点名数据的划分分解

在本文中，我们将统计学习中的一些新工具应用于点名数据的分析。我们提出了一种新的用于点名投票的数据驱动模型，该模型在本质上是几何的。我们通过将“划分解耦方法”（一种最初为分析时间序列族而开发的无监督学习技术）改编为与一组点名投票相关联的加权网络的多尺度几何描述，来构建该模型。这种方法的核心是“动机”的定量概念，它是一个基于聚类的学习基元，作为点名数据表示中的构建块。动机使得意识形态的定量描述得以表述，并且其数据依赖性使得对意识形态因素演变的定量分析成为可能。这种方法通常适用于点名数据，我们特别将其应用于美国众议院和参议院的历史点名投票。该方法提供了一种估计底层行动空间维度的机制。我们确定主导因素形成低（一维或二维）表示，而次要因素增加了更高维的特征。这样，我们的工作支持并扩展了 Poole-Rosenthal 和 Heckman-Snyder 关于行动空间维度的发现。我们对几个单独的参议院进行了详细分析，并使用统计学习中的 AdaBoost 技术来确定那些具有最强判别值的投票。当用作预测模型时，这种几何视图在原始准确性和聚合比例缩减误差 (APRE) 方面均显著优于空间模型，例如 Poole-Rosenthal DW-NOMINATE 模型和 Heckman-Snyder 6 因子模型。