Este trabajo tiene como objetivo analizar, mediante un modelo de ecuaciones estructurales (SEM), los factores que inciden en la percepción de inseguridad de la población colombiana, a partir de los datos de la Encuesta de Convivencia y Seguridad Ciudadana (ECSC) 2022.
Para ello se definió como variable latente dependiente la percepción de inseguridad, que fue medida a través de tres preguntas relacionadas con: la seguridad que sienten las personas en su barrio y la seguridad de caminar solas de día y de noche. Esta percepción se modela en función de dos variables exógenas: el entorno peligroso percibido, compuesto por indicadores binarios que identifican la presencia de condiciones adversas como delincuencia, expendio de drogas, grupos armados y poca presencia de fuerza pública; y por otro lado, la confianza institucional en las entidades responsables de la seguridad y la convivencia, mediante cinco preguntas que indagan la percepción ciudadana sobre la Policía Nacional, el ICBF y el modelo de vigilancia por cuadrantes. estas variables utilizan escalas likert distintas (por ejemplo, de 1 a 3 o de 1 a 5, donde 1 significa “pésimo”). Adicionalmente, se incorporó la variable de expansión muestral (Exp), con el fin de asegurar que los resultados obtenidos sean representativos a nivel poblacional. A través del SEM, se evalúan las relaciones entre estos factores latentes, la magnitud de las cargas factoriales, la dirección de los efectos y la calidad del ajuste del modelo, proporcionando una comprensión integral del fenómeno de la inseguridad desde una perspectiva ciudadana.
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.2 ✔ tibble 3.3.0
## ✔ lubridate 1.9.4 ✔ tidyr 1.3.1
## ✔ purrr 1.0.4
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(readxl)
library(lavaan)## This is lavaan 0.6-19
## lavaan is FREE software! Please report any bugs.library(lavaanPlot)
library(survey)## Loading required package: grid
## Loading required package: Matrix
##
## Attaching package: 'Matrix'
##
## The following objects are masked from 'package:tidyr':
##
## expand, pack, unpack
##
## Loading required package: survival
##
## Attaching package: 'survey'
##
## The following object is masked from 'package:graphics':
##
## dotchartlibrary(car)## Loading required package: carData
##
## Attaching package: 'car'
##
## The following object is masked from 'package:dplyr':
##
## recode
##
## The following object is masked from 'package:purrr':
##
## somePercepcio_n_de_seguridad_base <- read_excel('/Users/daniel/Downloads/Percepción de seguridad base.xlsx')
variables_modelo <- Percepcio_n_de_seguridad_base %>%
select(P3105, P3106, P3502,
P1361S3, P1361S4, P1361S5, P1361S6, P1361S7, P1361S10,
P1182S1, P3317S1, P1612S1, P3321, P3119,
Exp)
variables_modelo <- variables_modelo %>%
mutate(
# Invertir solo las de 1 a 5
P1612S1 = 6 - P1612S1,
P3321 = 6 - P3321,
P3119 = 6 - P3119
# NO se invierte P1182S1 ni P3317S1 porque ya están en escala adecuada (1 a 3) siendo 1 el mas bajo
)P3105: ¿Qué tan seguro se siente en el barrio? P3106: ¿Qué tan seguro se siente caminando solo de noche? P3502: ¿Qué tan seguro se siente caminando solo de día? inseguridad =~ P3105 + P3106 + P3502
Variable independiente 1 (exógena): Entorno peligroso P1361S3: Poca presencia de fuerza pública P1361S4: Delincuencia común, robos P1361S5: Pandillas o combos P1361S6: Lotes baldíos o sin iluminación P1361S7: Expendio de drogas P1361S10: Presencia de grupos armados organizados entorno =~ P1361S3 + P1361S4 + P1361S5 + P1361S6 + P1361S7 + P1361S10
Variable independiente 2 (exógena) latente: Confianza institucional P1182S1: Contribución de la Policía P3317S1: Aporte de instituciones a la convivencia P1612S1: Evaluación del Modelo Nacional de Vigilancia por Cuadrantes P3321: Satisfacción con la labor policial P3119: Nivel de confianza en la Policía Nacional confianza =~ P1182S1 + P3317S1 + P1612S1 + P3321 + P3119
En la estructura del modelo, se especifica que la variable inseguridad es explicada directamente por las dos variables exógenas: entorno y confianza. Es decir, se asume que cuanto más peligroso percibe una persona su entorno y menor es su confianza en las instituciones, mayor será su percepción de inseguridad. Esta relación permite evaluar de manera simultánea y robusta el efecto de factores contextuales y actitudinales sobre la sensación de inseguridad.
Esta especificación también permite identificar qué dimensión tiene mayor peso explicativo sobre la percepción de inseguridad, comparando los coeficientes estandarizados de las relaciones estructurales. Así, el modelo no solo evalúa qué tan bien se agrupan los ítems en cada factor latente, sino que también permite probar hipótesis causales dentro del marco teórico planteado.
modelo_sem <- '
# Factores latentes
inseguridad =~ P3105 + P3106 + P3502
entorno =~ P1361S3 + P1361S4 + P1361S5 + P1361S6 + P1361S7 + P1361S10
confianza =~ P1182S1 + P3317S1 + P1612S1 + P3321 + P3119
# Relaciones estructurales
inseguridad ~ entorno + confianza
'Una vez definido el modelo teórico, se procede a su estimación utilizando el paquete lavaan. Para este fin, seleccionamos el estimador MLR (Maximum Likelihood Robust). Esta decisión responde a varias características del instrumento de medición y de la naturaleza de los datos recolectados
Además, al momento de estimar el modelo, se decide no eliminar registros con valores faltante, dado que estos podrían corresponder a, personas que no respondieron ciertas preguntas por razones personales, condiciones particulares que no aplicaban a su contexto, o simplemente errores de no respuesta.
Para manejar esta situación de manera apropiada, se utilizó el método missing = “fiml” (Full Information Maximum Likelihood), que permite aprovechar toda la información disponible, sin recurrir a la eliminación de casos o la imputación arbitraria. Esto mejora la eficiencia de las estimaciones y reduce el sesgo potencial en los parámetros.
Por otro lado, se incorporaron los factores de expansión (Exp) presentes en la base de datos. Estos pesos permiten que cada observación represente de forma proporcional su contribución dentro del total de la población objetivo, dado que se trata de datos muestrales provenientes de una encuesta oficial. Para ello, se combinó la estimación del modelo SEM con el paquete survey, lo que permite ponderar adecuadamente las estimaciones obtenidas
Antes de estimar el modelo de ecuaciones estructurales, se evaluó la posible presencia de multicolinealidad entre los indicadores observables de cada variable latente. Esta evaluación es relevante, ya que un alto grado de correlación entre los ítems puede afectar la estabilidad y precisión de las estimaciones del modelo.
# Selecciona solo las variables observadas de un factor (ejemplo: confianza)
modelo_confianza <- lm(P3119 ~ P1182S1 + P3317S1 + P1612S1 + P3321, data = variables_modelo)
vif(modelo_confianza)## P1182S1 P3317S1 P1612S1 P3321
## 1.493213 1.162549 1.080189 1.350802Todos los valores se ubicaron muy por debajo del umbral crítico, lo cual sugiere que no existe multicolinealidad problemática entre estos ítems. Por tanto, se concluye que los indicadores del constructo confianza institucional son estadísticamente adecuados y pueden ser conservados en el modelo sin comprometer su validez.
# Estimación del modelo
fit_modelo <- sem(modelo_sem,
data = variables_modelo,
sampling.weights = "Exp",
estimator = "MLR",
missing = "fiml")## Warning: lavaan->lav_model_vcov():
## The variance-covariance matrix of the estimated parameters (vcov) does not
## appear to be positive definite! The smallest eigenvalue (= -1.935981e-20)
## is smaller than zero. This may be a symptom that the model is not
## identified.summary(fit_modelo, fit.measures = TRUE, standardized = TRUE, rsquare = TRUE)## lavaan 0.6-19 ended normally after 73 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 45
##
## Number of observations 95388
## Number of missing patterns 2
## Sampling weights variable Exp
##
## Model Test User Model:
## Standard Scaled
## Test Statistic 12979.457 8524.274
## Degrees of freedom 74 74
## P-value (Chi-square) 0.000 0.000
## Scaling correction factor 1.523
## Yuan-Bentler correction (Mplus variant)
##
## Model Test Baseline Model:
##
## Test statistic 234369.490 140612.495
## Degrees of freedom 91 91
## P-value 0.000 0.000
## Scaling correction factor 1.667
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.945 0.940
## Tucker-Lewis Index (TLI) 0.932 0.926
##
## Robust Comparative Fit Index (CFI) 0.929
## Robust Tucker-Lewis Index (TLI) 0.913
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -914167.647 -914167.647
## Scaling correction factor 1.947
## for the MLR correction
## Loglikelihood unrestricted model (H1) -907677.919 -907677.919
## Scaling correction factor 1.683
## for the MLR correction
##
## Akaike (AIC) 1828425.295 1828425.295
## Bayesian (BIC) 1828851.252 1828851.252
## Sample-size adjusted Bayesian (SABIC) 1828708.240 1828708.240
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.043 0.035
## 90 Percent confidence interval - lower 0.042 0.034
## 90 Percent confidence interval - upper 0.043 0.035
## P-value H_0: RMSEA <= 0.050 1.000 1.000
## P-value H_0: RMSEA >= 0.080 0.000 0.000
##
## Robust RMSEA 0.060
## 90 Percent confidence interval - lower 0.058
## 90 Percent confidence interval - upper 0.062
## P-value H_0: Robust RMSEA <= 0.050 0.000
## P-value H_0: Robust RMSEA >= 0.080 0.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.040 0.040
##
## Parameter Estimates:
##
## Standard errors Sandwich
## Information bread Observed
## Observed information based on Hessian
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## inseguridad =~
## P3105 1.000 0.394 0.717
## P3106 1.469 0.019 76.333 0.000 0.579 0.535
## P3502 1.410 0.017 81.057 0.000 0.555 0.804
## entorno =~
## P1361S3 1.000 0.266 0.568
## P1361S4 0.731 0.013 57.842 0.000 0.194 0.536
## P1361S5 1.421 0.022 64.078 0.000 0.377 0.756
## P1361S6 1.244 0.020 61.820 0.000 0.330 0.663
## P1361S7 1.331 0.023 59.066 0.000 0.353 0.708
## P1361S10 0.138 0.008 17.684 0.000 0.037 0.157
## confianza =~
## P1182S1 1.000 0.358 0.606
## P3317S1 0.554 0.008 72.525 0.000 0.199 0.301
## P1612S1 1.222 0.020 62.034 0.000 0.438 0.269
## P3321 2.175 0.016 136.339 0.000 0.779 0.854
## P3119 2.450 0.017 142.969 0.000 0.878 0.865
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## inseguridad ~
## entorno -0.249 0.022 -11.441 0.000 -0.168 -0.168
## confianza 0.247 0.008 32.922 0.000 0.225 0.225
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## entorno ~~
## confianza -0.018 0.001 -18.400 0.000 -0.187 -0.187
##
## Intercepts:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .P3105 2.227 0.002 1018.477 0.000 2.227 4.056
## .P3106 2.850 0.004 665.005 0.000 2.850 2.637
## .P3502 2.301 0.003 835.695 0.000 2.301 3.333
## .P1361S3 1.384 0.006 239.352 0.000 1.384 2.961
## .P1361S4 1.202 0.005 262.441 0.000 1.202 3.321
## .P1361S5 1.531 0.007 210.257 0.000 1.531 3.068
## .P1361S6 1.643 0.006 255.618 0.000 1.643 3.296
## .P1361S7 1.529 0.007 221.016 0.000 1.529 3.064
## .P1361S10 1.951 0.002 1191.788 0.000 1.951 8.337
## .P1182S1 1.794 0.002 767.800 0.000 1.794 3.035
## .P3317S1 2.013 0.003 771.358 0.000 2.013 3.052
## .P1612S1 4.874 0.006 753.518 0.000 4.874 2.990
## .P3321 2.874 0.004 793.943 0.000 2.874 3.150
## .P3119 2.893 0.004 719.285 0.000 2.893 2.851
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .P3105 0.147 0.002 66.429 0.000 0.147 0.486
## .P3106 0.834 0.007 114.378 0.000 0.834 0.714
## .P3502 0.169 0.003 54.855 0.000 0.169 0.354
## .P1361S3 0.148 0.002 79.317 0.000 0.148 0.677
## .P1361S4 0.093 0.001 75.208 0.000 0.093 0.713
## .P1361S5 0.107 0.002 55.440 0.000 0.107 0.428
## .P1361S6 0.139 0.002 73.410 0.000 0.139 0.560
## .P1361S7 0.124 0.002 59.910 0.000 0.124 0.499
## .P1361S10 0.053 0.001 36.053 0.000 0.053 0.975
## .P1182S1 0.221 0.002 142.939 0.000 0.221 0.633
## .P3317S1 0.395 0.002 197.782 0.000 0.395 0.909
## .P1612S1 2.466 0.009 265.555 0.000 2.466 0.928
## .P3321 0.225 0.004 62.248 0.000 0.225 0.271
## .P3119 0.259 0.004 66.971 0.000 0.259 0.252
## .inseguridad 0.141 0.002 61.310 0.000 0.907 0.907
## entorno 0.071 0.002 36.492 0.000 1.000 1.000
## confianza 0.128 0.002 77.385 0.000 1.000 1.000
##
## R-Square:
## Estimate
## P3105 0.514
## P3106 0.286
## P3502 0.646
## P1361S3 0.323
## P1361S4 0.287
## P1361S5 0.572
## P1361S6 0.440
## P1361S7 0.501
## P1361S10 0.025
## P1182S1 0.367
## P3317S1 0.091
## P1612S1 0.072
## P3321 0.729
## P3119 0.748
## inseguridad 0.093El entorno percibido como peligroso se asocia negativamente con la percepción de inseguridad (β = -0.168). Como la variable está codificada donde valores más altos indican mayor peligrosidad, este coeficiente sugiere que a mayor percepción, menor percepeción de inseguridad.
En contraste, la confianza institucional se asocia positivamente con la percepción de inseguridad (β = 0.225). Recuerde que las variables de confianza están invertidas, por lo que valores más altos significan menor confianza. Así, este coeficiente indica que menor confianza en las instituciones de seguridad se asocia con mayor percepción de inseguridad.
Las cargas estandarizadas (Std.all) de los ítems que definen las variables latentes son: - Inseguridad: ítems entre 0.535 y 0.804 → fuertes. - Entorno: la mayoría entre 0.5 y 0.75 → adecuadas, excepto P1361S10 (0.157), que podría considerarse débil. - Confianza: desde 0.269 (débil) hasta 0.865 (muy fuerte).
Esto indica que los ítems representan de forma adecuada las dimensiones latentes propuestas.
Esto indica que a mayor peligrosidad percibida del entorno, menor confianza institucional. Coherente con marcos teóricos donde la degradación del entorno genera desconfianza en el Estado y la autoridad.
Luego de incorporar el factor de expansión (Exp) y
estimar el modelo mediante el estimador MLR (robusto ante no normalidad
y datos con valores perdidos asumidos como MCAR o MAR), se observa que
el modelo presenta un buen ajuste general a los datos.
Los índices robustos CFI = 0.929, TLI = 0.913 y RMSEA = 0.060 indican
una representación adecuada de la estructura latente propuesta.
En términos de efectos estructurales, se confirma que:
β = -0.168, p < 0.001).β = 0.225, p < 0.001).Ambos efectos son estadísticamente significativos y coherentes con la
literatura sobre seguridad subjetiva. La covarianza negativa entre
entorno y confianza (β = -0.187) indica que percepciones
negativas del entorno también reducen la confianza en las instituciones
de seguridad, revelando una relación indirecta.
Aunque el porcentaje de varianza explicada de la inseguridad es del 9.3%, esto es aceptable en estudios de percepción ciudadana, donde múltiples factores intervienen. Las cargas factoriales de los ítems son en su mayoría adecuadas, reforzando la validez del modelo propuesto.
lavaanPlot(
model = fit_modelo,
stand = TRUE, # Muestra coeficientes estandarizados
coefs = TRUE, # Muestra los coeficientes en las flechas
covs = TRUE, # Muestra las covarianzas
stars = "regress", # Muestra significancia solo en regresiones
node_options = list(fontsize = 12),
edge_options = list(fontsize = 10),
graph_options = list(rankdir = "TB") # Top to Bottom layout
)El modelo propuesto permitió analizar cómo los factores contextuales y la confianza institucional influyen en la percepción de inseguridad en Colombia. A través de un enfoque de ecuaciones estructurales, se definieron tres constructos latentes: inseguridad percibida (variable dependiente), entorno peligroso percibido y confianza institucional en la seguridad (ambas como variables exógenas).
El diagrama estructural muestra que:
Además, se observa una covarianza negativa entre entorno y confianza institucional (-0.19), lo cual sugiere que quienes perciben un entorno más peligroso tienden también a desconfiar de las instituciones de seguridad.
Finalmente, el modelo mostró un buen ajuste global (CFI = 0.94, RMSEA = 0.060, SRMR = 0.040), y se incorporaron factores de expansión para garantizar representatividad poblacional. Los resultados ofrecen una visión sobre cómo distintos factores del entorno urbano y de la institucionalidad configuran la percepción ciudadana de inseguridad.