Métodos de Análisis

Resumen General

El pipeline del Observatorio del Congreso ejecuta seis módulos de análisis que transforman datos brutos de votación nominal en información sobre estructura política y poder. La cadena de procesamiento va desde registros individuales de voto hasta posiciones ideológicas, redes de co-votación, particiones en comunidades, rankings de centralidad e índices de poder formal vs. empírico.

Módulo	Entrada	Salida	Algoritmo Central
W-NOMINATE	Matriz de votos (legisladores x eventos)	Coordenadas de puntos ideales	SVD + Newton-Raphson
Co-Votación	Registros de votación	Matriz NxN de similitud + grafo	Conteo de acuerdos
Comunidades	Grafo de co-votación	Partición (nodo -> comunidad)	Modularidad de Louvain
Centralidad	Grafo de co-votación	Puntuaciones por nodo	Grado ponderado, intermediación
Índices de Poder	Escaños por partido	Valores Shapley-Shubik, Banzhaf	Enumeración combinatoria
Poder Empírico	Registros de votación + escaños	Frecuencias de partidos críticos	Análisis de votaciones nominales

W-NOMINATE: Estimación de Puntos Ideales

W-NOMINATE (Weighted Nominal Three-Step Estimation) es el algoritmo estándar para estimar posiciones ideológicas de legisladores a partir de votaciones nominales, desarrollado por Poole & Rosenthal (1985, 1997).

Referencias:

Poole & Rosenthal (1985). “A Spatial Model for Legislative Roll Call Analysis”. American Journal of Political Science, 29(2), 357-384.
Poole & Rosenthal (1997). Congress: A Political-Economic History of Roll Call Voting. Oxford University Press.
Poole (2005). Spatial Models of Parliamentary Voting. Cambridge University Press.

Funcionamiento

El algoritmo recibe una matriz binaria de votos y recupera los puntos ideales de los legisladores en un espacio de políticas de baja dimensionalidad.

Paso 1: Binarización. Los strings de voto se mapean a valores binarios:

Tipo de voto	Valor binario
`a_favor`	1 (Yea)
`en_contra`	0 (Nay)
`abstencion`	NaN (excluido)
`ausente`	NaN (excluido)

Paso 2: Filtrado. Se eliminan votos con baja información y legisladores inactivos:

min_votes = 10           # mínimo de votos binarios por legislador
min_participants = 10    # mínimo de participantes binarios por evento de voto
lopsided_threshold = 0.975  # filtrar votos casi unánimes

Paso 3: Estimación. El algoritmo estima dos parámetros por legislador (coordenadas en espacio 2D) y dos por evento de voto:

Puntos ideales (x_i, y_i): la posición de cada legislador en el espacio de políticas
Pesos de relevancia (beta): qué tan abruptamente cae la utilidad de un legislador al alejarse del plano de corte
Vectores normales (w_j): definen el plano de corte que separa Yea de Nay para cada voto

La inicialización usa descomposición SVD de la matriz binaria, seguida de optimización Newton-Raphson que maximiza la verosimilitud de clasificación.

Métricas de Calidad

Métrica	Descripción	Interpretación
Tasa de clasificación	% de votos correctamente predichos por el modelo	Mayor = mejor ajuste; rango típico 85-95%
APRE	Aggregate Proportional Reduction in Error	Mejora sobre el baseline (predicción por mayoría); 0.0 = sin mejora, 1.0 = perfecto

Variantes de Implementación

nominate_by_legislatura: ejecuta W-NOMINATE por separado para cada legislatura, produciendo espacios ideales independientes por periodo
nominate_cross_legislatura: combina todas las legislaturas en una sola ejecución, ubicando a todos los legisladores en un espacio compartido para comparación directa

Dependencias

scipy (svd, minimize, norm), numpy, pandas

Análisis de Co-Votación

La co-votación mide la frecuencia con la que cada par de legisladores vota de la misma manera. Es la base para todo el análisis basado en redes.

Pipeline de Construcción

Carga de datos: votos, personas y organizaciones desde SQLite
Normalización de partidos: normalize_party() mapea valores mixtos de vote.group a IDs canónicos de organización
Asignación de partido primario: get_primary_party() asigna cada legislador a su partido más frecuente
Construcción de matriz: build_covotacion_matrix() produce una matriz numpy NxN donde la entrada (i,j) = conteo de acuerdos entre legisladores i y j, normalizado a 0-1
Construcción de grafo: build_graph() convierte la matriz en un grafo NetworkX con:
- Nodos: legisladores, con atributos de partido y género
- Aristas: pares de co-votación, con weight = similitud normalizada

# Cálculo simplificado del peso de co-votación
for i, j in legislator_pairs:
    shared_votes = votes_i.intersection(votes_j)
    total_votes = votes_i.union(votes_j)
    weight = len(shared_votes) / len(total_votes)

Salida

El módulo retorna un diccionario que contiene:

Clave	Tipo	Descripción
`matrix`	arreglo numpy NxN	Similitud de co-votación por pares
`graph`	networkx.Graph	Red de co-votación ponderada
`party_map`	dict	mapeo person_id -> partido
`org_map`	dict	mapeo org_id -> nombre del partido
`persons_df`	DataFrame	Metadatos de legisladores

Detección de Comunidades (Louvain)

El algoritmo de Louvain detecta comunidades de legisladores que votan de forma similar, yendo más allá de las etiquetas formales de partido para revelar bloques de votación reales.

Algoritmo

Louvain realiza optimización iterativa en dos fases:

Movimiento local: cada nodo se mueve a la comunidad vecina que produce la mayor ganancia de modularidad
Agregación: las comunidades se colapsan en super-nodos y el proceso se repite

El parámetro de resolución controla la granularidad de las comunidades:

Resolución	Efecto
< 1.0	Menos comunidades, más grandes (más grueso)
1.0 (default)	Modularidad estándar
> 1.0	Más comunidades, más pequeñas (más fino)

Salida

detect_communities() retorna un diccionario de partición que mapea cada node_id a un community_id.

analyze_communities() produce un análisis detallado por comunidad:

Composición partidista: conteo y porcentaje de cada partido dentro de la comunidad
Métrica de pureza: porcentaje del partido dominante (100% = bloque puro de partido)
Legisladores cruzados: individuos cuya comunidad difiere de su partido formal
Sub-bloques: detección de facciones internas dentro de partidos grandes (específicamente sub-bloques de MORENA)

Dependencias

python-louvain (paquete community), networkx

Métricas de Centralidad

La centralidad identifica legisladores estructuralmente importantes en la red de co-votación. Se utilizan dos métricas complementarias.

Centralidad de Grado Ponderada

centrality[node] = weighted_degree(node) / max_weighted_degree

El grado ponderado de cada nodo es la suma de sus pesos de arista (intensidad total de co-votación con todos los demás legisladores), normalizado por el grado ponderado máximo en el grafo. Los valores van de 0.0 a 1.0.

Interpretación: grado ponderado alto = el legislador co-vota intensamente con muchos otros, indicando alineación con la coalición dominante.

Centralidad de Intermediación (Betweenness)

betweenness = nx.betweenness_centrality(graph, weight=None)

La intermediación se calcula sin ponderar (weight=None). Esta es una decisión deliberada:

Interpretación: intermediación alta = el legislador se ubica en los caminos más cortos entre comunidades distintas, actuando como potencial intermediario o legislador bisagra.

Métrica	Manejo de pesos	Captura
Grado Ponderado	Usa pesos	Intensidad general de co-votación
Intermediación	Ignora pesos (weight=None)	Posición estructural de puente

Índices de Poder (Nominal)

Los índices de poder nominal calculan el poder de negociación de cada partido basándose únicamente en el conteo de escaños, asumiendo que todos los miembros votan con su partido.

Índice de Shapley-Shubik

Para un partido p, el índice de Shapley-Shubik promedia el poder marginal a través de todas las N! permutaciones de partidos:

for permutation in all_permutations(parties):
    coalition = set()
    for party in permutation:
        coalition.add(party)
        if coalition alcanza mayoría AND coalition - {party} no:
            party recibe un punto "pivot"
            break
    # repetir para todas las N! permutaciones
ss_index[party] = pivots[party] / factorial(N)

Un partido es crítico (un pivot) en la posición k de una permutación si la coalición de los primeros k partidos alcanza la mayoría, pero eliminar ese partido la deja por debajo.

Índice de Banzhaf

Para un partido p, se cuentan todas las coaliciones ganadoras donde p es crítico (su defección cambia el resultado):

for coalition in all_subsets(parties):
    if coalition es ganadora AND coalition - {party} es perdedora:
        party es crítico en esta coalición
banzhaf_index[party] = critical_count[party] / total_critical_count

Asignación de Escaños

La multi-pertenencia (legisladores que pertenecen a más de un partido a lo largo de su carrera) se resuelve mediante:

Recopilar todas las membresías de partido para cada legislador
Asignar al partido donde el legislador emitió más votos
Empates se resuelven con la membresía con start_date más reciente

Análisis por Cámara

Ambos índices soportan análisis separado para Diputados (camara='D') y Senado (camara='S').

Análisis de Poder Empírico

El poder nominal asume disciplina partidista. El poder empírico mide lo que realmente ocurre en las votaciones nominales.

Partidos Críticos por Votación

Para cada evento de votación, el módulo identifica qué partidos fueron necesarios para alcanzar el umbral de mayoría:

winning_coalition = partidos que votaron con la mayoría
for party in winning_coalition:
    seats_without = majority_seats - party_seats
    if seats_without < majority_threshold:
        party es "crítico" para esta votación

Índice de Poder Empírico

empirical_power[party] = times_critical[party] / total_vote_events

Esto produce una puntuación de 0.0 a 1.0 que refleja qué tan frecuentemente los votos de un partido fueron realmente decisivos.

Legisladores Bisagra y Votaciones Cerradas

El módulo identifica:

Votaciones cerradas: eventos donde el margen fue estrecho (cerca del umbral de mayoría)
Legisladores bisagra (swing voters): legisladores individuales cuyo voto podría haber cambiado el resultado
Principales disidentes: legisladores que votaron en contra de la línea de su partido con mayor frecuencia, clasificados por conteo de disidencias

Comparación de Poder

La salida clave es una comparación de cuatro dimensiones:

Índice	Base	Qué Mide
Nominal (escaños)	Conteo de escaños	Representación formal
Shapley-Shubik	Distribución de escaños	Poder de negociación (basado en permutaciones)
Banzhaf	Distribución de escaños	Poder de negociación (basado en coaliciones)
Empírico	Votos reales	Relevancia en la práctica

Las divergencias entre poder nominal y empírico revelan partidos formalmente pequeños pero estratégicamente críticos (o viceversa).

Dinámica Temporal

Todos los métodos soportan análisis temporal a través de legislaturas.

Análisis por Legislatura

Cada legislatura recibe su propio análisis independiente:

Espacios ideales W-NOMINATE separados
Grafos de co-votación y detección de comunidades independientes
Índices de poder específicos por cámara que reflejan cambios en escaños

Comparación entre Legislaturas

nominate_cross_legislatura ubica a todos los legisladores en un espacio ideal compartido, permitiendo comparación directa entre periodos
Seguimiento de evolución de comunidades: qué legisladores cambian de comunidad entre legislaturas, y qué implica eso sobre realineamiento de coaliciones

Tendencias de Modularidad

El seguimiento del puntaje de modularidad de Louvain a través de legislaturas revela cambios en la cohesión de los bloques de votación:

Modularidad creciente: los partidos votan de forma más cohesiva, divisiones partidistas más marcadas
Modularidad decreciente: aumenta la votación cruzada, los bloques se disuelven o realinean
Caídas súbitas: pueden indicar un evento legislativo importante (votación de reforma, cambio de liderazgo) que interrumpió los patrones normales de votación