Home | english | Impressum | Sitemap | Intranet | KIT
Institut für Angewandte und Numerische Mathematik 4: Numerische Simulation, Optimierung und Hochleistungsrechnen

Sekretariat
Kollegiengebäude Mathematik (20.30)
Zimmer 3.039

Adresse
Karlsruher Institut für Technologie (KIT)
Institut für Angewandte und Numerische Mathematik
Englerstrasse 2
76131 Karlsruhe

Öffnungszeiten:

Tel.: +49 721 608 - 42062

Fax.: +49 721 608 - 44178

Der Modellansatz: Modell149 - Wahlprognosemodelle

modellansatz.de/wahlprognosemodelle

Bei genauem Hinsehen finden wir die Naturwissenschaft und besonders Mathematik überall in unserem Leben, vom Wasserhahn über die automatischen Temporegelungen an Autobahnen, in der Medizintechnik bis hin zum Mobiltelefon. Woran die Forscher, Absolventen und Lehrenden in Karlsruhe gerade tüfteln, erfahren wir im Modellansatz Podcast aus erster Hand.

Der Modellansatz: Wahlprognosemodelle. Grafik: G. Skidmore in Public Domain, Komposition: S. Ritterbusch

Gudrun hat sich mit Oliver Beige unterhalten. Im Gespräch geht es um die theoretische Seite von Modellen für Wahlprognosen. Dabei beziehen sie sich in vielen Beispielen auf den Wahlkampf in den USA und insbesondere auf die Besonderheiten der Kampagne von Donald Trump. Die Gelegenheit bot sich vor einem gemeinsamen Konzertbesuch in Berlin-Neukölln in der Alten Welt Siralti.

In der Theorie sind Wahlprognosemodell traditionell in der Politologie verankert, wurden aber immer mehr durch ökonomische Modelle verbessert. Die größte Veränderung der letzten Jahre ist, dass es immer mehr empirische Daten gibt, die auch zum Teil der Öffentlichkeit zur Verfügung stehen. Solche Daten und Diskussionen zur Wertung finden sich z.B. auf der Webseite FiveThirtyEight. Große Berühmtheit erreichte schließlich Nate Silver dadurch, dass er 2008 in 49 von 50 US-Bundeststaaten das Ergebnis der US-Präsidentschaftswahlen korrekt vorhergesagt hatte. Im Wahljahr 2012 stimmte seine Vorhersage sogar in allen 50 Staaten. Seine Ergebnisse erzielte er dabei lediglich durch Aggregation von veröffentlichten Umfrageergebnissen.

Im Wahljahr 2016 hat aber Donald Trump die Wahl gewonnen obwohl Nate Silvers Modelle (und die Modelle ähnlich arbeitender Wahlforscher) die Wahrscheinlichkeit dafür, dass Hillary Clinton die Präsidentschaftswahl für sich entschieden wird, auf 70% - 99% beziffert hatten. Es stellt sich die Frage, wo der Fehler dieser Prognosemodelle lag.

Wenn man im Jahr 2016 genau zuhörte, gab es auch Stimmen, die Donald Trump schon im Frühjahr als wahrscheinlichen Gewinner der Wahlen sahen - z.B. die Zeitung Los Angeles Times. Sie wurden in den Medien zwar lieber als Ausreißer dargestellt, behielten aber schließlich recht. Wieso? Sie hatten den Demographiewandel in den USA in ihre Modellbildung einbezogen. Um zu verstehen, was damit gemeint ist, muss man zunächst einmal klarer beschreiben, wie US-Wahlen traditionell bisher abliefen, und welche Modelle daraus abgeleitet wurden.

Es gibt ein schönes Denkmodell, das veranschaulicht, wie das sogenannte Hotelling Gesetz (1929) wirkt. Man stelle sich zwei Eisverkäufer am Strand vor. Wie sollten sie jeweils ihren Stand so positionieren, dass sie möglichst viele Kunden anziehen? Die stille Annahme dabei ist, dass die Badenden gleichmäßig über den Strand verteilt sind und alle irgendwann Lust auf ein (genau ein) Eis bekommen. Das verblüffende Ergebnis ist: Ein Equilibrium der Einflussbereiche der beiden Verkäufer stellt sich ein, wenn beide in der Mitte des Strandes nebeneinander stehen.

Im Wahlkampf in den USA folgt man dieser Strategie, indem beide endgültigen Präsidentschaftskandidaten wenig ideologisch unterscheidbar aufgebaut werden. Begünstigt wird das auch durch das mehrstufige Wahlsystem, denn die Vorwahlen (Primaries) kann man dazu nutzen, dass die extremeren Kandidaten herausgefiltert werden. Dann entscheidet über den Sieg schließlich vor allem die erfolgreiche Mobilisierung der Wechselwähler. Eine (stillschweigende) Voraussetzungen dafür, dass von der Ähnlichkeit der Positionen der eigene Kandidat profitiert ist, dass die Wahlbeteiligung hoch ist. Das ist in den USA leider immer weniger der Fall.

Dass die Wahlen 2016 anders verliefen als gewohnt, zeigte sich, als bei den Republikanern die Establishmentkandidaten keine Chance gegen den idologisch extremen Trump hatten. Bei den Demokraten konnte jedoch die moderatere Hillary Clinton den ideologisch positionierten Bernie Sanders ruhig stellen. Das bricht mit den bisher gültigen Annahmen der Wahlvorhersagemodelle: Hotellings Model funktioniert nicht mehr. Aber nur weniger der Modelle erkennen die veränderte Situation und reagieren mit neuen Prognosemodellen. Trump hatte dann schließlich auch Erfolg mit seiner Strategie, die Clinton-Wählerschaft zu entmutigen überhaupt zur Wahl zu gehen und die eigene - eigentlich kleine - Clientel extrem zu mobilisieren.

Den Trend zur Radikalisierung der Republikaner beobachtet man tatsächlich schon eine Weile. Er setzte etwa mit der Wahl von Reagan ein. Es gab die inzwischen sprichwörtlichen "27%" -- Wähler, die auch einen völlig unqualifizierten rechtsgerichteten Kandidaten wählen. Der sprichwörtliche Name wurde erfunden, nachdem bei der Senatswahl in Illinois ein erkennbar aussichtsloser Kandidat gegen den damals unbekannten Obama 27% der Stimmen erhielt. Diese Zahl ist seitdem eher gestiegen.

Für Wahlprognosen braucht es also Modelle, die dieses bekannte menschliche Verhalten besser berücksichtigen. Keith T. Poole und Howard Rosenthal sammeln alle Stimmen im amerikanischen Kongress - das sind ja einfache Ja/Nein Entscheidungen - und analysieren sie fortlaufend. Ihre Methoden lieferten Politikwissenschaftlern erstmals rigorose quantitative Methodiken für Ideologiehörigkeit von Entscheidern über die Zeit der Existenz der USA hinweg. Man nennt dies die Nominal Three-Step Estimation.

Literatur und weiterführende Informationen


Diese Podcast-Episode zitieren