---
title: "MRP con varias encuestas (IV): Y ahora, a jugar con el MRP"
date: '2026-11-14'
date-modified: today
draft: false
categories:
- "2026"
- estadística
- encuestas electorales
- MRP
- R
- Bayesian
bibliography: references.bib
description: 'MRP con las encuestas del 29-N, cuarta parte. Un mapa en X, comentarios desde Ourense, Badajoz, Navarra, Cataluña y Galicia, y lo que la posterior por celda permite contestar (y lo que no).'
execute:
message: false
warning: false
echo: true
format:
html:
toc: true
df-print: paged
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: "#>"
---
```{r setup}
#| include: false
source(here::here("2026/11/mrp-multiencuesta/iv-funciones.R"))
```
# Advertencia
Todo lo que viene a continuación es el resultado de haber unido en posts anteriores unas 9 encuestas con microdatos, varias del CIS, 40dB, Ateneo del Dato y More in Common. Para una estimación usando datos de más encuestas (agregadas), y añadir errores históricos de las encuestas, y correlación de errores entre partidos tengo los otros posts.
- [Pronóstico que se actualiza de vez en cuando](https://muestrear-no-es-pecado.es/2026/10/full-bayesian/seguimiento)
- [Metodología del meta análisis bayesiano](https://muestrear-no-es-pecado.es/2026/10/full-bayesian/full-bayesian)
La serie del MRP con varias encuestas:
1. [MRP con varias encuestas (I): nueve encuestas y una tabla de postestratificación](index.qmd)
2. [MRP con varias encuestas (II): el modelo, de las provincias a los escaños](ii-modelo.qmd)
3. [MRP con varias encuestas (III): voto más simpatía, participación](iii-participacion.qmd)
4. MRP con varias encuestas (IV): este post
Este post tiene dos partes, que se pueden leer de forma independiente, creo yo. Una que ha surgido hoy a raíz de un post en X que puse y que ha tenido cierta repercusión. Al leer algunos comentarios me planteé cambiar alguna cosa y comprobar otras. Esa es la [primera parte](#primera-parte).
La [segunda parte](#segunda-parte) va de obtener "insights", (mátame Sergio, jajaj), que no se pueden obtener mediante la agregación de encuestas que no publican los microdatos. Aquí, tras intentar corregir por sexo, edad, recuerdo de voto, provincia etc, podemos hacer preguntas usando la posterior del modelo. Cosas como, ¿qué nos dicen estas 9 encuestas agregadas sobre a quién y dónde votan los jóvenes? y cosas así.
No tiene por qué parecerse a lo que va a pasar. Las encuestas fallan, y aunque son uno de los mejores instrumentos que tenemos para medir, no son perfectas.
Sirva este análisis como un ejercicio estadístico y no sé si sociológico que pueda ser de ayuda a otra gente.
::: callout-note
## Listening
<iframe data-testid="embed-iframe" style="border-radius:12px" src="https://open.spotify.com/embed/track/3nlGByvetDcS1uomAoiBmy?utm_source=generator&si=d02e7bc40b01454c" width="100%" height="352" frameBorder="0" allowfullscreen="" allow="autoplay; clipboard-write; encrypted-media; fullscreen; picture-in-picture" loading="lazy"></iframe>
:::
# Primera parte: lo que salió del tuit {#primera-parte}
## Un mapa en X
Este post iba a ser otra cosa. Iba a enseñar cómo, con la posterior del MRP
por celda, se contestan preguntas que una encuesta sola no puede contestar.
Pero antes publiqué en X este mapa: el partido más votado en cada provincia,
para tres tramos de edad.
```{=html}
<blockquote class="twitter-tweet" data-lang="es" data-dnt="true">
<a href="https://twitter.com/joscani/status/2121345003318333603">El mapa en X</a>
</blockquote>
<script async src="https://platform.twitter.com/widgets.js" charset="utf-8"></script>
```
Pasó de las 100.000 visualizaciones, y con ellas llegaron los comentarios. Desde
Ourense, que el PSOE primero entre los jóvenes no tenía sentido. Desde
Badajoz, lo mismo. Desde Navarra, que entre los jóvenes antes Bildu que VOX, y
que de Pamplona para arriba VOX no lo vota nadie. Desde Cataluña, que VOX
primera fuerza entre los jóvenes era una barbaridad. Y desde Galicia, que el
BNG gana entre los menores de 45.
Siguiendo con lo que predica el libro de Bayesian Workflow, uno debe revisar estas cosas, preguntarse por los límites del modelo y si hay alguna forma mejor de hacerlo. En eso
consiste el oficio, probar, testar, corregir, y vuelta a empezar.
Uno de esos comentarios hizo que pensara si en la tabla de postestratificación la
distribución conjunta en cada provincia entre recuerdo de voto y tramos de edad dependía demasiado de los datos de las encuestas en vez de lo poblacional. Y sí, así era, así que para suavizar ese efecto, se usa la relación que hay a nivel de comunidad autónoma. Tranquilos, los totales marginales de recuerdo de voto por provincia, de edad, sexo y nivel de estudios, salen respectivamente de los resultados del 23J y de otras tablas a nivel poblacional. El raking nos da aproximaciones a la distribución conjunta, respetando las marginales, la parte en la que no llega lo toma de las encuestas. El comentario hizo que reflexionara sobre este tema.
Los demás los he comprobado con los datos que tenemos. Todos de la misma forma:
1. Qué dicen las encuestas sin modelo: en bruto y ponderadas, sin y con
recuerdo de voto.
2. Qué dice el MRP, con su incertidumbre: la media, el intervalo de
credibilidad del 90 % y en qué proporción de los draws gana cada partido.
3. Si hay algo fuera de las encuestas con lo que contrastar, como los
resultados del 23-J , también.
Unas veces el comentario tenía razón y el error era nuestro. Otras, el mapa
daba por seguro un ganador que era un empate. Otras, lo que parecía raro está
en los datos. Y otras, el modelo, sencillamente, no lo puede ver.
## A. El error con Ourense
Nos comentaban que no tenía sentido que el PSOE saliera primero entre los jóvenes en Ourense, y la causa era que la relación edad x recuerdo de voto salía de 16 jóvenes entrevistados por el CIS donde 8 recordaban haber votado al PSOE y 1 al PP. Como comentaba antes, el procedimiento de raking fija los totales de cada provincia por edad (y sexo y estudios) y por recuerdo de voto, pero fijadas esas marginales, el recuerdo de a quién se ha votado en cada tramo de edad sale de la encuesta. Al usar el nivel de provincia esa distribución conjunta puede ser engañosa.
Rehaciendo usando esa tabla saldría lo siguiente. De hecho justo este perfil, en el que hay 17
entrevistas en la unión de encuestas, sirve para ejemplificar por qué ponderar no es suficiente y son importantes cosas como los modelos multinivel para dar resultados plausibles.
```{r ourense}
tabla_comentario("ourense", c("PP", "PSOE", "BNG", "VOX"))
ourense <- semilla_grupo("Ourense 18-34", c("PP", "PSOE"))
ourense
```
## B. El mapa exageraba la certeza
### Badajoz: ¿el PSOE gana entre los jóvenes?
En el mapa original, al poner solo el color de quien ganaba en cada provincia, se exageraba la seguridad del ganador. Por ejemplo en Badajoz entre los jóvenes de 18 a 34 años, el modelo da casi un triple empate. En las simulaciones, el PSOE sería primero en el 60% de las mismas.
```{r badajoz}
tabla_comentario("badajoz")
```
### Navarra: ¿VOX antes que Bildu entre los jóvenes?
Otro comentario iba sobre que no se veía que Vox fuera por delante de Bildu entre los jóvenes en Navarra. Y puff, a mí también me cuesta creerlo. Si sumamos los % de UPN y PP sería esta coalición la ganadora en ese tramo de edad. Vox y Bildu empatados.
Es posible que aquí el MRP se columpie un poco, pero viendo el dato bruto y los ponderados están bastante empatados Vox y Bildu. Sigue costándome pensar que eso es así. Habrá que ver si se puede ver algo si sale un postelectoral.
```{r navarra}
tabla_comentario("navarra", c("VOX", "BILDU", "PSOE", "UPN", "PP"))
```
## Un mapa que dice cuán seguro es el ganador
Bueno, el mapa corrigiendo la tabla de postestratificación e intentando reflejar la incertidumbre quedaría así.
El código de este mapa está en [`28_mapa_seguridad_ganador.R`](https://github.com/joscani/blog_quarto/blob/master/2026/11/mrp-multiencuesta/completo/28_mapa_seguridad_ganador.R). El del mapa del tuit está en la sección 3.7 de [`20_preguntas.R`](https://github.com/joscani/blog_quarto/blob/master/2026/11/mrp-multiencuesta/completo/20_preguntas.R), que entonces usaba la tabla anterior.
## C. Lo que dicen los datos, sin modelo
### Cataluña: ¿VOX primera fuerza entre los jóvenes?
Entre jóvenes de 25 a 34 en Cataluña con 507 entrevistas hay datos suficientes,
y tanto el dato bruto, como ponderando dicen que vox sería primera fuerza en ese tramo. Cuesta creerlo, lo sé. Pero a la vista del dato bruto y el ponderado parece eso. Sin embargo, el MRP baja esa estimación respecto a las ponderadas y la deja cerca del dato bruto: Vox sigue primero, pero con menos ventaja sobre el psoe, y sube algo el % de ERC.
```{r cataluna}
tabla_comentario("cataluna_25_34", c("VOX", "PSOE", "ERC", "JUNTS", "PP"))
```
### Galicia: ¿gana el BNG entre los menores de 45?
También comentaron que en Galicia el BNG sería primera fuerza entre menores de 45. Y tiene sentido teniendo en cuenta sus resultados en las últimas autonómicas. Pero en los datos que tenemos no se ve eso.
En bruto primera fuerza sería el psoe, ponderando (con y sin recuerdo de voto) también sería el psoe, y en el MRP sería el PP, pero por poco, un empate con el psoe en realidad.
```{r galicia}
tabla_comentario("galicia_menos_45", c("PSOE", "PP", "BNG", "VOX"))
```
## D. Lo que el modelo no puede ver
### Debajo de la provincia: el norte de Navarra
Otro comentario decía que en Navarra no vota Vox ni perri, sobre todo en la zona norte.
En el 2023 los resultados en Navarra fueron estos.
```{r navarra-23j}
tabla_navarra_zonas()
```
```{r navarra-23j-municipios}
tabla_navarra_municipios()
```
Las encuestas para 2026 ofrecen como mucho dato a nivel provincial, así que hasta ahí llega su granularidad. No podemos dar cosa más fina.
Según estas encuestas, y [son varias agregadas](https://muestrear-no-es-pecado.es/2026/11/mrp-multiencuesta/) el % de votos a Vox está en torno al 10%, un 13 % según el modelo.
```{r navarra-total}
tabla_comentario("navarra_total", c("PSOE", "PP", "BILDU", "VOX"))
```
### Los de 18 a 20: la curva de edad es nacional
La gente que hoy tiene entre 18 y 20 años son nuevos votantes, y no tienen "recuerdo de voto". En este grupo de edad es donde más se separa el MRP del bruto, cosas como que en el País Vasco en bruto el voto a vox sea del 3,4 % y que en el MRP llegue al 18 % hace sospechar que aquí el partial pooling se ha columpiado. El modelo multinivel detecta una subida grande del voto a Vox entre los más jóvenes y el partial pooling le presta esa subida a los jóvenes del País Vasco. Y con tan solo 29 entrevistas en ese grupo de edad en el País Vasco, el partial pooling tira más hacia la info general. No free lunch, como se decía en época pre IA.
```{r cataluna-18-20}
tabla_comentario("cataluna_18_20", c("VOX", "PSOE", "ERC"))
tabla_comentario("pais_vasco_18_20", c("PSOE", "VOX", "BILDU", "PNV"))
tabla_vox_18_20()
```
---
# Segunda parte: preguntas a la posterior {#segunda-parte}
Con la tabla ya corregida, y sabiendo dónde se columpia el modelo, vamos con lo que iba a ser el post, que al final parece que va a ser largo.
El MRP no da solo una estimación por provincia, da, para cada celda de la tabla de postestratificación, 1.000 (porque voy a sacar 1000, pero podría usar 4000, no cambia nada)
versiones plausibles de cuánta gente vota y a quién.
Con eso se contesta
casi cualquier pregunta sobre grupos de población que tenemos como variables en el modelo y en la tabla de postestratificación, a saber, provincia, sexo, edad, nivel de estudios y recuerdo de voto, y siempre con las mismas
cuatro operaciones:
1. **De probabilidades a personas:** votos = N × participación × p.
2. **Agregar:** sumar los votos de las celdas del grupo, en cada draw.
3. **Resumir:** media e intervalo de los 1.000 draws.
4. **Contar:** la probabilidad de algo es la proporción de draws en que ocurre.
Todas las cifras son para octubre de 2026, con una participación del 80 % (si he pensado poner que vota el 80%, ya vimos en el post anterior que no cambiaba mucho y los posibles motivos de por qué no)
```{r p2-setup}
#| code-fold: false
library(tidyverse)
library(sf)
dir_completo <- here::here("2026/11/mrp-multiencuesta/completo/datos")
colores <- c(
PP = "#1D84CE",
PSOE = "#E30613",
VOX = "#5AC035",
SUMAR = "#E5007D",
PODEMOS = "#6B2E68",
ERC = "#FFB232",
JUNTS = "#00C3B2",
BILDU = "#00A39A",
PNV = "#008135",
BNG = "#ADCFEF",
CCA = "#FFD700",
AA = "#2E8B57",
UPN = "#0A3A80",
OTROS = "grey60",
BLANCO = "grey90"
)
```
## Las dos tablas
La tabla de postestratificación: quiénes son y cuántos. Una fila por celda
(provincia × sexo × edad × estudios × recuerdo del 23-J).
Tenemos 12300 celdas y en cada una una columna N que indica cuánta población hay ahí. Su suma es la población de 18 años y más (Censo anual de Población del INE)
```{r p2-tablas}
#| code-fold: false
celdas <- readRDS(file.path(dir_completo, "tabla_post.rds"))
celdas
sum(celdas$N) # población de 18 y más
```
La posterior: lo que el modelo dice de cada celda. Una fila por draw y celda:
`part` es la probabilidad de votar y las columnas de partido, el reparto del
voto entre los que votan (suman 1).
En posterior tenemos 12 millones 300 mil filas: 12300 celdas x 1000 draws en cada una.
```{r p2-posterior}
#| code-fold: false
posterior <- readRDS(file.path(dir_completo, "posterior_celdas_80.rds"))
posterior
partidos <- setdiff(names(posterior), c("draw", "celda", "part"))
partidos
```
## Una celda
Hombres de 25 a 34 años, con estudios medios, de Madrid, que no votaron en 2023.
```{r p2-celda}
#| code-fold: false
ejemplo <- celdas |>
filter(
provincia == "Madrid",
sexo == "Hombres",
edad == "25-34",
edu == "media",
rec == "ABST"
)
ejemplo
# su posterior: 1.000 filas, una por draw
post_ejemplo <- posterior |>
filter(celda == ejemplo$celda) |>
select(draw, part, PP, PSOE, VOX, SUMAR)
post_ejemplo
# cada fila es una versión plausible de la celda; resumirlas es la incertidumbre
post_ejemplo |>
summarise(across(
-draw,
list(media = mean, q05 = \(x) quantile(x, 0.05), q95 = \(x) {
quantile(x, 0.95)
})
))
```
¿Cuántos de ellos votarían? La columna `part` es la probabilidad de votar de
la celda, con la participación de toda España calibrada al 80 % en cada draw.
```{r p2-celda-participacion}
#| code-fold: false
part_ejemplo <- post_ejemplo |>
summarise(
media = 100 * mean(part),
q05 = 100 * quantile(part, 0.05),
q95 = 100 * quantile(part, 0.95)
)
part_ejemplo
```
Si en España votase el 80 %, en esta celda votaría el
`r format(round(part_ejemplo$media, 1), decimal.mark = ",")` %
(intervalo del 90 %: `r format(round(part_ejemplo$q05, 1), decimal.mark = ",")`-`r format(round(part_ejemplo$q95, 1), decimal.mark = ",")` %):
unos `r format(round(ejemplo$N * part_ejemplo$media / 100, -2), big.mark = ".")`
de sus `r format(round(ejemplo$N, -2), big.mark = ".")` hombres.
Para este perfil/ celda con solo 9 entrevistas en los datos (3 del CIS, 2 de 40dB y 4 de More in Common) podemos dar estimaciones de cómo votarán
```{r p2-celda-grafico}
post_ejemplo_largo <- post_ejemplo |>
pivot_longer(c(PP, PSOE, VOX, SUMAR), names_to = "partido", values_to = "p")
etiquetas <- post_ejemplo_largo |>
summarise(p = mean(p), .by = partido)
ggplot(post_ejemplo_largo, aes(p, fill = partido)) +
geom_histogram(
binwidth = 0.005,
boundary = 0,
position = "identity",
alpha = 0.7
) +
geom_text(
data = etiquetas,
aes(p, y = 0, label = partido, colour = partido),
vjust = -0.5,
nudge_y = 230,
fontface = "bold"
) +
scale_fill_manual(
values = colores,
aesthetics = c("fill", "colour"),
guide = "none"
) +
scale_x_continuous(labels = scales::percent) +
labs(
x = "Proporción de voto",
y = "draws",
title = "La posterior de una celda: 1.000 valores plausibles por partido",
subtitle = paste0(
"Hombres, 25-34, estudios medios, Madrid, abstención en 2023 (N = ",
format(round(ejemplo$N), big.mark = "."),
")"
)
) +
theme_minimal() +
theme(
panel.grid.minor = element_blank(),
plot.title = element_text(face = "bold")
)
```
## De probabilidades a personas
Para este ejemplo, para cada draw, tenemos valores distintos de participación y de proporción de voto a cada partido. El proceso es simple, en cada draw calculamos cuántos votan según la estimación de participación, y multiplicamos por la proporción de voto de cada partido. Para Vox y Frente Amplio se tendría
```{r p2-personas}
#| code-fold: false
post_ejemplo |>
rename(FA = SUMAR) |>
mutate(
N = ejemplo$N,
votantes = N * part,
votos_vox = votantes * VOX,
votos_frente_amplio = votantes * FA
) |>
select(draw, N, part, votantes, VOX, votos_vox, FA, votos_frente_amplio)
```
## Agregar, resumir y contar
Un grupo son muchas celdas. Los hombres de 25 a 34 años de toda España: se
eligen sus celdas y se suma en cada draw.
```{r p2-agregar}
#| code-fold: false
celdas_grupo <- celdas |> filter(sexo == "Hombres", edad == "25-34")
nrow(celdas_grupo) # celdas que forman el grupo
# en cada draw: sumar votantes y votos de todas las celdas del grupo
grupo <- posterior |>
rename(FA = SUMAR) |>
inner_join(select(celdas_grupo, celda, N), by = "celda") |>
summarise(
votantes = sum(N * part),
votos_vox = sum(N * part * VOX),
votos_frente_amplio = sum(N * part * FA),
.by = draw
) |>
mutate(
pct_vox = 100 * votos_vox / votantes,
pct_frente_amplio = 100 * votos_frente_amplio / votantes
)
grupo # una fila por draw: 1.000 valores plausibles de cada %
# resumir
grupo |>
summarise(
across(
c(pct_vox, pct_frente_amplio),
list(media = mean, q05 = \(x) quantile(x, 0.05), q95 = \(x) {
quantile(x, 0.95)
})
)
)
```
Y con esto podemos calcular probabilidades, como por ejemplo ¿cuál es la probabilidad de que en este grupo vox saque más de un 30% del voto ?
```{r p2-contar}
#| code-fold: false
# contar: ¿qué probabilidad hay de que más del 30 % de ese grupo vote a VOX?
mean(grupo$pct_vox > 30)
```
Eso sí, estas probabilidades son las del modelo: dan por buenos sus supuestos. Si el modelo se columpia, como con los de 18 a 20 de la primera parte, los intervalos no lo avisan.
## Las cuatro operaciones, en funciones
Para no repetir el código en cada pregunta.
```{r p2-funciones}
#| code-fold: false
# votos de cada partido por draw y grupo
# por: variables que definen el grupo (character(0) = toda la población)
# celdas_sel: las celdas que entran (filtra antes para una comunidad, etc.)
votos_por <- function(por, celdas_sel = celdas) {
posterior |>
inner_join(select(celdas_sel, celda, N, all_of(por)), by = "celda") |>
summarise(
across(all_of(partidos), ~ sum(N * part * .x)),
.by = all_of(c("draw", por))
) |>
pivot_longer(all_of(partidos), names_to = "partido", values_to = "votos") |>
mutate(pct = 100 * votos / sum(votos), .by = all_of(c("draw", por)))
}
# media e intervalo de credibilidad del 90 % de una columna sobre los draws
resume <- function(datos, por, x = "pct") {
datos |>
summarise(
media = mean(.data[[x]]),
q05 = quantile(.data[[x]], 0.05),
q95 = quantile(.data[[x]], 0.95),
.by = all_of(por)
) |>
arrange(across(all_of(por)))
}
# % que vota en cada grupo y draw
participacion_por <- function(por, celdas_sel = celdas) {
posterior |>
select(draw, celda, part) |>
inner_join(select(celdas_sel, celda, N, all_of(por)), by = "celda") |>
summarise(part = 100 * sum(N * part) / sum(N), .by = all_of(c("draw", por)))
}
# tabla ancha para leer
ancho <- function(datos, filas, columnas, valor = "media", digitos = 1) {
datos |>
select(all_of(c(filas, columnas, valor))) |>
mutate(across(all_of(valor), \(x) round(x, digitos))) |>
pivot_wider(names_from = all_of(columnas), values_from = all_of(valor))
}
# comprobación: la función da lo mismo que el cálculo a mano
votos_por(c("sexo", "edad")) |>
filter(sexo == "Hombres", edad == "25-34", partido == "SUMAR") |>
resume("partido")
```
```{r p2-graficos}
# aspecto de los gráficos y gráfico de efectos
principales <- c("PP", "PSOE", "VOX", "SUMAR", "PODEMOS")
tema <- theme_minimal(base_size = 12) +
theme(
panel.grid.minor = element_blank(),
panel.grid.major.x = element_blank(),
plot.title = element_text(face = "bold"),
plot.title.position = "plot",
plot.caption = element_text(colour = "grey50", hjust = 0),
legend.position = "top",
strip.text = element_text(face = "bold", size = 12)
)
fuente <- "MRP multiencuesta, octubre de 2026, participación del 80 %. Media e intervalo de credibilidad del 90 %."
fuente_media <- "MRP multiencuesta, octubre de 2026, participación del 80 %. Media de los 1.000 draws."
# % de voto de cada grupo real (postestratificado), no "con lo demás constante":
# si los jóvenes tienen más estudios, eso entra en la curva de la edad
efecto <- function(
x,
partidos_sel,
color = NULL,
celdas_sel = celdas,
ylim = NULL,
escalas = "free_y"
) {
d <- votos_por(c(x, color), celdas_sel) |>
resume(c(x, color, "partido")) |>
filter(partido %in% partidos_sel) |>
mutate(partido = factor(partido, partidos_sel))
if (is.null(ylim)) {
ylim <- c(0, max(d$q95))
}
if (is.null(color)) {
final <- d |> filter(.data[[x]] == last(levels(.data[[x]])))
return(
ggplot(
d,
aes(
.data[[x]],
media,
ymin = q05,
ymax = q95,
colour = partido,
fill = partido,
group = partido
)
) +
geom_ribbon(alpha = 0.2, colour = NA) +
geom_line(linewidth = 1) +
geom_point(size = 2) +
ggrepel::geom_text_repel(
data = final,
aes(label = partido),
hjust = 0,
nudge_x = 0.15,
direction = "y",
fontface = "bold",
size = 4,
segment.colour = NA,
box.padding = 0.1
) +
scale_colour_manual(
values = colores,
aesthetics = c("colour", "fill"),
guide = "none"
) +
scale_y_continuous(breaks = seq(0, 100, by = 5)) +
coord_cartesian(ylim = ylim, clip = "off") +
labs(x = NULL, y = "% de voto", caption = fuente) +
tema +
theme(plot.margin = margin(5.5, 60, 5.5, 5.5))
)
}
ggplot(
d,
aes(
.data[[x]],
media,
ymin = q05,
ymax = q95,
colour = .data[[color]],
fill = .data[[color]],
group = .data[[color]]
)
) +
geom_ribbon(alpha = 0.2, colour = NA) +
geom_line(linewidth = 1) +
geom_point(size = 2) +
scale_colour_manual(
values = c("#D95F02", "#1B9E77", "#7570B3"),
aesthetics = c("colour", "fill")
) +
facet_wrap(~partido, scales = escalas) +
(if (escalas == "fixed") coord_cartesian(ylim = ylim)) +
scale_x_discrete(guide = guide_axis(n.dodge = 2)) +
labs(
x = NULL,
y = "% de voto",
colour = NULL,
fill = NULL,
caption = fuente
) +
tema
}
provincias_sf <- readRDS(file.path(dir_completo, "provincias_sf.rds"))
mapa <- function(datos) {
provincias_sf |>
left_join(datos, by = c("codigo_provincia" = "cod")) |>
ggplot() +
theme_void(base_size = 12) +
theme(
plot.title = element_text(face = "bold"),
plot.caption = element_text(colour = "grey50", hjust = 0),
strip.text = element_text(face = "bold", size = 12),
plot.margin = margin(10, 10, 10, 10)
)
}
bloque_de <- function(partido) {
case_when(
partido %in% c("PP", "VOX", "UPN", "SALF") ~ "Derecha",
partido %in%
c("PSOE", "SUMAR", "PODEMOS", "ERC", "BILDU", "BNG", "AA") ~ "Izquierda",
partido == "BLANCO" ~ "Blanco",
.default = "Otros"
)
}
celdas <- celdas |>
mutate(
tramo = case_when(
edad %in% c("18-20", "21-24", "25-34") ~ "18-34",
edad == "65+" ~ "65+",
.default = "35-64"
)
)
```
## ¿Vota distinto cada edad?
Vamos con algunas preguntas. El voto por edad.
```{r p2-edad}
#| code-fold: false
voto_edad <- votos_por("edad")
voto_edad |>
resume(c("edad", "partido")) |>
filter(partido %in% principales) |>
ancho("edad", "partido")
# partido más votado en cada edad, y en qué % de draws lo es
voto_edad |>
mutate(primero = pct == max(pct), .by = c(draw, edad)) |>
summarise(
p_primero = mean(primero),
pct = mean(pct),
.by = c(edad, partido)
) |>
filter(p_primero > 0.05) |>
arrange(edad, desc(p_primero))
```
Pues con los datos que usamos, Vox está fuerte entre los jóvenes, y PP y PSOE se parecen bastante en su perfil de voto por edad.
```{r p2-edad-grafico}
efecto("edad", c("PP", "PSOE", "VOX", "SUMAR"), ylim = c(0, 35)) +
labs(title = "Voto por edad")
```
¿El bipartidismo es cosa de mayores? % de PP + PSOE por edad, sumado en cada draw.
```{r p2-bipartidismo}
#| code-fold: false
voto_edad |>
filter(partido %in% c("PP", "PSOE")) |>
summarise(pct = sum(pct), .by = c(draw, edad)) |>
resume("edad")
```
## Sexo: la brecha y quién vota a cada partido
Brecha por partido: % entre los hombres menos % entre las mujeres, en cada draw.
```{r p2-brecha}
#| code-fold: false
votos_por("sexo") |>
select(draw, sexo, partido, pct) |>
pivot_wider(names_from = sexo, values_from = pct) |>
mutate(brecha = Hombres - Mujeres) |>
resume("partido", "brecha") |>
arrange(desc(media))
```
Con los mismos votos se pueden hacer dos preguntas distintas. Primero, los
votos (en miles, media de los draws) por sexo y edad, para VOX y el PSOE, y
el total de votos de cada grupo:
```{r p2-filas-columnas}
#| code-fold: false
votos_grupo <- votos_por(c("sexo", "tramo")) |>
summarise(votos = mean(votos), .by = c(sexo, tramo, partido)) |>
pivot_wider(names_from = partido, values_from = votos) |>
mutate(total = rowSums(across(all_of(partidos)))) |>
select(sexo, tramo, VOX, PSOE, total)
votos_grupo |> mutate(across(c(VOX, PSOE, total), \(x) round(x / 1000)))
```
**¿Cómo votan los hombres de 18 a 34 años?** Se divide cada fila por su
total: de cada 100 votos del grupo, cuántos van a cada partido.
```{r p2-filas}
#| code-fold: false
votos_grupo |>
mutate(
VOX = round(100 * VOX / total, 1),
PSOE = round(100 * PSOE / total, 1)
) |>
select(sexo, tramo, VOX, PSOE)
```
**¿Quién vota a VOX?** Se divide cada columna por su total: de cada 100
votos de VOX, cuántos vienen de cada grupo. La última columna es el peso de
cada grupo entre todos los votantes, para comparar.
```{r p2-columnas}
#| code-fold: false
votos_grupo |>
mutate(
VOX = round(100 * VOX / sum(VOX), 1),
PSOE = round(100 * PSOE / sum(PSOE), 1),
todos = round(100 * total / sum(total), 1)
) |>
select(sexo, tramo, VOX, PSOE, todos)
```
Vemos en cada grupo de edad y sexo su % de voto a partidos
```{r p2-sexo-edad}
#| fig-height: 6
efecto(
"edad",
c("PP", "PSOE", "VOX", "SUMAR"),
color = "sexo",
ylim = c(0, 40),
escalas = "fixed"
) +
labs(title = "Voto por edad y sexo")
```
El modelo no tiene interacción sexo × edad: si la brecha de sexo cambia con
la edad, es por la composición de cada grupo (estudios, recuerdo, provincia),
no porque el modelo la haya estimado.
## Estudios
```{r p2-estudios}
#| fig-height: 6
efecto("edad", principales, color = "edu") +
labs(title = "Voto por edad y estudios")
```
```{r p2-estudios-tabla}
#| code-fold: false
# ¿qué estudios tiene el votante de cada partido?
votos_por("edu") |>
mutate(pct_partido = 100 * votos / sum(votos), .by = c(draw, partido)) |>
resume(c("edu", "partido"), "pct_partido") |>
filter(partido %in% principales) |>
ancho("partido", "edu")
```
## Territorio: voto por edad en cinco comunidades
Las mismas cuentas, solo con las celdas de una comunidad. Cada gráfico tiene
su propio eje Y. Ojo con el primer punto (18-20): son nuevos votantes, sin
recuerdo de voto, y es donde el modelo más tira hacia la curva nacional (lo
vimos en la primera parte, con Cataluña y el País Vasco).
```{r p2-territorio-madrid}
efecto(
"edad",
c("PP", "PSOE", "VOX", "SUMAR", "PODEMOS"),
celdas_sel = filter(celdas, ccaa == "Madrid")
) +
labs(title = "Madrid: voto por edad")
```
El zigzag del PP en Madrid (más alto entre los de 21 a 24 años que entre los
de 25 a 34) no es una cosa de la edad, sino de la tabla de
postestratificación. En la tabla, el 29,0 % de los madrileños de 21 a 24 años
votó al PP en 2023, frente al 17,8 % de los de 25 a 34. Esa relación entre
edad y recuerdo sale de la semilla del raking, que solo usa entrevistas del
CIS: en Madrid, 34 de 103 jóvenes de 21 a 24 años recuerdan haber votado al
PP (33 %), frente a 60 de 289 de 25 a 34 (21 %). En las otras tres casas no
pasa: 15 de 90 (17 %) entre los de 21 a 24 y 55 de 288 (19 %) entre los de 25
a 34. Es lo mismo que en Ourense, con más entrevistas: el cruce edad ×
recuerdo dentro de cada provincia arrastra el ruido de la muestra del CIS.
```{r p2-territorio-cataluna}
efecto(
"edad",
c("PSOE", "ERC", "JUNTS", "VOX", "PP"),
celdas_sel = filter(celdas, ccaa == "Cataluña")
) +
labs(title = "Cataluña: voto por edad")
```
```{r p2-territorio-pais-vasco}
efecto(
"edad",
c("BILDU", "PNV", "PSOE", "PP", "VOX"),
celdas_sel = filter(celdas, ccaa == "País Vasco")
) +
labs(title = "País Vasco: voto por edad")
```
```{r p2-territorio-andalucia}
efecto(
"edad",
c("PP", "PSOE", "VOX", "SUMAR", "AA"),
celdas_sel = filter(celdas, ccaa == "Andalucía")
) +
labs(title = "Andalucía: voto por edad")
```
```{r p2-territorio-galicia}
efecto(
"edad",
c("PP", "PSOE", "BNG", "VOX"),
celdas_sel = filter(celdas, ccaa == "Galicia")
) +
labs(title = "Galicia: voto por edad")
```
## Desde el 23-J: de dónde viene el voto
El recuerdo es una variable más de la celda: se agrega igual.
```{r p2-origen-datos}
#| code-fold: false
origen <- votos_por("rec") |>
mutate(pct_partido = 100 * votos / sum(votos), .by = c(draw, partido)) |>
resume(c("rec", "partido"), "pct_partido")
```
```{r p2-origen}
origen |>
filter(partido %in% c("PP", "PSOE", "VOX", "SUMAR")) |>
mutate(
partido = factor(partido, c("SUMAR", "VOX", "PSOE", "PP")),
origen = case_when(
rec %in% c("PP", "PSOE", "VOX", "SUMAR") ~ as.character(rec),
rec == "ABST" ~ "Abstención",
rec == "NO_PODIA" ~ "No podía votar",
.default = "Otros"
),
origen = factor(
origen,
c("PP", "PSOE", "VOX", "SUMAR", "Otros", "Abstención", "No podía votar")
)
) |>
summarise(media = sum(media), .by = c(partido, origen)) |>
ggplot(aes(media, partido, fill = origen)) +
geom_col(width = 0.7, colour = "white", linewidth = 0.3) +
scale_fill_manual(
values = c(
colores[c("PP", "PSOE", "VOX", "SUMAR")],
Otros = "grey80",
`Abstención` = "grey45",
`No podía votar` = "grey20"
)
) +
scale_x_continuous(labels = \(x) paste0(x, " %")) +
labs(
x = "% de los votantes del partido",
y = NULL,
fill = "Votó en 2023",
title = "¿De dónde viene el voto de cada partido?",
caption = fuente_media
) +
tema +
theme(
panel.grid.major.y = element_blank(),
panel.grid.major.x = element_line()
)
```
¿Repiten más los mayores? De cada 100 votantes de un partido en 2023, cuántos
lo vuelven a votar, por edad (los de 18-20 no podían votar).
```{r p2-fidelidad-datos}
#| code-fold: false
fidelidad <- votos_por(
c("rec", "edad"),
filter(celdas, rec %in% c("PP", "PSOE", "VOX", "SUMAR"))
) |>
filter(partido == as.character(rec)) |>
mutate(partido = factor(partido, c("PP", "PSOE", "VOX", "SUMAR"))) |>
resume(c("partido", "edad"))
```
```{r p2-fidelidad}
ggplot(
fidelidad,
aes(
edad,
media,
ymin = q05,
ymax = q95,
colour = partido,
fill = partido,
group = partido
)
) +
geom_ribbon(alpha = 0.2, colour = NA) +
geom_line(linewidth = 1) +
geom_point(size = 2) +
scale_colour_manual(values = colores, aesthetics = c("colour", "fill")) +
coord_cartesian(ylim = c(0, 100)) +
labs(
x = NULL,
y = "% que repite partido",
colour = NULL,
fill = NULL,
title = "¿Repiten más los mayores?",
subtitle = "De cada 100 votantes de cada partido en 2023, cuántos lo vuelven a votar",
caption = fuente
) +
tema
```
## ¿Quién vota?
La participación total es el 80 % por construcción; lo que cambia es quién.
```{r p2-participacion}
#| code-fold: false
participacion_por("edad") |> resume("edad", "part")
participacion_por(c("edu", "sexo")) |>
resume(c("edu", "sexo"), "part") |>
ancho("edu", "sexo", "media")
```
## Mapas
```{r p2-mapas-datos}
#| code-fold: false
voto_prov_tramo <- votos_por(c("cod", "tramo"))
```
¿El bipartidismo es cosa de mayores, también por provincia?
```{r p2-mapa-bipartidismo-datos}
#| code-fold: false
bipartidismo <- voto_prov_tramo |>
filter(tramo != "35-64", partido %in% c("PP", "PSOE")) |>
summarise(pct = sum(pct), .by = c(draw, cod, tramo)) |>
resume(c("cod", "tramo"))
```
```{r p2-mapa-bipartidismo}
mapa(bipartidismo) +
geom_sf(aes(fill = media), colour = "white", linewidth = 0.1) +
facet_wrap(~tramo) +
scale_fill_viridis_c(limits = c(0, 80)) +
labs(
fill = "%",
title = "¿El bipartidismo es cosa de mayores?",
subtitle = "% de voto a PP + PSOE",
caption = fuente_media
) +
theme(legend.position = "bottom")
```
¿Votan más a la derecha los jóvenes o los mayores? Diferencia en el % de PP +
VOX + UPN entre los menores de 35 y los de 65 y más.
```{r p2-mapa-brecha-datos}
#| code-fold: false
brecha_gen <- votos_por(c("cod", "tramo"), filter(celdas, tramo != "35-64")) |>
mutate(bloque = bloque_de(partido)) |>
summarise(pct = sum(pct), .by = c(draw, cod, tramo, bloque)) |>
filter(bloque == "Derecha") |>
select(draw, cod, tramo, pct) |>
pivot_wider(names_from = tramo, values_from = pct) |>
mutate(brecha = `18-34` - `65+`) |>
resume("cod", "brecha") |>
left_join(distinct(celdas, cod, provincia), by = "cod")
```
```{r p2-mapa-brecha}
brecha_gen <- brecha_gen |>
mutate(
etiqueta = if_else(
media %in% range(media),
paste0(provincia, "\n", sprintf("%+.0f", media)),
NA
)
)
quien_mas <- function(x) {
case_when(
x < 0 ~ paste0("Mayores +", abs(x)),
x > 0 ~ paste0("Jóvenes +", x),
.default = "Igual"
)
}
mapa(brecha_gen) +
geom_sf(aes(fill = media), colour = "white", linewidth = 0.1) +
geom_sf_text(
aes(label = etiqueta),
size = 3.2,
fontface = "bold",
lineheight = 0.9,
na.rm = TRUE,
fun.geometry = \(g) suppressWarnings(sf::st_point_on_surface(g))
) +
scale_fill_gradient2(
low = "#E66101",
mid = "grey97",
high = "#5E3C99",
limits = c(-20, 20),
breaks = c(-20, -10, 0, 10, 20),
labels = quien_mas
) +
guides(
fill = guide_colourbar(
barwidth = unit(12, "cm"),
barheight = unit(0.4, "cm"),
title.position = "top",
title.hjust = 0.5
)
) +
labs(
fill = "Puntos de diferencia en el % de voto a la derecha (PP + VOX + UPN)",
title = "¿Votan más a la derecha los jóvenes o los mayores?",
subtitle = "Menores de 35 frente a 65 y más, por provincia",
caption = fuente_media
) +
theme(legend.position = "bottom")
```
## ¿Y si solo votasen los jóvenes? ¿Y solo las mujeres?
D'Hondt por provincia con el umbral del 3 %, con los votos de un solo grupo,
en cada draw.
```{r p2-congresos}
#| code-fold: false
escanos <- celdas |> distinct(cod, escanos)
reparto <- function(votos) {
votos |>
filter(pct >= 3, !partido %in% c("OTROS", "BLANCO")) |>
left_join(escanos, by = "cod") |>
cross_join(tibble(divisor = 1:37)) |>
filter(divisor <= escanos) |>
mutate(
orden = rank(-votos / divisor, ties.method = "first"),
.by = c(draw, cod)
) |>
filter(orden <= escanos) |>
count(draw, partido, name = "escanos")
}
congresos <- bind_rows(
Todos = reparto(votos_por("cod")),
`18-34` = reparto(votos_por("cod", filter(celdas, tramo == "18-34"))),
`65+` = reparto(votos_por("cod", filter(celdas, tramo == "65+"))),
Mujeres = reparto(votos_por("cod", filter(celdas, sexo == "Mujeres"))),
Hombres = reparto(votos_por("cod", filter(celdas, sexo == "Hombres"))),
.id = "electorado"
) |>
complete(electorado, draw, partido, fill = list(escanos = 0L))
# comprobación: 350 escaños en cada draw
stopifnot(all(
summarise(congresos, total = sum(escanos), .by = c(electorado, draw))$total ==
350
))
congresos |>
resume(c("electorado", "partido"), "escanos") |>
ancho("partido", "electorado", digitos = 0) |>
arrange(desc(Todos))
# contar: probabilidad de mayoría absoluta de PP + VOX en cada electorado
congresos |>
filter(partido %in% c("PP", "VOX")) |>
summarise(escanos = sum(escanos), .by = c(electorado, draw)) |>
summarise(
media = mean(escanos),
p_mayoria = mean(escanos >= 176),
.by = electorado
)
```
Si solo votasen los de 18 a 34, VOX sería el partido más votado, con unos 121 escaños. Si solo votasen los de 65 y más, ganaría el PSOE, con unos 150. Pero lo curioso es que PP + VOX suman mayoría absoluta en todos los electorados; solo entre los mayores no es seguro (en el 67 % de los draws).
## El votante típico de cada partido
Los tres perfiles sexo × edad × estudios que más votos dan a cada
partido, como % de los votantes del partido.
Uff. La siguiente tabla me desconcierta un poco. Los 3 perfiles típicos de cada partido.
Y tiene que ver con el tamaño de cada perfil en la población, las mujeres de más de 65 años y nivel educativo bajo son el 10% de la población más o menos. Así que el votante típico de cada partido hay que compararlo con la población general.
```{r p2-perfiles}
#| code-fold: false
votos_por(c("sexo", "edad", "edu")) |>
filter(partido %in% c("PP", "PSOE", "VOX", "SUMAR")) |>
mutate(pct_partido = 100 * votos / sum(votos), .by = c(draw, partido)) |>
resume(c("partido", "sexo", "edad", "edu"), "pct_partido") |>
slice_max(media, n = 3, by = partido) |>
mutate(across(media:q95, \(x) round(x, 1)))
```
Una forma de verlo es haciendo un análisis de correspondencias, (sí, soy un viejuno)
El análisis de correspondencias [@greenacre2017] es la técnica de la escuela
francesa de análisis de datos, la de Benzécri, y la que usó Bourdieu en *La
distinción* [@bourdieu1979] para dibujar el espacio social y el de los gustos.
Aquí lo hacemos con FactoMineR [@le2008] y lo dibujamos con factoextra.
La tabla son los votos de cada partido (columnas) por perfil sexo × tramo de
edad × estudios (filas): 18 perfiles. Un perfil queda cerca de un partido cuando pesa más entre
sus votantes que entre todos los votantes. Los partidos regionales van
juntos y como columna suplementaria: su voto depende de la provincia, que no
está en las filas.
```{r p2-correspondencias-datos}
#| code-fold: false
library(FactoMineR)
library(factoextra)
regionales <- c("ERC", "JUNTS", "BILDU", "PNV", "BNG", "CCA", "UPN", "AA")
# votos de cada partido por perfil (sexo x tramo de edad x estudios): media de los draws
votos_perfil <- votos_por(c("sexo", "tramo", "edu")) |>
summarise(votos = mean(votos), .by = c(sexo, tramo, edu, partido)) |>
pivot_wider(names_from = partido, values_from = votos) |>
mutate(Regionales = rowSums(across(all_of(regionales)))) |>
arrange(sexo, tramo, edu)
tabla_ac <- votos_perfil |>
mutate(perfil = paste(if_else(sexo == "Hombres", "H", "M"), tramo, edu)) |>
column_to_rownames("perfil") |>
select(PP, PSOE, VOX, SUMAR, PODEMOS, OTROS, BLANCO, Regionales)
tabla_ac |> mutate(across(everything(), \(x) round(x / 1000))) # miles de votos
ac <- CA(
tabla_ac,
col.sup = which(names(tabla_ac) == "Regionales"),
graph = FALSE
)
# cuánto explica cada eje (% de la inercia)
round(ac$eig[1:3, ], 3)
```
```{r p2-correspondencias}
#| fig-height: 7
# mapa simétrico: perfiles y partidos en coordenadas principales; los partidos
# como flechas desde el centro para leer la dirección
fviz_ca_biplot(
ac,
arrow = c(FALSE, TRUE), # flechas solo para los partidos
repel = TRUE,
labelsize = 3.5,
col.row = votos_perfil$tramo, # perfiles coloreados por tramo de edad
palette = c("#7B3294", "#E08214", "#1B7837"),
col.col = "black",
col.col.sup = "#B8860B",
mean.point = FALSE # sin el punto medio de cada tramo
) +
labs(
title = "Perfiles y partidos: análisis de correspondencias",
subtitle = "Votos estimados por el MRP. H = hombres, M = mujeres. Regionales: columna suplementaria.",
x = sprintf("Eje 1 (%.0f %%)", ac$eig[1, 2]),
y = sprintf("Eje 2 (%.0f %%)", ac$eig[2, 2]),
colour = "Edad",
caption = fuente_media
) +
theme_minimal(base_size = 12)
```
Cómo leerlo. El centro es el voto medio de toda España. Cada partido es una
flecha desde el centro, y un perfil cae hacia donde apunta la flecha de un
partido cuando ese partido tiene, en el perfil, más voto que en el total.
Las distancias entre un perfil y un partido no se leen directamente en este
mapa (simétrico); las direcciones, sí [@greenacre2017]. Para ver además cuánto
pesa cada partido en el mapa, @greenacre2013 propone escalar las flechas para
que su longitud sea su contribución; aquí lo vemos aparte, con las
contribuciones.
Para saber qué define cada eje se miran las contribuciones: qué parte de la
inercia del eje aporta cada partido y cada perfil. La línea roja es la
contribución que tendrían si todos aportaran lo mismo.
```{r p2-correspondencias-ayudas}
#| fig-height: 8
#| fig-width: 10
library(patchwork)
(fviz_screeplot(ac, addlabels = TRUE) +
labs(title = "Inercia de cada eje", x = "Eje", y = "% de la inercia")) +
(fviz_contrib(ac, choice = "col", axes = 1) +
labs(title = "Eje 1: contribución de los partidos", y = "%")) +
(fviz_contrib(ac, choice = "col", axes = 2) +
labs(title = "Eje 2: contribución de los partidos", y = "%")) +
(fviz_contrib(ac, choice = "row", axes = 1:2, top = 10) +
labs(title = "Ejes 1 y 2: los 10 perfiles que más aportan", y = "%")) +
plot_layout(ncol = 2)
# calidad de la representación de cada partido en los dos primeros ejes (cos2)
round(ac$col$cos2[, 1:2], 2)
```
Lo que dicen las contribuciones:
- El **eje 1** (el `r round(ac$eig[1, 2])` % de la inercia) es la edad. Lo
definen VOX (`r round(ac$col$contrib["VOX", 1])` %), el PSOE
(`r round(ac$col$contrib["PSOE", 1])` %) y el PP
(`r round(ac$col$contrib["PP", 1])` %): los jóvenes a un lado, con VOX; los
mayores al otro, con el PSOE y el PP.
- El **eje 2** (el `r round(ac$eig[2, 2])` %) es casi solo SUMAR
(`r round(ac$col$contrib["SUMAR", 2])` % de su inercia), y separa los
estudios altos de los bajos.
- El perfil que más pesa en el mapa son las mujeres de 65 y más con estudios
bajos: son muchas y votan muy distinto de la media.
Dos avisos al leerlo. La tabla no es una muestra, sino votos estimados para
toda la población: la prueba de ji cuadrado no tiene sentido aquí, solo la
geometría. Y el modelo no tiene interacciones sexo × edad ni edad × estudios:
el mapa enseña lo que dejan ver los efectos de cada variable y la composición
de cada perfil. Además, el mapa se hace con la media de los draws, así que no enseña la incertidumbre de la posterior.
# Referencias
::: {#refs}
:::
# Apéndice: scripts
| Script | Qué hace |
|---|---|
| [`iv-funciones.R`](https://github.com/joscani/blog_quarto/blob/master/2026/11/mrp-multiencuesta/iv-funciones.R) | las funciones que llama este post |
| [`02_poblacion_raking.R`](https://github.com/joscani/blog_quarto/blob/master/2026/11/mrp-multiencuesta/02_poblacion_raking.R) | la tabla de postestratificación (`nivel_semilla = "ccaa"`) |
| [`completo/21_posterior_celdas.R`](https://github.com/joscani/blog_quarto/blob/master/2026/11/mrp-multiencuesta/completo/21_posterior_celdas.R) | la posterior por celda (`posterior_celdas_80.rds`) |
| [`completo/28_mapa_seguridad_ganador.R`](https://github.com/joscani/blog_quarto/blob/master/2026/11/mrp-multiencuesta/completo/28_mapa_seguridad_ganador.R) | el mapa con la seguridad del ganador |
| [`completo/31_compara_semillas.R`](https://github.com/joscani/blog_quarto/blob/master/2026/11/mrp-multiencuesta/completo/31_compara_semillas.R) | tabla vieja frente a nueva |
| [`completo/32_jovenes_provincia.R`](https://github.com/joscani/blog_quarto/blob/master/2026/11/mrp-multiencuesta/completo/32_jovenes_provincia.R) | voto joven por comunidad y provincia |
| [`completo/33_navarra_23j_zonas.R`](https://github.com/joscani/blog_quarto/blob/master/2026/11/mrp-multiencuesta/completo/33_navarra_23j_zonas.R) | Navarra en el 23-J por partido judicial |
| [`completo/34_vox_18_20_ccaa.R`](https://github.com/joscani/blog_quarto/blob/master/2026/11/mrp-multiencuesta/completo/34_vox_18_20_ccaa.R) | VOX en 18-20 por comunidad, bruto frente a MRP |
| [`completo/20_preguntas.R`](https://github.com/joscani/blog_quarto/blob/master/2026/11/mrp-multiencuesta/completo/20_preguntas.R) | las preguntas de la segunda parte, como script |
| [`completo/35_comentarios.R`](https://github.com/joscani/blog_quarto/blob/master/2026/11/mrp-multiencuesta/completo/35_comentarios.R) | cada comentario de X: bruto, ponderadas y MRP |
