Vocero | Transcripción |
| Saloni Patel | Bien, hola, mi nombre es Saloni y hoy presentaré nuestro proyecto, el modelo de predicción de elecciones presidenciales de Estados Unidos y el estudio de comportamientos en estados indecisos. |
| Este proyecto consta de dos partes: la primera implica crear y evaluar un modelo destinado a predecir las elecciones presidenciales estadounidenses de 2020. |
| La segunda parte del proyecto estudiará el comportamiento de los estados clave en las elecciones presidenciales estadounidenses de 2020 e identificará los eventos clave que afectaron los patrones de votación en las elecciones utilizando métodos de agrupamiento jerárquico. Todo el análisis se realizó en la plataforma JMP 15. |
| Para aclarar, nuestro proyecto no se centra en los 50 estados de EE. UU. y, en su lugar, solo estudiaremos los 15 estados clave principales. |
| Los estados indecisos son aquellos en los que el candidato presidencial demócrata o republicano puede ganar razonablemente, a diferencia de los estados seguros que se inclinan constantemente hacia un solo partido. |
| Además, el sistema de votación de Estados Unidos depende del sistema del Colegio Electoral, que otorga un número determinado de votos a cada estado en función de su población. |
| Hay un total de 538 votos electorales, por lo que un candidato presidencial debe obtener 270 votos electorales para ganar las elecciones presidenciales. |
| Dado que se sabe que la mayoría de los estados votan por un candidato demócrata o republicano sin esperanzas de verse influenciados por el patrón de votación normal, |
| El sistema del Colegio Electoral y el resultado de las elecciones presidenciales dependen de la cantidad de estados clave que potencialmente pueden ganar cualquiera de los candidatos. |
| Una victoria por un margen incluso pequeño implica que ese candidato obtenga todos los votos que el estado tiene para ofrecer, por lo que los estados clave tienen un impacto especial a la hora de determinar el próximo presidente. |
| Entonces, para comenzar, llevamos a cabo este proyecto con la esperanza de comprender mejor las históricas elecciones estadounidenses de 2020 que ocurrieron en medio de una pandemia global y tiempos social y económicamente inestables. |
| La primera parte de los objetivos de nuestro proyecto es identificar los estados clave, crear un modelo de predicción basado en la influencia del COVID 19 y la economía en esos estados identificados y, por último, validar el modelo de predicción con los resultados electorales reales una vez que salgan. |
| Entonces, el primer paso en nuestro modelo de predicción es identificar los 15 estados clave de las últimas tres elecciones utilizando este índice de estados clave. |
| Utilizamos esta fórmula para determinar si los estados son estados indecisos o no. También es importante señalar que este índice de indecisión no tiene en cuenta a qué lado vota cada estado. |
| sino más bien en los resultados electorales en sí. En otras palabras, un estado podría haber votado por el mismo bando durante los tres años pero por márgenes muy diferentes y aun así ser considerado un estado indeciso. |
| Estudiaremos este índice más a fondo en la próxima parte del proyecto, pero por ahora lo único que utilizamos es para identificar los 15 principales estados indecisos. |
| Una vez identificados los estados clave, derivamos el primer valor que necesitaremos para calcular el resultado electoral previsto para 2020. Este es el margen de victoria compuesto del período 2016-2012. |
| Para calcular este valor tomamos el resultado de 2016 y el resultado de las elecciones de 2012. En la fórmula, |
| Le dimos a los resultados de 2016 el doble de peso porque eran más recientes que las elecciones de 2012 y le dimos a otro el doble de espera para las elecciones de 2016. |
| Porque el presidente Trump estuvo presente en las elecciones de 2016 como candidato a la presidencia, mientras que Joe Biden estuvo presente en las elecciones de 2012 como candidato a vicepresidente. En total, los resultados de 2016 tendrán cuatro veces más peso que en 2012 en el margen de victoria compuesto de 2016-2012. |
| A continuación, identificamos factores que son exclusivos del año 2020 y factores en función de los cuales los votantes pueden votar. |
| Descubrimos que la pandemia mundial de COVID-19 y el posterior impacto que sufrió la economía fueron factores importantes |
| único para 2020, por lo que recopilamos los casos infectados y los casos de muerte debido a COVID-19, así como el aumento del desempleo en cada estado. |
| A continuación aplicamos la transformación estandarizada Z para evitar cualquier sesgo de media y varianza de muestreo. |
| Utilizando esos puntajes Z, como Z-infectados, Z-muertes y Z-desempleo, derivamos el índice Z-COVID. Este índice representará el impacto de la pandemia global y el posterior golpe económico que experimentó cada estado. |
| Por último, calculamos el resultado previsto para 2020, utilizando el margen de victoria compuesto de 2016-2012 y el índice Z-COVID. |
| Una vez pasadas las elecciones de 2020, registramos el |
| Resultados reales de las elecciones de 2020 y procedimos a validar nuestro modelo de predicción y si nuestra elección de factores hizo un buen trabajo para ayudar a predecir el resultado de las elecciones de 2020. |
| Además, como los medios de comunicación antes de las elecciones habían pronosticado que Trump perdería entre un 3 y un 5% de los votos respecto a 2016, decidimos restar ciertos porcentajes de los resultados previstos. |
| En la tabla a continuación, el resultado previsto es la categoría del cero por ciento y también se pueden ver las reducciones. |
| Para analizar los resultados, comparamos los resultados previstos con los resultados electorales reales de 2020, utilizando la regresión y la prueba t pareada. |
| Comparar cómo se predijeron los resultados de 2020 con los resultados de elecciones anteriores al predecir los resultados de 2020. |
| Resultado real, también incluimos en nuestra evaluación los resultados de las elecciones de 2012 y 2016. Por último, también realizamos una prueba de hipótesis de 1 proporción para probar la precisión de los resultados previstos para 2020. |
| Para comenzar, realizamos una prueba de regresión con los resultados electorales presentados sólo de cada estado. |
| El resultado de 2012 comparado con el resultado real de las elecciones de 2020 no arrojó un resultado significativo. |
| Sin embargo, las pruebas de regresión entre el año real de 2016 y el año real de 2020 muestran un resultado significativo y el R cuadrado más alto de 0,81. |
| Los resultados de la regresión también son cercanos a 1, aproximadamente 1,17, lo que sugiere una fuerte relación de regresión. La regresión entre el pronóstico de 2020 y el pronóstico de 2020 |
| El valor actual también muestra un resultado significativo pero con un R cuadrado más bajo de 0,3. |
| A partir de estos resultados, la regresión entre los resultados reales de 2016 y los resultados reales de 2020 tuvo el R cuadrado más alto y la pendiente más cercana a uno, a pesar de haber declarado un ganador diferente. |
| Es razonable concluir que los resultados de las elecciones de 2020 estarían correlacionados con los de 2016, ya que Trump perdió aquellos estados clave que ganó por un estrecho margen en las elecciones de 2016, es decir, solo Michigan, Pensilvania y Wisconsin. |
| A continuación, las pruebas t pareadas que también compararán los porcentajes de resultados electorales de cada estado. Usamos la prueba t pareada porque se están evaluando los mismos estados o pares entre sí. |
| La prueba t pareada solo encontró una diferencia significativa en las medias del año 2016. |
| resultados electorales reales y los resultados reales de 2020, lo que tiene sentido ya que estos resultados tuvieron una alta significancia en la prueba de regresión. |
| Esto sugeriría que las medias de las elecciones de 2012 y los resultados previstos para 2020 son similares a los de 2020, es decir, que los resultados reales de las elecciones son similares. |
| En las elecciones de 2012, los demócratas habían ganado las elecciones y los resultados previstos habían predicho que los demócratas ganarían en 2020, mientras que en 2016 los republicanos habían ganado las elecciones. Esto puede explicar por qué los resultados de 2016 son significativamente diferentes de los resultados reales de las elecciones de 2020, mientras que los resultados previstos habían predicho que los demócratas ganarían en 2020. |
| Mientras que los reales de 2012 y los previstos para 2020 no lo son. |
| Por último, utilizamos la prueba de hipótesis de 1 proporción para comprobar cómo los resultados previstos para 2020 coinciden con los resultados reales de 2020. |
| A diferencia de la regresión y la prueba t pareada, la prueba de 1 proporción compara los estados y por qué lado votaron. |
| La regresión y la prueba t pareada solo compararon los resultados electorales sin ninguna indicación de qué lado votaron los estados. |
| Por lo tanto, esta prueba es más poderosa y valida el modelo de predicción, ya que compara el lado previsto por el que votaría cada estado. |
| y por qué lado votaron realmente los estados. Asignamos un aprobado a los estados que votaron por el lado previsto y un reprobado a los que no votaron por el lado previsto. |
| En total, 12 de los 15 estados recibieron la calificación de aprobado, tal como se predijo con precisión, mientras que los otros tres recibieron la calificación de reprobado. Establecimos el valor de éxito en aprobado y la escala es una proporción de muestra de 0,8. |
| Como queremos que la proporción de la muestra sea mayor que 0,9 o un 90 % de precisión, establecemos la proporción hipotética en 0,9. |
| Dado que la proporción de 0,8 no superó la de 0,9 en el nivel de confianza del 95 %, el modelo de predicción no logró una precisión del 90 % y no rechazó la hipótesis nula en el nivel de confianza del 95 %. Según la proporción de nuestra muestra, este modelo tiene una precisión del 80 %. |
| Para resumir, la prueba de regresión mostró significancia entre los resultados reales de 2016 y el resultado electoral real de 2020. |
| así como una significación más débil entre los resultados electorales previstos y los reales de 2020. Teorizamos que esto puede haber sido porque en estas elecciones, el presidente Trump perdió aquellos estados clave que ganó por un estrecho margen en las elecciones de 2016. |
| La prueba t pareada mostró una diferencia significativa entre los datos reales de 2016 y los de 2020, y teorizamos que esto pudo deberse a que esas dos elecciones declararon ganadores diferentes. |
| El presidente Trump ganó las elecciones de 2016, pero perdió las de 2020. Además, los resultados previstos para 2012 y 2020 no son significativamente diferentes de los reales de 2020. |
| resultado...resultado electoral, que pudo haber sido porque ambos declararon como ganador al mismo partido político. |
| Por último, la prueba de hipótesis del 1 por ciento no logró rechazar la hipótesis nula, por lo que nuestro modelo de predicción no es 90% preciso en el nivel de confianza del 95%. |
| Arizona, Wisconsin y Minnesota, |
| lo que podría sugerir que hubo otros factores importantes además de los impactos del COVID-19 y las tasas de desempleo que influyeron en el resultado de las elecciones de 2020. |
| Aquí es donde pasamos a la siguiente parte de nuestro proyecto en la que agruparemos a los estados en función de su índice de estados indecisos y los identificaremos con eventos clave que tuvieron lugar en 2020 que podrían haber influido en los comportamientos de votación de los estados indecisos. |
| Así, las preguntas que esta parte del proyecto abordará desde el principio son qué eventos y factores influyen en los estados clave para que voten como lo hicieron. |
| ¿En qué medida los votantes se preocuparon más o menos por el COVID-19 que por la economía y otras investigaciones secundarias? ¿Podemos utilizar herramientas estadísticas para vincular los acontecimientos políticos con los patrones de votación? |
| Los objetivos de este proyecto son estudiar los patrones de votación de los estados clave identificados previamente vinculando los métodos de agrupamiento estadístico con los eventos políticos. |
| También ajustaremos el índice Z-COVID, o como lo llamaremos ahora Z-Ratio, con nuevos ratios para entender mejor la importancia del COVID 19 y la economía en el comportamiento electoral. |
| Anteriormente el índice Z-COVID tenía una relación de dos por uno, donde se mostraban los valores de casos infectados y muertes por COVID-19. |
| se les dio el doble de peso en comparación con el valor del aumento del desempleo, ya que había dos valores para COVID-19 y solo uno destinado a la economía. |
| Nos dimos cuenta de que cada estado se vio afectado de manera diferente por la pandemia, por lo que pensamos que sería apropiado analizar los efectos de cambiar esta proporción de dos por uno a otras proporciones. |
| Primero, regresaremos al índice de estados indecisos, que ayuda a identificar el cambio de cada estado utilizando los porcentajes de resultados electorales de las últimas tres elecciones. |
| Un resultado electoral negativo indica que el electorado indeciso votó por los demócratas, mientras que uno positivo indica un voto republicano. |
| Cuanto mayor sea la magnitud y más negativo el índice de oscilación, más habrán cambiado los patrones de votación de esos estados. |
| Si el estado cambia de dirección, los signos de las dos diferencias no serán iguales, lo que provocará que el índice de estado oscilante sea negativo y muestre un comportamiento más oscilante. |
| En esta tabla, podemos ver que Michigan y Minnesota tienen valores negativos de la mayor magnitud, lo que significa que han sido los estados que más han oscilado en las últimas tres elecciones. En general, el índice de estados indecisos es bastante útil para comprender los patrones básicos de votación en dichos estados. |
| Sin embargo, el índice de estados clave no puede identificar los eventos clave que causaron los patrones de votación. |
| Utilizamos la clasificación jerárquica para estudiar estados con patrones de votación similares y enumerar los factores potenciales que afectaron su comportamiento electoral. |
| La agrupación jerárquica agrupó a los 15 estados clave en cuatro grupos diferentes, como se ve a la derecha. |
| Utilizamos este método debido a su enfoque ascendente, en el que cada estado es su propio grupo antes de que surgieran uno a la vez y ascendieran en la jerarquía. A la derecha, Iowa y Ohio se pueden ver en rojo, lo que indica que están en el mismo grupo. |
| Como se mencionó anteriormente, la agrupación jerárquica dividió los estados clave en cuatro grupos; el primer grupo está formado por Iowa y Ohio. |
| Ambos estados habían votado por los demócratas en las elecciones de 2012, y por los republicanos en las de 2016 y 2020. |
| El segundo grupo incluye a Georgia, Arizona, Carolina del Norte y Florida. Todos estos estados, excepto Carolina del Norte, se volvieron más demócratas o más republicanos, o en otras palabras, están comenzando a favorecer fuertemente a un lado. |
| Pero el tercer grupo está formado por Wisconsin, Pensilvania, Michigan, Nevada, Nueva Hampshire y Minnesota. |
| Todos estos estados, excepto Nevada, tienen un índice de oscilación negativo, lo que significa que son los estados oscilantes más inconsistentes. |
| El último grupo incluye a Colorado, Virginia y Nuevo México, que son todos estados relativamente azules o estados que han votado consistentemente por los demócratas y en las elecciones de 2020 votaron por los demócratas por un margen mayor que antes. |
| Ahora que tenemos todos los clústeres y una idea de sus características, observamos el historial de unión de clústeres, que identifica los pares principales de estados o cuáles dos estados son los más similares en sus clústeres. |
| Del historial de uniones, los dos primeros pares son Wisconsin con Pensilvania del tercer grupo y Georgia con Arizona del segundo grupo. |
| Ambos pares son parte de los grupos que tenían estados que cambiaron de rojo a azul en las elecciones de 2020. |
| Después de más investigaciones, descubrimos que Wisconsin y Pensilvania parecían tener preocupaciones por la economía, |
| insatisfacción con las políticas de salud del presidente Trump, como sus esfuerzos por debilitar la Ley de Atención Médica Asequible creada bajo la administración Obama, |
| así como preocupaciones por el medio ambiente, todo lo cual en última instancia hizo que la mayoría de los votantes votaran por los demócratas. |
| Sin embargo, en Georgia y Arizona, vemos cambios importantes en la demografía, como más votantes latinos registrados en Arizona. |
| y el movimiento Black Lives Matter, que expuso una grave injusticia racial, acabó provocando que la mayoría de los votantes emitieran su voto demócrata. |
| A través de la agrupación jerárquica pudimos separar los estados en diferentes grupos en función de sus comportamientos de votación y crear conexiones sobre qué eventos clave causaron el comportamiento de votación observado. |
| Aunque encontramos eventos clave que influyeron en el comportamiento electoral de cada estado, la clasificación jerárquica no nos indicó el peso que tuvo cada evento en el comportamiento electoral de cada estado indeciso. |
| COVID-19 y la recesión económica que le siguió. |
| COVID-19 y la economía. |
| Sin embargo, tuvimos que asumir que cada estado tendría la misma proporción Z, lo que le dio al COVID-19 el doble de peso, dando como resultado una proporción de dos por uno para cada estado. |
| Sin embargo, a partir de la agrupación jerárquica, descubrimos que cada estado tiene una situación única y que sus votantes se preocupaban por diferentes cuestiones. Para ajustar el índice Z y... el índice Z, creamos un valor llamado Variable de índice. La Variable de índice determinará el índice de importancia de la COVID-19. |
| o índice Z-COVID, que representa los casos infectados y las muertes en cada caso versus la economía o el desempleo que representa la tasa de aumento anual del desempleo en cada estado. |
| Una vez que se ajusta el ratio Z, con algunas variables de ratio diferentes, como 0,1, que crea un ratio de uno por 10 que le da a la economía 10 veces la importancia, |
| Se implementa en la fórmula completa utilizada para calcular los resultados previstos para 2020. |
| Estos resultados previstos ajustados para 2020 se comparan con los resultados electorales reales de 2020 para determinar qué proporción explica mejor la situación del estado y qué importancia tuvieron el COVID-19 y la economía en la influencia del comportamiento electoral. |
| Decidimos estudiar de cerca el comportamiento electoral de Georgia, ya que parecía sobresalir en comparación con los otros estados clave. |
| Por un lado, Georgia fue el primer estado en reabrir sus actividades económicas en abril, mientras que el resto de estados no lo hicieron. |
| Además, Georgia fue un estado clave en las elecciones de 2020, al que el presidente Trump tuvo en la mira incluso después de que se anunciaran los resultados electorales en un intento de revocarlos. |
| Georgia votó azul por un pequeño margen y tuvo un resultado electoral de -0,3%. |
| Los resultados previstos ajustados para Georgia en 2020 se incluyeron en un recipiente y se colocó un marcador para el resultado real de las elecciones de Georgia en el gráfico de la derecha. |
| Del gráfico vemos que los resultados previstos ajustados para 2020 con la variable de proporción de 0,75 tuvieron un valor de -0,2%, que es el más cercano al resultado electoral real de Georgia, -0,3%. |
| La variable de proporción 0,75 significa que la proporción es de tres por cuatro, lo que indica que la economía fue el tema más importante para la mayoría de los votantes de Georgia. |
| Esto tiene sentido porque, como se mencionó anteriormente, Georgia fue el primer estado en reabrir sus negocios en abril, lo que indica una fuerte preocupación por el bienestar de sus empresas y su economía. |
| En este proyecto exploramos diferentes eventos clave y su importancia a la hora de influir en los comportamientos electorales de 15 estados clave identificados utilizando métodos estadísticos. |
| En primer lugar, se utilizó la agrupación jerárquica para agrupar a los estados indecisos en función de su comportamiento electoral en las últimas tres elecciones. |
| A partir de esto, encontramos que en el segundo grupo formado por Arizona, Georgia y otros, |
| se vieron afectados principalmente por cuestiones relacionadas con los derechos civiles, mientras que estados como Pensilvania y Wisconsin en el tercer grupo votaron por Joe Biden debido a preocupaciones por la economía, la atención médica y el medio ambiente. |
| En general, el empeoramiento de la situación del COVID-19 y los movimientos raciales como el movimiento Black Lives Matter, |
| COVID-19 |
| y la economía, que tuvo en cada estado. Se exploró Georgia con más detalle y se descubrió que una proporción de tres por cuatro coincidía mejor con el resultado real de la elección. |
| lo que sugiere que la economía era un tema más importante para los votantes en comparación con el COVID-19, y esto tiene sentido porque Georgia fue el primer estado en reabrir negocios en abril. |
| Gracias por escuchar mi presentación. |
