Raphael Nishimura

Survey methodologist and statistician @UM_SRC @umisr
@Umich @MichPSM alum
#survey | #sampling | #statistics | #rstats
@rnishimura.bsky.social
Posts 🇺🇸/🇧🇷

[Raphael Nishimura @rnishimura]

Pesquisas pré-eleitorais não são nem devem ser usadas como prognósticos das eleições.

O fio de todos os fios! 🧵

[Raphael Nishimura @rnishimura]

@futeplastico @jcaetanoleite Qual é a crítica?

[Raphael Nishimura @rnishimura]

@apr5356 @WeiseFranklin Pô, aí já é forçar a amizade! 🤣

[Raphael Nishimura @rnishimura]

@MCampos73 @globalelectsim Neste caso, estou me referindo a previsão que eles fizeram antes da eleição de que Flávio venceria com 100% de probabilidade.

[Raphael Nishimura @rnishimura]

@IonaraMonteiro Eu mudaria um pouco a conclusão: pesquisas eleitorais são tanto de Exatas quanto de Humanas! E esse é o legal delas: envolvem verdadeiras equipes multidisciplinares, tanto com psicologos, sociólogos e cientistas políticos, quanto com estatísticos e cientistas de dados.

[Raphael Nishimura @rnishimura]

@johnweastt É preciso se dar um nome para aquilo que se critica, se já não houver um nome.

[Raphael Nishimura @rnishimura]

Uma das maiores ironias na história da Estatística. O termo Bayesiano foi primeiro utilizado por um dos seus maiores críticos 😅

[Data Science Fact @DataSciFact]

R. A. Fisher was the first to use the term 'Bayesian,' and he didn't mean it as a compliment.

[Raphael Nishimura @rnishimura]

*dizem (ou "apontam" seria melhor aqui)

[Raphael Nishimura @rnishimura]

- Especialistas descrevem situação atual e diz que se nada for feito haverá certas consequências.
- Ações são feitas para evitar tais consequências.
- Consequências não acontecem.
- Pessoas ficam bravas com especialistas porque consequências não aconteceram.
🤷‍♂️

[Raphael Nishimura @rnishimura]

@gui_levcovitz @topicosenemmm @EleicaoBr2026 Claro, uma amostra maior irá trazer uma precisão maior (assumindo-se um mesmo método). Mas a discussão aqui não é exatamente sobre o tamanho da amostra por si só, mas o impacto do tamanho da população sobre o cálculo da precisão ou sobre o tamanho amostral.

[Raphael Nishimura @rnishimura]

@gui_levcovitz @topicosenemmm @EleicaoBr2026 Sim, esse cálculo é assumindo uma amostra probabilística, mais especificamente uma aleatória simples. Para amostras não-probabilísticas, você precisaria de um modelo para justificar esse tipo de cálculo. +

[Raphael Nishimura @rnishimura]

@rcantoia Eu acho que você pode usar o que a Prolific publicou aqui como um template: https://t.co/C63l1bzds4

[Raphael Nishimura @rnishimura]

Mais um pollster que implementa minha sugestão de publicar múltiplas estimativas de intenção de voto com base em diferentes cenários. E o melhor: tudo de forma completamente transparente!
Mais institutos deveriam começar a fazer isso, é a melhor maneira de denotar a incerteza!

[Prolific @Prolific]

Our midterm poll has Democrats ahead by about 11 points among likely voters (D+10.7), 53% to 42%.

A few defensible choices move that from about 5 to about 15, so we show what each one is worth. ↓

[Raphael Nishimura @rnishimura]

@topicosenemmm @EleicaoBr2026 Para N = 200.000: ME = 1.96*sqrt((1-(2000/200.000))*(0,5*(1-0,5))/(2.000-1)) = 0,00218 ou 2,18%
Para N = 200.000.000: ME = 1.96*sqrt((1-(2000/200.000000))*(0,5*(1-0,5))/(2.000-1)) = 0,00219 ou 2,19%
Ou seja, uma diferença na segunda casa decimal do percentual da margem de erro.

[Raphael Nishimura @rnishimura]

@topicosenemmm @EleicaoBr2026 Okay, vamos fazer o cálculo então? Assumindo uma amostra aleatória simples e um nível de confiança de 95%, a margem de erro para uma proporção de p é dada por ME = 1.96*sqrt((1-(n/N))*(p*(1-p))/(n-1)).
Usando p = 0,5 e n = 2.000:

[Raphael Nishimura @rnishimura]

@viniribeiro13k @topicosenemmm @EleicaoBr2026 Eu mantenho a minha crítica, pois ela é baseada em fundamentos estatísticos, não em achismo. Uma pesquisa pode se aproximar mais do resultado e ser baixa qualidade, e ficar mais distante e ser de alta qualidade. Como já falei inúmeras vezes aqui, esse tipo de critério não é bom.

[Raphael Nishimura @rnishimura]

@topicosenemmm @EleicaoBr2026 Ou seja, uma amostra de 2 mil casos vai trazer praticamente o mesmo nível de precisão (margem de erro), seja para uma população de 200 mil ou 200 milhões de habitantes.

[Raphael Nishimura @rnishimura]

@topicosenemmm @EleicaoBr2026 Esse é um resultado um pouco contra-intuitivo em amostragem, mas para populações grandes o suficientes, acima de algumas dezenas de milhares, o tamanho da população é irrelevante no cálculo amostral ou na margem de erro. +

[Raphael Nishimura @rnishimura]

@orioljbosch @Prolific I really appreciate how transparent you guys were here! It's something quite rare in this industry! I've been collaborating with a pollster in Brazil that have been pushing this on this direction as well. Little by little we will make things change!

[Raphael Nishimura @rnishimura]

Um outro fio do trabalho fantástico trabalho metodológico que a Prolific fez para sua pesquisa pré-eleitoral nos EUA! Vale a pena dar uma conferida!

[Oriol Bosch, PhD @orioljbosch]

I've spent the past few months building our polling methodology at @Prolific .

Our new midterms poll finds D+11
🟦Democratic 53%
🟥Republican 42%

But different choices put the lead between roughly D+5 & D+15. The article explains all of our choices, and what could go wrong.