🗳️ Agregator Sondaży Wyborczych — Uśrednianie Bayesowskie na Żywo
Obserwuj prawdziwy bayesowski model uśredniania sondaży, który na żywo łączy wyniki symulowanych sondaży, ważąc każdy z nich rzeczywistą precyzją wynikającą z liczebności próby, aby aktualizować posteriorowy szacunek udziału głosów. Dodaj własne sondaże o wybranej liczebności próby i obserwowanej proporcji i obserwuj, jak trójwymiarowa powierzchnia posteriorowa zwęża się i przesuwa.
O tej symulacji
Prognostycy wyborczy rzadko ufają pojedynczemu sondażowi. Zamiast tego łączą każdy napływający sondaż, ważąc bardziej wiarygodne, duże próby mocniej niż małe, zaszumione — prawdziwe zastosowanie wnioskowania bayesowskiego. Ta symulacja zaczyna od rozkładu a priori (normalnego) dla rzeczywistego udziału głosów kandydata, a następnie wprowadza każdy symulowany sondaż pojedynczo, wykorzystując prawdziwą aktualizację sprzężoną Normal-Normal: wariancja próbkowania każdego sondażu jest uczciwie wyprowadzana z jego własnej liczebności próby (phat(1-phat)/n), przeliczana na precyzję i łączona z bieżącą precyzją posteriorową. Wynikiem jest dokładna, mająca postać zamkniętą średnia i wariancja posteriorowa — a nie sfabrykowana średnia ważona — wizualizowana jako trójwymiarowy grzbiet krzywej dzwonowej, który wyraźnie zwęża się i przesuwa w miarę napływu kolejnych dowodów.
🔬 Co pokazuje
Renderowany trójwymiarowy grzbiet krzywych gęstości posteriorowej, po jednej na każdy dotychczas przetworzony sondaż, każda narysowana wzdłuż własnej osi udziału głosów, o wysokości równej gęstości normalnego rozkładu posteriorowego w tym punkcie. W miarę wprowadzania precyzji (1/wariancja) każdego sondażu grzbiet wyraźnie się zwęża, a jego szczyt przesuwa się w stronę ważonej precyzją kombinacji wszystkiego, co widziano do tej pory, łącznie z a priori. Wykres na żywo w 2D pokazuje średnią posteriorową i jej 95% przedział wiarygodności w kolejnych sondażach.
🎮 Jak korzystać
Ustaw średnią i odchylenie standardowe a priori dla udziału głosów kandydata, a następnie dodawaj sondaże z własną liczebnością próby (200–3000) i obserwowanym udziałem (0–100%). Użyj przycisku „Dodaj losowy sondaż”, aby automatycznie wygenerować wiarygodny sondaż próbkowany wokół ukrytego prawdziwego udziału, lub dodaj kilka sondaży o bardzo różnych liczebnościach próby i obserwuj, jak małe ledwo poruszają rozkład posteriorowy, podczas gdy jeden duży sondaż dramatycznie go przesuwa i zwęża.
💡 Czy wiesz, że?
Ponieważ precyzje gaussowskie po prostu się sumują, wariancja posteriorowa po połączeniu kilku sondaży jest matematycznie gwarantowana jako nie większa niż wariancja najmniejszego pojedynczego sondażu — ta symulacja sprawdza i wyświetla tę nierówność na żywo po każdym dodanym sondażu, ta sama zasada, która stoi za ważeniem odwrotnością wariancji w metaanalizie statystycznej.
Najczęściej zadawane pytania
Jak właściwie działa bayesowska agregacja sondaży?
Zaczynasz od rozkładu a priori dla rzeczywistego udziału głosów kandydata, zwykle rozkładu normalnego ze średnią i odchyleniem standardowym odzwierciedlającymi to, w co wierzyłeś przed zobaczeniem jakichkolwiek sondaży. Każdy nowy sondaż traktowany jest jako zaszumiona, przybliżająco normalna obserwacja tego samego prawdziwego udziału, z wariancją próbkowania określoną przez jego liczebność próby: wariancja = phat(1-phat)/n. Ponieważ zarówno rozkład a priori, jak i wiarygodność sondażu są gaussowskie, reguła Bayesa daje rozkład posteriorowy w postaci zamkniętej, również gaussowski: precyzja posteriorowa (1/wariancja) jest sumą precyzji a priori i precyzji sondażu, a średnia posteriorowa jest średnią ważoną precyzją średniej a priori i obserwowanej proporcji sondażu. Wprowadzanie sondaży pojedynczo i wykorzystywanie każdego rozkładu posteriorowego jako kolejnego a priori daje dokładnie taki sam wynik końcowy jak połączenie precyzji wszystkich sondaży za jednym razem, ponieważ aktualizacje gaussowskie są łączne.
Dlaczego liczebność próby sondażu decyduje o tym, jak bardzo przesuwa on rozkład posteriorowy?
Wariancja próbkowania obserwowanej proporcji sondażu wynosi phat(1-phat)/n, więc większe n daje mniejszą wariancję, co oznacza większą precyzję (odwrotność wariancji). W aktualizacji Normal-Normal wpływ każdego sondażu na średnią posteriorową jest proporcjonalny do jego precyzji względem całkowitej precyzji. Sondaż z 3000 respondentami ma mniej więcej sześciokrotnie większą precyzję niż sondaż z 500 respondentami (przy pozostałych czynnikach niezmienionych), więc przyciąga średnią posteriorową około sześć razy mocniej w stronę własnej obserwowanej wartości i znacznie bardziej zwęża rozkład posteriorowy.
Jak obliczany jest 95% przedział wiarygodności?
Gdy rozkład posteriorowy jest rozkładem normalnym ze średnią mu i wariancją v, 95% przedział wiarygodności to po prostu mu ± 1,96 × sqrt(v), ten sam wynik z, który stosuje się dla normalnego przedziału ufności. W miarę dodawania kolejnych sondaży wariancja posteriorowa v = 1/(całkowita precyzja) wciąż się zmniejsza, więc przedział wiarygodności wciąż się zwęża.
Czy połączenie kilku zaszumionych sondaży może naprawdę dać węższy szacunek niż jakikolwiek pojedynczy sondaż?
Tak, i symulacja pokazuje to liczbowo po każdym dodanym sondażu: porównuje bieżącą wariancję posteriorową z najmniejszą pojedynczą wariancją spośród wszystkich dotychczas wprowadzonych sondaży. Ponieważ precyzje sumują się przy łączeniu gaussowskich źródeł informacji, połączona precyzja posteriorowa jest zawsze co najmniej tak duża jak największy pojedynczy wkład, więc wariancja posteriorowa jest zawsze co najmniej tak mała jak wariancja najmniejszego pojedynczego sondażu.
Czy matematyka tej symulacji jest taka sama jak w prawdziwych serwisach agregujących sondaże?
Podstawowy mechanizm — traktowanie proporcji każdego sondażu jako przybliżająco normalnej obserwacji wspólnego ukrytego udziału głosów i łączenie ich przez ważenie odwrotnością wariancji (precyzją) — to prawdziwa i standardowa technika, ściśle związana z metaanalizą efektów stałych oraz z aktualizacją sprzężoną Beta-Dwumianową dla proporcji. Prawdziwe modele prognostyczne dodają dalsze warstwy, takie jak korekty efektu instytutu badawczego i zanik wagi w czasie, z których żadna nie jest symulowana tutaj.
Bayesowska aktualizacja sprzężona Normal-Normal łączy rozkład a priori dla udziału głosów z wariancją próbkowania każdego symulowanego sondażu wynikającą z liczebności próby, produkując dokładną średnią i wariancję posteriorową po każdym sondażu — wizualizowane jako zwężający się trójwymiarowy grzbiet gęstości oraz wykres na żywo średniej posteriorowej / 95% przedziału wiarygodności.
3D · renderer Three.js / WebGL · docelowo 60 FPS · działa w pełni po stronie klienta, bez instalacji