Welcher Ausgang ist am kommenden Abstimmungssonntag am wahrscheinlichsten? Auf Antwortsuche mit Hilfe eines experimentellen Prognosemodells, das wir künftig regelmässig verwenden wollen.
Wir befinden uns nicht in den USA und können auf zig verschiedene Umfragewerte zurückgreifen, diese auswerten und damit eine Prognose erstellen. Die hiesige Realität sieht anders aus: Lediglich zwei Umfrageinstitute publizieren im Vorfeld von nationalen Abstimmungen in zwei, respektive drei Wellen Ja- und Nein-Stimmenanteile. Diese Umfragewerte werden immer wieder als Prognosen bewertet, obwohl sie das nicht sind.
Die Ja-Stimmenanteile der aktuellsten zwei Wellen pro Institut können lediglich miteinander verbunden und auf den Abstimmungstag projeziiert werden. Beim Geldspielgesetz würde also je nach Umfrageinstitut der Ja-Stimmenanteil bei 63%, respektive 68% zu liegen kommen. Aber auch hier handelt es sich um keine Prognosen sondern um Extrapolationen. Es ist auch im Nachhinein nicht eruierbar, ob diese Trends tatsächlich die Realität wiederspiegelt haben (z.B. was ist mit der Gruppe der Unentschiedenen passiert?).
Prognosen prognostizieren – nicht immer richtig
Wir haben ein «richtiges» Prognosemodell entwickelt. «Richtig» steht in Anführungs- und Schlusszeichen weil damit nicht «am präzisesten» oder «am besten» gemeint ist, sondern wir meinen ein Modell, dessen Output als Vorhersage verstanden werden kann – nicht mehr, aber auch nicht weniger. Das Modell schätzt den zukünftigen Ja-Stimmenanteil aufgrund verschiedener Indikatoren und versucht dabei, möglichst verschiedene Informationen zu verarbeiten. Da es sich nun um eine Vorhersage handelt, muss auch gleich gesagt werden, dass wir die Zukunft selbstverständlich nicht kennen. Auch die Prognosen des besten Modells treffen kaum immer ins Schwarze. Das liegt in der Natur der Sache, denn unvorhergesehene wie auch schwer messbare Faktoren können unerwartete Ereignisse herbeiführen.
Wie gehen wir Unsicherheit um?
Unvorhergesehene Ereignisse widerspiegeln Unsicherheit. Um dieser gerecht zu werden, wird die Prognose nicht nur einmal, sondern 10’000 mal für dieselbe Vorlage gemacht.[2] Selbstverständlich ist das eine fiktive Situation, aber sie hilft, um immer etwas andere Vorhersagewerte zu erhalten. Sobald 10’000 fiktive Resultate vorliegen, beginnt die Zählerei: Wieviele einzelne Werte sind zwischen 10% und 15% gefallen, wieviele sind unter 50% und wieviele darüber, etc.? Diese Auszählungen sind in den untenstehenden Grafiken dargestellt. Sie sehen in wievielen Fällen eine Prognose in ein gewisses Intervall gefallen ist.
Am Beispiel der Vollgeldinitiative lässt sich das so illustrieren: Knapp 12% aller Prognosen fallen zwischen 25% und 30%. In kein anderes Intervall sind mehr Prognosen gefallen, es ist somit das wahrscheinlichste Abstimmungsresultat gemäss dem Modell.
Zusätzlich weisen die Grafiken aus, wieviele Prognosen kleiner und wieviele grösser als 50% sind. So kommt die Vollgeldinitiative zu einer Annahmewahrscheinlichkeit von 13% (also in 13 von 100 fiktiven Vollgeldabstimmungen erzielt die Initiative einen Ja-Stimmenanteil, der über 50% liegt). Ganz anders sieht es beim Geldspielgesetz aus: 82 von 100 Prognosen werden angenommen.
Wie gut diese Prognosen sind, wissen wir am 10. Juni. In den Testläufen der letzten zwei Jahre hat sich das Modell bewährt und immer wieder auch überraschend gute Vorhersagewerte abgeliefert. Wichtig scheint zum einen, dass die Unsicherheit korrekt wiedergegeben wird. So ist bei der Vollgeldinitiative auch ein Ja-Stimmenanteil zwischen 20% und 25% immer noch wahrscheinlich. Zum anderen scheint es wichtig zu erwähnen, dass die ausgewiesenen Werte nicht mehr nachbearbeitet werden. Also das bei einer Vorlage, wo aufgrund von Expertenwissen ein anderes Resultat erwartet werden kann, keine ad hoc Korrekturen vorgenommen werden.
Thomas Willi
[1] Foto: aquarian_insight | Flickr
[2] Mehr zur Grundidee und einer Anwendung in R finden Sie z.B. unter politikwissenschaften.ch
[2] Hier finden Sie mehr zum Thema Momentaufnahmen und Prognosen.
