Nachschichtung verwendet Bevölkerungsdaten zu X, um E(Y) über E(E(Y | X, R = 1)) zu schätzen, wobei R = 1 Umfrageteilnehmer sind, die Y und MRP. Das äußere „E“ benötigt p(X), Bevölkerungsdaten auf X.
Manchmal müssen wir die Bevölkerungsverteilung schätzen. Wir haben einige Beispiele gesehen:
- „2 Arten der Kalibrierung“: Angenommen, wir haben p(X), aber wir benötigen auch p(Z | X), die Populationsverteilung einer anderen Variablen Z. Wir können p(Z | Angenommen, wir haben Bevölkerungsdaten zu Aggregaten p(Z) (z. B. aus Volkszählungstabellen), dann können wir das tun Logit-Shift zur Verankerung im Bevölkerungsaggregat. Sehen Kuriwaki et al. 2024.
- „MRPW“: Angenommen, wir haben p(X), aber wir benötigen auch p(W | X), die Bevölkerungsverteilung der Umfragegewichte W. Wir können p(W | X, R = 1) anhand von Umfragedaten schätzen. Dann weil wir Gehen Sie davon aus, dass die Umfragegewichte proportional zur umgekehrten Antwortwahrscheinlichkeit sind 1/p(R = 1 | W, X) können wir nach der Bayes-Regel bekommen, was wir brauchen.
- „Gewichte und MRP für Wähler“: Angenommen, wir haben p(X), aber hier brauchen wir p(X | V = 1), die Verteilung von X unter der Wählerpopulation. Nach der Bayes-Regel können wir dies über p(X) und p(V = 1 | X) erhalten. Letzteres lässt sich abschätzen Geschichte der Wahlbeteiligung der Bevölkerung und Wahlabsicht unter den Umfrageteilnehmern.
In allen Fällen haben wir eine gewisse Verankerung in der Bevölkerung, z. B. über Gesamtsummen, Umfragegewichte oder Wahlbeteiligungshistorie. Das bringt mich dazu Andrews Beitrag Bitten Sie die Meinungsforscher für 2016 um eine Poststratifizierung nach Partei-ID. Wir haben keine Bevölkerungsaggregate, zu denen wir eine Logit-Verschiebung durchführen können. Aber Andrew kommentiert:
Die Partei-ID ändert sich viel langsamer als die Verteilung der Wählerpräferenzen, die sich selbst viel langsamer ändert als die differenzielle Nichtbeantwortung.
In unserem Beispiel ändert sich die Partei-ID (Z) additionally im Laufe der Zeit schnell, aber hauptsächlich aufgrund unterschiedlicher Antwortausfälle:
p(Z | t, R = 1) = p(R = 1| Z, t)/p(R =1 | t) * p(Z | t) = differenzielle Nichtantwort bei t * Partei-ID bei t
Andrew zitiert seine mitverfasste Arbeit Reilly et al. 2001das ein Modell anpasst, um die nachstratifizierende Variable Z über die Zeit zu glätten. Dies hilft nicht bei der Komponente der differenziellen Antwortausfälle, die konstant ist oder sich im Laufe der Zeit langsam ändert, aber es verhindert, dass die Umfragen bei jedem Anstieg der differenziellen Antwortausfälle herumspringen.
Andrew zitiert auch seine mitverfasste Arbeit Der mythische Swing-Wählerdas die Umfragedaten von 2008 zu Z verwendet, um Umfragen aus dem Jahr 2012 anzupassen. Dies basiert auch auf der Annahme, dass sich Z im Laufe der Zeit langsam ändert, unser Anker in Ermangelung von Bevölkerungsdaten.
Wir haben über die Anpassung an die Partei-ID gesprochen. Eine weitere Variable, die wir berücksichtigen sollten, ist das Interesse an Politik. In „Anpassung an das Interesse an Politik“ wir zitieren Andrew und Gustavo‚S Herausforderungen bei der Anpassung einer Umfrage, die politikinteressierte Personen überrepräsentiert. Sie sehen im Laufe der Zeit eine Zunahme des Interesses an Politik, was ihrer Meinung nach auf einen Nonresponse-Bias (Personen, die sich mehr für Politik interessieren, die an Umfragen teilnehmen) und/oder auf eine Veränderung der Bevölkerung aufgrund einer zunehmenden politischen Polarisierung zurückzuführen sein könnte.
