Introduction
L’objectif de ce projet de modélisation était de prédire le résultat des élections de 2024 en utilisant des données de santé publique, démographiques et historiques. Cette approche unique repose sur des prédicteurs qui sont un indicateur du soutien public au Parti démocrate au sein d’une population. Aux États-Unis, nous sommes confrontés à un choix binaire, démocrate ou républicain, et notre élection est décidée par les votes des grands électeurs de chaque État. Par conséquent, la mesure de réponse prédite était simplement la marge de victoire au sein d’un État.
En raison du collège électoral, prédire l’issue des élections revient essentiellement à prédire une poignée d’États. La plupart des États ont un historique fiable de large marge de victoire pour l’un ou l’autre parti, mais ce n’est pas le cas pour quelques-uns. Les données et le modèle seront précis dans la mesure où ils prédiront avec précision ces États. En raison de la taille réduite de l’échantillon des récentes élections nationales et de l’importance des points de données récents dans le modèle, il ne sera pas en mesure de produire des prévisions très précises pour les États avec de faibles marges de victoire. Par conséquent, le succès de ce modèle dépendra de sa capacité à détecter les États swing qui pourraient avoir plus de soutien pour les démocrates (ou les républicains) que ce qui est actuellement détecté dans les sondages.
Contexte et hypothèses
Au cours des deux derniers cycles d’élections présidentielles, nous avons vu les sondages d’opinion publique échouer de manière majeure. En 2016, presque tous les grands sondages et médias n’ont pas réussi à détecter le degré de soutien public parmi les démocrates et les indépendants qui a conduit à la victoire de Trump dans les États clés et dans la Rust Belt. En 2020, les instituts de sondage ont à nouveau sous-estimé le soutien à Trump dans les États clés. Depuis lors, la confiance dans la capacité des médias à enquêter et à faire éclater la vérité s’est encore érodée.
Cette analyse cherche à trouver des indicateurs qui reflètent un état plus précis des préférences politiques du public, sans être soumis aux faiblesses des biais de l'industrie des sondages. En raison de la nature hyperpolarisée de la pandémie de Covid-19 et des lignes explicitement claires sur lesquelles se situe le soutien au vaccin contre le Covid-19, l'adoption par le public de la « nouvelle » version annuelle d'un vaccin contre le Covid-19 est fortement corrélée au soutien au Parti démocrate. Comme il existe un nouveau vaccin contre le Covid-19 chaque année, on suppose que l'adoption continue indique l'allégeance électorale démocrate. D'autres indicateurs, tels que le taux de migration interne et les demandes de vote par correspondance, sont fortement corrélés au soutien démocrate au cours des quatre dernières années.
En outre, les données démographiques provenant de sources de santé publique ont été utilisées comme variables de contrôle ou de prédiction, notamment le taux de mortalité, le taux de natalité et la santé mentale. Certaines dynamiques démographiques et démographiques sont associées à des États à tendance républicaine et d’autres à des États à tendance démocrate, et ces relations se sont maintenues au fil du temps dans l’histoire récente. D’autres mesures, comme le taux de migration nette, ont de fortes associations, mais elles sont plus récentes et ont été affectées par la pandémie de Covid-19, au cours de laquelle de nombreux États bleus confinés ont enregistré une perte nette et les États rouges ouverts ont enregistré un gain net. La popularité du vaccin Covid-19, désormais annuel, diminue d’année en année, et les données ont été ajustées pour mesurer la popularité relative, les États ayant une adoption globale plus élevée que la moyenne reflétant un soutien plus élevé au parti démocrate.
Dans l’ensemble, cette analyse cherche à combiner les tendances à long terme et les tendances plus récentes afin d’estimer le niveau actuel de soutien au Parti démocrate. Comme le modèle doit être formé sur des données mises à disposition uniquement dans les mois (vaccination contre la Covid) et les semaines (demandes de vote par correspondance) précédant l’élection, il ne sera pas en mesure de détecter les changements de dernière minute.
Comme l’a dit George Box, « tous les modèles sont faux, mais certains sont utiles ». J’espère que cette analyse pourra être utile pour détecter des signaux qui pourraient ne pas être présents dans les sondages électoraux traditionnels. En plus des prévisions (qui sont surtout destinées au plaisir), j’ai inclus une analyse des États clés qui, selon moi, pourrait apporter un éclairage sur les changements clés qui se sont produits au cours des quatre dernières années.
Méthodologie
Comme l'explicabilité et l'interprétation sont essentielles dans le contexte électoral, je me suis contenté de modèles simples. Les modèles de modélisation linéaire généralisée, de régression logistique et de forêt aléatoire ont tous été formés sur des données de 2020 à 2022. Le résultat, ou la réponse, était la marge de victoire du Parti démocrate. Pour le modèle logistique, la réponse prédite était une victoire ou une défaite binaire pour cet État. Étant donné que chaque modèle a ses propres forces et faiblesses, ainsi que ses propres taux d'erreur, la classification finale d'une victoire ou d'une défaite sera déterminée par le vote majoritaire. J'ai téléchargé mon code et mes données sur github, et tout le monde est le bienvenu pour critiquer, corriger ou donner son avis.
Limites
En raison de ma décision d’utiliser le taux de vaccination contre la Covid-19 dans les États comme prédicteur, cela limite le calendrier et les données qui peuvent être collectées. Pour cette raison, je m’attends à ce que le modèle soit biaisé en faveur des démocrates. Sur 50 États, cinq se situaient dans la fourchette d’erreurs. Ces cinq États sont considérés comme des États clés. À des fins de catégorisation, seuls les États qui se situent clairement en dehors des erreurs de mes modèles seront classés comme une victoire pour ce parti. Ceux qui se situent dans les fourchettes d’erreurs seront classés comme des États indécis.
Discussions
Comme aux États-Unis, les élections sont un choix binaire, l’analyse ne porte que sur la comparaison entre les démocrates et les républicains et ne peut détecter les variations de soutien à un candidat parmi les électeurs du parti opposé. Cela révèle une hypothèse fondamentale du modèle, selon laquelle cette élection est toujours principalement une question d’allégeance à un parti plutôt qu’à un candidat individuel.
Pour la candidate démocrate Kamala Harris, je crois que cette hypothèse est vraie, car elle n’a pas été élue par le vote populaire lors des primaires, et une grande partie de la campagne a consisté à créer un personnage stratégiquement élaboré à partir d’une femme qui, jusqu’à récemment, avait été largement ignorée, écartée et même moquée. Nous pouvons voir qu’au cours des derniers mois, les débats, les tentatives d’assassinat et autres moments importants n’ont tout simplement pas eu d’effet majeur sur les tendances des sondages.
Pour Donald Trump, je ne crois pas que cette hypothèse soit valable. La personnalité bien connue de Trump est dominante et omniprésente. De sa présidence de 2017 à 2021 et de ses batailles incessantes contre les poursuites judiciaires, les tentatives d’assassinat et l’obsession médiatique, la victoire de Trump en dit bien plus sur lui que sur le Parti républicain. Le Parti démocrate est une machine, et le Parti républicain n’a consolidé son soutien à Trump qu’à contrecœur après des années de luttes intestines et de divisions entre ses dirigeants.
Comme le modèle utilise des données provenant à la fois de l'élection présidentielle de 2020 et des élections sénatoriales de 2022, il est formé pour modéliser le soutien des partis, d'où sa faiblesse inhérente. Les sondages récents ont évolué en faveur de Trump, mais les principaux États indécis sont à égalité. Fidèle à mes méthodes et à l'intention de cet exercice, aucune de ces données n'est incluse.
Analyse des États swing
L'issue de l'élection sera déterminée par une poignée d'États. Actuellement, les résultats serrés en Arizona, au Nevada, au Wisconsin, au Michigan, en Caroline du Nord, en Géorgie et en Pennsylvanie suffisent à faire pencher la balance en faveur de l'un ou l'autre. Parmi ces États, le modèle a classé le Michigan et la Pennsylvanie comme étant en position de basculer vers le camp démocrate. Les autres États se situaient tous dans la marge d'erreur du modèle et ont donc été classés comme indécis.
Pour donner un contexte visuel au fonctionnement de cette analyse, voici quelques détails sur certains des prédicteurs des États qui sont généralement considérés comme des États swing.
Taux de migration intérieure : 2019-2023*
Dans l'ensemble, il existe une relation négative entre le taux de migration nette et la marge de victoire des démocrates. Au cours des quatre dernières années, de nombreux États bleus ont perdu des habitants, tandis que les États rouges les États ont gagné. Parmi ces États clés, certains sont « rouges » en ce qui concerne les gouverneurs et le gouvernement de l’État, et d’autres sont « bleus ». Dans l’ensemble, la Pennsylvanie et le Michigan sont les deux seuls États à avoir enregistré des taux de migration négatifs au cours des quatre dernières années.
Demandes de vote par correspondance
Certains États, comme la Californie, le Colorado et le Nevada, sont des États « All Mail ». Cela signifie que chaque électeur inscrit reçoit par défaut un bulletin de vote papier. À l’exception de l’Utah (et peut-être du Nevada), presque tous ces États sont des États bleus et sont entièrement bleus. Le Nevada est le seul État pivot à être un État « All Mail », comme vous pouvez le constater, ses demandes restent stables. La tendance générale dans la plupart des autres États, à l’exception de l’Arizona, est une diminution des demandes de vote par correspondance.
Nombre annuel de doses de vaccin contre la Covid-19**
Étant donné que le modèle utilise la vaccination annuelle contre la Covid comme fort prédicteur Bien que le soutien du Parti démocrate soit en baisse, le modèle utilise une notation relative pour comparer chaque État entre eux au cours de l'année. À l'exception du Wisconsin, les autres États ont enregistré un taux de vaccination contre la Covid-19 légèrement inférieur à la moyenne en 2021**, 2022 et 2024.
*Les taux de migration intérieure correspondent à ceux de l’année précédente.
**Étant donné que les vaccins contre la Covid-19 n'étaient disponibles qu'en 2021, les données de 2021 ont été couplées aux données sur les résultats des élections de 2020. Pour 2022 et 2024, les données reflètent l'adoption de la nouvelle version de cette année-là.
Pour avoir une idée de l’importance des prédicteurs pour le modèle, le tableau ci-dessous classe chaque mesure en fonction de son impact sur l’une des prédictions du modèle. Comme vous pouvez le constater, le taux de vaccination contre la Covid-19 est classé juste après la « précédente victoire démocrate ».
Résultats
Le modèle prévoit que Harris remportera sans problème 260 votes électoraux dans les États qui, selon lui, seront assurément démocrates. Si la Pennsylvanie et le Michigan sont effectivement en lice, alors seulement 226 d'entre eux seront assurément démocrates.
Le modèle prévoit que Trump remportera en toute sécurité 219 votes électoraux dans les États qui, selon lui, seront résolument républicains.
Les États clés du Wisconsin, de Géorgie, de Caroline du Nord, du Nevada et de l'Arizona sont tous en jeu et représentent 59 voix électorales. Si la Pennsylvanie et le Michigan sont dans la course, cela représente 93 voix électorales en jeu.
Le chemin vers la victoire de Harris
Le chemin vers la victoire de Harris semble le plus simple. Avec un nombre de grands électeurs de départ plus élevé « dans la poche », elle peut remporter une poignée d’États clés. La Pennsylvanie et le Michigan sont présentés comme des victoires pour elle dans le modèle, et si elle les remporte, il lui suffit simplement de remporter l’un des États suivants : l’Arizona, la Caroline du Nord, le Wisconsin ou la Géorgie pour s’assurer la victoire. Si elle remporte l’un des États suivants : la Pennsylvanie ou le Michigan, elle devra alors remplacer sa défaite par un ou deux États clés supplémentaires.
Le chemin de Trump vers la victoire
Il est important d'envisager le parcours de Trump avec l'état d'esprit suivant : « tout peut arriver ». Il a dépassé les attentes lors des deux élections précédentes. La plupart des gardiens de l'information, des experts traditionnels et des sondeurs électoraux se sont trompés dans le passé.
Avec 219 sièges en poche, Trump doit remporter tous les États indécis : l'Arizona, la Géorgie, la Caroline du Nord, le Wisconsin et le Nevada. Si Trump remporte la Pennsylvanie et/ou le Michigan, son chemin devient plus facile, ce qui signifie qu'il lui faudrait encore remporter 2 ou 3 des États indécis restants.
Jetez un œil au tableau de bord ci-dessous. Interagissez pour voir comment l'un ou l'autre des candidats a réussi à gagner les élections serrées et consultez les graphiques de dispersion des prévisions mesurées par État.
Mes prédictions personnelles basées sur le modèle
J'ai une meilleure intuition pour la Caroline du Nord et la Géorgie, puisque j'y ai passé du temps, et je pense que ces deux États sont favorables à Trump. Je n'ai pas cette intuition pour l'Arizona, le Nevada ou le Wisconsin. Je dois donc prendre cela avec des pincettes. Mais fidèle à la méthode, mon modèle donne la Pennsylvanie et le Michigan à Harris, et je pense qu'elle remportera au moins 2 ou 3 États swing supplémentaires. J'espère me tromper.
Références:
Laboratoire électoral du MIT https://electionlab.mit.edu/data#data
Faits sur les États-Unis https://usafacts.org/economy/
Laboratoire électoral de l'UF https://election.lab.ufl.edu/voter-turnout/
Vote et inscription aux élections de novembre 2022 https://www.census.gov/data/tables/time-series/demo/voting-and-registration/p20-586.html
CDC https://data.cdc.gov/NCHS/Indicators-of-Anxiety-or-Depression-Based-on-Repor/8pt5-q6wp/about_data
https://data.cms.gov/provider-data/dataset/avax-cv19
CDC https://www.cdc.gov/covidvaxview/weekly-dashboard/vaccine-administration-coverage-jurisdiction.html
Cinq trente-huit https://github.com/fivethirtyeight/election-results/blob/main/election_results_senate.csv
Moniteur de vaccins KFF https://www.kff.org/coronavirus-covid-19/dashboard/kff-covid-19-vaccine-monitor-dashboard/
Laboratoire électoral de l'UF https://election.lab.ufl.edu/2024-presidential-nomination-contests-turnout-rates/
Centre national de la statistique de la santé https://www.cdc.gov/nchs/data_access/VitalStatsOnline.htm CDC https://www.cdc.gov/nchs/data/vsrr/vsrr035.pdf Recensement.Gov https://www.census.gov/data/tables/time-series/demo/popest/2020s-state-total.htmlCDC https://www.cdc.gov/covidvaxview/interactive/adults.html
Centre national de la statistique de la santé https://www.cdc.gov/nchs/fastats/state-and-territorial-data.htm
Recensement - Pauvreté https://www.census.gov/data/tables/time-series/demo/income-poverty/historical-poverty-people.html
Recensement – Évolution de la population par État https://www.census.gov/newsroom/press-kits/2023/national-state-population-estimates.html
Projet d'élections américaines https://electproject.github.io/
Réédité de l'auteur Sous-empilement
Publié sous un Licence internationale Creative Commons Attribution 4.0
Pour les réimpressions, veuillez rétablir le lien canonique vers l'original Institut Brownstone Article et auteur.
