¿Nate Silver modeló la pregunta equivocada: 71% de probabilidad de identificar al ganador más probable, frente a 71% de probabilidad de ganar realmente? (Ver detalles)

Cabe señalar que un cambio relativamente pequeño, en un puñado de estados, dio la vuelta a esta elección. O dicho de otra manera, ninguno de los modelos tuvo un solo error evidente, pero el error que compartieron, subestimó significativamente a los probables votantes de Donald Trump en unos pocos estados clave, y llevó a que todos sus modelos estuvieran completamente equivocados al predecir el resultado.

Comenzaré diciendo que si quiere intentar resolverlo usted mismo, Nate brinda una explicación detallada de su diseño de modelo aquí: Guía del usuario para el pronóstico de la elección general de 2016 de FiveThirtyEight, pero dicho esto, si le pregunta directamente a Nate: Probablemente te dé una respuesta.

Mientras que 538 era menos malo que los otros modelos, todavía estaba al revés. En mi opinión, la incertidumbre provino de tratar de identificar al “probable votante” en un año caótico y transformador.

Los modelos de votantes probables dependen de quién ha votado en el pasado, con qué frecuencia votan y con qué frecuencia votaron. Parece que Donald Trump activó a millones de votantes descontentos en varios estados en cantidades lo suficientemente grandes como para ganar las elecciones. Puede asumirse con seguridad que muchos de estos votantes no habían votado en mucho tiempo, si es que lo han hecho, y que muchos otros habían votado, cuando votaron, por el candidato demócrata. Por lo tanto, su margen de ganancia no se incluyó en gran medida en los modelos de votantes probables.

¿Cómo se corrige uno por eso? No lo sé. El predictor más importante de su probabilidad de votar en esta elección es … ¿votó usted en la última? Hasta que a alguien se le ocurra una métrica mágica que mida la probabilidad de que “esta vez” voten los votantes altamente improbables, este tipo de resultado será prácticamente imposible de predecir.