# STATISTICAL DEBT — inventaire honnête des paramètres manuels (§100.8-9)

Chaque paramètre « choisi à la main » est une dette : il doit devenir estimé (inférence hiérarchique, validation croisée) ou documenté comme prior conservateur assumé. État au 2026-08-30 (v3.0.x).

# Paramètres manuels du cœur (config.py)

Paramètre	Valeur	Origine	Dette	Plan
`time_decay_halflife_days`	12 j	convention (538-like)	moyenne	replay multi-élections → profil de vraisemblance
`max_effective_n`	2500	anti-domination, heuristique	faible	test de sensibilité
`design_effects` (web 1,30…)	littérature	littérature générale, pas QC	moyenne	`pollster_error.mode_effects` sur 6 élections
`excess_poll_sd_pp`	1,5 pp	littérature TSE	moyenne	résidus multi-élections
`rw_daily_sd` bornes	[0,004; 0,030]	garde-fous	faible	q déjà estimé par MV dans les bornes
`campaign_drift_inflation`	1,6	« cycles passés », non formalisé	élevée	replay : estimer l'inflation campagne vs hors-campagne
`house_effect_shrinkage`	0,5	heuristique	moyenne	hiérarchique (global + déviation élection, τ estimé)
`house_effect_max_pp`	±3 pp	garde-fou	faible	conserver comme borne
`industry_error_sd`	0,12 (alr)	calibré sur 2018+2022 SEULEMENT	élevée (§60 : no single-election calibration)	`pollster_error.industry_sigma` empirique sur 6 élections (implémenté)
`regional_error_sd`	0,14	résidus backtest 2022, atténués à la main	élevée	résidus multi-élections (2018→2022 + 2014→2018…) quand les résultats par circ. seront ingérés
`riding_error_sd`	0,20	idem	élevée	idem
`incumbent_retirement_penalty`	0,06 alr	littérature	moyenne	§29 : apprendre P(perte du vote personnel) par contexte
`byelection_swing_shrink`	0,6	littérature partielles	moyenne	§30 : modèle de partielle avec effet participation/candidat
`byelection_equivalent_n` / excess	350 / ±3 pp	jugement	moyenne	idem
`media_nudge_pp_max`	±0,35 pp	borne prudente, NON backtestée	assumée (borne stricte, décomposée)	validation post-2026 (§96)
`market_blend_weight`	12 %	prudence, NON appris	élevée (§36 : no fixed 88/12)	stacking appris quand historique de marchés QC existera (aucun marché 2022)
`fundamentals_horizon_days`/`max_weight`/exp 1,3	540/0,8/1,3	forme 538-like	élevée (§33)	replay : apprendre la décroissance
`fundamentals_term_penalty_pp`	1,5 pp/mandat	littérature	moyenne	LOEO (8 obs. — restera un prior)
`RIDGE_LAMBDA` (fondamentaux)	4,0	jugement	moyenne	LOEO sur grille
volatilité A/B/C (0,10/0,06/0,05) et cap 1,5	jugement borné	assumée (variance seulement, bornée, décomposée)	validation post-2026
catégories Solide/Probable/Favorisé (95/80/60)	convention	faible	présentation seulement

# Couches non backtestées (état)

Partielles, nudge médias, volatilité sociale/wiki : non rejouables avant 2022 (données absentes) — bornées par construction, Δ=0 documenté dans l'ablation, évaluation après le 5 octobre 2026 (§96).
Ensemble marchés : aucun marché 2022 → poids prudent 12 % assumé.
Sondage synthétique LLM : poids nul, objet d'étude (§97).

# Fuites potentielles identifiées (et leur état)

~~compute_pollster_profiles en backtest~~ — le backtest 2022 passe {} (aucune correction maison) : pas de fuite, mais sous-utilise l'info → remplacé par LOEO dans le replay (profils appris sur les AUTRES élections).
Fondamentaux en replay : _ridge_fit() s'ajuste sur les 8 élections, INCLUANT celle testée → fuite dans le backtest 2022 actuel (faible mais réelle). Corrigé : compute_prior(exclude_year=…) (LOEO strict).
industry_error_sd=0,12 calibré sur 2018/2022 puis testé sur 2022 → circulaire. Corrigé par l'estimation multi-élections LOEO.

# Constats du replay v3.1 (recherche ouverte)

EAM ponctuelle : modèle 3,71 pp vs baseline « moyenne 14 j » 3,49 (le modèle bat « dernier sondage » 3,84). L'écart vient surtout de 2007 (surge ADQ 6,6 vs 5,4) — cohérent avec le chantier queues lourdes. La valeur du modèle est la DISTRIBUTION : les baselines n'ont ni intervalle, ni couverture, ni P(sièges). Pistes : corrections maison LOEO possiblement contre-productives en point aux horizons lointains (petits échantillons); q trop lisse en campagne; Student-t. À trancher par le même replay avant tout changement (§84).