| title | subtitle | author | date | output | toc-title | ||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Plano Analítico para Otimização de hiperparâmetros de clusterização hierárquica para identificação de deputados evangélicos de corporações pentecostais eleitos em 2018 |
DOCUMENTO: SAP-2021-017-JG-v01 |
**De:** Felipe Figueiredo **Para:** Josir Gomes |
2021-11-16 |
|
Sumário |
Plano Analítico para Otimização de hiperparâmetros de clusterização hierárquica para identificação de deputados evangélicos de corporações pentecostais eleitos em 2018
Histórico do documento
| Versão | Alterações |
|---|---|
| 01 | Versão inicial |
- AGP: receita que veio do partido ao invés de apoiadores privados (empresariais ou não)
Dados de deputados federais evangélicos, eleitos em 2018, com labels identificando quais pertencem a coporações pentecostais. As corporações pentecostais foram definidas como as entidades evangélicas com interesse predominantemente financeiro e/ou político, diferenciando-se das instituições religiosas tradicionais.
As corporações pentecostais foram previamente identificadas na base de dados recebida.
Identificar a seleção de hiperparâmetros que maximiza a silhueta média (global) do agrupamento hierárquico de deputados federais evangélicos.
O agrupamento hierárquico pode ser usado para identificar os deputados evangélicos que pertencem a uma corporação pentecostal.
Base de dados recebida contendo características dos deputados federais eleitos em 2018.
As receitas recebidas pelos deputados evangélicos serão divididas entre duas fontes: AGP e outras. As outras receitas serão a soma total das receitas recebidas subtraída da receita AGP.
Todas as variáveis numéricas serão escalonadas para a clusterização de modo a manter os valores observados em um intervalo de amplitude de aproximada 2 unidades (SAR-2021-011-JG-v01). Todas as receitas serão escalonadas por milhão de reais. O número de votos séra escalonado por milhão de votos. O posicionamento político varia de -1 a 1 e portanto já está limitado a um intervalo de amplitude 2. A capilaridade e os decis serão mantidos na escala original.
Todas as variáveis da tabela de dados analíticos foram identificadas de acordo com as descrições das variáveis, e os valores foram identificados de acordo com o dicionário de dados providenciado. Estas identificações possibilitarão a criação de tabelas de resultados com qualidade de produção final.
Depois dos procedimentos de limpeza e seleção 9 variáveis foram incluídas na análise com 116 observações. A Tabela 1 mostra a estrutura dos dados analíticos.
| id | corp_pentecostal | receita_agp | receita_outras | num_votos | capilaridade | posicao | decil_filiados | decil_deputados |
|---|---|---|---|---|---|---|---|---|
| 1 | ||||||||
| 2 | ||||||||
| 3 | ||||||||
| ... | ||||||||
| 116 |
Table: Tabela 1 Estrutura da tabela de dados analíticos após seleção e limpeza das variáveis.
A tabela de dados analíticos serão disponibilizados na versão privada do relatório, e serão omitidas da versão pública do relatório.
O desfecho primário está definido como a combinação de hiperparâmetros k, métrica de distância e método de ligação que maximiza a silhueta média do agrupamento hierárquico.
As seguintes características dos deputados federais serão incluídas na análise: Receitas (divididas em AGP e outras fontes), número de votos recebidos, posicionamento político e capilaridade. As seguintes características dos partidos serão consideradas para inclusão na análise: decil do número de deputados eleitos e decil do número de filiados.
N/A.
N/A.
Modelos de clusters hierárquico serão ajustados aos dados numéricos. Será criado um algoritmo para percorrer o espaço de hiperparâmetros e calcular a silhueta de cada combinação.
Os índices de silhueta média serão visualizados em um gráfico de dispersão (silhueta por k). Cada ponto será identificado pela métrica de distância e método de ligação (mapeados em cores e formas) para identificação visual da qualidade dos agrupamentos avaliados. A combinação ótima será destacada textualmente, e outras combinações com valores de silhueta mais altos podem ser identificados.
Hiperparâmetros a ser avaliados:
- Número de clusters k: variando de 2 a 10
- Métricas de distância
- Norma 2 (Euclidiana)
- Norma 1 (Manhattan)
- Norma infinito (máxima)
- Norma p (Minkowski) com p = 0.5 e 1.5
- Canberra
- Métodos de ligação
- Completa (máximo)
- Single (mínimo)
- Média (UPGMA)
- Ward sem critério de Ward (1963)
- Ward com critério de Ward (1963)
- Mediana *
- Centróide *
* Os métodos de ligação por mediana e centróide podem gerar inversões na clusterização, e não serão selecionados na otimização. Sua inclusão no algoritmo de otimização terá apenas fins informativos.
N/A.
N/A.
Esta análise será realizada utilizando-se o software R versão 4.1.1.
N/A.
- SAR-2021-011-JG-v01 -- Clusterização hierárquica para determinação do número ótimo de clusters de deputados federais evangélicos eleitos em 2018
- SAR-2021-017-JG-v01 -- Otimização de hiperparâmetros de clusterização hierárquica para identificação de deputados evangélicos de corporações pentecostais eleitos em 2018
Tanto este plano analítico como o relatório correspondente (SAR-2021-017-JG-v01) podem ser obtidos no seguinte endereço: