Leigh, A., & Wolfers, J. (2006). Competing approaches to forecasting elections:
Economic models, opinion polling and prediction markets. Economic Record,
82(258), 325-340.
Manski, C. F. (2006). Interpreting the Predictions of Prediction Markets. Economics
Letters, 91(3), 425-429.
McHugh, P., & Jackson, A. L. (2012). Prediction market accuracy: The impact of size, incentives, context and interpretation. Journal of Prediction Markets, 6(2), 22-46.
28
Murphy, A. H. (1977). The value of climatological, categorical and probabilistic forecasts in the cost-loss ratio situation. Monthly Weather Review, 105(7), 803-816.
Murphy, A. H., & Brown, B. G. (1984). A comparative evaluation of objective and subjective weather forecasts in the United States. Journal of Forecasting, 3(4), 369-393.
Ortner, G. (1998). Forecasting markets-An industrial application. Mimeo, Technical University of Vienna.
Otsu, N. (1979). A threshold selection method from gray-level histograms. IEEE
Transactions on Systems, Man, and Cybernetics, 9(1), 62-66.
Ottaviani, M., & Sorensen, P. N. (2007). Aggregation of information and beliefs in
prediction markets (Working Paper). Retrieved May 13, 2014, from
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.320.7486&rep=rep1&type=pdf
Pauker, S. G., & Kassirer, J. P. (1980). The threshold approach to clinical decision making. The New England Journal of Medicine, 302(20), 1109-1117.
Pennock, D. M., Lawrence, S., Nielsen, F. A., & Giles, C. L. (2001). Extracting collective probabilitistic forecasts from web games. Proceedings of the Seventh
ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, New York, USA.
Servan-Schreiber, E., Wolfers, J., Pennock, D. M., & Galebach, B. (2004). Prediction markets: Does money matter? Electronic Markets, 14(3), 243-251.
Soukhoroukova, A., Spann, M., & Skiera, B. (2012). Sourcing, filtering, and evaluating new product ideas: An empirical exploration of the performance of idea markets. Journal of Product Innovation Management, 29(1), 100-112.
Spears, B., LaComb, C., Interrante, J., Barnett, J., & Senturk-Dogonaksoy, D. (2009).
Examining trader behavior in idea markets: An implementation of GE’s imagination markets. Journal of Prediction Markets, 3(1), 17-39.
Tung, C. Y., Chou, T. C., Lin, J. W., & Lin, H. Y. (2011). Comparing the forecasting accuracy of prediction markets and polls for Taiwan’s presidential and mayoral elections. Journal of Prediction Markets, 5(3), 1-26.
Wolfers, J., & Leigh, A. (2002). Three tools for forecasting federal elections lessons from 2001. Australian Journal of Political Science, 37(2), 223-240.
29
Wolfers, J., & Zitzewitz, E. (2004). Prediction markets. Journal of Economic
Perspectives, 18(2), 107-126.
Wolfers, J., & Zitzewitz, E. (2006). Interpreting prediction market prices as
probabilities (Working Paper No. 12200). Retrieved May 6, 2014, from
http://www.nber.org/papers/w12200附錄 1
根據第一節對有效候選人數（NEC）的定義，NEC 的計算過程需要真實的
得票率，因此 NEC 為事後變數。本研究以事前預測為研究目的，且研究對象不
只包含選舉類合約，故我們必須以事件發生前的交易價格代替得票率，此變數
稱為「有效合約數量」，以交易價格替代得票率，計算方法與NEC 相同：∑ ，
為第i 個候選人的「交易價格」/100， 為候選人數，其表示預測事件的預測
困難度。
以下討論「有效合約數量」、「事件合約數量」、「合約交易筆數」、
「合約交易人數」、「合約可交易天數」與「合約交易口數」等變數，對於最 適門檻和準確率的影響。我們先利用各個變數的中位數作分界，將本研究的研 究樣本區分成兩組，該變數在第一組的平均數將小於（或等於）中位數，相對
此變數在第二組的平均數大於中位數，故我們列出表 13 比較這兩組的最適門檻
與準確率：
表1-13 六項變數對最適門檻與準確度之影響
中位數 最適門檻 準確率
有效合約數量 1.26 （81.00,60.10） （92.37,89.21）
事件合約數量 9 （59.90,60.20） （90.64,90.57）
合約交易筆數 14 （78.40,59.90） （89.39,91.83）
30
合約交易人數 13 （78.40,59.90） （89.62,91.68）
合約可交易天數 14 （60.20,52.40） （87.63,93.71）
合約交易口數 1235 （60.20,59.90） （88.85,92.30）
說明：1. 括號內第一個數值，代表在小於或等於中位數樣本下所產生的數據，而括號內第二個 數值，代表在大於中位數樣本下所產生的數據。
2. 此外，部分選區交易冷落，可能產生多數合約的價格接近零，根據有效合約數量定 義：1 除以「（交易價格/100）平方值的加總」，將使有效合約數量發生不合理極端 值，此處有效樣本為有效合約數量在10 以下的合約，總共 5,972 個事件合約。
觀察上表，發現的確有部分的因素將使最適門檻異於 60，包括「有效合約
數量」、「合約交易比數」與「合約交易人數」。以「有效合約數量」為例，
小於或等於中位數的樣本，其試算的最適門檻為 81.00（括號第一個數據），對
於大於中位數的樣本而言，其最適門檻為 60.10，兩門檻存在明顯差距，就「選
舉合約」的有效合約數量低於 1.26 的樣本來說，該組當中的每一選區之有效合
約皆接近 1 個，表示同一選區候選人的價格差距拉開，預測事件的預測困難程
度相當低，所以價格門檻自然比較高。（根據上述定義，若一選區有 N 個候選
人，選情激烈選區的每人價格為N 分之一，則有效合約數量為 N）
以「合約交易筆數」與「合約交易人數」而言，市場交易冷落代表匯集資 訊較弱的合約，可能需要較高的最適門檻，以反應市場的強烈共識。但針對這 些變數，全部樣本無法像類別分組具備明確定義來劃定分組範圍，中位數分組 僅為其中一種區分樣本的方式。未來的研究可討論更多種分組方法，作全面性 和更詳盡的分析最適門檻值。
31