Opinión

Tiempo de elección: predicción del número de escaños y ganador

Recientemente hemos presentado un modelo que prededice el porcentaje de voto para el partido en el gobierno en las elecciones generales de España. El cual se basa en el “Time for Change”, un modelo que ha demostrado su precisión en las elecciones presidenciales de los EE. UU. En donde el porcentaje de votos es más importante para conocer al ganador de las elecciones. Pero en España, lo que interesa es el número de escaños y saber si el partido en el poder ha ganado las elecciones. Entendiendo por ganar ser el partido que más votos ha obtenido, no que tenga capacidad de formar gobierno en solitario o en coalición.

Por eso me han preguntado si era posible adaptar “Tiempo de elección” para que pueda responder a estas dos preguntas: el número de escaños del partido en el gobierno y si este gana o no las elecciones. Hoy vamos a intentar adaptar el modelo y ver si esto es posible.

Primera versión de Tiempo de elección

En la entrada anterior se presentó el modelo Tiempo de elección, el cual se construye con los datos se las siguientes series seis meses antes de las elecciones:

  • Variación interanual del PIB
  • Indicador de expectativas políticas
  • Tiempo del presidente en el gobierno

En esta ocasión se va a utilizar el mismo modelo para predecir no el porcentaje de votos del partido en el gobierno, sino el número de escaños y si este gana o no las elecciones.

El problema de tiempo de elección.

En España conocer solo el porcentaje de votos de un partido no es suficiente para saber si esta ha ganado las elecciones. Por ejemplo, en las últimas elecciones generales celebradas en abril de 2019 el ganador obtuvo un 28,67% de los votos. Pero, si nos remontamos a las elecciones de marzo de 2008 nos encontraremos que el segundo había obtenido el 39,94%, bastante más que el ganador en 2019. En 2008 el ganador obtuvo el 43,87% de los votos.

Por otro lado, lo que realmente interesa es el número de escaños. Lo que determina realmente el poder real de cada partido. Algo que, debido al sistema electoral, no es un valor que se pueda derivar directamente del porcentaje de voto.

Cambiando el objetivo en tiempo de elección: obtener el número de escaños

Un modelo para predecir el número de escaños se puede generar rápidamente a partir del utilizado para el porcentaje de votos. Solamente se tiene que modificar la variable objetivo con los escaños para ver los resultados. En este caso si recuperamos la información de los escaños que obtuvo históricamente el partido en el gobierno desde 2016 podemos crear un modelo con las siguientes predicciones:

AñoEscaños en eleccionesPredicción del modeloError absoluto
20001831830
20041481568
200816915910
20111101064
20151231307
20161371307
20191231286

En este caso el R2 del modelo ha sido de 0,92, mejorando los resultados de la regresión para el porcentaje de votos. En esta ocasión, el mayor error observado ha sido en las elecciones de 2008 con un error de 10 escaños. Siendo el error medio de 5 escaños.

Si se utiliza este modelo para las elecciones del 10 de noviembre de 2019, se obtiene que el partido en el gobierno obtendrá 141 escaños. Al igual que cuando se modelos el porcentaje de votos, un resultado ligeramente mejor que el obtenido en las elecciones anteriores. Algo esperado por la correlación que muestran estas dos variables.

Prediciendo el ganador

Anticipar el ganador de unas elecciones es algo complicado, ya que este concepto puede ser relativo. En función de quién puede formar gobierno y las expectativas de los partidos y electores. Pero si nos fijamos en un dato objetivo, el partido que más votos obtiene es posible crear un modelo ya que se dispone de un valor objetivo. Así se puede adaptar tiempo de elección a este objetivo obteniendo los siguientes resultados en el histórico de elecciones.

AñoVictoria partido en el gobiernoPredicción del modelo
2000VerdaderoVerdadero
2004FalsoFalso
2008VerdaderoVerdadero
2011FalsoFalso
2015VerdaderoVerdadero
2016VerdaderoVerdadero
2019VerdaderoVerdadero

En este caso el modelo es perfecto, aunque por la poca cantidad de datos podemos sospechar que puede haber sobreajuste. Algo que ya sospechábamos en su momento del modelo original. Aunque, desgraciadamente, no hay más datos para validar.

Al aplicar este modelo a la situación actual se obtiene que el partido en el gobierno ganará las elecciones.

Conclusiones

En esta ocasión se ha probado el modelo Tiempo de elección con dos objetivos diferentes: el número de escaños del partido en el gobierno y si este gana las elecciones. Obteniendo como resultado que ganará el partido en el gobierno con 141 escaños. Lo que complementa lo visto la semana pasada al presentar el modelo tiempo de elección.

Al igual que la entrada anterior, hay que tener cautela a la hora e interpretar los resultados. Aunque “Time for Change” y los estadísticos aparentemente indica el modelo predice bien, la falta de profundidad histórica posiblemente no sea suficiente para tomar todavía en serio este tipo de modelos.

Imágenes: Unsplash (Arnaud Jaegers)

¿Te ha parecido de utilidad el contenido?

Daniel Rodríguez

Share
Published by
Daniel Rodríguez
Tags: Elecciones

Recent Posts

Curiosidad: De dónde vienen foo, bar y foobar

Si revisáis código o documentación de otros programadores, tarde o temprano os toparéis con dos…

13 horas ago

BG/NBD + Gamma/Gamma: el modelo probabilístico para CLV en compras continuas

Los dos artículos anteriores cubrieron el CLV clásico —una fórmula útil pero que trata a…

3 días ago

Errores habituales al trabajar con DataFrames grandes en Pandas (y cómo evitarlos)

Hay un momento muy concreto en la vida de casi todo análisis: el código que…

1 semana ago

Champion vs Challenger: Cómo los Bancos Validan Modelos Nuevos antes de Ponerlos en Producción

Has construido un nuevo modelo de credit scoring. Las métricas de validación son mejores que…

1 semana ago

Cómo Comparar Dos Hipotecas con Todos los Gastos Incluidos

Comparar dos hipotecas parece sencillo: la que tenga el TIN más bajo es la mejor…

2 semanas ago

Segmentación RFM: cómo clasificar tu cartera de clientes antes de calcular el CLV

En un artículo anterior vimos la fórmula clásica del CLV junto a sus limitaciones. Una…

2 semanas ago

This website uses cookies.