该区域称为微定位（如果您想用谷歌搜索）。竞选活动对他们的工具和程序非常保密，所以据我所知，除了 Hal Malchow 的《政治目标》（2008 年）或 Green & Gerber 的（2008 年）《退出投票：如何提高选民投票率》（后者涉及更多地涉及社会科学方面，例如哪些广告有效等）。

在更多技术问题上，文献更加稀缺，但请参见Murray & Scime (2010) 、 Imai & Strauss (2011)的政治分析论文（后印）或我们最近的应用统计年鉴论文Rusch, Lee， Hornik、Jank & Zeileis (2013)（后印本）。它们的共同点是它们都使用数据挖掘技术，主要是基于树的。

Murray & Scime 使用标准分类树，如 CART。

鲁施等人。使用分类树、逻辑模型以及混合树和逻辑回归。他们还使用（除其他外）随机森林、神经网络、支持向量机和贝叶斯加法回归树来与他们的混合树进行比较，如论文的回复中所述。他们的混合树在其数据集上的表现与其他方法相当，并提供更高的可解释性（我们还共享他们的代码和数据）。

Imai & Strauss 很有趣，因为他们提出了一个全面的决策理论框架来优化活动计划，而不仅仅是像其他人那样的微目标工具。因此，他们非常关注运营研究的各个方面，即如何充分利用投入到竞选活动中的每一美元。在他们使用统计技术进行微定位和投票率估计的框架方面，他们再次依赖分类树。

因此，似乎存在一些共识，即基于树的方法在该领域的使用效果很好。