Um Modelo Bayesiano Estrutural para Agregação de Pesquisas Eleitorais com Dinâmica de Indecisos e Rejeição

 As eleições brasileiras das últimas décadas produziram um paradoxo recorrente. À medida que os institutos de pesquisa sofisticaram seus métodos e ampliaram o volume de dados coletados, a expectativa era de maior precisão nas previsões. No entanto, ciclos eleitorais sucessivos mostraram o contrário: erros sistemáticos persistiram, muitas vezes concentrados justamente nos momentos decisivos. Em 2010, 2014, 2018 e 2022, candidatos relevantes foram consistentemente subestimados nas pesquisas finais, quase sempre na mesma direção. A explicação para esse fenômeno não está na ausência de dados, mas na forma como eles são interpretados.

O ponto de partida da análise é o modelo tradicional de agregação de pesquisas. Nesse modelo, cada levantamento é tratado como uma estimativa ruidosa de uma preferência latente fixa. Ao ponderar pesquisas por tamanho da amostra, margem de erro e recência, obtém-se uma média considerada a melhor aproximação do estado real da disputa. Esse procedimento, embora estatisticamente sólido, carrega uma suposição implícita: a de que o eleitorado já está distribuído de forma estável entre os candidatos e que os indecisos são, na prática, irrelevantes ou neutros.

Os dados mostram que essa suposição é equivocada.

Ao longo dos ciclos eleitorais analisados, observa-se que uma parcela significativa do eleitorado permanece indecisa ou pouco engajada até a reta final. Mais importante ainda, essa parcela não se distribui aleatoriamente. Ela tende a migrar de forma sistemática, geralmente em direção a candidatos com maior capacidade de crescimento naquele momento específico da campanha. Ignorar essa dinâmica transforma o agregado de pesquisas em uma fotografia estática de um sistema que, na realidade, é dinâmico.

Para lidar com essa limitação, foi desenvolvido um modelo bayesiano estrutural que mantém a base estatística da agregação tradicional, mas incorpora dois elementos adicionais: a realocação não neutra dos indecisos e a existência de limites estruturais de crescimento dos candidatos, frequentemente associados à rejeição.

O primeiro componente do modelo consiste na agregação bayesiana das pesquisas. Cada observação é ponderada por sua precisão estatística, medida pela margem de erro, por sua recência, capturada por um fator de decaimento temporal, e por um peso de qualidade associado ao histórico do instituto. O resultado é uma estimativa central da intenção de voto para cada candidato, acompanhada de um intervalo de incerteza.

O segundo componente redefine o papel dos indecisos. Em vez de tratá-los como uma massa neutra, o modelo assume que sua redistribuição depende de características estruturais dos candidatos. Entre essas características, destacam-se o momentum eleitoral — a tendência recente de crescimento ou queda nas pesquisas — e a rejeição, que funciona como um teto implícito para a expansão do apoio. Formalmente, os indecisos são distribuídos de acordo com uma função que favorece candidatos em ascensão e penaliza aqueles com maior rejeição.

O terceiro componente, mais sutil, impõe limites ao crescimento. Mesmo que um candidato apresente forte momentum, sua capacidade de absorver indecisos não é ilimitada. Altos níveis de rejeição reduzem o espaço disponível para expansão, criando uma dinâmica em que parte do eleitorado acaba sendo direcionada a alternativas viáveis.

Aplicado retrospectivamente às eleições brasileiras, esse modelo produz resultados reveladores.

Ano	Erro principal	Mecanismo
2010	Marina subestimada	crescimento tardio
2014	Aécio subestimado	voto útil
2018	Bolsonaro subestimado	indecisos + voto oculto
2022	Bolsonaro subestimado	indecisos + realocação

Em 2010, a candidata Marina Silva foi amplamente subestimada pelas pesquisas finais, que a colocavam na faixa de 12% a 14%. O resultado oficial foi de 19,3%. O modelo tradicional capturou com precisão o consenso das pesquisas, mas não o resultado real. Ao incorporar a redistribuição dos indecisos e um limite implícito para o crescimento de Dilma Rousseff, o modelo estrutural eleva a estimativa de Marina para cerca de 20%, aproximando-se significativamente do resultado observado.

Em 2014, o padrão se repete com outro protagonista. Aécio Neves aparecia nas pesquisas finais com cerca de 23% a 24% das intenções de voto. O resultado oficial foi de 33,6%. Mais uma vez, o erro não estava disperso, mas concentrado. O modelo estrutural, ao considerar o movimento de voto útil e a queda de Marina Silva nas semanas finais, redistribui os indecisos de forma assimétrica e eleva a estimativa de Aécio para aproximadamente 30%, reduzindo substancialmente o erro.

O caso de 2018 é ainda mais ilustrativo. Jair Bolsonaro foi sistematicamente subestimado nas pesquisas, que o colocavam em torno de 35%. O resultado oficial foi de 46%. Nesse ciclo, além dos indecisos, há evidência de voto oculto, com parte do eleitorado relutante em declarar sua preferência. O modelo estrutural, ao atribuir maior peso a Bolsonaro na absorção dos indecisos, projeta um resultado próximo de 46%, praticamente coincidindo com o observado.

Em 2022, o fenômeno reaparece. As pesquisas finais indicavam Bolsonaro com cerca de 35% a 37% das intenções de voto, enquanto o resultado oficial foi de 43,2%. O modelo estrutural, novamente, corrige esse desvio ao redistribuir indecisos e considerar a transferência de votos de candidatos menores, aproximando a estimativa do valor real.

O padrão que emerge desses quatro ciclos é consistente. Em todos eles, o erro das pesquisas não decorre de falhas aleatórias, mas de um problema estrutural: a interpretação inadequada dos indecisos e a ausência de restrições de crescimento no modelo.

Isso não significa que as pesquisas estejam “erradas” no sentido convencional. Elas medem corretamente a intenção de voto declarada no momento da coleta. O problema é que o resultado eleitoral não é uma simples agregação dessas intenções. Ele é o produto de um processo dinâmico que continua até o dia da votação.

A implicação mais importante dessa análise é conceitual. Eleições não devem ser tratadas como estados estáticos, mas como sistemas em evolução. O agregado de pesquisas representa uma condição inicial, não um resultado final. A trajetória entre esses dois pontos é determinada por fatores que vão além da média das intenções de voto.

Entre esses fatores, a rejeição desempenha um papel central. Ao limitar o crescimento de determinados candidatos, ela influencia indiretamente a distribuição dos indecisos. Em cenários polarizados, como os observados no Brasil, pequenas diferenças de rejeição podem ter efeitos desproporcionais no resultado final, especialmente quando o número de indecisos é elevado.

Outro fator relevante é o momentum. Mudanças rápidas na percepção dos eleitores, muitas vezes associadas a eventos de campanha, debates ou crises, podem alterar significativamente a direção do fluxo de votos. Modelos que ignoram essa dimensão temporal tendem a subestimar candidatos em ascensão.

A combinação desses elementos — indecisos não neutros, rejeição como limite e dinâmica temporal — fornece uma explicação unificada para os erros observados nas pesquisas eleitorais brasileiras. Mais do que corrigir previsões específicas, o modelo estrutural proposto redefine a forma como esses dados devem ser interpretados.

A principal conclusão é simples, mas poderosa. O resultado de uma eleição não depende apenas de quem está na frente nas pesquisas, mas de quem ainda pode crescer e de como os eleitores indecisos se distribuem nesse espaço restante. Ignorar essa dinâmica é confundir uma fotografia com um filme.

Essa mudança de perspectiva não elimina a incerteza inerente ao processo eleitoral, mas permite compreendê-la melhor. Em vez de tratar erros como anomalias, o modelo mostra que eles são, em grande medida, previsíveis quando se considera a estrutura do sistema.

No fim, a pergunta mais relevante deixa de ser quem lidera nas pesquisas e passa a ser outra: para onde irão os votos que ainda não foram decididos. É nesse movimento final, muitas vezes invisível nas médias estatísticas, que as eleições são de fato decididas.

O peso invisível da rejeição e como ela pode favorecer Flávio

A leitura tradicional das pesquisas eleitorais costuma partir de uma premissa simples: quem aparece na frente nas intenções de voto tende a ser o favorito. Essa lógica, embora intuitiva, pode levar a conclusões incompletas em cenários de alta polarização. Uma análise mais detalhada, baseada na agregação de pesquisas com métodos estatísticos avançados, indica que há um fator menos visível que pode alterar significativamente o diagnóstico de uma eleição. Trata-se da rejeição.

Ao longo dos últimos meses, diferentes institutos têm medido tanto a intenção de voto quanto a taxa de rejeição dos principais candidatos. Para entender melhor o quadro, foi aplicado um modelo bayesiano de agregação, que pondera cada pesquisa de acordo com sua margem de erro, sua recência e o histórico de precisão do instituto responsável. Esse tipo de abordagem evita que levantamentos mais antigos ou menos confiáveis tenham o mesmo peso que pesquisas recentes e tecnicamente mais consistentes. Também permite corrigir distorções recorrentes associadas a determinados institutos, conhecidas como vieses de casa.

Quando se observa apenas a intenção de voto no segundo turno entre Lula e Flávio Bolsonaro, o resultado agregado aponta para um empate técnico. Ambos aparecem na faixa de 44 a 45 por cento, com uma diferença média muito pequena, ligeiramente favorável a Lula, mas sem relevância estatística. Nesse estágio da análise, a conclusão seria a de uma disputa completamente aberta, dependente da movimentação dos eleitores indecisos.

O contingente de indecisos e ausentes, que gira em torno de dez a doze por cento, reforça essa leitura inicial. Se esses eleitores forem distribuídos de forma proporcional às intenções atuais, o resultado permanece equilibrado, com cada candidato alcançando algo próximo de metade dos votos válidos. Isso sugere que nenhum dos dois possui base suficiente para garantir a vitória por conta própria. A decisão final dependeria, portanto, da capacidade de conquistar esse segmento ainda indefinido.

É nesse ponto que a rejeição passa a desempenhar um papel decisivo. Diferentemente da intenção de voto, que mede preferência, a rejeição captura um limite. Ela indica o percentual de eleitores que afirmam não votar em determinado candidato sob nenhuma circunstância. Em termos práticos, funciona como uma barreira para o crescimento.

Ao agregar as pesquisas de rejeição com o mesmo rigor metodológico, surge uma diferença consistente entre os dois nomes analisados. Lula apresenta níveis de rejeição na casa de cinquenta por cento, enquanto Flávio Bolsonaro aparece alguns pontos abaixo, na faixa de quarenta e seis a quarenta e sete por cento. Essa diferença, embora aparentemente modesta, implica limites distintos de expansão eleitoral.

Quando se traduz a rejeição em espaço potencial de crescimento, o quadro se torna mais claro. Um candidato com cinquenta por cento de rejeição dispõe, em teoria, de cinquenta por cento do eleitorado como campo possível de apoio. Já um candidato com rejeição menor tem um universo mais amplo de eleitores disponíveis. Isso significa que, mesmo partindo de níveis semelhantes de intenção de voto, os dois candidatos não têm as mesmas condições de absorver os indecisos.

Ao incorporar essa restrição ao modelo, a dinâmica da eleição muda. Lula se aproxima rapidamente de seu limite potencial à medida que recebe parte dos indecisos. Em determinado ponto, sua capacidade de crescimento se esgota. Flávio, por outro lado, ainda dispõe de espaço adicional e continua absorvendo os eleitores restantes. O resultado desse processo é um deslocamento gradual da vantagem.

As simulações realizadas com base nesse modelo apontam para um cenário em que Flávio Bolsonaro termina o segundo turno com cerca de cinquenta e um a cinquenta e dois por cento dos votos válidos, enquanto Lula fica entre quarenta e oito e quarenta e nove por cento. A diferença esperada varia de três a quatro pontos percentuais. Não se trata de uma vantagem ampla, mas é consistente ao longo das simulações.

É importante destacar que esse resultado não surge exclusivamente da rejeição. Mesmo sem impor um limite rígido, a combinação de correção de vieses entre institutos e redistribuição dos indecisos já produz uma leve inclinação em favor de Flávio. O papel da rejeição é intensificar essa tendência, transformando uma disputa equilibrada em um cenário com vantagem mais clara.

Essa constatação ajuda a explicar por que eleições polarizadas muitas vezes surpreendem observadores que se baseiam apenas na intenção de voto. Em contextos assim, a escolha do eleitor não se resume a preferir um candidato, mas também a rejeitar o outro. Quando a rejeição é alta, ela reduz a capacidade de conversão de novos eleitores, mesmo que a intenção de voto inicial seja competitiva.

A implicação prática é que a pergunta central deixa de ser quem está na frente nas pesquisas e passa a ser quem ainda pode crescer. Sob esse critério, a diferença de rejeição ganha relevância estratégica. Um candidato pode liderar momentaneamente, mas, se estiver próximo de seu limite, terá dificuldade para ampliar essa vantagem.

No cenário analisado, Lula mantém uma posição competitiva ao longo de toda a série de pesquisas, mas enfrenta uma restrição estrutural que limita sua expansão. Flávio Bolsonaro, mesmo sem abrir grande vantagem nas intenções de voto, apresenta maior margem para captar eleitores indecisos ou pouco engajados. Esse desequilíbrio, ainda que sutil, tende a se manifestar no resultado final.

A principal conclusão é que a leitura das pesquisas precisa ir além dos números mais imediatos. Intenção de voto e rejeição são dimensões complementares de um mesmo fenômeno. Ignorar uma delas pode levar a diagnósticos equivocados. Quando ambas são consideradas de forma integrada, o retrato da eleição se torna mais completo e, em alguns casos, aponta para direções diferentes das sugeridas pelas manchetes mais comuns.

Em disputas apertadas, como esta, a diferença entre vitória e derrota pode estar menos nos votos já declarados e mais nos limites invisíveis que moldam o comportamento do eleitorado.

Crescimento de Flávio desacelera nas últimas pesquisas, após arrancada despois da oficialização da candidatura

 A evolução recente das pesquisas de intenção de voto para o segundo turno da eleição presidencial brasileira revela uma dinâmica complexa, marcada por mudanças estruturais ao longo do tempo, forte dependência de recência dos dados e um processo de convergência entre os dois principais candidatos. A análise aqui apresentada utiliza um modelo de agregação bayesiana combinado com técnicas de suavização não paramétrica (LOESS), incorporando pesos derivados da precisão estatística das pesquisas e de sua atualidade temporal. O objetivo é extrair um sinal robusto da série de levantamentos disponíveis, reduzindo o ruído inerente a medições amostrais e permitindo uma leitura mais clara das tendências subjacentes.

O ponto de partida metodológico consiste em tratar cada pesquisa como uma observação ruidosa de uma variável latente: o verdadeiro nível de intenção de voto de cada candidato na população. A incerteza associada a cada observação é aproximada a partir da margem de erro divulgada, convertida em desvio padrão pela relação clássica σ = margem/1,96. Isso permite definir um peso de precisão proporcional ao inverso da variância (1/σ²), de modo que pesquisas mais precisas — seja por maior tamanho amostral, seja por menor margem de erro — exerçam maior influência no agregado. A esse componente soma-se um fator de decaimento temporal exponencial, definido por exp(-Δ/τ), onde Δ representa a distância em dias entre a data da pesquisa e a data de referência, e τ controla a velocidade de perda de relevância das informações antigas. Neste caso, adota-se τ = 15 dias, implicando que pesquisas com cerca de duas semanas já têm seu peso significativamente reduzido, refletindo a natureza dinâmica do ambiente eleitoral.

Além disso, o modelo incorpora um ajuste de qualidade histórica dos institutos, baseado em métricas de erro observadas em ciclos eleitorais anteriores. Institutos com melhor desempenho histórico recebem um fator multiplicativo mais alto, enquanto aqueles sem histórico ou com desempenho inferior são penalizados. O peso final de cada observação resulta do produto desses três componentes: precisão, recência e qualidade. No caso específico da análise do segundo turno, como cada pesquisa apresenta diretamente o confronto entre os dois candidatos, não há necessidade de ajuste adicional para cenários múltiplos.

Uma vez definidos os pesos, procede-se à estimação bayesiana das intenções de voto agregadas, assumindo um prior fraco (não informativo) e uma função de verossimilhança normal para cada observação. O resultado é uma média ponderada que pode ser interpretada como a melhor estimativa pontual do apoio eleitoral, acompanhada de um intervalo de credibilidade que expressa a incerteza residual. Paralelamente, para capturar a evolução temporal de forma contínua, aplica-se uma suavização LOESS ao “spread” entre os candidatos — definido como a diferença entre os percentuais de Flávio Bolsonaro e Lula. Essa suavização também incorpora os pesos bayesianos, garantindo consistência entre a agregação estatística e a análise de tendência.

Os resultados revelam uma transformação significativa ao longo do período analisado. Em meados de 2025, o cenário era amplamente favorável a Lula, com vantagens frequentemente superiores a dez pontos percentuais. Esse domínio inicial aparece de forma clara na curva suavizada do spread, que se encontra em território fortemente negativo, indicando uma liderança confortável. No entanto, ao longo do segundo semestre de 2025, observa-se uma gradual redução dessa vantagem, acompanhada por uma inclinação positiva da curva, sinal de crescimento relativo do adversário.

O elemento mais relevante emerge na virada para 2026. A análise da derivada da curva LOESS , que representa a velocidade da mudança, mostra uma aceleração pronunciada no início do ano, com valores significativamente positivos. Isso indica que o ganho de terreno de Flávio Bolsonaro não apenas continuou, mas se intensificou em ritmo elevado. 

Trata-se de um comportamento típico de mudanças de regime em séries temporais, em que a dinâmica deixa de ser incremental e passa a apresentar características de transição rápida. Essa fase de aceleração culmina no cruzamento da linha de zero do spread, ocorrido aproximadamente entre o final de fevereiro e o início de março de 2026, momento em que a liderança passa de um candidato para o outro.

Após esse ponto de inflexão, a curva permanece em território positivo, indicando vantagem para Flávio Bolsonaro. No entanto, a análise da derivada sugere que a intensidade do movimento começa a diminuir. Embora ainda positiva, a velocidade da mudança apresenta sinais de desaceleração, o que pode ser interpretado como uma fase de estabilização do sistema. Em termos eleitorais, isso sugere que o período de maior volatilidade já ocorreu, e que o cenário atual é caracterizado por uma disputa mais equilibrada, com menor espaço para variações abruptas — embora ainda sujeito a mudanças dependendo de novos eventos ou choques exógenos.

A agregação bayesiana pontual, consistente com a análise de tendência, indica uma vantagem moderada para Flávio Bolsonaro, da ordem de poucos pontos percentuais, com intervalo de incerteza que ainda inclui a possibilidade de empate técnico. Simulações de Monte Carlo baseadas nessas estimativas apontam uma probabilidade maior de vitória para Flávio, mas longe de uma certeza estatística absoluta. Isso reforça a interpretação de que, apesar da mudança de liderança, a eleição permanece competitiva.

Do ponto de vista interpretativo, a combinação entre LOESS e derivadas fornece um quadro mais rico do que a simples observação de médias. Enquanto o nível da curva indica quem está à frente, sua inclinação revela a direção do movimento, e a derivada explicita a velocidade desse movimento. 

É importante destacar que o modelo adotado não pretende prever o resultado final de forma determinística, mas sim oferecer uma estimativa probabilística baseada nas informações disponíveis. As premissas de normalidade dos erros, independência entre pesquisas e estabilidade dos parâmetros são simplificações necessárias, mas que podem não capturar plenamente todas as nuances do processo eleitoral. Ainda assim, a robustez dos resultados frente a diferentes testes de sensibilidade — como a exclusão de institutos específicos ou a restrição a janelas temporais mais curtas — sugere que as conclusões principais são consistentes.

 A análise das pesquisas de segundo turno indica uma mudança clara na dinâmica eleitoral ao longo dos últimos meses, com a transição de um cenário de vantagem confortável para Lula para uma situação de leve vantagem para Flávio Bolsonaro. Essa mudança ocorreu de forma relativamente rápida, concentrada no início de 2026, e atualmente parece ter entrado em fase de estabilização. A disputa permanece aberta, com níveis de incerteza que recomendam cautela na interpretação de qualquer projeção pontual, mas o padrão de tendência observado fornece evidências sólidas de que o equilíbrio de forças entre os candidatos se alterou de maneira significativa.

A eleição passa pelos indecisos: como a queda da aprovação redefine a disputa entre Lula e Flávio

 A dinâmica recente da corrida presidencial brasileira revela um padrão menos intuitivo do que sugerem as leituras superficiais das pesquisas. Em vez de um simples embate direto entre dois candidatos, o que emerge dos dados é um sistema mais complexo, no qual a avaliação do governo, o comportamento dos eleitores indecisos e a evolução do diferencial de votos entre Lula e Flávio interagem de forma estruturada ao longo do tempo. A compreensão desse mecanismo exige ir além da leitura pontual das sondagens e reconstruir a engrenagem que conecta opinião pública e intenção de voto.

O ponto de partida da análise foi a construção de um banco de dados consolidado a partir de dezenas de pesquisas realizadas entre 2024 e 2026. Esse material inclui séries de avaliação do governo — medidas como “ótimo/bom” versus “ruim/péssimo” —, estimativas de indecisos e intenções de voto tanto no primeiro quanto no segundo turno. Como essas pesquisas não são realizadas simultaneamente, foi necessário harmonizar as séries temporais. Para isso, utilizou-se um procedimento de alinhamento por proximidade de datas, seguido de uma etapa crucial: a suavização temporal por meio de LOESS, uma técnica estatística que permite extrair o sinal subjacente de séries ruidosas e irregulares.

A aplicação do LOESS transforma dados fragmentados em trajetórias contínuas. Em vez de enxergar cada pesquisa como um ponto isolado, passamos a observar tendências. Isso é particularmente importante em um ambiente onde diferentes institutos utilizam metodologias distintas, produzindo variações que nem sempre refletem mudanças reais no eleitorado. Ao suavizar essas oscilações, o modelo passa a capturar melhor a dinâmica estrutural da disputa.

Com as séries suavizadas em mãos, foi estimado um modelo VAR estrutural (SVAR), organizado em quatro blocos: aprovação do governo, indecisos no primeiro turno, diferencial de votos no primeiro turno e diferencial no segundo turno. A ordem causal imposta ao modelo segue uma lógica substantiva: a avaliação do governo afeta o comportamento dos eleitores, que por sua vez influencia a distribuição de votos. O segundo turno aparece como resultado final desse encadeamento.

Os resultados do modelo são consistentes e reveladores. O primeiro achado é que a aprovação do governo funciona como variável-mãe do sistema. Choques nessa variável — positivos ou negativos — propagam-se ao longo de toda a estrutura eleitoral. Quando a aprovação melhora, o diferencial de votos tende a se deslocar a favor de Lula; quando piora, o movimento ocorre na direção oposta, favorecendo Flávio. Esse efeito aparece tanto no primeiro quanto no segundo turno, com defasagens temporais que sugerem um processo de transmissão gradual.

Mas o elemento mais interessante do modelo não está no efeito direto da aprovação, e sim no papel desempenhado pelos indecisos. Ao contrário do que se poderia supor, os indecisos não são apenas um grupo residual ou passivo. Eles funcionam como um canal ativo de transmissão. A análise mostra que mudanças na aprovação alteram o tamanho desse contingente e, mais importante, a forma como ele se resolve ao longo do tempo.

A decomposição causal, baseada nas séries suavizadas, permite quantificar esse mecanismo. Para cada queda de um ponto na aprovação líquida do governo, o modelo estima um efeito direto negativo de cerca de 0,40 ponto percentual sobre o voto em Flávio. Em outras palavras, isoladamente, a piora da avaliação do governo não beneficiaria o candidato da oposição. No entanto, esse efeito é mais do que compensado por um canal indireto: a mesma queda na aprovação reduz o nível de indecisos, e essa redução se traduz em um ganho de aproximadamente 0,85 ponto percentual para Flávio.

O resultado líquido é positivo: cerca de 0,44 ponto percentual a favor de Flávio para cada ponto de deterioração na aprovação. Mas o que chama atenção é a decomposição desse efeito. Mais de 100% do crescimento do candidato vem do canal indireto, enquanto o efeito direto atua na direção oposta. Em termos substantivos, isso significa que Flávio não cresce porque se torna diretamente mais atraente quando o governo se enfraquece, mas porque consegue capturar de forma desproporcional o eleitor que deixa de apoiar o incumbente.

Esse achado redefine a interpretação da corrida eleitoral. Em vez de um processo de transferência direta de votos, o que se observa é uma dinâmica em duas etapas. Primeiro, a deterioração da aprovação fragiliza a base de apoio do governo e aumenta a fluidez do eleitorado. Em seguida, essa fluidez se resolve, e é nesse momento que Flávio se beneficia. Os indecisos, portanto, não são a causa primária do movimento, mas o mecanismo pelo qual ele se concretiza.

A robustez desse resultado foi testada de diferentes formas. A introdução da suavização LOESS reduziu significativamente o ruído das séries e estabilizou os coeficientes do modelo. Além disso, a consistência dos sinais ao longo das diferentes especificações — com e sem suavização — reforça a confiabilidade da interpretação. Ainda que as magnitudes exatas devam ser lidas com cautela, a direção dos efeitos se mantém clara.

Essa estrutura permite avançar para uma simulação prospectiva. Um dos parâmetros mais relevantes em qualquer eleição é o nível de indecisos próximo ao dia da votação. Historicamente, esse percentual tende a cair à medida que a eleição se aproxima. Com base nas estimativas do modelo, é possível simular um cenário em que os indecisos no segundo turno se situem em torno de 5%.

Partindo de níveis recentes — com Flávio em torno de 45,9% e indecisos próximos de 8,7% —, a redução para 5% implica a realocação de aproximadamente 3,7 pontos percentuais do eleitorado. Utilizando a regra de alocação estimada pelo modelo, segundo a qual cerca de 65% desse fluxo tende a migrar para Flávio, chega-se a um ganho adicional de aproximadamente 2,4 pontos percentuais para o candidato.

Nesse cenário, Flávio alcançaria cerca de 48,3% dos votos válidos, enquanto Lula ficaria próximo de 46,7%. A diferença, embora não seja ampla, indicaria uma vantagem consistente para o candidato da oposição. É importante ressaltar que essa projeção não é determinística. Ela depende da manutenção das condições estruturais observadas — em especial, do padrão de resolução dos indecisos.

Ainda assim, a simulação oferece uma leitura clara: se o nível de indecisos cair para patamares historicamente compatíveis com o dia da eleição, e se a dinâmica de realocação observada nas pesquisas se mantiver, o sistema eleitoral tende a favorecer Flávio. A eleição, portanto, pode ser decidida menos pela variação direta da aprovação e mais pela forma como o eleitor marginal se posiciona no momento final.

Em síntese, o modelo revela uma eleição mediada, não linear. A aprovação do governo continua sendo o principal determinante do ambiente político, mas seu efeito sobre o resultado eleitoral passa por um filtro essencial: a resolução dos indecisos. É nesse espaço intermediário, muitas vezes negligenciado nas análises tradicionais, que a disputa efetivamente se define.