Выбор оптимальных профилей кандидатов в условиях противодействия с использованием конъюнктивного анализа и машинного обучения

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

April 26, 2025

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

cs.AI

Аннотация

Совместный анализ, являющийся приложением факторного экспериментального дизайна, представляет собой популярный инструмент в социальных науках для изучения многомерных предпочтений. В таких экспериментах в контексте политического анализа респондентам предлагается выбрать между двумя гипотетическими политическими кандидатами с случайно выбранными характеристиками, которые могут включать партийную принадлежность, политические позиции, пол и расу. Мы рассматриваем задачу определения оптимальных профилей кандидатов. Поскольку количество уникальных комбинаций характеристик значительно превышает общее число наблюдений в типичном совместном эксперименте, точно определить оптимальный профиль невозможно. Для решения этой проблемы идентификации мы выводим оптимальное стохастическое вмешательство, представляющее собой распределение вероятностей различных атрибутов, направленное на достижение наиболее благоприятного среднего результата. Сначала мы рассматриваем ситуацию, в которой одна политическая партия оптимизирует выбор своего кандидата. Затем мы переходим к более реалистичному случаю, когда две политические партии одновременно и в противодействии друг другу оптимизируют выбор своих кандидатов. Мы применяем предложенную методологию к существующему эксперименту по выбору кандидатов, касающемуся голосования за президента США. Мы обнаруживаем, что в отличие от неконфронтационного подхода, ожидаемые результаты в конфронтационном режиме находятся в пределах диапазона исторических электоральных исходов, при этом оптимальные стратегии, предложенные методом, с большей вероятностью соответствуют реально наблюдаемым кандидатам по сравнению со стратегиями, выведенными из неконфронтационного подхода. Эти результаты указывают на то, что включение конфронтационной динамики в совместный анализ может дать уникальные инсайты в данные социальных наук, полученные из экспериментов.

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.