# Metodologia: pesquisas e cenários (Parte 1 · Previsão) e monitor ao vivo (Parte 2 · Ao vivo e projeções)

> Simulação matemática independente. Não é pesquisa eleitoral (Lei 9.504/97, art. 33), não é dado oficial e não tem vínculo com o TSE.

**Guia:** as seções 1 a 9 descrevem o monitor ao vivo (Parte 2); a **seção 10** descreve o agregador de pesquisas, o Consenso e a Tendência (Parte 1); a **seção 11** traz a lista de referências.

> **Os seis cenários do site** (Nossa Análise, Tendência, Consenso, Pesquisas no alvo, Erro como no 1º turno e Dinâmica de reta final) estão definidos, com equações, parâmetros, fontes, fichas e certeza GRADE, em **[docs/CENARIOS.md](CENARIOS.md)** (código: `assets/js/polls/cenarios.js` e `assets/js/polls/cenarios-params.js`; testes: `node tests/cenarios.test.mjs`). Este documento cobre o que vem antes deles (o agregador das pesquisas, seção 10) e depois (o monitor ao vivo, seções 1 a 9). Onde os dois diferem, vale o CENARIOS.md: em particular, a chance de vitória exibida no site usa o **modelo de erro único** dos seis cenários (CENARIOS.md §4.2), e o σ_hist da seção 10.7 abaixo é só **sensibilidade**.

Este documento descreve, com equações, hipóteses e limites, como o monitor (`monitor.html`) lê os arquivos públicos de divulgação do TSE, estima o que falta apurar e projeta o desfecho do 2º turno presidencial de 25/10/2026 (Flávio Bolsonaro × Lula). Código: `assets/js/live/projection.js` (estatística, puro, sem DOM), `assets/js/live/tse.js` (captura), `assets/js/live/replay.js` (noite simulada), `assets/js/live/baseline.js` (linha de base), `server/proxy.mjs` (servidor/proxy). Testes: `node tests/projection.test.mjs`.

## 1. Ideia central

O placar **bruto** (percentual de Flávio entre os votos válidos já apurados) mede só a parcela que já chegou. Como urnas, municípios e estados chegam em ordem diferente da distribuição dos eleitores, o bruto *dança* sem que nenhum voto mude de lado. É efeito de **composição**, não de fraude nem de mudança de preferência.

A projeção separa as duas coisas. Para cada unidade (estado e, quando há dados, município) ela compara o que já foi apurado com o **próprio 1º turno nos mesmos locais**. O desvio que sobra (o *swing*) é aprendido com cautela, para não confiar demais em pouca informação, e reconhecendo que **a parte já apurada não é amostra aleatória** da UF. Esse desvio é então aplicado ao que **falta**, calculado com o comparecimento e os brancos e nulos já observados. Resultado: a curva projetada se mexe pouco enquanto a bruta oscila. Nos testes de replay, perfil de ordem B, com ≥ 20% apurado, a amplitude da margem bruta foi de 7,77 p.p. e a da projetada, de 0,27 p.p.

## 2. Notação

Para cada UF *u* (as 27 UFs e o exterior, ZZ), em cada instante:

| símbolo | significado | de onde vem |
|---|---|---|
| E_u | eleitorado apto no 2º turno | `e.te` do arquivo `u` |
| Ea_u | eleitorado das seções já totalizadas | `e.est` (se ausente: E_u · pst_u, marcado como aproximação; ver 4.6) |
| p_u = Ea_u / E_u | fração apurada | derivada |
| F_u, L_u | votos de Flávio e de Lula já apurados | candidatos `22` e `13` em `carg[0]` |
| vv_u = F_u + L_u | válidos apurados | `v.vv` (igual a F+L no 2º turno) |
| c_u | comparecimento apurado | `e.c` |
| f0_u = F1_u/(F1_u+L1_u) | participação de Flávio entre os dois no 1º turno | resultado final do TSE (`assets/data/turno1_2026_uf.json`) |
| τ0_u = comparecimento1_u / eleitorado1_u | comparecimento do 1º turno | idem |
| b0_u = (brancos+nulos)1_u / comparecimento1_u | brancos+nulos do 1º turno | idem |

Percentuais são frações (0–1); “p.p.” são pontos percentuais. A **margem** é M = (F − L)/(F + L) em p.p., positiva quando Flávio lidera. Internamente o modelo trabalha em frações (0,03 = 3 p.p. de participação); só a margem final é expressa em p.p. (×100).

## 3. Captura dos dados do TSE

Detalhes e armadilhas: `docs/TSE_API.md`. Resumo do que o monitor faz:

- **Descoberta**: lê `/oficial/comum/config/ele-c.json`, filtra `ciclo = ele2026`, `turno = 2`, `tp = 8` (federal) e obtém o código da eleição (6258). Se a configuração não responder, usa 6257/6258.
- **Arquivos lidos** (ciclo único): `br-c0001-e006258-u.json` (Brasil) e os 28 `{uf}-c0001-e006258-u.json` (27 UFs + `zz`), a cada 30–60 s com jitter, com `If-None-Match`/ETag. Se o `idg`/ETag do Brasil não mudou, as UFs não são relidas (exceto a cada 3º ciclo, por segurança).
- **Camada municipal** (opcional): a cada 3 min, os 28 arquivos `{uf}-e006258-ab.json` (seções e eleitorado totalizados por município, sem votos).
- **Polidez**: ritmo médio < 1 requisição/s por visitante; backoff exponencial 45 s · 2ⁿ até 120 s em erro; disjuntor (5 falhas seguidas → pausa de 5 min); em caso de falha mantém-se o **último instantâneo válido** (JSON truncado nunca vira “0 votos”); respostas 404 em XML são tratadas como ausência de arquivo. O botão “atualizar” não cria um segundo laço de leitura: é ignorado se já houver um ciclo em andamento ou se o último começou há menos de 10 s.
- **Acesso**: primeiro pelo proxy do projeto (`/tse/…`, mesma origem), e, se não houver proxy, direto em `resultados.tse.jus.br`, que hoje responde com CORS. Isso é comportamento observado em 22/10/2026, não contrato; por isso o proxy existe. O proxy tem cache de 20 s, coalescência (N leitores do mesmo arquivo → 1 requisição; se ela falhar, os que esperavam recebem a cópia velha ou o erro, sem disparar novas), `stale-if-error`, disjuntor, **lista branca estrita** (só `ele-c.json` e os arquivos `…-u.json`/`…-ab.json` com o padrão de nome do TSE; host fixo, sem `..`, sem `%`) e **teto global** de 4 requisições/s ao TSE (rajada de 80): caminhos inventados não chegam ao TSE e o proxy não pode ser usado para amplificar tráfego contra ele.
- **O que não foi possível verificar** (a especificação oficial EA20 retorna HTTP 403 a clientes automatizados): o significado exato de alguns campos (`sa`, `esa`…), os valores intermediários de `and`, a cadência real de atualização na noite da apuração e se `e.c`/`e.a` parciais se referem só às seções totalizadas. O monitor assume o último (comparecimento parcial = das seções totalizadas) e **descarta observações de comparecimento implausíveis** (|razão − 1| ≥ 50%) em vez de se deixar enganar.

## 4. O modelo

### 4.1 Linha de base (prior)

Sem nenhum voto apurado, a projeção é o 1º turno: cada UF repete f0, τ0 e b0, e os votos válidos que faltam são R_u = E_u · τ0_u · (1 − b0_u). A incerteza é deliberadamente muito ampla: sem dados, a margem projetada fica em +2,45 p.p., com IC95 de −8,2 a +13,0 p.p. e P(Flávio) ≈ 67%. Isso diz “não sabemos”, não “Flávio vence”. Com 10% apurado e camada municipal ativa, a meia-largura do IC95 já cai para ≈ 2,0 p.p. nos testes. Sem a camada, fica em ≈ 8,3 p.p.

### 4.2 Três desvios por UF

Cada UF tem três quantidades desconhecidas, todas **relativas ao 1º turno**:

| desvio | definição | observação direta (da parte apurada) |
|---|---|---|
| swing de preferência | participação de Flávio = f0 + desvio | y_u = F_u/vv_u − f0c_u |
| razão de comparecimento | τ = τ0 · (1 + razão) | yτ_u = (c_u/Ea_u)/τ0c_u − 1 |
| razão de brancos+nulos | b = b0 · (1 + razão) | yb_u = ((c_u − vv_u)/c_u)/b0c_u − 1 |

f0c, τ0c e b0c são o 1º turno **da parte já apurada** (seção 4.5). Sem camada municipal, são os da UF inteira. A abstenção observada entra pela razão de comparecimento: abstenção apurada = 1 − c_u/Ea_u, comparada à do 1º turno.

### 4.3 Viés de ordem e encolhimento hierárquico (UF → bloco → Brasil)

O ponto delicado é que **a parte já apurada não é uma amostra aleatória da UF**: interior primeiro, capital por último, certas zonas antes de outras. Por isso o modelo distingue o desvio da UF **inteira**, ψ_u, do desvio da parte que **falta**, t_u, ligados por um **viés de ordem** D_u (diferença entre o desvio do que chegou e o do que falta):

```
θ_N ~ N(μ0, σN²)                         nacional
θ_B | θ_N ~ N(θ_N, σB²)                  bloco (NE, MG, SP, RJ+ES, Sul, CO, Norte, Exterior)
ψ_u | θ_B ~ N(θ_B, σU²)                  UF inteira
D_u ~ N(0, σD,u²)                        viés de ordem (NÃO encolhe com p_u)
y_u = ψ_u + (1 − p_u)·D_u + e_u          parte apurada; e_u ~ N(0, v_u) (amostral/municipal, 4.4)
t_u = ψ_u − p_u·D_u                      parte que falta (é o que entra na projeção)
```

As duas equações garantem que a média ponderada (p·apurado + (1−p)·restante) seja o desvio da UF inteira. Dado o bloco, (y, t) é normal bivariado:

```
V_y = σU² + (1−p)²σD² + v      Cov(t, y) = σU² − p(1−p)σD²      Var(t) = σU² + p²σD²
t | y, θ_B ~ N( (1−k)·θ_B + k·y ,  Var(t) − Cov²/V_y ),   k = Cov / V_y
```

- **k pode ser negativo** no meio da apuração quando o viés de ordem é grande diante de σU. Nesse caso, se o que chegou está acima do esperado, o que falta tende a estar **abaixo**. É a “dança” vista de dentro da UF, e o modelo a antecipa em vez de extrapolar a parcela apurada. Sem viés (σD = 0), volta-se ao encolhimento clássico k = σU²/(σU² + v).
- **Peso da observação**: na estimativa da UF inteira, δ̂_u = w_u·y_u + (1 − w_u)·θ̂_B, com w_u = p + (1 − p)·k. Ele fica entre 0 e 1 e cresce com a fração apurada, como pede a especificação (exposto em `porUF[].pesoSwing`; teste “peso da observação da UF cresce com a fração apurada”). UF sem dado: w = 0.
- **Bloco e país**: cada UF informa o bloco com variância V_y. Em forma fechada, P_B = Σ 1/V_y, ȳ_B = Σ (y/V_y)/P_B, 1/V_N = 1/σN² + Σ_B 1/(1/P_B + σB²), e θ_B | θ_N ~ N(κ_B θ_N + a_B, W_B), com 1/W_B = P_B + 1/σB², κ_B = W_B/σB² e a_B = W_B P_B ȳ_B. Por ser uma árvore gaussiana, amostrar de cima para baixo (θ_N → θ_B → t_u) reproduz a posteriori conjunta, com as correlações nacional/bloco/UF.
- **Componente comum do viés de ordem** (c_u = desvio-padrão da parte comum a todas as UFs, como “interior primeiro em todo o país”): ele não se dilui ao somar UFs. Um único Z ~ N(0,1) por sorteio. A parte apurada carrega (1 − p)·c·Z e o alvo carrega −p·c·Z. A média a posteriori é linear em y, então o quanto ela “absorveu” de Z é calculado **exatamente**, repetindo as mesmas contas com y := (1 − p)·c e μ0 := 0. O erro da UF em Z é ℓ_u = (carregamento da média) + p·c, e cada sorteio soma ℓ_u·Z, com o **mesmo** Z em todas as UFs. Uma UF sem dado herda o carregamento do seu bloco. Sem dado nenhum, ℓ = 0.

**Correção feita na revisão V1.** A versão anterior tratava o viés de ordem como ruído da observação que encolhia com a fração apurada (`sdOrdem → sdOrdemFim`) e supunha que o que falta tem o mesmo desvio do bloco (σU). Isso subestimava a incerteza do que falta entre 50% e 95% apurado: no modo sem camada municipal, o IC80 cobria 62,5% e o IC95 83% com 90% apurado. No começo, o erro ia na direção contrária, com intervalos 3 a 5 vezes largos demais (IC80 = 100%), porque o termo comum era aplicado sem carregamento.

### 4.4 Variância da observação

```
v_u = f(1−f)/vv_u                         (amostral, binomial — desprezível com milhares de votos)
    [+ σ_mun² · HHI_apurado_u]             (só com camada municipal: ruído idiossincrático dos municípios já contados)
```

O viés de ordem não entra mais aqui. Ele é o termo D_u da seção 4.3.

### 4.5 Camada municipal (composição do que chegou)

Quando o arquivo `ab` informa a fração do eleitorado já totalizada de cada município (g_m), e o 1º turno municipal está em `assets/data/turno1_2026_municipios.json` (5.757 linhas), calcula-se, para cada UF:

```
f0c_u = Σ g_m w_m f0_m / Σ g_m w_m             o que a parte APURADA mostraria se cada município repetisse o 1º turno
f0r_u = Σ (1−g_m) w_m f0_m / Σ (1−g_m) w_m     idem para o que FALTA
```

Aqui w_m = F1 + L1 do município. τ0 e b0 são análogos, ponderados por eleitorado e por comparecimento. O swing passa a ser y_u = F_u/vv_u − **f0c_u**, e a participação esperada nos votos restantes é **f0r_u** + t_u. Isso remove a maior parte do efeito de composição: se os primeiros municípios apurados são os mais favoráveis a um candidato, a parte já contada fica acima da média da UF, mas também fica acima da **sua própria** expectativa, e o desvio não é confundido com swing.

Com a camada, o viés de ordem que sobra é **intra-município** e só existe nos municípios **parcialmente** apurados. Se no município m a parte apurada desvia +(1−g)β_m e a que falta −g·β_m, com β_m independentes de desvio σβ, a diferença na UF tem sd(D) = σβ · fatorD, com

```
fatorD = √Σ_m (g_m(1−g_m)w_m)² · (1/W_apurado + 1/W_restante)   ∈ [0, 1]
```

fatorD vale 1 quando a UF é um único bloco parcial e é ≈ 0 quando todos os municípios estão ou completos ou não iniciados. A fração usada na seção 4.3 é a dos votos, p = W_apurado/(W_apurado + W_restante). O componente comum passa a ser √((σC·fatorD)² + σCmun²). O piso σCmun representa a diferença **sistemática** entre o desvio dos municípios que já chegaram e o dos que faltam (por exemplo, cidades grandes oscilando diferente das pequenas e chegando por último), que a composição pelo 1º turno **não** remove.

Pesa ainda o **ruído idiossincrático de cada município** (σ_mun = 2 p.p., não explicado pelo 1º turno). Quando os votos pendentes se concentram em poucos municípios grandes, esse ruído não se dilui. Mede-se a concentração pelo índice de Herfindahl, HHI = Σ p_m², dos votos pendentes (hhiR) e apurados (hhiC). Acrescenta-se σ_mun² · HHI ao erro da parte pendente (no sorteio) e da apurada (na variância da observação).

**Reconciliação e salvaguarda**: o arquivo `ab` é lido a cada 3 min e o da UF a cada ciclo, então as frações podem divergir.
- Até 2 p.p. de diferença entre a fração agregada dos municípios e a da UF, usa-se o `ab` como veio.
- Até 35 p.p., o avanço é distribuído na proporção do que faltava em cada município (g′ = g + λ(1 − g), ou g′ = g(1 + λ) se a UF estiver atrás), para que a fração agregada volte a bater com a da UF. A UF é marcada como “reconciliada”.
- Acima disso, o arquivo está defasado demais: a camada é descartada para aquela UF e o monitor cai para o nível UF.

### 4.6 Votos restantes e projeção central

```
R_u = (E_u − Ea_u) · τ̂_u · (1 − b̂_u)            válidos que faltam
τ̂_u = τ0r_u · (1 + ρ̂τ_u)    b̂_u = b0r_u · (1 + ρ̂b_u)    (ρ̂ = médias a posteriori da parte que falta)
r̂_u = f0r_u + t̂_u    (limitado a [0,5%; 99,5%])
F̂_u = F_u + R_u · r̂_u        L̂_u = L_u + R_u · (1 − r̂_u)
```

**Sem dupla contagem**: os votos já apurados (F, L) entram uma vez. Só o eleitorado **ainda não totalizado** (E − Ea) gera votos novos. Se o eleitorado apurado não vem no JSON (campo `est` ausente → `null`), usa-se E_u · pst_u (proporção de seções totalizadas), e o fato é registrado em `meta.aproximadoEleitorado`. Se vier **incoerente**, isto é, menor que o comparecimento ou que os válidos já apurados (campo zerado ou defasado num JSON parcial), usar esse Ea projetaria de novo votos já contados. Nesse caso o modelo usa max(E · pst, comparecimento/τ0) e registra um aviso. Somando as UFs, a margem projetada é M̂ = (ΣF̂ − ΣL̂)/(ΣF̂ + ΣL̂).

### 4.7 Incerteza: Monte Carlo com semente

Fazem-se N = 4.000 sorteios (gerador `mulberry32`, semente fixa; Box–Muller para normais). A mesma semente em todos os instantes faz a faixa evoluir suavemente, sem tremer por ruído de simulação. Em cada sorteio:

1. amostram-se (θ_N, θ_B, t_u) para swing, comparecimento e brancos+nulos, de cima para baixo (erro **correlacionado nacional + bloco + UF**), mais o componente comum ℓ_u·Z;
2. com camada municipal, soma-se o ruído municipal η_u ~ N(0, σ_mun² · hhiR_u) na parte pendente;
3. calcula-se R_u, r_u e a margem final.

Saídas: IC 80% (quantis 10–90%), IC 95% (2,5–97,5%), desvio, mediana e **P(vitória)** = fração dos sorteios em que cada candidato termina à frente. A incerteza encolhe com a apuração porque R_u → 0. Com 100% apurado, a projeção é o resultado e o IC é um ponto (teste “com dados completos a projeção é o resultado”).

As três hierarquias (swing, comparecimento, brancos+nulos) são sorteadas **independentes entre si**. Uma correlação entre comparecimento e preferência (por exemplo, mais comparecimento onde um candidato é forte) não é modelada: ver 7.3.

### 4.8 Ponto de não retorno

Seja Δ = |F − L| a diferença atual. Há dois marcos, exibidos separadamente:

- **Decidido (estimado)**, `naoRetorno.decidido`: mesmo o quantil de 97,5% dos votos válidos pendentes (R975) é menor que Δ. Ainda que o segundo colocado recebesse todos os válidos que faltam, não alcançaria o líder. Depende da estimativa de comparecimento e de brancos/nulos do que falta.
- **Decidido (matemático)**, `naoRetorno.decididoEstrito`: os **eleitores** que faltam (E − Ea) são menos que Δ. Nem com 100% de comparecimento e 100% de votos válidos no segundo colocado haveria virada. É aritmética, sem modelo. A única ressalva é a aproximação do eleitorado apurado, se usada.

O painel mostra também a participação dos votos pendentes de que o segundo colocado precisaria, (R + Δ)/(2R), contra a que o modelo espera.

### 4.9 Decomposição por bloco e por UF

Para cada UF e bloco, o painel mostra:
- margem já apurada (F − L);
- margem esperada nos votos pendentes (média de R·(2r − 1) sobre os sorteios);
- margem final projetada (soma das duas);
- swing observado (F/vv − f0c);
- swing a posteriori da UF inteira (`swingPostPP`, δ̂_u) e da parte que falta (`swingRestantePP`, t̂_u). Os dois diferem pelo viés de ordem.

A tabela e o mapa de quadrados mostram % apurado, abstenção observada (com a do 1º turno ao lado), swing e contribuição para a margem. A população do IBGE (Censo 2022 e estimativa 2026) aparece ao lado do eleitorado só como contexto: o denominador do voto é o eleitorado apto, não a população.

### 4.10 Hiperparâmetros

Valores em fração (0,03 = 3 p.p.), em `HIPERPARAMETROS`; podem ser sobrescritos por `projetar(..., { hiper })`.

| grandeza | μ0 | σN | σB | σU | σD (sem camada) | σC | σCmun | σβ (intra-município, × fatorD) |
|---|---|---|---|---|---|---|---|---|
| swing de preferência | 0 | 0,025 | 0,018 | 0,012 | **0,07** | **0,025** | **0,005** | 0,015 |
| razão de comparecimento | 0 | 0,03 | 0,02 | 0,02 | 0,03 | 0,01 | 0,003 | 0,02 |
| razão de brancos+nulos | 0 | 0,15 | 0,10 | 0,10 | 0,12 | 0,03 | 0,01 | 0,08 |

σ_mun = 0,02; piso/teto da participação nos votos restantes: 0,5% e 99,5%.

**Como foram escolhidos.** σN, σB e σU vêm de plausibilidade. Os desvios por UF entre os turnos de 2022 ficaram, grosso modo, a ±1 p.p. do nacional, e os ajustes regionais da planilha vão de −2 a +2 p.p. Os três em negrito foram **recalibrados na revisão V1** para que a cobertura no replay ficasse perto da nominal:
- σD = 0,07 sem camada municipal: o viés de composição dentro de uma UF (capital × interior) chega a vários p.p.;
- σC = 0,025;
- σCmun = 0,005, que cobre um gradiente de tamanho de até ≈ 1 p.p. entre cidades grandes e pequenas.

A calibração usou as sementes 1–12. As sementes 101–112, não usadas no ajuste, dão cobertura semelhante (seção 6).

## 5. O replay (noite simulada)

`replay.js` gera uma apuração completa, por UF e por município, com **resultado final verdadeiro conhecido**:

1. **Verdade**: para cada município, f_m = f0_m (1º turno real) + Δ do bloco (Flávio% do cenário − Flávio% do 1º turno, de `model.js`) + ruído de UF (σ = 0,8 p.p.) + ruído de município (σ = 2 p.p.) + **gradiente de tamanho** comum ao país (σ = 0,25 p.p. por desvio-padrão do log do eleitorado do município, sinal aleatório por semente; incluído na revisão V1). Soma-se ainda um deslocamento uniforme para que o total nacional bata a margem escolhida (de −6 a +6 p.p.). Comparecimento e brancos+nulos variam em torno do 1º turno.
2. **Ritmo**: a fração apurada de cada UF segue a curva logística com cauda lenta do bloco (`fracaoApurada` de `model.js`, ritmo de 2022 acelerado 12%), em ordem A (blocos de Flávio primeiro) ou B (invertida), com defasagem por UF (σ = 6 min).
3. **Ordem dentro da UF**: municípios maiores tendem a chegar por último (correlação 0,5 entre o log do tamanho e a ordem), cada um numa janela de tempo própria. As seções de um município também chegam em ordem enviesada (σ = 1,2 p.p.).
4. **Viés sistemático**: um componente de ordem comum a todos (σ = 0,5 p.p., sinal aleatório por semente).
5. Determinístico por semente. Sem base municipal, cada UF é uma unidade (viés intra-UF σ = 3,5 p.p.).

O replay **não** é previsão. Ele parte da margem de um dos seis cenários da Parte 1 (padrão: Nossa Análise; ver `docs/CENARIOS.md`), e a margem do replay pode ser alterada livremente de −6 a +6 p.p.

## 6. Validação (acurácia e cobertura)

`node tests/projection.test.mjs` roda 12 sementes × 3 mundos de teste × 2 ordens = 72 noites por mundo (variável `N_SEMENTES`). Os três mundos de teste têm margens de +0,4, +1,7 e +3,9 p.p. com ajustes regionais diferentes: são só entradas de validação do monitor, escolhidas para cobrir uma disputa de margem pequena e duas de margem maior, e não são cenários do site. Resultados da última execução, após a revisão V1. |erro| é medido em p.p. da margem. “IC80”/“IC95” é a fração das noites em que o resultado verdadeiro caiu dentro do intervalo, com nominais de 80% e 95%. Com 72 noites, o erro-padrão da cobertura é de ≈ 4,7 p.p. para 80% e ≈ 2,6 p.p. para 95%.

**Mundo base, camada municipal ativa** (sementes 1–12)

| apurado | |erro| médio | |erro| máx | IC80 | IC95 | meia-largura IC95 | vencedor certo |
|---|---|---|---|---|---|---|
| 10% | 0,71 | 1,39 | 87,5% | 100% | 2,01 | 83,3% |
| 30% | 0,48 | 1,05 | 91,7% | 100% | 1,57 | 87,5% |
| 50% | 0,40 | 0,83 | 91,7% | 100% | 1,20 | 91,7% |
| 70% | 0,26 | 0,57 | 95,8% | 100% | 0,87 | 95,8% |
| 90% | 0,10 | 0,28 | 95,8% | 100% | 0,45 | 100% |

**Validação fora da amostra** (sementes 101–112, não usadas na calibração): IC80 = 75,0%, 76,4%, 83,3%, 87,5% e 100%, e IC95 = 100%, 100%, 95,8%, 100% e 100%, de 10% a 90% apurado.

**Amostra maior (revisão F)**: com 72 noites, a cobertura varia bastante de um conjunto de sementes para outro. Nas sementes 2016–2035 (120 noites), o IC95 ficou entre 85% e 91%. Por isso medimos também **360 noites** (sementes 3001–3060 × 3 mundos de teste × 2 ordens, camada municipal ativa, mesmos hiperparâmetros):

| apurado | 1% | 5% | 10% | 30% | 50% | 70% |
|---|---|---|---|---|---|---|
| \|erro\| médio (p.p.) | 1,06 | 0,90 | 0,82 | 0,65 | 0,50 | 0,31 |
| IC80 | 84% | 86% | 80% | 83% | 83% | 87% |
| IC95 | 98% | 95% | 95% | 95% | 95% | 97% |

Nessa amostra, a cobertura fica no nominal, e por isso σCmun foi mantido em 0,005. Com σCmun = 0,008, os intervalos ficariam conservadores (IC80 de 92% a 95%). Das 864 leituras (noite × instante) com P(vitória) > 99%, só 2 apontavam o vencedor errado, com 10% e 30% apurado. Mesmo assim, como a calibração é circular, o painel **não exibe mais que “>99%”** (nem menos que “<1%”) antes do ponto de não retorno estimado. A semente padrão do replay é 20261025. Ela foi escolhida por ter erro perto da mediana; a 2026, usada antes, era uma noite de cauda, com o resultado verdadeiro fora do IC95 entre 2% e 10% apurado e de novo a 70%. O botão “Nova noite” sorteia outras sementes, inclusive noites ruins.

Os intervalos agora estão **perto do nominal, ligeiramente conservadores**. Antes da revisão eram 3 a 5 vezes largos demais no começo e estreitos demais no fim. O erro é maior do que o relatado antes porque o replay passou a ter o gradiente de tamanho, um efeito que a camada municipal não remove. Errar o vencedor em 10% a 17% das noites com até 30% apurado ocorre no mundo de teste de menor margem (+0,4 p.p.). A probabilidade P(vitória) reflete isso: ela fica longe de 0 e de 1 nesses casos.

**Modo degradado plausível: mundo com municípios (capitais por último), projeção SEM camada municipal** (o que acontece se o arquivo `ab` não estiver disponível na noite)

| apurado | |erro| médio | |erro| máx | IC80 | IC95 | meia-largura IC95 | vencedor certo |
|---|---|---|---|---|---|---|
| 10% | 4,75 | 7,30 | 73,6% | 100% | 8,29 | 2,8% |
| 30% | 3,25 | 5,46 | 87,5% | 100% | 6,51 | 19,4% |
| 50% | 2,08 | 3,45 | 95,8% | 100% | 4,85 | 44,4% |
| 70% | 1,00 | 2,25 | 97,2% | 100% | 3,17 | 69,4% |
| 90% | 0,33 | 0,91 | 95,8% | 100% | 1,18 | 93,1% |

Aqui está a limitação mais importante do monitor. Sem saber **quais municípios** já chegaram, a leitura por UF sofre um **viés de composição sistemático**: no replay, de vários p.p. contra Flávio. A causa está no 1º turno real: na maioria das UFs (exceções: SP, RJ, RS, SC, ES e RO), os municípios menores, que somam os primeiros 30% dos votos e chegam primeiro no replay, deram a Flávio menos que a média da UF. A diferença vai de −13 a +7 p.p., com média ponderada de −1,0 p.p. Os intervalos são largos o bastante para cobrir o resultado verdadeiro (a cobertura está correta), mas a **estimativa central** erra de lado na maioria das noites até ≈ 50% apurado. P(vitória) do candidato certo fica entre ≈ 20% e ≈ 55% com até 30% apurado. O painel avisa quando a maior parte do que falta está em UFs sem camada municipal e com menos de 70% apurado. Nessa situação a projeção **não** deve ser lida como indicação de vencedor. No mundo artificial em que cada UF é uma unidade só, o erro médio a 30% é 0,75 p.p. e o IC95 cobre 100% (intervalos largos demais nesse mundo fácil).

**Estresse (camada municipal ativa, mas ruído municipal, viés intra-município e viés sistemático 3 a 4 vezes maiores que o suposto)**: |erro| médio a 30% = 0,48 p.p.; IC95 = 100%, 100%, 100%, 100% e 95,8% de 10% a 90%. Num estresse ainda mais extremo, que a suíte não roda, com também um gradiente de tamanho 3× maior (0,8 p.p. por desvio-padrão), o IC95 cai para 50% a 75%. Se a realidade tiver um efeito “cidade grande” muito mais forte do que o suposto, **os intervalos ficam estreitos demais**.

**Valor da camada municipal**: em noites com municípios, a leitura só por UF errou em média 2,85 p.p. a 30% apurado, contra 0,57 p.p. com a camada (8 noites).

**Ressalvas honestas sobre a validação**:
- O replay é um mundo simulado por este projeto, com premissas parecidas com as do modelo, e a calibração foi feita nele. A cobertura perto do nominal prova **consistência interna**, não que a realidade se comporte assim.
- Não existem séries reais de apuração parcial do TSE de que se possa recuperar a trajetória por município (só o horário de fechamento de cada UF, em `turno1_2026_uf.json`). Os snapshots do proxy (`SNAPSHOTS=1`) na noite de 25/10 permitirão validar depois.
- A ordem de chegada no replay (cidades grandes por último, correlação 0,5) é uma suposição. Se for diferente, o viés do modo sem camada muda de tamanho e até de sinal.

## 7. Hipóteses e limitações (leia antes de confiar nos números)

1. **Swing aditivo e suave**: assume que o desvio em relação ao 1º turno varia pouco entre UFs vizinhas e é aditivo na participação de Flávio. Choques locais bruscos (um estado inteiro destoando) só são capturados à medida que os dados chegam.
2. **Transferência dos votos de terceiros**: os 9,3 milhões de votos do 1º turno em outros candidatos (Cury, Renan e demais) são absorvidos no swing. O modelo não os separa por origem, nem sabe que o swing tende a ser maior onde esses candidatos foram fortes.
3. **Independência entre swing, comparecimento e brancos/nulos**: as três hierarquias são sorteadas independentes. Uma mobilização diferencial (comparecimento maior onde um candidato é forte) só aparece pelo que já foi apurado.
4. **Viés de ordem gaussiano e de média zero**: o modelo não sabe de antemão o **sinal** do viés de composição. Sem a camada municipal, isso produz o erro sistemático descrito na seção 6. Com a camada, sobra só o viés intra-município e o gradiente de tamanho, cobertos por σβ·fatorD e σCmun.
5. **Camada municipal depende do arquivo `ab`**, que no 2º turno estava defasado em 22/10 (SP: `te = 12.406.600` contra 34.123.591). Se não for regerado até o dia 25, o monitor cai para o nível UF automaticamente, com **erro grande e viés de composição** até ≈ 70% apurado. O rótulo “Camada municipal” no topo do painel informa em quantas UFs ela está ativa, e a frase da projeção avisa.
6. **Não há dados por seção** nem por zona nesta versão. Capitais e zonas urbanas que chegam por último podem diferir do restante do município (coberto só pelo termo intra-município).
7. **Eleitorado e seções ≠ votos**: o que falta é estimado em votos válidos pelo eleitorado pendente × comparecimento × (1 − brancos e nulos). Erros no comparecimento pendente se propagam diretamente.
8. **Retotalização**: o TSE pode regravar arquivos com `idg` maior e números ligeiramente diferentes. O monitor trata o novo arquivo como substituto, nunca como soma.
9. **Arquivos defasados/CDN**: o cache de 20–60 s pode fazer duas UFs refletirem instantes ligeiramente diferentes. O painel mostra a hora do último dado e o atraso.
10. **Probabilidade ≠ certeza**: P(vitória) e os intervalos são condicionais ao modelo e aos hiperparâmetros. Perto do empate técnico (|margem| ≲ 0,5 p.p.), o modelo não deve ser usado para antecipar o vencedor. Só o ponto de não retorno **matemático** (eleitores restantes < diferença) é determinístico.
11. **O que o modelo NÃO captura**: fraude ou erro de totalização (o modelo supõe que os números publicados estão corretos, e não serve para detectar irregularidades); mudanças na ordem de transmissão em relação ao padrão suposto; comportamento de seções com problemas técnicos (urnas substituídas, votação em cédula); e votos anulados *sub judice*.
12. **Nada aqui é resultado oficial.** Só a totalização do TSE é.

## 8. Reproduzir

```bash
node server/proxy.mjs                 # http://localhost:8080  (PORT, HOST; SNAPSHOTS=1 grava ./data-snapshots; TSE_RPS/TSE_BURST limitam o ritmo ao TSE)
node tests/projection.test.mjs         # 45 testes, ~30 s; N_SEMENTES=24 para mais noites
node tests/model.test.mjs              # modelo de composição regional e de apuração (36 testes)
node tests/cenarios.test.mjs           # os seis cenários (28 testes)
```

- `monitor.html?fonte=replay&cenario=nossa&perfil=B&semente=20261025&vel=300` (chaves: `nossa`, `tendencia`, `consenso`, `alvo`, `erro1t`, `retafinal`) abre o replay com parâmetros; `ir=120&pausa=1` salta 120 min simulados e pausa; `fonte=tse` força a leitura ao vivo; `prevista=1` liga a curva esperada na Parte 1.
- Antes de 25/10 17h (Brasília), o TSE devolve os arquivos do 2º turno “não iniciados” (zeros). O monitor mostra “aguardando” e deixa em branco a probabilidade, a margem projetada e as margens por bloco e por UF, que nesse momento seriam só o 1º turno extrapolado. Os números voltam com os primeiros boletins.
- Snapshots gravados pelo proxy (`SNAPSHOTS=1`) permitem reanalisar a noite depois e alimentar novos replays.

## 9. Fontes

- TSE, arquivos públicos de divulgação (`resultados.tse.jus.br/oficial/ele2026/…`): engenharia reversa descrita em `docs/TSE_API.md`; 1º turno final (04/10/2026) em `assets/data/turno1_2026_uf.json` e `turno1_2026_municipios.json`; eleitorado do 2º turno em `eleitorado_2turno_uf.json`.
- IBGE, Censo 2022 e estimativa de população 2026 (`assets/data/ibge_populacao_uf.json`), só como contexto.
- Planilha de simulação do autor: só a estrutura técnica (blocos regionais e curvas de apuração), reproduzida em `assets/js/data.js` e `assets/js/model.js`. As margens que a planilha trazia não são cenários do site; ficam como entradas de teste de fidelidade do modelo (`PLANILHA_ORIGINAL`, em `tests/model.test.mjs`).

---

## 10. Pesquisas, Consenso e Tendência (Parte 1 · Previsão)

Código: `assets/js/polls/aggregate.js` (puro, sem DOM, comentado). Dados: `assets/data/pesquisas_2t_2026.json` e o espelho `assets/js/polls/pesquisas-data.js` (catálogo auditado; critérios, trilha de auditoria e lacunas em `docs/PESQUISAS.md`). Testes: `node tests/polls.test.mjs`.

> O Consenso e a Tendência são **cálculos estatísticos independentes** sobre pesquisas já registradas no TSE (número de registro citado em cada uma) e divulgadas por seus institutos. Não são pesquisa eleitoral nova (Lei 9.504/97, art. 33; Res. TSE 23.600/2019), não são dado oficial e não têm vínculo com o TSE. Nenhuma probabilidade é mostrada sem a incerteza que a acompanha (seção 10.7).

### 10.1 Os seis cenários e onde o agregador entra

O site tem **seis cenários**, todos definidos em **[docs/CENARIOS.md](CENARIOS.md)** (`assets/js/polls/cenarios.js`). O agregador desta seção fornece as duas leituras das pesquisas e as entradas dos outros quatro:

| ordem | chave | nome | de onde vem |
|---|---|---|---|
| 1 | `nossa` | Nossa Análise (central, padrão do site) | média de modelos dos três técnicos, pesos 1/3 pré-especificados (CENARIOS.md §5) |
| 2 | `tendencia` | Tendência das pesquisas | `tendencia().projecao` (seção 10.5) + o modelo de erro único dos seis |
| 3 | `consenso` | Consenso das pesquisas | `consenso()` (seção 10.4) + o modelo de erro único dos seis |
| 4 | `alvo` | Técnico 1 · Pesquisas no alvo | ponto central ½ Consenso + ½ Tendência, erro estatístico inflado por herding e erro não amostral de média zero |
| 5 | `erro1t` | Técnico 2 · Erro sistemático como no 1º turno | Técnico 1 + o erro do 1º turno (`erroHistorico()`), encolhido e transferido ao 2º turno |
| 6 | `retafinal` | Técnico 3 · Dinâmica de reta final | Técnico 1 + momento (inclinação da Tendência), manada/azarão, indecisos e comparecimento diferencial |

Os rótulos nunca levam adjetivo de valor; mostram sempre o sinal e o nome (“Flávio +1,7 p.p.”, “Lula +0,8 p.p.”, “Empate”). `model.todosCenarios()` devolve os seis nesta ordem. A planilha do autor não define cenário nenhum no site: dela ficaram só os blocos regionais e as curvas de apuração.

### 10.2 Notação e normalização

- **p** = participação de Flávio entre os dois = F/(F+L). **Margem** = (2p − 1)·100, em p.p. (positiva = Flávio à frente). O cálculo é feito em **logit** x = ln(p/(1−p)), com método delta; 1 p.p. de margem ≈ 0,02 logit perto de p = 0,5 (dM/dx = 200·p·(1−p)).
- **De onde vem p** (do mais ao menos preciso): válidos publicados pelo instituto **com decimais** (ex.: Datafolha 22/10, 50,47 × 49,53); senão F/(F+L) dos totais; senão válidos inteiros. Recálculos de veículos não entram (regra do catálogo).
- **Data de referência** = ponto médio do campo. No modelo diário é arredondada ao dia mais próximo (meio-dia vai para o dia seguinte).
- **n efetivo** = amostra × (F+L)/100 ÷ deff, com deff padrão **presencial 1,6; telefone 1,8; online 2,2** (configurável; vale o efeito de desenho que o instituto publica, caso da Palver). Para as quatro pesquisas só com válidos, a fração F+L é imputada (mediana do próprio instituto; na falta, a geral).
- **Teto de n efetivo = 3.000**: o erro não amostral (cobertura, não resposta, ponderação) não diminui com n. Só a Veritá (n = 15.554) é afetada; sem o teto ela levaria ~28% do peso do Consenso, com ele ~12% (a margem muda 0,1 p.p.).
- **Variância**: v = p(1−p)/n_eff, **mais** a variância de arredondamento dos números como publicados (passo²/12 propagado: totais inteiros contribuem ≈ 0,4 p.p. de desvio na margem). Em logit: var(x) = v/(p(1−p))².
- **Rodadas sobrepostas** do mesmo instituto (Veritá 17 e 21/10; Alfa e Real Time 20 e 23/10) informam menos: na Tendência a variância da rodada mais nova é dividida por (1 − ω), ω = fração dos seus dias de campo já cobertos pela anterior (teto 0,75).

### 10.3 Auditoria: sinais de erro, exclusão e indicadores

Cada pesquisa recebe sinais `{codigo, descricao, severidade, exclui}`. **Excluem** (saem do Consenso e da Tendência, mas continuam nos gráficos como “excluída”, nunca escondidas): `SEM_REGISTRO`, `SEM_DADO` e os pontos fora da curva.

| código | regra | severidade |
|---|---|---|
| `SEM_REGISTRO` | sem número BR-xxxxx/aaaa | crítica, exclui |
| `SEM_DADO` | sem F e L utilizáveis, sem amostra ou sem datas | crítica, exclui |
| `FORA_DA_CURVA_ROBUSTO` | z robusto = (margem − mediana)/(1,4826·MAD) com z em módulo maior que 3, entre as pesquisas da janela (escala com piso de 0,75 p.p.) | alta, exclui |
| `FORA_DA_CURVA_MODELO` | resíduo padronizado do modelo de tendência **deixa-uma-fora** com z em módulo maior que 3; exclusão **sequencial** (a pior, reajusta, repete) | alta, exclui |
| `CAMPO_LONGO` | campo com mais de 10 dias | média |
| `DEFASADA` | campo encerrado há mais de 10 dias (fora do instantâneo; fica na tendência) | baixa |
| `AMOSTRA_PEQUENA` | n menor que 800 | média |
| `MOE_INCOMPATIVEL` | razão (margem de erro declarada)/(implícita pela amostra, ajustada pelo deff publicado) fora de [0,7; 1,6] | média |
| `SOMA_FORA` | F + L + brancos/nulos + indecisos fora de 100 ± 2 | média |
| `SEM_CANDIDATO_ALTO` | menos de 85% escolhem um dos dois (Instituto França: 19,4% sem candidato) | baixa |
| `INFLUENTE` | jackknife em módulo maior que 0,5 p.p. | média |
| `EFEITO_CASA` | efeito de instituto com IC95 que exclui zero e módulo de pelo menos 1 p.p. | baixa |
| `SOBREPOSTA`, `N_EFETIVO_LIMITADO`, `SO_VALIDOS`, `DEFF_PUBLICADO`, `METODO_INFERIDO`, `FONTE_PARCIAL`, `FORA_DE_ESCOPO` | avisos de contexto | info/baixa |

**Regra de exclusão (pré-definida e simétrica).** Só saem dos agregados as pesquisas sem registro, sem dado utilizável ou que caem num dos dois critérios de ponto fora da curva acima, com o corte |z| > 3 fixado na especificação **antes** de qualquer resultado. A regra vale igualmente para desvios na direção de qualquer um dos candidatos (há teste automático com outliers de +14 e −14 p.p.). Nenhuma pesquisa é excluída "por parecer estranha" fora dessa regra, e a excluída continua no gráfico, marcada. `sensibilidadeExclusoes()` (também em `analisar().sensibilidadeExclusoes`) recalcula o Consenso e a Tendência **sem** a regra de pontos fora da curva e mostra a diferença; se ela passar de 0,5 p.p., o texto manda ler os dois números.

Indicadores agregados (todos calculados e exibidos, não só usados):

- **Heterogeneidade**: Q de Cochran, I² = max(0, (Q − gl)/Q) e τ² (REML; Paule–Mandel e DerSimonian–Laird sempre calculados como verificação).
- **Influência**: jackknife por pesquisa (`jackknife`) e por instituto (`jackknifeInstituto`), no Consenso e na projeção da Tendência.
- **Herding**: razão = Q/(k−1) com pesos 1/v (só ruído amostral). Perto de 1: dispersão compatível com o acaso; abaixo de 1 com cauda inferior do χ² menor que 5%: pesquisas **mais parecidas do que o acaso permite**; acima de 1: diferença sistemática entre institutos. Calcula-se também a razão sob amostragem aleatória simples (deff = 1), que é o piso do esperado.
- **Efeitos de instituto** com IC (seção 10.5) e **verificações cruzadas** do Consenso (efeito fixo, média simples, mediana, τ² por três métodos).
- **Erro histórico** do 1º turno (seção 10.7).
- **Quadro de robustez** (`robustez`): 16 variantes de análise, uma escolha por vez (inclui "sem excluir pontos fora da curva", "tendência sem inclinação" e erro histórico no piso de 2 p.p. e no RMSE de uma pesquisa isolada).

### 10.4 Consenso (sem tempo)

1. **Quem entra**: pesquisas `pos1t` não excluídas, com data de referência nos últimos 14 dias (a partir de “hoje” = divulgação mais recente do catálogo); **a mais recente de cada instituto** (no máximo um voto por instituto; se a mais recente foi excluída, vale a seguinte).
2. **Modelo**: y_i = logit(p_i) ~ N(μ, v_i + τ²). Pesos w_i = 1/(v_i + τ²). τ² por **REML**: escore de Fisher com piso 0, **meio-passo** até a verossimilhança restrita não piorar, bisseção no escore quando ele é positivo em τ² = 0 e conferência do **máximo global** numa grade logarítmica (a verossimilhança restrita pode ter mais de um máximo local quando as variâncias são muito desiguais). Paule–Mandel por bisseção de Q(τ²) = k − 1. Os três estimadores valem para k ≥ 2. Média μ̂ = Σw_i·y_i/Σw_i.
3. **Intervalo**: Hartung–Knapp–Sidik–Jonkman com piso (o erro-padrão nunca é menor que o convencional) e t com k−1 graus de liberdade. **Intervalo de predição** 95% (Higgins): μ̂ ± t_{k−2}·√(τ² + EP²).
4. Saídas: `p`, `margemPP`, `ic95`, `predicao95`, `tau2`, `i2`, `q`, `pesos` (soma 1), `excluidas`, `n`, `probFlavio`, `probLula`, `sigmaTotalPP`, mais `verificacoes`.

### 10.5 Tendência (com tempo)

Modelo de espaço de estados **diário** em logit, estado x_t = [μ_t, β_t, h_1…h_J]:

- μ_{t+1} = μ_t + β_t + η_t, η ~ N(0, q_μ²)  (nível)
- β_{t+1} = φ·β_t + ζ_t, ζ ~ N(0, q_β²)  (inclinação **amortecida**, φ = 0,9: a tendência não é extrapolada indefinidamente)
- h_j constante, a priori N(0, σ_h²)  (efeito de instituto)
- y_i = μ_t + h_j + e_i, e_i ~ N(0, v_i·inflação_i + σ_extra²)

**Inicialização**: o nível começa **difuso e neutro**, N(0, 1) em logit (margem 0, desvio de ±46 p.p.), sem usar os próprios dados; a primeira observação só fixa o nível e não entra na verossimilhança (verossimilhança difusa; Harvey, 1990). A inclinação amortecida é estacionária (|φ| < 1), por isso começa na sua distribuição incondicional N(0, q_β²/(1 − φ²)). Trocar a priori antiga (média dos dados, σ = 0,3) pela difusa mudou a projeção em menos de 0,001 p.p.

**Identificação e âncora dos efeitos**: com o nível difuso, nível e efeitos de instituto só se separam pela priori N(0, σ_h²) dos efeitos; o que os dados identificam é o nível de cada instituto. Por isso a saída usa funcionais identificados: o nível do **“instituto médio”** μ_t + média simples dos h_j dos institutos ativos (o mesmo referencial do Consenso) e os efeitos **centrados** h_j − média (soma zero), com variâncias calculadas pela covariância conjunta do suavizador. Estimação por **filtro de Kalman** (atualizações escalares, observações independentes) e **suavizador RTS**; a série vai até 25/10 (os dias sem pesquisa são previstos pelo filtro). Hiperparâmetros σ_h, σ_extra, q_μ e q_β por **MAP** (verossimilhança marginal do filtro com priors log-normais fracos: medianas 2 p.p., 0,6 p.p., 0,15 p.p./dia e 0,1 p.p./dia²). Com poucos dias de dados o prior domina, por desenho (nada de variância zero por falta de informação). O filtro é conferido contra a solução bruta da gaussiana conjunta (`tests/polls.test.mjs`).

Saídas: `serie` diária com bandas 80/95% **do modelo** (`lo80`, `hi80`, `lo95`, `hi95` em p.p. de margem), `efeitosCasa` com IC95, `inclinacaoPPsemana` com `icInclinacao` (variação do nível suavizado nos últimos 7 dias de campo, IC pelo método delta com a covariância defasada do suavizador; `inclinacaoEstadoPPsemana` é o β amortecido, que subestima trajetórias longas), `inclinacaoMQPPsemana` (mínimos quadrados, conferência) e `projecao` para 25/10.

### 10.6 Cenários de pesquisa na composição regional

A margem do Consenso e da Tendência entra em `cenarioRegional(margemPP, ajustes)`. Os **ajustes regionais** vêm dos cruzamentos regionais das pesquisas, quando há dados suficientes (pelo menos 6 institutos por região), senão são zero (deslocamento uniforme):

- **Mapeamento documentado**: NE→NE; SE→MG, SP e RJES (mesmo ajuste); S→SUL; CO+N (ou CO e N separados, combinados pelos votos do 1º turno)→CO e NORTE (mesmo ajuste); Exterior→0.
- Para cada pesquisa e região r: d = [p_r − f0_r] − [p − f0], em p.p., onde f0 é a participação de Flávio entre os dois no 1º turno (blocos da planilha). Variância: v_r·(1 − w_r) mais arredondamento, com n_r = n·w_r·(F_r+L_r)/100/deff.
- Agregação entre institutos por efeitos aleatórios (rodada mais recente de cada instituto com a região), **encolhimento para zero** (a priori N(0, 2 p.p.)): ajuste = estimativa·s²/(s² + EP²), e **centralização** (média ponderada pelos votos do 1º turno = 0, porque o modelo regional já resolve o deslocamento uniforme que fecha a margem).

### 10.7 Incerteza do desfecho e correção do viés (sensibilidade)

> **Atenção (revisão de 23/10).** O que esta seção descreve é o erro do **agregador** (σ_hist = 3,91 p.p., o erro do 1º turno de 2026 tratado como variância simétrica). Desde a revisão de 23/10 (BRIEF v3, 17h20), a chance de vitória que o site mostra para Tendência e Consenso usa o **modelo de erro único dos seis cenários**: erro do modelo inflado pelo agrupamento das pesquisas (herding) + erro não amostral t₆ com desvio 2,40 p.p. (CENARIOS.md §4.2). O σ_hist continua calculado e aparece só como **sensibilidade** (`comoAgregador` e `sensibilidadeErro`).

σ_total² = σ_modelo² + σ_hist². **σ_modelo** é o desvio do Consenso (EP da média combinada) ou da projeção da Tendência (variância do estado em 25/10). **σ_hist** é o erro das pesquisas que **não é amostral** e se repete em todas elas:

- `erroHistorico` compara a última pesquisa de cada instituto antes do 1º turno (11 pesquisas finais) com o resultado, na mesma métrica da margem entre os dois: erro = margem da pesquisa − margem do resultado (+2,03 p.p.). Negativo = a pesquisa subestimou Flávio.
- **σ_hist = max(piso de literatura 2 p.p.; √(viés² + EP²))**, com EP = dp/√n do viés. Com **uma** eleição observada, viés comum e dispersão entre institutos não se separam; a raiz do erro quadrático médio *da média* é a estimativa conservadora e simples.
- **Distribuição**: erro total ~ t de Student com ν = 6 e **desvio-padrão igual a σ_total** (escala σ_total·√((ν−2)/ν)): caudas um pouco mais pesadas que a normal, porque σ_hist vem de uma eleição só. P(Flávio) = P(margem > 0); intervalos 80/95% pelos quantis do mesmo t.
- **Indicadores de sensibilidade (nunca o padrão)**: `corrigido` = margem − viés do 1º turno (“se o 2º turno repetir o erro médio do 1º”), e `comPisoLiteratura` = só o piso de 2 p.p. como erro histórico.
- Convenções de saída: em `consenso`, `ic95` é o IC95 estatístico da média combinada e `icDesfecho80/95` é o intervalo do **desfecho** (com σ_hist). Em `tendencia.projecao`, `ic80/ic95` já são do **desfecho** e `icModelo80/95` só do modelo.
- **Exibição sem falsa precisão.** O σ_hist vem de uma só eleição, então a própria probabilidade é incerta. Por isso: (1) a interface deve mostrar `probExibicao` (em `consenso`, `tendencia.projecao` e nos cenários de `todosCenarios()`): percentual **inteiro**, **limitado a 1%–99%** (“mais de 99%”/“menos de 1%” quando limitado), Flávio + Lula = 100, mais a fração em palavras (“cerca de 2 em 3”); (2) ao lado, a **faixa de sensibilidade** `faixaProbFlavio` / `probExibicao.faixaFlavio`, que recalcula a probabilidade com σ_hist no piso de literatura (2 p.p.) e no RMSE de uma pesquisa isolada no 1º turno (5,2 p.p.); o detalhe fica em `sensibilidadeSigma`. Os valores brutos (`probFlavio`, `probLula`) seguem disponíveis para gráficos e testes, nunca para texto com decimais.

### 10.8 Validação (dados sintéticos com verdade conhecida)

`tests/polls.test.mjs` (36 testes, semente fixa; ~40–90 s conforme a máquina):

| propriedade | resultado |
|---|---|
| REML contra busca exaustiva (600 conjuntos aleatórios, k de 2 a 21) | sempre no máximo global (diferença de log-verossimilhança < 1e-6); inclui o caso em que o escore de Fisher puro oscilava e devolvia τ² = 0 |
| Consenso recupera p; IC95 cobre (300 simulações, 12 institutos, τ ≈ 0,6 p.p.) | cobertura 97,0%; viés −0,02 p.p. |
| Cobertura do IC95 do Consenso com τ = 0 e com τ ≈ 2,5 p.p. (200 simulações cada, 14 institutos) | HKSJ 99,0% e 97,0%; IC normal 98,0% e 95,5%. Conservador quando τ = 0 (τ² truncado em zero é viesado para cima e o HKSJ tem piso), quase nominal com heterogeneidade |
| τ² e I² com efeitos fortes (τ real ≈ 2,5 p.p.) | τ estimado ≈ 2,5 p.p.; teste Q rejeita a homogeneidade em boa parte das simulações |
| Outlier injetado de +14 p.p. (≈ 6 erros-padrão) | flagrado e excluído em 39 de 40; falsos positivos 0,65% das demais pesquisas |
| Simetria da regra: outlier de −14 e de +14 p.p. | os dois são excluídos; sem a regra, o agregado vai para o lado do outlier |
| Efeitos de instituto de +3 e −2 p.p. | erro absoluto médio de 0,5 p.p.; IC95 cobre 93%; os dois institutos recuperados com o sinal certo (as estimativas são encolhidas pelo prior) |
| Tendência de −0,25 p.p./dia (−1,75 p.p./semana) | inclinação estimada ≈ −1,3 p.p./semana (erro médio 0,57; IC95 cobre 100%); sinal certo em 40 de 40; erro médio da projeção 1,2 p.p. |
| Cobertura da Tendência com dados gerados pelo próprio modelo (nível + inclinação amortecida + efeitos de casa + ruído extra; 60 simulações; hiperparâmetros estimados) | IC95 do último dia de campo 95%; projeção a 3 dias: IC95 92%, IC80 78%. Com os hiperparâmetros verdadeiros (conferência fora da suíte, 150 simulações): 96%, 95% e 83%. A pequena subcobertura vem de tratar os hiperparâmetros estimados como conhecidos; no desfecho ela é engolida pelo σ_hist (≈ 3,9 p.p. contra σ_modelo ≈ 1,2 p.p.). Quando a verdade não tem inclinação nenhuma (passeio aleatório puro), as bandas ficam conservadoras (≈ 99%) |
| Série estável | inclinação média ≈ 0 e projeção de volta ao nível |
| Kalman + RTS contra a solução bruta (GLS conjunta) | iguais a 1e-8 |
| Jackknife | igual à recomputação deixa-uma-fora; zero para pesquisas fora do Consenso; fórmula fechada confere |
| Herding | pesquisas idênticas → “herding”; só acaso → razão ≈ 1; efeitos fortes → “heterogeneidade” |
| Exibição de probabilidades | inteiras, em 1%–99%, par soma 100; a faixa de sensibilidade contém o valor central |

Nota sobre o gerador sintético: a verdade de cada pesquisa é avaliada no mesmo dia em que o modelo diário a coloca (ponto médio do campo, arredondado). Na primeira versão, um campo de dois dias ficava um dia depois da verdade, o que enviesava levemente os testes com tendência e fazia a cobertura parecer menor do que é.

### 10.9 Resultado em 23/10/2026 (42 pesquisas pós-1º turno de 18 institutos)

O que se segue é **fotografia dos dados de 23/10** e muda quando o catálogo é atualizado. As pesquisas com divulgação prevista para 24/10 ainda não entram.

| | Consenso | Tendência (25/10) |
|---|---|---|
| Margem central | Flávio +1,87 p.p. (p = 50,93%) | Flávio +1,57 p.p. (p = 50,78%) |
| IC95 estatístico | [+0,53; +3,21] | [−0,82; +3,95] (modelo) |
| **Chance de vitória exibida no site** (modelo de erro único dos seis cenários, CENARIOS.md §4.2) | **Flávio 78% · Lula 22%** | **Flávio 69% · Lula 31%** |
| Desvio do desfecho no modelo único (f_h·σ_modelo e σ_na = 2,40) | 2,68 p.p. | 3,31 p.p. |
| Intervalo de 80% / 95% do desfecho no modelo único | [−1,4; +5,1] / [−3,4; +7,2] | [−2,6; +5,7] / [−4,9; +8,1] |
| σ_modelo / σ_hist / σ_total (agregador; só sensibilidade) | 0,63 / 3,91 / 3,96 p.p. | 1,22 / 3,91 / 4,10 p.p. |
| IC95 do desfecho com σ_hist (só sensibilidade) | [−6,05; +9,78] | [−6,62; +9,75] |
| P(Flávio) / P(Lula) com σ_hist (o que o agregador sozinho daria; só sensibilidade) | 71% / 29% | 67% / 33% |
| Faixa de P(Flávio) no agregador conforme o σ_hist suposto (de 5,2 a 2 p.p.) | 66% a 84% | 63% a 78% |
| Sensibilidade: corrigido pelo viés do 1º turno | Flávio +5,60 (P = 93%) | Flávio +5,30 (P = 92%) |
| Sensibilidade: sem excluir pontos fora da curva | Flávio +1,87 (igual) | Flávio +1,49 (−0,08 p.p.) |

Valores brutos (só para conferência; não exibir com decimais): no modelo de erro único, P(Flávio) = 0,7767 no Consenso e 0,6886 na Tendência; no agregador com σ_hist, 0,7075 e 0,6718.

- **Heterogeneidade**: τ² = 0 (REML, PM e DL), I² = 0, Q = 4,85 com 17 gl. **Herding**: razão 0,29 (cauda inferior p = 0,002); mesmo sob amostragem aleatória simples seria 0,50 (p = 0,043). As pesquisas estão **mais agrupadas do que o acaso amostral permite**, seja por herding, seja por ponderação parecida (por exemplo, pelo voto do 1º turno). Duas leituras e uma consequência: a margem de erro **de cada pesquisa** pela teoria amostral parece conservadora, mas pesquisas que se parecem por construção trazem **menos informação independente** do que o número de pesquisas sugere, então o EP do agregado (σ_modelo ≈ 0,6 p.p.) não deve ser lido como a incerteza real. O risco relevante é o erro **comum** a todas (como os 3,7 p.p. do 1º turno): nos seis cenários ele entra como erro não amostral de média zero (σ_na = 2,40 p.p.) e, com direção, só no cenário condicional Erro como no 1º turno (CENARIOS.md §4.3).
- **Excluída**: só a Gerp 13/10 (53 × 44, margem +9,3 p.p.), pela regra pré-definida do z robusto (4,7; mediana da janela +2,2 p.p., escala 1,5 p.p.). Pelo resíduo do modelo (que desconta o efeito da Gerp e o erro amostral) ela teria z = 1,8 e não seria excluída; os dois critérios foram fixados antes da análise e basta um deles para excluir. **Efeito da exclusão**: Consenso 0,00 p.p. (a rodada de 13/10 não seria a mais recente da Gerp) e Tendência 0,08 p.p. Nenhuma pesquisa move o Consenso mais que 0,15 p.p. nem a projeção da Tendência mais que 0,23 p.p. (jackknife); nenhum instituto inteiro, mais que 0,18 p.p. (Consenso) ou 0,28 p.p. (Tendência).
- **Tendência**: nível suavizado de +3,5 (06/10) a +1,75 p.p. (21/10, último ponto médio de campo; desvio 0,75 p.p.); inclinação −0,58 p.p./semana (IC95 [−2,17; +1,00]), compatível com estabilidade; a regressão ponderada de conferência dá −1,14 p.p./semana (IC95 [−2,46; +0,17]). Projeção para 25/10 = +1,57 p.p., 4 dias após o último ponto de campo. Efeitos de instituto: Vox Brasil −1,1 p.p. (IC95 [−2,8; +0,6]) é o maior; todos os ICs incluem zero.
- **1º turno**: as 11 pesquisas finais subestimaram Flávio em média **3,7 p.p.** (IC95 do viés [−6,3; −1,1]; 8 de 11 subestimaram; mediana −4,3; RMSE 5,2). Isso é a razão de σ_hist ≈ 3,9 p.p.
- **Ajustes regionais** dos dois cenários (p.p.): NE +1,73, MG/SP/RJES −0,63, SUL −1,80, CO/NORTE +0,09 (14 institutos por região).
- **Robustez** (16 variantes, uma escolha por vez): o Consenso fica entre +1,78 e +1,91 p.p.; a Tendência, entre +1,34 (φ = 0,95) e +2,18 p.p. (sem inclinação, nível local). No agregador, P(Flávio) fica entre 66% e 84% no Consenso e entre 63% e 78% na Tendência conforme o σ_hist suposto; quem mais mexe na probabilidade é a escolha do erro, não a margem central (o mesmo vale nos seis cenários: CENARIOS.md §7).

### 10.10 Limitações (leia antes de confiar nos números)

1. **Pesquisa não é urna.** Em 04/10 as pesquisas finais erraram a margem em 3,7 p.p. em média, quase sempre contra Flávio. Nada garante que o 2º turno repita (ou não repita) esse erro; por isso ele aparece como incerteza sem direção (o erro não amostral dos seis cenários), como premissa declarada e atenuada de um cenário condicional (Erro como no 1º turno, peso 1/3 na Nossa Análise) e, cru, só como sensibilidade; nunca como correção padrão.
2. **Pesquisas agrupadas.** A dispersão baixa entre institutos reduz o erro amostral aparente, mas não protege contra um erro comum.
3. **Poucos dias de dados** (16 dias, 41 observações): inclinação e hiperparâmetros da Tendência são pouco identificados; o prior importa. A inclinação suavizada subestima trajetórias longas.
4. **Nada de modelo de eleitor provável**: abstenção diferencial, voto envergonhado e indecisos tardios não são modelados no agregador; entram no erro não amostral dos cenários e, no Técnico 3, como termos de reta final (indecisos e comparecimento por região).
5. **Cruzamentos regionais** têm amostras pequenas e métodos de ponderação distintos; por isso o encolhimento para zero.
6. **Qualidade dos dados**: quatro pesquisas só têm válidos (fração F+L imputada); a Alfa 23/10 tem n divergente entre fontes (2.700 publicado × 1.200 no PesqEle, segundo a varredura P2). Os números vêm do catálogo auditado; erro de transcrição na fonte primária não é detectável aqui.
7. **Probabilidade ≠ previsão.** Com margem central de ~1,6 p.p. e desvio do desfecho de ~3,3 p.p. (Tendência, modelo de erro único), o desfecho é aberto; só a apuração de 25/10 decide.
8. **A incerteza da incerteza.** σ_hist foi estimado com uma eleição (o 1º turno, com cinco candidatos e voto útil de última hora, que costuma errar mais que um 2º turno). Por isso a chance de vitória é exibida arredondada, limitada a 1%–99% e acompanhada da sensibilidade ao tamanho do erro (σ_na = 2,0 / 2,4 / 3,9 p.p.: Tendência 70% / 69% / 64%).
9. **Bandas da Tendência.** As bandas do modelo tratam os hiperparâmetros estimados como conhecidos; em simulação, a banda de 95% da projeção cobre ≈ 92% (e 95% com os hiperparâmetros verdadeiros). No desfecho isso pesa pouco, porque o erro não amostral domina.

### 10.11 Reproduzir

```bash
node tests/polls.test.mjs        # 36 testes: matemática, sintéticos com verdade conhecida (incl. coberturas), dados reais, nomes neutros
node -e "import('./assets/js/polls/aggregate.js').then(A => console.log(JSON.stringify(A.cenariosDePesquisa(), null, 1)))"
node -e "import('./assets/js/polls/aggregate.js').then(A => console.log(A.robustez().linhas))"
```

Opções (todas em `OPCOES_PADRAO`, exportado): `janelaDias`, `zCorte`, `metodoTau` (`REML`, `PM` ou `DL`), `ic` (`hksj` ou `normal`), `deff`, `nEfetivoMax`, `glT`, `pisoSigmaHistPP`, `sigmaHistPP`, `fatorCorrecaoVies`, `sobreposicao`, `hiper` (`phi`, `qBeta`, `sigH`, `sigExtra`, `qMu`, `estimar`), `minInstitutosRegiao`, `priorAjustePP`, `usarAjustesRegionais`, `hoje`, `dataEleicao`, `exibicaoProb` (`passo`, `min`, `max`), `leve` (pula jackknife e resíduos só informativos; não muda Consenso nem Tendência).

### 10.12 Revisão estatística (23/10/2026)

Revisão independente do agregador (versão 1.1.0). O que foi conferido e o que mudou:

| item | conferência | resultado |
|---|---|---|
| REML | contra busca exaustiva da verossimilhança restrita | **Erro corrigido.** O escore de Fisher sem controle de passo podia oscilar entre 0 e um valor positivo e terminar em τ² = 0 com o ótimo interior (14 de 600 conjuntos aleatórios). Agora tem meio-passo, bisseção no escore e conferência do máximo global; vale também para k = 2. Nos dados reais τ² = 0 pelos três métodos, então nada mudou nos números. |
| Paule–Mandel, DerSimonian–Laird, HKSJ, predição | fórmulas, Q(τ²) = k − 1, coberturas | corretos; PM agora também para k = 2. |
| Logit e método delta | var(logit) = v/(p(1−p))²; dM/dx = 200·p(1−p); arredondamento passo²/12 propagado | corretos. |
| n efetivo e deff | n·(F+L)/100/deff, deff publicado (Palver), teto 3.000 | corretos; o teto é uma escolha (sem ele, o Consenso iria a +1,78). |
| Regra de exclusão | pré-definida antes da análise, simétrica, com teste ±14 p.p. | mantida; novo quadro com × sem exclusões (efeito de 0,00 e 0,08 p.p.). |
| Kalman / RTS | contra a gaussiana conjunta; covariância defasada; coberturas | corretos; a priori do nível passou a ser difusa e neutra (antes, a média dos próprios dados), com verossimilhança difusa; efeito < 0,001 p.p. |
| Efeitos de casa | identificação por priori + funcionais centrados | corretos; IC95 cobre 94–96% em simulação. |
| Amortecimento φ = 0,9 | sensibilidade | φ = 0,95 dá +1,34; sem inclinação dá +2,18 (nova variante). |
| Projeção para 25/10 | dia, horizonte e cobertura | correta (4 dias após o último ponto médio de campo, 2 dias após “hoje”). |
| σ_hist e probabilidades | fórmula, t com ν = 6 e desvio-padrão σ_total | mantidos; novas saídas de exibição (inteiro, 1%–99%) e a faixa conforme σ_hist. |
| Nomes neutros | varredura automática | sem nomes antigos nos módulos, testes e neste documento; o aviso de efeito de casa deixou de dizer “favorecer”. |
| Fidelidade do modelo à planilha | entradas de teste `PLANILHA_ORIGINAL` (fora do site) | inalterada: votos 59.886.159 / 60.661.577 / 61.973.824, diferenças 477.181 / 2.028.017 / 4.652.511, última troca no Perfil B às 18h55 / 18h35 / 18h05 (`tests/model.test.mjs`, 36 testes). |

---

## 11. Referências

É a mesma lista de **[docs/CENARIOS.md §14](CENARIOS.md#14-referências)**, gerada de `assets/data/referencias.json` (os números [n] são os mesmos do site e do CENARIOS.md). Cada referência foi conferida antes de entrar: DOI no Crossref e em doi.org, ou a página oficial aberta.

Lista completa de `assets/data/referencias.json` (122 referências, todas reconferidas em 23/10/2026: DOIs em Crossref e doi.org, páginas oficiais abertas, registros npm). Ordem alfabética (APA); o número [n] é o usado neste documento. Itens sem revisão por pares estão marcados.

1. AAPOR Ad Hoc Committee on 2016 Election Polling (Kennedy, C. et al.). (2017). An evaluation of 2016 election polls in the U.S. American Association for Public Opinion Research (relatório). https://aapor.org/wp-content/uploads/2023/01/AAPOR-2016-Election-Polling-Report.pdf *(relatório técnico, sem revisão por pares)*
2. AAPOR Task Force on 2020 Pre-Election Polling (Clinton, J. et al.). (2021). Task Force on 2020 pre-election polling: An evaluation of the 2020 general election polls. American Association for Public Opinion Research (relatório). https://aapor.org/wp-content/uploads/2022/11/AAPOR-Task-Force-on-2020-Pre-Election-Polling_Report-FNL.pdf *(relatório técnico, sem revisão por pares)*
3. Ancker, J. S., Senathirajah, Y., Kukafka, R., & Starren, J. B. (2006). Design features of graphs in health risk communication: A systematic review. Journal of the American Medical Informatics Association, 13(6), 608–618. https://doi.org/10.1197/jamia.M2115
4. Apache Software Foundation. (2024). Apache ECharts 5.5.1. Biblioteca JavaScript de gráficos (npm: echarts). https://cdn.jsdelivr.net/npm/echarts@5.5.1/dist/echarts.min.js
5. Araújo, V., & Gatto, M. A. C. (2022). Casting ballots when knowing results. British Journal of Political Science, 52(4), 1709–1727. https://doi.org/10.1017/S000712342100034X
6. Balshem, H., Helfand, M., Schünemann, H. J., Oxman, A. D., Kunz, R., Brozek, J., Vist, G. E., Falck-Ytter, Y., Meerpohl, J., Norris, S., & Guyatt, G. H. (2011). GRADE guidelines: 3. Rating the quality of evidence. Journal of Clinical Epidemiology, 64(4), 401–406. https://doi.org/10.1016/j.jclinepi.2010.07.015
7. Barnfield, M. (2020). Think twice before jumping on the bandwagon: Clarifying concepts in research on the bandwagon effect. Political Studies Review, 18(4), 553–574. https://doi.org/10.1177/1478929919870691
8. Bates, J. M., & Granger, C. W. J. (1969). The combination of forecasts. Journal of the Operational Research Society, 20(4), 451–468. https://doi.org/10.1057/jors.1969.103
9. Bazani, A. (Diário do Transporte). (2022). Abstenção no 2º turno foi menor que no 1º e gratuidades nos transportes podem ajudar a explicar, segundo o TSE. Diário do Transporte (31/10/2022). https://diariodotransporte.com.br/2022/10/31/abstencao-no-2o-turno-foi-menor-que-no-1o-e-gratuidades-nos-transportes-podem-ajudar-a-explicar-segundo-o-tse/ *(imprensa, sem revisão por pares)*
10. Bon, J. J., Ballard, T., & Baffour, B. (2019). Polling bias and undecided voter allocations: US presidential elections, 2004–2016. Journal of the Royal Statistical Society: Series A (Statistics in Society), 182(2), 467–493. https://doi.org/10.1111/rssa.12414
11. Brasil. (1997). Lei nº 9.504, de 30 de setembro de 1997 — Estabelece normas para as eleições (texto compilado; art. 33). Presidência da República — Planalto. https://www.planalto.gov.br/ccivil_03/leis/l9504.htm
12. Brasil. Tribunal Superior Eleitoral. (2019). Resolução nº 23.600, de 12 de dezembro de 2019 — Dispõe sobre pesquisas eleitorais (texto compilado). Tribunal Superior Eleitoral — Legislação compilada. https://www.tse.jus.br/legislacao/compilada/res/2019/resolucao-no-23-600-de-12-de-dezembro-de-2019
13. Brasil. Tribunal Superior Eleitoral. (2026). Resolução nº 23.747, de 26 de fevereiro de 2026 — Altera a Resolução nº 23.600/2019, que dispõe sobre pesquisas eleitorais. Tribunal Superior Eleitoral — Legislação compilada (DJE-TSE nº 30, ed. extraordinária, 4/3/2026, p. 125–130). https://www.tse.jus.br/legislacao/compilada/res/2026/resolucao-no-23-747-de-26-de-fevereiro-de-2026
14. Brier, G. W. (1950). Verification of forecasts expressed in terms of probability. Monthly Weather Review, 78(1), 1–3. https://doi.org/10.1175/1520-0493(1950)078<0001:VOFEIT>2.0.CO;2
15. Chatterjee, S., & Kamal, J. (2021). Voting for the underdog or jumping on the bandwagon? Evidence from India’s exit poll ban. Public Choice, 188(3-4), 431–453. https://doi.org/10.1007/s11127-020-00837-y
16. Clemen, R. T. (1989). Combining forecasts: A review and annotated bibliography. International Journal of Forecasting, 5(4), 559–583. https://doi.org/10.1016/0169-2070(89)90012-5
17. Clinton, J. D., & Rogers, S. (2013). Robo-polls: Taking cues from traditional sources? PS: Political Science & Politics, 46(2), 333–337. https://doi.org/10.1017/S1049096513000012
18. Cochran, W. G. (1954). The combination of estimates from different experiments. Biometrics, 10(1), 101–129. https://doi.org/10.2307/3001666
19. Dahlgaard, J. O., Hansen, J. H., Hansen, K. M., & Larsen, M. V. (2017). How election polls shape voting behaviour. Scandinavian Political Studies, 40(3), 330–343. https://doi.org/10.1111/1467-9477.12094
20. darkroom.engineering. (2024). Lenis 1.1.13. Biblioteca JavaScript de rolagem suave (npm: lenis). https://cdn.jsdelivr.net/npm/lenis@1.1.13/dist/lenis.min.js
21. DerSimonian, R., & Laird, N. (1986). Meta-analysis in clinical trials. Controlled Clinical Trials, 7(3), 177–188. https://doi.org/10.1016/0197-2456(86)90046-2
22. Durbin, J., & Koopman, S. J. (2012). Time series analysis by state space methods. Oxford University Press (2ª ed.). https://doi.org/10.1093/acprof:oso/9780199641178.001.0001
23. Efron, B. (1979). Bootstrap methods: Another look at the jackknife. The Annals of Statistics, 7(1), 1–26. https://doi.org/10.1214/aos/1176344552
24. Efron, B., & Morris, C. (1973). Stein's estimation rule and its competitors—an empirical Bayes approach. Journal of the American Statistical Association, 68(341), 117–130. https://doi.org/10.1080/01621459.1973.10481350
25. Egger, M., Davey Smith, G., Schneider, M., & Minder, C. (1997). Bias in meta-analysis detected by a simple, graphical test. BMJ, 315(7109), 629–634. https://doi.org/10.1136/bmj.315.7109.629
26. Erikson, R. S., Panagopoulos, C., & Wlezien, C. (2004). Likely (and unlikely) voters and the assessment of campaign dynamics. Public Opinion Quarterly, 68(4), 588–601. https://doi.org/10.1093/poq/nfh041
27. Erikson, R. S., & Wlezien, C. (2012). The timeline of presidential elections: How campaigns do (and do not) matter. University of Chicago Press. https://doi.org/10.7208/chicago/9780226922164.001.0001
28. Farjam, M. (2021). The bandwagon effect in an online voting experiment with real political organizations. International Journal of Public Opinion Research, 33(2), 412–421. https://doi.org/10.1093/ijpor/edaa008
29. Ferreira, D. (Pindograma). (2022). Quatro lições que tiramos do desempenho das pesquisas em 2022. Pindograma. https://pindograma.com.br/2022/09/05/desempenho-pesquisas-22.html *(imprensa, sem revisão por pares)*
30. Galesic, M., Garcia-Retamero, R., & Gigerenzer, G. (2009). Using icon arrays to communicate medical risks: Overcoming low numeracy. Health Psychology, 28(2), 210–216. https://doi.org/10.1037/a0014474
31. Gardner, E. S., & McKenzie, E. (1985). Forecasting trends in time series. Management Science, 31(10), 1237–1246. https://doi.org/10.1287/mnsc.31.10.1237
32. Gelman, A., Goel, S., Rivers, D., & Rothschild, D. (2016). The mythical swing voter. Quarterly Journal of Political Science, 11(1), 103–130. https://doi.org/10.1561/100.00015031
33. Gelman, A., Hullman, J., Wlezien, C., & Morris, G. E. (2020). Information, incentives, and goals in election forecasts. Judgment and Decision Making, 15(5), 863–880. https://doi.org/10.1017/S1930297500007981
34. Gelman, A., & King, G. (1993). Why are American presidential election campaign polls so variable when votes are so predictable? British Journal of Political Science, 23(4), 409–451. https://doi.org/10.1017/S0007123400006682
35. Gigerenzer, G., Hertwig, R., van den Broek, E., Fasolo, B., & Katsikopoulos, K. V. (2005). "A 30% chance of rain tomorrow": How does the public understand probabilistic weather forecasts? Risk Analysis, 25(3), 623–629. https://doi.org/10.1111/j.1539-6924.2005.00608.x
36. Gigerenzer, G., & Hoffrage, U. (1995). How to improve Bayesian reasoning without instruction: Frequency formats. Psychological Review, 102(4), 684–704. https://doi.org/10.1037/0033-295X.102.4.684
37. Gneiting, T., & Raftery, A. E. (2007). Strictly proper scoring rules, prediction, and estimation. Journal of the American Statistical Association, 102(477), 359–378. https://doi.org/10.1198/016214506000001437
38. Graefe, A., Armstrong, J. S., Jones, R. J., & Cuzán, A. G. (2014). Combining forecasts: An application to elections. International Journal of Forecasting, 30(1), 43–54. https://doi.org/10.1016/j.ijforecast.2013.02.005
39. Gramacho, W. G. (2013). À margem das margens?: a precisão das pesquisas pré-eleitorais brasileiras em 2010. Opinião Pública, 19(1), 65–80. https://doi.org/10.1590/S0104-62762013000100004
40. GreenSock. (2024). GSAP 3.12.5 e ScrollTrigger. Biblioteca JavaScript de animação (npm: gsap). https://cdnjs.cloudflare.com/ajax/libs/gsap/3.12.5/gsap.min.js
41. Großer, J., & Schram, A. (2010). Public opinion polls, voter turnout, and welfare: An experimental study. American Journal of Political Science, 54(3), 700–717. https://doi.org/10.1111/j.1540-5907.2010.00455.x
42. Guyatt, G. H., Oxman, A. D., Kunz, R., Brozek, J., Alonso-Coello, P., Rind, D., Devereaux, P. J., Montori, V. M., Freyschuss, B., Vist, G. et al. (2011). GRADE guidelines 6. Rating the quality of evidence—imprecision. Journal of Clinical Epidemiology, 64(12), 1283–1293. https://doi.org/10.1016/j.jclinepi.2011.01.012
43. Guyatt, G. H., Oxman, A. D., Kunz, R., Woodcock, J., Brozek, J., Helfand, M., Alonso-Coello, P., Falck-Ytter, Y., Jaeschke, R., Vist, G. et al. (2011). GRADE guidelines: 8. Rating the quality of evidence—indirectness. Journal of Clinical Epidemiology, 64(12), 1303–1310. https://doi.org/10.1016/j.jclinepi.2011.04.014
44. Guyatt, G. H., Oxman, A. D., Kunz, R., Woodcock, J., Brozek, J., Helfand, M., Alonso-Coello, P., Glasziou, P., Jaeschke, R., Akl, E. A. et al. (2011). GRADE guidelines: 7. Rating the quality of evidence—inconsistency. Journal of Clinical Epidemiology, 64(12), 1294–1302. https://doi.org/10.1016/j.jclinepi.2011.03.017
45. Guyatt, G. H., Oxman, A. D., Montori, V., Vist, G., Kunz, R., Brozek, J., Alonso-Coello, P., Djulbegovic, B., Atkins, D., Falck-Ytter, Y. et al. (2011). GRADE guidelines: 5. Rating the quality of evidence—publication bias. Journal of Clinical Epidemiology, 64(12), 1277–1282. https://doi.org/10.1016/j.jclinepi.2011.01.011
46. Guyatt, G. H., Oxman, A. D., Vist, G. E., Kunz, R., Falck-Ytter, Y., Alonso-Coello, P., & Schünemann, H. J. (2008). GRADE: an emerging consensus on rating quality of evidence and strength of recommendations. BMJ, 336(7650), 924–926. https://doi.org/10.1136/bmj.39489.470347.AD
47. Guyatt, G. H., Oxman, A. D., Vist, G., Kunz, R., Brozek, J., Alonso-Coello, P., Montori, V., Akl, E. A., Djulbegovic, B., Falck-Ytter, Y. et al. (2011). GRADE guidelines: 4. Rating the quality of evidence—study limitations (risk of bias). Journal of Clinical Epidemiology, 64(4), 407–415. https://doi.org/10.1016/j.jclinepi.2010.07.017
48. Hartung, J., & Knapp, G. (2001). On tests of the overall treatment effect in meta-analysis with normally distributed responses. Statistics in Medicine, 20(12), 1771–1782. https://doi.org/10.1002/sim.791
49. Harvey, A. C. (1990). Forecasting, structural time series models and the Kalman filter. Cambridge University Press. https://doi.org/10.1017/CBO9781107049994
50. Heidemanns, M., Gelman, A., & Morris, G. E. (2020). An updated dynamic Bayesian forecasting model for the US presidential election. Harvard Data Science Review, 2(4). https://doi.org/10.1162/99608f92.fc62f1e1
51. Higgins, J. P. T., & Thompson, S. G. (2002). Quantifying heterogeneity in a meta-analysis. Statistics in Medicine, 21(11), 1539–1558. https://doi.org/10.1002/sim.1186
52. Higgins, J. P. T., Thompson, S. G., Deeks, J. J., & Altman, D. G. (2003). Measuring inconsistency in meta-analyses. BMJ, 327(7414), 557–560. https://doi.org/10.1136/bmj.327.7414.557
53. Higgins, J. P. T., Thompson, S. G., & Spiegelhalter, D. J. (2009). A re-evaluation of random-effects meta-analysis. Journal of the Royal Statistical Society: Series A (Statistics in Society), 172(1), 137–159. https://doi.org/10.1111/j.1467-985X.2008.00552.x
54. Hoeting, J. A., Madigan, D., Raftery, A. E., & Volinsky, C. T. (1999). Bayesian model averaging: A tutorial. Statistical Science, 14(4), 382–417. https://doi.org/10.1214/ss/1009212519
55. Instituto Brasileiro de Geografia e Estatística (IBGE). (2026). API de agregados (SIDRA): Censo 2022, agregado 4714; estimativas de população, agregado 6579. servicodados.ibge.gov.br. https://servicodados.ibge.gov.br/api/v3/agregados/4714/periodos/2022/variaveis/93?localidades=N3[all]
56. IntHout, J., Ioannidis, J. P. A., & Borm, G. F. (2014). The Hartung-Knapp-Sidik-Jonkman method for random effects meta-analysis is straightforward and considerably outperforms the standard DerSimonian-Laird method. BMC Medical Research Methodology, 14(1), 25. https://doi.org/10.1186/1471-2288-14-25
57. IntHout, J., Ioannidis, J. P. A., Rovers, M. M., & Goeman, J. J. (2016). Plea for routinely presenting prediction intervals in meta-analysis. BMJ Open, 6(7), e010247. https://doi.org/10.1136/bmjopen-2015-010247
58. Isakov, M., & Kuriwaki, S. (2020). Towards principled unskewing: Viewing 2020 election polls through a corrective lens from 2016. Harvard Data Science Review, 2(4). https://doi.org/10.1162/99608f92.86a46f38
59. Jackman, S. (2005). Pooling the polls over an election campaign. Australian Journal of Political Science, 40(4), 499–517. https://doi.org/10.1080/10361140500302472
60. Jennings, W., & Wlezien, C. (2016). The timeline of elections: A comparative perspective. American Journal of Political Science, 60(1), 219–233. https://doi.org/10.1111/ajps.12189
61. Jennings, W., & Wlezien, C. (2018). Election polling errors across time and space. Nature Human Behaviour, 2(4), 276–283. https://doi.org/10.1038/s41562-018-0315-6
62. Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of Basic Engineering, 82(1), 35–45. https://doi.org/10.1115/1.3662552
63. Kennedy, C., Blumenthal, M., Clement, S., Clinton, J. D., Durand, C., Franklin, C., McGeeney, K., Miringoff, L., Olson, K., Rivers, D., Saad, L., Witt, G. E., & Wlezien, C. (2018). An evaluation of the 2016 election polls in the United States. Public Opinion Quarterly, 82(1), 1–33. https://doi.org/10.1093/poq/nfx047
64. Kish, L. (1965). Survey sampling. New York: John Wiley & Sons. https://openlibrary.org/works/OL12614026W
65. Kiss, Á., & Simonovits, G. (2014). Identifying the bandwagon effect in two-round elections. Public Choice, 160(3-4), 327–344. https://doi.org/10.1007/s11127-013-0146-y
66. Kotak, A., & Moore, D. A. (2022). Election polls are 95% confident but only 60% accurate. Behavioral Science & Policy, 8(2), 1–12. https://doi.org/10.1177/237946152200800202
67. Lewis, S., & Clarke, M. (2001). Forest plots: trying to see the wood and the trees. BMJ, 322(7300), 1479–1480. https://doi.org/10.1136/bmj.322.7300.1479
68. Linzer, D. A. (2013). Dynamic Bayesian forecasting of presidential elections in the states. Journal of the American Statistical Association, 108(501), 124–134. https://doi.org/10.1080/01621459.2012.737735
69. Lloyd, R., & Turgeon, M. (2021). Polling in new democracies and electoral malpractice: The case of Brazil. International Journal of Public Opinion Research, 33(4), 1039–1049. https://doi.org/10.1093/ijpor/edab005
70. McDowell, M., & Jacobs, P. (2017). Meta-analysis of the effect of natural frequencies on Bayesian reasoning. Psychological Bulletin, 143(12), 1273–1312. https://doi.org/10.1037/bul0000126
71. Meireles, F., & Russo, G. (2022). Pesquisas eleitorais no Brasil: tendências e desempenho. Estudos Avançados, 36(106), 117–131. https://doi.org/10.1590/S0103-4014.2022.36106.007
72. Mellman, M. (2006). Incumbent rule broken sometimes. The Hill (coluna de opinião, 11/10/2006). https://thehill.com/opinion/columnists/mark-mellman/6920-incumbent-rule-broken-sometimes/ *(coluna de opinião, sem revisão por pares)*
73. Mellman, M. S. (2012). Where do undecideds go? The Hill (coluna de opinião, outubro de 2012). https://thehill.com/opinion/columnists/mark-mellman/131237-where-do-undecideds-go/ *(coluna de opinião, sem revisão por pares)*
74. Metropolis, N., & Ulam, S. (1949). The Monte Carlo method. Journal of the American Statistical Association, 44(247), 335–341. https://doi.org/10.1080/01621459.1949.10483310
75. Miller, R. G. (1974). The jackknife—a review. Biometrika, 61(1), 1–15. https://doi.org/10.1093/biomet/61.1.1
76. Morton, R. B., Muller, D., Page, L., & Torgler, B. (2015). Exit polls, turnout, and bandwagon voting: Evidence from a natural experiment. European Economic Review, 77, 65–81. https://doi.org/10.1016/j.euroecorev.2015.03.012
77. Oehlert, G. W. (1992). A note on the delta method. The American Statistician, 46(1), 27–29. https://doi.org/10.1080/00031305.1992.10475842
78. Paule, R. C., & Mandel, J. (1982). Consensus values and weighting factors. Journal of Research of the National Bureau of Standards, 87(5), 377–385. https://doi.org/10.6028/jres.087.022
79. Pereira, F. B., & Nunes, F. (2024). Pesquisas eleitorais e mudanças tardias na decisão do voto. Opinião Pública, 30, e3011. https://doi.org/10.1590/1807-019120243011
80. Pickup, M., & Johnston, R. (2008). Campaign trial heats as election forecasts: Measurement error and bias in 2004 presidential campaign polls. International Journal of Forecasting, 24(2), 272–284. https://doi.org/10.1016/j.ijforecast.2008.02.007
81. Prosser, C., & Mellon, J. (2018). The twilight of the polls? A review of trends in polling accuracy and the causes of polling misses. Government and Opposition, 53(4), 757–790. https://doi.org/10.1017/gov.2018.7
82. Quenouille, M. H. (1949). Approximate tests of correlation in time-series. Journal of the Royal Statistical Society: Series B (Methodological), 11(1), 68–84. https://doi.org/10.1111/j.2517-6161.1949.tb00023.x
83. Quenouille, M. H. (1956). Notes on bias in estimation. Biometrika, 43(3-4), 353–360. https://doi.org/10.1093/biomet/43.3-4.353
84. Rauch, H. E., Tung, F., & Striebel, C. T. (1965). Maximum likelihood estimates of linear dynamic systems. AIAA Journal, 3(8), 1445–1450. https://doi.org/10.2514/3.3166
85. Rentsch, A., Schaffner, B. F., & Gross, J. H. (2019). The elusive likely voter: Improving electoral predictions with more informed vote-propensity models. Public Opinion Quarterly, 83(4), 782–804. https://doi.org/10.1093/poq/nfz052
86. Rothschild, D., & Malhotra, N. (2014). Are public opinion polls self-fulfilling prophecies? Research & Politics, 1(2), 2053168014547667. https://doi.org/10.1177/2053168014547667
87. Rousseeuw, P. J., & Croux, C. (1993). Alternatives to the median absolute deviation. Journal of the American Statistical Association, 88(424), 1273–1283. https://doi.org/10.1080/01621459.1993.10476408
88. Röver, C., Knapp, G., & Friede, T. (2015). Hartung-Knapp-Sidik-Jonkman approach and its modification for random-effects meta-analysis with few studies. BMC Medical Research Methodology, 15(1), 99. https://doi.org/10.1186/s12874-015-0091-1
89. Schreiber, M. (BBC News Brasil). (2022). Eleições 2022: como institutos de pesquisa explicam Bolsonaro subestimado nas sondagens. BBC News Brasil, reproduzido por Terra (04/10/2022). https://www.terra.com.br/noticias/eleicoes/eleicoes-2022-como-institutos-de-pesquisa-explicam-bolsonaro-subestimado-nas-sondagens,4a2fe8d8225e7147de95387d0ff97a55fghv2gsj.html *(imprensa, sem revisão por pares)*
90. Shirani-Mehr, H., Rothschild, D., Goel, S., & Gelman, A. (2018). Disentangling bias and variance in election polls. Journal of the American Statistical Association, 113(522), 607–614. https://doi.org/10.1080/01621459.2018.1448823
91. Sidik, K., & Jonkman, J. N. (2002). A simple confidence interval for meta-analysis. Statistics in Medicine, 21(21), 3153–3159. https://doi.org/10.1002/sim.1262
92. Simon, H. A. (1954). Bandwagon and underdog effects and the possibility of election predictions. Public Opinion Quarterly, 18(3), 245–253. https://doi.org/10.1086/266513
93. Smith, J., & Wallis, K. F. (2009). A simple explanation of the forecast combination puzzle. Oxford Bulletin of Economics and Statistics, 71(3), 331–355. https://doi.org/10.1111/j.1468-0084.2008.00541.x
94. Spiegelhalter, D., Pearson, M., & Short, I. (2011). Visualizing uncertainty about the future. Science, 333(6048), 1393–1400. https://doi.org/10.1126/science.1191181
95. Sterne, J. A. C., & Egger, M. (2001). Funnel plots for detecting bias in meta-analysis: guidelines on choice of axis. Journal of Clinical Epidemiology, 54(10), 1046–1055. https://doi.org/10.1016/S0895-4356(01)00377-8
96. Sterne, J. A. C., Sutton, A. J., Ioannidis, J. P. A., Terrin, N., Jones, D. R., Lau, J., Carpenter, J., Rücker, G., Harbord, R. M., Schmid, C. H., Tetzlaff, J., Deeks, J. J., Peters, J., Macaskill, P., Schwarzer, G., Duval, S., Altman, D. G., Moher, D., & Higgins, J. P. T. (2011). Recommendations for examining and interpreting funnel plot asymmetry in meta-analyses of randomised controlled trials. BMJ, 343, d4002. https://doi.org/10.1136/bmj.d4002
97. Student [Gosset, W. S.]. (1908). The probable error of a mean. Biometrika, 6(1), 1–25. https://doi.org/10.2307/2331554
98. Sturgis, P., Baker, N., Callegaro, M., Fisher, S., Green, J., Jennings, W., Kuha, J., Lauderdale, B., & Smith, P. (2016). Report of the Inquiry into the 2015 British general election opinion polls. Londres: British Polling Council e Market Research Society (relatório; repositório NCRM). https://eprints.ncrm.ac.uk/id/eprint/3789/1/Report_final_revised.pdf *(relatório técnico, sem revisão por pares)*
99. Sturgis, P., Kuha, J., Baker, N., Callegaro, M., Fisher, S., Green, J., Jennings, W., Lauderdale, B. E., & Smith, P. (2018). An assessment of the causes of the errors in the 2015 UK General Election opinion polls. Journal of the Royal Statistical Society: Series A (Statistics in Society), 181(3), 757–781. https://doi.org/10.1111/rssa.12329
100. three.js authors. (2023). three.js r160 (0.160.0). Biblioteca JavaScript 3D (npm: three). https://cdn.jsdelivr.net/npm/three@0.160.0/build/three.module.min.js
101. Tribunal Superior Eleitoral (TSE). (2014). TSE divulga dados gerais sobre primeiro turno das Eleições 2014. Portal do TSE (notícia, 06/10/2014). https://www.tse.jus.br/comunicacao/noticias/2014/Outubro/tse-divulga-dados-gerais-sobre-primeiro-turno-das-eleicoes-2014
102. Tribunal Superior Eleitoral (TSE). (2014). Plenário do TSE proclama resultado definitivo do segundo turno da eleição presidencial. Portal do TSE (notícia, 09/12/2014). https://www.tse.jus.br/comunicacao/noticias/2014/Dezembro/plenario-do-tse-proclama-resultado-definitivo-do-segundo-turno-da-eleicao-presidencial
103. Tribunal Superior Eleitoral (TSE). (2018). Concluída a totalização de votos do 1º turno das Eleições 2018. Portal do TSE (notícia, 09/10/2018). https://www.tse.jus.br/comunicacao/noticias/2018/Outubro/concluida-totalizacao-de-votos-do-1o-turno-das-eleicoes-2018
104. Tribunal Superior Eleitoral (TSE). (2018). Eleições 2018: Justiça Eleitoral conclui totalização dos votos do segundo turno. Portal do TSE (notícia, 30/10/2018). https://www.tse.jus.br/comunicacao/noticias/2018/Outubro/eleicoes-2018-justica-eleitoral-conclui-totalizacao-dos-votos-do-segundo-turno
105. Tribunal Superior Eleitoral (TSE). (2021). Votação de candidatos por município e zona (votacao_candidato_munzona), 2014, 2018 e 2022. Repositório de Dados Eleitorais do TSE. https://cdn.tse.jus.br/estatistica/sead/odsele/votacao_candidato_munzona/votacao_candidato_munzona_2014.zip
106. Tribunal Superior Eleitoral (TSE). (2022). 100% das seções totalizadas: confira como ficou o quadro eleitoral após o 1º turno. Portal do TSE (notícia, 04/10/2022). https://www.tse.jus.br/comunicacao/noticias/2022/Outubro/100-das-secoes-totalizadas-confira-como-ficou-o-quadro-eleitoral-apos-o-1o-turno
107. Tribunal Superior Eleitoral (TSE). (2022). 100% das seções totalizadas: confira como ficou o quadro eleitoral após o 2º turno. Portal do TSE (notícia, 31/10/2022). https://www.tse.jus.br/comunicacao/noticias/2022/Outubro/100-das-secoes-totalizadas-confira-como-ficou-o-quadro-eleitoral-apos-o-2o-turno
108. Tribunal Superior Eleitoral (TSE). (2026). PesqEle Público — Consultar pesquisas (Sistema de Registro de Pesquisas Eleitorais). pesqele-divulgacao.tse.jus.br. https://pesqele-divulgacao.tse.jus.br/app/pesquisa/listar.xhtml
109. Tribunal Superior Eleitoral (TSE). (2026). Detalhe da apuração por município e zona (detalhe_votacao_munzona), cargo Presidente, 1º e 2º turnos de 2006 a 2022. Portal de Dados Abertos do TSE. https://cdn.tse.jus.br/estatistica/sead/odsele/detalhe_votacao_munzona/detalhe_votacao_munzona_2022.zip
110. Tribunal Superior Eleitoral (TSE). (2026). Resultados — Eleição Ordinária Federal 2026, 1º turno (eleição 6257), arquivo br-c0001-e006257-u.json. resultados.tse.jus.br (arquivos públicos de divulgação). https://resultados.tse.jus.br/oficial/ele2026/6257/dados/br/br-c0001-e006257-u.json
111. Tukey, J. W. (1958). Bias and confidence in not-quite large samples (resumo). The Annals of Mathematical Statistics, 29(2), 614. https://doi.org/10.1214/aoms/1177706647
112. Urminsky, O., & Shen, L. (2019). High chances and close margins: How equivalent forecasts yield different beliefs. SSRN (documento de trabalho). https://doi.org/10.2139/ssrn.3448172 *(documento de trabalho, sem revisão por pares)*
113. van der Bles, A. M., van der Linden, S., Freeman, A. L. J., Mitchell, J., Galvão, A. B., Zaval, L., & Spiegelhalter, D. J. (2019). Communicating uncertainty about facts, numbers and science. Royal Society Open Science, 6(5), 181870. https://doi.org/10.1098/rsos.181870
114. van der Bles, A. M., van der Linden, S., Freeman, A. L. J., & Spiegelhalter, D. J. (2020). The effects of communicating uncertainty on public trust in facts and numbers. Proceedings of the National Academy of Sciences, 117(14), 7672–7683. https://doi.org/10.1073/pnas.1913678117
115. van der Meer, T. W. G., Hakhverdian, A., & Aaldering, L. (2016). Off the fence, onto the bandwagon? A large-scale survey experiment on effect of real-life poll outcomes on subsequent vote intentions. International Journal of Public Opinion Research, 28(1), 46–72. https://doi.org/10.1093/ijpor/edu041
116. Veroniki, A. A., Jackson, D., Viechtbauer, W., Bender, R., Bowden, J., Knapp, G., Kuss, O., Higgins, J. P. T., Langan, D., & Salanti, G. (2016). Methods to estimate the between-study variance and its uncertainty in meta-analysis. Research Synthesis Methods, 7(1), 55–79. https://doi.org/10.1002/jrsm.1164
117. Viechtbauer, W. (2005). Bias and efficiency of meta-analytic variance estimators in the random-effects model. Journal of Educational and Behavioral Statistics, 30(3), 261–293. https://doi.org/10.3102/10769986030003261
118. Viechtbauer, W., & Cheung, M. W.-L. (2010). Outlier and influence diagnostics for meta-analysis. Research Synthesis Methods, 1(2), 112–125. https://doi.org/10.1002/jrsm.11
119. Walsh, E., Dolfin, S., & DiNardo, J. (2009). Lies, damn lies, and pre-election polling. American Economic Review, 99(2), 316–322. https://doi.org/10.1257/aer.99.2.316
120. Wang, S. (2008). How will the last holdouts break? Princeton Election Consortium (blog, 3/11/2008). https://election.princeton.edu/articles/how-will-the-last-holdouts-break/ *(blog de pesquisador, sem revisão por pares)*
121. Westwood, S. J., Messing, S., & Lelkes, Y. (2020). Projecting confidence: How the probabilistic horse race confuses and demobilizes the public. The Journal of Politics, 82(4), 1530–1544. https://doi.org/10.1086/708682
122. Wlezien, C., & Erikson, R. S. (2002). The timeline of presidential election campaigns. The Journal of Politics, 64(4), 969–993. https://doi.org/10.1111/1468-2508.00159