La previsión de elecciones es un problema de gran importancia. Tanto los políticos como los votantes suelen estar desesperados por conocer el resultado de una contienda reñida, pero proporcionarles predicciones incompletas o inexactas puede resultar engañoso. Y la previsión electoral ya es un esfuerzo innatamente desafiante:el proceso de modelado está plagado de incertidumbre, información incompleta, y elecciones subjetivas, todo lo cual debe manejarse con destreza. Los expertos e investigadores políticos han implementado una serie de enfoques exitosos para pronosticar los resultados de las elecciones, con distintos grados de transparencia y complejidad. Sin embargo, Los pronósticos electorales pueden ser difíciles de interpretar y pueden dejar muchas preguntas sin respuesta después de que se desarrollen las contiendas.

Estos desafíos llevaron a los investigadores a preguntarse si la aplicación de un modelo de enfermedad a las elecciones podría ampliar la comunidad involucrada en el pronóstico político. En un artículo que se publica hoy en Revisión SIAM , Alexandria Volkening (Universidad Northwestern), Daniel F. Linder (Universidad de Augusta), Mason A. Porter (Universidad de California, Los Angeles), y Grzegorz A. Rempala (Universidad Estatal de Ohio) tomaron prestadas ideas de la epidemiología para desarrollar un nuevo método para pronosticar elecciones. El equipo esperaba expandir la comunidad que interactúa con los datos de las encuestas y plantear preguntas de investigación desde una nueva perspectiva; el carácter multidisciplinario de su modelo de enfermedades infecciosas fue una virtud en este sentido. "Nuestro trabajo es completamente de código abierto, Porter dijo. "Con suerte, eso animará a otros a seguir construyendo sobre nuestras ideas y desarrollar sus propios métodos para pronosticar las elecciones".

En su nuevo periódico, los autores proponen un modelo matemático basado en datos de la evolución de las opiniones políticas durante las elecciones estadounidenses. Encontraron los parámetros de su modelo utilizando datos de encuestas agregados, lo que les permitió rastrear los porcentajes de votantes demócratas y republicanos a lo largo del tiempo y pronosticar los márgenes de voto en cada estado. Los autores enfatizaron la simplicidad y la transparencia en su enfoque y consideran que estos rasgos son fortalezas particulares de su modelo. "Los modelos complicados deben tener en cuenta la incertidumbre en muchos parámetros a la vez, "Dijo Rempala.

Este estudio se centró principalmente en la influencia que los votantes de diferentes estados pueden ejercer entre sí, ya que la contabilidad precisa de las interacciones entre estados es crucial para la producción de pronósticos confiables. Los resultados electorales en estados con demografía similar a menudo están correlacionados, y los estados también pueden influirse entre sí de forma asimétrica; por ejemplo, los votantes de Ohio pueden influir más fuertemente en los votantes de Pensilvania que al revés. La fuerza de la influencia de un estado puede depender de varios factores, incluyendo la cantidad de tiempo que los candidatos pasan haciendo campaña allí y la cobertura del estado en las noticias. Para desarrollar su enfoque de pronóstico, el equipo reutilizó ideas a partir del modelo compartimental de enfermedades biológicas. Los matemáticos a menudo utilizan modelos compartimentados, que clasifican a los individuos en unos pocos tipos distintos (es decir, compartimentos):para examinar la propagación de enfermedades infecciosas como la influenza y el COVID-19. Un modelo compartimental ampliamente estudiado llamado modelo susceptible-infectado-susceptible (SIS) divide una población en dos grupos:aquellos que son susceptibles a enfermarse y aquellos que están actualmente infectados. El modelo SIS luego rastrea las fracciones de individuos susceptibles e infectados en una comunidad a lo largo del tiempo, basado en los factores de transmisión y recuperación. Cuando una persona infectada interactúa con una persona susceptible, el individuo susceptible puede infectarse. Una persona infectada también tiene una cierta probabilidad de recuperarse y volverse susceptible nuevamente.

Debido a que hay dos partidos políticos importantes en los EE. UU., los autores emplearon una versión modificada de un modelo SIS con dos tipos de infecciones. "Usamos técnicas de epidemiología matemática porque nos dieron un medio para enmarcar las relaciones entre los estados de una manera familiar, forma multidisciplinar, ", Dijo Volkening. Si bien las elecciones y la dinámica de las enfermedades son ciertamente diferentes, los investigadores trataron las inclinaciones al voto demócratas y republicanos como dos posibles tipos de "infecciones" que pueden propagarse entre los estados. Indeciso, independiente, o votantes de partidos minoritarios, todos encajan en la categoría de individuos susceptibles. "Infección" se interpretó como la adopción de opiniones demócratas o republicanas, y la "recuperación" representó el traspaso de votantes comprometidos a votantes indecisos.

En el modelo, los votantes comprometidos pueden transmitir sus opiniones a los votantes indecisos, pero lo contrario no es cierto. Los investigadores adoptaron una visión amplia de la transmisión, interpretar que la persuasión de opinión se produce a través de la comunicación directa entre los votantes y métodos más indirectos como la campaña, cobertura de noticias, y debates. Los individuos pueden interactuar y hacer que otras personas cambien sus opiniones tanto dentro como entre los estados.

Para determinar los valores de los parámetros matemáticos de sus modelos, los autores utilizaron datos de encuestas sobre senatorial, gobernador, y carreras presidenciales de HuffPost Pollster para 2012 y 2016 y RealClearPolitics para 2018. Ajustaron el modelo a los datos de cada carrera individual y simularon la evolución de las opiniones en el año previo a cada elección mediante el seguimiento de las fracciones de indecisos, Democrático, y votantes republicanos en cada estado desde enero hasta el día de las elecciones. Los investigadores simularon sus pronósticos finales como si los hubieran hecho la víspera del día de las elecciones, incluyendo todos los datos de las encuestas pero omitiendo los resultados de las elecciones.

A pesar de su base en un campo poco convencional para la previsión electoral, a saber, epidemiología:el modelo resultante funcionó sorprendentemente bien. Pronosticó las carreras por gobernador de EE. UU. En 2012 y 2016, Senado, y oficina presidencial con una tasa de éxito similar a los sitios de analistas populares FiveThirtyEight y Crystal Ball de Sabato. Por ejemplo, La tasa de éxito de los autores para predecir los resultados de los partidos a nivel estatal en las elecciones presidenciales de 2012 y 2016 fue del 94,1 por ciento. mientras que FiveThirtyEight tuvo una tasa de éxito del 95,1 por ciento y Crystal Ball de Sabato tuvo una tasa de éxito del 93,1 por ciento. "Inicialmente, todos nos sorprendió que un modelo de transmisión de enfermedades pudiera producir pronósticos significativos de elecciones, "Dijo Volkening.

Después de establecer la capacidad de su modelo para pronosticar resultados en vísperas del día de las elecciones, los autores buscaron determinar qué tan temprano el modelo podría crear pronósticos precisos. Las predicciones que se hacen en las semanas y meses previos al día de las elecciones son particularmente significativas, pero producir pronósticos tempranos es un desafío porque hay menos datos de encuestas disponibles para el entrenamiento de modelos. Al emplear datos de encuestas de las elecciones senatoriales de 2018, El modelo del equipo pudo producir pronósticos estables desde principios de agosto en adelante con la misma tasa de éxito que los pronósticos finales de FiveThirtyEight para esas carreras.

A pesar de las claras diferencias entre el contagio y la dinámica de la votación, este estudio sugiere un enfoque valioso para describir cómo cambian las opiniones políticas en los estados. Volkening está aplicando actualmente este modelo, en colaboración con los estudiantes de pregrado de la Universidad de Northwestern, Samuel Chian, William L. He, y Christopher M. Lee, para pronosticar las presidenciales de EE. UU. de 2020, senatorial, y elecciones para gobernador. "Este proyecto me ha hecho darme cuenta de que es un desafío juzgar los pronósticos, especialmente cuando algunas elecciones se deciden por un margen de voto de menos del uno por ciento, ", Dijo Volkening." El hecho de que nuestro modelo funcione bien es emocionante, ya que hay muchas formas de hacerlo más realista en el futuro. Esperamos que nuestro trabajo aliente a la gente a pensar de manera más crítica sobre cómo juzgan los pronósticos y cómo se involucran ellos mismos en los pronósticos electorales ".