¿Cómo sabemos si acertamos en nuestras predicciones electorales?
En Sur Insights, nos dedicamos a predecir distintos resultados usando datos de diferentes fuentes.
Para saber si nuestras predicciones son buenas o malas, usamos unas medidas que comparan lo que dijimos que iba a pasar con lo que pasó en realidad. Una de esas medidas es el MAE (Error Absoluto Medio), que nos dice cuánto nos equivocamos en promedio al predecir el porcentaje de votos de cada candidato.
El MAE es una medida fácil de entender y de calcular. Solo hay que restar el porcentaje real del porcentaje predicho, sin importar si es positivo o negativo, y luego sacar el promedio de todas las diferencias. Por ejemplo, si predijimos que un candidato iba a sacar el 40% de los votos y sacó el 42%, el error es 2%. Si predijimos que otro candidato iba a sacar el 27% y sacó el 27%, el error es 0%. Si sumamos todos los errores y los dividimos por el número de candidatos, tenemos el MAE.
El MAE nos dice cuánto nos alejamos del resultado real sin importar la dirección del error. No importa si dijimos más o menos de lo que fue, solo importa cuánto nos desviamos. Cuanto más bajo sea el MAE, mejor será nuestra predicción.
Veamos un ejemplo con las elecciones presidenciales de Paraguay de 2023. Estas fueron nuestras predicciones y los resultados reales:
| Candidato | Predicción | Resultado | Error |
|---|---|---|---|
| Peña | 40.2% | 42.74% | 2.54% |
| Alegre | 27.4% | 27.48% | 0.08% |
| Cubas | 22.4% | 22.91% | 0.51% |
| Otros | 8.0% | 2.16% | 5.84% |
El MAE se obtiene sumando los errores y dividiéndolos por el número de candidatos:
MAE=(2.54+0.08+0.51+5.84)/4=2.24%
Esto significa que en promedio nos equivocamos en un
2.24% al predecir el porcentaje de votos de cada candidato.
¿Es esto bueno o malo? Depende del punto de vista y del contexto. Podemos decir que acertamos bastante bien en los tres primeros candidatos, pero nos pasamos mucho con los otros candidatos que sacaron menos votos. También podemos comparar nuestro MAE con el de otras empresas o medios que hicieron predicciones similares y ver quién se acercó más al resultado real.
Pero el MAE no es la única medida que usamos para evaluar nuestras predicciones. También usamos otras medidas que nos dan más información sobre cómo se comportan nuestros modelos en diferentes situaciones y rangos de valores. Estas medidas son:
- El MAP (Error Absoluto Porcentual Medio), que nos dice cuánto nos equivocamos en relación al valor real.
- El SMAPE (Error Absoluto Porcentual Simétrico Medio), que nos dice cuánto nos equivocamos en relación al promedio entre el valor real y el valor predicho.
- El SMAPE ponderado logarítmico, que nos dice cuánto nos equivocamos en relación al promedio entre el valor real y el valor predicho dando más peso a los errores de los candidatos con pocos votos.
Estas medidas nos ayudan a tener una visión más completa y precisa de nuestras predicciones electorales, y nos ayudan a mejorar continuamente nuestra metodología y ofrecer un servicio de calidad a nuestros clientes.
Si quieres saber más sobre nuestras predicciones electorales y cómo las hacemos, no dudes en contactarnos. Estaremos encantados de atenderte y resolver tus dudas.