[ワーキングペーパー] Forecasting Japanese Elections by Applying Ensemble Learning Methods

TKFD Working Paper Series No.20-05
阿山晴取加藤創太 / 茨木瞬
2021年3月, 経済と民主主義ユニット

 本文ダウンロード [PDF:656KB](英語)

概要

本稿では、日本の衆議院選挙における自民党得票率の予測モデルに機械学習法(決定木アルゴリズムとアンサンブル学習法)を適用し開発した5つの非線形予測モデルを用いて、このテーマの先駆的モデルであるLewis-Beck and Tien (2012)の予測結果と同じデータと説明変数を用いた比較を行った。その結果、チューニングを行わなくても、我々のアンサンブル学習ベースの予測モデルはすべてLewis-Beck and Tienのモデルを平均精度で上回っていることが明らかになった。また、これらのモデルはすべて平均分散の説明もより優れていた。国別予測モデルに特有のサンプルサイズが小さいにもかかわらず、日本の選挙の非線形予測モデルは線形モデルよりも優れた性能を示した。我々の方法論は、各国の政治状況に関する実質的な理論と組み合わせることで、他の国の国別予測モデルの予測精度を向上させることができると考えられる。

Abstract

This paper applies machine learning methods, namely, the decision tree algorithm and ensemble learning methods to forecast Japanese lower house elections. By applying these two machine learning methods, we developed several non-linear forecasting models. We then compared our forecasting results with those generated by Lewis-Beck and Tien (2012), a pioneering model on this topic, using the same data and the same explanatory variables. We found that, even without tuning, all of our ensemble-learning-based forecasting models exceeded Lewis-Beck and Tien’s model in mean accuracy. All of them also provided better explanations for mean variance. Despite small sample size inherent for country-specific forecasting models, our non-linear forecasting models of Japanese election generated better performance than linear models. We believe, by combining with substantive theories of each country’s political situation, our methodological approach can improve predictability of country-specific forecasting models of other countries.

阿山 晴取/Budrul Ahsan

阿山 晴取

  • アドバイザー

研究分野・主な関心領域

  • 深層学習
  • データマイニング
  • 推薦システム
  • ゲノム情報解析
加藤 創太/Sota Kato

加藤 創太

  • 研究主幹

研究分野・主な関心領域

  • 比較政治経済
  • 政治学方法論
  • 世論と経済政策

研究プログラム

フューチャー・デザイン 世代を超えた持続可能性に関する意思決定手法の構築

多様な国民に受け入れられる財政再建・社会保障制度改革の在り方:行動経済学・政治学の知見から

茨木 瞬/Shun Ibaragi

茨木 瞬

  • 元東京財団政策研究所リサーチアシスタント