Planteamiento del problema

La cooperación internacional busca fortalecer procesos de desarrollo mediante actividades académicas, laborales y sociales. Sin embargo, la percepción del impacto de estas iniciativas puede variar según la experiencia previa, el nivel educativo y otros factores individuales.

Objetivo general

Analizar la relación entre la participación en programas de cooperación internacional y la percepción del desarrollo.

Objetivos específicos

  1. Comparar la percepción del impacto del desarrollo entre quienes han participado y quienes no han participado en programas de cooperación.
  2. Evaluar si existen diferencias en la percepción del desarrollo según variables como nivel educativo o región.

Justificación

La estadística inferencial permite identificar patrones y diferencias significativas entre grupos, aportando evidencia útil para comprender cómo distintos factores influyen en la percepción del desarrollo. Este tipo de análisis es clave para orientar decisiones y evaluar el alcance de iniciativas de cooperación.

Contexto del estudio

La cooperación internacional busca impulsar el desarrollo a través del intercambio académico, laboral y social. Sin embargo, la percepción de su impacto varía según la experiencia y el nivel educativo de las personas. Este trabajo analiza cómo la participación en programas de cooperación se relaciona con la percepción del desarrollo, aplicando herramientas de estadística inferencial. Los resultados pueden servir de apoyo para orientar estrategias y decisiones en materia de cooperación internacional.

Pregunta problema:

¿Qué factores influyen en la percepción positiva o negativa sobre el impacto de la cooperación internacional en el desarrollo del país

Variables incluidas en el análisis

Variable Tipo Descripción
edad Numérica Edad del participante
sexo Categórica Masculino, Femenino, Otro
región Categórica Caribe, Andes, Pacífico, Amazonía
nivel_educativo Ordinal Pregrado, Especialización, Maestría, Doctorado
ha_participado_cooperacion Categórica Sí / No
tipo_participación Categórica Académica, Laboral, Voluntariado, Ninguna
conoce_agencia_cooperacion Categórica Sí / No
percepción_impacto_desarrollo Ordinal Escala 1–10
apoyo_aumentar_cooperacion Categórica Sí / No
ingreso_mensual Numérica Ingreso mensual 
library(readxl)
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, union
library(ggplot2)
library(psych)
## 
## Attaching package: 'psych'
## The following objects are masked from 'package:ggplot2':
## 
##     %+%, alpha
base <- read_excel("Base_Cooperacion_RI.xlsx")

head(base)
## # A tibble: 6 × 10
##    edad sexo    región nivel_educativo ha_participado_coope…¹ tipo_participación
##   <dbl> <chr>   <chr>  <chr>           <chr>                  <chr>             
## 1    24 Femeni… Amazo… Pregrado        No                     Voluntariado      
## 2    37 Femeni… Caribe Doctorado       Sí                     Laboral           
## 3    32 Mascul… Caribe Pregrado        No                     Académica         
## 4    28 Mascul… Amazo… Maestría        Sí                     Voluntariado      
## 5    25 Mascul… Amazo… Especialización Sí                     Voluntariado      
## 6    38 Femeni… Pacíf… Maestría        Sí                     Académica         
## # ℹ abbreviated name: ¹​ha_participado_cooperacion
## # ℹ 4 more variables: conoce_agencia_cooperacion <chr>,
## #   percepción_impacto_desarrollo <dbl>, apoyo_aumentar_cooperacion <chr>,
## #   ingreso_mensual <dbl>

Revisión de datos faltantes y atípicos

Antes del análisis inferencial, es necesario identificar si existen valores faltantes o atípicos que puedan afectar la interpretación de los resultados. A continuación se revisan los valores NA y el comportamiento de las variables numéricas principales.

## --- Faltantes ---
colSums(is.na(base))
##                          edad                          sexo 
##                             0                             0 
##                        región               nivel_educativo 
##                             0                             0 
##    ha_participado_cooperacion            tipo_participación 
##                             0                             0 
##    conoce_agencia_cooperacion percepción_impacto_desarrollo 
##                             0                             0 
##    apoyo_aumentar_cooperacion               ingreso_mensual 
##                             0                             0
round(colSums(is.na(base)) / nrow(base) * 100, 2)
##                          edad                          sexo 
##                             0                             0 
##                        región               nivel_educativo 
##                             0                             0 
##    ha_participado_cooperacion            tipo_participación 
##                             0                             0 
##    conoce_agencia_cooperacion percepción_impacto_desarrollo 
##                             0                             0 
##    apoyo_aumentar_cooperacion               ingreso_mensual 
##                             0                             0
## --- Resumen numéricas para ver rangos ---
summary(base$edad)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   18.00   24.00   29.00   29.28   35.00   40.00
summary(base$ingreso_mensual)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##  381868 1667864 1982936 2023581 2440142 3544015
## --- Boxplots para ver posibles atípicos ---
boxplot(base$edad, main = "Atípicos en la variable Edad", col = "lightblue")

boxplot(base$ingreso_mensual, main = "Atípicos: Ingreso mensual", col = "lightgreen")

Interpretación:
La base no presenta porcentajes altos de datos faltantes. Las variables numéricas muestran rangos esperados y los boxplots permiten observar posibles valores extremos, que se mantienen en el análisis porque no afectan significativamente la distribución general.

Resumen de variables numéricas

A continuación se presentan los principales estadísticos descriptivos de las variables numéricas: media, mediana, desviación estándar, mínimo y máximo.

describe(select(base, edad, ingreso_mensual, percepción_impacto_desarrollo))
##                               vars   n       mean        sd  median    trimmed
## edad                             1 100      29.28      6.46      29      29.36
## ingreso_mensual                  2 100 2023581.24 641002.94 1982936 2018986.99
## percepción_impacto_desarrollo    3 100       5.81      2.99       6       5.88
##                                     mad    min     max   range  skew kurtosis
## edad                               7.41     18      40      22 -0.05    -1.18
## ingreso_mensual               626718.00 381868 3544015 3162147  0.05    -0.11
## percepción_impacto_desarrollo      4.45      1      10       9 -0.10    -1.35
##                                     se
## edad                              0.65
## ingreso_mensual               64100.29
## percepción_impacto_desarrollo     0.30

Interpretación:
La edad promedio es de 29 años, el ingreso mensual ronda los 2 millones y la percepción del impacto tiene un valor medio de 5.8, lo que indica evaluaciones moderadas del desarrollo.

Resumen de variables categóricas

Se presentan las frecuencias absolutas y relativas para las principales variables categóricas del estudio.

base %>%
  select(sexo, región, nivel_educativo, ha_participado_cooperacion,
         tipo_participación, conoce_agencia_cooperacion, apoyo_aumentar_cooperacion) %>%
  reframe(across(everything(), ~ list(table(.), prop.table(table(.)))))
## # A tibble: 2 × 7
##   sexo        región      nivel_educativo ha_participado_cooperacion
##   <list>      <list>      <list>          <list>                    
## 1 <table [3]> <table [4]> <table [4]>     <table [2]>               
## 2 <table [3]> <table [4]> <table [4]>     <table [2]>               
## # ℹ 3 more variables: tipo_participación <list>,
## #   conoce_agencia_cooperacion <list>, apoyo_aumentar_cooperacion <list>

Interpretación:
Las variables categóricas muestran distribuciones claras entre sus categorías, lo que permite comparar grupos como sexo, región, nivel educativo y participación en cooperación sin problemas de representación.

Gráficos descriptivos

A continuación se presentan cinco gráficos que permiten visualizar la distribución y relación entre las variables principales.

ggplot(base, aes(x = percepción_impacto_desarrollo)) +
  geom_histogram(binwidth = 1, fill = "skyblue", color = "black") +
  labs(title = "Distribución de la percepción del impacto del desarrollo",
       x = "Percepción del impacto", y = "Frecuencia")

Interpretación:
La percepción del impacto del desarrollo se concentra en valores medios, indicando opiniones moderadas en la mayoría de los participantes.

ggplot(base, aes(x = ha_participado_cooperacion, fill = ha_participado_cooperacion)) +
  geom_bar() +
  labs(title = "Participación en programas de cooperación",
       x = "Participación", y = "Frecuencia")

Interpretación:
Hay una diferencia visible entre quienes han participado y quienes no, lo que permite evaluar si esta variable influye en la percepción del desarrollo.

ggplot(base, aes(x = nivel_educativo, y = percepción_impacto_desarrollo, fill = nivel_educativo)) +
  geom_boxplot() +
  labs(title = "Percepción del impacto según nivel educativo",
       x = "Nivel educativo", y = "Percepción del impacto") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Interpretación:
El nivel educativo muestra variación en la percepción del desarrollo, sugiriendo posibles diferencias entre grupos educativos.

ggplot(base, aes(x = ha_participado_cooperacion, y = ingreso_mensual, fill = ha_participado_cooperacion)) +
  geom_boxplot() +
  labs(title = "Ingreso mensual según participación en cooperación",
       x = "Participación", y = "Ingreso mensual")

Interpretación:
Los ingresos presentan diferencias entre quienes han participado y quienes no, aunque visualmente no parecen muy marcadas.

ggplot(base, aes(x = conoce_agencia_cooperacion, fill = apoyo_aumentar_cooperacion)) +
  geom_bar(position = "fill") +
  labs(title = "Apoyo a la cooperación según conocimiento de agencias",
       x = "Conoce agencias", y = "Proporción")

Interpretación:
Las personas que conocen agencias de cooperación muestran mayor proporción de apoyo a aumentar la cooperación.

Interpretación general:
Los gráficos muestran que la percepción del impacto suele concentrarse en valores medios y altos. Las personas que han participado en programas de cooperación tienden a mostrar una percepción ligeramente mayor del desarrollo. Asimismo, el conocimiento de agencias está asociado con un mayor apoyo a aumentar la cooperación. Las diferencias por nivel educativo y participación sugieren posibles relaciones a explorar mediante pruebas de hipótesis.

Prueba 1: Diferencia de medias según participación en cooperación

Hipótesis nula (H0): No existe diferencia en la percepción del desarrollo entre quienes han participado y quienes no.
Hipótesis alternativa (H1): Existe diferencia en la percepción del desarrollo entre ambos grupos.

Técnica: t-test de dos muestras independientes.
Justificación: Compara la media de una variable numérica entre dos grupos categóricos (Sí/No), tal como recomiendan las técnicas sugeridas.

t.test(percepción_impacto_desarrollo ~ ha_participado_cooperacion, data = base)
## 
##  Welch Two Sample t-test
## 
## data:  percepción_impacto_desarrollo by ha_participado_cooperacion
## t = -1.4225, df = 92.847, p-value = 0.1582
## alternative hypothesis: true difference in means between group No and group Sí is not equal to 0
## 95 percent confidence interval:
##  -2.0363135  0.3365991
## sample estimates:
## mean in group No mean in group Sí 
##         5.325581         6.175439

Interpretación:
El valor p = 0.1582 es mayor que 0.05, por lo que no se rechaza la hipótesis nula. Esto significa que no hay evidencia de una diferencia significativa en la percepción del desarrollo entre quienes han participado en cooperación y quienes no. Aunque las medias son diferentes, la diferencia no es estadísticamente significativa.

Prueba 2: ANOVA por nivel educativo

H0: La media de percepción del desarrollo es igual para todos los niveles educativos.
H1: Al menos un nivel educativo presenta una diferencia significativa.

Técnica: ANOVA de un factor.
Justificación: Se compara una variable numérica entre más de dos grupos categóricos.

anova_edu <- aov(percepción_impacto_desarrollo ~ nivel_educativo, data = base)
summary(anova_edu)
##                 Df Sum Sq Mean Sq F value Pr(>F)
## nivel_educativo  3   14.7   4.916   0.541  0.656
## Residuals       96  872.6   9.090

Interpretación:
El valor p = 0.656 es mayor que 0.05, por lo que no se rechaza la hipótesis nula. Esto significa que no hay diferencias significativas en la percepción del desarrollo entre los distintos niveles educativos. En esta muestra, el nivel educativo no influye de manera estadísticamente significativa en la percepción del impacto del desarrollo.

Prueba 3: Asociación entre conocer agencias y apoyar la cooperación

H0: No existe asociación entre conocer agencias de cooperación y apoyar su aumento.
H1: Sí existe asociación entre ambas variables.

Técnica: Chi-cuadrado de independencia.
Justificación: Ambas variables son categóricas (Sí/No).

tabla_agencia <- table(base$conoce_agencia_cooperacion, base$apoyo_aumentar_cooperacion)
chisq.test(tabla_agencia)
## 
##  Pearson's Chi-squared test with Yates' continuity correction
## 
## data:  tabla_agencia
## X-squared = 1.6139, df = 1, p-value = 0.2039

Interpretación:
El valor p = 0.2039 es mayor que 0.05, por lo que no se rechaza la hipótesis nula. Esto indica que no existe una asociación significativa entre conocer agencias de cooperación y apoyar el aumento de la cooperación. En esta muestra, conocer una agencia no está relacionado de manera estadística con apoyar su incremento.

Prueba 4: Correlación entre ingreso mensual y percepción del desarrollo

H0: No existe correlación entre el ingreso y la percepción del impacto.
H1: Sí existe correlación.

Técnica: Correlación de Spearman.
Justificación: Se usa cuando hay una variable numérica y otra ordinal; además no requiere normalidad estricta.

cor.test(base$ingreso_mensual, base$percepción_impacto_desarrollo, method = "spearman")
## Warning in cor.test.default(base$ingreso_mensual,
## base$percepción_impacto_desarrollo, : Cannot compute exact p-value with ties
## 
##  Spearman's rank correlation rho
## 
## data:  base$ingreso_mensual and base$percepción_impacto_desarrollo
## S = 190949, p-value = 0.1478
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##        rho 
## -0.1458068

Interpretación:
La prueba arrojó un coeficiente de Spearman de ρ = –0.1458, lo que indica una relación negativa muy débil entre el ingreso mensual y la percepción del impacto del desarrollo. El valor p (0.1478) es mayor a 0.05, por lo que no se rechaza la hipótesis nula. En consecuencia, no existe evidencia estadísticamente significativa de que el ingreso mensual esté asociado con la percepción del impacto del desarrollo.

Prueba 5 (Opción ANOVA): Percepción del desarrollo según región

Hipótesis nula (H0): La percepción del desarrollo es igual en todas las regiones.
Hipótesis alternativa (H1): Al menos una región presenta una percepción distinta.

Técnica: ANOVA de un factor.
Justificación: Se compara una variable numérica entre más de dos grupos categóricos (regiones).

anova_region <- aov(percepción_impacto_desarrollo ~ región, data = base)
summary(anova_region)
##             Df Sum Sq Mean Sq F value Pr(>F)
## región       3   24.6   8.192   0.911  0.439
## Residuals   96  862.8   8.988

Interpretación:
El valor p = 0.439 es mayor que 0.05, por lo que no se rechaza la hipótesis nula. Esto significa que no hay diferencias significativas en la percepción del desarrollo entre las distintas regiones. En esta muestra, la región de residencia no influye de manera estadísticamente significativa en la percepción del impacto del desarrollo.

Conclusiones

Los resultados del análisis muestran que la percepción del impacto del desarrollo se mantiene en niveles moderados en la muestra. Las cinco pruebas de hipótesis aplicadas indican que variables como la participación en cooperación, el nivel educativo, el ingreso mensual, la región y el conocimiento de agencias no presentan efectos estadísticamente significativos sobre la percepción. Esto sugiere que, dentro del grupo analizado, la percepción del desarrollo es estable y no depende directamente de las características evaluadas.

Cumplimiento del objetivo general

El objetivo general se cumplió, ya que se analizaron las relaciones y diferencias entre variables sociodemográficas, de participación y la percepción del impacto del desarrollo mediante técnicas estadísticas inferenciales. Los resultados permitieron determinar que no existen efectos significativos entre las variables evaluadas, cumpliendo con el propósito central del estudio.

Cumplimiento de los objetivos específicos

Cada objetivo específico fue evaluado mediante su respectiva prueba de hipótesis. Los resultados evidenciaron lo siguiente:

En consecuencia, los objetivos específicos fueron respondidos y se cumplieron, dado que cada uno fue abordado de manera directa con las pruebas estadísticas correspondientes.

Recomendación de política pública

Dado que conocer agencias de cooperación no se asocia con apoyar su aumento, se recomienda fortalecer estrategias de información, comunicación pública y pedagogía sobre los programas de cooperación internacional. Una mayor visibilidad y claridad sobre su impacto podría mejorar la comprensión ciudadana y fomentar una percepción más informada del desarrollo.

Respuesta a la pregunta de investigación

La pregunta de investigación buscaba determinar si las características sociodemográficas y la participación en cooperación influyen en la percepción del impacto del desarrollo. Con base en las cinco pruebas de hipótesis realizadas, se concluye que ninguna de las variables analizadas presenta efectos significativos sobre la percepción. Por lo tanto, la percepción del desarrollo no varía en función de la participación, el nivel educativo, el ingreso mensual, la región o el conocimiento de agencias. En esta muestra, la percepción se m