在对抗环境中运用联合分析与机器学习选择最优候选人画像

联合分析，作为析因实验设计的一种应用，是社会科学研究中研究多维偏好的一种流行工具。在政治分析的语境下，在这类实验中，受访者被要求在两名具有随机选择特征的假设政治候选人之间做出选择，这些特征可以包括党派性、政策立场、性别和种族。我们考虑识别最优候选人档案的问题。由于典型的联合实验中唯一特征组合的数量远超过观察总数，因此无法精确确定最优档案。为了解决这个识别挑战，我们推导出一个最优随机干预，它代表了旨在实现最有利平均结果的各种属性的概率分布。我们首先考虑一个政党优化其候选人选择的情境。然后我们转向更现实的情况，即两个政党同时并相互对抗地优化各自的候选人选择。我们将所提出的方法应用到一项关于美国总统投票选择的现有候选人选择联合实验中。我们发现，与非对抗性方法相比，对抗性机制下的预期结果落在历史选举结果的范围内，而且该方法建议的最优策略与从非对抗性方法得出的策略相比，更可能与实际观察到的候选人匹配。这些发现表明，将对抗性动态纳入联合分析可能对来自实验的社会科学数据产生独特的见解。