¿Cómo predecir las elecciones?

Sin título

Por Basilio Moreno Peralta

Dentro de dos meses escasos se celebrarán las próximas elecciones generales españolas, que se esperan para el 20 de diciembre. Tras cuatro años en los que el partido del gobierno ha disfrutado de una amplia mayoría absoluta parlamentaria, la política española parece estar a punto de cambiar profundamente. O al menos eso dicen quienes entienden del asunto. Leyendo los periódicos y viendo los telediarios es muy probables que lleguemos a las mismas conclusiones que ellos, pero confiar en el zeitgeist político del momento no parece un método excesivamente científico. ¿Es posible hacer predicciones sobre los resultados electorales de manera rigurosa? ¿Cuáles son las herramientas disponibles para los investigadores que tratan de anticipar la decisión de millones de personas el domingo electoral? ¿Acaso existe alguna?

A pesar del destacado desarrollo que han experimentado los estudios en comportamiento electoral, el campo de la predicción electoral no se encuentra en la misma situación. Los trabajos académicos en predicción dejan ver que esta subdisciplina se encuentra en un nivel menos avanzado, al menos para una mayoría de países. La predicción electoral ha pasado por un amplio desarrollo en el caso de los Estados Unidos. Allí la tendencia principal de estas investigaciones ha estado dominada por la visión conocida como estructuralista desde mediados de los noventa hasta unos años atrás. La principal característica de los modelos predictivos estructuralistas es que se apoyan en las teorías económicas del voto (Downs, 1957). El supuesto principal de estas es que los votantes votan de manera racional, partiendo para ello de una definición limitada o estrecha del concepto de racionalidad. Esto implica que los ciudadanos deberían tomar en consideración su situación material cuando se acercan las elecciones y tienen que juzgar la acción del gobierno sobre sus intereses a lo largo de la legislatura que termina. Generalmente, cuando la renta disponible de las personas aumenta, el desempleo se reduce o la inflación se mantiene estable con valores contenidos, la mayoría de personas se beneficiarán de tal entorno económico.Por tanto, es previsible que el nivel de apoyo al partido en el gobierno sea alto. Por otra parte, cuando las políticas del gobierno hacen empeorar el nivel de bienestar de los ciudadanos (o al menos ellos piensan que es así), la mejor forma de defender sus intereses sería echar al gobierno para posibilitar la llegada de uno nuevo esperando que les resulte más beneficioso. Así las cosas, las elecciones se convierten básicamente en un instrumento para castigar o premiar a los gobiernos de acuerdo con los resultados económicos de sus políticas. El ejercicio de atribución de responsabilidades requerido para alcanzar la decisión de a quién votar deviene más complicado con gobiernos de coalición porque hace más difícil atribuir la responsabilidad de una política a uno de los miembros de la coalición u otro. De hecho bajo gobiernos de coalición la estimación electoral suele ser menos fiable (Lewis-Beck & Dassonneville, 2015), pero este no es un tema demasiado preocupante ya que no hemos tenido ningún gobierno de coalición en la Moncloa hasta el momento.

Mediante el uso de herramientas estadísticas relativamente sencillas como las regresiones de mínimos cuadrados ordinarias (OLS por sus siglas en inglés), los modelos estructurales buscan las variables fundamentales que determinan el porcentaje de voto que recibirá el partido en el gobierno en las próximas elecciones. Indicadores económicos de tipo macro como el crecimiento del PIB o la tasa de desempleo, por ejemplo, constituyen variables explicativas comunes. La mayoría de modelos incluye también algún tipo de medida referente al nivel de popularidad de que goza el partido en el gobierno o el Presidente para añadir información de un cariz más político al modelo (para ver ejemplos cercanos puede consultarse Campbell, 2014 y los trabajos relacionados).

Más allá de los Estados Unidos algunos académicos también han publicado modelos de predicción estructurales en contextos de sistemas de partidos más plurales. Austria aparece como un ejemplo reciente que ha sido analizado con datos históricos que se remontan a 1953 (Aichholzer y Willmann, 2014). En esa investigación, los autores intentaron predecir el porcentaje de voto que conseguirían los dos partidos principales del país, cuya unión se denomina como “gran coalición”. Sin embargo, este enfoque metodológico no es muy común en el resto de la literatura investigadora. Como cabría esperar, nos encontramos que la mayoría de los modelos de previsión estructurales abandonan cualquier intento de conocer el posible resultado electoral de cualquier partido que no se encuentre en el gobierno; ya sea esta una organización política de nivel subregional, como el Scottish National Party en las elecciones de Westminster o un potencial relevo gubernamental con implantación a nivel estatal (Bellucci, 2010; Lebo y Norpoth , 2011).

Un enfoque alternativo se ha centrado principalmente en la agregación de las encuestas de opinión que preguntan a los ciudadanos acerca de sus intenciones de voto, o complementaria, su identidad o cercanía ideológica a los partidos políticos. Es común que los estudios basados en este método establezcan una variable latente de interés (es decir, el porcentaje de votos obtenidos por un partido determinado) que no se puede medir directamente con total fiabilidad… a menos que se celebren unas elecciones. Para aplicar un método estadístico bayesiano en la predicción electoral a partir de datos encuesta, que suele ser el método más utilizado, partimos de una distribución de probabilidades a priori (como el resultado de las elecciones anteriores). Esta sería nuestra “apuesta” de resultado si no dispusiésemos de información nueva: asumir que se mantienen los resultados de las últimas elecciones. Sin embargo, luego podemos actualizar dicha estimación con nuevos datos de opinión pública a medida que están disponibles. Para una mejor comprensión del tema, Jackman (2004 y 2005) proporciona una mejor introducción a la estadística bayesiana aplicada al seguimiento de la opinión pública, así como en la ciencia política en general.

Otro ejemplo (menos académico) es el de Nate Silver (2012 capítulo 2 y 2014). Podemos pensar en las estimaciones del resultado electoral realizadas por este pronóstico como distribuciones de probabilidad asignadas al estado de nuestra variable latente (voto al partido A) en el día de las elecciones. Entonces, tan pronto como tengamos nueva información disponible tendríamos posibilidad de actualizar su valor estimado en el tiempo. Si alguien nos pregunta por el resultado que obtendrá el partido A en las próximas elecciones y no sabemos qué tal lo está haciendo, la primera pista de su nivel de apoyo futuro podría ser ver qué tal le fue en las últimas elecciones. Luego, siempre que encontremos nueva información sobre la intención de voto de los ciudadanos, tendremos la posibilidad de actualizar tal estimación a la luz de los nuevos indicios. Al hacerlo, estaremos generando una distribución de probabilidad centrada en el resultado más probable, y cuyas colas serían más largas según el nivel de incertidumbre aumenta.

No todos los modelos basados ​​en la agregación de encuestas de opinión siguen la misma estrategia bayesiana. Por un lado, si queremos hacer hincapié en el peso de las pasadas elecciones en nuestro modelo, un método disponible consistiría en ver con qué antelación a las elecciones el pronóstico de las encuestas es más parecido al resultado final. A lo mejor la mejor estimación se consiguió en previas elecciones el último día en que las encuestas estaban permitidas, porque era el momento más cercano a la propia convocatoria electoral. O es posible que se consiga un cálculo más preciso viendo otra ventana temporal más temprana, porque a lo mejor los cambios que vemos durante una campaña no son más que ruido estadístico y las identidades partidistas son más sólidas de lo que sugieren las encuestas. Una vez que detectamos el marco temporal donde la opinión pública se asemeja más al resultado de las próximas a elecciones, podremos utilizar el estado de la opinión pública en tal fecha con el fin de proyectar las previsiones para el evento electoral en curso. Por otro lado, si queremos subrayar el dinamismo de las preferencias que expresan los votantes sería más conveniente poner el foco de atención en el día a día de las encuestas a través de un promedio de todas ellas (también conocido como nowcast). Además, una vez capturamos en nuestro modelo la evolución y tendencias presentes en cada variable latente de apoyo a un partido, podemos estimar resultados de la votación final proyectando esas dinámicas hacia el futuro.

Un ejemplo de este último enfoque se centra en las elecciones de 2010 en Westminster (Fisher, Ford, Jennings, Pickup, y Wlezien, 2011). Entonces, Fisher et al. trataron de construir un modelo de espacio de estados (state-space model) alimentado por los datos de  encuestas sobre intención de voto con la intención de ofrecer una estimación objetiva del apoyo latente para cada partido. Una vez que llegaron a eso, el siguiente paso fue estudiar el comportamiento de las encuestas en las elecciones anteriores en diferentes momentos en el tiempo. El fin de utilizar esa técnica depende se basa en la suposición de que las tendencias en la opinión pública podrían reaccionar de manera sistemática a la campaña electoral, los medios de comunicación, y otros factores presentes en la rutina previa a todas  las elecciones. En consecuencia, mirando a las tendencias de elecciones anteriores en la opinión pública sería posible extraer la parte estructural de los cambios en el apoyo público hacia los partidos. Como ejemplo de ello, los autores apuntan al problema de los “tories tímidos”: la reticencia de los votantes del partido conservador a compartir sus intenciones de voto abiertamente con los encuestadores. Este tipo de sesgo sistemático, presente en las encuestas electorales de anteriores elecciones generales británicas a lo largo de los años (Crewe , 2001) hace pensar que es posible corregir los sesgos presentes en las encuestas y separar las tendencias significativas del ruido estadístico y los problemas de medición. Existen trabajos similares que intentan pronosticar elecciones en entornos multipartidistas con sistemas electorales proporcionales como son las elecciones al Bundestag alemán de 2013 (Selb y Munzert, 2013). A pesar de ser valiosas contribuciones a la literatura académica por sus avances metodológicos, ninguno de estos ejemplos ofreció pronósticos especialmente acertados.

Una vez expuesto a estos dos enfoques alternativos, el lector, quizá convencido por ambos, podría preguntarse qué es lo que los hace incompatibles. Y la respuesta es que nada. Es lógico por tanto tratar de mejorar un modelo estructural mediante la adición de características de modelos agregadores, y viceversa. Tales híbridos constituyen lo que se conoce como modelos sintéticos. En un ejemplo reciente Graefe (2015) combina hasta cuatro métodos (encuestas, los mercados de predicción, la opinión de expertos, y los modelos cuantitativos) para hacer un pronósticos de las elecciones al Bundestag. Este estudio evalúa la precisión de las previsiones por separado y las combina usando un simple promedio de sus estimaciones. Como resultado, un agregado de las encuestas resulta ser el mejor predictor de los resultados electorales en esta ocasión. Pero la idea subyacente es que merece la pena explorar nuevos conjuntos de datos relevantes y probar cuál es su aportación en términos de precisión predictiva. Así es que nos encontramos en un campo donde el ensayo y error se convierte en una valiosa herramienta. Los datos incluídos en un modelo pueden ser tan amplios como se quieran, pero hay que encontrar un equilibrio entre el tiempo y los recursos disponibles frente a la mejora predictiva que obtenemos con cada añadido extra.

En resumen, cuando los investigadores han trabajado en estimar los futuros resultados electorales de una manera relativamente rigurosa lo han hecho por medio de modelos estructurales, agregadores o enfoques sintéticos. De estos ¿cuál se ajusta mejor el caso español? La principal fuente de inestabilidad electoral en este país proviene del aumento en el apoyo ciudadano hacia dos partidos que no competían antes en el ámbito nacional: Podemos y Ciudadanos. No tenemos registros históricos sobre la probabilidad que tienen sus simpatizantes de abstenerse en unas elecciones generales, o cómo iban a reaccionar ante los efectos mayoritarios presentes en el sistema electoral. También el entorno económico heredado con la la crisis económica actual y sus características específicamente europeas están transformando comportamientos políticos que antes parecían estables de los ciudadanos españoles. Estos cambios desaconsejan emplear modelos estructurales ya que sus estimaciones emanan de un análisis de datos pasados, lo que tiene sentido únicamente cuando el entorno se mantiene estable, pero está condenado al fracaso en un momento de cambio como el actual (Magalhães et al. 2014). Principalmente debido a la novedad de la situación española, creo que los modelos agregadores son ahora los más adecuados ya que pueden estar en funcionamiento sin apoyarse en datos históricos, sino únicamente utilizando datos de encuestas. En cualquier caso, habrá que esperar al veintiuno de diciembre para evaluar la efectividad de cualquier predicción.

**También disponible en inglés**

_________________________________________________________________________
Referencias

Aichholzer, J., & Willmann, J. (2014). Forecasting Austrian national elections: The Grand Coalition model. International Journal of Forecasting, 30(1), 55–64. http://doi.org/10.1016/j.ijforecast.2013.07.011

Bellucci, P. (2010). Election cycles and electoral forecasting in Italy, 1994–2008. International Journal of Forecasting, 26(1), 54–67. http://doi.org/10.1016/j.ijforecast.2009.09.004

Campbell, J. E. (2014). The 2014 Midterm Election Forecasts. PS: Political Science & Politics, 47(04), 769–771. http://doi.org/10.1017/S104909651400122X

Cantu, F., Hoyo, V., & Morales, M. A. (2015). The Utility of Unpacking Survey Bias in Multiparty Elections: Mexican Polling Firms in the 2006 and 2012 Presidential Elections. International Journal of Public Opinion Research, edv004–. http://doi.org/10.1093/ijpor/edv004

Crewe, I. (2001). The opinion polls: Still biased to Labour. Parliamentary Affairs, 54(4), 650–665. http://doi.org/10.1093/parlij/54.4.650

Downs, A. (1957). An Economic Theory of Democracy. New York: Harper & Row, chapter 3 (p. 36-50).

Fisher, S. D., Ford, R., Jennings, W., Pickup, M., & Wlezien, C. (2011). From polls to votes to seats: forecasting the 2010 British general election. Electoral Studies, 30(2), 250–257.

Graefe, A. (2015). German Election Forecasting: Comparing and Combining Methods for 2013. German Politics, 24(2), 195–204. http://doi.org/10.1080/09644008.2015.1024240

Jackman, S. (2004). Bayesian analysis for political research. Annual Review of Political Science, 7(1), 483–505. http://doi.org/10.1146/annurev.polisci.7.012003.104706

Jackman, S. (2005). Pooling the polls over an election campaign. Australian Journal of Political Science, 40(4), 499–517. http://doi.org/10.1080/10361140500302472

Lebo, M., & Norpoth, H. (2011). Yes, Prime Minister: The key to forecasting British elections. Electoral Studies, 30(2), 258–263. http://doi.org/10.1016/j.electstud.2010.09.004

Lewis-Beck, M., & Dassonneville, R. (2015). Forecasting elections in Europe: Synthetic models. Research & Politics. Retrieved from http://rap.sagepub.com/content/2/1/2053168014565128.short

Magalhães, P. C., Aguiar-Conraria, L., & Lewis-Beck, M. S. (2012). Forecasting Spanish elections. International Journal of Forecasting, 28(4), 769–776. http://doi.org/10.1016/j.ijforecast.2012.04.007

Selb, P., & Munzert, S. (2013). Forecasting the 2013 Bundestag Election Using Data from Various Polls. SSRN Electronic Journal. http://doi.org/10.2139/ssrn.2313845

Silver, N. (2012). The Signal and the Noise: The Art and Science of Prediction. Penguin Books Limited.

— (2014): How the FiveThirtyEight Senate forecast model works, available at http://fivethirtyeight.com/features/how-the-fivethirtyeight-senate-forecast-model-works/ (last checked on 18th of June 2015). Stegmaier M., and Norpoth H. (2013) Election forecasting. In: Valelly R (ed) Oxford Bibliographies in Political Science. New York: Oxford University Press.

Barcelona, España. Licenciado en Ciencia Política y de la Administración por la Univ. Pablo de Olavide con intercambio en University College of London. Estudiante del Máster en Investigación en Ciencia Política de la Universitat Pompeu Fabra (Barcelona).

2 Comments

Leave a Reply