🍲 Calentao
encuestas
simple
mixto
regresión
Recalentando los platos de 2018 para las elecciones de 2022
“When the facts change, I change my mind. What do you do, sir?”
–John Maynard Keynes
📅 Publicado 24 Abril 2022, Última actualización 21 Mayo 2022
El Calentao recoge lo que quedó de las recetas electorales de 2018: recalienta el Plato Simple y Plato Mixto para la carrera electoral por la primera vuelta en 2022. Estos platos ya hicieron los mejores pronosticos en la primera vuelta de 2018, así que se merecen una recalentada.
Ambos platos se cocinan igual que en 2018 excepto por dos diferencias: se basan en las encuestas de 2022, obviamente, y algunas variables como el tipo de encuesta ahora incluyen mezclas (telefónica y presencial) y un nuevo tipo digital que lleva a cabo AtlasIntel.
Calentao servido
Según la más reciente preparación del Calentao, Gustavo Petro tendría 35% de la votación, seguido por Federico Gutierrez con casi 24%. Rodolfo Hernández y Sergio Fajardo están empatados en 10%, e Ingrid Betancourt con un poco menos de 2%1.
Como todos los platos, si se cocinan con nuevos ingredientes cuando salgan más encuestas, los resultados serán diferentes. Ambos platos dan resultados muy similares, aunque procesan la información de manera diferente. Hay muy poca variabilidad entre las encuestas.
Ingredientes
El Calentao usa las encuestas públicamente disponibles desde el 11 de marzo de 2022.
numeric(0)| Candidato | \(\mu_{t}\) | \(\sigma_{t}\) |
|---|---|---|
| Gustavo Petro | 36.9 | 3.8 |
| Federico Gutierrez | 25.3 | 3.7 |
| Rodolfo Hernandez | 12.7 | 4.2 |
| Sergio Fajardo | 8.0 | 2.2 |
| 1 Fecha pronostico: 2022-05-21 | ||
| 2 Encuestas disponibles: 27 |
Calentao: Priors
Receta
Ver Plato Simple y Plato Mixto de 2018.
Datos
Alistamos los datos tal cual como se hizo en 2018.
Código
library(tidyverse)
library(lubridate)
# Calentao datos ####
calentao_data <- readr::read_csv("https://raw.githubusercontent.com/nelsonamayad/Elecciones-presidenciales-2022/main/Encuestas%202022/encuestas_2022.csv") %>%
dplyr::select(n,fecha,muestra,encuestadora,merror=margen_error,tipo,
gustavo_petro,federico_gutierrez,sergio_fajardo,rodolfo_hernandez,ingrid_betancourt) %>%
dplyr::filter(between(lubridate::as_date(fecha),
lubridate::as_date("2022-03-13"),
lubridate::as_date("2022-05-28"))) %>%
tidyr::pivot_longer(cols=contains("_"),names_to = "candidato", values_to = "int_voto") %>%
dplyr::mutate(nombres = case_when(candidato=="gustavo_petro" ~ "Gustavo Petro",
candidato=="federico_gutierrez" ~ "Federico Gutierrez",
candidato=="sergio_fajardo" ~ "Sergio Fajardo",
candidato=="rodolfo_hernandez" ~ "Rodolfo Hernandez",
candidato=="ingrid_betancourt" ~ "Ingrid Betancourt")) %>%
# Crear algunas variables
dplyr::mutate(e_max = int_voto + merror,
e_min = int_voto - merror,
fecha = lubridate::as_date(fecha),
candidato = factor(candidato, levels=c("gustavo_petro","federico_gutierrez","sergio_fajardo","rodolfo_hernandez","ingrid_betancourt")),
enc = factor(encuestadora),
encuestadora=as.numeric(enc)) %>%
#Crear variable duracion:
dplyr::mutate(dd = lubridate::as_date(as.character(today()), format="%Y-%m-%d") - lubridate::as_date(as.character(fecha), format="%Y-%m-%d")) %>%
dplyr::mutate(dd = as.numeric(dd)) %>%
dplyr::mutate(tipo_1=ifelse(tipo=="presencial",1,0),
tipo_2=ifelse(tipo=="telefonico y presencial",1,0),
tipo_3=ifelse(tipo=="digital",1,0))
## Data frames por candidato ####
gp_calentao <- calentao_data %>% dplyr::filter(candidato=="gustavo_petro", !is.na(int_voto))
fg_calentao <- calentao_data %>% dplyr::filter(candidato=="federico_gutierrez", !is.na(int_voto))
sf_calentao <- calentao_data %>% dplyr::filter(candidato=="sergio_fajardo", !is.na(int_voto))
rh_calentao <- calentao_data %>% dplyr::filter(candidato=="rodolfo_hernandez", !is.na(int_voto))
ib_calentao <- calentao_data %>% dplyr::filter(candidato=="ingrid_betancourt", !is.na(int_voto)) Estimación
Abajo va un ejemplo del Plato Simple para el candidato Federico Gutierrez, pero es el mismo para todos los demas. Utiliza el data frame fg_calentao, así como los priors \(\small\mu_{candidato}=23.6\) y \(\small\sigma_{candidato}=4.8\). Toda la receta va en el siguiente objeto fg_simple.stan.
Código
data{
int<lower=1> N;
int<lower=1> N_encuestadora;
real int_voto[N];
int encuestadora[N];
real merror[N];
real tipo_1[N];
real tipo_2[N];
real tipo_3[N];
int muestra[N];
real dd[N];
}
parameters{
real a1;
vector[N_encuestadora] a_;
real a_enc;
real<lower=0> s_enc;
real a2;
real a3;
real a4;
real a5;
real a6;
real a7;
real<lower=0> s;
}
model{
vector[N] m;
s ~ cauchy( 0 , 5 );
a7 ~ normal( 0 , 10 );
a6 ~ normal( 0 , 10 );
a5 ~ normal( 0 , 10 );
a4 ~ normal( 0 , 10 );
a3 ~ normal( 0 , 10 );
a2 ~ normal( 0 , 10 );
s_enc ~ cauchy( 0 , 5 );
a_enc ~ normal( 0 , 10 );
a_ ~ normal( a_enc , s_enc );
a1 ~ normal( 25 , 4); //Priors
for ( i in 1:N ) {
m[i] = a1 + a_[encuestadora[i]] + a2 * muestra[i] + a3 * merror[i] + a4 * dd[i] + a5 * tipo_1[i] + a6 * tipo_2[i] + a7 * tipo_3[i];
}
int_voto ~ normal( m , s );
}
generated quantities{
vector[N] m;
real dev;
dev = 0;
for ( i in 1:N ) {
m[i] = a1 + a_[encuestadora[i]] + a2 * muestra[i] + a3 * merror[i] + a4 * dd[i] + a5 * tipo_1[i] + a6 * tipo_2[i] + a7 * tipo_3[i];
}
dev = dev + (-2)*normal_lpdf( int_voto | m , s );
}Ahora nos vamos a RStan para prepara el plato con las encuestas disponibles hasta ahora:
Código
library(rstan)
options(mc.cores = parallel::detectCores())
fg_simple_fit <- stan(
file="fg_simple.stan",
data=list(N=calentao_disponibles,
N_encuestadora=encuestadoras_disponibles,
int_voto=fg_calentao$int_voto,
encuestadora=fg_calentao$encuestadora,
muestra=fg_calentao$muestra,
merror=fg_calentao$merror,
dd=fg_calentao$dd,
tipo_1=fg_calentao$tipo_1,
tipo_2=fg_calentao$tipo_2,
tipo_3=fg_calentao$tipo_3),
control=list(adapt_delta=0.95),
iter = 4000,
chains = 4,
cores = 4)Veamos en detalle el muestreo y los resultados.
Ñapa: Estimación del Calentao con ulam de rethinking
La abstrusa representación del código en RStan puede ser intimidante. Es un lenguaje que da mucha flexibilidad, pero al costo de no poder comunicarla sino al que conoce muy bien la semántica de Stan.
Así que abajo incluyo el plato mixto del calentao usando una de las funciones de la 2da edición del increíble paquete rethinking de Richard McElreath.
Código
library(rethinking)
fg_mixto_ulam <- ulam(
alist(
# Modelo
int_voto ~ normal( m , s ) ,
m <- a_encuestadora[encuestadora]+
b1_encuestadora[encuestadora]*muestra +
b2_encuestadora[encuestadora]*merror +
b3_encuestadora[encuestadora]*dd+
b4_encuestadora[encuestadora]*tipo_1 +
b5_encuestadora[encuestadora]*tipo_2 +
b6_encuestadora[encuestadora]*tipo_3,
# Priors
c(a_encuestadora,b1_encuestadora,b2_encuestadora,b3_encuestadora,b4_encuestadora,b5_encuestadora,b6_encuestadora)[encuestadora] ~ multi_normal(c(a,b1,b2,b3,b4,b5,b6),Rho,s_encuestadora),
a ~ dnorm(25,4), #Priors
b1 ~ dnorm(0,10),
b2 ~ dnorm(0,10),
b3 ~ dnorm(0,10),
b4 ~ dnorm(0,10),
b5 ~ dnorm(0,10),
b6 ~ dnorm(0,10),
s_encuestadora ~ dcauchy(0,5),
s ~ dcauchy(0,5),
Rho ~ lkj_corr(2)
),
data=list(N=calentao_disponibles,
N_encuestadora=encuestadoras_disponibles,
int_voto=gp_calentao$int_voto,
encuestadora=gp_calentao$encuestadora,
muestra=gp_calentao$muestra,
merror=gp_calentao$merror,
dd=gp_calentao$dd,
tipo_1=gp_calentao$tipo_1,
tipo_2=gp_calentao$tipo_2,
tipo_3=gp_calentao$tipo_3
),
chains=4,
cores = 4,
iter = 4000
)Notas
Ingrid Betancourt adhirió a la campaña de Rodolfo Hernández el 20 de mayo de 2022, y desde entonces se saca de las recetas electorales.↩︎