decessi dovuti a COVID-19, nonché l'aumento della disoccupazione in ogni stato. |
| Successivamente abbiamo applicato la trasformazione standardizzata Z per evitare qualsiasi media di campionamento e bias di varianza. |
| Usando quei punteggi Z, come Z-infetti, Z-morti e Z-disoccupazione, abbiamo derivato l'indice Z-COVID. Questo indice rappresenterà l'impatto che la pandemia globale e il successivo colpo economico hanno subito da ogni stato. |
| Infine, abbiamo calcolato il risultato previsto per il 2020, utilizzando il margine di vincita composito 2016-2012 e l'indice Z-COVID. |
| Una volta superate le elezioni del 2020, abbiamo registrato il |
| risultati effettivi delle elezioni del 2020 e proceduto a convalidare il nostro modello di previsione e se la nostra scelta dei fattori ha svolto un buon lavoro aiutando a prevedere il risultato delle elezioni del 2020. |
| Inoltre, poiché i media prima delle elezioni avevano previsto che Trump perderà dal 3 al 5% dei voti dal 2016, abbiamo deciso di sottrarre alcune percentuali dai risultati previsti. |
| Nella tabella seguente, il risultato previsto è la categoria zero per cento e si possono vedere anche le riduzioni. |
| Per analizzare i risultati abbiamo confrontato i risultati previsti con i risultati effettivi delle elezioni del 2020, utilizzando la regressione e il paired t-test. |
| Per confrontare il modo in cui i risultati previsti per il 2020 rispetto ai risultati delle elezioni precedenti nella previsione del 2020 |
| risultato effettivo, includiamo anche i risultati delle elezioni del 2012 e del 2016 nella nostra valutazione. Infine, abbiamo anche condotto un test di ipotesi a 1 proporzione per testare l'accuratezza dei risultati previsti per il 2020. |
| Per iniziare abbiamo condotto un test di regressione con i risultati elettorali presentati solo da ogni stato. |
| Il risultato del 2012 rispetto al risultato effettivo delle elezioni del 2020 non ha prodotto un risultato significativo. |
| Tuttavia, i test di regressione tra il 2016 effettivo e il 2020 effettivo mostrano un risultato significativo e la R più alta al quadrato di 0,81. |
| Anche i risultati della regressione sono vicini a 1, a circa 1,17, suggerendo una forte relazione di regressione. La regressione tra il 2020 previsto e il 2020 |
| effettivo mostra anche un risultato significativo ma un quadrato R inferiore di 0,3. |
| Da questi risultati, la regressione tra i risultati effettivi del 2016 e quelli effettivi del 2020 aveva il quadrato R più alto e la pendenza più vicina a uno, nonostante avesse dichiarato un vincitore diverso. |
| È ragionevole scoprire che i risultati delle elezioni del 2020 sarebbero correlati ai risultati delle elezioni del 2016 poiché Trump ha perso quegli stati oscillanti vinti per poco nelle elezioni del 2016 con un piccolo margine, quindi solo Michigan, Pennsylvania e Wisconsin. |
| Successivamente, i t-test accoppiati che confronteranno anche le percentuali dei risultati elettorali di ciascuno stato. usiamo il test t appaiato perché gli stessi stati o coppie vengono valutati l'uno rispetto all'altro. |
| Il test t accoppiato ha rilevato solo una differenza significativa nelle medie del 2016 |
| risultati elettorali effettivi e risultati effettivi del 2020, il che ha senso poiché questi risultati avevano un'elevata significatività nei test di regressione. |
| Ciò suggerirebbe che i mezzi delle elezioni del 2012 e dei risultati previsti per il 2020 sono simili a quelli del 2020, il che significa che i risultati delle elezioni sono simili. |
| Nelle elezioni del 2012, i Democratici avevano vinto le elezioni ei risultati previsti avevano previsto che i Democratici avrebbero vinto nel 2020, mentre nel 2016 i Repubblicani avevano vinto le elezioni. Questo può spiegare perché il 2016 è significativamente diverso dai risultati elettorali effettivi del 2020, mentre il... |
| mentre il 2012 effettivo e il 2020 previsto non lo sono. |
| Infine, utilizziamo il test di ipotesi a 1 proporzione per verificare come i risultati previsti per il 2020 corrispondono ai risultati effettivi del 2020. |
| A differenza della regressione e del test t accoppiato, il test della proporzione 1 confronta gli stati e la parte per cui hanno votato. |
| La regressione e il t-test accoppiato hanno confrontato solo i risultati elettorali senza alcuna indicazione da quale parte gli stati hanno votato. |
| Pertanto, questo test è più potente e convalida il modello di previsione, poiché confronta il lato previsto per cui ciascuno stato voterebbe |
| e da che parte hanno effettivamente votato gli stati. Assegniamo gli stati che hanno votato per la parte prevista con un passaggio e quelli che non hanno votato per la parte prevista con un errore. |
| In totale 12 stati su 15 hanno ricevuto un passaggio, come previsto con precisione, mentre gli altri tre hanno ricevuto un errore. Impostiamo il valore di successo su pass e la scala è una proporzione campionaria di 0,8. |
| Poiché vogliamo che la proporzione del campione sia maggiore di 0,9 o con una precisione del 90%, impostiamo la proporzione ipotizzata su 0,9. |
| Poiché la proporzione di 0,8 non è riuscita a superare lo 0,9 al livello di confidenza del 95%, il modello di previsione non è stato accurato al 90%, non è riuscito a rifiutare l'ipotesi nulla al livello di confidenza del 95%. Secondo la proporzione del nostro campione, questo modello è accurato all'80%. |
| Per riassumere, il test di regressione ha mostrato significatività tra i risultati effettivi del 2016 e il risultato delle elezioni effettive del 2020., |
| così come un significato più debole tra i risultati elettorali previsti per il 2020 e quelli effettivi per il 2020. Teorizziamo che ciò potrebbe essere dovuto al fatto che in queste elezioni il presidente Trump ha perso quegli stati oscillanti vinti per poco nelle elezioni del 2016. |
| Il test t accoppiato ha mostrato una differenza significativa tra il 2016 effettivo e il 2020 effettivo e abbiamo teorizzato che ciò potrebbe essere dovuto al fatto che quelle due elezioni hanno dichiarato vincitori diversi. |
| Il presidente Trump ha vinto le elezioni del 2016 ma ha perso le elezioni del 2020. Inoltre, i risultati previsti per il 2012 e il 2020 non sono significativamente diversi da quelli effettivi per il 2020 |
| risultato... il risultato delle elezioni, che potrebbe essere dovuto al fatto che entrambi hanno dichiarato vincitore lo stesso partito politico. |
| Infine, il test dell'ipotesi dell'1 percento non è riuscito a rifiutare l'ipotesi nulla, quindi il nostro modello di previsione non è accurato al 90% al livello di confidenza del 95%. |
| Arizona, Wisconsin e Minnesota, |
| il che potrebbe suggerire che c'erano altri fattori importanti oltre agli impatti del COVID-19 e ai tassi di disoccupazione che hanno influenzato il risultato delle elezioni del 2020. |
| È qui che passiamo alla parte successiva del nostro progetto in cui raggrupperemo gli stati in base al loro indice di stato oscillante e li identificheremo con eventi chiave avvenuti nel 2020 che potrebbero aver influenzato i comportamenti di voto degli stati oscillanti. |
| Quindi le domande che questa parte del progetto affronterà dall'ultima è quali eventi e fattori influenzano gli stati oscillanti a votare nel modo in cui hanno fatto. |
| Quanto più o meno gli elettori si sono preoccupati del COVID-19 rispetto all'economia e ad altre indagini collaterali? Possiamo usare strumenti statistici per collegare gli eventi politici ai modelli di voto? |
| Gli obiettivi di questo progetto sono studiare i modelli di voto degli stati oscillanti precedentemente identificati collegando i metodi di raggruppamento statistico agli eventi politici. |
| Adegueremo anche l'indice Z-COVID, o come lo chiameremo ora Z-Ratio, con nuovi rapporti per comprendere meglio l'importanza del COVID 19 e dell'economia nel comportamento di voto. |
| In precedenza l'indice Z-COVID aveva un rapporto di due per uno, dove i valori dei casi e dei decessi infetti da COVID-19 |
| sono stati dati il doppio del peso rispetto al valore dell'aumento della disoccupazione, poiché c'erano due valori per COVID-19 e solo uno per l'economia. |
| Ci siamo resi conto che ogni Stato è stato colpito in modo diverso dalla pandemia, quindi abbiamo pensato che fosse appropriato analizzare gli effetti del passaggio da questo rapporto due per uno ad altri rapporti. |
| In primo luogo, torneremo allo swing state index, che aiuta a identificare lo swing di ogni stato utilizzando le percentuali dei risultati elettorali delle ultime tre elezioni. |
| Un risultato elettorale negativo indica che lo swing ha votato per i Democratici, mentre positivo indica un voto repubblicano. |
| Maggiore è l'entità e più negativo è l'indice di oscillazione, più le modalità di voto degli stati sono cambiate. |
| Se lo stato cambia direzione, i segni delle due differenze non saranno uguali, facendo sì che l'indice dello stato di oscillazione sia negativo e mostri più un comportamento di oscillazione. |
| Da questa tabella, possiamo vedere che Michigan e Minnesota hanno valori negativi di magnitudine maggiore, il che significa che hanno oscillato di più nelle ultime tre elezioni. Nel complesso, l'indice dello stato oscillante è abbastanza utile per comprendere i modelli di voto di base per gli stati oscillanti. |
| Tuttavia, l'indice dello stato oscillante non è in grado di identificare gli eventi chiave che hanno causato i modelli di voto. |
| Abbiamo utilizzato il raggruppamento gerarchico per studiare gli stati con modelli di voto simili ed elencare i potenziali fattori che hanno influenzato il loro comportamento di voto. |
| Il raggruppamento gerarchico ha raggruppato i 15 stati di oscillazione in quattro diversi gruppi, come mostrato a destra. |
| Abbiamo utilizzato questo metodo, a causa del suo approccio dal basso verso l'alto, in cui ogni stato è il proprio cluster prima che emergessero uno alla volta e salissero nella gerarchia. Sulla destra, l'Iowa e l'Ohio possono essere visti in rosso a indicare che si trovano nello stesso gruppo. |
| Come accennato in precedenza, il clustering gerarchico ha diviso gli stati oscillanti in quattro cluster, il primo cluster è costituito da Iowa e Ohio. |
| Entrambi questi stati avevano votato blu o democratico nelle elezioni del 2012, ma rosso o repubblicano nelle elezioni del 2016 e del 2020. |
| Il secondo cluster comprende Georgia, Arizona, Carolina del Nord e Florida. Tutti questi stati tranne la Carolina del Nord sono diventati più blu o più rossi, o in altre parole stanno iniziando a favorire pesantemente una parte. |
| Ma il terzo cluster è costituito da Wisconsin, Pennsylvania, Michigan, Nevada, New Hampshire e Minnesota. |
| Tutti questi stati, oltre al Nevada, hanno un indice di oscillazione negativo, il che significa che sono gli stati oscillanti più incoerenti. |
| L'ultimo cluster ha Colorado, Virginia e New Mexico, che sono tutti stati relativamente blu o stati che hanno costantemente votato democratico e nelle elezioni del 2020 hanno votato blu con un margine più ampio rispetto a prima. |
| Ora che abbiamo tutti i cluster e un'idea delle loro caratteristiche, abbiamo esaminato la cronologia del clustering join, che identifica le prime coppie di stati o quali due stati sono i più simili nei loro cluster. |
| Dalla cronologia dell'unione, le prime due coppie sono il Wisconsin con la Pennsylvania dal terzo cluster e la Georgia con l'Arizona dal secondo cluster. |
| Entrambe le coppie fanno parte dei cluster che avevano stati che sono passati dal rosso al blu nelle elezioni del 2020. |
| Dopo ulteriori ricerche, abbiamo scoperto che Wisconsin e Pennsylvania sembravano avere preoccupazioni per l'economia, |
| insoddisfazione per le politiche sanitarie del presidente Trump, come i suoi sforzi per indebolire l'Affordable Care Act formato sotto l'amministrazione Obama, |
| così come le preoccupazioni per l'ambiente, che alla fine hanno fatto sì che la maggioranza degli elettori votasse democratico. |
| Tuttavia, in Georgia e in Arizona, vediamo che importanti cambiamenti demografici, come un numero maggiore di elettori latini registrati in Arizona |
| e il movimento Black Lives Matter che ha denunciato gravi ingiustizie razziali, alla fine ha indotto la maggioranza degli elettori a votare per i democratici. |
| Attraverso il raggruppamento gerarchico siamo stati in grado di separare gli stati in diversi gruppi in base ai loro comportamenti di voto e creare connessioni su cui eventi chiave hanno causato il comportamento di voto osservato. |
| Sebbene abbiamo trovato eventi chiave che hanno influenzato il comportamento di voto di ogni stato, il raggruppamento gerarchico non ci ha detto il peso che ogni evento ha giocato nel comportamento di voto del singolo stato oscillante. |
| COVID-19 e la recessione economica che ne è seguita. |
| COVID-19 ed economia. |
| Tuttavia, abbiamo dovuto presumere che ogni stato avrebbe lo stesso rapporto Z, che ha dato a COVID-19 il doppio del peso, risultando in un rapporto due per uno per ogni stato. |
| Tuttavia, dal raggruppamento gerarchico, abbiamo scoperto che ogni stato ha una situazione unica e che i loro elettori si sono occupati di questioni diverse. Per regolare il rapporto Z e... il rapporto Z, abbiamo creato un valore chiamato Ratio Variable. La variabile di rapporto determinerà il rapporto tra l'importanza di COVID-19 |
| o l'indice Z-COVID, che rappresenta i casi infetti e i decessi in ciascun caso rispetto all'economia o alla disoccupazione che rappresenta il tasso annuo di aumento della disoccupazione in ogni stato. |
| Una volta regolato il rapporto Z, con alcune variabili di rapporto diverse, come 0,1, che crea un rapporto di uno per 10 dando all'economia 10 volte l'importanza, |
| è implementato nella formula completa utilizzata per calcolare i risultati previsti per il 2020. |
| Questi risultati previsti rettificati per il 2020 vengono confrontati con i risultati effettivi delle elezioni del 2020 per determinare quale rapporto spiega meglio la situazione dello stato e quanta importanza hanno avuto il COVID-19 e l'economia nell'influenzare il comportamento di voto. |
| Abbiamo deciso di studiare da vicino il comportamento di voto della Georgia poiché sembrava distinguersi rispetto agli altri stati oscillanti. |
| Per uno, la Georgia è stato il primo stato a riaprire l'attività in aprile, mentre il resto degli stati no. |
| Inoltre, la Georgia è stata uno stato chiave nelle elezioni del 2020, su cui il presidente Trump ha tenuto d'occhio anche dopo che i risultati elettorali sono stati annunciati nel tentativo di ribaltarli. |
| La Georgia ha votato blu con un piccolo margine e ha ottenuto risultati elettorali del -0,3%. |
| I risultati previsti per il 2020 rettificati per la Georgia sono stati archiviati e un indicatore per la Georgia ... per il risultato effettivo delle elezioni della Georgia è stato posizionato sul grafico a destra. |
| Dal grafico vediamo che i risultati previsti per il 2020 rettificati con la variabile del rapporto di 0,75 avevano il valore di -0,2%, che è il più vicino al risultato elettorale effettivo della Georgia, -0,3%. |
| La variabile del rapporto 0,75 significa che il rapporto è tre per quattro, indicando che l'economia era una questione più importante per la maggioranza degli elettori in Georgia. |
| Ciò ha senso perché, come accennato in precedenza, la Georgia è stato il primo stato a riaprire l'attività in aprile, indicando una forte preoccupazione per il benessere delle sue imprese e dell'economia. |
| In questo progetto abbiamo esplorato diversi eventi chiave e la loro importanza nell'influenzare i comportamenti di voto di 15 stati oscillanti identificati utilizzando metodi statistici. |
| Il primo raggruppamento gerarchico è stato utilizzato per raggruppare gli stati oscillanti in base al loro comportamento di voto nelle ultime tre elezioni. |
| Da ciò abbiamo scoperto che nel secondo cluster costituito da Arizona, Georgia e altri, |
| sono stati per lo più interessati da problemi relativi ai diritti civili mentre stati come Pennsylvania e Wisconsin nel terzo cluster avevano votato per Joe Biden a causa di preoccupazioni per l'economia, la sanità e l'ambiente. |
| Nel complesso, il peggioramento della situazione COVID-19, i movimenti razziali come il movimento Black Lives Matter, |
| COVID-19 |
| e l'economia, aveva su ogni stato. La Georgia è stata esplorata in modo più dettagliato ed è stato riscontrato che un rapporto di tre per quattro corrispondeva meglio al risultato elettorale effettivo, |
| suggerendo che l'economia fosse una questione più importante per gli elettori rispetto a COVID=19, e questo ha senso perché la Georgia è stato il primo stato a riaprire le attività ad aprile. |
| Grazie per aver ascoltato la mia presentazione. |
