MRP con varias encuestas (I): nueve encuestas y una tabla de postestratificación

2026

estadística

encuestas electorales

MRP

MRP con las encuestas de las generales del 29-N, primera parte: juntar y armonizar 9 encuestas de 4 casas, y fabricar la tabla de postestratificación por provincia con raking.

Author

José Luis Cañadas Reche

Published

October 28, 2026

Modified

October 28, 2026

Listening

Introducción

En el post de octubre hice un MRP con una sola encuesta, el barómetro del CIS de septiembre , postestratificando por comunidad autónoma.

Pero pensando en que si al final lo que uso para postestratificar son solo datos demográficos, más el recuerdo de voto y para modelar lo mismo, pues podría unir varios encuestas, por ejemplo, varios barómetros del CIS o microdatos de otras empresas.

Tengo nueve encuestas de cuatro casas (CIS, 40dB, More in Common y Ateneo del Dato) publicadas entre junio y octubre: casi 30.000 entrevistas en vez de 4.000.
Ya no postestratifico por comunidad sino por provincia, que es donde se reparten los escaños del Congreso (D’Hondt). 52 provincias y un mapa de escaños nuevo (RD 806/2026: Madrid gana un escaño, Cádiz pierde uno).
UPN aparece ahora como categoría propia (en octubre iba metida en OTROS),

Esta es la primera parte de la serie. El plan:

(I) Los datos — este post: unir y armonizar las nueve encuestas, los targets de población por provincia y el raking que produce la tabla de postestratificación.
(II) El modelo — el multinomial bien especificado, probado en Stan, numpyro y RTMB (Laplace), más el intento previo con brms y mm(), y de las celdas a los escaños.
(III) — insights que el bayesiano regala (escenarios de participación, el escaño más disputado, el mapa de coaliciones del 29-N) y los límites de la postestratificación.

Nada de error histórico ni de volatilidad: eso ya lo hice en el post del 29-N completo. Aquí el voto es latente, lo miden las encuestas del mes, y el modelo bayesiano sirve para estimarlo bien en celdas pequeñas.

Las encuestas

Mostrar código

suppressPackageStartupMessages({
  library(dplyr)
  library(tidyr)
  library(DT)
})

enc <- readRDS(here::here("2026/11/mrp-multiencuesta/datos/encuestas.rds"))

Nueve encuestas, 29.831 entrevistas. La tabla de abajo la genera 01_armoniza.R; aquí leo su salida y resumo qué aporta cada casa:

Mostrar código

resumen <- enc |>
  group_by(casa, estudio, mes) |>
  summarise(
    n = n(),
    provincia = mean(!is.na(prov)),
    prob_voto = mean(!is.na(prob_voto)),
    vota_seguro = mean(!is.na(vota_seguro)),
    edu_ambigua = mean(edu_ambigua %in% TRUE),
    menciones_AA = sum(voto == "AA", na.rm = TRUE),
    .groups = "drop"
  ) |>
  mutate(across(
    c(provincia, prob_voto, vota_seguro, edu_ambigua),
    ~ round(100 * .x)
  ))

DT::datatable(
  resumen,
  rownames = FALSE,
  colnames = c(
    "casa",
    "estudio",
    "mes",
    "n",
    "% provincia",
    "% prob. voto",
    "% vota seguro",
    "% edu. ambigua",
    "AA"
  ),
  options = list(
    pageLength = 12,
    language = list(
      url = "//cdn.datatables.net/plug-ins/1.10.11/i18n/Spanish.json"
    )
  )
)

Tres cosas que condicionan todo lo que viene:

La provincia. El CIS y 40dB la traen siempre; More in Common y Ateneo del Dato solo en las comunidades uniprovinciales (un 25 % de sus entrevistas). Se podría pensar en quitar esas entrevistas, pero estamos en bayesiano y queremos aprovechar toda la info. El primer intento es usar multimembership, mm() en brms, pero al final se puede usar de forma coherente la verosimilitud en los modelos con Stan o numpyro.
La probabilidad de votar. CIS, 40dB y More in Common preguntan (“¿del 0 al 10, qué probabilidad hay de que vote?”); Ateneo del Dato no. El modelo de participación se apoya en las tres primeras.
La ambigüedad de los estudios. 40dB, More in Common y Ateneo del Dato tienen categorías que no se pueden mapear con seguridad a los tres niveles (baja, media, alta) que usa el Censo: “Segundo grado, segundo ciclo”, “FP” y “Secundaria 2do ciclo” juntan Bachillerato con FP, de grado medio o superior. Esas entrevistas van a media y se marcan con edu_ambigua = TRUE. No las reparto entre media y alta, así que en esas casas la categoría media queda sobrerrepresentada y la alta subrepresentada, en la medida en que parte de ellas sea FP de grado superior. El CIS no las necesita.

Mostrar código

library(ggplot2)
enc |>
  count(casa, mes) |>
  ggplot(aes(mes, n, fill = casa)) +
  geom_col() +
  labs(x = NULL, y = "entrevistas", fill = NULL)

Figure 1: Entrevistas por casa y mes de campo.

Adelante Andalucía

AA solo la pregunta el CIS en intención de voto (y de pasada, en el flash de 40dB): 96 menciones en total. En la serie de octubre, con las autonómicas de mayo en el recuerdo, AA salía al 9,6 %; en la intención de voto de estas generales el CIS la ve mucho más baja. Cómo tratarla (¿missing en las casas que no preguntan? ¿la serie autonómica como prior?) , no tengo claro como tratarlo, aún tengo que pensarlo. Aquí la armonización la deja como categoría aparte, con lo puesto.

Armonización

00_partidos.R define las piezas comunes y 01_armoniza.R recodifica las nueve encuestas a un formato común: una fila por entrevista y 17 columnas (casa, estudio, mes, sexo, edad, edu, ccaa, prov, voto, rec, prob_voto, vota_seguro, …).

Mostrar código

source(here::here("2026/11/mrp-multiencuesta/00_partidos.R"))
cat("partidos del voto:", paste(partidos_lv, collapse = ", "), "\n\n")
#> partidos del voto: PP, PSOE, VOX, SUMAR, PODEMOS, ERC, JUNTS, AC, BILDU, PNV, BNG, CCA, AA, UPN, OTROS
cat("recuerdo:", paste(rec_lv, collapse = ", "), "\n")
#> recuerdo: PP, PSOE, VOX, SUMAR, ERC, JUNTS, BILDU, PNV, BNG, CCA, UPN, OTROS, ABST, NO_PODIA

Del voto salen 15 etiquetas: los 11 partidos estatales y regionales con peso, Alianza Catalana, Adelante Andalucía (la excepción de arriba) y UPN. Alianza Catalana no se presentó el 23-J, así que no aparece en el recuerdo. Solo la pregunta el CIS en la intención de voto, y solo en Cataluña (37 entrevistas). Fuera de Cataluña ya va a OTROS, y en el modelo va con OTROS en todas partes, como en octubre. Podemos va aparte en la intención de voto: en octubre iba con SUMAR, y el mapa del 29-N la trata como partido propio en la mayoría de provincias. En el recuerdo del 23-J iba dentro de la coalición, así que se pliega a SUMAR y no tiene categoría propia. Adelante Andalucía también es nueva respecto a octubre, pero solo en la intención de voto: muy pocas casas la preguntan, así que no se puede juntar con OTROS (en las demás faltaría el dato, no sería “otros”). No se presentó el 23-J, así que no está en el recuerdo. UPN es la novedad del recuerdo de las generales respecto al post de octubre: en la tabla de postestratificación tiene cero estructural fuera de Navarra, igual que ERC y JUNTS fuera de Cataluña, PNV fuera del País Vasco o BNG fuera de Galicia.

El recuerdo del 23-J tiene 14 niveles: los partidos, la abstención y NO_PODIA, los que en 2023 tenían 15-17 años y esta vez votan (o no).

Mostrar código

enc |>
  count(rec, name = "entrevistas") |>
  arrange(desc(entrevistas)) |>
  DT::datatable(rownames = FALSE, options = list(pageLength = 6))

Con provincia: 25.379 de 29.831 entrevistas (el 85 %). Sin provincia quedan sobre todo More in Common y Ateneo del Dato fuera de las uniprovinciales.

Población y raking

La tabla de postestratificación nadie la publica, así que se fabrica. Es lo mismo que hice en octubre pero por provincia: 02_poblacion_raking.R hace tres cosas.

Los targets. Dos tablas marginales que tienen que cuadrar:

T1: provincia × sexo × edad × estudios, del Censo anual de Población (tabla 66600 del INE, a 1 de enero de 2024). A diferencia del post de octubre, aquí el Censo da la conjunta de sexo, edad y estudios, así que no hay que casar ECP con EPA. Los estudios van a tres niveles (baja, media, alta); la FP de grado superior cuenta como alta, como en la CNED-2014.
T2: provincia × recuerdo del 23-J, con los resultados por municipio (solo CER: sin voto exterior). Blancos y nulos van a OTROS, como en las encuestas.

El universo es el electorado de hoy: el censo del 23-J más los que entonces tenían 15-17 años. De 36,7 millones:

Mostrar código

tg <- readRDS(here::here("2026/11/mrp-multiencuesta/datos/targets_prov.rds"))
format(round(sum(tg$total_prov$total)), big.mark = " ")
#> [1] "36 716 675"

Hay un detalle con los totales. El Censo de 2024 cuenta a todos los residentes, incluidos los 18-20 de hoy, pero el censo del 23-J solo tiene a quienes podían votar entonces. Como los 18-20 de hoy tenían 15-17 años en 2023, el electorado de hoy es el censo del 23-J más esos 18-20 (NO_PODIA en T2). Si se reescala toda la pirámide del Censo a ese total, el tramo 18-20 deja de sumar NO_PODIA y el IPF no puede ajustar T1 (según el comentario del código, el error llega a unas 10.000 personas por celda). La solución es reescalar por bloques de edad: los 18-20 de T1 se escalan para sumar exactamente NO_PODIA, y los de 21 o más, para sumar el censo del 23-J. Dentro de cada bloque se conserva la estructura del Censo (sexo, estudios). Los ceros estructurales (18-20 años con cualquier recuerdo distinto de NO_PODIA) se mantienen porque el IPF no añade donde la semilla es cero.

La semilla. Solo el CIS: tiene provincia en todas las entrevistas y estudios con la codificación exacta. La semilla aporta la asociación entre variables dentro de cada provincia; los totales los fijan los targets.

Mostrar código

sem_dat <- enc |>
  filter(
    casa == "CIS",
    !is.na(prov),
    !is.na(sexo),
    !is.na(edad),
    !is.na(edu),
    !is.na(rec)
  )
nrow(sem_dat)
#> [1] 15540

Con 30.576 celdas (52 × 2 × 7 × 3 × 14) y 15.540 entrevistas completas, el 83 % de las celdas están vacías. Se suaviza mezclando la tabla observada con la independencia (alpha = 0,5, como en octubre), se imponen los ceros estructurales (los de edad y los territoriales de los partidos regionales) y va el raking:

El raking (IPF, con mipfp) ajusta la semilla a los dos targets a la vez; el código completo está en 02_poblacion_raking.R. Aquí compruebo la tabla ya ajustada contra los targets:

Mostrar código

t1 <- xtabs(N ~ prov + sexo + edad + edu, tg$pob_prov)
t2 <- xtabs(N ~ prov + rec, tg$rec_prov)
library(mipfp)
tabla <- readRDS(here::here(
  "2026/11/mrp-multiencuesta/datos/tabla_post_prov.rds"
))
err1 <- max(abs(apply(tabla, 1:4, sum) - t1))
err2 <- max(abs(apply(tabla, c(1, 5), sum) - t2))
cat("error máximo en T1:", signif(err1, 3), "personas\n")
#> error máximo en T1: 0.00126 personas
cat("error máximo en T2:", signif(err2, 3), "personas\n")
#> error máximo en T2: 3.73e-09 personas

Converge en 11 iteraciones. Los márgenes nacionales de la tabla salen clavados a los objetivos: el recuerdo de voto (los 10,4 millones de abstencionistas del 23-J incluidos) y, como comprobación de T1, el sexo y los estudios:

Mostrar código

marginal <- function(variable, objetivo, obtenido) {
  data.frame(
    variable = variable,
    nivel = names(objetivo),
    objetivo_miles = round(as.vector(objetivo) / 1000),
    tabla_miles = round(as.vector(obtenido[names(objetivo)]) / 1000)
  )
}
bind_rows(
  marginal("recuerdo", colSums(t2), apply(tabla, 5, sum)),
  marginal("sexo", apply(t1, 2, sum), apply(tabla, 2, sum)),
  marginal("estudios", apply(t1, 4, sum), apply(tabla, 4, sum))
)
#>    variable    nivel objetivo_miles tabla_miles
#> 1  recuerdo       PP           8093        8093
#> 2  recuerdo     PSOE           7762        7762
#> 3  recuerdo      VOX           3034        3034
#> 4  recuerdo    SUMAR           3015        3015
#> 5  recuerdo      ERC            463         463
#> 6  recuerdo    JUNTS            393         393
#> 7  recuerdo    BILDU            333         333
#> 8  recuerdo      PNV            276         276
#> 9  recuerdo      BNG            152         152
#> 10 recuerdo      CCA            115         115
#> 11 recuerdo      UPN             52          52
#> 12 recuerdo    OTROS           1056        1056
#> 13 recuerdo     ABST          10397       10397
#> 14 recuerdo NO_PODIA           1575        1575
#> 15     sexo        H          17815       17815
#> 16     sexo        M          18902       18902
#> 17 estudios     baja          15531       15531
#> 18 estudios    media           8429        8429
#> 19 estudios     alta          12756       12756

La tabla de postestratificación

Así queda en formato largo, una fila por celda con población. Una muestra al azar de ocho filas:

Mostrar código

tabla_df <- as.data.frame.table(tabla, responseName = "N") |>
  filter(N > 1e-6)
dim(tabla)
#> [1] 52  2  7  3 14
nrow(tabla_df)
#> [1] 12300
format(round(sum(tabla_df$N)), big.mark = " ")
#> [1] "36 716 675"
set.seed(4817)
tabla_df |>
  slice_sample(n = 8) |>
  DT::datatable(rownames = FALSE, options = list(dom = "t"))

52 provincias × 2 sexos × 7 tramos de edad × 3 niveles de estudios × 14 recuerdos: 30.576 celdas, de las que 12.300 tienen población. El total es el electorado, persona a persona.

Para quien quiera usarla, la tabla completa está en formato largo, con los ceros explícitos y las provincias con su código INE, en esta release. Se genera con 12_exporta_tabla.R.

¿Y por qué provincia ? Porque los escaños del Congreso, un MRP por comunidad no puede decir nada de Cádiz.

Comparada con la tabla del post de octubre (por CCAA, que aquí agrego), la correlación es 0,9999. La única diferencia grande con sentido es Navarra: OTROS baja de 71 mil a 20 mil porque UPN (52 mil en toda España, casi todo Navarra) ya va aparte.

Coda

Con esto está el terreno: nueve encuestas armonizadas y una tabla de postestratificación por provincia con 12.300 celdas vivas. En la parte II, el modelo: primero el intento con brms y multi-membership para las filas sin provincia, y luego el multinomial con la verosimilitud bien puesta, probado en Stan, numpyro y RTMB, con la participación calibrada, los escaños y las mayorías.

Reproducir el análisis

Los scripts están en el repositorio del blog y la guía completa del pipeline, en GUIA.md. Para esta parte, en este orden:

00_partidos.R: no se ejecuta solo. Define los partidos, sus territorios y la recodificación de etiquetas.
01_armoniza.R: une y armoniza las nueve encuestas.
02_poblacion_raking.R: targets del Censo y del 23-J, semilla del CIS y raking.
03_celdas.R: agrega las encuestas en celdas para los modelos.
04_exporta.R: exporta la encuesta unida a SPSS/CSV (opcional).

Ejecuta los scripts desde la raíz del repositorio. Los microdatos del CIS y de las casas privadas no se redistribuyen; los ficheros que lee el post están en esta release:

Mostrar código

url_base <- "https://github.com/joscani/blog_quarto/releases/download/mrp-multiencuesta-datos/"
ficheros <- c(
  "encuestas.rds",
  "censo_66600.rds",
  "targets_prov.rds",
  "tabla_post_prov.rds",
  "prov_ccaa.rds",
  "celdas_brms.rds",
  "celdas_part.rds"
)
dir.create(
  here::here("2026/11/mrp-multiencuesta/datos"),
  recursive = TRUE,
  showWarnings = FALSE
)
for (f in ficheros) {
  download.file(
    paste0(url_base, f),
    here::here("2026/11/mrp-multiencuesta/datos", f),
    mode = "wb"
  )
}

Fuente de los datos: CIS (estudios 3567, 3571, 3577 y 3582), 40dB, More in Common y Ateneo del Dato. Las releases son recodificaciones propias; las casas no participan en este análisis ni lo respaldan. Resultados electorales: Ministerio del Interior vía infoelectoral. Población: INE.

--- title: "MRP con varias encuestas (I): nueve encuestas y una tabla de postestratificación" date: '2026-10-28' date-modified: today draft: false categories: - "2026" - estadística - encuestas electorales - MRP - R description: 'MRP con las encuestas de las generales del 29-N, primera parte: juntar y armonizar 9 encuestas de 4 casas, y fabricar la tabla de postestratificación por provincia con raking.' execute: message: false warning: false echo: true format: html: toc: true fig-height: 5 fig-dpi: 300 fig-width: 8 fig-align: center code-fold: true code-summary: "Mostrar código" code-tools: source: true toggle: true knitr: opts_chunk: out.width: 80% fig.showtext: TRUE collapse: true comment: "#>" --- ::: callout-note ## Listening <iframe data-testid="embed-iframe" style="border-radius:12px" src="https://open.spotify.com/embed/track/4XIy5VoEpeC9CCJQFP17Y6?utm_source=generator&si=ceb0a16dcc3842f1" width="100%" height="352" frameBorder="0" allowfullscreen="" allow="autoplay; clipboard-write; encrypted-media; fullscreen; picture-in-picture" loading="lazy"> </iframe> ::: ## Introducción En [el post de octubre](https://muestrear-no-es-pecado.es/2026/10/mrp-raking/) hice un MRP con una sola encuesta, el barómetro del CIS de septiembre , postestratificando por comunidad autónoma. Pero pensando en que si al final lo que uso para postestratificar son solo datos demográficos, más el recuerdo de voto y para modelar lo mismo, pues podría unir varios encuestas, por ejemplo, varios barómetros del CIS o microdatos de otras empresas. - Tengo **nueve encuestas** de **cuatro casas** (CIS, 40dB, More in Common y Ateneo del Dato) publicadas entre junio y octubre: casi 30.000 entrevistas en vez de 4.000. - Ya no postestratifico por comunidad sino por **provincia**, que es donde se reparten los escaños del Congreso (D'Hondt). 52 provincias y un mapa de escaños nuevo (RD 806/2026: Madrid gana un escaño, Cádiz pierde uno). - UPN aparece ahora como categoría propia (en octubre iba metida en OTROS), Esta es la primera parte de la serie. El plan: 1. **(I) Los datos** — este post: unir y armonizar las nueve encuestas, los targets de población por provincia y el raking que produce la tabla de postestratificación. 2. **(II) El modelo** — el multinomial bien especificado, probado en Stan, numpyro y RTMB (Laplace), más el intento previo con `brms` y `mm()`, y de las celdas a los escaños. 3. **(III)** — insights que el bayesiano regala (escenarios de participación, el escaño más disputado, el mapa de coaliciones del 29-N) y los límites de la postestratificación. Nada de error histórico ni de volatilidad: eso ya lo hice en [el post del 29-N completo](https://muestrear-no-es-pecado.es/2026/10/full-bayesian/full-bayesian.html). Aquí el voto es latente, lo miden las encuestas del mes, y el modelo bayesiano sirve para estimarlo bien en celdas pequeñas. ## Las encuestas ```{r setup} suppressPackageStartupMessages({ library(dplyr) library(tidyr) library(DT) }) enc <- readRDS(here::here("2026/11/mrp-multiencuesta/datos/encuestas.rds")) ``` Nueve encuestas, 29.831 entrevistas. La tabla de abajo la genera [`01_armoniza.R`](https://github.com/joscani/blog_quarto/blob/master/2026/11/mrp-multiencuesta/01_armoniza.R); aquí leo su salida y resumo qué aporta cada casa: ```{r resumen-casas} resumen <- enc |> group_by(casa, estudio, mes) |> summarise( n = n(), provincia = mean(!is.na(prov)), prob_voto = mean(!is.na(prob_voto)), vota_seguro = mean(!is.na(vota_seguro)), edu_ambigua = mean(edu_ambigua %in% TRUE), menciones_AA = sum(voto == "AA", na.rm = TRUE), .groups = "drop" ) |> mutate(across( c(provincia, prob_voto, vota_seguro, edu_ambigua), ~ round(100 * .x) )) DT::datatable( resumen, rownames = FALSE, colnames = c( "casa", "estudio", "mes", "n", "% provincia", "% prob. voto", "% vota seguro", "% edu. ambigua", "AA" ), options = list( pageLength = 12, language = list( url = "//cdn.datatables.net/plug-ins/1.10.11/i18n/Spanish.json" ) ) ) ``` Tres cosas que condicionan todo lo que viene: - **La provincia**. El CIS y 40dB la traen siempre; More in Common y Ateneo del Dato solo en las comunidades uniprovinciales (un 25 % de sus entrevistas). Se podría pensar en quitar esas entrevistas, pero estamos en bayesiano y queremos aprovechar toda la info. El primer intento es usar multimembership, `mm()` en brms, pero al final se puede usar de forma coherente la verosimilitud en los modelos con Stan o numpyro. - **La probabilidad de votar**. CIS, 40dB y More in Common preguntan ("¿del 0 al 10, qué probabilidad hay de que vote?"); Ateneo del Dato no. El modelo de participación se apoya en las tres primeras. - **La ambigüedad de los estudios**. 40dB, More in Common y Ateneo del Dato tienen categorías que no se pueden mapear con seguridad a los tres niveles (baja, media, alta) que usa el Censo: "Segundo grado, segundo ciclo", "FP" y "Secundaria 2do ciclo" juntan Bachillerato con FP, de grado medio o superior. Esas entrevistas van a media y se marcan con `edu_ambigua = TRUE`. No las reparto entre media y alta, así que en esas casas la categoría media queda sobrerrepresentada y la alta subrepresentada, en la medida en que parte de ellas sea FP de grado superior. El CIS no las necesita. ```{r fig-encuestas} #| fig-cap: "Entrevistas por casa y mes de campo." library(ggplot2) enc |> count(casa, mes) |> ggplot(aes(mes, n, fill = casa)) + geom_col() + labs(x = NULL, y = "entrevistas", fill = NULL) ``` ::: {.callout-note} ## Adelante Andalucía AA solo la pregunta el CIS en intención de voto (y de pasada, en el flash de 40dB): 96 menciones en total. En la serie de octubre, con las autonómicas de mayo en el recuerdo, AA salía al 9,6 %; en la intención de voto de estas generales el CIS la ve mucho más baja. Cómo tratarla (¿missing en las casas que no preguntan? ¿la serie autonómica como prior?) , no tengo claro como tratarlo, aún tengo que pensarlo. Aquí la armonización la deja como categoría aparte, con lo puesto. ::: ## Armonización [`00_partidos.R`](https://github.com/joscani/blog_quarto/blob/master/2026/11/mrp-multiencuesta/00_partidos.R) define las piezas comunes y [`01_armoniza.R`](https://github.com/joscani/blog_quarto/blob/master/2026/11/mrp-multiencuesta/01_armoniza.R) recodifica las nueve encuestas a un formato común: una fila por entrevista y 17 columnas (`casa`, `estudio`, `mes`, `sexo`, `edad`, `edu`, `ccaa`, `prov`, `voto`, `rec`, `prob_voto`, `vota_seguro`, ...). ```{r niveles} source(here::here("2026/11/mrp-multiencuesta/00_partidos.R")) cat("partidos del voto:", paste(partidos_lv, collapse = ", "), "\n\n") cat("recuerdo:", paste(rec_lv, collapse = ", "), "\n") ``` Del voto salen 15 etiquetas: los 11 partidos estatales y regionales con peso, **Alianza Catalana**, **Adelante Andalucía** (la excepción de arriba) y **UPN**. Alianza Catalana no se presentó el 23-J, así que no aparece en el recuerdo. Solo la pregunta el CIS en la intención de voto, y solo en Cataluña (37 entrevistas). Fuera de Cataluña ya va a OTROS, y en el modelo va con OTROS en todas partes, como en octubre. Podemos va aparte en la intención de voto: en octubre iba con SUMAR, y el mapa del 29-N la trata como partido propio en la mayoría de provincias. En el recuerdo del 23-J iba dentro de la coalición, así que se pliega a SUMAR y no tiene categoría propia. Adelante Andalucía también es nueva respecto a octubre, pero solo en la intención de voto: muy pocas casas la preguntan, así que no se puede juntar con OTROS (en las demás faltaría el dato, no sería "otros"). No se presentó el 23-J, así que no está en el recuerdo. UPN es la novedad del recuerdo de las generales respecto al post de octubre: en la tabla de postestratificación tiene cero estructural fuera de Navarra, igual que ERC y JUNTS fuera de Cataluña, PNV fuera del País Vasco o BNG fuera de Galicia. El recuerdo del 23-J tiene 14 niveles: los partidos, la abstención y **NO_PODIA**, los que en 2023 tenían 15-17 años y esta vez votan (o no). ```{r recuento} enc |> count(rec, name = "entrevistas") |> arrange(desc(entrevistas)) |> DT::datatable(rownames = FALSE, options = list(pageLength = 6)) ``` Con provincia: 25.379 de 29.831 entrevistas (el 85 %). Sin provincia quedan sobre todo More in Common y Ateneo del Dato fuera de las uniprovinciales. ## Población y raking La tabla de postestratificación nadie la publica, así que se fabrica. Es lo mismo que hice en octubre pero por provincia: [`02_poblacion_raking.R`](https://github.com/joscani/blog_quarto/blob/master/2026/11/mrp-multiencuesta/02_poblacion_raking.R) hace tres cosas. **Los targets**. Dos tablas marginales que tienen que cuadrar: - T1: provincia × sexo × edad × estudios, del **Censo anual de Población** (tabla 66600 del INE, a 1 de enero de 2024). A diferencia del post de octubre, aquí el Censo da la conjunta de sexo, edad y estudios, así que no hay que casar ECP con EPA. Los estudios van a tres niveles (baja, media, alta); la FP de grado superior cuenta como alta, como en la CNED-2014. - T2: provincia × recuerdo del 23-J, con los resultados por **municipio** (solo CER: sin voto exterior). Blancos y nulos van a OTROS, como en las encuestas. El universo es el electorado de hoy: el censo del 23-J más los que entonces tenían 15-17 años. De 36,7 millones: ```{r electorado} tg <- readRDS(here::here("2026/11/mrp-multiencuesta/datos/targets_prov.rds")) format(round(sum(tg$total_prov$total)), big.mark = " ") ``` Hay un detalle con los totales. El Censo de 2024 cuenta a todos los residentes, incluidos los 18-20 de hoy, pero el censo del 23-J solo tiene a quienes podían votar entonces. Como los 18-20 de hoy tenían 15-17 años en 2023, el electorado de hoy es el censo del 23-J más esos 18-20 (NO_PODIA en T2). Si se reescala toda la pirámide del Censo a ese total, el tramo 18-20 deja de sumar NO_PODIA y el IPF no puede ajustar T1 (según el comentario del código, el error llega a unas 10.000 personas por celda). La solución es reescalar **por bloques de edad**: los 18-20 de T1 se escalan para sumar exactamente NO_PODIA, y los de 21 o más, para sumar el censo del 23-J. Dentro de cada bloque se conserva la estructura del Censo (sexo, estudios). Los ceros estructurales (18-20 años con cualquier recuerdo distinto de NO_PODIA) se mantienen porque el IPF no añade donde la semilla es cero. **La semilla**. Solo el CIS: tiene provincia en todas las entrevistas y estudios con la codificación exacta. La semilla aporta la asociación entre variables dentro de cada provincia; los totales los fijan los targets. ```{r semilla} sem_dat <- enc |> filter( casa == "CIS", !is.na(prov), !is.na(sexo), !is.na(edad), !is.na(edu), !is.na(rec) ) nrow(sem_dat) ``` Con 30.576 celdas (52 × 2 × 7 × 3 × 14) y 15.540 entrevistas completas, el 83 % de las celdas están vacías. Se suaviza mezclando la tabla observada con la independencia (`alpha` = 0,5, como en octubre), se imponen los ceros estructurales (los de edad y los territoriales de los partidos regionales) y va el raking: **El raking** (IPF, con `mipfp`) ajusta la semilla a los dos targets a la vez; el código completo está en [`02_poblacion_raking.R`](https://github.com/joscani/blog_quarto/blob/master/2026/11/mrp-multiencuesta/02_poblacion_raking.R). Aquí compruebo la tabla ya ajustada contra los targets: ```{r raking-check} t1 <- xtabs(N ~ prov + sexo + edad + edu, tg$pob_prov) t2 <- xtabs(N ~ prov + rec, tg$rec_prov) library(mipfp) tabla <- readRDS(here::here( "2026/11/mrp-multiencuesta/datos/tabla_post_prov.rds" )) err1 <- max(abs(apply(tabla, 1:4, sum) - t1)) err2 <- max(abs(apply(tabla, c(1, 5), sum) - t2)) cat("error máximo en T1:", signif(err1, 3), "personas\n") cat("error máximo en T2:", signif(err2, 3), "personas\n") ``` Converge en 11 iteraciones. Los márgenes nacionales de la tabla salen clavados a los objetivos: el recuerdo de voto (los 10,4 millones de abstencionistas del 23-J incluidos) y, como comprobación de T1, el sexo y los estudios: ```{r recuerdo-tabla} marginal <- function(variable, objetivo, obtenido) { data.frame( variable = variable, nivel = names(objetivo), objetivo_miles = round(as.vector(objetivo) / 1000), tabla_miles = round(as.vector(obtenido[names(objetivo)]) / 1000) ) } bind_rows( marginal("recuerdo", colSums(t2), apply(tabla, 5, sum)), marginal("sexo", apply(t1, 2, sum), apply(tabla, 2, sum)), marginal("estudios", apply(t1, 4, sum), apply(tabla, 4, sum)) ) ``` ## La tabla de postestratificación Así queda en formato largo, una fila por celda con población. Una muestra al azar de ocho filas: ```{r tabla} tabla_df <- as.data.frame.table(tabla, responseName = "N") |> filter(N > 1e-6) dim(tabla) nrow(tabla_df) format(round(sum(tabla_df$N)), big.mark = " ") set.seed(4817) tabla_df |> slice_sample(n = 8) |> DT::datatable(rownames = FALSE, options = list(dom = "t")) ``` 52 provincias × 2 sexos × 7 tramos de edad × 3 niveles de estudios × 14 recuerdos: 30.576 celdas, de las que 12.300 tienen población. El total es el electorado, persona a persona. Para quien quiera usarla, la tabla completa está en formato largo, con los ceros explícitos y las provincias con su código INE, en [esta release](https://github.com/joscani/blog_quarto/releases/download/mrp-multiencuesta-datos/tabla_postestratificacion_provincia.csv). Se genera con [`12_exporta_tabla.R`](https://github.com/joscani/blog_quarto/blob/master/2026/11/mrp-multiencuesta/12_exporta_tabla.R). ¿Y por qué provincia ? Porque los escaños del Congreso, un MRP por comunidad no puede decir nada de Cádiz. Comparada con la tabla del post de octubre (por CCAA, que aquí agrego), la correlación es 0,9999. La única diferencia grande con sentido es Navarra: OTROS baja de 71 mil a 20 mil porque UPN (52 mil en toda España, casi todo Navarra) ya va aparte. ## Coda Con esto está el terreno: nueve encuestas armonizadas y una tabla de postestratificación por provincia con 12.300 celdas vivas. En la parte II, el modelo: primero el intento con `brms` y multi-membership para las filas sin provincia, y luego el multinomial con la verosimilitud bien puesta, probado en Stan, numpyro y RTMB, con la participación calibrada, los escaños y las mayorías. ::: callout-tip ## Reproducir el análisis Los scripts están en el [repositorio del blog](https://github.com/joscani/blog_quarto/tree/master/2026/11/mrp-multiencuesta) y la guía completa del pipeline, en [`GUIA.md`](https://github.com/joscani/blog_quarto/blob/master/2026/11/mrp-multiencuesta/GUIA.md). Para esta parte, en este orden: 0. [`00_partidos.R`](https://github.com/joscani/blog_quarto/blob/master/2026/11/mrp-multiencuesta/00_partidos.R): no se ejecuta solo. Define los partidos, sus territorios y la recodificación de etiquetas. 1. [`01_armoniza.R`](https://github.com/joscani/blog_quarto/blob/master/2026/11/mrp-multiencuesta/01_armoniza.R): une y armoniza las nueve encuestas. 2. [`02_poblacion_raking.R`](https://github.com/joscani/blog_quarto/blob/master/2026/11/mrp-multiencuesta/02_poblacion_raking.R): targets del Censo y del 23-J, semilla del CIS y raking. 3. [`03_celdas.R`](https://github.com/joscani/blog_quarto/blob/master/2026/11/mrp-multiencuesta/03_celdas.R): agrega las encuestas en celdas para los modelos. 4. [`04_exporta.R`](https://github.com/joscani/blog_quarto/blob/master/2026/11/mrp-multiencuesta/04_exporta.R): exporta la encuesta unida a SPSS/CSV (opcional). Ejecuta los scripts desde la raíz del repositorio. Los microdatos del CIS y de las casas privadas no se redistribuyen; los ficheros que lee el post están en [esta release](https://github.com/joscani/blog_quarto/releases/tag/mrp-multiencuesta-datos): ```{r descarga, eval = FALSE} url_base <- "https://github.com/joscani/blog_quarto/releases/download/mrp-multiencuesta-datos/" ficheros <- c( "encuestas.rds", "censo_66600.rds", "targets_prov.rds", "tabla_post_prov.rds", "prov_ccaa.rds", "celdas_brms.rds", "celdas_part.rds" ) dir.create( here::here("2026/11/mrp-multiencuesta/datos"), recursive = TRUE, showWarnings = FALSE ) for (f in ficheros) { download.file( paste0(url_base, f), here::here("2026/11/mrp-multiencuesta/datos", f), mode = "wb" ) } ``` Fuente de los datos: CIS (estudios 3567, 3571, 3577 y 3582), 40dB, More in Common y Ateneo del Dato. Las releases son recodificaciones propias; las casas no participan en este análisis ni lo respaldan. Resultados electorales: Ministerio del Interior vía `infoelectoral`. Población: INE. :::