Letzten Monat das haben wir gesehen die Instances/Siena-Umfrage verwendet jetzt Energieausgleichsgewichte (Huling & Mak, 2024). In einem Spielzeugbeispielwir sahen unter welchen Ergebnismodellen diese Gewichtungsmethoden intestine funktionieren könnten. Ich wurde inspiriert von Klein 2004der gesehen hat, unter welchem ​​Ergebnismodell der inverse wahrscheinlichkeitsgewichtete Schätzer (auch bekannt als Horvitz-Thompson) macht das intestine. Dies erklärt die schlechte Leistung des HT-Schätzers in Basus (1971) Elefanten Beispiel (welches Ich habe in meinem Beitrag Basus Bären verwendet).

Aus Klein 2004:

Andrews 2007 „Struggles“-Artikel Und das MrPlew-Papier von 2026 Gehen Sie den anderen Weg: Beginnen Sie mit einem Ergebnismodell und entfernen Sie die Gewichte. Diese Leute haben alle ziemlich hart gearbeitet. Ich fragte mich, ob ich einfach Thomas Lumleys verwenden könnte Umfragepaket um die Gewichte zu bekommen. Siehe meine Beiträge „Schwierigkeiten mit Äquivalentgewichten“ und mein anhaltende Kämpfe. Aber in der Simulation habe ich eine verwendet linear Ergebnismodell. Interessanter wäre es mit einem gewesen Logistik Ergebnismodell!

Der lineare Fall wurde in Andrews Aufsatz von 2007 behandelt. Das MrPlew-Papier von 2026 erweitert dies, indem es feststellt, dass die linearen Äquivalentgewichte Ableitungen sind, und dies verwendet, um lokal äquivalente Gewichte zu definieren, grün hervorgehoben von mir:

Dann der 2026 MrPlew Leute Verwenden Sie diese äquivalenten Gewichte, um die Zielpopulation mit der gewichteten Stichprobe als MrP-Diagnose zu vergleichen. (Im Gegensatz zu das Huling & Mak-Papier über Energieausgleichsgewichtedie Leute von MrPlew betrachten jeweils eine Kovariatenfunktion, nicht die gesamte Kovariatenverteilung auf einmal.) Eines ihrer Beispiele stammt von Lax & Phillips 2009 Schwulenrechte in den Staatenwelche Ich habe aus Stolz darüber gebloggt. In diesem Beispiel sieht das implizite Kovariaten(un)gleichgewicht für MrP nicht besonders intestine aus! Hier ist ihre Abbildung 5b:

Als Andreas gebloggt: „Es macht Sinn, dass das implizite Kovariatengleichgewicht für MRP manchmal schlechter sein kann als für Raking. MRP ist eine geglättete Model von Raking, und ungeglättetes Raking kann zu einer Überanpassung führen.“ Ja, aber hier ist es schlimmer als die rohe, unkorrigierte Bilanz! Die Autoren von MrPlew weisen hier darauf hin, dass die lokal lineare Näherung möglicherweise nur schlecht extrapoliert werden kann und dass wir uns nicht zu sehr auf diese Modellprüfung verlassen sollten. Sie sagen auch, dass „die logistische Regression im Allgemeinen die varianzgewichteten Kovariaten ausgleicht, nicht aber die Kovariaten selbst“. Ich bin froh, dass sie dieses anschauliche Beispiel aufgenommen haben, und möchte mehr darüber nachdenken.

Gedanken ?

[ad_2]

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:

1. „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.
2. „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.
3. „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.

[ad_2]

Wir haben darüber gesprochen Unsicherheit in Umfragen (sehen Fehlerquote, Gesamtfehlerquote, Gesamtfehlerquote II) und wir haben darüber gesprochen Rangdaten (sehen explodierte Logit!). Ein neues Papier, Rosenman & Liang 2026befasst sich mit der Unsicherheit in RCV-Umfragen (Ranked Alternative Voting).

Erinnern Sie sich an das multinomiale Logit-Modell Zug (2009) Kapitel 7 nennt die explodiertes Logit:

P(Rangliste Andere, dann Hyperlinks, dann Rechts) = exp(f_Other) / sum_c‘ exp(f_c‘) * exp(f_Left) / (exp(f_Left) + exp(f_Right))

Ohne Kovariaten ist dies der Fall nur 3 Parameter: f_Other, f_Left, f_Right. Es macht das Unabhängigkeit von irrelevanten Alternativen (IIA) Annahme, von diesen 3 Parametern zu Rangwahrscheinlichkeiten überzugehen.

Im Gegensatz dazu ist das Multinomialmodell in Rosenman & Liang 2026 trifft nicht die IIA-Annahme und hat 14 Parametereine für jede der 15 möglichen Platzierungen minus eins, sodass die Summe 1 ergibt:

P(Rangfolge Andere, dann Hyperlinks, dann Rechts) = pi_{Andere, Hyperlinks, Rechts}

Rosenman & Liang 2026 Beachten Sie, dass das Wahlergebnis im RCV nicht als ein Parameter ausgedrückt werden kann. Stattdessen wird der Gewinner ermittelt sofortiger Abfluss:

1. Wenn ein Kandidat mehr als 50 % der Erstwahlstimmen erhält, gewinnt er.
2. Andernfalls scheidet der Kandidat mit den wenigsten Erstwahlstimmen aus und jeder Stimmzettel zählt für die höchste verbleibende Wahl. Kehren Sie zu Schritt 1 zurück.

Angenommen, Sie verwenden Umfragedaten, um die Rangwahrscheinlichkeiten pi_j für jeden Rang j zu schätzen. Diese Schätzungen weichen aufgrund vieler Fehlerquellen von den wahren Wahrscheinlichkeiten ab (siehe unsere Lieblingsabbildung 2.5 aus). Groves et al. gezeigt in Quantität vs. Qualität Und Ist ein falsch gemessenes X besser als gar keins?). Rosenman & Liang 2026 Fokus auf Stichprobenfehler.

Wie können wir Unsicherheit verbreiten über die Rangwahrscheinlichkeiten pi_j zur Unsicherheit über den RCV-Gewinner? Wenn Sie Ziehungen vom hinteren Teil von pi_j haben, können Sie bei jedem eine sofortige Stichwahl durchführen, um einen Gewinner für diese Ziehung zu ermitteln. Dies ergibt Gewinnwahrscheinlichkeiten entsprechend Ihrem Modell und Ihren Daten.

Um die Bedeutung der Unsicherheit im RCV zu erkennen, schauen wir uns das Beispiel der Sonderwahlen zum Repräsentantenhaus von Alaska 2022 an. Bei 3 Kandidaten wird RCV durch 5 Margen bestimmt (siehe Lemma 1). Die meisten dieser Margen sind durch die Daten intestine identifiziert, aber zwei lagen recht nahe beieinander: Palin vs. Begich erster Wahlmarge und Peltola vs. Palin paarweise Marge. Sie zeichnen diese beiden Ränder im rechten Bereich von Abbildung 1 auf. Das wahre Ergebnis ist der schwarze Punkt, um den herum die Stichprobenunsicherheit als Ellipsen dargestellt ist. Bei kleinen Stichprobengrößen (der größten Ellipse) sehen wir, dass ein Großteil der Masse in den grünen Bereich fällt, wo Punktschätzungen besagen würden, dass Begich gewinnt. Die Quantifizierung der Unsicherheit würde dabei helfen, dies in einen Zusammenhang zu bringen und allen Kandidaten eine Siegwahrscheinlichkeit von etwa 20–40 % zu geben, was zeigt, dass das Rennen mit solch kleinen Daten schwer zu entscheiden ist.

Einzelheiten finden Sie unter Rosenman & Liang 2026.

[ad_2]

Letzte Woche wir haben darüber gesprochen Die großen Veränderungen, die der Instances/Siena-Umfrage bevorstehen:

1. Neue Gewichtungsvariable: Unterstützungspunktzahl = E(2024 Abstimmung | andere X-Variablen).
2. Neue Gewichtungsmethode: Energieausgleich (Huling & Mak, 2024)

Ben Schneider hilfreich gebloggt Auch zum Thema Energiebilanzierung:

Raking und ähnliche Kalibrierungsmethoden basieren auf dem Ausgleich von Mittelwerten oder Summen für bestimmte Variablen. Die Energieausgleichsmethode macht etwas anderes: Sie kalibriert auf der Grundlage einer gesamten multivariaten Verteilung, gemessen durch eine empirische kumulative Verteilungsfunktion (ECDF).

Jared Huling (von Huling & Mak, 2024) beantwortete hilfreich Fragen in den Kommentaren. Ich rätsele immer noch darüber, wie der Energieausgleich mit leeren Zellen (nicht abgetasteten Bereichen des gemeinsamen Kovariatenraums) umgeht. Ich brauche ein Spielzeugbeispiel.

Betrachten Sie 2 binäre Variablen, additionally 4 Populationszellen, mit bekannten Populationsanteilen:

       okay=0    okay=1    whole
j=0    .4     .2     .6
j=1    .2     .2     .4
whole  .6     .4

Angenommen, in der Stichprobe fehlen Personen in Zelle 11:

       okay=0    okay=1    whole
j=0    .5     .3     .8
j=1    .2     0      .2
whole  .7     .3

Betrachten Sie 4 Methoden:

1. Klassische Poststratifizierung: wegen Division durch 0 nicht definiert.

2. Harken: Passen Sie nur die Ränder an. Korrigieren, wenn Y | X1, X2 ist additiv.

       okay=0    okay=1    whole
j=0    .2     .4     .6
j=1    .4     0      .4
whole  .6     .4

3. Energieausgleich: Minimieren Sie den Energieabstand (F_w, F_pop) zwischen der gewichteten Stichprobenverteilung von X1, X2 und der Populationsverteilung. Korrigieren, wenn Y | X1, X2 ist so, dass benachbarte Zellen ähnliche Mittelwerte haben.

Angenommen, X1 = jung/alt, X2 = Mann/Frau, Y = Prozent Demokraten, und es werden keine alten Frauen befragt.

Das Harken ist korrekt, wenn die Additivität gilt: alte Frauen = junge Frauen + (alte Männer − junge Männer)

Die Energiebilanzierung ist ungefähr dann korrekt, wenn: alte Frauen = (alte Männer + junge Frauen)/2 ?

library(WeightIt)

pop  <- information.body(X1 = rep(c(0, 0, 1, 1), c(40, 20, 20, 20)),
                   X2 = rep(c(0, 1, 0, 1), c(40, 20, 20, 20)))

samp <- information.body(X1 = rep(c(0, 0, 1), c(50, 30, 20)),
                   X2 = rep(c(0, 1, 0), c(50, 30, 20)))

dat <- rbind(cbind(pop,  A = 1),
             cbind(samp, A = 0))

W <- weightit(A ~ X1 + X2, information = dat, methodology = "power",
              estimand = "ATT", focal = "1",
              dist.mat = as.matrix(dist(dat(, c("X1", "X2")))))

w <- W$weights(dat$A == 0)
tapply(w, interplay(samp$X1, samp$X2), sum) / sum(w)

       okay=0    okay=1    whole
j=0    .381   .309   .69
j=1    .309   0      .309
whole  .69    .309

4. MRP: Passen Sie ein Modell für Y | an X1, X2. Das Posterior des Interaktionsterms entspricht seinem Prior, was zu Unsicherheit hinsichtlich der Additivität führt.

Verstehe ich das richtig?

[ad_2]

Gestern hat Nate Cohn darüber geschrieben Die großen Veränderungen, die der Occasions/Siena-Umfrage bevorstehenmit
Weitere Particulars in ihre Umfrage in Maine.

Angenommen, wir möchten die durchschnittliche Platner-Unterstützung in Maines wahrscheinlicher Wählerschaft E(Y) schätzen. Aber wir haben nur Umfrageteilnehmer, R = 1.

Die NYT verwendet Umfragegewichte um die Befragten zu gewichten, E(YW | R = 1). Im Gegensatz dazu verwenden einige Meinungsforscher MRPAnpassen eines mehrstufigen Regressionsmodells zur Platner-Unterstützung und anschließendes Anwenden auf die Grundgesamtheit E(E_model(Y | X, R = 1)).

Nate bespricht zwei große Änderungen an der Konstruktion der Gewichte W.

(Der Eisbär ist in ME noch nicht gewandert, aber er trainiert dafür. Das obige ist in Tennessee.)

Große Veränderung 1: Unterstützungswert

Vor ein paar Wochen sahen wir, dass die NYT mit der Gewichtung begann „synthetische Abstimmung 2024“Dabei handelt es sich um eine abgerufene Abstimmung von 2024, die mit der Wählerdatei validiert und bei Bedarf unterstellt wird.

Jetzt gewichten sie auch den Unterstützungswert = E(2024 Abstimmung | andere X-Variablen). Nate erklärt die Motivation:

Während eine Umfrage nicht Dutzende von Variablen berücksichtigen kann, können wir mit dem Unterstützungswert viele Informationen in einer einzigen Kennzahl zusammenfassen.

Das erinnerte mich an den Kausalschlusskontext, wo D’Amour und Franks (2021) „Siehe besonders starke Leistung für Neigungsgewichte, die in Bezug auf den prognostischen Rating berechnet werden“, wobei der prognostische Rating E(Y | X, Kontrolle) ist. In unserem Umfragekontext wäre dies ein Modell für Platners Unterstützung Y. Stattdessen verwendet die NYT die Abstimmung für 2024, vielleicht wegen der Anwendbarkeit auf mehrere Ergebnisse Y?

Große Veränderung 2: Energieausgleich

Sie fügen nicht nur neue Gewichtungsvariablen hinzu, sondern ändern auch die Artwork und Weise, wie sie die Gewichte berechnen. Nate weist auf die Herausforderung hin, viele Variablen und Wechselwirkungen mit typischen Stichprobengrößen zu gewichten. Additionally wenden sie sich an die R-Paket WeightItdas die Energiebilanzierungsmethode von implementiert Huling & Mak (2024):

In diesem Artikel wird eine neue Gewichtungsmethode namens Energieausgleich vorgestellt, die stattdessen darauf abzielt, gewichtete Kovariatenverteilungen auszugleichen. Durch die direkte Bekämpfung von Verteilungsungleichgewichten kann die vorgeschlagene Gewichtungsstrategie erreicht werden flSie können flexibel in einer Vielzahl von Kausalanalysen eingesetzt werden, ohne dass sorgfältige Modell- oder Momentenspezifikationen erforderlich sindfiKation.

Die Energieausgleichsgewichte verwenden nicht das Ergebnis Y, aber das Papier stellt fest, dass Schätzungen mit einem Modell für Y verbessert werden können.

Wie bewältigen Energieausgleichsgewichte die Herausforderung, viele Variablen mit typischen Stichprobengrößen gemeinsam zu gewichten, „ohne dass eine Modellspezifikation erforderlich ist“?

[ad_2]

Im Jahr 2019, Andrew gebloggt um Kollinearität in Bayes’schen Modellen. In den Kommentaren, er wies auf ein Beispiel hin aus Bayesianische Datenanalyse, 2. Auflage (BDA2). Ich denke, es ist ein nützliches Beispiel, das man sich immer merken sollte Extrapolieren von der Stichprobe auf die Grundgesamtheit. Da Leute (wie ich) möglicherweise nur BDA3 in ihrem Regal haben, dachte ich, ich rede darüber.

Stellen Sie sich vor, wir schreiben das Jahr 1980 und wir sind beim US Census Bureau. Wir haben gerade das Berufskodierungssystem überarbeitet und es ist viel besser! Wir wollen Codes im Stil von 1980 für alle unsere alten Daten, die nur Codes im Stil von 1970 enthielten. Tauschen wir unsere Bauernblusen gegen ein paar Schulterpolster ein.

Angenommen, wir haben doppelt codierte Trainingsdaten (n = 10.000) mit:

• O_1980 = Beruf, kodiert im Kodierungssystem von 1980
• O_1970 = Beruf, kodiert im Kodierungssystem von 1970
• E = Bildung, entweder hoch oder niedrig
• I = Einkommen, entweder hoch oder niedrig

Wir möchten O_1980 für den einfach codierten vollständigen Datensatz (N = 1.000.000) mit nur O_1970, E und I unterstellen.

Berücksichtigen Sie jeden, der einen bestimmten Beruf ausübt Codes von 1970zB Buchhalter. Angenommen, in den doppelt codierten Ausbildungsdaten sind 200 Buchhalter enthalten, die entweder ein hohes Einkommen und eine hohe Bildung oder ein niedriges Einkommen und eine niedrige Bildung haben. Sie haben entweder OCCUP1 oder OCCUP2 entsprechend Codes von 1980.

Aus BDA2 Tabelle 9.1:

Angenommen, wir verwenden Commonplace-Regressionssoftware, um p(O_1980 | O_1970 = Buchhalter, E, I) anzupassen. Die Prädiktoren E und I werden als perfekt kollinear gekennzeichnet, da in der doppelt codierten Trainingsstichprobe Bildung und Einkommen perfekt korrelieren.

Angenommen, Sie verzichten auf Bildung und nutzen nur das Einkommen. In den einfach kodierten Daten gibt es tatsächlich einige Personen mit geringer Bildung und hohem Einkommen. Das Modell verwendet nur das Einkommen, sodass 90 % von ihnen OCCUP1 erhalten. Aber nehmen wir an, ich verzichte auf das Einkommen und nutze nur noch Bildung. Mein Modell verwendet nur Bildung, daher erhalten nur 10 % von ihnen OCCUP1. Wer hat Recht?

Wie die Autoren sagen:

Die Wahrheit ist, dass wir im Wesentlichen keine Beweise für die Aufteilung dieser Einheiten haben. Die berufliche Aufteilung für die „E=niedrig, I=hoch“-Einheiten sollte beispielsweise zwischen 90/10 und 10/90 variieren. … Wenn eine Variable aus inhaltlichen Gründen im Modell enthalten sein sollte oder könnte, sollte sie auch dann einbezogen werden, wenn sie nicht „statistisch signifikant“ ist und selbst wenn die Daten keine Informationen enthalten, um sie mit herkömmlichen Methoden zu schätzen.

[ad_2]

Fröhlicher Stolz!

Eine Artwork, wie ich feierte, conflict das Lesen Lax & Phillips 2009, Schwulenrechte in den Staaten: Öffentliche Meinung und politische Reaktionsfähigkeit. Es ist themenbezogen, ein Beispiel in das MrPlew-Papier (was ich auch noch verdauen muss) und ich wollte Beispiele dafür Verwendung von MRP in späteren Analysen.

Lax & Phillips 2009 untersuchte den Zusammenhang zwischen der öffentlichen Meinung auf Landesebene und der staatlichen Umsetzung von Richtlinien, die Schwule und Lesben betreffen. Andrew hat über diese Arbeit gebloggt November 2008, Januar 2009Und Juni 2009 als er schrieb:

Ausgefallene statistische Analysen können tatsächlich zu einem besseren Verständnis führen. Jeff Lax und Justin Phillips verwendete die Methode der mehrstufigen Regression und Poststratifizierung („Mister P“…

Der Anhang des Papiers enthält: ein NYT-Artikel und eine quick regenbogenfarbene Handlung:

Lax & Phillips 2009 gebraucht MRP um die öffentliche Meinung E(y | s) auf Landesebene zu schätzen. Lassen

• y_i = 1, wenn Particular person i Gesetze zum Schutz vor Diskriminierung bei Beschäftigungsmöglichkeiten unterstützt (zum Beispiel), = 0 andernfalls
• s(i) = Geben Sie an, wo Particular person i lebt, z. B. NY
• L_s = 1, wenn der Bundesstaat s Gesetze zum Schutz vor Diskriminierung bei Beschäftigungsmöglichkeiten hat, andernfalls = 0

Ihre Multilevel-Regression („MR“ von MRP)-Modell hatte Auswirkungen auf Rasse, Geschlecht, Alter, Bildung, Bundesstaat und Umfragen:

Sie modellierten den Staatseffekt mit Prädiktoren auf Landesebene (% religiöse Konservative, % demokratische Wähler im Jahr 2004):

Dann poststratifizierten sie („P“ von MRP) an die Bevölkerung:

Dann verwendeten sie die MRP-Schätzung der öffentlichen Meinung als Prädiktor dafür, ob der Staat die Politik annimmt:
Pr(L_s = 1) = logit^-1(a + b * y_s^pred)

Aus ihrer Abbildung 1:

Fragen:

1. (Wie) tat Lax & Phillips 2009 Berücksichtigen Sie die Unsicherheit in der MRP-Schätzung der öffentlichen Meinung und berücksichtigen Sie diese in ihrer späteren Analyse ihrer Auswirkungen auf die Annahme politischer Maßnahmen. L_s?
   In Fußnote 7 heißt es, dass sie die Unsicherheit für Nicht-MRP-Schätzungen berücksichtigt haben:

   Wenn wir einen auf Disaggregation basierenden Meinungsindex anstelle von MRP-Schätzungen verwenden, korrigieren wir die Zuverlässigkeit mithilfe eines Fehler-in-Variablen-Ansatzes (eivreg in Stata) …

2. Sind die Ergebnisse abhängig davon, ob L_s für die Richtlinienübernahme ein Prädiktor auf Landesebene im MRP-Modell ist?

[ad_2]

Vor einem Jahr und einem Tag startete die Blogreihe „Survey Statistics“ mit: „Es sind die Menschen Das macht Umfragestatistiken (und alles andere) großartig.“ Am vergangenen Wochenende durften wir wunderbare Menschen bei feiern Andrew Gelmans Workshop zum 60. Geburtstag.

Die Künstlerin Sophie Gelman hat Folgendes angefertigt:

Yair Ghitza hielt einen Vortrag über Andrews Einfluss auf die Umfragen. Yair ist Chefwissenschaftler bei Catalist und Mitautor hervorragender Artikel über MRP, die wir in dieser Blogserie zitiert haben: Ghitza und Gelman 2013 Und Ghitza und Gelman 2020. Die Diskussion nach seinem Vortrag beinhaltete die Erwähnung von Nate Cohns NYT-Artikel vom 18. Mai 2026 über die Gewichtung mit „synthetischer Vergangenheitsstimme“.

Verwenden wir unsere Notation von „Ist ein falsch gemessenes X besser als gar keins?“ Und „Weitere Abenteuer im vermessenen X“ (siehe auch „Mehr zur zurückgerufenen Abstimmung“):

• Y = aktuelle Unterstützung
• X = wahre Abstimmung für 2024, unbekannt
• X* = zurückgerufene Abstimmung 2024

Und Notation von „Gewichte und MRP für Wähler“:

• V = aktueller registrierter Wähler
• V2024 = Aufzeichnung der Stimmabgabe im Jahr 2024 (eine vergröberte Model von X, die nur angibt, ob jemand gewählt hat)

Angenommen, wir wollen E(Y | V=1), die aktuelle Unterstützung unter den aktuell registrierten Wählern. Mithilfe von MRP möchten wir dies möglicherweise über E(E(Y | X, Stichprobe, V = 1) | V = 1) abschätzen. Aber wir haben mindestens zwei Herausforderungen:

1. Wir können E(Y |
2. Wir benötigen p(X | V=1) für den äußeren Erwartungswert. Aber vergangene Wahlergebnisse ergeben p(X).

Nates Artikel schlägt vor:

1. Erstellen synthetische vergangene Abstimmung, X**das darauf abzielt, die zurückgerufene Stimme X* zu verbessern:
   1. Unterstellen X**, wenn X* fehlt und es einen Datensatz gibt, über den sie abgestimmt haben (z. B. V2024 = 1).
   2. Bestätigen: Setzen Sie X** auf „Nichtwähler“, wenn es keinen Datensatz gibt, über den sie abgestimmt haben (z. B. V2024 = 0).
2. Ich interpretiere das so, dass sie p(X** | V = 1) schätzen? Sehen „Gewichte und MRP für Wähler“ für Ideen.
   

   „Die synthetischen Stimmen aus der Vergangenheit werden gewichtet, um unserer Schätzung darüber zu entsprechen, wie die heute registrierten Wähler … bei der letzten Wahl abgestimmt haben.“

    

Was denken Sie ?

[ad_2]

Meng (2022) taucht hier oft auf: „Es sind die Menschen“ (der Begin dieser Blogserie ist ein Jahr her!), „Wahrscheinlichkeitsproben vs. Epsem-Proben vs. SRS-Proben“, „göttliche Wahrscheinlichkeiten“und die von letzter Woche „GREG“. Wie viele von Mengs Aufsätzen verdient es mehrere erneute Lektüre.

(Der Eisbär feierte den Geburtstag der Blogserie mit einer regnerischen Wanderung auf dem PA AT. Hier versucht er sich abzutrocknen.)

Schauen wir uns den Teil über den generalisierten REGgressionsschätzer genauer an (in dem nicht ausdrücklich „GREG“ steht). Grüne Anmerkungen sind von mir:

Meng (2022)(5.2) ist die erste Schreibweise von GREG in unserem Beitrag „GREG“aus Särndal, Swensson, Wretman (1992):

In diesem Buch heißt es weiter, dass GREG oft eine supereinfache Type annimmt:

Meng (2022) Erwähnt das nicht, soweit ich das beurteilen kann? Obwohl ich denke, dass Mengs Beispiel die Bedingungen des Buches erfüllt Särndal, Swensson, Wretman (1992) beschreibt weiter: Das Regressionsmodell geht von einer konstanten Varianz aus und hat einen Achsenabschnitt.

Wie auch immer, zurück zum Titel dieses Beitrags. Meng betont, dass GREG nicht nur „doppelt strong“ ist (konsistent, wenn entweder das Ergebnismodell oder das Antwortmodell korrekt sind), sondern auch „doppelt plus strong“ (konsistent, wenn die Überreste des Ergebnismodells und des Antwortmodells nicht korrelieren). Ich interessiere mich für die praktischen Implikationen davon, beispielsweise für den Vorschlag, die geschätzten Antwortwahrscheinlichkeiten in das Ergebnisregressionsmodell einzubeziehen. Gedanken ?

[ad_2]

Ich habe gerade mit Andrew und einigen der Autoren von gesprochen das MrPlew-Papier: Ryan Giordano, Erin Hartman und Avi Feller. Hier muss ich noch viel mehr verdauen! Die Zeitung erschien, als der Eisbär und ich von TN nach VA überquerten.

Wir haben über die Verwendung gesprochen ein Modell für Reaktion R, ein Modell für Ergebnis Y oder beides. Additionally kam GREG und Andrew fragte: „Was ist GREG?“ Gute Frage.

GREG ist ein generalisierter REGgressionsschätzer. Särndal, Swensson, Wretman (1992) hat einen schönen Abschnitt, der es auf verschiedene Arten schreibt:

1. Passen Sie eine auf dem Modell basierende Schätzung mit einer Horvitz-Thompson-Schätzung des Fehlers an:

2. Oder auf der anderen Seite können Sie es als Anpassung der Horvitz-Thompson-Schätzung mit dem Modell betrachten:

Es heißt GREG für Verallgemeinert REgressionsschätzer, Was wird verallgemeinert?

Lumley 2010 ließ mich denken, dass wir auf kontinuierliche X-Variablen verallgemeinern würden:

Sharon Lohrs Buch ließ mich denken, dass wir über einfache Zufallsstichproben hinaus verallgemeinern:

Särndal, Swensson, Wretman (1992) ließ mich denken, dass wir auf mehrere X-Variablen verallgemeinern würden:

Unabhängig von der genauen Herkunft des Namens, GREG hat Verbindungen zur Doubly Strong-Literatur im Bereich Kausalschluss (als Coston et al. (2020) Anmerkung in einer Fußnote). Gibt es Lieblingsreferenzen, die diese Verbindungen herstellen?

[ad_2]