# ============================================================
# ANÁLISIS ESTADÍSTICO – DERECHOS HUMANOS
# Dataset: Base_Derechos_humanos.xlsx
# Incluye: Spearman, t-test, Chi-cuadrado, ANOVA, regresión
# + Gráficos de caja, dispersión y barras
# ============================================================
library(readxl)
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.1 ✔ stringr 1.6.0
## ✔ ggplot2 4.0.0 ✔ tibble 3.3.0
## ✔ lubridate 1.9.4 ✔ tidyr 1.3.1
## ✔ purrr 1.2.0
## ── 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 errors
library(ggplot2)
# ------------------------------------------------------------
# 1. CARGA DEL ARCHIVO
# ------------------------------------------------------------
datos <- read_excel("Base_Derechos_Humanos.xlsx")
# ------------------------------------------------------------
# 2. CODIFICACIÓN DE VARIABLES
# ------------------------------------------------------------
datos <- datos %>%
mutate(
sexo = factor(sexo),
nivel_educativo = ordered(nivel_educativo,
levels = c("Secundaria", "Técnico", "Universitario", "Postgrado")),
conocimiento_ddhh = ordered(conocimiento_ddhh,
levels = c("Bajo", "Medio", "Alto")),
percepcion_respeto_ddhh = as.numeric(percepcion_respeto_ddhh),
ha_denunciado_vulneracion = factor(ha_denunciado_vulneracion,
levels = c("No", "Sí")),
confianza_instituciones_ddhh = as.numeric(confianza_instituciones_ddhh),
frecuencia_educacion_ddhh = factor(frecuencia_educacion_ddhh,
levels = c("Nunca", "Baja", "Media", "Alta")),
apoyo_organizaciones_ddhh = factor(apoyo_organizaciones_ddhh,
levels = c("No", "Sí")),
participacion_actividades_ddhh = factor(participacion_actividades_ddhh,
levels = c("No", "Sí")),
satisfaccion_garantias_ddhh = as.numeric(satisfaccion_garantias_ddhh)
)
# ============================================================
# SUB-PREGUNTA 1
# ¿Conocimiento en DDHH se asocia con percepción de respeto?
# ============================================================
# --- Estadística (Spearman)
cor_cono_respeto <- cor.test(as.numeric(datos$conocimiento_ddhh),
datos$percepcion_respeto_ddhh,
method="spearman")
## Warning in cor.test.default(as.numeric(datos$conocimiento_ddhh),
## datos$percepcion_respeto_ddhh, : Cannot compute exact p-value with ties
cor_cono_respeto
##
## Spearman's rank correlation rho
##
## data: as.numeric(datos$conocimiento_ddhh) and datos$percepcion_respeto_ddhh
## S = 160649, p-value = 0.7221
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
## rho
## 0.03601147
# --- Gráfico: Boxplot percepción según conocimiento
ggplot(datos, aes(x = conocimiento_ddhh, y = percepcion_respeto_ddhh, fill = conocimiento_ddhh)) +
geom_boxplot() +
labs(title="Percepción del Respeto según Conocimiento en DDHH",
x="Conocimiento en DDHH",
y="Percepción del respeto (1–10)") +
theme_minimal()
# ============================================================
# SUB-PREGUNTA 2
# ¿Participar/apoyar organizaciones aumenta satisfacción?
# ============================================================
# --- t-test para participación
t_part <- t.test(satisfaccion_garantias_ddhh ~ participacion_actividades_ddhh,
data=datos)
t_part
##
## Welch Two Sample t-test
##
## data: satisfaccion_garantias_ddhh by participacion_actividades_ddhh
## t = -0.040882, df = 52.822, p-value = 0.9675
## alternative hypothesis: true difference in means between group No and group Sí is not equal to 0
## 95 percent confidence interval:
## -1.361675 1.307280
## sample estimates:
## mean in group No mean in group Sí
## 5.352113 5.379310
# --- t-test para apoyo
t_apoyo <- t.test(satisfaccion_garantias_ddhh ~ apoyo_organizaciones_ddhh,
data=datos)
t_apoyo
##
## Welch Two Sample t-test
##
## data: satisfaccion_garantias_ddhh by apoyo_organizaciones_ddhh
## t = 1.4036, df = 84.079, p-value = 0.1641
## alternative hypothesis: true difference in means between group No and group Sí is not equal to 0
## 95 percent confidence interval:
## -0.3518641 2.0404098
## sample estimates:
## mean in group No mean in group Sí
## 5.891892 5.047619
# --- Gráfico de caja: satisfacción según participación
ggplot(datos, aes(x = participacion_actividades_ddhh,
y = satisfaccion_garantias_ddhh,
fill = participacion_actividades_ddhh)) +
geom_boxplot() +
labs(title="Satisfacción según Participación en Actividades DDHH",
x="Participó en actividades",
y="Satisfacción con garantías") +
theme_minimal()
# --- Gráfico de caja: satisfacción según apoyo
ggplot(datos, aes(x = apoyo_organizaciones_ddhh,
y = satisfaccion_garantias_ddhh,
fill = apoyo_organizaciones_ddhh)) +
geom_boxplot() +
labs(title="Satisfacción según Apoyo a Organizaciones DDHH",
x="Apoya organizaciones",
y="Satisfacción con garantías") +
theme_minimal()
# ============================================================
# SUB-PREGUNTA 3
# ¿Confianza institucional se relaciona con percepción?
# ============================================================
cor_confianza <- cor.test(datos$confianza_instituciones_ddhh,
datos$percepcion_respeto_ddhh,
method="spearman")
## Warning in cor.test.default(datos$confianza_instituciones_ddhh,
## datos$percepcion_respeto_ddhh, : Cannot compute exact p-value with ties
cor_confianza
##
## Spearman's rank correlation rho
##
## data: datos$confianza_instituciones_ddhh and datos$percepcion_respeto_ddhh
## S = 167151, p-value = 0.9763
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
## rho
## -0.003003377
# --- Gráfico de dispersión
ggplot(datos, aes(x=confianza_instituciones_ddhh,
y=percepcion_respeto_ddhh)) +
geom_point(color="blue", alpha=0.6) +
geom_smooth(method="lm", color="red") +
labs(title="Relación entre Confianza Institucional y Percepción del Respeto",
x="Confianza (1–10)",
y="Percepción del respeto (1–10)") +
theme_minimal()
## `geom_smooth()` using formula = 'y ~ x'
# ============================================================
# SUB-PREGUNTA 4
# ¿Educación en DDHH influye en haber denunciado?
# ============================================================
tabla_edu_den <- table(datos$frecuencia_educacion_ddhh, datos$ha_denunciado_vulneracion)
chisq.test(tabla_edu_den)
## Warning in chisq.test(tabla_edu_den): Chi-squared approximation may be
## incorrect
##
## Pearson's Chi-squared test
##
## data: tabla_edu_den
## X-squared = 8.7442, df = 3, p-value = 0.03289
# --- Gráfico de barras
ggplot(datos, aes(x=frecuencia_educacion_ddhh, fill=ha_denunciado_vulneracion)) +
geom_bar(position="fill") +
labs(title="Relación entre Educación en DDHH y Denuncias",
x="Frecuencia de educación",
y="Proporción") +
theme_minimal()
# ============================================================
# SUB-PREGUNTA 5
# ¿Nivel educativo influye en el apoyo a causas DDHH?
# ============================================================
tabla_nivel_apoyo <- table(datos$nivel_educativo, datos$apoyo_organizaciones_ddhh)
chisq.test(tabla_nivel_apoyo)
##
## Pearson's Chi-squared test
##
## data: tabla_nivel_apoyo
## X-squared = 4.7764, df = 3, p-value = 0.1889
# --- Gráfico de barras
ggplot(datos, aes(x=nivel_educativo, fill=apoyo_organizaciones_ddhh)) +
geom_bar(position="fill") +
labs(title="Apoyo a Organizaciones según Nivel Educativo",
x="Nivel educativo",
y="Proporción") +
theme_minimal()
# ============================================================
# ANOVA
# ¿La satisfacción cambia según educación en DDHH?
# ============================================================
anova_model <- aov(satisfaccion_garantias_ddhh ~ frecuencia_educacion_ddhh, data = datos)
summary(anova_model)
## Df Sum Sq Mean Sq F value Pr(>F)
## frecuencia_educacion_ddhh 3 63.5 21.177 2.416 0.0712 .
## Residuals 96 841.5 8.766
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
TukeyHSD(anova_model)
## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = satisfaccion_garantias_ddhh ~ frecuencia_educacion_ddhh, data = datos)
##
## $frecuencia_educacion_ddhh
## diff lwr upr p adj
## Baja-Nunca 1.0784314 -1.178020 3.33488251 0.5970573
## Media-Nunca -0.4282353 -2.467702 1.61123093 0.9466082
## Alta-Nunca -1.3708440 -3.460785 0.71909700 0.3216112
## Media-Baja -1.5066667 -3.899585 0.88625204 0.3579360
## Alta-Baja -2.4492754 -4.885356 -0.01319432 0.0482486
## Alta-Media -0.9426087 -3.179200 1.29398280 0.6892205
# --- Boxplot para ANOVA
ggplot(datos, aes(x = frecuencia_educacion_ddhh,
y = satisfaccion_garantias_ddhh,
fill = frecuencia_educacion_ddhh)) +
geom_boxplot() +
labs(title="Satisfacción según Frecuencia de Educación en DDHH",
x="Frecuencia de educación",
y="Satisfacción") +
theme_minimal()
# ============================================================
# PRUEBA T
# ¿Percepción cambia entre quienes han denunciado o no?
# ============================================================
t_denuncia <- t.test(percepcion_respeto_ddhh ~ ha_denunciado_vulneracion, data=datos)
t_denuncia
##
## Welch Two Sample t-test
##
## data: percepcion_respeto_ddhh by ha_denunciado_vulneracion
## t = 0.45234, df = 39.4, p-value = 0.6535
## alternative hypothesis: true difference in means between group No and group Sí is not equal to 0
## 95 percent confidence interval:
## -0.9747147 1.5364862
## sample estimates:
## mean in group No mean in group Sí
## 5.871795 5.590909
# --- Boxplot percepción según denuncia
ggplot(datos, aes(x = ha_denunciado_vulneracion,
y = percepcion_respeto_ddhh,
fill = ha_denunciado_vulneracion)) +
geom_boxplot() +
labs(title="Percepción del Respeto según Denuncias",
x="¿Ha denunciado?",
y="Percepción del respeto") +
theme_minimal()
# ============================================================
# REGRESIÓN LOGÍSTICA
# Predicción de satisfacción (alta = 7–10)
# ============================================================
datos <- datos %>%
mutate(satisfaccion_alta = ifelse(satisfaccion_garantias_ddhh >= 7, 1, 0))
modelo_logistico <- glm(
satisfaccion_alta ~ participacion_actividades_ddhh +
confianza_instituciones_ddhh +
conocimiento_ddhh,
data = datos,
family = binomial
)
summary(modelo_logistico)
##
## Call:
## glm(formula = satisfaccion_alta ~ participacion_actividades_ddhh +
## confianza_instituciones_ddhh + conocimiento_ddhh, family = binomial,
## data = datos)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -0.914688 0.518185 -1.765 0.0775 .
## participacion_actividades_ddhhSí 0.003221 0.468547 0.007 0.9945
## confianza_instituciones_ddhh 0.090607 0.074438 1.217 0.2235
## conocimiento_ddhh.L 0.648837 0.361662 1.794 0.0728 .
## conocimiento_ddhh.Q -0.163921 0.370859 -0.442 0.6585
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 135.37 on 99 degrees of freedom
## Residual deviance: 130.64 on 95 degrees of freedom
## AIC: 140.64
##
## Number of Fisher Scoring iterations: 4