A generalized parametric divisor method for political apportionment
Notice bibliographique
Résumé
Abstract The political apportionment problem has been studied for more than 200 years. In this paper, we introduce a generalized parametric divisor method (GPDM), which generalizes most of the classical and widely used apportionment methods from the literature as special cases. Moreover, it allows for very flexible interpolation between previous methods by appropriately setting two parameters in the GPDM. We identify an inequity measure that the GPDM globally optimizes. We also identify two natural inequity measures for which an apportionment given by the GPDM is locally optimal. These results generalize similar results for classical apportionment methods, and justify the use of a large class of new apportionment methods given by the GPDM. From this class, we identify and recommend specific new methods. Our numerical experiments compare the apportionments given by the new methods with those given by existing methods using real data for the United States, Germany, Canada, Australia, England, and Japan. Explicit definition of the GPDM has enabled us to perform computational experiments for evaluating the unbiasedness of the GPDM using two standard measures while comparing with other traditional methods. Based upon our generalization technique and numerical experiments, we show that the GPDM outperforms all the traditional apportionment methods by selecting appropriate parameter values. Thus, we can conclude that the GPDM is the most “unbiased” and fairer if parameters can be agreed ex ante , and the GPDM is applicable to actual electoral voting systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».