적대적 환경에서 컨조인트 분석과 머신러닝을 활용한 최적 후보 프로필 선정

초록

결합 분석(Conjoint analysis)은 요인 실험 설계의 응용으로, 다차원적 선호도를 연구하기 위해 사회과학 연구에서 널리 사용되는 도구입니다. 정치 분석 맥락에서의 이러한 실험에서는 응답자들에게 무작위로 선택된 특성(예: 정당 소속, 정책 입장, 성별, 인종 등)을 가진 두 가상의 정치 후보자 중 하나를 선택하도록 요청합니다. 우리는 최적의 후보자 프로필을 식별하는 문제를 고려합니다. 일반적인 결합 실험에서 고유한 특성 조합의 수는 총 관측치 수를 훨씬 초과하기 때문에, 최적의 프로필을 정확히 결정하는 것은 불가능합니다. 이러한 식별 문제를 해결하기 위해, 우리는 가장 유리한 평균 결과를 달성하기 위한 다양한 속성의 확률 분포를 나타내는 최적의 확률적 개입을 도출합니다. 먼저, 한 정당이 자신의 후보자 선택을 최적화하는 환경을 고려합니다. 그런 다음, 두 정당이 서로 반대하면서 동시에 자신의 후보자 선택을 최적화하는 보다 현실적인 경우로 이동합니다. 우리는 제안된 방법론을 미국 대통령 선거에 대한 기존의 후보자 선택 결합 실험에 적용합니다. 비적대적 접근과 대조적으로, 적대적 체제에서의 예상 결과는 역사적 선거 결과 범위 내에 있으며, 이 방법이 제안한 최적 전략은 비적대적 접근에서 도출된 전략보다 실제 관찰된 후보자와 더 일치할 가능성이 높다는 것을 발견했습니다. 이러한 결과는 결합 분석에 적대적 역학을 통합하는 것이 실험에서 얻은 사회과학 데이터에 대한 독특한 통찰을 제공할 수 있음을 시사합니다.

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.

적대적 환경에서 컨조인트 분석과 머신러닝을 활용한 최적 후보 프로필 선정

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

초록

Support