🗳️ Aggregatore di Sondaggi Elettorali — Media Bayesiana dal Vivo
Osserva un vero modello bayesiano di media dei sondaggi combinare dal vivo i risultati di sondaggi simulati, ponderando ciascuno in base a una precisione realmente derivata dalla dimensione del campione, per aggiornare una stima a posteriori della quota di voto. Aggiungi sondaggi con la tua dimensione di campione e proporzione osservata e osserva la superficie a posteriori 3D restringersi e spostarsi.
Informazioni su questa simulazione
Chi fa previsioni elettorali raramente si fida di un singolo sondaggio. Invece combina ogni sondaggio che arriva, ponderando più pesantemente i sondaggi affidabili e con campioni ampi rispetto a quelli piccoli e rumorosi — una vera applicazione dell'inferenza bayesiana. Questa simulazione parte da una distribuzione Normale a priori sulla vera quota di voto di un candidato, poi integra ogni sondaggio simulato uno alla volta usando un vero aggiornamento coniugato Normale-Normale: la varianza campionaria di ogni sondaggio è derivata onestamente dalla sua stessa dimensione del campione (phat(1-phat)/n), convertita in una precisione, e combinata con la precisione a posteriori corrente. Il risultato è una media e una varianza a posteriori esatte e in forma chiusa — non una media ponderata fittizia — visualizzate come una cresta 3D a campana che visibilmente si restringe e si sposta man mano che arrivano nuove evidenze.
🔬 Cosa mostra
Una cresta 3D renderizzata di curve di densità a posteriori, una per ogni sondaggio elaborato finora, ciascuna disegnata lungo il proprio asse della quota di voto con un'altezza pari alla densità Normale a posteriori in quel punto. Man mano che la precisione di ogni sondaggio (1/varianza) viene integrata, la cresta si restringe visibilmente e il suo picco si sposta verso la combinazione ponderata per precisione di tutto ciò che è stato osservato finora, incluso il priore. Un grafico 2D dal vivo traccia la media a posteriori e il suo intervallo di credibilità al 95% attraverso i sondaggi successivi.
🎮 Come si usa
Imposta una media e una deviazione standard a priori per la quota di voto del candidato, poi aggiungi sondaggi con la tua dimensione di campione (200–3.000) e quota osservata (0–100%). Usa "Aggiungi sondaggio casuale" per generare automaticamente un sondaggio plausibile campionato attorno a una quota vera nascosta, oppure aggiungi diversi sondaggi con dimensioni di campione molto diverse e osserva come quelli piccoli spostino a malapena il posteriore mentre un singolo grande sondaggio lo fa oscillare e lo restringe drasticamente.
💡 Lo sapevi?
Poiché le precisioni gaussiane semplicemente si sommano, la varianza a posteriori dopo aver combinato diversi sondaggi è matematicamente garantita non essere maggiore della varianza del singolo sondaggio più piccolo — questa simulazione verifica e mostra dal vivo quella disuguaglianza dopo ogni sondaggio che aggiungi, lo stesso principio alla base della ponderazione per inversa-varianza nella meta-analisi statistica.
Domande frequenti
Come funziona effettivamente l'aggregazione bayesiana dei sondaggi?
Si parte da una distribuzione a priori sulla vera quota di voto del candidato, tipicamente una distribuzione Normale con una media e una deviazione standard che riflettono ciò che si credeva prima di vedere qualsiasi sondaggio. Ogni nuovo sondaggio viene a sua volta trattato come un'osservazione rumorosa e approssimativamente Normale di quella stessa quota vera, con una varianza campionaria determinata dalla sua dimensione del campione: varianza = phat(1-phat)/n. Poiché sia il priore che la verosimiglianza del sondaggio sono gaussiani, la regola di Bayes fornisce un posteriore gaussiano in forma chiusa: la precisione a posteriori (1/varianza) è la somma della precisione del priore e della precisione del sondaggio, e la media a posteriori è la media ponderata per precisione tra la media a priori e la proporzione osservata del sondaggio. Inserire i sondaggi uno alla volta e usare ogni posteriore come priore successivo dà esattamente la stessa risposta finale che combinare tutte le precisioni dei sondaggi in un colpo solo, perché gli aggiornamenti gaussiani sono associativi.
Perché la dimensione del campione di un sondaggio determina quanto sposta il posteriore?
La varianza campionaria di un sondaggio per una proporzione osservata è phat(1-phat)/n, quindi un n maggiore dà una varianza minore, il che significa una precisione maggiore (il reciproco della varianza). Nell'aggiornamento Normale-Normale, l'influenza di ogni sondaggio sulla media a posteriori è proporzionale alla sua precisione rispetto alla precisione totale. Un sondaggio con 3.000 intervistati ha circa sei volte la precisione di un sondaggio con 500 intervistati (a parità di altre condizioni), quindi tira la media a posteriori circa sei volte più forte verso il proprio valore osservato e la restringe molto di più.
Come si calcola l'intervallo di credibilità al 95%?
Una volta che il posteriore è una distribuzione Normale con media mu e varianza v, l'intervallo di credibilità al 95% è semplicemente mu ± 1,96 × sqrt(v), lo stesso z-score usato per un intervallo di confidenza Normale. Man mano che si aggiungono più sondaggi, la varianza a posteriori v = 1/(precisione totale) continua a ridursi, quindi l'intervallo di credibilità continua a restringersi.
Combinare diversi sondaggi rumorosi può davvero produrre una stima più precisa di qualsiasi singolo sondaggio?
Sì, e la simulazione lo dimostra numericamente dopo ogni sondaggio che aggiungi: confronta la varianza a posteriori corrente con la varianza individuale più piccola tra tutti i sondaggi inseriti finora. Poiché le precisioni si sommano quando si combinano fonti di informazione gaussiane, la precisione a posteriori combinata è sempre almeno grande quanto il singolo contributo maggiore, quindi la varianza a posteriori è sempre almeno piccola quanto la varianza del singolo sondaggio più piccolo.
La matematica di questa simulazione è la stessa usata dai siti reali di aggregazione dei sondaggi?
Il meccanismo centrale — trattare la proporzione di ogni sondaggio come un'osservazione approssimativamente Normale di una quota di voto latente condivisa e combinarle tramite ponderazione per inversa-varianza (precisione) — è una tecnica reale e standard, strettamente legata alla meta-analisi a effetti fissi e all'aggiornamento coniugato Beta-Binomiale per le proporzioni. I previsori in produzione aggiungono ulteriori livelli come le correzioni per "house effect" dovute al bias del sondaggista e il decadimento temporale, nessuno dei quali è simulato qui.
Un aggiornamento coniugato bayesiano Normale-Normale combina un priore sulla quota di voto con la varianza campionaria di ogni sondaggio simulato derivata dalla sua dimensione del campione, producendo una media e una varianza a posteriori esatte dopo ogni sondaggio — visualizzate come una cresta di densità 3D che si restringe più un grafico dal vivo di media a posteriori / intervallo di credibilità al 95%.
3D · Renderer Three.js / WebGL · obiettivo 60 FPS · esegue interamente lato client, senza installazione