Introducción

Según la Contraloría General de la República estimó que, en 2023, la corrupción y la mala conducta funcional costaron alrededor de S/ 24 268 millones, representando el 12.7% del presupuesto público ejecutado en 2022 (2023). Estas cifras demuestran el interés de analizar la corrupción. Así, el interés que conduce este trabajo es el de establecer como tema principal el estudio estadístico de la corrupción, ya que posibilita explicar, en base a los datos proporcionados por entidades peruanas, cómo existen diferentes factores, tanto sociales, económicos e institucionales, que logran tener influencia en los niveles de corrupción del Perú.

NUESTRAS VARIABLES

Específicamente, para este trabajo, se utilizará como variable dependiente al Índice de Corrupción del 2022. En consecuencia, las variables independientes que se emplean para generar una explicación a la variable dependiente serán: Canon minero, tipo de organización política y cantidad de hogares dependientes. Por último, se emplearán como variables de control a la cantidad de población de cada provincia y a la cantidad de trabajadores municipales. Cabe recalcar que todas las variables son del año 2022.

PROVENIENCIA DE VARIABLES

Para realizar el proceso estadístico, en primera instancia, se recolectaron los datos de las variables de distintas páginas de internet, que fueran del año 2022. En el caso de la variable corrupción, se utilizó los datos proporcionados por el Observatorio Nacional Anticorrupción de la Contraloría. Respecto a la variable “tipo de organización política” fue descargada del Observatorio para la Gobernabilidad del JNE. Por último, tanto las variables independientes restantes, “Hogares con alta dependencia económica” y “Transferencia por canon a las municipalidades provinciales”, como las variables de control, “Población proyectada” y “población proyectada”, se obtuvieron del Sistema de Información Regional para la Toma de Decisiones del INEI.

HISTOGRAMA DEL INDICE DE CORRUPCIÓN

BOXPLOT

Matriz de correlacion

Interpretacion

En miras de crear un modelo de regresión lineal, se realiza una matriz de correlación para poder relacionar las variables de estudio. Se puede observar que existen correlación entre las variables que estamos presentando con el índice de corrupción. Las que tienen mayor correlación son nuestras variables designadas de control (la población y el número de trabajadores en las municiapalidades). Como se demuestra, las variables de control están capturando adecuadamente la variabilidad de la variable dependiente. Esto es deseable para obtener un buen ajuste del modelo, y, también, para que los coeficientes estimados sean representativos de las relaciones verdaderas en los datos. Sin embargo, se debe tener cuidado con la multicolinealidad, por esta razón, se requiere de un análisis de los supuestos, de tal forma que se pueda saber la fidelidad del modelo. Asimismo, encontramos que nuestras variables independientes, a pesar de tener menor correlación, sí poseen niveles de correlación (altos y bajos). Por lo que es valido continuar con el modelo de linealidad.

HOGARES DEPENDIENTES

CANON

Movimiento regional

# A tibble: 2 × 2
  TIPO_OP Media_INCO2022
  <fct>            <dbl>
1 0                 43.0
2 1                 38.8

HOGARES DEPENDIENTES

En el gráfico se puede observar que hay una tendencia de que, a mayor cantidad de hogares dependientes económicamente, mayor resultará el Índice de Corrupción de la provincia, sin embargo, la dispersión de los datos puede identificarse como alta, cuando hay menos cantidad de hogares dependiendo económicamente.

CANON

En la variable Canon, se puede observar que hay una gran dispersión entre las provincias que han recibido una menor cantidad de Canon;sin embargo, solo con el gráfico proporcionado no es posible observar una tendencia entre estas dos variables.

MOVIMIENTO REGIONAL

En este caso, nuestra variable independiente “Movimiento regional” es categórica dicotómica, donde 1 implica que sí es un “Movimiento regional” y 0 indica que no hay “Movimiento regional”. Esto demuestra que existe otro tipo de organización política como, por ejemplo, los partidos regionales o alianzas regionales. Lo más resaltante es que podemos observar que, en promedio las provincias con movimientos regionales tienden a tener un menor indice de corrupción.

Hipotesis 1

Hipotesis 2

Hipotesis 3

Comparacion

Interpretación

• Hipotesis 1: El canon tiene un impacto directo en el índice de corrupción

Generamos un modelo para averiguar si estas dos variables se impactan entre ellas, ponemos como variable de control a la poblacion. En este modelo observamos que si hay una significancia entre las dos variables y el efecto es positivo. Es decir el aumento del canon si tiene efecto significativamente en el indice de corrupcion pero su efecto es minimo es por ello que en la tabla no llega a aparecer los decimales.

• Hipotesis 2: La cantidad de hogares dependientes como el canon afectan conjuntamente dicho índice

Igualmente ambas variables son significativas pero en este caso el numero de hogares implica un mayor efecto en el indice de corrupcion de las provincias.

• Hipotesis 3: El tipo de organización política, en combinación con la cantidad de hogares dependientes y el canon, inciden en el nivel de corrupción

Todas las variables son significativas excepto la poblacion que es nuestra variables de control, pero en este modelo vemos que el tipo de organizacion politica(TIPO_op), tiene un efecto negativo es decir que mientras exista presencia de movimiento regional el indice de corrupcion es menor. Esto ya lo habiamos planteado antes pero ahora si podemos asegurarlo.

Comparación

1 Principio de la linealidad

2 Homocedasticidad

3 Normalidad de Residuos

4 NO Multicolinealidad

5 VALORES INFLUYENTES

Interpretacion:

El principio de linealidad si se cumple pero el de homocedasticina no yaque es muchos menor a 0.05 el valor segun el test de Breush Pragan debe ser mayor no menor como lo es en este caso. Respecto a la normalidad de residuos, mediante el test de Shapiro Wilk se detecta un resultado de 0.3339147, el cual es mayor a 0.05. Asimismo, el principio de no multicolinealidad se cumple, ya que tanto la variable de canon minero (1.125481), hogares dependientes (1.627534) y tipo de organización política (1.006356) presentan valor menor a 3. Por último, debido a que se retiraron las provincias de Lima y La Convención, se demuestra que no existen valores influyentes en este modelo.

Modelo 4

1 Principio de la linealidad

2 Homocedasticidad

3 Normalidad de Residuos

4 NO Multicolinealidad

5 VALORES INFLUYENTES

Interpretacion:

A pesar de que se retiraron las provincias de La Convención, Cusco, y Lima, del departamento de Lima, se puede observar que no hay una mejora de los supuestos de la regresión lineal. Por lo que, se ha decidido mantener la hipótesis 3, previamnete planteada.

Matriz de correlacion

                CANON POBLACION INCO2022 CANT_TRABAJADOR HOGARES_DEP
CANON            1.00      0.04     0.27            0.22        0.05
POBLACION        0.04      1.00     0.25            0.85        0.74
INCO2022         0.27      0.25     1.00            0.48        0.40
CANT_TRABAJADOR  0.22      0.85     0.48            1.00        0.79
HOGARES_DEP      0.05      0.74     0.40            0.79        1.00

Evaluaciones

Kaiser-Meyer-Olkin factor adequacy
Call: psych::KMO(r = corMatrix)
Overall MSA =  0.69
MSA for each item = 
          CANON       POBLACION        INCO2022 CANT_TRABAJADOR     HOGARES_DEP 
           0.42            0.66            0.65            0.66            0.85 

[1] FALSE

[1] FALSE

Factores

Parallel analysis suggests that the number of factors =  2  and the number of components =  NA 

Loadings:
                MR1   MR2  
CANON                 0.422
POBLACION       0.940      
INCO2022        0.281 0.627
CANT_TRABAJADOR 0.885 0.400
HOGARES_DEP     0.798 0.218

                 MR1   MR2
SS loadings    2.384 0.779
Proportion Var 0.477 0.156
Cumulative Var 0.477 0.632

Comprobacion de los factores

          CANON        INCO2022     HOGARES_DEP       POBLACION CANT_TRABAJADOR 
      0.1786224       0.4718342       0.6843683       0.8836501       0.9438040 

      POBLACION           CANON     HOGARES_DEP        INCO2022 CANT_TRABAJADOR 
       1.000065        1.004420        1.148377        1.385997        1.391752 

[1] 0.8255969

[1] 0.02820522

     RMSEA      lower      upper confidence 
 0.2180285  0.1122841  0.3478659  0.9000000 

[1] 5.044157

Estandarización

DATOS ESTANDARIZADOS

PAM

 [1] "BARRANCA"              "CAJATAMBO"             "CELENDIN"             
 [4] "CHACHAPOYAS"           "COTABAMBAS"            "DATEM DEL MARANON"    
 [7] "FERRENAFE"             "GENERAL SANCHEZ CERRO" "ILO"                  
[10] "NASCA"                 "OCROS"                 "OXAPAMPA"             
[13] "PASCO"                 "POMABAMBA"             "SAN MARTIN"           
[16] "SATIPO"                "SIHUAS"                "TAMBOPATA"            
[19] "TOCACHE"               "VIRU"                 

AGNES

 [1] "AMBO"                  "ASCOPE"                "ATALAYA"              
 [4] "CAMANA"                "CASMA"                 "CHANCHAMAYO"          
 [7] "CHEPEN"                "CHINCHA"               "CHUCUITO"             
[10] "CONTRALMIRANTE VILLAR" "EL COLLAO"             "HUARMEY"              
[13] "ISLAY"                 "JUNIN"                 "PAUCARTAMBO"          
[16] "SAN IGNACIO"           "TALARA"                "UCAYALI"              

DIANA

character(0)

COMPARACION

Grafico Pam

#### Grafico Agnes

INTERPRETACIÓN

• Estandarización: Primero vemos una comparación entre los datos sin estandarizacion y estandarizados como observamos el que mas sufre un cambio es el indice de corrupcion nuestra variable dependiente es por ello que vamos a realizar la clusterizacion con los datos estandarizados para que el modelo se más preciso
• PAM En el modelo PAM se nos sugirio la creacion de tres clusters, al hacerlo vemos como hay una gran cantidad de provincias que no han podido ser clusterizadas de forma precisa.
• AGNES Por su parte en el modelo AGNES tambien se crean 3 clusters porque eso era lo que se indicaba, en este caso solo hay 18 paises mal clusterizados a pesar de ser menor cantidad de paises es necesario buscar otro modelo que se adapte mejor.
• DIANA En el modelo DIANA, igual se eligen 3 clusters en este caso el diagrama nos decia que escojamo entre 3 y 4 clusters pero como vemos en este modelo cuando se lo divide entre 3 clusters no hay ningun pais mal clusterizado a traves de los silohuettes podemos observar que este es el mejor modelo
• COMPARACIÓN Al observar las graficas entendemos porque en los silhouttes habia un cluster que no aparecia. Parece ser que hay solo un cluster que esta atrapando a un pais que posee valores atipicos grandes. Aun asi mantendremos nuestra decision de usar DIANA porque el indicador del Silohutte es mejor.