民調支持率、勝選機率與市場價格，為什麼不能直接相比？

先確認這個百分比回答什麼問題

民調支持率和勝選機率不能只看百分比就直接相比。你要先問：這是在說受訪者目前支持誰、模型預測誰會勝選，還是某個合約的報價？三者可以在問題、對象與時間對齊後一起比較，但沒有一個不看條件就通用的換算方式。

例如，詢問「你現在支持誰」和「你認為誰最後會贏」，即使訪問同一批人，也是在估計不同的事。民調中的全體成人、已登記選民與可能投票者，也不是可以直接互換的母體。把未表態者排除後的支持率，又和保留未表態者的比例不同；這些數字都不能直接當成未來有效票的分配。[1]

先掌握基本機制，可看預測市場如何解讀價格與機率。這裡只考慮一種簡化的二元合約：事件發生給付1單位，未發生給付0單位。在這些條件與相關假設下，價格占最高給付的比例可被讀作隱含機率；它仍不是選民支持率，也不是固定不變的真實機率。有些合約給付的是得票率或區間結果，不能套用同一解讀。

從母體、訪問期間與調查方法讀民調

讀一份民調，先找原題目、目標母體、樣本數及實際作答的分母，再看訪問方式、加權、可能投票者的篩選與未表態者如何處理。支持某人的比例，可能是全體受訪者中的比例，也可能只計算已表態者。若報告沒有交代，先記為未知，不要自行補成某一種口徑。

抽樣誤差範圍只描述特定估計量、抽樣設計與信賴程序下的不確定性。95%信賴水準談的是：在該設計及程序的假設成立時，重複抽樣所建構的區間如何涵蓋目標參數；它不是某位候選人有95%的勝選機率，也不是全部誤差的上限。涵蓋不足、未回覆、題目措辭、訪問方式與投票者假設，仍可能帶來其他誤差。[1]

兩人的差距、子群體比例及加權後的估計，需要各自適用的不確定性計算。不能把每個誤差範圍一律加倍或直接相加，也不能把傳統機率抽樣的誤差公式套在所有自願填答或配額調查上。本篇沒有提供新的誤差公式。

另把訪問起訖日與發布時間分開記。週五發布的報告，訪問可能早已結束；拿它與週五晚間的市場報價比較時，兩者掌握資訊的時段可能不同。這是需要核對的原因，尚不能據此判定其中一方錯誤。

支持率要變成預測，還缺哪些假設？

勝選機率是對指定未來事件的預測。模型必須交代誰被計入有效票、投票率及未表態者如何處理、距離投票還有多久，以及目前到投票日之間可能如何變動。資料估計的不確定性與對未來變化的假設，不能當成同一件事。單一支持率本身不足以決定勝選機率。[2]

因此，「平均預期得票率」也不等於「勝選機率」。前者以得票百分比為單位，後者要看完整的可能結果分布中，有多少機率落在勝選條件之內。平均數可以落在模型根本沒有列出的結果上；只知道平均數，仍不知道跨過門檻的機率有多少。

平均得票率相同，勝選機率仍可不同

下面的M1與M2完全是虛構的教學模型。所有有效票都分給甲或乙，甲的得票率嚴格大於50%才算勝選，列出的情境沒有平票。每個模型只包含表中兩種互斥且完整的可能結果；同一場選舉不會同時發生這兩種結果。表中的機率是事先指定的假設權重，不是民調測得的頻率，也不是任何研究估算或市場報價。

這個例子不處理第三位候選人、未表態、未投票、無效票、選舉人團、席次轉換、排序選擇、重新計票或平票處理。它也不是台灣、香港或其他地方的實際選舉規則。甲乙的有效票比例加總為100%，只在這個簡化設定內成立。

M1的兩個權重加總為1，甲的平均預期得票率為24.5%＋26.5%＝51%，乙為25.5%＋23.5%＝49%。甲只在第二種情境勝選，所以甲勝選的機率為50%，落選的機率也為50%；乙勝選的機率為50%。這不是兩份民調的平均，而是同一個假設分布的加權平均。

M2的權重也加總為1，甲的平均預期得票率為12%＋39%＝51%，乙為13%＋36%＝49%。甲在第二種情境勝選，機率為75%；甲落選與乙勝選的機率均為25%。兩個模型中，乙落選的機率分別等於甲勝選的50%與75%。

兩者給甲的平均數都是51%，卻分別給出50%與75%的勝選機率，相差25個百分點，不是相對增加25%。而且51%不是任何一個模型中的可能得票結果，不能因此說它是最可能的結果。這個反例只說明平均數不足以決定勝選機率；它不會把某份民調轉成預測，也沒有算出公平合約價格、期望報酬或可交易的優勢。

要理解這類加權計算，可搭配完整且互斥的情境表。本篇的票數設定是為了分清量的種類，不是建議你採用某個模型預測選舉。

對照合約題目、觀察時點與結果判定

先確認模型預測的事件，是否和合約判定的事件一致。某個地區的支持率，不一定能回答另一個地區、不同選舉階段或不同勝選制度的合約。需要核對的還有指定結果來源、截止或到期時間，以及作廢、更正和爭議處理規則。本篇不確認任何特定選舉合約目前存在。[3]

報價也要寫出幣別、給付單位、買價、賣價或最後成交價，以及記錄時點。市場參與者自行選擇是否進場，價格不會把每個人的意見一人一票地加總；資金、風險偏好、參與限制、流動性與買賣價差都可能影響報價。成交量既不是代表性選民樣本，也不能單獨證明資訊品質或準確度。

若你看到的是賠率格式而非合約價格，先用本金、總收回金額與獲利的區別釐清單位，再做比較。總給付不是淨利；預測方向正確，也不代表扣除成本後一定獲利。

把差異記下來，不把任何一方當成保證

比起直接問「民調和市場誰比較準」，先為同一個事件建立三列紀錄。缺少的方法或時間就標為未知，別因為兩個數字都帶有百分號而補成同一口徑。下表是待填的比較工具，沒有填入任何當前選舉、候選人或合約資料。

填完後，差異可能來自母體、時間、假設或合約條件，也可能涉及預測誤差；這份紀錄本身不能替你決定誰會贏。對齊條件讓比較更有意義，並不保證市場或民調一定正確。

歷史比較與閱讀理解，都不是獲利保證

研究中的比較受樣本、模型、預測期間、合約設計與評估指標影響。Reade與Vaughan Williams在2019年發表的研究涉及2008至2012年的美國資料；Erikson與Wlezien在2008年的研究涉及1988至2004年的IEM脈絡。這些歷史範圍不能變成當前平台的準確率排行，也不能推出民調或市場永遠較準、不會被操縱等結論。[2] [3]

理解機率仍可能損失本金；費用、價差、可成交數量、規則與結算風險都須另看。真實金錢合約不是可靠收入來源，也不是追回先前損失的方法。不參與也是可行的選擇。本篇不提供候選人選擇、競選策略或交易建議。

能讀到繁體中文或看到報價，不代表你有法律或帳戶使用資格。語言、實際所在地、居住地、服務條款與當地法律是不同的條件；台灣、香港與中國大陸不能因為使用相關文字而視為同一司法管轄區。瀏覽、註冊、KYC、入金、交易、提領與最終外部入帳也各有不同條件，本篇沒有逐一測試或確認。

民調、勝選機率與價格的常見問題

支持率51%，就是有51%的機會當選嗎？

不是固定的換算。先確認民調分母，再定義未來事件、完整得票分布、預測期間與模型假設。當前支持、預期得票與勝選機率回答不同問題。

95%信賴水準，是95%的勝選機率嗎？

不是。它描述指定估計量、抽樣設計與程序下的區間涵蓋性質，不是候選人的勝選機率，也不涵蓋所有調查與預測誤差。未回覆、涵蓋不足及未來變化等問題仍須分開處理。

平均得票率都51%，勝選機率怎麼會不同？

要看門檻兩側的機率如何分配。在本篇完全虛構的M1、M2中，甲勝選機率分別為50%與75%，平均得票率卻同為51%。全部情境與假設權重都列在表中，不是實際民調或台灣選舉模型。

市場和民調不同，能直接說誰錯了嗎？

不能只看數字不同就下結論。先核對問題、母體、訪問與報價時間、模型分布及合約條件；即使對齊，也不能因此宣稱其中一方永遠更準。

看懂價格後，就能交易或保證獲利嗎？

不能。你仍可能損失全部投入本金，給付也不等於淨利。費用、執行及結算規則、個人資格和適用法律須另行確認；本文不證明某個合約可用，也不授予交易許可。

資料來源與適用範圍

本篇依據Andrew Mercer於2016年發布的Pew Research Center方法說明，以及先前保存的Reade與Vaughan Williams於2019年發表論文之接受稿前段、Erikson與Wlezien於2008年發表論文之前段。查閱日期指保存文字的查閱，不是研究發表日期或即時資料更新。論文前段不等於完整方法或附錄審閱；其中美國2008至2012年、IEM1988至2004年的歷史範圍，不能當成當前準確率排行。M1、M2及權重是本文自行設定的虛構例子，並非引用研究的估算。本篇未查核當前民調、選舉報價、平台費用或個人資格。

1. Understanding the margin of error in election polls
2. Polls to probabilities: comparing prediction markets and opinion polls
3. Are Political Markets Really Superior to Polls as Election Predictors?