Conférencier | Transcription |
| Saloni Patel | Ok, alors bonjour, je m'appelle Saloni et aujourd'hui je vais présenter notre projet, le modèle de prédiction des élections présidentielles aux États-Unis et l'étude des comportements des États swing. |
| Ce projet comporte deux parties : 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 clés lors de l'élection présidentielle américaine de 2020 et identifiera les événements clés qui ont affecté les modèles de vote lors de l'élection en utilisant des méthodes de clustering 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 nous étudierons uniquement les 15 principaux États swing. |
| Les États clés sont des États qui peuvent raisonnablement être remportés par le candidat démocrate ou républicain à la présidence, par opposition aux États sûrs qui penchent systématiquement en faveur d'un seul parti. |
| De plus, le système électoral américain dépend du système du Collège électoral qui attribue un nombre défini de voix à chaque État en fonction de sa 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 votent soit pour un candidat démocrate, soit pour un candidat républicain sans espoir d’être détournés du modèle de vote normal, |
| Le système du Collège électoral et le résultat de l'élection présidentielle dépendent du nombre d'États clés qui peuvent potentiellement être remportés par l'un des candidats. |
| Une victoire, même par une faible marge, permet à ce candidat d'obtenir 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. |
| Nous avons donc commencé ce projet dans l’espoir de mieux comprendre l’élection historique américaine de 2020 qui s’est déroulée 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 swing, de créer un modèle de prédiction basé sur l'influence du COVID 19 et de l'économie dans ces États swing identifiés, et enfin de valider le modèle de prédiction avec les résultats réels des élections une fois ceux-ci publiés. |
| La première étape de notre modèle de prédiction consiste donc à identifier les 15 principaux États clés des trois dernières élections à l’aide de cet indice des États clés. |
| Nous utilisons cette formule pour déterminer si les États sont des États swing ou non. Il est également important de noter que cet indice de swing ne prend pas en compte le camp pour lequel vote chaque État, |
| mais plutôt sur les résultats des élections elles-mêmes. En d'autres termes, un État pourrait avoir voté pour le même camp pendant les trois années, mais avec des marges très différentes, et être néanmoins considéré comme un État pivot. |
| Nous étudierons plus en détail cet indice dans la prochaine partie du projet, mais pour l’instant, nous n’utilisons cet indice que pour identifier les 15 principaux États swing. |
| Une fois les États clés identifiés, nous déduisons la première valeur dont nous aurons besoin pour calculer le résultat prévu des élections de 2020. Il s'agit de la marge de victoire composite de 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 accordé deux fois plus de poids aux résultats de 2016 parce qu'ils étaient plus récents que ceux de 2012 et nous avons accordé deux fois plus de temps d'attente aux résultats de 2016. |
| Parce que le président Trump était présent à l'élection de 2016 en tant que président, tandis que Joe Biden était présent à l'élection 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 de victoire composite 2016-2012. |
| Nous identifions ensuite les facteurs propres à 2020 et les facteurs en fonction desquels les électeurs peuvent voter. |
| Nous avons constaté que la pandémie mondiale de COVID-19 et le coup porté à l’économie par la suite ont été 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. |
| Nous avons ensuite appliqué la transformation standardisée Z pour éviter tout biais de moyenne et de variance d’échantillonnage. |
| En utilisant ces scores Z, tels que 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 choc économique qui a suivi que chaque État a subi. |
| Enfin, nous avons calculé le résultat prévu pour 2020, en utilisant la marge de victoire composite 2016-2012 et l'indice Z-COVID. |
| Une fois les élections de 2020 passées, nous avons enregistré la |
| Résultats réels des élections de 2020 et avons procédé à la validation de notre modèle de prédiction et à la détermination de l'efficacité de notre choix de facteurs 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 par rapport à 2016, nous avons décidé de soustraire certains pourcentages des résultats prévus. |
| Dans le tableau ci-dessous, le résultat prévu correspond à la catégorie zéro pour cent et les réductions peuvent également être observées. |
| 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 les résultats prédits pour 2020 avec les résultats des élections précédentes lors de la prévision des élections 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 prévus 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 les données réelles de 2016 et de 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, ce qui suggère une forte relation de régression. La régression entre les prévisions de 2020 et celles de 2020 |
| La réalité montre également un résultat significatif mais un R carré inférieur de 0,3. |
| À partir de ces résultats, la régression entre les résultats réels de 2016 et de 2020 présentait le R carré 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 ceux de 2016 puisque Trump a perdu les États clés remportés de justesse lors des élections de 2016 par une faible marge, donc seulement le Michigan, la Pennsylvanie et le Wisconsin. |
| Ensuite, les tests t appariés qui compareront également les pourcentages des 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 de différence significative que dans les moyennes de 2016 |
| 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 suggère que les moyennes des élections de 2012 et les résultats prévus pour 2020 sont similaires à ceux de 2020, ce qui signifie que les résultats des élections sont similaires. |
| Lors des élections de 2012, les démocrates avaient remporté l'élection et les résultats prédits prédisaient que les démocrates gagneraient en 2020, alors qu'en 2016, les républicains avaient remporté l'élection. Cela peut expliquer pourquoi les résultats des élections de 2016 sont sensiblement différents des résultats réels de 2020, alors que les résultats de 2016 sont très différents de ceux de 2020. |
| alors que les chiffres réels pour 2012 et les prévisions pour 2020 ne le sont pas. |
| Enfin, nous utilisons le test d’hypothèse à 1 proportion pour tester comment les résultats prévus pour 2020 correspondent aux résultats réels de 2020. |
| Contrairement au test de régression et au test t apparié, le test de proportionnalité compare les États et le camp 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 prévu pour lequel chaque État voterait |
| et pour quel camp les États ont effectivement voté. Nous attribuons un « pass » aux États qui ont voté pour le camp prévu et un « échec » à ceux qui n'ont pas voté pour le camp prévu. |
| Au total, 12 États sur 15 ont obtenu la note de passage, comme prévu, tandis que les trois autres ont reçu la note d'échec. Nous avons fixé la valeur de réussite à la note de passage 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 la proportion de 0,9 au niveau de confiance de 95 %, le modèle de prédiction n'a pas été précis à 90 %, ni n'a pu 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 des élections prévues en 2020 et les résultats réels de 2020. Nous émettons l'hypothèse que cela pourrait être dû au fait que lors de cette élection, le président Trump a perdu les États clés remportés de justesse lors de l'élection de 2016. |
| Le test t apparié a montré une différence significative entre les résultats réels de 2016 et de 2020, et nous avons émis l'hypothèse que cela pourrait être dû au fait que ces deux élections ont déclaré des vainqueurs différents. |
| Le président Trump a remporté l'élection de 2016, mais a perdu celle 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, qui peut être dû au fait qu'ils ont tous deux déclaré le même parti politique comme vainqueur. |
| 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 a eu d’autres facteurs majeurs, outre les impacts de la COVID-19 et les taux de chômage, qui ont influencé le résultat des élections de 2020. |
| C'est ici que nous passons à la partie suivante 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 et qui auraient pu influencer les comportements de vote des États swing. |
| Les questions que cette partie du projet abordera à partir de la fin sont donc de savoir quels événements et facteurs influencent les États swing à voter comme ils l'ont fait. |
| Dans quelle mesure les électeurs se sont-ils davantage préoccupés de la COVID-19 que de l’économie et d’autres enquêtes annexes ? Peut-on utiliser des outils statistiques pour relier les événements politiques aux habitudes de vote ? |
| L’objectif de ce projet est d’étudier les modèles de vote des États swing précédemment identifiés en reliant les méthodes de clustering 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 de vote. |
| Auparavant, l'indice Z-COVID avait un ratio de deux pour un, où les valeurs des cas infectés et des décès dus au COVID-19 |
| ont reçu un poids deux fois plus élevé par rapport à la valeur de l'augmentation du chômage, puisqu'il y avait deux valeurs pour la COVID-19 et une seule pour l'économie. |
| Nous avons réalisé que chaque État était impacté différemment par la pandémie, nous avons donc pensé qu’il serait approprié d’analyser les effets du passage de ce ratio deux pour un à d’autres ratios. |
| Tout d’abord, nous reviendrons sur l’indice des swing states, qui permet d’identifier le swing de chaque État en utilisant les pourcentages des résultats des élections des trois dernières élections. |
| Un résultat électoral négatif indique que les électeurs indécis ont voté pour les démocrates, tandis qu'un résultat positif indique un vote républicain. |
| Plus l’ampleur et le caractère négatif de l’indice de basculement sont importants, plus les habitudes de vote des États ont basculé. |
| Si l'état change de direction, les signes des deux différences ne seront pas égaux, ce qui entraînera un indice d'état swing négatif et affichera davantage un comportement swing. |
| Ce tableau montre que le Michigan et le Minnesota ont les valeurs négatives les plus importantes, ce qui signifie que ces deux États ont connu les plus fortes fluctuations au cours des trois dernières élections. Dans l'ensemble, l'indice des États indécis est très utile pour comprendre les schémas de vote de base pour les États indécis. |
| Cependant, l’indice des États swing ne peut pas identifier les événements clés qui ont provoqué les tendances de vote. |
| Nous avons utilisé le clustering hiérarchique pour étudier les États ayant des habitudes de vote similaires et répertorier les facteurs potentiels qui ont affecté leur comportement de vote. |
| Le clustering hiérarchique a regroupé les 15 États swing en quatre groupes différents, comme on peut le voir à droite. |
| Nous avons utilisé cette méthode en raison de son approche ascendante, où chaque État est son propre groupe avant d'émerger l'un après l'autre et de remonter dans la hiérarchie. À droite, l'Iowa et l'Ohio sont visibles en rouge, ce qui indique qu'ils font partie du même groupe. |
| Comme mentionné précédemment, le clustering hiérarchique a divisé les États swing en quatre groupes, le premier groupe étant constitué de l'Iowa et de l'Ohio. |
| Ces deux États avaient voté bleu ou démocrate lors des élections de 2012, mais rouge ou républicain lors des 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, c'est-à-dire qu'ils commencent à favoriser fortement un camp. |
| Mais le troisième groupe comprend le Wisconsin, la Pennsylvanie, le Michigan, le Nevada, le New Hampshire et le Minnesota. |
| Tous ces États, à l'exception du Nevada, ont un indice de swing négatif, ce qui signifie qu'ils sont les États 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 systématiquement voté démocrate et qui, lors des élections de 2020, ont voté bleu avec une marge plus importante que précédemment. |
| 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 principales paires d'états ou les deux états les plus similaires dans leurs clusters. |
| D'après l'historique des jonctions, les deux premières paires sont le Wisconsin avec la Pennsylvanie du troisième groupe et la Géorgie avec l'Arizona du deuxième groupe. |
| 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 inquiétudes concernant l’économie, |
| mécontentement à l'égard des politiques du président Trump en matière de santé, notamment ses efforts visant à affaiblir l'Affordable Care Act élaboré sous l'administration Obama, |
| ainsi que les préoccupations environnementales, qui ont finalement conduit la majorité des électeurs à voter démocrate. |
| Cependant, en Géorgie et en Arizona, nous observons des changements démographiques majeurs, comme 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 clustering hiérarchique, nous avons pu séparer les États en différents groupes en fonction de leurs comportements de vote et créer des liens sur les événements clés qui 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 pivot individuel. |
| La 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 ratio Z, ce qui donnait à la COVID-19 un poids deux fois plus élevé, ce qui donnait un ratio de deux pour un pour chaque État. |
| Cependant, à partir du regroupement hiérarchique, nous avons constaté que chaque État a une situation unique et que ses électeurs se soucient de problèmes différents. Pour ajuster le ratio Z et... le ratio Z, nous avons créé une valeur appelée la variable Ratio. La variable Ratio déterminera le ratio de l'importance de la 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 mis en œuvre dans la formule complète utilisée pour calculer les résultats prévus pour 2020. |
| Ces résultats prévus 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 la 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 ce pays semble se démarquer des autres États clés. |
| D’une part, la Géorgie a été le premier État à rouvrir ses activités en avril, alors que les autres États ne l’ont pas fait. |
| En outre, la Géorgie était un État clé lors des élections de 2020, sur lequel le président Trump avait un œil même après l’annonce des résultats des élections pour tenter de les annuler. |
| La Géorgie a voté bleu avec une faible marge et a obtenu un résultat électoral de -0,3 %. |
| Les résultats prévus ajustés pour 2020 pour la Géorgie ont été mis en pot et un marqueur pour le résultat réel des élections en 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 une valeur de -0,2 %, ce qui est le plus proche du résultat réel des élections en Géorgie, -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 une question plus importante pour une majorité d'électeurs en Géorgie. |
| Cela a du sens car, comme mentionné précédemment, la Géorgie a été le premier État à rouvrir ses entreprises en avril, ce qui témoigne d’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 de vote lors des trois dernières élections. |
| Nous avons ainsi constaté que dans le deuxième groupe constitué de l’Arizona, de la Géorgie et d’autres, |
| Les États les plus touchés étaient ceux qui avaient trait aux droits civiques, tandis que les États comme la Pennsylvanie et le Wisconsin, dans le troisième groupe, avaient voté pour Joe Biden en raison de préoccupations concernant l'économie, les soins de santé et l'environnement. |
| Dans l’ensemble, la situation de la COVID-19 s’aggrave, les mouvements raciaux tels que le mouvement Black Lives Matter, |
| COVID 19 |
| et l'économie, ont eu un impact sur chaque État. La Géorgie a été étudiée 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 par rapport au COVID=19, et cela a du sens puisque la Géorgie a été le premier État à rouvrir les entreprises en avril. |
| Merci d'avoir écouté ma présentation. |
