De meeste opiniepeilingen hebben de winnende kandidaat bij de Amerikaanse presidentsverkiezingen van 2020 correct voorspeld – maar gemiddeld overschatten ze de marge waarmee de Democraat Joe Biden de Republikeinse zittende president Donald Trump zou verslaan.
Uit ons onderzoek naar opiniepeilingsmethoden is gebleken dat de voorspellingen van opiniepeilers nauwkeuriger kunnen zijn als ze verder kijken dan de traditionele vragen. Traditionele peilingen vragen mensen op wie ze zouden stemmen als de verkiezingen vandaag waren, of naar de procentuele kans dat ze op bepaalde kandidaten zouden stemmen.
Maar ons onderzoek naar de verwachtingen en sociale oordelen van mensen bracht ons en onze medewerkers, Henrik Olsson aan het Santa Fe Institute en Drazen Prelec aan het MIT, ertoe om ons af te vragen of andere vragen nauwkeuriger resultaten zouden kunnen opleveren.
Specifiek wilden we weten of mensen vragen naar de politieke voorkeur van anderen in hun sociale kringen en in hun staten zou kunnen helpen een vollediger beeld van het Amerikaanse electoraat te schetsen. De meeste mensen weten vrij veel over de levenservaringen van hun vrienden en familie, inclusief hoe gelukkig en gezond ze zijn en ongeveer hoeveel geld ze verdienen. Dus ontwierpen we opiniepeilingvragen om te zien of deze kennis van anderen zich uitbreidde tot de politiek – en we hebben ontdekt dat dit het geval is.
Pollers, zo stelden we vast, zouden meer te weten kunnen komen als ze gebruik maakten van dit soort kennis. Door mensen te vragen hoe anderen in hun omgeving gaan stemmen en hun antwoorden over een grote nationale steekproef samen te voegen, kunnen opiniepeilers gebruikmaken van wat vaak “de wijsheid van de menigte” wordt genoemd.”
Wat zijn de nieuwe ‘wisdom-of-crowds’-vragen?
Sinds het Amerikaanse presidentsverkiezingsseizoen van 2016 vragen we deelnemers aan een verscheidenheid aan verkiezingspeilingen: “Welk percentage van uw sociale contacten zal op elke kandidaat stemmen?”
In de Amerikaanse verkiezingen van 2016 voorspelde deze vraag dat Trump zou winnen, en deed dat nauwkeuriger dan vragen die vroegen naar de eigen stemintenties van de peilingrespondenten.
De vraag over de sociale contacten van deelnemers was vergelijkbaar nauwkeuriger dan de traditionele vraag bij het voorspellen van de resultaten van de Franse presidentsverkiezingen van 2017, de Nederlandse parlementsverkiezingen van 2017, de Zweedse parlementsverkiezingen van 2018 en de Amerikaanse verkiezingen voor het Huis van Afgevaardigden van 2018.
In sommige van deze peilingen vroegen we ook: “Welk percentage van de mensen in uw staat zal op elke kandidaat stemmen?” Deze vraag boort ook de kennis aan van de deelnemers over de mensen om hen heen, maar in een bredere kring. Variaties op deze vraag hebben goed gewerkt in eerdere verkiezingen.
Hoe goed deden de nieuwe peilingvragen het?
In de Amerikaanse presidentsverkiezingen van 2020 waren onze “wisdom-of-crowds”-vragen opnieuw beter in het voorspellen van de uitkomst van de nationale volksstemming dan de traditionele vragen. In de USC Dornsife Daybreak Poll vroegen we meer dan 4.000 deelnemers hoe ze verwachtten dat hun sociale contacten zouden stemmen en welke kandidaat ze dachten dat zou winnen in hun staat. Ook werd hen gevraagd hoe zij zelf van plan waren te gaan stemmen.
De huidige verkiezingsuitslag laat een voorsprong van Biden zien van 3,7 procentpunten in de popular vote. Een gemiddelde van nationale peilingen voorspelde een voorsprong van 8,4 procentpunten. Ter vergelijking: de vraag over sociale contacten voorspelde een voorsprong van 3,4 procentpunten voor Biden. De vraag over de staatswinnaar voorspelde een voorsprong van Biden van 1,5 punt. Daarentegen voorspelde de traditionele vraag die vroeg naar de eigen intenties van de kiezers in dezelfde peiling een voorsprong van 9,3 punten.
Waarom werken de nieuwe peilingvragen?
We denken dat er drie redenen zijn dat het vragen van deelnemers aan de peiling over anderen in hun sociale kringen en hun staat uiteindelijk nauwkeuriger is dan het vragen naar de deelnemers zelf.
Ten eerste, het vragen van mensen over anderen vergroot effectief de steekproefomvang van de peiling. Het geeft de opiniepeilers ten minste enige informatie over de stemintenties van mensen wier gegevens anders misschien volledig buiten beschouwing zouden zijn gebleven. Velen zijn bijvoorbeeld niet benaderd door de opiniepeilers, of hebben afgezien van deelname. Hoewel de respondenten van de opiniepeiling geen perfecte informatie hebben over iedereen in hun omgeving, blijken zij toch genoeg te weten om bruikbare antwoorden te geven.
Ten tweede vermoeden wij dat mensen het gemakkelijker vinden om te melden hoe zij denken dat anderen zullen stemmen dan om toe te geven hoe zij zelf zullen stemmen. Sommige mensen schamen zich misschien om toe te geven wie hun favoriete kandidaat is. Anderen vrezen misschien intimidatie. En sommigen liegen misschien omdat ze opiniepeilers willen hinderen. Onze eigen bevindingen suggereren dat Trump-stemmers om al deze redenen wellicht eerder geneigd waren hun stemintenties te verbergen dan Biden-stemmers.
Ten derde worden de meeste mensen beïnvloed door anderen om hen heen. Mensen krijgen vaak informatie over politieke kwesties van vrienden en familie – en die gesprekken kunnen hun stemkeuze beïnvloeden. Enquêtevragen waarin deelnemers wordt gevraagd hoe zij zullen stemmen, geven die sociale invloed niet weer. Maar door deelnemers te vragen hoe ze denken dat anderen om hen heen zullen stemmen, kunnen opiniepeilers een idee krijgen van welke deelnemers nog van gedachten zouden kunnen veranderen.
Andere methoden die we onderzoeken
Voortbouwend op deze bevindingen, kijken we naar manieren om informatie uit deze en andere vragen te integreren in algoritmen die nog betere voorspellingen van verkiezingsuitslagen zouden kunnen doen.
Eén algoritme, genaamd het “Bayesiaanse waarheidsserum”, geeft meer gewicht aan de antwoorden van deelnemers die zeggen dat hun stemintenties, en die van hun sociale kringen, relatief meer voorkomen dan mensen in die staat denken. Een ander algoritme, dat een “volledige informatievoorspelling” wordt genoemd, combineert de antwoorden van deelnemers over verschillende peilingvragen om informatie uit elk van die vragen mee te nemen. Beide methoden presteerden ruimschoots beter dan de traditionele peilingvraag en de voorspellingen van een gemiddelde van peilingen.
Onze peiling had niet genoeg deelnemers in elke staat om goede voorspellingen op staatsniveau te maken die zouden kunnen helpen bij het voorspellen van stemmen in het kiescollege. Onze vragen over sociale kringen en verwachte staatswinnaars voorspelden dat Trump het kiescollege nipt zou winnen. Dat was verkeerd, maar tot nu toe blijkt dat deze vragen gemiddeld een kleinere fout hadden dan de traditionele vragen bij het voorspellen van het verschil tussen Biden- en Trump-stemmen in de verschillende staten.
Hoewel we de definitieve stemmentellingen voor de verkiezingen van 2020 nog steeds niet weten, weten we genoeg om te zien dat opiniepeilers hun voorspellingen kunnen verbeteren door deelnemers te vragen hoe ze denken dat anderen zullen stemmen.