Como o Viés agrega pesquisas: a metodologia do modelo
Entenda como o nosso agregador de pesquisas funciona e por que usamos pesos para recência e qualidade.
Neste artigo
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.
1. O problema que o Viés resolve
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.
2. Camada 1 — Média simples (baseline)
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.
3. Camada 2 — Pesos por recência e amostra
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
4. Camada 3 — Qualidade histórica por instituto
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 MAE histórico (Erro Absoluto Médio) — a distância média entre o que o instituto previu e o que as urnas registraram.
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.
5. Camada 4 — Correção por viés (house effects)
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.
6. Intervalo de incerteza
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.
7. A inspiração no FiveThirtyEight
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:
- Dashboard de pesquisas 2026 — os dados brutos que alimentam o modelo
- Nossa Conta — Resumo — a estimativa corrigida atual
- Por que institutos divergem — o problema que justifica cada camada
- O que é MAE — a métrica central de qualidade histórica
Tema: Metodologia
Recebe novas análises sobre Metodologia
Avisamos quando saírem artigos novos sobre este tema, além de atualizações importantes do modelo.
Continua a leitura
Mais sobre Metodologia
Metodologia
Como comparar institutos sem ignorar cobertura e timing
Entenda por que um número sozinho não diz tudo. Cobertura geográfica e a data da coleta são os segredos para ler pesquisas como um profissional.
Metodologia
Por que agregar pesquisas é mais confiável do que confiar em uma pesquisa isolada
Entenda por que um agregador de pesquisas eleitorais produz estimativas mais precisas do que qualquer pesquisa individual — e o que diferencia uma simples média de um agregador ponderado de verdade.
Metodologia
Quem financia as pesquisas eleitorais e por que isso importa
Veículos de imprensa, partidos ou os próprios institutos — quem paga por uma pesquisa eleitoral e como isso pode influenciar o resultado que você lê. E como o registro obrigatório no TSE garante transparência mínima.
Discussão (0)
Nenhum comentário ainda. Seja o primeiro a participar.
Carregando sessão...