In der vorliegenden Arbeit wird der Zusammenhang zwischen den sozioökonomischen Strukturen der Wahlkreise und den unterschiedlichen Wahlergebnissen der Parteien in diesen Wahlkreisen untersucht.
Dabei werden die Zusammenhänge zwischen den Strukturvariablen und den Wahlkreisergebnissen anhand einer Lasso-Regression mit Cross-Validation erklärt. Die Ergebnisse zeigen, dass Strukturdaten zu einem hohen Grad die unterschiedlichen Wahlergebnisse erklären können. Zudem deutet das Modell daraufhin, dass einige der klassischen Konfliktlinien der Cleavage-Theorie nach Lipset/Rokkan sich in den Strukturvariablen mit dem größten Einfluss wiederfinden. Die Modelle für die einzelnen Parteien bestätigen zudem Erkenntnisse der bisherigen Wahlforschung.
Am 24. September 2017 fand die Wahl zum 19. Deutschen Bundestag statt. Soziodemographische Faktoren stellen wichtige Variablen für die Bestimmung und Analyse von eben solchen Wahlergebnissen dar. In dieser Arbeit wird untersucht, welchen Einfluss Strukturdaten, insbesondere soziodemographische und (sozio-)ökonomische Variablen auf die unterschiedlichen Wahlergebnisse der Wahlkreise bei der Bundestagswahl 2017 hatten. Dieses Thema ist höchst relevant, sowohl in der Politik als auch in der Wissenschaft: Jede politische Partei strebt bei einer Wahl nach maximalen Erfolg durch Erhalt von Stimmen. Durch Erläuterung der womöglich wichtigsten abhängigen Variablen für die unterschiedlichen Wahlergebnisse kann ermittelt werden, welche Wählergruppen mehrheitlich für welche Parteien gestimmt haben und in welchen Wahlkreisen die Ergebnisse besonders stark von den Erwartungen abweichen, möglicherweise aufgrund von Wahlkreiskandidaten, lokaler Wahlkampfstrategien etc.
Die Forschungsfrage soll außerdem aufwerfen, inwiefern anhand von Strukturdaten sich die unterschiedlichen Wahlkreisergebnisse der Parteien erklären lassen. Dafür werden am Beispiel der CSU die stärksten Einflussvariablen untersucht. Zusätzlich schauen wir uns an, welche Cleavages sich nach der Cleavage-Theorie in diesen wiederspiegeln.
Inhaltsverzeichnis
I. Einleitung
II. Daten
II.1 Wahldaten
II.2 Strukturdaten
III. Methode
III.1 Das Lasso
III.2 Lambda-Parameter
III.3 Kolmogorov-Smirnov-Test für Normalverteilung
III.4 Kollinearität und „Heavy Tails“
III.5 Cross-Validation
III.6 Lasso mit skalierten Werten ohne Cross Validation
IV. Ergebnisse
IV.1 Qualität des Modells und der Vorhersagen
IV.1.1 Pseudo-R²-Wert
IV.1.2 Absolute Errors
IV.2 Diagnoseplots
IV.3 Exkurs: Cleavage-Theorie und Ergebnisse der Regression
V. Fazit
Zielsetzung & Themen
Die Arbeit untersucht, inwiefern sozioökonomische Strukturdaten der Wahlkreise die unterschiedlichen Wahlergebnisse der Parteien bei der Bundestagswahl 2017 erklären können und ob sich dabei klassische Konfliktlinien der Cleavage-Theorie nachweisen lassen.
- Analyse des Einflusses von Strukturvariablen auf Wahlergebnisse
- Einsatz der Lasso-Regression mit Cross-Validation zur Modellierung
- Überprüfung der Ergebnisse auf Basis der Cleavage-Theorie
- Vergleich von Modellen für verschiedene Parteien
- Diagnose der Modellgüte und Identifikation von Ausreißern
Auszug aus dem Buch
III.1 Das Lasso
Um den Zusammenhang zwischen den unabhängigen Strukturvariablen und den Zweitstimmenanteilen der Parteien zu analysieren, bedienen wir uns der Lasso-Methode. Diese wurde erstmals 1996 von Tibshirani entwickelt und veröffentlicht. Das Lasso ist eine Lineare Shrinkage Regressionsmethode und hat gewisse Vorteile gegenüber der Ordinary Least Square Regression (OLS).
Multiple OLS-Regression versucht den Einfluss von p Predictor-Variablen auf eine abhängige Variable zu messen. β0 ist in der folgenden Funktion der Intercept während β0 bis βp die Koeffizienten der Variablen 1 bis p sind.
Y = β0 + β1X1 + β2X2 + β3X3 + … + βp Xp
Das Modell wird dabei auf die Daten gefittet, in dem man den Least Square-Wert (RSS) minimiert.
Allerdings ist OLS bei einem Modell mit vielen unabhängigen Variablen nicht mehr zweckmäßig, da es nur sehr schlecht mit Kollinearität umgehen kann und zu „Overfitting“ tendiert.
Das Lasso dagegen führt einen Bestrafungsparameter bei der Kostenfunktion ein, der dafür sorgt, dass Variablen die keinen Einfluss auf die unabhängige Variable haben, auf null geschrumpft werden. Das hat zum einen den Vorteil, dass verhindert wird, ein Modell zu bekommen, das deutlich einfacher zu interpretieren ist, da es weniger Variablen beinhaltet. Zudem macht Lasso meist deutlich besser Vorhersagen.
Zusammenfassung der Kapitel
I. Einleitung: Die Einleitung führt in die Fragestellung ein, ob Strukturdaten Wahlkreisergebnisse erklären können und kontextualisiert dies mit der Cleavage-Theorie.
II. Daten: In diesem Kapitel werden die Herkunft und Bearbeitung der verwendeten Wahldaten sowie der 48 Strukturvariablen erläutert.
III. Methode: Es wird der Einsatz der Lasso-Regression zur Analyse beschrieben, inklusive Verfahren wie Cross-Validation und Umgang mit Kollinearität.
IV. Ergebnisse: Die Ergebnisse präsentieren die Modellgüte mittels R²-Werten und Fehleranalysen sowie einen Exkurs zu den Cleavages am Beispiel der CSU.
V. Fazit: Das Fazit resümiert, dass Strukturdaten Wahlergebnisse gut erklären können und die Cleavage-Theorie teilweise stützen, aber keine umfassende Erklärung liefern.
Schlüsselwörter
Political Data Science, Bundestagswahl 2017, Strukturdaten, Wahlergebnisse, Lasso-Regression, Cross-Validation, Cleavage-Theorie, Sozioökonomische Faktoren, Modellgüte, Pseudo-R²-Wert, Absolute Errors, Überanpassung, Wahlkreis, Politische Parteien, Statistik
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht den statistischen Zusammenhang zwischen sozioökonomischen Strukturdaten der Wahlkreise und den tatsächlichen Wahlergebnissen der Parteien bei der Bundestagswahl 2017.
Was sind die zentralen Themenfelder?
Die zentralen Themen sind die Anwendung von Data-Science-Methoden in der Politikforschung, insbesondere die Lasso-Regression, sowie die Überprüfung klassischer politikwissenschaftlicher Cleavage-Theorien anhand aktueller Daten.
Was ist das primäre Ziel der Studie?
Das Ziel ist es, zu ermitteln, wie stark unterschiedliche Wahlkreisergebnisse allein durch sozioökonomische Variablen erklärt werden können und welche Variablen dabei für verschiedene Parteien am einflussreichsten sind.
Welche wissenschaftliche Methode wird verwendet?
Die Autoren verwenden die Lasso-Regression, eine Methode zur linearen Variablenselektion und -schrumpfung, ergänzt durch K-Fold Cross-Validation, um eine Überanpassung (Overfitting) des Modells zu vermeiden.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die methodische Beschreibung des Modells, die statistische Auswertung der Ergebnisse (inklusive R²-Werten und Diagnoseplots) sowie eine inhaltliche Diskussion der Ergebnisse im Kontext der Cleavage-Theorie.
Welche Schlüsselwörter charakterisieren die Arbeit?
Zu den wichtigsten Begriffen zählen Lasso-Regression, Strukturdaten, Bundestagswahl 2017, Wahlkreisergebnisse, Cleavage-Theorie und statistische Modellvalidierung.
Warum wird die Lasso-Regression gegenüber der normalen OLS-Regression bevorzugt?
Das Lasso wird bevorzugt, da es besser mit Kollinearität zwischen Variablen umgehen kann, das Risiko für Overfitting durch einen Bestrafungsparameter minimiert und weniger, dafür aber interpretierbare Variablen beibehält.
Wie lautet die Schlussfolgerung bezüglich der Cleavage-Theorie?
Die Autoren kommen zu dem Schluss, dass die klassischen Konfliktlinien zwar noch eine Rolle spielen und die Ergebnisse teilweise stützen, sie jedoch nicht ausreichen, um die komplexen Wahlergebnisse umfassend zu erklären.
- Arbeit zitieren
- Christian Ramspeck (Autor:in), Fabian Haggerty (Autor:in), Tom Hartl (Autor:in), 2018, Die Bundestagswahl 2017. Welchen Einfluss hatten Strukturdaten auf die Wahlkreisergebnisse der Parteien?, München, GRIN Verlag, https://www.hausarbeiten.de/document/470782
