📊 statistics

Ballot Design and Electoral Outcomes: The Role of Candidate Order and Party Affiliation

Este artículo utiliza un modelo de inferencia causal y aprendizaje automático doble en las elecciones judiciales de Carolina del Norte para demostrar que la omisión de las designaciones de partido en las boletas causa que aproximadamente el 12–15% de los votantes partidistas emitan votos incorrectos al confiar en pistas engañosas del orden de los candidatos, un error que desaparece cuando las afiliaciones partidistas se muestran explícitamente.

Autores originales: Alessandro Arlotto, Alexandre Belloni, Fei Fang, Saša Pekeč

Publicado 2026-07-22

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Alessandro Arlotto, Alexandre Belloni, Fei Fang, Saša Pekeč

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás en una fiesta enorme y caótica donde todo el mundo intenta elegir a un capitán de equipo. En el mundo de la ciencia política, los investigadores estudian cómo la gente toma estas decisiones. A veces, los votantes están súper informados; saben exactamente quién les gusta y por qué. Otras veces, solo buscan una pista rápida, como el color de un equipo en una camiseta. Una de las pistas más famosas es la "afiliación partidista": saber si un candidato es Demócrata o Republicano. Pero, ¿qué pasa cuando la camiseta falta? Ahí es donde entra la ciencia de la inferencia causal. Piensa en esto como el kit de herramientas de un detective utilizado para descubrir la causa y el efecto. En lugar de simplemente suponer que "A causó B", los científicos intentan aislar A para ver si B realmente sucede debido a ello, descartando otros sospechosos escurridizos. También observan el diseño de la boleta, que es simplemente el diseño de la lista de candidatos. Al igual que un menú puede hacer que pidas el primer artículo solo porque está en la parte superior, el orden de los nombres en una boleta de votación puede engañar a tu cerebro para que elijas a la persona equivocada. Esto es importante porque si los votantes eligen accidentalmente al candidato equivocado, los resultados electorales no reflejan realmente lo que la gente quería, lo que puede cambiar leyes y líderes.

Ahora, enfoquémonos en un misterio resuelto por un equipo de investigadores de la Universidad de Duke y Yale. Querían saber: ¿El orden de los nombres en una boleta engaña a los votantes para que voten por el partido equivocado?

En Carolina del Norte, las reglas sobre cómo se listaban los jueces en la boleta eran un poco como un juego de azar. Durante algunos años, la ley decía que en las contiendas donde se imprimían las etiquetas de partido (como "Demócrata" o "Republicano" junto a su nombre), el orden se determinaba por qué partido estaba a cargo de la oficina del gobernador. Pero en otras contiendas —específicamente en las contiềncias judiciales sin etiquetas de partido— el orden se decidía mediante un sorteo aleatorio, como sacar una letra de un sombrero para ver quién aparece primero. Esto creó un experimento perfecto y accidental. A veces, el "Demócrata" aparecía primero en la contienda presidencial (con la etiqueta), pero el juez "Demócrata" aparecía en segundo lugar en la contienda judicial (sin la etiqueta). Los investigadores llaman a esto un "giro" (flip).

El equipo se preguntó si los votantes partidistas (personas que usualmente votan por su partido) se confundirían. Si un votante ve al "Demócrata primero" para el Presidente, podría asumir que el "Demócrata primero" también lo es para el juez. Si el giro de la boleta del juez ocurre, ese votante podría votar accidentalmente por el juez Republicano, pensando que está votando por el Demócrata.

Para resolver esto, los investigadores no solo adivinaron; utilizaron un método computacional súper inteligente llamado Aprendizaje Automático Doble (Double Machine Learning). Imagina intentar encontrar una sola aguja en un pajar que también se está moviendo. Este método ayuda a separar la "aguja" (el efecto del giro) del "pajar" (todas las otras cosas que afectan la votación, como la edad de las personas, cuánta gente participó o qué otras contiendas había en la boleta). Analizaron datos de más de 37,000 distritos de votación a través de cuatro años electorales diferentes.

Esto es lo que encontraron: El giro realmente sucede, y causa errores.

Cuando el orden de los jueces se giraba en comparación con la contienda presidencial, la conexión entre cómo un pueblo votaba por el Presidente y cómo votaba por el juez se debilitaba mucho. Es como si normalmente siguieras el ejemplo de un amigo, pero de repente tu amigo está parado en el lado opuesto de la habitación, y terminas siguiendo a la persona equivocada.

Los investigadores calcularon exactamente cuántas personas se equivocaron. Estimaron que el 12.0% de los votantes Demócratas y el 15.4% de los votantes Republicanos votaron incorrectamente debido a este cambio de orden. ¡Eso es mucha gente! Para ponerlo en perspectiva, si tienes una sala de 100 votantes Republicanos que tenían la intención de votar por su juez de partido, unos 15 de ellos votaron accidentalmente por el bando contrario simplemente porque los nombres estaban en un orden diferente al que esperaban.

El equipo fue muy cuidadoso para asegurarse de que esto no fuera una casualidad. Realizaron una "prueba de placebo", que es como un grupo de control en un experimento científico. Observaron contiendas donde las etiquetas de partido sí eran visibles en la boleta. En esos casos, el efecto del "giro" desapareció. Esto confirmó su teoría: la gente solo se confunde cuando las etiquetas faltan y tienen que confiar en el orden de los nombres como una pista. Cuando la pista está presente (la etiqueta), el truco no funciona.

Por lo tanto, el artículo concluye que el diseño de la boleta no es solo una cuestión de estética; es una fuerza poderosa que puede cambiar accidentalmente los resultados electorales. Cuando los votantes dependen del orden de los nombres para adivinar el partido de un candidato, y ese orden se gira, una parte significativa del voto se desvía. Los autores sugieren que si queremos que las elecciones reflejen verdaderamente lo que la gente quiere, debemos ser cuidadosos con la forma en que organizamos los nombres en la página, especialmente cuando quitamos las etiquetas de partido que son de gran ayuda.

Resumen Técnico: Diseño de Boletas y Resultados Electorales

Planteamiento del Problema
Este documento investiga cómo el diseño de las boletas influye en los resultados electorales, centrándose específicamente en el impacto de la omisión de las designaciones de partido (etiquetas) en las contiendas judiciales no partidistas. La hipótesis central es que los votantes partidistas, al enfrentarse a una boleta no partidista que carece de etiquetas de partido, dependen de "señales de orden de partido" (party-order cues)—la secuencia en la que aparecen los partidos en la boleta en otras contiendas (por ejemplo, la carrera presidencial)—para inferir la afiliación del candidato. Si el orden de los partidos en una contienda judicial no partidista difiere del orden de los partidos en la carrera presidencial partidista concurrente (un "cambio" o flip), estos votantes pueden emitir su voto por el candidato equivocado. Los autores pretenden cuantificar la magnitud de estos "errores de votación partidista" y el resultante "efecto de cambio" (flip effect) en las cuotas de votos.

Metodología
Los autores desarrollan un marco de inferencia causal aprovechando un experimento natural cuasi-aleatorio dentro de las elecciones judiciales de Carolina del Norte (NC).

Fuente de Datos: El estudio utiliza datos a nivel de precinto de 13 contiendas judiciales estatales (Corte Suprema de NC y Corte de Apelaciones de NC) celebradas durante las elecciones generales de 2004, 2008, 2012 y 2016. Estas contiendas carecían de designaciones de partido. Se utiliza una muestra de placebo de 17 contiendas con designaciones de partido (2016, 2020, 2024) para la validación. El conjunto de datos comprende 37,690 observaciones a nivel de precinto para la muestra principal y 50,048 para la muestra de placebo, enriquecidas con más de 85,000 covariables, incluyendo datos demográficos, participación y resultados de contiendas estatales concurrentes.
Estrategia de Identificación: La identificación se basa en el Estatuto General de NC, que históricamente dictaba el orden de los candidatos mediante sorteos aleatorios (por ejemplo, seleccionando una letra inicial para el orden alfabético) para las contiendas no partidistas, mientras que las contiendas partidistas seguían reglas diferentes (por ejemplo, alfabético por partido o el partido del gobernador primero). Esto crea una variación exógena en si el orden de los partidos en una contienda judicial es "cambiado" (flipped) respecto a la carrera presidencial ( $T_c=1$ ) o alineado ( $T_c=0$ ).
Técnica de Estimación: Para manejar la alta dimensionalidad de las covariables y permitir formas funcionales flexibles, los autores emplean Aprendizaje Automático Doble (Double Machine Learning - DML).
- Modelo de Resultado: $Y_{cp} = f(X_p)T_c + g(X_p, W_{cp}, Z_c) + \epsilon_{cp}$ , donde $Y_{cp}$ es la cuota de votos judiciales, $X_p$ es la cuota de votos presidenciales, y $f(X_p)$ representa el efecto de cambio heterogéneo.
- Modelo de Tratamiento: La asignación del tratamiento se modela como una media constante ( $m_0$ ) debido a la naturaleza cuasi-aleatoria de la asignación a nivel de contienda.
- Estimación de Parámetros de Molestia (Nuisance Parameters): La función $g$ se estima utilizando Elastic Net con selección de penalización mediante validación cruzada para controlar los confundidores sin introducir sesgo en el estimador del efecto del tratamiento.
- Inferencia: Los autores calculan errores estándar robustos por conglomerados para dar cuenta de la dependencia intra-contienda. Utilizan un procedimiento de bootstrap de multiplicador para construir bandas de confianza simultáneamente válidas para el efecto de cambio a lo largo de todo el rango de cuotas de votos presidenciales ( $x \in [0, 1]$ ).

Contribuciones Clave

Marco Causal para el Diseño de Boletas: El documento establece un riguro el modelo de inferencia causal para aislar el efecto de los cambios de orden de partido en ausencia de etiquetas de partido, distinguiendo entre el impacto neto en las cuotas de votos (efecto de cambio) y la proporción de votantes que cometen errores de votación partidista.
Aplicación Metodológica: Demuestra la aplicación de Double Machine Learning en un contexto electoral con asignación de tratamiento agrupada y covariables de alta dimensión, utilizando cross-fitting y condiciones de ortogonalidad para asegurar una inferencia estadística válida.
Cuantificación de Errores de Votación: El estudio proporciona estimaciones específicas de la proporción de votantes partidistas que votan incorrectamente debido al diseño de la boleta, una métrica que suele ser difícil de identificar en datos agregados.

Resultados

Heterogeneidad del Efecto de Cambio: El análisis confirma que el efecto de cambio es heterogéneo con respecto a la cuota de votos presidenciales. El efecto es positivo cuando la cuota de votos presidenciales de un partido es baja y negativo cuando es alta, lo cual es consistente con el mecanismo de que los votantes utilizan el orden de la parte superior de la boleta como una señal.
Magnitud de los Errores: Utilizando el efecto de cambio estimado en un precinto hipotético donde el candidato presidencial de un partido recibe el 100% de los votos, los autores estiman que:
- El 12.0% (Error Estándar: 3.6%) de los votantes demócratas partidistas votan incorrectamente debido al cambio de orden de partido.
- El 15.4% (Error Estándar: 4.0%) de los votantes republicanos partidistas votan incorrectamente debido al cambio.
Prueba de Placebo: Una prueba de placebo utilizando contiendas judiciales con designaciones de partido (donde la afiliación es observable) muestra que el efecto de cambio desaparece. Esto confirma que los errores observados en la muestra principal son impulsados por la dependencia de las señales de orden en ausencia de etiquetas, apoyando el mecanismo causal propuesto.
Evidencia de Correlación: Un análisis preliminar muestra una caída significativa en la correlación entre los votos presidenciales y los judiciales en las contiendas con cambio de orden comparadas con las que no tienen cambio (por ejemplo, la correlación demócrata cae de 0.714 a 0.564), proporcionando evidencia descriptiva de la interrupción en los patrones de votación.

Significancia
El documento sostiene que sus hallazgos son críticos para comprender cómo el diseño de las boletas puede distorsionar inadvertidamente los resultados electorales, causando que los resultados diverjan de las preferencias subyacentes de los votantes. Al cuantificar la proporción de errores de votación partidista, el estudio ofrece evidencia concreta de que la omisión de las etiquetas de partido en contiendas no partidistas, combinada con reglas de orden específicas, conduce a que un número no trivial de votantes emita votos contrarios a su intención. Los autores postulan que estos resultados tienen implicaciones políticas directas sobre cómo deben diseñarse las boletas para minimizar la confusión y asegurar que los resultados electorales reflejen fielmente la voluntad del votante. El estudio no propone cambios legislativos específicos, sino que destaca el mecanismo causal por el cual los diseños actuales pueden fallar a los votantes partidistas.

Resumen Técnico: Diseño de Boletas y Resultados Electorales

Más como este