Sesgo de selección en encuestas de opinión

Qué es

El sesgo de selección aparece cuando el grupo del que efectivamente obtenemos datos no es una muestra aleatoria de la población que queremos describir. La cifra que resulta puede ser impecable en términos aritméticos y aun así medir otra cosa: no la opinión de los chilenos, sino la opinión de los chilenos que contestaron. En encuestas de opinión el problema tiene dos puertas de entrada. La primera es el marco muestral: si se llama a teléfonos fijos, quedan fuera los hogares que solo tienen celular; si se encuesta por panel online, quedan fuera quienes no se inscriben en paneles. La segunda, hoy dominante, es la no respuesta: se contacta a una muestra probabilística correcta, pero solo una fracción decide participar, y esa fracción difiere sistemáticamente del resto.

La formulación clásica del problema en econometría es la de James Heckman (1979), que mostró que la selección muestral puede tratarse como un problema de variable omitida: la probabilidad de ser observado depende de factores no observados que también afectan la variable de interés, y por eso el estimador queda sesgado incluso con muestras enormes. Ese es el punto contraintuitivo y el que más cuesta internalizar: aumentar el tamaño de la muestra no arregla nada. Un millón de respuestas de personas autoseleccionadas es un millón de respuestas sesgadas. La ilustración canónica es el desastre del Literary Digest en la elección presidencial estadounidense de 1936: dos millones de respuestas —una muestra colosal para la época— predijeron la derrota de Roosevelt, que ganó por 61%. El problema no era el tamaño sino de dónde salían las direcciones (registros de automóviles y suscriptores telefónicos, sesgados por ingreso en plena Depresión) y quiénes se molestaban en devolver la papeleta.

La otra pieza es que el error de selección no se comporta como el error muestral. El margen de error que reportan las encuestas —"±3 puntos"— cuantifica solo la variabilidad de un muestreo aleatorio. El sesgo de selección es un desplazamiento del centro, no un ruido alrededor de él: no disminuye con la raíz del tamaño muestral y no aparece en la barra de error. Xiao-Li Meng (2018) formalizó esto y mostró que basta una correlación mínima entre responder y la opinión medida para que una muestra gigantesca tenga la misma precisión efectiva que una muestra aleatoria diminuta —lo que llamó la "paradoja del big data".

En encuestas políticas hay un caso particular con nombre propio: el sesgo de no respuesta diferencial. Si quienes se sienten identificados con una causa contestan a mayor tasa que los indiferentes o los estigmatizados, la encuesta sobrerrepresenta el entusiasmo. La ponderación posterior —reponderar por sexo, edad, zona, nivel educacional o voto pasado— corrige el desbalance en las variables observadas, pero no puede corregir el desbalance en aquello que no se midió: el entusiasmo mismo, que es justamente la variable que decide la elección.

Cómo lo explicó el programa

En Buenas Tardes Mercado del 10 de septiembre de 2026, en el bloque "Casas de apuestas versus encuestas", el panel comparó dos instrumentos para anticipar la elección legislativa estadounidense y se inclinó por el mercado antes que por la encuesta. El argumento no fue estadístico sino de incentivos: la encuesta la contestan los partisanos y responder no cuesta nada, mientras que en la apuesta hay dinero comprometido. Pepe Arias lo resumió así: "Las apuestas no es un problema de simpatía, es un problema de percepción de la realidad". Sobre esa base, el programa citó que las casas de apuestas daban a los demócratas ganando el Senado por margen estrecho (53-49) y la Cámara de Representantes ya perdida para los republicanos.

Lo interesante es que la frase de Arias identifica el mecanismo exacto del sesgo sin usar el vocabulario técnico. Que responder "no cueste nada" es precisamente lo que permite que la decisión de participar quede en manos de quien tiene más ganas de expresarse, que es el partisano; el costo cero no filtra, y por eso el filtro lo hace la intensidad de la preferencia. La apuesta, en cambio, impone un precio a equivocarse, lo que separa lo que uno desea de lo que uno cree que va a pasar. Vale la pena advertir el contrapunto: los mercados de predicción tienen su propio sesgo de selección —participa quien tiene acceso a la plataforma, tolerancia al riesgo y dinero disponible— y son mercados delgados, donde una posición grande mueve el precio. No son un termómetro limpio; son un termómetro con otro tipo de suciedad.

Relación con otros conceptos

El sesgo de selección es primo directo de la selección adversa en mercados de seguros y crédito: en ambos casos, quién decide participar está correlacionado con la característica que se quiere medir o cubrir. Comparte raíz con el problema de la información asimétrica, porque el sesgo nace de que el observador no ve la regla con que el observado decide aparecer. Del lado de los precios como señales, conecta con la hipótesis de mercados eficientes y con la idea de los mercados de predicción como agregadores de información dispersa —el argumento de Hayek sobre el conocimiento disperso en la sociedad—, que es exactamente lo que el programa invocó al preferir la apuesta. También se cruza con el sesgo de deseabilidad social y con el sesgo de supervivencia, su versión más famosa en finanzas: medir el rendimiento de los fondos que siguen vivos exagera el desempeño de la industria porque los que quebraron ya no están en la base de datos.

Fuentes y lecturas

• Heckman, J. (1979), "Sample Selection Bias as a Specification Error", Econometrica, 47(1), 153-161.
• Meng, X.-L. (2018), "Statistical Paradises and Paradoxes in Big Data (I): Law of Large Populations, Big Data Paradox, and the 2016 US Presidential Election", The Annals of Applied Statistics, 12(2), 685-726.
• Groves, R. y Peytcheva, E. (2008), "The Impact of Nonresponse Rates on Nonresponse Bias: A Meta-Analysis", Public Opinion Quarterly, 72(2), 167-189.
• Wolfers, J. y Zitzewitz, E. (2004), "Prediction Markets", Journal of Economic Perspectives, 18(2), 107-126.
• Wooldridge, J. (2010), Econometric Analysis of Cross Section and Panel Data, 2ª ed., MIT Press (capítulo 19, sobre corrección de selección muestral).
• Squire, P. (1988), "Why the 1936 Literary Digest Poll Failed", Public Opinion Quarterly, 52(1), 125-133.