Bitte verwenden Sie diesen Link, um diese Publikation zu zitieren, oder auf sie als Internetquelle zu verweisen: https://hdl.handle.net/10419/288778 
Erscheinungsjahr: 
2020
Quellenangabe: 
[Journal:] Politische Vierteljahresschrift [ISSN:] 1862-2860 [Volume:] 61 [Issue:] 1 [Publisher:] VS Verlag für Sozialwissenschaften [Place:] Wiesbaden [Year:] 2020 [Pages:] 111-130
Verlag: 
VS Verlag für Sozialwissenschaften, Wiesbaden
Zusammenfassung: 
Nahezu die Hälfte der Bundestagsmandate wird über die Direktwahl in den Wahlkreisen vergeben. Das bleibt in einem Großteil der Wahlprognosemodelle jedoch unberücksichtigt. In diesem Beitrag stellen wir einen Ansatz zur Vorhersage der Erststimmenanteile in Wahlkreisen für Bundestagswahlen vor. Dazu kombinieren wir das Zweitstimmenvorhersagemodell von zweitstimme.org mit zwei Erststimmenmodellen, einer linearen Regression und einem künstlichen neuronalen Netzwerk, welche Kandidierenden- und Wahlkreischarakteristika zur Vorhersage nutzen. Für unseren Ansatz sind alle verwendeten Daten vor der jeweiligen Wahl öffentlich verfügbar und somit für eine echte Vorhersage nutzbar. Das Modell kann so bei künftigen Wahlen wertvolle Informationen für Kandidierende und die interessierte Öffentlichkeit bereitstellen. Die Vorhersagen sind darüber hinaus auch für erklärende Forschung relevant: Mithilfe der resultierenden Gewinnwahrscheinlichkeiten lassen sich bessere Messinstrumente zur Charakterisierung der Kompetitivität eines Wahlkreises und der zu erwartenden Knappheit des Wahlkreisrennens erstellen, welche politisches Verhalten beeinflussen können. Zudem erlaubt die Vorhersage, empirische Aussagen zur zu erwartenden Größe des Bundestags sowie seiner personellen Zusammensetzung zu treffen.
Schlagwörter: 
Vorhersagemodell
Wahlkreis
Sitzverteilung
Künstliches neuronales Netzwerk
Maschinelles Lernen
Prediction model
Electoral district
Distribution of seats
Artificial neural network
Deep learning
Persistent Identifier der Erstveröffentlichung: 
Creative-Commons-Lizenz: 
cc-by Logo
Dokumentart: 
Article
Dokumentversion: 
Published Version

Datei(en):
Datei
Größe





Publikationen in EconStor sind urheberrechtlich geschützt.