☕ Café después de la 1era vuelta

Los pronósticos enfrentados a la realidad de los resultados electorales

Autor/a

Afiliación

Recetas Electorales

Análisis independiente

“The credibility of inference decreases with the strength of the assumptions maintained”
–Charles Manski

La primera vuelta fue generosa con las encuestas y, claro, con las recetas electorales basadas en encuestas. El mejor pronóstico fue el que resultó de las recetas bayesianas Plato Simple y Plato Mixto. Las recetas fracasaron en identificar la proporción de votos de Sergio Fajardo, la sorpresa de la jornada, pero acertaron para todos los otros candidatos. Más que cualquier otro pronóstico y que cualquier encuesta individual.

TipConclusión: las encuestas son ingredientes valiosos si se cocinan todas juntas

library(tidyverse)
library(here)

colors_cafe <- c("grey50","grey50","grey50","grey50","#ff4800","#ff4800")
shape_cafe <- c(12,18,17,15,10,8)

# Cafe plot ####
cafe_2018_plot <- readr::read_csv(here("elecciones","2018-colombia","2018-05-28-cafe-2018","sancocho_2018.csv")) %>%
  dplyr::filter(fuente!="Resultado") %>%
  ggplot2::ggplot(ggplot2::aes(x=candidato,y=int_voto))+
  ggplot2::geom_point(ggplot2::aes(shape=fuente,color=fuente),size=4,position = position_dodge(0.8))+
  ggplot2::geom_errorbar(ggplot2::aes(ymax=int_voto_max,ymin=int_voto_min,color=fuente),position = position_dodge(0.8),width=0.5)+
  ggplot2::theme(legend.position = "bottom",
        legend.title = ggplot2::element_blank(),
        legend.key=ggplot2::element_blank(),
        legend.text=ggplot2::element_text(size=11),
        strip.text.x = ggplot2::element_text(size = 8),
        axis.text=ggplot2::element_text(size=11),
        axis.ticks.x=ggplot2::element_blank(),
        axis.text.x=ggplot2::element_blank(),
        panel.background=ggplot2::element_rect(fill="white",color="white"))+
  ggplot2::labs(x="",y="\n% votos",
       title="Cafe post electoral 2018",
       subtitle="Pronosticos (puntos) vs Resultados (linea punteada)",
       caption="\nFuente: recetas-electorales.netlify.app")+
  ggplot2::scale_shape_manual(values=shape_cafe)+
  ggplot2::scale_color_manual(values=colors_cafe) +
 # Resultados
  ggplot2::geom_hline(data=readr::read_csv(here("elecciones","2018-colombia","2018-05-28-cafe-2018","sancocho_2018.csv")) %>%
               dplyr::filter(fuente=="Resultado"),ggplot2::aes(yintercept=int_voto,group=candidato),linetype="dashed")+
  # Facets
  ggplot2::facet_wrap(~factor(candidato,levels=c("Ivan Duque","Gustavo Petro","Sergio Fajardo","German Vargas Lleras","Humberto de la Calle")),nrow = 1, scales = "free")

cafe_2018_plot

1

Leemos el Sancocho de 2018 y construimos el gráfico: cada pronóstico por candidato (puntos con intervalo) frente al resultado real (línea punteada), en paneles por candidato.

2

Mostramos el gráfico.

Café post electoral

#plotly::ggplotly(cafe_plot)

Ñapa: Desviación absoluta promedio para cada pronóstico

Si aplicáramos la fórmula que se utilizará en 🥇 Recetas Abiertas a los pronósticos de la primera vuelta de 2018, este sería el resultado. Los platos Simple y Mixto fueron los más precisos.

library(tidyverse)
library(here)
library(kableExtra)

# Evaluacion Cafe ####
readr::read_csv(here("elecciones","2018-colombia","2018-05-28-cafe-2018","sancocho_2018.csv")) %>%
  dplyr::select(candidato, fuente,int_voto) %>%
  tidyr::pivot_wider(names_from = "fuente", values_from = "int_voto") %>%
  tidyr::pivot_longer(cols = c("18 Encuestas","Simple","Mixto","ANIF","El Pais","Cifras y Conceptos"), names_to = "fuente",values_to = "pronostico") %>%
  # Evaluacion
  dplyr::mutate(evaluacion = abs(Resultado - pronostico)) %>%
  dplyr::group_by(fuente) %>% 
  dplyr::summarize(score = mean(evaluacion)) %>%
  dplyr::arrange(score) %>%
  knitr::kable("html", 
        digits=1,
        caption = "Evaluacion de pronosticos para la primera vuelta de 2018:",
        col.names = c("Fuente",
                      "Score")) %>% 
  kableExtra::kable_styling(full_width = F) %>% 
  kableExtra::row_spec(0,bold=TRUE, background = "#FF4900", color = "white") %>%
  kableExtra::row_spec(1:2,bold=TRUE, italic = TRUE, color = "#FF4900") %>%
  kableExtra::footnote(general = c("Score: Distancia absoluta promedio",
                      "Fuente: recetas-electorales.netlify.app"))

1

Evaluamos cada pronóstico de 2018: lo comparamos con el resultado real, calculamos la distancia absoluta media (score) y mostramos el ranking como tabla.

Café post electoral: Evaluación usando distancias absolutas

Fuente	Score
Simple	2.8
Mixto	2.9
El Pais	3.2
18 Encuestas	3.3
Cifras y Conceptos	6.4
ANIF	9.8
Note:
Score: Distancia absoluta promedio
Fuente: recetas-electorales.netlify.app