Prognosen sind ein wesentlicher Bestandteil der Wahlkampfberichterstattung. Denn Wähler und Politiker werfen gerne einen Blick in die Kristallkugel. Dabei gibt es verschiedene Formen von Wahlprognosen. Dieser erste von zwei Blogbeiträgen befasst sich mit einer sehr kostengünstigen Form von Wahlprognosen.

Im Vorfeld der amerikanischen Präsidentschaftswahlen von 2008 wurden rund 1’000 Vorbefragungen durchgeführt mit dem Ziel, Aussagen darüber machen zu können, wer die Wahlen aller Voraussicht nach gewinnen wird. Doch neben Umfragen gibt es noch weitere Prognoseinstrumente: Wahlbörsen, Expertenbefragungen und –panels, Aggregationen (Stichwort: Nate Silver) und zuletzt auch theoretische (oder auch: statistische) Prognoseansätze. Letztere sind in der Regel Modelle, die auf Befragungswerte verzichten und stattdessen theoretisch hergeleitete Aggregatmerkmale als Prädiktoren verwenden. Entwickelt werden diese Modelle jeweils an vorangegangenen Wahlen, woraus sodann Erkenntnisse über den relativen Einfluss einzelner Wahldeterminanten gewonnen werden können. Diese Erfahrungswerte fliessen anschliessend in die Prognose zukünftiger Wahlen ein.

Theoretische Prognosemodelle sind in den USA weit verbreitet. Die American Political Science Association organisiert in einem ihrer Publikationsorgane seit den Präsidentschaftswahlen 2004 einen regelrechten Wettbewerb solcher theoretischer Prognosemodelle, an welchem renommierte Vertreter der akademischen Wahlforschung bereitwillig teilnehmen. Tatsächlich sind einige dieser Modelle dem effektiven Ergebnis ziemlich nahe gekommen.

Aufgrund welcher Variablen werden diese Wahlprognosen erstellt? Zumeist werden zu Prognosezwecken ökonomische Variablen verwendet: Geht es der Wirtschaft gut, dann wird der Präsident bzw. der Kandidat der incumbent party wieder gewählt – so lautet die Quintessenz dieser Modelle. Aber neben makroökonomischen Daten fliessen auch politische oder anderweitige Variablen in solche statistischen Modelle ein: Beispielsweise die Ergebnisse bei den «Primaries», der Amtsinhaberbonus, aber auch die Kriegstoten im Wahljahr.

Während sich theoretische Prognosemodelle in den USA grosser Beliebtheit erfreuen, sind sie in Europa und im Speziellen in der Schweiz Mangelware. Ein theoretisches Prognosemodell von Thomas Gschwend und Helmut Norpoth hat es allerdings nach den Bundestagswahlen 2002 und 2005, wo die Umfrageinstitute ein regelrechtes «Waterloo» erlitten, gar auf die Titelseiten der Deutschen Presse geschafft (bzw. einige Seiten dahinter, hier ein kritischer Beitrag dazu). Denn es war um einiges genauer als die Momentaufnahmen der etablierten Umfrageinstitute – und dies lange vor den Wahlen. Das Modell umfasste zudem bloss drei Prädiktoren: langfristige Parteibindungen (durchschnittlicher Wähleranteil bei den vergangenen drei Wahlen), die mittelfristige Dynamik des Regierungsverschleisses und die (kurzfristig wirkende Faktoren zusammenfassende) Kanzlerunterstützung bei Umfragen.

In der Schweiz sind theoretische Prognosemodelle selten und haben keine besonders lange Tradition. Kantonale Wahlbilanzen kann man als theoretische oder statistische Prognosemodelle bezeichnen, weil deren Prognosengleichung auf den Ergebnissen zu den kantonalen Parlamentswahlen der vergangenen Legislaturperiode beruhen. Ein gutes Beispiel ist das Modell von Andreas Ladner und Ivar Trippolini (siehe unten). Diese Wahlbilanzen schneiden im Übrigen ziemlich gut ab. Abgesehen von diesen kantonalen Wahlbilanzen gibt es jedoch kaum theoretische Prognosemodelle zu Wahlen. Oliver Strijbis rechnet auf der Seite 50plus1 jeweils ein mit Umfragedaten angereichertes, theoretisches Prognosemodell zu eidgenössischen Urnengängen.

Vor- und Nachteile von theoretischen Prognosemodellen

Was sind die Vor- und Nachteile solcher Modelle im Vergleich zu anderen Prognoseansätzen? Zunächst sind theoretische Prognosemodelle günstig. Es müssen keine Befragungen durchgeführt und bezahlt werden. Sodann liefern Prognosemodelle Prognosen und keine Momentaufnahmen. Damit sind ihre Ergebnisse auch überprüfbar. Ihre Prognoseleistung ist ausserdem nicht von der zeitlichen Nähe zum Wahltag abhängig. Bei Befragungen ist es anders: Die jeweiligen Momentaufnahmen liegen (voraussichtlich) umso weiter vom effektiven Ergebnis entfernt, je länger im Voraus die entsprechende Befragung durchgeführt wurde. Für theoretische Prognosemodelle gilt dieser Zeitfaktor kaum bzw. nur bedingt. Zuletzt bedingt die Spezifikation von theoretischen Prognosemodellen, dass man sich als ForscherIn zunächst einmal selbst im Klaren darüber werden muss, welche Faktoren wohl Einfluss auf das Wahlverhalten haben. Mit anderen Worten: Die Konzeption solcher Prognosemodelle schärft die Wahrnehmung dafür, was die Wähler und Wählerinnen zur Urne treibt und motiviert.

Aber natürlich gibt es auch Nachteile: Statistische Modelle stützen sich zwangsläufig auf Erfahrungswerte. Sie sind deshalb auch darauf angewiesen, dass die kommende, zu prognostizierende Wahl demselben «durchschnittlichen» Muster folgt. Mit anderen Worten: Statistische Modelle vermögen das Resultat einer «Normalwahl» ziemlich gut zu prognostizieren, liegen jedoch bei der Vorhersage einer aussergewöhnlichen Wahl oft weit daneben. Wenn also plötzlich ein Hurrikan das Land durchzieht, oder eine Finanzkrise das Land ergreift – beispielsweise der Wegfall des Euro-CHF-Mindestkurses (!) – dann sind die Prognosen hochgeneralisierter Modelle schnell einmal Makulatur. Ein weiterer Nachteil ist die Datenlage. Wie das Beispiel im zweiten Blogbeitrag zeigen wird, ist die Prognosegüte eines theoretischen Modells von den verfügbaren Daten abhängig. Denn die Stimmabsicht wird nicht wie bei einer Befragung erfragt, sondern aufgrund ihrer Prädiktoren ermittelt. Voraussetzung dafür ist aber, dass diese Prädiktoren in Datenform vorhanden sind. Das ist längst nicht immer der Fall.

Im folgenden Beitrag diskutieren wir die Probleme und Herausforderungen theoretischer Prognosemodelle an einem konkreten Beispiel: die Luzerner Regierungsratswahlen vom 29. März 2015.

Hier geht es zum zweiten Teil  

Follow @politan_ch