La estimación de las transferencias de voto entre elecciones es un área activa de investigación que ha atraído el interés de muchos académicos durante décadas. Disponer de estimaciones adecuadas es relevante para una gran cantidad de agentes, incluyendo partidos políticos, medios de comunicación y politólogos. Las transferencias de voto suelen resumirse en una matriz de proporciones (probabilidades) filas estandarizadas. Las encuestas constituyen un medio, no exento de problemas y limitaciones, para obtener estimaciones de tales matrices. Los métodos de inferencia ecológica (solos o en combinación con datos de encuesta) constituyen otra alternativa. En general, los métodos de inferencia ecológica tienen como objetivo estimar los valores internos de un conjunto de tablas de contingencia de tamaño RxC a partir de los marginales. En los últimos años hemos vivido una explosión de métodos para resolver estos problemas desde la estadística Bayesiana, prácticamente todos ellos sustentados en un modelo jerárquico multinomial-Dirichlet Bayesiano (Rosen et al., 2001). El empleo de esta metodología (Olivia et al., 2020), sin embargo, requiere de analistas altamente entrenados y suele conllevar unos costes computacionales elevados (Romero y Pavía, 2021; Pavía y Romero, 2022c). Recientemente ha aparecido una nueva metodología, sustentada en programación matemática, que simplifica notablemente la resolución de estos problemas (Pavía y Romero, 2022a), hasta convertirlos en algo casi mecánico. Una parte importante de los nuevos algoritmos están disponibles en el paquete lphom (Pavía y Romero, 2022b) del software estadístico R. El objetivo de esta comunicación es exponer las potencialidades que presenta esta nueva aproximación, mostrando su uso a través de diversos ejemplos y profundizando en las mejoras de precisión que adelantan las nuevas extensiones basadas en (i) la introducción de información a priori, (ii) la clusterización automática de unidades o (iii) el uso de algoritmos de aprendizaje automático.

Palabras clave: Matrices de transferencia; lphom; programación matemática; elecciones.

Olivia L., Moore, O.R.T. and Kellermann, M. (2020). eiPack: Ecological Inference and Higher-Dimension Data Management. R package version 0.2-1. https://CRAN.R-project.org/package=eiPack

Pavía, J.M. and Romero, R. (2022a). “Improving estimates accuracy of voter transitions. Two new algorithms for ecological inference based on linear programming”. Sociological Methods and Research, forthcoming.

Pavía, J.M. and Romero, R. (2022b). lphom: Ecological Inference by Linear Programming under Homogeneity. R package version 0.3.1-1. https://CRAN.R-project.org/package=lphom

Pavía, J.M. and Romero, R. (2022c). “Data wrangling, computational burden, automation, robustness and accuracy in ecological inference forecasting of RxC tables”, under review.

Romero, R. and Pavía, J.M. (2021) “Estimating vote party entries and exits by ecological inference. Mathematical programming versus Bayesian statistics”. BEIO, 34, 85–97.

Rosen, O., Jiang, W., King, G., and Tanner, M. A. (2001). “Bayesian and frequentist inference for ecological inference: The RxC Case”, Statistica Neerlandica, 55(2), 134–156.