Anomali pemungutan suara untuk amandemen Konstitusi Rusia. Bagian 2

Tautkan ke bagian pertama

Tujuan utama bagian kedua adalah mengkaji secara detail fenomena penggambaran massal (mengarang) hasil pemungutan suara dengan menggunakan contoh-contoh spesifik.

Seperti pada bagian pertama, semua penghitungan, visualisasi, dan penguraian data disediakan di Google Colab, yang tersedia dari tautan Google Colab ini .

Mengapa penting untuk menganalisis data pemilu secara besar-besaran?

95 . .

-, 14 . .

-, ( ) 78 . - 8.8 . -.

.

, RUElectionData "". . .

— , . . , IT - .

, “” () . , .

“” , . . , .

:

1. , . 327 19 , 25 . 19 . .
2. “” . , , , 2014 2014 .
3. 2000-2018 .

. , . . .

.

:

10 46 12 91.0 10 90.0 ( ):

, , . , , SOS .

, . () ( ):

, -, '' '' ( ):

.

, 71.1% 85.6%. (duplicates) - ds. min_n_duplicates, . total_duplicates . get_duplicates:

def get_duplicates(dq,col_name='yes_pct',min_n_duplicates=3):
       ds=pd.DataFrame(dq[col_name].values.round(1), 
       columns= [col_name]).groupby(col_name).size().to_frame('size') 
       ds=ds[ds['size']>=min_n_duplicates].sort_values(ascending=False,by='size')
       total_duplicates=ds['size'].sum()
       ds.reset_index(level=0, inplace=True)
       return total_duplicates,ds 

ds 5 №5 (size () ):

:

0.1%, . - dr : ( ) total_duplicates, pct_duplicates prob_duplicates.

, , .

, 5%. , 9%, ‘’ 7%.

n_levels=50 (10 ). n_stations=40 , n_identicals=10 , :

def get_p(n_identicals=10,n_stations=40,n_levels=50):
    bin_coeff=special.binom(n_stations, n_identicals)              
    prob=bin_coeff*(1/n_levels)**n_identicals*
   ((n_levels-1)/n_levels)**(n_stations-n_identicals)  
    return prob

, . c get_prob_duplicates:

from scipy.special import factorial
def multinomial_coeff(c): return factorial(c.sum()) / factorial(c).prod()

def get_prob_duplicates(duplicates=[10,5],n_stations=40,n_levels=50):
    n_duplicates=len(duplicates)
    sum_duplicates=sum(duplicates)
    coeffs = np.array(duplicates+[n_stations-sum_duplicates])
    mc=multinomial_coeff(coeffs)  
    prob=mc*(n_levels-n_duplicates)**(n_stations-sum_duplicates)/
    n_levels**n_stations
    return prob

. , .

, . , 0.1%.

, n_levels n_stations, , .

“” .

. .

(numpy.round(1)), 0 9. plot_first_digit . :

.

.

.

‘’ x-np.floor(x) :

yes_pct.apply(lambda x: x-np.floor(x)).hist(bins=25,grid=True)

.

x-np.round(x) :

yes_pct.apply(lambda x: x-np.round(x)).hist(bins=25,grid=True)

, . , ( -!). .

82.0% ( ), N=1021. 0.82*1021=838.2, 838. 838/1021=81.97%.

, ±1/(2N) . , . . .

, . ‘’ 100%-’’. . , .

,

. . . .

, , 2014 , 2014 , 2014 , 16 2014. . .

“”.

, , , 3 2014 . wikipedia :

-: 10 319 723 (88,7%)

-: 500 279 (4,3%)

: 372 301 (3,2%)

: 15 845 575

: 11 634 412

: 442 108 (3,8%)

:

10 , 0,00001%. , 88.70000% ~ 1/10000.

10 319 723/11 634 412 100=88.70000 %

372 301/11 634 412100=3.10000 %

442 108/11 634 412*100=3.80000%

(1/10000)^3 = 10^(-12).

, 16 2014 (wikipedia).

: 306 258

: 274 101

« »: 262 041

274 101 306 258 — 274101/306258 = 89.500%, «» 262041 274 101 95.600%.

, , .

~ 300 000, 0,001%. , 89,500% 95,600% (1/100)^2 = 0.0001, 10 0.001 .

-.

. ( ) ‘’ ( “”) . - . . — .

, 2000 2020 2008 .

. , , . , .

. , . , () . , .

: , .

, . -, . , .

- , , . .

, , . , .

1: 50% 371 . (c )

, ( ) . , 30% 50% - - /, . , , .

, 80 90 55 . “”:"Our power comes from the perception of our power".

IT , - . ", ".

: « , , , » III; " , , ; , — » ; « , — » .

-.

, , . , - ( ), .

?

, .

, c № 2236 . -. , 99% – «».

. , . .

, , , . .

. , 2020 , .

, , .

, . , “ ”. .

Keterbukaan dan ketersediaan data, serta reproduktifitas hasil analisis adalah penting. Dalam menerbitkan dua bagian artikel ini, saya mengejar tujuan ini dengan tepat. Jika pembaca tidak setuju dengan kesimpulan atau tidak mempercayai model matematika yang menjadi dasar interpretasi datanya, maka ia dapat membangun modelnya sendiri menggunakan data dan kode yang diberikan.