Predizborna anketa: procene rezultata · Latenta 2026
Metodološki eksperiment · Parlamentarni izbori u Srbiji · 25. oktobar 2026.

Predizborna anketa: procene rezultata

Odabrani model izabran pre otvaranja birališta

Rezultat svakog modela

Procenti se odnose na važeće glasove birača koji žive u Srbiji, bez Kosova i Metohije i bez dijaspore. Glasove iz dijaspore nismo merili. Očekujemo da će većina njih pripasti opozicionim listama, pre svega Studentskoj listi, ali to nije nalaz ove ankete i ne procenjujemo ga brojčano. Ovo nije zvanični rezultat, nije izlazna anketa i nije procena broja mandata.

Poređenje sa zvaničnim rezultatima RIK-a: čekamo podatke.
Ukratko

Pet nalaza pre zvaničnih rezultata

Za deljenje

Jedan grafikon, bilo koji model

Izaberite model i preuzmite grafikon ili ga podelite. Istaknut je izabrani model, a tanke crte pokazuju gde su procene ostalih modela, da se vidi i raspon. Sirove procente, bez ikakve obrade, ovde ne nudimo, jer nisu procena.

Granice ove studije

Šta tvrdimo, a šta ne

Ovde na jednom mestu pišemo šta ovi podaci pokazuju i dokle se iz njih sme zaključivati.

Tvrdimo

    Ne tvrdimo

      Za čitaoce koji nisu statističari

      Pojmovi koje koristimo

      Ponder
      Težina koju ispitanik ima u proračunu. Ako neke grupe u uzorku ima premalo, njeni pripadnici dobijaju veći ponder, kao da govore u ime više ljudi.
      Ponderisanje (raking)
      Postupak kojim se ponderi podešavaju tako da uzorak po polu, godinama, regionu, tipu naselja i obrazovanju liči na stanovništvo.
      Usklađivanje sa 2023. (kalibracija)
      Dodatni uslov da uzorak, po tome kako su ljudi glasali na izborima 2023, odgovara zvaničnom rezultatu tih izbora.
      Procentni poen (p.p.)
      Razlika između dva procenta. Od 40% do 45% je pet procentnih poena.
      90% interval
      Raspon u kome bi se procena kretala da smo istim postupkom anketirali druge ljude. Računamo ga bootstrap metodom: hiljadu puta nasumično izvlačimo uzorak iz našeg uzorka i ponavljamo ceo proračun.
      Efektivni uzorak
      Koliko bi slučajno izabranih ispitanika dalo istu preciznost kao naš ponderisani uzorak. Što su ponderi nejednakiji, to je manji.
      MRP
      Statistički model koji predviđa glas za svaku kombinaciju pola, godina, regiona, naselja i obrazovanja, a zatim ta predviđanja sabira prema sastavu birača.
      Sintetički zapis
      Procena statističkog modela o tome kako bi glasali ljudi iz grupe kojih u uzorku ima premalo, zasnovana na obrascima iz stvarnih odgovora. Nije stvarna osoba ni izmišljen odgovor i ne donosi nove informacije. Posebno je označen i javno objavljen.
      TabPFN
      Statistički model za tabele (Prior-Data Fitted Network), unapred istreniran na milionima veštačkih tabela. Naše podatke dobija kao kontekst i za njih daje predviđanje bez dodatnog treniranja. Ovde ga koristimo za pravljenje sintetičkih zapisa.
      Snowball anketa
      Anketa koja se širi preko poznanika. Ovde su nam ljudi govorili kako će glasati starije osobe (65+) koje lično poznaju i prosleđivali link dalje.
      Uvod

      Zašto ovo radimo i zašto baš ovako

      Prvobitni plan bio je drugačiji: 3.000 birača u poslednjih 48 sati pred izbore, pola onlajn, pola licem u lice. Na terenu smo hteli više starijih, a onlajn više mlađih. Preko interneta teško dolazimo do ljudi starijih od 55 godina, dok se mlađi onlajn ispitanici ne razlikuju mnogo od onih koje bismo sreli na terenu.

      Terenski deo nismo uspeli da organizujemo. Mnogi anketari koje smo zvali odbili su posao jer su se plašili za svoju bezbednost na terenu u danima pred izbore. Zato nismo mogli da sprovedemo ono što je po nama bio optimalan dizajn. Umesto da odustanemo, zajedno sa prof. Slobodanom Tomićem odlučili smo da vidimo šta može da se dobije iz čistog onlajn uzorka kada prođe kroz različite analitičke tretmane: ponderisanje prema popisu, usklađivanje sa rezultatom prethodnih izbora, statističke modele i dopune za grupe kojih u uzorku ima malo.

      Imamo dva cilja. Prvi je da izmerimo koliko tačno samo onlajn anketa može da proceni rezultat, iako znamo njene slabosti: preko interneta se lakše dolazi do mlađih, obrazovanijih i ljudi iz gradova. Drugi je da utvrdimo koji način obrade podataka daje najmanju grešku. Odgovor na drugo pitanje dodaćemo kada RIK objavi konačne rezultate.

      Pišemo za naučnu zajednicu (od ove studije nastaće naučni rad), za istraživače i agencije u Srbiji, sa kojima delimo ceo postupak, i za javnost. Neke stvari bismo uradili bolje da smo imali više vremena. I njih pokazujemo, jer mislimo da puna transparentnost treba da bude pravilo, pa i za nas.

      Studiju smo u potpunosti finansirali sami.

      Metodologija

      Kako smo prikupili podatke

      Ko je u uzorku, a ko živi u Srbiji

      udeo, %

      Narandžaste tačke pokazuju naš uzorak pre ikakve obrade, a prazni krugovi punoletno stanovništvo prema Popisu 2022. Najveći jaz je kod ljudi sa 65 i više godina i kod onih sa najviše osnovnom školom: do njih preko interneta najteže dolazimo.

      Ostvareni uzorak po kvotama (tabela)

      Kvote su služile samo za usmeravanje prikupljanja. Za ponderisanje koristimo Popis 2022 (RZS) i zvanične rezultate izbora 2023. (RIK).

      Upitnik i odgovori (kliknite na pitanje)

        Pitanje 8 (najvažniji problem) postavljeno je samo prvim ispitanicima, a zatim uklonjeno da bi anketa bila kraća; ne koristimo ga. Na početku ankete rekli smo ispitanicima da je cilj da vidimo koliko tačno internet anketa može da predvidi rezultat izbora.

        Ima li svežijih podataka od Popisa 2022?

        Ponderisanje

        Svaka tačka je jedan ispitanik

        Kada neke grupe u uzorku ima premalo, njeni retki predstavnici dobijaju veću težinu. Ovde se to vidi: svaka tačka je jedan ispitanik, a njena površina je njegov ponder.

        Cena ponderisanja: efektivni uzorak

        koliko slučajno izabranih ispitanika vredi ponderisani uzorak
        Kišova ocena (Kish)Bootstrap ocena

        Politička nagnutost uzorka

        Demografija nije dovoljna: uzorak je i politički nagnut

        Za koga su glasali 2023, među onima koji su tada glasali

        udeo, %

        Rezultati

        Ista anketa, različiti modeli

        Procene dve najveće liste po modelu

        Druga najvažnija odluka: kako se ponderiše obrazovanje

        modeli C i B2, % važećih glasova

        Sve liste, svi modeli

        % važećih glasova

        Klikom na naslov kolone tabela se ređa po tom modelu (ponovni klik obrće redosled); klik na „Lista“ vraća redosled sa glasačkog listića. Boje su dodeljene po broju na listiću, nezavisno od stranačkih boja. Model D računa samo pet izdvojenih lista (Vučić, Studentska lista, SPS, Autentična desnica, Evropska Srbija) i zbir ostalih. Cenzus je 3% od svih koji su glasali; liste nacionalnih manjina ga nemaju. Za liste ispod 5% procene su nepouzdane i ne koristimo ih za zaključke o cenzusu.

        Isti modeli, tri verzije podataka

        Šta se menja kada dopunimo starije i manje obrazovane

        Procene po modelu i verziji podataka

        % važećih glasova, 95% interval

        Tabela: sve tri verzije podataka

        Kako radi sintetička dopuna (boost)

        TabPFN, model istreniran unapred · eksperimentalno, nije odabrani model

        Šta dopuna radi

          Šta dopuna ne može

            Dopunski uzorak 65+ iz snowball ankete kao dodatni ispitanici

            grubi zamenik za slučajan uzorak starijih
            Analiza osetljivosti

            Koliko rezultat zavisi od odluka u obradi

            Prednost Studentske liste, za svaku kombinaciju odluka

            p.p., od najmanje do najveće

            Svaka kolona je jedna kombinacija odluka. Gore je razlika između dve liste, a dole odluke koje ta kombinacija koristi (specifikaciona kriva). Ovakav prikaz pokazuje da li zaključak zavisi od jedne proizvoljne odluke. Prazni krugovi su kombinacije u kojima ponderi ne mogu da ispune sve ciljeve; njih ne računamo u rasponima.

            Najveća slepa mrlja

            Stariji birači koje onlajn anketa ne vidi

            Za koga će glasati birači sa 65+ godina, prema tome kako su glasali 2023.

            snowball anketa, samo oni koji će glasati

            Ovakva tabela prelaza manje zavisi od toga ko je delio anketu nego sami procenti, ali nije potpuno otporna na to. Udeo onih koji ostaju uz svoju listu verovatno je potcenjen, jer opoziciono orijentisani poznanici lakše primete one koji su promenili stranu.

            Pretpostavke koje sami možete da menjate

            E-snow se računa odmah; C i B2 iz unapred izračunatih vrednosti

            Stabilnost

            Kako se procena menjala dok su stizali odgovori

            Odabrani model po redosledu pristizanja odgovora

            procena i 90% interval

            Dnevnik analize

            radne verzije su računate ručno tokom terena i nisu deo konačne skripte
              Provera

              Poređenje sa zvaničnim rezultatima

              Posle rezultata

              Post mortem analiza: šta je bilo dobro, šta loše i zašto je odabrani model podbacio

              Put odluka: gde je nastala greška

              procene dve najveće liste po koracima obrade, % važećih glasova

              Zašto je odabrani model podbacio

              usklađivanje sa prošlim glasanjem u izborima sa velikim pomeranjem

              Naučene lekcije

              Šta smo naučili

              Šta može da utiče na grešku

              Ograničenja

                Napisano pre rezultata

                Šta bismo sledeći put uradili drugačije

                Ovo je spisak za nas i za svakoga ko bude radio sličnu studiju. Većina ovih stvari nije bila moguća jer smo studiju pokrenuli u poslednjem trenutku.

                Uzorak

                • Kombinovani uzorak, kako je bilo planirano. Onlajn za mlađe, a za starije teren ili telefon. Ako teren nije bezbedan, telefonska anketa je bolja zamena od snowball ankete, jer daje slučajan uzorak starijih.
                • Ukrštene kvote. Kvote za kombinacije, na primer 65+ sa osnovnom školom, a ne samo za svaku osobinu posebno, i najmanje 50–75 ljudi u svakoj retkoj grupi. Tada ponderi ne moraju da prelaze 5 × prosek.
                • Praćenje glasa iz 2023. tokom terena. Uzorak puniti tako da i politički liči na biračko telo, umesto da se to ispravlja tek ponderima.
                • Snowball sa zabeleženim lancima. Beležiti ko je koga pozvao i koliko starijih osoba ispitanik poznaje, i krenuti od više različitih mreža. Tek tada se mogu primeniti formalne korekcije (RDS).

                Upitnik

                • Izlazak i neodlučni. Pitati koliko je verovatno da će ispitanik glasati i kome je sklon ako još nije odlučio, umesto da se neodlučni odmah isključe. Beležiti koliko je ljudi anketa zaustavila na kom pitanju.
                • Redosled pitanja o glasu. Polovini ispitanika prvo postaviti pitanje o 2023, a drugoj polovini o 2026, da bismo izmerili koliko redosled utiče na sećanje. Liste iz 2023. navesti tačno onako kako su bile na listiću.
                • Kontrola kvaliteta u samim podacima. Beležiti vreme odgovora na svako pitanje i dodati jedno kontrolno pitanje, da bi se brzi i nepažljivi odgovori prepoznavali po podacima, a ne po proceni.

                Obrada

                • Plan analize pre prvog odgovora. Ciljeve ponderisanja, granicu pondera, odabrani model i mere tačnosti javno zapisati pre terena (na primer na OSF-u), a skriptu isprobati na veštačkim podacima. Tako bismo nedostižnu granicu pondera otkrili pre terena, a ne tokom noći pred izbore.
                • Jedan izvor za kvote i ciljeve. Kvote za teren i ciljeve za ponderisanje praviti iz iste skripte i istih zvaničnih tabela, uz automatsku proveru.
                • Izlaznost po grupama iz više izvora. Udeo starijih među glasačima proceniti iz više nezavisnih izvora, a ne iz jedne radne pretpostavke.

                Organizacija

                • Teren dogovoren ranije. Anketare angažovati nedeljama unapred, raditi u paru, sa jasnom identifikacijom i podrškom tokom dana, a onima koji ne žele na teren ponuditi telefonski rad.
                • Više vremena za proveru. Najmanje nedelju dana između završetka upitnika i početka terena, za probno anketiranje i proveru cele obrade.
                Ponovljivost

                Podaci i kod

                Sve procene i grafikoni na ovoj stranici nastaju iz jedne skripte i anonimizovanih podataka. Svako može da ih ponovi, promeni pretpostavke i uporedi rezultat.

                pip install -r requirements.txt
python preexit.py --podaci podaci_anonimni.csv --snowball snowball_anonimni.csv --izlaz rezultati
# (sintetički boost traje najduže; --bez-boosta ga preskače, --brzo smanjuje broj ponavljanja)

# kada RIK objavi rezultate (šablon: rik_2026_SABLON.csv), bez ponovnog računanja procena:
python preexit.py --samo-evaluacija rezultati --rik rik_2026.csv --sablon sajt_sablon.html

                Digitalni otisci

                SHA-256

                Podaci i kod objavljeni su pod licencom CC BY 4.0. Molimo sve koji ih koriste da nalaze navode tačno i uz ograničenja opisana na ovoj stranici.

                O autorima i finansiranju

                Autori, finansiranje i kontakt

                Istraživanje
                Latenta, istraživačka konsultantska kuća iz Londona. Bavimo se merenjem latentnih konstrukata, segmentacijom i istraživanjem birača. Član MRS (Company Partner) i ESOMAR-a.
                Autori
                dr Mihajlo Popesku (Latenta), prof. dr Slobodan Tomić (University of York), Viktor Stamenković (Latenta)
                Finansiranje
                Studiju smo u potpunosti finansirali sami. Nije je naručio niti platio nijedan učesnik izbora, medij ili druga organizacija.
                Sukob interesa
                Latenta trenutno ne radi ni za jednog političkog klijenta iz Srbije. Nemamo nikakav angažman vezan za ove izbore, niti ovu studiju radimo kao uslugu bilo kojoj političkoj opciji. Kao pojedinci imamo svoje političke stavove. Da bi svako mogao da proveri da oni nisu uticali na rezultate, objavljujemo sve odluke, podatke i kod.
                Privatnost
                Ne prikupljamo imena, brojeve telefona ni adrese; identitet ispitanika poznat je samo panelima. Snowball anketa ne beleži imena niti bilo šta po čemu bi se osoba o kojoj je reč mogla prepoznati.
                Kontakt
                ask@latenta.com
                Kako citirati
                Za stručnu publiku

                Metodološki dodatak

                Statistička greška po modelu (±, 95%)

                Polovina širine 95% intervala koji bi važio da je uzorak slučajan, za listu sa datim procentom, u svakom modelu. Greška zavisi od efektivnog uzorka: što je on manji, greška je veća.

                Ponderisanje (raking, iterativno proporcionalno prilagođavanje)

                Ponderi wi se naizmenično množe faktorima koji izjednačavaju ponderisani udeo svake kategorije sa ciljem, dok sve margine ne budu zadovoljene (tolerancija 10−7). Ponderi iznad granice se odsecaju, a postupak se ponavlja dok oba uslova ne važe. Za svaki model beležimo najveće odstupanje margina od ciljeva.

                wi ← wi · tv,k / p̂v,k(w), za svaku varijablu v i kategoriju k kojoj ispitanik i pripada

                Ciljevi. Pol, starost, region i tip naselja: Popis 2022, punoletni (N = 5.492.020). Obrazovanje: Popis 2022 za 15+, svedeno na 18+ (osnovno ili manje 21,4%, srednje 55,2%, više ili visoko 23,4%). Za glasače: 65+ = 32,6% (radna pretpostavka tima, bez zvaničnog izvora); regioni prema broju birača koji su glasali 2023. (RIK).

                Model C: usklađivanje sa glasom iz 2023.

                Uz demografske margine dodaje se margina glasa iz 2023. Među onima koji su 2023. glasali, ciljni udeli su zvanični rezultati RIK-a (osnovica 3.815.007 birača koji su glasali: SNS 46,75%, SPN 23,66%, SPS 6,55%, NADA 5,02%, Mi 4,69%, Dveri – Zavetnici 2,76%, SVM 1,70%, SRS 1,46%, ostale liste 4,69%, nevažeći 2,73%). Ukupan udeo onih koji 2023. nisu glasali ili tada nisu bili punoletni zadržava se kakav je u modelu B2. Zvanični rezultat iz 2023. koristimo kao referencu za sastav uzorka, a ne kao ocenu tih izbora.

                t2023,k = (1 − q) · RIKk, q = p̂B2(nije glasao) + p̂B2(bio mlađi od 18)
                Model D: MRP sa regularizacijom

                Multinomijalna logistička regresija (šest ishoda: pet izdvojenih lista i ostale) sa glavnim efektima pola, starosti, regiona, tipa naselja i obrazovanja, i interakcijama starost × obrazovanje, region × naselje i starost × pol. Glavni efekti su kažnjeni slabije od interakcija (skaliranje kolona faktorom k), što približno odgovara hijerarhijskom modelu sa slučajnim efektima. Vrednosti k i jačina regularizacije C biraju se ponovljenom unakrsnom validacijom (5 × 6, log-loss).

                Predviđanja se sabiraju po okviru od 288 ćelija (2 × 6 × 4 × 2 × 3), izgrađenom iz unakrsnih tabela Popisa 2022 (region × starost, pol × starost, starost × obrazovanje, region × naselje) i prilagođenom pretpostavljenom sastavu glasača.

                Podešavanja koja jednako dobro predviđaju daju veoma različite procene. Zato model D na ovom uzorku ne smatramo pouzdanim.

                Model E-snow: onlajn anketa i snowball anketa zajedno

                Mlađi od 65: onlajn ispitanici, ponderisani po istim pravilima kao u odabranom modelu, na sastav punoletnih mlađih od 65 iz popisa. Glasači 65+: raspodela se dobija iz prelaza u snowball anketi, ponderisanih sastavom glasača 65+ po glasu iz 2023:

                p65+ = Σg cg · P(glas 2026 | grupa 2023 = g), p = (1 − s) · p<65 + s · p65+

                cSNS je udeo bivših birača SNS (podrazumevano 60%, radna pretpostavka tima); ostale grupe dele ostatak srazmerno zvaničnom rezultatu 2023. Interval uključuje bootstrap onlajn uzorka, klaster-bootstrap snowball ispitanika i nesigurnost te pretpostavke (uniformno 55–65%).

                Sintetička dopuna (boost): tehnički opis

                Generator je TabPFN v2 (klasifikator; Hollmann, Müller, Purucker i sar., „Accurate predictions on small data with a tabular foundation model“, Nature 637, 2025, 319–326), sa težinama tabpfn-v2-classifier-finetuned-zk73skhh.ckpt (podrazumevane težine klasifikatora TabPFN v2 koje objavljuje Prior Labs; otisak u MANIFEST.txt). Model nismo dodatno trenirali na našim podacima; koristimo ansambl od četiri procene i fiksni seed. TabPFN v2 radi sa najviše deset klasa, pa su retke kategorije privremeno spojene: u glasu 2023. Dveri – Zavetnici, SVM, SRS i „druga lista“ (posle se razdvajaju srazmerno stvarnom uzorku u istom regionu), a u glasu 2026. sve liste osim devet najvećih (razdvajaju se srazmerno uzorku).

                ws = mc · πf|c · P̂(g2023 | xf) · P̂(g2026 | xf, g2023)

                Ovde je xf demografska ćelija f (pol × starost × region × naselje × obrazovanje), πf|c njen udeo unutar uvećane ćelije c u okviru poststratifikacije, a mc broj sintetičkih zapisa u ćeliji c. Ciljna veličina je N* = nostali / Σf van dopune πf. Manjak u ćeliji c, N*·πc − nc (nc je broj stvarnih ispitanika u ćeliji c), popunjava se srazmerno, a ukupan broj sintetičkih zapisa ograničen je na (faktor − 1) × broj stvarnih ispitanika u uvećanim ćelijama (faktor = 3). Raking zatim kreće od osnovnih pondera ws (stvarni ispitanici: 1), a granica pondera važi za odnos konačnog i osnovnog pondera.

                Bootstrap (200 ponavljanja): u svakom ponavljanju uzorak se ponovo izvlači, TabPFN ga dobija kao novi kontekst, sintetički zapisi se prave iznova i svi modeli se ponovo računaju. Pošto ponovljeni redovi u bootstrap uzorku menjaju i samo predviđanje modela (model ih vidi kao jači dokaz i manje „pozajmljuje“ od ostatka uzorka), bootstrap raspodela je pomerena u odnosu na procenu. Zato interval računamo kao procenu ± z · SE, sa standardnom greškom iz bootstrapa; ovi intervali su približni. Lančana primena klasifikatora (prvo glas 2023, pa glas 2026) uobičajen je način da se iz klasifikatora dobije zajednička raspodela; demografiju sintetičkih zapisa ne generišemo, već je uzimamo iz popisnog okvira. Svi sintetički zapisi objavljeni su u datoteci sinteticki_ispitanici.csv. Built with TabPFN.

                Mere tačnosti za poređenje sa RIK-om (određene unapred)

                Procene poredimo sa udelima važećih glasova. Prvo sa zbirom četiri regiona Srbije (bez Kosova i Metohije, dijaspore i zatvora), jer to odgovara onima koje smo anketirali; zatim sa ukupnim rezultatom.

                MAE = (1/6) Σ |p̂k − vk| (pet izdvojenih lista + zbir ostalih) – glavna mera
                Greška razlike = (p̂1 − p̂2) − (v1 − v2) (dve najveće liste)
                A = ln[(p̂1/p̂2) / (v1/v2)] (Martin, Traugott i Kennedy, 2005)
                Bw = Σk vk |ln[(p̂k/(1−p̂k)) / (vk/(1−vk))]| / Σk vk (Arzheimer i Evans, 2014)

                Beležimo i da li su 90% i 95% intervali obuhvatili zvanični rezultat.