Subjective Well-Being Shapes U.S. Election Outcomes
Notice bibliographique
Résumé
The current study broadly examines whether regional changes in subjective well-being (SWB) predict changes in U.S. presidential, Senate, and House of Representatives election outcomes. We will look at elections spanning 2010 to 2020 and use Gallup and BRFSS data, the latter of which is used to measure mental distress. We define non-incumbents as candidates in the non-incumbent party. We hypothesize that a decrease in SWB and an increase in mental distress over time will predict voting for non-incumbents and for the candidates in the minority party in the Senate and House of Representatives election. This study was initially pre-registered on February 25th, 2021. Since then, we have conducted analyses for the 2020 U.S. presidential and Senate elections at the MMSA level only. Elizabeth has written up a final paper with the most recent findings for her mini-thesis course. Files for the paper and our analyses are located on the pre-registration page. She delivered a virtual presentation in her mini-thesis course and at Victoria Research Day at the University of Toronto. Since the last pre-registration, we were made aware of the modifiable areal unit problem (MAUP) which refers to the possibility that results may not replicate when aggregating data to different geographical levels. As such, we are creating an updated pre-registration with this concern in mind and with the steps we will take to address it. Specifically, to address the MAUP, we will test whether the effects replicate at different levels of aggregation (e.g., county, district, MMSA).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».