Análisis de votaciones nominales en la Cámara de Diputados.aR Grupo de Usuarios Argentina

Lic. Federico Carlésfedecarles@hotmail.com

Noviembre 2011, Buenos Aires

Introducción

Identificar patrones de votación en la Cámara de Diputados y posicionar dimensionalmente a los legisladores.

2 métodos (¡hay más!)● NOMINATE / Optimal Classification● Puntos de acuerdo

R en Ciencia Política

Teoría espacial de votación

Algunos supuestos:

- Los legisladores votan de acuerdo a sus preferencias.

- Sus preferencias son congruentes (responden en alguna medida a un determinado patrón).

- Los legisladores tiene función de Utilidad, simétrica, de un pico máximo y centrada en sus puntos ideales.

- Los legisladores votan por la posición que más se acerque a sus puntos ideales.

NOMINATE / Optimal Classification

Desarrollado por Keith Poole y Howard Rosenthal (1983). Poole (2000)

Podemos realizar análisis con R, utilizando los paquetes “wnominate” y “oc”.

Ejemplo con el Senado de Estados Unidos

library(wnominate)sen90 <­ readKH("ftp://voteview.com/sen90kh.ord")result <­ wnominate(sen90, polarity = c(2, 5))summary(result)par(mfrow = c(1, 1))plot.coords(result)

Senado 90 Estados Unidos

HCDN – Período 128 (2010-2011)Los datos:-264 Legisladores-58 Votaciones

AFIRMATIVOS: 1NEGATIVOS: 0 (NEG, AUS)MISSING: 99 (ABST)

Los paquetes utilizados:oc: Optimal Classification, Keith Poole. Método no paramétrico para el análisis de datos binarios. Se ajusta mejor para la legislatura Argentina (o cualquiera que no sea la de EEUU).

pscl: Political Science Computational Laboratory, Simon Jackman. Crea el objeto “roll call”.

ggplot2: Paquete gráfico, Hadley Wickham.

Método de puntos de acuerdo

data<­read.csv("Documentos/VN/128.csv", header=F, sep=",")data<­replace(data, data== 2,0) #Reemplazamos los 2 (aus) por 0 (neg)data<­replace(data,data==9,NA) # Reemplazamos los 9 (abst) por NAlegis<­data$V1 #Guardamos los nombres de los legisladorespartido<­data$V2 #Los bloquesdata<­data[,4:67] #Guardamos solo las votaciones#La función original de Simon Jackman (2009)sim <­ function(x){ n <­ dim(x)[1]k <­ dim(x)[2]a <­ matrix(NA,n,n)for(i in 1:n){for(j in 1:n){a[i,j] <­ sum(x[i,]==x[j,],na.rm=TRUE)/sum(!is.na(x[i,]) & !is.na(x[j,]))}}a[is.nan(a)] <­ 99a}

Ma<­ sim(data) #Aplicamos la función sim al data set.

Calculamos la matriz de similitud. Es la proporción de votos en las que 2 legisladores coincidieron.

ABDALA, Norma Amanda 1.00ACOSTA, Maria Julia 0.84 1.00AGOSTO, Walter Alfredo 0.38 0.30 1.00AGUAD, Oscar Raul 0.46 0.36 0.75 1.00AGUIRRE, Hilda Clelia 0.64 0.70 0.21 0.36 1.00ALBRIEU, Oscar 0.61 0.61 0.38 0.33 0.70 1.00ALBRISI, Cesar Alfredo 0.05 0.02 0.21 0.11 0.05 0.08 1.00ALCUAZ, Horacio Alberto 0.43 0.34 0.74 0.69 0.18 0.33 0.05 1.00ALFARO, German Enrique 0.82 0.79 0.46 0.44 0.66 0.74 0.11 0.39 1.00ALFONSIN, Ricardo Luis 0.31 0.28 0.80 0.79 0.21 0.33 0.15 0.74 0.39 1.00

-Convertimos la matriz de similaridad a distancias calculando el cuadrado de la resta de 1 a cada elemento de la matriz. -Centramos la matriz restandole a cada elemento la media de la fila y la media de la columna. Luego sumamos la media de la matriz y dividimos por -2.

-Extraemos el 1er vector propio de la matriz centrada.

Matriz de similitud

R en Ciencia Política

Análisis estadístico. Análisis de redes sociales. Gráficos y visualizaciones.

¡Gracias!...

Mi email: fedecarles@hotmail.comMi blog: computandocienciapolitica.blogspot.com

...hasta pronto

Fin

-Keith Poole, Jeffrey Lewis, James Lo, Royce Carroll (2011). Scaling Roll Call Votes with wnominate in R. Journal of Statistical Software, 42(14), 1-21. URL http://www.jstatsoft.org/v42/i14/

-Simon Jackman (2011). pscl: Classes and Methods for R Developed in the Political Science Computational Laboratory, Stanford University. Department of Political Science, Stanford University. Stanford, California. R package version 1.04.1. URL http://pscl.stanford.edu/

-H. Wickham. ggplot2: elegant graphics for data analysis. Springer New York, 2009. URL http://had.co.nz/ggplot2/

Notas