Ejercicio

library(rio)
library(dplyr)
## Warning: package 'dplyr' was built under R version 4.4.2
## 
## Adjuntando el paquete: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
dataVotos = import("DataV.csv")
dataE = import("dataEDU.csv")
dataFC = import("Fc.csv")
# Combinar los dataframes uno por uno
temp1 = merge(dataE, dataFC, by='UBIGEO', all.x = T)
temp1 <- temp1 %>% 
  na.omit()
data_dep <- temp1 %>%
  group_by(DEPARTAMENTO) %>%
  summarise(across(where(is.numeric), sum, na.rm = TRUE), .groups = "drop")
## Warning: There was 1 warning in `summarise()`.
## ℹ In argument: `across(where(is.numeric), sum, na.rm = TRUE)`.
## ℹ In group 1: `DEPARTAMENTO = "AMAZONAS"`.
## Caused by warning:
## ! The `...` argument of `across()` is deprecated as of dplyr 1.1.0.
## Supply arguments directly to `.fns` through an anonymous function instead.
## 
##   # Previously
##   across(a:b, mean, na.rm = TRUE)
## 
##   # Now
##   across(a:b, \(x) mean(x, na.rm = TRUE))
data_dep <- data_dep[-19, ]
# Combinar los dataframes uno por uno
dataFinal = merge(data_dep, dataVotos, by='DEPARTAMENTO', all.x = T)
str(dataVotos)
## 'data.frame':    25 obs. of  5 variables:
##  $ Castillo     : chr  "34 464" "110 620" "88 812" "256 224" ...
##  $ Fujimori     : chr  "17 815" "67 394" "10 879" "40 216" ...
##  $ Participación: chr  "184 057" "613 850" "219 260" "902 243" ...
##  $ Electores    : chr  "306 186" "886 265" "316 000" "1 145 268" ...
##  $ DEPARTAMENTO : chr  "AMAZONAS" "ANCASH" "APURIMAC" "AREQUIPA" ...
dataVotos <- dataVotos %>%
  mutate(across(
    .cols = -DEPARTAMENTO,  # aplica a todas menos Departamento
    .fns = ~ as.numeric(gsub(" ", "", .))
  ))
## Warning: There were 4 warnings in `mutate()`.
## The first warning was:
## ℹ In argument: `across(...)`.
## Caused by warning:
## ! NAs introducidos por coerción
## ℹ Run `dplyr::last_dplyr_warnings()` to see the 3 remaining warnings.
dataVotos$Electores[15] <- 8322644
dataVotos$Participación[15] <- 6206220
dataVotos$Fujimori[15] <- 754216
dataVotos$Castillo[15] <- 416743
data_dep$DEPARTAMENTO[data_dep$DEPARTAMENTO == "LIMA METROPOLITANA"] <- "LIMA"
data_unida <- data_dep %>%
  group_by(DEPARTAMENTO) %>%
  summarise(across(where(is.numeric), sum, na.rm = TRUE)) %>%
  ungroup()

-Data final

# Combinar los dataframes uno por uno
dataFinal = merge(data_unida, dataVotos, by='DEPARTAMENTO', all.x = T)

ANÁLISIS

  • Las variables independientes consideradas fueron:

Total de personas que no saben leer

Total de personas sin educación superior

Total de fallecidos durante la pandemia

Poisson

library(modelsummary)
## Warning: package 'modelsummary' was built under R version 4.4.2
## `modelsummary` 2.0.0 now uses `tinytable` as its default table-drawing
##   backend. Learn more at: https://vincentarelbundock.github.io/tinytable/
## 
## Revert to `kableExtra` for one session:
## 
##   options(modelsummary_factory_default = 'kableExtra')
##   options(modelsummary_factory_latex = 'kableExtra')
##   options(modelsummary_factory_html = 'kableExtra')
## 
## Silence this message forever:
## 
##   config_modelsummary(startup_message = FALSE)
h1 = formula(Castillo ~ total_no_lee + total_no_superior + total_fallecidos)

rp1 = glm(h1, data = dataFinal, 
        offset = log(Electores), #exposure 
        family = poisson(link = "log"))
summary(rp1)
## 
## Call:
## glm(formula = h1, family = poisson(link = "log"), data = dataFinal, 
##     offset = log(Electores))
## 
## Coefficients:
##                     Estimate Std. Error z value Pr(>|z|)    
## (Intercept)       -2.573e-01  3.336e-03  -77.12   <2e-16 ***
## total_no_lee       2.627e-03  7.280e-06  360.83   <2e-16 ***
## total_no_superior -1.032e-03  2.114e-06 -488.21   <2e-16 ***
## total_fallecidos   8.364e-05  1.938e-07  431.64   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for poisson family taken to be 1)
## 
##     Null deviance: 1375302  on 24  degrees of freedom
## Residual deviance:  554165  on 21  degrees of freedom
## AIC: 554499
## 
## Number of Fisher Scoring iterations: 5

Exponenciamos para interpretar

cbind(exp(coef(rp1)),exp(confint(rp1)))
## Waiting for profiling to be done...
##                                 2.5 %    97.5 %
## (Intercept)       0.7731456 0.7681062 0.7782172
## total_no_lee      1.0026303 1.0026160 1.0026446
## total_no_superior 0.9989684 0.9989642 0.9989725
## total_fallecidos  1.0000836 1.0000833 1.0000840

Primeras conclusiones:

Todas la variables son significativas. total_no_lee (peronas analfabetas) Y total_fallecidos (personas que fallecieron a causa del Covid 19) poseen un relación positiva. Mientras que total_no_superior (personas que no cuentas con estudios superiores completos) es negativo, lo que indica que:

🔹 A mayor número de personas sin educación superior, menor es el número esperado de votos para Castillo, controlando por el total de electores (gracias al offset).

Dispersión de la 1ra Poisson

#Over y underdisperción: under → quasi poisson ; over → quasi y binomial negativa

library(magrittr)
library(kableExtra)
## Warning: package 'kableExtra' was built under R version 4.4.2
## 
## Adjuntando el paquete: 'kableExtra'
## The following object is masked from 'package:dplyr':
## 
##     group_rows
overdispersion=AER::dispersiontest(rp1,alternative='greater')$ p.value<0.05
underdispersion=AER::dispersiontest(rp1,alternative='less')$ p.value<0.05
# tabla
testResult=as.data.frame(rbind(overdispersion,underdispersion))
names(testResult)='Es probable?'
testResult%>%kable(caption = "Test de Equidispersión")%>%kableExtra::kable_styling()
Test de Equidispersión
Es probable?
overdispersion TRUE
underdispersion FALSE

Regresión Quasipoisson

# Regresión Quasipoisson

rqp = glm(h1, data = dataFinal,
          offset=log(Electores),
          family = quasipoisson(link = "log"))
summary(rqp)
## 
## Call:
## glm(formula = h1, family = quasipoisson(link = "log"), data = dataFinal, 
##     offset = log(Electores))
## 
## Coefficients:
##                     Estimate Std. Error t value Pr(>|t|)   
## (Intercept)       -2.573e-01  5.307e-01  -0.485  0.63280   
## total_no_lee       2.627e-03  1.158e-03   2.269  0.03396 * 
## total_no_superior -1.032e-03  3.363e-04  -3.069  0.00582 **
## total_fallecidos   8.364e-05  3.082e-05   2.714  0.01301 * 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for quasipoisson family taken to be 25300.24)
## 
##     Null deviance: 1375302  on 24  degrees of freedom
## Residual deviance:  554165  on 21  degrees of freedom
## AIC: NA
## 
## Number of Fisher Scoring iterations: 5

Entonces..

Todas las variables son significativas, pero total_no_superior (personas que no saben leer) es la variable con más significancia y negativa.

Regresión Binomial Negativa:

#Regresión Binomial Negativa:
# bin
h1off=formula(Castillo ~ total_no_lee + total_no_superior + total_fallecidos + offset(log(Electores)))

rbn=MASS::glm.nb(h1off,data=dataFinal)
summary(rbn)
## 
## Call:
## MASS::glm.nb(formula = h1off, data = dataFinal, init.theta = 3.630886751, 
##     link = log)
## 
## Coefficients:
##                     Estimate Std. Error z value Pr(>|z|)   
## (Intercept)       -2.426e-01  4.945e-01  -0.491  0.62378   
## total_no_lee       1.488e-03  1.120e-03   1.328  0.18404   
## total_no_superior -8.227e-04  3.104e-04  -2.650  0.00805 **
## total_fallecidos   6.807e-05  2.843e-05   2.395  0.01664 * 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for Negative Binomial(3.6309) family taken to be 1)
## 
##     Null deviance: 40.128  on 24  degrees of freedom
## Residual deviance: 26.139  on 21  degrees of freedom
## AIC: 610.36
## 
## Number of Fisher Scoring iterations: 1
## 
## 
##               Theta:  3.631 
##           Std. Err.:  0.983 
## 
##  2 x log-likelihood:  -600.357

conclusion 1:

👉 Para analizar los factores asociados al número de votos recibidos por Pedro Castillo en las elecciones generales de 2021, se estimaron tres modelos de regresión para datos de conteo: Poisson, Quasipoisson y Binomial Negativa. La variable dependiente fue el número de votos por Castillo a nivel departamental, y se incluyó un offset del logaritmo del total de electores para controlar por el tamaño del padrón.

En los tres modelos, la variable total_no_superior resultó ser la más significativa y consistente, mostrando una relación negativa con el número de votos por Castillo.

Poisson 2

Correteaste la regresión Poisson pero usando las variables positivas:

total_lee = personas que saben leer

total_superior = personas con educación superior

total_fallecidos = fallecidos por COVID (igual que antes)

h2 = formula(Castillo ~ total_lee + total_superior + total_fallecidos)

rp2 = glm(h2, data = dataFinal, 
        offset = log(Electores), #exposure 
        family = poisson(link = "log"))
summary(rp2)
## 
## Call:
## glm(formula = h2, family = poisson(link = "log"), data = dataFinal, 
##     offset = log(Electores))
## 
## Coefficients:
##                    Estimate Std. Error z value Pr(>|z|)    
## (Intercept)      -9.157e-01  2.703e-03  -338.8   <2e-16 ***
## total_lee        -1.065e-03  3.056e-06  -348.6   <2e-16 ***
## total_superior   -5.970e-04  5.199e-06  -114.8   <2e-16 ***
## total_fallecidos  2.064e-05  1.638e-07   126.0   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for poisson family taken to be 1)
## 
##     Null deviance: 1375302  on 24  degrees of freedom
## Residual deviance:  689847  on 21  degrees of freedom
## AIC: 690181
## 
## Number of Fisher Scoring iterations: 5

Que el voto por Castillo está negativamente relacionado con el nivel educativo,

Entendiendo el contraste: en relación con la variable de educación superior

El efecto de educación superior podría no ser lineal o simplemente tener un comportamiento más complejo. Quizá hay una variable intermedia como educación técnica, que sí fue incluida en esta variable.

Dispersión de la 2da Poisson

#Over y underdisperción: under → quasi poisson ; over → quasi y binomial negativa

overdispersion=AER::dispersiontest(rp2,alternative='greater')$ p.value<0.05
underdispersion=AER::dispersiontest(rp2,alternative='less')$ p.value<0.05
# tabla
testResult=as.data.frame(rbind(overdispersion,underdispersion))
names(testResult)='Es probable?'
testResult%>%kable(caption = "Test de Equidispersión")%>%kableExtra::kable_styling()
Test de Equidispersión
Es probable?
overdispersion TRUE
underdispersion FALSE

Regresión Quasipoisson 2

# Regresión Quasipoisson

rqp2 = glm(h2, data = dataFinal,
          offset=log(Electores),
          family = quasipoisson(link = "log"))
summary(rqp2)
## 
## Call:
## glm(formula = h2, family = quasipoisson(link = "log"), data = dataFinal, 
##     offset = log(Electores))
## 
## Coefficients:
##                    Estimate Std. Error t value Pr(>|t|)  
## (Intercept)      -9.157e-01  4.591e-01  -1.995   0.0592 .
## total_lee        -1.065e-03  5.192e-04  -2.052   0.0528 .
## total_superior   -5.970e-04  8.831e-04  -0.676   0.5064  
## total_fallecidos  2.064e-05  2.782e-05   0.742   0.4665  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for quasipoisson family taken to be 28854.06)
## 
##     Null deviance: 1375302  on 24  degrees of freedom
## Residual deviance:  689847  on 21  degrees of freedom
## AIC: NA
## 
## Number of Fisher Scoring iterations: 5

En este caso las variables total_lee y total_superior tiene un sentido negativo y significativo, pero no tanto como en la primera regresión (Poisson 1). Asimismo, total_fallecidos mantiene su sentido positivo.

Regresión Binomial Negativa 2:

#Regresión Binomial Negativa:
# bin
h2off=formula(Castillo ~ total_lee + total_superior + total_fallecidos + offset(log(Electores)))

rbn2=MASS::glm.nb(h2off,data=dataFinal)
summary(rbn2)
## 
## Call:
## MASS::glm.nb(formula = h2off, data = dataFinal, init.theta = 3.2656611, 
##     link = log)
## 
## Coefficients:
##                    Estimate Std. Error z value Pr(>|z|)  
## (Intercept)      -6.807e-01  4.986e-01  -1.365   0.1722  
## total_lee        -1.430e-03  5.566e-04  -2.569   0.0102 *
## total_superior   -6.469e-04  8.891e-04  -0.728   0.4669  
## total_fallecidos  2.688e-05  2.974e-05   0.904   0.3660  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for Negative Binomial(3.2657) family taken to be 1)
## 
##     Null deviance: 36.092  on 24  degrees of freedom
## Residual deviance: 26.264  on 21  degrees of freedom
## AIC: 613.26
## 
## Number of Fisher Scoring iterations: 1
## 
## 
##               Theta:  3.266 
##           Std. Err.:  0.881 
## 
##  2 x log-likelihood:  -603.260

Conclusión 2:

En la regresión binomial negativa se puede observar, el mismo patron las variables total_lee y total_superior tiene un sentido negativo, pero la unica variable significativa es la de personas que saben leer.

Construcción de variables independientes (VI)

Para analizar la relación entre el nivel educativo y el comportamiento electoral, se construyeron variables agregadas a partir de los registros individuales de la Encuesta Nacional de Hogares (ENAHO). Las variables clave utilizadas fueron:

A partir de estas variables se generaron las siguientes agrupaciones:

1. Educación superior
Se construyó la variable total_superior, que agrupa a todas las personas que han culminado al menos un nivel de educación superior. Esto incluye los siguientes códigos de la variable P301A:
- 8: Superior no universitaria completa
- 10: Superior universitaria completa
- 11: Maestría o Doctorado

2. Sin educación superior
La variable total_no_superior incluye a todas las personas que no tienen estudios superiores completos. Se agruparon los siguientes códigos de P301A:
- 1 a 7 y 9: desde sin nivel hasta educación superior incompleta (no universitaria o universitaria)

3. Sabe leer y escribir
La variable total_lee corresponde a todas las personas que respondieron “Sí” (código 1) en la variable P302.

4. No sabe leer y escribir
La variable total_no_lee incluye a quienes respondieron “No” (código 2) en la variable P302.

Los valores perdidos (9) fueron tratados como casos faltantes y no considerados en el análisis.

Finalmente, estas variables fueron agregadas a nivel departamental para que pudieran ser usadas como predictores en los modelos de regresión.

Fuentes:

Fallecidos: https://www.datosabiertos.gob.pe/dataset/fallecidos-por-covid-19-ministerio-de-salud-minsa/resource/4b7636f3-5f0c-4404-8526

Educación ENAHO: https://proyectos.inei.gob.pe/microdatos/

Votos wikipedia: https://es.wikipedia.org/wiki/Elecciones_generales_de_Per%C3%BA_de_2021