Re: [新聞] 綠初選民調5家結果超整齊民調專家當場大笑三聲已回收

看板Gossiping作者EvAdCmD (古典主義)時間7年前 (2019/06/16 07:16)推噓1(1推 0噓 6→)

留言7則, 2人參與討論串8/9 (看更多)

安安老實說覺得斯巴拉西~ python直接可以跑猛~ 感覺第一個模型太嚴苛ㄌ第二ㄍ模型比較合理但我看ㄌ一下民調最大差距應該是韓ㄉ23.2483~25.6939 約2.45 用這ㄍ差距跑大概會變五成左右另外賴韓柯對比最大差距是2.2% 用這個差距跑大概是三成四左右不管如何的確比直覺高ㄉ多 ※ 引述《raiderho (冷顏冷雨)》之銘言： ---恕刪--- : 正式論證： : 我們只看 (蔡韓柯) 這組對比結果，因為，同時納入 (蔡韓柯) 與 (賴韓柯) : 涉及投票行為的策略，需要對模型做更多假設。本篇旨不在此。 : (題外話：兩組投票結果是高度相關的，假設策略性投票的人不多， : 若一組民調差距有限，另一組的民調差距也有限。) : 假設三個人的支持度如同民進黨中央給的 (v1, v2, v3)。 : (底下的模型2 可以看到，這個假設其實不重要。) : 問題： : 這三個人在五項民調的最高最低差異皆不到 2.6% 的可能性。 : 一次實驗: : 以 multinomial(3000*5, (v1, v2, v3, 1-v1-v2-v3)) 分配抽出「出像」結果。 : 若各候選人在5機構3000樣本獲得的最高與最低支持度的差距皆 < 2.6%， : 稱為 True. : 可能性: : 進行一百萬字實驗 (一百萬個平行世界，每個世界都用同樣方式實施民調)， : 計算有多少個 True, 則可能性 = True / 1000000. : 模型1: 對稱考量 : 考量五項民調都不低於 (v1-0.013, v2-0.013, v3-0.013), : 都不高於 (v1+0.013, v2+0.013, v3+0.013), 問可能性為何？ : 實驗跑出來結果約是 0.22. : 模型2: 不對稱考量 : 放鬆考量，五項民調的上下差距不超過 2.6%, : 不用拘泥於以 (v1, v2, v3) 為中心，這樣的可能性為何？ : 實驗結果大幅提高到 0.60. : 由於模型2 不用拘泥於對稱性，對參數的變化比模型1 更不敏感， : 暗示著 (v1, v2, v3) 的「確切真實值」不是很重要， : 模型2 可以避免了模型1 的真實參數估計問題， : 因此是更穩健的模型。 : 實驗一些 (v1, v2, v3) 數組: : (0.1, 0.1, 0.1), (0.1, 0.2, 0.3), (0.2, 0.3, 0.4) 或 (0.3, 0.3, 0.3), : 測試結果至少都在 0.6 左右。 : 因此，目前可以初步回答，只看一組民調對比結果，在正常的抽樣程序下， : 「五項機構民調最高最低差距 < 2.6%」是很可能發生的。 : python code: : import numpy as np : diff = 0.013 : v1, v2, v3 = 0.3508, 0.2451, 0.2270 : v4 = 1 - v1 - v2 -v3 : para = np.array([v1, v2, v3, v4]) : lower_bound = np.array([[v1 - diff, v2 - diff, v3 - diff, 0]] * 5) : upper_bound = np.array([[v1 + diff, v2 + diff, v3 + diff, 1]] * 5) : round = 1000000 : sample_size = 3000 : agency_size = 5 : ''' model 1: symmetric ''' : result_1 = 0 : for i in range(round): : poll = np.random.multinomial(sample_size, para, agency_size) / sample_size : q = np.all(np.greater_equal(poll, lower_bound)) * : np.all(np.less_equal(poll, upper_bound)) : result_1 += q : prob_1 = result_1 / round # prob_1 is around 0.22 : ''' model 2: asymmetric ''' : result_2 = 0 : dist = 2 * diff : for i in range(round): : poll = np.random.multinomial(sample_size, para, agency_size) / sample_size : q = np.all((np.ptp(poll, axis = 0)) < dist) : result_2 += q : prob_2 = result_2 / round # prob_2 is around 0.60 -- 曹軍一齊擁至。雲乃拔青釭劍亂砍。手起處，衣甲透過，血如湧泉。殺退眾軍將，直透重圍。卻說曹操在景山頂上，望見一將，所到之處，威不可當，急問左右是誰。曹洪飛馬下山大叫曰：「軍中戰將可留姓名！」雲應聲曰：「吾乃常山趙子龍也!」 -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 60.73.36.169 (日本) ※ 文章網址: https://www.ptt.cc/bbs/Gossiping/M.1560640616.A.F1C.html

推

raiderho

06/16 07:29, 7年前 , 1^F

06/16 07:29, 1^F

→

raiderho

06/16 07:30, 7年前 , 2^F

06/16 07:30, 2^F

→

raiderho

06/16 07:31, 7年前 , 3^F

06/16 07:31, 3^F