Simple Science

Ciencia de vanguardia explicada de forma sencilla

# Estadística# Aplicaciones# Metodología

Anuncios y Comportamiento del Votante: Lecciones del 2020 para el 2024

Analizando el impacto de las campañas publicitarias pasadas en las decisiones futuras de los votantes.

Xinran Miao, Jiwei Zhao, Hyunseung Kang

― 7 minilectura


Impacto de los anunciosImpacto de los anunciosen las elecciones de 2024anuncios.reacciones de los votantes a losUsando datos pasados para predecir las
Tabla de contenidos

En cada elección, los candidatos tratan de ganar a los votantes con anuncios. Estos anuncios pueden ser positivos, destacando las cualidades de los candidatos, o negativos, señalando los defectos de sus oponentes. En los últimos años, los equipos de campaña han intentado ver cuán efectivos son realmente estos anuncios. Este artículo mira hacia atrás en las elecciones presidenciales de EE. UU. de 2020 y se pregunta si podemos usar lo que aprendimos para informar los anuncios de las elecciones de 2024.

Por Qué Nos Importan los Anuncios

Los anuncios pueden moldear cómo la gente piensa sobre los candidatos. Pueden influir en si alguien decide votar y por quién. Después de las elecciones de 2020, surgió una gran pregunta: si hicimos una campaña de anuncios negativos contra Trump en 2024, ¿cambiaría cómo votan las personas en Pennsylvania (un estado muy importante)?

Para responder a esto, podríamos realizar un experimento aleatorio donde un grupo de votantes ve un tipo de anuncio mientras que otro grupo ve algo completamente diferente. Sin embargo, estos experimentos pueden ser muy costosos. En cambio, buscamos una forma más económica y rápida de hacer predicciones basadas en datos pasados.

La Experiencia de 2020

En 2020, los investigadores probaron anuncios negativos contra Donald Trump. Descubrieron que estos anuncios no cambiaron realmente la participación de votantes en Pennsylvania. Dada la tensión y las circunstancias únicas de esa elección, surge la pregunta: ¿funcionarán los mismos anuncios en 2024? El panorama ha cambiado. Nuevos temas como los derechos de las mujeres, la inflación y los conflictos internacionales están ahora en la mente de los votantes.

Dado estos cambios, queremos averiguar si los resultados pasados siguen aplicando.

El Costo de los Experimentos

Hacer un nuevo experimento para 2024 podría costar millones, mientras que una campaña en 2020 gastó casi $9 millones en anuncios. Algunas organizaciones ya se están preparando con presupuestos grandes, una supuestamente llegó hasta $450 millones para probar diferentes anuncios por su efectividad. Entonces, ¿cuál es la alternativa?

Proponemos usar el conocimiento de 2020 para evaluar posibles resultados de anuncios de 2024. Comparando la demografía de votantes y el contexto de ambas elecciones, podemos intentar hacer una suposición razonable sobre cuán efectivos serán ciertos anuncios.

Nuestro Enfoque

Nuestro enfoque incluye planes de respaldo para entender cómo las diferencias entre las dos elecciones podrían influir en el resultado. Usamos algo llamado Análisis de Sensibilidad para medir estas diferencias no observables.

En términos simples, estamos tratando de estimar cuán diferentes son las dos elecciones y ajustar nuestros resultados en consecuencia. Nuestro objetivo es ver si la forma en que los votantes reaccionaron a los anuncios en 2020 puede ayudar a predecir cómo reaccionarán en 2024.

Estimando el Impacto de los Anuncios

Nos enfocamos en el efecto de hacer un anuncio negativo contra Trump en los votantes de Pennsylvania para la próxima elección. Pennsylvania es crítica porque tiene un gran número de votos electorales. Al observar los patrones de votación en varios condados, podemos obtener una mejor imagen de dónde podrían funcionar los anuncios y dónde no.

Usando diferentes métodos, desglosamos el resultado esperado por diferentes grupos de votantes. Por ejemplo, ¿son los hombres o las mujeres más propensos a ser influenciados por anuncios negativos? ¿Qué hay de los votantes urbanos vs. rurales?

Hallazgos Clave

Nuestro análisis muestra resultados mixtos. En el condado de Fulton, que apoyó fuertemente a Trump en 2020, los anuncios negativos podrían reducir ligeramente la participación de votantes. Sin embargo, en muchos otros condados, no se espera que los anuncios tengan un impacto significativo.

En términos de subgrupos de votantes, encontramos que los anuncios negativos podrían desencadenar una disminución en la participación entre mujeres que viven en áreas rurales con menos educación, mientras que podrían aumentar la participación entre votantes más educados y no femeninos que viven en áreas urbanas.

Explorando Investigaciones Relacionadas

Nuestros métodos no son nuevos, pero se basan en investigaciones previas sobre cómo generalizar los efectos del tratamiento de un grupo a otro. Para este análisis, utilizamos datos de 2020 y 2024 para hacer predicciones mientras tenemos en cuenta las diferencias en la demografía de votantes.

El objetivo es asegurarnos de que estamos evaluando con precisión el impacto de los anuncios negativos sin tener que realizar costosos experimentos nuevos. Al usar datos pasados de manera inteligente, aún podemos obtener información útil.

Análisis de Sensibilidad Explicado

Cada vez que analizamos datos, tenemos que considerar la posibilidad de que factores invisibles puedan sesgar nuestros resultados. Ahí es donde entra el análisis de sensibilidad. Nos ayuda a medir cuánto podrían alterar nuestros hallazgos los cambios desconocidos entre las dos elecciones.

Si encontramos que ciertas suposiciones se mantienen, podemos tener más confianza en nuestras predicciones. Si no, necesitamos ser cautelosos en nuestras interpretaciones.

Fundamentos de la Recolección de Datos

Reunir los datos correctos es crucial. En nuestro caso, recopilamos información demográfica como edad, género y afiliación partidaria de los votantes registrados en Pennsylvania. De esta manera, podemos ver cómo diferentes grupos podrían reaccionar a los anuncios.

Para asegurarnos de que nuestros datos sean confiables, recodificamos cuidadosamente la información para adaptarla a nuestras necesidades. Este paso asegura que estamos usando definiciones consistentes en ambas elecciones.

Avanzando con Predicciones

Usando nuestro enfoque, presentamos estimaciones sobre la efectividad de las campañas de anuncios negativos en Pennsylvania para 2024. Desglosamos esto por condados y demografía de votantes, pintando una imagen más clara de cómo es probable que respondan los votantes.

Curiosamente, los patrones sugieren que los condados que apoyaron mayormente a Trump en 2020 podrían ver los anuncios negativos como poco convincentes, mientras que las áreas que se inclinan por los demócratas podrían responder mejor.

La Importancia del Contexto

El panorama político en 2024 es diferente al de 2020. Temas como la inflación y los derechos de las mujeres ahora están en el centro de la atención. Estos factores pueden crear nuevas sensibilidades entre los votantes que las campañas anteriores no tuvieron en cuenta.

Entender estas nuevas dinámicas es vital para cualquier futura campaña publicitaria. Después de todo, los anuncios que funcionaron antes pueden no tener el mismo efecto más adelante debido a las preocupaciones cambiantes entre los votantes.

Conclusión

En última instancia, aunque realizar un nuevo experimento aleatorio es el estándar de oro para entender la efectividad de los anuncios, no siempre es práctico o asequible. Al usar el aprendizaje transferido de elecciones pasadas, podemos obtener valiosos conocimientos sobre cómo los anuncios digitales podrían impactar la participación de votantes en el futuro.

Nuestro análisis destaca la necesidad de un enfoque reflexivo para entender el comportamiento de los votantes, especialmente a medida que surgen nuevos problemas.

Evaluación Continua

A medida que nos acercamos a las elecciones de 2024, la evaluación continua de los sentimientos de los votantes y su respuesta a los anuncios será esencial. Al aprender de campañas pasadas y adaptarnos en consecuencia, los equipos de campaña pueden conectar mejor con los votantes y maximizar su impacto.

Entender las sutilezas de la demografía de votantes y sus preocupaciones en evolución será central para ganar su apoyo.

¡Así que prepárense para las elecciones de 2024, gente! ¡Va a ser un viaje interesante lleno de anuncios, debates y quizás un poco más de drama del necesario!

Fuente original

Título: Transfer Learning Between U.S. Presidential Elections: How Should We Learn From A 2020 Ad Campaign To Inform 2024 Ad Campaigns?

Resumen: For the 2024 U.S. presidential election, would negative, digital ads against Donald Trump impact voter turnout in Pennsylvania (PA), a key "tipping point" state? The gold standard to address this question, a randomized experiment where voters get randomized to different ads, yields unbiased estimates of the ad effect, but is very expensive. Instead, we propose a less-than-ideal, but significantly cheaper and likely faster framework based on transfer learning, where we transfer knowledge from a past ad experiment in 2020 to evaluate ads for 2024. A key component of our framework is a sensitivity analysis that quantifies the unobservable differences between past and future elections, which can be calibrated in a data-driven manner. We propose two estimators of the 2024 ad effect: a simple regression estimator with bootstrap, which we recommend for practitioners in this field, and an estimator based on the efficient influence function for broader applications. Using our framework, we estimate the effect of running a negative, digital ad campaign against Trump on voter turnout in PA for the 2024 election. Our findings indicate effect heterogeneity across counties of PA and among important subgroups stratified by gender, urbanicity, and education attainment.

Autores: Xinran Miao, Jiwei Zhao, Hyunseung Kang

Última actualización: Nov 1, 2024

Idioma: English

Fuente URL: https://arxiv.org/abs/2411.01100

Fuente PDF: https://arxiv.org/pdf/2411.01100

Licencia: https://creativecommons.org/licenses/by/4.0/

Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.

Gracias a arxiv por el uso de su interoperabilidad de acceso abierto.

Artículos similares