#load pacotes
library(readxl)
base <- read_excel("idea_export_40_616830a0840fa.xls")
library(tidyverse)
library(huxtable)
library(coefplot)
library(olsrr)
library(sjPlot)

Caso queira replicar, solicite-me o arquivo ‘idea_export_40_616830a0840fa.xls’ pelo meu e-mail

base$Tornout <- as.numeric(base$Tornout) # arrumar problemas na codificação dos dados, transformar em numérico

Aqui constarão especialmente os códigos, uma análise mais opinativa sobre o voto obrigatório constará no youtube: https://www.youtube.com/channel/UC0rKmGqFWnsWozw5rftWyag/videos

Lista completa de casos utilizados

dim(base) # numero de linhas

## [1] 118   6

118 países

Selecionados casos de países com eleições minimamente regulares.

Foram selecionadas as eleições parlamentares mais recentes encontradas até 14 de Outubro de 2021 - https://www.idea.int/data-tools/data/voter-turnout

Lista completa dos casos - classificados pelo maior comparecimento - consta abaixo.

tibble(base%>%
         arrange(desc(Tornout))%>%select(Country, Tornout, Compulsory))

Country	Tornout	Compulsory
Nauru	95.1	Yes
Malta	92.1	No
Australia	91.9	Yes
Antigua and Barbuda	90.3	No
Uruguay	90.1	Yes
Luxembourg	89.7	Yes
Faroe Islands	89.4	No
Bolivia	88.4	Yes
Belgium	88.4	Yes
Burundi	87.3	No
Sweden	87.2	No
Turkey	86.2	Yes
Aruba	84.7	No
Denmark	84.6	No
Botswana	83.5	No
New Zealand	82.2	No
Belize	81.9	No
Papua New Guinea	81.3	No
Ecuador	81	Yes
Timor-Leste	81	No
Argentina	80.9	Yes
Sao Tome and Principe	80.7	No
Iceland	80.1	No
Brazil	79.8	Yes
Cook Islands	79.1	No
Netherlands	78.7	No
Liechtenstein	78	Yes
Ghana	77.8	No
Kenya	77.4	No
Norway	77.2	No
Germany	76.6	No
Angola	76.1	No
Kiribati	75.7	No
Austria	75.6	No
Taiwan	74.9	No
Thailand	74.7	Yes
Italy	72.9	No
Indonesia	72.6	No
Fiji	71.9	No
Spain	71.8	No
Bhutan	71.5	No
Gibraltar	70.8	No
Panama	70.7	Yes
Peru	70.1	Yes
Malawi	70.1	No
Hungary	69.7	No
Samoa	69.5	Yes
Finland	68.7	No
Nepal	68.7	No
Andorra	68.3	No
Israel	67.4	No
India	67.4	No
Saint Vincent and The Grenadines	67	No
Korea, Republic of	66.2	No
South Africa	66	No
Slovakia	65.8	No
Cyprus	65.7	No
Costa Rica	65.6	Yes
Bahamas	65	No
Estonia	63.7	No
Nicaragua	63.5	No
Guatemala	63.4	No
Ireland	62.8	No
Comoros	62.4	No
Canada	62.2	No
Poland	61.7	No
Anguilla	61	No
Bermuda	60.9	No
Paraguay	60.9	Yes
Czech Republic	60.8	No
Namibia	60.4	No
Honduras	59.5	Yes
Saint Kitts and Nevis	58.4	No
Trinidad and Tobago	58	No
Greece	57.8	Yes
Cabo Verde	57.5	No
United States	56.8	No
Georgia	56.1	No
San Marino	55.7	No
Dominican Republic	55.2	No
Latvia	54.6	No
Bosnia and Herzegovina	54	No
Dominica	53.7	No
Senegal	53.7	No
Saint Lucia	53.5	No
Japan	52.7	No
Mexico	52.7	Yes
Slovenia	52.6	No
North Macedonia, Republic of	52	No
Mozambique	51.4	No
Vanuatu	51.3	No
Burkina Faso	50.7	No
Morocco	50.2	No
Lebanon	49.7	Yes
Armenia	49.4	No
Ukraine	49.2	No
Bulgaria	49.1	Yes
Colombia	49	No
Kosovo	48.8	No
France	48.7	No
Portugal	48.6	No
Lithuania	47.8	No
Croatia	46.9	No
Chile	46.5	No
Lesotho	46.4	No
Albania	46.3	No
Congo, Democratic Republic of	45.4	Yes
Switzerland	45.1	No
El Salvador	45	No
Cameroon	43.8	No
Tunisia	41.7	No
Cote d'Ivoire	37.9	No
Jamaica	37.9	No
Nigeria	32.1	No
Romania	31.8	No
Venezuela	30.1	No
Benin	27.2	No
Algeria	23	No

Objetivo:

verificar se comparecimento eleitoral é explicado por Região do globo e lei eleitoral que obriga participação

Modelo contemplado nessa análise

\(Comparecimento = X1 + X2 + e\)

Intercepto - usual em análises - para saber mais sobre procure no google

X1 = Obrigatoriedade do voto (efeito institucional) X2 = Região do mundo (efeito cultural)

Sendo o e = erro (o que não foi explicado pela análise, o que ficou de fora, por exemplo - desde quando tem eleições)

Análise descritiva

summary(base$Tornout)#dispersão Tornout

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   23.03   52.17   64.33   64.17   77.02   95.13

table(base$Region)

## 
##           Africa         Americas             Asia Europa Ocidental 
##               23               31               11               24 
##    Leste Europeu          Oceania 
##               20                9

table(base$Compulsory)

## 
##  No Yes 
##  95  23

summary(base$Year)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    2014    2018    2019    2019    2020    2021

hist(base$Tornout)

Análise bivariada

by(base$Tornout, base$Region, mean)

## base$Region: Africa
## [1] 56.63478
## ------------------------------------------------------------ 
## base$Region: Americas
## [1] 63.06903
## ------------------------------------------------------------ 
## base$Region: Asia
## [1] 67.87636
## ------------------------------------------------------------ 
## base$Region: Europa Ocidental
## [1] 72.2675
## ------------------------------------------------------------ 
## base$Region: Leste Europeu
## [1] 56.7585
## ------------------------------------------------------------ 
## base$Region: Oceania
## [1] 77.55889

by(base$Tornout, base$Compulsory, mean)

## base$Compulsory: No
## [1] 62.07253
## ------------------------------------------------------------ 
## base$Compulsory: Yes
## [1] 72.83087

prop.table(table(base$Region, base$Compulsory),1)

##                   
##                            No        Yes
##   Africa           0.95652174 0.04347826
##   Americas         0.67741935 0.32258065
##   Asia             0.81818182 0.18181818
##   Europa Ocidental 0.83333333 0.16666667
##   Leste Europeu    0.85000000 0.15000000
##   Oceania          0.66666667 0.33333333

boxplot(base$Tornout ~ base$Region, 
        col = "orange", ylab="Comparecimento", xlab="Região")

boxplot(base$Tornout ~ base$Compulsory, 
        col = "orange", ylab="Comparecimento", xlab="Voto Obrigatório?")

Percebe-se que há associações mútuas entre as variáveis.

Regressão

\(Modelo 1\) - Obrigatoriedade explica Comparecimento?

\(Modelo 2\) - Região explica comparecimento?

\(Modelo Completo:\)

\(Comparecimento = Intercepto + Obrigatoriedade + Região + e\)

modelo_Obrig <- lm(Tornout ~ Compulsory, data = base) # modelo simples 1
modelo_region <- lm(Tornout ~ Region, data = base) # modelo simples 2
modelo_full <- lm(Tornout ~ Compulsory + Region, data = base) # modelo completo 
huxreg(modelo_Obrig, modelo_region, modelo_full, stars = c(`*` = 0.1, `**` = 0.05,
                                  `***` = 0.01), statistics = c("N. obs." = "nobs", "R2" = "r.squared",
                                                                "AIC" = "AIC"))

	(1)	(2)	(3)
(Intercept)	62.073 ***	56.635 ***	56.231 ***
	(1.577)	(3.037)	(2.957)
CompulsoryYes	10.758 ***		9.276 ***
	(3.571)		(3.410)
RegionAmericas		6.434	3.845
		(4.008)	(4.013)
RegionAsia		11.242 **	9.958 *
		(5.339)	(5.214)
RegionEuropa Ocidental		15.633 ***	14.490 ***
		(4.250)	(4.155)
RegionLeste Europeu		0.124	-0.864
		(4.453)	(4.346)
RegionOceania		20.924 ***	18.235 ***
		(5.726)	(5.656)
N. obs.	118	118	118
R2	0.073	0.196	0.246
AIC	983.656	974.846	969.233
* p < 0.01; p < 0.05; * p < 0.1.

coefplot(modelo_full, intercept = F)

## Warning: It is deprecated to specify `guide = FALSE` to remove a guide. Please
## use `guide = "none"` instead.

## Warning: It is deprecated to specify `guide = FALSE` to remove a guide. Please
## use `guide = "none"` instead.

## Warning: It is deprecated to specify `guide = FALSE` to remove a guide. Please
## use `guide = "none"` instead.

Algumas regiões são explicativas (África é referência, todas são comparadas com essa). Para outras comparações verificar os diferentes impactos. Oceania e Europa Ocidental tem os maiores efeitos.

Obrigatoriedade é explicativo.

Abaixo o diagnóstico residual do modelo completo>

plot(modelo_full) # a segunda

ols_vif_tol(modelo_full)

Variables	Tolerance	VIF
CompulsoryYes	0.932	1.07
RegionAmericas	0.545	1.83
RegionAsia	0.74	1.35
RegionEuropa Ocidental	0.608	1.64
RegionLeste Europeu	0.64	1.56
RegionOceania	0.754	1.33

VIF ok (“VIF de 1 indica que não há correlação entre um determinado preditor e os demais incluídos no modelo, logo, não ocorre a inflação do seu coeficiente estimado”)

abaixo análise breve dos resídos

resid <- (cbind(base$Tornout, predict(modelo_full), residuals(modelo_full)))

Argélia e Venzeula foram os casos em que ocorreu maior imprevisbilidade negativa (menor participação que o previsto pelo modelo). Não surpreende dado recentes crises de legitimidade nesses países.

Brasil previu 10% a menos de votação (talvez o fato de ser junto com a de presidente, não verificado)

O peso em cada Região

Regreessões separadas para cada região,

Modelo 1 - África

Modelo 2 - Américas

Modelo 3 e 4 - Ásia e Oceania (sem separação e com separação)

Modelo 5 e 6- Europa (ocidental + Oriental) (sem separação e com separação)

#criando bases e modelos  de cada região
# Africa
Africa <- base%>%
  filter(Region == "Africa")
modelo_Africa <- lm(Tornout ~ Compulsory, data = Africa)
# Americas
Americas <- base%>%
  filter(Region == "Americas")
modelo_Americas <- lm(Tornout ~ Compulsory, data = Americas)
#Asia/Oceania
Asia_Oceania <- base%>%
  filter(Region == "Asia"| Region == "Oceania")
modelo_AsiaOceania1 <- lm(Tornout ~ Compulsory, data = Asia_Oceania)
modelo_AsiaOceania2 <- lm(Tornout ~ Compulsory + Region, data = Asia_Oceania)
#Europa
Europa <- base%>%
  filter(Region == "Leste Europeu"| Region == "Europa Ocidental")
modelo_Europa1 <- lm(Tornout ~ Compulsory, data = Europa)
modelo_Europa2 <- lm(Tornout ~ Compulsory + Region, data = Europa)

huxreg(modelo_Africa, modelo_Americas, modelo_AsiaOceania1, modelo_AsiaOceania2, modelo_Europa1, modelo_Europa2, stars = c(`*` = 0.1, `**` = 0.05,
                                  `***` = 0.01), statistics = c("N. obs." = "nobs", "R2" = "r.squared",
                                                                "AIC" = "AIC"))

	(1)	(2)	(3)	(4)	(5)	(6)
(Intercept)	57.145 ***	59.233 ***	70.919 ***	67.254 ***	63.027 ***	70.051 ***
	(3.993)	(2.971)	(3.086)	(3.571)	(2.436)	(2.748)
CompulsoryYes	-11.745	11.892 **	5.257	3.424	13.770 **	13.298 **
	(19.151)	(5.231)	(6.172)	(5.922)	(6.107)	(5.260)
RegionOceania				9.164 *
				(5.155)
RegionLeste Europeu						-15.287 ***
						(3.863)
N. obs.	23	31	20	20	44	44
R2	0.018	0.151	0.039	0.189	0.108	0.354
AIC	203.965	253.793	159.886	158.476	366.048	353.816
* p < 0.01; p < 0.05; * p < 0.1.