Reading Time: 11 minutes

Formalni modeli potvrđuju da se intenzitet političkih termina povećava u izbornom periodu, ali i da dva retorička okvira imaju različitu dinamiku.

1. Od deskriptivnih nalaza ka formalnom testiranju

U drugom delu serijala videli smo jasnu opisnu sliku. Okvir „Vučić AND Stabilnost” imao je veći ukupan broj pojavljivanja i bio je prisutan u više članaka. Okvir „Blokaderi AND Haos” bio je manje učestao u ukupnom zbiru, ali je pokazao snažniju eksplozivnost, posebno na izborni dan. Oba okvira su se pojačala nakon zvanične najave izbora, ali nisu imala istu vremensku dinamiku.

Opisna statistika je prvi i neophodan korak. Ona daje pregled, ali ne rešava sva pitanja. Ako vidimo da je neki dnevni broj visok, moramo pitati da li je to samo jedan neobičan dan ili deo sistematskog obrasca. Ako se proseci razlikuju između potperioda, moramo pitati da li se razlika održava i kada uzmemo u obzir strukturu podataka. Ako jedan termin ima ogroman skok na izborni dan, moramo proveriti da li taj skok potpuno dominira analizom ili postoje i drugi relevantni predizborni obrasci.

Zato u ovom trećem delu prelazimo na modele. Modeli nisu zamena za grafikone i tabele, već njihov nastavak. Grafikon pokazuje šta se dogodilo. Model pomaže da procenimo koliko je taj obrazac stabilan kada ga stavimo u formalniji statistički okvir. U ovoj analizi modeli se primenjuju samo na dnevne brojeve pojavljivanja termina. Broj članaka i saturacija koriste se opisno i grafički, jer saturacija nije brojačka promenljiva istog tipa kao dnevni brojevi.

Tabela 1. Sažeta tabela ključnih rezultata modela

Model	Termin/prozor	IRR	95% CI	p-vrednost	Interpretacija
Združeni negativni binomni model	Vučić vs Blokader	1.2	0.96–1.55	0.104	Vučić/Stabilnost ima viši očekivani broj od Blokader/Haos, ali razlika nije statistički jaka na 5% nivou.
Združeni negativni binomni model	-30 do -15 dana pre izbora	1.6	1.06–2.33	0.023	Očekivani broj pojavljivanja je statistički veći nego u referentnom periodu van izbornih prozora.
Združeni negativni binomni model	-14 do -8 dana pre izbora	2.3	1.28–3.95	0.005	Očekivani broj pojavljivanja je statistički veći nego u referentnom periodu van izbornih prozora.
Združeni negativni binomni model	-7 do -1 dana pre izbora	1.8	1.03–3.19	0.038	Očekivani broj pojavljivanja je statistički veći nego u referentnom periodu van izbornih prozora.
Združeni negativni binomni model	Izborni dan	10.4	2.41–44.67	0.002	Ukupan očekivani broj pojavljivanja je višestruko veći na izborni dan.
Združeni negativni binomni model	+1 do +7 dana posle izbora	1.6	0.92–2.85	0.092	Nalaz je graničan/sugestivan: očekivani broj je viši, ali slabije statističke sigurnosti.
Združeni negativni binomni model	+15 do +30 dana posle izbora	1.5	0.99–2.16	0.059	Nalaz je graničan/sugestivan: očekivani broj je viši, ali slabije statističke sigurnosti.
Interakcijski negativni binomni model	Vučić × -30 do -15	2.3	1.07–5.02	0.034	Vučić/Stabilnost je relativno izraženiji od Blokader/Haos u ranijem predizbornom prozoru.
Interakcijski negativni binomni model	Vučić × izborni dan	0.2	0.01–3.34	0.261	Smer pokazuje da je izborni skok relativno slabiji za Vučić/Stabilnost nego za Blokader/Haos; u NB modelu interval je širok.
Negativni binomni model specifičan za termin: Blokader	Izborni dan	18.1	2.2–150.4	0.007	Za Blokader/Haos glavni robustan nalaz je izuzetno veliki izborni skok.
Negativni binomni model specifičan za termin: Vučić	Izborni dan	3.0	0.45–20.30	0.258	Nema dovoljno jakog modelskog dokaza za poseban efekat ovog prozora.
Negativni binomni model specifičan za termin: Vučić	-30 do -15 dana pre izbora	2.5	1.47–4.09	<0.001	Za Vučić/Stabilnost ovaj predizborni prozor je statistički povišen u odnosu na referentni period.
Negativni binomni model specifičan za termin: Vučić	-14 do -8 dana pre izbora	3.3	1.59–6.89	0.001	Za Vučić/Stabilnost ovaj predizborni prozor je statistički povišen u odnosu na referentni period.
Negativni binomni model specifičan za termin: Vučić	-7 do -1 dana pre izbora	2.1	1.01–4.38	0.048	Za Vučić/Stabilnost ovaj predizborni prozor je statistički povišen u odnosu na referentni period.
Negativni binomni model specifičan za termin: Vučić	+1 do +7 dana posle izbora	2.2	1.04–4.53	0.039	Za Vučić/Stabilnost prvi postizborni prozor ostaje statistički povišen.

U ovim objavama dati su samo glavni rezultati u sažetom obliku. Sve izlazi analize dati su u zip fajlu koji sadrži sve grafike (png format) i tabele (u Word-u, Excel-u i CSV formatu).

output_count_pair_analysis_kurirPreuzmi

Intuitivno, treći deo odgovara na pitanje: da li ono što vidimo u opisnim tabelama ostaje vidljivo i kada koristimo modele namenjene brojačkim podacima? Odgovor je uglavnom da, ali sa važnim nijansama. Modeli potvrđuju da se intenzitet termina povećava u izbornom periodu, naročito oko izbornog dana. Istovremeno pokazuju da se „Blokaderi AND Haos” i „Vučić AND Stabilnost” ne pojačavaju na isti način.

2. Zašto ne koristimo običnu linearnu regresiju

Prvi metodološki korak je razumeti prirodu zavisne promenljive. U ovoj analizi ne merimo temperaturu, indeks, procenat ili ocenu na skali. Merimo broj pojavljivanja termina u jednom danu. Ti brojevi su brojčani podaci (nula i prirodni brojevi): 0, 1, 2, 3 i tako dalje. Oni ne mogu biti negativni, često su asimetrični i mogu imati velike skokove.

Obična linearna regresija nije idealna za takve podatke. Ona može predvideti negativne vrednosti, iako negativan broj pojavljivanja termina nema smisla. Takođe, linearna regresija pretpostavlja drugačiju strukturu greške od one koju obično imaju brojčani podaci. U dnevnim medijskim brojevima često imamo mirnije periode, zatim nagle skokove, pa povratak na niži nivo. Takva dinamika je mnogo bliža brojačkim modelima nego standardnoj linearnoj regresiji.

Zato koristimo modele za brojčane podatke. Njihova osnovna ideja je jednostavna: umesto da model procenjuje prosečnu vrednost kao kod obične regresije, on procenjuje očekivani broj događaja, odnosno očekivani dnevni broj pojavljivanja termina. U našem slučaju, model pita: koliko pojavljivanja termina možemo očekivati za određeni okvir, u određenom izbornom prozoru, uzimajući u obzir dan u nedelji?

Ovo je važno za čitaoce koji nisu statističari. Model ne „čita” tekstove i ne razume političku nameru. On samo povezuje dnevne brojeve sa vremenskim oznakama: pre izbora, neposredno pre izbora, izborni dan, posle izbora i slično. Time se opisni obrazac prevodi u statistički proverljivu formu.

Brojčani (engl. count) podaci su nenegativni celi brojevi. Zato su Poasonovi, kvazi-Poasonovi i negativni binomni modeli prikladniji od obične linearne regresije

Najkraće rečeno, modeli su potrebni zato što broj pojavljivanja reči nije obična neprekidna promenljiva. Ako želimo da ozbiljno analiziramo dnevne brojeve termina, potrebno je koristiti alat koji poštuje njihovu brojačku prirodu.

3. Poasonov model: korisna polazna tačka, ali ne i završna reč

Najpoznatiji model za brojčane podatke je Poasonov model. Intuitivno, Poasonov model se koristi kada brojimo koliko se puta neki događaj desio u određenom vremenskom intervalu: broj poziva, broj nesreća, broj objava, broj pominjanja termina. U našem slučaju događaj je pojavljivanje određene grupe termina u jednom danu.

Poasonov model ima jednostavnu logiku. On procenjuje očekivani dnevni broj pojavljivanja termina kao funkciju objašnjavajućih faktora. Ti faktori mogu biti koji je termin u pitanju, koji je izborni prozor u pitanju i koji je dan u nedelji. Na primer, model može porediti očekivani broj pojavljivanja u poslednjih sedam dana pre izbora sa periodom izvan izbornog prozora.

Međutim, Poasonov model ima jednu važnu pretpostavku: varijansa brojčanih podataka približno je jednaka njihovom proseku. U stvarnim medijskim podacima ova pretpostavka često nije ispunjena. Dnevni brojevi mogu biti mnogo promenljiviji nego što Poasonov model očekuje. Jedan dan može imati 20 pojavljivanja, drugi 30, treći 500. Takvi skokovi znače da je varijabilnost mnogo veća od prosečnog nivoa.

U našoj analizi to se upravo dešava. Formalni test prekomerne disperzije/raspršenosti (engl. overdispersion) pokazuje da je varijabilnost značajno veća nego što bi običan Poasonov model pretpostavio (statistika testa je 7.14, a p-vrednost < ,01). Zato Poasonov model koristimo kao polaznu tačku, ali ne kao glavni model za tumačenje rezultata.

Intuitivno, Poasonov model je kao prvi nacrt mape. On pokazuje osnovne pravce, ali ako je teren mnogo neravniji nego što model pretpostavlja, mapa postaje previše glatka. Zato nam je potreban model koji dozvoljava veću neravninu, odnosno veću varijabilnost podataka.

4. Prekomerna disperzija: kada su podaci „nemirniji” nego što Poason očekuje

Prekomerna disperzija znači da su brojčani podaci varijabilniji nego što bi se očekivalo pod Poasonovim modelom. Ako je prosečan dnevni broj pojavljivanja 40, Poasonov model očekuje da varijansa bude približno 40. Ali ako su stvarni dnevni brojevi mnogo raspršeniji, sa velikim skokovima i padovima, varijansa može biti višestruko veća.

Zašto je to važno? Ako ignorišemo prekomernu disperziju, model može izgledati sigurnije nego što jeste. Standardne greške mogu biti premale, p-vrednosti previše optimistične, a zaključci previše samouvereni. Drugim rečima, običan Poasonov model može reći da je nešto statistički značajno samo zato što nije uvažio koliko su podaci zaista promenljivi.

U našim rezultatima test prekomerne disperzije je izrazito značajan. To znači da je Poasonov model previše restriktivan za ove podatke. Dnevni brojevi pojavljivanja termina u Kurir.rs rubrici Politika nisu mirni i ravnomerni. Oni imaju periode nižeg intenziteta, periode povišenog intenziteta i vrlo snažne skokove, posebno kod okvira „Blokaderi AND Haos” na izborni dan.

Zbog toga glavno tumačenje treba zasnivati na negativnom binomnom modelu i, kao dopunskoj proveri, kvazi-Poasonovom modelu. Ovi modeli su fleksibilniji jer dozvoljavaju veću varijabilnost nego običan Poasonov model.

„Šta je prekomerna disperzija?” — Najvažnije intuitivno značenje prekomerne disperzije u ovoj analizi jeste sledeće: podaci su previše eksplozivni da bismo verovali jednostavnom modelu koji očekuje relativno mirne brojčane vrednosti. Zato prelazak na negativni binomni model nije tehnička sitnica, već ključni metodološki korak.

Kada su dnevni brojevi mnogo promenljiviji nego što Poasonov model očekuje, koristimo fleksibilnije modele kao što su negativni binomni ili kvazi-Poasonov model.

5. Negativni binomni model: fleksibilniji model za eksplozivne brojčane podatke

Negativni binomni model je blizak Poasonovom modelu, ali je fleksibilniji. Njegova glavna prednost je što dozvoljava da varijansa bude veća od proseka. To ga čini posebno korisnim za podatke u kojima postoje nagli skokovi, neujednačen intenzitet i periodi mnogo veće aktivnosti.

U našem slučaju, negativni binomni model mnogo bolje odgovara podacima nego Poasonov model. To se vidi i iz poređenja pokazatelja prilagođenosti modela. Poasonov model ima AIC oko 9475, dok negativni binomni model ima AIC oko 2674. Niži AIC ukazuje na bolji balans između prilagođenosti modela podacima i njegove složenosti (broja koeficijenata koje ocenjujemo). Razlika je veoma velika, što potvrđuje da je negativni binomni model prikladniji za ove podatke.

AIC (Akaike Information Criterion) je kriterijum koji se koristi za poređenje dva modela. On ima dve komponente od kojih prva meri stepen prilagođenosti modela podacima i druga koja koje predstavlja meru složenosti modela (pojednostavljeno rečeno, koliko koeficijenata smo uključili u model koji ocenjujemo). Model koji ima bolji stepen prilagođenosti podacima (npr. nižu varijansu) i koji je istovremeno jednostavniji (ima manji broj ocenjenih koeficijenata) je prema AIC kriterijumu poželjniji.

Model uključuje nekoliko važnih faktora. Prvo, razlikuje dva terminska okvira: „Blokaderi AND Haos” i „Vučić AND Stabilnost”. Drugo, uključuje izborne prozore, na primer period od 30 do 15 dana pre izbora, od 14 do 8 dana pre izbora, poslednju nedelju pre izbora, izborni dan i postizborne prozore. Treće, uključuje dan u nedelji, jer medijska aktivnost može zavisiti od toga da li je radni dan ili vikend.

Rezultati negativnog binomnog modela pokazuju da je ukupni intenzitet pojavljivanja termina značajno viši u nekoliko izbornih prozora. Posebno je snažan efekat izbornog dana. U objedinjenom negativnom binomnom modelu, izborni dan ima odnos stopa incidencije (IRR, engl. incidence rate ratio) od 10,38. To znači da je očekivani dnevni broj pojavljivanja termina na izborni dan bio više od deset puta veći nego u referentnom periodu, uz kontrolu ostalih elemenata modela. Referentni period u našem slučaju je period pre zvanične najave izbora, tj. od 1. januara do 23. februara 2026. godine.

Ovaj rezultat ne znači da je izborni dan „uzrokovao” svaku pojedinačnu upotrebu termina. On znači da je, statistički gledano, izborni dan bio povezan sa mnogo višim očekivanim brojem pojavljivanja u analiziranim serijama.

6. Kako čitati odnos stopa incidencije

Rezultati brojčanog modela često se prikazuju kao odnos stopa incidencije (IRR, engl. incidence rate ratio). Ovaj izraz može zvučati tehnički, ali je intuitivno prilično jednostavan. IRR pokazuje koliko se očekivani broj pojavljivanja menja u odnosu na referentnu kategoriju.

Ako je IRR jednak 1, nema razlike u očekivanom broju pojavljivanja. Ako je IRR veći od 1, očekivani broj je veći. Ako je IRR manji od 1, očekivani broj je manji. Na primer, IRR od 1,50 znači da je očekivani broj pojavljivanja 50% veći nego u referentnom periodu. IRR od 2 znači da je očekivani broj dvostruko veći. IRR od 10 znači da je očekivani broj deset puta veći.

Tabela 2. Negativni binomni modeli

Model	Termin	Ocena	95% donja	95% gornja	Std greška	Statistika	p-vrednost
Združeni negativni binomni model	prozor događaja minus 30 do minus 15	1.57	1.06	2.33	0.20	2.27	0.023
Združeni negativni binomni model	prozor događaja minus 14 do minus 8	2.25	1.28	3.95	0.29	2.83	0.005
Združeni negativni binomni model	prozor događaja minus 7 do minus 1	1.82	1.03	3.19	0.29	2.08	0.038
Združeni negativni binomni model	prozor događaja dan izbora	10.38	2.41	44.67	0.74	3.14	0.002
Združeni negativni binomni model	prozor događaja plus 1 do plus 7	1.62	0.92	2.85	0.29	1.68	0.092

U ovoj analizi, nekoliko IRR vrednosti je posebno važno. U združenom negativnom binomnom modelu, izborni dan ima IRR 10,38. Period od 14 do 8 dana pre izbora ima IRR 2,25, a poslednja nedelja pre izbora IRR 1,82. To znači da su ovi periodi povezani sa višim očekivanim brojem pojavljivanja termina u odnosu na period izvan definisanih izbornih prozora.

Ono što IRR ne govori jeste zašto je do povećanja došlo. IRR je mera statističke povezanosti u okviru modela. On ne dokazuje nameru, koordinaciju ili efekat na birače. Ali pomaže da kvantifikujemo koliko je neki period bio različit u odnosu na referentni nivo, tj. pre zvanične najave izbora.

Zbog toga su IRR vrednosti korisne za javno objašnjenje rezultata. Umesto da kažemo samo „bilo je više pojavljivanja”, možemo reći: „model procenjuje da je očekivani broj pojavljivanja u tom periodu bio približno dva puta, tri puta ili deset puta veći nego u referentnom periodu.” To je intuitivnije i informativnije.

7. Šta modeli pokazuju za „Blokaderi AND Haos”

Kada se „Blokaderi AND Haos” posmatra posebno, najjači i najstabilniji modelski nalaz odnosi se na izborni dan. U terminski specifičnom negativnom binomnom modelu, izborni dan ima IRR 18,07 i p-vrednost ,007. To znači da je očekivani broj pojavljivanja ovog okvira na izborni dan bio oko 18 puta veći nego u referentnom periodu.

Ovaj nalaz je u skladu sa opisnom slikom iz drugog dela serijala. Tamo smo videli da je na izborni dan zabeleženo 521 pojavljivanje termina iz grupe „Blokaderi AND Haos” u 48 članaka. Model sada pokazuje da taj skok nije samo vizuelno impresivan, već je i statistički snažan čak i kada se koristi fleksibilniji model koji uvažava veliku varijabilnost podataka.

Istovremeno, drugi predizborni prozori za ovaj okvir nisu jednako stabilni u terminski specifičnom negativnom binomnom modelu. Opisno, postoje povišene vrednosti u periodima pre izbora, ali kada model uvaži prekomernu disperziju i dan u nedelji, najčvršći rezultat ostaje izborni dan.

Tabela 3. Terminski specifični modeli za „Blokaderi AND Haos” i za „Vučić AND Stabilnost”

Model	Termin	Ocena	95% donja	95% gornja	Std greška	Statistika	p-vrednost
Negativni binomni model specifičan za termin: Blokader	vremenski okvir događaja dan izbora	18.07	2.17	150.37	1.08	2.68	0.007
Negativni binomni model specifičnog za termin: Vučić	vremenski okvir događaja minus 30 do minus 15	2.45	1.47	4.09	0.26	3.44	0.001
Negativni binomni model specifičnog za termin: Vučić	vremenski okvir događaja minus 14 do minus 8	3.31	1.59	6.89	0.37	3.20	0.001
Negativni binomni model specifičnog za termin: Vučić	vremenski okvir događaja minus 7 do minus 1	2.10	1.01	4.38	0.38	1.98	0.048
Negativni binomni model specifičnog za termin: Vučić	vremenski okvir događaja plus 1 do plus 7	2.17	1.04	4.53	0.38	2.07	0.039

Intuitivno, to znači da je „Blokaderi AND Haos” okvir eksplozivnog tipa. On nije samo malo povišen tokom cele kampanje, već kulminira u jednom politički najosetljivijem trenutku. To ne dokazuje zašto se to dogodilo, ali jasno pokazuje kada se dogodilo i koliko je taj skok bio jak u odnosu na uobičajeni nivo.

8. Šta modeli pokazuju za „Vučić AND Stabilnost”

Kod okvira „Vučić AND Stabilnost” model pokazuje drugačiju dinamiku. Umesto jednog dominantnog izbornog skoka, ovaj okvir je sistematski povišen u širem predizbornom periodu.

U terminski specifičnom negativnom binomnom modelu u Tabeli 3, period od 30 do 15 dana pre izbora ima IRR 2,45 i p-vrednost ,0006. Period od 14 do 8 dana pre izbora ima IRR 3,31 i p-vrednost ,0014. Poslednja nedelja pre izbora ima IRR 2,10 i p-vrednost ,0476. Prva nedelja posle izbora takođe je povišena, sa IRR 2,17 i p-vrednošću ,0386.

Ovi rezultati su vrlo jasni. Okvir „Vučić AND Stabilnost” nije prvenstveno vezan za jedan ekstremni izborni dan. On je povišen tokom više predizbornih prozora i ostaje povišen neposredno posle izbora. To podržava tumačenje iz drugog dela serijala: stabilnost funkcioniše kao širi, trajniji i postojaniji kampanjski okvir.

Intuitivno, ovaj model kaže da se okvir stabilnosti ponaša drugačije od okvira haosa. Stabilnost nije samo reakcija na izborni dan. Ona se gradi kroz period pre izbora, prisutna je u više kampanjskih faza i ostaje vidljiva neposredno nakon izbornog dana. To je modelski rezultat koji se dobro slaže sa opisnom slikom šireg i kontinuiranijeg prisustva.

9. Interakcije: da li se dva okvira pojačavaju na isti način

Interakcioni modeli postavljaju dodatno pitanje: da li se „Vučić AND Stabilnost” i „Blokaderi AND Haos” menjaju na isti način u istim izbornim prozorima? Drugim rečima, ne pitamo samo da li se termini pojačavaju, već da li se jedan okvir pojačava više ili ranije od drugog.

Najvažniji interakcioni rezultat pokazuje da je „Vučić AND Stabilnost” relativno jači od „Blokaderi AND Haos” u ranijem predizbornom prozoru, od 30 do 15 dana pre izbora. Interakcioni negativni binomni model daje IRR 2,31 za ovu razliku, sa p-vrednošću ,034. To sugeriše da je okvir stabilnosti bio posebno izražen u ranijoj fazi predizbornog perioda.

S druge strane, izborni dan je relativno mnogo jači za „Blokaderi AND Haos”. Interakcioni modeli ukazuju na taj smer, iako se stepen statističke sigurnosti razlikuje između modela. U suštini, to je u skladu sa onim što vidimo u opisnim rezultatima: izborni dan je dramatičan za okvir haosa, dok je stabilnost šire raspoređena kroz predizborni period.

Tabela 4. Interakcioni rezultati

Model	Termin	Ocena	95% donja	95% gornja	Std greška	Statistika	p-vrednost
Interakcijski negativni binomni model	termin prikaz Vučić: prozor događaja minus 30 do minus 15	2.31	1.07	5.02	0.40	2.12	0.034
Interakcijski negativni binomni model	termin prikaz Vučić: događaj prozor izborni dan	0.20	0.01	3.34	1.44	-1.12	0.261
Interakcijski kvazi-Poasonov model	termin prikaz Vučić: prozor događaja minus 30 do minus 15	2.34	1.19	4.62	0.35	2.45	0.015
Interakcijski kvazi-Poasonov model	termin prikaz Vučić: događaj prozor izborni dan	0.20	0.06	0.66	0.61	-2.65	0.009

Ovaj deo je važan jer sprečava previše jednostavno tumačenje. Nije dovoljno reći da su se oba okvira pojačala. Treba reći kako su se pojačala. Modeli sugerišu da je okvir stabilnosti ranije i šire predizborno pojačan, dok je okvir haosa naročito koncentrisan na izborni dan. To je ključna razlika između dva oblika političkog uokvirivanja.

10. Tačke promene: kada se statističko ponašanje serija menja

Pored regresionih modela, analiza koristi i detekciju tačaka promene (engl. change-point). Tačke promene su datumi oko kojih se statističko ponašanje serije menja. To može biti promena prosečnog nivoa, varijabilnosti ili oba. Važno je naglasiti: tačka promene ne objašnjava uzrok promene. Ona samo označava da se oko tog datuma serija ponaša drugačije.

Rezultati su zanimljivi. Kod ukupnog broja termina, detektovane su tačke promene oko 28. marta i 1. aprila, odnosno neposredno oko izbornog dana. Kod „Blokaderi AND Haos” pojavljuju se tačke promene oko 28. i 30. marta, što je u skladu sa ogromnim skokom na izborni dan. Kod „Vučić AND Stabilnost” pojavljuju se tačke promene oko 21. i 24. februara, dakle oko perioda zvanične najave izbora.

Tabela 5. Tačke promena u ukupnom broju termina

Indeks tačke promene	Datum	Ukupan broj termina	Dana do objave	Dana do izbora
26	26/01/26	33	-28	-62
28	28/01/26	26	-26	-60
42	11/02/26	36	-12	-46
87	28/03/26	66	33	-1
91	1/04/26	53	37	3
93	3/04/26	125	39	5
129	9/05/26	109	75	41
131	11/05/26	79	77	43

Tabela 6. Tačke promena za svaki termin

Prikaz termina	Indeks tačke promene	Datum	Dana do objave	Dana do izbora
Blokader	38	7/02/26	-16	-50
Blokader	40	9/02/26	-14	-48
Blokader	42	11/02/26	-12	-46
Blokader	44	13/02/26	-10	-44
Blokader	87	28/03/26	33	-1
Blokader	89	30/03/26	35	1
Blokader	131	11/05/26	77	43
Blokader	133	13/05/26	79	45
Vučić	37	6/02/26	-17	-51
Vučić	39	8/02/26	-15	-49
Vučić	52	21/02/26	-2	-36
Vučić	55	24/02/26	1	-33
Vučić	111	21/04/26	57	23
Vučić	113	23/04/26	59	25

Ovi rezultati podržavaju glavnu interpretaciju serijala. Okvir stabilnosti se menja oko ulaska u izborni period, dok okvir haosa dramatično menja ponašanje oko samog izbornog dana. Ipak, rezultate tačaka promene treba koristiti kao pomoćni dokaz, a ne kao jedini temelj zaključka. Algoritmi mogu detektovati i kratke lokalne skokove, pa svaki važan datum treba proveriti i kvalitativnim čitanjem članaka.

11. Šta modeli potvrđuju, a šta ne mogu da dokažu

Modeli potvrđuju nekoliko važnih stvari. Prvo, podaci su previše varijabilni za jednostavan Poasonov model, pa je negativni binomni model prikladniji. Drugo, ukupni intenzitet termina je povišen u izbornom periodu, posebno na izborni dan. Treće, „Blokaderi AND Haos” ima snažan i statistički robustan izborni skok. Četvrto, „Vučić AND Stabilnost” je sistematski povišen u širem predizbornom periodu i neposredno posle izbora. Peto, dva okvira imaju različitu dinamiku, a ne samo različit ukupan broj pojavljivanja.

Ali modeli ne dokazuju nameru. Oni ne mogu pokazati da je neko naredio upotrebu određenih izraza. Ne mogu pokazati koordinaciju. Ne mogu pokazati efekat na birače. Ne mogu pokazati da je svaki tekst imao istu političku funkciju. Oni modeliraju dnevne brojeve pojavljivanja termina i njihovu povezanost sa vremenskim prozorima.

To je dovoljno za ozbiljan nalaz, ali nije dovoljno za preterane tvrdnje. Najpreciznija formulacija bila bi: podaci pokazuju sistematsko povećanje analiziranih retoričkih okvira u izbornom periodu, uz različitu dinamiku dva okvira. Okvir stabilnosti ima širi predizborni karakter, dok okvir haosa ima naglašen izborni skok.

Ovo je metodološki važan zaključak. On pokazuje kako se medijski jezik može analizirati disciplinovano: prvo opisno, zatim modelima, i na kraju uz jasno razdvajanje onoga što statistika može da pokaže od onoga što ne može da dokaže.

12. Kratak tehnički dodatak

Poasonov model je standardni model za brojčane podatke. Koristi se kada brojimo koliko se puta neki događaj desio u određenom intervalu. U ovoj analizi događaj je pojavljivanje grupe termina u jednom danu. Poasonov model je koristan kao početna tačka, ali njegova pretpostavka da su prosek i varijansa približno jednaki često nije realistična za medijske podatke.

Prekomerna disperzija se javlja kada je varijansa veća od proseka. U takvim slučajevima Poasonov model može potceniti neizvesnost. Zato se koriste fleksibilniji modeli, kao što su kvazi-Poasonov i negativni binomni model. Negativni binomni model je naročito koristan kada su brojčani podaci eksplozivni, sa velikim skokovima i neujednačenom varijabilnošću.

Odnos stopa incidencije pokazuje koliko je očekivani broj događaja veći ili manji u odnosu na referentnu kategoriju. IRR od 2 znači dvostruko veći očekivani broj, dok IRR od 0,5 znači upola manji očekivani broj.

Osnovne reference za čitaoce koji žele više tehničkih detalja su Gardner, Mulvey i Shaw o problemima linearne regresije i Poasonovog modela kod prekomerno disperziranih brojčanih podataka, kao i Zeileis, Kleiber i Jackman o brojčanim modelima u R-u. Njihov rad posebno objašnjava klasične Poasonove, geometrijske i negativne binomne regresione modele za brojčane podatke i njihovu primenu u R-u.

Reference za tehnički dodatak

Gardner, W., Mulvey, E. P., & Shaw, E. C. (1995). Regression analyses of counts and rates: Poisson, overdispersed Poisson, and negative binomial models. Psychological Bulletin, 118(3), 392–404. https://doi.org/10.1037/0033-2909.118.3.392

Zeileis, A., Kleiber, C., & Jackman, S. (2008). Regression models for count data in R. Journal of Statistical Software, 27(8), 1–25. https://doi.org/10.18637/jss.v027.i08

Zaključak trećeg dela je da formalni modeli ne zamenjuju opisnu analizu, već je disciplinuju. Oni potvrđuju da izborni period nije samo vizuelno drugačiji, već statistički povezan sa višim očekivanim brojem politički značajnih termina. Istovremeno, modeli pokazuju da dva okvira nemaju istu funkciju u vremenu: stabilnost se gradi kroz kampanjski period, dok haos kulminira na izborni dan.