Μέθοδοι πρόβλεψης εκλογικών αποτελεσμάτων: συγκριτική μελέτη εργαλείων του διαδικτύου

Abstract

The subject of this thesis, titled "Methods of Forecasting Election Results. Comparative Study of Internet Tools", is the study of the existing methods of analysis used to predict election results. The work aims at a comparative study of the methods used in electoral research for analyzing the behavior of voters, namely the forecasting of the electoral attitude. The study focuses on three electoral forecasting methods that are used in Greece and extends to the analysis of an innovative method deriving from the data analysis of Voting Advice Applications (helpmevote): 1) exit polls, 2) polls on voting intention by weighting of data, 3) time series analysis with respect to the voting intention for estimating the electoral influence of parties. Apart from the description of the main techniques, the effectiveness of these methods is analyzed in terms of proximity of their forecasts to the actual election results. Simultaneously, issues that create problems on the validity of the methods are explored, such as the weighting of data, addressing unspecified vote and many technical issues concerning the application of these methods, particularly in the current Greek electoral environment, where over the last years structural changes are observed in the party system, as well as in the electoral behavior of voters and the attitude of the respondents in opinion polls, making the currently used voting forecasting methodologies problematic. Additionally, the creation of a more efficient predictive model is attempted, using internet tools and particularly the Voting Advice Application. In the framework of the research data from the application helpmevote of the 2010 regional elections were used. In the first part of the analysis, three main questions are explored: 1) identifying groups of voters who have similar views with candidates in their region and the correlation of these groups with specific topics and electoral preferences, 2) the prediction of voting choice of the undecided or those who refuse to specify their voting intention, based on their degree of correspondence with candidates, parties and issues, 3) the percentage to which the factor of issues is involved in the final voting choice and the creation of a predictive model based on these. In the second part of the analysis the construction of a linear model is attempted in order to predict the voting intentions, using the placement of voters in relation to issues and the degree of their correspondence with the candidates, as main variables. As independent variables of the function are selected the stated voting intention and in search of an alternative model the predicted voting intention as calculated from the first part of the analysis. The methods of analysis proposed and applied are Discriminant Analysis, Fuzzy Clustering, Stacked Data Analysis and Binary Logistic Regression.

Θέμα της διατριβής με τίτλο «Μέθοδοι Πρόβλεψης Εκλογικών Αποτελεσμάτων. Συγκριτική Μελέτη Εργαλείων του Διαδικτύου» είναι η μελέτη των υφιστάμενων μεθόδων ανάλυσης πρόβλεψης των εκλογικών αποτελεσμάτων. Η εργασία έχει ως στόχο την συγκριτική μελέτη των μεθόδων που εφαρμόζονται στην εκλογική έρευνα για την ανάλυση της συμπεριφοράς των ψηφοφόρων και συγκεκριμένα την πρόβλεψη της εκλογικής τους στάσης. Η μελέτη επικεντρώνεται στις τρεις σημαντικότερες μεθόδους πρόβλεψης εκλογικού αποτελέσματος, που έχουν χρησιμοποιηθεί κατά τα τελευταία χρόνια στην Ελλάδα και επεκτείνεται στην ανάλυση μιας νέας καινοτόμου μεθόδου όπως προκύπτει από την ανάλυση των δεδομένων του Ηλεκτρονικού Συμβούλου Ψήφου (helpmevote): 1) τη δημοσκόπηση εξόδου (Exit Poll), 2) τη δημοσκόπηση πρόθεσης ψήφου με στάθμιση των δεδομένων, 3) την ανάλυση χρονοσειρών σε σχέση με την πρόθεση ψήφου για την εκτίμηση της εκλογικής επιρροής των κομμάτων. Επιπρόσθετα, εκτός από την περιγραφή των κυριότερων τεχνικών, αναλύεται η αποτελεσματικότητα αυτών των μεθόδων, όσον αφορά την εγγύτητα των προβλέψεων τους ως προς τα πραγματικά εκλογικά αποτελέσματα. Ταυτόχρονα, διερευνώνται επί μέρους ζητήματα που δημιουργούν προβλήματα στην εγκυρότητα των μεθόδων, όπως η στάθμιση των δεδομένων, η αντιμετώπιση της αδιευκρίνιστης ψήφου και πολλά τεχνικά ζητήματα, που αφορούν την εφαρμογή των μεθόδων αυτών, ιδιαίτερα στο υφιστάμενο εκλογικό περιβάλλον της Ελλάδας, όπου τα τελευταία χρόνια παρατηρούνται δομικές μεταβολές στο κομματικό σύστημα, καθώς επίσης στην εκλογική συμπεριφορά των ψηφοφόρων και στη στάση των ερωτώμενων στις δημοσκοπήσεις, καθιστώντας τις έως τώρα χρησιμοποιούμενες μεθοδολογίες πρόβλεψης της ψήφου προβληματικές. Επιπρόσθετα, επιχειρείται η δημιουργία ενός αποτελεσματικότερου μοντέλου πρόβλεψης με τη χρήση εργαλείων του διαδικτύου και συγκεκριμένα τον ηλεκτρονικό σύμβουλο ψήφου. Στο πλαίσιο διεξαγωγής της έρευνας έγινε ανάλυση των δεδομένων από την εφαρμογή helpmevote στις περιφερειακές εκλογές του 2010. Στο πρώτο σκέλος της ανάλυσης διερευνώνται τρία κυρίως ερωτήματα: 1) o εντοπισμός ομάδων ψηφοφόρων οι οποίοι παρουσιάζουν παρόμοιες απόψεις με τους υποψηφίους της περιφέρειάς τους και η συσχέτιση των ομάδων αυτών με συγκεκριμένα θέματα και εκλογικές προτιμήσεις, 2) η πρόβλεψη της επιλογής ψήφου όσων δηλώνουν αναποφάσιστοι ή όσων αρνούνται να δηλώσουν πρόθεση ψήφου, με βάση το βαθμό ταύτισής τους με τα πρόσωπα, τα κόμματα και με τα θέματα, 3) το ποσοστό στο οποίο συμμετέχει ο παράγοντας θέματα, στην τελική επιλογή ψήφου και η δημιουργία μοντέλου πρόβλεψης στη βάση αυτών. Στο δεύτερο σκέλος της ανάλυσης επιχειρείται η κατασκευή γραμμικού μοντέλου με στόχο την πρόβλεψη της πρόθεσης ψήφου, χρησιμοποιώντας ως κύριες μεταβλητές την τοποθέτηση των ψηφοφόρων ως προς τα θέματα και τον βαθμό ταύτισής τους με τους υποψηφίους. Ως ανεξάρτητες μεταβλητές της συνάρτησης επιλέγονται η δηλωμένη πρόθεση ψήφου και σε αναζήτηση ενός εναλλακτικού μοντέλου η προβλεπόμενη πρόθεση ψήφου όπως προέκυψε από το πρώτο σκέλος της ανάλυσης. Ως μέθοδοι ανάλυσης προτείνονται η Discriminant Analysis, η Fuzzy Cluster Analysis, η ανάλυση κατά στοιβάδες (Stacked Data Analysis) και η Binary Logistic Regression.