Cálculos (Computing)

library(polAr)

CÁLCULOS (Computation)


Ejemplos (Examples)

Computar Número Efectivo de Partidos (Computes Effective Number of Parites)

El cálculo se realizará el nivel de agregación de los datos descargados con get_election_data(). En este caso a nivel departamental. La función compute_nep() tiene un parámetro para elegir entre el índice de Laakso-Taagepera y/o el de Golosov

(The calculation will be done at the aggregation level of the downloaded data with get_election_data (). In this case at the departmental level. The compute_nep() function has a parameter to choose between Laakso-Taagepera and Golosov indexes)

  
 polAr::get_election_data(district = "tucuman", 
                   category = "dip", 
                   round = "gral", 
                   year = 2007) -> diputados_tucuman2007G
 
 
 
   polAr::compute_nep(data = diputados_tucuman2007G , index = "All")
#> # A tibble: 2 x 3
#>   codprov value index           
#>   <chr>   <dbl> <chr>           
#> 1 23       1.94 Golosov         
#> 2 23       2.55 Laakso-Taagepera

Competitividad (Competitiveness)

Otro indicador de interes puede ser computado con compute_competitiveness(). Este representa el grado de comeptencia de una eleccion en un distrito determinado a partir de la diferencia porcentual de votos obtenidos por los dos partidos más votados. Puede tomar valores entre \([0,1]\) donde \(1\) es lo más comeptitivo (\(a=50\%\) y \(b=50\%\) de los votos) y \(0\) lo opuesto

(Another usefull index is done with compute_competitiveness(). Its represents the degree of competence of an election in a given district based on the percentage difference in votes obtained by the two most voted parties. You can take values between \([0,1]\) where \(1\) is the most competitive - \(a = 50\%\) and \(b = 50\%\) of the votes- and \(0\) the opposite)

  
 polAr::get_election_data(district = "tucuman", 
                   category = "dip", 
                   round = "gral", 
                   year = 2007, 
                   level = "departamento") -> diputados_tucuman_2007_general_depto
 
 
 
   polAr::compute_competitiveness(data = diputados_tucuman_2007_general_depto)
#> # A tibble: 1 x 2
#>   codprov competitividad
#>   <chr>            <dbl>
#> 1 23               0.550

Dado que data había sido descargada con level = "departamento", podemos seleccionar ese nivel como parámetro adicional y estimar el indicador a nivel local (since data had been downloaded with level = "department" parameter, we can select that level as an additional parameter and estimate the indicator locally):


 data <- polAr::get_election_data(district = "tucuman", 
                   category = "dip", 
                   round = "gral", 
                   year = 2007, 
                   level = "departamento", long = TRUE)
                   
   compute_competitiveness(data = data, level = "departamento") 
#> # A tibble: 17 x 4
#>    codprov depto          coddepto competitividad
#>    <chr>   <chr>          <chr>             <dbl>
#>  1 23      Alberdi        007               0.601
#>  2 23      Burruyacu      013               0.253
#>  3 23      Capital        001               0.676
#>  4 23      Chicligasta    005               0.618
#>  5 23      Cruz Alta      012               0.370
#>  6 23      Famaillá       003               0.477
#>  7 23      Graneros       009               0.358
#>  8 23      La Cocha       008               0.510
#>  9 23      Leales         011               0.372
#> 10 23      Lules          002               0.452
#> 11 23      Monteros       004               0.480
#> 12 23      Río Chico      006               0.447
#> 13 23      Simoca         010               0.545
#> 14 23      Tafí Viejo     016               0.491
#> 15 23      Tafí del Valle 017               0.383
#> 16 23      Trancas        014               0.216
#> 17 23      Yerba Buena    015               0.746

Calcular Escaños (Compute Seats)

Es posible calcular el número estimado de escaños que correspondería asignar a cada partido político en elecciones legislativas en función de los votos obentidos. Vale remarcar que esta distribución de Diputados y Senadores está reglada por disintas fórmulas y parámetros, pero estas fueron incorporadas a la función

(It is possible to compute the estimated number of seats that should be assigned to each political party in legislative elections based on the votes they got. It is worth noting that this distribution of Deputies and Senators is governed by different formulas and parameters, but these were incorporated into the function);

caba_dip_2013 <- get_election_data(district = "caba", category = "dip", round = "gral", 2013)

caba_dip_2013 %>% get_names()
#> # A tibble: 8 x 9
#> # Groups:   codprov [1]
#>   category round  year codprov name_prov electores listas   votos nombre_lista  
#>   <chr>    <chr> <dbl> <chr>   <chr>         <dbl> <chr>    <dbl> <chr>         
#> 1 dip      gral   2013 01      CABA        2542452 0187     68510 AUTODETERMINA~
#> 2 dip      gral   2013 01      CABA        2542452 0501    390631 FRENTE PARA L~
#> 3 dip      gral   2013 01      CABA        2542452 0502    583222 UNEN          
#> 4 dip      gral   2013 01      CABA        2542452 0503    623464 UNION PRO     
#> 5 dip      gral   2013 01      CABA        2542452 0505    102236 FRENTE DE IZQ~
#> 6 dip      gral   2013 01      CABA        2542452 0506     41352 CAMINO POPULAR
#> 7 dip      gral   2013 01      CABA        2542452 blancos 112405 blancos       
#> 8 dip      gral   2013 01      CABA        2542452 nulos    18341 nulos

compute_seats(caba_dip_2013)
#> # A tibble: 3 x 8
#> # Groups:   year, category, round, codprov, name_prov, listas [3]
#>   codprov name_prov  year category round listas nombre_lista            seats
#>   <chr>   <chr>     <dbl> <chr>    <chr> <chr>  <chr>                   <int>
#> 1 01      CABA       2013 dip      gral  0502   UNEN                        5
#> 2 01      CABA       2013 dip      gral  0503   UNION PRO                   5
#> 3 01      CABA       2013 dip      gral  0501   FRENTE PARA LA VICTORIA     3