Marcus Vinicius Chevitarese Alves, Ângela Batista Oliveira 19/02/2020
library(tidyverse)
library(gridExtra)
library(ggpol)
library(data.table)
library(xltabr)arq_freq_2014 <- "dados/freq_eleitos_uf_2014.csv"
arq_freq_2018 <- "dados/freq_eleitos_uf_2018.csv"
data_freq_2014_origem <- read.csv(arq_freq_2014, sep=";")
head(data_freq_2014_origem, 10)## uf sexo n_eleitos
## 1 AC f 1
## 2 AL f 0
## 3 AM f 1
## 4 AP f 3
## 5 BA f 3
## 6 CE f 2
## 7 DF f 1
## 8 ES f 0
## 9 GO f 2
## 10 MA f 1
data_freq_2018_origem <- read.csv(arq_freq_2018, sep=";")
head(data_freq_2018_origem, 10)## uf sexo n_eleitos
## 1 AC f 4
## 2 AL f 1
## 3 AM f 0
## 4 AP f 3
## 5 BA f 3
## 6 CE f 1
## 7 DF f 5
## 8 ES f 3
## 9 GO f 2
## 10 MA f 0
a. Estrutura dos dados e análise exploratória dos candidatos eleitos a deputado federal em 2014 e 2018
str(data_freq_2014_origem)## 'data.frame': 54 obs. of 3 variables:
## $ uf : Factor w/ 27 levels "AC","AL","AM",..: 1 2 3 4 5 6 7 8 9 10 ...
## $ sexo : Factor w/ 2 levels "f","m": 1 1 1 1 1 1 1 1 1 1 ...
## $ n_eleitos: int 1 0 1 3 3 2 1 0 2 1 ...
summary(data_freq_2014_origem)## uf sexo n_eleitos
## AC : 2 f:27 Min. : 0.00
## AL : 2 m:27 1st Qu.: 2.00
## AM : 2 Median : 5.50
## AP : 2 Mean : 9.50
## BA : 2 3rd Qu.: 9.75
## CE : 2 Max. :64.00
## (Other):42
str(data_freq_2018_origem)## 'data.frame': 54 obs. of 3 variables:
## $ uf : Factor w/ 27 levels "AC","AL","AM",..: 1 2 3 4 5 6 7 8 9 10 ...
## $ sexo : Factor w/ 2 levels "f","m": 1 1 1 1 1 1 1 1 1 1 ...
## $ n_eleitos: int 4 1 0 3 3 1 5 3 2 0 ...
summary(data_freq_2018_origem)## uf sexo n_eleitos
## AC : 2 f:27 Min. : 0.00
## AL : 2 m:27 1st Qu.: 2.25
## AM : 2 Median : 5.00
## AP : 2 Mean : 9.50
## BA : 2 3rd Qu.:10.75
## CE : 2 Max. :59.00
## (Other):42
data_freq_2014 <- data_freq_2014_origem %>%
group_by(uf) %>%
mutate(prop_eleitos = n_eleitos / sum(n_eleitos)) %>%
ungroup()
data_freq_2014## # A tibble: 54 x 4
## uf sexo n_eleitos prop_eleitos
## <fct> <fct> <int> <dbl>
## 1 AC f 1 0.125
## 2 AL f 0 0
## 3 AM f 1 0.125
## 4 AP f 3 0.375
## 5 BA f 3 0.0769
## 6 CE f 2 0.0909
## 7 DF f 1 0.125
## 8 ES f 0 0
## 9 GO f 2 0.118
## 10 MA f 1 0.0556
## # ... with 44 more rows
data_freq_2018 <- data_freq_2018_origem %>%
group_by(uf) %>%
mutate(prop_eleitos = n_eleitos / sum(n_eleitos)) %>%
ungroup()
data_freq_2018## # A tibble: 54 x 4
## uf sexo n_eleitos prop_eleitos
## <fct> <fct> <int> <dbl>
## 1 AC f 4 0.5
## 2 AL f 1 0.111
## 3 AM f 0 0
## 4 AP f 3 0.375
## 5 BA f 3 0.0769
## 6 CE f 1 0.0455
## 7 DF f 5 0.625
## 8 ES f 3 0.3
## 9 GO f 2 0.118
## 10 MA f 0 0
## # ... with 44 more rows
n_fig <- 1
ggplot(data_freq_2014, aes(x = prop_eleitos)) +
geom_histogram(aes(color = sexo), fill = "white",
position = "identity", bins = 40) +
scale_color_manual(values = c("#00AFBB", "#E7B800")) +
ggtitle(paste(n_fig, " - Proporção de deputados federais eleitos por UF e sexo, em 2014"))
n_fig <- n_fig + 1
ggplot(data_freq_2018, aes(x = prop_eleitos)) +
geom_histogram(aes(color = sexo), fill = "white",
position = "identity", bins = 40) +
scale_color_manual(values = c("#00AFBB", "#E7B800")) +
ggtitle(paste(n_fig, " - Proporção de deputados federais eleitos por UF e sexo, em 2018"))
Analisando os dois histogramas, percebemos que a distribuição da proporção de eleitos em 2018 ficou um pouco mais equitativa em relação ao 2014. No primeiro histograma, há uma divisão clara entre homens e mulheres, sendo que, em nenhuma unidade da federação os homens obtiveram menos de 50% das cadeiras. Já em 2018, houve dois casos onde isso ocorreu.
tab_eleitos_uf_sexo_2014 <- xtabs(n_eleitos ~ uf + sexo, data_freq_2014)
tab_prop_eleitos_uf_sexo_2014 <- prop.table(tab_eleitos_uf_sexo_2014, c(1))
tab_prop_eleitos_uf_sexo_2014 <- addmargins(tab_prop_eleitos_uf_sexo_2014, c(2))
tab_eleitos_uf_sexo_2014 <- addmargins(tab_eleitos_uf_sexo_2014)
cat("Quantitativo de eleitos - 2014", "\n")## Quantitativo de eleitos - 2014
tab_eleitos_uf_sexo_2014## sexo
## uf f m Sum
## AC 1 7 8
## AL 0 9 9
## AM 1 7 8
## AP 3 5 8
## BA 3 36 39
## CE 2 20 22
## DF 1 7 8
## ES 0 10 10
## GO 2 15 17
## MA 1 17 18
## MG 5 48 53
## MS 1 7 8
## MT 0 8 8
## PA 3 14 17
## PB 0 12 12
## PE 1 24 25
## PI 2 8 10
## PR 2 28 30
## RJ 6 40 46
## RN 1 7 8
## RO 2 6 8
## RR 2 6 8
## RS 1 30 31
## SC 2 14 16
## SE 0 8 8
## SP 6 64 70
## TO 3 5 8
## Sum 51 462 513
cat("\n", "Proporção de eleitos - 2014", "\n")##
## Proporção de eleitos - 2014
tab_prop_eleitos_uf_sexo_2014## sexo
## uf f m Sum
## AC 0.12500000 0.87500000 1.00000000
## AL 0.00000000 1.00000000 1.00000000
## AM 0.12500000 0.87500000 1.00000000
## AP 0.37500000 0.62500000 1.00000000
## BA 0.07692308 0.92307692 1.00000000
## CE 0.09090909 0.90909091 1.00000000
## DF 0.12500000 0.87500000 1.00000000
## ES 0.00000000 1.00000000 1.00000000
## GO 0.11764706 0.88235294 1.00000000
## MA 0.05555556 0.94444444 1.00000000
## MG 0.09433962 0.90566038 1.00000000
## MS 0.12500000 0.87500000 1.00000000
## MT 0.00000000 1.00000000 1.00000000
## PA 0.17647059 0.82352941 1.00000000
## PB 0.00000000 1.00000000 1.00000000
## PE 0.04000000 0.96000000 1.00000000
## PI 0.20000000 0.80000000 1.00000000
## PR 0.06666667 0.93333333 1.00000000
## RJ 0.13043478 0.86956522 1.00000000
## RN 0.12500000 0.87500000 1.00000000
## RO 0.25000000 0.75000000 1.00000000
## RR 0.25000000 0.75000000 1.00000000
## RS 0.03225806 0.96774194 1.00000000
## SC 0.12500000 0.87500000 1.00000000
## SE 0.00000000 1.00000000 1.00000000
## SP 0.08571429 0.91428571 1.00000000
## TO 0.37500000 0.62500000 1.00000000
tab_eleitos_uf_sexo_2018 <- xtabs(n_eleitos ~ uf + sexo, data_freq_2018)
tab_prop_eleitos_uf_sexo_2018 <- prop.table(tab_eleitos_uf_sexo_2018, c(1))
tab_prop_eleitos_uf_sexo_2018 <- addmargins(tab_prop_eleitos_uf_sexo_2018, c(2))
tab_eleitos_uf_sexo_2018 <- addmargins(tab_eleitos_uf_sexo_2018)
cat("Quantitativo de eleitos - 2018", "\n")## Quantitativo de eleitos - 2018
tab_eleitos_uf_sexo_2018## sexo
## uf f m Sum
## AC 4 4 8
## AL 1 8 9
## AM 0 8 8
## AP 3 5 8
## BA 3 36 39
## CE 1 21 22
## DF 5 3 8
## ES 3 7 10
## GO 2 15 17
## MA 0 18 18
## MG 4 49 53
## MS 2 6 8
## MT 1 7 8
## PA 1 16 17
## PB 1 11 12
## PE 1 24 25
## PI 4 6 10
## PR 5 25 30
## RJ 10 36 46
## RN 1 7 8
## RO 3 5 8
## RR 2 6 8
## RS 3 28 31
## SC 4 12 16
## SE 0 8 8
## SP 11 59 70
## TO 2 6 8
## Sum 77 436 513
cat("\n", "Proporção de eleitos - 2018", "\n")##
## Proporção de eleitos - 2018
tab_prop_eleitos_uf_sexo_2018## sexo
## uf f m Sum
## AC 0.50000000 0.50000000 1.00000000
## AL 0.11111111 0.88888889 1.00000000
## AM 0.00000000 1.00000000 1.00000000
## AP 0.37500000 0.62500000 1.00000000
## BA 0.07692308 0.92307692 1.00000000
## CE 0.04545455 0.95454545 1.00000000
## DF 0.62500000 0.37500000 1.00000000
## ES 0.30000000 0.70000000 1.00000000
## GO 0.11764706 0.88235294 1.00000000
## MA 0.00000000 1.00000000 1.00000000
## MG 0.07547170 0.92452830 1.00000000
## MS 0.25000000 0.75000000 1.00000000
## MT 0.12500000 0.87500000 1.00000000
## PA 0.05882353 0.94117647 1.00000000
## PB 0.08333333 0.91666667 1.00000000
## PE 0.04000000 0.96000000 1.00000000
## PI 0.40000000 0.60000000 1.00000000
## PR 0.16666667 0.83333333 1.00000000
## RJ 0.21739130 0.78260870 1.00000000
## RN 0.12500000 0.87500000 1.00000000
## RO 0.37500000 0.62500000 1.00000000
## RR 0.25000000 0.75000000 1.00000000
## RS 0.09677419 0.90322581 1.00000000
## SC 0.25000000 0.75000000 1.00000000
## SE 0.00000000 1.00000000 1.00000000
## SP 0.15714286 0.84285714 1.00000000
## TO 0.25000000 0.75000000 1.00000000
require(gridExtra)
cd2014 <- data.frame(
sexo = factor(c("Mulheres", "Homens"),
levels = c("Mulheres", "Homens")),
seats = c(51, 462),
colors = c("red", "blue"),
stringsAsFactors = FALSE)
n_fig <- n_fig + 1
plot2014 <- ggplot(cd2014) +
geom_arcbar(aes(shares = seats, r0 = 5, r1 = 10, fill = sexo)) +
scale_fill_manual(values = cd2014$colors) +
coord_fixed() +
theme_void() +
ggtitle(paste(n_fig, ".a", " - Proporção de cadeiras conquistadas\npor sexo, em 2014"))
cd2018 <- data.frame(
sexo = factor(c("Mulheres", "Homens"),
levels = c("Mulheres", "Homens")),
seats = c(77, 436),
colors = c("red", "blue"),
stringsAsFactors = FALSE)
plot2018 <- ggplot(cd2018) +
geom_arcbar(aes(shares = seats, r0 = 5, r1 = 10, fill = sexo)) +
scale_fill_manual(values = cd2018$colors) +
coord_fixed() +
theme_void() +
ggtitle(paste(n_fig, ".b", " - Proporção de cadeiras conquistadas\npor sexo, em 2018"))
grid.arrange(plot2014, plot2018, ncol=2)
tab <- tab_prop_eleitos_uf_sexo_2018[, 1] >= tab_prop_eleitos_uf_sexo_2014[, 1]
comp_2014_2018 <- as.data.frame(tab)
comp_2014_2018## tab
## AC TRUE
## AL TRUE
## AM FALSE
## AP TRUE
## BA TRUE
## CE FALSE
## DF TRUE
## ES TRUE
## GO TRUE
## MA FALSE
## MG FALSE
## MS TRUE
## MT TRUE
## PA FALSE
## PB TRUE
## PE TRUE
## PI TRUE
## PR TRUE
## RJ TRUE
## RN TRUE
## RO TRUE
## RR TRUE
## RS TRUE
## SC TRUE
## SE TRUE
## SP TRUE
## TO FALSE
n_maiores_em_2018 <- sum(comp_2014_2018$tab == TRUE)
cat("Estados onde a proporção de eleitas foi maior ou igual em 2018:", n_maiores_em_2018)## Estados onde a proporção de eleitas foi maior ou igual em 2018: 21
var_2014 <- var(data_freq_2014 %>% dplyr::filter(sexo=="f") %>% select("prop_eleitos"))
cat("Variância - 2014: ", var_2014, "\n")## Variância - 2014: 0.01042837
var_2018 <- var(data_freq_2018 %>% dplyr::filter(sexo=="f") %>% select("prop_eleitos"))
cat("Variância - 2018: ", var_2018, "\n")## Variância - 2018: 0.02543864
Em 2014, apenas 51 mulheres candidatas ao cargo de deputado federal foram eleitas, o que corresponde a 9,95% das 513 vagas em disputa. Já em 2018, esse número aumentou para 77 eleitas, ou 15,01% das cadeiras. Isso significa que, proporcionalmente, as mulheres coneguiram 50,85% a mais de cadeiras na Câmara dos Deputado em 2018, na comparação com 2014.
Examinando os outros dados apresentados, o que parece ter ocorrido é que, em 2014, a proporção de candidatas ao cargo de deputado federal eleitas foi “nivelada por baixo” em todas as unidades da federação. Por exemplo, a proporção de eleitas mais alta obtida foi 37,5% (nos estados do Amapá e do Tocantins). Isso, provavelmente, implicou numa baixa variância nessa proporção.
Já em 2018, em geral, a proporção de candidatas a deputado federal eleitas é em 2018 é maior ou igual que em 2014. Isso ocorreu em 21 dos 26 estados e também no Distrito Federal. A proporção de eleitas mais alta passou para 62,5% (no Distrito Federal), além de ter alcançado 50% no estado do Acre. Isso, provavelmente, implicou num aumento da variância nessa proporção, na comparação com 2014 (a variância de 2018 foi mais do dobro da equivalente em 2014).
O que explica esse aumento? Acreditamos ser o estabelecimento de “cotas” de receitas de origem pública. Isso ocorreu em 2018, antes das eleições. Veja explicação de Backes et al. (2018):
“Em resposta à consulta formulada por deputadas federais e senadoras, o TSE decidiu, em 21/5/2018, que os partidos deveriam destinar 30% dos recursos do Fundo Especial de Financiamento de Campanhas para as candidaturas das mulheres, de maneira global, sem especificar precisamente o percentual para cada cargo (Presidente, Governador, Senador, Deputado Federal e Estadual). Essa decisão vai ao encontro do julgamento da ADI 5617, pelo STF, que estabeleceu que 30% dos recursos do Fundo Partidário devem se destinar à candidatura de mulheres.”
Portanto, as mulheres tiveram, em tese, um acesso a uma fatia maior de recursos públicos, o que provavelmente ampliou a proporção total de recursos em comparação aos homens nas Eleições Gerais de 2018. Uma vez que a literatura indica haver uma correlação positiva entre receita de campanha e votação, isso explicaria uma proporção de votos maior e, consequentemente, uma proporção maior de mulheres eleitas, na comparação com 2014, quando a referida cota ainda não havia sido estabelecida.
Em vista do que foi discutido, formulamos duas hipóteses: (H1) Houve aumento estatisticamente significativo na proporção de receitas das candidatas ao cargo de deputado federal em 2018, na comparação com 2014. (H2) Houve aumento estatisticamente significativo na proporção de votos nas candidatas ao cargo de deputado federal em 2018, na comparação com 2014.
Nota: os dados foram obtidos no Sistema de Estatísticas Eleitorais - Siele, da Câmara dos Deputados.
# Carrega arquivos de votação e receitas de candidatos e candidatas em 2010
# Esses arquivos tinham estrutura um pouco diferentes e, por isso, foram carregados à parte
arq_candidatos_2010 <- "dados/candidatos_2010.csv"
dados_candidatos_2010_orig <- read.csv(arq_candidatos_2010, sep=";")
dados_candidatos_2010_orig$num_titulo_eleitoral <- as.character(dados_candidatos_2010_orig$num_titulo_eleitoral)
head(dados_candidatos_2010_orig, 10)## ano_eleicao uf cargo nome_urna num_titulo_eleitoral
## 1 2010 AC DEPUTADO FEDERAL ANTONIA LUCIA 16497022232
## 2 2010 AC DEPUTADO FEDERAL BENICIO DIAS 133042437
## 3 2010 AC DEPUTADO FEDERAL BETH BOCALOM 2053892461
## 4 2010 AC DEPUTADO FEDERAL BRANCO DO CALAFATE 3262612488
## 5 2010 AC DEPUTADO FEDERAL CHICARLOS 1399612461
## 6 2010 AC DEPUTADO FEDERAL CORONEL DEODATO 1647292461
## 7 2010 AC DEPUTADO FEDERAL DRRAIMUNDO CASTRO 2387382470
## 8 2010 AC DEPUTADO FEDERAL EDSON DE PAULA 6239612070
## 9 2010 AC DEPUTADO FEDERAL FERNANDO MELO 933682461
## 10 2010 AC DEPUTADO FEDERAL FLAVIANO MELO 745162429
## sigla_partido ocupacao
## 1 PSC EMPRESÃ\201RIO
## 2 PSDB REPRESENTANTE COMERCIAL
## 3 PSDB PROFESSOR DE ENSINO MÉDIO
## 4 PRB OUTROS
## 5 PSDB OUTROS
## 6 PMDB OUTROS
## 7 PSDB MÉDICO
## 8 PSDB OPERADOR DE EQUIPAMENTO DE RÃ\201DIO, TELEVISÃO, SOM E CINEMA
## 9 PT DEPUTADO FEDERAL
## 10 PMDB DEPUTADO FEDERAL
## capital_politico_proprio n_votos valor_receita_total sit_eleitoral_cod
## 1 0 15849 430283 1
## 2 0 1082 3168 0
## 3 0 1357 440 0
## 4 0 2530 46963 0
## 5 0 3377 2608 0
## 6 0 4620 6990 0
## 7 0 2492 6361 0
## 8 0 312 1840 0
## 9 3 11018 178370 0
## 10 3 36301 342378 1
arq_candidatos_2010_sexo <- "dados/candidatos_2010_sexo.csv"
dados_candidatos_2010_sexo <- read.csv(arq_candidatos_2010_sexo, sep=";")
dados_candidatos_2010_sexo$num_titulo_eleitoral <- as.character(dados_candidatos_2010_sexo$num_titulo_eleitoral)
head(dados_candidatos_2010_sexo, 10)## ano_eleicao cargo uf num_titulo_eleitoral sexo
## 1 2010 DEPUTADO FEDERAL AC 133042437 MASCULINO
## 2 2010 DEPUTADO FEDERAL AC 215682461 MASCULINO
## 3 2010 DEPUTADO FEDERAL AC 235642445 FEMININO
## 4 2010 DEPUTADO FEDERAL AC 259632429 MASCULINO
## 5 2010 DEPUTADO FEDERAL AC 264572410 MASCULINO
## 6 2010 DEPUTADO FEDERAL AC 465622330 MASCULINO
## 7 2010 DEPUTADO FEDERAL AC 586812410 MASCULINO
## 8 2010 DEPUTADO FEDERAL AC 745162429 MASCULINO
## 9 2010 DEPUTADO FEDERAL AC 839252461 FEMININO
## 10 2010 DEPUTADO FEDERAL AC 882352461 MASCULINO
arq_candidatos_2010 <- merge(x=dados_candidatos_2010_orig,
y=dados_candidatos_2010_sexo,
by="num_titulo_eleitoral",
all=TRUE)
head(arq_candidatos_2010, 20)## num_titulo_eleitoral ano_eleicao.x uf.x cargo.x nome_urna
## 1 100124300159 NA <NA> <NA> <NA>
## 2 100128400388 NA <NA> <NA> <NA>
## 3 1001852402 2010 AC DEPUTADO FEDERAL SGTO VIEIRA
## 4 10028570396 2010 RJ DEPUTADO FEDERAL MATIAS
## 5 100324470396 2010 RJ DEPUTADO FEDERAL LEONARDO PICCIANI
## 6 10039070841 NA <NA> <NA> <NA>
## 7 100413440272 NA <NA> <NA> <NA>
## 8 1004701309 2010 PA DEPUTADO FEDERAL ADEMIR ANDRADE
## 9 100581490183 2010 SP DEPUTADO FEDERAL ANTONIO BUGALU
## 10 10062390345 2010 RJ DEPUTADO FEDERAL PEDRO ALAIM
## 11 100625630213 2010 MG DEPUTADO FEDERAL ALEXANDRE
## 12 100632050108 2010 SP DEPUTADO FEDERAL MARA GABRILLI
## 13 10063501910 2010 MS DEPUTADO FEDERAL PROFª IARA
## 14 10080700388 2010 RJ DEPUTADO FEDERAL VIRGINIA MONTEIRO
## 15 1008162615 2010 RR DEPUTADO FEDERAL BERINHO BANTIM
## 16 1008171902 2010 MS DEPUTADO FEDERAL PR DUTRA
## 17 10097381449 2010 ES DEPUTADO FEDERAL NODIR COLOMBO
## 18 100984500299 2010 MG DEPUTADO FEDERAL PROFESSOR ROMANELY
## 19 101028920302 NA <NA> <NA> <NA>
## 20 10106240230 2010 MG DEPUTADO FEDERAL MARILDA
## sigla_partido ocupacao capital_politico_proprio
## 1 <NA> <NA> NA
## 2 <NA> <NA> NA
## 3 PPS OUTROS 0
## 4 PMN MILITAR REFORMADO 0
## 5 PMDB DEPUTADO FEDERAL 3
## 6 <NA> <NA> NA
## 7 <NA> <NA> NA
## 8 PSB VEREADOR 1
## 9 PSC OUTROS 0
## 10 PDT EMPRESÃ\201RIO 0
## 11 PRB OUTROS 0
## 12 PSDB VEREADOR 1
## 13 PT SERVIDOR PÚBLICO ESTADUAL 0
## 14 PMDB OUTROS 0
## 15 PSDB ADVOGADO 0
## 16 PTN SERVIDOR PÚBLICO ESTADUAL 0
## 17 PC do B APOSENTADO (EXCETO SERVIDOR PÚBLICO) 0
## 18 PV OUTROS 0
## 19 <NA> <NA> NA
## 20 PT PROFESSOR DE ENSINO MÉDIO 0
## n_votos valor_receita_total sit_eleitoral_cod ano_eleicao.y cargo.y
## 1 NA NA NA 2010 DEPUTADO FEDERAL
## 2 NA NA NA 2010 DEPUTADO FEDERAL
## 3 3378 4703 0 2010 DEPUTADO FEDERAL
## 4 2652 11750 0 2010 DEPUTADO FEDERAL
## 5 165630 1911679 1 2010 DEPUTADO FEDERAL
## 6 NA NA NA 2010 DEPUTADO FEDERAL
## 7 NA NA NA 2010 DEPUTADO FEDERAL
## 8 64984 455017 0 2010 DEPUTADO FEDERAL
## 9 2785 12016 0 2010 DEPUTADO FEDERAL
## 10 1225 31832 0 2010 DEPUTADO FEDERAL
## 11 196 23883 0 2010 DEPUTADO FEDERAL
## 12 160138 1214034 1 2010 DEPUTADO FEDERAL
## 13 5449 41418 0 2010 DEPUTADO FEDERAL
## 14 1047 300 0 2010 DEPUTADO FEDERAL
## 15 10111 191430 1 2010 DEPUTADO FEDERAL
## 16 375 62300 0 2010 DEPUTADO FEDERAL
## 17 3647 17975 0 2010 DEPUTADO FEDERAL
## 18 5478 86396 0 2010 DEPUTADO FEDERAL
## 19 NA NA NA 2010 DEPUTADO FEDERAL
## 20 26784 181858 0 2010 DEPUTADO FEDERAL
## uf.y sexo
## 1 SP MASCULINO
## 2 RJ FEMININO
## 3 AC MASCULINO
## 4 RJ MASCULINO
## 5 RJ MASCULINO
## 6 PE MASCULINO
## 7 MG FEMININO
## 8 PA MASCULINO
## 9 SP MASCULINO
## 10 RJ MASCULINO
## 11 MG MASCULINO
## 12 SP FEMININO
## 13 MS FEMININO
## 14 RJ FEMININO
## 15 RR MASCULINO
## 16 MS MASCULINO
## 17 ES MASCULINO
## 18 MG MASCULINO
## 19 RJ FEMININO
## 20 MG FEMININO
# Carrega arquivos de votação e receitas de candidatos e candidatas em 2014 e 2018.
arq_rec_vot_2014_2018 <- "dados/receitas_e_votacao_2014_e_2018.csv"
dados_rec_vot_2014_2018 <- read.csv(arq_rec_vot_2014_2018, sep=";", encoding = "UTF-8")
head(dados_rec_vot_2014_2018, 10)## igpm_2014_2018 valor_receita_publica rank_receita_uf
## 1 1,3121289 429
## 2 1,3121289 805
## 3 1,3121289 1186
## 4 1,3121289 893
## 5 1,3121289 339
## 6 1,3121289 307
## 7 1,3121289 355
## 8 1,3121289 1114
## 9 1,3121289 791
## 10 1,3121289 754
## indicador_competitividade n_votos valor_receita_total n_vagas_uf
## 1 Não competitivo 4222 19844,46 70
## 2 Não competitivo 716 3500 70
## 3 Não competitivo 86 1,7 70
## 4 Não competitivo 4232 2300 70
## 5 Não competitivo 24812 42992,56 70
## 6 Não competitivo 2002 53994,12 70
## 7 Não competitivo 6574 34918,76 70
## 8 Não competitivo 115 432,92 70
## 9 Não competitivo 303 3655,95 70
## 10 Não competitivo 905 4288 70
## situacao_eleitoral sexo cargo ano_eleicao uf rank_votacao_uf
## 1 SUPLENTE MASCULINO DEPUTADO FEDERAL 2014 SP 337
## 2 SUPLENTE MASCULINO DEPUTADO FEDERAL 2014 SP 740
## 3 SUPLENTE FEMININO DEPUTADO FEDERAL 2014 SP 1180
## 4 SUPLENTE MASCULINO DEPUTADO FEDERAL 2014 SP 335
## 5 NÃO ELEITO MASCULINO DEPUTADO FEDERAL 2014 SP 153
## 6 SUPLENTE MASCULINO DEPUTADO FEDERAL 2014 SP 481
## 7 SUPLENTE MASCULINO DEPUTADO FEDERAL 2014 SP 273
## 8 NÃO ELEITO FEMININO DEPUTADO FEDERAL 2014 SP 1160
## 9 SUPLENTE FEMININO DEPUTADO FEDERAL 2014 SP 986
## 10 SUPLENTE FEMININO DEPUTADO FEDERAL 2014 SP 672
# Substituindo separador de decimais "," por "."
dados_rec_vot_2014_2018$valor_receita_publica <- gsub(',', '.', dados_rec_vot_2014_2018$valor_receita_publica)
dados_rec_vot_2014_2018$valor_receita_publica <- as.numeric(dados_rec_vot_2014_2018$valor_receita_publica)
dados_rec_vot_2014_2018$valor_receita_total <- gsub(',', '.', dados_rec_vot_2014_2018$valor_receita_total)
dados_rec_vot_2014_2018$valor_receita_total <- as.numeric(dados_rec_vot_2014_2018$valor_receita_total)
dados_rec_vot_2014_2018$igpm_2014_2018 <- gsub(',', '.', dados_rec_vot_2014_2018$igpm_2014_2018)
dados_rec_vot_2014_2018$igpm_2014_2018 <- as.numeric(dados_rec_vot_2014_2018$igpm_2014_2018)
# Substituindo "NA" por 0
dados_rec_vot_2014_2018 <- dados_rec_vot_2014_2018 %>%
mutate(valor_receita_publica = coalesce(valor_receita_publica, 0))
# Substituindo "FEMININO" e "MASCULINO" por "m" e "f"
dados_rec_vot_2014_2018 <- dados_rec_vot_2014_2018 %>%
mutate(sexo = ifelse(sexo == "FEMININO", "f", "m"))
# Criando nova coluna, para identificar diretamente se o candidato foi eleito
dados_rec_vot_2014_2018 <- dados_rec_vot_2014_2018 %>%
mutate(eleito = ifelse(situacao_eleitoral=="ELEITO POR MÉDIA" | situacao_eleitoral=="ELEITO POR QP", 1, 0))
head(dados_rec_vot_2014_2018, 10)## igpm_2014_2018 valor_receita_publica rank_receita_uf
## 1 1.312129 0 429
## 2 1.312129 0 805
## 3 1.312129 0 1186
## 4 1.312129 0 893
## 5 1.312129 0 339
## 6 1.312129 0 307
## 7 1.312129 0 355
## 8 1.312129 0 1114
## 9 1.312129 0 791
## 10 1.312129 0 754
## indicador_competitividade n_votos valor_receita_total n_vagas_uf
## 1 Não competitivo 4222 19844.46 70
## 2 Não competitivo 716 3500.00 70
## 3 Não competitivo 86 1.70 70
## 4 Não competitivo 4232 2300.00 70
## 5 Não competitivo 24812 42992.56 70
## 6 Não competitivo 2002 53994.12 70
## 7 Não competitivo 6574 34918.76 70
## 8 Não competitivo 115 432.92 70
## 9 Não competitivo 303 3655.95 70
## 10 Não competitivo 905 4288.00 70
## situacao_eleitoral sexo cargo ano_eleicao uf rank_votacao_uf
## 1 SUPLENTE m DEPUTADO FEDERAL 2014 SP 337
## 2 SUPLENTE m DEPUTADO FEDERAL 2014 SP 740
## 3 SUPLENTE f DEPUTADO FEDERAL 2014 SP 1180
## 4 SUPLENTE m DEPUTADO FEDERAL 2014 SP 335
## 5 NÃO ELEITO m DEPUTADO FEDERAL 2014 SP 153
## 6 SUPLENTE m DEPUTADO FEDERAL 2014 SP 481
## 7 SUPLENTE m DEPUTADO FEDERAL 2014 SP 273
## 8 NÃO ELEITO f DEPUTADO FEDERAL 2014 SP 1160
## 9 SUPLENTE f DEPUTADO FEDERAL 2014 SP 986
## 10 SUPLENTE f DEPUTADO FEDERAL 2014 SP 672
## eleito
## 1 0
## 2 0
## 3 0
## 4 0
## 5 0
## 6 0
## 7 0
## 8 0
## 9 0
## 10 0
eleitos_2014 <- dados_rec_vot_2014_2018 %>%
filter((ano_eleicao == '2014') & (eleito == 1)) %>%
group_by(uf, rank_votacao_uf, sexo) %>%
mutate(n_eleitos = sum(eleito)) %>%
select('uf', 'rank_votacao_uf', 'sexo', 'n_eleitos') %>%
arrange(uf, rank_votacao_uf, .by_group = TRUE)
eleitos_2014## # A tibble: 513 x 4
## # Groups: uf, rank_votacao_uf, sexo [513]
## uf rank_votacao_uf sexo n_eleitos
## <fct> <int> <chr> <dbl>
## 1 AC 1 m 1
## 2 AC 2 m 1
## 3 AC 3 m 1
## 4 AC 4 m 1
## 5 AC 5 f 1
## 6 AC 6 m 1
## 7 AC 7 m 1
## 8 AC 8 m 1
## 9 AL 1 m 1
## 10 AL 2 m 1
## # ... with 503 more rows
dados_prop_rec <- dados_rec_vot_2014_2018 %>%
group_by(ano_eleicao, uf) %>%
mutate(prop_rec = valor_receita_total/sum(valor_receita_total)) %>%
select('ano_eleicao', 'uf', 'sexo', 'prop_rec') %>%
filter(sexo == 'f' & (ano_eleicao == '2014' | ano_eleicao == '2018'))
n_fig <- n_fig + 1
ggplot(data=dados_prop_rec, aes(x=ano_eleicao, y=prop_rec, fill=factor(ano_eleicao))) +
geom_boxplot() +
scale_y_log10() +
ylab("Proporção de receitas na UF")+
labs(fill="Eleição")+
ggtitle(paste(n_fig, " - Proporção de receitas das candidatas a deputado federal, em 2014 e 2018"))
d.3. Diferença na proporção de receitas das candidatas a deputado federal, em 2014 e 2018 (detalhe por UF)
dados_prop_rec <- dados_rec_vot_2014_2018 %>%
group_by(ano_eleicao, uf) %>%
mutate(prop_rec = valor_receita_total/sum(valor_receita_total)) %>%
select('ano_eleicao', 'uf', 'sexo', 'prop_rec') %>%
filter(sexo == 'f' & (ano_eleicao == '2014' | ano_eleicao == '2018'))
n_fig <- n_fig + 1
ggplot(data=dados_prop_rec, aes(x=sexo, y=prop_rec, fill=factor(ano_eleicao))) +
geom_boxplot() +
facet_wrap(~uf) +
scale_y_log10() +
xlab("UF") +
ylab("Proporção de eleitos na UF")+
labs(fill="Eleição")+
ggtitle(paste(n_fig, " - Proporção de receitas das candidatas a deputado federal, em 2014 e 2018"))
dados_rec_pub_2018 <- dados_rec_vot_2014_2018 %>%
filter(ano_eleicao == '2018') %>%
select('uf', 'sexo', 'valor_receita_publica', 'valor_receita_total')
lista_receitas_2018 <- reshape2::melt(dados_rec_pub_2018, value.name = "receita", id=c("uf", "sexo"))
n_fig <- n_fig + 1
ggplot(lista_receitas_2018, aes(fill=variable, y=receita, x=uf)) +
geom_bar(stat="identity", width = 0.8, position = "fill") +
facet_wrap(~sexo) +
theme(legend.position="bottom", axis.text.y = element_text(size = 7)) +
guides(fill=guide_legend(title = NULL)) +
geom_hline(yintercept = 0.50, color = "blue") +
coord_flip() +
ggtitle(paste(n_fig, " - Proporção de receitas públicas de mulheres e homens\n nas eleições para deputado federal, em 2018"))
dados_prop_vot <- dados_rec_vot_2014_2018 %>%
group_by(ano_eleicao, uf) %>%
mutate(prop_votos = n_votos/sum(n_votos)) %>%
select('ano_eleicao', 'uf', 'sexo', 'prop_votos') %>%
filter(sexo == 'f' & (ano_eleicao == '2014' | ano_eleicao == '2018'))
n_fig <- n_fig + 1
ggplot(data=dados_prop_vot, aes(x=ano_eleicao, y=prop_votos, fill=factor(ano_eleicao))) +
geom_boxplot() +
scale_y_log10() +
ylab("Proporção de votos na UF")+
labs(fill="Eleição")+
ggtitle(paste(n_fig, " - Proporção de votos em candidatas a deputado federal,\n em 2014 e 2018"))
d.6. Diferença na proporção de votos nas candidatas a deputado federal, em 2014 e 2018 (detalhe por UF)
n_fig <- n_fig + 1
ggplot(data=dados_prop_vot, aes(x=sexo, y=prop_votos, fill=factor(ano_eleicao))) +
geom_boxplot() +
facet_wrap(~uf) +
scale_y_log10() +
xlab("UF") +
ylab("Proporção de eleitos na UF") +
labs(fill="Eleição") +
ggtitle(paste(n_fig, "- Proporção de votos em candidatas a deputado federal, em 2014 e 2018"))
Em geral, tanto a mediana da proporção de receitas quanto a mediana da proporção de votos foram superiores em 2018 na comparação com 2014, no universo analisado (candidatas ao cargo de deputado federal, com candidaturas consideradas aptas pelo TSE e receita superior a zero).
Tais dados, portanto, corroboram as hipóteses aventadas.
dados_rec <-
dados_rec_vot_2014_2018 %>%
select('ano_eleicao', 'uf', 'sexo', 'valor_receita_total')
head(dados_rec, 10)## ano_eleicao uf sexo valor_receita_total
## 1 2014 SP m 19844.46
## 2 2014 SP m 3500.00
## 3 2014 SP f 1.70
## 4 2014 SP m 2300.00
## 5 2014 SP m 42992.56
## 6 2014 SP m 53994.12
## 7 2014 SP m 34918.76
## 8 2014 SP f 432.92
## 9 2014 SP f 3655.95
## 10 2014 SP f 4288.00
dados_rec_f <- dados_rec %>%
group_by(ano_eleicao, uf) %>%
mutate(prop = valor_receita_total/sum(valor_receita_total)) %>%
filter(sexo == 'f' & (ano_eleicao == '2014' | ano_eleicao == '2018')) %>%
select('ano_eleicao', 'uf', 'prop')
shapiro.test(dados_rec_f$prop)##
## Shapiro-Wilk normality test
##
## data: dados_rec_f$prop
## W = 0.24921, p-value < 2.2e-16
dados_vot <-
dados_rec_vot_2014_2018 %>%
select('ano_eleicao', 'uf', 'sexo', 'n_votos')
head(dados_vot, 10)## ano_eleicao uf sexo n_votos
## 1 2014 SP m 4222
## 2 2014 SP m 716
## 3 2014 SP f 86
## 4 2014 SP m 4232
## 5 2014 SP m 24812
## 6 2014 SP m 2002
## 7 2014 SP m 6574
## 8 2014 SP f 115
## 9 2014 SP f 303
## 10 2014 SP f 905
dados_vot_f <- dados_vot %>%
group_by(ano_eleicao, uf) %>%
mutate(prop = n_votos/sum(n_votos)) %>%
filter(sexo == 'f' & (ano_eleicao == '2014' | ano_eleicao == '2018')) %>%
select('ano_eleicao', 'uf', 'prop')
shapiro.test(dados_vot_f$prop)##
## Shapiro-Wilk normality test
##
## data: dados_vot_f$prop
## W = 0.26375, p-value < 2.2e-16
e.3. Teste de Kruskall-Wallis para comparar a proporção de receitas das candidatas ao cargo de deputado federal em 2014 e 2018 (H1)
Como foi visto nas seções anteriores, o teste de normalidade de Shapiro-Walk rejeitou a hipótese nula de que as distribuições não fossem significativamente diferentes da normal; ou seja, elas são diferentes da normal. Portanto, precisamos de um método não-paramétrico.
Segundo o Handbook of Biological Statistics*, "o uso mais comum do teste de Kruskall-Wallis é quando se tem uma variável nominal e uma variável de medida, um experimento no qual normalmente a Anova seria utilizada, mas a variável de medida não atende a assunção de normalidade.
Fonte: http://www.biostathandbook.com/kruskalwallis.html
Nessa análise e na posterior foram computados somente dados de candidatos considerados aptos pelo TSE e com receita maior do que zero.
tab_prop_rec_f <- xtabs(prop ~ uf + ano_eleicao, data=dados_rec_f)
tab_prop_rec_f## ano_eleicao
## uf 2014 2018
## AC 0.308750422 0.413936845
## AL 0.052652558 0.225333030
## AM 0.069107147 0.158407871
## AP 0.382834252 0.330289028
## BA 0.036958574 0.169307528
## CE 0.071440075 0.255945177
## DF 0.116967666 0.393829944
## ES 0.095073805 0.220598635
## GO 0.112824624 0.208334691
## MA 0.069552379 0.097846747
## MG 0.087833962 0.140895596
## MS 0.218173973 0.365973144
## MT 0.026220061 0.213682729
## PA 0.179149243 0.350696113
## PB 0.006776697 0.233023681
## PE 0.054994195 0.102541167
## PI 0.327745794 0.378284465
## PR 0.038456701 0.160082743
## RJ 0.125571038 0.251654725
## RN 0.187784046 0.218169165
## RO 0.244501374 0.479929573
## RR 0.170922646 0.438969068
## RS 0.066251894 0.149136582
## SC 0.092035953 0.277980719
## SE 0.067889012 0.142320042
## SP 0.075987362 0.206406979
## TO 0.182294736 0.404089676
kruskal.test(prop ~ ano_eleicao, data=dados_rec_f)##
## Kruskal-Wallis rank sum test
##
## data: prop by ano_eleicao
## Kruskal-Wallis chi-squared = 138.99, df = 1, p-value < 2.2e-16
Como o p-valor é inferior ao nível de significância de 0,05, podemos concluir que há diferenças significativas entre os grupos, ou seja, entre as eleições de 2014 e 2018, no que tange à proporção de receitas das candidatas ao cargo de deputado federal dentro do respectivo distrito eleitoral (UF).
e.5. Teste de Kruskall-Wallis para comparar a proporção de votos das candidatas ao cargo de deputado federal em 2014 e 2018 (H2)
tab_prop_vot_f <- xtabs(prop ~ uf + ano_eleicao, data=dados_vot_f)
tab_prop_vot_f## ano_eleicao
## uf 2014 2018
## AC 0.208480315 0.363669184
## AL 0.037599925 0.116155321
## AM 0.065196424 0.071313601
## AP 0.360103798 0.260457407
## BA 0.073846444 0.126697209
## CE 0.082856533 0.116949303
## DF 0.141177361 0.383877514
## ES 0.084757350 0.141342717
## GO 0.144442704 0.167947720
## MA 0.108749237 0.037026444
## MG 0.070418596 0.102271513
## MS 0.119656781 0.274663182
## MT 0.037996788 0.204571088
## PA 0.129257258 0.146520773
## PB 0.009333248 0.149732872
## PE 0.041663524 0.067273335
## PI 0.178895713 0.306670919
## PR 0.082067822 0.150936130
## RJ 0.142276634 0.177932303
## RN 0.163967922 0.192437376
## RO 0.288954671 0.308477072
## RR 0.205938441 0.182003381
## RS 0.072790242 0.122968534
## SC 0.102138719 0.204383571
## SE 0.057384512 0.124675386
## SP 0.084005713 0.213335686
## TO 0.263437063 0.219153905
kruskal.test(prop ~ ano_eleicao, data=dados_vot_f)##
## Kruskal-Wallis rank sum test
##
## data: prop by ano_eleicao
## Kruskal-Wallis chi-squared = 40.248, df = 1, p-value = 2.237e-10
Como o p-valor é inferior ao nível de significância de 0,05, podemos concluir que há diferenças significativas entre os grupos, ou seja, entre as eleições de 2014 e 2018, no que tange à proporção de votos das candidatas ao cargo de deputado federal dentro do respectivo distrito eleitoral (UF).
Tem-se então que, ao se comparar 2014 e 2018, houve variação significativa tanto na proporção de receitas quanto na proporção de votos nas mulheres candidatas ao cargo de deputado federal.
As hipóteses aventadas receberam suporte das evidências mostradas. O estabelecimento legal das cotas de receitas públicas para as candidatas do sexo feminino aumentou a proporção relativa de receitas por gênero em cada UF, na comparação entre 2014 e 2018. Esse aumento foi estatisticamente significativo (H1).
Além disso, foi identificado também, em relação ao mesmo universo, um aumento na proporção relativa de votos por gênero em cada UF, na comparação entre 2014 e 2018. Esse aumento também foi estatisticamente significativo (H2).
Apesar de esse estudo, isoladamente, não estabelecer a causalidade, parece-nos que há uma influência positiva e significativa nas referidas cotas no aumento de mulheres eleitas para deputado federal. Essa influência se dá de forma indireta: ela provoca um aumento na proporção de receitas, o que, por sua vez, aumenta a proporção de votos – relação bem conhecida da literatura de Financiamento de Campanha. Naturalmente, o aumento na proporção de votos favorece a ampliação na proporção de eleitas em cada unidade da federação.