Proceso construcción del modelo
Mafer Valaguez
2024-05-30
Equipo 1
Priscila Turrubiates Alvarado || A01369207
María Fernanda Valaguez || A01733720
Santiago Flores Pérez || A01234907
Eduardo de la Peña || A01383667
Definición de la pregunta de investigación
Tema de interés
La percepción de las corporaciones policiales según las características sociodemográficas de un individuo
Investigación inicial
Según la encuesta más reciente de Cómo vamos Nuevo León apenas la mitad de la población (52.2%) considera que el trato del policía al ciudadano es de forma respetuosa y menos de la mitad confía en la policía de su colonia y considera que la toma de decisiones de la policía es justa (45% y 42.7%) respectivamente. También se puede resaltar que las corporaciones policiales municipales mejor evaluadas del estado fueron las de San Pedro, el municipio más rico de latinoamérica (El Economista, 2023), mientras que las peores evaluaciones de la policía fueron en los municipios de las periferias. (Cómo vamos Nuevo León, 2023)
Es inevitable notar una aprobación polarizada junto a la diferencia de aprobación entre municipios y no preguntarse si hay una correlación entre las diferencias sociodemográficas de los distintos municipios y la percepción ciudadana sobre las corporaciones policiales.
Aún y con los avances en materia de derechos humanos, es una realidad que en México se siguen vulnerando los derechos de algunos ciudadanos por motivos de raza, color de piel, género, orientación sexual, estrato socioeconómico, apariencia física, etc. “Según la Encuesta Nacional sobre Discriminación del 2017, el 20.2% de la población de 18 años y más ha sido víctima de algún acto discriminatorio […] 30% de las personas ha Sido marginado por su forma de vestir, arreglo personal o por usar tatuajes. Además, el 29.1% ha sido discriminado por su peso o estatura”. (UNAM Global, 2023)
La discrimiación y el perfilamiento racial en encuentros civiles con policías es un tema con vastos estudios en países como Estados Unidos y Brasil, sin embargo poca literatura ni documentación oficial se encuentra sobre este mismo tema en México, aún así en años recientes se ha iniciado más la discusión sobre temas de discriminación en encuentros policiales. Ángel Placenta, rescata un estudio del 2017 por Amnistía Internacional (AI) en cual se concluye con que la discriminación policiál afecta principalmente a hombres jóvenes que viven en pobreza.
Pregunta de investigación
¿Cuál es la probabilidad de que un ciudadano o ciudadana tenga una percepción positiva de las corporaciones policiales del AMM según sus características sociodemográficas?
Limpieza de la base de datos
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, uniongetwd()## [1] "C:/Users/Fercs/OneDrive/Tec de Monterrey/Uni/S4/Ciencia de datos/Victor"setwd("C:/Users/Fercs/OneDrive/Tec de Monterrey/Uni/S4/Ciencia de datos/Victor")
eav<-read.csv("Base-de-datos_Encuesta-Asi-Vamos-2023 - csv.csv",encoding="latin1") #El encoding es para que lea los acentosVariables de interés:
NOM_MUN_MV <- Municipio (queremos sólo AMM y periferia)
Sex_Persona_Entrevistada_MV <- Sexo de la persona entrevistada
CP4_1 <- años cumplidos
P3 <- Durante la semana pasada, ¿cuál fue su principal actividad laboral?
P74 <- ¿Considera que tiene sobrepeso u obesidad?
P93 <- ¿Qué tan seguro se siente en su municipio?
P94 <- ¿En qué lugar se siente más inseguro(a)?
P95 <- En el último año, usted o algún miembro del hogar ¿ha sido víctima de algún delito?
P96 <- Si contestó que sí a la pregunta anterior:¿Denunció?
P97 <- Si denunció: ¿El responsable fue sancionado?
P98 <- ¿Cómo califica la experiencia de su denuncia, del 1 al 10, en donde 1 es “muy mala” y 10 “muy buena”?
P99 <- (Para todos los encuestados), ¿Qué tan probable considera que los delitos denunciados sean investigados y castigados por las autoridades?
P100_1 <- ¿La presencia de policías en su colonia es suficiente?
P100_2 <- ¿La policía de su colonia lo hace sentir más seguro?
P100_3 <- ¿Confía en la policía de su colonia?
P100_4 <-¿El trato del policía al ciudadano es de forma respetuosa?
P100_5 <- ¿Considera que las decisiones y actuar de la policía benefician a las personas en su colonia?
P100_6 <- ¿La policía es justa al tomar decisiones?
P101_1 <- ¿Cómo evalúa el desempeño de los servicios de seguridad? En una escala del 1 al 10, en donde 1 es “muy malo” y 10 “muy bueno” Policía de su Municipio y Barrio
P101_2 <- Idem. Fuerza Civil
P101_3 <- Idem. Guardia Nacional
P101_4 <- Idem. Ejército y Marina
P101_5 <- Idem. Tránsito
P102 <- Durante el último año, ¿ha tenido contacto con la policía o ha requerido de ella?
P103 <- Si respondió que sí a la pregunta anterior, ¿con qué institución tuvo el contacto?
P104_1 <- La policía cumplió con su labor.
P104_2 <- La policía solicitó una mordida o moche.
P104_3 <- Si requirió de la policía, ¿ésta acudió al llamado?
P144 <- FINALMENTE: ¿Cuál es el ingreso mensual total del hogar?
attach(eav)
df_eav<-data.frame(NOM_MUN_MV,Sex_Persona_Entrevistada_MV,CP4_1,P3,P74,P93,P94,P95,P96,P97,P98,P99,P100_1,P100_2,P100_3,P100_4,P100_5,P100_6,P101_1,P101_2,P101_3,P101_4,P101_5,P102,P103,P104_1,P104_2,P104_3,P144,stringsAsFactors = TRUE) #se crea un nuevo dataframe que contenga las columnas de nuestro interés. Datos generales de la población, y variables que podrían estar relacionadas al tema de investigación
head(df_eav) #observar que tipo de variables tenemos## NOM_MUN_MV Sex_Persona_Entrevistada_MV CP4_1 P3 P74 P93 P94 P95 P96 P97 P98
## 1 Apodaca Mujer 45 5 1 3 1 0 NA NA NA
## 2 Apodaca Hombre 68 7 0 1 7 0 NA NA NA
## 3 Apodaca Mujer 35 5 1 2 2 0 NA NA NA
## 4 Apodaca Hombre 35 1 0 4 1 1 0 NA NA
## 5 Apodaca Mujer 57 5 0 4 3 0 NA NA NA
## 6 Apodaca Hombre 25 8 0 1 2 1 0 NA NA
## P99 P100_1 P100_2 P100_3 P100_4 P100_5 P100_6 P101_1 P101_2 P101_3 P101_4
## 1 2 0 0 0 0 0 1 8 7 6 6
## 2 2 1 0 1 0 0 0 7 6 3 4
## 3 2 1 0 0 0 0 0 9 7 7 4
## 4 1 0 0 0 0 0 0 8 9 9 9
## 5 3 1 0 0 0 0 0 9 9 8 7
## 6 1 0 0 0 1 0 0 8 6 6 4
## P101_5 P102 P103 P104_1 P104_2 P104_3 P144
## 1 6 0 NA NA NA NA 4
## 2 4 0 NA NA NA NA 4
## 3 7 0 NA NA NA NA 4
## 4 7 0 NA NA NA NA 4
## 5 7 0 NA NA NA NA 5
## 6 6 1 3 1 0 0 5base<-df_eav%>% #aquí se emmpieza a hacer la limpieza de la base de datos
filter(NOM_MUN_MV%in%c("Apodaca","Cadereyta Jiménez","General Escobedo","García","Guadalupe","Juárez","Monterrey","San Nicolás de los Garza","San Pedro Garza García","Santa Catarina","Santiago","El Carmen","Ciénega de Flores","General Zuazua","Pesquería","Salinas Victoria"))%>%
mutate(municipio=as.factor(NOM_MUN_MV))%>% #se seleccionaron los muinicipios del AMM y periferia, y se cambió el nombre de la variable a "municipio" en forma de factor para que sea más fácil trabajar con ella
mutate(zona=as.factor(ifelse(municipio=="Apodaca","AMM",
ifelse(municipio=="Cadereyta Jiménez","AMM",
ifelse(municipio=="General Escobedo","AMM",
ifelse(municipio=="García","AMM",
ifelse(municipio=="Guadalupe","AMM",
ifelse(municipio=="Juárez","AMM",
ifelse(municipio=="Monterrey","AMM",
ifelse(municipio=="San Nicolás de los Garza","AMM",
ifelse(municipio=="San Pedro Garza García","AMM",
ifelse(municipio=="Santa Catarina","AMM",
ifelse(municipio=="Santiago","AMM",
ifelse(municipio=="El Carmen","Periferia",
ifelse(municipio=="Ciénega de Flores","Periferia",
ifelse(municipio=="General Zuazua","Periferia",
ifelse(municipio=="Pesquería","Periferia",
ifelse(municipio=="Salinas Victoria","Periferia","else"))))))))))))))))))%>%
filter(zona!="else")%>% #Tras haber filtrado por municipios, a cada municipio se le asigna si pertenece al AMM o a la periferia. Esto para evitar que existan muchas variables por cada municipio, eliminar el sesgo de la cantidad de observaciones, y establecer una comparación más simple entre el AMM y la periferia as wholes
mutate(sexo=as.factor(Sex_Persona_Entrevistada_MV))%>% # se renombra la variable a sexo y como factor
mutate(edad=as.numeric(CP4_1))%>% #Se crea la variable edad como dato numérico que sale de la pregunta CP4_1
mutate(empleo=as.factor(ifelse(P3=="1","empleado",
ifelse(P3=="2","Buscando empleo",
ifelse(P3=="3","Estudiante",
ifelse(P3=="4","Independiente",
ifelse(P3=="5","Trabajo doméstico no renumerado",
ifelse(P3=="6","Trabajo doméstico renumerado",
ifelse(P3=="7","Jubilado",
ifelse(P3=="8","NiNi",
ifelse(P3=="9999","NA","NA")))))))))))%>%
filter(empleo!="NA")%>% #De la pregunta P3 se obtiene la variable empleo, donde las respuestas registradas como numéricas se convierten a factores y se les asigna la etiqueta que les corresponde
mutate(sobrepeso=as.numeric(P74))%>%
filter(sobrepeso%in%c(0,1))%>% #La pregunta 74 sobre el sobrepeso, se conserva como dato numérico donde 0 es no y 1 es sí
mutate(nivel.inseguridad=as.numeric(P93))%>%
filter(nivel.inseguridad%in%c(1,2,3,4))%>% #El nivel de inseguridad se conserva como dato numérico y se conservan los registros 1,2,3,4 que corresponden a la percepción de inseguridad
mutate(lugar.inseguridad=as.factor(ifelse(P94=="1","Transporte Público",
ifelse(P94=="2","Vía Pública",
ifelse(P94=="3","Casa",
ifelse(P94=="4","Trabajo",
ifelse(P94=="6","Centros de entretenimiento",
ifelse(P94=="7","No me siento insegurx",
ifelse(P94=="8","En todos lados","NA")))))))))%>%
filter(lugar.inseguridad!="NA")%>% #como en el caso del empleo, se convierte en factor los lugares en donde las personas reportan sentirse más inseguras
mutate(victim=as.numeric(P95))%>%
filter(victim%in%c(0,1))%>% #Se registra si la persona ha sido víctima de un delito como dato numérico, donde 0 es no y 1 es sí
mutate(percepcion.delito.castigado=as.numeric(P99))%>%
filter(percepcion.delito.castigado%in%c(1,2,3,4))%>% #La pregunta 99 se mantiene como numérica y se conservan los valores 1,2,3,4 que corresponden a que tanto cree una persona que un delito cometido sea castigado
mutate(policia.suficiente=as.numeric(P100_1))%>%
filter(policia.suficiente%in%c(0,1))%>% # Como variable numérica, si la persona considera que la policía es suficiente con 0 es no y 1 es sí
mutate(policia.seguro=as.numeric(P100_2))%>%
filter(policia.seguro%in%c(0,1))%>% # Como variable numérica, si la persona considera que la policía le hace sentir seguro con 0 es no y 1 es sí
mutate(policia.confia=as.numeric(P100_3))%>%
filter(policia.confia%in%c(0,1))%>% # Como variable numérica, si la persona confía en la policía con 0 es no y 1 es sí
mutate(policia.respetuoso=as.numeric(P100_4))%>%
filter(policia.respetuoso%in%c(0,1))%>% # Como variable numérica, si la persona considera que la policía es respetuosa con 0 es no y 1 es sí
mutate(policia.beneficio=as.numeric(P100_5))%>%
filter(policia.beneficio%in%c(0,1))%>% # Como variable numérica, si la persona considera que la policía es un beneficio para la comunidad con 0 es no y 1 es sí
mutate(policia.justo=as.numeric(P100_6))%>%
filter(policia.justo%in%c(0,1))%>% # Como variable numérica, si la persona considera que la policía es justa con 0 es no y 1 es sí
mutate(policia.evaluacion=as.numeric(P101_1))%>%
filter(policia.evaluacion%in%c(1,2,3,4,5,6,7,8,9,10))%>% #La evaluación de la policía municipal se da como variable numérica que va del 1 al 10
mutate(fc.evaluacion=as.numeric(P101_2))%>%
filter(fc.evaluacion%in%c(1,2,3,4,5,6,7,8,9,10))%>% #La evaluación de la fuerza civil se da como variable numérica que va del 1 al 10
mutate(gn.evaluacion=as.numeric(P101_3))%>%
filter(gn.evaluacion%in%c(1,2,3,4,5,6,7,8,9,10))%>% #La evaluación de la guardia nacional se da como variable numérica que va del 1 al 10
mutate(ejercito.evaluacion=as.numeric(P101_4))%>%
filter(ejercito.evaluacion%in%c(1,2,3,4,5,6,7,8,9,10))%>% #La evaluación del ejército/marina se da como variable numérica que va del 1 al 10
mutate(transito.evaluacion=as.numeric(P101_5))%>%
filter(transito.evaluacion%in%c(1,2,3,4,5,6,7,8,9,10))%>% #La evaluación de tránsito se da como variable numérica que va del 1 al 10
mutate(contacto.con.policia=as.numeric(P102))%>%
filter(contacto.con.policia%in%c(0,1))%>% #Variable numérica que define si la persona ha tenido contacto con la policía, donde 0 es no y 1 es sí
mutate(maximo.ingreso=as.numeric(ifelse(P144=="1",0,
ifelse(P144=="2",6223,
ifelse(P144=="3",12446,
ifelse(P144=="4",18670,
ifelse(P144=="5",24893,
ifelse(P144=="6",31116,
ifelse(P144=="7",37339,
ifelse(P144=="8",43562,
ifelse(P144=="9",49786,
ifelse(P144=="11",62232,"NA"))))))))))))%>%
filter(maximo.ingreso!="NA")%>% #Se define el ingreso máximo que podría tener el individuo de una observación según los rangos dados por el tabulado de Cómo vamos NL
select(municipio,zona,sexo,edad,empleo,sobrepeso,nivel.inseguridad,lugar.inseguridad,victim,
percepcion.delito.castigado,policia.suficiente,policia.seguro,policia.confia,policia.respetuoso,
policia.beneficio,policia.justo,policia.evaluacion,fc.evaluacion,gn.evaluacion,ejercito.evaluacion,
transito.evaluacion,contacto.con.policia,maximo.ingreso)## Warning: There was 1 warning in `mutate()`.
## ℹ In argument: `maximo.ingreso = as.numeric(...)`.
## Caused by warning:
## ! NAs introducidos por coerciónPor qué se eligieron dichas variables
Se buscaron variables que tuvieran relación con la percepción de seguridad, la percepción de un individuo sobre las corporaciones policiales, y características demográficas que podrían brindar cruces importantes sobre dichas percepciones.
El municipio, sexo, edad, empleo, apariencia física, y nivel socioeconómico de una persona podrían causar que la experiencia del encuentro con corporaciones policiales difiera entre individuos.
Las percepciones de seguridad, el haber sido víctima de un delito, y el proceso de denuncia de dicho delito, también influyen en la relación de una persona con esta rama del poder ejecutivo. De igual forma, para poder determinar si una persona tendrá una percepción positiva del cuerpo policial es importante saber si se confía en este, se le considera respetuoso y justo, y se percibe que tiene un buen desmpeño a lo largo de todas las ramas.
Finalmente, es importante observar si al momento de tener contacto con un cuerpo policial este cumplió con su labor en tiempo y forma, y cómo esto puede afectar la percepción de un individuo sobre la corporación.
Construcción del modelo lineal
Desarrollo del modelo
lm.fit<-lm(policia.evaluacion~.,base)
summary(lm.fit)##
## Call:
## lm(formula = policia.evaluacion ~ ., data = base)
##
## Residuals:
## Min 1Q Median 3Q Max
## -6.2726 -0.5550 0.0229 0.6158 5.2462
##
## Coefficients: (1 not defined because of singularities)
## Estimate Std. Error t value
## (Intercept) 2.869e+00 2.595e-01 11.053
## municipioCadereyta Jiménez -2.172e-01 1.110e-01 -1.957
## municipioCiénega de Flores -6.038e-01 2.241e-01 -2.695
## municipioEl Carmen -3.376e-01 1.483e-01 -2.276
## municipioGarcía -1.638e-01 1.111e-01 -1.474
## municipioGeneral Escobedo -1.113e-01 1.114e-01 -0.999
## municipioGeneral Zuazua -2.663e-01 1.692e-01 -1.574
## municipioGuadalupe -1.101e-02 1.179e-01 -0.093
## municipioJuárez 8.356e-02 1.159e-01 0.721
## municipioMonterrey -1.922e-01 1.323e-01 -1.452
## municipioPesquería -5.053e-01 1.405e-01 -3.597
## municipioSalinas Victoria -8.166e-02 1.648e-01 -0.495
## municipioSan Nicolás de los Garza 1.590e-01 1.089e-01 1.461
## municipioSan Pedro Garza García 9.815e-03 1.137e-01 0.086
## municipioSanta Catarina -1.102e-01 1.135e-01 -0.970
## municipioSantiago -1.285e-01 1.094e-01 -1.175
## zonaPeriferia NA NA NA
## sexoMujer -1.137e-01 5.838e-02 -1.948
## edad -3.080e-03 1.822e-03 -1.690
## empleoempleado -3.053e-02 1.458e-01 -0.209
## empleoEstudiante 1.175e-01 2.127e-01 0.552
## empleoIndependiente 9.417e-02 1.568e-01 0.601
## empleoJubilado 2.088e-01 1.643e-01 1.271
## empleoNiNi 3.964e-02 1.576e-01 0.251
## empleoTrabajo doméstico no renumerado 2.074e-01 1.552e-01 1.337
## empleoTrabajo doméstico renumerado 2.320e-01 2.914e-01 0.796
## sobrepeso -1.304e-01 6.451e-02 -2.021
## nivel.inseguridad -1.165e-01 3.738e-02 -3.115
## lugar.inseguridadCentros de entretenimiento -9.513e-01 1.501e-01 -6.340
## lugar.inseguridadEn todos lados -6.976e-01 1.115e+00 -0.626
## lugar.inseguridadNo me siento insegurx -7.567e-01 1.171e-01 -6.463
## lugar.inseguridadTrabajo -5.743e-01 3.345e-01 -1.717
## lugar.inseguridadTransporte Público -4.343e-01 1.324e-01 -3.279
## lugar.inseguridadVía Pública -6.279e-01 1.072e-01 -5.857
## victim 3.345e-02 8.613e-02 0.388
## percepcion.delito.castigado -9.499e-02 2.515e-02 -3.777
## policia.suficiente 1.835e-01 7.131e-02 2.573
## policia.seguro -8.687e-02 1.052e-01 -0.826
## policia.confia 4.057e-01 1.047e-01 3.875
## policia.respetuoso 9.364e-02 9.114e-02 1.027
## policia.beneficio 1.104e-01 9.483e-02 1.164
## policia.justo 2.638e-01 9.379e-02 2.812
## fc.evaluacion 5.040e-01 2.142e-02 23.528
## gn.evaluacion 1.091e-01 2.888e-02 3.776
## ejercito.evaluacion -1.764e-01 2.499e-02 -7.058
## transito.evaluacion 2.634e-01 1.200e-02 21.948
## contacto.con.policia -1.978e-01 9.885e-02 -2.001
## maximo.ingreso 1.965e-05 3.584e-06 5.483
## Pr(>|t|)
## (Intercept) < 2e-16 ***
## municipioCadereyta Jiménez 0.050423 .
## municipioCiénega de Flores 0.007094 **
## municipioEl Carmen 0.022927 *
## municipioGarcía 0.140551
## municipioGeneral Escobedo 0.317957
## municipioGeneral Zuazua 0.115610
## municipioGuadalupe 0.925571
## municipioJuárez 0.470964
## municipioMonterrey 0.146525
## municipioPesquería 0.000328 ***
## municipioSalinas Victoria 0.620361
## municipioSan Nicolás de los Garza 0.144240
## municipioSan Pedro Garza García 0.931187
## municipioSanta Catarina 0.332084
## municipioSantiago 0.240209
## zonaPeriferia NA
## sexoMujer 0.051478 .
## edad 0.091061 .
## empleoempleado 0.834182
## empleoEstudiante 0.580798
## empleoIndependiente 0.548074
## empleoJubilado 0.203827
## empleoNiNi 0.801468
## empleoTrabajo doméstico no renumerado 0.181497
## empleoTrabajo doméstico renumerado 0.426146
## sobrepeso 0.043360 *
## nivel.inseguridad 0.001858 **
## lugar.inseguridadCentros de entretenimiento 2.72e-10 ***
## lugar.inseguridadEn todos lados 0.531554
## lugar.inseguridadNo me siento insegurx 1.23e-10 ***
## lugar.inseguridadTrabajo 0.086107 .
## lugar.inseguridadTransporte Público 0.001056 **
## lugar.inseguridadVía Pública 5.35e-09 ***
## victim 0.697780
## percepcion.delito.castigado 0.000163 ***
## policia.suficiente 0.010143 *
## policia.seguro 0.408918
## policia.confia 0.000109 ***
## policia.respetuoso 0.304286
## policia.beneficio 0.244486
## policia.justo 0.004961 **
## fc.evaluacion < 2e-16 ***
## gn.evaluacion 0.000163 ***
## ejercito.evaluacion 2.18e-12 ***
## transito.evaluacion < 2e-16 ***
## contacto.con.policia 0.045495 *
## maximo.ingreso 4.60e-08 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.095 on 2480 degrees of freedom
## Multiple R-squared: 0.722, Adjusted R-squared: 0.7168
## F-statistic: 140 on 46 and 2480 DF, p-value: < 2.2e-16lm.fit2<-lm(policia.evaluacion~.-municipio,base) #se elimina la variable municipio para no ser redundante con zona, lo cual permite calcular pvalues y betas para las dos zonas
summary(lm.fit2)##
## Call:
## lm(formula = policia.evaluacion ~ . - municipio, data = base)
##
## Residuals:
## Min 1Q Median 3Q Max
## -6.3816 -0.5412 0.0378 0.6178 5.5796
##
## Coefficients:
## Estimate Std. Error t value
## (Intercept) 2.762e+00 2.433e-01 11.352
## zonaPeriferia -2.695e-01 6.846e-02 -3.937
## sexoMujer -1.156e-01 5.839e-02 -1.980
## edad -2.664e-03 1.802e-03 -1.479
## empleoempleado -2.928e-02 1.454e-01 -0.201
## empleoEstudiante 1.375e-01 2.119e-01 0.649
## empleoIndependiente 9.722e-02 1.566e-01 0.621
## empleoJubilado 2.257e-01 1.640e-01 1.376
## empleoNiNi 7.070e-02 1.568e-01 0.451
## empleoTrabajo doméstico no renumerado 2.144e-01 1.544e-01 1.389
## empleoTrabajo doméstico renumerado 1.847e-01 2.912e-01 0.634
## sobrepeso -1.230e-01 6.415e-02 -1.917
## nivel.inseguridad -1.124e-01 3.678e-02 -3.055
## lugar.inseguridadCentros de entretenimiento -9.766e-01 1.498e-01 -6.520
## lugar.inseguridadEn todos lados -5.172e-01 1.115e+00 -0.464
## lugar.inseguridadNo me siento insegurx -7.779e-01 1.153e-01 -6.744
## lugar.inseguridadTrabajo -5.317e-01 3.348e-01 -1.588
## lugar.inseguridadTransporte Público -4.302e-01 1.301e-01 -3.307
## lugar.inseguridadVía Pública -6.450e-01 1.058e-01 -6.096
## victim 3.538e-02 8.599e-02 0.411
## percepcion.delito.castigado -1.040e-01 2.478e-02 -4.196
## policia.suficiente 2.144e-01 7.099e-02 3.020
## policia.seguro -9.558e-02 1.050e-01 -0.910
## policia.confia 4.216e-01 1.046e-01 4.032
## policia.respetuoso 9.055e-02 9.068e-02 0.999
## policia.beneficio 9.207e-02 9.440e-02 0.975
## policia.justo 2.659e-01 9.381e-02 2.835
## fc.evaluacion 5.043e-01 2.142e-02 23.537
## gn.evaluacion 1.034e-01 2.886e-02 3.583
## ejercito.evaluacion -1.741e-01 2.488e-02 -7.000
## transito.evaluacion 2.660e-01 1.191e-02 22.336
## contacto.con.policia -1.984e-01 9.876e-02 -2.009
## maximo.ingreso 2.243e-05 3.405e-06 6.588
## Pr(>|t|)
## (Intercept) < 2e-16 ***
## zonaPeriferia 8.49e-05 ***
## sexoMujer 0.047820 *
## edad 0.139341
## empleoempleado 0.840463
## empleoEstudiante 0.516343
## empleoIndependiente 0.534709
## empleoJubilado 0.168835
## empleoNiNi 0.652184
## empleoTrabajo doméstico no renumerado 0.165018
## empleoTrabajo doméstico renumerado 0.525917
## sobrepeso 0.055347 .
## nivel.inseguridad 0.002271 **
## lugar.inseguridadCentros de entretenimiento 8.49e-11 ***
## lugar.inseguridadEn todos lados 0.642768
## lugar.inseguridadNo me siento insegurx 1.91e-11 ***
## lugar.inseguridadTrabajo 0.112388
## lugar.inseguridadTransporte Público 0.000956 ***
## lugar.inseguridadVía Pública 1.25e-09 ***
## victim 0.680744
## percepcion.delito.castigado 2.81e-05 ***
## policia.suficiente 0.002556 **
## policia.seguro 0.362673
## policia.confia 5.70e-05 ***
## policia.respetuoso 0.318113
## policia.beneficio 0.329453
## policia.justo 0.004621 **
## fc.evaluacion < 2e-16 ***
## gn.evaluacion 0.000346 ***
## ejercito.evaluacion 3.29e-12 ***
## transito.evaluacion < 2e-16 ***
## contacto.con.policia 0.044629 *
## maximo.ingreso 5.41e-11 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.098 on 2494 degrees of freedom
## Multiple R-squared: 0.7187, Adjusted R-squared: 0.7151
## F-statistic: 199.1 on 32 and 2494 DF, p-value: < 2.2e-16Interpretación de resultados
Finalmente, el modelo que decidimos usar fue tomando las zonas geográficas como zona metropolitana y periferia en vez de hacerlo por cada municipio. A continuación las variables que resultaron significativas y sus coeficientes:
El Intercepto (2.762) representa que de inicio, una persona evaluaría la policía municipal con un 2.7 de 10 puntos posibles. Sin embargo si la persona vive en un municipio en periferia la evaluación a la policía municipal disminuye -2.695e-01, si la persona es mujer también representa una relación negativa de -1.156e-01. El sobrepeso en una persona también significa que es probable que la evaluación al policía disminuya(-1.230e-01). Hablando sobre percepción de inseguridad, las siguientes variables representan un decremento en la evaluación a la policía municipal: nivel.inseguridad -1.124e-01 lugar.inseguridadCentros de entretenimiento -9.766e-01 lugar.inseguridadNo me siento insegurx -7.779e-01 lugar.inseguridadTransporte Público -4.302e-01 lugar.inseguridadVía Pública -6.450e-01 percepcion.delito.castigado -1.040e-01 Entre mayor sea la percepción de la inseguridad de una persona en los ámbitos previos, más disminuirá la evaluación que le da a la policía municipal en el grado del coeficiente de cada uno.
las últimas dos variables que muestran una relación negativa con la evaluación al policía municipal son contacto.con.policia (-1.984e-01) y ejercito.evaluacion (-1.741e-01), es decir, si han tenido algún contacto con la policía y si evaluaron bien al ejército.
Por el otro lado, aquellas varaibels que representarían un aumento en la evaluación de un ciudadano hacia la policía municipal son: que haya suficientes policías (2.144e-01), que tenga confianza a la policía (4.216e-01), que perciba a la policía como justa en sus decisiones (2.659e-01), que evalúe bien al policía de tránsito (2.660e-01), entre mayor sea el ingreso máximo del hogar irá aumentando la evaluación en 2.243e-05, por útlimo fc.evaluacion (5.043e-01) y gn.evaluacion (1.034e-01)
Validación Cruzada (LOOCV)
library (boot) #Se llama a la librería boot
glm.fit<-glm(policia.evaluacion~.-municipio-empleo-lugar.inseguridad,data=base) #Se crea un modelo con glm, pero lineal, para poder usar la función cv.glm
base_sin<-subset(base,select=-c(lugar.inseguridad))#Se crea una base sin lugar de inseguridad para corregir el error de nuevo nivel en el factor
glm.fit2<-glm(policia.evaluacion~.-municipio-empleo,data=base_sin) #Se crea nueva función glm con la nueva base de datos que corrige el error de los niveles
cv.err<-cv.glm(base_sin, glm.fit2) #Se corre la función cv.glm para obtener la lista de varios componentes
cv.err$delta #Se obtienen los números del vector delta para obtener los MSE## [1] 1.252268 1.252263Validación cruzada K-fold
cv.error.10<-rep(0,10)
for (i in 1:10) {
glm.fitK<-glm(policia.evaluacion~.-municipio-empleo,data=base_sin)
cv.error.10[i]<-cv.glm(base_sin,glm.fitK,K=50)$delta[1]
}
cv.error.10## [1] 1.252991 1.252455 1.250983 1.252025 1.252005 1.252860 1.250746 1.253262
## [9] 1.253594 1.252727# Se hace un método de K-fold para valores del 1 al 10, usando la misma regresión logística que se usó en el LOOCV. Se utilizó una K de 50Bootstrap
library(boot)
boot.fn<-function(data,index){
return(coef(lm(policia.evaluacion~.-municipio-empleo-lugar.inseguridad,base,subset=index)))
} # Se eliminaron las variables que estaban en forma de factores para que al hacer el bootstrap los items a reemplazar fueran múltiplos de la longitud del reemplazo
boot.fn(base,1:2527)## (Intercept) zonaPeriferia
## 2.032008e+00 -2.681423e-01
## sexoMujer edad
## 2.141047e-03 4.754548e-04
## sobrepeso nivel.inseguridad
## -1.083764e-01 -5.277428e-02
## victim percepcion.delito.castigado
## 4.512804e-02 -1.351023e-01
## policia.suficiente policia.seguro
## 2.175784e-01 -1.288799e-01
## policia.confia policia.respetuoso
## 3.995490e-01 3.927523e-02
## policia.beneficio policia.justo
## 1.036861e-01 2.622586e-01
## fc.evaluacion gn.evaluacion
## 5.095923e-01 1.038144e-01
## ejercito.evaluacion transito.evaluacion
## -1.988326e-01 2.797354e-01
## contacto.con.policia maximo.ingreso
## -1.771805e-01 2.451229e-05boot(base,boot.fn,1000)##
## ORDINARY NONPARAMETRIC BOOTSTRAP
##
##
## Call:
## boot(data = base, statistic = boot.fn, R = 1000)
##
##
## Bootstrap Statistics :
## original bias std. error
## t1* 2.032008e+00 -1.096219e-02 2.123177e-01
## t2* -2.681423e-01 2.322904e-04 8.464516e-02
## t3* 2.141047e-03 2.162706e-03 4.651337e-02
## t4* 4.754548e-04 3.405337e-05 1.385899e-03
## t5* -1.083764e-01 -2.050698e-03 6.895937e-02
## t6* -5.277428e-02 1.406811e-04 3.930072e-02
## t7* 4.512804e-02 4.458127e-03 9.772886e-02
## t8* -1.351023e-01 1.444579e-03 2.498001e-02
## t9* 2.175784e-01 -1.033235e-03 7.843195e-02
## t10* -1.288799e-01 -5.083236e-03 1.280292e-01
## t11* 3.995490e-01 3.048303e-03 1.224951e-01
## t12* 3.927523e-02 -5.300800e-03 9.423149e-02
## t13* 1.036861e-01 1.882791e-03 1.093561e-01
## t14* 2.622586e-01 6.634981e-03 1.047219e-01
## t15* 5.095923e-01 -4.177696e-04 2.884335e-02
## t16* 1.038144e-01 -1.261169e-03 3.602903e-02
## t17* -1.988326e-01 1.716113e-03 2.964545e-02
## t18* 2.797354e-01 1.249482e-04 1.389844e-02
## t19* -1.771805e-01 -2.276421e-03 1.153105e-01
## t20* 2.451229e-05 1.356635e-07 3.517045e-06Best sub-set selection
library(leaps)
regit.full<-regsubsets(policia.evaluacion~.-municipio-empleo-lugar.inseguridad,base)
summary(regit.full)## Subset selection object
## Call: regsubsets.formula(policia.evaluacion ~ . - municipio - empleo -
## lugar.inseguridad, base)
## 19 Variables (and intercept)
## Forced in Forced out
## zonaPeriferia FALSE FALSE
## sexoMujer FALSE FALSE
## edad FALSE FALSE
## sobrepeso FALSE FALSE
## nivel.inseguridad FALSE FALSE
## victim FALSE FALSE
## percepcion.delito.castigado FALSE FALSE
## policia.suficiente FALSE FALSE
## policia.seguro FALSE FALSE
## policia.confia FALSE FALSE
## policia.respetuoso FALSE FALSE
## policia.beneficio FALSE FALSE
## policia.justo FALSE FALSE
## fc.evaluacion FALSE FALSE
## gn.evaluacion FALSE FALSE
## ejercito.evaluacion FALSE FALSE
## transito.evaluacion FALSE FALSE
## contacto.con.policia FALSE FALSE
## maximo.ingreso FALSE FALSE
## 1 subsets of each size up to 8
## Selection Algorithm: exhaustive
## zonaPeriferia sexoMujer edad sobrepeso nivel.inseguridad victim
## 1 ( 1 ) " " " " " " " " " " " "
## 2 ( 1 ) " " " " " " " " " " " "
## 3 ( 1 ) " " " " " " " " " " " "
## 4 ( 1 ) " " " " " " " " " " " "
## 5 ( 1 ) " " " " " " " " " " " "
## 6 ( 1 ) " " " " " " " " " " " "
## 7 ( 1 ) " " " " " " " " " " " "
## 8 ( 1 ) "*" " " " " " " " " " "
## percepcion.delito.castigado policia.suficiente policia.seguro
## 1 ( 1 ) " " " " " "
## 2 ( 1 ) " " " " " "
## 3 ( 1 ) " " " " " "
## 4 ( 1 ) " " " " " "
## 5 ( 1 ) " " " " " "
## 6 ( 1 ) "*" " " " "
## 7 ( 1 ) "*" " " " "
## 8 ( 1 ) "*" " " " "
## policia.confia policia.respetuoso policia.beneficio policia.justo
## 1 ( 1 ) " " " " " " " "
## 2 ( 1 ) " " " " " " " "
## 3 ( 1 ) "*" " " " " " "
## 4 ( 1 ) "*" " " " " " "
## 5 ( 1 ) "*" " " " " " "
## 6 ( 1 ) "*" " " " " " "
## 7 ( 1 ) "*" " " " " "*"
## 8 ( 1 ) "*" " " " " "*"
## fc.evaluacion gn.evaluacion ejercito.evaluacion transito.evaluacion
## 1 ( 1 ) "*" " " " " " "
## 2 ( 1 ) "*" " " " " "*"
## 3 ( 1 ) "*" " " " " "*"
## 4 ( 1 ) "*" " " " " "*"
## 5 ( 1 ) "*" " " "*" "*"
## 6 ( 1 ) "*" " " "*" "*"
## 7 ( 1 ) "*" " " "*" "*"
## 8 ( 1 ) "*" " " "*" "*"
## contacto.con.policia maximo.ingreso
## 1 ( 1 ) " " " "
## 2 ( 1 ) " " " "
## 3 ( 1 ) " " " "
## 4 ( 1 ) " " "*"
## 5 ( 1 ) " " "*"
## 6 ( 1 ) " " "*"
## 7 ( 1 ) " " "*"
## 8 ( 1 ) " " "*"regfit.full <- regsubsets (policia.evaluacion~.-municipio-empleo-lugar.inseguridad,base ,nvmax =19)
reg.summary <- summary (regfit.full)
reg.summary## Subset selection object
## Call: regsubsets.formula(policia.evaluacion ~ . - municipio - empleo -
## lugar.inseguridad, base, nvmax = 19)
## 19 Variables (and intercept)
## Forced in Forced out
## zonaPeriferia FALSE FALSE
## sexoMujer FALSE FALSE
## edad FALSE FALSE
## sobrepeso FALSE FALSE
## nivel.inseguridad FALSE FALSE
## victim FALSE FALSE
## percepcion.delito.castigado FALSE FALSE
## policia.suficiente FALSE FALSE
## policia.seguro FALSE FALSE
## policia.confia FALSE FALSE
## policia.respetuoso FALSE FALSE
## policia.beneficio FALSE FALSE
## policia.justo FALSE FALSE
## fc.evaluacion FALSE FALSE
## gn.evaluacion FALSE FALSE
## ejercito.evaluacion FALSE FALSE
## transito.evaluacion FALSE FALSE
## contacto.con.policia FALSE FALSE
## maximo.ingreso FALSE FALSE
## 1 subsets of each size up to 19
## Selection Algorithm: exhaustive
## zonaPeriferia sexoMujer edad sobrepeso nivel.inseguridad victim
## 1 ( 1 ) " " " " " " " " " " " "
## 2 ( 1 ) " " " " " " " " " " " "
## 3 ( 1 ) " " " " " " " " " " " "
## 4 ( 1 ) " " " " " " " " " " " "
## 5 ( 1 ) " " " " " " " " " " " "
## 6 ( 1 ) " " " " " " " " " " " "
## 7 ( 1 ) " " " " " " " " " " " "
## 8 ( 1 ) "*" " " " " " " " " " "
## 9 ( 1 ) "*" " " " " " " " " " "
## 10 ( 1 ) "*" " " " " " " " " " "
## 11 ( 1 ) "*" " " " " "*" " " " "
## 12 ( 1 ) "*" " " " " "*" " " " "
## 13 ( 1 ) "*" " " " " "*" "*" " "
## 14 ( 1 ) "*" " " " " "*" "*" " "
## 15 ( 1 ) "*" " " " " "*" "*" " "
## 16 ( 1 ) "*" " " " " "*" "*" "*"
## 17 ( 1 ) "*" " " " " "*" "*" "*"
## 18 ( 1 ) "*" " " "*" "*" "*" "*"
## 19 ( 1 ) "*" "*" "*" "*" "*" "*"
## percepcion.delito.castigado policia.suficiente policia.seguro
## 1 ( 1 ) " " " " " "
## 2 ( 1 ) " " " " " "
## 3 ( 1 ) " " " " " "
## 4 ( 1 ) " " " " " "
## 5 ( 1 ) " " " " " "
## 6 ( 1 ) "*" " " " "
## 7 ( 1 ) "*" " " " "
## 8 ( 1 ) "*" " " " "
## 9 ( 1 ) "*" " " " "
## 10 ( 1 ) "*" "*" " "
## 11 ( 1 ) "*" "*" " "
## 12 ( 1 ) "*" "*" " "
## 13 ( 1 ) "*" "*" " "
## 14 ( 1 ) "*" "*" " "
## 15 ( 1 ) "*" "*" "*"
## 16 ( 1 ) "*" "*" "*"
## 17 ( 1 ) "*" "*" "*"
## 18 ( 1 ) "*" "*" "*"
## 19 ( 1 ) "*" "*" "*"
## policia.confia policia.respetuoso policia.beneficio policia.justo
## 1 ( 1 ) " " " " " " " "
## 2 ( 1 ) " " " " " " " "
## 3 ( 1 ) "*" " " " " " "
## 4 ( 1 ) "*" " " " " " "
## 5 ( 1 ) "*" " " " " " "
## 6 ( 1 ) "*" " " " " " "
## 7 ( 1 ) "*" " " " " "*"
## 8 ( 1 ) "*" " " " " "*"
## 9 ( 1 ) "*" " " " " "*"
## 10 ( 1 ) "*" " " " " "*"
## 11 ( 1 ) "*" " " " " "*"
## 12 ( 1 ) "*" " " " " "*"
## 13 ( 1 ) "*" " " " " "*"
## 14 ( 1 ) "*" " " "*" "*"
## 15 ( 1 ) "*" " " "*" "*"
## 16 ( 1 ) "*" " " "*" "*"
## 17 ( 1 ) "*" "*" "*" "*"
## 18 ( 1 ) "*" "*" "*" "*"
## 19 ( 1 ) "*" "*" "*" "*"
## fc.evaluacion gn.evaluacion ejercito.evaluacion transito.evaluacion
## 1 ( 1 ) "*" " " " " " "
## 2 ( 1 ) "*" " " " " "*"
## 3 ( 1 ) "*" " " " " "*"
## 4 ( 1 ) "*" " " " " "*"
## 5 ( 1 ) "*" " " "*" "*"
## 6 ( 1 ) "*" " " "*" "*"
## 7 ( 1 ) "*" " " "*" "*"
## 8 ( 1 ) "*" " " "*" "*"
## 9 ( 1 ) "*" "*" "*" "*"
## 10 ( 1 ) "*" "*" "*" "*"
## 11 ( 1 ) "*" "*" "*" "*"
## 12 ( 1 ) "*" "*" "*" "*"
## 13 ( 1 ) "*" "*" "*" "*"
## 14 ( 1 ) "*" "*" "*" "*"
## 15 ( 1 ) "*" "*" "*" "*"
## 16 ( 1 ) "*" "*" "*" "*"
## 17 ( 1 ) "*" "*" "*" "*"
## 18 ( 1 ) "*" "*" "*" "*"
## 19 ( 1 ) "*" "*" "*" "*"
## contacto.con.policia maximo.ingreso
## 1 ( 1 ) " " " "
## 2 ( 1 ) " " " "
## 3 ( 1 ) " " " "
## 4 ( 1 ) " " "*"
## 5 ( 1 ) " " "*"
## 6 ( 1 ) " " "*"
## 7 ( 1 ) " " "*"
## 8 ( 1 ) " " "*"
## 9 ( 1 ) " " "*"
## 10 ( 1 ) " " "*"
## 11 ( 1 ) " " "*"
## 12 ( 1 ) "*" "*"
## 13 ( 1 ) "*" "*"
## 14 ( 1 ) "*" "*"
## 15 ( 1 ) "*" "*"
## 16 ( 1 ) "*" "*"
## 17 ( 1 ) "*" "*"
## 18 ( 1 ) "*" "*"
## 19 ( 1 ) "*" "*"names(reg.summary )## [1] "which" "rsq" "rss" "adjr2" "cp" "bic" "outmat" "obj"reg.summary$rsq## [1] 0.5186147 0.6477194 0.6762190 0.6884457 0.6965743 0.7015728 0.7040070
## [8] 0.7060086 0.7075185 0.7085620 0.7088972 0.7092033 0.7094851 0.7096393
## [15] 0.7098019 0.7098350 0.7098551 0.7098673 0.7098676par(mfrow =c(2,2))
plot(reg.summary$rss ,xlab=" Number of Variables ",ylab=" RSS", type="l")
plot(reg.summary$adjr2 ,xlab =" Number of Variables ", ylab=" Adjusted RSq",type="l")
which.max (reg.summary$adjr2) ## [1] 15plot(reg.summary$adjr2 ,xlab =" Number of Variables ", ylab=" Adjusted RSq",type="l")
points(15,reg.summary$adjr2[15],col ="red",cex =2, pch =20)
par(mfrow =c(2,2))
plot(reg.summary$cp ,xlab =" Number of Variables ",ylab="Cp", type="l")
which.min (reg.summary$cp )## [1] 13points (13, reg.summary$cp[13], col ="red",cex =2, pch =20)
which.min (reg.summary$bic )## [1] 10plot(reg.summary$bic ,xlab=" Number of Variables ",ylab=" BIC",type="l")
points (10, reg.summary$bic[10], col =" red",cex =2, pch =20)
plot(regfit.full ,scale ="r2")
plot(regfit.full ,scale ="adjr2")
plot(regfit.full ,scale ="Cp")
plot(regfit.full ,scale ="bic")
Variables que siempre salen significativas
Zona, delito castigado, policía suficiente, policía confía, policía justo, todas las evaluaciones(fuerza civil, guardia nacional, ejército, tránsito), máximo ingreso.
Variables significativas 3 de 4 veces
sobrepeso, nivel de inseguridad,contacto con la policía.
coef(regit.full,8)## (Intercept) zonaPeriferia
## 1.9118588596 -0.2819264130
## percepcion.delito.castigado policia.confia
## -0.1432287215 0.4849579547
## policia.justo fc.evaluacion
## 0.3595452952 0.5347941811
## ejercito.evaluacion transito.evaluacion
## -0.1253867067 0.2902504209
## maximo.ingreso
## 0.0000252237\(policia.evaluacion=1.91-0.28(zona)-0.14(delito.castigado)+0.49(policia.confia)+0.36(policia.justo)+0.53(fc.evaluacion)-0.13(ejrcto.evaluacion)+0.29(trnsto.evaluacion)\)