A hidden Markov model for latent temporal clustering with application to ideological alignment in the U.S. Supreme Court

یک رویکرد جایگزین برای مدل سازی دنباله های متغیر زمان نهفته در خوشه ها مزایای خاصی را نسبت به روش های موجود برای تحلیل داده های رای گیری دیوان عالی نشان می دهد. خانواده زنجیره مارکوف ارائه شده در اینجا خواص آماری مهم، از جمله تبادل پذیری، سازگاری زیر نمونه برداری، و برگشت پذیری با توجه به یک کلاس قابل مرتب از مدل های پارتیشن دو پارامتر راضی است. این خواص باعث می شود که مدل به دوری از داده ها، انتخاب برچسب ها و تغییرات در نمونه در طول زمان. هنگامی که با یک مدل مناسب برای پاسخ ترکیب می شود، مبادله و سازگاری به ترتیب به خواص مدل قوی تر معادله برچسب و عدم دخالت، باعث می شود که نتیجه گیری ها به راحتی قابل تفسیر باشد. این و سایر جنبه های این رویکرد با تحلیل دقیق داده های رأی در دیوان عالی کشور در دوره سال های 1946 تا 2012 نشان داده شده است. نتایج این تجزیه و تحلیل با آنچه که در مورد رفتار دادگاه در این دوره از زمان شناخته شده موافق است. در برخی موارد، این رویکرد جنبه های دادگاه را تشخیص می دهد که تجزیه و تحلیل های کمی از قبیل نمرات مارتین کوین، انجام نمی دهد.