程瑜;安吉特·阿格拉瓦尔;刘欢;阿洛伊·乔达里 基于异质信息最小化双重不确定性的立法预测。 （英语） Zbl 07260705号 统计分析。数据最小值。 10，第2期，107-120（2017）. 摘要：对立法法案进行投票以形成新的法律是大多数立法机构的关键职能。预测这些审议机构的投票结果将有助于更好地理解政府政策，并制定出有利于社会利益的可行战略。然而，由于影响政治决策过程的众多因素，很难预测立法投票。本文提出了一种新的预测模型，该模型最大限度地利用可公开访问的异构数据，即法案文本和立法者简介数据，以进行有效的立法预测。特别是，我们建议设计一个概率预测模型，该模型与过去的投票记录保持高度一致，同时确保投票预测的不确定性最小，反映出立法者通常持有的坚定法律基础。此外，所提出的立法预测模型具有以下特性：归纳和分析解，处理新法案和新立法者预测的能力，以及对漏票问题的鲁棒性。我们利用美国国会联合会议的实际立法数据进行了广泛的实证研究，并与定量政治科学和数据挖掘领域的其他代表性方法进行了比较。实验结果清楚地证实了所提出的方法提供了优越的预测精度和可见的性能增益。 MSC公司： 62至XX 统计学 68倍 计算机科学 关键词：立法预测;异质信息;双视学习 PDF格式BibTeX公司 XML格式引用 \textit{Y.Cheng}等人，《统计分析》。数据最小值10，第2号，107-120（2017；Zbl 07260705） 全文： 内政部