Nein, Virginia hat keine Doppelregistrierungsquote von 33 %

Diese Woche ging auf X eine Geschichte viral – befeuert von einem Repost von Elon Musk –, wonach das US-Justizministerium (DoJ) den Wahlleiter des Bundesstaats Virginia verklagt, weil der Staat 2024 eine „Doppelregistrierungsquote von 33 %” gehabt haben soll.

2024 haben wir unsere eigene Analyse veröffentlicht: Über rund 50 Millionen Wählerregistrierungen aus 7 Bundesstaaten (AR, FL, GA, MI, NC, OH und PA) lag die Duplikatquote insgesamt bei 0,8 %. Wir halten es für höchst unwahrscheinlich, dass Virginia eine Duplikatquote hat, die 41-mal höher liegt als in den 7 von uns geprüften Staaten.

Daten aus Virginia haben wir nicht analysiert, weil die Wählerregistrierungsliste (VRL) von Virginia zum Zeitpunkt unserer Analyse 6.000 USD kostete. Der Preis wurde inzwischen auf 600 USD gesenkt.

Außerdem fällt uns auf, dass in der Klageschrift der landesweite Durchschnitt der Doppelregistrierungsquote mit 12,7 % angegeben wird – schon das ist eine verdächtig hohe Zahl (15,8-mal höher als unser Wert).

Zunächst: Warum kümmert uns (Tilores) das? Unsere Technologie ist darauf spezialisiert, doppelte und verbundene Datensätze (also etwa Wählerdatensätze) aus einem oder mehreren Datenbeständen (also etwa Wählerlisten verschiedener Bundesstaaten) zu identifizieren. In der Data Science heißt das „Entity Resolution”. Unsere Software wird typischerweise für Betrugserkennung und Geldwäschebekämpfung im Finanzbereich eingesetzt, lässt sich aber auch für den Aufbau einheitlicher Kundensichten (Single Customer Views, SCVs) in nahezu jedem Anwendungsfall nutzen.

Die Herausforderung in der Entity Resolution besteht darin, solche verbundenen oder doppelten Datensätze zu erkennen, wenn sie nicht identisch sind. Hier ein Tippfehler, dort ein Spitzname, dazu fehlende oder widersprüchliche Angaben – und schon sind Datensätze, die für das menschliche Auge offensichtlich zusammengehören, aus Sicht eines Computers nicht identisch.

Nehmen Sie zum Beispiel meinen eigenen Namen, Steven Renwick: Er ließe sich leicht als Stephen Rennick verschreiben. Diese beiden Namen sind nicht identisch, aber ein Mensch erkennt, dass sie zur selben Person gehören könnten. Kommen ein übereinstimmendes Geburtsdatum, eine Mobilnummer oder eine Postanschrift hinzu (die alle für sich genommen ebenfalls unsauber und uneinheitlich sein können), dann können Sie ziemlich sicher sein, dass diese beiden Identitäten zu derselben realen Person gehören.

Entity Resolution ist ein Feld, das mehr verspricht, als es hält. Es scheint so, als genüge die Kombination einiger Ähnlichkeitsalgorithmen wie der Levenshtein-Distanz, die vergleicht, wie ähnlich sich zwei Zeichenketten sind, um einen Datenbestand zu analysieren. Die bittere Erfahrung der meisten ist jedoch, dass einfache Ansätze über den unsauberen Long Tail realer Daten hinweg nicht gut genug funktionieren.

Hinzu kommt: Als „quadratisch skalierendes Problem”, bei dem für eine vollständige Analyse jeder Datensatz mit jedem anderen verglichen werden muss, macht es einer gewöhnlichen Data Scientist schwer, ihre Analyse iterativ zu verbessern, sobald der Datenbestand größer ist als ein paar Tausend Datensätze.

Was ist also los? Warum geht das DoJ von einer so hohen Doppelregistrierungsquote aus?

Nun, die ursprüngliche Analyse, die die Klage ausgelöst hat, lässt sich tatsächlich finden. Erstellt wurde sie von einer Organisation, die sich Electoral Process Education Corp (EPEC) nennt. Zum Zeitpunkt der Abfassung dieses Textes funktioniert keine ihrer beiden Websites (epec.info und DigitalPollwatchers.org), sie hat aber einen aktiven X-Account, und ihre Analyse ist auf Substack verfügbar, wo der Autor seine Methodik recht ausführlich beschreibt. Leider sind mehrere Verweise auf frühere Analysen nicht abrufbar, da sie auf die Websites der Organisation verlinkten.

Der Autor stützt sich in erster Linie auf die Levenshtein-Distanz, angewendet auf Vorname + zweiter Vorname + Nachname + Namenszusatz + vollständiges Geburtsdatum. Man muss ihm zugutehalten, dass er mehrfach betont, potenzielle Duplikate zu identifizieren. Außerdem hebt er mehrfach hervor, dass eine größere Unschärfe bei der Levenshtein-Distanz zwar mehr echte Duplikate finden kann, zugleich aber mehr False Positives erzeugt.

Eine der größten Herausforderungen in der Entity Resolution ist die Balance zwischen False Positives (Stichwort „Precision” – die gefundenen Duplikate sind in Wahrheit keine) und False Negatives (Stichwort „Recall” – zwei Datensätze sind Duplikate, das System hat sie aber nicht erkannt).

Er erkennt auch die vertrackte Mathematik der Entity Resolution an und rechnet vor, dass man über die rund 6 Millionen Datensätze der Wählerliste von Virginia (RVL) hinweg rund 3,8 × 10^13 verschiedene Zeichenkettenvergleiche anstellen müsste – was nach seiner Rechnung 202,5 Billiarden Zeichenvergleichen entspricht. Puh!

Wie unterscheidet sich also die Methodik des EPEC-Autors von unserer? Offenbar wendet er die Levenshtein-Distanz in einer einzigen großen Analyse auf sämtliche infrage kommenden Attribute an. Kein Wunder, dass er so viele Zeichenketten- und Zeichenvergleiche vor sich hat.

Tilores ist ein regelbasiertes Entity-Resolution-System, in dem sich sehr feingranulare Abgleiche definieren lassen. Für unsere Wähleranalyse haben wir 15 Regeln erstellt. Sobald zwei Datensätze auch nur eine einzige Regel auslösen, betrachten wir sie als zusammengehörig und weisen ihnen dieselbe Entitäts-ID zu.

Gehen wir diese Regeln einzeln durch, damit Sie eine Vorstellung davon bekommen, wie ein Entity-Resolution-System auf Enterprise-Niveau mit solchen Daten umgeht.

Ein Matcher in Tilores lässt sich beliebig konfigurieren. „Similar first_name” bedeutet zum Beispiel, dass das Feld first_name erstens mit dem phonetischen Algorithmus Metaphone verglichen wurde – und wenn zwei Zeichenketten phonetisch gleich waren, mussten sie zusätzlich eine Levenshtein-Distanz von 0 für Zeichenketten unter 5 Zeichen (also Identität), von 1 für Zeichenketten mit 5 bis 7 Zeichen und von 2 für Zeichenketten ab 8 Zeichen einhalten. Je länger die Zeichenkette, desto mehr Abweichungen haben wir also zugelassen. Zum Vergleich: Der EPEC-Autor ließ eine Levenshtein-Distanz von bis zu 3 zu.

Wir hatten weitere Hilfsmittel, etwa Listen mit Spitznamen, häufigen Namen und seltenen Namen. Außerdem nutzen wir ein recht umfassendes ETL-artiges Modul, um die Daten zu normalisieren, bevor wir sie überhaupt abgleichen.

Zweifellos ist der Versuch des EPEC-Autors für eine Entity-Resolution-Analyse ohne Spezialwerkzeug recht solide. Die obige Beschreibung gibt Ihnen aber hoffentlich eine Vorstellung davon, warum es so kompliziert ist, das sauber zu machen, und warum man dafür wirklich ein spezialisiertes Entity-Resolution-System braucht.

Was mich verwirrt, ist, wie sie auf die Zahl von 33,2 % Duplikatquote gekommen sind. Der EPEC-Autor nennt eine Höchstzahl von rund 159.000 Duplikaten. Bei einer Wählerschaft von 6 Millionen wären das rund 2,6 % – deutlich näher an unserer eigenen Analyse, die in den 7 Staaten eine Duplikatquote von 0,32 bis 1,1 % ergab. Immer noch hoch, aber weit entfernt von 33 %.

Ich kann nur vermuten, dass der Nenner dieser Rechnung – der nicht aus der Analyse des EPEC-Autors stammt und in der Klageschrift als aus einer anderen Quelle, der Election Administration and Voting Survey 2024, übernommen genannt wird – auf der Zahl der Neuregistrierungen beruht. Das wäre keine sonderlich kluge Art, die Analyse anzulegen, denn der häufigste Grund für eine (Neu-)Registrierung ist ein Umzug. Gerade bei einem Wechsel des County ist die Wahrscheinlichkeit hoch, dass die neue Registrierung erfolgt, bevor das bisherige Wählerprofil entfernt wird.

Das ist ein Verwaltungsproblem und kein Anzeichen für irgendetwas Unlauteres.

Der EPEC-Autor weist darauf hin, dass er mit Zugriff auf die Sozialversicherungsnummern oder Führerscheinnummern der Wähler eine umfassendere Analyse durchführen könnte. Zu demselben Schluss sind wir gekommen. Für eine korrekte Analyse braucht es einen Ansatz über mehrere Datenquellen hinweg.

Und raten Sie mal: In den USA gibt es eine Organisation, die genau das tut!

Nachdem wir unsere erste Wählerdatenanalyse veröffentlicht hatten, erfuhren wir von einer Organisation namens Electronic Registration Information Center (ERIC) – einer überparteilichen NGO, die direkt mit den Bundesstaaten zusammenarbeitet, um genau diese Analyse durchzuführen: mit umfassenden Daten, einschließlich Sozialversicherungs- und Führerscheinnummern.

Ihr Ziel ist es, die Qualität der Wählerdaten zu verbessern und so das Vertrauen in den Wahlprozess zu stärken – indem Duplikate beseitigt und zugleich Menschen auf anderen Listen identifiziert werden, die nicht zur Wahl registriert sind, es aber sein könnten.

Der Bundesstaat Virginia könnte schlicht mit ERIC zusammenarbeiten, um die Qualität seiner Wählerdaten zu belegen (und zu verbessern). ERIC arbeitet sowohl mit „roten” als auch mit „blauen” Bundesstaaten zusammen (21 Staaten plus DC). Verrückt ist allerdings, dass die Organisation in jüngerer Zeit von Leuten angegriffen wurde, die meinen, ihre Arbeit begünstige irgendwie die eine oder die andere Seite. Als könnte eine höhere Wahlbeteiligung jemals etwas Schlechtes sein.

Unterm Strich wirkt das wie eine politisch motivierte Klage (wer hätte es gedacht?), gestützt auf eine solide, aber vielleicht naive Entity-Resolution-Analyse – und verstärkt durch eine Fehldarstellung dieser Duplikatzahl, die suggeriert, 33 % der Wählerprofile in Virginia seien Duplikate.

Wenn Sie diese Analyse mit Tilores durchführen möchten, arbeiten wir gern mit Ihnen zusammen. Nehmen Sie einfach Kontakt mit uns auf.