Lautsprecher | Transkript |
| Saloni Patel | Okay, hallo, mein Name ist Saloni und heute werde ich unser Projekt vorstellen, das Vorhersagemodell für die US-Präsidentschaftswahlen und die Verhaltensstudie in den Swing States. |
| Dieses Projekt besteht aus zwei Teilen: Der erste umfasst die Erstellung und Auswertung eines Modells zur Vorhersage der US-Präsidentschaftswahlen 2020. |
| Der zweite Teil des Projekts untersucht das Verhalten der Swing States bei den US-Präsidentschaftswahlen 2020 und identifiziert mithilfe hierarchischer Clustermethoden Schlüsselereignisse, die das Wahlverhalten bei der Wahl beeinflusst haben. Die gesamte Analyse wurde auf der JMP 15-Plattform durchgeführt. |
| Zur Klarstellung: Unser Projekt konzentriert sich nicht auf alle 50 US-Bundesstaaten. Stattdessen werden wir nur die 15 größten Swing States untersuchen. |
| Bei den Swing States handelt es sich um Staaten, in denen mit hoher Wahrscheinlichkeit sowohl der demokratische als auch der republikanische Präsidentschaftskandidat siegen können. Im Gegensatz dazu gibt es die sicheren Staaten, in denen eine feste Partei im Vorteil ist. |
| Darüber hinaus basiert das US-Wahlsystem auf dem Wahlkollegium, das jedem Bundesstaat auf Grundlage seiner Bevölkerungszahl eine festgelegte Anzahl an Stimmen zuteilt. |
| Insgesamt gibt es 538 Wahlmännerstimmen. Ein Präsidentschaftskandidat muss also 270 Wahlmännerstimmen auf sich vereinen, um die Präsidentschaftswahl zu gewinnen. |
| Da die meisten Staaten dafür bekannt sind, entweder einen demokratischen oder einen republikanischen Kandidaten zu wählen, ohne Hoffnung darauf zu haben, vom normalen Wahlverhalten abgebracht zu werden, |
| Das System des Wahlkollegiums und das Ergebnis der Präsidentschaftswahlen hängen von der Mehrheit der Swing States ab, die jeder der Kandidaten potenziell gewinnen kann. |
| Selbst ein Sieg mit einem knappen Vorsprung führt dazu, dass der Kandidat alle Stimmen erhält, die der Staat zu bieten hat. Swing States haben daher einen besonders großen Einfluss auf die Wahl des nächsten Präsidenten. |
| Wir haben dieses Projekt also zunächst in der Hoffnung durchgeführt, die historische US-Wahl des Jahres 2020 besser zu verstehen, die inmitten einer globalen Pandemie und in sozial sowie wirtschaftlich instabilen Zeiten stattfand. |
| Der erste Teil der Ziele unseres Projekts besteht darin, wichtige Swing States zu identifizieren, ein Vorhersagemodell auf Grundlage des Einflusses von COVID-19 und der Wirtschaft in diesen identifizierten Swing States zu erstellen und schließlich das Vorhersagemodell mit den tatsächlichen Wahlergebnissen zu validieren, sobald diese bekannt gegeben werden. |
| Der erste Schritt unseres Vorhersagemodells besteht darin, anhand dieses Swing-State-Index die 15 stärksten Swing States der letzten drei Wahlen zu ermitteln. |
| Wir verwenden diese Formel, um zu bestimmen, ob die Staaten Swing States sind oder nicht. Es ist auch wichtig zu beachten, dass dieser Swing-Index nicht berücksichtigt, für welche Seite jeder Staat stimmt. |
| sondern auf dem Wahlergebnis selbst. Mit anderen Worten: Ein Staat könnte alle drei Jahre für dieselbe Seite gestimmt haben, allerdings mit sehr unterschiedlichen Mehrheiten, und dennoch als Swing State gelten. |
| Wir werden diesen Index im nächsten Teil des Projekts weiter untersuchen, aber derzeit verwenden wir ihn nur, um die 15 wichtigsten Swing States zu ermitteln. |
| Sobald die Swing States identifiziert sind, ermitteln wir den ersten Wert, den wir zur Berechnung des prognostizierten Wahlergebnisses für 2020 benötigen. Dies ist der kombinierte Gewinnunterschied zwischen 2016 und 2012. |
| Um diesen Wert zu berechnen, haben wir das Ergebnis von 2016 und das Wahlergebnis von 2012 herangezogen. In der Formel |
| Wir haben den Ergebnissen von 2016 das doppelte Gewicht beigemessen, da sie aktueller waren als die Wahlen von 2012. Und wir haben der Wartezeit auf die Wahlen von 2016 das doppelte Gewicht beigemessen. |
| Weil Präsident Trump bei der Wahl 2016 als Präsidentschaftskandidat antrat, während Joe Biden bei der Wahl 2012 als Vizepräsidentschaftskandidat antrat. Insgesamt werden die Ergebnisse von 2016 im Gesamtgewinnunterschied 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 ihre Stimme abgeben können. |
| Wir haben festgestellt, dass die globale COVID-19-Pandemie und der darauf folgende wirtschaftliche Einbruch wichtige Faktoren waren |
| einzigartig für das Jahr 2020, also haben wir die Infektionsfälle und Todesfälle aufgrund von COVID-19 sowie den Anstieg der Arbeitslosigkeit in jedem Bundesstaat erfasst. |
| Als nächstes haben wir die Z-standardisierte Transformation angewendet, um jegliche Verzerrungen durch Stichprobenmittelwert und Varianz zu vermeiden. |
| Anhand dieser Z-Werte (Z-Infizierte, Z-Todesfälle und Z-Arbeitslosigkeit) haben wir den Z-COVID-Index abgeleitet. Dieser Index wird die Auswirkungen der globalen Pandemie und die daraus folgenden wirtschaftlichen Einbußen darstellen, die jeder Staat erlebt hat. |
| Zuletzt haben wir anhand der zusammengesetzten Gewinnspanne von 2016–2012 und des Z-COVID-Index das für 2020 prognostizierte Ergebnis berechnet. |
| Nach der Wahl 2020 haben wir die |
| Wir haben uns mit den tatsächlichen Wahlergebnissen von 2020 befasst und anschließend unser Vorhersagemodell validiert, um festzustellen, ob unsere Auswahl an Faktoren bei der Vorhersage des Wahlergebnisses von 2020 hilfreich war. |
| Da die Medien vor der Wahl zudem vorausgesagt hatten, dass Trump drei bis fünf Prozent der Stimmen aus dem Jahr 2016 verlieren würde, haben wir beschlossen, bestimmte Prozentsätze von den prognostizierten Ergebnissen abzuziehen. |
| In der nachstehenden Tabelle liegt das prognostizierte Ergebnis in der Null-Prozent-Kategorie, und die Reduzierungen sind ebenfalls zu sehen. |
| Um die Ergebnisse zu analysieren, haben wir mithilfe der Regression und des gepaarten t-Tests die prognostizierten Ergebnisse mit den tatsächlichen Wahlergebnissen von 2020 verglichen. |
| Um zu vergleichen, wie die für 2020 prognostizierten Ergebnisse im Vergleich zu früheren Wahlergebnissen bei der Vorhersage der 2020 |
| Um das tatsächliche Ergebnis zu ermitteln, beziehen wir in unsere Auswertung auch die Ergebnisse der Wahlen 2012 und 2016 ein. Zuletzt führten wir auch einen 1-Proportion-Hypothesentest durch, um die Genauigkeit der für 2020 prognostizierten Ergebnisse zu testen. |
| Zu Beginn führten wir einen Regressionstest mit den präsentierten Wahlergebnissen nur aus den einzelnen Staaten durch. |
| Das Ergebnis von 2012 im Vergleich zum tatsächlichen Wahlergebnis von 2020 ergab kein signifikantes Ergebnis. |
| Die Regressionstests zwischen den Ist-Werten von 2016 und 2020 zeigen jedoch ein signifikantes Ergebnis und das höchste R-Quadrat von 0,81. |
| Die Ergebnisse der Regression liegen ebenfalls nahe bei 1, bei etwa 1,17, was auf eine starke Regressionsbeziehung hindeutet. Die Regression zwischen den für 2020 prognostizierten und den für 2020 |
| Tatsächlich wird ebenfalls ein signifikantes Ergebnis angezeigt, allerdings ist das R-Quadrat niedriger als 0,3. |
| Aus diesen Ergebnissen geht hervor, dass die Regression zwischen den tatsächlichen Ergebnissen von 2016 und den tatsächlichen Ergebnissen von 2020 das höchste R-Quadrat und die höchste Steigung aufwies, die am nächsten bei eins lag, obwohl ein anderer Gewinner erklärt worden war. |
| Es liegt auf der Hand, dass die Ergebnisse der Wahlen von 2020 mit denen von 2016 korrelieren, da Trump in jenen Swing States verlor, die er bei der Wahl von 2016 nur knapp gewonnen hatte, also nur in Michigan, Pennsylvania und Wisconsin. |
| Als nächstes folgen die gepaarten t-Tests, bei denen auch die Prozentsätze der Wahlergebnisse der einzelnen Staaten verglichen werden. Wir verwenden den gepaarten t-Test, weil dieselben Staaten oder Paare gegeneinander bewertet werden. |
| Der gepaarte t-Test ergab nur einen signifikanten Unterschied in den Mittelwerten der 2016 |
| tatsächliche Wahlergebnisse und die tatsächlichen Ergebnisse von 2020, was Sinn macht, da diese Ergebnisse eine hohe Regressionstestsignifikanz aufwiesen. |
| Dies würde darauf schließen lassen, dass die Mittelwerte der Wahlen von 2012 und die für 2020 prognostizierten Ergebnisse denen von 2020 ähneln. Das tatsächliche Ergebnis bedeutet, dass die Wahlergebnisse ähnlich sind. |
| Bei der Wahl 2012 hatten die Demokraten die Wahl gewonnen und die prognostizierten Ergebnisse hatten vorhergesagt, dass die Demokraten 2020 gewinnen würden, während 2016 die Republikaner die Wahl gewonnen hatten. Dies kann erklären, warum sich die tatsächlichen Wahlergebnisse von 2016 deutlich von denen von 2020 unterscheiden, während die... |
| Die tatsächlichen Zahlen für 2012 und die Prognosen für 2020 sind dagegen nicht zutreffend. |
| Zuletzt verwenden wir den 1-Proportion-Hypothesentest, um zu prüfen, wie die für 2020 prognostizierten Ergebnisse mit den tatsächlichen Ergebnissen für 2020 übereinstimmen. |
| Anders als beim Regressions- und Paar-t-Test werden beim 1-Proportionalitätstest die Bundesstaaten und die Seite, für die sie gestimmt haben, verglichen. |
| Der Regressions- und Paar-t-Test verglichen lediglich die Wahlergebnisse, ohne einen Hinweis darauf zu geben, für welche Seite die Bundesstaaten 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. Den Staaten, die für die vorhergesagte Seite gestimmt haben, geben wir ein „Bestanden“ und denen, die nicht für die vorhergesagte Seite gestimmt haben, ein „Nicht bestanden“. |
| Insgesamt erhielten 12 von 15 Staaten ein „Bestanden“, da ihre Vorhersagen richtig waren, während die anderen drei ein „Nicht bestanden“ erhielten. Wir haben den Erfolgswert auf „Bestanden“ gesetzt und die Skala entspricht einem Stichprobenanteil von 0,8. |
| Da der Stichprobenanteil größer als 0,9 bzw. eine Genauigkeit von 90 % sein soll, setzen wir den hypothetischen Anteil auf 0,9. |
| Da der Anteil von 0,8 den Wert von 0,9 auf dem 95%-Konfidenzniveau nicht überschritt, war das Vorhersagemodell nicht 90% genau und konnte die Nullhypothese nicht auf dem 95%-Konfidenzniveau ablehnen. Dem Anteil unserer Stichprobe zufolge ist dieses Modell 80% genau. |
| Zusammenfassend zeigte der Regressionstest eine Signifikanz zwischen den tatsächlichen Ergebnissen von 2016 und dem tatsächlichen Wahlergebnis von 2020. |
| sowie eine schwächere Signifikanz zwischen den prognostizierten und den tatsächlichen Wahlergebnissen von 2020. Wir vermuten, dass dies daran liegen könnte, dass Präsident Trump bei dieser Wahl jene Swing States verlor, die er bei der Wahl 2016 knapp gewonnen hatte. |
| Der gepaarte t-Test ergab einen signifikanten Unterschied zwischen den tatsächlichen Ergebnissen von 2016 und 2020 und wir vermuteten, dass dies daran liegen könnte, dass bei diesen beiden Wahlen unterschiedliche Sieger erklärt wurden. |
| Präsident Trump gewann die Wahlen 2016, verlor jedoch die Wahlen 2020. Darüber hinaus unterscheiden sich die für 2012 und 2020 prognostizierten Ergebnisse nicht wesentlich von den tatsächlichen Ergebnissen 2020. |
| Ergebnis...Wahlergebnis, was möglicherweise daran lag, dass beide die gleiche politische Partei zum Sieger erklärten. |
| Und schließlich konnte der 1-Prozent-Hypothesentest die Nullhypothese nicht zurückweisen, sodass unser Vorhersagemodell bei einem Konfidenzniveau von 95 % keine Genauigkeit von 90 % aufweist. |
| Arizona, Wisconsin und Minnesota, |
| Dies könnte darauf hindeuten, dass es neben den Auswirkungen von Covid-19 und der Arbeitslosenquote noch andere wichtige Faktoren gab, die das Wahlergebnis von 2020 beeinflusst haben. |
| Hier gehen wir zum nächsten Teil unseres Projekts über, in dem wir die Bundesstaaten anhand ihres Swing-State-Index gruppieren und sie anhand wichtiger Ereignisse aus dem Jahr 2020 identifizieren, die das Wahlverhalten dieser Swing States beeinflusst haben könnten. |
| In diesem Teil des Projekts wird daher zunächst die Frage behandelt, welche Ereignisse und Faktoren die Swing States zu ihrer jeweiligen Stimmabgabe veranlasst haben. |
| Inwieweit war den Wählern COVID-19 wichtiger oder weniger wichtig als die Wirtschaft und andere Nebenuntersuchungen? Können wir statistische Instrumente nutzen, um politische Ereignisse mit dem Wahlverhalten zu verknüpfen? |
| Die Ziele dieses Projekts bestehen darin, die zuvor identifizierten Wahlmuster der Swing States zu untersuchen, indem statistische Clusteringmethoden mit politischen Ereignissen verknüpft werden. |
| Wir werden auch den Z-COVID-Index oder, wie wir ihn jetzt nennen, Z-Ratio, mit neuen Verhältnissen anpassen, um die Bedeutung von COVID-19 und der Wirtschaft für das Wahlverhalten besser zu verstehen. |
| Bisher hatte der Z-COVID-Index ein Verhältnis von zwei mal eins, wobei die Werte der COVID-19-Infektionsfälle und Todesfälle |
| erhielten im Vergleich zum Wert für den Anstieg der Arbeitslosigkeit das doppelte Gewicht, da es zwei Werte für COVID-19 und nur einen für die Wirtschaft gab. |
| Uns ist bewusst, dass jeder Staat anders von der Pandemie betroffen war, daher hielten wir es für angebracht, die Auswirkungen einer Änderung dieses Verhältnisses von zwei mal eins auf andere Verhältnisse zu analysieren. |
| Zunächst kehren wir zum Swing-State-Index zurück, der dabei hilft, den Swing der einzelnen Staaten anhand der Prozentsätze der Wahlergebnisse der letzten drei Wahlen zu ermitteln. |
| Ein negatives Wahlergebnis bedeutet, dass die Mehrheit der Wähler für die Demokraten gestimmt hat, während ein positives Ergebnis auf eine Stimme für die Republikaner hinweist. |
| Je größer der Wert und je negativer der Swing-Index, desto stärker sind die Wahlverhaltensschwankungen in den Bundesstaaten. |
| Wenn der Staat die Richtung ändert, sind die Vorzeichen der beiden Differenzen nicht gleich, was dazu führt, dass der Swing-State-Index negativ ist und eher ein Swing-Verhalten aufweist. |
| Aus dieser Tabelle können wir ersehen, dass Michigan und Minnesota die größten negativen Werte aufweisen, was bedeutet, dass sie in den letzten drei Wahlen die größten Schwankungen aufwiesen. Insgesamt ist der Swing-State-Index recht nützlich, um die grundlegenden Wahlmuster der Swing States zu verstehen. |
| Der Swing-State-Index kann jedoch keine Schlüsselereignisse identifizieren, die das Wahlverhalten beeinflusst haben. |
| Wir haben hierarchisches Clustering verwendet, um Staaten mit ähnlichem Wahlverhalten zu untersuchen und potenzielle Faktoren aufzulisten, die ihr Wahlverhalten beeinflusst haben. |
| Durch hierarchisches Clustering wurden die 15 Swing States in vier verschiedene Cluster gruppiert, wie rechts zu sehen ist. |
| Wir haben diese Methode aufgrund ihres Bottom-Up-Ansatzes gewählt, bei dem jeder Staat sein eigener Cluster ist, bevor sie einzeln entstehen und in der Hierarchie nach oben wandern. Auf der rechten Seite sind Iowa und Ohio in Rot zu sehen, was bedeutet, dass sie sich im selben Cluster befinden. |
| Wie bereits erwähnt, wurden die Swing States durch die hierarchische Clusterung in vier Cluster unterteilt; der erste Cluster besteht aus Iowa und Ohio. |
| Beide Staaten hatten bei der Wahl 2012 blau bzw. demokratisch gewählt, bei den Wahlen 2016 und 2020 jedoch rot bzw. republikanisch. |
| Der zweite Cluster besteht aus Georgia, Arizona, North Carolina und Florida. Alle diese Staaten außer North Carolina sind blauer bzw. röter geworden, oder anders gesagt, sie beginnen, eine Seite stark zu bevorzugen. |
| Der dritte Cluster besteht jedoch aus Wisconsin, Pennsylvania, Michigan, Nevada, New Hampshire und Minnesota. |
| Alle diese Staaten, mit Ausnahme von Nevada, weisen einen negativen Swing-Index auf, was bedeutet, dass sie die inkonsistentesten Swing States sind. |
| Der letzte Cluster umfasst Colorado, Virginia und New Mexico, allesamt relativ blaue Staaten oder Staaten, die durchweg demokratisch gewählt haben und bei der Wahl 2020 mit einem größeren Vorsprung als zuvor für die Demokraten gestimmt haben. |
| Nachdem wir nun über alle Cluster und eine Vorstellung von ihren Merkmalen verfügen, haben wir uns den Cluster-Joinverlauf angesehen, der die Top-Zustandspaare bzw. die beiden Zustände identifiziert, die sich in ihren Clustern am meisten ähneln. |
| Aus der Verbindungshistorie geht hervor, dass die ersten beiden Paare Wisconsin mit Pennsylvania aus dem dritten Cluster und Georgia mit Arizona aus dem zweiten Cluster sind. |
| Beide Paare sind Teil der Cluster, in denen Staaten bei der Wahl 2020 von Rot zu Blau wechselten. |
| Nach weiteren Untersuchungen stellten wir fest, dass Wisconsin und Pennsylvania offenbar besorgt um die Wirtschaft waren. |
| Unzufriedenheit mit Präsident Trumps Gesundheitspolitik, etwa seinen Bemühungen, den unter der Obama-Regierung verabschiedeten Affordable Care Act abzuschwächen, |
| sowie die Sorge um die Umwelt, was letztlich dazu führte, dass die Mehrheit der Wähler die Demokraten wählte. |
| In Georgia und Arizona sehen wir jedoch große demografische Verschiebungen, wie zum Beispiel mehr registrierte Latino-Wähler in Arizona. |
| und die Black-Lives-Matter-Bewegung, die schwere rassistische Ungerechtigkeiten ans Licht brachte, veranlasste letztlich die Mehrheit der Wähler, den Demokraten ihre Stimme zu geben. |
| Durch hierarchisches Clustering konnten wir die Staaten anhand ihres Wahlverhaltens in unterschiedliche Gruppen unterteilen und Zusammenhänge herstellen, welche Schlüsselereignisse das beobachtete Wahlverhalten verursacht haben. |
| Obwohl wir Schlüsselereignisse fanden, die das Wahlverhalten der einzelnen Staaten beeinflussten, konnten wir durch die hierarchische Clusterung keinen Aufschluss darüber geben, welches Gewicht die einzelnen Ereignisse auf das Wahlverhalten der einzelnen Swing States hatten. |
| COVID-19 und die darauf folgende Wirtschaftsrezession. |
| COVID-19 und die Wirtschaft. |
| Wir mussten jedoch davon ausgehen, dass jeder Staat das gleiche Z-Verhältnis aufweist, was COVID-19 das doppelte Gewicht verleiht, was zu einem Verhältnis von zwei mal eins für jeden Staat führt. |
| Aus der hierarchischen Clusterung haben wir jedoch festgestellt, dass jeder Staat eine einzigartige Situation hat und dass sich die Wähler für unterschiedliche Themen interessieren. Um das Z-Verhältnis und ... das Z-Verhältnis anzupassen, haben wir einen Wert namens Verhältnisvariable erstellt. Die Verhältnisvariable bestimmt das Verhältnis der Bedeutung von COVID-19 |
| oder der Z-COVID-Index, der die jeweiligen Infektionsfälle und Todesfälle im Vergleich zur Wirtschaft darstellt, oder die Arbeitslosigkeit, die die jährliche Anstiegsrate der Arbeitslosigkeit in jedem Bundesstaat darstellt. |
| Sobald das Z-Verhältnis mit einigen verschiedenen Verhältnisvariablen wie 0,1 angepasst ist, wodurch ein Verhältnis von eins zu 10 entsteht, das der Wirtschaft die zehnfache Bedeutung verleiht, |
| Es wird 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 von 2020 verglichen, um zu ermitteln, welches Verhältnis die Situation des Staates am besten erklärt und welchen Einfluss COVID-19 und die Wirtschaft auf das Wahlverhalten hatten. |
| Wir haben uns entschlossen, das Wahlverhalten in Georgia genauer zu untersuchen, da es im Vergleich zu den anderen Swing States hervorzustechen schien. |
| Zum einen war Georgia der erste Bundesstaat, der im April seine Geschäfte wieder öffnete, während die übrigen Bundesstaaten dies nicht taten. |
| Darüber hinaus war Georgia bei der Wahl 2020 ein Schlüsselstaat, den Präsident Trump auch nach der Verkündung des Wahlergebnisses im Auge behielt und versuchte, es zu kippen. |
| Georgia wählte mit knappem Vorsprung die Demokraten und erzielte ein Wahlergebnis von -0,3 %. |
| Die angepassten, für 2020 prognostizierten Ergebnisse für Georgia wurden eingefügt und in der Grafik rechts wurde eine Markierung für Georgia ... für das tatsächliche Wahlergebnis von Georgia angebracht. |
| Aus der Grafik können wir ersehen, dass die angepassten prognostizierten Ergebnisse für 2020 mit der Verhältnisvariable von 0,75 einen Wert von -0,2 % hatten, der dem tatsächlichen Wahlergebnis in Georgia von -0,3 % am nächsten kommt. |
| Die Verhältnisvariable von 0,75 bedeutet, dass das Verhältnis drei mal vier beträgt, was darauf hinweist, dass die Wirtschaft für die Mehrheit der Wähler in Georgia das wichtigere Thema war. |
| Dies ist sinnvoll, da Georgia, wie bereits erwähnt, der erste Bundesstaat war, der im April seine Geschäfte wieder öffnete, was auf eine große Sorge um das Wohlergehen seiner Unternehmen und seiner Wirtschaft hindeutet. |
| In diesem Projekt haben wir mithilfe statistischer Methoden verschiedene Schlüsselereignisse und ihre Bedeutung für die Beeinflussung des Wahlverhaltens in 15 identifizierten Swing States untersucht. |
| Zunächst wurde hierarchisches Clustering genutzt, um Swing States auf Grundlage ihres Wahlverhaltens 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 Fragen der Bürgerrechte betroffen, während Staaten wie Pennsylvania und Wisconsin im dritten Cluster aufgrund von Bedenken hinsichtlich der Wirtschaft, des Gesundheitswesens und der Umwelt für Joe Biden gestimmt hatten. |
| Insgesamt haben die sich verschlechternde COVID-19-Situation, rassistische Bewegungen wie die Black Lives Matter-Bewegung, |
| COVID 19 |
| und die Wirtschaft, auf jeden Staat hatte. Georgia 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 den Wählern die Wirtschaft wichtiger war als COVID-19. Dies ist nachvollziehbar, da Georgia im April der erste Bundesstaat war, der die Geschäfte wieder öffnete. |
| Vielen Dank, dass Sie sich meinen Vortrag angehört haben. |
