ONPE 2026 — Forecast del 2° puesto (Sánchez vs López Aliaga)

Pipeline reproducible para (1) scrapear el portal en vivo de ONPE, (2) modelar Bayesianamente quién termina segundo en la 1ra vuelta presidencial 2026 con covariables socioeconómicas, y (3) comparar dos stacks (PyMC en Python vs brms en R) contra los resultados finales.

Dashboard en vivo: https://artvepa80.github.io/onpe-2026-forecast/

Flujo

onpe_distritos.py  ──► data/*.csv snapshots en vivo (opcional --watch)
                          │
prep.py            ──► data/district_panel.csv
   ├─ ONPE en vivo (26 deps × ~1874 distritos)
   ├─ Baseline 2021 (ONPE 1ra vuelta, RP y JpP)
   └─ Covariables INEI (altitud, IDH, pobreza, densidad, vulnerabilidad)
                          │
            ┌─────────────┼─────────────┐
            ▼                           ▼
models/model_pymc.py         models/model_brms.R
            │                           │
forecasts/pymc_<ts>.json     forecasts/brms_<ts>.json
            └─────────────┬─────────────┘
                          ▼
     models/compare.py  (al cierre de la 1ra vuelta)
                          │
                          ▼
           forecasts/comparison_report.md

GitHub Actions: workflow "Update forecast" corre prep+PyMC cada 30 min,
commitea docs/data/pymc_latest.json → GitHub Pages autosirve el dashboard.

Setup

Python (scraper + PyMC)

python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

R (brms) — opcional, solo local

install.packages(c("brms", "tidyverse", "posterior", "jsonlite", "cmdstanr"))
cmdstanr::install_cmdstan()

Correr

# 1) Snapshot + baseline + covariables → panel
python3 prep.py --out data/district_panel.csv

# 2a) Forecast PyMC (nacional)
python3 models/model_pymc.py --panel data/district_panel.csv

# 2b) Forecast brms (nacional)
Rscript models/model_brms.R data/district_panel.csv forecasts

# Scraper en vivo (refresca snapshots cada N min)
python3 onpe_distritos.py --watch 15

# 3) Al cerrar la primera vuelta
python3 models/compare.py --final data/final_resultados.json

Modelo

Para cada candidato k ∈ {Sánchez, LA}, por distrito d:

y_{k,d} | n_d ~ BetaBinomial(n_d, α=p·κ, β=(1-p)·κ)         ← overdispersion κ
logit(p_{k,d}) = α_{dep[d]} + β · logit(baseline_{k,d})      ← efecto 2021
                 + γ₁·altitud + γ₂·IDH + γ₃·pobreza           ← covariables
                 + γ₄·log(densidad) + γ₅·vuln_alim               económicas
                 + ε_d                                        ← ruido distrital

α_dep = μ + σ_dep · α_raw       (non-centered)
ε_d   = σ_dist · eps_raw        (non-centered)
κ ~ HalfNormal(15) + 1
γ ~ Normal(0, 0.5)               (covariables estandarizadas → coefs comparables)

Baselines 2021:

• Sánchez → Juntos por el Perú (Mendoza 2021) — proxy razonable, misma coalición.
• López Aliaga → Renovación Popular 2021 (él mismo).

Actas pendientes: se proyecta n_pend_d ≈ actas_pendientes × (votos/acta vistos). Posterior predictive BetaBinomial + un swing nacional N(0, 0.08) en logit capturan incertidumbre de llegada (zonas tardías rinden distinto que las tempranas).

Covariables econométricas (Capa 1)

Datos INEI por distrito (via jmcastagnetto/ubigeo-peru-aumentado):

Covariable	Fuente	Transform
altitud_m	INEI	÷ 1000 (km) + z-score
idh_2019	PNUD	z-score
pct_pobreza	INEI 2018	÷100 + z-score
densidad_2020	INEI	log1p + z-score
vuln_alim	INEI	z-score

Coeficientes γ están estandarizados → su magnitud se interpreta como "efecto sobre logit(voto) por 1 desviación estándar de la covariable".

Qué mide cada modelo

Output	PyMC	brms
Mediana + CI 95% de votos finales	✅	✅
P(Sánchez > LA)	✅	✅
R̂ + ESS del sampler	✅	✅
Coeficientes γ (covariables)	✅	(falta portar)
Backend	NUTS (pytensor)	Stan (cmdstanr)
Tiempo típico nacional	~3 min	~5 min

Ambos modelos son matemáticamente equivalentes. Al cierre de 1ra vuelta compare.py evalúa: MAE en votos, cobertura del CI 95%, Brier score, dirección correcta.

GitHub Actions — flujo híbrido

.github/workflows/update-forecast.yml corre cada 30 min:

1. Checkout + Python 3.12 + cache pip
2. pip install -r requirements.txt
3. Intenta scrape ONPE (3 intentos con backoff 60/120/180s)
4. Si el WAF de ONPE bloquea las IPs de GitHub runners, cae a data/district_panel.csv committeado (modo fallback — modelo corre con el último panel que el usuario subió localmente)
5. python models/model_pymc.py --draws 500 --tune 500 --chains 2
6. Copia forecasts/pymc_latest.json a docs/data/
7. git pull --rebase + commit + push con retry

GitHub Pages autosirve docs/ — el dashboard se refresca solo.

Forzar ejecución manual:

gh workflow run "Update forecast" --repo artvepa80/onpe-2026-forecast --ref main

Refrescar panel desde tu máquina

Si el WAF de ONPE está bloqueando al runner, scrape local y pushea:

.venv/bin/python prep.py --out data/district_panel.csv
git add data/district_panel.csv
git commit -m "data: refresh panel ONPE $(date +%Y-%m-%d_%H:%M)"
git push
# El workflow programado recoge el panel fresco en el próximo run

Limitaciones conocidas

1. Baselines 2021 imperfectos. Sánchez no es Mendoza; el β estimado en el modelo captura el grado de persistencia geográfica.
2. Sesgo de llegada mitigado, no eliminado. El national swing N(0, 0.08) añade ±1.5pp de incertidumbre, pero una llegada sistemática de zonas extremas (p.ej., todo el extranjero al final) no se modela explícitamente.
3. Votos en el extranjero (idAmbitoGeografico=2) no están en el panel; son ~3-4% del total y habría que modelarlos aparte.
4. Actas observadas JEE (~0.5%) pueden anularse — no modelado.
5. Convergencia del sampler Sánchez: rhat puede flotar en 1.10-1.20 con 500 draws; para rhat ≤1.01 se recomienda --draws 2000 --chains 4 (workflow lo hace en modo reducido por tiempo de CI).

Próximos pasos

• Capa 2 — econometría espacial (SAR/SEM con matriz de contigüidad)
• Capa 3 — multinomial logit para forecast de 2da vuelta (7 junio) con trasvase de votos LA/Nieto/Belmont → Fujimori vs Sánchez

Licencia

MIT (código). Los datos de ONPE y INEI son públicos.