# Méthodologie — QC Élection Forecast

Version du modèle : 2.0.0 « Au-delà des sondages » · Élection cible : générale québécoise du 5 octobre 2026 (127 circonscriptions, majorité à 64).

Ce document est la référence auditable du système. La version grand public est servie sur /methodologie; les snapshots de chaque exécution sont conservés en base (forecast_runs) et consultables par l'API.

# 1. Sources de données et provenance

Chaque enregistrement conserve : source, URL, date d'accès, valeur brute, valeur normalisée. Les HTML bruts sont archivés dans backend/data/raw/.

Dédoublonnage des sondages : clé (maison, fin de terrain, taille d'échantillon[, parti]); un même sondage publié à plusieurs endroits n'est compté qu'une fois.

# 2. Pondération des sondages

• Récence : poids 0,5^(âge/12 j), l'âge étant mesuré à la fin du terrain, pas à la publication.
• Précision : taille effective n_eff = min(n/deff, 2500) avec design effects par mode (web 1,30; téléphone 1,20; IVR 1,40; SMS 1,45; mixte 1,25; inconnu 1,35). Le plafond de 2 500 empêche un mégasondage de dominer.
• Qualité de la maison : multiplicateur 0,6–1,4 selon l'EAM historique de ses sondages finaux; maison sans historique : ×0,9 + erreur excédentaire accrue (+25 %).
• Erreur totale d'enquête : ±1,5 pp ajoutés en variance à chaque sondage (cadre, non-réponse, pondérations internes du sondeur).

# 3. House effects

Sur chaque élection passée à résultat connu, biais moyen par parti des sondages des 21 derniers jours de chaque maison, rétréci de 50 % vers zéro et borné à ±3 pp, soustrait avant l'ajustement du modèle. Recalculé à chaque cycle (pollster_ratings).

# 4. Modèle latent (Bayesian state space)

• Composition : 6 composantes (CAQ, PCQ, PLQ, PQ, QS, Autres), transformées en log-ratios additifs y_k = log(p_k/p_CAQ) (5 dimensions) — la somme fait toujours 100 % et la corrélation négative entre partis est structurelle.
• Dynamique : marche aléatoire gaussienne x_t = x_{t-1} + w_t, w_t ~ N(0, q·I).
• Observation : y_sondage ~ N(x_t, R), R = covariance multinomiale (méthode delta) sur n_eff × cote maison + erreur excédentaire diagonale.
• Inférence : filtre de Kalman exact + lisseur RTS; q estimé par maximum de vraisemblance (grille log-uniforme, borné à [0,004², 0,030²]).

# 5. Nowcast vs Forecast

• Nowcast : distribution de softmax(x_aujourd'hui) — « si l'élection avait lieu aujourd'hui ».
• Forecast : même moyenne (martingale), variance augmentée de q × jours_restants × 1,6 (volatilité de campagne) plus l'erreur systémique de sondage σ_industrie = 0,12 (voir §7).

# 5 bis. Au-delà des sondages (v2) — les couches complémentaires

Le forecast v2 combine cinq couches d'inférence, chacune à poids explicite, borné, débrayable par configuration et décomposé publiquement (/api/beyond, page /signaux) :

1. Sondages (couche de base) : le modèle d'état des §4-5, inchangé.
2. Votes réels — partielles : chaque élection partielle depuis 2022 (Saint-Henri–Sainte-Anne 2023, Jean-Talon 2023, Terrebonne 2025, Arthabaska 2025) devient une observation nationale du filtre de Kalman à sa date : alr_implicite = alr(national 2022) + 0,6 × [alr(partielle) − alr(local 2022)]. Le rétrécissement ×0,6 reflète l'exagération connue du swing des partielles; la variance est celle d'un sondage de n≈350 plus ±3 pp d'erreur excédentaire (participation faible, dynamique locale). Ce sont les seuls bulletins comptés avant le scrutin — et le modèle les voit.
3. Prior de fondamentaux : régression ridge « vote du sortant ~ vote précédent + satisfaction envers le gouvernement », pénalité d'usure de 1,5 pp/mandat au-delà du premier, ajustée sur les 8 générales de 1998 à 2022 (RMSE leave-one-out publié). Les partis d'opposition reçoivent un prior de persistance (0,65 × vote précédent + 0,35 × moyenne 2008-2022, renormalisé). Le prior (diffus, sd alr ≥ 0,40) est combiné au posterior des sondages par pondération de précision avec w(t) = min(0,8; (jours restants/540)^1,3) → il compte à 18 mois, presque plus la veille du vote. La satisfaction est mise à jour en continu par la veille web (repli configuré sinon), avec provenance.
4. Ajustement médias : sentiment de presse des 14 derniers jours (RSS + veille) → delta = ±0,35 pp × tanh(2·sentiment) × min(1, volume/60), nul sous 12 mentions. Un nudge, jamais un moteur.
5. Ensemble marchés : la probabilité « plus de sièges » publiée est 0,88 × modèle + 0,12 × Polymarket (renormalisée). Les intentions de vote ne sont jamais modifiées par le marché.

Veille web continue (Firecrawl) à chaque cycle de 6 h : (a) radar de nouveaux sondages dans la presse — alerte avec provenance, aucune ingestion automatique de chiffres; (b) extraction du % de satisfaits (baromètres Léger); (c) presse élargie au-delà des RSS. Toutes les pages brutes sont archivées (data/raw/firecrawl/).

Signaux web avancés (v2.1) :

• Attention Wikipédia (API Wikimedia, pageviews des pages des partis et chef·fe·s, fr.wikipédia) — ajoute du pouvoir prédictif au-delà des sondages+fondamentaux (Smith & Gustafson, POQ 2017; Salem & Stephany 2020). Signal jamais directionnel : un pic global d'attention (z ≥ 2 sur 3 j vs base 180 j) gonfle la variance de dérive du forecast (multiplicateur borné ≤ 1,45), sans toucher aucune moyenne. Parts d'attention 7 j/28 j publiées (/api/attention).
• Sondage synthétique LLM (« silicon sampling », arXiv:2411.01582) — 96 strates démographiques (région×âge×genre×langue, poids de population), LLM incarnant chaque strate, ancré dans les manchettes réelles de la veille (jamais de chiffres de sondage dans le prompt), poststratification. EXPÉRIMENTAL, poids strictement nul (critique McKown-Dawson 2025 : un LLM ne collecte aucune donnée nouvelle); écart au forecast publié comme objet d'étude, évaluation après le 5 octobre. Provenance complète archivée (data/synthetic_polls/).

Page quotidienne : /aujourdhui (« Le point du jour ») — snapshot daté : probabilités publiées, Δ vs dernier run de la veille, journal 24 h (sondages intégrés, détections du radar), attention web, sondage synthétique, état des couches (/api/today).

Décomposition : à chaque run, le forecast est reconstruit couche par couche (sondages seuls → + partielles → + fondamentaux → + médias) avec 8 000 simulations par variante; les Δ de vote et de probabilité de chaque couche sont publiés.

# 6. Modèle de circonscription

`part(circ, parti) = softmax( alr(référence 2022 locale) + swing_national_alr

• ε_région + ε_circonscription − pénalité_retraite )`

• Swing proportionnel en espace log-ratio (jamais de swing uniforme).
• Référence locale : résultat 2022 transposé sur la carte 2026 (renommages appliqués; Bellefeuille et Marie-Lacoste-Gérin-Lajoie = moyenne des circonscriptions parentes).
• Pénalité de 0,06 (log-ratio, ≈1,3 pp) au parti sortant si le député ne se représente pas (48 retraits; drapeau raffiné par le registre officiel des candidatures DGEQ).
• Partial pooling : les régions sans sondage propre héritent du national + couche régionale.

# 7. Monte Carlo et corrélation des erreurs (25 000 simulations)

σ régional/local calibrés sur les résidus du backtest 2022 (swing proportionnel 2018→2022), atténués car 2022 (émergence PCQ) fut un réalignement atypique.

Sorties : distribution complète des sièges par parti (P5–P95, histogramme), P(plus de sièges), P(majorité ≥64), P(gouvernement minoritaire), catégorie par circonscription (Solide ≥95 %, Probable ≥80 %, Favorisé ≥60 %, sinon Chaudement disputé).

# 8. Backtesting (élection 2022, information à date seulement)

Calibration des probabilités locales (tous horizons confondus) : suit la diagonale (ex. bac 70–80 % → observé 84 %; bac 90–100 % → observé 98 %). L'ajout de la couche systémique a fait passer la couverture J−1 de 20 % à 100 % sans dégrader le Brier. Aucune correction maison n'est appliquée en backtest (pas de données antérieures à 2018).

Backtest v2 : le blend de fondamentaux est rejoué avec l'information de 2022 (sortant CAQ, 1er mandat, satisfaction ~54 %, vote 2018); le rapport publie côte à côte mae_pp (v2) et mae_pp_sondages_seuls. Les partielles et l'ajustement médias ne sont pas rejouables pour 2022 (données indisponibles) — ils sont exclus du backtest et bornés par construction.

# 9. Signaux et leur poids (v2)

• Sentiment médiatique : RSS + veille Firecrawl → extraction d'entités → stance (pro/anti/neutre/ambigu) avec négation et attaques dirigées; scoreur LLM optionnel (MacLustr) sinon lexique; regroupement par grappes; anomalies de volume (z ≥ 2,5) → événements. Poids : ajustement borné ±0,35 pp (§5 bis-4).
• Marchés prédictifs : probabilités implicites Polymarket affichées face au modèle ET intégrées à 12 % dans la P(plus de sièges) publiée (§5 bis-5).
• Momentum : Δ vote modèle 14 j + sentiment 7 j, borné [−100, 100] — purement auxiliaire.
• Radar de sondages (Firecrawl) : détections listées sur /signaux avec provenance; l'ajout d'un sondage au modèle reste une opération de collecte/validation normale.

# 10. Limites connues

1. Pas de sondages régionaux publics structurés — la variation régionale vient de la structure 2022 + couche d'erreur régionale.
2. Transposition 2022→2026 approximative pour les circonscriptions dont les limites ont bougé.
3. Historique des maisons limité à 2022 (les cotes s'affineront après 2026).
4. Participation : outil de scénario (multiplicateurs par électorat), pas un modèle individuel de probabilité de vote.
5. AUT agrège les tiers partis (PVQ, etc.) — aucun siège projeté pour eux.

# 11. Reproductibilité

• Chaque run : forecast_runs (posterior complet, sièges, diagnostics, version du modèle).
• Graines aléatoires fixes; simulations vectorisées NumPy; tests unitaires du cœur statistique (backend/tests/).