Direkt zum Hauptbereich

Zwischen #AfDErfolg und Medienberichten gibt es einen kausalen Effekt - und der lässt sich berechnen

BuzzFeed Deutschland hat Daten zusammengetragen, mit denen sich der Einfluss der Medien auf die Umfragewerte der AfD berechnen lässt. Wir zeigen, dass es einen statistischen Kausalzusammenhang zwischen der Häufigkeit der Berichte über die AfD und ihren Umfragewerten gibt. Hierfür verwenden wir Granger-Causality-Analyse. Das Ergebnis ist, dass vier bis fünf Wochen, nachdem vermehrt über die AfD berichtet wurde auch die Umfragewerte signifikant steigen.

Was ist in den Daten

Die Daten enthalten vor allem eine Zeitreihe mit wöchentlichen Aktivitäten zur Suche „AfD“ bei Google News (über Google Trends bezogen) und die Umfrageergebnisse der Afd in den Umfragen der Institute EMNID, Forschungsgruppe Wahlen, GMS, Infratest dimap, Forsa, INSA/YouGov und Allensbach.
Aus diesen Werten haben wir einen wöchentlichen Durchschnitt gebildet.
AfD-Umfragen/Google News, absolut

Die absoluten Werte geben erst einmal keinen Aufschluss über einen Zusammenhang.

Die Analyse

Zeitreihen haben häufig einen Trend. Würde man einfach zwei Zeitreihen vergleichen, die zufällig beide steigen oder fallen, würde der Eindruck eines Zusammenhangs entstehen. Daher wird der Trend aus den Daten entfernt. Dafür wird die Differenz von Woche zu Woche berechnet. Würde dies nicht reichen, dann würde die Differenz der Differenz genommen, usw. In unserem Fall lässt sich aber für beide Zeitreihen zeigen, dass die Differenz trendfrei ist.
AfD-Umfragen/Google News, Differenz

Die Differenz (also um wie viel die Berichterstattung oder die Umfragewerte pro Woche zu oder abgenommen haben) folgt sichtbar keinen Trend. Da die Ausschläge aber sehr unterschiedlich stark sind, kann man im Plot nicht viel erkennen. Für die folgenden Berechnungen ist das zwar egal, aber zur besseren Visualisierung haben wir die Daten auf eine einheitliche Skala gebracht.
AfD-Umfragen/Google News, Differenz, skalliert

Die Granger-Analyse fragt nun Folgendes: Lässt sich die eine Zeitreihe (Umfragen) besser durch ihre eigenen vorherigen Werte vorhersagen, oder durch ein Modell, das zusätzlich die vergangenen Werte einer zweiten Zeitreihe (Google News) enthält. Ist letzteres der Fall, dann ist die zweite Zeitreihe offenbar verantwortlich für einen Teil der Veränderungen der ersten. Der Kerngedanke dabei ist, dass die Ursache der Wirkung immer zeitlich vorausgeht. Findet man also einen Zusammenhang in Daten, der diese Chronologie aufweist, kann man daher von einem Kausalzusammenhang (Granger-Kausalität) ausgehen.


Mathematisch stellt sich das so dar:

Das erste Modell (Ω) ist eine multiple lineare Regression
Ω = yt = β0 + β1yt-1 +…+ βkyt-k + ewobei yt die Werte der ersten Zeitreihe sind und yt-k die vorrausgehender Werte bezeichnen. k gibt an, um wie viele Schritte man in die Vergangenheit geht. β bezeichnet die jeweiligen Regressionsparameter und e den verbleibenden Fehler des Modells.Das zweite Modell (π )ist sehr ähnlich: π = yt = β0 + β1yt-1 +…+ βkyt-k + α1xt-1 +…+ αkxt-k + e.Hier werden einfach zusätzlich die vergangenen Werte der zweiten Zeitreihe (Lags) integriert. Wären in der zweiten Formel alle α-Werte Null, dann wären die beiden Modelle identisch. Und genau das ist die Nullhypothese, die getestet wird:H0:  αi = 0 für alle i [1,k]H1: αi ≠ 0 für wenigstens ein i [1,k]
Statistisch wird dies mit dem „Wald-Test“ überprüft.

Um sicher zu gehen, dass nicht eine unbekannte dritte Variable beiden Zeitreihen beeinflusst, wiederholt man die Granger-Analyse zweimal und prüft einmal die Abhängigkeit der ersten von der zweiten Variable mit unterschiedlichen Lags und einmal umgekehrt die zweite gegen die erste Variable.
Für die AfD-Medien-Daten ist das Ergebnis eindeutig:
Die Umfragewerte haben keinen signifikanten Granger-Effekt (auf den 5%-Niveau) auf die Google-News-Daten mit Lags von 1-6.
Die Google-News-Daten beeinflussen aber die Umfragewerte signifikant mit den Lags 4, 5 und 6, wobei der Effekt bei Lag 5 am deutlichsten ist. Der p-Wert liegt hier bei unter 1%.

Was bedeutet dieses Ergebnis in normaler Sprache?

Die Analyse zeigt, dass die Zu- oder Abnahme in der Medienberichterstattung (Google-News) sich nach vier bis sechs Wochen auf die Umfrageergebnisse der AfD auswirken. Die Wahrscheinlichkeit, dass dieser Effekt bloß zufällig auftritt, ist (wenn man den Grundannahmen des Modells folgt) kleiner als 1%. D. h., würde man die Analyse 100 Mal wiederholen, dann wäre zu erwarten, dass eine dieser Analysen einen solchen Effekt finden würde, obwohl es ihn gar nicht gibt.

Das Modell lässt sich veranschaulichen, wenn wir die Daten erneut plotten, diesmal aber so, dass die Google-News-Veränderungen von vor fünf Wochen über den aktuellen Umfragewerten liegen.
AfD-Umfragen/Google News, Differenz, skalliert, Lag 5

Man kann sehen, dass die Zeitreihen jetzt „besser“ zueinander passen und die Richtung der Veränderungen häufiger identisch ist.

Da es sich bei den Modelle im Prinzip um klassische Regressionsmodelle handelt, können wir mit der Analyse noch einen Schritt weitergehen. Der beigefügte R-Code zeigt, wie die Modelle nachgebaut wurden. Vergleicht man die Auswertungen, werden die Ergebnisse weiter untermauert. Dass Modell mit den Google-News ist insgesamt signifikant, die Effektrichtung ist positiv (wenn mehr über die AfD berichtet wird, steigen die Umfragewerte) und das Modell erklärt etwa 8% der Varianz (im Durchschnitt sind die Google-News also kausal für 8% der Veränderungen der Umfragen verantwortlich).
Da wir das Modell nun spezifiziert haben, können wir auch graphisch darstellen, welche Werte das Modell vorhergesagt hat und welche Unsicherheit im Modell ist. Die orange Linie zeigt die Prognose und die schwarzen Kurven geben die Werte an, die laut Modell mit 95-prozentiger Wahrscheinlichkeit erwartet würden.
AfD-Umfragen/Modell

Klar, die blaue Linie mit den wirklichen Umfrageergebnissen bewegt sich (zu-) häufig außerhalb des Konfidenzintervalls, aber das Modell erklärt ja auch nur 8% des Zusammenhangs.

Zum Abschluss können wir jetzt noch die Differenz, die ja das Modell vorhersagt, in absolute Werte zurückrechnen und eine kleine Simulation durchführen.

Was wäre passiert, wenn die Medien in den letzten Wochen gar nicht über die AfD berichtet hätten?

AdF-Umfragen/Simulation, absolut

Hätten die Medien nicht mehr über die AfD berichtet, die Umfragewerte wären vermutlich auf 6% zurückgegangen anstatt auf 11% zu steigen. Die schwarze Linie zeigt, ab welchen Zeitpunkt die Google-News-Werte für die Simulation auf Null gesetzt wurden. Man sieht aber auch, dass die absoluten Werte insgesamt deutlicher vom Modell abweichen, weil sich die Unterschiede in den Differenzen hier aufaddieren.

Bewertung

Viel über die AfD berichten führt zu steigenden Umfragewerten. Ob zu viel über die AfD berichtet wurde, ist eine ganz andere Frage. Aufgabe der Medien ist es sicher nicht, die AfD künstlich klein zu halten. Hätten die Medien einfach nicht mehr über die AfD berichtet, wären sie ihrem Auftrag sicherlich nicht nachgekommen. Die Gefahr, die AfD mit der Berichterstattung groß zu machen, ist – laut unserer Analyse – aber tatsächlich gegeben. Insofern ist es wichtig, dass Journalistinnen und Journalisten sich ihrer Verantwortung bei der Berichterstattung bewusst sind.

Diskussion: Granger-Kausalität versus Kausalität


In der Statistik hat man es häufig mit Korrelationen zu tun. D. h. wir finden ungerichtete Zusammenhänge. Wir wissen, zwei Ereignisse treten mit einer gewissen Wahrscheinlichkeit gemeinsam auf und schließen daher auf einen Zusammenhang. Wir wissen aber nicht, was was bedingt. Die Granger-Analyse geht hier einen wichtigen Schritt weiter: Sie zeigt einen gerichteten Zusammenhang auf: A beeinflusst B und nicht umgekehrt. Dennoch ist dieses statistische Verfahren nicht mit dem philosophischen Konzept der Kausalität zu verwechseln. Wenn wir normalerweise über Ursache und Wirkung sprechen, dann haben wir Gesetze gefunden, die diese Effekte erklären. Diesen Schritt liefert die Granger-Analyse nicht. Wir wissen nicht, warum die Umfragen fünf Wochen nach der Berichterstattung steigen. Solange die Wirklichen Zusammenhänge nicht klar sind, sondern „nur“ die zeitliche Abfolge von Ursache und Wirkung untersucht wurde, lässt sich das Verhältnis von Medienberichterstattung und AfD-Erfolg auch nicht abschließend bestimmen. Dass es aber einen Effekt gibt, haben wir ziemlich sicher nachgewiesen.

PS: Die Datenlage könnte besser sein

Die Daten von Google-Trends sind mit Vorsicht zu genießen und spiegeln nicht direkt die Häufigkeit der Medienberichterstattung wider. Wir haben allerdings auch die Erwähnung in der Zeit herangezogen und kommen zu ähnlichen Ergebnissen. Eine Wiederholung dieser Analyse mit Umfangreichen Mediendaten wäre aber angebracht.

R-Code


library(forecast)
library(zoo)
##
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
df <- read.csv("./Data/AfDMedien.csv", dec = ",")
colnames(df)
## [1] "KW" "Google.Suche"
## [3] "Google.News" "ZEIT"
## [5] "EMNID" "FG.Wahlen"
## [7] "GMS" "Infratest"
## [9] "Forsa" "INSA...YouGov"
## [11] "Allensbach" "X"
## [13] "Google..kombiniert." "ZEIT.1"
## [15] "Durchschnitt.Prognosen" "Durchschnitt.Prognosen.Faktor5"
df$Google.News
## [1] 24 20 22 23 21 17 22 14 13 13 13 14 15 13 12 17 16
## [18] 18 26 33 33 26 20 18 18 27 55 32 25 19 16 15 15 17
## [35] 20 22 21 25 28 36 36 56 39 41 42 47 40 44 41 40 31
## [52] 40 52 50 62 80 106 72 92 75 63 107 121 75 68 37 43 51
## [69] 62 75 59 52 63 78 89 57 46 36 60 53 50 57 42 42 55
## [86] 57 74 81 66 70 49 50 44 40 42 33 44 36 50 35 33 37
## [103] 65 42 44 43 64 66 53 42 49 39 42 43 38 41 50 39 44
## [120] 75 63 45 42 44 37 32 26 30 32 26 22 22 25 30 29 22
## [137] 34 37 40 83 82 NA NA
df$Durchschnitt.Prognosen
## [1] 5.00 6.38 6.50 6.25 6.20 5.75 6.63 6.00 6.50 6.88 6.30
## [12] 6.38 5.70 5.75 5.83 5.75 6.13 5.33 5.50 5.25 5.08 4.83
## [23] 5.00 4.50 4.70 4.38 4.50 3.67 3.90 3.60 3.25 3.33 3.50
## [34] 3.50 3.63 3.88 4.20 4.40 5.25 5.50 6.00 6.83 7.08 7.50
## [45] 8.00 8.25 8.42 8.50 8.63 8.60 8.80 8.83 8.00 8.70 10.10
## [56] 10.83 9.40 11.63 11.33 10.83 10.88 10.63 10.83 12.25 12.50 12.00
## [67] 12.20 11.17 12.00 12.17 12.88 12.75 13.30 13.67 13.00 11.67 12.50
## [78] 12.00 11.67 11.30 10.30 10.42 11.00 11.25 11.00 11.38 9.00 13.13
## [89] 13.33 13.75 13.92 13.83 13.50 13.20 13.00 12.50 12.20 12.13 12.00
## [100] 12.50 12.17 12.40 12.25 12.10 13.75 13.40 13.00 12.17 12.33 11.75
## [111] 10.75 10.00 9.50 10.00 9.40 9.83 9.90 8.25 8.75 9.50 9.25
## [122] 8.60 8.75 8.75 8.20 7.75 8.00 8.00 8.00 7.50 7.50 7.67
## [133] 8.50 8.00 8.50 8.50 8.20 8.00 8.83 9.20 9.21 8.80 10.00
# png("Absolut.png", type = "cairo", width = 16, height = 10, res = 600, units = "cm")
plot.ts(df$Google.News, col="orange", ylim=c(0,125), xlab = "Weeks", ylab = "")
points(df$Durchschnitt.Prognosen, type = "l", col="darkblue")
legend("topleft", c("Google News", "Mean Polls"), lty=c(1,1), col= c("orange", "darkblue"))
# dev.off()
Polls <- zoo(df$Durchschnitt.Prognosen)
GN <- zoo(df$Google.News)

ndiffs(Polls, alpha=0.05, test=c("kpss"))
## [1] 1
ndiffs(GN, alpha=0.05, test=c("kpss"))
## [1] 1
# differenced time series
GNDiff <- diff(GN)
PollsDiff <- diff(Polls)

# png("Differenz.png", type = "cairo", width = 16, height = 10, res = 600, units = "cm")
plot.ts(GNDiff, col="orange", xlab = "Weeks", ylab = "")
points(PollsDiff, type = "l", col="darkblue")
legend("topleft", c("Google News", "Mean Polls"), lty=c(1,1), col= c("orange", "darkblue"))
# dev.off()

# png("DifferenzScaled.png", type = "cairo", width = 16, height = 10, res = 600, units = "cm")
plot.ts(scale(GNDiff), col="orange", xlab = "Weeks", ylab = "", ylim = c(-4,6))
points(scale(PollsDiff), type = "l", col="darkblue")
legend("topleft", c("Google News", "Mean Polls"), lty=c(1,1), col= c("orange", "darkblue"))
# dev.off()

library(lmtest)
grangertest(GNDiff ~ PollsDiff, order=1)
## Granger causality test
##
## Model 1: GNDiff ~ Lags(GNDiff, 1:1) + Lags(PollsDiff, 1:1)
## Model 2: GNDiff ~ Lags(GNDiff, 1:1)
## Res.Df Df F Pr(>F)
## 1 135
## 2 136 -1 0.0268 0.8701
grangertest(GNDiff ~ PollsDiff, order=2)
## Granger causality test
##
## Model 1: GNDiff ~ Lags(GNDiff, 1:2) + Lags(PollsDiff, 1:2)
## Model 2: GNDiff ~ Lags(GNDiff, 1:2)
## Res.Df Df F Pr(>F)
## 1 132
## 2 134 -2 0.7111 0.493
grangertest(GNDiff ~ PollsDiff, order=3)
## Granger causality test
##
## Model 1: GNDiff ~ Lags(GNDiff, 1:3) + Lags(PollsDiff, 1:3)
## Model 2: GNDiff ~ Lags(GNDiff, 1:3)
## Res.Df Df F Pr(>F)
## 1 129
## 2 132 -3 0.9118 0.4373
grangertest(GNDiff ~ PollsDiff, order=4)
## Granger causality test
##
## Model 1: GNDiff ~ Lags(GNDiff, 1:4) + Lags(PollsDiff, 1:4)
## Model 2: GNDiff ~ Lags(GNDiff, 1:4)
## Res.Df Df F Pr(>F)
## 1 126
## 2 130 -4 1.7909 0.1347
grangertest(GNDiff ~ PollsDiff, order=5)
## Granger causality test
##
## Model 1: GNDiff ~ Lags(GNDiff, 1:5) + Lags(PollsDiff, 1:5)
## Model 2: GNDiff ~ Lags(GNDiff, 1:5)
## Res.Df Df F Pr(>F)
## 1 123
## 2 128 -5 1.9173 0.09615 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
grangertest(GNDiff ~ PollsDiff, order=6)
## Granger causality test
##
## Model 1: GNDiff ~ Lags(GNDiff, 1:6) + Lags(PollsDiff, 1:6)
## Model 2: GNDiff ~ Lags(GNDiff, 1:6)
## Res.Df Df F Pr(>F)
## 1 120
## 2 126 -6 1.5983 0.1534
grangertest(PollsDiff ~ GNDiff, order=1)
## Granger causality test
##
## Model 1: PollsDiff ~ Lags(PollsDiff, 1:1) + Lags(GNDiff, 1:1)
## Model 2: PollsDiff ~ Lags(PollsDiff, 1:1)
## Res.Df Df F Pr(>F)
## 1 135
## 2 136 -1 0.0029 0.9574
grangertest(PollsDiff ~ GNDiff, order=2)
## Granger causality test
##
## Model 1: PollsDiff ~ Lags(PollsDiff, 1:2) + Lags(GNDiff, 1:2)
## Model 2: PollsDiff ~ Lags(PollsDiff, 1:2)
## Res.Df Df F Pr(>F)
## 1 132
## 2 134 -2 0.0205 0.9797
grangertest(PollsDiff ~ GNDiff, order=3)
## Granger causality test
##
## Model 1: PollsDiff ~ Lags(PollsDiff, 1:3) + Lags(GNDiff, 1:3)
## Model 2: PollsDiff ~ Lags(PollsDiff, 1:3)
## Res.Df Df F Pr(>F)
## 1 129
## 2 132 -3 1.5141 0.214
grangertest(PollsDiff ~ GNDiff, order=4)
## Granger causality test
##
## Model 1: PollsDiff ~ Lags(PollsDiff, 1:4) + Lags(GNDiff, 1:4)
## Model 2: PollsDiff ~ Lags(PollsDiff, 1:4)
## Res.Df Df F Pr(>F)
## 1 126
## 2 130 -4 2.8434 0.02685 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
grangertest(PollsDiff ~ GNDiff, order=5)
## Granger causality test
##
## Model 1: PollsDiff ~ Lags(PollsDiff, 1:5) + Lags(GNDiff, 1:5)
## Model 2: PollsDiff ~ Lags(PollsDiff, 1:5)
## Res.Df Df F Pr(>F)
## 1 123
## 2 128 -5 3.401 0.006512 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
grangertest(PollsDiff ~ GNDiff, order=6)
## Granger causality test
##
## Model 1: PollsDiff ~ Lags(PollsDiff, 1:6) + Lags(GNDiff, 1:6)
## Model 2: PollsDiff ~ Lags(PollsDiff, 1:6)
## Res.Df Df F Pr(>F)
## 1 120
## 2 126 -6 2.8628 0.01215 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
# png("DifferenzScaledLag5.png", type = "cairo", width = 16, height = 10, res = 600, units = "cm")
plot.ts(scale(GNDiff), type="n", ylim=c(-4,6), xlab = "Weeks", ylab = "")
points(scale(lag(GNDiff,5)), type= "l", col ="orange")
points(scale(PollsDiff), type = "l", col ="darkblue")
legend("topleft", c("Google News", "Mean Polls"), lty=c(1,1), col= c("orange", "darkblue"))
# dev.off()

dfLaged <- cbind.data.frame(PollsDiff[6:142], PollsDiff[5:141], PollsDiff[4:140],
PollsDiff[3:139], PollsDiff[2:138], PollsDiff[1:137],
GNDiff[6:142], GNDiff[5:141], GNDiff[4:140],
GNDiff[3:139], GNDiff[2:138], GNDiff[1:137])
colnames(dfLaged) <- c("Polls", "P1","P2", "P3", "P4","P5", "N", "N1", "N2", "N3", "N4","N5")
dfLaged <- dfLaged[-137,]
fit <- lm(Polls ~ P1+P2+P3+P4+P5+N1+N2+N3+N4+N5, data = dfLaged)
fit2 <- lm(Polls ~P1+P2+P3+P4+P5, data = dfLaged)
summary(fit)
##
## Call:
## lm(formula = Polls ~ P1 + P2 + P3 + P4 + P5 + N1 + N2 + N3 +
## N4 + N5, data = dfLaged)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.37554 -0.34122 -0.01428 0.37251 3.04921
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.017111 0.057831 0.296 0.76782
## P1 -0.305120 0.090293 -3.379 0.00097 ***
## P2 -0.056746 0.094282 -0.602 0.54834
## P3 0.052301 0.090344 0.579 0.56369
## P4 0.088117 0.088150 1.000 0.31942
## P5 0.056641 0.085772 0.660 0.51024
## N1 0.004969 0.004787 1.038 0.30123
## N2 0.011644 0.004793 2.429 0.01656 *
## N3 0.013095 0.005136 2.550 0.01199 *
## N4 0.008919 0.005255 1.697 0.09216 .
## N5 -0.002617 0.005195 -0.504 0.61530
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.6717 on 125 degrees of freedom
## Multiple R-squared: 0.1515, Adjusted R-squared: 0.0836
## F-statistic: 2.231 on 10 and 125 DF, p-value: 0.0199
summary(fit2)
##
## Call:
## lm(formula = Polls ~ P1 + P2 + P3 + P4 + P5, data = dfLaged)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.3828 -0.3601 0.0155 0.3702 3.5233
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.024634 0.059639 0.413 0.68026
## P1 -0.233168 0.087540 -2.664 0.00871 **
## P2 -0.005796 0.089650 -0.065 0.94855
## P3 0.064443 0.089634 0.719 0.47346
## P4 0.075378 0.090277 0.835 0.40527
## P5 0.045785 0.086785 0.528 0.59870
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.6937 on 130 degrees of freedom
## Multiple R-squared: 0.05887, Adjusted R-squared: 0.02268
## F-statistic: 1.626 on 5 and 130 DF, p-value: 0.1574
waldtest(fit, fit2)
## Wald test
##
## Model 1: Polls ~ P1 + P2 + P3 + P4 + P5 + N1 + N2 + N3 + N4 + N5
## Model 2: Polls ~ P1 + P2 + P3 + P4 + P5
## Res.Df Df F Pr(>F)
## 1 125
## 2 130 -5 2.7284 0.02245 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
GNnew <- GN
GNnew[134:143] <- 0
GNDiffN <- diff(GNnew)
dfLagedN <- cbind.data.frame(PollsDiff[6:142], PollsDiff[5:141], PollsDiff[4:140],
PollsDiff[3:139], PollsDiff[2:138], PollsDiff[1:137],
GNDiffN[6:142], GNDiffN[5:141], GNDiffN[4:140],
GNDiffN[3:139], GNDiffN[2:138], GNDiffN[1:137])
colnames(dfLagedN) <- c("Polls", "P1","P2", "P3", "P4","P5", "N", "N1", "N2", "N3", "N4","N5")

reDiff <- function(x,s){
a <- c(as.numeric(s[1]))
for (i in 2:length(x)){
a <- c(a, a[i-1]+as.numeric(x[i-1]))
}
return(a)
}
sim <- predict(fit, newdata = dfLagedN, interval = "confidence")
# png("DifferenzScaledConf.png", type = "cairo", width = 16, height = 10, res = 600, units = "cm")
plot(as.numeric(PollsDiff[-c(1:5)]), type="l", col = "darkblue", xlab = "Weeks", ylab = "")
points(sim[,1], type = "l", col="orange")
points(sim[,2], type = "l", col="black")
points(sim[,3], type = "l", col="black")
# dev.off()

simM <- reDiff(sim[,1], Polls[1])
# png("Sim.png", type = "cairo", width = 16, height = 10, res = 600, units = "cm")

plot(as.numeric(Polls[-c(1:5)]), type="l", col = "darkblue", xlab = "Weeks", ylab = "")
points(simM, type = "l", col="lightblue")
legend("topleft", c("Simulation", "Mean Polls"), lty=c(1,1), col= c("lightblue", "darkblue"))
abline(v=128)
# dev.off()

par(mfrow=c(2,2))
plot(fit)

Kommentare

  1. Sehr schön erklärt, schön auch, den Code zu veröffentlichen.

    AntwortenLöschen
  2. Vielen Dank für die Analyse! Ich habe es als Bürger besorgt mitverfolgt, wie die AfD und ihr Kernthema Flüchtlinge insbesondere die Talkshows total dominiert haben, obwohl wir uns als Gesellschaft viel stärker mit Wirtschaftsproblemen und vor allem dem Klimawandel beschäftigen sollten. Ich bin mir sicher, dass die Berichterstattung über die AfD die Einstellungen der Bürger beeinflusst.

    Wie wollen sie aber ausschließen, dass externe Ereignisse (vor allem in Bezug auf Flüchtlinge) oder Äußerungen von (AfD-)Politikern sowohl Erwähnung in den Nachrichten wie auch die Einstellung der Bevölkerung zur AfD beeinflussen? Sie schreiben, dass sie dies "überprüfen", indem sie einmal Erwähnungen auf Umfragen und dann Umfragen auf Erwähnungen mit verschiedenen lags regredieren. Das erscheint mir unsinnig; Regressionen sind genauso wie Korrelationen symmetrisch. Wenn Y auf X einen positiven Koeffizienten hat, wird X auf Y ebenfalls einen positiven Koeffizienten haben, etc. (der Beweis ist einfach). Wenn ihr Vorgehen korrekt wäre, hieße das schließlich, dass alle Probleme der kausalen Inferenz gelöst werden könnten, wenn man nur Variablen-Messungen über Zeit hätte. Das ist absurd! In diesem Zusammenhang kann ich ihnen die Bücher von Judea Pearl zu kausaler Inferenz (vor allem den "Primer") ans Herz legen, die zeigen, dass Kausalität keinesweges ein (rein) "philosophisches" Problem ist.

    Ihre Analyse impliziert auch, dass jegliche Berichterstattung über die AfD deren Umfragewerte nach oben treibt. Das erscheint mir auch zweifelhaft; warum sollte negative Berichterstattung zu höheren Umfragewerten führen?

    Insofern würde ich mir eine vorsichtigere Interpretation der Ergebnisse wünschen.

    Liebe Grüße, Julian

    AntwortenLöschen
  3. Nein, die Granger-Kausalität ist gerade nicht symetrisch. Es ist ja nicht möglich, dass Umfragen, die erst in fünf Wochen stattfinden, heute einen Effekt haben. Deshalb haben wir keine Korrelationen berechnet.

    AntwortenLöschen

Beliebte Posts aus diesem Blog

Kritik an dem Science-Artikel der Priesemann-Gruppe „Inferring change points in the spread of COVID-19 reveals the effectiveness of interventions“

Der Science-Artikel von Dehning et al. (2020) gilt als Beleg für die Effektivität der Corona-Maßnahmen in Deutschland im März 2020. Wir glauben, dass der Artikel gravierende Fehler enthält und daher nichts darüber aussagt, ob insbesondere das Kontaktverbot vom 23.03.2020, irgendeinen Effekt hatte. Unsere Kritik haben wir bei Science eingereicht und sie ist hier zu finden: https://science.sciencemag.org/content/369/6500/eabb9789/tab-e-letters Im folgenden übersetze ich unseren Beitrag und gehe anschließend auf die Frage ein, wie Wissenschaft unter COVID-19-Bedingungen funktioniert und was daran bedenklich ist. Eine Kritik an ‘Inferring change points in the spread of COVID-19 reveals the effectiveness of interventions’ Wir haben den Artikel ‘Inferring change points in the spread of COVID-19 reveals the effectiveness of interventions’ analysiert und dabei gravierende Unstimmigkeiten im Design der Studie festgestellt: Anstatt das Datum der Wendepunkte (wann sich die COVID-19-Entwicklung i

Der Nutzerismus: Eine Ideologie mit totalitärem Potential

Ich glaube, dass wir derzeit den Aufstieg einer Ideologie erleben, die ich Nutzerismus nennen möchte. Hannah Arendt hat darauf hingewiesen, dass jede Ideologie zu einem totalitaristischen Regime führen kann und es gibt ernste Anzeichen, dass dies auch für den Nutzerismus gilt.  Was ist der Nutzerismus? Wie bei jeder Ideologie ist der Kerngedanke sehr einfach: Im Prinzip gibt es für alle gesellschaftlichen Probleme eine technische Lösung. Leider wenden die Menschen die richtigen Technologien nicht an. Sie nehmen ihre Rolle als Nutzer nicht wahr. Es geht dem Nutzerismus also um das Zusammenspiel von Mensch und Technik, allerdings immer wieder aus der gleichen Perspektive. Die Technik kommt vor als potentielle Lösung eines gesellschaftlichen Problems. Eventuell fehlt die perfekte Lösung noch, aber das ist dann als Auftrag an die Wissenschaft und die Ingenieure zu verstehen. Dieser Technikglaube hat etwas sehr Naives. Er abstrahiert zum Beispiel von allen Interessen, für die Technologien

Was man an der COVID-Politik über Faschismus lernen kann

Kritiker der Corona-Politik führen immer häufiger den Begriff Faschismus im Munde, um die politischen Maßnahmen zu beschreiben. Einerseits ist damit natürlich eine polemische Ablehnung verbunden: Wer will schon für Faschismus sein? Generell ist der moralische Vorwurf, etwas sei faschistisch oder faschistoid in der demokratischen Auseinandersetzung durchaus geläufig. Dabei wird jedoch meist auf etwas verwiesen, was zum demokratischen Staat dazu gehört und gerade keinen Faschismus begründet: Die Polizei, die das Gewaltmonopol durchsetzt, ist keine faschistische Organisation, ein Parlament, welches Bürgerrechte einschränkt, ist kein Beleg für die faschistische Aufhebung des Rechtsstaats und ein Medienartikel, der dazu aufruft, Bürger sollen Straftäter anzeigen, ist keine faschistische Propaganda, usw. All dies sind Beispiele für das Leben in demokratischen Gemeinwesen. Anstatt die Demokratie also immer gleich auf dem Weg in den Faschismus zu wähnen, wäre es angebracht, sich zu fragen, war