Meta-análisis. Agregando encuestas IV. Generales 2026 (con escaños)

2026

muestreo

encuestas electorales

análisis bayesiano

brms

Meta-análisis bayesiano de encuestas para las generales y simulación de escaños con D’Hondt.

Author

José Luis Cañadas Reche

Published

October 10, 2026

Listening

Introducción

Ya hice metaanálisis antes. en las generales de julio de 2023, para las europeas de junio de 2024

Ahora toca hacrlos para las elecciones del próximo 29 de noviembre de 2026

Las anteriores veces había hecho un meta-análisis para obtener estimaciones de porcentaje de voto, teniendo en cuenta el efecto de la casa encuestadora como efecto aleatorio y el tiempo hasta el día de las elecciones como efecto fijo.

En las andaluzas de mayo de 2026 añadí una estimación bayesiana de escaños. Teniendo solo el agregado de encuestas a nivel de Andalucía, tuve que hacer una asunción sobre como se distribuye el voto a nivel provincial. Quiero hacer lo mismo para las generales, pero aparte del problema de no tener el voto por provincias, no se informa siquiera por comunidad autónoma (recordemos que lo que usamos es el resultado que publican las casas encuestadoras, no los microdatos).

Y por si fuera poco, en la mayoría de las encuestas sólo se informa de la estimación de los principales partidos, obviando los regionales (PNV, BNG, Junts, etc.), y tener una estimación de estos partidos es necesario para hacer una estimación provincial medianamente coherente.

Así que vamos a hacer 4 pasos.

Agregamos encuestas a nivel nacional
Rescatamos los regionales en las encuestas en las que venga informado, o leyendo los enlaces a los medios en dónde se publican los resultados detallados.
Modelamos las series con brms: dos modelos, uno para los principales partidos y otro para modelar los partidos regionales solamente.
Traducimos voto a escaños provincia por provincia, con umbral del 3% y D’Hondt.

Todo este ejercicio es incompleto. En el paso 4 añado una capa de error histórico agregado —cómo se equivocan las encuestas en bloque el día de la votación—, pero lo que de verdad haría falta es calibrar por empresa encuestadora: es posible que una casa se equivoque siempre a favor de los mismos, y eso el meta-análisis no lo puede ver. Esa calibración por casa queda pendiente.

Los datos

La fuente principal es la tabla de encuestas de ciento76 las descargo con (descargar_encuestas_ciento76.R). Y luego un mínimo tratamiento para construir el dataset que voy a utilzar. (preparar_meta.R)

Show the code

library(tidyverse)
library(DT)
library(brms)
library(tidybayes)

source(here::here("2026/10/preparar_meta.R"))

Show the code

enc <- read_csv(
  here::here("./encuestas_con_partidos_regionales.csv"),
  show_col_types = FALSE
) |>
  mutate(fecha = parse_fecha_campo(Campo)) |>
  filter(!is.na(fecha), fecha >= fecha_inicio_grande)

enc |>
  select(
    Encuestadora,
    Campo,
    PP,
    PSOE,
    VOX,
    Sumar,
    Podemos,
    SALF,
    Junts,
    ERC,
    PNV,
    `EH Bildu`,
    BNG,
    CC,
    UPN,
    regionales_completos
  ) |>
  datatable(options = list(scrollX = TRUE))

Añadí columna regionales_completos: es FALSE en la mayoría. Salvo para algunas en las que pude obtener estimaciones regionales.

electomanía: publican la tabla completa de cada encuesta, scrapeo el render de Datawrapper.
prensa: algunos artículos publican la tabla completa; la extraigo con LLM y reviso a mano.
yo: lo que no sale en ningún lado, se va a buscar leyendo artículos. Así conseguí los regionales de IMOP, SocioMétrica, Data10 y NC Report de primera semana de octubre.

La arquitectura en cascada

Vale, si tuviera datos de estimaciones de partidos regionales en la mayoría de las encuestas podría plantearme un modelo multinomial con 13 categorías (los 5 grandes + SALF + 7 regionales + resto). Pero como no es así, propongo hacer dos modelos en cascada.

Modelo 1: multinomial de 6 categorías — PP, PSOE, VOX, SUMAR (= Sumar + Podemos), SALF y BLOQUE (todo lo demás). Entran todas las encuestas que reportan los 6 principales.
Modelo 2 (la composición): multinomial condicional de 8 subceldas dentro del BLOQUE — Junts, ERC, PNV, EH Bildu, BNG, CC, UPN y RESTO. Solo entran las encuestas completas.

En la simulación, cada muestra del posterior del modelo 1 fija el tamaño del BLOQUE y se reparte con la composición del modelo 2. Resultado: 13 valores que suman 100 con la distribución conservada.

Para el modelo 1 he quitado encuestas del CIS (su cocina electoral es muy distinta y se necesitaría corregir el sesgo por recuerdo de voto que el CIS decidió no hacerlo) y las del electopanel (que si se utilizan para el modelo 2 por ser de las pocas que dan estimaciones de partidos regionales). Otra decisión que he tomado es considerar solo las encuestas desde el 1 de julio de 2026 en adelante

Update: A 11 de Octubre de 2026, estoy usando sólo 40 encuestas para el modelo 1, conforme se vaya acercando las fechas de las elecciones iré añadiendo más (el script de descarga está preparado para eso)

Show the code

meta_g <- read_csv(
  here::here("2026/10/encuestas_meta_grande.csv"),
  show_col_types = FALSE
)
meta_b <- read_csv(
  here::here("2026/10/encuestas_meta_bloque.csv"),
  show_col_types = FALSE
)

cat("Modelo 1:", n_distinct(meta_g$encuestadora, meta_g$campo), "encuestas\n")
#> Modelo 1: 40 encuestas
cat("Modelo 2:", n_distinct(meta_b$encuestadora, meta_b$campo), "encuestas\n")
#> Modelo 2: 68 encuestas

El encaje de los dos modelos, con un ejemplo de juguete

La parte menos obvia del invento es cómo se pegan los dos modelos, aunque en realidad es sencilla.

Qué entrena el modelo 2. Es un multinomial condicional: el trials de su fórmula no es la muestra completa de la encuesta, sino los votos totales del BLOQUE en esa encuesta. Por ejemplo, una encuesta con n = 1.000 y un bloque del 11% entra al modelo 2 como 110 votos repartidos en 8 celdas:

Show the code

# una encuesta con n = 1.000 y BLOQUE = 11% entra al modelo 2 así:
encuesta <- c(
  ERC = 42,
  Junts = 18,
  PNV = 13,
  EH_Bildu = 15,
  BNG = 8,
  CC = 5,
  UPN = 2,
  RESTO = 7
)
sum(encuesta) # <- el trials del modelo 2: los votos del bloque, no la muestra
#> [1] 110

El modelo 2 ni sabe ni le importa cuánto pesa el bloque: solo aprende en qué proporción se reparte dentro de él (y cómo deriva con el tiempo). El peso del bloque lo estima el modelo 1, que ve muchas más encuestas. Una muestra del modelo 2 es, a efectos prácticos, un vector de proporciones condicionales como este:

Show the code

c2 <- encuesta / sum(encuesta)
round(c2, 2)
#>      ERC    Junts      PNV EH_Bildu      BNG       CC      UPN    RESTO 
#>     0.38     0.16     0.12     0.14     0.07     0.05     0.02     0.06

Cómo se pegan. En la simulación, cada muestra del modelo 1 aporta el tamaño del BLOQUE y una muestra del modelo 2 aporta su composición interna. Se multiplican y punto:

Show the code

# una muestra (inventada) del modelo 1: los 6 grandes
d1 <- c(
  PP = 32.6,
  PSOE = 27.1,
  VOX = 19.2,
  SUMAR = 8.0,
  SALF = 1.8,
  BLOQUE = 11.3
)

bloque <- unname(d1["BLOQUE"])
draw13 <- c(d1[1:5], bloque * c2)
round(draw13, 1)
#>       PP     PSOE      VOX    SUMAR     SALF      ERC    Junts      PNV 
#>     32.6     27.1     19.2      8.0      1.8      4.3      1.8      1.3 
#> EH_Bildu      BNG       CC      UPN    RESTO 
#>      1.5      0.8      0.5      0.2      0.7
sum(draw13)
#> [1] 100

Las muestras de los dos modelos se generan por separado y se emparejan por índice: se asume que el tamaño del bloque y su composición interna no están correlacionadas. Un modelo único de 13 categorías las acoplaría si en la realidad lo estuvieran, pero es justo lo que no podemos ajustar: solo pocas encuestas reportan las 13 categorías y casi todas de la misma casa (electopanel). Hacerlo en dos modelos divide el problema en 2, puede que no sea lo más estadísticamente correcto, pero es práctico.

La ventana temporal (y el peso de ElectoPanel)

Mi primer intento tenía 185 encuestas para agregar y pensé que no tenía sentido añadir encuestas de hace 2 años. Pero el principal problema es que el ElectoPanel tenía mucho peso

Cifras de los datasets antes de las exclusiones que explico a continuación.
Ventana	M1 (encuestas, casas)	M2 (encuestas, casas)	% ElectoPanel M1 / M2
Todo (jun 25 →)	185, 22	68, 7	38% / 84%
Desde jul 2026	40, 16	14, 7	35% / 43%

ElectoPanel es un panel continuo de electomanía con releases muy frecuentes: sus 71 encuestas no son 71 informaciones independientes. Y en el modelo 2 (el del bloque de otros) era el 84% del dataset, porque casi es la única casa que reporta los regionales de forma sistemática.

Así que tomé una decisión que puede ser discutible.

ElectoPanel queda fuera del modelo 1, donde sobran encuestas de otras casas y un panel con un tercio del peso solo metería inercia. En el modelo 2 se queda, porque sin él la composición del bloque se estimaría con un puñado de encuestas.

Del modelo 1 también sale el CIS: Quizá lo meta más tarde, si hago una estimación propia partiendo de sus microdatos. Los microdatos no se redistribuyen — cómo descargarlos y de qué estudios, en la release del repo.

Además, en octubre y noviembre habrá una oleada de encuestas y seguramente estas captarán mejor los cambios que se puedan producir entre el electorado. La idea es irlas incorporando y reajustar los modelos. Iré actualizando el post

El modelo

Todo el ajuste del modelo 1 vive en ajustar_grande() (en ajustar_meta.R).

Los datos. Cada encuesta se convierte en conteos: el porcentaje de cada una de las 6 categorías por el tamaño muestral publicado, redondeado. Una encuesta de 1.000 entrevistas con el PP al 33% aporta 330 “votos” al PP. Es una decisión útil, para modelar el multinomial como conteo, además de esta forma las encuestas con mayor n pesan más. Si, ya sé que hay un montón de decisiones en cada empresa encuestadora, estimación de la participación, la postestratificación, imputación de voto, etcétera, pero es lo que tenemos.

El modelo. Un multinomial con el PP como categoría de referencia (se podría quitar y que no hubiera una categoría de referencia, pero sería un modelo matemáticamente equivalente ). Para cada una de las otras cinco categorías \(k\) (PSOE, VOX, SUMAR, SALF y BLOQUE), el log-odds frente al PP en la encuesta \(i\), hecha por la casa \(h\), es:

\[ \log \frac{\pi_{k,i}}{\pi_{PP,i}} = \alpha_k + \beta_k \, t_i + u_{k,h}, \qquad u_{k,h} \sim \mathcal{N}(0, \sigma_k) \]

\(t_i\) son los días transcurridos desde el 1 de julio de 2026 hasta el fin del trabajo de campo de la encuesta \(i\).
\(\alpha_k\) es el nivel de partida: el log-odds de \(k\) frente al PP al 1 de julio.
\(\beta_k\) es la tendencia diaria de ese log-odds: una por categoría(partido) (\(k\) es la categoría, la casa lleva el \(h\)), pero la misma para todas las casas. Toda la dinámica de campaña que el modelo ve entra por aquí.
\(u_{k,h}\) es el efecto casa: el sesgo sistemático de la empresa \(h\) en el log-odds de \(k\) frente al PP, constante a lo largo de la ventana. Al ser jerárquico, las casas con una sola encuesta se encogen hacia 0 y las que publican a menudo dejan ver su sesgo. Es independiente entre categorías: brms no los correlaciona salvo que se le pida.

¿Qué implica la referencia?: el PP no tiene ecuación propia (su \(\alpha\), \(\beta\) y \(u\) valen 0), así que \(\alpha_k\) y \(\beta_k\) no describen la evolución de la categoría \(k\) a secas, sino su diferencia con el PP.

Los priors son Normal(0, 2) —en desviación típica— para \(\alpha_k\) y \(\beta_k\) y Exponential(1) para \(\sigma_k\), todo en la escala log-odds. Para \(\beta_k\), una pendiente por día, Normal(0, 2) es prácticamente plano: una dinámica de campaña creíble se mueve en centésimas de log-odds al día (una pendiente de 2 multiplicaría el cociente frente al PP por \(e^2\) en un solo día), así que el prior no frena nada y mandan los datos.

Para \(\alpha_k\) es débilmente informativo: \(\alpha_k = 2\) significaría que la categoría \(k\) vale \(e^2 \approx 7\) veces el PP, de sobra para cualquier partido español. Y \(\sigma_k\) es cuánto se dispersan las casas en ese log-odds: la Exponential(1) acumula probabilidad cerca de 0 pero deja cola para casas con sesgos de hasta un log-odds, un factor de casi \(e\) frente al PP.

Asunciones. Los efectos casa están centrados en 0, así que el modelo estima la media de las encuestadoras, no el resultado real. Si todas se equivocan en la misma dirección, no tiene forma de verlo. La corrección de verdad sería calibrar por casa con elecciones pasadas; lo que hago en el paso 4 es una versión tosca: un error agregado del conjunto de encuestas, estimado con solo cinco generales, ains..

Cambio respecto a Andalucía. Allí el efecto casa era (time | encuestadora): cada casa con su propia deriva temporal. Con una ventana de tres meses y la mayoría de casas con una o dos encuestas, esa pendiente por casa no se puede aprender, y en una comparación con conjunto de validación las dos estructuras predecían igual. Me quedo con la más simple.

El muestreo. 4 cadenas de 4.000 iteraciones (1.000 de warmup) con cmdstanr, 12.000 muestras del posterior en total. Ajustar un modelo en Stan a veces puede ser complicado, algunas cosas que tuve que cambiar fue añadir init = 0 , adapt_delta = 0.95 y max_treedepth = 12

El modelo se reajusta en cada render (refit = TRUE) porque iré metiendo encuestas conforme avance el mes.

Todo el código del ajuste —los dos modelos, los priors y el muestreo— está en ajustar_meta.R.

Show the code

source(here::here("2026/10/ajustar_meta.R"))

El modelo en realidad es muy sencillo, modela el vector de votos de cada encuesta, digamos un (20,34,200, 30,20,30) indicando que el n para esta encuesta sería 334 y en función de la fecha de campo de la encuesta y el efecto aleatorio de la empresa encuestadora.

cell_counts | trials(n) ~ time + (1 | encuestadora)

Show the code

# mod_g <- ajustar_grande()
mod_g <- ajustar_grande(refit = TRUE)
#> Fuera (sin n publicado): 1 encuestas — InvyMark 
#> Fuera (casas_fuera: CIS, ElectoPanel ): 16 encuestas
#> Running MCMC with 4 parallel chains...
#> 
#> Chain 4 finished in 13.2 seconds.
#> Chain 2 finished in 14.1 seconds.
#> Chain 1 finished in 14.5 seconds.
#> Chain 3 finished in 14.7 seconds.
#> 
#> All 4 chains finished successfully.
#> Mean chain execution time: 14.1 seconds.
#> Total execution time: 14.8 seconds.
formula(mod_g)
#> cell_counts | trials(n) ~ time + (1 | encuestadora)

El resumen del modelo sería

Show the code

summary(mod_g)
#>  Family: multinomial 
#>   Links: muPSOE = logit; muVOX = logit; muSUMAR = logit; muSALF = logit; muBLOQUE = logit 
#> Formula: cell_counts | trials(n) ~ time + (1 | encuestadora) 
#>    Data: dat (Number of observations: 23) 
#>   Draws: 4 chains, each with iter = 4000; warmup = 1000; thin = 1;
#>          total post-warmup draws = 12000
#> 
#> Multilevel Hyperparameters:
#> ~encuestadora (Number of levels: 14) 
#>                        Estimate Est.Error l-95% CI u-95% CI Rhat Bulk_ESS
#> sd(muPSOE_Intercept)       0.03      0.02     0.00     0.08 1.00     3997
#> sd(muVOX_Intercept)        0.05      0.03     0.01     0.12 1.00     3515
#> sd(muSUMAR_Intercept)      0.10      0.04     0.04     0.19 1.00     4711
#> sd(muSALF_Intercept)       0.25      0.08     0.11     0.43 1.00     4582
#> sd(muBLOQUE_Intercept)     0.07      0.04     0.01     0.15 1.00     3170
#>                        Tail_ESS
#> sd(muPSOE_Intercept)       4426
#> sd(muVOX_Intercept)        4112
#> sd(muSUMAR_Intercept)      4972
#> sd(muSALF_Intercept)       6833
#> sd(muBLOQUE_Intercept)     4232
#> 
#> Regression Coefficients:
#>                    Estimate Est.Error l-95% CI u-95% CI Rhat Bulk_ESS Tail_ESS
#> muPSOE_Intercept      -0.20      0.04    -0.28    -0.12 1.00    11623    10962
#> muVOX_Intercept       -0.62      0.05    -0.71    -0.53 1.00    10769    10839
#> muSUMAR_Intercept     -1.19      0.06    -1.32    -1.07 1.00     9847    10114
#> muSALF_Intercept      -2.80      0.14    -3.07    -2.54 1.00     8362     8571
#> muBLOQUE_Intercept    -0.96      0.05    -1.07    -0.85 1.00    10047     9985
#> muPSOE_time           -0.00      0.00    -0.00     0.00 1.00    12153    10890
#> muVOX_time             0.00      0.00    -0.00     0.00 1.00    12664    10986
#> muSUMAR_time          -0.00      0.00    -0.00     0.00 1.00    12622    10817
#> muSALF_time           -0.00      0.00    -0.00     0.00 1.00    15026    10377
#> muBLOQUE_time         -0.00      0.00    -0.00     0.00 1.00    12456    11209
#> 
#> Draws were sampled using sample(hmc). For each parameter, Bulk_ESS
#> and Tail_ESS are effective sample size measures, and Rhat is the potential
#> scale reduction factor on split chains (at convergence, Rhat = 1).

Poniendo en una tabla los mu estimados

Show the code

s <- summary(mod_g)

# diagnósticos para el texto: efectos fijos + sd de los efectos casa
conv <- rbind(s$fixed, s$random$encuestadora)
rhat_max <- max(conv$Rhat)
ess_min <- min(conv$Bulk_ESS, conv$Tail_ESS)
n_div <- sum(subset(nuts_params(mod_g), Parameter == "divergent__")$Value)

as.data.frame(s$fixed) |>
  tibble::rownames_to_column("param") |>
  select(param, Estimate, Est.Error, Rhat, Bulk_ESS, Tail_ESS) |>
  mutate(across(where(is.numeric), \(x) round(x, 3)))
#>                 param Estimate Est.Error  Rhat  Bulk_ESS  Tail_ESS
#> 1    muPSOE_Intercept   -0.199     0.039 1.000 11623.410 10962.117
#> 2     muVOX_Intercept   -0.615     0.046 1.000 10768.731 10838.542
#> 3   muSUMAR_Intercept   -1.194     0.065 1.000  9847.395 10113.709
#> 4    muSALF_Intercept   -2.797     0.135 1.001  8362.312  8571.448
#> 5  muBLOQUE_Intercept   -0.957     0.054 1.000 10046.910  9985.429
#> 6         muPSOE_time    0.000     0.001 1.000 12153.204 10889.581
#> 7          muVOX_time    0.001     0.001 1.000 12663.919 10986.419
#> 8        muSUMAR_time   -0.001     0.001 1.000 12622.473 10816.876
#> 9         muSALF_time   -0.002     0.002 1.000 15026.216 10377.088
#> 10      muBLOQUE_time   -0.001     0.001 1.000 12455.726 11209.066

Convergencia: Rhat máximo de 1.002, ESS mínimo de 3170 y 0 transiciones divergentes, contando también las desviaciones típicas de los efectos casa, que son las que peor mezclan.

Las pendientes de time vienen en escala de cambio por día, por eso son valores muy pequeños. Si lo vemos por ejemplo el cambio desde fecha inicial (julio de 2026) hasta hoy, podemos ver el cambio en tendencia de cada partido que el modelo ve para cada partido.

Show the code

fecha_hoy <- Sys.Date()
dias_e <- as.numeric(as.Date("2026-11-29") - fecha_hoy)

pred_tend <- bind_rows(
  tibble(
    time = as.numeric(fecha_hoy - as.Date("2026-07-01")),
    etiqueta = "hoy",
    n = 1
  ),
  tibble(
    time = as.numeric(as.Date("2026-11-29") - as.Date("2026-07-01")),
    etiqueta = "diaE",
    n = 1
  )
) |>
  add_epred_draws(mod_g, ndraws = 4000, re_formula = NA) |>
  ungroup() |>
  mutate(.epred = .epred * 100)

tendencia <- pred_tend |>
  select(.draw, .category, etiqueta, .epred) |>
  pivot_wider(names_from = etiqueta, values_from = .epred) |>
  mutate(cambio_pp = diaE - hoy) |>
  group_by(.category) |>
  median_qi(cambio_pp) |>
  rename(
    partido = .category,
    cambio = cambio_pp,
    ic_low = .lower,
    ic_high = .upper
  )

# intervalos al 95% que no cruzan el 0 (cambios "fiables")
n_signif <- sum(tendencia$ic_low > 0 | tendencia$ic_high < 0)

tendencia |>
  mutate(across(where(is.numeric), \(x) round(x, 2)))
#> # A tibble: 6 × 7
#>   partido cambio ic_low ic_high .width .point .interval
#>   <fct>    <dbl>  <dbl>   <dbl>  <dbl> <chr>  <chr>    
#> 1 PP        0.12  -0.79    1.03   0.95 median qi       
#> 2 PSOE      0.04  -0.82    0.96   0.95 median qi       
#> 3 VOX       0.62  -0.16    1.49   0.95 median qi       
#> 4 SUMAR    -0.34  -0.87    0.31   0.95 median qi       
#> 5 SALF     -0.12  -0.31    0.16   0.95 median qi       
#> 6 BLOQUE   -0.38  -0.93    0.29   0.95 median qi

El cambio mediano más grande entre hoy y el día E es de 0.6 puntos y ningún intervalo al 95% se separa del 0: el modelo ve una carrera plana desde julio. O sea, que PP, PSOE y demás están (según las encuestas) donde estaban en verano.

Estimación para el día de las elecciones

Evaluamos el modelo en el time de la fecha electoral con los efectos casa en su media (re_formula = NA): lo que el modelo sabe decir es dónde estaría la media de las encuestadoras ese día, y la distancia hasta el resultado real la pone la capa de error histórico del paso 4.

Podríamos haber considerado que el día de las elecciones era como una encuesta más hecha por una empresa nueva, y habríamos usado allow_new_levels, pero añadiría incertidumbre. Poniendo re_formula = NA asumimos que el sesgo de unas empresas se compensan con las de otras. Puede no ser así, pero para eso habría que analizar el error histórico por empresa (que no hago),más adelante vemos error histórico de las encuestas en general.

Show the code

time_e <- as.numeric(as.Date("2026-11-29") - as.Date("2026-07-01"))

estimaciones <- tibble(
  time = time_e,
  n = 1
) |>
  add_epred_draws(mod_g, ndraws = 4000, re_formula = NA) |>
  rename(partido = .category, estim = .epred) |>
  ungroup() |>
  mutate(estim = estim * 100)

estimaciones |>
  group_by(partido) |>
  summarise(
    mediana = median(estim),
    low = quantile(estim, 0.05),
    high = quantile(estim, 0.95)
  ) |>
  mutate(across(mediana:high, \(x) round(x, 2)))
#> # A tibble: 6 × 4
#>   partido mediana   low  high
#>   <fct>     <dbl> <dbl> <dbl>
#> 1 PP        32.6  31.1  34.1 
#> 2 PSOE      26.6  25.1  28.1 
#> 3 VOX       19.3  18.0  20.8 
#> 4 SUMAR      8.72  7.74  9.83
#> 5 SALF       1.56  1.18  2.03
#> 6 BLOQUE    11.2  10.2  12.3

Show the code

colores <- c(
  "PP" = "#005999",
  "PSOE" = "#FF0126",
  "VOX" = "#51962A",
  "SUMAR" = "#A00B85",
  "SALF" = "#00C3B6",
  "BLOQUE" = "grey50"
)

# me quito el "OTROS"
estimaciones |>
  filter(partido != "BLOQUE") |>
  ggplot(aes(x = estim, fill = partido)) +
  geom_density(alpha = 0.5) +
  scale_fill_manual(values = colores) +
  labs(
    title = "Meta-análisis generales 2026. Estimación día de las elecciones",
    subtitle = paste0(
      "Modelo 1: ",
      nrow(mod_g$data),
      " encuestas, ",
      n_distinct(mod_g$data$encuestadora),
      " casas, ventana jul-oct 2026"
    ),
    x = "Porcentaje estimado",
    y = "Densidad"
  )

El ajuste del modelo 2

El modelo 2 es un multinomial condicional de las 8 subceldas del BLOQUE (Junts, ERC, PNV, EH Bildu, BNG, CC, UPN y RESTO), con trials igual a los votos totales del bloque de cada encuesta, no a su muestra completa: solo aprende cómo se reparte dentro del bloque. Lleva la misma familia de priors que el modelo 1 (Normal(0, 2) en log-odds, Exponential(1) para las sd), pero dos diferencias importantes:

No lleva efecto casa: en su ventana (desde junio de 2025) solo hay un puñado de casas que reporten los 7 regionales, casi todas ElectoPanel. Un efecto aleatorio con 2-3 niveles y ese desbalance sería ruido, no información; la composición se modela como tendencia temporal común.
La ventana es larga (jun 2025 →) a diferencia del modelo 1 (jul 2026 →): con 14 encuestas en tres meses no hay de dónde colgar una tendencia, así que de momento le dejamos el histórico.

Show the code

mod_b <- ajustar_bloque(refit = TRUE)
#> Running MCMC with 4 parallel chains...
#> Chain 3 finished in 12.9 seconds.
#> Chain 1 finished in 14.3 seconds.
#> Chain 2 finished in 14.9 seconds.
#> Chain 4 finished in 15.4 seconds.
#> 
#> All 4 chains finished successfully.
#> Mean chain execution time: 14.4 seconds.
#> Total execution time: 15.5 seconds.
formula(mod_b)
#> cell_counts | trials(bloque) ~ time

Show the code

s_b <- summary(mod_b)
as.data.frame(s_b$fixed) |>
  tibble::rownames_to_column("param") |>
  select(param, Estimate, Est.Error, Rhat, Bulk_ESS, Tail_ESS) |>
  mutate(across(where(is.numeric), \(x) round(x, 3)))
#>                  param Estimate Est.Error  Rhat  Bulk_ESS  Tail_ESS
#> 1      muERC_Intercept    0.410     0.141 1.000  5894.907  8384.072
#> 2      muPNV_Intercept   -0.253     0.167 1.000  6636.961  9245.267
#> 3  muEHBildu_Intercept   -0.004     0.156 1.001  6136.292  8425.504
#> 4      muBNG_Intercept   -0.372     0.172 1.000  6409.798  8962.717
#> 5       muCC_Intercept   -1.110     0.219 1.000  7159.825  8751.979
#> 6      muUPN_Intercept   -3.072     0.506 1.000  9043.477  7256.322
#> 7    muRESTO_Intercept    1.007     0.128 1.000  5650.131  7264.679
#> 8           muERC_time    0.001     0.001 1.000 15292.194 11247.548
#> 9           muPNV_time    0.000     0.001 1.000 15728.599 10456.146
#> 10      muEHBildu_time    0.001     0.001 1.001 14311.013  9922.747
#> 11          muBNG_time    0.001     0.001 1.000 13885.753 10959.055
#> 12           muCC_time    0.001     0.001 1.000 15426.741  9020.548
#> 13          muUPN_time    0.001     0.002 1.000 16501.194  8169.764
#> 14        muRESTO_time    0.001     0.001 1.000 15844.116 10852.863

Ojo a la parametrización: la primera subcelda, Junts, es la referencia del multinomial, así que los coeficientes son log-odds de cada regional frente a Junts y las pendientes de time describen cómo cambia ese reparto interno con el tiempo.

De voto a escaños

Vamos a la parte chunga, como el título de la canción de Tabletom que he puesto al principio.

En España los escaños se reparten provincia a provincia con D’Hondt, con un umbral legal del 3% de los votos válidos de cada circunscripción (LOREG art. 163), y Ceuta y Melilla eligen un diputado cada una por mayoría simple. Todo el tinglado —distribución provincial, ruido Dirichlet, umbral del 3% y D’Hondt— vive en simular_escanos.R.

El truco de la distribución provincial

Mismo truco que en Andalucía, pero con referencia del 23J: si en 2023 ERC sacó en Barcelona un 6.5 veces su media nacional, asumo que ese desvío se mantiene. Formalmente:

\[\tilde{\pi}_{k,p} = \pi_k \cdot r_{k,p}, \qquad r_{k,p} = \frac{\pi^{23J}_{k,p}}{\pi^{23J}_{k}}\]

y luego normalizo dentro de cada provincia. El que tenga una idea mejor, que lo comenté en el blog o me escriba.

Note

El caso SALF: “Se Acabó La Fiesta” se registró en 2024, así que en el 23J no existía. No hay manera de sacar su geografía de esa referencia. Su patrón provincial lo tomo de las Europeas de junio de 2024, su única cita con las urnas. 803.545 votos y 3 escaños, que en el Congreso se reparten muy mal para un partido así.

El ruido Dirichlet, con Granada de ejemplo

Si aplicara los ratios del 23J tal cual, la geografía de 2026 sería un calco exacto de la de 2023 y toda la incertidumbre de los escaños vendría del voto nacional. No me lo creo: así que añadimos un poquito de ruido.
El desvío de Granada respecto a la media no va a ser exactamente el mismo. Así que en cada muestra de la simulación cada provincia usa unos ratios ligeramente distintos, muestreados alrededor de los del 23J. Veamos cómo con Granada (7 diputados).

Esto es lo que la referencia guarda para Granada (solo los partidos que se presentan allí):

Show the code

source(here::here("2026/10/simular_escanos.R"))


ref13 |>
  filter(provincia == "Granada", ratio > 0) |>
  select(partido, votos, pct_prov, pct_nac, ratio) |>
  arrange(desc(pct_prov)) |>
  mutate(across(where(is.double), \(x) round(x, 2)))
#> # A tibble: 6 × 5
#>   partido  votos pct_prov pct_nac ratio
#>   <chr>    <dbl>    <dbl>   <dbl> <dbl>
#> 1 PP      185996    37.3    33.3   1.12
#> 2 PSOE    165862    33.2    31.9   1.04
#> 3 VOX      81080    16.3    12.5   1.3 
#> 4 SUMAR    58567    11.7    12.4   0.94
#> 5 SALF     20674     6.02    4.62  1.3 
#> 6 RESTO     7283     1.46    2.48  0.59

El PP sacó en Granada un 37.3% frente al 33.3% nacional: ratio 1.12. VOX, un 16.3 frente a un 12.5: ratio 1.30. Si una muestra del posterior da al PP un 32.6% nacional, Granada le asigna de partida 32.6 × 1.12 ≈ 36.5% (antes de normalizar la provincia para que sume 100). Los regionales no aparecen porque su ratio en Granada es 0: ERC no se presenta allí, y siguen a 0 en cualquier muestra.

La idea: volver a votar el 23J en Granada, pero con una muestra de unos 500 “votantes”. El ratio es un cociente, el porcentaje provincial entre el porcentaje nacional, y el ruido solo toca el numerador. En cada muestra sustituyo los porcentajes de voto provinciales del 23J por unos “re-sorteados”, los que saldrían si se repitiera aquella elección en Granada con una muestra de ~500 personas en lugar de los ~520.000 votantes reales. Ese re-sorteo es una Dirichlet centrada en los porcentajes del 23J y con concentración igual a los votos totales de la provincia entre 1.000:

\[ \boldsymbol{\pi}^{(s)}_p \sim \text{Dirichlet}\left(\frac{V_p}{1000}\,\boldsymbol{\pi}^{23J}_p\right), \qquad r^{(s)}_{k,p} = r_{k,p} \cdot \frac{\pi^{(s)}_{k,p}}{\pi^{23J}_{k,p}} \]

donde \(V_p\) son los votos de la provincia. El “500” sale de ahí: una Dirichlet con concentración total \(a\) se comporta, en dispersión, como los porcentajes de una muestra con \(a\) encuestados, y Granada tuvo unos 520.000 votos: \(520.000 / 1.000 \approx 520\). En esperanza la Dirichlet devuelve los porcentajes del 23J, así que en media el ratio no cambia: lo único que añade es dispersión. ¿Y por qué dividir entre 1.000 en lugar de usar los votos reales? Porque con la concentración real la geografía de 2026 sería un calco exacto del 23J, justo lo que no me creo; el 1.000 es el punto donde el ruido queda en algo razonable — un partido al 37% en la provincia se mueve unos ±2 puntos entre muestras, del orden del error muestral de una encuesta provincial. Es un número que fijo yo (heredado del post de Andalucía), no un número que salga de los datos. Cinco muestras para Granada:

Show the code

granada <- prov_datos |> filter(codigo_provincia == 18)

set.seed(6137)
d <- gtools::rdirichlet(5, granada$alpha13[[1]])
ratios <- t(granada$ratio13[[1]] * t(d) / granada$pct23[[1]])

tibble(partido = fams13, ratio_23j = granada$ratio13[[1]]) |>
  bind_cols(as_tibble(t(ratios), .name_repair = \(x) {
    paste0("muestra_", 1:5)
  })) |>
  filter(ratio_23j > 0) |>
  mutate(across(where(is.double), \(x) round(x, 2)))
#> # A tibble: 6 × 7
#>   partido ratio_23j muestra_1 muestra_2 muestra_3 muestra_4 muestra_5
#>   <chr>       <dbl>     <dbl>     <dbl>     <dbl>     <dbl>     <dbl>
#> 1 PP           1.12      1.02      1.15      1.21      1.11      1.18
#> 2 PSOE         1.04      1.12      1.06      1.04      1.01      1.11
#> 3 VOX          1.3       1         0.98      1.22      1.39      1.3 
#> 4 SUMAR        0.94      1.2       1.14      0.84      1.05      0.66
#> 5 SALF         1.3       1.35      1.26      1.16      1.09      1.23
#> 6 RESTO        0.59      1         0.7       0.58      0.5       0.52

Cada columna es una distribución posible de los ratios de cada partido en Granada respecto de lo nacional. El PP oscila entre 1.02 y 1.21 alrededor de su 1.12; SUMAR, entre 0.66 y 1.20 alrededor de 0.94. Los partidos pequeños se mueven más en términos relativos (RESTO llega a 1.00 desde 0.59), igual que en una encuesta pequeña el error relativo es mayor para los partidos con poco voto.

¿Por qué la concentración depende de los votos de la provincia? Básicamente, a mayor población que vota en una provincia, más nos fiamos de su deriva respecto de lo nacional. Es una hipótesis, si Granada fue más de derechas en 2023 que el conjunto de España pues supongo que sigue siendo así.

El PP tiene el mismo ratio en Granada y en Soria, pero no la misma dispersión:

Show the code

ruido_ratio <- function(prov, partido = "PP", n = 5000) {
  pd <- prov_datos |>
    filter(
      codigo_provincia == prov_ref$codigo_provincia[prov_ref$provincia == prov]
    )
  i <- match(partido, fams13)
  d <- gtools::rdirichlet(n, pd$alpha13[[1]])
  r <- pd$ratio13[[1]][i] * d[, i] / pd$pct23[[1]][i]
  tibble(
    provincia = prov,
    diputados = pd$escanos,
    votantes_equivalentes = sum(pd$alpha13[[1]]),
    ratio_23j = pd$ratio13[[1]][i],
    media = mean(r),
    sd = sd(r)
  )
}

set.seed(6137)
bind_rows(ruido_ratio("Granada"), ruido_ratio("Soria")) |>
  mutate(across(where(is.double), \(x) round(x, 2)))
#> # A tibble: 2 × 6
#>   provincia diputados votantes_equivalentes ratio_23j media    sd
#>   <chr>         <dbl>                 <dbl>     <dbl> <dbl> <dbl>
#> 1 Granada           7                 519.       1.12  1.12  0.07
#> 2 Soria             2                  51.6      1.12  1.12  0.2

Las dos provincias están centradas en 1.12, pero Granada (unos 520 “votantes equivalentes”) tiene una desviación típica de 0.07 y Soria (unos 52) de 0.20, unas tres veces más, como corresponde a una muestra diez veces menor. Y es en las provincias pequeñas, donde reparten 2 o 3 escaños, donde ese ruido decide si un partido entra o se queda fuera.

Decisiones que he tomado yo de forma digital (con el dedo):

El divisor de 1.000 es un mando de incertidumbre que fijé yo (lo heredo de Andalucía), no sale de ningún dato: con 500 la geografía bailaría más y con 5.000 casi nada.

El error histórico de las encuestas

En este apartado es dónde tengo bastantes dudas de lo que he hecho. Creo que necesita ser más trabajado. La idea es que puede que las encuestas hayan subestimado o sobreestimado a algún partido en particular de forma sistemática, y corregir en cierta forma ese sesgo.

Para cada elección pasada, comparo el resultado real con la media de las encuestas cuyo trabajo de campo terminó en los últimos días de campaña — 124 encuestas de las cinco últimas generales, sacadas de los anexos de sondeos de Wikipedia (con su fecha de fin de campo, que en esas tablas viene en rangos tipo “15–19 Abr”) y congeladas en errores_encuestas_historicas.csv. Quedan fuera los sondeos internos de partidos que también publican los anexos: no son estimaciones públicas, Para el PSOE sale esto:

Show the code

errores_hist <- read_csv(
  here::here("2026/10/errores_encuestas_historicas.csv"),
  show_col_types = FALSE
)

etiquetas <- c(
  `20d` = "20D-2015",
  `26j` = "26J-2016",
  `28a` = "28A-2019",
  `10n` = "10N-2019",
  `23j` = "23J-2023"
)

errores_hist |>
  group_by(eleccion) |>
  summarise(encuesta = mean(PSOE), error = mean(e_PSOE), .groups = "drop") |>
  mutate(real = encuesta + error) |>
  arrange(match(eleccion, names(etiquetas))) |>
  mutate(eleccion = etiquetas[eleccion]) |>
  relocate(eleccion, encuesta, real, error) |>
  mutate(across(where(is.numeric), \(x) round(x, 2))) |>
  rename(Elección = eleccion, Encuestas = encuesta, Real = real, Error = error)
#> # A tibble: 5 × 4
#>   Elección Encuestas  Real Error
#>   <chr>        <dbl> <dbl> <dbl>
#> 1 20D-2015      21.1  22.0  0.94
#> 2 26J-2016      21.2  22.6  1.37
#> 3 28A-2019      28.8  28.7 -0.09
#> 4 10N-2019      27.1  28    0.89
#> 5 23J-2023      28.2  31.7  3.49

Positivo en cuatro de las cinco (el 28A-2019 queda en un ±0). Por lo que he visto, de los cuatro partidos principales, el único cuyo sesgo es consistente es el PSOE (+1.3 puntos: positivo en 4 de 5 elecciones, y sigue en +1.3 si excluyo el 26J, que solo tiene 2 encuestas).

Para PP, VOX y Sumar el mu cambia de signo según qué elecciones entren, así que lo pongo a 0. A cada muestra del posterior se le suma, pues, un error con media +1.3 para el PSOE y 0 para el resto, una desviación típica por partido (entre 1.3 y 2.6 puntos) y una correlación PP–VOX de +0.5.

El BLOQUE de otros absorbe la diferencia para que los porcentajes sigan sumando 100, y SALF se queda fuera: no existía antes de 2024 y no tiene historia.

La capa, en números. Con cada muestra del posterior se sortea un vector de errores \(\boldsymbol{\varepsilon}\) de una normal multivariante y se le suma a los porcentajes:

\[ \boldsymbol{\varepsilon} \sim \mathcal{N}(\boldsymbol{\mu}, \boldsymbol{\Sigma}), \qquad \pi_k \leftarrow \pi_k + \varepsilon_k, \qquad \pi_{BLOQUE} \leftarrow \pi_{BLOQUE} - \sum_k \varepsilon_k \]

Show the code

# la capa de error tal como vive en simular_escanos.R
tibble(partido = names(error_mu), mu = error_mu, sigma = error_sigma)
#> # A tibble: 5 × 3
#>   partido    mu sigma
#>   <chr>   <dbl> <dbl>
#> 1 PP       0     2.57
#> 2 PSOE     1.32  1.32
#> 3 VOX      0     1.29
#> 4 SUMAR    0     1.89
#> 5 SALF     0     0

as.data.frame(round(Sigma_error, 2)) |>
  tibble::rownames_to_column("partido")
#>   partido   PP PSOE  VOX SUMAR SALF
#> 1      PP 6.60 0.00 1.66  0.00    0
#> 2    PSOE 0.00 1.74 0.00  0.00    0
#> 3     VOX 1.66 0.00 1.66  0.00    0
#> 4   SUMAR 0.00 0.00 0.00  3.57    0
#> 5    SALF 0.00 0.00 0.00  0.00    0

Cómo se lee la matriz: la diagonal es la varianza del error de cada partido — el cuadrado de esas desviaciones típicas de 1.3 a 2.6 puntos que decían cuánto se equivocan las encuestas en conjunto con cada uno. Fuera de la diagonal está la covarianza entre los errores de dos partidos, que es la correlación multiplicada por las dos desviaciones típicas: para PP y VOX, \(0.5 \times 2.6 \times 1.3 \approx 1.7\). Todas las demás celdas fuera de la diagonal son cero, que es una forma educada de decir que no sé cómo se correlacionan: con cinco elecciones, solo la de PP–VOX es estable.

Lo de la correlación PP–VOX positiva: en las muestras en las que el error favorece al PP, tiende a favorecer también a VOX (y viceversa), como ocurrió en las tres elecciones con VOX. Si la pusiera a cero, habría muestras con la derecha encuestada por arriba y por abajo a la vez, que es justo el tipo de ruido que no se observa en la realidad. El precio de poner a cero las demás correlaciones es la simetría: no sabe que un error a favor del PSOE suele ir acompañado de un error en contra del PP, por ejemplo, porque los datos no me dejan estimarlo con confianza.

Sobre las correlaciones, la conclusión es la contraria de lo que puese a mano en Andalucía. Allí puse ρ(PP, VOX) = −0.5 pensando en el trasvase de voto útil. Pero el trasvase es dinámica real de campaña — el voto moviéndose de PP a VOX y viceversa — y eso el modelo ya lo captura con las pendientes temporales ( de como sube Vox o baja el pp)

Esta capa de incertidumbre va sobre otra cosa: cómo se equivocan las encuestas el día de la votación. Y ahí los datos dicen que cuando las encuestas se pasan con el bloque del PP, se pasan también con Vox. La correlación empírica es +0.92, que con n = 3 elecciones encogí a +0.5; el resto de correlaciones (PP–PSOE, PSOE–Sumar…) es inestable según qué elecciones entren, así que van a 0.

Sobre el impacto: esta incertidumbre no solo ensancha los intervalos, desplaza la estimación — el PSOE gana algunos escaños vs no aplicar esta correción , y la probabilidad de mayoría de PP+VOX baja . Es una corrección estimada con solo 5 elecciones: mejor que nada, peor que calibrar por casa, que sigue pendiente. En el código vive en extraer_shares13(con_error = TRUE); la validación del 23J va sin ella.

El umbral del 3% y las trampas del agregado

Un par de detalles

El umbral del 3% se aplica por provincia antes de D’Hondt. Con provincias de 3-5 escaños, el umbral efectivo es mucho mayor que el legal: un partido con el 10% en Soria puede quedarse sin nada. (Matiz legal: los blancos cuentan para el umbral y aquí no se simulan; ~0.5%, despreciable.)
El RESTO (CUP, PACMA, etc.) como categoría agregada gana escaños fantasma: D’Hondt con el agregado le regala diputados que en la realidad ninguna de sus componentes conseguiría. Solución: sus votos van a no representados

Validación: reproducir el 23J

Para ver que el mecanismo de asignación de escaños funciona bien, lo aplico a los datos del 23J

Le doy a la simulación los porcentajes nacionales reales del 23J y sus ratios de referencia, sin ruido (de la Dirichlet) y debe reproducir los escaños oficiales:

Show the code

v23 <- sim_validacion_23j()

tibble(
  partido = names(v23),
  simulado = v23,
  oficial_23j = c(137, 121, 33, 31, 0, 7, 7, 5, 6, 1, 1, 1, 0)
)
#> # A tibble: 13 × 3
#>    partido  simulado oficial_23j
#>    <chr>       <dbl>       <dbl>
#>  1 PP            137         137
#>  2 PSOE          121         121
#>  3 VOX            33          33
#>  4 SUMAR          31          31
#>  5 SALF            0           0
#>  6 Junts           7           7
#>  7 ERC             7           7
#>  8 PNV             5           5
#>  9 EH Bildu        6           6
#> 10 BNG             1           1
#> 11 CC              1           1
#> 12 UPN             1           1
#> 13 RESTO           0           0

La simulación

Vamos ya con la simulación final. La función simular tiene como argumentos por defecto.

simular(n_draws = 2000, time_obj = time_eleccion, con_ruido = TRUE, con_error = TRUE, umbral = 0.03, resto_compite = FALSE)

Y lo que hace es, con cada muestra del posterior (voto nacional del modelo 1 + composición del bloque del modelo 2) recibe el error histórico de las encuestas, se distribuye por provincias con su ruido Dirichlet, se le aplica el umbral del 3% y D’Hondt provincia a provincia. 2.000 muestras en unos segundos:

Show the code

sim <- simular(n_draws = 6000)
#> Fuera (sin n publicado): 1 encuestas — InvyMark 
#> Fuera (casas_fuera: CIS, ElectoPanel ): 16 encuestas

resumen_escanos(sim) |>
  mutate(across(where(is.numeric), \(x) round(x, 1)))
#> # A tibble: 13 × 7
#>    partido  escanos .lower .upper .width .point .interval
#>    <chr>      <dbl>  <dbl>  <dbl>  <dbl> <chr>  <chr>    
#>  1 PP           131    118    145    0.8 median qi       
#>  2 PSOE         111    100    121    0.8 median qi       
#>  3 VOX           66     57     75    0.8 median qi       
#>  4 SUMAR         17      7     30    0.8 median qi       
#>  5 ERC            8      2     12    0.8 median qi       
#>  6 EH Bildu       6      2      9    0.8 median qi       
#>  7 PNV            4      1      6    0.8 median qi       
#>  8 Junts          3      1      7    0.8 median qi       
#>  9 BNG            2      0      5    0.8 median qi       
#> 10 CC             1      0      3    0.8 median qi       
#> 11 RESTO          0      0      0    0.8 median qi       
#> 12 SALF           0      0      0    0.8 median qi       
#> 13 UPN            0      0      1    0.8 median qi

Show the code

colores_esc <- c(
  "PP" = "#005999",
  "PSOE" = "#FF0126",
  "VOX" = "#51962A",
  "SUMAR" = "#A00B85",
  "ERC" = "#F5A21D",
  "Junts" = "#00E0D1",
  "EH Bildu" = "#00A56D",
  "PNV" = "#008141",
  "BNG" = "#B5C9E4",
  "CC" = "#D44A20",
  "UPN" = "#1B4A9B",
  "SALF" = "#00C3B6",
  "RESTO" = "grey70"
)

sim$draws |>
  pivot_longer(-.draw, names_to = "partido", values_to = "escanos") |>
  ggplot(aes(x = escanos, y = fct_reorder(partido, escanos), fill = partido)) +
  # escaños: enteros con muchos empates; el histograma evita el warning del
  # bandwidth (bw.SJ no encuentra escala en muestras tan discretas) y es más
  # honesto con datos de conteo. normalize = "groups" escala cada partido a su
  # fila: sin él, la altura se normaliza con la densidad máxima global (SALF,
  # con rango 0-1) y los partidos grandes quedan invisibles
  stat_halfeye(
    density = "histogram",
    normalize = "groups",
    .width = c(0.5, 0.8),
    alpha = 0.8
  ) +
  scale_fill_manual(values = colores_esc, guide = "none") +
  geom_vline(xintercept = 176, linetype = "dashed", color = "red") +
  labs(
    title = "Escaños estimados para el 29 de noviembre de 2026",
    subtitle = "6.000 muestras del meta-análisis + error de encuestas + Dirichlet provincial + umbral 3% + D'Hondt",
    x = "Escaños",
    y = NULL
  )

Show the code

prob_mayorias(sim) |>
  mutate(prob = scales::percent(prob, accuracy = 0.1))
#> # A tibble: 3 × 2
#>   escenario        prob 
#>   <chr>            <chr>
#> 1 PP solo >= 176   0.0% 
#> 2 PP + VOX >= 176  96.3%
#> 3 izquierda >= 176 2.9%

# valores para el texto (se recalculan en cada render)
p_derecha <- prob_mayorias(sim) |>
  filter(escenario == "PP + VOX >= 176") |>
  pull(prob)
p_izquierda <- prob_mayorias(sim) |>
  filter(escenario == "izquierda >= 176") |>
  pull(prob)
mediana_derecha <- median(sim$draws$PP + sim$draws$VOX)
gap_pp <- 176 - median(sim$draws$PP)

La lectura: con las encuestas con trabajo de campo desde julio , PP + Vox tendrían la mayoría con probabilidad 96.3% — mediana de 198 escaños para la suma — y el PP solo se queda a 45 escaños de la mayoría.

Es la capa de error histórico la que baja esa probabilidad del ~100% que daban los posteriors a secas: si las encuestas se vuelven a equivocar como en las últimas cinco elecciones, el margen ya no sobra. Nada de esto es una predicción: es una fotografía de lo que dicen las encuestas disponibles, con toda la incertidumbre que el modelo es capaz de cuantificar y que iremos añadiendo encuestaz entre ahora y el día E.

Y en bloques

El bloque de investidura de 2023 (los grupos que apoyaron a Sánchez) contra la derecha, que es quizá el escenario más operativo: si las encuestas no se mueven, la repetición de la aritmética de la anterior legislatura no llega.

Si pensáis en otras alianzas, simplemente pues cambiais las sumas.

Show the code

bloques(sim$draws) |>
  mutate(
    # aquí la derecha lleva a UPN: es el bloque con el que gobernaría, y UPN
    # (1 escaño) se integra con el PP en Navarra
    derecha = PP + VOX + UPN,
    investidura = PSOE + SUMAR + ERC + Junts + `EH Bildu` + PNV + BNG + CC
  ) |>
  select(.draw, derecha, investidura) |>
  pivot_longer(-.draw, names_to = "bloque", values_to = "escanos") |>
  mutate(bloque = fct_relevel(bloque, "derecha", "investidura")) |>
  ggplot(aes(x = escanos, y = bloque, fill = bloque)) +
  stat_halfeye(
    density = "histogram",
    normalize = "groups",
    .width = c(0.5, 0.8),
    alpha = 0.8
  ) +
  scale_fill_manual(
    values = c(derecha = "#005999", investidura = "#A00B85"),
    guide = "none"
  ) +
  geom_vline(xintercept = 176, linetype = "dashed", color = "red") +
  labs(
    title = "Bloque de la derecha y bloque de investidura",
    subtitle = "Derecha = PP + VOX + UPN · Investidura = PSOE + SUMAR + ERC + Junts + EH Bildu + PNV + BNG + CC (los grupos de 2023)",
    x = "Escaños",
    y = NULL
  )

Coda

El modelo 2 (composición del bloque) sigue con la ventana larga y el 84% de ElectoPanel del principio. Con la ola de octubre-noviembre a la vista, habrá que decidir qué hacer con él.
El supuesto del ratio provincial merecería una versión con las encuestas que publican estimaciones por CCAA (ciento76 tiene algunas).
La ola de encuestas que viene:
(preparar_todo(actualizar = TRUE) → ajustar_grande(refit = TRUE) → simular()), y la baseline de este post queda guardada para medir cuánto se mueve todo.

Feliz sábado.