Otkrivanje naglih promena u obrascima izlaznosti i glasanja tokom dana izbora
Uvod
Izborni podaci prikupljeni tokom dana, bilo da se odnose na izlaznost, broj prijavljenih birača, glasove po kandidatima ili nevažeće listiće, obično pokazuju relativno stabilne obrasce u vremenskoj seriji. Kada se ti obrasci naglo promene, često je razlog intervencija u procesu glasanja ili brojanja.
Metodologije sekvencijalnih testova i testova prekida trenda (eng. changepoint detection) osmišljene su da otkriju tačno kada se dogodila takva promena, bilo da je reč o neočekivanom skoku u izlaznosti, porastu u podršci jednom kandidatu ili sistematskoj promeni u uzorku glasanja.
Intuitivno objašnjenje
Zamislite da posmatrate tok izlaznosti po satima: od 7h do 13h izlaznost raste za oko 2% na sat, sve do 14h, kada odjednom izlaznost skače za 6%, a zatim se u naredna dva sata povećava po 5% na sat. Da li se promenilo ponašanje birača? Ili se dogodilo nešto drugo, npr. naređenje stranačkih struktura da se aktivira „sigurna baza“?
Sekvencijalni testovi upravo služe tome: da matematički identifikuju tačku u vremenu kada se režim podataka menja, tj. tačku prekida.
Teorijska osnova
1. Detekcija prekida trenda
Osnovni model pretpostavlja da posmatrana sekvenca \(x_1, x_2, …, x_n\) dolazi iz dve (ili više) različitih distribucija:
\(x_i \sim \begin{cases} \mathcal{N}(\mu_1, \sigma^2) & i \leq \tau \\ \mathcal{N}(\mu_2, \sigma^2) & i > \tau \end{cases}\)Gde je:
- \(\tau\) — tačka prekida,
- \(\mu_1, \mu_2\) — proseci pre i posle prekida.
Zadatak je proceniti gde se nalazi \(\tau\), tj. kada dolazi do promene režima.
2. Statistički testovi
- CUSUM test: prati kumulativne razlike u srednjim vrednostima.
- Test količnika verodostojnosti (TKV) (eng. Likelihood Ratio Test, LRT): testira da li se u tački \(\tau\) značajno menja raspored.
- Bajesovska detekcija tačke prekida (eng. Bayesian changepoint detection): koristi verovatnosni pristup sa više mogućih tačaka prekida.
Tipovi manipulacija koje otkriva
- Nagla aktiviranje stranačke mašinerije (mobilizacija glasača pred zatvaranje birališta)
- Ubacivanje fiktivnih listića u drugoj polovini dana
- Sistematska zamena rezultata pri unosu glasova
- Pojava „presecanja“ rasporeda izlaznosti u regionalnim skupovima
Ova metoda ne zahteva unapred definisan normalan raspored, koristi se i za proporcije, brojke po satu, pa čak i tok unosa rezultata iz opština.
Primena u Excel-u i R-u
📊 U Excel-u:
Ručno teško primenljivo osim za vrlo jednostavne sekvence. Može se koristiti za vizualno detektovanje prekida trenda, ali bez formalnog testa.
📈 U R-u:
Za ozbiljnu analizu koristi se paket changepoint.
install.packages("changepoint")
library(changepoint)
library(ggplot2)
# Simulirani podaci: 7–13h normalan rast, posle 14h skok
izlaznost <- c(2.1, 2.3, 2.2, 2.4, 2.5, 2.6, 2.4, 4.0, 5.1, 5.0, 4.8, 4.9, 5.2, 5.4)
res <- cpt.mean(izlaznost, method = "PELT")
ggplot(df, aes(x = vreme, y = izlaznost)) +
geom_line(color = "steelblue", size = 1) +
geom_vline(xintercept = cpts(cp), linetype = "dashed", color = "red") +
labs(
title = "Test prekida trenda izlaznosti",
x = "Vremenski indeks",
y = "Kumulativna izlaznost (%)"
) +
theme_minimal()
Ovaj kod automatski identifikuje tačku prekida i prikazuje je na grafiku.
Realne primene i reference
🟥 Rusija (2012):
Analiza izlaznosti u moskovskom regionu otkrila je da je do 15h izlaznost rasla stabilno, ali da je od 16h do kraja dana usledio neobjašnjiv prelom u trendu sa skokovima većim od 5% po satu, što je ukazivalo na ciljano ubacivanje listića.
Zaključak
Testovi prekida trenda i sekvencijalni modeli su jedan od najpouzdanijih načina da se kvantitativno odredi kada se nešto „prelomilo“ u izbornim podacima. Oni su naročito korisni za posmatrače koji žele da dokumentuju tačan trenutak kada se izborni proces odmakao od regularnosti, kao i da uoče koncentrisane obrasce manipulacije u završnim fazama glasanja.
Kada se pravilno primene, ove metode nude jak dokaz za izborna tela, medije i međunarodne organizacije.