Παρακάτω ακολουθεί μια σύντομη περιγραφή του μακροοικονομικού μοντέλου του kassiope.org.

Πολλές φορές καλούμαστε να απαντήσουμε στις παρακάτω ερωτήσεις

Γιατί ένα κόμμα είναι ψηλά δημοσκοπικά?
Ένα κόμμα είναι ψηλά ή χαμηλά δημοσκοπικά δεδομένων των αντικειμενικών οικονομικών συνθηκών που αντιμετωπίζει?
Δεδομένων των αντικειμενικών οικονομικών συνθηκών, ποιές είναι οι τάσεις για τα δημοσκοπικά ποσοστά του εκάστοτε κόμματος?

Αυτές τις ερωτήσεις προσπαθούμε να απαντήσουμε με το μακροοικονομικό μας μοντέλο. Το μακροοικονομικό μας μοντέλο προσπαθεί να προβλέψει τα ποσοστά που θα έπαιρνε κάθε κόμμα έαν οι εκλογές γινόντουσαν σήμερα, χρησιμοποιόντας μόνο μακροοικονομικές μεταβλητές. Αυτή η πρόβλεψη είναι ανεξάρτητη απ’τις δημοσκοπήσεις και μπορεί να χρησιμοποιηθεί σαν ένα σημείο αναφοράς για αναλυσή τους. Συγκεκριμένα

Η οικονομία έχει μεγάλη επίδραση στα εκλογικά ποσοστά του κάθε κόμματος, είτε αυτό βρίσκεται στην κυβέρνηση είτε βρίσκεται στην αντιπολίτευση. Εάν ένα κυβερνών κόμμα έχει πχ πολλά σκάνδαλα αλλά ταυτόχρονα δεν χάνει πολύ δημοσκοπικά, μια εξήγηση μπορεί να είναι η καλή απόδοση της οικονομίας.
Η απόκλιση των δημοσκοπήσεων απο την εκτίμηση που κάνουμε με το μακροοικονομικό μας μοντέλο αντικατοπτρίζει όλες τις άλλες παραμέτρους (πέρα απο την οικονομία) που επηρεάζουν τις εκλογές. Αυτές οι παράμετροι συμπεριλαμβάνουν την διαφθορά, την εγκληματικότητα, τις φυσικές και τεχνολογικές καταστροφές, την ευθυγράμμιση με τις αξίες της κοινωνίας καθώς και τις πολιτικές ικανότητες του εκάστοτε κόμματος. Συνεπώς η ακόκλιση αυτή μπορεί να θεωρηθεί σαν μια δεξαμενή ψήφων (προς τα κάτω ή προς τα πάνω) την οποία κάθε κόμμα πρέπει να εκμεταλευτεί ή διαχειριστεί.
Τα κόμματα τείνουν να ακολουθούν την κατεύθυνση προς την οποία τα σπρώχνει η οικονομία. Εάν η απόκλιση που υπολογίζουμε είναι αρνητική, το εκάστοτε κόμμα θα τείνει να κερδίσει ψήφους μεσοπρόθεσμα. Θα τείνει δηλαδή προς την πρόβλεψη του μακροοικονομικού μας μοντέλου.

Κατευθυντήριες γραμμές.

Η βασική ιδέα πίσω από την ανάλυση μας είναι πως τα μακροοικονομικά δεδομένα πολλών παρόμοιων χωρών μαζί είναι καλύτερα από τα μακροοικονομικά δεδομένα μίας μεμονομένης χώρας.

Επιλέγουμε μακροοικονομικές μεταβλητές με πολλά δείγματα. Υπάρχει ένας τεράστιος αριθμός μακροοικονομικών μεταβλητών που θα μπορούσαμε να χρησιμοποιήσουμε. Οι περισσότερες όμως δεν είναι έυκολα διαθέσιμες αρκετά πίσω στο παρελθόν. Καταλήξαμε σε 5 βασικές μεταβλητές: το ΑΕΠ, την ανεργία, την βιομηχανική παραγωγή, το διαθέσιμο εισόδημα, και τον πληθωρισμό. Με αυτές τις 5 μεταβλητές μπορούμε να αναλύσουμε 250 εκλογικά αποτελέσματα απο όλη την Ευρώπη.
Επιλέγουμε απλά μοντέλα. Τα πιο σύγχρονα μοντέλα μηχανικής εκμάθησης είναι τα νευρωνικά δίκτυα. Τα νευρωνικά δίκτυα όμως χρειάζονται ένα τεράστιο αριθμό δειγμάτων προκειμένου να εκπαιδευτούν. Συνεπώς διαλέγουμε πιο απλά μοντέλα με λιγότερες κρυφές μεταβλητές, ώστε να αντιστοιχούν στον μικρό αριθμό δειγμάτων μας.

Τα βήματα δημιουργίας του μακροοικονομικού μας μοντέλου.

Συλλέγουμε μακροοικονομικά και εκλογικά δεδομένα.
Κάνουμε μια ανάλυση των διαθέσιμων μακροοικονομικών μεταβλητών και της σχέσης τους με τα εκλογικά αποτελέσματα. Εντοπίζουμε τις χρήσιμες μεταβλητές. Στην περίπτωση μας καταλήξαμε σε 5 βασικές μεταβλητές: το ΑΕΠ, την ανεργία, την βιομηχανική παραγωγή, το διαθέσιμο εισόδημα, και τον πληθωρισμό.
Επιλέγουμε ανάμεσα στα διάφορα πιθανά μοντέλα αυτό που περιγράφει καλύτερα τα δεδομένα μας. Καθώς ο αριθμός των δειγμάτων είναι μικρός, μπορούμε να χρησιμοποιήσουμε δύο διαφορετικές τεχνικές 1) μπορούμε να χρησιμοποιήσουμε ένα Bayesian μοντέλα και να επιλέξουμε το καλύτερο με βάση το κριτήριο του Marginal Likelihood 2) μπορούμε να χρησιμοποιήσουμε Frequentist μοντέλα και να επιλέξουμε το καλύτερο με βάση την τεχνική του Cross Validation. Εμπειρικά βρήκαμε πως τα Bayesian μοντέλα έτειναν να μην είναι αρκετά ευέλικτα για τα δεδομένα μας. Συνεπώς, χρησιμοποιήσαμε την τεχνική του Cross Validation. Το μοντέλο μας έχει μέσο όρο σφάλματος το πολύ ±6.21% κατά την διαδικασία του Cross Validation. Κατα μέσο όρο το μοντέλο μας μπορούσε να εξηγήσει το 58% της διακύμανσης των ποσοστών κάθε κόμματος.
Ελέγξαμε δειγματολειπτικά εάν το εκπαιδευμένο μοντέλο κάνει “λογικές” προβλέψεις σε καινούργια δεδομένα. Αυτό το στάδιο είναι σημαντικό, καθώς ένα μοντέλο μπορεί να παρουσιάζει χαμηλό σφάλμα ακόμη και με “μη λογικές” προβλέψεις.