Pruebas Estadísticas Latinobarómetro

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(tidyr)
library(ggplot2)
library(purrr)

1. CARGA Y LIMPIEZA DE DATOS

BASE <- read_excel("base_latinob.xlsx")

# Tratar valores negativos como NA en todas las variables clave
var_limpiar <- c("satisfaccion_economia", "satisfaccion_democracia","confianza_congreso", "confianza_gobierno", "confianza_judicial", "reduccion_corrupcion")

BASE <- BASE %>%
  mutate(across(all_of(var_limpiar), ~ if_else(as.numeric(.) < 0, NA_real_, as.numeric(.))))

# Crear grupos partidistas
# Conservar solo los 5 partidos + apartidistas (-1)
# Eliminar: 95 (voto nulo), 96 (no vota/ninguno)

BASE_LATINOB <- BASE %>%        # Utilizar para gráficos y pruebas estadísticas
  mutate(    afiliacion_partido = ifelse(afiliacion_partido %in% c(95, 96), NA, afiliacion_partido),
    afiliacion_partido_nombre = recode(
    afiliacion_partido,
                   `484001` = "PAN",
                   `484002` = "PRI",
                   `484003` = "PRD",
                   `484014` = "MC",
                   `484015` = "MORENA",
                   `-1`     = "Apartidistas",
                   .default = NA_character_),
    
    grupo = recode(afiliacion_partido_nombre,
      "MORENA" = "MORENA",
      "MC" = "MC",
      "Apartidistas" = "Apartidistas",
      .default = "Tradicionales"),
    
    grupo = factor(grupo, levels = c("MORENA", "Tradicionales", "MC", "Apartidistas")),
    
    periodo = recode(
      Año,
      `2016` = "Pre-MORENA (2016-2018)",
      `2017` = "Pre-MORENA (2016-2018)",
      `2018` = "Pre-MORENA (2016-2018)",
      `2020` = "Durante AMLO (2020-2024)",
      `2023` = "Durante AMLO (2020-2024)",
      `2024` = "Durante AMLO (2020-2024)"),
    
    periodo = factor(periodo, levels = c("Pre-MORENA (2016-2018)", "Durante AMLO (2020-2024)")),
    confianza_institucional = rowMeans(
      cbind(confianza_gobierno, confianza_judicial, confianza_congreso),
      na.rm = TRUE
      ),
    confianza_institucional = ifelse(is.nan(confianza_institucional), NA, confianza_institucional)
    )

BASE_LATINOB

## # A tibble: 6,376 × 23
##      Año afiliacion_partido satisfaccion_economia satisfaccion_democracia
##    <dbl>              <dbl>                 <dbl>                   <dbl>
##  1  2016             484002                     3                       2
##  2  2016                 NA                     4                       4
##  3  2016             484001                     2                       2
##  4  2016                 NA                     3                       3
##  5  2016                 NA                     2                       3
##  6  2016                 NA                     3                       3
##  7  2016             484001                     1                      NA
##  8  2016                 NA                     2                       4
##  9  2016                 NA                    NA                       4
## 10  2016             484001                    NA                       3
## # ℹ 6,366 more rows
## # ℹ 19 more variables: confianza_congreso <dbl>, confianza_gobierno <dbl>,
## #   confianza_partidos_politicos <dbl>, confianza_judicial <dbl>,
## #   reduccion_corrupcion <dbl>, confianza_compañias_nacionales <lgl>,
## #   confianza_medios_comunicación <lgl>,
## #   confianza_companias_internacionales <lgl>, confianza_bancos <lgl>,
## #   temor_victima_crimen <dbl>, apoyo_social <dbl>, edad <dbl>, sexo <dbl>, …

BASE_LATINOB_RECOD <- BASE_LATINOB %>%   # Utilizar para gráficos con escalas invertidas (4=más positivo)
  mutate(
    # Invertir escalas (satisfacción y confianza) para que alto = positivo
    satisfaccion_economia_recod   = 5 - satisfaccion_economia,   # ahora 1=nada → 4=muy satisfecho
    satisfaccion_democracia_recod = 5 - satisfaccion_democracia, # ahora 1=nada → 4=muy satisfecho
    confianza_gobierno_recod  = 5 - confianza_gobierno,      # ahora 1=ninguna → 4=mucha
    confianza_judicial_recod  = 5 - confianza_judicial,      # ahora 1=ninguna → 4=mucha
    confianza_congreso_recod  = 5 - confianza_congreso,      # ahora 1=ninguna → 4=mucha
    
    # Índice de confianza institucional (promedio de las 3)
    confianza_institucional_recod = rowMeans(
      cbind(confianza_gobierno_recod, confianza_judicial_recod, confianza_congreso_recod),
      na.rm = TRUE
    ),
    # Promediar la confianza en 3 instituciones para cada persona, ignorando valores faltantes, y si no hay datos, dejar como NA.
    confianza_institucional_recod = ifelse(is.nan(confianza_institucional_recod), NA, confianza_institucional_recod))

BASE_LATINOB_RECOD

## # A tibble: 6,376 × 29
##      Año afiliacion_partido satisfaccion_economia satisfaccion_democracia
##    <dbl>              <dbl>                 <dbl>                   <dbl>
##  1  2016             484002                     3                       2
##  2  2016                 NA                     4                       4
##  3  2016             484001                     2                       2
##  4  2016                 NA                     3                       3
##  5  2016                 NA                     2                       3
##  6  2016                 NA                     3                       3
##  7  2016             484001                     1                      NA
##  8  2016                 NA                     2                       4
##  9  2016                 NA                    NA                       4
## 10  2016             484001                    NA                       3
## # ℹ 6,366 more rows
## # ℹ 25 more variables: confianza_congreso <dbl>, confianza_gobierno <dbl>,
## #   confianza_partidos_politicos <dbl>, confianza_judicial <dbl>,
## #   reduccion_corrupcion <dbl>, confianza_compañias_nacionales <lgl>,
## #   confianza_medios_comunicación <lgl>,
## #   confianza_companias_internacionales <lgl>, confianza_bancos <lgl>,
## #   temor_victima_crimen <dbl>, apoyo_social <dbl>, edad <dbl>, sexo <dbl>, …

2. CONFIGURACIÓN DE COLORES Y TEMA

colores_grupo <- c(
  "MORENA"        = "#930001",
  "Tradicionales" = "#0833A2",
  "MC"            = "#FF8000",
  "Apartidistas"  = "#636363"
)

años_breaks <- c(2016, 2017, 2018, 2020, 2023, 2024)

tema_base <- theme_minimal(base_size = 12, base_family = "") +
  theme(
    plot.title = element_text(face = "bold", size = 14, hjust = 0.5),
    plot.caption = element_text(size = 8.5, color = "gray40", hjust = 0),
    legend.position = "bottom",
    legend.title = element_blank(),
    panel.grid.minor = element_blank(),
    panel.grid.major.x = element_blank(),
    panel.grid.major.y = element_line(color = "gray85", linewidth = 0.4),
    axis.text.x = element_text(angle = 0, hjust = 0.5),
    axis.title.x = element_text(size = 11),
    axis.title.y = element_text(size = 11)
  )

3. GRÁFICOS GENERALES CON BASE ORIGINAL

# Gráfico tendencia general
promedios_general_original <- function(var) {
  BASE_LATINOB %>%
    filter(!is.na(.data[[var]])) %>%
    group_by(Año) %>%
    summarise(promedio = mean(.data[[var]], na.rm = TRUE), .groups = "drop") %>%
    mutate(Año = factor(Año, levels = c(2016, 2017, 2018, 2020, 2023, 2024)))
}

# Individuales

g_general_economia <- ggplot(promedios_general_original("satisfaccion_economia"),
                             aes(x = Año, y = promedio, group = 1)) +
  geom_line(color = "#1B3A5F", linewidth = 0.9) +
  geom_point(color = "#1B3A5F", size = 2) +
  scale_y_continuous(limits = c(1, 4), breaks = 1:4) +
  labs(title = "Satisfacción con el desempeño de la economía",
       x = "Año", y = "Promedio") +
  tema_base

g_general_democracia <- ggplot(promedios_general_original("satisfaccion_democracia"),
                               aes(x = Año, y = promedio, group = 1)) +
  geom_line(color = "#1B3A5F", linewidth = 0.9) +
  geom_point(color = "#1B3A5F", size = 2) +
  scale_y_continuous(limits = c(1, 4), breaks = 1:4) +
  labs(title = "Satisfacción con el desempeño de la democracia",
       x = "Año", y = "Promedio") +
  tema_base

g_general_gobierno <- ggplot(promedios_general_original("confianza_gobierno"),
                             aes(x = Año, y = promedio, group = 1)) +
  geom_line(color = "#1B3A5F", linewidth = 0.9) +
  geom_point(color = "#1B3A5F", size = 2) +
  scale_y_continuous(limits = c(1, 4), breaks = 1:4) +
  labs(title = "Confianza en el gobierno",
       x = "Año", y = "Promedio") +
  tema_base

g_general_judicial <- ggplot(promedios_general_original("confianza_judicial"),
                             aes(x = Año, y = promedio, group = 1)) +
  geom_line(color = "#1B3A5F", linewidth = 0.9) +
  geom_point(color = "#1B3A5F", size = 2) +
  scale_y_continuous(limits = c(1, 4), breaks = 1:4) +
  labs(title = "Confianza en el poder judicial",
       x = "Año", y = "Promedio") +
  tema_base

g_general_congreso <- ggplot(promedios_general_original("confianza_congreso"),
                             aes(x = Año, y = promedio, group = 1)) +
  geom_line(color = "#1B3A5F", linewidth = 0.9) +
  geom_point(color = "#1B3A5F", size = 2) +
  scale_y_continuous(limits = c(1, 4), breaks = 1:4) +
  labs(title = "Confianza en el congreso",
       x = "Año", y = "Promedio") +
  tema_base

g_general_indice <- ggplot(promedios_general_original("confianza_institucional"),
                           aes(x = Año, y = promedio, group = 1)) +
  geom_line(color = "#1B3A5F", linewidth = 0.9) +
  geom_point(color = "#1B3A5F", size = 2) +
  scale_y_continuous(limits = c(1, 4), breaks = 1:4) +
  labs(title = "Índice de confianza institucional (gobierno, poder judicial y congreso)",
       x = "Año", y = "Promedio") +
  tema_base

g_general_corrupcion <- ggplot(promedios_general_original("reduccion_corrupcion"),
                               aes(x = Año, y = promedio, group = 1)) +
  geom_line(color = "#1B3A5F", linewidth = 0.9) +
  geom_point(color = "#1B3A5F", size = 2) +
  scale_y_continuous(limits = c(1, 5), breaks = 1:5) +
  labs(title = "Percepción sobre la reducción de la corrupción",
       x = "Año", y = "Promedio") +
  tema_base

# Combinada

g_general_combinada <- bind_rows(
  promedios_general_original("satisfaccion_economia") %>% mutate(variable = "Economía"),
  promedios_general_original("satisfaccion_democracia") %>% mutate(variable = "Democracia"),
  promedios_general_original("confianza_gobierno") %>% mutate(variable = "Gobierno"),
  promedios_general_original("confianza_judicial") %>% mutate(variable = "Poder judicial"),
  promedios_general_original("confianza_congreso") %>% mutate(variable = "Congreso"),
  promedios_general_original("confianza_institucional") %>% mutate(variable = "Índice confianza"),
  promedios_general_original("reduccion_corrupcion") %>% mutate(variable = "Corrupción")
) %>%
  ggplot(aes(x = Año, y = promedio, color = variable, group = variable)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2.2) +
  scale_y_continuous(limits = c(1, 5), breaks = 1:5) +
  scale_color_manual(values = c(
    "Economía" = "#1B3A5F",
    "Democracia" = "#335C67",
    "Gobierno" = "#6C757D",
    "Poder judicial" = "#495057",
    "Congreso" = "#ADB5BD",
    "Índice confianza" = "#0B2545",
    "Corrupción" = "#8D99AE"
  )) +
  labs(title = "Evolución conjunta de percepciones ciudadanas",
       x = "Año", y = "Promedio") +
  tema_base +
  theme(legend.position = "bottom")

# Mostrar
g_general_economia

g_general_democracia

g_general_gobierno

g_general_judicial

g_general_congreso

g_general_indice

g_general_corrupcion

g_general_combinada

3.1 GRÁFICOS CON BASE ORIGINAL

# Función promedios base original
promedios_original <- function(var) {
  BASE_LATINOB %>%
    filter(!is.na(grupo), !is.na(.data[[var]])) %>%
    group_by(Año, grupo) %>%
    summarise(promedio = mean(.data[[var]], na.rm = TRUE), .groups = "drop") %>%
    mutate(Año = factor(Año, levels = c(2016, 2017, 2018, 2020, 2023, 2024)))
}

# Gráfico Economía
g_economia <- ggplot(promedios_original("satisfaccion_economia"),
                     aes(x = Año, y = promedio, color = grupo, group = grupo)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2.6) +
  scale_color_manual(values = colores_grupo) +
  scale_y_continuous(limits = c(1, 4)) +
  labs(
    title = "Satisfacción con la Economía",
    x = "Año",
    y = "Promedio",
    caption = "Nota: Se utiliza escala original donde 1 = muy satisfecho y 4 = nada satisfecho."
  ) +
  tema_base

# Democracia
g_democracia <- ggplot(promedios_original("satisfaccion_democracia"),
                       aes(x = Año, y = promedio, color = grupo, group = grupo)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2.6) +
  scale_color_manual(values = colores_grupo) +
  scale_y_continuous(limits = c(1, 4)) +
  labs(
    title = "Satisfacción con la Democracia",
    x = "Año",
    y = "Promedio",
    caption = "Nota: Se utiliza escala original donde 1 = muy satisfecho y 4 = nada satisfecho."
  ) +
  tema_base

# Gobierno
g_conf_gobierno <- ggplot(promedios_original("confianza_gobierno"),
                          aes(x = Año, y = promedio, color = grupo, group = grupo)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2.6) +
  scale_color_manual(values = colores_grupo) +
  scale_y_continuous(limits = c(1, 4)) +
  labs(
    title = "Confianza en el Gobierno",
    x = "Año",
    y = "Promedio",
    caption = "Nota: Se utiliza escala original donde 1 = mucha confianza y 4 = ninguna confianza."
  ) +
  tema_base

# Judicial
g_conf_judicial <- ggplot(promedios_original("confianza_judicial"),
                          aes(x = Año, y = promedio, color = grupo, group = grupo)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2.6) +
  scale_color_manual(values = colores_grupo) +
  scale_y_continuous(limits = c(1, 4)) +
  labs(
    title = "Confianza en el Poder Judicial",
    x = "Año",
    y = "Promedio",
    caption = "Nota: Se utiliza escala original donde 1 = mucha confianza y 4 = ninguna confianza."
  ) +
  tema_base

# Congreso
g_conf_congreso <- ggplot(promedios_original("confianza_congreso"),
                          aes(x = Año, y = promedio, color = grupo, group = grupo)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2.6) +
  scale_color_manual(values = colores_grupo) +
  scale_y_continuous(limits = c(1, 4)) +
  labs(
    title = "Confianza en el Congreso",
    x = "Año",
    y = "Promedio",
    caption = "Nota: Se utiliza escala original donde 1 = mucha confianza y 4 = ninguna confianza."
  ) +
  tema_base

# Índice
g_conf_institucional <- ggplot(promedios_original("confianza_institucional"),
                               aes(x = Año, y = promedio, color = grupo, group = grupo)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2.6) +
  scale_color_manual(values = colores_grupo) +
  scale_y_continuous(limits = c(1, 4)) +
  labs(
    title = "Índice de Confianza Institucional",
    x = "Año",
    y = "Promedio",
    caption = "Nota: Se utiliza escala original donde 1 = mucha confianza y 4 = ninguna confianza."
  ) +
  tema_base

# Corrupción
g_corrupcion <- ggplot(promedios_original("reduccion_corrupcion"),
                       aes(x = Año, y = promedio, color = grupo, group = grupo)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2.6) +
  scale_color_manual(values = colores_grupo) +
  scale_y_continuous(limits = c(1, 5)) +
  labs(
    title = "Reducción de Corrupción Percibida",
    x = "Año",
    y = "Promedio",
    caption = "Nota: Se utiliza escala donde 1 = aumentó mucho y 5 = disminuyó mucho."
  ) +
  tema_base

g_economia

g_democracia

g_conf_gobierno

g_conf_judicial

g_conf_congreso

g_conf_institucional

g_corrupcion

4. GRÁFICOS GENERALES CON BASE RECODIFICADA

# Gráfico tendencia general (RECODIFICADA)
promedios_general_recod <- function(var) {
  BASE_LATINOB_RECOD %>%
    filter(!is.na(.data[[var]])) %>%
    group_by(Año) %>%
    summarise(promedio = mean(.data[[var]], na.rm = TRUE), .groups = "drop") %>%
    mutate(Año = factor(Año, levels = c(2016, 2017, 2018, 2020, 2023, 2024)))
}

# Individuales

g_general_economia_recod <- ggplot(promedios_general_recod("satisfaccion_economia_recod"),
                                   aes(x = Año, y = promedio, group = 1)) +
  geom_line(color = "#1B3A5F", linewidth = 0.9) +
  geom_point(color = "#1B3A5F", size = 2) +
  scale_y_continuous(limits = c(1, 4), breaks = 1:4) +
  labs(title = "Satisfacción con el desempeño de la economía",
       x = "Año", y = "Promedio") +
  tema_base

g_general_democracia_recod <- ggplot(promedios_general_recod("satisfaccion_democracia_recod"),
                                     aes(x = Año, y = promedio, group = 1)) +
  geom_line(color = "#1B3A5F", linewidth = 0.9) +
  geom_point(color = "#1B3A5F", size = 2) +
  scale_y_continuous(limits = c(1, 4), breaks = 1:4) +
  labs(title = "Satisfacción con el desempeño de la democracia",
       x = "Año", y = "Promedio") +
  tema_base

g_general_gobierno_recod <- ggplot(promedios_general_recod("confianza_gobierno_recod"),
                                   aes(x = Año, y = promedio, group = 1)) +
  geom_line(color = "#1B3A5F", linewidth = 0.9) +
  geom_point(color = "#1B3A5F", size = 2) +
  scale_y_continuous(limits = c(1, 4), breaks = 1:4) +
  labs(title = "Confianza en el gobierno",
       x = "Año", y = "Promedio") +
  tema_base

g_general_judicial_recod <- ggplot(promedios_general_recod("confianza_judicial_recod"),
                                   aes(x = Año, y = promedio, group = 1)) +
  geom_line(color = "#1B3A5F", linewidth = 0.9) +
  geom_point(color = "#1B3A5F", size = 2) +
  scale_y_continuous(limits = c(1, 4), breaks = 1:4) +
  labs(title = "Confianza en el poder judicial",
       x = "Año", y = "Promedio") +
  tema_base

g_general_congreso_recod <- ggplot(promedios_general_recod("confianza_congreso_recod"),
                                   aes(x = Año, y = promedio, group = 1)) +
  geom_line(color = "#1B3A5F", linewidth = 0.9) +
  geom_point(color = "#1B3A5F", size = 2) +
  scale_y_continuous(limits = c(1, 4), breaks = 1:4) +
  labs(title = "Confianza en el congreso",
       x = "Año", y = "Promedio") +
  tema_base

g_general_indice_recod <- ggplot(promedios_general_recod("confianza_institucional_recod"),
                                 aes(x = Año, y = promedio, group = 1)) +
  geom_line(color = "#1B3A5F", linewidth = 0.9) +
  geom_point(color = "#1B3A5F", size = 2) +
  scale_y_continuous(limits = c(1, 4), breaks = 1:4) +
  labs(title = "Índice de confianza institucional (gobierno, poder judicial y congreso)",
       x = "Año", y = "Promedio") +
  tema_base

# Corrupción (igual que original)

g_general_corrupcion_recod <- ggplot(promedios_general_recod("reduccion_corrupcion"),
                                     aes(x = Año, y = promedio, group = 1)) +
  geom_line(color = "#1B3A5F", linewidth = 0.9) +
  geom_point(color = "#1B3A5F", size = 2) +
  scale_y_continuous(limits = c(1, 5), breaks = 1:5) +
  labs(title = "Percepción sobre la reducción de la corrupción",
       x = "Año", y = "Promedio") +
  tema_base

# Combinada

g_general_combinada_recod <- bind_rows(
  promedios_general_recod("satisfaccion_economia_recod") %>% mutate(variable = "Economía"),
  promedios_general_recod("satisfaccion_democracia_recod") %>% mutate(variable = "Democracia"),
  promedios_general_recod("confianza_gobierno_recod") %>% mutate(variable = "Gobierno"),
  promedios_general_recod("confianza_judicial_recod") %>% mutate(variable = "Poder judicial"),
  promedios_general_recod("confianza_congreso_recod") %>% mutate(variable = "Congreso"),
  promedios_general_recod("confianza_institucional_recod") %>% mutate(variable = "Índice confianza"),
  promedios_general_recod("reduccion_corrupcion") %>% mutate(variable = "Corrupción")
) %>%
  ggplot(aes(x = Año, y = promedio, color = variable, group = variable)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2.2) +
  scale_y_continuous(limits = c(1, 5), breaks = 1:5) +
  scale_color_manual(values = c(
    "Economía" = "#1B3A5F",
    "Democracia" = "#335C67",
    "Gobierno" = "#6C757D",
    "Poder judicial" = "#495057",
    "Congreso" = "#ADB5BD",
    "Índice confianza" = "#0B2545",
    "Corrupción" = "#8D99AE"
  )) +
  labs(title = "Evolución conjunta de percepciones ciudadanas (escala recodificada)",
       x = "Año", y = "Promedio") +
  tema_base +
  theme(legend.position = "bottom")

# Mostrar

g_general_economia_recod

g_general_democracia_recod

g_general_gobierno_recod

g_general_judicial_recod

g_general_congreso_recod

g_general_indice_recod

g_general_corrupcion_recod

g_general_combinada_recod

4.1 GRÁFICOS CON BASE RECODIFICADA

# Función promedios base recodificada
promedios_recod <- function(var) {
  BASE_LATINOB_RECOD %>%
    filter(!is.na(grupo), !is.na(.data[[var]])) %>%
    group_by(Año, grupo) %>%
    summarise(promedio = mean(.data[[var]], na.rm = TRUE), .groups = "drop") %>%
    mutate(Año = factor(Año, levels = c(2016, 2017, 2018, 2020, 2023, 2024)))
}

# Economía
g_economia_recod <- ggplot(promedios_recod("satisfaccion_economia_recod"),
                           aes(x = Año, y = promedio, color = grupo, group = grupo)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2.6) +
  scale_color_manual(values = colores_grupo) +
  scale_y_continuous(limits = c(1, 4)) +
  labs(
    title = "Satisfacción con la Economía",
    x = "Año",
    y = "Promedio",
    caption = "Nota: Se utiliza escala recodificada donde valores más altos indican mayor satisfacción (1 = nada satisfecho y 4 = muy satisfecho)"
  ) +
  tema_base

# Democracia
g_democracia_recod <- ggplot(promedios_recod("satisfaccion_democracia_recod"),
                             aes(x = Año, y = promedio, color = grupo, group = grupo)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2.6) +
  scale_color_manual(values = colores_grupo) +
  scale_y_continuous(limits = c(1, 4)) +
  labs(
    title = "Satisfacción con la Democracia",
    x = "Año",
    y = "Promedio",
    caption = "Nota: Se utiliza escala recodificada donde valores más altos indican mayor satisfacción (1 = nada satisfecho y 4 = muy satisfecho)"
  ) +
  tema_base

# Gobierno
g_conf_gobierno_recod <- ggplot(promedios_recod("confianza_gobierno_recod"),
                                aes(x = Año, y = promedio, color = grupo, group = grupo)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2.6) +
  scale_color_manual(values = colores_grupo) +
  scale_y_continuous(limits = c(1, 4)) +
  labs(
    title = "Confianza en el Gobierno",
    x = "Año",
    y = "Promedio",
    caption = "Nota: Se utiliza escala recodificada donde valores más altos indican mayor confianza (1 = ninguna confianza y 4 = mucha confianza)"
  ) +
  tema_base

# Judicial
g_conf_judicial_recod <- ggplot(promedios_recod("confianza_judicial_recod"),
                                aes(x = Año, y = promedio, color = grupo, group = grupo)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2.6) +
  scale_color_manual(values = colores_grupo) +
  scale_y_continuous(limits = c(1, 4)) +
  labs(
    title = "Confianza en el Poder Judicial",
    x = "Año",
    y = "Promedio",
    caption = "Nota: Se utiliza escala recodificada donde valores más altos indican mayor confianza (1 = ninguna confianza y 4 = mucha confianza)"
  ) +
  tema_base

# Congreso
g_conf_congreso_recod <- ggplot(promedios_recod("confianza_congreso_recod"),
                                aes(x = Año, y = promedio, color = grupo, group = grupo)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2.6) +
  scale_color_manual(values = colores_grupo) +
  scale_y_continuous(limits = c(1, 4)) +
  labs(
    title = "Confianza en el Congreso",
    x = "Año",
    y = "Promedio",
    caption = "Nota: Se utiliza escala recodificada donde valores más altos indican mayor confianza (1 = ninguna confianza y 4 = mucha confianza)"
  ) +
  tema_base

# Índice
g_conf_institucional_recod <- ggplot(promedios_recod("confianza_institucional_recod"),
                                     aes(x = Año, y = promedio, color = grupo, group = grupo)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2.6) +
  scale_color_manual(values = colores_grupo) +
  scale_y_continuous(limits = c(1, 4)) +
  labs(
    title = "Índice de Confianza Institucional",
    x = "Año",
    y = "Promedio",
    caption = "Nota: Índice construido a partir del promedio de confianza en gobierno, poder judicial y congreso. Escala recodificada donde 1 = ninguna confianza y 4 = mucha confianza."
  ) +
  tema_base

# Corrupción (igual que original porque no se invirtió)
g_corrupcion_recod <- ggplot(promedios_recod("reduccion_corrupcion"),
                             aes(x = Año, y = promedio, color = grupo, group = grupo)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2.6) +
  scale_color_manual(values = colores_grupo) +
  scale_y_continuous(limits = c(1, 5)) +
  labs(
    title = "Reducción de Corrupción Percibida",
    x = "Año",
    y = "Promedio",
    caption = "Nota: Se utiliza escala donde 1 = aumentó mucho y 5 = disminuyó mucho."
  ) +
  tema_base

g_economia_recod

g_democracia_recod

g_conf_gobierno_recod

g_conf_judicial_recod

g_conf_congreso_recod

g_conf_institucional_recod

g_corrupcion_recod

5. PRUEBAS ESTADÍSTICAS - BASE ORIGINAL

variables_stats <- c("satisfaccion_economia", "satisfaccion_democracia",
                     "confianza_gobierno", "confianza_judicial",
                     "confianza_congreso", "confianza_institucional",
                     "reduccion_corrupcion")

grupos_stats <- c("MORENA", "Tradicionales", "MC", "Apartidistas")

5.1 CORRELACIÓN DE SPEARMAN - BASE ORIGINAL

combinaciones <- expand.grid(
  Grupo = grupos_stats,
  Periodo = levels(BASE_LATINOB$periodo),
  Variable = variables_stats,
  stringsAsFactors = FALSE
)

spearman <- function(grupo_sp, periodo_sp, variable_sp) {
  
  datos <- BASE_LATINOB %>%
    filter(periodo == periodo_sp,
           !is.na(grupo),
           !is.na(.data[[variable_sp]])) %>%
    mutate(es_grupo = ifelse(grupo == grupo_sp, 1, 0))
  
  prueba <- cor.test(datos$es_grupo,
                     datos[[variable_sp]],
                     method = "spearman",
                     exact = FALSE)
  
  rho <- round(as.numeric(prueba$estimate), 4)
  p_valor <- round(prueba$p.value, 20)
  
  sig <- ifelse(p_valor < 0.001, "***",
         ifelse(p_valor < 0.01,  "**",
         ifelse(p_valor < 0.05,  "*",
         ifelse(p_valor < 0.1,   ".", "ns"))))
  
  c(Rho = rho, P_valor = p_valor, Sig = sig, N = nrow(datos))
}

resultados <- mapply(
  spearman,
  combinaciones$Grupo,
  combinaciones$Periodo,
  combinaciones$Variable
)

tabla_spearman <- cbind(combinaciones, t(resultados), row.names = NULL) %>% 
  as.data.frame()

tabla_spearman$Rho <- as.numeric(tabla_spearman$Rho)
tabla_spearman$P_valor <- as.numeric(tabla_spearman$P_valor)
tabla_spearman$N <- as.numeric(tabla_spearman$N)

tabla_spearman <- tabla_spearman %>%
  arrange(
    factor(Grupo,    levels = c("MORENA", "Tradicionales", "MC", "Apartidistas")),
    factor(Periodo,  levels = levels(BASE_LATINOB$periodo)),
    factor(Variable, levels = variables_stats)
  )

tabla_spearman %>%
  knitr::kable(digits = 20, align = "l")

Grupo	Periodo	Variable	Rho	P_valor	Sig	N
MORENA	Pre-MORENA (2016-2018)	satisfaccion_economia	0.1686	2.527954e-14	***	2017
MORENA	Pre-MORENA (2016-2018)	satisfaccion_democracia	0.1795	4.404200e-16	***	2019
MORENA	Pre-MORENA (2016-2018)	confianza_gobierno	0.2336	0.000000e+00	***	2080
MORENA	Pre-MORENA (2016-2018)	confianza_judicial	0.1887	7.710000e-18	***	2045
MORENA	Pre-MORENA (2016-2018)	confianza_congreso	0.1828	1.323300e-16	***	2015
MORENA	Pre-MORENA (2016-2018)	confianza_institucional	0.2379	0.000000e+00	***	2095
MORENA	Pre-MORENA (2016-2018)	reduccion_corrupcion	-0.1950	3.400000e-19	***	2070
MORENA	Durante AMLO (2020-2024)	satisfaccion_economia	-0.1877	0.000000e+00	***	2550
MORENA	Durante AMLO (2020-2024)	satisfaccion_democracia	-0.2147	0.000000e+00	***	2513
MORENA	Durante AMLO (2020-2024)	confianza_gobierno	-0.2436	0.000000e+00	***	2561
MORENA	Durante AMLO (2020-2024)	confianza_judicial	-0.0988	6.566276e-07	***	2524
MORENA	Durante AMLO (2020-2024)	confianza_congreso	-0.1102	4.070175e-08	***	2469
MORENA	Durante AMLO (2020-2024)	confianza_institucional	-0.1941	0.000000e+00	***	2573
MORENA	Durante AMLO (2020-2024)	reduccion_corrupcion	0.1296	6.923886e-11	***	2512
Tradicionales	Pre-MORENA (2016-2018)	satisfaccion_economia	-0.1920	3.300000e-18	***	2017
Tradicionales	Pre-MORENA (2016-2018)	satisfaccion_democracia	-0.2244	0.000000e+00	***	2019
Tradicionales	Pre-MORENA (2016-2018)	confianza_gobierno	-0.2177	0.000000e+00	***	2080
Tradicionales	Pre-MORENA (2016-2018)	confianza_judicial	-0.1866	1.770000e-17	***	2045
Tradicionales	Pre-MORENA (2016-2018)	confianza_congreso	-0.2247	0.000000e+00	***	2015
Tradicionales	Pre-MORENA (2016-2018)	confianza_institucional	-0.2486	0.000000e+00	***	2095
Tradicionales	Pre-MORENA (2016-2018)	reduccion_corrupcion	0.2693	0.000000e+00	***	2070
Tradicionales	Durante AMLO (2020-2024)	satisfaccion_economia	0.1287	6.869575e-11	***	2550
Tradicionales	Durante AMLO (2020-2024)	satisfaccion_democracia	0.1499	4.242986e-14	***	2513
Tradicionales	Durante AMLO (2020-2024)	confianza_gobierno	0.1551	2.952460e-15	***	2561
Tradicionales	Durante AMLO (2020-2024)	confianza_judicial	0.0321	1.071003e-01	ns	2524
Tradicionales	Durante AMLO (2020-2024)	confianza_congreso	0.0659	1.045063e-03	**	2469
Tradicionales	Durante AMLO (2020-2024)	confianza_institucional	0.1095	2.594204e-08	***	2573
Tradicionales	Durante AMLO (2020-2024)	reduccion_corrupcion	-0.1537	9.570860e-15	***	2512
MC	Pre-MORENA (2016-2018)	satisfaccion_economia	0.0288	1.958178e-01	ns	2017
MC	Pre-MORENA (2016-2018)	satisfaccion_democracia	0.0192	3.874154e-01	ns	2019
MC	Pre-MORENA (2016-2018)	confianza_gobierno	-0.0432	4.858956e-02	*	2080
MC	Pre-MORENA (2016-2018)	confianza_judicial	-0.0404	6.775522e-02	.	2045
MC	Pre-MORENA (2016-2018)	confianza_congreso	-0.0220	3.245799e-01	ns	2015
MC	Pre-MORENA (2016-2018)	confianza_institucional	-0.0497	2.294826e-02	*	2095
MC	Pre-MORENA (2016-2018)	reduccion_corrupcion	0.0083	7.067051e-01	ns	2070
MC	Durante AMLO (2020-2024)	satisfaccion_economia	0.0157	4.292666e-01	ns	2550
MC	Durante AMLO (2020-2024)	satisfaccion_democracia	0.0384	5.434621e-02	.	2513
MC	Durante AMLO (2020-2024)	confianza_gobierno	0.0041	8.359045e-01	ns	2561
MC	Durante AMLO (2020-2024)	confianza_judicial	0.0171	3.914038e-01	ns	2524
MC	Durante AMLO (2020-2024)	confianza_congreso	-0.0047	8.146625e-01	ns	2469
MC	Durante AMLO (2020-2024)	confianza_institucional	0.0095	6.302677e-01	ns	2573
MC	Durante AMLO (2020-2024)	reduccion_corrupcion	-0.0087	6.624379e-01	ns	2512
Apartidistas	Pre-MORENA (2016-2018)	satisfaccion_economia	0.0449	4.363524e-02	*	2017
Apartidistas	Pre-MORENA (2016-2018)	satisfaccion_democracia	0.0735	9.526180e-04	***	2019
Apartidistas	Pre-MORENA (2016-2018)	confianza_gobierno	0.0269	2.192557e-01	ns	2080
Apartidistas	Pre-MORENA (2016-2018)	confianza_judicial	0.0347	1.166773e-01	ns	2045
Apartidistas	Pre-MORENA (2016-2018)	confianza_congreso	0.0805	2.991557e-04	***	2015
Apartidistas	Pre-MORENA (2016-2018)	confianza_institucional	0.0595	6.467069e-03	**	2095
Apartidistas	Pre-MORENA (2016-2018)	reduccion_corrupcion	-0.1152	1.470298e-07	***	2070
Apartidistas	Durante AMLO (2020-2024)	satisfaccion_economia	0.0909	4.285582e-06	***	2550
Apartidistas	Durante AMLO (2020-2024)	satisfaccion_democracia	0.0931	2.922930e-06	***	2513
Apartidistas	Durante AMLO (2020-2024)	confianza_gobierno	0.1363	4.354000e-12	***	2561
Apartidistas	Durante AMLO (2020-2024)	confianza_judicial	0.0787	7.530546e-05	***	2524
Apartidistas	Durante AMLO (2020-2024)	confianza_congreso	0.0680	7.164553e-04	***	2469
Apartidistas	Durante AMLO (2020-2024)	confianza_institucional	0.1196	1.174369e-09	***	2573
Apartidistas	Durante AMLO (2020-2024)	reduccion_corrupcion	-0.0014	9.430364e-01	ns	2512

## Nota metodológica sobre la tabla de correlaciones:

#En la tabla se presentan los coeficientes de correlación de Spearman (ρ), los valores p asociados, el nivel de significancia (Sig) y el tamaño de muestra utilizado (N) para cada estimación.

#El coeficiente ρ (rho) mide la dirección y la fuerza de la relación entre las variables. Sus valores van de -1 a 1: valores positivos indican que ambas variables tienden a moverse en el mismo sentido, mientras que valores negativos indican una relación inversa. Cuanto más cercano sea el valor a ±1, más fuerte es la relación; valores cercanos a 0 indican una relación débil o inexistente.

#El valor p (p-value) permite evaluar si la relación observada es estadísticamente significativa, es decir, si es poco probable que se deba al azar. A partir de este valor se construye la variable Sig, que resume el nivel de significancia mediante símbolos: *** para p < 0.001 (muy alta confianza), ** para p < 0.01 (alta confianza), * para p < 0.05 (confianza aceptable), . para p < 0.1 y ns cuando no es significativo.

#Finalmente, N indica el número de observaciones utilizadas en cada correlación, después de excluir valores faltantes.

## Nota metodológica sobre la interpretación de las correlaciones:

#Las variables utilizadas en el análisis corresponden a sus escalas originales, donde valores más altos representan evaluaciones más negativas. En el caso de la satisfacción con la economía y la democracia, valores más altos indican menor satisfacción; mientras que en las variables de confianza institucional, valores más altos reflejan menor nivel de confianza.

#En consecuencia, para la interpretación de los coeficientes de correlación un coeficiente positivo (ρ > 0) indica que pertenecer a un grupo se asocia con evaluaciones más negativas, mientras que un coeficiente negativo (ρ < 0) indica una asociación con evaluaciones más positivas.

6. PRUEBAS ESTADÍSTICAS - BASE RECODIFICADA

variables_stats_recod <- c("satisfaccion_economia_recod", "satisfaccion_democracia_recod",
                     "confianza_gobierno_recod", "confianza_judicial_recod",
                     "confianza_congreso_recod", "confianza_institucional_recod",
                     "reduccion_corrupcion")

grupos_stats_recod <- c("MORENA", "Tradicionales", "MC", "Apartidistas")

6.1 CORRELACIÓN DE SPEARMAN - BASE RECODIFICADA

combinaciones_recod <- expand.grid(
  Grupo_recod = grupos_stats_recod,
  Periodo_recod = levels(BASE_LATINOB_RECOD$periodo),
  Variable_recod = variables_stats_recod,
  stringsAsFactors = FALSE
)

spearman_recod <- function(grupo_sp_recod, periodo_sp_recod, variable_sp_recod) {
  
  datos_recod <- BASE_LATINOB_RECOD %>%
    filter(periodo == periodo_sp_recod,
           !is.na(grupo),
           !is.na(.data[[variable_sp_recod]])) %>%
    mutate(es_grupo_recod = ifelse(grupo == grupo_sp_recod, 1, 0))
  
  prueba_recod <- cor.test(datos_recod$es_grupo_recod,
                           datos_recod[[variable_sp_recod]],
                           method = "spearman",
                           exact = FALSE)
  
  rho_recod <- round(as.numeric(prueba_recod$estimate), 4)
  p_valor_recod <- round(prueba_recod$p.value, 20)
  
  sig_recod <- ifelse(p_valor_recod < 0.001, "***",
               ifelse(p_valor_recod < 0.01,  "**",
               ifelse(p_valor_recod < 0.05,  "*",
               ifelse(p_valor_recod < 0.1,   ".", "ns"))))
  
  c(Rho_recod = rho_recod, P_valor_recod = p_valor_recod, Sig_recod = sig_recod, N_recod = nrow(datos_recod))
}

resultados_recod <- mapply(
  spearman_recod,
  combinaciones_recod$Grupo_recod,
  combinaciones_recod$Periodo_recod,
  combinaciones_recod$Variable_recod
)

tabla_spearman_recod <- cbind(combinaciones_recod, t(resultados_recod), row.names = NULL) %>%
  as.data.frame()

tabla_spearman_recod$Rho_recod <- as.numeric(tabla_spearman_recod$Rho_recod)
tabla_spearman_recod$P_valor_recod <- as.numeric(tabla_spearman_recod$P_valor_recod)
tabla_spearman_recod$N_recod <- as.numeric(tabla_spearman_recod$N_recod)

tabla_spearman_recod <- tabla_spearman_recod %>%
  arrange(
    factor(Grupo_recod,    levels = c("MORENA", "Tradicionales", "MC", "Apartidistas")),
    factor(Periodo_recod,  levels = levels(BASE_LATINOB_RECOD$periodo)),
    factor(Variable_recod, levels = variables_stats_recod)
  )

tabla_spearman_recod %>%
  knitr::kable(digits = 20, align = "l")

Grupo_recod	Periodo_recod	Variable_recod	Rho_recod	P_valor_recod	Sig_recod	N_recod
MORENA	Pre-MORENA (2016-2018)	satisfaccion_economia_recod	-0.1686	2.527954e-14	***	2017
MORENA	Pre-MORENA (2016-2018)	satisfaccion_democracia_recod	-0.1795	4.404200e-16	***	2019
MORENA	Pre-MORENA (2016-2018)	confianza_gobierno_recod	-0.2336	0.000000e+00	***	2080
MORENA	Pre-MORENA (2016-2018)	confianza_judicial_recod	-0.1887	7.710000e-18	***	2045
MORENA	Pre-MORENA (2016-2018)	confianza_congreso_recod	-0.1828	1.323300e-16	***	2015
MORENA	Pre-MORENA (2016-2018)	confianza_institucional_recod	-0.2379	0.000000e+00	***	2095
MORENA	Pre-MORENA (2016-2018)	reduccion_corrupcion	-0.1950	3.400000e-19	***	2070
MORENA	Durante AMLO (2020-2024)	satisfaccion_economia_recod	0.1877	0.000000e+00	***	2550
MORENA	Durante AMLO (2020-2024)	satisfaccion_democracia_recod	0.2147	0.000000e+00	***	2513
MORENA	Durante AMLO (2020-2024)	confianza_gobierno_recod	0.2436	0.000000e+00	***	2561
MORENA	Durante AMLO (2020-2024)	confianza_judicial_recod	0.0988	6.566276e-07	***	2524
MORENA	Durante AMLO (2020-2024)	confianza_congreso_recod	0.1102	4.070175e-08	***	2469
MORENA	Durante AMLO (2020-2024)	confianza_institucional_recod	0.1941	0.000000e+00	***	2573
MORENA	Durante AMLO (2020-2024)	reduccion_corrupcion	0.1296	6.923886e-11	***	2512
Tradicionales	Pre-MORENA (2016-2018)	satisfaccion_economia_recod	0.1920	3.300000e-18	***	2017
Tradicionales	Pre-MORENA (2016-2018)	satisfaccion_democracia_recod	0.2244	0.000000e+00	***	2019
Tradicionales	Pre-MORENA (2016-2018)	confianza_gobierno_recod	0.2177	0.000000e+00	***	2080
Tradicionales	Pre-MORENA (2016-2018)	confianza_judicial_recod	0.1866	1.770000e-17	***	2045
Tradicionales	Pre-MORENA (2016-2018)	confianza_congreso_recod	0.2247	0.000000e+00	***	2015
Tradicionales	Pre-MORENA (2016-2018)	confianza_institucional_recod	0.2486	0.000000e+00	***	2095
Tradicionales	Pre-MORENA (2016-2018)	reduccion_corrupcion	0.2693	0.000000e+00	***	2070
Tradicionales	Durante AMLO (2020-2024)	satisfaccion_economia_recod	-0.1287	6.869575e-11	***	2550
Tradicionales	Durante AMLO (2020-2024)	satisfaccion_democracia_recod	-0.1499	4.242986e-14	***	2513
Tradicionales	Durante AMLO (2020-2024)	confianza_gobierno_recod	-0.1551	2.952460e-15	***	2561
Tradicionales	Durante AMLO (2020-2024)	confianza_judicial_recod	-0.0321	1.071003e-01	ns	2524
Tradicionales	Durante AMLO (2020-2024)	confianza_congreso_recod	-0.0659	1.045063e-03	**	2469
Tradicionales	Durante AMLO (2020-2024)	confianza_institucional_recod	-0.1095	2.594204e-08	***	2573
Tradicionales	Durante AMLO (2020-2024)	reduccion_corrupcion	-0.1537	9.570860e-15	***	2512
MC	Pre-MORENA (2016-2018)	satisfaccion_economia_recod	-0.0288	1.958178e-01	ns	2017
MC	Pre-MORENA (2016-2018)	satisfaccion_democracia_recod	-0.0192	3.874154e-01	ns	2019
MC	Pre-MORENA (2016-2018)	confianza_gobierno_recod	0.0432	4.858956e-02	*	2080
MC	Pre-MORENA (2016-2018)	confianza_judicial_recod	0.0404	6.775522e-02	.	2045
MC	Pre-MORENA (2016-2018)	confianza_congreso_recod	0.0220	3.245799e-01	ns	2015
MC	Pre-MORENA (2016-2018)	confianza_institucional_recod	0.0497	2.294826e-02	*	2095
MC	Pre-MORENA (2016-2018)	reduccion_corrupcion	0.0083	7.067051e-01	ns	2070
MC	Durante AMLO (2020-2024)	satisfaccion_economia_recod	-0.0157	4.292666e-01	ns	2550
MC	Durante AMLO (2020-2024)	satisfaccion_democracia_recod	-0.0384	5.434621e-02	.	2513
MC	Durante AMLO (2020-2024)	confianza_gobierno_recod	-0.0041	8.359045e-01	ns	2561
MC	Durante AMLO (2020-2024)	confianza_judicial_recod	-0.0171	3.914038e-01	ns	2524
MC	Durante AMLO (2020-2024)	confianza_congreso_recod	0.0047	8.146625e-01	ns	2469
MC	Durante AMLO (2020-2024)	confianza_institucional_recod	-0.0095	6.302677e-01	ns	2573
MC	Durante AMLO (2020-2024)	reduccion_corrupcion	-0.0087	6.624379e-01	ns	2512
Apartidistas	Pre-MORENA (2016-2018)	satisfaccion_economia_recod	-0.0449	4.363524e-02	*	2017
Apartidistas	Pre-MORENA (2016-2018)	satisfaccion_democracia_recod	-0.0735	9.526180e-04	***	2019
Apartidistas	Pre-MORENA (2016-2018)	confianza_gobierno_recod	-0.0269	2.192557e-01	ns	2080
Apartidistas	Pre-MORENA (2016-2018)	confianza_judicial_recod	-0.0347	1.166773e-01	ns	2045
Apartidistas	Pre-MORENA (2016-2018)	confianza_congreso_recod	-0.0805	2.991557e-04	***	2015
Apartidistas	Pre-MORENA (2016-2018)	confianza_institucional_recod	-0.0595	6.467069e-03	**	2095
Apartidistas	Pre-MORENA (2016-2018)	reduccion_corrupcion	-0.1152	1.470298e-07	***	2070
Apartidistas	Durante AMLO (2020-2024)	satisfaccion_economia_recod	-0.0909	4.285582e-06	***	2550
Apartidistas	Durante AMLO (2020-2024)	satisfaccion_democracia_recod	-0.0931	2.922930e-06	***	2513
Apartidistas	Durante AMLO (2020-2024)	confianza_gobierno_recod	-0.1363	4.354000e-12	***	2561
Apartidistas	Durante AMLO (2020-2024)	confianza_judicial_recod	-0.0787	7.530546e-05	***	2524
Apartidistas	Durante AMLO (2020-2024)	confianza_congreso_recod	-0.0680	7.164553e-04	***	2469
Apartidistas	Durante AMLO (2020-2024)	confianza_institucional_recod	-0.1196	1.174369e-09	***	2573
Apartidistas	Durante AMLO (2020-2024)	reduccion_corrupcion	-0.0014	9.430364e-01	ns	2512

## Nota metodológica sobre la interpretación de las correlaciones:

#Las variables utilizadas en este análisis corresponden a sus escalas recodificadas, donde valores más altos representan evaluaciones más positivas. En el caso de la satisfacción con la economía y la democracia, valores más altos indican mayor satisfacción; mientras que en las variables de confianza institucional, valores más altos reflejan mayor nivel de confianza.

#En consecuencia, para la interpretación de los coeficientes de correlación, un coeficiente positivo (ρ > 0) indica que pertenecer a un grupo se asocia con evaluaciones más positivas, mientras que un coeficiente negativo (ρ < 0) indica una asociación con evaluaciones más negativas.

7. REGRESIÓN LINEAL - BASE ORIGINAL

significancia <- function(p) {
  ifelse(p < 0.001, "***",
  ifelse(p < 0.01,  "**",
  ifelse(p < 0.05,  "*",
  ifelse(p < 0.1,   ".", "ns"))))
}

regresion <- function(grupo_rg, periodo_rg, variable_rg) {
  
  datos_rg <- BASE_LATINOB %>%
    filter(periodo == periodo_rg,
           !is.na(grupo),
           !is.na(.data[[variable_rg]])) %>%
    mutate(es_grupo = ifelse(grupo == grupo_rg, 1, 0))
  
  modelo_rg  <- lm(as.formula(paste(variable_rg, "~ es_grupo")), data = datos_rg)
  resumen_rg <- summary(modelo_rg)
  coef_rg    <- resumen_rg$coefficients["es_grupo", ]
  p_valor_rg <- coef_rg["Pr(>|t|)"]
  
  setNames(
    c(round(coef_rg["Estimate"],   4),
      round(coef_rg["Std. Error"], 4),
      round(coef_rg["t value"],    3),
      round(p_valor_rg, 20),
      significancia(p_valor_rg),
      round(resumen_rg$r.squared,  4),
      nrow(datos_rg)),
    c("Beta", "Error_Std", "T_valor", "P_valor", "Sig", "R2", "N")
  )
}

combinaciones_reg <- expand.grid(
  Grupo    = grupos_stats,
  Periodo  = levels(BASE_LATINOB$periodo),
  Variable = variables_stats,
  stringsAsFactors = FALSE
)

resultados_reg <- mapply(
  regresion,
  combinaciones_reg$Grupo,
  combinaciones_reg$Periodo,
  combinaciones_reg$Variable
)

tabla_regresion <- cbind(combinaciones_reg, t(resultados_reg), row.names = NULL) %>%
  as.data.frame()

colnames(tabla_regresion) <- c("Grupo", "Periodo", "Variable",
                                "Beta", "Error_Std", "T_valor",
                                "P_valor", "Sig", "R2", "N")

tabla_regresion$Beta      <- as.numeric(tabla_regresion$Beta)
tabla_regresion$Error_Std <- as.numeric(tabla_regresion$Error_Std)
tabla_regresion$T_valor   <- as.numeric(tabla_regresion$T_valor)
tabla_regresion$P_valor   <- as.numeric(tabla_regresion$P_valor)
tabla_regresion$R2        <- as.numeric(tabla_regresion$R2)
tabla_regresion$N         <- as.numeric(tabla_regresion$N)

tabla_regresion <- tabla_regresion %>%
  arrange(
    factor(Grupo,    levels = c("MORENA", "Tradicionales", "MC", "Apartidistas")),
    factor(Periodo,  levels = levels(BASE_LATINOB$periodo)),
    factor(Variable, levels = variables_stats)
  )

tabla_regresion %>%
  knitr::kable(digits = 20, align = "l")

Grupo	Periodo	Variable	Beta	Error_Std	T_valor	P_valor	Sig	R2	N
MORENA	Pre-MORENA (2016-2018)	satisfaccion_economia	0.3177	0.0404	7.870	5.722710e-15	***	0.0298	2017
MORENA	Pre-MORENA (2016-2018)	satisfaccion_democracia	0.3268	0.0408	8.016	1.832710e-15	***	0.0309	2019
MORENA	Pre-MORENA (2016-2018)	confianza_gobierno	0.4432	0.0413	10.730	0.000000e+00	***	0.0525	2080
MORENA	Pre-MORENA (2016-2018)	confianza_judicial	0.3787	0.0439	8.618	1.345000e-17	***	0.0351	2045
MORENA	Pre-MORENA (2016-2018)	confianza_congreso	0.3637	0.0432	8.428	6.599000e-17	***	0.0341	2015
MORENA	Pre-MORENA (2016-2018)	confianza_institucional	0.3977	0.0360	11.042	0.000000e+00	***	0.0550	2095
MORENA	Pre-MORENA (2016-2018)	reduccion_corrupcion	-0.4966	0.0575	-8.635	1.151000e-17	***	0.0348	2070
MORENA	Durante AMLO (2020-2024)	satisfaccion_economia	-0.3169	0.0333	-9.508	0.000000e+00	***	0.0343	2550
MORENA	Durante AMLO (2020-2024)	satisfaccion_democracia	-0.3656	0.0333	-10.984	0.000000e+00	***	0.0458	2513
MORENA	Durante AMLO (2020-2024)	confianza_gobierno	-0.4623	0.0360	-12.830	0.000000e+00	***	0.0604	2561
MORENA	Durante AMLO (2020-2024)	confianza_judicial	-0.1712	0.0349	-4.913	9.539318e-07	***	0.0095	2524
MORENA	Durante AMLO (2020-2024)	confianza_congreso	-0.1957	0.0346	-5.663	1.662242e-08	***	0.0128	2469
MORENA	Durante AMLO (2020-2024)	confianza_institucional	-0.2798	0.0276	-10.119	0.000000e+00	***	0.0383	2573
MORENA	Durante AMLO (2020-2024)	reduccion_corrupcion	0.3234	0.0472	6.846	9.481217e-12	***	0.0183	2512
Tradicionales	Pre-MORENA (2016-2018)	satisfaccion_economia	-0.3136	0.0350	-8.964	7.000000e-19	***	0.0383	2017
Tradicionales	Pre-MORENA (2016-2018)	satisfaccion_democracia	-0.3573	0.0351	-10.170	0.000000e+00	***	0.0488	2019
Tradicionales	Pre-MORENA (2016-2018)	confianza_gobierno	-0.3653	0.0359	-10.181	0.000000e+00	***	0.0475	2080
Tradicionales	Pre-MORENA (2016-2018)	confianza_judicial	-0.3291	0.0382	-8.613	1.401000e-17	***	0.0350	2045
Tradicionales	Pre-MORENA (2016-2018)	confianza_congreso	-0.3908	0.0371	-10.535	0.000000e+00	***	0.0523	2015
Tradicionales	Pre-MORENA (2016-2018)	confianza_institucional	-0.3604	0.0311	-11.587	0.000000e+00	***	0.0603	2095
Tradicionales	Pre-MORENA (2016-2018)	reduccion_corrupcion	0.5980	0.0492	12.155	0.000000e+00	***	0.0667	2070
Tradicionales	Durante AMLO (2020-2024)	satisfaccion_economia	0.2614	0.0412	6.346	2.602412e-10	***	0.0156	2550
Tradicionales	Durante AMLO (2020-2024)	satisfaccion_democracia	0.3141	0.0411	7.638	3.116518e-14	***	0.0227	2513
Tradicionales	Durante AMLO (2020-2024)	confianza_gobierno	0.3538	0.0450	7.864	5.429560e-15	***	0.0236	2561
Tradicionales	Durante AMLO (2020-2024)	confianza_judicial	0.0652	0.0428	1.522	1.280821e-01	ns	0.0009	2524
Tradicionales	Durante AMLO (2020-2024)	confianza_congreso	0.1442	0.0423	3.411	6.579038e-04	***	0.0047	2469
Tradicionales	Durante AMLO (2020-2024)	confianza_institucional	0.1952	0.0344	5.682	1.482842e-08	***	0.0124	2573
Tradicionales	Durante AMLO (2020-2024)	reduccion_corrupcion	-0.4487	0.0577	-7.774	1.103730e-14	***	0.0235	2512
MC	Pre-MORENA (2016-2018)	satisfaccion_economia	0.2418	0.1797	1.345	1.787133e-01	ns	0.0009	2017
MC	Pre-MORENA (2016-2018)	satisfaccion_democracia	0.1675	0.1817	0.922	3.566654e-01	ns	0.0004	2019
MC	Pre-MORENA (2016-2018)	confianza_gobierno	-0.3427	0.1880	-1.823	6.849593e-02	.	0.0016	2080
MC	Pre-MORENA (2016-2018)	confianza_judicial	-0.3337	0.1973	-1.691	9.092203e-02	.	0.0014	2045
MC	Pre-MORENA (2016-2018)	confianza_congreso	-0.1790	0.1970	-0.908	3.637267e-01	ns	0.0004	2015
MC	Pre-MORENA (2016-2018)	confianza_institucional	-0.3429	0.1607	-2.133	3.300224e-02	*	0.0022	2095
MC	Pre-MORENA (2016-2018)	reduccion_corrupcion	0.0054	0.2601	0.021	9.835404e-01	ns	0.0000	2070
MC	Durante AMLO (2020-2024)	satisfaccion_economia	0.0711	0.0990	0.718	4.725861e-01	ns	0.0002	2550
MC	Durante AMLO (2020-2024)	satisfaccion_democracia	0.1894	0.0987	1.920	5.497240e-02	.	0.0015	2513
MC	Durante AMLO (2020-2024)	confianza_gobierno	0.0480	0.1094	0.438	6.610809e-01	ns	0.0001	2561
MC	Durante AMLO (2020-2024)	confianza_judicial	0.0800	0.1023	0.781	4.346647e-01	ns	0.0002	2524
MC	Durante AMLO (2020-2024)	confianza_congreso	-0.0302	0.1006	-0.301	7.638122e-01	ns	0.0000	2469
MC	Durante AMLO (2020-2024)	confianza_institucional	0.0460	0.0826	0.557	5.776967e-01	ns	0.0001	2573
MC	Durante AMLO (2020-2024)	reduccion_corrupcion	-0.0497	0.1381	-0.360	7.191054e-01	ns	0.0001	2512
Apartidistas	Pre-MORENA (2016-2018)	satisfaccion_economia	0.0815	0.0404	2.017	4.385824e-02	*	0.0020	2017
Apartidistas	Pre-MORENA (2016-2018)	satisfaccion_democracia	0.1345	0.0410	3.284	1.042277e-03	**	0.0053	2019
Apartidistas	Pre-MORENA (2016-2018)	confianza_gobierno	0.0589	0.0417	1.412	1.580530e-01	ns	0.0010	2080
Apartidistas	Pre-MORENA (2016-2018)	confianza_judicial	0.0721	0.0442	1.631	1.030991e-01	ns	0.0013	2045
Apartidistas	Pre-MORENA (2016-2018)	confianza_congreso	0.1618	0.0435	3.724	2.015439e-04	***	0.0068	2015
Apartidistas	Pre-MORENA (2016-2018)	confianza_institucional	0.0972	0.0363	2.678	7.454734e-03	**	0.0034	2095
Apartidistas	Pre-MORENA (2016-2018)	reduccion_corrupcion	-0.2881	0.0576	-4.999	6.239684e-07	***	0.0119	2070
Apartidistas	Durante AMLO (2020-2024)	satisfaccion_economia	0.1859	0.0398	4.675	3.088969e-06	***	0.0085	2550
Apartidistas	Durante AMLO (2020-2024)	satisfaccion_democracia	0.1855	0.0402	4.616	4.107459e-06	***	0.0084	2513
Apartidistas	Durante AMLO (2020-2024)	confianza_gobierno	0.3071	0.0434	7.076	1.911175e-12	***	0.0192	2561
Apartidistas	Durante AMLO (2020-2024)	confianza_judicial	0.1646	0.0412	3.997	6.588902e-05	***	0.0063	2524
Apartidistas	Durante AMLO (2020-2024)	confianza_congreso	0.1422	0.0409	3.474	5.224364e-04	***	0.0049	2469
Apartidistas	Durante AMLO (2020-2024)	confianza_institucional	0.2003	0.0329	6.080	1.383621e-09	***	0.0142	2573
Apartidistas	Durante AMLO (2020-2024)	reduccion_corrupcion	-0.0261	0.0565	-0.461	6.445659e-01	ns	0.0001	2512

#Nota metodológica sobre los resultados de la regresión:

#En la tabla se presentan los resultados de modelos de regresión lineal por mínimos cuadrados ordinarios (OLS). Para cada estimación se reportan el coeficiente Beta, el error estándar (Error_Std), el estadístico t (T_valor), el valor p (P_valor), el nivel de significancia (Sig), el coeficiente de determinación (R²) y el número de observaciones (N).

#El coeficiente Beta representa el cambio promedio en la variable dependiente asociado con pertenecer al grupo analizado, en comparación con el resto de los encuestados dentro del mismo período. Es el parámetro principal de interés, ya que indica la dirección y magnitud de la relación. 

#El Error_Std (error estándar) mide la precisión de la estimación de Beta. Valores más pequeños indican mayor precisión. El T_valor corresponde al estadístico t de la regresión, el cual se obtiene al dividir el coeficiente Beta entre su error estándar. 

#Este valor se compara contra una distribución t con n-2 grados de libertad para determinar si el coeficiente es estadísticamente distinto de cero. 

#El P_valor indica la probabilidad de observar un coeficiente como el estimado si en realidad no existiera relación entre las variables. Valores pequeños sugieren que la relación observada es poco probable bajo el azar. La variable Sig resume el nivel de significancia estadística mediante símbolos: *** para p < 0.001, ** para p < 0.01, * para p < 0.05, . para p < 0.1 y ns cuando no es significativo.

#El R² (coeficiente de determinación) indica la proporción de la variación de la variable dependiente que es explicada por el modelo. En este caso, dado que se trata de modelos simples con una sola variable explicativa, se espera que los valores de R² sean relativamente bajos, lo cual es habitual cuando se analiza comportamiento político a nivel individual, donde la variación en las percepciones depende de múltiples factores no incluidos en el modelo. Finalmente, N representa el número de observaciones utilizadas en cada estimación, después de excluir valores faltantes.

7.1 REGRESIÓN LINEAL - BASE RECODIFICADA

significancia_recod <- function(p_recod) {
  ifelse(p_recod < 0.001, "***",
  ifelse(p_recod < 0.01,  "**",
  ifelse(p_recod < 0.05,  "*",
  ifelse(p_recod < 0.1,   ".", "ns"))))
}

regresion_recod <- function(grupo_rg_recod, periodo_rg_recod, variable_rg_recod) {
  
  datos_rg_recod <- BASE_LATINOB_RECOD %>%
    filter(periodo == periodo_rg_recod,
           !is.na(grupo),
           !is.na(.data[[variable_rg_recod]])) %>%
    mutate(es_grupo_recod = ifelse(grupo == grupo_rg_recod, 1, 0))
  
  modelo_rg_recod  <- lm(as.formula(paste(variable_rg_recod, "~ es_grupo_recod")), data = datos_rg_recod)
  resumen_rg_recod <- summary(modelo_rg_recod)
  coef_rg_recod    <- resumen_rg_recod$coefficients["es_grupo_recod", ]
  p_valor_rg_recod <- coef_rg_recod["Pr(>|t|)"]
  
  setNames(
    c(round(coef_rg_recod["Estimate"],   4),
      round(coef_rg_recod["Std. Error"], 4),
      round(coef_rg_recod["t value"],    3),
      round(p_valor_rg_recod, 20),
      significancia_recod(p_valor_rg_recod),
      round(resumen_rg_recod$r.squared,  4),
      nrow(datos_rg_recod)),
    c("Beta_recod", "Error_Std_recod", "T_valor_recod", "P_valor_recod", "Sig_recod", "R2_recod", "N_recod")
  )
}

combinaciones_reg_recod <- expand.grid(
  Grupo_recod    = grupos_stats_recod,
  Periodo_recod  = levels(BASE_LATINOB_RECOD$periodo),
  Variable_recod = variables_stats_recod,
  stringsAsFactors = FALSE
)

resultados_reg_recod <- mapply(
  regresion_recod,
  combinaciones_reg_recod$Grupo_recod,
  combinaciones_reg_recod$Periodo_recod,
  combinaciones_reg_recod$Variable_recod
)

tabla_regresion_recod <- cbind(combinaciones_reg_recod, t(resultados_reg_recod), row.names = NULL) %>%
  as.data.frame()

colnames(tabla_regresion_recod) <- c("Grupo_recod", "Periodo_recod", "Variable_recod",
                                     "Beta_recod", "Error_Std_recod", "T_valor_recod",
                                     "P_valor_recod", "Sig_recod", "R2_recod", "N_recod")

tabla_regresion_recod$Beta_recod      <- as.numeric(tabla_regresion_recod$Beta_recod)
tabla_regresion_recod$Error_Std_recod <- as.numeric(tabla_regresion_recod$Error_Std_recod)
tabla_regresion_recod$T_valor_recod   <- as.numeric(tabla_regresion_recod$T_valor_recod)
tabla_regresion_recod$P_valor_recod   <- as.numeric(tabla_regresion_recod$P_valor_recod)
tabla_regresion_recod$R2_recod        <- as.numeric(tabla_regresion_recod$R2_recod)
tabla_regresion_recod$N_recod         <- as.numeric(tabla_regresion_recod$N_recod)

tabla_regresion_recod <- tabla_regresion_recod %>%
  arrange(
    factor(Grupo_recod,    levels = c("MORENA", "Tradicionales", "MC", "Apartidistas")),
    factor(Periodo_recod,  levels = levels(BASE_LATINOB_RECOD$periodo)),
    factor(Variable_recod, levels = variables_stats_recod)
  )

tabla_regresion_recod %>%
  knitr::kable(digits = 20, align = "l")

Grupo_recod	Periodo_recod	Variable_recod	Beta_recod	Error_Std_recod	T_valor_recod	P_valor_recod	Sig_recod	R2_recod	N_recod
MORENA	Pre-MORENA (2016-2018)	satisfaccion_economia_recod	-0.3177	0.0404	-7.870	5.722710e-15	***	0.0298	2017
MORENA	Pre-MORENA (2016-2018)	satisfaccion_democracia_recod	-0.3268	0.0408	-8.016	1.832710e-15	***	0.0309	2019
MORENA	Pre-MORENA (2016-2018)	confianza_gobierno_recod	-0.4432	0.0413	-10.730	0.000000e+00	***	0.0525	2080
MORENA	Pre-MORENA (2016-2018)	confianza_judicial_recod	-0.3787	0.0439	-8.618	1.345000e-17	***	0.0351	2045
MORENA	Pre-MORENA (2016-2018)	confianza_congreso_recod	-0.3637	0.0432	-8.428	6.599000e-17	***	0.0341	2015
MORENA	Pre-MORENA (2016-2018)	confianza_institucional_recod	-0.3977	0.0360	-11.042	0.000000e+00	***	0.0550	2095
MORENA	Pre-MORENA (2016-2018)	reduccion_corrupcion	-0.4966	0.0575	-8.635	1.151000e-17	***	0.0348	2070
MORENA	Durante AMLO (2020-2024)	satisfaccion_economia_recod	0.3169	0.0333	9.508	0.000000e+00	***	0.0343	2550
MORENA	Durante AMLO (2020-2024)	satisfaccion_democracia_recod	0.3656	0.0333	10.984	0.000000e+00	***	0.0458	2513
MORENA	Durante AMLO (2020-2024)	confianza_gobierno_recod	0.4623	0.0360	12.830	0.000000e+00	***	0.0604	2561
MORENA	Durante AMLO (2020-2024)	confianza_judicial_recod	0.1712	0.0349	4.913	9.539318e-07	***	0.0095	2524
MORENA	Durante AMLO (2020-2024)	confianza_congreso_recod	0.1957	0.0346	5.663	1.662242e-08	***	0.0128	2469
MORENA	Durante AMLO (2020-2024)	confianza_institucional_recod	0.2798	0.0276	10.119	0.000000e+00	***	0.0383	2573
MORENA	Durante AMLO (2020-2024)	reduccion_corrupcion	0.3234	0.0472	6.846	9.481217e-12	***	0.0183	2512
Tradicionales	Pre-MORENA (2016-2018)	satisfaccion_economia_recod	0.3136	0.0350	8.964	7.000000e-19	***	0.0383	2017
Tradicionales	Pre-MORENA (2016-2018)	satisfaccion_democracia_recod	0.3573	0.0351	10.170	0.000000e+00	***	0.0488	2019
Tradicionales	Pre-MORENA (2016-2018)	confianza_gobierno_recod	0.3653	0.0359	10.181	0.000000e+00	***	0.0475	2080
Tradicionales	Pre-MORENA (2016-2018)	confianza_judicial_recod	0.3291	0.0382	8.613	1.401000e-17	***	0.0350	2045
Tradicionales	Pre-MORENA (2016-2018)	confianza_congreso_recod	0.3908	0.0371	10.535	0.000000e+00	***	0.0523	2015
Tradicionales	Pre-MORENA (2016-2018)	confianza_institucional_recod	0.3604	0.0311	11.587	0.000000e+00	***	0.0603	2095
Tradicionales	Pre-MORENA (2016-2018)	reduccion_corrupcion	0.5980	0.0492	12.155	0.000000e+00	***	0.0667	2070
Tradicionales	Durante AMLO (2020-2024)	satisfaccion_economia_recod	-0.2614	0.0412	-6.346	2.602412e-10	***	0.0156	2550
Tradicionales	Durante AMLO (2020-2024)	satisfaccion_democracia_recod	-0.3141	0.0411	-7.638	3.116518e-14	***	0.0227	2513
Tradicionales	Durante AMLO (2020-2024)	confianza_gobierno_recod	-0.3538	0.0450	-7.864	5.429560e-15	***	0.0236	2561
Tradicionales	Durante AMLO (2020-2024)	confianza_judicial_recod	-0.0652	0.0428	-1.522	1.280821e-01	ns	0.0009	2524
Tradicionales	Durante AMLO (2020-2024)	confianza_congreso_recod	-0.1442	0.0423	-3.411	6.579038e-04	***	0.0047	2469
Tradicionales	Durante AMLO (2020-2024)	confianza_institucional_recod	-0.1952	0.0344	-5.682	1.482842e-08	***	0.0124	2573
Tradicionales	Durante AMLO (2020-2024)	reduccion_corrupcion	-0.4487	0.0577	-7.774	1.103730e-14	***	0.0235	2512
MC	Pre-MORENA (2016-2018)	satisfaccion_economia_recod	-0.2418	0.1797	-1.345	1.787133e-01	ns	0.0009	2017
MC	Pre-MORENA (2016-2018)	satisfaccion_democracia_recod	-0.1675	0.1817	-0.922	3.566654e-01	ns	0.0004	2019
MC	Pre-MORENA (2016-2018)	confianza_gobierno_recod	0.3427	0.1880	1.823	6.849593e-02	.	0.0016	2080
MC	Pre-MORENA (2016-2018)	confianza_judicial_recod	0.3337	0.1973	1.691	9.092203e-02	.	0.0014	2045
MC	Pre-MORENA (2016-2018)	confianza_congreso_recod	0.1790	0.1970	0.908	3.637267e-01	ns	0.0004	2015
MC	Pre-MORENA (2016-2018)	confianza_institucional_recod	0.3429	0.1607	2.133	3.300224e-02	*	0.0022	2095
MC	Pre-MORENA (2016-2018)	reduccion_corrupcion	0.0054	0.2601	0.021	9.835404e-01	ns	0.0000	2070
MC	Durante AMLO (2020-2024)	satisfaccion_economia_recod	-0.0711	0.0990	-0.718	4.725861e-01	ns	0.0002	2550
MC	Durante AMLO (2020-2024)	satisfaccion_democracia_recod	-0.1894	0.0987	-1.920	5.497240e-02	.	0.0015	2513
MC	Durante AMLO (2020-2024)	confianza_gobierno_recod	-0.0480	0.1094	-0.438	6.610809e-01	ns	0.0001	2561
MC	Durante AMLO (2020-2024)	confianza_judicial_recod	-0.0800	0.1023	-0.781	4.346647e-01	ns	0.0002	2524
MC	Durante AMLO (2020-2024)	confianza_congreso_recod	0.0302	0.1006	0.301	7.638122e-01	ns	0.0000	2469
MC	Durante AMLO (2020-2024)	confianza_institucional_recod	-0.0460	0.0826	-0.557	5.776967e-01	ns	0.0001	2573
MC	Durante AMLO (2020-2024)	reduccion_corrupcion	-0.0497	0.1381	-0.360	7.191054e-01	ns	0.0001	2512
Apartidistas	Pre-MORENA (2016-2018)	satisfaccion_economia_recod	-0.0815	0.0404	-2.017	4.385824e-02	*	0.0020	2017
Apartidistas	Pre-MORENA (2016-2018)	satisfaccion_democracia_recod	-0.1345	0.0410	-3.284	1.042277e-03	**	0.0053	2019
Apartidistas	Pre-MORENA (2016-2018)	confianza_gobierno_recod	-0.0589	0.0417	-1.412	1.580530e-01	ns	0.0010	2080
Apartidistas	Pre-MORENA (2016-2018)	confianza_judicial_recod	-0.0721	0.0442	-1.631	1.030991e-01	ns	0.0013	2045
Apartidistas	Pre-MORENA (2016-2018)	confianza_congreso_recod	-0.1618	0.0435	-3.724	2.015439e-04	***	0.0068	2015
Apartidistas	Pre-MORENA (2016-2018)	confianza_institucional_recod	-0.0972	0.0363	-2.678	7.454734e-03	**	0.0034	2095
Apartidistas	Pre-MORENA (2016-2018)	reduccion_corrupcion	-0.2881	0.0576	-4.999	6.239684e-07	***	0.0119	2070
Apartidistas	Durante AMLO (2020-2024)	satisfaccion_economia_recod	-0.1859	0.0398	-4.675	3.088969e-06	***	0.0085	2550
Apartidistas	Durante AMLO (2020-2024)	satisfaccion_democracia_recod	-0.1855	0.0402	-4.616	4.107459e-06	***	0.0084	2513
Apartidistas	Durante AMLO (2020-2024)	confianza_gobierno_recod	-0.3071	0.0434	-7.076	1.911175e-12	***	0.0192	2561
Apartidistas	Durante AMLO (2020-2024)	confianza_judicial_recod	-0.1646	0.0412	-3.997	6.588902e-05	***	0.0063	2524
Apartidistas	Durante AMLO (2020-2024)	confianza_congreso_recod	-0.1422	0.0409	-3.474	5.224364e-04	***	0.0049	2469
Apartidistas	Durante AMLO (2020-2024)	confianza_institucional_recod	-0.2003	0.0329	-6.080	1.383621e-09	***	0.0142	2573
Apartidistas	Durante AMLO (2020-2024)	reduccion_corrupcion	-0.0261	0.0565	-0.461	6.445659e-01	ns	0.0001	2512

#Nota metodológica sobre la regresión lineal:

#Se estimaron modelos de regresión lineal por mínimos cuadrados ordinarios (OLS) para evaluar la asociación entre la pertenencia a cada grupo de votantes y distintas percepciones políticas, separando el análisis por período. En cada modelo, la variable independiente principal es una variable dicotómica que toma el valor de 1 cuando la persona pertenece al grupo analizado y 0 en caso contrario.

#El coeficiente Beta indica el cambio promedio en la variable dependiente asociado con pertenecer a ese grupo, en comparación con el resto de los encuestados dentro del mismo período. También se reportan el error estándar (Error_Std), el estadístico t (T_valor), el valor p (P_valor), el nivel de significancia (Sig), el coeficiente de determinación (R2) y el número de observaciones utilizadas (N).

#En términos metodológicos, utilizar la base original o la base recodificada no modifica la significancia estadística, el error estándar, el estadístico t ni el R², ya que ambas bases contienen la misma información; únicamente se invierte el signo del coeficiente Beta. En la base original, valores más altos representan evaluaciones más negativas; por ello, un coeficiente positivo indica una asociación con percepciones más negativas y un coeficiente negativo una asociación con percepciones más positivas. En la base recodificada ocurre lo contrario: valores más altos representan evaluaciones más positivas, por lo que un coeficiente positivo indica una asociación con percepciones más favorables y un coeficiente negativo una asociación con percepciones más desfavorables.