compute_competitiveness(): Calcula el nivel de competencia en una elección. Un parámetro level permite calcularlo para los distintos niveles de agregación presentes en la data (Computes the level of competition in an election. A parameter level allows to calculate it for the different levels of aggregation present in thedata).
compute_nep(): Calcula el Numero Efectivo de Partidos Politicos. Es sensible al nivel de agregación de la data obtenida (Computes the ‘Effective Number of Political Parties’. It is sensitive to the level of aggregation of the obtained data).
compute_seats(): Calcula el número esperado de escaños que debería recibir cada partido en función de los votos obtenidos (Computes expected parties legislatives seats).
compute_disproportion(): Calcula el grado de desprorpoción entre porcentaje de bancas y votos de elecciones legislativas (Computes legislative election disproportion).
compute_concentration(): Calcula el grado de concentración de votos en una elección (Computes electoral concentration).
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-TaageperaOtro 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 0.550Dado 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 del Valle 017 0.383
#> 15 23 Tafí Viejo 016 0.491
#> 16 23 Trancas 014 0.216
#> 17 23 Yerba Buena 015 0.746Es 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