投票搞砸了

为了继续我们在投票后、计票前的评估(另见这里和这里)，我想分开两个可以合并的问题：1.以民调为基础的选举预测的问题。

这些预测都落空了。我们预测拜登将获得54.4%的两党选票，但他似乎只获得了52%左右的选票。我们预测拜登将获得356张选举人票，看起来他最终只会获得280张左右的选票。我们有不确定的区间，看起来结果会落在这些区间内，但我们仍然不能对发布96%的获胜概率感到高兴。我们的模型搞砸了。

但是，事情是这样的。假设我们包括了更宽的不确定性区间，所以结果是，比方说，在50%的预测区间内。很好。如果我们给拜登75%的获胜机会，然后他以微弱优势获胜，预测看起来会很好，我会对我们的模型更满意。但是民调仍然会搞砸，只是我们应该更好地把我们的模型搞砸的可能性包括在内。

换句话说，像“民调搞砸了”这样的声明不仅仅是关于民调的声明，也是关于如何解读民调的声明。对民调进行更真实的建模可以纠正偏见，并为我们无法纠正的偏见增加不确定性。但当佛罗里达州的绝大多数民调显示拜登领先，然后拜登以几个百分点的差距落败时，这是一个民调错误。俗话说，先验往往只能在可能性的背景下才能被理解。

-在所有选票清点完毕之前，我们真的不能说任何一个州的民调都搞砸了多少。

-一些州的民调混乱程度比其他州更严重。佛罗里达州是民调错误的最明显例子。

-如果你包括一个足够大的术语来表示未建模的非抽样误差，你可以说没有一个民意调查搞砸了。但我的观点是，一旦你需要分配一些大的非抽样误差项，你就已经承认有问题了。

-说民调搞砸了，并不能以任何方式为我们的模式搞砸的事实开脱。该模型的一项关键工作是解释民意调查中的潜在问题！

归根结底，民调中的问题和基于民调的预测中的问题并没有确切的界限。举个简单的例子，假设所有问题都可以通过在每次民调中增加2个百分点的共和党支持率来解决。如果民调机构在公布数据之前这样做，我们会说民调很好，一点问题都没有。纠正后的偏见根本不是偏见。但如果偏见只是停留在那里，需要稍后纠正，那么这就是一个问题，通过增加一个允许民调在两个方向上都相差几个百分点的误差项，不能消除偏差的范围就会缩小。

换句话说，我们已经知道民调“一团糟”，即每一次选举都有不同的系统性误差。基于民调的选举预测在很大程度上与做出调整和增加不确定性有关，这样才不会扰乱预测。