各政黨因應競爭激烈地區選舉提名，力求提升民調預測效果，請了許多專家學者提供意見，我也忝列其中。不論對哪個政黨，我的建言均分為2方案：
基於「人類認知結構」，各人想法不可能相同。因此管理者宜有2套或以上的策略，對於全體應以簡化為原則，如何在最小變動下，提升民調預測效果，並預先理解因簡化而會產生的誤差範圍。
管理者必須要有現代知識，也瞭解如何深度辨識問題與解決。假如我們獲得60分及格所付出的努力是100點，以後每想增加5分的進步，至少要增加50點的努力。因此，只有在個別區域的當事人雙方都有意願加分，且有時間瞭解，則可提供深度解決方案，建請所有政黨、候選人以及對民調研究有興趣的人士共同參考。
全體/實務可行性方案：最小變動、具體提升
考量參與者的認知與實務操作的可行性，各政黨過去的辦法並無太多實質不同，本次也可予保留，但仍可考量以下2點：
1. 在文字上或實質上，要求委託之民調機構，必須具備樣本庫「分散性」能力。
2. 無論委託民調機構為幾家，其總合樣本應不少於3000。
當前坊間民調公司宣稱的±3%誤差，必須具備只有2名候選人、樣本全部不替換、受訪者全部回答的條件下才會發生。歷史記錄非常清楚，除了單次性的運氣外，沒有坊間民調曾經連續達成。
如何估計坊間民調公司操作下的真實誤差區間呢？不論現代高階預測模型中的馬可夫鏈，或古典統計的貝氏分析，在此情境下，均以最鄰近的事件觀測值作為參數，而最近一次重大選舉的真實結果就是2024年總統選舉。
所以，如果能夠達成以上建議的2項，可以預測坊間民調的平均誤差約為±5.5%，但未達成此2條件，最高誤差可達±13%。此參數的來源，請參見本專欄《初選三策：等機率調查、統合分析、願賭服輸》。
無法達成隨機性/等機率性、可追求分散性
選舉預測正確性的基礎第一個是「隨機性」，第二個是「樣本數」，唯「隨機性」非常容易被誤解為「隨便」，其真實意義是「等機率性」，亦即樣本抽出後，不得替換。我在臺灣歷40年的累積研究，發現樣本數需達1500戶、3000人以上。
但在實務上無法找齊全部樣本，必須就已找到樣本比較以往的參數，當沒有找到的樣本，即使有最大的不同，也不可能改變已知結構，這時才能夠公布報告。這樣的程序，需時極長，也超過當前一般人習慣經驗的認知，不易達成。
無法達成隨機性/等機率性的補救方法之一，為其「樣本庫」應具備「分散性」，亦即包括最完整的電話號碼簿，而不得來自特定團體。檢定「分散性」的方法有多種，但要到民調機構的主機上執行，各家可能均不易同意。
1067個樣本偏低、合計應達3000個以上
樣本數3000這個參數也符合長期國際統計理論與實務報告，自30年前至近年，綜合國際文獻研究經驗，發現非隨機抽樣，在敏感問題（如選舉）的適合樣本參數，也約在3000以上。
如何以樣本數補救隨機性/等機率性不足的最新解決方法，是1997年出現的「多層次回歸與事後分層模型（MRP）」發想，即樣本必須覆蓋足夠多的「人口特徵組合」使自變項與應變項進行交叉校準。這個方法需要大量計算力，隨著科技各方面的配合，終於在2017年有了應用成果。從這個模型推算，3000也是理論值的起點。
如果1家民調做不到3000個樣本，各家合計的樣本數也應該達到。當前的「民調套餐」都是以約1067為單位，因此應委託3家或以上。也有政黨規畫只選擇2家民調公司，則宜考慮每家樣本應達1500以上。
坊間民調真實誤差約為±5.5%、候選人必須願賭服輸
對所有候選人和參與者，必須理解坊間民調基本核心仍是「願賭服輸」。以最近的重要選舉，2024總統大選真實參數為證，民調的平均誤差約±5.5%，亦即真實差距如果超過此值，坊間民調預測的輸贏可能是正確的。如果小於此值，以目前的生態條件，除非投入額外資源，仍然是相對解決競爭的辦法。
願賭服輸確實可以產生「相信」的力量，坊間民調固然有很多問題，但只要「相信」，還是解決初選的可行方案。
唯就人民與國家的角度，參與者除了「賭徒素質」，最好能夠再有「理想第一、求同存異、成功不必在我」的「公民素質」。「成功不必在我」實在陳意甚高，如果能夠認識「TX人類需求金字塔中」，最高的是榮譽/權力需求，其中使命感是理念實現，控制慾是留名留銅像，萬一不能兩全，助人實現自己的理念，即使孤寂，自己還是站到了金字塔的頂峰。
個別候選人/知識性問題辨識與解決方案
如果嚴格遵守隨機/等機率調查的200項作業標準，以過去40餘年經驗，可達成誤差不超過2%。但所需時間與資源會不同，更有知識的門檻，政黨與候選人可能無暇瞭解。
更現實的是，大部分的選舉真實差距都超過±5.5%，以2024總統選舉為例，賴清德與侯友宜的差距約為 6.56%，而賴清德與柯文哲的差距約為13.59%，所以也不需要追求精密的數字。萬一出現真實差距接近而誤判，就推給「跑出大黑馬」就好了。
從知識立場辨識，當前三黨的辦法中均有許多待釐清問題，譬如「有效樣本」，統計上至少有2種定義，三黨辦法都並未訂定。不過，這類問題多而影響相對較小，相關人士可能沒時間瞭解，民調公司也不一定知道如何執行。如果候選人有意增加預測精度，可考慮先瞭解以下問題。
2. 瞻望多層次回歸與事後分層模型（MRP）的機會。
加權方法是雙面刃
採用「性別、戶籍、年齡…」加權，多半只有美化數字的效果，不能增加推論力。國內外長期選舉研究，早已證明這3項和投票並無因果／關聯，用此 3項加權，較可能都是擴大誤差。只有「教育程度」可能和特定特質的候選人有關聯。
一般民調會對年輕受訪者加權，其直覺原因是：中外民調自始都有「在家男性偏少、年輕人偏少」的現象。所以就將樣本的性別、年齡，依據普查資料加權。但長期研究顯示，25歲以下年輕人投票的比例本來就比較低，而去投票的通常意識型態比較鮮明、政治態度積極度超過同儕。
美日英德法先進5國與臺灣一樣，都是年輕族群投票率低。
美、日、德、法政府均公開部分領票行為記錄，與「去識別化」的統計結果，包括年齡層分析，真實資料顯示年輕階層投票率最低。
英國政府不提供個人投票記錄給民間，但長期支持如BES（British Election Study）或Ipsos這種半官方/學術組織，透過極其嚴格的「抽樣比對名冊」來逼近真實，也是相同現象。
所以這是一個人類的共通行為模式。年輕支持者在造勢場合最醒目，提供的是「質的效果」與多元感染力，是帶風向者。
年輕族群的「量貢獻力」在量化模型下呈現負值，候選人如果只靠年輕人就輸了，年輕人變成膨風的來源。
願意回答選舉民調的是年輕人中積極的少數，但經過加權後，他們變成假的多數，更提高了年齡層的影響力，造成巨大的扭曲。
2024總統大選是最接近的具體證據：對年輕人加權愈高的民調公司，誤差愈大。
多層次回歸與事後分層模型（MRP）的機會
前文介述的「多層次回歸與事後分層模型（MRP）」，在發想之初，也曾重蹈「加權法」的覆轍，納入過多無關人口變項。
經過十餘年實證檢討後，終於逐漸探索出了如何排除「水壺廠牌」、「瓦斯桶顏色」等無關變項的程序。自2020年後，國際統計學界多認為MRP是最有潛力的發展方法。
對比式問題 未達「測量」的目的與標準
對比式問題，並非人類全體的決策方法，帶有勉強的性質，也就是可能反而導出誤差，比較像是安慰自己人的政治操作，相當醫療上的「安慰劑」，若大家相信，就繼續用下去。
物理之所以成為「科學」，是因為能夠直接且準確測量。醫學也能夠成為準科學，也是能夠間接與區間測量，但人類行為的測量還在發展中，且牽涉極複雜深入的信度、效度考驗。當前人類行為最通行的測量公式：GDP，雖已在全球各國都證明無法解釋、預測 K型、M型經濟的產生，也是美陸經貿爭議的潛在根本因素，但全球仍然因循使用中。
繞遠路則走得快、是解決公共事務的途徑
＊作者為臺灣民調創始人/臺美兩地資訊與管理退休教授
