详细内容或原文请订阅后点击阅览
当不确定性大于冲击时：英国地方选举的情景建模
关于校准不确定性、历史误差以及为什么某些模型在拒绝预测时最有用的情景分析案例研究。文章《当不确定性大于冲击时：英国地方选举的情景建模》首先出现在《走向数据科学》上。
来源:走向数据科学在 64 个英国当局和 6 个 2026 年情景中，即使是最强烈的情景冲击也仅为不确定性中位数的 13%。
简而言之：模型的假设对结果的影响小于历史预测误差。我可以参数化的最激进的挑战者浪潮位于该模型在过去的选举中产生的噪音之中。这不是一个缺陷。这就是结果。
我构建了这个场景模型，期望假设之间能够清晰分离。我预计S3，挑战者浪潮，将占据主导地位。我期望我能捍卫自己的排名。我得到的是一个信封，其中最强烈的冲击位于校准的不确定性内，当在其顶部绘制间隔时，排名就会消失。
这是英国当地选举数据项目的第二部分。第 1 部分纠正了一个颠倒了原始标题的分类标准化错误。第 2 部分讨论了修正基线的结束位置，并提出了一个不同的问题：考虑到我们现在正确衡量的历史波动，哪些 2026 年情景值得建模，以及当不确定性大于冲击时我们应该如何解读它们？
建模的内容
2026 年英国地方选举定于 2026 年 5 月 7 日星期四举行。该项目涵盖当天举行选举的 64 个活跃当局：32 个伦敦行政区、27 个大都会行政区和 5 个西约克郡当局。六种情景对同一历史基线应用不同的假设。为每个场景×权威组合计算四个指标：volatility_score、delta_fi、swing_concentration 和turnout_delta。该模型生成 1,536 个输出行，每个输出行都有一个点估计值以及来自 2,000 次经验误差分布绘制的校准 P10、P50 和 P90 值。
每个场景都是受控扰动。标签描述的是假设，而不是结果。完整的交互式仪表板位于 Tableau Public 上。
方法：回测误差作为经验不确定性分布
两种设计选择决定了校准。