Eleições 2026 — Agregador (MVP)

Metodologia (resumo do que a plataforma calcula)

Esta aba só explica o método. O cálculo e os gráficos do Dashboard seguem a implementação do código.

1) O que entra no “peso” de cada pesquisa

Para agregar pesquisas, cada uma recebe um peso:
peso = recência × √n × peso_do_instituto

• recência: decai exponencialmente com o tempo (meia-vida definida acima).
• √n: dá mais peso para amostras maiores, sem exagerar (cresce pela raiz).
• peso do instituto: tabela fixa (ex.: Datafolha/Quaest/Ipec etc.).

2) Como escolhemos o “cenário” em cada pesquisa

• 1T: se a pesquisa tiver um cenário que contenha A e B, usamos esse cenário; se não tiver, usamos o cenário-base.
• 2T: sempre usamos o cenário/confronto que contenha A e B. Pesquisas sem esse confronto são descartadas para a série A×B.

3) Série mensal (Evolução mensal)

Agrupamos as pesquisas por mês (pela data_campo_fim) e, para cada mês, calculamos a média ponderada de A e B com os pesos acima.

• Isso produz duas séries mensais: A(t) e B(t).
• Em paralelo, calculamos Neff dos pesos usados para medir a força da base.

4) Tendência (Kalman) e projeção até a eleição

Sobre a série mensal, aplicamos um modelo dinâmico (Kalman) do tipo nível + inclinação para suavizar ruído e estimar uma tendência com incerteza.

• Estado: x_t = [nível_t, inclinação_t]
• Transição: x_t = F x_{t-1} + ruído
• Observação: y_t = nível_t + erro
• Projeção: avançamos mês a mês até a data da eleição.

5) Monte Carlo (20000 simulações) no ponto da eleição

No mês da eleição, o Kalman fornece para cada candidato um par (μ, σ²). A partir disso, simulamos:

• A ~ Normal(μA, σA²) e B ~ Normal(μB, σB²)
• Diferença: D = A − B

A plataforma então mostra:

• Prob. A > B: fração de simulações com D > 0.
• Vantagem esperada: média de D.
• Faixas 80% e 95%: quantis do histograma de D.

6) O que é Neff e por que aparece no KPI

Neff mede quantas “pesquisas equivalentes” existem na prática, dado o conjunto de pesos:
Neff = ( (∑w)² / ∑(w²) )

• Se poucas pesquisas dominam, Neff cai.
• Se os pesos estão bem distribuídos, Neff sobe.
• Neff é um indicador de força estatística e concentração da base.

7) Níveis de liderança (interpretação)

A caixa “Nível de liderança” classifica o confronto A×B usando simultaneamente: (i) probabilidade (Monte Carlo), (ii) consolidação do IC e (iii) força da base (Neff).

Observação: se Neff < 4, a base é tratada como muito fraca e a classificação recebe alerta, mesmo que a probabilidade pareça alta.

8) Rejeição — inferência estatisticamente adequada (o que estamos usando)

• Métrica fixa: usamos apenas NAO_VOTARIA_DE_JEITO_NENHUM, filtrando por tipo_rejeicao normalizado.
• Agregação mensal ponderada: construímos uma série mensal de rejeição para A e B usando peso = recência × √n × peso_do_instituto.
• Escala logit (respeita 0–100%): antes de modelar, transformamos a rejeição do mês p(%) em z = logit(p).
• Variância coerente no logit usando base_n real (não Neff): usamos o base_n mensal ponderado e propagamos a variância para o logit por aproximação delta.
• Kalman em logit + forecast com damping: na rejeição, o forecast usa damping mais forte na inclinação para conter explosões.
• Shrinkage defensável no ponto da eleição: fazemos encolhimento leve do logit final em direção ao nível médio histórico do recorte, com intensidade controlada por Neff.
• Monte Carlo na rejeição (decisão):
  • P(Rej(A) < Rej(B))
  • P(Rej > 55%) para cada candidato
  • Projeção da rejeição na eleição em %: mediana + IC95

9) Índice de viabilidade composta (IVC)

O Dashboard inclui um índice sintético de comparação entre os dois candidatos selecionados. O objetivo não é substituir a leitura das pesquisas, mas condensar em um número comparável quatro dimensões da competitividade observada no recorte.

O índice é calculado como:
IVC = 0,35·Apoio + 0,25·Expansão + 0,20·Robustez + 0,20·Segurança estatística

• Apoio atual: agregado ponderado do candidato no recorte A×B selecionado.
• Expansão viável: (100 − Voto) × (1 − Rejeição/100).
• Robustez: proxy específica por candidato, considerando cobertura e distribuição efetiva da base no recorte.
• Segurança estatística: medida derivada da assimetria probabilística do confronto selecionado.

10) Classificação do grau do IVC

• 75 a 100 → muito alta
• 60 a 74,9 → alta
• 45 a 59,9 → moderada
• 30 a 44,9 → limitada
• 0 a 29,9 → restrita

11) Leitura automatizada do cenário

O texto automático do card do IVC é gerado a partir de três dimensões:

• Nível estrutural do cenário: definido pelo maior grau atingido entre as duas candidaturas.
• Intensidade da diferença: dada pela distância absoluta entre os índices Δ = |IVC_A − IVC_B|.
• Componente dominante: fator que mais contribuiu, de forma ponderada, para a diferença final.

A estrutura do texto segue a lógica:
Texto final = base estrutural + intensidade da vantagem + componente dominante + fechamento

12) Faixas da diferença entre índices

• 0,0 a 2,5 → equilíbrio muito próximo
• 2,6 a 7,0 → vantagem leve
• 7,1 a 15,0 → vantagem moderada
• 15,1 a 25,0 → vantagem forte
• 25,1+ → vantagem muito forte

13) Regras adicionais do texto automático

• Se Δ < 0,5, o sistema trata o quadro como praticamente empatado.
• Se ambos os candidatos estiverem em grau limitada ou restrita e Δ < 5, o texto usa leitura especial de competitividade reduzida.

14) Interpretação prática

O IVC não deve ser lido como previsão definitiva nem como chance direta de vitória. Ele é uma medida composta de posição competitiva relativa, útil para resumir: voto agregado, espaço potencial de crescimento, robustez da base e segurança estatística.