Introduccion

Column

Factores que influyeron en el voto a favor del “apruebo” durante el Plebiscito Nacional Chileno sobre Constitución Política en el año 2020

Mediante el presente proyecto de investigación se buscarán analizar los factores que influyeron en el voto a favor del “apruebo” durante el Plebiscito Nacional Chileno sobre Constitución Política en el año 2020,los cuales suponen un objeto de estudio importante debido al impacto que tuvo este resultado tanto a nivel nacional como a nivel latinoamericano. El cambio de constitución y una asamblea constituyente fueron la demanda central que se impulso durante el estallido social en el año 2019 y, a pesar de la pandemia producto del COVID 19 que acaparó el año 2020, este plebiscito se sitúa como la elección con mayor cantidad de votantes desde el regreso de la democracia, segun el Servicio Electoral de Chile. En ese sentido es importante poder identificar cuales son las variables influyentes en una decisión tan trascendental en la historia chilena, desde la participación política de los jóvenes, hasta un análisis al IDH chileno, analizado por comunas, el cual, a la fecha, ocupa el primer lugar a nivel latinoamericano.

Column

Variables a utilizar

La variable dependiente es la siguiente:

Porcentaje del voto a favor del “apruebo” durante el Plebiscito Nacional Chileno sobre Constitución Política en el año 2020

Las variables independientes son las siguientes:

Porcentaje de voto femenino
Poncentaje de voto joven (en el rango de 18 - 24 años)
Indice de Desarrollo Humano (por comuna)

La variable predictora es la siguiente:

Porcentaje de votos obtenidos en la ultima eleccion (Eleccion presidencial - Sebastian Piñera)

Column

Hipotesis

Se buscara demostrar que las variables independientes elegidas sí influyen en el triunfo del apruebo durante el Plebiscito Chileno.

Column

Votos a favor del Apruebo - Plebiscito Nacional Chileno

Column

Grafico de la VD

Reading layer `comunas' from data source 
  `C:\Users\USER\Desktop\ESTADISTICA 2\comunas.shp' using driver `ESRI Shapefile'
Simple feature collection with 346 features and 11 fields
Geometry type: MULTIPOLYGON
Dimension:     XY
Bounding box:  xmin: -12184470 ymin: -7554436 xmax: -7393642 ymax: -1978920
Projected CRS: WGS 84 / Pseudo-Mercator

Seccion 1: Regresion Gaussiana - Modelo 1

Column

Modelo 1

Regresion: modelo 1
	Votos Aprueba (I)
(Intercept)	0.274+
	(0.153)
FemeninoVotoP	0.911**
	(0.295)
Voto18a24P	0.070
	(0.060)
Num.Obs.	345
R2	0.035
R2 Adj.	0.029
AIC	-638.6
BIC	-623.2
Log.Lik.	323.290
F	6.163
RMSE	0.09
+ p < 0.1, * p < 0.05, p < 0.01, * p < 0.001

Column

Interpretacion

El coeficiente de 0.911 para la variable que indica el voto femenino (FemeninoVotP) es estadísticamente significativo (p < 0.01), lo que implica que las mujeres tuvieron una mayor probabilidad de votar a favor de la nueva constitución en comparación con los hombres.

Por otro lado, la variable que representa a los votantes jóvenes (Voto18a24P) muestra un coeficiente de 0.070, que no es estadísticamente significativo. Esto indica que no hay evidencia suficiente para concluir que los jóvenes de 18 a 24 años influyeron de manera distinta en el voto a favor del “apruebo” en comparación con otras edades.

El modelo, sin embargo, tiene limitaciones en su capacidad explicativa. El R cuadrado ajustado de 0.029 indica que solo un 2.9% de la variabilidad en el voto a favor del “apruebo” se puede atribuir a las variables estudiadas. Esto señala que hay otros factores importantes, no considerados en el modelo, que también pudieron haber influido en el resultado del plebiscito. En resumen, el modelo resalta el papel significativo del voto femenino en el apoyo a la opción “apruebo” durante el plebiscito, mientras que la edad de los votantes jóvenes no parece ser un factor distintivo. Esto nos lleva a reflexionar sobre la dinámica de género en el contexto político chileno y la necesidad de explorar más a fondo otros elementos que puedan explicar la decisión de voto en este evento histórico.

Column

Graficos Modelo 1

Column

Grafico de dispersion - Voto Femenino


Call:
lm(formula = votos_Aprueba ~ FemeninoVotoP, data = dataoficial)

Residuals:
     Min       1Q   Median       3Q      Max 
-0.47897 -0.05969  0.01575  0.06874  0.18275 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)   
(Intercept)     0.2543     0.1526   1.667  0.09647 . 
FemeninoVotoP   0.9641     0.2915   3.308  0.00104 **
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.09526 on 343 degrees of freedom
Multiple R-squared:  0.03092,   Adjusted R-squared:  0.02809 
F-statistic: 10.94 on 1 and 343 DF,  p-value: 0.001039

Column

Interpretacion

Hay una tendencia positiva visible, lo que significa que a medida que el porcentaje de participación femenina aumenta, también lo hace la proporción de votos a favor del “apruebo”. Esto es consistente con los resultados del modelo de regresión que discutimos anteriormente, donde la variable representando el voto femenino fue significativa y positiva.

A pesar de la tendencia positiva, hay una dispersión significativa de los puntos alrededor de la línea de mejor ajuste, lo que indica que hay variabilidad que no se explica solo por el porcentaje de participación femenina. Esto refleja lo que se indicó en el R cuadrado del modelo, donde solo una pequeña parte de la variabilidad en el voto “apruebo” se explica por las variables incluidas.

Column

Grafico de Dispersion - Voto Joven


Call:
lm(formula = votos_Aprueba ~ Voto18a24P, data = dataoficial)

Residuals:
     Min       1Q   Median       3Q      Max 
-0.50378 -0.06351  0.01808  0.07221  0.15492 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) 0.746632   0.008974  83.202   <2e-16 ***
Voto18a24P  0.098150   0.059578   1.647      0.1    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.09639 on 343 degrees of freedom
Multiple R-squared:  0.007851,  Adjusted R-squared:  0.004958 
F-statistic: 2.714 on 1 and 343 DF,  p-value: 0.1004

Column

Interpretacion

La interpretación de esta gráfica podría ser que, aunque parece existir una tendencia positiva que sugeriría que los jóvenes podrían inclinarse hacia el “apruebo”, la relación no es tan fuerte o consistente como para establecer una influencia definida del voto joven en el resultado del plebiscito. Esto es coherente con la interpretación del modelo de regresión, que no encontró una relación estadísticamente significativa entre la edad de los votantes jóvenes y el voto “apruebo”

Seccion 2: Regresion Gaussiana - Modelo 2

Modelo 2

Column

Regresion: modelo 2
	Votos Apruebo (II)
(Intercept)	0.303+
	(0.157)
FemeninoVotoP	0.826**
	(0.311)
Voto18a24P	0.068
	(0.060)
IDC	0.039
	(0.046)
Num.Obs.	345
R2	0.037
R2 Adj.	0.028
AIC	-637.3
BIC	-618.1
Log.Lik.	323.656
F	4.347
RMSE	0.09
+ p < 0.1, * p < 0.05, p < 0.01, * p < 0.001

Column

Interpretacion

El Modelo 2 amplía el análisis de los factores que influyeron en el voto a favor del “apruebo” en el Plebiscito Nacional Chileno de 2020 al incorporar el Índice de Desarrollo por Comuna (IDC). A pesar de esta adición, la capacidad explicativa del modelo sigue siendo limitada, con solo un 2.8% de la variabilidad en el voto por el “apruebo” explicada por las variables incluidas, como lo indica el R^2 ajustado.

La presencia y significancia del voto femenino se mantienen consistentes en este modelo. Con un coeficiente de 0.826 y una significancia estadística alta (p < 0.01), el modelo sugiere que las mujeres tuvieron una mayor tendencia a votar por el “apruebo”. Esto confirma el hallazgo del Modelo 1 y resalta la importancia del género en el comportamiento electoral durante el plebiscito.

La edad de los votantes jóvenes (18-24 años), con un coeficiente no significativo de 0.068, no muestra impacto en la tendencia de votar por el “apruebo”, alineándose con los resultados del Modelo 1, que también indicó la falta de una relación estadísticamente significativa entre los jóvenes y el voto por el “apruebo”. La nueva variable introducida, el IDC, a pesar de su potencial para reflejar cómo el desarrollo socioeconómico por comuna podría afectar las preferencias de voto, no muestra una correlación significativa con el voto por el “apruebo” en este análisis,

En conclusión, el Modelo 2 refuerza la comprensión de que el voto femenino fue un factor significativo en el apoyo al “apruebo”. Sin embargo, no proporciona evidencia de que la edad de los votantes jóvenes o el nivel de desarrollo comunal, medido por el IDC, hayan tenido un efecto significativo en la decisión de votar por el “apruebo”.

Column

Grafico Modelo 2

Grafico de Dispersion - Indice de Desarrollo Humano

Column


Call:
lm(formula = votos_Aprueba ~ IDC, data = dataoficial)

Residuals:
     Min       1Q   Median       3Q      Max 
-0.49203 -0.06003  0.01742  0.06989  0.16255 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)  0.72716    0.01735  41.918   <2e-16 ***
IDC          0.08321    0.04368   1.905   0.0576 .  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.09626 on 343 degrees of freedom
Multiple R-squared:  0.01047,   Adjusted R-squared:  0.007583 
F-statistic: 3.629 on 1 and 343 DF,  p-value: 0.05763

Column

Interpretacion

La línea de tendencia sugiere una relación positiva entre el IDC y la proporción de votos a favor del “apruebo”. Esto significa que, según este gráfico, a medida que aumenta el IDC de una comuna, también tiende a aumentar el porcentaje de votos a favor del “apruebo”.

Los puntos están dispersos a lo largo del gráfico, lo que indica variabilidad en la relación entre el IDC y los votos por el “apruebo”. Aunque la tendencia es positiva, hay comunas con índices similares de desarrollo que tienen diferentes proporciones de votos por el “apruebo”, lo que sugiere que hay otros factores en juego además del IDC.

Seccion 3: Regresion Gaussiana - Modelo 3

Modelo 3

Column

Regresion: modelo 3
	Votos Apruebo (III)
(Intercept)	0.925***
	(0.098)
FemeninoVotoP	0.584**
	(0.187)
Voto18a24P	0.070+
	(0.036)
IDC	0.013
	(0.028)
votos_Sebastian	-0.887***
	(0.036)
Num.Obs.	345
R2	0.653
R2 Adj.	0.649
AIC	-987.8
BIC	-964.8
Log.Lik.	499.907
F	160.163
RMSE	0.06
+ p < 0.1, * p < 0.05, p < 0.01, * p < 0.001

Column

Interpretacion

El Modelo 3 nos proporciona una visión detallada y contextualizada de cómo diferentes factores influenciaron el voto a favor del “apruebo” en el Plebiscito Nacional de Chile en 2020, tomando en cuenta variables demográficas y políticas. La inclusión de la variable “votos_Sebastian”, que representa el apoyo a Sebastián Piñera, un político conservador y presidente de Chile en contra del plebiscito, es particularmente reveladora.

El análisis del modelo indica que el voto femenino se destaca como un predictor significativo con un coeficiente de 0.584, lo que sugiere que las mujeres eran más propensas a votar por el “apruebo”. Este hallazgo refleja que las mujeres podrían haber estado más alineadas con los valores o cambios propuestos en el plebiscito.

El modelo también sugiere una leve tendencia positiva en el apoyo al “apruebo” entre los votantes jóvenes (18-24 años), aunque esta relación es menos fuerte que la observada para el voto femenino, solo el 0.07. El IDC no muestra una correlación significativa, indicando que el desarrollo económico y social por comuna no fue un factor determinante en el apoyo al cambio constitucional.

La variable “votos_Sebastian” tiene un impacto significativo y negativo en el apoyo al “apruebo” con un coeficiente de -0.387. Dado que Piñera es una figura conservadora y estaba en contra del plebiscito, este resultado implica que las comunas que favorecieron a Piñera en las elecciones presidenciales de 2017 tendieron a votar en contra del “apruebo”, lo cual refleja una continuidad en las preferencias políticas conservadoras.

Con un R^2 ajustado de 0.649, el modelo explica una gran proporción de la variabilidad en el voto por el “apruebo”, significando que las variables seleccionadas son buenos predictores del comportamiento electoral en este contexto.

Grafico Modelo 3

Column

Grafico de Dispersion - Votos a Piñera


Call:
lm(formula = votos_Aprueba ~ votos_Sebastian, data = dataoficial)

Residuals:
      Min        1Q    Median        3Q       Max 
-0.183033 -0.038243  0.000382  0.043542  0.135441 

Coefficients:
                Estimate Std. Error t value Pr(>|t|)    
(Intercept)      1.25009    0.02039   61.31   <2e-16 ***
votos_Sebastian -0.89688    0.03677  -24.39   <2e-16 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.05852 on 343 degrees of freedom
Multiple R-squared:  0.6343,    Adjusted R-squared:  0.6333 
F-statistic:   595 on 1 and 343 DF,  p-value: < 2.2e-16

Column

Interpretacion

El gráfico muestra la relación entre el porcentaje de votos que recibió Sebastián Piñera en el último proceso electoral y el porcentaje de votos a favor de la opción “apruebo” en el plebiscito de 2020 en las distintas comunas de Chile.

La pendiente de la línea de tendencia es negativa, lo que significa que existe una correlación inversa entre las dos variables: a mayor porcentaje de votos para Piñera en una comuna, menor es el porcentaje de votos por el “apruebo” en esa misma comuna. Esta tendencia se refuerza con la banda de confianza que, aunque se ensancha ligeramente a medida que aumentan los votos para Piñera, mantiene su coherencia a lo largo del rango de porcentajes, lo que indica que la relación es estadísticamente significativa.

Seccion 4: Eleccion de mejor modelo

Eligiendo el mejor modelo

Column

Interpretacion

El gráfico de coeficientes compara las estimaciones de las variables en tres modelos diferentes y sus efectos sobre la probabilidad de votar por el “apruebo” en el plebiscito chileno:

FemeninoVotoP: En todos los modelos, ser mujer está positivamente correlacionado con votar por el “apruebo”.

Voto18a24P: La variable que representa a los votantes jóvenes también parece tener una relación positiva con la probabilidad de votar por el “apruebo”, pero los intervalos de confianza son más amplios, especialmente en el Modelo 1, lo que sugiere una menor certeza sobre la magnitud exacta de este efecto.

IDC: El Índice de Desarrollo por Comuna no es un predictor significativo en ninguno de los modelos, lo que sugiere que el nivel de desarrollo de la comuna no tiene un impacto claro sobre la decisión de votar por el “apruebo”.

votos_Sebastian: Solo está presente en el Modelo 3, mostrando una fuerte correlación negativa y significativa con el voto por el “apruebo”. Esto significa que donde Piñera tuvo más apoyo, el “apruebo” tuvo menos.

El Modelo 3 es el que presenta el mejor ajuste, debido a que introduce la variable “votos_Sebastian”, que tiene una fuerte y significativa correlación negativa con la probabilidad de votar por el “apruebo”. Mantiene la significancia estadística y la dirección de las relaciones observadas en los otros modelos para las variables FemeninoVotoP y Voto18a24P. Aunque el IDC no es significativo, la inclusión de “votos_Sebastian” mejora la capacidad del modelo para explicar la variabilidad en el voto por el “apruebo”, como se demostró en la tabla ANOVA previamente interpretada.

Prueba ANOVA

Tabla ANOVA para comparar modelos
Res.Df	RSS	Df	Sum of Sq	F	Pr(>F)
342	3.100371	NA	NA	NA	NA
341	3.093798	1	0.0065724	2.006548	0.1575369
340	1.113666	1	1.9801324	604.530456	0.0000000

Column

Interpretacion

Basándonos en la tabla ANOVA, el tercer modelo es el que proporciona el mejor ajuste de los tres, ya que la variable añadida reduce significativamente el RSS, por lo que significa que hay menos variabilidad no explicada por el modelo y mejora la capacidad predictiva del modelo de manera considerable, como lo demuestra el alto valor de F y el p-valor prácticamente nulo.

Linealidad

Se elige el modelo 3 como mejor modelo

Column

Homocedasticidad

Se elige el modelo 3 como mejor modelo

Column

Tambien se puede evaluar de otra forma

studentized Breusch-Pagan test
	BP	df	p.value
BP	24.20604	4	7.26e-05

Column

Normalidad de los residuos

Se elige el modelo 3 como mejor modelo

Column

Tambien se puede aplicar la prueba Shapiro

Shapiro-Wilk normality test
	SW	p.value
W	0.9912576	0.0389324

Column

No multicolinelidad

Se elige el modelo 3 como mejor modelo

Evaluando Multicolinealidad usando VIF (Variance Inflation Factors)
	VIF
FemeninoVotoP	1.143930
Voto18a24P	1.025662
IDC	1.122967
votos_Sebastian	1.006237

Column

Valores Influyentes

Se elige el modelo 3 como mejor modelo

Column

Indice Cook

Valores Influyentes criticos
	cook.d	hat
132	TRUE	TRUE

Column

Seccion 6: CLUSTERIZACION - PAM

Column

 [1] "Comuna"            "total_votos2020"   "votos_aprobacion1"
 [4] "votos_Aprueba"     "total_votos2017"   "votos_candidato1" 
 [7] "votos_Sebastian"   "FemeninoVotoP"     "Voto18a24P"       
[10] "TotalVotacion"     "FemeninoPadronP"   "de18a24Padron"    
[13] "totalPadron"       "BIENESTAR"         "ECONOMÍA"         
[16] "EDUCACIÓN"         "IDC"               "RANKING"          
[19] "RANGOS"

Column

Prueba PAM

Column

Interpretacion

Utilizando el estadistico gap, esta grafica nos enseña la cantidad de clusters ha utilizar, en este caso se propone que sean 2. La prueba PAM es una estrategia de particion, la cual busca partir los casos en grupos. El algoritmo básico establece puntos que traten de ser el centro de los demás casos, tal que estos se separen.

Column

Evaluando el uso de PAM

Column {data-width=200} ———————————————————————–

Interpretacion

Utilizando la herramienta silhouettes podemos identificar el desempeño del algoritmo de manera practica. Asi, podemos identificar que la barra en negativo representa los datos, en este caso comunas, mal clusterizadas.

Column

Datos mal clusterizados

 [1] "ANGOL"        "CABRERO"      "CISNES"       "COLBUN"       "COMBARBALA"  
 [6] "CONCON"       "LA UNION"     "LAJA"         "MALLOA"       "MARCHIGUE"   
[11] "MONTE PATRIA" "PAIHUANO"     "PALMILLA"     "PARRAL"       "PICA"        
[16] "PROVIDENCIA"  "RAUCO"        "RIO CLARO"    "SAN JAVIER"   "SAN ROSENDO" 
[21] "SIERRA GORDA" "TEMUCO"       "TUCAPEL"      "VITACURA"     "ZAPALLAR"

Seccion 6: CLUSTERIZACION - AGNES

Column

Prueba AGNES

Column

Dendograma que muestra el proceso de conglomeración AGNES:

Column

Evaluando el uso de AGNES

Column

Interpretacion

La clusterizacion AGNES es una estrategia jerarquica - aglomerativa,en donde se considera cada caso (fila) como un cluster, para de ahi se van creando miniclusters hasta que todos los casos sean un solo cluster. El proceso va mostrando qué tanto esfuerzo toma juntar los elementos cluster tras cluster.

Se puede identificar que se recomiendan nuevamente dos clusters y que en ambos casos existen comunas mal clusterizadas.

Column

Datos mal clusterizados

 [1] "ALHUE"                "ANDACOLLO"            "ANGOL"               
 [4] "CABRERO"              "CARTAGENA"            "CATEMU"              
 [7] "CHANARAL"             "COLINA"               "EL QUISCO"           
[10] "HUASCO"               "ILLAPEL"              "ISLA DE PASCUA"      
[13] "LAJA"                 "LITUECHE"             "LOS ALAMOS"          
[16] "LOS ANGELES"          "LOS VILOS"            "MALLOA"              
[19] "MARCHIGUE"            "MULCHEN"              "PALMILLA"            
[22] "PARRAL"               "PERALILLO"            "PETORCA"             
[25] "PEUMO"                "PICHIDEGUA"           "PUCHUNCAVI"          
[28] "PUERTO VARAS"         "PURRANQUE"            "PUTAENDO"            
[31] "QUIRIHUE"             "SALAMANCA"            "SAN CARLOS"          
[34] "SAN JAVIER"           "SAN NICOLAS"          "SAN PEDRO DE ATACAMA"
[37] "SAN ROSENDO"          "SIERRA GORDA"         "TALTAL"              
[40] "TORTEL"               "VICUNA"               "YUNGAY"              
[43] "ZAPALLAR"

Seccion 7: CLUSTERIZACION - DIANA

Column

Prueba DIANA

Column

Dendograma que muestra el proceso de conglomeración DIANA:

Column

Datos mal clusterizados

character(0)

Column

Interpretacion

En cuanto a la clusterizacion via DIANA, se trata de una estrategia jerarquica - divisiva, la cual comienza con todos los casos como un gran cluster; para de ahi dividir en clusters más pequeños. Como se puede observar, la herramienta gap nos recomienda unicamente un cluster, esto significa que el método de partición jerárquica ha determinado que todos los elementos pertenecen a un solo grupo en la jerarquía. En otras palabras, el algoritmo ha encontrado que no hay suficiente evidencia para dividir el conjunto de datos en subgrupos más pequeños.

Es asi que, no se ha podido continuar con el proceso de clusterizacion via DIANA.

Seccion 8: CLUSTERIZACION - VISUALIZACION COMPARATIVA

Column

                                   [,1]         [,2]
ALGARROBO                   -0.05351684  0.090476193
ALHUE                        0.06614413 -0.169598200
ALTO BIOBIO                 -0.27828509  0.002421128
ALTO DEL CARMEN             -0.12652276 -0.104684011
ALTO HOSPICIO                0.05214483  0.009482302
ANCUD                        0.03300428 -0.041236179
ANDACOLLO                    0.04097558 -0.158135464
ANGOL                        0.01547977  0.200482462
ANTOFAGASTA                  0.21588830  0.053617326
ANTUCO                      -0.12307575 -0.008673436
ARAUCO                       0.05832798  0.067135380
ARICA                        0.17308676  0.060055528
AYSEN                        0.13632040 -0.040449064
BUIN                         0.08250395  0.064024025
BULNES                      -0.06175024  0.052392343
CABILDO                      0.15224084 -0.124254875
CABO DE HORNOS(EX-NAVARINO) -0.13199902  0.119755829
CABRERO                     -0.01854573  0.093571776
CALAMA                       0.09689059  0.068850997
CALBUCO                     -0.10100963 -0.026863952

Column

Mapa

Column

Prueba PAM

Column

Interpretacion

Podemos decir que la mejor via de clusterizacion es utilizando la tecnica PAM, pues esta posee, relacion a la estrategia AGNES, una mejor silueta promedio (0.29) y menos valores negativos. Sin embargo, si bien esta representa una mejor estrategia de clusterizacion, lo cierto es que este mecanismo ha sido poco util para poder realizar un analisis de datos efectiva.A pesar de haber realizado la normalizacion de datos, esto puede deberse a una alta dimensionalidad en la data generando dificultad para identificar patrones o estructuras.

Otro factor podria ser la presencia de datos atípicos o ruido en el conjunto de datos, ya que esto puede afectar negativamente la capacidad de los algoritmos de clustering para identificar patrones coherentes.

Conclusiones

Column

Tras la elaboracion de dicho proyecto se puede decir que:

En cuanto a las regresiones hemos podido identificar que el modelo 3, el cual incluye la variable del ultimo proceso electoral, es el mejor modelo. De esto se deduce que, en la mayoria de comunas en donde ganó el apruebo durante el Plebiscito Nacional Chileno de 2020, habia perdido en la eleccion el candidato Piñera. Esto nos dice que existe una relacion inversamente proporcional y que al mismo tiempo esta variable influye de manera significativa en nuestra variable dependiente.
Tambien se puede decir que tanto el porcentaje de voto femenino como el porcentaje de voto joven, son variables que influyen en el resultado del Plebiscito Chileno. Adecuandolo al contexto de coyuntura sociopolitica, podemos decir que esto era esperable y que refuerza nuestra hipotesis. Esto debido el Plebiscito Chileno del 2020 fue resultado de un estallido social liderado por movimientos juveniles, en donde los diferentes movimientos sociales, incluido el feminismo, tuvieron un rol clave de incidencia politica para llevar a cabo la eleccion de una nueva constitucion para el pais de Chile.
Por ultimo, en cuanto al proceso de clusterizacion, se puede decir que no es una herramienta util para la evaluacion de este tipo de data, pues no nos ha permitido definir hallazgos significativos, sino que mas bien, existe gran numero de datos mal clusterizados en el caso de las estrategias de PAM y AGNEs, e incluso, no se pudo llevar a cabo la estrategia de DIANA.