[ワーキングペーパー] Forecasting Japanese Elections by Applying Ensemble Learning Methods | 研究プログラム | 東京財団政策研究所

東京財団政策研究所

SEARCH
詳細検索

東京財団政策研究所

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

March 26, 2021

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.

注目コンテンツ

BY THIS AUTHOR

この研究員のコンテンツ

0%

PROGRAM-RELATED CONTENT

この研究員が所属するプログラムのコンテンツ

VIEW MORE

INQUIRIES

お問合せ

取材のお申込みやお問合せは
こちらのフォームより送信してください。

お問合せフォーム