Constraining Localized Vote Tampering in the 2020 US Presidential Election
在美国，选民欺诈很罕见，计票系统也很强大，不会受到篡改，但公众对选举基础设施的安全性仍然普遍不信任。我们认为统计手段检测异常的选举结果，这将是大规模的欺诈行为的指示，专注于在本地化的设置中修改选票的情况。我们开发的技术，基于标准的回归分析，利用投票份额与人口统计学相关的事实。我们将我们的方法应用于2020年美国总统大选的结果，作为概念验证，导致不确定性在百分之几的水平。在某些情况下，我们能够很容易地检测到这种欺诈的人工信号，排除了一些本地化欺诈的情况，并对其他情况进行了限制。
2021-10-08 stat.AP
Forensic analysis of the Turkey 2023 presidential election reveals extreme vote swings in remote areas
本文应用选举法证统计检验分析2023年土耳其总统选举，发现偏远小规模投票站存在选票舞弊和有利于埃尔多安的极端选票波动，估计产生34.2万张超额选票。
2023-06-25 stat.AP
Some Statistics concerning the Austrian Presidential Election 2016
2016年奥地利总统决选已被奥地利宪法法院废除。计票结果显示，亚历山大·范德贝伦以30.863票的优势战胜了诺伯特·赫伦。然而，宪法法院发现，77769张选票被“污染”，因为在计算这些选票时，至少在正式层面上违反了法律程序。例如，信封被过早打开，或在点票时选举委员会的所有成员都不在场等，因此，法院认为这些选票的不规则点票可能导致结果逆转。宪法法院裁定，这种可能性构成了足够的不正常情况，可以下令重新进行整个选举。当然，这77.769张选票的不规则计数有可能逆转结果，但我们将表明，这种情况确实发生的概率低得可笑。
2016-09-02 stat.AP
When Audits and Recounts Distract from Election Integrity: The 2020 U.S. Presidential Election in Georgia
本文分析佐治亚州2020年大选的审计与重新计票缺陷，指出重复计票、记录缺失和不可信BMD使程序无法验证真实胜者，RLA也须以可信选票记录为前提。
2024-09-05 stat.AP
US Presidential Election 2012 Prediction using Census Corrected Twitter Model
2012年美国总统大选是两个关键候选人之间的一场非常激烈的竞争。两个主要候选人之间进行了激烈的竞争。这次选举反映了选民对现任总统奥巴马成就的看法。这场运动持续了几个月，其影响可以在互联网和twitter上感受到。总统辩论为挑战者的竞选活动注入了新的活力，并成功地赢得了对现任总统地位构成威胁的几个州的选民。选举中的大部分情绪都反映在网上讨论中。在本文中，我们将使用原始模型中描述的蔡等。2011年，他使用Twitter数据预测下一任美国总统。
2012-11-11 cs.CY stat.AP
Bias and Excess Variance in Election Polling: A Not-So-Hidden Markov Model
随着2016年和2020年美国总统选举的历史性失误，人们对衡量民意调查错误的兴趣增加了。在选举的事后调查中，测量方向性误差和非抽样过度变异性的最常见方法是评估选举当天几天内进行的民意调查结果与选举结果之间的差异。分析这样的民意调查误差数据是非常困难的，典型的模型对民意调查和选举之间的时间非常敏感。我们利用传统上用于选举预测的隐马尔可夫模型，灵活地捕捉随时间变化的偏好，并将选举结果视为典型的隐马尔可夫过程的峰值。我们的研究结果是不太敏感的时间窗口的选择，避免混淆改变的偏好与轮询错误，尽管一个高度灵活的模型是更可解释的。我们用2004年至2020年美国总统选举和1992年至2020年美国参议院选举的民意调查数据证明了这些结果，得出的结论是，以前报道的总统选举中的偏见估计过于极端10%，参议院选举中的估计偏见过于极端25%，过度变异估计也太大。
2023-02-18 stat.AP
Breaking the Balance: Asymmetric Negative Voting in the 2020 Presidential Election
本研究通过分析2016和2020年Nationscape数据，发现2020年美国大选出现不对称负面投票：特朗普因多重执政争议遭更强反对，共和党对拜登敌意弱于对希拉里，打破了过往对称负面投票的平衡。
2025-03-20 stat.AP
Understanding the 2016 US Presidential Election using ecological inference and distribution regression with census microdata
我们将细粒度的空间参考人口普查数据与2016年美国总统大选的投票结果相结合。使用这个数据集，我们使用分布回归（Flaxman et al，KDD 2015）和多项logit回归进行生态推断，以便将投票结果特朗普，克林顿，其他/没有投票作为人口统计和社会经济特征的函数。生态推断使我们能够估计“出口民调”风格的结果，比如特朗普在白人女性中的支持率，但对于完全新颖的类别。我们还进行了探索性数据分析，以了解哪些人口普查变量预测投票给特朗普，投票给克林顿，或不投票给任何一个。我们所有的方法都是用Python和R实现的，并且可以在线复制。
2021-01-14 stat.AP stat.ML
Polling bias and undecided voter allocations: US Presidential elections, 2004 - 2016
对于从民意调查中预测选举结果来说，考虑到尚未决定和不确定的选民是一个具有挑战性的问题。未决定的选民代表了投票中摇摆选民的不确定性，但往往被忽略或以简单的确定性方式分配给每个候选人。从历史上看，这可能是足够的，因为未决定的选民相对较小，足以假设他们不会影响已决定选民的相对比例。然而，在存在大量未决定的选民的情况下，这些静态规则实际上可能会使选举民意调查作者和元民意调查分析师的选举预测产生偏见。在本文中，我们研究了2016年美国总统选举中未决定选民对前三次总统选举的影响。我们发现，在竞选活动和选举日，有一个相对较高的未决定的选民人数，在这次选举中，未决定的选民的分配是不符合两党比例（甚至）分配。我们发现的证据表明，静态分配制度是不够的选举预测模型和概率分配可能是优越的。我们还估计了归因于民意调查机构的偏见，通常被称为“房子效应”。
2019-01-17 cs.SI physics.soc-ph stat.AP
Modelling clusters in network time series with an application to presidential elections in the USA
本文提出 community-α GNAR 模型，利用先验知识或外生变量建模网络时间序列中的跨社区动态交互，并将其用于分析美国总统选举中红州、蓝州与摇摆州的全局及社区效应。
2024-07-05 stat.AP stat.ME
Mining Public Opinion about Economic Issues: Twitter and the U.S. Presidential Election
University of South Carolina（南卡罗来纳大学）；Auburn University at Montgomery（奥本大学蒙哥马利分校）
民意调查一直是选举中民意和政客之间的桥梁。然而，开展调查以揭示人们对经济问题的反馈是有限的，昂贵的，耗时的。近年来，Twitter等社交媒体使人们能够分享他们对选举的看法。社交媒体为收集大量社交媒体数据提供了平台。本文提出了一种计算民意挖掘方法，探讨在选举期间的社会媒体上的经济问题的讨论。目前的相关研究都是单独使用文本挖掘方法进行选举分析和选举预测，本研究结合了情感分析和主题建模两种文本挖掘方法。所提出的方法已经有效地部署在数百万条推文上，以分析2012年美国总统大选期间人们的经济问题。
2018-02-06 cs.CL cs.IR cs.SI
Contending Parties: A Logistic Choice Analysis of Inter- and Intra-group Blog Citation Dynamics in the 2004 US Presidential Election
2004年美国总统大选标志着博客和社交网站等互联网媒体首次成为美国政治格局的制度性特征。使用所有DNC/RNC指定的博客-引文网络的纵向样本，我们能够测试各种战略，制度和平衡理论的机制和外源性因素，如季节性和政治事件的影响博客的倾向，随着时间的推移相互引用。利用我们的数据的时间分辨率，我们利用自回归网络回归框架进行推理的逻辑选择过程。使用基于偏差的模型选择标准和基于模拟的模型充分性测试的组合，我们确定了最能表征竞争博客的选择行为的过程组合。
2011-10-18 cs.SI physics.soc-ph stat.AP
Reputation analysis of news sources in Twitter: Particular case of Spanish presidential election in 2019
假新闻正在影响很大一部分人口，甚至成为社会的危险。大多数情况下，这种虚假信息流通过互联网发生。意识到这个问题，在这项工作中，我们提出了一个综合指标，衡量用户在Twitter上的声誉，以分析在这个社交网络的内容的可信度。为了显示指标效用，我们分析了2019年至2020年西班牙一些政治话题的数据，我们已经检查了机器人在新闻传播中发挥的决定性作用，以及正如预期的那样，关于事件可信度的流行度和声誉报告之间的联系。
2022-01-21 cs.SI stat.AP stat.ME
Adapting Pairs Trading to Gambling Markets A Case Study of the U.S. Presidential Election
University of St Andrews（圣安德鲁斯大学）
本研究将配对交易思想应用于政治博彩市场，通过潜在Ornstein-Uhlenbeck过程建模候选人联合隐含概率，结合参数自助法预测界和Bradley-Terry型模型，在2024年美国大选数据上验证了该框架的有效性。
2026-09-22 q-fin.ST stat.AP
Generalized network autoregressive modelling of longitudinal networks with application to presidential elections in the USA
本文提出带交互项的 community-α GNAR 模型并给出有限样本误差界，用于分析高维纵向网络，且通过1976–2020年美国各州选举数据揭示任期、2016年变化及红蓝州差异。
2025-03-13 math.ST stat.AP stat.ME
A sentiment analysis of Singapore Presidential Election 2011 using Twitter data with census correction
Singapore Management University（新加坡管理大学）；School of Information System（信息系统学院）
情感分析是文本分析中的一个新领域，它侧重于从文本模式中分析和理解情感。这种新的分析形式已被广泛应用于客户关系管理，特别是在投诉管理方面。随着人们对这项技术的兴趣越来越大，越来越多的公司正在采用它，并利用它来支持他们的营销工作。然而，由于抽样偏差，使用twitter进行情感分析仍然非常困难。在本文中，我们将讨论使用重新加权技术结合在线情感划分来预测单个候选人将获得的投票百分比的应用。将深入讨论使用情感分析来预测结果的各个方面，以及由于互联网的匿名性而导致的估计中的潜在陷阱。
2011-08-29 cs.CL cs.SI stat.AP
Statistical anomalies in 2011-2012 Russian elections revealed by 2D correlation analysis
在这里，我们对最近俄罗斯议会和总统选举（分别于2011年12月4日和2012年3月4日举行）的官方数据进行了统计分析。发现了一些异常现象，这些异常现象持续地使结果偏向亲政府党统一俄罗斯党（UR）及其领导人弗拉基米尔·普京。主要的违规行为是：（i）投票率和投票结果之间的相关性非常高;（ii）大量投票站的UR/Putin结果是以百分比的整数给出的;（iii）选区显示出不可能的低或（iv）投票站之间的结果高度分散;（v）纸质投票站和电子投票站的结果之间存在实质性差异。这些反常现象虽然在总统选举中不那么突出，但几乎不符合公平和自由投票的假设。这里提出的方法可以很容易地扩展到量化指纹的选举舞弊在任何其他有问题的选举。
2012-05-17 physics.soc-ph stat.AP
Multilevel regression with poststratification for the national level Viber/Street poll on the 2020 presidential election in Belarus
Uladzimir Karatkevich National University of Belarus（白俄罗斯乌拉济米尔·卡拉特克维奇国立大学）
白俄罗斯禁止进行独立的社会调查。没有健全的科学严谨性的在线民意调查不会产生代表性结果。然而，在白俄罗斯国内外，获得对所有候选人的评分的准确估计是非常重要的。这些评级可以作为选举结果的可靠代理。我们根据通过Viber和白俄罗斯街头收集的数据进行独立调查。Viber和街道数据样本分别由近45000和1150个独特的观察结果组成。贝叶斯回归与后分层的建立，以估计收视率的候选人和提前投票率的人口作为一个整体，并在各个重点小组。我们表明，无论是官方宣布的选举结果和提前投票率是极不可能的。在至少95%的概率下，Sviatlana Tikhanouskaya的支持率在75%至80%之间，而Aliaksandr Lukashenka的支持率在13%至18%之间，该方法预测的提前投票率在参加选举的人中的比例为9%至13%。这些结果与官方公布的结果相矛盾，官方公布的结果分别为10.12%，80.11%和49.54%，甚至远远超出了我们模型预测的99.9%可信区间。卢卡申科评分的99.9%可信区间的上限超过50%的唯一边缘人群是60岁以上的人和未受过教育的人。对于包括农村居民在内的所有其他边缘亚群，即使是卢卡申科99.9%可信区间的上限也远低于50%。对整个人口来说也是如此。因此，至少有99.9%的可能性卢卡申科无法获得足够的选举支持来赢得2020年白俄罗斯总统选举。
2020-09-14 cs.LG stat.AP stat.ME
On the stability of the Brazilian presidential regime: a statistical analysis
巴西总统制的特点是存在许多政党，这些政党当选为众议院议员，并在立法联盟中联合起来形成多数。自1985年重新民主化以来，巴西共举行了8次总统直选，其中两次是对民选总统的弹劾。在这项工作中，我们描述了总统政权的稳定性和破裂时期，分析了1991年至2019年在众议院举行的投票。我们首先测量政党和国会在投票中的凝聚力，量化国会议员投票之间的一致性，并观察到在没有弹劾的立法时期，这里称为稳定立法时期，国会议员之间的两极分化更强。使用聚类算法，我们能够将这些在稳定时期观察到的极化群体与反对政府和政府基础相关联。为了描述2016年发生的对迪尔玛·罗塞夫的弹劾，我们分析了国会议员和政府之间的协议如何随着时间的推移而演变，并使用聚类算法确定，除了她自己的政党和另一个政党之外，属于总统多数联盟的所有政党都在弹劾之前迁移到反对派。我们的分析使我们能够确定稳定的总统任期和弹劾的立法任期之间的一些差异。
2020-05-16 cond-mat.stat-mech physics.soc-ph stat.AP
