- Outubro, 2026
- Autoria: Akira Pinto-Medeiros e Bruno Wilhelm
- Nº 6
- Vol. 3
- Resumo:
Introdução: A previsão eleitoral em sistemas proporcionais de lista aberta é um desafio metodológico significativo. Com 513 cadeiras distribuídas em 27 distritos eleitorais, mais de trinta partidos registrados e milhares de candidatos competindo simultaneamente, a eleição para a Câmara dos Deputados brasileira é especialmente difícil de prever. Ao contrário das corridas majoritárias, não existem pesquisas de opinião pública cobrindo sistematicamente as eleições legislativas brasileiras. Este trabalho utiliza técnicas de Machine Learning para prever o resultado das eleições de 2026 para a Cämara. Métodos: Usamos modelos de aprendizado de máquina treinados em quatro ciclos eleitorais anteriores. Empregamos três algoritmos de classificação — Regressão Logística, Gradient Boosting e uma Rede Neural Multilayer Perceptron (MLP) — treinados em um conjunto de candidatos competitivos (N = 9.946). Os modelos utilizam como preditores a receita de campanha, a incumbência, o gênero, o nível educacional e a família ideológica do partido. Resultados: Os três modelos alcançam forte desempenho fora da amostra (AUC > 0,90) e suas previsões são amplamente consistentes entre si. No nível partidário, o modelo MLP prevê o União Brasil como o maior vencedor (+20 cadeiras), enquanto o PL deve perder 16 cadeiras apesar de continuar sendo o maior partido individual. Discussão: Os resultados confirmam que receita de campanha, incumbência, gênero e escolaridade são preditores robustos e consistentes do sucesso eleitoral na Câmara dos Deputados ao longo de quatro ciclos eleitorais. Os resultados são preliminares e serão avaliados em relação aos resultados oficiais do TSE após 4 de outubro de 2026.
.
.
