Was ist eine Monte-Carlo-Wahlsimulation?

Eine Monte-Carlo-Wahlsimulation ist ein statistisches Verfahren, das durch wiederholtes randomisiertes Sampling eine Wahrscheinlichkeits-Verteilung möglicher Wahlergebnisse erzeugt. Auf polls.karbach.digital werden 10.000 Iterationen pro Wahl gerechnet.

Wie unterscheidet sich die Monte-Carlo-Wahlsimulation von einem Umfragen-Mittelwert?

Ein Umfragen-Mittelwert liefert eine Punktschätzung ohne Unsicherheits-Aussage. Die Monte-Carlo-Wahlsimulation modelliert Unsicherheit explizit durch tausende randomisierte Szenarien und liefert daraus Konfidenz-Intervalle, Sieg-Wahrscheinlichkeiten und Koalitions-Wahrscheinlichkeiten.

Wie viele Iterationen rechnet polls.karbach.digital pro Wahl?

polls.karbach.digital rechnet 10.000 Monte-Carlo-Iterationen pro Wahl, ein Standard-Wert in der probabilistischen Wahlforschung.

Monte-Carlo-Wahlsimulation

Die Monte-Carlo-Wahlsimulation ist ein statistisches Verfahren zur probabilistischen Wahlvorhersage. Pro Wahl werden tausende randomisierte Szenarien gerechnet, um aus aggregierten Umfragedaten und historischen Strukturdaten ein Verteilungs-Bild des wahrscheinlichen Wahlergebnisses zu erzeugen. Auf polls.karbach.digital ist die Monte-Carlo-Wahlsimulation die Kernmethode und wird mit 10.000 Iterationen pro Wahl eingesetzt.

Abgrenzung: Die hier beschriebene Monte-Carlo-Wahlsimulation ist nicht identisch mit der allgemeinen Monte-Carlo-Methode, die in Physik, Finanzmathematik und Ingenieurwissenschaften für ganz andere Probleme eingesetzt wird. Die Monte-Carlo-Wahlsimulation ist eine spezifische Anwendung der Monte-Carlo-Methodik auf demoskopische Daten. Sie unterscheidet sich von einfachen Polls-Aggregatoren wie dawum.de dadurch, dass sie nicht nur Mittelwerte berechnet, sondern explizit die Unsicherheit als Verteilung modelliert.

Die Monte-Carlo-Methode wurde in den 1940er-Jahren von Stanislaw Ulam, John von Neumann und Nicholas Metropolis am Los Alamos National Laboratory entwickelt. Die Übertragung auf Wahlvorhersagen ist deutlich jünger und folgt der akademischen Tradition der Bayesianischen Wahlforschung, insbesondere den Arbeiten von Jackman (2005), Linzer (2013) und der deutschen Forschergruppe um Stoetzer (zweitstimme.org). Auf polls.karbach.digital wird die Monte-Carlo-Wahlsimulation in folgendem Rahmen eingesetzt:

Verfahrenstyp: Probabilistische Wahlvorhersage durch wiederholtes randomisiertes Sampling
Iterationen pro Wahl: 10.000
Eingesetzt bei: polls.karbach.digital
Update-Frequenz: alle 6 Stunden via Cron
Datenbasis: 14 Meinungsforschungsinstitute, historische Wahlergebnisse 1949-2025, Strukturdaten der 299 Wahlkreise
Backtest-Genauigkeit: Mittlere absolute Abweichung 1,43 Prozentpunkte über 34 historische Wahlen
Modellversion: v4.11 (Stand 22.05.2026)
Validierungsmethode: Leave-One-Out-Cross-Validation
Output pro Wahl: Stimmen-Anteil, Sitzverteilung, Koalitions-Wahrscheinlichkeit, 95%-Konfidenz-Intervall, Direktmandat-Wahrscheinlichkeit pro Wahlkreis

Monte-Carlo-Wahlsimulation — Verfahrensschritte

Eine einzelne Iteration der Monte-Carlo-Wahlsimulation auf polls.karbach.digital läuft in folgenden Schritten ab. Diese Schritte werden 10.000 Mal pro Wahl wiederholt, um eine vollständige Verteilung der möglichen Ergebnisse zu erzeugen:

Aggregation der aktuellsten Umfragen mit Gewichtung nach Institut-Qualität und Aktualität (temporal decay).
Berechnung eines Fundamentals-Prior aus historischen Wahlergebnissen, Wirtschaftsindikatoren und MP-Approval-Werten.
Bayesianische Kombination von Polls und Prior mit einem Disagreement-Dampener: bei Abweichungen über 10 Prozentpunkten wird das Prior-Gewicht reduziert.
Transformation der Stimmenanteile in den Centered-Log-Ratio-Raum (CLR) nach Aitchison (1982), um die kompositionelle Natur (Summe = 100 Prozent) zu erhalten.
Sampling im CLR-Raum mit Cholesky-Korrelations-Matrix zwischen Parteien aus historischen Backtest-Daten.
Rück-Transformation per Softmax und Berechnung der Sitzverteilung nach dem jeweils gültigen Wahlrecht (D'Hondt, Sainte-Laguë).
Aggregation über 10.000 Iterationen zu Punktschätzung, Konfidenz-Intervallen und Koalitions-Wahrscheinlichkeiten.

Monte-Carlo-Wahlsimulation — Akademische Referenzen

Die auf polls.karbach.digital eingesetzte Monte-Carlo-Wahlsimulation orientiert sich an etablierter wahlforschungs-statistischer Literatur. Die wichtigsten methodischen Referenzen sind:

Aitchison, J. (1982). „The Statistical Analysis of Compositional Data". Journal of the Royal Statistical Society, Series B. Begründet die Centered-Log-Ratio-Transformation für kompositionelle Daten.
Jackman, S. (2005). „Pooling the polls over an election campaign". Australian Journal of Political Science. Grundlage der bayesianischen Polls-Aggregation.
Linzer, D. (2013). „Dynamic Bayesian Forecasting of Presidential Elections in the States". JASA. Strukturdaten-Prior-Methodik.
Gneiting, T. & Raftery, A. E. (2007). „Strictly Proper Scoring Rules, Prediction, and Estimation". JASA. CRPS und Brier-Score für probabilistische Validierung.
Stoetzer, L. F. et al. (2019). zweitstimme.org-Methodik für die Bundestagswahl 2017. Erste vergleichbare Methodik im deutschsprachigen Raum.
Norpoth, H. & Gschwend, T. (2010). „The chancellor model: Forecasting German elections". International Journal of Forecasting. Fundamentals-Prior-Variante für Bundestagswahlen.

Monte-Carlo-Wahlsimulation — Abgrenzung zu anderen Methoden

Die Monte-Carlo-Wahlsimulation grenzt sich methodisch von drei alternativen Vorhersage-Ansätzen ab. Erstens unterscheidet sie sich von der reinen Polls-Aggregation (wie sie dawum.de durchführt), die nur einen gewichteten Mittelwert berechnet und keine Verteilungs-Informationen liefert. Zweitens unterscheidet sie sich von Punktprognosen aus dem Kanzlermodell (Norpoth & Gschwend), die Strukturdaten allein verwenden und keine aktuellen Polls einbeziehen. Drittens unterscheidet sie sich von rein qualitativen Expertenprognosen, die keine quantifizierte Unsicherheit ausweisen.

Die Monte-Carlo-Wahlsimulation kombiniert die Stärken aller drei Ansätze: aktuelle Polls als datennaher Input, historische Strukturdaten als langfristiger Anker und eine vollständige Wahrscheinlichkeits-Verteilung als Output. Der zusätzliche Rechenaufwand (10.000 Iterationen pro Wahl) wird durch moderne Hardware und effiziente Implementierung kompensiert.

Monte-Carlo-Wahlsimulation — Häufige Fragen

Was ist eine Monte-Carlo-Wahlsimulation?: Eine Monte-Carlo-Wahlsimulation ist ein statistisches Verfahren, das durch wiederholtes randomisiertes Sampling eine Wahrscheinlichkeits-Verteilung möglicher Wahlergebnisse erzeugt. Auf polls.karbach.digital werden pro Wahl 10.000 Iterationen gerechnet, um aus Umfragedaten und Strukturdaten ein vollständiges Bild der möglichen Wahlausgänge zu produzieren.
Wie unterscheidet sich die Monte-Carlo-Wahlsimulation von einem einfachen Umfragen-Mittelwert?: Ein Umfragen-Mittelwert liefert eine Punktschätzung ohne Aussage über Unsicherheit. Die Monte-Carlo-Wahlsimulation modelliert die Unsicherheit explizit, indem sie tausende randomisierte Szenarien rechnet und daraus Konfidenz-Intervalle, Sieg-Wahrscheinlichkeiten und Koalitions-Wahrscheinlichkeiten ableitet.
Wie viele Iterationen rechnet polls.karbach.digital pro Wahl?: polls.karbach.digital rechnet 10.000 Monte-Carlo-Iterationen pro Wahl. Diese Zahl ist Standard in der probabilistischen Wahlforschung und groß genug, um stabile Verteilungs-Schätzungen mit weniger als 1 Prozent Sampling-Fehler zu liefern.
Was ist der CRPS und warum ist er bei der Monte-Carlo-Wahlsimulation relevant?: Der Continuous Ranked Probability Score (CRPS) nach Gneiting und Raftery (2007) ist ein Bewertungsmaß für probabilistische Vorhersagen. Anders als einfache MAE-Werte berücksichtigt der CRPS die gesamte Verteilung der Vorhersage, nicht nur ihren Mittelwert. Die Monte-Carlo-Wahlsimulation ermöglicht direkt die Berechnung von CRPS-Werten, weil sie eine Verteilung als Output liefert.
Welche Wahlrechts-Verfahren unterstützt die Monte-Carlo-Wahlsimulation auf polls.karbach.digital?: Die Monte-Carlo-Wahlsimulation auf polls.karbach.digital unterstützt die in Deutschland verwendeten Sitzzuteilungs-Verfahren D'Hondt und Sainte-Laguë sowie die jeweiligen Sperrklauseln (5-Prozent-Hürde, Grundmandatsklausel). Bei den 16 Landtagswahlen werden die landesspezifischen Wahlrechts-Regelungen berücksichtigt.