Segunda Parte Taller Econometria II
Jose Acosta/ Sebastian Monterroza/Rafael Herazo
2025-10-07
1 Punto A
1.1 Marco teorico
La Economía del Crimen
La economía del crimen surge como un campo de estudio que aplica los principios del análisis económico a la comprensión de la conducta delictiva. Lejos de concebir el crimen únicamente como un fenómeno social o psicológico, este enfoque lo interpreta como el resultado de decisiones racionales tomadas por individuos que buscan maximizar su bienestar bajo ciertas restricciones y frente a incentivos específicos. En este marco, dos contribuciones fundacionales resultan esenciales: la de Gary Becker (1968) y la de Isaac Ehrlich (1973).
Por un lado en su obra “Crime and Punishment: An Economic Approach”, Gary Becker propone que los individuos deciden cometer delitos tras realizar un cálculo costo-beneficio. La idea central es que el potencial delincuente compara la utilidad esperada de la actividad criminal con la utilidad derivada de actividades legales alternativas. Es decir que ven el crimen como elección racional si los beneficios esperados del crimen superan los costos esperados(probabilidad de ser arrestado y condenado). De esta manera, la probabilidad de arresto y la magnitud de la pena actúan como variables clave en la disuasión. Becker concluye que una política criminal eficiente no necesariamente requiere aumentar de manera indiscriminada las penas, sino optimizar la combinación entre la probabilidad de detección y la severidad de las sanciones.
Por otro lado Isaac Ehrlich, en su trabajo “Participation in Illegitimate Activities: A Theoretical and Empirical Investigation”, amplía el análisis de Becker al considerar la influencia del entorno socioeconómico y las oportunidades legales de los individuos. Para Ehrlich, el crimen compite directamente con las actividades legales como una alternativa ocupacional más, de manera que las personas eligen entre actividades legítimas e ilegítimas según la rentabilidad relativa de cada opción.
Ehrlich resalta tres elementos fundamentales, el mercado de trabajo legal(mejores salarios y mayores oportunidades reducen el incentivo a participar en actividades criminales), el mercado ilegal(la rentabilidad del crimen depende tanto del botín esperado como de la estructura de sanciones y del grado de organización criminal) y por ultimo el sistema de justicia penal(la probabilidad de arresto y condena actúan como mecanismo de disuasión, pero sus efectos dependen del equilibrio entre oportunidades legales e ilegales) De esta forma, la decisión criminal no solo depende del castigo esperado, sino también de las oportunidades económicas y sociales que enfrenta el individuo.
Las aportaciones de Becker (1968) y Ehrlich (1973) sientan las bases de la economía del crimen. Mientras Becker introduce el modelo de la elección racional y resalta la importancia de los incentivos derivados de la probabilidad y severidad del castigo, Ehrlich integra el análisis con el contexto socioeconómico, destacando el papel de las oportunidades laborales y la competencia entre actividades legales e ilegales.
2 Punto B
2.1 Aricúlos
2.1.1 Articúlos Nacionales
1. El estudio tiene como objetivo principal explicar la criminalidad en Colombia, particularmente los delitos de homicidio y hurto, identificando sus determinantes económicos y sociológicos en las cinco regiones del país entre 1993 y 2013. La motivación surge de la necesidad de aportar evidencia al enfoque económico del crimen (Becker-Ehrlich), mostrando que los individuos toman decisiones delictivas de forma racional en función de incentivos y costos, y que las políticas públicas deben basarse en estos hallazgos. La estrategia de identificación consistió en la estimación de un modelo de panel de datos con efectos fijos, que permite controlar características inobservables regionales y disminuis problemas de endogeneidad y medición. El resultado principal revela que la pobreza, el desempleo y la densidad poblacional incrementan la criminalidad, mientras que la eficiencia policial actúa como factor disuasivo; en contraste, la desigualdad medida por el coeficiente de Gini no resultó significativa.
2. El estudio tiene como objetivo principal explicar la criminalidad violenta en Colombia, analizando cómo las altas tasas de homicidio afectan el comportamiento social, en particular las decisiones de fecundidad adolescente. La motivación surge de la necesidad de comprender los efectos de vivir en contextos de violencia e inseguridad sobre la estructura demográfica y social, dado que el crimen reduce la expectativa de vida y puede inducir a decisiones vitales más tempranas. La estrategia de identificación emplea un panel de datos departamental para el periodo 2003–2014, estimando modelos con efectos fijos y un estimador dinámico Arellano-Bond que trata la tasa de homicidios como variable endógena. El resultado principal muestra que una mayor criminalidad incrementa de manera significativa la fecundidad adolescente en el grupo de 15 a 19 años, lo que confirma que la violencia tiene un efecto directo en acelerar las transiciones de vida de los jóvenes en Colombia.
2.1.2 Articúlos Internacionales
1. El estudio tiene como objetivo principal explicar la criminalidad violenta en 34 países entre 2000 y 2014, identificando los factores económicos e institucionales que la determinan. La motivación se fundamenta en la necesidad de aportar evidencia sobre cómo la complejidad económica, la solidez institucional y las condiciones socioeconómicas inciden en la violencia, para orientar políticas de seguridad más efectivas. La estrategia de identificación se basa en un modelo de datos de panel, que permite controlar heterogeneidad entre países y obtener estimaciones consistentes. El resultado principal muestra que una mayor complejidad económica, instituciones más eficientes y mayores ingresos per cápita reducen el crimen violento, mientras que la miseria económica y el crecimiento poblacional lo incrementan.
2. El estudio tiene como objetivo principal explicar la criminalidad vinculada al narcotráfico en México, analizando cómo la violencia relacionada con drogas se distribuye en el espacio y en el tiempo y cuáles son sus efectos sobre la economía regional. La motivación radica en la necesidad de entender los costos económicos de la guerra contra el narcotráfico y de identificar cómo la violencia se propaga entre estados, lo que justifica un enfoque espacial para diseñar políticas más efectivas. La estrategia de identificación consistió en estimar un modelo de panel de datos espaciales para los 32 estados de México entre 2003 y 2016, utilizando el método de momentos generalizados (GMM) e instrumentos como gasto público en seguridad y decomisos de drogas y armas, con el fin de controlar la endogeneidad de la violencia. El resultado principal muestra que la violencia asociada al narcotráfico tiene un impacto negativo y significativo en la productividad laboral y genera efectos de contagio en estados vecinos, lo que evidencia la necesidad de coordinación regional en las políticas de seguridad.
3 Punto C
3.1 Heterogeneidad por condado
library(gplots)##
## Adjuntando el paquete: 'gplots'## The following object is masked from 'package:stats':
##
## lowesssuppressWarnings(plotmeans(crmrte ~ county, main= "Heterogeneidad por condado", data = crime4, xlab = "Condado", ylab = "Crimen"))
El gráfico revela que la tasa de criminalidad no es homogénea entre los condados, ya que algunos que presentan tasas muy elevadas y otros muy bajas. La presencia de las barras de error de diferentes longitudes resalta la volatidad de criminalidad entre los condados, siendo más notoria en ciertos puntos específicos.
3.2 Heterogeneidad por año
plotmeans(crmrte ~ year, main="Heterogeneidad por año", data = crime4, xlab = "año", ylab = "Crimen")
Las barras de error mantienen a una altura similar en todos los años, lo que sugiere que la variabilidad del crimen entre los condados fue relativamente estable durante el período analizado, lo que sugiere que no hubo algún suceso que hiciera que el crimen en un año fuera tan volátil en el tiempo.
3.3 Serie de Tiempo de la tasa de crimen per capita por Conadado
g_all <- ggplot(crime4, aes(x = year, y = crmrte, color = factor(county))) +
geom_line() +
labs(title = "Serie de tiempo: Tasa de crimen per cápita por condado (1981–1987)",
x = "Año", y = "Tasa de crimen", color = "Condado")
ggplotly(g_all)Esta gráfica muestra la evolución temporal de la tasa de crimen per cápita para múltiples condados a lo largo del período 1981-1987. Se observa una notable variabilidad en las trayectorias seguidas por cada condado; mientras algunos presentan una tendencia claramente ascendente, otros muestran un descenso o se mantienen relativamente estables a lo largo de los años. Esta dispersión individual es una evidencia visual directa de la existencia de heterogeneidad no observada entre las unidades de corte transversal (condados).
3.4 Condado con mayor crimen
mc_condado <- crime4 %>%
group_by(county) %>%
summarise(prom_crimen = mean(crmrte, na.rm = TRUE)) %>%
arrange(desc(prom_crimen)) %>%
slice(1)
mc_condado## # A tibble: 1 × 2
## county prom_crimen
## <int> <dbl>
## 1 119 0.0887El condado con mayor tasa de criminalidad en el periodo de estudio (1981-1987) es el condado número 119 con un promedio de 0.0887
4 Punto D
\[ \Delta\log(crmrte_{it}) = \beta_0 + \sum_{\tau = 83}^{87} \beta_{\tau} D_{\tau} + \sum_{j = 1}^{J} \beta_j\Delta log(X_{jit}) + \Delta\varepsilon_{it} \]
Este es un modelo de primeras diferencias (First-Differences), que es un tipo de modelo de efectos fijos.La característica principal que lo identifica es el operador de diferencias (Δ) aplicado a todas las variables, tanto la dependiente (\(log(crmrte_{it})\)) como las explicativas (\(log(X_{jit})\)) y el término de error (\(\varepsilon _{it}\)). El objetivo de este enfoque es eliminar los efectos individuales o específicos de cada unidad que no cambian con el tiempo
4.1 Estimación
options(scipen = 999)
FD_modelo <- plm(lcrmrte ~ lprbarr + lprbconv + lprbpris + lavgsen + lpolpc + factor(year), data = crime4, model = "fd")
suppressWarnings(stargazer(FD_modelo, type = "text"))##
## ==========================================
## Dependent variable:
## ---------------------------
## lcrmrte
## ------------------------------------------
## lprbarr -0.327***
## (0.030)
##
## lprbconv -0.238***
## (0.018)
##
## lprbpris -0.165***
## (0.026)
##
## lavgsen -0.022
## (0.022)
##
## lpolpc 0.398***
## (0.027)
##
## factor(year)82 0.014
## (0.016)
##
## factor(year)83 -0.072***
## (0.019)
##
## factor(year)84 -0.106***
## (0.021)
##
## factor(year)85 -0.096***
## (0.020)
##
## factor(year)86 -0.055***
## (0.015)
##
## Constant -0.006
## (0.007)
##
## ------------------------------------------
## Observations 540
## R2 0.433
## Adjusted R2 0.422
## F Statistic 40.318*** (df = 10; 529)
## ==========================================
## Note: *p<0.1; **p<0.05; ***p<0.01Variables que podrian estar en (\(\alpha_i\)):
Culrura o valores sociales: Algunos lugares tienen una tradición o cultura de mayor respeto a la ley y una comunidad más unida, mientras que otros pueden tener una historia de más problemas sociales. Aunque estos factores no se miden con un número, influyen en la tasa de criminalidad y no cambian de un año a otro.
Infraestructura o diseño urbano: El plano urbano de las calles, la cantidad de parques, la iluminación y la existencia de vecindarios bien definidos son factores que afectan la delincuencia y que, en su mayoría, no varían significativamente a lo largo de los años. Por ejemplo, un condado con calles bien iluminadas puede ser menos propenso al crimen que uno con zonas oscuras y aisladas.
Sistemas de justicia local: La cultura del sistema judicial de un condado, como la severidad de los jueces o la efectividad de los procesos legales, puede tener una influencia constante en la tasa de
crímenes. Aunque las leyes pueden cambiar, la forma en que se aplican y la percepción que la población tiene de ellas varían de un condado a otro y permanecen bastante estables, ya no tenienden a cambiar constantemente.Sentido de comunidad o sentido pertenencia social: Algunos condados tienen una población que se siente muy unida y se preocupa por sus vecinos, mientras que otros son más impersonales. Este vinvúlo
social influye en la vigilancia informal y la prevención del delito.
5 Punto E
5.1 Relación de las variables puestas anteriormente con las variables (\(X_{jit}\))
Al analizar la tasa de criminalidad, es importante reconocer que existen factores no observables que influyen de manera persistente en cada condado y que, al mismo tiempo, pueden estar correlacionados con las variables explicativas del modelo. Entre ellos se destacan aspectos culturales, institucionales y sociales que no cambian significativamente de un año a otro, pero que sí diferencian a unos territorios de otros.
En primer lugar, la cultura o los valores sociales de una comunidad condicionan fuertemente el comportamiento ciudadano. Existen condados donde la tradición de respeto a la ley y la cohesión social es más sólida, lo que tiende a reducir los niveles de criminalidad. En contraste, en lugares con un historial de mayores conflictos sociales, la incidencia del crimen puede ser más alta. Este tipo de características difícilmente se modifican en periodos cortos, por lo que permanecen relativamente constantes a lo largo del tiempo y no siempre pueden medirse de manera directa.
Un segundo factor es la infraestructura o el diseño urbano, elementos como la planeación de las calles, la iluminación pública, la disponibilidad de parques o la existencia de vecindarios bien delimitados influyen en la posibilidad de que ocurran delitos. Por ejemplo, un condado con zonas bien iluminadas y mayor presencia de espacios comunitarios puede resultar menos propenso al crimen que otro con áreas oscuras y poco transitadas. Estas características físicas del entorno urbano no varían demasiado año a año, pero sí inciden en las dinámicas delictivas observadas en cada lugar.
Finalmente, el sistema de justicia local también constituye un factor clave. Más allá de lo que miden las variables como la probabilidad de arresto o condena (prbarr, prbconv), cada condado puede tener diferencias persistentes en la manera en que funciona su sistema judicial: jueces más severos, procesos más rápidos o una percepción ciudadana de mayor credibilidad en la justicia. Estas diferencias, aunque no cambian constantemente, afectan directamente las tasas de criminalidad y pueden estar correlacionadas con las variables observables del modelo. Por ejemplo, un condado con jueces tradicionalmente estrictos puede mostrar de forma consistente valores más altos en la probabilidad de condena.
Dado que estos factores (sociales, infraestructura urbana y sistemas de justicia) son características no observables, específicas de cada condado y relativamente constantes en el tiempo, es muy probable que estén correlacionados con los regresores incluidos en (\(X_{jit}\)), como:lprbarr, lprbconv, lprbpris, lavgsen, lpolpc. Por esta razón, la estimación mediante efectos fijos (FE) resulta más adecuada que la de efectos aleatorios (RE), ya que el modelo de efectos fijos permite controlar esas heterogeneidades inobservables que de otro modo sesgarían los resultados, garantizando así estimaciones más consistentes del impacto de las variables observables sobre la criminalidad.
6 Punto F
6.1 Especificación del siguiente modelo por efectos fijos y por efectos aleatorios.
\[ log(crmrte_{it}) = \beta_0 + \sum_{\tau = 83}^{87} \beta_{\tau} D_{\tau} + \sum_{j = 1}^{J} \beta_j\ log(X_{jit}) + \alpha_i + \varepsilon_{it} \]
6.1.1 Estimación Efectos Fijos
FE_modelo <- plm(lcrmrte ~ lprbarr + lprbconv + lprbpris + lavgsen + lpolpc + factor(year), data = crime4, model = "within")
suppressWarnings(stargazer(FE_modelo, type = "text"))##
## ==========================================
## Dependent variable:
## ---------------------------
## lcrmrte
## ------------------------------------------
## lprbarr -0.360***
## (0.032)
##
## lprbconv -0.286***
## (0.021)
##
## lprbpris -0.183***
## (0.032)
##
## lavgsen -0.004
## (0.026)
##
## lpolpc 0.424***
## (0.026)
##
## factor(year)82 0.013
## (0.022)
##
## factor(year)83 -0.079***
## (0.021)
##
## factor(year)84 -0.118***
## (0.022)
##
## factor(year)85 -0.112***
## (0.022)
##
## factor(year)86 -0.082***
## (0.021)
##
## factor(year)87 -0.040*
## (0.021)
##
## ------------------------------------------
## Observations 630
## R2 0.434
## Adjusted R2 0.327
## F Statistic 36.911*** (df = 11; 529)
## ==========================================
## Note: *p<0.1; **p<0.05; ***p<0.016.1.2 Estimación Efectos Aleatorios
RE_modelo <- plm(lcrmrte ~ lprbarr + lprbconv + lprbpris + lavgsen + lpolpc + factor(year), data = crime4, model = "random")
suppressWarnings(stargazer(RE_modelo, type = "text"))##
## ==========================================
## Dependent variable:
## ---------------------------
## lcrmrte
## ------------------------------------------
## lprbarr -0.425***
## (0.032)
##
## lprbconv -0.327***
## (0.021)
##
## lprbpris -0.179***
## (0.034)
##
## lavgsen -0.008
## (0.028)
##
## lpolpc 0.429***
## (0.026)
##
## factor(year)82 0.014
## (0.023)
##
## factor(year)83 -0.075***
## (0.023)
##
## factor(year)84 -0.113***
## (0.023)
##
## factor(year)85 -0.106***
## (0.023)
##
## factor(year)86 -0.080***
## (0.023)
##
## factor(year)87 -0.042*
## (0.022)
##
## Constant -1.673***
## (0.175)
##
## ------------------------------------------
## Observations 630
## R2 0.426
## Adjusted R2 0.416
## F Statistic 459.169***
## ==========================================
## Note: *p<0.1; **p<0.05; ***p<0.016.1.3 Estimación MCO
MCO_modelo <- lm(lcrmrte ~ lprbarr + lprbconv + lprbpris + lavgsen + lpolpc + factor(year), data = crime4)
suppressWarnings(stargazer(MCO_modelo, type = "text"))##
## ===============================================
## Dependent variable:
## ---------------------------
## lcrmrte
## -----------------------------------------------
## lprbarr -0.720***
## (0.037)
##
## lprbconv -0.546***
## (0.026)
##
## lprbpris 0.248***
## (0.067)
##
## lavgsen -0.087
## (0.058)
##
## lpolpc 0.366***
## (0.030)
##
## factor(year)82 0.005
## (0.058)
##
## factor(year)83 -0.044
## (0.058)
##
## factor(year)84 -0.109*
## (0.058)
##
## factor(year)85 -0.078
## (0.058)
##
## factor(year)86 -0.042
## (0.058)
##
## factor(year)87 -0.027
## (0.057)
##
## Constant -2.082***
## (0.252)
##
## -----------------------------------------------
## Observations 630
## R2 0.570
## Adjusted R2 0.562
## Residual Std. Error 0.379 (df = 618)
## F Statistic 74.485*** (df = 11; 618)
## ===============================================
## Note: *p<0.1; **p<0.05; ***p<0.016.1.4 Comparación de los modelos
suppressWarnings(stargazer(FE_modelo,RE_modelo,MCO_modelo, FD_modelo, type = "text"))##
## =========================================================================================================
## Dependent variable:
## -------------------------------------------------------------------------------------
## lcrmrte
## panel OLS panel
## linear linear
## (1) (2) (3) (4)
## ---------------------------------------------------------------------------------------------------------
## lprbarr -0.360*** -0.425*** -0.720*** -0.327***
## (0.032) (0.032) (0.037) (0.030)
##
## lprbconv -0.286*** -0.327*** -0.546*** -0.238***
## (0.021) (0.021) (0.026) (0.018)
##
## lprbpris -0.183*** -0.179*** 0.248*** -0.165***
## (0.032) (0.034) (0.067) (0.026)
##
## lavgsen -0.004 -0.008 -0.087 -0.022
## (0.026) (0.028) (0.058) (0.022)
##
## lpolpc 0.424*** 0.429*** 0.366*** 0.398***
## (0.026) (0.026) (0.030) (0.027)
##
## factor(year)82 0.013 0.014 0.005 0.014
## (0.022) (0.023) (0.058) (0.016)
##
## factor(year)83 -0.079*** -0.075*** -0.044 -0.072***
## (0.021) (0.023) (0.058) (0.019)
##
## factor(year)84 -0.118*** -0.113*** -0.109* -0.106***
## (0.022) (0.023) (0.058) (0.021)
##
## factor(year)85 -0.112*** -0.106*** -0.078 -0.096***
## (0.022) (0.023) (0.058) (0.020)
##
## factor(year)86 -0.082*** -0.080*** -0.042 -0.055***
## (0.021) (0.023) (0.058) (0.015)
##
## factor(year)87 -0.040* -0.042* -0.027
## (0.021) (0.022) (0.057)
##
## Constant -1.673*** -2.082*** -0.006
## (0.175) (0.252) (0.007)
##
## ---------------------------------------------------------------------------------------------------------
## Observations 630 630 630 540
## R2 0.434 0.426 0.570 0.433
## Adjusted R2 0.327 0.416 0.562 0.422
## Residual Std. Error 0.379 (df = 618)
## F Statistic 36.911*** (df = 11; 529) 459.169*** 74.485*** (df = 11; 618) 40.318*** (df = 10; 529)
## =========================================================================================================
## Note: *p<0.1; **p<0.05; ***p<0.01Si es necesario usar efectos individuales y temporales ya que son cruciales para controlar las variables no observadas que son únicas de cada condado y que no cambian en el tiempo y las variables no observadas que afectan a todos los condados por igual en un año especifico.
Los resultados muestran que los coeficientes estimados por MCO(3) son los más grandes en magnitud, lo que evidencia un sesgo por variables omitidas. Con efectos fijos(1) los parámetros se reducen de forma importante, reflejando que al controlar la heterogeneidad no observable entre condados el impacto de las variables sobre el crimen es menor. En efectos aleatorios(2) los resultados son muy similares a EF, aunque ligeramente más altos, dado que asumen que las características no observadas no se correlacionan con las explicativas. Finalmente, en primeras diferencias(4) los coeficientes se mantienen con el mismo signo pero son los más bajos en magnitud, ya que eliminan tanto efectos individuales como temporales, capturando únicamente la variación dentro de cada condado a lo largo del tiempo.
7 Punto G
7.1 Prueba de Hausman
La prueba de Hausman es una prueba estadística que ayuda a decidir si se debe elegir entre un modelo de efectos fijos o uno de efectos aleatorios.
7.1.1 Prueba de Hipotesis
\[ H_0=E(\alpha_i|X_i) = 0 \quad Efectos \quad Aleatorios \\ H_0=E(\alpha_i|X_i) \neq 0 \quad Efectos \quad Fijos \] Si las variables no observables(\(\alpha_i\)) no tienen una relación con las variables explicativas observables(\(X_i\)) que estan dentro del modelo preferimos Efectos Aleatorios.
Si las variables no observables(\(\alpha_i\)) tienen una relación con las variables explicativas observables(\(X_i\)) que estan dentro del modelo preferimos Efectos Fijos.
7.1.2 Estadisco de prueba
\[ H = (\hat\beta_{FE} - \hat\beta_{RE})'[Var(\hat\beta_{FE})-Var(\hat\beta_{RE})]^{-1} (\hat\beta_{FE}-\hat\beta_{RE}) \]
El estadístico mide la diferencia entre los coeficientes de FE y RE, ponderada por la diferencia en sus varianzas.
7.1.3 Regla de desición
Si el p-valor es menor a 0.05: Rechazamos \(H_0\) -> El modelo de Efectos Fijos (FE) es más apropiado.
Si el p-valor es mayor a 0.05: No rechazamos \(H_0\) -> El modelo de Efectos Aleatorios (RE) es más apropiado.
7.1.4 Prueba
hausman_test <- phtest(FE_modelo,RE_modelo)
print(hausman_test)##
## Hausman Test
##
## data: lcrmrte ~ lprbarr + lprbconv + lprbpris + lavgsen + lpolpc + ...
## chisq = 36.924, df = 11, p-value = 0.0001187
## alternative hypothesis: one model is inconsistentDado que el p-valor (0.0001187) es mucho menor que el nivel de significancia (0.05), se rechaza la hipótesis nula. Esto significa que existe evidencia estadísticamente significativa para afirmar que el modelo de Efectos Fijos (FE) es el más apropiado.
Los resultados muestran que los signos de los coeficientes son consistentes con la literatura sobre economía del crimen (Becker, 1968; Ehrlich, 1973). La probabilidad de arresto (lprbarr), de condena (lprbconv) y de prisión (lprbpris) tienen coeficientes negativos y significativos, lo que respalda la hipótesis de la disuasión. En términos de elasticidades, un aumento del 1% en la probabilidad de arresto reduce la tasa de criminalidad en 0,36%; un 1% más en la probabilidad de condena la reduce en 0,29%; y un 1% más en la probabilidad de prisión la disminuye en 0,18%. Esto confirma que la certeza del castigo es un determinante importante en la reducción del crimen.
Por su parte, la longitud promedio de la sentencia (lavgsen) no resulta significativa, lo que coincide con evidencia previa que muestra que la severidad del castigo tiene un efecto ambiguo o menor frente a la certeza de ser sancionado.
En el caso de los policías per cápita (lpolpc), el coeficiente es positivo (0,42) y significativo, lo que indica que un aumento del 1% en el número de policías está asociado con un incremento del 0,42% en la tasa de criminalidad. Este resultado puede deberse a un problema de endogeneidad (las zonas con más crimen reciben más policías) o a que la presencia policial no necesariamente implica una reducción inmediata en la actividad delictiva.
Finalmente, las variables de año capturan efectos temporales; varios coeficientes negativos y significativos (1983–1986) sugieren la presencia de factores coyunturales como políticas públicas, cambios económicos o sociales que incidieron en la reducción de la criminalidad en esos periodos.
8 Referencias
- https://www.nber.org/system/files/chapters/c3625/c3625.pdf
- https://books.google.com.co/books/about/Participation_in_Illegitimate_Activities.html?id=wDDfzwEACAAJ&redir_esc=y
- https://061015k46-y-https-unisucre-metarevistas-com.unisucre.metaproxy.org/Record/metarevistaprivada_publicacionesamericanaeducopriv_pensamientoamericano_100_article_332
- https://061015k46-y-https-unisucre-metarevistas-com.unisucre.metaproxy.org/Record/metarevistaprivada_uniandesprivcol_revistadesarrolloysociedad_80_article_6787
- https://061015k46-y-https-unisucre-metarevistas-com.unisucre.metaproxy.org/Record/metarevistaprivada_hipatiapresscomhpjournalspriv_internationalandmultidisciplinaryjournalofsocialsciences_66_article_4147
- https://061015k46-y-https-unisucre-metarevistas-com.unisucre.metaproxy.org/Record/metarevistaprivada_investigacioesgeograficasunammx_investigacionesgeograficas_42_article_60021