En el siguiente documento se analizaran los estados de las leyes en el congreso desde el 2010 hasta el 2017, esta información se encuentra disponible en la Cámara de representantes (URL Documentación:http://www.camara.gov.co/secretaria/proyectos-de-ley), una vez descargada la base se le hizo un tratamiento de normalización para darle un manejo estadistico.

library(readr)
camara2_estadoproyecto <- read_csv("base.csv")
## Warning: Missing column names filled in: 'X1' [1]
## Parsed with column specification:
## cols(
##   X1 = col_double(),
##   ANO = col_double(),
##   ARCHIVADO = col_double(),
##   CONCILIACION = col_double(),
##   RETIRADO = col_double(),
##   SANCION.PRESIDENCIAL = col_double(),
##   LEY = col_double()
## )
camara2_estadoproyecto

A continuación, se podrán observar distintas graficas exploratorias de los estados más importantes de los proyectos en el Congreso de la Republica

pairs(ANO ~ ARCHIVADO +
        CONCILIACION + 
        RETIRADO + 
        SANCION.PRESIDENCIAL + 
        LEY, 
        data=camara2_estadoproyecto, 
        main="Gráfico 1. Matriz de Dispersión exploratorio")

En la anterior grafica se puede observar un análisis de correlación entre los años, su una ley fue archivada, fue conciliada, si fue retirada, si hubo una sanción presidencial o si se aprobó la ley, se ven tendencias claras en el año versus los archivados y leyes aprobadas.

library(psych)
pairs.panels(camara2_estadoproyecto, 
             pch=21,
             main="Gráfico 2. Matriz de Dispersión, Histograma y Correlación")

En la anterior grafica podremos observar la distribución de los datos en el histograma, debajo de la diagonal nuevamente las respectivas graficas de dispersión y encima de la diagonal los coeficientes de correlación de acuerdo a cada variables de cruce, podemos observar que los mejores coeficientes de correlación (afinidad entre las variables), son las leyes archivadas con la variable de leyes retiradas lo que quiere decir que entre más archivan leyes, más se retiran, también en las leyes archivadas con las leyes con sanción presidencial, aunque no es tan notorio es significante y por ultimo podemos ver una correlación negativa entre el año y las leyes aprobadas con un -0.84, lo que nos quiere decir que en el pasar de los años las leyes se aprueban menos, veremos está ultima correlación un poco más detallada a continuación:

library(lmodel2)
(lmXY = lm(LEY ~ ANO, data=camara2_estadoproyecto))
## 
## Call:
## lm(formula = LEY ~ ANO, data = camara2_estadoproyecto)
## 
## Coefficients:
## (Intercept)          ANO  
##   17988.833       -8.917
(lm2XY = lmodel2(camara2_estadoproyecto$LEY~camara2_estadoproyecto$ANO,range.y="relative", range.x="relative" ))
## No permutation test will be performed
## 
## Model II regression
## 
## Call: lmodel2(formula = camara2_estadoproyecto$LEY ~
## camara2_estadoproyecto$ANO, range.y = "relative", range.x =
## "relative")
## 
## n = 8   r = -0.8355697   r-square = 0.6981767 
## Parametric P-values:   2-tailed = 0.009788814    1-tailed = 0.004894407 
## Angle between the two OLS regression lines = 1.921821 degrees
## 
## Regression results
##   Method Intercept      Slope Angle (degrees) P-perm (1-tailed)
## 1    OLS  17988.83  -8.916667       -83.60104                NA
## 2     MA  25682.52 -12.737719       -85.51109                NA
## 3    SMA  21521.91 -10.671362       -84.64652                NA
## 4    RMA  25750.15 -12.771307       -85.52285                NA
## 
## Confidence intervals
##   Method 2.5%-Intercept 97.5%-Intercept 2.5%-Slope 97.5%-Slope
## 1    OLS        6196.74        29780.93  -14.77318   -3.060155
## 2     MA       15482.30        74381.95  -36.92417   -7.671802
## 3    SMA       12752.94        36337.11  -18.02930   -6.316274
## 4    RMA       15555.93        74962.83  -37.21267   -7.708369
## 
## Eigenvalues: 687.468 1.799876 
## 
## H statistic used for computing C.I. of MA: 0.00262635
plot(camara2_estadoproyecto$ANO,
     camara2_estadoproyecto$LEY, 
     pch=20, 
     cex=1.5, 
     type="o",
     xlab="Año",
     ylab="Leyes aprobadas",
     main="Gráfica 3. Leyes aprobadas por año")
(MinCuad = lm2XY$regression.results[1, ])
abline(MinCuad$Intercept, MinCuad$Slope, col="red", lwd=2, lty=1)
(MAR = lm2XY$regression.results[2, ])
abline(MAR$Intercept, MAR$Slope, col="darkgreen", lwd=2, lty=4)
(SMA = lm2XY$regression.results[3, ])
abline(SMA$Intercept, SMA$Slope, col="blue", lwd=2, lty=2)
(lmXY = lm(camara2_estadoproyecto$ANO~camara2_estadoproyecto$LEY))
## 
## Call:
## lm(formula = camara2_estadoproyecto$ANO ~ camara2_estadoproyecto$LEY)
## 
## Coefficients:
##                (Intercept)  camara2_estadoproyecto$LEY  
##                  2016.2503                     -0.0783
(blmXY1 = 1/lmXY$coefficients[2])
## camara2_estadoproyecto$LEY 
##                  -12.77136
(blmXY0 = -lmXY$coefficients[1]/lmXY$coefficients[2])
## (Intercept) 
##    25750.26
abline(blmXY0, blmXY1, col="magenta", lwd=2, lty=3)
legend(x=2015,y=70,legend=c("Leyes por año","Minimos cuadrados","Eje mayor","Eje mayor estandar"),
       fill=c("black","red","darkgreen","blue"),cex=0.6,text.font=4, bg='grey')

Podemos observar que al pasar de los años la tendencia es a disminuir las leyes aprobadas lo cual la regresión que mejor se ajusta es la recta de mínimos cuadrados.