美国大选倒计时：R 语言和蒙特卡洛算法预测希拉里赢面高达89%

【新智元导读】美国总统大选近在眼前，上周新智元刊登相关文章《从未失手的 AI 预测：川普将赢得选举，入主白宫》引起很多争论。这次我们选择了一篇用 R 语言和蒙特卡洛算法等数据预测分析方法，对美国大选做预测的文章，同时附上 Gighub 代码。

距总统大选不到一周，自己来预测一下竞选结果还是很有挺有趣的。虽然关于选举，有的是博客和网站的预测，但确切告诉你他们究竟用了什么模型，或者告诉你怎么做这个预测的却寥寥无几。但是，我接下来就会这么做!

在本文中，我将以州为单位拆分竞选数据，向你展示如何使用投票结果模拟和预测哪位候选人可能会胜出。

我打算用统计编程语言 R 来实现这一切。R 能让你快速高效地分析数据。要是你不关心 R 也没有问，跳过代码部分，只看文字也行。

第一步：采集数据

预测大选我们需要的数据来源：

选举人团(electoral college)

近期投票数据

你可以在很多地方找到上述相关信息。我用谷歌搜索快速查询了一下，在 Github 找到了一份很好的 SCV 文件。接下来就开始啦~

好，我们已经弄清楚选举人团，接下来就是投票数据了!同样，要找到投票数据，地方也有很多，我选择的是 electionprojection.com。除了名字押韵，这个网站结构简单，便于分析数据。我从这个网站上抓去了每个州的数据，得到了一份漂亮的表单。

你可以在这里看见全面的代码(code snippet)，但重要的是我使用的是 XML 包里的 readHTML Taable 函数。对于抓取网页上的表格来说，这种方法再好不过。例如，抓取佛罗里达州的投票数据方法如下：

你首先注意到的是，有些州比其他州投票更加频繁。这并没有什么好奇怪的。你要知道像阿拉巴马州(3 次)这种投票积累对 Trump 有利，但影响非常小。相比之下，竞争激烈的佛罗里达州(27 次)或宾夕法尼亚州(21 次)，这里的新信息才会对我们的预测造成巨大的影响。

第二步：决定每个投票的影响

关键的一点是我们需要为每次投票设置权重。一般而言，时间靠前的投票相比之下价值会不那么高。我们将用使用一种非常简单但却十分有效的方法来实现这一点。

我们给每次投票都分配一直指数衰减权重(exponentially decaying weights)。听上去很厉害的样子，实际做起来很简单。总之就是，时间离大选越近的投票，在预测中占的权重就越高。你可以把权重衰减看成这个样子：

由上可知，当到了倒数第 7 次时，那次投票基本上就可以忽略不计了。权重衰减真正起的作用的是个平滑函数(smoothing function)，考虑最新的数据。当然，要实现这一点方法很多，这次采用的只是最简单快速高效的一种而已。

　　 第三步：模拟选举

好戏开始了。我们接下来要模拟我们自己的选举。我不是要搞时间穿越，只是利用随机性罢了。

我使用的是最简单的蒙特卡洛模拟生成合成的竞选数据。再次声明，我用的这个方法十分简单。预测大选结果最大的未知数，就是这些投票结果实际上有多准确。要是有了精确的投票数据，大选那天我们只需要坐在家里看书就行了。但好在上哪儿也找不着这种数据(可以说是一种幸运吧)!

因此，我们要做的是将找到的投票数据结果随机化，生成“what if”结果。

这算不上是绝对科学，但却为我们描绘出一幅饱含可能性的绚丽结果。

下面，从模拟选举 1 开始吧。

我们将首先按州来拆分数据。这显然是重要的，因为美国的选举不是由每个公民投票决定的，而是由每个州的结果决定的。

 

一旦我们获得了州级的数据，我们将对每个州的投票加上权重，然后对每个州的候选人的总加权投票进行求和。最后，我们将对每个候选人投票使用随机变量以创建蒙特卡洛模拟。

使用一个平均值为 1、方差为 0.15 的正态分布来改变每个候选人的投票总数。当然，还有更好的方法来做到这一点(特别是当你有投票错误数据的报告时，但不幸的是我没有)，但我想保持简单。

我们将每个候选人的总数乘以这个数字，然后重新计算每个候选人在该州接收的加权的民众投票的百分比。虽然只是在模拟，但我们还是做得跟真的一样，为每一方都使用官方代表颜色。分割出单个模拟的结果，你可以看到都是谁赢得了哪些州。

第四步：把上述步骤重复 10000 次

模拟一次选举是很酷，然而并没有什么用。更酷的是把这个模拟重复 1000 乃至 1 万次。重复 1 万次增加了罕见事件浮现的可能性——例如，加里·约翰逊赢得了大选。

让我们看看模拟 1 万次的结果：

希拉里赢：89&

希拉里大获全胜(高出对方 400 票及以上)：0.11%

特朗普大获全胜：0%

当然，我们还可以继续下去，不过这样已经让你有一个直观的了解了。

还可以查看输出分布，从而更好地了解发生了什么。例如接受的 # 票数，你会看到以下分布：

由上图可知，我们非常确定约翰逊将有 0 个选票(我很遗憾，加里)。再来看特朗普和希拉里。这是一个很好的方法来可视化灵敏度分析。你可以看到每个候选人获得的理论上的最低、最高和可能的选举人票数。

好啦，接下来答案揭晓!谁会胜出?毫无意外，我们的模型预测希拉里将获胜，还不止一点点。不过，将这个结果与其他一些预测对比，结果也很有趣：

这是平均或者说最有可能的情况，但我们的模拟结果怎么说呢?模拟认为，希拉里有 89% 几率赢(但是注意，我从上周第一次写这篇文章时希拉里的几率可是 95%，有所降低)。

每个州的情况

对我来说最有趣的是，美国总统大选是根据每个州的结果来评判的。如果看一个候选人赢得模拟特定状态时间的百分比，我们得到这样的结果：

想要了解更多，代码在这里：https://gist.github.com/glamp/223ee1b5665b8ab8d90fc2786f4b6b44

看到这些模式浮现出来十分有趣。这也没什么令人震惊的。本质上，在美国(和几乎在任何地方)政治都是分区域性的。

按照地图将情况分成子区域可以把事情看得更清晰：

最后几句

模拟到这里就结束了!让我们拭目以待几天后的结果——当然，预测什么的总是有趣。如果你也对模拟、投票或就是对分析有兴趣，可以查看以下更多资料：

The code behind this post

NY Times Forecasts

The Polls of the Future Are Reproducible and Open Source

A User’s Guide To FiveThirtyEight’s 2016 General Election Forecast

FiveThirtyEight Election Forecast

编译来源：http://blog.yhat.com/posts/predicting-the-presidential-election.html

　　 注：本稿件摘自数据观入驻自媒体—新智元，转载请注明来源，微信搜索“数据观”获取更多大数据资讯。

责任编辑：陈近梅