🗳️ Агрегатор опитувань виборів — баєсівське усереднення наживо
Спостерігайте, як справжня баєсівська модель усереднення опитувань наживо об'єднує змодельовані результати, зважуючи кожне за точністю, обчисленою з розміру вибірки, і оновлює апостеріорну оцінку частки голосів. Додавайте власні опитування із заданим розміром вибірки та спостереженою часткою і спостерігайте, як 3D-поверхня апостеріорного розподілу звужується та зміщується.
Про цю симуляцію
Прогнозисти виборів рідко довіряють одному опитуванню. Натомість вони об'єднують кожне опитування, що надходить, надаючи більшу вагу надійним опитуванням з великою вибіркою й меншу — малим і зашумленим — це справжнє застосування баєсівського висновку. Ця симуляція починається з апріорного нормального розподілу справжньої частки голосів кандидата, а потім по черзі включає кожне змодельоване опитування за допомогою справжнього нормально-нормального спряженого оновлення: вибіркова дисперсія кожного опитування чесно обчислюється з його власного розміру вибірки (phat(1-phat)/n), перетворюється на точність і об'єднується з поточною апостеріорною точністю. Результатом є точне апостеріорне середнє й дисперсія у замкненій формі — а не сфабрикований зважений результат — візуалізовані як 3D-гребінь дзвоноподібних кривих, що помітно звужується й зміщується з надходженням нових даних.
🔬 Що це показує
Відрендерений 3D-гребінь кривих апостеріорної щільності, по одній на кожне оброблене опитування, кожна намальована вздовж власної осі частки голосів із висотою, що дорівнює нормальній апостеріорній щільності в цій точці. У міру включення точності кожного опитування (1/дисперсія) гребінь помітно звужується, а його пік зміщується до зваженого за точністю поєднання всього побаченого дотепер, включно з апріорним розподілом. Живий 2D-графік показує апостеріорне середнє та його 95% довірчий інтервал для послідовних опитувань.
🎮 Як користуватися
Задайте середнє й стандартне відхилення апріорного розподілу частки голосів кандидата, потім додавайте опитування з власним розміром вибірки (200–3000) і спостереженою часткою (0–100%). Використовуйте «Додати випадкове опитування», щоб автоматично згенерувати правдоподібне опитування навколо прихованої справжньої частки, або додайте кілька опитувань з дуже різними розмірами вибірок і подивіться, як малі ледь зрушують апостеріорний розподіл, тоді як одне велике опитування різко зміщує та звужує його.
💡 Чи знали ви?
Оскільки гаусові точності просто додаються, апостеріорна дисперсія після об'єднання кількох опитувань математично гарантовано не перевищує дисперсії найменшого окремого опитування — ця симуляція перевіряє й показує цю нерівність наживо після кожного доданого опитування, той самий принцип, що лежить в основі зважування оберненою дисперсією в статистичному мета-аналізі.
Часті питання
Як насправді працює баєсівська агрегація опитувань?
Ви починаєте з апріорного розподілу справжньої частки голосів кандидата — зазвичай нормального розподілу із середнім і стандартним відхиленням, що відображають ваші очікування до появи будь-яких опитувань. Кожне нове опитування розглядається як зашумлене нормально-наближене спостереження тієї самої справжньої частки, з вибірковою дисперсією, що визначається розміром вибірки: дисперсія = phat(1-phat)/n. Оскільки і апріорний розподіл, і правдоподібність опитування є гаусовими, правило Байєса дає гаусів апостеріорний розподіл у замкненій формі: апостеріорна точність (1/дисперсія) дорівнює сумі апріорної точності й точності опитування, а апостеріорне середнє — це зважене за точністю середнє апріорного значення та спостереженої частки опитування. Подавання опитувань по одному, коли кожен апостеріорний розподіл стає наступним апріорним, дає точно ту саму відповідь, що й об'єднання точностей усіх опитувань одразу, оскільки гаусові оновлення асоціативні.
Чому розмір вибірки опитування визначає, наскільки воно зміщує апостеріорний розподіл?
Вибіркова дисперсія опитування для спостереженої частки дорівнює phat(1-phat)/n, тому більше n дає меншу дисперсію, а отже, більшу точність (обернену величину дисперсії). У нормально-нормальному оновленні вплив кожного опитування на апостеріорне середнє пропорційний його точності відносно загальної точності. Опитування з 3000 респондентів має приблизно вшестеро більшу точність, ніж опитування з 500 респондентів (за інших рівних умов), тож воно тягне апостеріорне середнє приблизно вшестеро сильніше до свого спостереженого значення й значно більше звужує апостеріорний розподіл.
Як обчислюється 95% довірчий інтервал?
Коли апостеріорний розподіл є нормальним із середнім μ і дисперсією v, 95% довірчий інтервал дорівнює просто μ ± 1.96 × √v — той самий z-показник, що й для звичайного нормального довірчого інтервалу. З додаванням нових опитувань апостеріорна дисперсія v = 1/(загальна точність) постійно зменшується, тому довірчий інтервал постійно звужується.
Чи справді об'єднання кількох зашумлених опитувань дає вужчу оцінку, ніж будь-яке окреме опитування?
Так, і симуляція демонструє це чисельно після кожного доданого опитування: вона порівнює поточну апостеріорну дисперсію з найменшою окремою дисперсією серед усіх уведених опитувань. Оскільки точності додаються при об'єднанні гаусових джерел інформації, об'єднана апостеріорна точність завжди щонайменше дорівнює найбільшому окремому внеску, тож апостеріорна дисперсія завжди щонайменше дорівнює найменшій дисперсії окремого опитування.
Чи використовує ця симуляція таку саму математику, як реальні сайти агрегації опитувань?
Основний механізм — розгляд частки кожного опитування як нормально-наближеного спостереження спільної прихованої частки голосів і об'єднання їх за допомогою зважування оберненою дисперсією (точністю) — це реальна й стандартна техніка, тісно пов'язана з мета-аналізом фіксованих ефектів і спряженим бета-біноміальним оновленням для часток. Виробничі прогнозисти додають додаткові шари, як-от поправки на систематичну похибку конкретного соціологічного агентства та згасання з часом, — нічого з цього тут не змодельовано.
Нормально-нормальне баєсівське спряжене оновлення об'єднує апріорний розподіл частки голосів з вибірковою дисперсією кожного змодельованого опитування, обчисленою з розміру вибірки, отримуючи точне апостеріорне середнє й дисперсію після кожного опитування — візуалізовано як гребінь 3D-щільності, що звужується, плюс живий графік апостеріорного середнього / 95% довірчого інтервалу.
3D · рушій Three.js / WebGL · ціль 60 FPS · працює повністю на клієнті, без встановлення