PRE PROCESAMIENTO DE DATOS

Stringr → expresiones regulares (extraer)

Particiones → partir (split)
Parsers→ extraer el primer numero (magrittr)
gsub → reemplaza caracteres

PREPARACIÓN DE TABLA DE DATOS

Merge → combina data frames con un key comun
Formatear escala → a factor o nominal (contienent, country); numerico (numeros) y ordinal
(regime type, escala)
Appending→ combinar datas frames con columnas comunes, so unimos casos (rbind)
Aggregating → agregar datos chiquitos

INTRODUCCION AL ANALISIS DE CONGLOMERADOS

se hace un analisis de cluster cuando se tienen muchos casos que deben ser agrupados por
afinidad → los conglomerados o clusters representencassos homogeneos y que haya un
espacio tal que muestren heterogeneidad
● se calculan en base a las variables
● es una tecnica multivariada, y tomará en cuenta diversos tipos de datos que no podrían
ser promediables
● se agrupan elementos similares en grupos que entre ellos son diferentes: cualquier
elemento de un grupo debe ser distinto a cualqueir elemento de otro grupo (dentro del
grupo hay homogenidad)
● cuando hay mas variables, suelen requerirse mas clusters
● en vez de promediar se calcula la distancia entre los casos:
→ La distancia multivariada es la que determina que casos deben agruparse juntos,
cómo separarse, y qué casos considerarse singulares
→ se usa la funcion daysi
● se dreduce la alta dimensionalidad : el cluster representa lo que el algoritmo halló al
redumir las varibales o dimensiones en cada caso

para clusterizar se usan 3 algoritmos:

● Particionantes (pam): busca partir los casos en grupos, el algoritmo establece centroides
que atraen a los elementos para separarlos en clusters. para hacer las particines se
usan métodos;
- kmedias: para variables numericas, porque calcula la disntancia para numeros
(con distancia euclidea). es sensible a datos atipicos
- kmedoides: es una alternativa para la distancia euclidea pero establece la
distancias a aprtir de las sumas de sus diferencias. en vez de usar la media
como punto de referencia para hacer clusters, usa al punto mas centrado de la
data (el centroide)
- gower: es la tecnica usada que es util para todo tipo de escalas, ideal para
estudios de CCSS
asigna un cluster a cada elemento

● jerarquizantes: busca clusterizar por etapas, hasta que todas las posibilidades de
clusterizacion sean visibles. el numero de clusters se obtiene en uno de los niveles del
dendograma formado en el proceso de clusterizacion. el algoritmo usa una matriz de
distancia o de similitud.se usa la funcion hcut. todos los elementos entran en un cluster
- aglomerativo (agnes) (conectividad): cada caso es un cluster y se forman los
clsuter por su similitud con otro cluster; se van juntando los clusters por su
afinidad hasta llegar a que todos los clusters se unan en uno solo. Muestra el
esfuerzo de juntar cluster por cluster (height).
 → linkages: es la distancia entre los elementos, se debe decidir la forma de
calcular la distancia entre los clusters que se van formando (cada metodo
configura una mejor tecnica de clusterizacion y muestra clusters mejor o peor
formados)
❏ single: distancia entre los elementos mas cercanos de 2 clusters
❏ complete: distancia entre los elementos mas alejados
❏ average: se saca la distancia entre entre todos los pares y se saca el
promedio de estas distancias
❏ ward: el criterio es el valor óptimo de una función objetivo deteminada por
el investigador, el criterio de varianza minima

- divisivo (daisi): toda la data es un cluster y los clusters se van formando a partir
de las diferencias entre los elementos hasta que cada elemento es un cluster

● basados en densidad: se agrupa basando en cuan cerca estan los elementos entre si
- se usa el algoritmo agloerativo dbscan
- se usa distancia epsilon para hacer la matriz de distancias
- la cantidad k minima para formar clusters es el numero de variables con las que
se esta trabajando
- para hacerlo se debe dimensionar los elementos en plano bidimensional con la
tecnica de escalamiento multidimensional
- no siempre todos los elementos se clusterizan, son atipicos

● otros:
- distribucion: se usan centroids, se usa la probabilidad de que un elmento
pertenezca a un cluster y se determinan los clusters que se necesitan

calcular el numero de clusters:

● se usa la medida gap para detemrinar el mejor numero de clusters: encuentra la mayor
diferencia o distancia entre los grupos de objetos que se van formando

evaluacion de clusters:
● el mayor Average Silhouette width indica que ese cluster es el que mejor clusteriza a los
elementos u observaciones, la mejor forma de clsuterizacion tiene menos sillhuetes
negativas
● para identificar los casos mal asignados (que estan en la silhouette negeativa) entramos
al width que es donde esta la info de cada caso: los que tienen valores negativos son los
casos mal asignados

ANALISIS FACTORIAL EXPLORATORIO (EFA)

se hace para reducir las variables en latentes o variables resumen: es como una clusterizacion
de las variables (columnas). solo trabaja con variables numericas.

exploraciones previas:
● matriz de correlacion: es una tabla donde aparece el nivel de correlacion entre las
variables independientes (0-1)
● evaluacion de significancia: si esas correlaciones efectivamente son singnificativas
● ver si los datos se pueden factorizar
● varificar si se puede factorizar eficientemente:
- KMO → optimo = mayor a 0.5
● veritifcar si la matriz de correlacion es adecuada (deben rechazarse las pruebas Bartlett)
- matriz de correlacion es de identidad → matriz cuadrada de 0’s con 1’s en la
diagonal principal (\)
- matriz de correlacion es singular → que una variable solo se correlaciona con
otra y no se podrian hacer combinaciones de correlaciones
● sacar el numero de factores: comando parallel
 - en el grafico sale cuanto explicia cada variable, a la latente
● evaluar el resultado
- (CRMS) Raíz del error cuadrático medio corregida: el porcentaje que no explica,
por eso debe estar cerca a cero
- (RMSEA) Raíz del error cuadrático medio de aproximación: la cantidad de
varianza no explicada, por eso para un buen ajuste de datos debe ser menor a
0.05?
- (TLI) índice de Tucker-Lewis: compara el ajuste del modelo propuesto y nulo (sin
relación entre las variables), debe ser mayor a 0.9 para indicar buen ajuste
- variables que aportaron más a los factores (communaliy)
- variables que aportan a más de un factor (complexily): 1=solo aportan a 1 factor

ANALISIS FACTORIAL CONFIRMATIVO (CFA)

⇒ es para confirmar el modelo teorico
● se propone construir los indices o factores a partir de un modelo y normalizacion de
variables con lavaan
● tests de confirmacion:
- (kable) conexion de cada variable con su latente→ el pvalue debe ser menor a
0.05
● evaluacion del modelo:
- ChiSquare: no debe ser singificativo (pvalue debe ser mayor a 0.05) para que el
modelo tenga buen ajuste
- indice Tucker Lewis debe ser mayor a 0.09 para que el modelo tenga buen ajuste
- (RMSEA) Raíz del error cuadrático medio de aproximación debe ser menor a
0.05 para que la varianza no explicada sea minima

REGRESION LINEAL MULTIVARIADA

⇒ cuando se saca la correlacion de las varibles se deben sacar los indices de correlacion por 2
caminos, indican una correlacion pero no un coeficiente:
● parametrico (numero finito de parametros): sacar coef de Pearson
● no parametrico (los datros observados determinan su distribucion): sacar coef de
Spearman
visualizar:
● diferencia de medias: con un boxplot (si las muescas no se intersectan hay 5% de
probabilidad que las medias sean diferentes) o barras de error (si las barras se
intersectan pueden tener media igual)
● igualdad de distribuciones a partir de la normalidad de la distribucion de variables:
histograma (la distribucion normal tiene los datos dentro de la curva de normalidad) o
qqplot (cuando los datos estan alineados hay normalidad)
uso de coeficientes:
● normalidad de la distribucion → se usa Shapiro Wilk e indica el camino que se toma
(parametrico o no parametrico)
- h0=poblacion normalmente distribuida (se rechaza cuando pvalue es MENOR a
0.05) → uso camino parametrico
- hA=poblacion no normalmente distribuida (me quedo con esta cuando el pvalue
es MENOR a 0.05) → uso camino no parametrico
● diferencia de medias → usar prueba Mann whitney (cuando el camino no es
parametrico, distribucion no normal) o prueba T (cuando el camino es parametrico, la
distribucion es normal)
- en caso de Mann Whitney→ se rechaza la igualdad de medias cuando el valor es
menor a 0.05
⇒ AUN ASI, se neecsita una medida para ver cuanto afecta cada Vindependiente a la
Vdependiente

Regresion lineal
⇒ Es un modelo Estadístico que involucra el análisis de la relación entre dos variables
cuantitativas;
● permtie entender las relaciones teoricas entre las variables
● investigar si existe una asociacion entre las variables
● estudiar la fuerza de la asociacion (coef de correlacion)
● estudiar la forma de la relacion
● informa cuánto una variable (independiente) puede explicar la variación de otra
(dependiente)
● es una técnica para probar hipótesis direccionales o asimétricas (como la de la
correlacion)
● propone un modelo (ecuación) que recoja cómo una variable explicaría a otra
⇒ al sacar la regresion:
● se puede construir la ecuacion
● coef de VI→ los asteriscos dicen que hay un efecto significativo (se rechaza que la VI no
tenga efecto en la VD, o sea el valor de la VI no es 0). Indica en cuando aumenta la VD
cuando la VI aumenta en 1 unidad (magnitud). Cambia cuando se le mete una variable
más, suele disminuir porque deja de explicar lo que la nueva VI esta explicando. Indica
la direccion de la relacion
● R2 → Capacidad de prediccion, el porcentaje de explacion de Y por X. Si se logra
archivar la ecuacion, aumenta, tambien cuando se le mete más variables. dice qué
modelo es mejor por su capacidad predictiva y explicativa
● R2 ajustado → indica la capacidad predictiva a una situacion perfecta (cuando se
considera la VD como el Y real)
● error estadistico residual → es la suma de los residuos entre la VD estimada y el Y real;
por eso se le aumenta a la ecuacion
- cuando se aumentan variables, se reduce el error
- comprobar si esta reduccion es significativa con una Tabla de analisis de
varianza de ANOVA(se usa para comparar modelos)
❖ se quiere rechazar la H0=los modelos no difieren (no se ha reducido el
error al pasar de un modelo a otro)
❖ Pr(> F) → cuando es MENOR a 0.05, se rechaza la igualdad de modelos
y la comparacion es significativa (se redujo el error al meter otra variable)

Diagnosticos o evaluacion de la regresion → garantizar que la regresion es valida

⇒ requisitos para considerar si el modelo de regresion elegido es adecuado
● normalidad → los residuos deben distribuirse de manera normal
- shapiro wilk→ la distribucion de residuos es normal cuando el pvalue es MAYOR
a 0.05
● homocedasticidad→ las distribuciones poblacionales tienen la misma varianza, entonces
el error del modelo no afecta la varianza o dispercion de la estimacion (VD), el modelo
sería mas confiable
- la linea roja debe tender a horizontal
- test de Breusch-Pagan: rechaza que haya homocedasticidad con un pvalue
MENOR a 0.05
● linealidad→ hay realcion lineal entre Y y X's (si hay, la linea roja debe tender al
horizontal)
● no debe haber multicolinelidad: los predictores no deben tener una correlación muy alta
entre sí
- los valores que salgan NO deben ser MAYORES a 5
- debe haber independencia
● no debe haber valores influyentes → cuando se detectan y suprimen, el modelo mejora
- son los puntos extremos que pueden cambiar la representación de los demas
puntos
- se los identifica en los valores cook y valores predichos (hat)
- cuando el cook aparece FALSE no hay valores influyentes
REGRESION LOGÍSTICA MULTIVARIADA
⇒ se usan categoricas, entonces deben ser reconfiguradas como numeros
● el evento de interes debe tener el mayor valor
● indica el efecto de una categoria en la ocurrencia de un evento

tabla de contingencia:
● cuando ambas variables son categoricas y la hipotesis es asimetrica
● comparar la tendencia de cumplirse los eventos de las variables y probabilidad de
suceder uno de los eventos

Probabilidades (se saca de la tabla de contingencia)

● probabilidad de que una F sea V = ser voluntaria (349) / total Female (780)
ODDS
● probabilidad de que pase o no el evento
● el valor ODD no va entre 0-1
● es la division entre ser o no voluntaria (el evento/el no evento)
⇒ comparar ODDS
● division entre el ODDS mayor y el menor = Odds ratio
● diferencia que produce el Sex en ser voluntario
● no oscila entre un parametro numerico: cuando es 1 la ocurrencia de un evento no
profuce efectos en la ocurrencia de otro evento; cuando es mayor a 1 el efecto del
evento es mayor
● como fraccion: es la cantidad mujeres voluntarias por cada cantidad de hombres
voluntarios

⇒ La regresion logistica permite saber si la diferencia que muestra este ODD es significativa
● modela el comportameinto de la probabilidad del evento de interes
● preduce el resultado de una variable categorica
● los coef modelan el logaritmo del ODDS de que pase el evento
en la regresion se analiza cuanto afecta la VI al logaritmo del ODDS de la ocurrencia de un
evento
● coef VI→ si es positivo el efecto de esa categoria es postivo en la probabilidad de
ocurrencia del evento
- el valor modela el algoritmo: el log exponencial es el coef VI, si se le aplica
exponencial se anula el algoritmo y nos quedamos con el ODDSRATIO
→ el resultado es el efecto de la categoria en la ocurrencia del evento
● predictores numericos

Comparar modelos
● Se usa el valor Akaike (AIC) como criterio comparativo → menor AIC, mejor modelo
- cuando los valores estan muy cerca se usa el tesu de razon de verosimilitud
(likelihood ratio test -LRT) que indica la significacnia de pasar de un modelo a
otro
***pr(>chisq) con h0= modelos iguales
=> el pvalue menor a 0.05 indica que es singificativo pasar de modelo

Evaluar el modelo
⇒ se deben calcular las probabilidades predichas de ser voluntario
● matriz de confusion → para ver que tan bueno es el modelo aparecen los valores dados
de ser y no voluntario y los predichos
- prediccion perfecta cuando la antidiagonal (/) tiene 0. cuando el modelo es mejor,
se reduce mucho ese error
● medida para saber que tanto acertamos en predecir o no la ocurrencia del evento (para
medir la capacidad predictiva de una regresion logistica)
- cuando es más cerca a 1 es mejor el modelo de prediccion
- sensitivity y specificity
⇒ cuando se aprueba o elige un modelo se sacan los coef del ODDSRATIO
- efecto de la categoria sobre la ocurrencia del evento: se calcula restando los valores a 1

Predecir valores concretos⇒ se plantea el modelo y aumentan las variables numericas

Efectos marginales⇒ para saber cuando afecta cada variable, la probabilidad del evento, en
promedio
● cuando el se aumenta una unidad a los valores de las otras VI, se puede ver si la
probabilidad de que ocurra el evento aumenta tambien

REGRESION COX
● Analisis de eventos historicos → para situaciones que combinan duración y observación
de eventos; es una tecnica que lidia con el hecho de no darse el evento (cuando el
evento es censurado)
- se debe crear un elemento en R para que lo reconozca como tal
- analisis Kaplan Meier → es el procedimiento descriptivo básico que se utiliza
para ver la dinámica de no ocurrencia del evento en el tiempo
para ver si hay diferencia de grupos se usa la prueba Mantel Cox: la diferencia
es significativa cuando el pvalue es MENOR a 0.05

Regresion Cox
⇒ permite utilizar regresores o predictores o covariados, pero no modela la duración
⇒ modela el riesgo de que el evento suceda
● al sacar la regresion:
- pvalue (Pr(>|z|)) → la relacion de las variables con el riesgo de ocurrencia de un
evento es significativa cuando es MENOR a 0.05
- coef normales → indica la relacion negativa o positiva en el riesgo de ser re
arrestado
- coef exponenciales → riesgo de ocurrencia del evento que cumple un una
caracteristica (se saca restaando el coef a 1 dependiendo que si es mayor o no a
1)

REGRESION TOBBIT
se usa cuando hay valores extremos censurados y se pueden modelar VD con fronteras puras
(de 0-1)
● trata a los valores extremos como distintos a los normales
● es equivalente a la regresion de MCO

REGRESON BETA
se usa cuandos se queire trabajar con valores atipicos
● los valores extremos no deben ser tomados como distintos a los normales

Pavimentando con votos

⇒ objetivo→ factores que explican la asignación de recursos (presupuesto) destinado a los minicipios
para el desarrollo vial durante el primer gobierno del presidente Uribe
***se evaluan los factores que la adminstracion 1 de Urive 2002-2006 han seguido para la asingacion
de presupuesto vial
● la ejecución en infraestructura vial no se corresponde con las prioridades de vías para la
competitividad establecidas en el Plan Nacional de Desarrollo y en el Plan 2500
● todas las obreas tienen una carga politica → se debe evitar dar tracendencia especial a los
proyectos de carreteras locales y seccionales porque es inversion de grandes corredores
 trincales y tranversales que geenran efectos mulyiplcadores. no es lo mismo rutas troncales y
aquellas que uncen pequeños pueblos
- el tema es la prioridad de la escasa inversion publica y privada
● el presupuesot focalizado alcanza resultados, el disperso no genera bienestar
● en este caso, la priorzacion del gasto en infraestruuta no resode a bienesar y conexion del
pais segun el modelo de desarrollo de la planeacione strategica: el gasto público en
infraestructura no se orienta a mejorar la integración entre los centros de producción,
consumo y exportación
- hay un dvorcio entre los asesores tecnios e impelentacion de sus polticas

⇒ hay evidencia que la asignicon del gasto en infraestructura no sigue criterios tenicos porque no es
estadisticamente signifciativa. o sea la prioridad de asignacion a los municipios tras estudios
tecnicos no es relevante

⇒ criterios clientelistas: el peso electoral de la posicion no tine impacto en la detemriancion de

inversion (segun el modelo no hay relacion entre la apropiacion presupustal de un municipio y sus
elecciones legislativas

⇒ criterios populistas → hay una relacion entre la realcizacion de consejos y asignacion de

presupeusto de infraesrtucura: la variable de consejo es singificativa, positiva y de considerable
magnitud → los municipios que tuvieron consejos tuvieron $14.1 millones mas que en aquellos donde
no hubo.
- ENTONCES: hacer consejo implica una inversion del gobeinro nacional, las visitas del
presidente hace que comprometa recursos ignorando los procedimeintos de desicion
presupuestal y criterios tecnisos en la inversion de infraestrcutural vial
- las varuiables de control tienen buen comportamiento proque son signficativas y singos
positivos: cuando hay mas habitantes se invierte mas; cunado hay mas pobreza, menos
la negociacion directa de priorizacion y asignacion entre el presidente y el pueblo suone la
desistitucionalziacion de la planeacion tecnia, financiamiento defictario e inflacion→ es costoso
asumir compromisos que implican gasto proque se deben encotnrar los fondos de financiacion
esta realcion directa presiderne-poblacion no esta medida por criterios elecroales de los
representantes de la cialicion de gbienro en el congreso
● no se puede afirmar que la asignacion de presipuesto se orienta a satisfacer las demandas
de parlamentarios o representantes regionales
● no hay una correlacion singificativa entre inversion local y nivel de ainacion de lso
representantes en el gobeirno
● PERO SI hay una relacion entre la inversion y la laineacion de los alcaldes con el oficilaismo,
pero es negativa → el gob invierte mas en los municipios con alcaldes no oficilaistas, o sea el
gobeinro esta usando el rpesupeusot para comprar apoyo de los municipios en los que salio
derrotado en las elecciones lcoales (esta pavimentando con votos)

CONCLUSIONES Y RECOMENDACIONES
variables
● efecto del grado de competencia política local en los niveles de eficiencia de gasto municipal
● gobiernos locales del oficialismo nacional son mas eficientes en el gasto?
● la experiencia de los alcaldes tgeneran gestiones mas eficientes?
● el sexo determina la eficiencia de la gestión
⇒ Esta investigación adoptó un enfoque político electoral para analizar la eficiencia de la gestión
municipal, viendo los incentivos y limitaciones que provienen del sistema político y de la competencia
estratégica que se establece entre los actores políticos, y pueden afectar la conducta de autoridades
locales → pertinente para una concepción multidimensional de la descentralización
⇒ Este estudio extiende una investigación llevada a cabo por Herrera y Francke y utiliza los puntajes
de eficiencia promedio estimados por los autores, así como las tipologías de municipalidades
provinciales y municipalidades distritales creadas por análisis de conglomerados.

Los hallazgos de los determinantes de la eficiencia municipal son sugestivos → confirman tendencias
transversales sobre el impacto de la descentralización fiscal sobre la descentralización administrativa,
muestran cómo el contexto local condiciona de manera desigual el impacto de la variable políticas en
los distintos grupos de municipalidades
● Una primera tendencia general es la existencia de un efecto de pereza asociado con las
transferencias intergubernamentales, especialmente por Foncomun → a través de las
categorías de municipalidades provincias como de las seis categorías de m. distritales → las
m. que reciben mayores recursos por transferencias se limitan a ajustar el gasto a los
recursos adicionales (gastan más pero no mejor)
● transferencias por canon (aunque no es significativa en todos los modelos) → la dirección es
negativa en todos los modelos. Estos resultados son preocupantes pues los recursos
transferidos a las m. por concepto de Foncomun y canon crecieron notablemente → esta
asociación negativa entre transferencias y eficiencia municipal es confirmada a través de
regresiones Tobit, que arrojan el mismo resultado
● ausencia de un efecto significativo asociado con la variable educación en todos los casos
salvo uno (modelo de categoría de municipalidades distritales semi urbanas): el porcentaje
de población con educación secundaria o más no hace diferencia sobre los niveles de
eficiencia municipal alcanzados → tampoco mantiene una dirección consistente con la
eficiencia municipal a través de los distintos grupos de municipalidades.

Los factores políticos → influencian más resultados de eficiencia municipal en grupos de m.

provinciales que en los distritales (solo reelecto fue significativa y sólo para el grupo 5, rural pobre.)
Esto podría estar asociado con los niveles de complejidad política diferentes asociados a cada tipo de
espacio, con mayor concentración del poder en espacios provinciales → las variables políticas no
tienen un efecto directo en la mayoría de casos, la política debería importar, pero no lo hace mucho.
● el número efectivo de partidos afecta positiva como negativamente la eficiencia municipal →
una alta competencia política local, aproximada por el número efectivo de partidos, podría
incentivar a las autoridades electas a ejercer una mejor gestión, pero cuando la
fragmentación política resulta excesiva, el elevado número de contrincantes políticos podría
dificultar la gestión de las autoridades electas.
● la reelección de autoridades no parece ser relevante para explicar los resultados de gestión
→ en la mayoría de los casos la reelección parece asociarse con resultados más pobres de
gestión (signo negativo), por tanto, a la generación de incentivos políticos negativo → resulta
más evidente entre m. distritales.
● El género no hace una diferencia en los resultados de eficiencia municipal pues fue
significativa solo en el caso de las m. provinciales rurales y no se observa tampoco una
tendencia consistente en la dirección de la relación.
● La variable partido nacional fue significativa solo en categorías de m. provinciales más
rurales→ si los partidos nacionales no están presentes de forma efectiva a nivel local y lo
único que hacen es negociar el préstamo del logo, entonces no son diferentes de los
movimientos políticos locales → es una mala noticia para el fortalecimiento de partidos
nacionales. En las zonas en que más se necesitaría de ellos (las más rurales), los alcaldes
(representantes de partido nacional) no logran una diferencia positiva, desprestigiando más
su imagen; y obtienen resultados más ineficientes que los alcaldes electos por movimientos
locales.
● los políticos nacionales más competitivos → en la mayoría de los casos Acción Popular, el
APRA, Perú Posible, Somos Perú y Unidad Nacional no lograron diferenciar su gestión de la
de otros partidos nacionales menos competitivos y de agrupaciones políticas locales → si
hicieron una diferencia, lo hicieron para mal

RECOMENDACIONES
Se necesita una agenda sobre formulación y evaluación de políticas más inclusiva → discusiones
sobre las reformas del sector educación y los obstáculos que se enfrenta → también una perspectiva
que considere los intereses políticos y mecanismos que permiten la reproducción de programas poco
eficientes o no progresivos en el gasto.
● necesidad de establecer un sistema de monitoreo del desempeño de los gobiernos locales
que provea insumos para organizar mecanismos de capacitación y asistencia técnica →
requerirá la construcción de indicadores de insumos (gasto) y de productos (resultados) para
el indicador de desempeño municipal → necesita un sistema de monitoreo eficiente
⇒ Es necesario revisar los criterios contenidos en la fórmula de distribución → tal vez sea hora de
complementar los criterios de compensación (como de Foncomun), con criterios que incentiven la
eficiencia en la gestión y en la recaudación de recursos propios.
⇒ Es necesaria información sistematizada y publicada regularmente para que la sociedad civil puedan
realizar un control del desempeño de sus autoridades locales.→ los gobiernos locales no son
monitoreados adecuadamente ni siquiera por el sistema de control público
⇒ Un llamado de atención para los partidos nacionales que aspiran a seguir existiendo siendo algo
más que un logo electoral → lo descuidado que la mayoría de partidos nacionales tiene la problemática
y el gobierno municipal → El gobierno de los partidos nacionales es prácticamente irrelevante, y cuando
influye, lo hace negativamente, reforzando la idea de ineptitud de los partidos políticos y de la
posibilidad de prescindir de ellos. Por ellos los partidos nacionales deben buscar formas de apoyar
más a sus municipios.