APROBACIÓN PRESIDENCIAL
En un ensayo anterior (De la Peña, 2024) se demostraba, a partir de los datos de la encuesta nacional a votantes a la salida de casillas realizada el 2 de junio de 2024 por GEA Grupo de Economistas y Asociados e ISA Investigaciones Sociales Aplicadas (GEA-ISA, 2024), con 4,262 casos válidos, que la principal variable que incidía en la decisión de voto de los ciudadanos que concurrieron a votar ese día fue la aprobación presidencial. Cabe mencionar que, para fines de análisis, los resultados de este ejercicio fueron ponderados de manera tal que reflejaran exactamente las proporciones del sufragio a favor de cada candidatura conforme los Cómputos Distritales realizados por el Instituto Nacional Electoral (INE, 2024), compensando así las inexactitudes que pudieron darse en la toma directa de datos en esta encuesta, que por ende se tornan irrelevantes para fines prácticos.
Escrito por: Ricardo de la Peña (Presidente Ejecutivo de ISA Investigaciones Sociales Aplicadas).
Como consecuencia de esta publicación, se expresaron dudas relacionadas con el impacto de variables sociodemográficas en la aprobación presidencial y, como consecuencia, en las decisiones del voto ciudadano, dado que si la aprobación “no está vinculada con la posición en la estructura social ni a la (…) expectativa de mejora de la situación económica personal (…) entonces habrá que abandonar los paradigmas clásicos (…) y empezar a explorar las cuestiones emocionales”, por lo que para futuras mediciones de las preferencias electorales se debería tener en cuenta un nuevo programa de investigación (Arzuaga, 2024).
Esta interrogante es claramente pertinente y por ello en este artículo buscaremos dar respuestas que alimente el conocimiento sobre este fenómeno y dirima la conveniencia de avanzar en una nueva agenda de investigación sobre el tema, sabiendo que hay todavía mucho que analizar respecto de los datos de las recientes elecciones en México.
Te invitamos a leer: Ecos del dos de junio (5)
Conforme la citada encuesta de salida, la opinión de los votantes al momento de la elección mostraba un 69 por ciento de aprobación a la labor del Presidente de la República, contra 23 por ciento de desaprobación y 8 por ciento de no definidos al respecto (Gráfico 1). Eso supone que, de quienes definieron su opinión respecto a aprobar o no la gestión presidencial, 75 por ciento se decantó por aprobarla y el 25 por ciento restante por no hacerlo.
Gráfico 1. Aprobación presidencial de los votantes en 2024.
La información compilada a través de la herramienta demoscópica no permite discriminar qué parte de la aprobación declarada es producto de decisiones realizadas libremente por las personas y que parte pudo ser consecuencia de las coacciones realizadas por el gobernante durante las llamadas “mañaneras”, que tuvieron impacto en la contienda electoral según resoluciones que serán revisadas en su momento por la instancia superior de las autoridades jurisdiccionales electorales del país (Animal Político, 2024).
Ahora bien, ¿qué factores estuvieron detrás de esta relativamente elevada aprobación hacia la labor presidencial, al compararla contra mediciones de respaldo entre el electorado en general y no solamente en el segmento de los votantes?
Como se hiciera en el ensayo previo referido, en que se analizan los factores propiciadores del voto por candidatura a la Presidencia de la República en 2024, es posible hacer un ejercicio similar —aunque más completo para cubrir las expectativas que pudieran tener quienes demandaron un análisis como el que se presenta—, pero ahora tomando como variable dependiente la aprobación presidencial. Cabe referir que estas rutinas son corridas en todos los casos en el Paquete Estadístico para las Ciencias Sociales (SPSS, por sus siglas en inglés).
Para ello, como primer paso se recurre a calcular regresiones logísticas (Agresti, 2002) para variables dicotomizadas introducidas para la estimación. Este tipo de regresión, que usa como función de enlace la logit , que no es otra cosa que el logaritmo de la razón de momios entre la proporción en que ocurre un evento y la proporción en que no ocurre (Cramer, 2003), permite un análisis de clasificación de máxima entropía que se emplea para predecir el resultado de una variable categórica en función de las variables dependientes o predictoras, siendo útil para modelar la probabilidad de un evento en función de esos otros factores considerados.
Para la evaluación de la bondad de ajuste de los modelos que se generen se recurrirá a la R2 de Nagelkerke, coeficiente de determinación que permite en este tipo de regresiones ajustar una predicción dentro del rango unitario y que corresponde al cambio en el logit dela variable de resultado ajustado al cambio de una unidad en la variable predictora (Nagelkerke, 1991); y sobre todo a la prueba de Hosmer-Lemeshow, que evalúa la calibración del modelo (grado en que la probabilidad predicha coincide con la observada) y además la discriminación que permite, entendida como el grado en que el modelo distingue entre individuos en los que ocurre el evento y los que no (Hoamer & Lemeshow, 2000).
Para poner a prueba el verdadero valor de los parámetros con base en cada estimación, se puede observar en las tablas de salida de las regresiones el estadístico de Wald, que estima la máxima verosimilitud de cada parámetro al compararlo con el valor propuesto acorde con una distribución normal y que no es otra cosa que la proporción entre el coeficiente y su error estándar (Wald & Wolfowitz, 1940).
Este procedimiento se incluye como un complemento a la generación de árboles de clasificación dado que su empleo es más común y por ende más diáfano para posibles lectores. Por ello, posteriormente y como se hiciera en el ensayo previo ya citado, se recurre a una de las herramientas disponibles es la construcción de árboles de clasificación y regresión o CART, por sus siglas en inglés (Breiman et al., 1984).
Esta técnica no paramétrica se emplea en minería de datos y análisis multivariado para analizar y entender conjuntos de datos (Rokach & Maimon, 2008), como son los resultados de una encuesta, a través de la generación de particiones binarias recursivas de los datos (Arana, 2021) en las que cada división que se genera es óptima. Este método de aprendizaje automatizado permite luego ir partiendo los datos de manera sistemática en grupos lo más homogéneos posibles, pudiendo repetirse el procedimiento en varios niveles para ir construyendo un árbol de clasificación de los datos.
Entre los distintos procedimientos para la segmentación recursiva, puede emplearse el de detección automática de interacciones mediante la técnica conocida como chi-cuadrado o, por sus siglas en inglés, CHAID (Kass, 1980), que examina en primer lugar las tabulaciones cruzada entre los campos de entrada y los resultados, para después determinar la significación comprobando la independencia según la prueba mencionada, eligiendo el campo de entrada de mayor relevancia conforme su nivel de significación medido por el valor p. Así, avanza más allá de los tabulados bivariados, partición idónea para aplicar en este procedimiento, hacia un análisis conjunto de las distintas variables disponibles conforme la probabilidad de que los valores observados para cada una de las variables introducidas en el modelo sean estadísticamente significativos, generando un árbol que por simplicidad y claridad se ha podado en todos los casos a dos niveles de clasificación, presentando únicamente cuatro nodos terminales, aunque el procedimiento permite descender un nivel adicional.
Ello, sabedores de que hay otros métodos que permiten la segmentación de muestras o poblaciones a los que pudiera eventualmente recurrirse, como el método TAID-LCA, que se basa en una estructura de árbol ternario que permite abordar de mejor forma las respuestas multivariadas y las relaciones no simétrica entre las variables explicativas y de respuesta (Castro-López et al., 2022). Reconociendo las virtudes de esta opción, será en otro momento cuando se acuda al uso de esta herramienta.
Los distintos procedimientos reportados se aplicaron a una variables dicotómica con valor uno cuando el entrevistado reportó aprobar la labor presidencial y cero en cualquier otros caso. Esta variable se contrasta contra trece variables independientes, agrupadas en dos paquetes (sociodemográficos y otras) y convertidas todas ellas a su vez en dicotómicas. Se excluye del análisis el interés por informarse respecto a asuntos de política nacional, dado que resulta escasamente significativa como variable en los modelos y la región de residencia dado que, por su naturaleza como partición de unidades primarias de muestreo, esta variable está sujeta a un error estadístico más elevado que otras que cruzan todas estas unidades.
Para el análisis del efecto de las variables sociodemográficas en la aprobación presidencial, se seleccionaron seis reactivos dicotómicos:
El modelo de regresión logística para la aprobación presidencial con las seis variables sociodemográficas seleccionadas muestra que entre ellas la religión es la que tiene un mayor efecto en la aprobación presidencial, seguido de la escolaridad de la persona entrevistada (Tabla 1). Esto recuerda las conclusiones del análisis realizado por Zavala (2010) para los datos de las elecciones federales de 2003, en que detectaba como una de las variables explicativas de la participación electoral la auto-adscripción a una religión, factor que suele ser soslayado en los análisis sobre el fenómeno electoral, en el que los vectores de naturaleza sociodemográfica a los que se recurre suelen ser la escolaridad y el nivel de ingresos.
Tabla 1. Regresión logística para la aprobación presidencial con variables sociodemográficas como independientes
El modelo, sin embargo, no resulta ser el óptimo para explicar los datos observados, al arrojar una R2 de Nagelkerke de 0.039, que permite la clasificación correcta de 69 por ciento de casos al pronosticar la aprobación conforme la prueba de Hosmer-Lemeshow, aunque invariablemente clasifica a las personas como aprobantes de la gestión presidencial, por lo que el 31 por ciento incorrectamente clasificado corresponde en su totalidad a los casos en que el informante no declaró aprobar la labor presidencial.
Al aplicar el procedimiento alternativo para la detección de la influencia de las diversas variables en la aprobación presidencial, en este caso reducido a la incorporación de los reactivos de carácter sociodemográfico, se encuentra una constatación de lo obtenido en la regresión logística (Gráfico 2): la variable de naturaleza sociodemográfica más relevante es la religión, aunque provoca un cambio mesurado en la aprobación presidencial: 74 por ciento para los católicos y 62 por ciento para los no católicos.
Cualquiera que sea la religión, el segundo factor con mayor incidencia en la aprobación presidencial dentro de los sociodemográficos elegidos es la escolaridad, que produce un diferencial cercano a diez puntos en la aprobación presidencial, más bajo entre quienes cuentan con estudios superiores y con aumentos en la aprobación medida entre quienes no alcanzan el nivel educativo superior.
Gráfico 2. Árbol de clasificación para la aprobación presidencial con variables sociodemográficas como independientes
Para el análisis del efecto de variables de carácter no sociodemográfico en la aprobación presidencial (evaluación y expectativas de la situación económica familiar, condición de beneficiario de programas sociales gubernamentales y reactivos relacionados con el posicionamiento político-ideológico), se seleccionaron siete reactivos dicotómicos:
Tabla 2. Regresión logística para la aprobación presidencial con variables no sociodemográficas como independientes
El modelo de regresión logística para la aprobación presidencial con estas siete variables que van más allá de lo sociodemográfico, muestra que entre ellas la satisfacción con la forma como funciona la democracia en México es la que mayor incidencia tiene en los valores de la aprobación presidencial, seguida de la variable relativa a las expectativas sobre la situación económica de las familias, que sería la única variable relevante que correspondería a los modelos explicativos clásicos del fenómeno bajo observación (Tabla 2).
Este modelo arroja una R2 de Nagelkerke de 0.287, mucho más elevada que la correspondiente al ejercicio con variables sociodemográficas, modelo que además permite la clasificación correcta de 75 por ciento de casos al pronosticar la aprobación conforme la prueba de Hosmer-Lemeshow.
Cuando se incorporan simultáneamente las variables sociodemográficas y las de situación familiar y posición político-ideológica (Tabla 3), el modelo que se obtiene logra que la R2 de Nagelkerke alcance 0.304, pero permite la clasificación correcta del mismo 75 por ciento de casos que se pronostican acertadamente conforme la prueba de Hosmer-Lemeshow cuando solamente se introducen las variables no sociodemográficas. Los coeficientes de los distintos parámetros introducidos son próximos a los valores observados en los modelos no agregados.
Tabla 3. Regresión logística integrada para la aprobación presidencial
Al aplicar el procedimiento alternativo para la detección de la influencia de las diversas variables en la aprobación presidencial, en este caso referido a los reactivos no sociodemográficos, se encuentra una constatación de lo obtenido en la regresión logística (Gráfico 3): la variable más relevante resulta ser la satisfacción con la forma como funciona la democracia en México, que propicia un diferencial respecto al 69 por ciento de aprobación registrado para la totalidad de electores que coloca esta aprobación en 86 por ciento cuando el elector se declaraba satisfecho con la manera en que funciona la democracia en el país, contra una reducción al 48 por ciento en la aprobación cuando se muestra insatisfecho, siendo por tanto minoritaria la aprobación en este segmento.
Este resultado debiera llevar a reflexionar sobre la pertinencia de potenciales reformas en los mecanismos para el funcionamiento de la democracia mexicana, tanto en lo relativo a la formación de la representación, como de la integración de los órganos electorales, puesto que resulta impertinente afirmar que la ciudadanía o la mayoría de los electores se pronunciaron por un cambio en las reglas de juego electoral a partir de los datos revisados.
Gráfico 3. Árbol de clasificación integrado para la aprobación presidencial
Al igual que cómo se registrara al revisar el modelo de regresión logística, en el proceso de clasificación por árbol binario la variable relativa a las expectativas sobre la situación económica de las familias se ubica en segundo lugar como los factores no demográficos que inciden en la aprobación, provocando un diferencial de 90 a 79 por ciento en la aprobación entre quienes se declaran satisfechos con la democracia según si esperan o no una mejora en la situación económica de sus familias y una apertura de 40 a 60 por ciento en la aprobación según si se cree que no se mejorará o sí en la situación económica familiar en la aprobación entre quienes se declaran insatisfechos con la democracia.
Así, existe un claro contraste, con una brecha de cincuenta puntos en la aprobación de la labor presidencial, entre quienes dicen estar satisfecho con la democracia y tener expectativas de mejora versus quienes afirman estar insatisfechos con la democracia y no tener una expectativa de mejora.
Este árbol de clasificación, a los dos niveles usados, que pronostica en global un 72 por ciento de aprobación, ligeramente por encima de lo observado, permite pronosticar de manera correcta tres cuartas partes de los casos, aunque con una diferencia en capacidad de detección según si se aprueba, donde la ubicación es correcta en 84 por ciento de ocasiones, que cuando no se aprueba, para las que el pronóstico es correcto apenas en 54 por ciento de casos.
Esto último corrobora que es pertinente considerar para futuras mediciones de las preferencias electorales la construcción de un nuevo programa de investigación que tal vez asuma un paradigma teórico con intensiones explicativas distinto al vigente, además de incorporar reactivos hasta ahora no considerado en los procesos de acopio informativo.
Debe mencionarse que el árbol de clasificación que se genera cuando se introducen simultáneamente las variables sociodemográficas elegidas con las no sociodemográficas es idéntico al que se obtiene cuando no se incluyen dichas variables, al menos hasta el segundo nivel que se muestra, por lo que se omite su presentación.
Respecto a la incorporación de variables sociodemográficas en el esquema de explicación, sólo bajando hasta un cuarto nivel de definición de factores incidentes en la aprobación presidencial se encuentran como variables diferenciadoras algunas de naturaleza sociodemográfica, primordialmente la escolaridad, pero sólo en ciertas ramas del árbol. Esto no puede realizarse con el método CHAD adoptado, por lo que debe considerarse la opción CRT, que procura maximizar la homogeneidad interna de los nodos, al utilizar la medida de impureza de la desviación cuadrática mínima, que se calcula como la varianza dentro del nodo corregida para todas las ponderaciones de frecuencia o valores de influencia (Hizli et al., 2022) y que permite descender en la clasificación hasta cinco niveles.
Al recuperar los datos previamente publicados (De la Peña, 2024), se puede observar que la aprobación presidencial, por sí sola, arroja una R2 de Nagelkerke que alcanza 0.292 en una regresión logística con esta única variable dependiente, que se eleva a 0.323 cuando se introducen en el modelo las otras trece variables explicativas consideradas en este ejercicio. La aprobación presidencial por sí sola permite la adecuada clasificación de 76 por ciento de los casos en que se declaró haber votado por Claudia Sheinbaum, generándose un diferencial en la proporción a favor de esta contendiente de 76 por ciento cuando se aprueba la labor presidencial, contra apenas 24 por ciento cuando se desaprueba; esta proporción no se mejora por añadir las otras trece variables referidas en este análisis.
En el caso de Xóchitl Gálvez, la sola variable de aprobación de la gestión presidencial es capaz de otorgar una R2 de Nagelkerke de 0.230 en una regresión logística, que apenas se eleva a 0.265 cuando se introducen las otras trece variables categóricas utilizadas en este ensayo. La aprobación presidencial por sí sola permite la correcta clasificación de 76 por ciento de casos (igual que en el caso de la candidatura ganadora), diferenciando a 56 por ciento de personas que dijeron haber respaldo esta candidatura cuando no aprobaban la labor presidencial, contra 15 por ciento que votaba por ella cuando sí se aprobaba; esta proporción de casos correctamente asignados apenas se eleva a 78 por ciento cuando se consideran las restantes variables consideradas.
Así, puede decirse que al menos tres cuartas partes de los votos de las personas se decidieron en consideración a la aprobación o no de la labor de quien debiera ser sucedido. Queda el problema de explicar los motivadores de casi una cuarta parte de los votos. Al respecto, no existe ninguna otra variable en la encuesta que sirve de fuente primaria para este análisis con una capacidad de mejora de las proporciones de voto explicado. Ergo, habrá que incorporar a futuro variables adicionales que formen parte de un programa de investigación novedoso en esta materia.
Ahora bien, ¿cuáles eran las preferencias electorales al momento de la elección no sólo para el segmento de quienes decidieron votar, sino incluyendo a quienes se abstuvieron de participar? No existen ejercicios que hayan buscado estimar las intenciones de voto no realizadas del segmento de población que no concurrió a las urnas, lo que impide construir una base que incluya tanto a votantes como abstencionistas para un análisis comparativo.
Una manera de aproximarse a las preferencias del segmento de abstencionistas es tomar como base la estimación sobre aprobación presidencial de la serie diaria de mediciones de Consulta Mitofsky (2024a) para El Economista, que es hasta donde sabemos la única medición públicamente disponible de la aprobación presidencial para toda la ciudadanía el día de la elección presidencial, no solamente referida al segmento de los votantes.
Gráfico 4. Estimación de la aprobación presidencial de los electores según su condición de participación en los comicios
Consulta Mitofsky (2024). “#AMLOTrackingPoll Aprobación de AMLO”. El Economista, 3 de junio.
Instituto Nacional Electoral (2024). Cómputos distritales 2024: Elecciones Federales. México, 9 de junio.
Esta medición pudiera considerarse confiable cuando se observa la exactitud que la propia empresa tuvo en su encuesta de salida realizada ese día, en la que tuvo un error medio en la previsión del voto por candidatura de apenas uno por ciento (Consulta Mitofsky, 2024b) empleando para el cálculo el estimador M3 sugerido por Mosteller, el más comúnmente empleado para medir la exactitud de una encuesta respecto a los resultados de una elección, que corresponde a la división de la sumatoria de las inexactitudes en cada componente o la diferencia entre lo estimado y lo observado, entre el total de componentes considerados (Mosteller, 1949) y que será el que se utilizará a lo largo de este apartado.
Cuando se efectúa el cálculo sobre aprobación entre electores, a partir de la encuesta de salida de GEA-ISA, y para el segmento de los abstencionistas, como diferencial para hacer coincidir la aprobación agregada con la estimación del seguimiento cotidiano de Consulta Mitofsky, se encuentra que la aprobación en cada segmento es inversa a la del otro: mientras entre los votantes tres de cada cuatro aprobaban la labor presidencial, entre los no votantes lo hacia uno de cada cuatro, quedando tres cuartas partes como personas que desaprobaban la labor del ejecutivo federal (Gráfico 4).
Gráfico 5. Estimación de la preferencia entre candidaturas de los electores según su condición de participación en los comicios
¿Qué impacto tendría esta diferencia en los niveles de aprobación presidencial entre quienes votaron y quienes se abstuvieron? En el Gráfico 5 se presenta el cálculo de las distribuciones de preferencias por candidatura para el universo de los electores, considerando la distribución del voto observada conforme los cómputos oficiales del INE para el 61 por ciento de ciudadanos que acudieron a las urnas e infiriendo las distribuciones para el 39 por ciento de electores que se abstuvieron de votar, de conformidad con la aprobación de la labor presidencial calculada anteriormente.
Conforme a este ejercicio, basado en datos duros públicamente disponibles y meros procedimientos de inferencia a partir de ellos, las preferencias al momento de la elección de la totalidad del electorado habría sido de 51 por ciento para Claudia Sheinbaum y de 37 por ciento para Xóchitl Gálvez, con un margen de ventaja para la primera de 14 puntos y no de 33 como ocurrió en el segmento de los votantes. Eso supone que entre los abstencionistas había una mayoría de personas cuya intención de voto no se realizó en las urnas que se orientaban a favor de Gálvez, con 52 por ciento de preferencias contra 34 por ciento a favor de Sheinbaum, 18 puntos de brecha en este segmento.
Lo anterior permite además inferir que mientras quienes se inclinaban por respaldar a Sheinbaum prácticamente tres cuartas partes concurrieron a votar, menos de la mitad (46 por ciento) de quienes preferían a Gálvez participaron en la elección (Gráfico 6), por lo que el resultado real de los comicios dependió de manera significativa del patrón de concurrencia a las urnas según inclinación a votar por una u otra candidata: mientras los ciudadanos proclives a respaldar a Sheinbaum acudieron a sufragar, la mayoría de electores que preferían a Gálvez simplemente no acudieron a las urnas.
Gráfico 6. Estimación de la participación en los comicios según preferencia entre candidaturas de los electores
Tarea a futuro será explorar los factores que están detrás de este patrón diferenciado de participación y cuáles fueron los incentivos presentes en un caso y ausentes en el otro que motivaron la concurrencia a votar y que provocaron el retiro de las urnas en otros casos.
Como colofón, conviene analizar el impacto de esta estimación sobre preferencias del segmento de los abstencionistas y la totalidad del electorado en la estimación de la exactitud de las encuestas electorales previas a los comicios, en particular de los estudios presenciales, que asumen métodos ortodoxos de investigación y cuyo inventario es completo.
Gráfico 7. Estimación de la inexactitud de las encuestas presenciales previas a la elección por la Presidencia de la República respecto a los votantes y a los electores
Para ello, se toman los datos sobre intención de voto para Presidente de la República de encuestas presenciales realizadas durante mayo de 2024 y reportadas por el Observatorio Electoral 2024 de CEDE Colegio de Especialistas en Demoscopia y Encuestas (2024). Para fines de este cálculo se incluyen solamente once mediciones en las que la estimación publicada correspondió a las intenciones de voto de los electores, excluyendo por tanto la afortunada estimación de votantes probables dada por De las Heras Demotecnia, que difiriera apenas en 1.3 puntos en promedio por candidatura, pero para la que no se hicieran públicos los datos de intenciones de voto por contendiente, sino solamente el pronóstico.
Cuando se realiza el cálculo de la exactitud media por componente conforme el estimador M3 anteriormente mencionado (Gráfico 7), se descubre que el ordenamiento de las encuestas presenciales cuyas estimaciones fueron referidas al grueso del electorado y no al segmento de votantes probables mediante modelos para su detección, es el inverso cuando se calcula la inexactitud respecto a la distribución de preferencias del todo el electorado que cuando se hace la misma operación para los votantes, como suele típicamente realizarse.
Es relevante observar que, para esta colección de once mediciones, la inexactitud media calculada para el conjunto respecto al resultado electoral, de 4.3 puntos, es mayor que aquella que se derivaría de estimar la inexactitud respecto al universo de los electores, de apenas 3.2 puntos, lo que sería más próximo a la desviación observada en elecciones pasadas conforme este mismo estimador (aunque esta comparación no toma en cuenta eventuales diferenciales entre votantes y abstencionistas que pudieron darse en comicios anteriores).
La consistencia encontrada en distintas rutinas de análisis multivariado de los factores motivadores del voto por las distintas candidaturas, que indican que la aprobación hacia la labor del Presidente de la República es por mucho la variable explicativa con mayor fuerza para detectar la correcta clasificación de los casos conforme al sentido del voto, sustenta la pertinencia del ejercicio realizado, aun reconociendo la existencia de un remanente en la variación de esta decisión que no puede ser explicada por la actitud hacia la gestión del actual gobernante, aunque tampoco por el conjunto de variables consideradas en la medición que se utiliza como fuente primaria para este análisis, situación que obliga a pensar, como ya se dijo antes, en la adopción de un nuevo paradigma para el entendimiento del comportamiento electoral que lleve a incorporar nuevas variables en mediciones futuras por encuesta.
Hay que insistir en que, por más controversiales que puedan resultar las conclusiones que se derivan de estimaciones de inexactitud mediante un comparativo con los cálculos de preferencia para el universo de electores considerados en su totalidad, están basadas en datos duros producto de los cómputos oficiales y de resultados de mediciones accesibles a todo público y se han realizado siguiendo procedimientos de inferencia estrictamente científicos que son replicables por quien quiera corroborarlos.
También podría interesarte: Trump, y la bala que cambió el futuro.
Agresti, Alan. (2002). Categorical Data Analysis. New York: Wiley-Interscience.
Animal Político (2024). “Tribunal Electoral determina que AMLO coaccionó el voto con mañaneras de 2023, pero no impone sanción”. Redacción Animal Político, 11 de julio de 2024. Disponible en: https://animalpolitic.com/elecciones-2024/presidencia/amlo-coaccionjo-voto-tribunal-electoral-sancion.
Arana, Carlos (2021). Modelos de aprendizaje automático mediante árboles de decisión. Serie Documentos de Trabajo, No. 778. Buenos Aires: UCEMA.
Arzuaga, Javier (2024). Comunicación personal por What’s App, 24 de junio.
Breiman, Leo, Jerome H. Friedman, Richard A. Olshen and Charles J. Stone (1984). Classification and Regression Trees. Boca Raton: Chapman and Hall/CRC.
Castro-López, Claudio et al. (2022). “TAID-LCA: Segmentation Algorithm Based on Ternary Trees”. En: Mathematics, 10, 560, https://doi.org/10.3390/math10040560.
CEDE Colegio de Especialistas en Demoscopia y Encuestas (2024). Observatorio Electoral 2024. México. Disponible en: http://cede.org.mx/web2016/ observatorio-electoral-2024/presidente/.
Consulta Mitofsky (2024a). “#AMLOTrackingPoll Aprobación de AMLO”. El Economista, México, 3 de junio. Disponible en: https://www.eleconomista.com.mx/ politica/AMLOTrackingPoll-Aprobacion-de-AMLO-3-de-junio-20240603-0022.html.
Consulta Mitofsky (2024b). “#Tablero estimación de resultados #Mitofsky”. @Mitofsky_group, X, 3 de junio (5:30 am). Disponible en: https://x.com/ Mitofsky_group/status/1797591563758969314.
Cramer, J.S. (2003). Logit Models from Economics and Other Fields. Cambridge: Cambridge University Press.
De la Peña, Ricardo (2024). “Los motores del voto en la elección presidencial de 2024”. México Social. México, 24 de junio. Disponible en: https://www.mexicosocial.org/ motores-del-voto/.
GEA Grupo de Economistas y Asociados e ISA Investigaciones Sociales Aplicadas (2024). Encuesta nacional simultánea a las elecciones federales 2024 a votantes a la salida de casillas. México, 2 de junio. Disponible en: https://www.invesoc.com/contenido/ GIMX2406p.pdf.
Hizloi, Hatice et al. (2022). “Aplication of Classification and Regression Tree (CRT) Method for Predigting the Some Enviromental Factors Affecting Weaning Weight of Awassi Lamb”. En: Journal of Agricultural Faculty of Gaziosmanpasa University, 39 (3), 185-190, https://doi.org/10.55507/gopzfd.1169234.
Hosmer, David W. and Stanley Lemeshow (2000). Applied Logistic Regression, 2nd ed. New York; Chichester, Wiley.
Instituto Nacional Electoral (2024). Cómputos distritales 2024: Elecciones Federales. México, 9 de junio. Disponible en: https://computos2024.ine.mx/presidencia/ nacional/candidatura.
Kass, G. V. (1980). “An exploratory technique for investigating large quantities of categorical data”. En: Applied Statistics. Vol. 29, 2:119-127. Oxford: Oxford University Press. Disponible en: https://www.jstor.org/stable/2986296.
Mosteller, Frederick (1949). “Measuring the error”. En: Mosteller, Frederick et al. The Pre-election Polls of 1948, Report of the Committee on Analysis of Pre-election polls and forecasts. Bulletin 60. New York: Social Science Research Council, Chapter V. Disponible en: https://www.jstor.org/stable/2745396.
Nagelkerke, N.J.D. (1991). “A note on the general definition of the coefficient of determination”. En: Biometrika, 78:3, 691-692, https://doi.org/10.1093/bio-met/78.3.691.
Rokach, Lior and O. Maimon (2008). Data mining with decision trees: theory and applications. Singapur: World Scientific Publishing.
Wald, A. and J. Wolfowitz (1940). “On a Test Whether Two Simples are from Same Population”. En: The Annals of Mathematical Statistics, 11, 147-162, https://doi.org/10.1214/aoms/1177731909.
Zavala, Iván (2010). “La abstención electoral como protesta”. En: Estudios Políticos, Núm. 21, novena época, septiembre-diciembre, pp. 113-139. Disponible en: https://www.researchgate.ney/publication/262508383_La_abstencion_electoral_ como_protesta/fulltext/039746ad0cf24b7e6f573427/La-abstencion-electoral-como-protesta-pdf.
El dengue es una de las enfermedades que en mayor medida se asocia a los…
México debe prepararse seriamente ante la posibilidad de una nueva lógica política en los Estados…
La escena es ya de sí, una de las más famosas de estos alocados años…
La producción, trasiego y venta de drogas es un asunto que se da en la…
Las 46 elecciones municipales en Guanajuato del 2 de junio pasado confirmaron que es ahí…
En México, la movilidad social y el diseño e implementación de un sistema de cuidados…
Esta web usa cookies.