Почему именно 40%?
Где заканчивается математическая модель и начинается утверждение о реальности
После выборов в недружественных России ресурсах была опубликована оценка, согласно которой при официальной явке 59,32% ее «реальное» значение якобы составляло около 40%.
Далее из этой конструкции появились другие цифры: примерно 35–37% «реальной поддержки» одной из партий, около 20 процентных пунктов административного воздействия, а изменение результата другой партии в процессе подсчета было интерпретировано как возможное перераспределение голосов.
Проценты, графики, расчеты, математические модели.
Но главный вопрос остается элементарным: почему именно 40% названы реальными?
Не 45%. Не 50%. Не 30%.
Где доказательство того, что модель вычислила именно реальность, а не просто значение, которое получается при заложенных в нее предпосылках?
Вот мои личные соображения и вопросы, которые показывают недостоверность модели.
Смотрите сами.
1. Куда делись примерно 19 процентных пунктов?
Есть официально опубликованный показатель явки — 59,32%.
Ему противопоставляется произвольная оценка — около 40%.
Разница — примерно 19 процентных пунктов.
Если утверждается, что эта разница не соответствует реальному участию избирателей, ее необходимо доказательно объяснить.
Где она возникла?
На каких территориях?
На каких участках?
Какие конкретно данные предлагается считать искусственными?
На каком основании?
Простой пример. В аудитории пересчитали 59 человек. Аналитик посмотрел, как они расселись по рядам, построил график и сказал: «Реально здесь 40 человек».
Первый вопрос очевиден:
а остальные 19 куда делись?
Пока этого не показали, 40 — результат модели, а не независимо установленное количество людей.
С явкой действует тот же принцип.
2. Слово «реальная» требует отдельного доказательства
Можно сказать:
«При таких-то предпосылках модель дает около 40%».
Это нормальное научное утверждение. Его можно проверять, воспроизводить и обсуждать.
Но фраза:
«Реальная явка составляет около 40%»
намного сильнее.
Она означает, что исследователь претендует уже не просто на расчет, а на установление истинного значения.
Значит, нужны исходные данные, алгоритм, предпосылки, критерии исключения наблюдений, оценка погрешности, анализ чувствительности и независимая проверка результата.
Простой пример. Весы показывают 90 кг. Компьютерная модель говорит: «Реальный вес — 70 кг, остальные 20 кг статистически лишние».
Возникает не вопрос, красив ли алгоритм.
Возникает вопрос:
кто доказал, что именно этот алгоритм правильно измеряет вес?
3. Правильно посчитать можно неправильную вещь
Это принципиальный момент.
Математическая ошибка и ошибка модели — разные вещи.
Все действия могут быть выполнены безупречно, а итоговое утверждение о реальности — не следовать из них.
Простой пример. Между двумя городами 1000 км. Максимальная скорость автомобиля — 100 км/ч. Делим и получаем 10 часов.
Математика абсолютно правильная.
Но утверждение:
«Автомобиль реально проехал путь за 10 часов»
не доказано.
Он мог останавливаться, заправляться, попасть в пробку.
Ошибка не в делении.
Ошибка — в превращении упрощенной модели в описание фактической поездки.
С 40% вопрос ровно такой же.
4. «Необычное» еще не означает «искусственное»
Статистика может показать, что какая-то группа участков отличается от выбранной сравнительной модели.
Это полезная информация.
Но статистика сама не сообщает причину различия.
Простой пример. Обычно в больницу поступают 200 человек в сутки. Сегодня поступило 600.
Можно сказать:
«Показатель необычный».
Но нельзя только из этого заключить:
«400 пациентов приписали».
Может оказаться, что произошла крупная авария.
Поэтому статистическая особенность — основание проверить причину, а не готовое доказательство конкретной причины.
То же самое относится к выборам.
5. Где вообще взялась «норма»?
Особенно осторожно нужно обращаться с представлением о некотором «нормальном» электоральном распределении.
Голосуют не проценты и не графики.
Голосуют люди.
Где заканчивается математическая модель и начинается утверждение о реальности
После выборов в недружественных России ресурсах была опубликована оценка, согласно которой при официальной явке 59,32% ее «реальное» значение якобы составляло около 40%.
Далее из этой конструкции появились другие цифры: примерно 35–37% «реальной поддержки» одной из партий, около 20 процентных пунктов административного воздействия, а изменение результата другой партии в процессе подсчета было интерпретировано как возможное перераспределение голосов.
Проценты, графики, расчеты, математические модели.
Но главный вопрос остается элементарным: почему именно 40% названы реальными?
Не 45%. Не 50%. Не 30%.
Где доказательство того, что модель вычислила именно реальность, а не просто значение, которое получается при заложенных в нее предпосылках?
Вот мои личные соображения и вопросы, которые показывают недостоверность модели.
Смотрите сами.
1. Куда делись примерно 19 процентных пунктов?
Есть официально опубликованный показатель явки — 59,32%.
Ему противопоставляется произвольная оценка — около 40%.
Разница — примерно 19 процентных пунктов.
Если утверждается, что эта разница не соответствует реальному участию избирателей, ее необходимо доказательно объяснить.
Где она возникла?
На каких территориях?
На каких участках?
Какие конкретно данные предлагается считать искусственными?
На каком основании?
Простой пример. В аудитории пересчитали 59 человек. Аналитик посмотрел, как они расселись по рядам, построил график и сказал: «Реально здесь 40 человек».
Первый вопрос очевиден:
а остальные 19 куда делись?
Пока этого не показали, 40 — результат модели, а не независимо установленное количество людей.
С явкой действует тот же принцип.
2. Слово «реальная» требует отдельного доказательства
Можно сказать:
«При таких-то предпосылках модель дает около 40%».
Это нормальное научное утверждение. Его можно проверять, воспроизводить и обсуждать.
Но фраза:
«Реальная явка составляет около 40%»
намного сильнее.
Она означает, что исследователь претендует уже не просто на расчет, а на установление истинного значения.
Значит, нужны исходные данные, алгоритм, предпосылки, критерии исключения наблюдений, оценка погрешности, анализ чувствительности и независимая проверка результата.
Простой пример. Весы показывают 90 кг. Компьютерная модель говорит: «Реальный вес — 70 кг, остальные 20 кг статистически лишние».
Возникает не вопрос, красив ли алгоритм.
Возникает вопрос:
кто доказал, что именно этот алгоритм правильно измеряет вес?
3. Правильно посчитать можно неправильную вещь
Это принципиальный момент.
Математическая ошибка и ошибка модели — разные вещи.
Все действия могут быть выполнены безупречно, а итоговое утверждение о реальности — не следовать из них.
Простой пример. Между двумя городами 1000 км. Максимальная скорость автомобиля — 100 км/ч. Делим и получаем 10 часов.
Математика абсолютно правильная.
Но утверждение:
«Автомобиль реально проехал путь за 10 часов»
не доказано.
Он мог останавливаться, заправляться, попасть в пробку.
Ошибка не в делении.
Ошибка — в превращении упрощенной модели в описание фактической поездки.
С 40% вопрос ровно такой же.
4. «Необычное» еще не означает «искусственное»
Статистика может показать, что какая-то группа участков отличается от выбранной сравнительной модели.
Это полезная информация.
Но статистика сама не сообщает причину различия.
Простой пример. Обычно в больницу поступают 200 человек в сутки. Сегодня поступило 600.
Можно сказать:
«Показатель необычный».
Но нельзя только из этого заключить:
«400 пациентов приписали».
Может оказаться, что произошла крупная авария.
Поэтому статистическая особенность — основание проверить причину, а не готовое доказательство конкретной причины.
То же самое относится к выборам.
5. Где вообще взялась «норма»?
Особенно осторожно нужно обращаться с представлением о некотором «нормальном» электоральном распределении.
Голосуют не проценты и не графики.
Голосуют люди.