Aprobación presidencial

¿Qué evaluación tienen los ciudadanos del trabajo de Andrés M. López Obrador como Presidente de la República? Oraculus da seguimiento y agrega los resultados de las principales encuestas públicas de aprobación presidencial.


Las líneas indican estimaciones puntuales de la tendencia. Las áreas sombreadas representan regiones de alta densidad (95%) de la distribución posterior de los parámetros del modelo.

Oraculus actualiza el poll of polls cada vez que alguna de las principales encuestadoras difunde resultados sobre aprobación presidencial. Además de brindar información sobre los actuales niveles de aprobación, una nueva encuesta contribuye a mejorar las estimaciones de los meses más recientes; por lo tanto, la serie puede variar en cada actualización. La metodología se puede consultar aquí.

Modelo y gráficos: Javier Márquez | @JMarquezP.
Datos: Eduardo Noriega y Pablo Reyes.

Archivo histórico de aprobación presidencial

Oraculus realiza una búsqueda permanente de resultados de encuestas para la serie histórica de aprobación presidencial en México. Nuestro objetivo es construir un banco de datos confiable para análisis e investigaciones académicas. Los poll of polls de las series históricas se actualizarán conforme se integre información nueva. Errores o aportaciones al archivo: javier.marquezp@gmail.com.

[mathjax]El método de agregación de encuestas consiste en un modelo bayesiano multinomial de estado-espacio para series de tiempo. Sea p_{ij} un vector con los porcentajes de respuestas de la encuesta i=1\ldots I a cada categoría de la pregunta de aprobación presidencial j=\{Aprueba,\;Desaprueba,\;Otro\}. Denotamos a n_{i}^{*}=\frac{n_{i}}{deff} el tamaño efectivo de muestra, donde deff=1.8 es una aproximación del efecto de diseño. Entonces, y_{ij}=p_{ij}n_{i}^{*} es un vector de conteos que proviene de una distribución de probabilidad multinomial:

<br /> y_{ij}\sim Multinomial\left(\pi_{ij},n_{i}^{*}\right)<br />
<br /> \pi_{ij}=\frac{exp\left(\eta_{ij}\right)}{\sum_{j=1}^{J}exp\left(\eta_{ij}\right)}<br />

cuyo parámetro \pi_{ij} es la probabilidad de que un entrevistado manifieste su preferencia hacia cada una de las categorías de respuesta. Con el propósito de modelar la sobredispersión que se observa en los resultados de las encuestas y contemplar la presencia de outliers, asumimos que \eta_{ij} proviene de una distribución t-multivariada:

<br /> \begin{bmatrix}<br /> \eta_{i1}\\<br /> \eta_{i2}<br /> \end{bmatrix}\sim t_{\upsilon}\left(<br /> \begin{bmatrix}<br /> \theta_{t[i]1}+\delta_{k[i]1}\\<br /> \theta_{t[i]2}+\delta_{k[i]2}<br /> \end{bmatrix},\sum\right)<br />
<br /> \eta_{i3}=0<br />

donde \sum es una matriz cuadrada de escala y \upsilon es un parámetro de grados de libertad. Así, la probabilidad de aprobar/desaprobar el trabajo del presidente en la encuesta i depende (1) de la aprobación latente en la población \theta_{tj} en el periodo de tiempo t=1\ldots T en que se levantó la encuesta, y (2) del «efecto de casa» \delta_{kj} de la empresa que la realizó. El modelo de transición consiste en un nivel local:

<br /> \theta_{tj}\sim N\left(\theta_{t-1j},\tau_{\theta j}\right)<br />

Para cada empresa encuestadora k=1\ldots K asumimos que su efecto de casa proviene de una distribución normal:

<br /> \delta_{kj}\sim N\left(0,\tau_{\delta j}\right)<br />

El modelo fue programado en JAGS. Los parámetros fueron estimados con simulación bayesiana (MCMC) a través de un muestreo de Gibbs. Las distribuciones a priori son:

\theta_{1j}\sim N\left(0,0.01\right)
p\left(\sigma_{jj}\right)\sim Unif\left(0,0.7\right),\:\rho\sim Unif\left(-1,1\right),\sigma_{12}=\rho\sigma_{11}\sigma_{22},\:\upsilon\sim Unif\left(3,30\right)
<br /> \tau_{\theta j}=\sigma_{\theta}^{-2};\sigma_{\theta}\sim HN\left(0,1\right)<br />
<br /> \tau_{\delta j}=\sigma_{\delta}^{-2};\sigma_{\delta}\sim HN\left(0,1\right)<br />

Para agilizar la convergencia del muestreo de Gibbs se utilizó una reparameterización redundante de los efectos de casa:

<br /> \delta_{kj}^{*}=\delta_{kj}-\frac{1}{K}\sum_{k=1}^{K}\delta_{kj}<br />

Las gráficas muestran la aprobación latente neta de efectos de casa, la cual se obtiene con la transformación logística inversa:

<br /> \frac{exp\left(\theta_{tj}^{*}\right)}{\sum exp\left(\theta_{tj}^{*}\right)},\theta_{tJ}=0<br />