Metodología encuesta de encuestas
Nuestro modelo estadístico de
Encuesta de Encuestas utiliza la
intención de voto en el pasado y
datos de encuestas para estimar escenarios electorales. A partir de los escenarios podemos calcular las intenciones de voto actuales y proyectarlas al día de la elección. También la probabilidad de victoria de cada candidato y la diferencia en preferencias entre los dos principales contendientes. Actualizaremos esta información todos los días desde abril de 2024 hasta antes de las elecciones del 2 de junio de 2024.
El conjunto de datos incluye encuestas desde septiembre de 2023 hasta la fecha actual, cubriendo información de más de 40 casas encuestadoras. Nuestra filosofía es recopilar todas las encuestas que sean públicas y pasen algunos criterios básicos: una encuesta debe decirnos cómo se hizo, cuándo se hizo, quién la hizo, cuál es su margen de error y cuántas personas respondieron. Si las encuestas cumplen con estas condiciones, las incluimos en las estimaciones de nuestro modelo estadístico. La influencia de cada encuesta en nuestra estimación se determina a través de ajustes específicos incorporados en nuestro modelo.
Ya que tenemos los datos, es necesario extraer correctamente la información de cada una de estas encuestas. Para hacer esto, debemos considerar:
● Ajustes por efecto de casa. Las casas encuestadoras, por su metodología o tasa de respuesta, ofrecen resultados que se inclinan sistemáticamente en menor o en mayor grado a sobreestimar o subestimar distintos candidatos, en comparación con el promedio de encuestas del mismo período.
● Sesgo general. Este término se refiere a sesgos comunes entre todas las casas encuestadoras. Esto sucede, por ejemplo, cuando cierto tipo de votante es difícil de alcanzar por todas las metodologías y todas las casas. Este error tiende a ser menor que los efectos de casa, gracias a los diferentes puntos de vista y metodologías aportadas por cada casa encuestadora.
● Error de muestreo. El error de muestreo es reportado por la casa encuestadora. Este error surge del hecho de que los resultados de las encuestas pueden variar de muestra a muestra. Tenemos en cuenta el error de muestreo al decidir cuán informativa es cada encuesta.
● Descuento por desempeño histórico. Algunas casas encuestadores han mostrado un desempeño histórico mejor que otras a lo largo de varias contiendas electorales, y damos más peso a aquellas casas con los mejores desempeños (de acuerdo al grado de precisión que las mismas casas reportan).
Después de recolectar y ajustar las encuestas, las integramos de esta manera: cada día simulamos una gran cantidad de escenarios de posibles cambios en la intención de voto de acuerdo a la información pasada y la más actual. La dirección y tamaño del cambio diario se basa en tres aspectos:
● Evolución de las intención de voto: La intención de voto es dinámica, es decir, cambia continuamente a partir de la intención de voto de días anteriores. Con el paso del tiempo, reducimos la importancia de la intención de voto más antigua, para dar mayor énfasis a la información más reciente.
● Información recién adquirida: Incorporamos los resultados de las encuestas del día al modelo, considerando aspectos como el tamaño de la muestra, el margen de error y la fiabilidad histórica de las fuentes.
● Modificadores de intención: Cada día, suponemos que ocurren sucesos que pueden cambiar el apoyo a los candidatos, de manera positiva o negativa. Nos basamos en las encuestas más recientes y en las preferencias previas para calcular el impacto total en la intención de voto de cada día para cada candidato.
Una nueva encuesta aporta datos sobre la intención de voto actual y también ayuda a afinar las estimaciones de meses pasados. Así, la serie de tiempo de nuestras estimaciones puede cambiar levemente con cada actualización.
Las simulaciones producen posibles escenarios de intenciones de voto para ese día, ofreciendo una visión de distintos desenlaces de la elección. Cada escenario muestra un resultado, influenciado por factores desconocidos que son inherentes a cualquier proceso electoral.
● Intención de voto esperada: Al calcular el promedio de los posibles escenarios, obtenemos lo que se considera el escenario más probable o esperado de la intención de voto para ese día, al cual nos referimos como la intención de voto esperada.
● Bandas de confianza: Las bandas definen el rango donde se sitúan la mayor parte de los posibles escenarios (90%), y por tanto, los más probables. No es posible predecir con completa exactitud el resultado de una elección, pues eventos inesperados pueden alterar el resultado. Lo máximo a lo que podemos aspirar es identificar qué escenarios son más probables que otros. Las bandas reflejan que hay un pequeño chance de que eventos inesperados alteren nuestras proyecciones y nos proporcionan un rango en donde con 90% de probabilidad esperamos que se encuentre la intención de voto de los candidatos.
● Brecha esperada: Para estimar la brecha esperada entre dos candidatos, utilizamos de nuevo los escenarios simulados calculando la diferencia de intenciones de voto entre los candidatos, para después determinar la brecha esperada y sus respectivas bandas de confianza del 90%. Esta estimación cuenta con su propio intervalo que refleja cómo la intención de voto sobre ambos candidatos cambia de manera conjunta. Es por esto que el intervalo no puede derivarse directamente de la gráfica de intención de voto.
● Probabilidad de ganar: La metodología basada en simulaciones nos permite progresar de manera secuencial hacia el día de la elección, generando los posibles escenarios de resultados electorales. Calculamos la probabilidad de victoria para cada candidato según la proporción de escenarios en las que salen ganadores.
Para cada una de las elecciones mostramos dos gráficas, la gráfica de intención de voto, la gráfica de brecha entre candidatos punteros y la probabilidad de ganar.
● Gráfica de intención de voto: Los puntos indican los resultados (preferencia efectiva) de las encuestas que fueron utilizadas para hacer la estimación. Las líneas muestran la intención de voto esperada y cada línea tiene una banda que incluye el 90% de los escenarios más probables.
● Gráfica de brecha: Las líneas muestran la diferencia existente entre los dos candidatos punteros y cada línea tiene una banda que incluye el 90% de los escenarios más probables.
● Probabilidad de ganar: Probabilidad de ganar el día de la elección para cada candidato.
● Nuestro método se distingue de otros, como los promedios simples, que suelen favorecer a las empresas con un mayor número de encuestas o que utilizan tamaños de muestra más grandes sin tomar en cuenta su desempeño histórico. Además, añadimos un componente dinámico que balancea adecuadamente en nuestras estimaciones la intención de voto en el pasado con la información más reciente de cada día, corrigiendo por sesgos y errores.
● Como ocurre con cualquier modelo matemático, la agregación de encuestas contiene incertidumbre. En ninguna elección, bajo ningún método, es posible saber el resultado exacto con anticipación a la votación. Nuestras bandas de error muestran con honestidad la incertidumbre inherente a nuestras estimaciones.
● Llevamos a cabo una validación constante y detallada de nuestros resultados para garantizar que representen fielmente el fenómeno que estamos estudiando. Para lograr la mayor precisión, aplicamos ajustes específicos y hechos a medida para cada una de las elecciones que analizamos: la elección presidencial y la elección de Jefe de Gobierno.
● Incluimos todas las encuestas disponibles en nuestro análisis, aplicando un criterio de ponderación automatizado y objetivo. Este enfoque garantiza una representación imparcial de los datos.
● Nuestro trabajo está libre de sesgos políticos. Nuestra motivación principal es producir análisis que nos ayuden a entender el panorama de las distintas encuestas en cada contienda electoral.
● Linzer, D. A. (2013). Dynamic Bayesian forecasting of presidential elections in the states. Journal of the American Statistical Association, 108(501), 124-134.
● Heidemanns, M., Gelman, A., & Morris, G. E. (2020). An updated dynamic Bayesian forecasting model for the US presidential election. Harvard Data Science Review, 2(4), 10-1162.
● Gschwend, T., Müller, K., Munzert, S., Neunhoeffer, M., & Stoetzer, L. F. (2022). The Zweitstimme model: A dynamic forecast of the 2021 German federal election. PS: Political Science & Politics, 55(1), 85-90.
● Stan Development Team. 2023. Stan Modeling Language Users Guide and Reference Manual. https://mc-stan.org
¿Qué encuestas incluimos?
El conjunto de datos incluye encuestas desde septiembre de 2023 hasta la fecha actual, cubriendo información de más de 40 casas encuestadoras. Nuestra filosofía es recopilar todas las encuestas que sean públicas y pasen algunos criterios básicos: una encuesta debe decirnos cómo se hizo, cuándo se hizo, quién la hizo, cuál es su margen de error y cuántas personas respondieron. Si las encuestas cumplen con estas condiciones, las incluimos en las estimaciones de nuestro modelo estadístico. La influencia de cada encuesta en nuestra estimación se determina a través de ajustes específicos incorporados en nuestro modelo.
¿Cómo ajustamos las encuestas?
Ya que tenemos los datos, es necesario extraer correctamente la información de cada una de estas encuestas. Para hacer esto, debemos considerar:
● Ajustes por efecto de casa. Las casas encuestadoras, por su metodología o tasa de respuesta, ofrecen resultados que se inclinan sistemáticamente en menor o en mayor grado a sobreestimar o subestimar distintos candidatos, en comparación con el promedio de encuestas del mismo período.
● Sesgo general. Este término se refiere a sesgos comunes entre todas las casas encuestadoras. Esto sucede, por ejemplo, cuando cierto tipo de votante es difícil de alcanzar por todas las metodologías y todas las casas. Este error tiende a ser menor que los efectos de casa, gracias a los diferentes puntos de vista y metodologías aportadas por cada casa encuestadora.
● Error de muestreo. El error de muestreo es reportado por la casa encuestadora. Este error surge del hecho de que los resultados de las encuestas pueden variar de muestra a muestra. Tenemos en cuenta el error de muestreo al decidir cuán informativa es cada encuesta.
● Descuento por desempeño histórico. Algunas casas encuestadores han mostrado un desempeño histórico mejor que otras a lo largo de varias contiendas electorales, y damos más peso a aquellas casas con los mejores desempeños (de acuerdo al grado de precisión que las mismas casas reportan).
¿Cómo agregamos las encuestas?
Después de recolectar y ajustar las encuestas, las integramos de esta manera: cada día simulamos una gran cantidad de escenarios de posibles cambios en la intención de voto de acuerdo a la información pasada y la más actual. La dirección y tamaño del cambio diario se basa en tres aspectos:
● Evolución de las intención de voto: La intención de voto es dinámica, es decir, cambia continuamente a partir de la intención de voto de días anteriores. Con el paso del tiempo, reducimos la importancia de la intención de voto más antigua, para dar mayor énfasis a la información más reciente.
● Información recién adquirida: Incorporamos los resultados de las encuestas del día al modelo, considerando aspectos como el tamaño de la muestra, el margen de error y la fiabilidad histórica de las fuentes.
● Modificadores de intención: Cada día, suponemos que ocurren sucesos que pueden cambiar el apoyo a los candidatos, de manera positiva o negativa. Nos basamos en las encuestas más recientes y en las preferencias previas para calcular el impacto total en la intención de voto de cada día para cada candidato.
Una nueva encuesta aporta datos sobre la intención de voto actual y también ayuda a afinar las estimaciones de meses pasados. Así, la serie de tiempo de nuestras estimaciones puede cambiar levemente con cada actualización.
¿Cómo calculamos los resultados?
Las simulaciones producen posibles escenarios de intenciones de voto para ese día, ofreciendo una visión de distintos desenlaces de la elección. Cada escenario muestra un resultado, influenciado por factores desconocidos que son inherentes a cualquier proceso electoral.
● Intención de voto esperada: Al calcular el promedio de los posibles escenarios, obtenemos lo que se considera el escenario más probable o esperado de la intención de voto para ese día, al cual nos referimos como la intención de voto esperada.
● Bandas de confianza: Las bandas definen el rango donde se sitúan la mayor parte de los posibles escenarios (90%), y por tanto, los más probables. No es posible predecir con completa exactitud el resultado de una elección, pues eventos inesperados pueden alterar el resultado. Lo máximo a lo que podemos aspirar es identificar qué escenarios son más probables que otros. Las bandas reflejan que hay un pequeño chance de que eventos inesperados alteren nuestras proyecciones y nos proporcionan un rango en donde con 90% de probabilidad esperamos que se encuentre la intención de voto de los candidatos.
● Brecha esperada: Para estimar la brecha esperada entre dos candidatos, utilizamos de nuevo los escenarios simulados calculando la diferencia de intenciones de voto entre los candidatos, para después determinar la brecha esperada y sus respectivas bandas de confianza del 90%. Esta estimación cuenta con su propio intervalo que refleja cómo la intención de voto sobre ambos candidatos cambia de manera conjunta. Es por esto que el intervalo no puede derivarse directamente de la gráfica de intención de voto.
● Probabilidad de ganar: La metodología basada en simulaciones nos permite progresar de manera secuencial hacia el día de la elección, generando los posibles escenarios de resultados electorales. Calculamos la probabilidad de victoria para cada candidato según la proporción de escenarios en las que salen ganadores.
¿Qué resultados mostramos?
Para cada una de las elecciones mostramos dos gráficas, la gráfica de intención de voto, la gráfica de brecha entre candidatos punteros y la probabilidad de ganar.
● Gráfica de intención de voto: Los puntos indican los resultados (preferencia efectiva) de las encuestas que fueron utilizadas para hacer la estimación. Las líneas muestran la intención de voto esperada y cada línea tiene una banda que incluye el 90% de los escenarios más probables.
● Gráfica de brecha: Las líneas muestran la diferencia existente entre los dos candidatos punteros y cada línea tiene una banda que incluye el 90% de los escenarios más probables.
● Probabilidad de ganar: Probabilidad de ganar el día de la elección para cada candidato.
¿Por qué confiar en nosotros?
● Nuestro método se distingue de otros, como los promedios simples, que suelen favorecer a las empresas con un mayor número de encuestas o que utilizan tamaños de muestra más grandes sin tomar en cuenta su desempeño histórico. Además, añadimos un componente dinámico que balancea adecuadamente en nuestras estimaciones la intención de voto en el pasado con la información más reciente de cada día, corrigiendo por sesgos y errores.
● Como ocurre con cualquier modelo matemático, la agregación de encuestas contiene incertidumbre. En ninguna elección, bajo ningún método, es posible saber el resultado exacto con anticipación a la votación. Nuestras bandas de error muestran con honestidad la incertidumbre inherente a nuestras estimaciones.
● Llevamos a cabo una validación constante y detallada de nuestros resultados para garantizar que representen fielmente el fenómeno que estamos estudiando. Para lograr la mayor precisión, aplicamos ajustes específicos y hechos a medida para cada una de las elecciones que analizamos: la elección presidencial y la elección de Jefe de Gobierno.
● Incluimos todas las encuestas disponibles en nuestro análisis, aplicando un criterio de ponderación automatizado y objetivo. Este enfoque garantiza una representación imparcial de los datos.
● Nuestro trabajo está libre de sesgos políticos. Nuestra motivación principal es producir análisis que nos ayuden a entender el panorama de las distintas encuestas en cada contienda electoral.
Implementación y referencias
● Linzer, D. A. (2013). Dynamic Bayesian forecasting of presidential elections in the states. Journal of the American Statistical Association, 108(501), 124-134.
● Heidemanns, M., Gelman, A., & Morris, G. E. (2020). An updated dynamic Bayesian forecasting model for the US presidential election. Harvard Data Science Review, 2(4), 10-1162.
● Gschwend, T., Müller, K., Munzert, S., Neunhoeffer, M., & Stoetzer, L. F. (2022). The Zweitstimme model: A dynamic forecast of the 2021 German federal election. PS: Political Science & Politics, 55(1), 85-90.
● Stan Development Team. 2023. Stan Modeling Language Users Guide and Reference Manual. https://mc-stan.org