Metodologia
Open Civic Intelligence: simulazione elettorale, ottimizzazione del messaggio e analisi della propensione — con limitazioni dichiarate.
PoliSim documenta pubblicamente la propria metodologia completa. Il white paper tecnico copre l'intera architettura: lo swing model sui 221 collegi uninominali del Rosatellum, il modello MRP bayesiano con verosimiglianza Dirichlet-Multinomial, il Message Optimizer fondato sulla teoria del framing, il Cognitive Science Layer e il Modulo Propensione RFML. Ogni limitazione nota è dichiarata con la stessa prominenza dei risultati.
White Paper Tecnico v1.2 🇮🇹 Italiano
Metodologia e validazione completa — 9 sezioni, 22 riferimenti con DOI verificati — Giugno 2026
Technical White Paper v1.2 🇬🇧 English
Full methodology and validation — 9 sections, 22 DOI-verified references — June 2026
Il contributo: MRP bayesiano su dati censuari italiani
Il cuore metodologico di PoliSim è un modello Multilevel Regression and Poststratification (Gelman & Little 1997; Park, Gelman & Bafumi 2004) implementato in PyMC con verosimiglianza Dirichlet-Multinomial, calibrato su 71 milioni di osservazioni del Censimento ISTAT 2021 aggregate a livello di collegio uninominale, con addestramento su 252 osservazioni collegio-elezione in 13 regioni.
A nostra conoscenza, non esiste letteratura pubblicata che applichi MRP con verosimiglianza Dirichlet-Multinomial a dati censuari italiani a livello di collegio uninominale con backtesting out-of-sample su elezioni reali. Le applicazioni MRP documentate riguardano prevalentemente il contesto statunitense e britannico, tipicamente con input sondaggistici individuali. L'applicazione ecologica su dati censuari aggregati italiani costituisce, ad oggi, un caso non documentato.
Metriche di validazione
Backtest sui 14 collegi Camera del Lazio, elezioni politiche 2022 (riferimento held-out):
Confronto out-of-sample con baseline OLS (stessa matrice di progetto, stessi dati di addestramento):
| Dataset | N collegi | RMSE OLS | RMSE MRP | Vantaggio MRP |
|---|---|---|---|---|
| Lombardia 2023 | 23 | 4,65 pp | 4,28 pp | +0,37 pp |
| Lazio 2023 | 14 | 5,36 pp | 5,08 pp | +0,28 pp |
| Emilia-Romagna 2024 ⚠ | 11 | 12,09 pp | 10,36 pp | +1,73 pp |
| Liguria 2024 † | 4 | 9,75 pp | 8,45 pp | +1,30 pp |
| Media (4 dataset) | — | 7,96 pp | 7,04 pp | +0,92 pp |
⚠ Emilia-Romagna outlier: RMSE CSX 15,7 pp — struttura competitiva locale divergente dal training set. † Liguria N=4: risultato indicativo, non statisticamente robusto. Il modello MRP supera la baseline OLS su tutti i dataset disponibili.
Architettura
Stage 1 — Swing Model
Eligendo 2022, 221 collegi uninominali, d'Hondt con soglia 3%, verifica doppia maggioranza
Stage 2 — MRP Bayesiano
PyMC, Dirichlet-Multinomial, 8 feature ISTAT, 252 osservazioni, effetti casuali regionali
Stage 3 — Message Optimizer
Framing Entman ×4, corpus valoriale dell'organizzazione, verificatore di ancoraggio fattuale
Cognitive Layer
5 framework cognitivi, core deterministico <50ms, evaluator AI separato opt-in
Modulo Propensione
RFML a 5 obiettivi, calibrazione territoriale ISTAT, elaborazione client-side GDPR
Limitazioni dichiarate
La credibilità scientifica richiede che i limiti siano dichiarati con la stessa prominenza dei risultati. Le limitazioni complete sono nella Sezione 6 del white paper. Le principali:
CI90 al 39,2% invece del 90% nominale. Gli intervalli credibili sono sotto-calibrati. Causa confermata: dataset di addestramento limitato (252 osservazioni), non specificazione dei prior — test con prior alternativi (HalfStudentT) non hanno prodotto miglioramenti. Le stime puntuali (MAP) sono gli output operativamente validi; gli intervalli non vanno usati per inferenza probabilistica.
Bias sistematico CDX di −3,33 pp. Concentrato nei collegi provinciali; causa identificata in feature occupazionali non ancora nel modello (dataset DCSC_CONDPROFOCCUP pianificato per la v5).
Modello ecologico. PoliSim stima da dati demografici e storici aggregati, non da sondaggi individuali geo-localizzati. È un calcolatore di scenari, non uno strumento predittivo autonomo.
Pesi Stage 3 e RFML expert-calibrated. Non ancora validati su A/B test reali. Un protocollo di validazione con 20 campagne partner e misurazione standardizzata degli esiti è in fase di reclutamento attivo.
Dati: esclusivamente fonti pubbliche istituzionali
| Fonte | Contenuto | Ruolo |
|---|---|---|
| ISTAT Censimento 2021 | 71M osservazioni, 493k sezioni | Feature demografiche MRP |
| Eligendo OpenData (Min. Interno) | Risultati ufficiali, tutti i cicli | Baseline e validazione |
| ESS Round 11 (2023–24) | N=2.865 Italia, face-to-face | Profili psicografici Stage 3 |
| TRIPOL IT (2021–22) | N=1.231, polarizzazione affettiva | Calibrazione valenza emotiva |
Nessun dato proprietario. Nessun dato personale raccolto o processato. Il codice è pubblico su GitHub con licenza AGPL v3; il layer AI è sostituibile by design con qualsiasi LLM instruction-following.