DOI•
Uncertainty in Issue Placements and Spatial Voting
06 Aug 2019-
TL;DR: A two-stage approach to further the understanding of how uncertainty impacts on spatial issue voting is developed, which gives insights into how voters attribute issue positions and spatial voting behavior, and performs better than a voter choice model without accounting for uncertainty measured by AIC.
Abstract: Empirical applications of spatial voting approaches frequently rely on ordinal policy scales to measure the policy preferences of voters and their perceptions about party or candidate platforms. Even though it is well known that these placements are affected by uncertainty, only a few empirical voter choice models incorporate uncertainty into the choice rule. In this manuscript, we develop a two-stage approach to further the understanding of how uncertainty impacts on spatial issue voting. First, we model survey responses to ordinal policy scales where specific response styles capture the uncertainty structure in issue placements. At the second stage, we model voter choice and use the placements adjusted for the detected uncertainty as predictors in calculating spatial proximity. We apply the approach to the 2016 US presidential election and study voter preferences and perceptions of the two major candidate platforms on the traditional liberal-conservative scale and three specific issues. Our approach gives insights into how voters attribute issue positions and spatial voting behavior, and performs better than a voter choice model without accounting for uncertainty measured by AIC.
Citations
More filters
TL;DR: In this paper, the authors demonstrate that a party can shape the voter's understanding of the content of its left-right ideology by using three strategies: avoidance, ambivalence, or ambiguity.
5 citations
29 Nov 2019
TL;DR: In this paper, a CUP-based model for Heterogenitat is presented, in which a variabilitat in the Praferenz-Komponente is introduced.
Abstract: Die Modellierung von Heterogenitat ist ein entscheidender Aspekt in jeder statistischen Analyse. Um ein geeignetes Modell zu finden, ist es notwendig, moglichst alle relevanten Strukturen und Einflussgrosen einzubeziehen. Die meisten statistischen Modelle konnen leicht beobachtete Strukturen einbinden, jedoch haben sie oft Schwierigkeiten latente Strukturen abzubilden. Misch-Modelle konnen Heterogenitat berucksichtigen, die aus zugrunde liegenden latenten Strukturen entstehen, wie etwa die unbeobachtete Zugehorigkeit zu verschiedenen Gruppen oder unterschiedliches Antwortverhalten. Mit dieser Doktorarbeit mochte ich einen Beitrag fur die Verwendung von Misch-Modellen zur Modellierung von Heterogenitat bei ordinalen Zielgrosen leisten und Variablen Selektion in diesem Kontext durchfuhren.
Zuerst konzentriere ich mich auf Heterogenitat, die bei Umfragen auftritt, wenn beispielsweise die Befragten bei der Wahl einer bestimmten geordneten Kategorie unsicher sind. In diesem Fall bestehen die Misch-Modelle ublicherweise aus einer Praferenz-Komponente und einer Unsicherheits-Komponente. Ein Gewicht bestimmt die Neigung jeder Person zu einer dieser beiden Komponenten zu gehoren. Das existierende CUB Modell verwendet eine verschobene Binomialverteilung fur die erste und eine Gleichverteilung fur die zweite Komponente. Im vorgeschlagenem CUP Modell wird die Praferenz-Komponente mit einem beliebigen ordinalen Modell wie dem kumulativen Logit Modell ersetzt, um eine hohere Flexibilitat in der Praferenz-Komponente zu erreichen. Im BetaBin Modell wird das Konzept der Unsicherheit als zufallige Wahl einer Kategorie so erweitert, dass Unsicherheit auch die Tendenz zu der zentralen Kategorie und extremen Kategorien erfasst. Auf diese Weise wird die Gleichverteilung des CUP Modells durch einer flexiblere, beschrankte Beta-Binomial Verteilung ersetzt.
Als zweites zeige ich, wie diskrete Cure Modelle verwendet werden konnen, um in der Survival-Analyse fur diskrete Zeit mit Heterogenitat umzugehen, die aus der unbeobachteten Zugehorigkeit zu verschiedenen Gruppen entsteht. "Cure" bezeichnet dabei den Umstand, dass eine Gruppe von Beobachtungen "geheilt ist" oder als sogenannte Langzeit-Uberlebende charakterisiert ist, wahrend die andere Gruppe dem Risiko des Ereignisses wie zum Beispiel "Eintritt von Arbeitslosigkeit" ausgesetzt ist. Die Zugehorigkeit zu dieser Gruppe ist unbekannt. Cure Modelle schatzen die Wahrscheinlichkeit zur Nicht-geheilten Population zu gehoren und die Form der Survival Funktion fur die Beobachtungen unter Risiko.
Drittens fuhre ich Variablen Selektion fur das CUB, CUP und das Cure Modell mit Hilfe von Penalisierung und teilweise schrittweise Selektionsverfahren durch. Die Herausforderung liegt insbesondere darin zu entscheiden, welche Variablen in welche Komponente des Misch-Modells aufgenommen werden sollen. Variablen konnen hier zum einen fur die Schatzung der Gewichte der Komponenten und zum anderen fur die Form einer oder zwei Misch-Komponenten verwendet werden. Es werden dafur spezifische Bestrafungsterme vorgestellt, die fur das jeweilige Modell geeignet sind.
Alle Modelle werden mit dem EM-Algorithmus geschatzt, der die unbekannte Zugehorigkeit zu einer der Komponenten als fehlende Daten behandelt. Es werden auch einige computationale Aspekte besprochen wie etwa mit der Initialisierung und der Konvergenz umzugehen ist. Die penalisierte Likelihood wird mit dem sogenannten FISTA Algorithmus geschatzt, da die Ableitungen der penalisierten Likelihood nicht existieren. Es werden sowohl Simulations-Studien als auch reelle Daten verwendet, um die Nutzlichkeit der neuen Ansatze aufzuzeigen.
4 citations
Cites methods from "Uncertainty in Issue Placements and..."
...For example in the 2016 US presidential election study used by Mauerer and Schneider (2019b) the voters specify their own preference and the perceived candidate position on a 7-point Likert scale from “liberal” (1) to “conservative” (7)....
[...]
...Mauerer and Schneider (2019b) showed that this model performed better than a voter choice model without accounting for uncertainty measured by AIC....
[...]
...Source: Mauerer and Schneider (2019a, p. 132) Mauerer and Schneider (2019b) developed a two-stage voter choice model which uses the BetaBin model to account for uncertainty....
[...]
...Mauerer and Schneider (2019a) use the BetaBin model to examine party placements on the immigration issue in the 2017 German Election....
[...]
...The BetaBin model is also used by Mauerer and Schneider (2019b) to develop a vote choice model that accounts for uncertainty in issue placements....
[...]