Efecto Pratfall como principio metodológico
Quien nombra honestamente sus límites gana más confianza que quien hace promesas perfectas. Es el principio Pratfall, formulado por el psicólogo social Elliot Aronson en los años sesenta.
En nuestra metodología, Pratfall es una decisión de diseño deliberada. En lugar de comercializar nuestra calculadora como una herramienta perfecta, documentamos explícitamente lo que no puede hacer. Seis limitaciones concretas, cada una con su propia explicación. Creemos que esta transparencia tiene más valor para periodistas, defensores del consumidor y usuarios críticos que cualquier mensaje publicitario.
Concretamente, esto significa: donde no sabemos, decimos que no sabemos. Donde nuestro modelo simplifica, documentamos la simplificación. Donde una afirmación tiene un rango, mostramos el rango explícitamente como ±20 %. Esta metodología no solo es más honesta, también es científicamente más sólida. Los estudios sobre la percepción de herramientas de datos (Stanford, MIT, IDEO) muestran de forma constante que las herramientas con límites transparentes generan más adopción y confianza que las herramientas con afirmaciones perfectas.
En las seis secciones siguientes, explicamos cada limitación individualmente: qué significa, por qué existe y qué consecuencias tiene para la interpretación de nuestros cálculos. Quien haya leído las seis puede situar nuestras cifras en un contexto serio y sacar sus propias conclusiones.
Dónde el modelo sigue calculando se describe en el efecto pass-through.
Limitación 1: sin pronóstico para hogares individuales
Calculamos los costes adicionales para un hogar típico de tu tamaño y país. Lo que no sabemos: tu coche concreto, tu modelo de calefacción, tu proveedor de electricidad, tu tipo de contrato, tu trayecto al trabajo en un día determinado. Todos estos factores influyen en el pass-through real para tu hogar.
Ejemplo concreto: un hogar de cuatro personas en Hamburgo con una bomba de calor moderna, instalación solar y un coche eléctrico experimenta un pass-through mucho menor que un hogar del mismo tamaño en Münsterland con calefacción de gasóleo, coche diésel viejo y tarifa eléctrica estándar. Nuestro modelo devuelve valores similares para ambos, porque solo conoce el tamaño del hogar y el país.
El rango ±20 % refleja exactamente esta dispersión: el 30 % de los hogares de tu configuración experimenta claramente más, el 30 % claramente menos, el 40 % se sitúa en medio. Esto no es una debilidad de nuestro modelo, sino una representación honesta de lo que un modelo estadístico puede ofrecer. Quien quiera un pronóstico individual debería introducir sus propios datos de consumo en una herramienta detallada de auditoría energética que calcule por dispositivo.
Limitación 2: sin predicción de tipo de cambio
El Brent se negocia en USD, tu factura energética llega en EUR o CHF. Un aumento del precio del Brent tiene, por tanto, un doble impacto: por la subida del USD en sí y por un eventual movimiento del tipo de cambio. Usamos el tipo de cambio spot en el momento del cálculo, pero no modelamos pronóstico alguno del tipo de cambio.
En fases de mercado estables, esto es inofensivo, porque los movimientos del USD son pequeños a corto plazo. En fases de crisis, sin embargo, el tipo de cambio puede oscilar significativamente. Ejemplo: si el Brent sube 10 USD y a la vez el USD se aprecia un 5 % frente al EUR, el pass-through efectivo para los hogares en euros es aproximadamente un tercio mayor de lo que muestra nuestro modelo.
Quien quiera modelar un escenario de crisis con componente de tipo de cambio puede introducir manualmente un precio Brent más alto en el asistente para compensar el movimiento del tipo de cambio. Ejemplo: con una apreciación esperada del USD del 5 % frente al EUR, multiplica el valor del shock Brent por 1,05. Es una aproximación pragmática, no un modelo de tipo de cambio.
Limitación 3: sin prima de especulación
En escenarios de crisis, los traders añaden una prima de riesgo al precio Brent spot. Esta prima refleja el riesgo geopolítico, la incertidumbre sobre futuros suministros y las expectativas especulativas. Puede estar entre 5 y 25 USD por barril y no está incluida en nuestros coeficientes de pass-through.
Ejemplo: en una escalada en la región de Ormuz, el precio Brent spot puede mostrar 95 USD, pero el consenso de mercado para los próximos 3 meses es de 110 USD por la prima de riesgo. Nuestro modelo calcula con el spot actual, no con el precio forward. Quien quiera ver el efecto forward debería introducir manualmente un valor Brent correspondientemente más alto en el asistente para modelar el efecto prima esperado.
La prima de riesgo es metodológicamente difícil de pronosticar, porque depende de la escalada política, el sentimiento del mercado y el comportamiento de los traders. La IEA y la EIA documentan movimientos históricos de prima de riesgo, pero ninguna fuente seria los pronostica a corto plazo. Por eso, no los incluimos deliberadamente en nuestro modelo.
Limitación 4: consumo constante en el tiempo
Nuestro modelo mantiene constante el consumo del usuario durante el horizonte de 12 meses. En la realidad, los hogares reaccionan a los shocks de precios: con precios altos del combustible, algunos conducen menos, otros se pasan al transporte público, algunos compran un coche eléctrico. Con costes altos de calefacción se aísla más o se instala una bomba de calor.
Estos cambios de comportamiento pueden reducir significativamente el pass-through real, a veces entre un 15 y un 30 %. Nuestro modelo no los modela porque son muy individuales y difíciles de estimar en estadísticas agregadas. Los estudios de ACEEE muestran que los cambios de comportamiento ante shocks de precios energéticos tardan unos 6 a 12 meses en ser medibles.
Quien quiera evaluar sus propias opciones de adaptación debería consultar los consejos de ahorro en nuestra sección de Tips. Cada consejo muestra el efecto de ahorro teórico y realista (captura del 30 %). Quien aplica varios consejos de forma constante puede empujar el pass-through realmente vivido claramente por debajo de nuestra estimación del modelo.
Limitación 5: sin subvenciones regionales
En escenarios de crisis, los gobiernos intervienen a menudo con subvenciones y bajadas de impuestos. Ejemplos: Klimabonus AT (pago anual a los hogares), subsidio de calefacción DE (pago único a hogares con bajos ingresos), MaPrimeRénov FR (subvención para modernización de calefacción), Bono Social ES (tarifa social eléctrica). Estas medidas pueden reducir significativamente el pass-through real.
Nuestro modelo no las modela porque son políticamente imprevisibles y cambian a corto plazo. Lo que estaba disponible en 2024 puede haber sido suprimido en 2026, como ocurrió con el Klimabonus AT en 2024. No queremos dar la impresión de que estas medidas ofrezcan una compensación fiable, porque son políticamente frágiles.
Quien quiera saber qué subvenciones están actualmente disponibles en su país debería consultar nuestra página de detalle del país correspondiente. Allí documentamos por país las subvenciones energéticas actualmente activas con enlaces a fuentes. Esto se actualiza semestralmente.
Limitación 6: sin pronóstico político
Recortes de la OPEP, endurecimiento de sanciones, escaladas en Ormuz, cambios políticos en países productores: todos estos eventos influyen en el precio del Brent, a menudo de forma drástica. Nuestro modelo no pronostica eventos políticos, solo muestra lo que pasaría en un escenario Brent concreto que tú mismo eliges.
La elección del escenario Brent es, por tanto, una hipótesis política, no un pronóstico. Cuando fijas el precio del Brent en el asistente a 120 USD, es tu hipótesis, no nuestro pronóstico. Nuestro modelo calcula las consecuencias de esta hipótesis. Esto es metodológicamente más limpio que un pronóstico, porque no somos un asesor de inversión y porque los pronósticos políticos serios rara vez han funcionado en la historia del mercado energético.
Quien quiera sugerencias de escenarios puede consultar nuestras páginas de detalle por país. Allí documentamos por país los escenarios de crisis más probables con valores de comparación históricos. La elección de qué escenario quieres modelar queda en tus manos.
Intervalo de confianza ±20 % explicado
Cuando nuestro modelo muestra 30 euros, ¿qué significan concretamente los ±20 %?
El rango ±20 % refleja la dispersión empírica en nuestras fuentes de datos. No está derivado de un intervalo de confianza teórico, sino de estudios reales de pass-through en hogares concretos. Concretamente esto significa: cuando nuestro modelo muestra 30 euros de costes adicionales al mes para una configuración, alrededor del 30 % de los hogares experimentan más de 36 euros, alrededor del 30 % menos de 24 euros, y alrededor del 40 % está entre ambos.
Esta distribución no es simétrica en torno al valor del modelo. De hecho, hay una ligera asimetría: los hogares con infraestructura energética ineficiente (vieja calefacción de gasóleo, alto consumo de combustible) tienden con más frecuencia a valores por encima de la media. Los hogares con infraestructura moderna tienden a valores por debajo. Por simplicidad mostramos un rango simétrico, pero documentamos aquí que la distribución real tiene una tendencia sesgada a la derecha.
El rango se define en el código como constante RANGE_BAND (wizard.dev.js línea 2149). Está fijado en 0,20 (20 %), basado en la dispersión agregada en los estudios IEA, ACEEE y USDA sobre distribuciones de pass-through en hogares reales. Con conjuntos de datos más grandes, el rango tendería a ser un poco más estrecho; con conjuntos más pequeños, algo más amplio.
El origen de los datos detrás de los valores de cálculo está documentado en nuestras 9 fuentes de datos.
Preguntas frecuentes sobre nuestras limitaciones
Lo que más nos preguntan sobre nuestros límites.
¿Por qué no incluís una función de pronóstico?
Un pronóstico real requiere modelar geopolítica, tipos de cambio, decisiones de la OPEP y comportamiento especulativo. Estos factores no se pueden pronosticar de forma metodológicamente seria. Hemos decidido conscientemente no incluir una función de pronóstico, porque no queremos ser asesores de inversión y porque un mal pronóstico hace más daño que beneficio. En su lugar, mostramos lo que pasaría con un escenario Brent concreto que tú mismo elijas.
¿Qué significa el rango ±20 % de forma concreta?
Cuando nuestro modelo muestra 30 euros de costes adicionales al mes para un hogar de cuatro personas en Alemania, el rango ±20 % significa: alrededor del 30 % de los hogares superan los 36 euros, alrededor del 30 % está por debajo de 24 euros, alrededor del 40 % se sitúa entre 24 y 36 euros. Esta distribución está calibrada empíricamente a partir de datos de la AIE y la ACEEE, no derivada de un intervalo de confianza teórico. Refleja la dispersión real en los datos.
¿Qué límites se aplican especialmente a los escenarios de crisis?
En escenarios de crisis (escalada en Ormuz, recorte de la OPEP, endurecimiento de sanciones), varios de nuestros límites se aplican con especial fuerza: no modelamos una prima de especulación (puede sumar entre 5 y 25 USD por barril), ni medidas políticas de emergencia (bajadas de impuestos, subvenciones), ni cambios de comportamiento (los usuarios cambian a la bicicleta eléctrica o reducen la calefacción). En un escenario de crisis grave, el pass-through real para los hogares puede ser entre un 30 y un 50 % menor de lo que muestra nuestro modelo, porque se activan intervenciones gubernamentales.
¿Cómo manejáis fuentes inciertas?
Cuando una fuente tiene debilidades metodológicas (por ejemplo, muestra pequeña, metodología poco clara, falta de revisión por pares), no la usamos. En su lugar, buscamos estudios de las nueve instituciones consolidadas (IEA, EIA, ACEEE, ADAC, TCS, BFE, USDA, FAO, Eurostat) que son metodológicamente sólidas. En caso de conflicto entre nuestras fuentes (por ejemplo, cuando IEA y EIA muestran valores diferentes), documentamos la discrepancia en un comentario de código y elegimos el valor respaldado por la muestra más grande o por la metodología mejor documentada.
Efecto pass-through: metodología completa con coeficientes →
9 fuentes de nuestro modelo →
¿Listo para calcular?
Ya conoces la metodología detrás de esta sub-página. Prueba la calculadora con tus propios datos, o vuelve a la visión general completa de la metodología.
Calcular mi cifra ahora