Die meisten Meinungsumfragen sagten den siegreichen Kandidaten bei den US-Präsidentschaftswahlen 2020 korrekt voraus – aber im Durchschnitt überschätzten sie den Vorsprung, mit dem der Demokrat Joe Biden den republikanischen Amtsinhaber Donald Trump schlagen würde.
Unsere Forschung zu Umfragemethoden hat ergeben, dass die Vorhersagen der Meinungsforscher genauer sein können, wenn sie über die traditionellen Fragen hinausgehen. Traditionelle Umfragen fragen die Menschen, für wen sie stimmen würden, wenn die Wahl heute wäre, oder nach der prozentualen Wahrscheinlichkeit, dass sie für bestimmte Kandidaten stimmen würden.
Aber unsere Forschungen über die Erwartungen der Menschen und ihre sozialen Urteile haben uns und unsere Mitarbeiter Henrik Olsson vom Santa Fe Institute und Drazen Prelec vom MIT dazu gebracht, uns zu fragen, ob andere Fragen genauere Ergebnisse liefern könnten.
Insbesondere wollten wir wissen, ob die Befragung der Menschen nach den politischen Präferenzen anderer in ihrem sozialen Umfeld und in ihren Bundesstaaten dazu beitragen könnte, ein vollständigeres Bild der amerikanischen Wählerschaft zu zeichnen. Die meisten Menschen wissen ziemlich viel über die Lebenserfahrungen ihrer Freunde und Familienangehörigen, z. B. wie glücklich und gesund sie sind und wie viel Geld sie ungefähr verdienen. Deshalb haben wir Umfragen entwickelt, um herauszufinden, ob sich dieses Wissen über andere auch auf die Politik auswirkt – und wir haben herausgefunden, dass dies der Fall ist.
Wir haben festgestellt, dass die Meinungsforscher mehr lernen könnten, wenn sie diese Art von Wissen nutzen würden. Wenn man Menschen fragt, wie andere in ihrem Umfeld abstimmen werden, und ihre Antworten in einer großen nationalen Stichprobe zusammenfasst, können Meinungsforscher das nutzen, was oft als „Weisheit der Massen“ bezeichnet wird.
Was sind die neuen „Weisheit-der-Menschen“-Fragen?
Seit der US-Präsidentschaftswahl 2016 haben wir die Teilnehmer einer Reihe von Wahlumfragen gefragt: „Wie viel Prozent Ihrer sozialen Kontakte werden für jeden Kandidaten stimmen?“
Bei der US-Wahl 2016 hat diese Frage den Sieg von Trump vorhergesagt, und zwar genauer als Fragen nach den eigenen Wahlabsichten der Befragten.
Auch bei den französischen Präsidentschaftswahlen 2017, den niederländischen Parlamentswahlen 2017, den schwedischen Parlamentswahlen 2018 und den US-Repräsentantenhauswahlen 2018 war die Frage nach den sozialen Kontakten der Teilnehmer genauer als die herkömmliche Frage, um die Ergebnisse vorherzusagen.
Bei einigen dieser Umfragen haben wir auch gefragt: „Wie viel Prozent der Menschen in Ihrem Bundesstaat werden für jeden Kandidaten stimmen?“ Diese Frage zapft auch das Wissen der Teilnehmer über ihr Umfeld an, allerdings in einem größeren Kreis. Abwandlungen dieser Frage haben sich bei früheren Wahlen bewährt.
Wie gut haben die neuen Fragen abgeschnitten?
Bei den Präsidentschaftswahlen in den USA im Jahr 2020 waren unsere „Wisdom-of-Crowds“-Fragen erneut besser für die Vorhersage des Ergebnisses der landesweiten Volksabstimmung geeignet als die traditionellen Fragen. In der USC Dornsife Daybreak Poll haben wir mehr als 4.000 Teilnehmer gefragt, wie sie erwarten, dass ihre sozialen Kontakte wählen werden und welcher Kandidat ihrer Meinung nach in ihrem Staat gewinnen wird. Sie wurden auch gefragt, wie sie selbst zu wählen gedenken.
Die aktuellen Wahlergebnisse zeigen einen Vorsprung von 3,7 Prozentpunkten für Biden bei den Wählerstimmen. Im Durchschnitt der nationalen Umfragen wurde ein Vorsprung von 8,4 Prozentpunkten vorhergesagt. Im Vergleich dazu wurde bei der Frage nach den sozialen Kontakten ein Vorsprung von 3,4 Prozentpunkten für Biden vorhergesagt. Die Frage nach dem Gewinner eines Bundesstaates sagte einen Vorsprung von 1,5 Punkten für Biden voraus. Im Gegensatz dazu sagte die traditionelle Frage nach den eigenen Absichten der Wähler in derselben Umfrage einen Vorsprung von 9,3 Prozentpunkten voraus.
Warum funktionieren die neuen Fragen?
Wir glauben, dass es drei Gründe dafür gibt, dass die Befragung von Umfrageteilnehmern nach anderen Personen in ihrem sozialen Umfeld und ihrem Bundesland genauer ist als die Befragung nach den Teilnehmern selbst.
Erstens erhöht die Befragung nach anderen Personen effektiv die Stichprobengröße der Umfrage. Dadurch erhalten die Meinungsforscher zumindest einige Informationen über die Wahlabsichten von Personen, deren Daten sonst vielleicht völlig unberücksichtigt geblieben wären. Zum Beispiel wurden viele von den Meinungsforschern nicht kontaktiert oder haben die Teilnahme abgelehnt. Auch wenn die Umfrageteilnehmer nicht über perfekte Informationen über alle Personen in ihrem Umfeld verfügen, wissen sie doch genug, um nützliche Antworten zu geben.
Zweitens vermuten wir, dass es den Leuten leichter fällt, darüber zu berichten, wie sie glauben, dass andere wählen werden, als zuzugeben, wie sie selbst wählen werden. Manchen Menschen ist es vielleicht peinlich, zuzugeben, wer ihr Lieblingskandidat ist. Andere fürchten vielleicht Schikanen. Und manche lügen vielleicht, weil sie die Meinungsforscher behindern wollen. Unsere eigenen Ergebnisse deuten darauf hin, dass Trump-Wähler ihre Wahlabsichten aus all diesen Gründen eher verbergen als Biden-Wähler.
Drittens werden die meisten Menschen von ihrem Umfeld beeinflusst. Die Menschen erhalten oft Informationen über politische Themen von Freunden und Familie – und diese Gespräche können ihre Wahlentscheidung beeinflussen. Bei Umfragen, in denen die Teilnehmer gefragt werden, wie sie abstimmen werden, wird dieser soziale Einfluss nicht erfasst. Wenn man die Teilnehmer jedoch fragt, wie sie glauben, dass andere in ihrem Umfeld wählen werden, können die Meinungsforscher eine Vorstellung davon bekommen, welche Teilnehmer ihre Meinung noch ändern könnten.
Weitere Methoden, die wir untersuchen
Aufbauend auf diesen Erkenntnissen suchen wir nach Möglichkeiten, Informationen aus diesen und anderen Fragen in Algorithmen zu integrieren, die noch bessere Vorhersagen von Wahlergebnissen ermöglichen könnten.
Ein Algorithmus, das so genannte „Bayes’sche Wahrheitsserum“, verleiht den Antworten von Teilnehmern, die angeben, dass ihre Wahlabsichten und die ihres sozialen Umfelds relativ weit verbreitet sind, mehr Gewicht, als die Menschen in diesem Staat glauben. Ein anderer Algorithmus, die so genannte „Vollinformationsprognose“, kombiniert die Antworten der Teilnehmer über mehrere Umfragen hinweg, um die Informationen aus jeder einzelnen Frage einzubeziehen. Beide Methoden übertrafen bei weitem die traditionelle Umfragefrage und die Vorhersagen aus dem Durchschnitt der Umfragen.
Unsere Umfrage hatte nicht genügend Teilnehmer in jedem Staat, um gute Vorhersagen auf Staatsebene zu machen, die helfen könnten, die Stimmen im Electoral College vorherzusagen. Unsere Fragen zu den sozialen Kreisen und den voraussichtlichen Gewinnern der einzelnen Bundesstaaten sagten voraus, dass Trump das Electoral College knapp gewinnen würde. Das war falsch, aber bisher sieht es so aus, dass diese Fragen bei der Vorhersage des Unterschieds zwischen den Stimmen für Biden und Trump in den einzelnen Bundesstaaten im Durchschnitt einen geringeren Fehler aufweisen als die traditionellen Fragen.
Auch wenn wir die endgültige Stimmenzahl für die Wahl 2020 noch nicht kennen, wissen wir genug, um zu sehen, dass Meinungsforscher ihre Vorhersagen verbessern könnten, wenn sie die Teilnehmer fragen, wie sie glauben, dass andere wählen werden.