Att prognostisera val är ett höginsatsproblem. Både politiker och väljare är ofta desperata efter att få veta resultatet av en tät ras, men att ge dem ofullständiga eller felaktiga förutsägelser kan vara missvisande. Och valprognoser är redan en medfödd utmanande strävan – modelleringsprocessen är full av osäkerhet, ofullständig information, och subjektiva val, allt detta måste hanteras skickligt. Politiska experter och forskare har implementerat ett antal framgångsrika metoder för att förutsäga valresultat, med varierande grad av transparens och komplexitet. Dock, Valprognoser kan vara svåra att tolka och kan lämna många frågor obesvarade efter täta lopp.

Dessa utmaningar fick forskare att undra om tillämpningen av en sjukdomsmodell i val kunde utvidga samhället som är involverat i politiska prognoser. I en tidningspublicering idag i SIAM recension , Alexandria Volkening (Northwestern University), Daniel F. Linder (Augusta University), Mason A. Porter (University of California, Los Angeles), och Grzegorz A. Rempala (The Ohio State University) lånade idéer från epidemiologin för att utveckla en ny metod för att prognostisera val. Teamet hoppades att expandera samhället som engagerar sig i enkätdata och lyfta forskningsfrågor från ett nytt perspektiv; den multidisciplinära karaktären hos deras infektionssjukdomsmodell var en dygd i detta avseende. "Vårt arbete är helt öppen källkod, ", sa Porter. "Förhoppningsvis kommer det att uppmuntra andra att bygga vidare på våra idéer och utveckla sina egna metoder för att prognostisera val."

I deras nya tidning, författarna föreslår en datadriven matematisk modell av utvecklingen av politiska åsikter under amerikanska val. De hittade sin modells parametrar med hjälp av aggregerade omröstningsdata, vilket gjorde det möjligt för dem att spåra andelen demokratiska och republikanska väljare över tiden och förutsäga röstmarginalerna i varje delstat. Författarna betonade enkelhet och transparens i sitt tillvägagångssätt och anser att dessa egenskaper är särskilda styrkor i deras modell. "Komplicerade modeller måste ta hänsyn till osäkerhet i många parametrar samtidigt, " sa Rempala.

Denna studie fokuserade främst på det inflytande som väljare i olika stater kan utöva på varandra, eftersom att noggrant redovisa interaktioner mellan stater är avgörande för att ta fram tillförlitliga prognoser. Valresultaten i stater med liknande demografi är ofta korrelerade, och stater kan också påverka varandra asymmetriskt; till exempel, väljarna i Ohio kan påverka väljarna i Pennsylvania starkare än tvärtom. Styrkan i en stats inflytande kan bero på ett antal faktorer, inklusive mängden tid som kandidaterna lägger på kampanj där och statens bevakning i nyheterna. För att utveckla sin prognosmetod, teamet återanvände idéer från kompartmentmodellering av biologiska sjukdomar. Matematiker använder ofta kompartmentmodeller - som kategoriserar individer i några få distinkta typer (d.v.s. kompartment) – för att undersöka spridningen av infektionssjukdomar som influensa och covid-19. En brett studerad kompartmentmodell kallad susceptible-infected-susceptible (SIS)-modellen delar en befolkning i två grupper:de som är mottagliga för att bli sjuka och de som för närvarande är smittade. SIS-modellen spårar sedan fraktionerna av mottagliga och infekterade individer i ett samhälle över tid, baserat på faktorerna överföring och återhämtning. När en smittad person interagerar med en mottaglig person, den mottagliga individen kan bli smittad. En smittad person har också en viss chans att återhämta sig och bli mottaglig igen.

Eftersom det finns två stora politiska partier i USA, författarna använde en modifierad version av en SIS-modell med två typer av infektioner. "Vi använde tekniker från matematisk epidemiologi eftersom de gav oss ett sätt att rama in relationer mellan stater på ett välbekant, tvärvetenskapligt sätt, ", sa Volkening. Även om val och sjukdomsdynamik verkligen är olika, forskarna behandlade demokratiska och republikanska röstböjelser som två möjliga typer av "infektioner" som kan spridas mellan stater. Obeslutsam, självständig, eller mindre partiväljare passar alla under kategorin mottagliga individer. "Infektion" tolkades som att anta demokratiska eller republikanska åsikter, och "återhämtning" representerade omsättningen av engagerade väljare till obestämda.

I modellen, engagerade väljare kan förmedla sina åsikter till osäkra väljare, men det motsatta är inte sant. Forskarna tog en bred syn på överföring, tolka opinionsövertalning som att den sker genom både direkt kommunikation mellan väljarna och mer indirekta metoder som kampanj, nyhetsbevakning, och debatter. Individer kan interagera och leda till att andra människor ändrar sina åsikter både inom och mellan stater.

För att bestämma värdena för deras modellers matematiska parametrar, författarna använde omröstningsdata om senatorer, guvernörs, och presidentval från HuffPost Pollster för 2012 och 2016 och RealClearPolitics för 2018. De anpassade modellen till data för varje enskild ras och simulerade utvecklingen av åsikter under året som ledde fram till varje val genom att spåra bråkdelen av osäkra, Demokratisk, och republikanska väljare i varje delstat från januari till valdagen. Forskarna simulerade sina slutliga prognoser som om de gjorde dem på tröskeln till valdagen, inklusive alla omröstningsdata men utelämnar valresultatet.

Trots sin grund i ett okonventionellt område för valprognoser — nämligen, epidemiologi – den resulterande modellen fungerade förvånansvärt bra. Den förutspådde 2012 och 2016 amerikanska tävlingar för guvernör, Senat, och presidentkontor med en liknande framgångsgrad som populära analytikersajter FiveThirtyEight och Sabato's Crystal Ball. Till exempel, författarnas framgångsfrekvens för att förutsäga partiresultat på delstatsnivå i presidentvalen 2012 och 2016 var 94,1 procent, medan FiveThirtyEight hade en framgång på 95,1 procent och Sabatos Crystal Ball hade en framgång på 93,1 procent. "Vi var alla till en början förvånade över att en modell för sjukdomsöverföring kunde producera meningsfulla prognoser för val, " sa Volkening.

Efter att ha fastställt deras modells förmåga att prognostisera utfall på tröskeln till valdagen, författarna försökte avgöra hur tidigt modellen kunde skapa korrekta prognoser. Förutsägelser som görs under veckorna och månaderna före valdagen är särskilt meningsfulla, men att ta fram tidiga prognoser är utmanande eftersom färre pollingdata är tillgängliga för modellträning. Genom att använda omröstningsdata från 2018 års senatoriska tävlingar, teamets modell kunde producera stabila prognoser från början av augusti och framåt med samma framgångsfrekvens som FiveThirtyEights slutliga prognoser för dessa lopp.

Trots tydliga skillnader mellan smittspridning och röstdynamik, denna studie föreslår ett värdefullt tillvägagångssätt för att beskriva hur politiska åsikter förändras mellan stater. Volkening tillämpar för närvarande denna modell - i samarbete med Northwestern Universitys studenter Samuel Chian, William L. Han, och Christopher M. Lee – för att förutse presidentvalet i USA 2020, senator, och guvernörsval. "Det här projektet har fått mig att inse att det är utmanande att bedöma prognoser, särskilt när vissa val avgörs med en röstmarginal på mindre än en procent, " Sa Volkening. "Det faktum att vår modell gör bra ifrån sig är spännande, eftersom det finns många sätt att göra det mer realistiskt i framtiden. Vi hoppas att vårt arbete uppmuntrar folk att tänka mer kritiskt på hur de bedömer prognoser och själva engagera sig i valprognoserna."