Objetivo:

  1. Concatenaré bases de datos a partir de diferentes rondas de encuestas transversales del Latinobarómetro.
  2. Este código “solo explora” la relación entre confianza en el gobierno y algunos proxies diseñados para medir la identificación partidista en América Latina.
# A veces en Rstudio no sabemos las librerias que están instaladas. 
# Con el paquete pacman, aquellas que no lo estén se instalarán
# install.packages("pacman")
pacman::p_load(ggmosaic, gganimate, av, gifski, gapminder, VIM, ROCR, skimr, xgboost, tidyverse, lubridate, ggplot2, mice, sjmisc, car, sjlabelled, stargazer, rio)

Importación de datos

# Con library rio
lb2023 <- import ("lb2023.rdata")
lb2020 <- import ("lb2020.rdata")
lb2018 <- readRDS("lb2018.RDS")
lb2017 <- import ("lb2017.rdata")
lb2023 <- lb2023 %>% rename(año = numinves) %>% select(año, everything())
lb2020 <- lb2020 %>% rename(año = numinves) %>% select(año, everything())
lb2018 <- lb2018 %>% rename(año = NUMINVES) %>% select(año, everything())
lb2017 <- lb2017 %>% rename(año = numinves) %>% select(año, everything())

Preparación de datasets

Ronda 2018

lb18 <- lb2018 %>%
  select(año, IDENPA, REG, CIUDAD, WT, 
         contains("P20STGBSC"),      # Aprobación presidencial 
         contains("P15STGBSC.E"),    # Confianza en el gobierno
         contains("PERPART"),        # Partido en el gobierno
         contains("FAMPART")) %>%    # Familia partidista
         mutate (party_id = NA) %>% 
    rename(
    idenpa = IDENPA,
    reg = REG,
    ciudad = CIUDAD, 
    wt = WT, 
    aprobacion_pre = P20STGBSC, 
    confianza_g    = P15STGBSC.E, 
    perpart  = PERPART, 
    fampart  = FAMPART
  )

Ronda 2020

lb20<- lb2020 %>%
  select(año, idenpa, reg, ciudad, wt, 
         contains("P17STGBS"), # Aprobación presidencial
         contains("P13ST.E"),  # Confianza en el gobierno
         contains("P49STGBS"), # Cercanía a un partido político
         contains("perpart"),  # Partido en el gobierno
         contains("fampart" )) %>%  
   rename(
   aprobacion_pre = p17stgbs, 
   confianza_g = p13st.e, 
   party_id = p49stgbs, 
  )

Ronda 2023

lb23 <- lb2023 %>%
  select(año, idenpa, reg, ciudad, wt, 
         contains("P15STGBS"), # Aprobación presidencial
         contains("P13ST.E"),  # Confianza en el gobierno
         contains("P42STGBS"), # Cercanía a un partido político
         contains("perpart"),
         contains("fampart")) %>%  
  rename ( 
    aprobacion_pre = P15STGBS, 
    confianza_g    = P13ST.E, 
    party_id       = P42STGBS, 
  ) %>% mutate (año = 2023)

Detección de valores perdidos

lb18 <- lb18 %>%  mutate (across(everything(), 
                                     ~ ifelse(. < 0 | . %in% c(95, 96, 97, 98, 99), 
                                              NA, . )))
lb20 <- lb20 %>%  mutate (across(everything(), 
                                     ~ ifelse(. < 0 | . %in% c(95, 96, 97, 98, 99), 
                                              NA, . )))
lb23 <- lb23 %>%  mutate (across(everything(), 
                                     ~ ifelse(. < 0 | . %in% c(95, 96, 97, 98, 99), 
                                              NA, . )))

Exploración de valores perdidos

skim(lb18)
Data summary
Name lb18
Number of rows 20204
Number of columns 10
_______________________
Column type frequency:
logical 1
numeric 9
________________________
Group variables None

Variable type: logical

skim_variable n_missing complete_rate mean count
party_id 20204 0 NaN :

Variable type: numeric

skim_variable n_missing complete_rate mean sd p0 p25 p50 p75 p100 hist
año 0 1.00 2018.00 0.00 2.0180e+03 2.01800e+03 2018 2018 2018.0 ▁▁▇▁▁
idenpa 0 1.00 365.38 260.49 3.2000e+01 1.70000e+02 222 591 862.0 ▇▆▂▅▃
reg 0 1.00 365448.91 260474.23 3.2001e+04 1.70006e+05 222302 591005 862033.0 ▇▆▂▅▃
ciudad 0 1.00 365435337.95 260481809.33 3.2001e+07 1.70002e+08 222030210 591005005 862023024.0 ▇▆▂▅▃
wt 0 1.00 1.00 0.39 4.5000e-01 9.80000e-01 1 1 13.1 ▇▁▁▁▁
aprobacion_pre 1244 0.94 1.66 0.47 1.0000e+00 1.00000e+00 2 2 2.0 ▅▁▁▁▇
confianza_g 455 0.98 3.15 0.91 1.0000e+00 3.00000e+00 3 4 4.0 ▁▃▁▆▇
perpart 0 1.00 2.98 1.24 1.0000e+00 2.00000e+00 4 4 4.0 ▂▃▁▁▇
fampart 1037 0.95 17.91 24.91 0.0000e+00 0.00000e+00 0 40 90.0 ▇▂▂▂▁ 
skim(lb20)
Data summary
Name lb20
Number of rows 20204
Number of columns 10
_______________________
Column type frequency:
numeric 10
________________________
Group variables None

Variable type: numeric

skim_variable n_missing complete_rate mean sd p0 p25 p50 p75 p100 hist
año 0 1.00 2020.00 0.00 2020.0 2020 2020 2020 2.02000e+03 ▁▁▇▁▁
idenpa 0 1.00 365.38 260.49 32.0 170 222 591 8.62000e+02 ▇▆▂▅▃
reg 1 1.00 365447.19 260488.31 32001.0 170006 222302 591005 8.62033e+05 ▇▆▂▅▃
ciudad 6 1.00 365528151.34 260461425.54 32001001.0 170002000 222030209 591005005 8.62023e+08 ▇▆▂▅▃
wt 0 1.00 1.00 0.41 0.4 1 1 1 2.46600e+01 ▇▁▁▁▁
aprobacion_pre 1411 0.93 1.58 0.49 1.0 1 2 2 2.00000e+00 ▆▁▁▁▇
confianza_g 456 0.98 3.03 1.00 1.0 2 3 4 4.00000e+00 ▂▃▁▆▇
party_id 568 0.97 1.69 0.46 1.0 1 2 2 2.00000e+00 ▃▁▁▁▇
perpart 0 1.00 3.05 1.26 1.0 2 4 4 4.00000e+00 ▂▂▁▁▇
fampart 3228 0.84 17.49 25.75 0.0 0 0 30 9.00000e+01 ▇▂▁▂▁ 
skim(lb23)
Data summary
Name lb23
Number of rows 19205
Number of columns 10
_______________________
Column type frequency:
numeric 10
________________________
Group variables None

Variable type: numeric

skim_variable n_missing complete_rate mean sd p0 p25 p50 p75 p100 hist
año 0 1.00 2023.00 0.00 2.0230e+03 2023 2023 2023 2.02300e+03 ▁▁▇▁▁
idenpa 0 1.00 355.37 263.38 3.2000e+01 152 222 591 8.62000e+02 ▇▆▂▃▃
reg 0 1.00 355524.26 263394.51 3.2001e+04 152016 222306 591902 8.62033e+05 ▇▆▂▃▃
ciudad 0 1.00 355435981.89 263364138.58 3.2001e+07 152015001 222020302 591012004 8.62023e+08 ▇▆▂▃▃
wt 0 1.00 1.00 0.56 2.7000e-01 1 1 1 4.40200e+01 ▇▁▁▁▁
aprobacion_pre 1007 0.95 1.58 0.49 1.0000e+00 1 2 2 2.00000e+00 ▆▁▁▁▇
confianza_g 197 0.99 2.99 0.99 1.0000e+00 2 3 4 4.00000e+00 ▂▃▁▇▇
party_id 280 0.99 1.68 0.47 1.0000e+00 1 2 2 2.00000e+00 ▃▁▁▁▇
perpart 0 1.00 2.97 1.25 1.0000e+00 2 4 4 4.00000e+00 ▃▃▁▁▇
fampart 1558 0.92 16.50 25.05 0.0000e+00 0 0 30 9.00000e+01 ▇▂▁▂▁

Algunas transformaciones y exploraciones univariadas

lb18 <- as_tibble(lb18)
lb20 <- as_tibble(lb20)
lb23 <- as_tibble(lb23)
head(lb18)
## # A tibble: 6 x 10
##     año idenpa   reg   ciudad    wt aprobacion_pre confianza_g perpart fampart
##   <dbl>  <dbl> <dbl>    <dbl> <dbl>          <dbl>       <dbl>   <dbl>   <dbl>
## 1  2018     32 32301 32001001 1.50               2           4       2      30
## 2  2018     32 32301 32001001 1.50               2           4       2      30
## 3  2018     32 32301 32001001 0.952              1           2       2      30
## 4  2018     32 32301 32001001 1.50               1           2       1      30
## 5  2018     32 32301 32001001 0.952              1           2       1      30
## 6  2018     32 32301 32001001 0.751              2           3       4       0
## # i 1 more variable: party_id <lgl>
head(lb20)
## # A tibble: 6 x 10
##     año idenpa   reg   ciudad    wt aprobacion_pre confianza_g party_id perpart
##   <int>  <int> <int>    <int> <dbl>          <int>       <int>    <int>   <int>
## 1  2020     32 32002 32301917  2.2               2           4        1       4
## 2  2020     32 32001 32001001  0.62              2           4        1       1
## 3  2020     32 32002 32301955  2.93              1           1        2       4
## 4  2020     32 32002 32301932  1.92              2           4        1       3
## 5  2020     32 32211 32211004  2.73             NA           2        1       2
## 6  2020     32 32002 32301026  2.2               1           3        2       4
## # i 1 more variable: fampart <int>
head(lb23)
## # A tibble: 6 x 10
##     año idenpa   reg   ciudad    wt aprobacion_pre confianza_g party_id perpart
##   <dbl>  <int> <int>    <int> <dbl>          <int>       <int>    <int>   <int>
## 1  2023     32 32001 32001001 0.882              2           4        2       3
## 2  2023     32 32001 32001001 0.882              2           4        1       1
## 3  2023     32 32001 32001001 0.882              2           4        1       1
## 4  2023     32 32001 32001001 0.882              2           4        1       2
## 5  2023     32 32001 32001001 0.882              1           2        2       1
## 6  2023     32 32001 32001001 0.882              2           2        2       2
## # i 1 more variable: fampart <int>

Union de datasets

lb18 <- as_factor(lb18)
lb20 <- as_factor(lb20)
lb23 <- as_factor(lb23)
lb_full <- bind_rows(lb23, lb20, lb18)


lb_full <- lb_full %>%
  mutate(
    año = as.character(año),
    idenpa = as.character(idenpa),
    reg = as.character(reg),
    ciudad = as.character(ciudad),
    wt = as.numeric(wt)
  )

glimpse(lb_full)
## Rows: 59,613
## Columns: 10
## $ año            <chr> "2023", "2023", "2023", "2023", "2023", "2023", "2023",~
## $ idenpa         <chr> "32", "32", "32", "32", "32", "32", "32", "32", "32", "~
## $ reg            <chr> "32001", "32001", "32001", "32001", "32001", "32001", "~
## $ ciudad         <chr> "32001001", "32001001", "32001001", "32001001", "320010~
## $ wt             <dbl> 41, 41, 41, 41, 41, 41, 26, 41, 41, 26, 41, 26, 41, 41,~
## $ aprobacion_pre <fct> 2, 2, 2, 2, 1, 2, 1, 2, 2, 1, 2, 2, 2, 1, 2, 2, 2, 2, 2~
## $ confianza_g    <fct> 4, 4, 4, 4, 2, 2, 2, 2, 2, 3, 4, 4, 3, 2, 4, 4, 4, 2, 4~
## $ party_id       <fct> 2, 1, 1, 1, 2, 2, 2, 2, 1, 2, 1, 2, 1, 1, 2, 1, 2, 1, 2~
## $ perpart        <fct> 3, 1, 1, 2, 1, 2, 1, 3, 2, 3, 2, 3, 2, 1, 3, 3, 3, 3, 3~
## $ fampart        <fct> 0, 30, 30, 20, 30, 30, 30, 0, 60, 0, 30, 0, 60, 30, 0, ~
countries <- data.frame(
  idenpa = c("32", "68", "76", "152", "170", "188", "214", "218", "222", "320", 
             "340", "484", "558", "591", "600", "604", "724", "858", "862"),
  paises = c("Argentina", "Bolivia", "Brasil", "Chile", "Colombia", "Costa Rica", 
              "Rep. Dominicana", "Ecuador", "El Salvador", "Guatemala", "Honduras", 
              "México", "Nicaragua", "Panamá", "Paraguay", "Perú", "España", "Uruguay", "Venezuela"))

# Uniendo lb_full con country_mapping para obtener los nombres de los países
lb_full <- lb_full %>% 
  left_join(countries, by = "idenpa") 

lb_full <- lb_full %>% select(año, idenpa, paises, everything())

Transformación de datos

lb_labels <- lb_full %>%
  mutate(
    aprobacion_pre = case_when(
      aprobacion_pre == 1 ~ "Aprueba",
      aprobacion_pre == 2 ~ "No aprueba",
      is.na(aprobacion_pre) ~ "No precisa",
      TRUE ~ as.character(aprobacion_pre)
    ),
    confianza_g = factor(case_when(
      confianza_g == 1 ~ "Mucha",
      confianza_g == 2 ~ "Algo",
      confianza_g == 3 ~ "Poca",
      confianza_g == 4 ~ "Ninguna",
      is.na(confianza_g) ~ "No precisa"
    ), levels = c("Mucha", "Algo", "Poca", "Ninguna", "No precisa"), ordered = TRUE),
    party_id = case_when(
      party_id == 1 ~ "Sí",
      party_id == 2 ~ "No",
      is.na(party_id) ~ "No precisa",
      TRUE ~ as.character(party_id)
    ),
    perpart = case_when(
      perpart == 1 ~ "Gobierno",
      perpart == 2 ~ "Oposición",
      perpart == 3 ~ "Otro",
      perpart == 4 ~ "No menciona partido",
      TRUE ~ as.character(perpart)
    ),
    fampart = case_when(
      fampart == 10 ~ "Partidos Ecológicos",
      fampart == 20 ~ "Partidos Comunistas",
      fampart == 30 ~ "Partidos Social Demócratas",
      fampart == 40 ~ "Partidos Liberales",
      fampart == 50 ~ "Partidos Demócrata Cristianos",
      fampart == 60 ~ "Partidos Conservadores",
      fampart == 70 ~ "Partidos Nacionalistas",
      fampart == 80 ~ "Partidos Agrarios",
      fampart == 90 ~ "Partidos Étnicos y Regionales",
      fampart == 95 ~ "Partidos con temas específicos",
      fampart == 98 ~ "Alianzas Electorales de diverso origen",
      fampart == 99 ~ "Perdidos",
      fampart == 0 ~  "Perdidos",
      is.na(fampart)~ "No precisa",
      TRUE ~ as.character(fampart)
    )
  )


glimpse(lb_labels)
## Rows: 59,613
## Columns: 11
## $ año            <chr> "2023", "2023", "2023", "2023", "2023", "2023", "2023",~
## $ idenpa         <chr> "32", "32", "32", "32", "32", "32", "32", "32", "32", "~
## $ paises         <chr> "Argentina", "Argentina", "Argentina", "Argentina", "Ar~
## $ reg            <chr> "32001", "32001", "32001", "32001", "32001", "32001", "~
## $ ciudad         <chr> "32001001", "32001001", "32001001", "32001001", "320010~
## $ wt             <dbl> 41, 41, 41, 41, 41, 41, 26, 41, 41, 26, 41, 26, 41, 41,~
## $ aprobacion_pre <chr> "No aprueba", "No aprueba", "No aprueba", "No aprueba",~
## $ confianza_g    <ord> Ninguna, Ninguna, Ninguna, Ninguna, Algo, Algo, Algo, A~
## $ party_id       <chr> "No", "Sí", "Sí", "Sí", "No", "No", "No", "No", "Sí", "~
## $ perpart        <chr> "Otro", "Gobierno", "Gobierno", "Oposición", "Gobierno"~
## $ fampart        <chr> "Perdidos", "Partidos Social Demócratas", "Partidos Soc~

Confianza en el gobierno, oposición y oficialismo

¿Es posible inferir la confianza ciudadana en el gobierno a través del análisis de la clasificación de las preferencias electorales en el oficalismo y la oposición (2023)?”

lb_labels %>%
  filter(paises %in% c("Bolivia", "Ecuador", "Perú", "Colombia"), año == "2023") %>%
  ggplot(aes(x = confianza_g, fill = perpart)) +
  geom_bar(position = "fill") +
  facet_wrap(~ paises, nrow = 2, scales = "free_y") +
  theme_minimal() +
  labs(
    x = "Confianza en el Gobierno", y = "Proporción (dentro de cada país)", fill = "Ubicación de la preferencia electoral") +
  scale_y_continuous(labels = scales::percent_format()) +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Confianza en el Gobierno e identificación partidista en AL

¿Cómo se expresó la relacion entre confianza en el gobierno e identificación partidista durante el año 2023?

lb_labels %>%
  filter(paises %in% c("Bolivia", "Ecuador", "Perú", "Colombia"), año == "2023") %>%
  ggplot(aes(x = confianza_g, fill = party_id)) +
  geom_bar(position = "fill") +
  facet_wrap(~ paises, nrow = 2, scales = "free_y") +
  theme_minimal() +
  labs(
    title = "Confianza en el Gobierno e identificación partidista en AL",
    subtitle = "¿Cómo se expresó la relacion entre confianza en el gobierno e identificación partidista durante el año 2023",
    x = "Nivel de Confianza en el Gobierno", 
    y = "Proporción (dentro de cada país)", 
    fill = "Identificación con Partido"
  ) +
  scale_y_continuous(labels = scales::percent_format()) +
  theme(
    axis.text.x = element_text(angle = 45, hjust = 1),
    plot.title = element_text(size = 10, face = "bold"),
    plot.subtitle = element_text(size = 8)
  )