Selección de Perfiles Óptimos de Candidatos en Entornos Adversarios mediante Análisis Conjunto y Aprendizaje Automático

Selecting Optimal Candidate Profiles in Adversarial Environments Using Conjoint Analysis and Machine Learning

April 26, 2025

Autores: Connor T. Jerzak, Priyanshi Chandra, Rishi Hazra

cs.AI

Resumen

El análisis conjunto, una aplicación del diseño experimental factorial, es una herramienta popular en la investigación de ciencias sociales para estudiar preferencias multidimensionales. En tales experimentos en el contexto del análisis político, se solicita a los encuestados que elijan entre dos candidatos políticos hipotéticos con características seleccionadas al azar, que pueden incluir afiliación partidista, posiciones políticas, género y raza. Consideramos el problema de identificar perfiles óptimos de candidatos. Dado que el número de combinaciones únicas de características supera con creces el número total de observaciones en un experimento conjunto típico, es imposible determinar el perfil óptimo con exactitud. Para abordar este desafío de identificación, derivamos una intervención estocástica óptima que representa una distribución de probabilidad de varios atributos destinada a lograr el resultado promedio más favorable. Primero consideramos un entorno en el que un partido político optimiza la selección de su candidato. Luego pasamos al caso más realista en el que dos partidos políticos optimizan simultáneamente y en oposición mutua la selección de sus propios candidatos. Aplicamos la metodología propuesta a un experimento conjunto existente sobre la elección de candidatos para la presidencia de Estados Unidos. Encontramos que, en contraste con el enfoque no adversarial, los resultados esperados en el régimen adversarial caen dentro del rango de los resultados electorales históricos, y las estrategias óptimas sugeridas por el método tienen más probabilidades de coincidir con los candidatos observados en la realidad en comparación con las estrategias derivadas de un enfoque no adversarial. Estos hallazgos indican que incorporar dinámicas adversariales en el análisis conjunto puede proporcionar una perspectiva única sobre los datos de ciencias sociales obtenidos de experimentos.

English

Conjoint analysis, an application of factorial experimental design, is a popular tool in social science research for studying multidimensional preferences. In such experiments in the political analysis context, respondents are asked to choose between two hypothetical political candidates with randomly selected features, which can include partisanship, policy positions, gender and race. We consider the problem of identifying optimal candidate profiles. Because the number of unique feature combinations far exceeds the total number of observations in a typical conjoint experiment, it is impossible to determine the optimal profile exactly. To address this identification challenge, we derive an optimal stochastic intervention that represents a probability distribution of various attributes aimed at achieving the most favorable average outcome. We first consider an environment where one political party optimizes their candidate selection. We then move to the more realistic case where two political parties optimize their own candidate selection simultaneously and in opposition to each other. We apply the proposed methodology to an existing candidate choice conjoint experiment concerning vote choice for US president. We find that, in contrast to the non-adversarial approach, expected outcomes in the adversarial regime fall within range of historical electoral outcomes, with optimal strategies suggested by the method more likely to match the actual observed candidates compared to strategies derived from a non-adversarial approach. These findings indicate that incorporating adversarial dynamics into conjoint analysis may yield unique insight into social science data from experiments.