Zusammenfassung
Beiträge zur räumlichen Theorie des Wählens gehen zumeist von idealisierten Bedingungen aus: Wähler sind vollständig informiert und entscheiden sich strikt rational, Parteien beziehen klare und eindeutig identifizierbare Positionen im politischen Wettbewerbsraum, Wählereinstellungen zum Umgang mit Risiko und Unsicherheit sind à priori in theoretischen und statistischen Modellen fixiert. Dieser Beitrag hinterfragt diese Grundannahmen der „Neo-Downsianischen“ Modelltradition. Er bestimmt empirisch, wie Wähler räumliche Distanzen in Nutzenfunktionen übersetzen und wie sie dabei mit Risiko und Unsicherheit umgehen. Ein wesentlicher Aspekt betrifft dabei die Angemessenheit von konkaven oder konvexen Nutzenfunktionen, also die Frage, ob theoretische und/ oder statistische Modelle Verlustfunktionen mit quadratischen oder mit linearen Metriken spezifizieren sollten. Die empirische Analyse verwendet das umfangreiche Datenmaterial desWahlforschungsprojekts „The Comparative Study of Electoral Systems“ (CSES). Vergleichende Analysen des Wahlverhaltens zeigen dabei eindeutig, dass Wähler über neunzig heterogene Wahlkontexte hinweg wesentlich weniger risikoavers sind als von der großen Mehrheit theoretischer und empirischer Beiträge unterstellt wird. Stattdessen zeigen dieser Beitrag, dass moderne Wähler sich im Wesentlichen risikoneutral verhalten.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Similar content being viewed by others
Literatur
Adams, J., Merrill, S., and Grofman, B. (2005). A Unified Theory of Party Competition. A Cross-National Analysis Integrating Spatial and Behavioral Factors. Cambridge University Press, Cambridge.
Aldrich, J. H. and McKelvey, R. D. (1977). A Method of Scaling with Applications to the 1968 and 1972 Presidential Elections. The American Political Science Review, 71(1):111–130.
Alvarez, R. M. (1998). Information and Elections. University of Michigan Press, Ann Arbor.
Alvarez, R. M. and Nagler, J. (1998). When Politics and Models Collide: Estimating Models of Multiparty Elections. American Journal of Political Science, 42(1):55–96.
Bartels, L. M. (1986). Issue Voting Under Uncertainty: An Empirical Test. American Journal of Political Science, 30(4):709–728.
Berinsky, A. J. and Lewis, J. B. (2007). An Estimate of Risk Aversion in the U.S. Electorate. Quarterly Journal of Political Science, 2(2):139–154.
Brady, H. E. and Ansolabehere, S. (1989). The Nature of Utility Functions in Mass Publics. The American Political Science Review, 83(1):143–163.
Carroll, R., Lewis, J. B., Lo, J., Poole, K. T., and Rosenthal, H. (2013). The Structure of Utility in Spatial Models of Voting. American Journal of Political Science, 57(4):1008–1028.
Davis, O. A., Hinich, M. J., and Ordeshook, P. (1970). An Expository Development of a Mathematical Model of the Electoral Process. American Political Science Review, 64(2):426.
Degan, A. and Merlo, A. (2009). Do voters vote ideologically? Journal of Economic Theory, 144(5):1868–1894.
Dow, J. K. and Endersby, J. W. (2004). Multinomial probit and multinomial logit: a comparison of choice models for voting research. Electoral Studies, 23(1):107–122.
Downs, A. (1957). An Economic Theory of Democracy. Harper and Row, New York.
Eguia, J. X. (2012). A spatial theory of party formation. Economic Theory, 49(3):549–570.
Eguia, J. X. (2013). Challenges to the Standard Euclidean Spatial Model. In Advances in Political Economy, pages 169–180. Springer, Berlin, Heidelberg, New York.
Enelow, J. M. and Hinich, M. J. (1984). The Spatial Theory of Voting: An Introduction. Cambridge University Press, Cambridge.
Feddersen, T. (1992). A Voting Model Implying Duverger’s Law and Positive Turnout. American Journal of Political Science, 36(4):938–962.
Gabel, M. J. and Huber, J. D. (2000). Putting Parties in Their Place: Inferring Party Left-Right Ideological Positions from Party Manifestos Data. American Journal of Political Science, 44(1):94–103.
Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A., and Rubin, D. B. (2013). Bayesian Data Analysis. CRC Press, Boca Raton.
Grand, P. and Tiemann, G. (2013). Projection effects and specification bias in spatial models of European Parliament elections. European Union Politics, 14(4):497–521.
Grynaviski, J. D. and Corrigan, B. E. (2006). Specification Issues in Proximity Models of Candidate Evaluation (with Issue Importance). Political Analysis, 14(4):393–420.
Hare, C., Armstrong, D. A., Bakker, R., Carroll, R., and Poole, K. T. (2015). Using Bayesian Aldrich-McKelvey Scaling to Study Citizens’ Ideological Preferences and Perceptions. American Journal of Political Science, 59(3):759–774.
Humphreys, M. and Laver, M. (2010). Spatial Models, Cognitive Metrics, and Majority Rule Equilibria. British Journal of Political Science, 40(01):11.
Jackman, S. (2009). Bayesian Analysis for the Social Sciences. Wiley, New York.
Jessee, S. A. (2012). Ideology and Spatial Voting in American Elections. Cambridge University Press, Cambridge.
Kramer, G. H. (1977). A dynamical model of political equilibrium. Journal of Economic Theory, 16(2):310–334.
Krosnick, J. A. (2002). The Challenges of Political Psychology: Lessons to Be Learned from Research on Attitude Perceptions. In Kuklinski, J. H., editor, Thinking about political psychology, pages 115–152. Cambridge University Press, Cambridge.
Laver, M. and Hunt, B. (1992). Policy and Party Competition. Routledge, London.
Lo, J., Proksch, S.-O., and Gschwend, T. (2014). A Common Left-Right Scale for Voters and Parties in Europe. Political Analysis, 22(2):205–223.
Lupia, A. (2016). Uninformed: Why People Seem to Know So Little about Politics and What We Can Do about It. Oxford University Press, Oxford.
McKelvey, R. (1976). Intransitivities in multidimensional voting models and some implications for agenda control. Journal of Economic Theory, 12(3):472–482.
Merrill, S. and Adams, J. (2002). Centrifugal Incentives in Multi-Candidate Elections. Journal of Theoretical Politics, 14(3):275–300.
Merrill, S. and Grofman, B. (1999). A unified theory of voting. Directional and proximity spatial models. Cambridge University Press, Cambridge.
Munger, M. C. and Munger, K. M. (2015). Choosing in Groups. Cambridge University Press, Cambridge.
Patty, J. W., Snyder, J. M., and Ting, M. (2009). Two’s company, three’s an equilibrium: strategic voting and multicandidate elections. Quarterly Journal of Political Science, 4(3):251–278.
Plott, C. R. (1967). A Notion of Equilibrium and Its Possibility Under Majority Rule. American Economic Review, 57(4):787–806.
Poole, K. T. and Rosenthal, H. (1985). A Spatial Model for Legislative Roll Call Analysis. American Journal of Political Science, 29(2):357–384.
Przeworski, A. and Teune, H. (1970). The Logic of Comparative Social Inquiry. Wiley, New York.
Rabinowitz, G. and Macdonald, S. E. (1989). A Directional Theory of Issue Voting. American Political Science Review, 83(1):93–121.
Schofield, N. and Sened, I. (2006). Multiparty Democracy: Elections and Legislative Politics. Cambridge University Press, Cambridge.
Shepsle, K. (1972). The Strategy of Ambiguity. American Political Science Review, 66(2):555–568.
Shikano, S. and Behnke, J. (2009). Issuewählen bei der Bundestagswahl 2005: Eine empirische Schätzung der Verlustfunktion der deutschen Wählerschaft. In Gabriel, O. W., Weßels, B., and Falter, J. W., editors, Wahlen und WÄhler, pages 251–266, Wiesbaden. VS Verlag.
Singh, S. (2014). Linear and quadratic utility loss functions in voting behavior research. Journal of Theoretical Politics, 26(1):35–58.
Thurner, P. W. (2000). The empirical application of the spatial theory of voting in multiparty systems with random utility models. Electoral Studies, 19(4):493–517.
Tiemann, G. (2003). Das “most different systems design” als Instrument zum Umgang mit multipler Kausalität. In Pickel, S., Pickel, G., Lauth, H.-J., and Jahn, D., editors, Vergleichende Politikwissenschaftliche Methoden. Neue Entwicklungen und Diskussionen, pages 265–287, Opladen. Westdeutscher Verlag.
Tomz, M. and Van Houweling, R. P. (2009). The Electoral Implications of Candidate Ambiguity. American Political Science Review, 103(1):83–98.
Train, K. E. (2009). Discrete Choice Methods Model with Simulation. Cambridge University Press, Cambridge.
van der Eijk, C., van der Brug, W., Kroh, M., and Franklin, M. (2006). Rethinking the dependent variable in voting behavior: On the measurement and analysis of electoral utilities. Electoral Studies, 25(3):424–447.
Wittman, D. (1973). Parties as Utility Maximizers. The American Political Science Review, 67(2):490–498.
Wittman, D. (1977). Candidates with policy preferences: A dynamic model. Journal of Economic Theory, 14(1):180–189.
Ye, M., Li, Q., and Leiker, K. W. (2011). Evaluating Voter–Candidate Proximity in a Non-Euclidean Space. Journal of Elections, Public Opinion & Parties, 21(4):497–521.
Danksagung
Ich danke Susumu Shikano für Rat und Hilfe bei der Spezifikation der statistischen Modelle, und ich danke den beiden anonymen Gutachtern für die ihre sehr wertvollen Kommentare und Vorschläge. Der Beitrag entstand im Rahmen des von der Fritz-Thyssen-Stiftung geförderten PRojekts „Lost in Space? The Emptiness of the Center and Centrifugal Determinants of Vote Choice and Party Competition in EP Elections“ (Az. 10.17.1.039PO).
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Appendix
Appendix
1.1 Das Datenmaterial des CSES-Projekts
1.1.1 Umfragesegmente des kumulierten „CSES-Trendfile“
Die empirischen Analysen in diesem Beitrag stützen sich ausschließlich auf das reichhaltige Datenmaterial des CSES-Projekts. Ich verwende den „CSES Harmonized Trend File“, der länder- und wahlspezifischen Umfragesegmente von 1996 bis 2011 standardisiert und für die empirische Datenanalyse aufbereiten. Dieser integrierte Datensatz wurde am Wissenschaftszentrum Berlin von Heiko Giebler, Josephine Lichteblau, Antonia May, Reinhold Melcher, Aiko Wagner und Bernhard Weßels zusammengestellt. Daten und Dokumentation sind auf den Webseiten des Projekts verfügbar (http://cses.org/datacenter/trendfile/trendfile.htm; Stand: 15. Dezember 2015).
Diese Aufbereitung ersten drei Wellen des CSES-Projekts integriert und harmonisiert diejenigen Variablen, die wiederholt, also in mindestens zwei Wellen, abgefragt wurden. Insgesamt vereinigt der CSES-Trendfile Datenmaterial aus 129 einzelnen Umfragesegmenten, die im Kontext von Wahlen zu nationalen Parlamenten und zur nationalen Präsidentschaft abgehalten wurden. Um die Vergleichbarkeit der untersuchten Wahlbefragungen zu gewährleisten, habe ich allein Wahlen zu nationalen Parlamenten (bei bikameralen Systemen zu den jeweiligen Unterhäusern) ausgewählt, die stärker personalisierten Präsidentschaftswahlen jedoch ausgeschlossen. Auch einige weitere Segmente konnten ich nicht berücksichtigen: Teils fehlten einige Schlüsselvariablen der Modelle, teils waren die Daten fehlerhaft oder inkonsistent, und einige Umfragesegmente waren so klein, dass keine sinnvollen Inferenzen möglich waren. Mit diesen Kriterien kann die Analyse nur neunzig der ursprünglich 128 Wahlsegmente aus insgesamt 44 verschiedenen Staaten aufnehmen:
Albanien (2005), Australien (1996, 2007), Bulgarien (2001), Brasilien (2002, 2010), Chile (2005), Deutschland (1998, 2002, 2005, 2009), Dänemark (1998, 2001, 2008), Estland (2011), Finnland (2003, 2007, 2011), Frankreich (2007), Großbritannien (1997, 2005), Griechenland (2009), Ungarn (1998, 2002), Irland (2002), Island (1999, 2003, 2007, 2009), Israel (2003, 2006), Italien (2006), Japan (1996), Kanada (1997, 2007), Korea (2000, 2004, 2008), die Niederlande (1998, 2002, 2006, 2010), Norwegen (1997, 2001, 2005, 2009), Kroatien (2007), Neuseeland (1996, 2002, 2008), Österreich (2008), Peru (2006, 2011), Polen (1997, 2001, 2005, 2007), Portugal (2002, 2005), Rumänien (1996), Russland (1999), die Schweiz (1999, 2003, 2007), die Slowakei (2010), Slowenien (1996, 2004, 2008), Schweden (1998, 2002), Spanien (1996, 2000, 2004, 2008), Südafrika (2009), Thailand (2007), die Türkei (2011), Taiwan (1996, 2001), die Tschechische Republik (1996, 2002, 2006, 2010), die Ukraine (1998), Uruguay (2009) und die USA (2004, 2008).
Auswahl und Operationalisierung von Schlüssel- und Kontrollvariablen werden im Text knapp vorgestellt und begründet. Genauere Information zur Formulierung, Erhebung und Aufbereitung der einzelnen Indikatoren stehen kumuliert auf der Seite des CSES-Trendfiles und individuell auf den jeweiligen Seiten der drei benutzten CSES-Wellen bereit (http://cses.org/). Komplette Replikationsarchive stelle ich auf Anfrage gern zur Verfügung.
1.1.2 JAGS Code für die Schätzung des Unsicherheitsmodells
model{ for(i in 1:N_V){ for(j in 1:N_P){ mu[i,j] < - beta[1,j] - alpha[1] * (abs(lr_i[i]-lr_ij.dist[i,j])^alpha[2]) emu[i,j] < - exp(mu[i,j]) p[i,j] <- emu[i,j]/sum(emu[i,1:N_P]) prec.lr[i,j] <- pow(unc_ij[i,j] * gamma,-2) lr_ij.dist[i,j] ~ dnorm(lr_ij[i,j], prec.lr[i,j]) } vote[i] ~ dcat(p[i,1:N_P]) } # PRIORS; # ALPHA; alpha[1:N_ALPHA] ~ dmnorm(a0, A0) # BETA; # identifying restriction; for(i in 1:N_BETA){ beta[i,1] < - 0 } for(i in 2:N_P){ beta[1:N_BETA,i] ~ dmnorm(b0,B0) } # GAMMA; gamma ~ dunif(0,3) }
Rights and permissions
Copyright information
© 2019 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Tiemann, G. (2019). Zur Spezifizierung von Risiko und Unsicherheit in räumlichen Modellen. In: Debus, M., Tepe, M., Sauermann, J. (eds) Jahrbuch für Handlungs- und Entscheidungstheorie. Jahrbuch für Handlungs- und Entscheidungstheorie. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-658-23997-8_3
Download citation
DOI: https://doi.org/10.1007/978-3-658-23997-8_3
Published:
Publisher Name: Springer VS, Wiesbaden
Print ISBN: 978-3-658-23996-1
Online ISBN: 978-3-658-23997-8
eBook Packages: Social Science and Law (German Language)