Venäjän vaalit 2011

Tämä sivu on tutkimus. Sivutunniste: Op_fi2768
Moderaattori:Jouni (katso kaikki) Sivun edistymistä ei ole arvioitu. Arvostuksen määrää ei ole arvioitu (ks. peer review).
Lisää dataa {{#opasnet_base_link:Op_fi2768}}

Venäjän vaalit 2011 käsittelee duuman vaaleja 4.12.2011.

Pääviesti

Kysymys: Mitä päätelmiä voidaan tehdä Venäjän duuman vaalien tuloksista? Vastaus: Hallitsevana piirteenä tuloksissa on vaalipiirien tasolla näkyvä vahva yhteys Yhtenäisen Venäjän kannatuksen ja äänestysaktiivisuuden välillä. Vaikka pientä korrelaatiota voi olla rehellisissäkin vaaleissa, näyttää näissä vaaleissa korrelaatio niin vahvalta, ettei sitä voi selittää muuten kuin sillä, että uurniin on lisätty ylimääräisiä äänestyslippuja Yhtenäisen Venäjän hyväksi. Vaikutus näyttää huomattavan suurelta ja on se on lisännyt Yhtenäisen Venäjän kannatusta vaalien lopputuloksessa mahdollisesti jopa 10 - 15 prosenttiyksikköä todelliseen tilanteeseen nähden. Tarkkaa arviota vaikutuksesta ei tällä hetkellä ole.

Kysymys

Mitä päätelmiä voi tehdä Venäjän duuman vaalien (4.12.2011) tuloksista?

Tulos

Hallitsevana piirteenä tuloksissa on vaalipiirien tasolla näkyvä vahva yhteys Yhtenäisen Venäjän kannatuksen ja äänestysaktiivisuuden välillä. Vaikka pientä korrelaatiota voi olla rehellisissäkin vaaleissa, näyttää näissä vaaleissa korrelaatio niin vahvalta, ettei sitä voi selittää muuten kuin sillä, että uurniin on lisätty ylimääräisiä äänestyslippuja Yhtenäisen Venäjän hyväksi D↷. Vaikutus näyttää huomattavan suurelta ja on se on lisännyt Yhtenäisen Venäjän kannatusta vaalien lopputuloksessa mahdollisesti jopa 10 - 15 prosenttiyksikköä todelliseen tilanteeseen nähden. Tarkkaa arviota vaikutuksesta ei tällä hetkellä ole.

Ks. käynnissä olevat keskustelut Keskustelusivulta.

Perustelut

Vaalituloksista tehtyjä tilastoanalyysejä, joiden perusteella päätelmät on tehty: [1]

Vaalidata (eri lähteitä) - Data sources

• Vaalitulokset löytyvät Opasnet-tietokannasta ja ne voi ladata omalle koneelle ao. Näytä tulokset linkin takaa: {{#opasnet_base_link:Op_fi2768}}

• An election commission
• Tarkemmat tiedot tiedostoformaatin rakenteesta
• Äänestysdata Opasnet Basessa
• Data löytyy täältä: http://peregrins.com/elect/results.csv.gz

Vaalidata-analyysejä internetissä

Blogikirjoituksia vaalien tilastoanalyyseistä

• Russian legislative elections 2011 - statistical evidence of vote fraud. (10.12.2011)
• Blogi: Venäjän vaalit - kusetuksen tilastollinen todentaminen (8.12.2011)
• An early blog in Russian
• More analysis in the same blog

Vertailua Suomen eduskuntavaaleihin 2011

1. Tilastollista vertailua

Tässä on vaalidatasta tehtyjä tilastoajoja ja regressioanalyysiä. Sinun ei tarvitse ajaa mallia uudestaan (se kestää muutamia minuutteja), koska tulokset löytyvät valmiiksi laskettuna tästä: [2]

You don't need to run the model (it will take a few minutes); see a pre-run result: [3]

2. Äänestysprosenttijakauma Suomessa ja Venäjällä

Kuva on tuotettu alla olevalla koodilla. Toistaiseksi joudut lataamaan sen omalle koneellesi, eikä alla oleva 'Aja koodi'-painike toimi.

+ Näytä koodi- Piilota koodi library(OpasnetBaseUtils) library(ggplot2) library(xtable) # Download data and reshape it for analyses. data <- op_baseGetData("opasnet_base", "Op_fi2768")[, -c(1, 2, 6)] out <- reshape(data, timevar = "Parameter", idvar = "Comm", times = "Result", varying = list(levels(data$Parameter)), direction = "wide") head(out) suomi <- op_baseGetData("opasnet_base", "Op_fi2792")[, -c(1,2)] suomidata <- data.frame(maa = "Suomen eduskuntavaalit 2011", Äänestysprosentti = suomi$Result, paino = 1/sum(suomi$Result)) venäjä <- (out[, 11] + out[, 12])/out[, 3]*100 venäjädata <- data.frame(maa = "Venäjän duumanvaalit 2011", Äänestysprosentti = venäjä, paino = 1/sum(venäjä)) kuvadata <- rbind(suomidata, venäjädata) ggplot(kuvadata, aes(x=Äänestysprosentti, weight = paino*1000, fill = maa)) +geom_density(alpha = 0.4) # Calculate the voting activity and plot a graph. out$Activity <- rowSums(out[, 3:9])/out$nVoters ggplot(out, aes(x = Activity, weight = 1)) +geom_density() # Calculate support fractions for different parties. fractions <- out[, 3:9]/rowSums(out[, 3:9]) fractions$Activity <- out$Activity fractions$nVoters <- out$nVoters # Run linear regression models to find possible correlations between support and voting activity. res <- list() res[[1]] <- lm(nVotesCaseRight ~ Activity, data = fractions, weight = nVoters) res[[2]] <- lm(nVotesCommunist ~ Activity, data = fractions, weight = nVoters) res[[3]] <- lm(nVotesJustRussia ~ Activity, data = fractions, weight = nVoters) res[[4]] <- lm(nVotesLibDemocr ~ Activity, data = fractions, weight = nVoters) res[[5]] <- lm(nVotesPatriots ~ Activity, data = fractions, weight = nVoters) res[[6]] <- lm(nVotesUniDemocr ~ Activity, data = fractions, weight = nVoters) res[[7]] <- lm(nVotesUniRussia ~ Activity, data = fractions, weight = nVoters) cat("Linear regression analysis for CaseRight. \n") print(xtable(summary(res[[1]])), type = 'html') cat("Linear regression analysis for Communist. \n") print(xtable(summary(res[[2]])), type = 'html') cat("Linear regression analysis for JustRussia. \n") print(xtable(summary(res[[3]])), type = 'html') cat("Linear regression analysis for LibDemocr. \n") print(xtable(summary(res[[4]])), type = 'html') cat("Linear regression analysis for Patriots. \n") print(xtable(summary(res[[5]])), type = 'html') cat("Linear regression analysis for UniDemocr. \n") print(xtable(summary(res[[6]])), type = 'html') cat("Linear regression analysis for UniRussia. \n") print(xtable(summary(res[[7]])), type = 'html') # Plot scatter plots about activity (x) and party support (y). plot(fractions$Activity, fractions$nVotesCaseRight) plot(fractions$Activity, fractions$nVotesCommunist) plot(fractions$Activity, fractions$nVotesJustRussia) plot(fractions$Activity, fractions$nVotesLibDemocr) plot(fractions$Activity, fractions$nVotesPatriots) plot(fractions$Activity, fractions$nVotesUniDemocr) plot(fractions$Activity, fractions$nVotesUniRussia) # Calculate party support for one percentage bins and count. fractions$Activity <- round(fractions$Activity*100) temp <- as.data.frame(as.table(tapply(fractions$nVotesCaseRight, fractions$Activity, mean))) ggplot(temp, aes(x = Var1, weight = Freq)) +geom_bar() temp <- as.data.frame(as.table(tapply(fractions$nVotesCommunist, fractions$Activity, mean))) ggplot(temp, aes(x = Var1, weight = Freq)) +geom_bar() temp <- as.data.frame(as.table(tapply(fractions$nVotesJustRussia, fractions$Activity, mean))) ggplot(temp, aes(x = Var1, weight = Freq)) +geom_bar() temp <- as.data.frame(as.table(tapply(fractions$nVotesLibDemocr, fractions$Activity, mean))) ggplot(temp, aes(x = Var1, weight = Freq)) +geom_bar() temp <- as.data.frame(as.table(tapply(fractions$nVotesPatriots, fractions$Activity, mean))) ggplot(temp, aes(x = Var1, weight = Freq)) +geom_bar() temp <- as.data.frame(as.table(tapply(fractions$nVotesUniDemocr, fractions$Activity, mean))) ggplot(temp, aes(x = Var1, weight = Freq)) +geom_bar() temp <- as.data.frame(as.table(tapply(fractions$nVotesUniRussia, fractions$Activity, mean))) ggplot(temp, aes(x = Var1, weight = Freq)) +geom_bar()

Kannatusjakautumia Venäjän vaaleista

Tämä analyysi muuttuu vähitellen hienosyisemmäksi kuten etenet sivua alaspäin. Tässä yksinkertaisesti suodatetaan haluttu data ja kuvataan se. Tarkoitus on ladata data Opasnet-kantaan, jolloin voit ajaa analyysit yksinkertaisesti nappia painamalla. Vielä tämä ei toimi, vaan joudut kopioimaan koodin omalle koneellesi ja ajamaan sen R:llä siellä.

The analysis programs get progressively more sophisticated as you scroll down the page. This is the simplest analysis model which basically allows you to filter the data and make some nice plots. You can compare the statistics of different parties in different regions of Russia. We will upload the data file into the Opasnet data base so that you can simply run the program by pressing the button below (does not work quite yet! In the meanwhile you can install R on your own computer and download the input data file from the bottom of the page manually.)

+ Näytä koodi- Piilota koodi # Read input file # election <- read.table(file="~/Duuma2011/results.csv", sep=",") # Check how many regional units there are. First find min and max # min(election[,1]); max(election[,1]) # returns 1, 99 # # Then check if there are numbers missing between min and max is missing: # av22 <- 1:99; for(i in 1:99) {av22[[i]] <- as.numeric(any(election[,1] == i))}; av22 # # Missing regional codes are # missing <- which(av22 == 00) # This gives missing = (41 59 75 80 81 82 84 85 88 93 94 95 96 97 98) # # Accepted regional codes are # av23 <- av22*(1:99); accepted <- av23[av23 !=0] # Check how many commissions there are in a state (in the largest enumerated # regional unit) # av <- c(rep(0,99)); for(i in 1:length(av)) {av[[i]] <- sum(as.numeric(election[,1] == i))} # # as a check, indeed sum(av) = dim(election)[1] # Remove zeroes: # avr <- av[av !=0] # Form vector bv that contains the end points of each interval (all # commissions in a region). # # Max values of intervals # bF <- list(1:length(avr)); for(i in 1:length(avr)) {bF[[i]] <- avr[[i]]}; for(i in 2:length(avr)) {bF[[i]] <- bF[[i]] + bF[[i-1]]} # # Min values of intervals: # bB <- list(1:length(avr)); for(i in 2:length(avr)) {bB[[i]] <- bF[[i-1]] + 1}; bB[[1]] <- 1 # # Form intervals: # intervals <- list(1:length(avr)); for(i in 1:length(avr)) {intervals[[i]] <- c(bB[[i]], bF[[i]])}; intervals <- unlist(intervals) # List of names of the regions to be analyzed # regnames <- election[intervals,2] # Rows 13 and 14 will be used for estimating the number of cast votes (valid # and invalid cast ballots), row 5 gives the total number of voters. # Voting activity (includes state-level averages associated with no polling # station. Should not matter because it will contribute to the center # of the distribution function) # # Mark locations with less voters than 50 (1193 polling stations) # mark <- which(election[,5] < 50) # normalization <- election[,5] # normalization[mark] <- 1000000000 # # Compute voting activity: # Activity <- 100*(election[,13] + election[,14])/normalization # Bin the results # bin.info <- seq(0,100,0.5) hist(Activity, breaks=bin.info) # Determine results by party # ActivityJR <- 100*election[,23]/normalization ActivityLD <- 100*election[,24]/normalization ActivityPR <- 100*election[,25]/normalization ActivityCR <- 100*election[,26]/normalization ActivityYAB <- 100*election[,27]/normalization ActivityUR <- 100*election[,28]/normalization ActivityCAR <- 100*election[,29]/normalization # Plotting results for 4 largest parties # par(mfrow=c(4,1)) hist(ActivityJR, breaks=bin.info) hist(ActivityLD, breaks=bin.info) hist(ActivityCR, breaks=bin.info) hist(ActivityUR, breaks=bin.info) # Results for individual areas # The allowed region codes can be obtained from the variable 'accepted' # calculated above. Their meaning can be obtained from the page # 'Hallintoalueet_Duuma_2011' of Opasnet. For convinience, they are given # below: # 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 # 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 42 43 44 45 46 47 # 48 49 50 51 52 53 54 55 56 57 58 60 61 62 63 64 65 66 67 68 69 70 71 # 72 73 74 76 77 78 79 83 86 87 89 90 91 92 99 # Regional influences can be studied by substituting for N below a number # from the list above: # # regNcol <- which(election[,1] == N); electionN <- election[regNcol,] # # Automating the calculation for different regions ActivityJRregion <- list(1:length(accepted)); ActivityLDregion <- list(1:length(accepted)); ActivityPRregion <- list(1:length(accepted)); ActivityCRregion <- list(1:length(accepted)); ActivityYABregion <- list(1:length(accepted)); ActivityCARregion <- list(1:length(accepted)); for(i in 1:length(accepted)) {regNcol <- which(election[,1] == accepted[[i]]); normalization <- election[regNcol,5]; ActivityJRregion[[i]] <- 100*election[regNcol,23]/normalization; ActivityLDregion[[i]] <- 100*election[regNcol,24]/normalization; ActivityPRregion[[i]] <- 100*election[regNcol,25]/normalization; ActivityCRregion[[i]] <- 100*election[regNcol,26]/normalization; ActivityYABregion[[i]] <- 100*election[regNcol,27]/normalization; ActivityURregion[[i]] <- 100*election[regNcol,28]/normalization; ActivityCARregion[[i]] <- 100*election[regNcol,29]/normalization}

1. Neljän suurimman puolueen kannatusprosentit (x-akseli) eri äänestysalueilla ja äänestysalueiden määrä (y-akseli).

Here is a picture of the 4 biggest parties in Russia. The x-axis shows the percentage of votes cast at the polling station and the y-axis shows the number of polling stations corresponding to the percentage.

2. Sarja kuvia, joissa tarkastellaan kannatusprosentteja kahden suurimman puolueen (Yhtenäinen Venäjä oikealla ja Kommunistit vasemmalla) osalta Venäjän eri alueilla.

A series of pictures comparing the voting activity of the Unified Russia (pictures on the right) party with the second largest Communist Party (pictures on the left). The data has been calculated in the regions of (top down) The Republic of Adygea, Republic of Bashkortostan, The Republic of Dagestan, Kabardino-Balkar Republic, Karachai-Cherkess Republic, The Republic of Komi, The Republic of Mordovia and The Republic of North Ossetia. These represent the first odd-valued region codes less than or equal to 15.

3. Tasakannatusfiltteröity data

Tässä esitetään histogrammit kunkin puolueen kannatuksesta [%], jos jokin puolue sai promillen tarkkuudella jonkin seuraavista "tasakannatuksista" (0.5,0.6,0.666,0.7,0.75,0.8,0.95,1.00)*100%). Filtteröinti antaa varsin mielenkiintoisen 'kamman' Yhtenäiselle Venäjälle.

Hierarchial Bayesian model

The model does not work yet.

Model file: file:RussianElections2011.ods.

The model file: file:RussianElections2011.ods.

Constants:
   nComm = number of electoral commissions (97000)
   nParty = number of political parties in the election (7)
   nVoters[i] = number of eligible votes in each electoral commission.
Activity[i] = voting activity for each electoral commission. Described as
    Beta distribution with parameters ActA (alpha) and ActB (beta).
nHonest[i] = number of honest votes in electoral commission i. Described as
    binomial distribution with parameters nVoters[i] (n) and Activity[i] (p).
support[j] = True nation-wide support of party j. Described as 
    Dirichlet distribution with parameter alpha[j] (alpha)
nTotal[i,j] = Number of votes for party j in electoral commission i. This is observed and based on election data.
nHonest[i,j] = Number of honest votes to a party j in an electoral commission j. Described as
    multinomial distribution using parameter support[i] (Dirichlet).
pFabr[i,j] = Probability that there are fabricated votes for party j in electoral commission i. Described as
    beta distribution with parameters 0.01 (alpha) and 10 (beta).
Fabr[i,j] Bernoulli distribution as a realisation whether there was fabrication or not.
nFabr[i,j] = Number of fabricated votes for party j in electoral commission i. 
    If Fabr[i,j] is 1, then nTotal[i,j] - nHonest[i,j], else 0.

NOTE! This code will not work because it uses example data from another analysis.

Uses package rbugs.

+ Näytä koodi- Piilota koodi library(OpasnetBaseUtils) library(rbugs) library(coda) cat("Download data. \n") data <- op_baseGetData("opasnet_base", "Op_fi2768")[, -c(1, 2, 6)] out <- reshape(data, timevar = "Parameter", idvar = "Comm", times = "Result", varying = list(levels(data$Parameter)), direction = "wide") head(out) out <- out[1:20, ] nVotes <- out[, c("nVotesJustRussia", "nVotesLibDemocr", "nVotesPatriots", "nVotesCommunist", "nVotesUniDemocr", "nVotesUniRussia", "nVotesCaseRight")] election.data <- list( nParty = 7, nComm = nrow(out), nVoters = out$nVoters, nVotes = nVotes, nVotedata = nVotes) election.model <- "model{ for( i in 1 : nComm ) { for( j in 1 : nParty ) { Fabr[i , j] ~ dbern(pFabr[i , j]) nFabr[i , j] ~ dunif(0, nVotedata[i , j]) nHonest2[i , j] ~ dmulti(support[j], nHonest[i]) pFabr[i , j] ~ dbeta(0.05, 10) nVotesl[i , j] <- nHonest2[i , j] + nFabr[i , j] * Fabr[i , j] } Activity[i] ~ dbeta(ActA, ActB)C(0,1) } for( j in 1 : nParty ) { alpha[j] ~ dunif(0.001, 10000) } for( i in 1 : nComm ) { nHonest[i] ~ dbin(Activity[i], nVoters[i]) } for( j in 1 : nParty ) { support[j] ~ ddirich(alpha[j]) } ActA ~ dunif(1, 1000) ActB ~ dunif(1, 1000) } " inits <- list(ActA = 1, ActB = 1, alpha = 1, support = 0.1) parameters <- c("support", "alpha") election.sim <- bugs.run(data = election.data, list(inits), parameters, election.model, n.chains = 1, n.iter = 1000) ## MCMC Analysis election.mcmc <- as.mcmc(election.sim$chain1) summary(election.mcmc) effectiveSize(election.mcmc)

⇤#: The compilation of the model produces this error message: "vector-valued relation nHonest2 must involve consecutive elements of variable." Who can help to sort this out? --Jouni Tuomisto 19. joulukuuta 2011 kello 15.30 (EET)

Katso myös

• Hallintoalueet Duuma 2011
• Venäjän vaalit 2011 data
• en:Russian legislative election, 2011

Aiheeseen liittyviä tiedostoja

Vaalien tulokset äänestysalueittain.

<mfanonymousfilelist></mfanonymousfilelist>