Содержание к диссертации
Введение
Глава 1. Методологические проблемы прогнозирования электорального поведения 15
1.1 Проблемы прогнозирования электорального поведения на основе результатов предвыборных опросов 15
1.1.1 Проблема точности прогнозирования результатов выборов на основе данных предвыборных опросов 15
1.1.2 Анализ ошибок прогнозов результатов парламентских выборов 2015 г. в Великобритании 22
1.1.3 Анализ ошибок прогнозов результатов президентских выборов 2016 г. в США 29
1.1.4 Теоретико-методологические проблемы конвенционального подхода как фактор ограниченной валидности методик прогнозирования на основании вопросов об интенциях 35
1.2 Альтернативные подходы к предсказанию электорального поведения 51
1.2.1 Опросы об ожиданиях 52
1.2.2 Прогнозные рынки 55
1.2.3 Экономические модели 61
1.2.4 Анализ социальных медиа 65
1.2.5 Сравнительный анализ основных методов прогнозирования электорального поведения 71
Глава 2. Модель согласованности установки как основа прогнозирования электорального выбора 76
2.1 Изучение неосознаваемых компонентов электорального выбора на основе теории установки 76
2.1.1 Современная теория установки 76
2.1.2 Перспективы операционализации установки как неразвернутой модели будущей деятельности в электоральных исследованиях 85
2.1.3 Проблема исследования аффективной компоненты установки 92
2.2 Измерение имплицитной компоненты в рамках модели согласованности электоральной установки 104
2.2.1 Трехкомпонентная модель электоральной установки 104
2.2.2 Разработка средств измерения аффективной компоненты установки: Графический ассоциативный тест отношения 109
2.2.3 Предварительная валидация ГАТО как средства измерения аффективной компоненты установки 117
Глава 3. Комплексное использование эксплицитных и имплицитных факторов в модели прогнозирования электорального выбора 133
3.1 Эмпирическая валидация методики на примере выборов в Государственную Думу РФ 2016 г 133
3.2 Эмпирическая валидация методики на примере выборов Президента РФ 2018 г. 152
Заключение 166
Список литературы 172
Приложение 189
- Анализ ошибок прогнозов результатов парламентских выборов 2015 г. в Великобритании
- Анализ социальных медиа
- Трехкомпонентная модель электоральной установки
- Эмпирическая валидация методики на примере выборов Президента РФ 2018 г.
Анализ ошибок прогнозов результатов парламентских выборов 2015 г. в Великобритании
Первый отчет был представлен по итогам парламентских выборов в Великобритании совместной комиссией Британского совета исследований общественного мнения и Общества исследований рынка. В парламентских выборах участвовало более 10 партий, однако основная борьба развернулась между Консервативной и Лейбористской партиями. Результаты предвыборных опросов показывали, что партии имеют одинаковую поддержку. Из 12 опросов, проведенных различными компаниями непосредственно перед выборами, 5 показали одинаковые результаты для обеих партий, 3 опроса показали 1%-е преимущество консерваторов, 2 – аналогичное преимущество лейбористов, еще один – победу лейбористов с отрывом в 2%. Официальные результаты голосования выявили ощутимое преимущество консерваторов: 37,8% против 31,2% у лейбористов1. Средняя абсолютная ошибка прогноза результатов выборов составила 4,1% для Консервативной партии и 2,5% – для Лейбористской. Примечательно, что в оценке результатов других партий ошибка не превысила 1,4%. Также примечателен тот факт, что наиболее точно разрыв между двумя лидирующими партиями предсказал онлайн-опрос, проведенный SurveyMonkey на выборке 18,1 тыс. респондентов – максимальной среди всех поллстеров. Правда, и в этом случае предсказанные цифры оказались занижены более чем на 3% (34% – у консерваторов, 28% – у лейбористов).
Совместная комиссия Британского совета исследований общественного мнения и Общества исследований рынка провела анализ причин существенного несоответствия фактических результатов выборов данным предвыборных опросов. Проведенный повторный статистический анализ исходных данных подтвердил корректность выводов и отсутствие ошибок, связанных с кодированием данных, статистическим анализом или квотированием на основе данных демографической статистики. В качестве возможных источников ошибок рассматривались следующие:
1. Голосование по почте (то есть, досрочное голосование).
2. Голосование за рубежом (мнение респондентов за рубежом не может быть учтено в предвыборных опросах).
3. Проблема регистрации избирателей (из-за изменений в системе регистрации, часть респондентов, принявших участие в предвыборных опросах, могла оказаться незарегистрированной и тем самым была неверно оценена их явка).
4. Формулировки вопросов и структура анкеты. В частности, в британской политической системе существует проблема, связанная с тем, что консервативные избиратели в большей мере склонны скрывать свои политические предпочтения (гипотеза «застенчивых тори»). Предполагается, что разные формулировки и порядок вопросов могут выступать в качестве определенного прайминга, позволяющего минимизировать вероятность такой скрытности.
5. Неопределившиеся избиратели. Некоторые респонденты не раскрывают свои политические предпочтения в ходе опроса, другие не определились с выбором, третьи изменили свою позицию в последний момент. Все это может повлиять на итоговый результат.
6. Неискренность респондентов. В предвыборных опросах вероятность неискренних ответов считается высокой, поскольку ее источниками может быть не столько личные «капризы» отдельных респондентов, сколько процессы социальной желательности, заставляющие респондентов давать ответы, которые, по их представлению, более социально одобряемы. Упомянутый ранее феномен «застенчивых тори» может быть также отнесен к этой категории возможных ошибок. Консерваторы многими воспринимаются как сторонники политики, нацеленной на личное благо в ущерб всеобщему, что может вызывать нежелание некоторых респондентов публично солидаризоваться с такой политикой.
7. Проблема оценки вероятности участия в голосовании. При прогнозировании итоговых результатов поллстеры задают вопросы для определения вероятности, с которой респондент примет участие в голосовании, и используют ответы (например, по шкале от 1 до 10) для определения «явочного» веса содержательных вопросов об интенциях. Неверный выбор процедуры взвешивания может повлиять на итоговые оценки.
8. Нерепрезентативность выборочной совокупности.
9. Метод проведения опросов. Предвыборные опросы в Великобритании в 2015 г. проводились в двух формах: телефонного и онлайн-опросов: эти методы использовали, соответственно, четыре и восемь компаний. Разница в процедурах могла повлиять на качество опроса, в том числе на репрезентативность выборочной совокупности.
В исследовании, проведенном комиссией, по сути, были проанализированы все типичные проблемы, которые современные электоральные исследования связывают с прогнозированием электорального поведения на основе результатов предвыборных опросов. По итогам работы комиссии было признано, что главным источником ошибки прогноза стала неспособность обеспечить репрезентативность выборочной совокупности. Любопытно, что к такому выводу комиссия пришла методом исключения, проанализировав другие возможные источники ошибок и признав их влияние несущественным.
Так, не могли, по мнению комиссии повлиять на результаты опросов факторы, связанные с досрочным и зарубежным голосованием. Некоторые поллстеры задавали отдельные вопросы об участии респондентов в досрочном голосовании (в этом случае их вероятность участия в голосовании принималась равной единице), тогда как в других опросах этот вопрос не задавался. Комиссия пришла к выводу, что даже если на вопрос о намерениях отвечали респонденты, уже фактически проголосовавшие, маловероятно, чтобы это могло привести к росту ошибки. По данным избирательной комиссии, доля избирателей, принявших участие в голосовании на зарубежных участках, составила всего 0,2% от общего числа избирателей1, что также не могло существенно повлиять на результаты.
Для оценки возможного влияния фактора неопределившихся избирателей комиссия сопоставила данные двух последних по времени опросов, проведенных каждой организацией. Если среди тех, кто принимает решение в последний момент, больше сторонников консерваторов, то можно было бы ожидать, что соответствующая тенденция себя проявит в последних опросах. Это, однако, не подтвердилось. Более непосредственными являются данные, полученные в ходе повторных контактов с респондентами после проведения выборов.
Соответствующие исследования показали лишь незначительную тенденцию в ожидаемом направлении, не объясняющую итоговой вариации.
Комиссия также сочла маловероятным источником ошибки неискренность респондентов, хотя это суждение основано преимущественно на логических рассуждениях нежели эмпирических данных. Так, комиссия полагает, что в британском политическом контексте феномен «застенчивых тори» – не единственный возможный пример влияния фактора социальной предпочтительности и может уравновеситься другими формами социальной желательности. Другой аргумент касается возможности для респондента, желающего скрыть свое истинное мнение, выбрать более нейтральный вариант поведения, указав в качестве ответа «не знаю», «еще не определился» либо же просто отказавшись отвечать. Такая возможность избавляет от необходимости прямой лжи и, соответственно, внутреннего конфликта. Значительная часть опросов проводилась в онлайн-формате, и, по мнению комиссии, при полной анонимности опроса сколь-нибудь значимых оснований для неискренности ответа у респондента нет. Известно, что фактор социальной предпочтительности более существен при личных опросах, нежели в случае самостоятельного заполнения анкеты1.
Анализ социальных медиа
Широкое распространение цифровых средств коммуникации, интенсивная вовлеченность в них избирателей, а также развитие техники автоматизированной обработки цифровой информации, в частности, методов обработки естественного языка (NLP, Natural Language Processing) привели к появлению новых методов электоральных исследований, фокусирующихся на вербальном поведении пользователей социальных сетей и других ресурсов сети Интернет.
Одна из главных проблем, с которыми сталкиваются современные поллстеры – это увеличивающееся число отказов от участия в опросе1. Доступность социальных медиа и других коммуникационных сред позволяет уйти от этой проблемы и сфокусироваться на изучении вербального поведения большого числа пользователей в естественных условиях и в режиме, близком к режиму реального времени. Во многих странах число активных пользователей социальных сетей составляет приблизительно половину всего населения: 47% в Европе, 51% – в Северной и Южной Америке2. Несмотря на важные социально-демографические различия между теми, кто пользуется и теми, кто не пользуется социальными сетями, высокая степень проникновения делает аудиторию крупнейших социальных медиа привлекательным объектом для проведения масштабных маркетинговых и социологических исследований. Исследовательские подразделения крупнейших Интернет-компаний имеют возможность фиксировать поведение миллионов пользователей, анализируя множество зависимостей одновременно, а также применять экспериментальные методы3.
В области электоральных исследований потенциал социальных медиа пока только начинает раскрываться. Интерес к социальным медиа как источнику информации о социальном, в том числе электоральном поведении определяется не только большими размерами выборки, но и его содержательными особенностями. Поведение пользователей социальных сетей мотивировано их реальными потребностями и выражает интенции в большей степени чем ответы на вопросы в искусственно сконструированных в ходе опроса ситуациях. Политика относится к числу одной из популярных тем обсуждения в социальных сетях, особенно для мужской аудитории1.
С другой стороны, некоторые особенности социальных медиа являются проблематичными с точки зрения изучения электорального поведения. Невозможность надежно проконтролировать базовые социально-демографические характеристики пользователей, проверить их избирательный статус, сложность фильтрации контента, являющегося следствием астротурфинга и других видов имитации социального поведения, – эти факторы могут негативно сказываться на возможности использования социальных медиа для прогнозирования электорального поведения.
Результаты проведенных к настоящему времени исследований электоральных предпочтений, мнений и интенций на основе анализа социальных медиа можно оценить как неоднозначные. Одна из первых попыток предсказать результаты выборов на основе анализа записей в социальной сети Twitter была предпринята немецкими исследователями в отношении всеобщих федеральных выборов в Германии в 2009 г. Авторы проанализировали более 100 тыс. политических твитов, содержащих названия партий или ведущих политиков и опубликованных пользователями в течение месяца перед голосованием2.
Исследователи использовали специальное программного обеспечения для текстового анализа твитов, чтобы выявить определенные когнитивные и эмоциональные характеристики (ориентация на прошлое или будущее, позитивные и негативные эмоции и др.) в сочетании с названиями конкретных политических сил. Помимо частотного анализа текста, были также использованы данные о распространении информации в социальной сети посредством коммуникативных действий пользователей. Полученная информация позволила составить профили политиков по 12 психологическим категориям, однако для прогнозирования результатов выборов использовался более простой индикатор, а именно объем внимания, которое пользователи уделили кандидатам. Результаты показали, что простой подсчет числа твитов с упоминанием политика или партии обеспечивает высокую точность предсказания, лишь незначительно уступающую результатам опросов. Средняя абсолютная ошибка для шести партий составила 1,65%, тогда как ошибка прогноза по данным ведущих поллстеров варьировалась в диапазоне от 0,8% до 1,48%. Обратим внимание, что данное исследование содержало в себе ценную информацию относительно намерений и мнений избирателей, которая не была применена для прогноза электорального поведения, но использовалась для предсказания вхождения партий в коалиции после выборов.
Результаты проведенного А.Тумасян и др. исследования представляло собой предсказание постфактум, и было подвергнуто критике, а попытки воспроизвести полученные оценки не подтвердились1. Также были подвергнуты сомнению другие ранние утверждения об успешном пост-хок предсказании результатов выборов2. К числу главных проблем в использовании социальных медиа для предсказания электорального поведения относят игнорирование демографических характеристик аудитории, безусловное доверие к авторам твитов, различную степень активности пользователей в публикации твитов на политические темы, корректность автоматической интерпретации твитов, нестабильность результатов и сильная зависимость от подгонки параметров в пост-хок анализе.1
Критика первых исследований стимулировала поиск более надежных методов предсказания с использованием социальных сетей. Международная группа исследователей использовала публикации в Twitter для предсказания результатов выборов в Конгресс США и сенатских выборов в штате Массачусетс, прошедших в 2010 г.2 В обоих случаях анализировался бинарный выбор, между двумя кандидатами. Для предсказания использовалось два различных метода. Первый, как и в ранних исследованиях, основан на простом подсчете числа твитов, упоминающих каждого кандидата (при исключении твитов, упоминающих обоих кандидатов). Второй метод использовал более сложную процедуру, основанную на анализе тональности текста (сентимент-анализе). Твиты интерпретировалась в качестве позитивных или негативных, исходя из используемой лексики, а мера поддержки кандидата рассчитывалось как разница между позитивными и негативными твитами. Для расчета прогнозной оценки доли голосов, полученной каждым кандидатом, была разработана формула, учитывающая число позитивных и негативных твитов, относящихся к каждому кандидату.
Метод, основанный на простом подсчете твитов, опубликованных до выборов, не смог корректно предсказать победителя выборов сенатора Массачусетса. Основываясь на приведенных авторами данных, можно рассчитать, что ошибка прогноза составила 5,76 п.п. Метод, основанный на сентимент-анализе, напротив, дал верный прогноз, а ошибка составила 1,1%3, что лучше, чем в большинстве предвыборных опросов. Применяя оба метода к массиву данных о выборах в Конгресс, исследователи получили предсказания с ошибкой прогноза 17,1% для метода, основанного на подсчете числа твитов, и 7,6% - для сентимент анализа1. То есть, сентимент-анализ позволяет ощутимо улучшить точность прогноза, однако ошибка прогноза колеблется в широких пределах. Причиной тому авторы называют низкое качество автоматизированного анализа текста и ошибки определения модальности твитов и реальных намерений их авторов. Можно предположить, что дальнейшее совершенствование техники автоматизированного текстового анализа, в частности, на основе машинного обучения, будет способствовать повышению качества распознавания интенций и улучшению качества извлечения данных из записей в социальных сетях.
Трехкомпонентная модель электоральной установки
Критический анализ существующих методик проведения предвыборных опросов на основе современной теории установки позволил определить перспективные направления их совершенствования. Рассматривая в качестве теоретической основы теорию установки как готовности к действию, может быть предложена трехкомпонентная модель готовности к совершению электорального выбора.
Предлагаемый подход основан на смещении акцента при прогнозировании результатов выборов с декларируемых в ходе опроса намерений в отношении некоторого действия, на выявление конкретных признаков подготовки к его осуществлению в рамках трех компонентов установки.
Подход школы Д.Н.Узнадзе акцентирует внимание на том, что любому действию индивида с необходимостью предшествует некоторая подготовка, которая может проходить как в явной, так и в скрытой форме. В общем виде фактическое, а не декларируемое намерение осуществить действие выражается в некоторых подготовительных процессах, которые протекают у субъекта установки и могут быть эмпирически зафиксированы. В частности, субъект установки пытается осмыслить объект установки, вырабатывает (актуализирует) эмоциональное отношение к нему, совершает необходимые подготовительные действия. Например, человек реально намеревающийся совершить некое действие, так или иначе оценивает объект действия (когнитивный аспект), физически готовится к действию (конативный аспект), психологически настраивается на возможные эмоциональные эффекты, связанные с действием (аффективный аспект) и т.д. Если ничего подобного не происходит, то все декларации такого человека о намерении совершить действие могут и должны быть поставлены под сомнение. С другой стороны, стороннему наблюдателю нет никакой необходимости напрямую выяснять у подобного человека: что именно он собрался делать. При наличии достаточного количества характерных для данного конкретного действия признаков подготовки к нему это очевидно.
С точки зрения потребностей электорального прогнозирования и лежащих в его основе измерений, «установка Узнадзе», позволяет обоснованно изменить предмет измерения с традиционного для современной практики выявления характера отношения к объекту установки на выявление признаков подготовки к действиям в отношении этого объекта. Если в первом случае, исследователь ставит перед собой вопрос: «намеревается ли респондент голосовать?» и «за кого именно он намеревается голосовать?», то во втором – «есть ли признаки того, что он готовится идти на избирательный участок?», «Есть ли признаки того, что он действительно считает одного из кандидатов лучшим выбором?», «Есть ли признаки того, что он собирает о нём информацию или даже агитирует за него?», «Можно ли утверждать, что он относится к нему с реальной, а не декларативной симпатией?» и т.д.
Основываясь на трёхкомпонентной модели установки, эти признаки готовности к совершению действия могут быть классифицированы следующим образом (таб. 2.3):
Данная модель может быть определена как трёхкомпонентная модель субъективной готовности к совершению действия. Следует отметить, что она не учитывает объективных препятствий к совершению действия (например, невозможность прийти на выборы из-за болезни), полагая, что при статистическом усреднении подобные препятствия не должны сказываться на качестве прогнозной оценки. Такое предположение, однако, будет неверным, если объективные препятствия носят систематический, а не случайный характер.
Подобный подход никак не противоречит современным представлениям об установке и может интерпретироваться как исследовательская модель одного из её проявлений. В этом смысле предлагаемая модель не может также рассматриваться как редуцированная версия модели TRA/TPB, так как в рамках своего предметного поля потенциально содержит все факторы TRA/TPB. Например, высокий уровень эмоциональной симпатии молодого избирателя к радикальной партии может объясняться как мотивами сделать в ней карьеру (фактор «поведенческие ожидания» в TRA/TBP), так и желанием произвести впечатление на сверстников (фактор «нормативные ожидания»). Вполне вероятно, что всё это будет одновременно активно стимулироваться уверенностью в том, что он принимает решения «самостоятельно» и «поступает правильно» («ожидания контроля»), которая при ближайшем рассмотрении окажется обусловленной возрастной гормональной спецификой. Как бы там ни было, в меру измерительной точности своих инструментов модель субъективной готовности к совершению действия зарегистрирует эмпирические проявления любого компонента TRA/TPB или их сочетания. Во всяком случае, на данный момент не просматривается никаких теоретических предпосылок к обратному. Более того, если окажется, что рассматриваемая модель ближе к реальному поведению, чем самоотчёт о «намерениях», в исследовательской перспективе она имеет все шансы стать более надёжной и информативной независимой переменной, открывающей новые возможности для изучения компонентов TRA/TPB, рассматриваемых в данном случае как её факторы.
Практические преимущества предложенного подхода определяются его потенциальной способностью компенсировать некоторые проблемы валидности, которые возникают в результате некритического использования модели TRA/TPB. Выше было показано, что подобная практика приводит к возникновению проблем валидности, что в практике электоральных исследований систематически приводит к ошибочным результатам, компенсируемым разнообразными «поправками», обоснованность применения которых редко когда бывает прозрачной1.
Предлагаемая модель позволяет надеяться устранить, или, по крайней мере, в значительной мере сократить воздействие названных факторов в силу следующих своих свойств:
1. Изначально учитывается возможность влияния на электоральный выбор эмоциональных факторов. Модель не постулирует априорного преимущественного влияния ни одной из компонент: для групп избирателей, находящихся под преимущественным влиянием когнитивных факторов, сохраняет своё действие модель «экономического поведения», однако для тех групп, которые находятся под преимущественным влиянием эмоциональных факторов, откроются возможности выявить и учесть их реальные интенции.
2. Намерения респондента не выясняются у него напрямую, а реконструируются на основании анализа степени его готовности к определённому варианту поведения. Наиболее вероятен тот вариант поведения, степень готовности к которому на данный момент выше.
3. На уровне когнитивной компоненты описание методом самоотчёта не предполагаемых намерений, а фактического отношения на момент опроса создают 2-ю, а в ряде случаев – и 1-ю ситуацию валидности Эрикссона-Саймона. Это же справедливо и для самоотчёта о фактических «подготовительных» действиях в связи с предполагаемым выбором на уровне конативной компоненты.
Таким образом, имеются основания считать, что модель субъективной готовности к совершению действия потенциально способна принести более точные результаты в рамках измерений электорального поведения и построенных на их основе прогнозов результатов голосования.
Эмпирическая валидация методики на примере выборов Президента РФ 2018 г.
Второй этап проверки методики прогнозирования, основанный на двухкомпонентной модели установки, был проведен в ходе президентской кампании 2018 г. Сравнение контрольной и экспериментальной моделей было проведено на материалах всероссийского опроса ВЦИОМ, проведенного с использованием метода личного интервью по месту жительства. Использовалась многоступенчатая выборка, репрезентативная для населения РФ старше 18 лет, размер выборки составил N=1600, ошибка выборки 3,2%.
Как и на выборах 2016 г., главная цель заключалась в проверке способности улучшить качество прогноза за счет включения в методику измерения аффективной компоненты. В качестве контрольной модели использовались те же варианты конвенциональной модели, что и в случае выборов 2016 г. («Намерения», «Намерения + Явка», «Намерения подтвержденные», «Намерения подтвержденные + Явка»). Экспериментальная модель дополняла эти варианты результатами измерения аффективной компоненты, однако с использованием модифицированной версии ГАТО.
Одна из потенциальных проблем, связанных с использованием теста ГАТО в исходном варианте, заключалась в принудительной размерности категорий, интерпретирующих символы набора Маркерта как вызывающие положительное, отрицательное или нейтральное отношение. Эти категории всегда включают в себя, соответственно, 3, 3 и 2 символа, независимо от особенностей их индивидуального восприятия. Чтобы исключить возможные искажения, вызванные такой навязанной размерностью, в ходе опроса 2018 г. тест ГАТО применялся следующим образом. В дополнение к оценке привлекательности символов, респондентам предлагалось явно указать на фигуры, которые им «не нравятся», на которые «неприятно смотреть», которые «не хочется долго разглядывать» и т.п. Таким образом шкала теста ГАТО была индивидуально откалибрована для каждого респондента с точки зрения определения границы областей «нейтрального» и «отрицательного» отношения. Для основной массы респондентов количество выборов при ответе на подобный «открытый» (респонденты могли указать любое количество фигур) вопрос составило 3 фигуры.
Еще одной инновацией в применении теста ГАТО стало увеличение числа фигур, с которыми респондент ассоциирует конкретного кандидата, до двух. Это было сделано для повышения надежности измерения эмоционального отношения к кандидатам. Более конкретно, такая процедура позволила точнее идентифицировать респондентов, имеющих негативное аффективное отношение к кандидатам. К респондентам, демонстрирующим положительное либо нейтральное эмоциональное отношение к кандидатам, были отнесены те из них, кто при выборе фигур, ассоциирующихся с ним, не выбрал ни одного символа, воспринимаемого как негативный.
В таблице 3.10 приведены результаты прогноза, основанные на различных вариантах конвенциональной модели. Фактические результаты голосования приводятся по официальным данным ЦИК РФ1.
Учитывая, что три лидирующих кандидата на выборах набрали в совокупности 93,4% голосов избирателей, наполняемость подвыборок для сторонников других кандидатов оказалась крайне низкой. Поэтому дальнейший анализ ограничен результатами В.Путина, П.Грудинина и В.Жириновского.
К результатам, полученным в ходе опроса, были применены те же процедуры оценки точности различных моделей прогнозирования, что и в случае выборов 2016 г. Для каждого кандидата были рассчитаны нормализованные значения отклонений прогнозных оценок от фактических результатов и выражены в процентах от фактического результата, полученного кандидатом. Для оценки точности моделей были рассчитаны средние модули отклонений по трем кандидатам. Результаты расчетов представлены в таблице 3.12.
Как видно из представленных данных, для большинства вариантов конвенциональной модели её дополнение измерением аффективной компоненты приводит к улучшению прогноза. Исключением из этого правила стал вариант «Подтверждённые намерения». Это эмпирический факт и с ним необходимо считаться. Однако обращает на себя внимание тот факт, что в отличие от данных 2016 года наиболее точный во всех отношениях прогноз получен не для варианта «Подтверждённые намерения + явка», а для варианта «Намерения + явка». Одновременно, на данных 2018 г. видно, что введение фильтра, основанного на подтверждении выбора, приводит к ухудшению прогноза для всех базовых вариантов: средний модуль для вариантов «Подтверждённые намерения» хуже, чем для варианта «Намерения», а «Подтверждённые намерения + явка» – значительно хуже, чем «Намерения + явка».
Полученные данные закономерно порождают вопросы о корректности работы фильтра «Подтверждение», который, напомним, операционализировался вопросом «Вы уверены в своём выборе, или он может измениться?». Будучи применённым в 2016 г., данный фильтр показал себя весьма эффективным фактором повышения точности прогноза, в то время как в 2018 г., он ведёт себя, насколько можно судить, прямо противоположным образом. Учитывая неустойчивость действия данной корректирующей процедуры, представляются необходимыми дальнейшие исследования для оценки ее вклада в точность прогноза.
Вместе с тем результаты исследования 2018 г. подтверждают выводы предыдущего этапа и позволяют утверждать, что включение в прогнозную модель аффективной компоненты позволяет системно улучшать конвенциональную модель. При этом позитивное влияние измерения аффективной компоненты оказывается более устойчивым, чем корректировка, основанная на подтверждении намерений и наиболее часто использующаяся в настоящее время для повышения точности прогнозирования.
Рассмотренный выше вариант реализации 2D-модели, как уже отмечалось, основан на допущении, согласно которому декларируемые респондентом намерения проголосовать за определенного кандидата интерпретируются как проявление рассудочных мотивов его поддержки, то есть, как когнитивная компонента электоральной установки. Вместе с тем логика теоретической модели установки, лежащей в основе разрабатываемой методики прогнозирования, предполагает, что готовность к совершению электорального выбора может быть измерена не только без обращения к явно декларируемым намерениям об участии в голосовании, то есть, о явке, но и без обращения к электоральным намерениям как таковым.
Поэтому в рамках предвыборных опросов 2018 года, в дополнение к описанным выше моделям, была также применена 2D-модель прогнозирования, не использующая явные вопросы о намерениях для операционализации когнитивной компоненты. В дальнейшем мы будем называть ее полной 2D-моделью. В отличие от базовой, приближенной экспериментальной модели, она измеряет когнитивную компоненту при помощи следующего вопроса: «Как Вы считаете, есть ли в списке кандидат, который выражает интересы таких людей, как Вы?». Респонденту предлагался список из ряда кандидатов, из которого необходимо было выбрать не более одного варианта ответа. Аффективная компонента измерялась тестом ГАТО. Прогнозная оценка доли голосов, набранных кандидатом, определялась как доля респондентов, имеющих согласованную установку в отношении выбора кандидата X, от общего числа респондентов, имеющих согласованную установку. Признаками наличия согласованной установки в отношении кандидата считаются:
1. Выбор кандидата при ответе на вопрос «Как Вы считаете, есть ли в списке кандидат, который выражает интересы таких людей, как Вы?»;
2. Отсутствие ассоциированных с кандидатом символов теста ГАТО, имеющих негативную эмоциональную окраску.
Наличие одновременно двух данных признаков, как мы полагаем, свидетельствует о согласованной установке и, соответственно, о готовности респондента прийти на избирательный участок и проголосовать за данного кандидата. Подчеркнем, что фактор явки в данном случае присутствует имплицитно, поскольку наличие сформированной установки предполагает поведенческую готовность к совершению соответствующего действия. Теоретическая модель установки предполагает, что корректная идентификация компонентов установки позволяет фиксировать такую готовность без обращения к прямым вопросам о намерениях.
Проверка данной модели, наиболее последовательно выражающей логику двухкомпонентной модели установки, была проведена, как и в предыдущем случае, на материале предвыборных опросов ВЦИОМ, проведенных в ходе выборов Президента РФ 2018 г. Результаты выборочного обследования были экстраполированы на генеральную совокупность, определяемую как число зарегистрированных избирателей в РФ. Это позволило составить прогноз не только об относительных результатов голосования в поддержку различных кандидатов, но и об абсолютном количестве голосов, полученных каждым из них. Результаты прогнозной оценки, составленной на основании полной двухкомпонентной модели, отражены в таблице 3.13.