#librerías necesarias
library(tidyverse)
library(haven)
library(lmtest)
library(sandwich)
library(dotwhisker)
library(ggeffects)
library(interplot)
library(texreg)Ejercicio de Replicación
Experimentos (Flacso - México)
Replicación D. Elvira Torres (MGAP) - Experimentos
The effect of socioeconomic policy and competence messages on populist radical right support: Evidence from a pre-election survey experiment - A. Held (2023)
A continuación se presenta el código necesario para replicar los modelos de regresión por errores robustos y las figuras incluidas en el artículo de A. Held (2023). Todos los datos necesarios para la replicación, así como el artículo y sus anexos se encuentran en la siguiente dirección:
https://www.sciencedirect.com/science/article/pii/S0261379423000410
Datos y paquetería
A continuación se cargan la la base de datos y las librerías necesarias para la replicación. Se da un tratamiento al formato de los datos -.dta- para que puedan ser utilizadas en R.
Verificar la N de los tratamientos
A continuación se hace una comprobación del tamaño de los grupos de tratamiento y control.
# A tibble: 5 × 2
Grupo n
<chr> <dbl>
1 Control 361
2 Economía 356
3 Liderazgo 352
4 Redistribución 360
5 Gobierno 357#Generamos etiquetas para identificar correctamente los tratamientos.
names(base)
colnames(base)[c(29,30,31,32)] <- c("Economía", "Gobierno","Liderazgo","Redistribución")
names(base)Tablas de balanceo
A continuación se presentan algunas pruebas de diferencia de medias entre la asiganción de tratamientos y las variables de control con las cuales se construyeron las tablas de balanceo presentadas en los anexos de la investigación. Únicamente se prueban aquellas diferencias que presentan evidencia de desbalances en la asignación de tratamientos. Los desbalances reportados para cada una de las asignaciones de tratamiento son los siguientes:
Tratamiento 1 (Economía) - Edad (18-29).
Tratamiento 2 (Liderazgo) - Edad (45-59) y Identificación (AfD).
Tratamiento 3 (Resdistribución) - Edad (18-29).
Tratamiento 4 (Gobierno) - Educación (Media), Edad (30-40), Edad (60 y más), Tema destacado (Inmigración).
Tratamiento 1 (Economía)
# A tibble: 1 × 6
Test Control Tratamiento Diferencia li ls
<chr> <dbl> <dbl> <dbl> <dbl> <dbl>
1 t-test Edad 18-29 0.101 0.0449 0.0558 0.0291 0.0824
Tratamiento 2 (Liderazgo)
# A tibble: 2 × 6
Test Control Tratamiento Diferencia li ls
<chr> <dbl> <dbl> <dbl> <dbl> <dbl>
1 t-test Edad 45-59 0.377 0.435 -0.0574 -0.115 0.000352
2 t-test Identificación AfD 0.218 0.199 0.0194 -0.0276 0.0664 
Tratamiento 3 (Resdistribución)
# A tibble: 1 × 6
Test Control Tratamiento Diferencia li ls
<chr> <dbl> <dbl> <dbl> <dbl> <dbl>
1 t-test Identificación CDU 0.184 0.158 0.0254 -0.0175 0.0683
Tratamiento 4 (Gobierno)
# A tibble: 4 × 6
Test Control Tratamiento Diferencia li ls
<chr> <dbl> <dbl> <dbl> <dbl> <dbl>
1 t-test Educación Media 0.473 0.423 0.0501 -0.00752 0.108
2 t-test Edad 30-44 0.211 0.246 -0.0359 -0.0855 0.0138
3 t-test Edad 60 y más 0.315 0.261 0.0544 0.00273 0.106
4 t-test Importancia Inmigración 0.593 0.485 0.109 0.0509 0.167 
Como puede verse en las gráficas, algunos de los desbalances reportados no se sostienen en las pruebas de diferencias de medias realizadas con los datos.
Replicación
A continuación se replican los modelos de regresión múltiple con errores robustos utilizados en el trabajo de A. Held (2023) para la estimación del efecto de los tratamientos en la intención de voto por los distintos partidos medidos en el estudio. Los modelos incluyen a todos los tratamientos y a las variables de control.
Comenzamos por el primer modelo (intención de voto por AfD):
#creamos modelo de regresión AFD
modeloafd <- lm(vi_afd ~ Economía +Liderazgo +Redistribución +Gobierno +ftimm +t1Xftimm +t3Xftimm +t4Xftimm +t2Xftimm+
female +age30_44 +age45_59 +age60pl +East +educRS +educGY +income1500_2499 +income2500_3999 +
income4000pl +incomemiss +unionmbr +mii_imm +mii_terr +mii_crime +pid_afd +pid_nonafd, data = base)
modelo1 <- coeftest(modeloafd, vcov = vcovHC, type = "HC1")
modelo1
t test of coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.7078e-01 4.3830e-02 3.8964 0.0001013 ***
Economía -8.5419e-03 2.7230e-02 -0.3137 0.7537934
Liderazgo 3.7792e-03 2.6747e-02 0.1413 0.8876558
Redistribución -8.7312e-05 2.6531e-02 -0.0033 0.9973746
Gobierno 1.3751e-03 2.7082e-02 0.0508 0.9595111
ftimm -1.2647e-01 5.1048e-02 -2.4775 0.0133235 *
t1Xftimm 1.9369e-01 8.2459e-02 2.3489 0.0189405 *
t3Xftimm -2.7780e-02 7.1966e-02 -0.3860 0.6995388
t4Xftimm 1.2265e-01 7.4677e-02 1.6424 0.1006898
t2Xftimm -3.7361e-02 6.3284e-02 -0.5904 0.5550198
female -7.8141e-02 1.6711e-02 -4.6760 3.149e-06 ***
age30_44 1.9337e-02 3.4810e-02 0.5555 0.5786332
age45_59 1.0952e-02 3.2339e-02 0.3387 0.7349087
age60pl 1.9463e-03 3.2799e-02 0.0593 0.9526874
East -5.0022e-04 1.9636e-02 -0.0255 0.9796792
educRS 1.6471e-02 2.1277e-02 0.7741 0.4389529
educGY 6.2165e-02 2.4377e-02 2.5501 0.0108523 *
income1500_2499 1.4735e-02 2.3343e-02 0.6312 0.5279592
income2500_3999 1.0910e-02 2.5057e-02 0.4354 0.6633211
income4000pl -1.4995e-03 3.1578e-02 -0.0475 0.9621306
incomemiss -3.9449e-02 2.4844e-02 -1.5879 0.1124943
unionmbr -1.7155e-02 2.4985e-02 -0.6866 0.4924140
mii_imm 1.1763e-01 1.9348e-02 6.0796 1.474e-09 ***
mii_terr 2.5576e-02 2.3787e-02 1.0752 0.2824292
mii_crime 1.3082e-02 3.3544e-02 0.3900 0.6965754
pid_afd 5.8930e-01 2.6733e-02 22.0435 < 2.2e-16 ***
pid_nonafd -1.3638e-01 2.0057e-02 -6.7999 1.430e-11 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Para probar la validez de las estimaciones del modelo de OLS se crea un modelo paralelo con una estimación logística. Se comprueba así que la significancia de los efectos es consistente con las reportadas por el modelo de OLS, lo que permite no rehcazar las hipótesis nula y respladar los hallazgos del artículo.
#creamos modelo de regresión AFD
modeloafdlog <- glm(as.factor(vi_afd) ~ Economía +Liderazgo +Redistribución +Gobierno +ftimm +t1Xftimm +t3Xftimm +t4Xftimm +t2Xftimm+
female +age30_44 +age45_59 +age60pl +East +educRS +educGY +income1500_2499 +income2500_3999 +
income4000pl +incomemiss +unionmbr +mii_imm +mii_terr +mii_crime +pid_afd +pid_nonafd, data = base,family = "binomial")
summary(modeloafdlog)
Call:
glm(formula = as.factor(vi_afd) ~ Economía + Liderazgo + Redistribución +
Gobierno + ftimm + t1Xftimm + t3Xftimm + t4Xftimm + t2Xftimm +
female + age30_44 + age45_59 + age60pl + East + educRS +
educGY + income1500_2499 + income2500_3999 + income4000pl +
incomemiss + unionmbr + mii_imm + mii_terr + mii_crime +
pid_afd + pid_nonafd, family = "binomial", data = base)
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.808774 0.385397 -4.693 2.69e-06 ***
Economía -0.091512 0.230051 -0.398 0.6908
Liderazgo 0.021795 0.230353 0.095 0.9246
Redistribución -0.004512 0.228400 -0.020 0.9842
Gobierno 0.006269 0.229069 0.027 0.9782
ftimm -1.966007 1.010926 -1.945 0.0518 .
t1Xftimm 2.375044 1.185806 2.003 0.0452 *
t3Xftimm 0.212417 1.366105 0.155 0.8764
t4Xftimm 1.790337 1.225839 1.460 0.1442
t2Xftimm -0.728387 1.558961 -0.467 0.6403
female -0.677609 0.145318 -4.663 3.12e-06 ***
age30_44 0.134205 0.286181 0.469 0.6391
age45_59 0.083526 0.274822 0.304 0.7612
age60pl -0.005467 0.283690 -0.019 0.9846
East 0.002993 0.168806 0.018 0.9859
educRS 0.159753 0.202078 0.791 0.4292
educGY 0.548106 0.219943 2.492 0.0127 *
income1500_2499 0.121808 0.201374 0.605 0.5453
income2500_3999 0.106124 0.212712 0.499 0.6178
income4000pl 0.002508 0.281169 0.009 0.9929
incomemiss -0.394568 0.235413 -1.676 0.0937 .
unionmbr -0.174114 0.227339 -0.766 0.4437
mii_imm 1.054803 0.189730 5.559 2.71e-08 ***
mii_terr 0.255890 0.286705 0.893 0.3721
mii_crime 0.120523 0.392508 0.307 0.7588
pid_afd 2.922026 0.189446 15.424 < 2e-16 ***
pid_nonafd -1.176253 0.169324 -6.947 3.74e-12 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 2152.8 on 1785 degrees of freedom
Residual deviance: 1313.7 on 1759 degrees of freedom
AIC: 1367.7
Number of Fisher Scoring iterations: 6Asímismo, se presenta un gráfico de líneas y puntos para la visualización de los coeficientes de estimación de los efectos de los tratamientos.
Modelo del efecto de los tratamientos en la intención de voto (CDU):
modelocdu <- lm(vi_cdu ~ Economía +Liderazgo +Redistribución +Gobierno
+ftimm +t1Xftimm +t3Xftimm +t4Xftimm +t2Xftimm+
female +age30_44 +age45_59 +age60pl +East +educRS +educGY+
income1500_2499 +income2500_3999 +income4000pl +incomemiss +unionmbr+
pid_afd +pid_cdu +pid_no +mii_imm +mii_terr +mii_crime, data = base)
#summary(modelocdu)
#añadimos errores robustos
modelo2 <- coeftest(modelocdu, vcov = vcovHC, type = "HC1")
modelo2
t test of coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.01825909 0.03666837 0.4980 0.618580
Economía 0.05910821 0.02402132 2.4607 0.013964 *
Liderazgo 0.03834891 0.02292099 1.6731 0.094487 .
Redistribución 0.00519439 0.02067727 0.2512 0.801679
Gobierno 0.04382834 0.02319684 1.8894 0.059001 .
ftimm 0.21449012 0.08003793 2.6799 0.007434 **
t1Xftimm -0.21251724 0.11190144 -1.8991 0.057709 .
t3Xftimm -0.17382401 0.09479201 -1.8337 0.066861 .
t4Xftimm -0.29273162 0.09858124 -2.9694 0.003024 **
t2Xftimm -0.28375576 0.09674230 -2.9331 0.003399 **
female -0.00211395 0.01408000 -0.1501 0.880672
age30_44 -0.01619006 0.03093162 -0.5234 0.600752
age45_59 -0.01545537 0.02982738 -0.5182 0.604412
age60pl 0.01590080 0.03055973 0.5203 0.602907
East -0.01291006 0.01596946 -0.8084 0.418957
educRS -0.00018932 0.01760925 -0.0108 0.991423
educGY -0.03258207 0.02081645 -1.5652 0.117714
income1500_2499 0.02903188 0.01785624 1.6259 0.104157
income2500_3999 0.03734682 0.01947208 1.9180 0.055277 .
income4000pl 0.07725243 0.03048874 2.5338 0.011369 *
incomemiss 0.05495634 0.02252065 2.4403 0.014775 *
unionmbr 0.00260187 0.01999469 0.1301 0.896480
pid_afd -0.02622037 0.01235068 -2.1230 0.033894 *
pid_cdu 0.60538964 0.02835209 21.3526 < 2.2e-16 ***
pid_no 0.04374449 0.01619343 2.7014 0.006972 **
mii_imm -0.02742971 0.01726015 -1.5892 0.112197
mii_terr 0.04677740 0.02758670 1.6957 0.090129 .
mii_crime 0.02095594 0.03758038 0.5576 0.577168
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Modelo del efecto de los tratamientos en la intención de voto (SPD):
modelospd <- lm(vi_spd ~ Economía +Liderazgo +Redistribución +Gobierno
+ftimm +t1Xftimm +t3Xftimm +t4Xftimm +t2Xftimm+
female +age30_44 +age45_59 +age60pl +East +educRS +educGY+
income1500_2499 +income2500_3999 +income4000pl +incomemiss +unionmbr+
pid_afd +pid_spd +pid_no +mii_imm +mii_terr +mii_crime, data = base)
#summary(modelocdu)
#añadimos errores robustos
modelo3 <- coeftest(modelospd, vcov = vcovHC, type = "HC1")
modelo3
t test of coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.0658382 0.0392801 1.6761 0.093892 .
Economía -0.0151269 0.0220422 -0.6863 0.492631
Liderazgo -0.0137503 0.0221115 -0.6219 0.534115
Redistribución 0.0046777 0.0215268 0.2173 0.828003
Gobierno -0.0427759 0.0218814 -1.9549 0.050754 .
ftimm -0.0517138 0.0469635 -1.1011 0.270983
t1Xftimm -0.0822625 0.0821785 -1.0010 0.316954
t3Xftimm 0.1351431 0.0845441 1.5985 0.110113
t4Xftimm 0.1049551 0.0790723 1.3273 0.184572
t2Xftimm 0.1277235 0.0789730 1.6173 0.105992
female 0.0381265 0.0135426 2.8153 0.004927 **
age30_44 0.0517045 0.0282249 1.8319 0.067139 .
age45_59 0.0399257 0.0273894 1.4577 0.145100
age60pl 0.0476952 0.0279533 1.7062 0.088139 .
East -0.0176407 0.0150157 -1.1748 0.240227
educRS -0.0215787 0.0189499 -1.1387 0.254974
educGY -0.0404312 0.0205552 -1.9670 0.049345 *
income1500_2499 -0.0061059 0.0202930 -0.3009 0.763536
income2500_3999 0.0027415 0.0207823 0.1319 0.895066
income4000pl -0.0191419 0.0255697 -0.7486 0.454190
incomemiss -0.0238747 0.0209487 -1.1397 0.254577
unionmbr 0.0364194 0.0217201 1.6768 0.093768 .
pid_afd -0.0144878 0.0141499 -1.0239 0.306032
pid_spd 0.6535928 0.0295288 22.1341 < 2.2e-16 ***
pid_no 0.0292679 0.0158820 1.8428 0.065521 .
mii_imm -0.0349676 0.0179244 -1.9508 0.051235 .
mii_terr -0.0369567 0.0248948 -1.4845 0.137851
mii_crime -0.0451213 0.0295242 -1.5283 0.126623
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Modelo del efecto de los tratamientos en la intención de voto (FGR):
modelofdpgr <- lm(vi_fdpgr ~ Economía +Liderazgo +Redistribución +Gobierno
+ftimm +t1Xftimm +t3Xftimm +t4Xftimm +t2Xftimm+
female +age30_44 +age45_59 +age60pl +East +educRS +educGY+
income1500_2499 +income2500_3999 +income4000pl +incomemiss +unionmbr+
pid_afd +pid_fdpgr +pid_no +mii_imm +mii_terr +mii_crime, data = base)
#summary(modelocdu)
#añadimos errores robustos
modelo4 <- coeftest(modelofdpgr, vcov = vcovHC, type = "HC1")
modelo4
t test of coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.0900753 0.0335429 2.6854 0.0073129 **
Economía -0.0458384 0.0186640 -2.4560 0.0141460 *
Liderazgo -0.0365144 0.0190080 -1.9210 0.0548935 .
Redistribución -0.0102753 0.0203955 -0.5038 0.6144627
Gobierno -0.0073355 0.0209368 -0.3504 0.7261081
ftimm -0.0273510 0.0321150 -0.8517 0.3945207
t1Xftimm 0.0734613 0.0867508 0.8468 0.3972171
t3Xftimm -0.0098524 0.0412356 -0.2389 0.8111885
t4Xftimm 0.0570251 0.0676011 0.8436 0.3990345
t2Xftimm 0.1265005 0.0704730 1.7950 0.0728221 .
female -0.0085678 0.0121229 -0.7067 0.4798215
age30_44 -0.0615820 0.0257917 -2.3877 0.0170608 *
age45_59 -0.0440454 0.0248988 -1.7690 0.0770716 .
age60pl -0.0447003 0.0260215 -1.7178 0.0860050 .
East 0.0076856 0.0141704 0.5424 0.5876321
educRS 0.0129579 0.0146705 0.8833 0.3772138
educGY 0.0032748 0.0166086 0.1972 0.8437131
income1500_2499 0.0077823 0.0144078 0.5401 0.5891672
income2500_3999 0.0455382 0.0177618 2.5638 0.0104349 *
income4000pl 0.0550966 0.0281761 1.9554 0.0506895 .
incomemiss -0.0031455 0.0154037 -0.2042 0.8382169
unionmbr -0.0274641 0.0168435 -1.6305 0.1031667
pid_afd -0.0425347 0.0127891 -3.3259 0.0008996 ***
pid_fdpgr 0.5688669 0.0454244 12.5234 < 2.2e-16 ***
pid_no 0.0023196 0.0140701 0.1649 0.8690727
mii_imm 0.0245375 0.0155256 1.5805 0.1141828
mii_terr -0.0122927 0.0203963 -0.6027 0.5467899
mii_crime 0.0528349 0.0353795 1.4934 0.1355186
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Creamos una tabla de coeficientes similar a la presnetrada en el artículo de A. Held (2023).
========================================================================
Afd CDU SPD FDPGR
------------------------------------------------------------------------
Economía -0.00854 0.05911 * -0.01513 -0.04584 *
(0.02723) (0.02402) (0.02204) (0.01866)
Liderazgo 0.00378 0.03835 -0.01375 -0.03651
(0.02675) (0.02292) (0.02211) (0.01901)
Redistribución -0.00009 0.00519 0.00468 -0.01028
(0.02653) (0.02068) (0.02153) (0.02040)
Gobierno 0.00138 0.04383 -0.04278 -0.00734
(0.02708) (0.02320) (0.02188) (0.02094)
(Intercept) 0.17078 *** 0.01826 0.06584 0.09008 **
(0.04383) (0.03667) (0.03928) (0.03354)
------------------------------------------------------------------------
Observaciones 1786 1786 1786 1786
R^2 0.45410 0.40990 0.41580 0.27340
========================================================================
*** p < 0.001; ** p < 0.01; * p < 0.05Controlando por el tiempo
El autor, después de presentar los resultados nulos del efecto de los tratamientos, procede a filtrar los datos por el tiempo en el que se realizó la encuesta experimental para observar el impacto que tuvieron los mensajes sobre la intención de voto en los primeros días de aplicación de la encuesta previos a la elección.
#filtramos los datos para que solo contengan las medidas de tiempo utilizadas en los análisis
unique(base$date)
baset <- base %>%
filter(date != 5 & date != 4 & date != 3)
unique(baset$date)Se comprueba que se reduce el tamaño de los grupos una vez filtradas las observaciones por la fecha de aplicación de las encuestas experimentales.
# A tibble: 5 × 2
Grupo n
<chr> <dbl>
1 Control 83
2 Economía 81
3 Liderazgo 80
4 Redistribución 83
5 Gobierno 78Se destaca que los grupos reducen su tamaño significativamente, quedando con tan solo una quinta parte de sus observaciones originales respectivamente.
A continuación se replican los modelos de análisis OLS para medir los efectos de los tratamientos sobre las intenciones de voto por los partidos con la nueva muestra.
Modelo AfD:
#creamos modelo de regresión AFD
modeloafd <- lm(vi_afd ~ Economía +Liderazgo +Redistribución +Gobierno
+ftimm +t1Xftimm +t3Xftimm +t4Xftimm +t2Xftimm+
female +age30_44 +age45_59 +age60pl +East +educRS +educGY +income1500_2499 +income2500_3999 +
income4000pl +incomemiss +unionmbr +mii_imm +mii_terr +mii_crime +pid_afd +pid_nonafd, data = baset)
modelo1 <- coeftest(modeloafd, vcov = vcovHC, type = "HC1")
modelo1
t test of coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.17810821 0.09071254 1.9634 0.050328 .
Economía 0.00447090 0.06943262 0.0644 0.948692
Liderazgo -0.12626535 0.05953431 -2.1209 0.034582 *
Redistribución -0.04335463 0.07010123 -0.6185 0.536646
Gobierno -0.09610043 0.06902134 -1.3923 0.164641
ftimm -0.17648124 0.06539409 -2.6987 0.007273 **
t1Xftimm 0.19069867 0.09678358 1.9704 0.049526 *
t3Xftimm 0.04328007 0.09584171 0.4516 0.651832
t4Xftimm 0.20354092 0.09630869 2.1134 0.035219 *
t2Xftimm 0.12270511 0.08167270 1.5024 0.133829
female -0.06100632 0.03107919 -1.9629 0.050387 .
age30_44 0.03549252 0.05388142 0.6587 0.510480
age45_59 -0.02727823 0.05045148 -0.5407 0.589045
age60pl -0.01700298 0.05337708 -0.3185 0.750248
East 0.07858168 0.04631449 1.6967 0.090577 .
educRS 0.06369094 0.04286884 1.4857 0.138188
educGY 0.06216856 0.04707058 1.3208 0.187383
income1500_2499 0.00067159 0.04161002 0.0161 0.987131
income2500_3999 0.08339177 0.04569964 1.8248 0.068823 .
income4000pl 0.06710977 0.06310341 1.0635 0.288239
incomemiss 0.01592745 0.04579473 0.3478 0.728183
unionmbr -0.04440825 0.04313141 -1.0296 0.303854
mii_imm 0.09876880 0.04233874 2.3328 0.020181 *
mii_terr -0.03348259 0.04487027 -0.7462 0.456005
mii_crime -0.11639039 0.05851418 -1.9891 0.047411 *
pid_afd 0.61204127 0.05646322 10.8396 < 2.2e-16 ***
pid_nonafd -0.11719481 0.03907113 -2.9995 0.002883 **
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Modelo CDU:
modelocdu <- lm(vi_cdu ~ Economía +Liderazgo +Redistribución +Gobierno
+ftimm +t1Xftimm +t3Xftimm +t4Xftimm +t2Xftimm+
female +age30_44 +age45_59 +age60pl +East +educRS +educGY+
income1500_2499 +income2500_3999 +income4000pl +incomemiss +unionmbr+
pid_afd +pid_cdu +pid_no +mii_imm +mii_terr +mii_crime, data = baset)
#summary(modelocdu)
#añadimos errores robustos
modelo2 <- coeftest(modelocdu, vcov = vcovHC, type = "HC1")
modelo2
t test of coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.00426495 0.08029462 0.0531 0.957667
Economía 0.14525939 0.06009629 2.4171 0.016118 *
Liderazgo 0.11784872 0.05511880 2.1381 0.033152 *
Redistribución -0.01314971 0.04079568 -0.3223 0.747381
Gobierno 0.06324151 0.05156299 1.2265 0.220780
ftimm 0.26646350 0.09002372 2.9599 0.003272 **
t1Xftimm -0.29792569 0.13071384 -2.2792 0.023212 *
t3Xftimm -0.13770629 0.10617074 -1.2970 0.195415
t4Xftimm -0.29983339 0.11390222 -2.6324 0.008827 **
t2Xftimm -0.34121985 0.11328370 -3.0121 0.002770 **
female 0.03767280 0.02793726 1.3485 0.178314
age30_44 -0.06275133 0.06206970 -1.0110 0.312674
age45_59 -0.00775935 0.05869392 -0.1322 0.894896
age60pl -0.00073325 0.05846068 -0.0125 0.989999
East 0.00529430 0.03576620 0.1480 0.882402
educRS -0.02805382 0.04067754 -0.6897 0.490830
educGY -0.04975883 0.04498843 -1.1060 0.269416
income1500_2499 -0.04355645 0.03478218 -1.2523 0.211250
income2500_3999 0.03246030 0.04611161 0.7040 0.481898
income4000pl 0.04811922 0.06657953 0.7227 0.470292
incomemiss 0.06580384 0.04678831 1.4064 0.160424
unionmbr 0.02397755 0.04679328 0.5124 0.608661
pid_afd -0.04598740 0.02635492 -1.7449 0.081813 .
pid_cdu 0.56178369 0.06171360 9.1031 < 2.2e-16 ***
pid_no 0.00727822 0.03351612 0.2172 0.828204
mii_imm -0.01332094 0.03748829 -0.3553 0.722537
mii_terr 0.04197571 0.05284133 0.7944 0.427478
mii_crime 0.01765296 0.10695904 0.1650 0.868998
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Modelo SPD:
modelospd <- lm(vi_spd ~ Economía +Liderazgo +Redistribución +Gobierno
+ftimm +t1Xftimm +t3Xftimm +t4Xftimm +t2Xftimm+
female +age30_44 +age45_59 +age60pl +East +educRS +educGY+
income1500_2499 +income2500_3999 +income4000pl +incomemiss +unionmbr+
pid_afd +pid_spd +pid_no +mii_imm +mii_terr +mii_crime, data = baset)
#summary(modelocdu)
#añadimos errores robustos
modelo3 <- coeftest(modelospd, vcov = vcovHC, type = "HC1")
modelo3
t test of coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.0733403 0.0822562 0.8916 0.373172
Economía -0.0423350 0.0623562 -0.6789 0.497604
Liderazgo 0.0144628 0.0599778 0.2411 0.809581
Redistribución 0.0450067 0.0587616 0.7659 0.444203
Gobierno -0.0515252 0.0609132 -0.8459 0.398156
ftimm -0.0331835 0.0662936 -0.5006 0.616977
t1Xftimm -0.0607566 0.1036885 -0.5860 0.558258
t3Xftimm 0.0841098 0.0999239 0.8417 0.400468
t4Xftimm 0.0924260 0.0966828 0.9560 0.339699
t2Xftimm 0.0714242 0.0970379 0.7360 0.462162
female 0.0016999 0.0295590 0.0575 0.954169
age30_44 0.1076769 0.0500663 2.1507 0.032136 *
age45_59 0.0819314 0.0448199 1.8280 0.068337 .
age60pl 0.0763228 0.0444066 1.7187 0.086485 .
East -0.0930054 0.0315578 -2.9471 0.003407 **
educRS 0.0389988 0.0396353 0.9839 0.325776
educGY -0.0023941 0.0420496 -0.0569 0.954627
income1500_2499 -0.0689034 0.0415437 -1.6586 0.098033 .
income2500_3999 -0.0372773 0.0489319 -0.7618 0.446644
income4000pl -0.0941687 0.0565778 -1.6644 0.096861 .
incomemiss -0.0932189 0.0429861 -2.1686 0.030739 *
unionmbr 0.0502566 0.0407484 1.2333 0.218218
pid_afd 0.0016366 0.0397375 0.0412 0.967170
pid_spd 0.6460916 0.0533067 12.1203 < 2.2e-16 ***
pid_no 0.0052301 0.0346700 0.1509 0.880171
mii_imm -0.0560937 0.0385948 -1.4534 0.146944
mii_terr -0.0821396 0.0487584 -1.6846 0.092889 .
mii_crime 0.0166064 0.0793090 0.2094 0.834258
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Modelo FDPGR:
modelofdpgr <- lm(vi_fdpgr ~ Economía +Liderazgo +Redistribución +Gobierno
+ftimm +t1Xftimm +t3Xftimm +t4Xftimm +t2Xftimm+
female +age30_44 +age45_59 +age60pl +East +educRS +educGY+
income1500_2499 +income2500_3999 +income4000pl +incomemiss +unionmbr+
pid_afd +pid_fdpgr +pid_no +mii_imm +mii_terr +mii_crime, data = base)
#summary(modelocdu)
#añadimos errores robustos
modelo4 <- coeftest(modelofdpgr, vcov = vcovHC, type = "HC1")
modelo4
t test of coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.0900753 0.0335429 2.6854 0.0073129 **
Economía -0.0458384 0.0186640 -2.4560 0.0141460 *
Liderazgo -0.0365144 0.0190080 -1.9210 0.0548935 .
Redistribución -0.0102753 0.0203955 -0.5038 0.6144627
Gobierno -0.0073355 0.0209368 -0.3504 0.7261081
ftimm -0.0273510 0.0321150 -0.8517 0.3945207
t1Xftimm 0.0734613 0.0867508 0.8468 0.3972171
t3Xftimm -0.0098524 0.0412356 -0.2389 0.8111885
t4Xftimm 0.0570251 0.0676011 0.8436 0.3990345
t2Xftimm 0.1265005 0.0704730 1.7950 0.0728221 .
female -0.0085678 0.0121229 -0.7067 0.4798215
age30_44 -0.0615820 0.0257917 -2.3877 0.0170608 *
age45_59 -0.0440454 0.0248988 -1.7690 0.0770716 .
age60pl -0.0447003 0.0260215 -1.7178 0.0860050 .
East 0.0076856 0.0141704 0.5424 0.5876321
educRS 0.0129579 0.0146705 0.8833 0.3772138
educGY 0.0032748 0.0166086 0.1972 0.8437131
income1500_2499 0.0077823 0.0144078 0.5401 0.5891672
income2500_3999 0.0455382 0.0177618 2.5638 0.0104349 *
income4000pl 0.0550966 0.0281761 1.9554 0.0506895 .
incomemiss -0.0031455 0.0154037 -0.2042 0.8382169
unionmbr -0.0274641 0.0168435 -1.6305 0.1031667
pid_afd -0.0425347 0.0127891 -3.3259 0.0008996 ***
pid_fdpgr 0.5688669 0.0454244 12.5234 < 2.2e-16 ***
pid_no 0.0023196 0.0140701 0.1649 0.8690727
mii_imm 0.0245375 0.0155256 1.5805 0.1141828
mii_terr -0.0122927 0.0203963 -0.6027 0.5467899
mii_crime 0.0528349 0.0353795 1.4934 0.1355186
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Efectos marginales por nivel de información
Por último, se realiza un análisis de los efectos marginales del nivel de conocimiento político sobre el efecto de los tratamientos en las estimaciones realizadas sobre las observaciones filtradas por temporalidad. A continuación se presenta el código correspondiente para recrear las figuras, así como el análisis de regresión con los términos de interacción requeridos para crear dichas figuras.
#creamos modelo de regresión AFD con la interacción de los tratamientos y el nivel de conocimiento
modeloafd <- lm(vi_afd ~ Economía*know +Liderazgo*know +Redistribución*know +Gobierno*know +ftimm +t1Xftimm +t3Xftimm +t4Xftimm +t2Xftimm+
female +age30_44 +age45_59 +age60pl +East +educRS +educGY +income1500_2499 +income2500_3999 +
income4000pl +incomemiss +unionmbr +mii_imm +mii_terr +mii_crime +pid_afd +pid_nonafd, data = base)
modelo1 <- coeftest(modeloafd, vcov = vcovHC, type = "HC1")
modelo1
t test of coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.16172530 0.05124508 3.1559 0.001627 **
Economía -0.08505981 0.05215887 -1.6308 0.103116
know 0.01843075 0.01138096 1.6194 0.105533
Liderazgo -0.03972278 0.05366161 -0.7402 0.459250
Redistribución -0.10035518 0.04683602 -2.1427 0.032275 *
Gobierno -0.03282179 0.05042934 -0.6508 0.515230
ftimm -0.13160504 0.05107840 -2.5765 0.010061 *
t1Xftimm 0.19779678 0.08434107 2.3452 0.019128 *
t3Xftimm -0.03524438 0.07133749 -0.4941 0.621332
t4Xftimm 0.13771872 0.07498718 1.8366 0.066443 .
t2Xftimm -0.02671575 0.06298460 -0.4242 0.671499
female -0.05456020 0.01682757 -3.2423 0.001208 **
age30_44 0.01207379 0.03411655 0.3539 0.723458
age45_59 -0.00647486 0.03229460 -0.2005 0.841118
age60pl -0.03731149 0.03337338 -1.1180 0.263719
East 0.00279042 0.01940387 0.1438 0.885669
educRS -0.00010488 0.02112113 -0.0050 0.996038
educGY 0.02821394 0.02441025 1.1558 0.247911
income1500_2499 0.00956683 0.02301476 0.4157 0.677693
income2500_3999 -0.00023767 0.02483670 -0.0096 0.992366
income4000pl -0.01576811 0.03123868 -0.5048 0.613789
incomemiss -0.04037166 0.02440997 -1.6539 0.098327 .
unionmbr -0.01708969 0.02512537 -0.6802 0.496483
mii_imm 0.11852625 0.01927874 6.1480 9.691e-10 ***
mii_terr 0.04446619 0.02385491 1.8640 0.062485 .
mii_crime 0.02656210 0.03309225 0.8027 0.422275
pid_afd 0.56062784 0.02777971 20.1812 < 2.2e-16 ***
pid_nonafd -0.15887981 0.02048684 -7.7552 1.485e-14 ***
Economía:know 0.02654580 0.01603633 1.6554 0.098032 .
know:Liderazgo 0.01427600 0.01546765 0.9230 0.356156
know:Redistribución 0.03531823 0.01454028 2.4290 0.015241 *
know:Gobierno 0.01294699 0.01563770 0.8279 0.407820
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
