Massive Caller: Catalina Monreal se perfila para la delegación Cuauhtémoc

|
Massive Caller: Catalina Monreal se perfila para la delegación Cuauhtémoc

En medio de los procesos de Morena para seleccionar a sus candidatos para las renovaciones de cargos en 2024, Catalina Monreal se perfila como una de las aspirantes para contender por la alcaldía Cuauhtémoc de la CDMX. De acuerdo con la encuesta de noviembre de Massive Caller, entre los simpatizantes de Morena, 23.7% preferiría a Catalina Monreal, hija del senador Ricardo Monreal, como su candidata del partido para la alcaldía.

La cifra de Monreal representa una ventaja de 10.7 puntos porcentuales de ventaja sobre Tomás Pliego, quien obtuvo 13.0%, mientras que Temístocles Villanueva registró 10.1%. En tanto, 20.5% dijo preferir a “otro” aspirantes y 32.7% aún no sabe a quién apoyaría.

Por otro lado, al enfrentar a los dos punteros de Morena frente a las de la oposición, Catalina Monreal obtiene una ventaja de 7.9 puntos frente a Alessandra Rojo (33.3%) y de 26.7 puntos frente a Cinthya López (21.3%).

Crédito: Massive Caller. Intención al voto, alcaldías 2024. 7 de noviembre 2023.

Fuente: Massive Caller. Para revisar la metodología completa, consulte a la encuestadora.
Metodología: 600 entrevistas telefónicas a nivel local, el 3 de noviembre de 2023, con IC 95% y error de ±4.3%.

Por qué confiar en nosotros

Trabajamos para tener predicciones certeras e informativas. Para esto:

  • Utilizamos métodos estadísticos reconocidos, con herramientas profesionales y un flujo de trabajo reproducible.
  • Representamos honestamente la incertidumbre asociada a nuestras predicciones o resúmenes.
  • Tenemos supuestos razonables y claramente establecidos que pueden ser cuestionados, y nos esforzamos por validar y criticar nuestros resultados para que reflejen lo más fielmente posible el fenómeno que nos interesa analizar.
  • Estamos libres de sesgos políticos o motivacionales.

Adicionalmente, proveemos a los interesados resúmenes de nuestras metodologías en las siguientes ligas, con referencias académicas que fundamentan nuestros procesos de modelación