Metodologia
Entenda como o nosso agregador de pesquisas funciona e por que usamos pesos para recência e qualidade.
Qualquer pessoa que acompanha pesquisas eleitorais já se deparou com a mesma cena: dois institutos publicam pesquisas no mesmo dia e apresentam números diferentes. Qual delas confiar?
O Viés nasceu para responder a essa pergunta de forma sistemática. Em vez de escolher uma pesquisa arbitrariamente, o projeto agrega, pondera e corrige todas elas — transformando ruído em sinal.
Cada instituto carrega tendências próprias. Um pode sistematicamente superestimar um candidato em 2 pontos percentuais. Outro pode ter amostras menores, gerando mais volatilidade. Um terceiro publica com menos frequência, tornando seus dados mais defasados.
Ignorar essas diferenças e tratar todas as pesquisas como equivalentes é o erro mais comum na análise eleitoral popular.
Uma pesquisa isolada é uma amostra de uma realidade. Dezenas de pesquisas, corretamente agregadas, são uma estimativa muito mais robusta dessa mesma realidade.
A camada mais básica do modelo é a média simples: pegamos a última observação disponível de cada instituto para cada candidato e calculamos a média aritmética.
Esse número funciona como ponto zero — é o que você obteria sem nenhum ajuste. Serve para medir o impacto real de cada camada subsequente.
Nem todas as pesquisas merecem o mesmo peso. O modelo aplica dois ajustes:
Recência (decaimento exponencial): Pesquisas mais antigas valem menos. Usamos λ = 0,08, o que significa que uma pesquisa de 30 dias atrás vale cerca de 9% do peso de uma pesquisa de hoje.
Tamanho da amostra: Pesquisas com mais entrevistados são estatisticamente mais confiáveis. O peso cresce com a raiz quadrada do tamanho da amostra, normalizado pelo maior instituto da rodada.
O peso combinado é: peso_total = peso_recência × peso_amostra
Aqui o modelo começa a usar o passado para calibrar o presente. Para cada instituto que participou das eleições de 2014, 2018 e 2022, calculamos o (Erro Absoluto Médio) — a distância média entre o que o instituto previu e o que as urnas registraram.
Newsletter
Recebe novas análises por email
Quando publicarmos dados ou análises novas, avisamos-te. Sem spam.
Nenhum comentário ainda. Seja o primeiro a participar.
Apenas usuários cadastrados podem comentar. Faça login com sua conta Google para continuar.
Institutos com histórico melhor recebem um peso de qualidade maior. Institutos sem histórico recebem um peso de fallback de 0,85 — conservador, mas não punitivo.
O peso final torna-se: peso_final = peso_recência × peso_amostra × peso_qualidade
Para ver os ratings históricos de cada instituto, acesse a aba Qualidade.
Esta é a camada mais sofisticada. Em vez de calcular apenas um viés médio por instituto, o modelo calcula o house effect por candidato — ou seja, o quanto cada instituto tende a errar especificamente para cada candidato.
Um instituto pode superestimar o candidato A em +2 pontos e subestimar o candidato B em -1,5 ponto. Usar um viés médio único mascararia essa assimetria.
A correção é aplicada assim: valor_corrigido = valor_original − viés_candidato
Quando o instituto não tem observações suficientes para um candidato específico (mínimo 2 ciclos), o modelo cai para o viés geral. Transparência total.
Para explorar os house effects de cada instituto, acesse House Effects.
A estimativa pontual — "candidato A tem 38,5%" — esconde dispersão real entre institutos. O modelo calcula o intervalo de confiança de 95% para cada candidato:
IC 95% = média ± 1,96 × (desvio padrão / √n)
Esse intervalo responde: se repetíssemos o agregado muitas vezes em condições similares, em 95% das vezes o valor real estaria dentro desse intervalo.
Veja a visualização completa em Intervalo de Incerteza.
O modelo do Viés é inspirado na abordagem do FiveThirtyEight — o projeto de Nate Silver que revolucionou a análise eleitoral americana a partir de 2008. Os princípios são os mesmos: agregar, ponderar por qualidade e corrigir por viés histórico.
A diferença está na adaptação ao contexto brasileiro: institutos distintos, metodologias diferentes (presencial vs. telefone, espontânea vs. estimulada), e um sistema eleitoral com segundo turno que cria dinâmicas únicas.
O modelo é auditável. Cada camada pode ser explorada separadamente na seção Nossa Conta, mostrando exatamente como cada ajuste afeta a estimativa final.
Explore o modelo na prática: