En predicción cuantitativa, el primer reto no suele ser elegir un algoritmo complicado, sino formular bien el problema. Antes de entrenar un modelo, hay que decidir qué queremos predecir, cómo vamos a medirlo y qué información puede ayudarnos a anticiparlo.
Con esa idea he preparado un nuevo proyecto en GitHub aplicado a un problema de gestión de personal hospitalario: la predicción mensual de nuevas bajas maternales equivalentes de trabajadoras de un hospital. La pregunta es concreta: ¿podemos estimar cuántas nuevas bajas maternales equivalentes se producirán cada mes entre las trabajadoras de un hospital usando datos agregados sobre plantilla, estabilidad contractual, estructura familiar aproximada y riesgo durante el embarazo?
El objetivo no es predecir decisiones individuales ni explicar la maternidad como fenómeno personal. El proyecto se centra en algo más práctico: construir una estimación mensual agregada que pueda ayudar a planificar sustituciones, prever carga organizativa y reducir parte de la incertidumbre en la gestión de personal.
En muchos fenómenos reales, una sola variable no basta para explicar lo que ocurre. El precio de una vivienda no depende únicamente de sus metros cuadrados, sino también de su ubicación, su antigüedad o su estado de conservación. El rendimiento académico no se relaciona sólo con las horas de estudio, sino también con el descanso, el contexto familiar o la dificultad de la materia.
La pregunta que aparece entonces es una extensión natural de la que ya planteaba la regresión lineal simple: si una variable puede ayudarnos a predecir otra, ¿qué ocurre cuando intervienen varias al mismo tiempo?
Uno de los modelos más importantes para abordar esta situación es la regresión lineal múltiple. Su idea central sigue siendo sencilla, pero su alcance es mucho mayor: permite estimar cómo se relaciona una variable con varias explicaciones simultáneas y construir predicciones más ricas y realistas.
Cuando pensamos en predicción, lo habitual es imaginar datos, modelos y probabilidades. Intentos de reducir la incertidumbre para tomar mejores decisiones. Pero hay una cuestión más profunda: ¿de dónde nace realmente esa necesidad de anticipar el futuro?
El filósofo Ernst Bloch ofrece una respuesta sugerente: el ser humano no vive solo en el presente, sino proyectado constantemente hacia lo que aún no existe. Antes de calcular escenarios, ya imaginamos posibilidades. Antes de construir modelos, ya vivimos orientados hacia el futuro.
A comienzos de año planteé tres predicciones para 2026 siguiendo un enfoque explícitamente probabilístico: no tanto para acertar una cifra concreta, sino para dejar claro el razonamiento detrás de cada escenario. Como se prometió entonces, el objetivo no era solo predecir, sino también revisar.
Tras el cierre del primer trimestre, ya disponemos de nueva información relevante —tanto en el ámbito macroeconómico como en el mercado inmobiliario y en el contexto político— que justifica actualizar esas previsiones. En las siguientes secciones reviso cada una de las tres predicciones iniciales, ajustando la tasa base, los motores y los frenos para reflejar mejor el estado actual del mundo.
Tipo de evento: Evento político binario (aprobación vs prórroga presupuestaria).
Predicción: 86% probabilidad de NO aprobación.
Evento
La aprobación de los Presupuestos Generales del Estado (PGE) correspondientes a 2026 antes de que finalice el año 2026.
El evento se considerará ocurrido si los PGE de 2026 son aprobados por las Cortes Generales y publicados oficialmente antes del 31 de diciembre de 2026. En caso contrario, se considerará que el resultado es una prórroga presupuestaria.
Tasa base
La previsión inicial partía de una tasa base operativa del 33%, coherente con un contexto de fragmentación parlamentaria en el que la aprobación de nuevos presupuestos suele ser difícil, pero no excepcional.
La información disponible tras el primer trimestre obliga a revisar esa referencia a la baja. La prórroga presupuestaria ya está activada de hecho en 2026, y el propio Gobierno ha asumido públicamente ese marco, mientras sigue sin existir una mayoría clara para aprobar unas nuevas cuentas.
En este contexto, la nueva tasa base operativa para esta revisión pasa a ser el 22%, reflejando una menor probabilidad estructural de aprobación.
Ajustes cualitativos
Motores
Coste político y reputacional de una prórroga presupuestaria: Pierde fuerza relativa. La repetición de prórrogas ha normalizado un escenario que antes podía percibirse como excepcional. Impacto estimado: 15 % – 30 %
Necesidad de estabilidad institucional y señalización externa: Sigue siendo un motor relevante, especialmente en relación con compromisos europeos y credibilidad institucional, pero insuficiente por sí solo. Impacto estimado: 20 % – 40 %
Capacidad de articular acuerdos parciales y concesiones específicas: Se debilita. La dificultad creciente para construir mayorías hace menos probable que acuerdos fragmentarios desemboquen en una aprobación completa. Impacto estimado: 20 % – 40 %
Frenos
Fragmentación del arco parlamentario y dependencia de múltiples apoyos: Se refuerza como principal obstáculo. La ausencia de mayorías claras sigue siendo el elemento estructural dominante. Impacto estimado: 60 % – 80 %
Incentivos estratégicos al bloqueo o a la negociación prolongada: También gana peso. El contexto actual favorece el retraso y el uso táctico de la negociación más que el cierre rápido de acuerdos. Impacto estimado: 60 % – 85 %
La prórroga como alternativa funcional que reduce la urgencia: Es el freno más determinante. Ya no es una posibilidad teórica, sino un mecanismo operativo plenamente activo. Impacto estimado: 70 % – 90 %
Predicción probabilística
Distribución subjetiva de probabilidad para la aprobación de los Presupuestos Generales del Estado en 2026:
La probabilidad implícita de que se mantenga la prórroga presupuestaria se sitúa en el 86 %.
Metodología y reproducibilidad
El cálculo completo de probabilidades y escenarios está disponible en un archivo Excel adjunto, editable y reproducible, que documenta:
La tasa base estructural y la tasa base operativa
Los motores y frenos considerados
La combinación de escenarios políticos plausibles
La normalización final de probabilidades
Revisión de la predicción
La actualización introduce un cambio claro en la evaluación del escenario. La prórroga presupuestaria ya no es solo el resultado más probable, sino el marco efectivo en el que se está operando.
Esto desplaza la distribución hacia un escenario en el que la aprobación de nuevos presupuestos pasa a ser una opción minoritaria, aunque todavía posible si se produce un cambio relevante en la dinámica política.
La lección es clara: en política, la viabilidad institucional depende menos de la deseabilidad del resultado y más de la urgencia para alcanzarlo. Mientras la prórroga siga funcionando como solución operativa, la presión para cerrar un acuerdo completo seguirá siendo menor de lo que sugeriría una lectura puramente formal del sistema parlamentario.
En las últimas semanas he seguido dando forma a la estructura del blog. No tanto por añadir contenido nuevo, sino por ordenar mejor las piezas que ya forman parte del proyecto.
Si hasta ahora había una separación clara entre divulgación y predicción, a partir de ahora se añade un tercer elemento: la contrucción de modelos de predicción cuantitativa.
Una nueva página de Proyectos
He creado una página específica donde se recopilan los proyectos que voy desarrollando y publicando en GitHub.
A menudo se habla de predicción cuantitativa como si fuera un terreno reservado a modelos complejos, librerías sofisticadas y sistemas difíciles de explicar. Pero no siempre hace falta empezar por ahí. De hecho, muchas veces creo que ocurre lo contrario: para entender bien qué significa predecir con datos, conviene empezar por un modelo pequeño, transparente y fácil de interpretar.
Por eso he querido compartir en GitHub un proyecto completo construido alrededor de una pregunta muy concreta: cómo estimar cuántos días de contratos temporales de cobertura pueden generarse cuando aumenta el absentismo laboral por incapacidad temporal(IT). No he preparado este repositorio para presentar un gran sistema productivo ni una solución definitiva. Lo he hecho para mostrar, de forma reproducible, cómo puede utilizarse una regresión lineal simple como método de predicción cuantitativa.
La idea del proyecto no es solo enseñar una ecuación. Es enseñar un recorrido. Cómo se parte de una pregunta real, cómo se traduce esa pregunta a variables medibles, cómo se preparan los datos, cómo se comprueba si la relación tiene sentido y cómo se convierte finalmente el modelo en una pequeña aplicación utilizable. En el fondo, lo que me interesaba compartir no era solo el resultado, sino el proceso.
En la última semana he introducido algunos cambios importantes en la estructura del blog. No son solo ajustes estéticos: responden a una idea más clara de para qué sirve cada parte del proyecto y de cómo quiero que se utilice este espacio para aprender a pensar mejor sobre datos, incertidumbre y decisiones.
A partir de ahora, el blog se organiza en dos grandes ejes complementarios: Predicciones y Blog.
Una nueva página de Predicciones
He creado una página específica donde se recogen todas las predicciones que voy formulando. No como opiniones sueltas, sino como ejercicios explícitos de predicción probabilística.
En un anexo de Superforecasting: The Art and Science of Prediction Philip Tetlock y Dan Gardner sintetizan décadas de evidencia en diez hábitos que, entrenados con intención, mejoran la precisión de las predicciones. A continuación los adaptamos a nuestro día a día, con ejemplos, micro-rutinas y una plantilla para que los pongas en marcha ya.
1) Triaje: elige bien tus batallas
Idea: Enfoca el esfuerzo donde rinde: evita lo trivial (reglas simples bastan) y lo casi inescrutable (ni modelos complejos ayudan). Busca la “zona Ricitos de Oro”: dificultad media, datos suficientes y decisiones reales en juego.
Superforecasting: The Art and Science of Prediction, publicado en 2015, es una obra escrita por Philip E. Tetlock y Dan Gardner, resultado del proyecto «Good Judgment» liderado por Tetlock bajo el patrocinio de la Intelligence Advanced Research Projects Activity (IARPA), una agencia dedicada a investigar el arte de la predicción. Este estudio, en formato de torneo competitivo, enfrentó a voluntarios que realizaron predicciones sobre eventos actuales. Los mejores pronosticadores, denominados superpronosticadores, demostraron tener habilidades predictivas superiores. Tetlock y Gardner exploran cómo desarrollar estas habilidades, señalando claramente que la precisión en la predicción no depende de talentos innatos, sino de habilidades que pueden aprenderse.
The Bayesian Fox 