În postările anterioare despre dinamica intențiilor de vot am analizat strict datele din sondajele publice cu scopul de a simplifica informația și a prezenta tendințele indicate de acestea. În alte postări am analizat variația estimărilor în funcție de diferiți factori (firma care a realizat sondajul, eventualele conflicte de interese, respectiv modalitatea de colectare a datelor) cu scopul de a arăta că estimările produse de sondaje sunt, în unele cazuri, puternic dependente de acești factori. Folosesc aici rezultatele acestor analize împreună cu alte date și analize pentru a produce o predicție a intențiilor de vot în cazul alegerilor de duminică.
Pentru realizarea predicției am combinat mai multe predicții, produse prin diferite metode, toate bazate pe datele din sondajele publice. De asemenea, am folosit rezultatele oficiale de la primul tur și două seturi de date brute. Predicția finală este o medie ponderată a cinci tipuri de predicții, majoritatea construite pornind de la estimările din sondajele publice. Cele cinci tipuri de predicții sunt următoarele:
- medii ale estimărilor realizate de firmele de sondare; am folosit doar sondajele cele mai recente, realizate de firme care au un grad relativ mai mare de încredere;
- o modelare statistică a dinamicii intențiilor de vot conform sondajelor publice (poll of polls; bayesian state-space model); intenția a fost să includ și modelul EuropeElects (a avut o performanță bună la T1), însă EuropeElects nu a produs un model și pentru T2;
- folosind două baze de date brute, am construit și evaluat o serie de variante de ponderări, asociate unor scenarii diferite; am folosit media a două dintre predicțiile obținute; principala limită a acestui demers o constituie faptul că două dintre baze nu acoperă populația în vârstă (65+); am încercat să corectez posibilul efect indus;
- folosind aceleași seturi de date brute, am realizat o modelare statistică de tip multi-nivel cu post-stratificare; desigur, ar fi fost de dorit ca toate bazele să acopere și populația vârstnică; o altă limită este numărul relativ redus de cazuri; și în acest caz am folosit media ponderată a mai multor predicții;
- pornind de la datele oficiale și de la estimări din sondaje, am aproximat distribuția așteptată a voturilor de la T2; de asemenea, am făcut estimări cu privire la numărul și structura celor care au votat la T1 și nu votează la T2, respectiv a celor care nu au votat la T1 și votează la T2.
Majoritatea sondajelor publice acoperă doar populația din România. Pentru a produce o predicție care să includă și diaspora, am folosit distribuția voturilor de la T1, estimări ale intențiilor de vot ale alegătorilor din diaspora conform datelor din sondajele AtlasIntel și estimările mele cu privire la împărțirea probabilă a voturilor.
Toate informațiile / estimările / aproximările cu care am lucrat au un anumit grad de incertitudine. Prin urmare, nu am folosit valori exacte ci distribuții asociate acestor valori. Am considerat că distribuțiile sunt de tip normal (formă de clopot). Prin faptul că folosește distribuții, modelarea ține cont de incertitudinile asociate valorilor de imput. Desigur, distribuțiile au grade diferite de incertitudine. Le-am estimat folosind variațiile dintre estimările medii produse de cele patru metode menționate mai sus. Un model care nu ține cont de aceste aspecte riscă să producă estimări care (1) sunt prea sigure în relație cu informația disponibilă sau, dimpotrivă, (2) sunt prea imprecise, deci prea puțin informative sau (3) asociază același grad de incertitudine a estimării tuturor candidaților.
Foarte probabil, modelul de agregare a informațiilor descris pe scurt mai sus nu va produce estimări perfecte. Faptul că multe dintre informațiile folosite pentru realizarea acestei predicții provin din sondajele publice reprezintă o limită importantă. Spun asta mai ales pentru că majoritatea firmelor care au produs aceste sondaje nu au făcut publice informații esențiale. Astfel, nu știm dacă în realizarea estimărilor firmele au (1) ținut sau nu cont de efectul de (in)dezirabilitate socială, (2) dacă și cum anume au ponderat datele brute și (3) dacă și cum anume au tratat indecișii. Astfel de decizii metodologice pot influența estimările produse cu până la două-trei puncte procentuale (într-un sens sau altul). Dacă aș fi avut aceste informații, aș fi putut să corectez mai bine eventualele erori sistematice (distorsiuni) asociate estimărilor din sondaje. Firmele de sondare care își propun să fie mai transparente cu privire la metodologie se pot inspira din modelul pe care l-am elaborat pentru MKOR și care este public pe site-ul lor. Apreciez că această transparență ar trebui să caracterizeze toate firmelor de sondare a opiniei publice, mai ales în cazul sondajelor care prezintă estimări ale intențiilor de vot.
Pe scurt, am corectat estimările sondajelor folosind informații publice (extrem de limitate), informații deduse din informațiile publice și, nu în ultimul rând, ceea ce știu din diferite surse despre practicile firmelor de sondaje din România. În pofida acestor limite, mă aștept ca scorurile finale să fie în interiorul intervalelor de încredere. Cu cât un scor va fi mai aproape de centrul intervalului de încredere, cu atât predicția va fi mai bună.
Prezint rezultatul modelării într-o formă grafică simplă: cercurile pline indică predicțiile, iar liniile indică incertitudinea acestora, adică intervalul în care ne așteptăm, cu o probabilitate de 95%, să se situeze rezultatul final. În partea din dreapta a graficului apare predicția la nivel național (fără diaspora), iar în stânga predicția pentru național plus diaspora. Mă aștept ca în țară diferența să fie de aproximativ 6 pp (puncte procentuale) în favoarea lui Nicușor Dan, iar în diaspora 12 pp în favoarea lui George Simion. Combinând aceste estimări obținem predicția rezultatului final al alegerilor: o diferență de aproximativ 4 pp în favoarea lui Nicușor Dan. Cel mai probabil, următorul președinte al României va fi Nicușor Dan.
