Pronósticos electorales: actualizar y calibrar

En los pronósticos electorales que recientemente lanzamos distinguimos entre una calibración y una actualización. La similitud es que en ambos casos agregamos una encuesta a la matriz de datos. La diferencia es la fecha mediana del trabajo de campo de la encuesta. La calibración es cuando agregamos una encuesta con una fecha mediana de trabajo de campo más antigua que la última encuesta en la matriz de datos. La actualización es cuando agregamos una encuesta que con una fecha mediana de trabajo de campo más reciente que la última encuesta en la matriz de datos.

La diferencia es sutil, pero sensible. Como explicamos en varios artículos de este sitio (ver aquí), cuando agregamos una encuesta nueva, cambia el peso de las encuestas viejas. Mientras que las encuestas nuevas pesan 100%, las encuestas viejas toman una ponderación de acuerdo al número de días que la separan de la elección. Cuando agregamos una encuesta antigua, entra pesando menos que cuando agregamos una encuesta reciente. Además, la lógica de la inferencia bayesiana que utilizamos es justamente corregir la forma en que pensamos sobre el pasado al recibir información sobre el presente.

Un ejemplo puede clarificar la diferencia. Al usar estadística bayesiana usamos el intervalo de credibilidad (análogo al intervalo de confianza). Este intervalo muestra el rango dentro del cual puede caer el pronóstico. Entre otras características cabe destacar que no es un intervalo simétrico (un candidato puede tener un margen superior mayor que un margen inferior). Al agregar una encuesta a la matriz de datos, el intervalo disminuye alrededor de su fecha. Cuando se calibra el pronóstico, el intervalo disminuye antes en la simulación. Cuando se actualiza, el intervalo disminuye en lo más reciente de la simulación.

Comentarios cerrados.