Werbung und Wählerverhalten: Lehren aus 2020 für 2024

Bei jeder Wahl versuchen die Kandidaten, die Wähler mit Werbung zu gewinnen. Diese Werbung kann positiv sein und die Qualitäten der Kandidaten hervorheben oder negativ, indem sie die Fehler der Gegner aufzeigt. In den letzten Jahren haben die Kampagnenteams versucht herauszufinden, wie effektiv diese Werbung wirklich ist. Dieser Artikel blickt zurück auf die US-Präsidentschaftswahl 2020 und fragt sich, ob wir das, was wir gelernt haben, nutzen können, um die Werbung für die Wahlen 2024 zu verbessern.

#Warum uns Werbung interessiert

Werbung kann beeinflussen, wie Leute über Kandidaten denken. Sie kann auch bestimmen, ob jemand überhaupt wählen geht und für wen. Nach der Wahl 2020 stellte sich eine grosse Frage: Wenn wir 2024 eine negative Werbekampagne gegen Trump fahren würden, würde das die Wähler in Pennsylvania (ein sehr wichtiger Bundesstaat) beeinflussen?

Um das zu beantworten, könnten wir ein zufälliges Experiment durchführen, bei dem eine Gruppe von Wählern eine Art Werbung sieht, während eine andere Gruppe etwas ganz anderes sieht. Aber solche Experimente können richtig teuer sein. Stattdessen suchen wir nach einer günstigeren und schnelleren Möglichkeit, Vorhersagen basierend auf vergangenen Daten zu treffen.

#Die Erfahrung von 2020

2020 haben Forscher negative Werbung gegen Donald Trump getestet. Sie fanden heraus, dass diese Werbung die Wahlbeteiligung in Pennsylvania nicht wirklich beeinflusste. Angesichts der Spannungen und besonderen Umstände dieser Wahl stellt sich die Frage: Werden die gleichen Ads 2024 funktionieren? Die Lage hat sich verändert. Neue Themen wie Frauenrechte, Inflation und internationale Konflikte beschäftigen die Wähler jetzt.

Vor diesem Hintergrund wollen wir herausfinden, ob die Ergebnisse aus der Vergangenheit immer noch gelten.

#Die Kosten von Experimenten

Ein neues Experiment für 2024 könnte Millionen kosten, während eine Kampagne 2020 fast 9 Millionen Dollar für Werbung ausgegeben hat. Einige Organisationen bereiten sich bereits mit hohen Budgets vor, eine soll sogar bis zu 450 Millionen Dollar ausgegeben haben, um verschiedene Ads auf ihre Effektivität zu testen. Was ist also die Alternative?

Wir schlagen vor, das Wissen von 2020 zu nutzen, um mögliche Ergebnisse für die Werbung 2024 zu bewerten. Indem wir die Wählerdemografie und den Kontext beider Wahlen vergleichen, können wir versuchen, eine vernünftige Vermutung darüber anzustellen, wie effektiv bestimmte Ads sein werden.

#Unser Ansatz

Unser Ansatz beinhaltet Backup-Pläne, um zu verstehen, wie Unterschiede zwischen den beiden Wahlen das Ergebnis beeinflussen könnten. Wir nutzen etwas, das man Sensitivitätsanalyse nennt, um diese nicht beobachtbaren Unterschiede zu messen.

Einfach gesagt, wir versuchen zu schätzen, wie unterschiedlich die beiden Wahlen sind und passen unsere Ergebnisse entsprechend an. Unser Ziel ist es herauszufinden, ob die Reaktionen der Wähler auf Werbung 2020 uns helfen können vorherzusagen, wie sie 2024 reagieren werden.

#Einschätzung der Werbewirkung

Wir konzentrieren uns auf die Auswirkungen einer negativen Werbung gegen Trump auf die Wähler in Pennsylvania für die bevorstehende Wahl. Pennsylvania ist entscheidend, weil es viele Stimmen im Electoral College hat. Wenn wir uns die Wahlmuster in verschiedenen Landkreisen ansehen, bekommen wir ein besseres Bild davon, wo die Werbung funktionieren könnte und wo nicht.

Mit verschiedenen Methoden zerlegen wir das erwartete Ergebnis nach verschiedenen Wählergruppen. Zum Beispiel, sind Männer oder Frauen eher von negativen Ads beeinflussbar? Und wie sieht es bei städtischen im Vergleich zu ländlichen Wählern aus?

#Wichtige Ergebnisse

Unsere Analyse zeigt gemischte Ergebnisse. Im Fulton County, das Trump 2020 stark unterstützt hat, könnten negative Ads die Wahlbeteiligung leicht senken. In vielen anderen Landkreisen hingegen wird nicht erwartet, dass die Ads einen signifikanten Einfluss haben.

In Bezug auf die Wähleruntergruppen fanden wir heraus, dass negative Ads die Wahlbeteiligung bei Frauen in ländlichen Gebieten mit weniger Bildung senken könnten, während sie bei besser gebildeten, nicht-weiblichen Wählern in städtischen Gebieten die Wahlbeteiligung ankurbeln könnten.

#Verwandte Forschung erkunden

Unsere Methoden sind nicht neu, sondern bauen auf vorheriger Forschung auf, wie man Behandlungseffekte von einer Gruppe auf eine andere verallgemeinern kann. Für diese Analyse haben wir Daten aus 2020 und 2024 genutzt, um Vorhersagen zu treffen und die Unterschiede in der Wählerdemografie zu berücksichtigen.

Das Ziel ist es sicherzustellen, dass wir die Auswirkungen negativer Ads genau bewerten können, ohne teure neue Experimente durchführen zu müssen. Mit cleverem Einsatz vergangener Daten können wir trotzdem nützliche Einblicke gewinnen.

#Sensitivitätsanalyse erklärt

Wenn wir Daten analysieren, müssen wir immer die Möglichkeit in Betracht ziehen, dass unsichtbare Faktoren unsere Ergebnisse verzerren könnten. Hier kommt die Sensitivitätsanalyse ins Spiel. Sie hilft uns abzuschätzen, wie sehr unbekannte Veränderungen zwischen den beiden Wahlen unsere Schlussfolgerungen beeinflussen könnten.

Wenn wir herausfinden, dass bestimmte Annahmen zutreffen, können wir mit mehr Zuversicht in unsere Vorhersagen sein. Wenn nicht, müssen wir bei unseren Interpretationen vorsichtig sein.

#Grundlagen der Datensammlung

Die richtige Datensammlung ist entscheidend. In unserem Fall haben wir demografische Informationen wie Alter, Geschlecht und Parteizugehörigkeit von registrierten Wählern in Pennsylvania gesammelt. So können wir sehen, wie unterschiedliche Gruppen auf die Werbung reagieren könnten.

Um sicherzustellen, dass unsere Daten zuverlässig sind, haben wir die Informationen sorgfältig neu codiert, um sie unseren Bedürfnissen anzupassen. Dieser Schritt stellt sicher, dass wir konsistente Definitionen über beide Wahlen hinweg verwenden.

#Vorwärts mit Vorhersagen

Mit unserem Ansatz haben wir Einschätzungen zur Effektivität negativer Werbekampagnen in Pennsylvania für 2024 präsentiert. Wir haben das nach Landkreisen und Wählerdemografien aufgeschlüsselt, um ein klareres Bild davon zu zeichnen, wie Wähler wahrscheinlich reagieren werden.

Interessanterweise deuten die Muster darauf hin, dass Landkreise, die Trump 2020 stark unterstützt haben, negative Ads als wenig überzeugend empfinden könnten, während in Gebieten, die demokratisch tendieren, eine bessere Reaktion zu erwarten ist.

#Die Wichtigkeit des Kontexts

Die politische Landschaft in 2024 ist anders als 2020. Themen wie Inflation und Frauenrechte stehen jetzt im Vordergrund. Diese Faktoren könnten neue Sensibilitäten bei den Wählern schaffen, die die vorherigen Kampagnen nicht berücksichtigt haben.

Das Verständnis dieser neuen Dynamiken ist entscheidend für zukünftige Werbekampagnen. Schliesslich können Ads, die früher funktioniert haben, aufgrund der sich ändernden Sorgen der Wähler nicht die gleiche Wirkung haben.

#Fazit

Letztendlich, während ein frisches randomisiertes Experiment der Goldstandard ist, um die Werbewirkung zu verstehen, ist es nicht immer praktisch oder erschwinglich. Durch die Nutzung von Transferlernen aus vergangenen Wahlen können wir wertvolle Einblicke gewinnen, wie digitale Werbung die Wahlbeteiligung in der Zukunft beeinflussen könnte.

Unsere Analyse hebt die Notwendigkeit hervor, einen durchdachten Ansatz zum Verständnis des Wählerverhaltens zu verfolgen, besonders wenn neue Themen in den Vordergrund rücken.

#Kontinuierliche Bewertung

Wenn wir uns den Wahlen 2024 nähern, wird eine kontinuierliche Bewertung der Wählerstimmungen und der Reaktionen auf Werbung entscheidend sein. Indem Kampagnenteams aus vergangenen Kampagnen lernen und sich entsprechend anpassen, können sie besser mit den Wählern in Verbindung treten und ihren Einfluss maximieren.

Das Verständnis der Feinheiten der Wählerdemografie und ihrer sich wandelnden Sorgen wird zentral sein, um ihre Unterstützung zu gewinnen.

Also schnallt euch an für die Wahl 2024, Leute! Es wird eine spannende Fahrt voller Werbung, Debatten und vielleicht ein bisschen mehr Drama als nötig!