Australia Database

在今年早些时候的一篇论文中，我们指出，选举预测模型可以分为两种理想类型，即短期模型和长期模型。短期预测模型主要基于民意调查，并不断更新，直到选举日。民意调查本身通常会在选举前几天采访受访者。长期模型应用投票和选举文献中的理论和证据，并在实际选举前几个月做出预测。我们之前的论文探讨了短期和长期预测的优缺点，当时我们认为这两种观点都有价值。2016 年选举结果对民意调查以及短期和长期预测有何启示？
《纽约时报》网站The Upshot中列出的预测选举人团投票的短期预测。所有这些短期模型都预测克林顿至少有 70% 的机会通过州和全国民意调查赢得选举人团投票。普林斯顿选举联盟甚至预测克林顿在选举人团投票中获胜的几率为 99%。选举人团投票预测是短期预测全部偏离目标的地方。

由于这些短期预测以州和全国民意调查为基础，因此通过仔细研究选举前夕的一些个别民意调查，可以更好地了解这些误差的大小。每项民意调查在 95% 置信水平下的误差幅度 (MoE) 是了解其在选举前夕的准确度的关键。95% 置信水平下的 MoE 加密货币数据 意味着，如果调查进行了 100 次，我们预计在 100 次不同的调查中，有 95 次的实际百分比结果会在估计的 MoE 范围内。换句话说，MoE 告诉我们 95% 置信度下“实际”值的数值范围。如果特朗普的实际选票在民意调查的误差范围内，那么民意调查就不会偏离目标太远。以战场州密歇根州为例。在 11 月份的《底特律自由新闻报》民意调查中，报告的 MoE 为正负 4%，而特朗普的民意调查结果为 38%。因此，根据民调结果，“实际”值在 34% 到 42% 之间。特朗普在密歇根州赢得了 47.6% 的选票，因此《底特律自由新闻报》的预测并不准确。在 11 月进行的五项州民调中，特朗普的得票率（47.6%）仅在其中一项民调中处于误差范围内。密歇根州的结果表明，如果选举前夕的民调可以作为整体民调准确性的指标，那么还有很大的改进空间。


今年早些时候，我们警告说，如果民意调查结果出错，短期预测也可能出错。短期模型以民意调查为基础，直到最后，其他一切都不再重要。2016 年的民意调查，尤其是州民意调查，让短期选举团预测者误入歧途。长期预测模型依靠政治学理论和历史数据，在相当长的时间内构建，只偶尔更新，在这次选举中表现相当不错。然而，我们从过去的经验中知道，一个人的预测好坏取决于他上一次的预测，而 2020 年已经迫在眉睫，预测者们无法高枕无忧。