Verbesserung der ökologischen Inferenz durch Vorhersage der individuellen Ethnie aus Wählerregistrierungsdaten

Sowohl in der Forschung zum politischen Verhalten als auch in Rechtsstreitigkeiten über Wahlrechte werden Wahlbeteiligung und Wahlentscheidung für verschiedene Rassengruppen häufig anhand aggregierter Wahlergebnisse und der rassischen Zusammensetzung geschlossen. In den letzten Jahrzehnten wurden viele statistische Methoden vorgeschlagen, um dieses Problem der ökologischen Inferenz zu lösen. Wir schlagen eine alternative Methode vor, um Aggregationsverzerrungen zu reduzieren, indem die individuelle Ethnie aus Wählerregistrierungsdaten vorhergesagt wird. Aufbauend auf der bestehenden methodischen Literatur verwenden wir die Bayessche Regel, um die Nachnamenliste des Census Bureau mit verschiedenen Informationen aus geokodierten Wählerregistrierungsdaten zu kombinieren. Wir bewerten die Leistung der vorgeschlagenen Methode anhand von etwa neun Millionen Wählerregistrierungsdatensätzen aus Florida, wo die selbstberichtete Ethnie vorliegt. Wir stellen fest, dass es möglich ist, die Falsch-Positiv-Rate bei schwarzen und lateinamerikanischen Wählern auf 6 % bzw. 3 % zu reduzieren, während die Wahr-Positiv-Rate über 80 % bleibt. Außerdem verwenden wir unsere Vorhersagen zur Schätzung der Wahlbeteiligung nach Rasse und finden, dass unsere Schätzungen wesentlich weniger Verzerrungen und Wurzelmittelquadratische Fehler aufweisen als Standardmethoden der ökologischen Inferenz. Wir stellen Open-Source-Software zur Implementierung der vorgeschlagenen Methode bereit.