Técnicas estadísticas y de Big Data aplicadas al estudio de la opinión pública y el comportamiento electoral


Contenidos

Módulo A. Investigación del comportamiento electoral y de la opinión pública

Contenidos teórico-metodológicos:

  • Análisis de distintas interpretación teóricas sobre el comportamiento electoral y sobre opinión pública.
  • Los pronósticos en las ciencias sociales.  Modelos de pronósticos del comportamiento electoral.
  • Técnicas de asignación de indecisos: proyección lineal, asignación por voto anterior.  Conceptos de muestreo, estadística inferencial.  Diseños muestrales más utilizados en opinión pública.  Ajustes muestrales y ponderaciones.
  • Estudio y aplicación de herramientas estadísticas para la determinación y caracterización de fenómenos electorales específicos.
  • Análisis de casos de segmentación del voto por características sociodemográficas: ingresos, edad, sexo, y otras.
  • La fidelidad de voto, matriz de transferencia. Corte de boleta, fuga y captación de votos. Impacto de la identificación partidaria y fenómenos de voto expresivo.

Contenidos prácticos:

  • Proyección lineal de indecisos y proyección de indecisos por voto anterior.
  • Aplicación de estadísticas descriptivas al análisis y caracterización de fenómenos de opinión y del comportamiento electoral.
  • Continuidad y cambio en los resultados electorales, indecisos.
  • Segmentación social del voto: análisis de los votantes según características sociodemográficas y nivel socioeconómico.
  • Análisis de fenómenos de opinión pública, análisis de imagen de los dirigentes (liderazgos), evaluación de gestiones.
  • Percepción de problemas percibidos y demandas de la población hacia el sistema político.  Aplicación del análisis de múltiples respuestas. Porcentajes de casos y de respuestas.
  • Aplicación modelos de regresión y de interacción múltiple a la prognosis electoral.
  • Población y muestra.  Diseños muestras probabilísticas. Determinación del tamaño de muestra.  Error estadístico, cobertura, ponderación.
  • Ajustes muestrales a características del universo.  Ponderaciones por una o dos variables.
  • Análisis del corte de boletas.

Módulo B. Modelos de big data y estadísticas aplicadas a la investigación de la opinión pública y el comportamiento electoral

Contenidos teórico-metodológicos:

  • Aplicación de esquemas causales al comportamiento electoral y los fenómenos de opinión, el control de variables.
  • El método comparativo y el método cuasiexperimental.
  • Datos agregados e individuales: falacia ecológica.
  • Análisis de relaciones causales y asociación estadística. Aplicaciones de coeficientes de asociación para variables no métricas. Test de ². Coeficientes de correlación para variables métricas: r de Pearson.
  • Conceptos fundamentales de Ciencia de Datos. Métodos Supervisados y no Supervisados (Clustering)
  • Sistemas de computación distribuida y Arquitecturas de Big Data.
  • Definición de API: Rest y Streaming

Contenidos prácticos:

  • Análisis comparativos entre fenómenos electorales en dos contextos nacionales (EEUU y Argentina).
  • Elaboración de tablas de contingencia para relaciones bivariadas con datos de encuestas de Opinión Pública.
  • Aplicación de la correlación de Pearson: análisis del resultado de voto para distintos distritos, de acuerdo al tamaño del distrito. Correlación entre porcentajes obtenidos por distintos partidos, correlaciones entre evaluaciones de dirigentes políticos.
  • Aplicaciones de tablas de contingencia al análisis del comportamiento electoral: Análisis del trasvase y la fidelidad de voto en relación al voto anterior
  • Modelos estadísticos.  Concepto de asociación e independencia estadística. Interpretación de coeficientes de asociación y del Test de x². Error de tipo I y error de tipo II.
  • Introducción al análisis e interpretación del análisis de asociación multivariados.
  • Aplicación de modelos de Data Mining y Clustering
  • Aprendizaje Supervisado y No supervisado. Matriz de contingencia. Métricas de Performance. Casos de aplicación
  • Acceso a grandes bases de datos mediante frameworks de Big Data