A Unified Bayesian Model for Voter Turnout Estimation: Combining Surveys, Aggregate Data, and Selection Correction

O Grande Jogo de Adivinhação de Eleitores

Imagine que você está tentando descobrir exatamente quem vai comparecer a uma festa enorme e secreta. Você não pode perguntar diretamente a todos porque a maioria das pessoas não atenderá à porta, e os poucos que atenderem podem mentir e dizer que estão super animados para comparecer, mesmo que planejem ficar em casa. Este é o problema diário para cientistas políticos que tentam entender a participação eleitoral. Eles têm duas ferramentas principais, mas ambas estão um pouco quebradas. Primeiro, eles têm pesquisas, onde perguntam às pessoas o que pretendem fazer. O problema? As pessoas que respondem são frequentemente as mais interessadas em política e tendem a exagerar seu entusiasmo (um pouco como as pessoas nas redes sociais que postam sobre malhar mais do que realmente fazem). Segundo, eles têm contagens oficiais, que dizem exatamente quantas pessoas votaram em uma cidade ou região inteira, mas não têm ideia de quem foram essas pessoas. É como saber o número total de fatias de pizza comidas em uma festa, mas não saber quais convidados comeram pepperoni e quais ficaram apenas no queijo.

Para resolver isso, os cientistas usam um método chamado Regressão Multinível e Pós-estratificação (MRP). Pense nisso como construir um mapa gigante e detalhado da população usando dados do censo (a lista de todos que vivem lá) e depois tentar pintar o quadro da "votação" sobre ele usando os dados da pesquisa. No entanto, como os dados da pesquisa são bagunçados e enviesados, o quadro muitas vezes sai borrado ou errado. Este artigo, escrito por pesquisadores da Estônia, faz uma grande pergunta: Podemos construir uma forma mais inteligente e unificada de combinar as respostas bagunçadas das pesquisas com as contagens oficiais perfeitas para obter uma imagem cristalina de exatamente quem está votando e quem não está? Eles querem ir além de apenas adivinhar o número total e começar a entender os hábitos específicos de diferentes grupos, como jovens, diferentes etnias ou aqueles com variados níveis de escolaridade.

Os Três Novos Modelos: Um Kit de Ferramentas de Detetive

Os autores propõem uma nova estrutura "Bayesiana", que é uma maneira sofisticada de dizer que eles usam um sistema matemático que atualiza suas crenças conforme vê novas evidências. Eles construíram três ferramentas de detetive diferentes (modelos) para resolver o mistério da participação eleitoral, cada uma um passo mais complexa que a anterior.

1. O Detetive "Ecológico" (Modelo EI)
A primeira ferramenta é um modelo de Inferência Ecológica (EI) Multinível. Imagine que você tem um saco de doces misturados (as contagens de votos oficiais para uma cidade inteira) e sabe a receita exata do saco (os dados do censo mostrando quantos crianças, adultos e idosos vivem lá). Este modelo tenta adivinhar quantos de cada tipo de doce foram comidos apenas olhando para o peso total do saco. É inteligente porque usa a estrutura populacional conhecida para fazer suposições educadas, mas ainda é uma suposição baseada apenas na "visão geral", o que às vezes pode levar a erros (como assumir que todos em um bairro votaram da mesma forma).

2. O Detetive "Pesquisa-e-Margem" (Modelo PM)
A segunda ferramenta, o modelo Poll-and-Margin (PM), é a estrela principal do artigo. Este modelo age como um detetive que ouve duas testemunhas ao mesmo tempo: os respondentes da pesquisa (que podem estar mentindo ou exagerando) e os contadores de votos oficiais (que são precisos, mas silenciosos). Em vez de tratá-los separadamente, o modelo PM força ambos a concordarem com uma única história. Ele usa os totais de votos oficiais para "ancorar" os dados da pesquisa, dizendo efetivamente: "Ok, a pesquisa diz que 90% das pessoas pretendem votar, mas a contagem oficial diz que apenas 70% o fizeram. Vamos ajustar o exagero da pesquisa para que a matemática funcione".
Em seus testes, este modelo foi uma grande melhoria em relação ao melhor método atual (chamado Ghitza-Gelman). Em simulações, ele reduziu a divergência mediana de Kullback-Leibler (KL) em cerca de 30% em comparação com o benchmark de Ghitza-Gelman. É como pegar uma foto borrada e usar uma imagem de referência nítida para corrigir o foco. Os autores sugerem que este deve ser o novo padrão para analistas políticos porque lida muito melhor com a incerteza do que os antigos métodos de duas etapas.

3. O Detetive de "Seleção Total" (Modelo FS)
A terceira ferramenta, o modelo de Seleção Total (FS), é a mais ambiciosa. Ela tenta resolver a causa raiz do problema: por que as pessoas erradas respondem à pesquisa em primeiro lugar? Ela utiliza um truque estatístico chamado correção de seleção de Heckman. Imagine que a pesquisa é um clube com um segurança na porta. O modelo FS tenta descobrir as regras secretas do segurança (por exemplo, "eu só deixo entrar pessoas que amam esportes") e então matematicamente "des-segura" os dados para ver como é a multidão inteira.
Este modelo mostrou os melhores resultados em simulações, especialmente quando a pesquisa era muito enviesada (como quando apenas 21% da população estava disposta a falar com os pesquisadores). Nesses casos difíceis, a divergência KL mediana do modelo FS foi 57% menor do que a do benchmark de Ghitza-Gelman. No entanto, há uma ressalva: este modelo é sensível. Ele precisa ser alimentado com algumas "suposições inteligentes" (chamadas de priors informativos) sobre o quão enviesada é a pesquisa para funcionar corretamente. Se o viés da pesquisa for causado por ruído aleatório que o modelo não esperava, a vantagem do modelo FS desaparece.

O Que Eles Encontraram (e o Que Não Encontraram)

Os pesquisadores testaram esses modelos usando uma simulação massiva baseada em dados reais do censo da Estônia. Eles criaram cenários eleitorais falsos onde sabiam a "verdade" e então viram qual modelo chegava mais perto.

• O Vencedor: Nas simulações, o modelo de Seleção Total (FS) foi o mais preciso, seguido de perto pelo modelo Poll-and-Margin (PM). Ambos foram significativamente melhores do que o método de ponta atual (Ghitza-Gelman) em termos de métricas de distância de distribuição.
• O Choque de Realidade: Quando aplicaram esses modelos às eleições parlamentares estonianas de 2023, os resultados foram um pouco mais mistos. O modelo PM teve um desempenho muito semelhante aos melhores métodos existentes nos dados que puderam verificar. O modelo FS mostrou uma ligeira melhoria, mas apenas porque utilizou aquelas "suposições inteligentes" (priors) sobre o quão enviesada era a pesquisa. Sem essas suposições específicas, o modelo FS teve o mesmo desempenho que o modelo PM.
• O Aviso: Os autores são cuidadosos ao dizer que o superpoder do modelo FS depende de a pesquisa ser "contatada aleatoriamente" (como uma chamada telefônica para uma lista aleatória) e de se ter alguma ideia da taxa de resposta. Se os dados da pesquisa forem bagunçados de maneiras que o modelo não espera (como ruído aleatório), o modelo FS perde sua vantagem.

Conclusão

Este artigo não afirma ter resolvido o mistério da votação para sempre. Em vez disso, oferece um kit de ferramentas melhor. O modelo Poll-and-Margin (PM) é apresentado como uma atualização robusta e confiável para quase qualquer situação, oferecendo uma maneira mais limpa de combinar dados de pesquisa com contagens oficiais. O modelo de Seleção Total (FS) é uma ferramenta poderosa e especializada que pode extrair mais precisão em situações difíceis e enviesadas, mas requer um manuseio cuidadoso e suposições específicas para funcionar.

Os autores recomendam que qualquer pessoa que utilize esses métodos execute tanto o modelo PM quanto o FS e compare os resultados. Se eles concordarem, você pode confiar. Se discordarem, é um sinal de que os dados podem ser muito bagunçados ou as suposições muito frágeis para confiar em uma única resposta. É um lembrete de que, no mundo da ciência política, mesmo a melhor matemática precisa de uma boa dose de ceticismo.