如何看待民調偏差？從地區效應到跟風效應（下）

文／王宏恩

在上一篇文中，我們使用2014年民調分析，發現全部民調平均而言有3.7%的泛藍偏差，但是各個民調機構的整體偏差不大，反而更重要的是各縣市。不同民調機構，在各縣市幾乎都會朝相同的方向偏差，要嘛一起偏藍、要嘛一起偏綠、要嘛一起很準。為何會有這樣的地區效應？

有兩種可能的解釋，一種就是這些民調機構會互相參考，不敢做出差太多的結果，所以就一起偏。這雖然實務上存在，但解釋力不大。更有可能的狀況，是選民在不同的選區有集體偏差，可能在泛藍的選區，泛綠選民就比較低調，而在泛綠選區，泛藍選民就比較不想回答民調。

國民黨強勢的地方民調呈現泛藍偏差　同理可證國民黨弱勢地區民調顯示朝綠

要驗證這樣的解釋，最簡單的方式就是把選後各選區的國民黨得票率，比較選前各民調機構的國民黨偏差比例，我就做了下面這張圖。

這個結果完全證實了我們的跟風假設，在國民黨比較強勢的縣市（分布圖右半側），無論是哪家民調機構，都顯著得比較容易做出朝泛藍偏差的民調結果。但假如在國民黨比較弱勢的地區（分布圖左半側），則各民調機構都比較容易做出朝綠偏差的民調結果。

從圖上的線性回歸估計來說，假如在國民黨能拿到50%選票的地方，各機構選前平均會估國民黨拿到60%的票；但假如國民黨只能拿到30%的票的地方，各民調機構只會估國民黨拿到20%的票。而在國民黨大概能拿到40%的票的地方（例如台北市），則各民調機構大概就能準確估到國民黨拿到40%的票。

這個結果是非常明顯的。我進一步透過多元回歸模型，把估計偏差當作依變數，把各地區、各民調機構、以及國民黨最後選舉結果放進模型當自變數，結果發現當國民黨選後結果放進去後，民調機構的機構效應就完全消失了，在統計上並不存在。當然各地方還是會有一些地區性差異，但這大致上可以說是因為候選人素質、選舉風氣、競爭程度等。

我接著把原本的自變數估計偏差換成另一種計算方式，我不再等比例放大選前民調的泛藍跟泛綠的數字，而是單純用泛藍減去泛綠，得到『民調裡泛藍贏幾％』，然後把這數字跟選後結果裡『選舉結果裡泛藍贏幾％』，兩者再相減，得到『民調的泛藍比大選的泛藍多贏泛綠幾%』，用這數字來估計各民調機構或各地是否存在泛藍偏差。就總平均來說，這八家民調機構在選前會高估泛藍贏過泛綠多8%的票。但事後分析的結果基本上跟之前的分析都一模一樣，民調機構偏差是來自於各縣市的跟風狀況，例如在桃園跟新竹縣嚴重高估泛藍淨得票，在宜蘭高雄低估泛藍淨得票，而偏差主要不是來自於各民調機構的結果。使用回歸模型，同樣可以驗證跟風的這個假設。

從2014年經驗便可判定，民調機構2018仍可能高估或低估特定候選人

這個結果給我們對2018現在的民調跟結果有很大的啟示。現在無論是對泛藍友善或對泛綠友善的媒體或民調公司，可能都集體做出對某些候選人不利的民調，這些民調結果因為同時被泛綠跟泛藍的媒體報出來，讓大家覺得特別有公信力，彷彿這就是最終選舉結果了。

但從2014的經驗就知道，這些民調機構即使到了2018年，還是很可能會一起高估或一起低估特定的候選人，民調機構在不同的縣市會陷入不同程度的集體迷思，例如他們在2014的新竹縣一起高估國民黨多拿30%的票、他們在2014的桃園市一起高估國民黨多拿20%的票、或者它們一起在宜蘭縣低估國民黨5%的票等等。

這樣的集體迷思，跟各選區的選戰狀況以及民眾跟風情況有關，而到底偏差多大，也要到真正開票出來才能見真章了。

（示意圖製作－放言視覺設計部鄭羽彤）