VARIABLES

Column

VARIABLE DEPENDIENTE

Column {data-width=350}

GRÁFICO 1

LA PERCEPCIÓN DE SEGURIDAD DE LOS CIUDADANOS AFECTADA POR SU CONFIANZA EN LA COMUNIDAD EN UNA ESCALA DEL 0 AL 100

GRÁFICO 2

LA PERCEPCIÓN DE SEGURIDAD DE LOS CIUDADANOS SEGÚN SU CONFIANZA EN LA POLICÍA NACIONAL

GRÁFICO 3

LA PERCEPCIÓN DE LA SEGURIDAD SEGÚN SI LOS CIUDADANOS HAN SIDO VÍCTIMAS DEL CRIMEN EN LOS ÚLTIMOS 12 MESES

GRÁFICO 4

PERCEPCIÓN DE SEGURIDAD SEGÚN GÉNERO

GRÁFICO 5

PERCENCIÓN DE SEGURIDAD SEGÚN LA ZONA DE RESIDENCIA DEL ENTREVISTADO

GRÁFICO 6

PERCEPCIÓN DE SEGURIDAD SEGÚN EL ÁREA GEOGRÁFICA DE RESIDENCIA DEL ENTREVISTADO

ESTADÍSTICOS

Column {data-width=500}

CORRELACIÓN 1

CON LA VARIABLE ZONA DE RESIDENCIA (ur)

    Pearson's Chi-squared test with Yates' continuity correction

data:  tabla_contingencia
X-squared = 9.5608e-31, df = 1, p-value = 1

El resultado de la prueba de chi-cuadrado muestra un valor de X-squared extremadamente bajo (9.5608e-31) y un valor p de 1, lo que indica que no hay evidencia significativa para rechazar la hipótesis nula. En otras palabras, no existe una relación estadísticamente significativa entre la zona de residencia (ur) y la percepción de seguridad (percepseg). Esto sugiere que, en el conjunto de datos analizado, la zona de residencia no influye en la percepción de seguridad.

GRÁFICO

CORRELACIÓN 2

CON LA VARIABLE GÉNERO DEL CIUDADANO ENTREVISTADO (genero)

    Pearson's Chi-squared test with Yates' continuity correction

data:  tabla_contingencia2
X-squared = 5.0319, df = 1, p-value = 0.02488

El resultado de la prueba de chi-cuadrado muestra un valor p de 0.02488, lo que es menor que 0.05. Esto indica que hay una relación estadísticamente significativa entre las dos variables. Por lo tanto, se rechaza la hipótesis nula de independencia, sugiriendo que existe una asociación entre las categorías de las variables en la tabla de contingencia tabla_contingencia2.

GRÁFICO

CORRELACIÓN 3

CON LA VARIABLE VÍCTIMA DEL CRÍMEN EN LOS ÚLTIMOS 12 MESES (victima)

    Pearson's Chi-squared test with Yates' continuity correction

data:  tabla_contingencia3
X-squared = 45.759, df = 1, p-value = 1.337e-11

El resultado de la prueba de chi-cuadrado muestra un valor p de 1.337e-11, que es mucho menor que 0.05. Esto indica que hay una relación estadísticamente significativa entre las dos variables en la tabla de contingencia tabla_contingencia3. Por lo tanto, se rechaza la hipótesis nula de independencia, sugiriendo que las variables están asociadas.

GRÁFICO

CORRELACIÓN 4

CON LA VARIABLE CONFIANZA EN LA COMUNIDAD (confianzacom)

    Pearson's Chi-squared test

data:  tabla_contingencia4
X-squared = 137.3, df = 3, p-value < 2.2e-16

El resultado de la prueba de chi-cuadrado muestra un valor de X-cuadrado de 137.3 con 3 grados de libertad y un p-valor menor a 2.2e-16, lo que indica que hay una asociación estadísticamente significativa entre las variables analizadas. Dado que el p-valor es extremadamente bajo, podemos rechazar la hipótesis nula de independencia, lo que sugiere que las variables están relacionadas entre sí.

GRÁFICO

CORRELACIÓN 5

CON LA VARIABLE CONFIANZA EN LA POLICIA (confianzapol)

    Pearson's Chi-squared test

data:  tabla_contingencia5
X-squared = 62.785, df = 6, p-value = 1.221e-11

El resultado de la prueba de chi-cuadrado muestra un valor de X-cuadrado de 62.785 con 6 grados de libertad y un p-valor de 1.221e-11, lo que indica una asociación estadísticamente significativa entre las variables. Dado que el p-valor es muy bajo, podemos rechazar la hipótesis nula de independencia, sugiriendo que las variables están fuertemente relacionadas entre sí.

CORRELACIÓN 6

CON LA VARIABLE ÁREA GEOGRÁFICA DE RESIDENCIA DEL ENTREVISTADO (confianzapol)

    Pearson's Chi-squared test

data:  tabla_contingencia6
X-squared = 0.27035, df = 7, p-value = 0.9999

El resultado de la prueba de chi-cuadrado muestra que no existe una relación significativa entre las variables analizadas. El valor de X-squared es 0.27035 con 7 grados de libertad, y el p-value es 0.9999, lo que indica que la probabilidad de observar una diferencia tan grande o más grande entre las frecuencias observadas y esperadas, si las variables fueran independientes, es extremadamente alta. Dado que el p-value es mayor que 0.05, no podemos rechazar la hipótesis nula de que las variables son independientes. En resumen, no hay evidencia estadística suficiente para afirmar que exista una relación entre las variables.

MODELOS

Column {data-width=500}

MODELO 1

CON UR

H1: La Percepción de seguridad en el vecindario de ciudadanos peruanos en 2023 depende de la Zona de residencia del entrevistado.


Call:
glm(formula = percepsegRE ~ urRE, family = binomial, data = data)

Coefficients:
             Estimate Std. Error z value Pr(>|z|)    
(Intercept)  2.071951   0.129632  15.983   <2e-16 ***
urRERural   -0.009901   0.190363  -0.052    0.959    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 782.03  on 1112  degrees of freedom
Residual deviance: 782.03  on 1111  degrees of freedom
AIC: 786.03

Number of Fisher Scoring iterations: 4

El coeficiente de urRERural no es significativo, lo que indica que no hay una diferencia estadísticamente significativa en la percepción de seguridad entre las personas que viven en áreas rurales y urbanas. La deviance nula es 782.03 y la deviance residual también es 782.03, lo que indica que el modelo no ha mejorado con respecto al modelo nulo (modelo sin predictores), lo que coincide con la falta de significancia de la variable urRE. CONCLUSIONES: Zona de residencia (urbano vs. rural) no parece tener un impacto significativo sobre la percepción de seguridad. La variable urRE no es significativa en este modelo de regresión logística.

MODELO 2


Call:
glm(formula = percepsegRE ~ generoRE + victimaRE, family = binomial, 
    data = data)

Coefficients:
              Estimate Std. Error z value Pr(>|z|)    
(Intercept)     3.2552     0.2856  11.397  < 2e-16 ***
generoREMujer   0.7250     0.2015   3.598  0.00032 ***
victimaRENO    -1.9750     0.3034  -6.510 7.51e-11 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 782.03  on 1112  degrees of freedom
Residual deviance: 713.02  on 1110  degrees of freedom
AIC: 719.02

Number of Fisher Scoring iterations: 6

CONCLUSIONES: Se muestra que el género y la experiencia como víctima de un delito influyen en la percepción de seguridad. Ser mujer aumenta significativamente la percepción de seguridad (coeficiente positivo y significativo), mientras que no haber sido víctima de un delito también tiene un efecto positivo importante.

MODELO 3

CON GENERO, VICTIMA Y CONFIANZACOM

H4: La Percepción de seguridad en el vecindario de ciudadanos peruanos en 2023 depende del Género del individuo entrevistado, si los Ciudadanos peruanos que han sido víctima del crimen en los últimos 12 meses (2023) y de la confianza en la comunidad por parte de ciudadanos peruanos.

Primero reescalamos las variables


Call:
glm(formula = percepsegRE ~ +generoRE + victimaRE + confianzacom_invertido, 
    family = binomial, data = data)

Coefficients:
                       Estimate Std. Error z value Pr(>|z|)    
(Intercept)              6.7919     0.5212  13.032  < 2e-16 ***
generoREMujer            0.5816     0.2173   2.677  0.00743 ** 
victimaRENO             -1.9616     0.3131  -6.266  3.7e-10 ***
confianzacom_invertido  -1.2187     0.1284  -9.490  < 2e-16 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 782.03  on 1112  degrees of freedom
Residual deviance: 593.58  on 1109  degrees of freedom
AIC: 601.58

Number of Fisher Scoring iterations: 6

En conjunto, todas las variables incluidas son predictores significativos del modelo, que tiene un AIC de 601.58, lo que sugiere un buen ajuste relativo.

MODELO 4

CON GENERO, VICTIMA ,CONFIANZACOM Y CONFIANZAPOL

H5: La Percepción de seguridad en el vecindario de ciudadanos peruanos en 2023 depende del Género del individuo entrevistado, si los Ciudadanos peruanos que han sido víctima del crimen en los últimos 12 meses (2023), de la confianza en la comunidad por parte de ciudadanos peruanos y la confianza en la policía nacional por parte de ciudadanos peruanos.


Call:
glm(formula = percepsegRE ~ generoRE + victimaRE + confianzacom_invertido + 
    confianzapol, family = binomial, data = data)

Coefficients:
                       Estimate Std. Error z value Pr(>|z|)    
(Intercept)             6.49000    0.55396  11.716  < 2e-16 ***
generoREMujer           0.58162    0.21781   2.670  0.00758 ** 
victimaRENO            -1.95852    0.31241  -6.269 3.63e-10 ***
confianzacom_invertido -1.23118    0.12891  -9.550  < 2e-16 ***
confianzapol            0.08585    0.06136   1.399  0.16180    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 782.03  on 1112  degrees of freedom
Residual deviance: 591.60  on 1108  degrees of freedom
AIC: 601.6

Number of Fisher Scoring iterations: 6

En conjunto, todas las variables incluidas son predictores significativos del modelo, que tiene un AIC de 601.6, lo que sugiere un buen ajuste relativo.

MODELO 4

CON ESTRATOPRI

La Percepción de seguridad en el vecindario de ciudadanos peruanos en 2023 depende del área geográfica de residencia del entrevistado.

# weights:  9 (8 variable)
initial  value 771.472812 
iter  10 value 391.041196
iter  20 value 390.825867
final  value 390.825837 
converged
Call:
multinom(formula = percepsegRE ~ estratopri, data = data)

Coefficients:
                                   Values  Std. Err.
(Intercept)                  2.028204e+00  0.2378683
estratopriCosta Sur          4.472731e-02  0.3403521
estratopriDesconocido        3.960839e+00 20.0272635
estratopriLima Metropolitana 2.956041e-05  0.4120032
estratopriSelva              5.129189e-02  0.3402857
estratopriSierra Centro      1.055601e-01  0.3445698
estratopriSierra Norte       5.129189e-02  0.3402857
estratopriSierra Sur         2.884415e-04  0.3364153

Residual Deviance: 781.6517 
AIC: 797.6517

En este modelo de regresión logística multinomial, se analiza la relación entre la percepción de seguridad (percepsegRE) y el área geográfica de residencia (estratopri). Los coeficientes muestran que, en comparación con la categoría base, la percepción de seguridad no muestra diferencias estadísticamente significativas entre la mayoría de las áreas geográficas, ya que muchos de los valores p de los coeficientes son altos (y las desviaciones estándar son grandes en algunas categorías). Sin embargo, la categoría estratopriDesconocido tiene un coeficiente significativamente alto de 3.96, lo que sugiere que aquellos con un área geográfica desconocida tienen una mayor probabilidad de percibir el vecindario como seguro en comparación con otras áreas. El modelo tiene una devianza residual de 781.65 y un AIC de 797.65, lo que indica un ajuste relativamente aceptable del modelo, pero sin fuertes evidencias de que las áreas geográficas influyan significativamente en la percepción de seguridad.

MODELO 5

CON LAS VARIABLES ESTADÍSTICAMENTE SIGNIFICATIVAS HACEMOS LA REGRESIÓN

HIPÓTESIS: La percepción de seguridad en el vecindario de ciudadanos peruanos depende del género del individuo entrevistado, si el entrevistado ha sido víctima del crimen en los últimos 12 meses, la Confianza en la comunidad y Confianza en la policía nacional.


Call:
glm(formula = percepsegRE ~ generoRE + victimaRE + confianzacom_invertido + 
    confianzapol, family = binomial, data = data)

Coefficients:
                       Estimate Std. Error z value Pr(>|z|)    
(Intercept)             6.49000    0.55396  11.716  < 2e-16 ***
generoREMujer           0.58162    0.21781   2.670  0.00758 ** 
victimaRENO            -1.95852    0.31241  -6.269 3.63e-10 ***
confianzacom_invertido -1.23118    0.12891  -9.550  < 2e-16 ***
confianzapol            0.08585    0.06136   1.399  0.16180    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 782.03  on 1112  degrees of freedom
Residual deviance: 591.60  on 1108  degrees of freedom
AIC: 601.6

Number of Fisher Scoring iterations: 6

En conclusión, ser mujer aumenta significativamente la percepción de seguridad, con un efecto positivo. Haber sido víctima de un delito disminuye notablemente la percepción de seguridad (efecto negativo grande y significativo). Menor confianza en la comunidad tiene un efecto negativo fuerte en la percepción de seguridad. La confianza en la policía no es un predictor significativo en este modelo. Finalmente las experiencias personales (como ser víctima) y la confianza en la comunidad tienen los efectos más fuertes y significativos sobre la percepción de seguridad.

COMPARACIÓN DE MODELOS

Comparando modelos
modelo (1) &nbsp;modelo (2) &nbsp;modelo (3) &nbsp;modelo (4) &nbsp;modelo (5)
(Intercept) 7.940298*** 25.925569*** 890.626409*** 658.525169*** 658.525169***
[6.207973, 10.32753] [15.454325, 47.77649] [335.88790, 2598.899095] [233.235437, 2054.071638] [233.235437, 2054.071638]
urRERural 0.990148
[0.682169, 1.44091]
generoREMujer 2.064663*** 1.788918** 1.788943** 1.788943**
[ 1.396771, 3.08187] [ 1.17241, 2.752278] [ 1.171365, 2.755557] [ 1.171365, 2.755557]
victimaRENO 0.138768*** 0.140627*** 0.141067*** 0.141067***
[ 0.073137, 0.24247] [ 0.07287, 0.250851] [ 0.073189, 0.251328] [ 0.073189, 0.251328]
confianzacom_invertido 0.295626*** 0.291949*** 0.291949***
[ 0.22785, 0.377247] [ 0.224835, 0.372964] [ 0.224835, 0.372964]
confianzapol 1.089643 1.089643
[ 0.966716, 1.230100] [ 0.966716, 1.230100]
Num.Obs. 1113 1113 1113 1113 1113
AIC 786.0 719.0 601.6 601.6 601.6
BIC 796.1 734.1 621.6 626.7 626.7
RMSE 0.32 0.31 0.28 0.28 0.28
Log.Lik. -391.013 -356.510 -296.788 -295.802 -295.802
+ p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001

El modelo (5) es el mejor modelo, ya que tiene los valores más bajos de AIC y BIC, además de mantener significativas las principales variables explicativas (géneroREMujer, victimaRENO, confianzacom_invertido). Aunque la variable confianzapol no es significativa, no afecta negativamente el ajuste global del modelo. Por lo tanto, el modelo (5) ofrece la mejor predicción de la percepción de seguridad en el vecindario.

FACTORIZACIÓN

VEAMOS SI PODEMOS REALIZAR EL ANÁLISIS FACTORIAL 
  percepseg confianzacom confianzapol
1         2            3            3
2         2            3            3
3         2            3            3
4         2            3            3
5         2            3            3
6         2            3            3
              percepseg confianzacom confianzapol
percepseg    1.00000000   0.32894703   0.01078491
confianzacom 0.32894703   1.00000000  -0.06543012
confianzapol 0.01078491  -0.06543012   1.00000000
$chisq
[1] 11.65871

$p.value
[1] 0.008648576

$df
[1] 3
Kaiser-Meyer-Olkin factor adequacy
Call: KMO(r = cor_matrix)
Overall MSA =  0.49
MSA for each item = 
   percepseg confianzacom confianzapol 
         0.5          0.5          0.4

CONCLUSIONES

Los resultados sugieren que el análisis factorial no es adecuado con estas variables debido al bajo valor de KMO. La baja correlación y la medida de adecuación indican que estas variables no comparten suficientes factores latentes.

CLUSTER

ANÁLISIS CON CLUSTER

clusters_agnes
  1   2   3 
532 456 125 
[1] 1
[1] 0

  1   2   3 
532 455 125

La calidad del agrupamiento es baja, con un promedio de silueta de 0.28, lo que indica que los clústeres formados no están claramente definidos.

CONCLUSIONES

En conclusión, la percepción de seguridad de los ciudadanos se ve influida por diversos factores. Entre ellos nuestras hipótesis integraban el factor género de la persona, el factor área geográfica de residencia del entrevistado, el factor zona de residencia del entrevistado, el factor de si ha sido victima de crimen , el factor de confianza en su comunidad y el factor de confianza en la policia nacional.