Machine Learning Modellprognosen für eidgenössische Volksabstimmungen

Abstimmungsprognosen für die Abstimmungen vom 3. März 2024

Auf dieser Plattform werden verschiedene Machine Learning Modelle eingesetzt zur Prognose der Ausgänge eidgenössischer Abstimmungen basierend auf der Analyse der Abstimmungsbüchlein zwischen 1979 und 2017. Die Modelle wurden trainiert, aufgrund der Beschreibung der Ausgangslage, der Argumente der Befürworter und Gegner sowie des Gesetzestextes das Abstimmungsresultat vorherzusagen.

Die Prognosen der Abstimmungsausgänge können seit 2017 online auf dieser Plattform nachvollzogen werden. Die Prognosen des Ja-Stimmenanteils sowie der Anzahl Stände werden zusätzlich offline erstellt.

Die Prognosen und Resultate für die Abstimmungen vom 3. März 2024:

Volksinitiative „Für ein besseres Leben im Alter“ (Initiative für eine 13. AHV-Rente):

Prognose: Nein (Ja-Stimmenanteil 42.1.%, 5.5/23 Stände)

Volksinitiative „Für eine sichere und nachhaltige Altersvorsorge“ (Renteninitiative):

Prognose: Nein ( Ja-Stimmenanteil 40.6 %, 5/23 Stände)

Der mittlere absolute Fehler (MAE) der Regressionsmodelle für die Prognose des Ja- Stimmenanteils respektive der Anzahl Stände beträgt 8.5 % respektive 4.8 Kantone. Die Genauigkeit des online verfügbaren Klassifikationsmodell über die letzten 56 eidgenössischen Volksabstimmungen beträgt 80.4 %.

Kommentar zu den Prognosen für die Abstimmungen vom 3. März 2024

Die Prognose des auf dieser Plattform online verfügbaren Modells besteht in einer Ablehnung der beiden Initiativen mit 42 respektive 40 % Ja-Stimmenanteil und 5.5 respektive 5 befürworten Kantonen.

Einzig zwei von vier Modellen basierend auf neuronalen Netzen (CNN und LSTM), welche zusätzlich im Hintergrund erstellt werden, erwarten ein knappes Ja für die 13. AHV Rente (siehe unten und hier).

Die Ablehnung von Volksinitiativen entspricht der grundsätzlichen Erwartung. Auch wenn in den letzten Jahren überdurchschnittlich viele Volksinitiativen angenommen wurden. Abweichungen von diesem Trend zu prognostizieren bleibt deshalb schwierig. Insbesondere auch, weil die Modelle, die hier zur Anwendung kommen, aufgrund von Daten bis Anfangs des Jahres 2017 erstellt wurden.

Im Weiteren hat das Aufkommen von Large Language Models (LLMs) die Diskussion um maschinelles Lernen und KI in den letzten Jahren komplett neu definiert. Prognosen aufgrund von spezifischen, aber kleinen Sprachmodellen, wie sie hier eingesetzt werden, sind deshalb in den Hintergrund gerückt, aber werden hier traditionell weitergeführt.

Letzter update 26. Januar 2024