---
title: "Estructuras de oportunidad y acción colectiva"
output:
  flexdashboard::flex_dashboard:
    orientation: rows
    vertical_layout: scroll
    theme:
      version: 4
      bootswatch: journal
    source_code: embed
---

```{r setup, include=FALSE}
# ============================================================
# Si es la primera vez que usas estos paquetes en Posit Cloud,
# corre esto UNA VEZ en la Consola (no en un chunk):
#
# install.packages(c("flexdashboard", "tidyverse", "plotly", "DT", "broom",
#                     "scales", "sf", "leaflet", "stringi"))
# ============================================================

library(flexdashboard)
library(tidyverse)
library(plotly)
library(DT)
library(broom)
library(scales)
library(sf)
library(leaflet)

knitr::opts_chunk$set(echo = FALSE, warning = FALSE, message = FALSE)

# Paleta del proyecto (misma lógica que el panel HTML: verde-azulado = baja
# violencia, óxido = alta violencia)
color_ink    <- "#1c2b3a"
color_oxide  <- "#a23e28"
color_slate  <- "#2f6a63"
color_paper  <- "#e7e4da"
```

```{r carga-datos}
# Misma fuente que el .Rnw original (Base de Eventos de Protesta del Perú)
link_egpp <- "https://docs.google.com/spreadsheets/d/e/2PACX-1vR9hUSJf257WLVR3UUb50fPIXjLx_HlsNcp6rth5i5_fST9KYV1uPkfoDbU0MnfTrIIAs_SWYF_5TCB/pub?output=csv"

data <- read.csv(link_egpp)

# Dummies para tipo de actor
data$actor_laboral             <- ifelse(data$categoria_actor == "actor_laboral", 1, 0)
data$actor_territorial_social  <- ifelse(data$categoria_actor == "actor_territorial_social", 1, 0)
data$actor_economico           <- ifelse(data$categoria_actor == "actor_economico", 1, 0)
data$actor_estudiantil         <- ifelse(data$categoria_actor == "actor_estudiantil", 1, 0)
data$actor_politico_ciudadano  <- ifelse(data$categoria_actor == "actor_politico_ciudadano", 1, 0)

# Dummies para periodos políticos
data$periodo_pre90   <- ifelse(data$ano < 1990, 1, 0)
data$periodo_90_00   <- ifelse(data$ano >= 1990 & data$ano <= 2000, 1, 0)
data$periodo_01_16   <- ifelse(data$ano >= 2001 & data$ano <= 2016, 1, 0)
data$periodo_actual  <- ifelse(data$ano > 2016, 1, 0)

# Etiqueta legible de periodo, para los gráficos descriptivos
data <- data %>%
  mutate(periodo_label = case_when(
    ano <= 1989              ~ "Previo a 1990",
    ano >= 1990 & ano <= 2000 ~ "Fujimori (1990-2000)",
    ano >= 2001 & ano <= 2016 ~ "Regreso a la democracia (2001-2016)",
    ano >= 2017               ~ "Autoritarismo parlamentario (2017-)"
  )) %>%
  mutate(periodo_label = factor(periodo_label, levels = c(
    "Previo a 1990", "Fujimori (1990-2000)",
    "Regreso a la democracia (2001-2016)", "Autoritarismo parlamentario (2017-)"
  )))

# Dataframe para el modelo
Y <- data$violencia_y
X_model <- data %>%
  select(periodo_pre90, periodo_90_00, periodo_01_16,
         actor_laboral, actor_territorial_social, actor_economico, actor_estudiantil,
         protesta_masiva, numero_eventos_previos)
data_modelo <- cbind(protesta_violenta = Y, X_model)
```

```{r datos-mapa}
# Polígonos de departamentos del Perú (fuente pública: juaneladio/peru-geojson)
peru_geo <- st_read(
  "https://raw.githubusercontent.com/juaneladio/peru-geojson/master/peru_departamental_simple.geojson",
  quiet = TRUE
)

normalize_name <- function(x) {
  x <- toupper(trimws(x))
  stringi::stri_trans_general(x, "Latin-ASCII")
}

peru_geo$region_norm <- normalize_name(peru_geo$NOMBDEP)

region_map_data <- data %>%
  group_by(region) %>%
  summarise(n = n(), tasa = mean(violencia_y) * 100) %>%
  mutate(region_norm = normalize_name(region))

peru_geo <- peru_geo %>%
  left_join(region_map_data, by = "region_norm")
```

```{r resampleo-y-modelo}
# ---- Up-sampling (método elegido en el trabajo final) ----
pacificas <- data_modelo[data_modelo$protesta_violenta == 0, ]
violentas <- data_modelo[data_modelo$protesta_violenta == 1, ]

set.seed(123)
replicated_violentas <- violentas[sample(1:nrow(violentas), nrow(pacificas), replace = TRUE), ]
balanced_data <- rbind(pacificas, replicated_violentas)

modelo_up <- glm(
  protesta_violenta ~ periodo_pre90 + periodo_90_00 + periodo_01_16 +
    actor_laboral + actor_territorial_social + actor_economico + actor_estudiantil +
    protesta_masiva + numero_eventos_previos,
  data = balanced_data, family = binomial()
)

pred_prob_up  <- predict(modelo_up, type = "response")
pred_class_up <- ifelse(pred_prob_up > 0.5, 1, 0)
actual_up     <- balanced_data$protesta_violenta
accuracy_up    <- mean(pred_class_up == actual_up) * 100
sensitivity_up <- sum(pred_class_up == 1 & actual_up == 1) / sum(actual_up == 1) * 100
specificity_up <- sum(pred_class_up == 0 & actual_up == 0) / sum(actual_up == 0) * 100

# ---- Down-sampling (comparación) ----
wins_down   <- data_modelo[data_modelo$protesta_violenta == 1, ]
losses_down <- data_modelo[data_modelo$protesta_violenta == 0, ]

set.seed(123)
replicated_losses <- losses_down[sample(1:nrow(losses_down), nrow(wins_down), replace = FALSE), ]
balanced_data_down <- rbind(replicated_losses, wins_down)

modelo_down <- glm(
  protesta_violenta ~ periodo_pre90 + periodo_90_00 + periodo_01_16 +
    actor_laboral + actor_territorial_social + actor_economico + actor_estudiantil +
    protesta_masiva + numero_eventos_previos,
  data = balanced_data_down, family = binomial()
)

pred_prob_down  <- predict(modelo_down, type = "response")
pred_class_down <- ifelse(pred_prob_down > 0.5, 1, 0)
actual_down     <- balanced_data_down$protesta_violenta
accuracy_down    <- mean(pred_class_down == actual_down) * 100
sensitivity_down <- sum(pred_class_down == 1 & actual_down == 1) / sum(actual_down == 1) * 100
specificity_down <- sum(pred_class_down == 0 & actual_down == 0) / sum(actual_down == 0) * 100

# ---- Odds Ratios + IC 95% (modelo up-sampled) ----
or_table <- tidy(modelo_up, conf.int = TRUE, exponentiate = TRUE) %>%
  filter(term != "(Intercept)")

# ---- Efectos Marginales Promedio (AME), calculados a mano ----
ame_dummy <- function(var){
  d1 <- balanced_data; d1[[var]] <- 1
  d0 <- balanced_data; d0[[var]] <- 0
  mean(predict(modelo_up, newdata = d1, type = "response") -
       predict(modelo_up, newdata = d0, type = "response")) * 100
}
ame_continua <- function(var){
  d1 <- balanced_data; d1[[var]] <- balanced_data[[var]] + 1
  mean(predict(modelo_up, newdata = d1, type = "response") -
       predict(modelo_up, newdata = balanced_data, type = "response")) * 100
}

dummy_vars <- c("periodo_pre90", "periodo_90_00", "periodo_01_16",
                 "actor_laboral", "actor_territorial_social", "actor_economico", "actor_estudiantil",
                 "protesta_masiva")

ame_values <- sapply(dummy_vars, ame_dummy)
ame_values["numero_eventos_previos"] <- ame_continua("numero_eventos_previos")
ame_df <- tibble(term = names(ame_values), ame = as.numeric(ame_values))

# Etiquetas legibles para el modelo
label_map <- c(
  periodo_pre90 = "Periodo: Pre-1990",
  periodo_90_00 = "Periodo: 1990-2000 (Fujimori)",
  periodo_01_16 = "Periodo: 2001-2016",
  actor_laboral = "Actor: Laboral",
  actor_territorial_social = "Actor: Territorial/social",
  actor_economico = "Actor: Económico",
  actor_estudiantil = "Actor: Estudiantil",
  protesta_masiva = "Control: Protesta masiva",
  numero_eventos_previos = "Control: Eventos previos (+1)"
)

modelo_final <- or_table %>%
  left_join(ame_df, by = "term") %>%
  mutate(label = label_map[term]) %>%
  arrange(estimate)
```

1. Introducción
=======================================================================

Row {data-height=40}
-----------------------------------------------------------------------

### 
```{r}
htmltools::tags$p("Diego Sebastián Luyo León · Estefanía Diana Carolina Apaza Díaz — Estadística para el Análisis Político II, PUCP",
                   style = "color:#6b675c; font-size:13px; margin:0;")
```

Row {data-height=130}
-----------------------------------------------------------------------

### Eventos registrados
```{r}
valueBox(comma(nrow(data)), icon = "fa-list", color = color_ink)
```

### % que escaló a violencia
```{r}
pct_viol <- round(mean(data$violencia_y) * 100, 2)
valueBox(paste0(pct_viol, "%"), icon = "fa-fire", color = color_oxide)
```

### Concentrados en Lima
```{r}
pct_lima <- round(mean(data$region == "Lima") * 100, 2)
valueBox(paste0(pct_lima, "%"), icon = "fa-map-marker-alt", color = color_ink)
```

### Periodo de mayor riesgo
```{r}
riskiest <- data %>% group_by(periodo_label) %>%
  summarise(rate = mean(violencia_y) * 100) %>%
  arrange(desc(rate)) %>% slice(1)
valueBox(paste0(round(riskiest$rate,1), "%"), icon = "fa-exclamation-triangle", color = color_oxide)
```

Row {data-height=450}
-----------------------------------------------------------------------

### Eventos y tasa de violencia por periodo político

*25,026 eventos en 45 años: el riesgo de escalamiento no es constante, cambia con cada estructura de oportunidad política.*

```{r}
periodo_summary <- data %>%
  group_by(periodo_label) %>%
  summarise(n = n(), tasa = mean(violencia_y) * 100)

p <- ggplot(periodo_summary, aes(x = periodo_label, y = n, fill = tasa,
            text = paste0(periodo_label, "<br>N = ", comma(n), "<br>Tasa violencia = ", round(tasa,1), "%"))) +
  geom_col() +
  geom_text(aes(label = comma(n)), vjust = -0.6, size = 3.6, color = color_ink) +
  scale_fill_gradient(low = color_slate, high = color_oxide, name = "% violencia") +
  scale_y_continuous(expand = expansion(mult = c(0, 0.18))) +
  labs(x = NULL, y = "N° de eventos") +
  theme_minimal(base_size = 12) +
  theme(axis.text.x = element_text(angle = 15, hjust = 1))

ggplotly(p, tooltip = "text") %>% layout(margin = list(t = 30))
```

Row {data-height=480}
-----------------------------------------------------------------------

### Eventos de protesta y tasa de violencia por año

*Usa el control deslizante de abajo para hacer zoom en cualquier tramo, y pasa el cursor sobre cualquier punto para ver el número exacto de eventos y la tasa de ese año.*

```{r}
year_summary <- data %>%
  group_by(ano) %>%
  summarise(n = n(), viol = sum(violencia_y), tasa = mean(violencia_y) * 100)

plot_ly(year_summary, x = ~ano) %>%
  add_bars(y = ~n, name = "Eventos", marker = list(color = color_ink, opacity = 0.75),
           hovertemplate = "<b>Año %{x}</b><br>Eventos: %{y}<extra></extra>") %>%
  add_trace(y = ~tasa, name = "Tasa de violencia (%)", yaxis = "y2",
            type = "scatter", mode = "lines+markers",
            line = list(color = color_oxide, width = 2.5),
            marker = list(color = color_oxide, size = 5),
            hovertemplate = "<b>Año %{x}</b><br>Tasa: %{y:.1f}%<extra></extra>") %>%
  layout(
    hovermode = "x unified",
    yaxis = list(title = "N° de eventos"),
    yaxis2 = list(overlaying = "y", side = "right", title = "% violencia", rangemode = "tozero"),
    xaxis = list(title = NULL, rangeslider = list(visible = TRUE, thickness = 0.08)),
    legend = list(orientation = "h", y = 1.14),
    margin = list(t = 40),
    shapes = list(
      list(type = "line", x0 = 1990, x1 = 1990, y0 = 0, y1 = 1, yref = "paper",
           line = list(color = "#a49f8c", dash = "dot", width = 1)),
      list(type = "line", x0 = 2001, x1 = 2001, y0 = 0, y1 = 1, yref = "paper",
           line = list(color = "#a49f8c", dash = "dot", width = 1)),
      list(type = "line", x0 = 2017, x1 = 2017, y0 = 0, y1 = 1, yref = "paper",
           line = list(color = "#a49f8c", dash = "dot", width = 1))
    ),
    annotations = list(
      list(x = 1990, y = 1.06, yref = "paper", text = "Fujimori →", showarrow = FALSE, font = list(size = 9.5, color = "#6b675c")),
      list(x = 2001, y = 1.06, yref = "paper", text = "Democracia →", showarrow = FALSE, font = list(size = 9.5, color = "#6b675c")),
      list(x = 2017, y = 1.06, yref = "paper", text = "Actual →", showarrow = FALSE, font = list(size = 9.5, color = "#6b675c"))
    )
  )
```

2. Geografía
=======================================================================

Row {data-height=520}
-----------------------------------------------------------------------

### Mapa: tasa de violencia por región

*Pasa el cursor sobre cada región para ver el detalle. Lima concentra el mayor número de eventos, pero regiones como Loreto tienen tasas de violencia mucho más altas.*

```{r}
pal <- colorNumeric(
  palette = c(color_slate, "#f2f0e7", color_oxide),
  domain = peru_geo$tasa,
  na.color = "#eeeeee"
)

leaflet(peru_geo, options = leafletOptions(zoomControl = TRUE, minZoom = 4.5, maxZoom = 8)) %>%
  addProviderTiles("CartoDB.Positron") %>%
  setView(lng = -75.5, lat = -9.5, zoom = 5) %>%
  addPolygons(
    fillColor = ~pal(tasa),
    fillOpacity = 0.87,
    color = "white",
    weight = 1.2,
    label = ~paste0(coalesce(region, NOMBDEP), ": ", round(tasa,1), "% violencia (N=", comma(n), ")"),
    labelOptions = labelOptions(style = list("font-family" = "sans-serif", "font-size" = "12px")),
    highlightOptions = highlightOptions(weight = 3, color = color_ink, bringToFront = TRUE)
  ) %>%
  addLegend(pal = pal, values = ~tasa, title = "% violencia", position = "bottomright")
```

Row {data-height=420}
-----------------------------------------------------------------------

### Regiones con más eventos (top 10)

*Lima concentra casi la mitad de los eventos nacionales, pero no es la región más violenta.*

```{r}
region_summary <- data %>%
  group_by(region) %>%
  summarise(n = n(), tasa = mean(violencia_y) * 100) %>%
  arrange(desc(n)) %>%
  slice(1:10)

p3 <- ggplot(region_summary, aes(x = reorder(region, n), y = n,
             text = paste0(region, "<br>N = ", comma(n), "<br>Tasa violencia = ", round(tasa,1), "%"))) +
  geom_col(fill = color_ink, alpha = 0.85) +
  geom_text(aes(label = comma(n)), hjust = 1.08, color = "white", fontface = "bold", size = 3.3) +
  coord_flip() +
  scale_y_continuous(expand = expansion(mult = c(0, 0.06))) +
  labs(x = NULL, y = "N° de eventos") +
  theme_minimal(base_size = 11)

ggplotly(p3, tooltip = "text") %>% layout(margin = list(r = 20, l = 10))
```

3. Actores
=======================================================================

Row
-----------------------------------------------------------------------

### Tasa de violencia según tipo de actor

*La identidad del actor movilizado también predice el escalamiento — casi tanto como el periodo político.*

```{r}
actor_labels <- c(
  actor_laboral = "Actor laboral",
  actor_territorial_social = "Actor territorial/social",
  actor_economico = "Actor económico",
  actor_estudiantil = "Actor estudiantil",
  actor_politico_ciudadano = "Actor político-ciudadano"
)

actor_summary <- data %>%
  filter(categoria_actor %in% names(actor_labels)) %>%
  group_by(categoria_actor) %>%
  summarise(n = n(), tasa = mean(violencia_y) * 100) %>%
  mutate(actor = actor_labels[categoria_actor]) %>%
  arrange(tasa)

p2 <- ggplot(actor_summary, aes(x = reorder(actor, tasa), y = tasa, fill = tasa,
             text = paste0(actor, "<br>N = ", comma(n), "<br>Tasa = ", round(tasa,1), "%"))) +
  geom_col() +
  geom_text(aes(label = paste0(round(tasa,1), "%")), hjust = -0.15, size = 3.3, color = color_ink) +
  coord_flip() +
  scale_y_continuous(expand = expansion(mult = c(0, 0.28))) +
  scale_fill_gradient(low = color_slate, high = color_oxide, guide = "none") +
  labs(x = NULL, y = "% de eventos violentos") +
  theme_minimal(base_size = 11)

ggplotly(p2, tooltip = "text") %>% layout(margin = list(r = 55, l = 10))
```

### Distribución por N° de eventos

*El actor laboral tiene la mayor cantidad de eventos registrados, pero es el menos propenso a la violencia.*

```{r}
p2b <- ggplot(actor_summary, aes(x = reorder(actor, n), y = n, fill = tasa,
             text = paste0(actor, "<br>N = ", comma(n), "<br>Tasa = ", round(tasa,1), "%"))) +
  geom_col() +
  geom_text(aes(label = comma(n)), hjust = -0.15, size = 3.3, color = color_ink) +
  coord_flip() +
  scale_y_continuous(expand = expansion(mult = c(0, 0.28))) +
  scale_fill_gradient(low = color_slate, high = color_oxide, guide = "none") +
  labs(x = NULL, y = "N° de eventos") +
  theme_minimal(base_size = 11)

ggplotly(p2b, tooltip = "text") %>% layout(margin = list(r = 55, l = 10))
```

4. Interacción
=======================================================================

Row
-----------------------------------------------------------------------

### ¿Los mismos actores se comportan igual en todos los periodos?

*Cruce de tasa de violencia por tipo de actor y periodo político — cada celda es un subgrupo real de la base, no un promedio agregado.*

```{r}
heat_data <- data %>%
  filter(categoria_actor %in% names(actor_labels)) %>%
  group_by(periodo_label, categoria_actor) %>%
  summarise(n = n(), tasa = mean(violencia_y) * 100, .groups = "drop") %>%
  mutate(actor = actor_labels[categoria_actor])

p7 <- ggplot(heat_data, aes(x = periodo_label, y = actor, fill = tasa,
             text = paste0(actor, " · ", periodo_label, "<br>N = ", comma(n), "<br>Tasa = ", round(tasa,1), "%"))) +
  geom_tile(color = "white", linewidth = 0.8) +
  geom_text(aes(label = paste0(round(tasa,0), "%")), color = "white", size = 3.8, fontface = "bold") +
  scale_fill_gradient(low = color_slate, high = color_oxide, guide = "none") +
  labs(x = NULL, y = NULL) +
  theme_minimal(base_size = 12) +
  theme(axis.text.x = element_text(angle = 12, hjust = 1), panel.grid = element_blank())

ggplotly(p7, tooltip = "text") %>% layout(margin = list(b = 60))
```

Row {data-height=180}
-----------------------------------------------------------------------

### Lectura del cruce

Los **estudiantes** son volátiles en todo periodo, pero su pico ocurre en el **actual autoritarismo parlamentario** (2017–), coherente con la represión de las protestas de 2022–2023. Los **actores territoriales/sociales** mantienen tasas altas de forma más consistente entre periodos, lo que sugiere que su conflictividad responde más a la disputa por recursos extractivos que al ciclo político. Los actores **laboral** y **económico** son los más estables y menos propensos a la violencia en cualquier contexto — su capacidad organizativa formal parece operar como un amortiguador estructural.

5. Modelo
=======================================================================

Row {data-height=550}
-----------------------------------------------------------------------

### Odds Ratios (IC 95%) — regresión logística, up-sampling

*Un OR mayor a 1 (rojo) aumenta el riesgo de violencia frente a la categoría de referencia; menor a 1 (verde) lo reduce.*

```{r}
p4 <- ggplot(modelo_final, aes(x = reorder(label, estimate), y = estimate,
             ymin = conf.low, ymax = conf.high, color = estimate > 1,
             text = paste0(label, "<br>OR = ", round(estimate,2),
                            "<br>IC 95%: [", round(conf.low,2), ", ", round(conf.high,2), "]"))) +
  geom_hline(yintercept = 1, linetype = "dashed", color = "grey60") +
  geom_pointrange() +
  coord_flip() +
  scale_y_log10() +
  scale_color_manual(values = c(`TRUE` = color_oxide, `FALSE` = color_slate), guide = "none") +
  labs(x = NULL, y = "Odds Ratio (escala log)") +
  theme_minimal(base_size = 12)

ggplotly(p4, tooltip = "text")
```

### Efecto Marginal Promedio (puntos porcentuales)

*Traduce el OR a un número directo: cuántos puntos porcentuales cambia la probabilidad de violencia.*

```{r}
p5 <- ggplot(modelo_final, aes(x = reorder(label, ame), y = ame, fill = ame > 0,
             text = paste0(label, "<br>AME = ", round(ame,2), " pp"))) +
  geom_col() +
  geom_hline(yintercept = 0, color = "grey40") +
  coord_flip() +
  scale_fill_manual(values = c(`TRUE` = color_oxide, `FALSE` = color_slate), guide = "none") +
  labs(x = NULL, y = "AME (puntos porcentuales)") +
  theme_minimal(base_size = 12)

ggplotly(p5, tooltip = "text")
```

Row {data-height=340}
-----------------------------------------------------------------------

### Matriz de confusión (umbral = 0.5)

```{r}
conf_df <- as.data.frame(table(Real = actual_up, Predicho = pred_class_up)) %>%
  mutate(Real = ifelse(Real == 1, "Violenta", "Pacífica"),
         Predicho = ifelse(Predicho == 1, "Violenta", "Pacífica"))

p6 <- ggplot(conf_df, aes(x = Real, y = Predicho, fill = Freq,
             text = paste0("Real: ", Real, "<br>Predicho: ", Predicho, "<br>N = ", comma(Freq)))) +
  geom_tile(color = "white", linewidth = 1) +
  geom_text(aes(label = comma(Freq)), color = "white", size = 5, fontface = "bold") +
  scale_fill_gradient(low = color_slate, high = color_oxide, guide = "none") +
  labs(x = "Valor real", y = "Valor predicho") +
  theme_minimal(base_size = 12) +
  theme(panel.grid = element_blank())

ggplotly(p6, tooltip = "text")
```

### Correlación entre variables del modelo

*Diagnóstico de multicolinealidad: valores cercanos a ±1 (rojo/verde intenso) indicarían variables redundantes. Aquí no hay ninguna preocupante.*

```{r}
cor_mat <- balanced_data %>%
  select(protesta_violenta, periodo_pre90, periodo_90_00, periodo_01_16,
         actor_laboral, actor_territorial_social, actor_economico, actor_estudiantil,
         protesta_masiva, numero_eventos_previos) %>%
  cor() %>%
  as.data.frame() %>%
  rownames_to_column("Var1") %>%
  pivot_longer(-Var1, names_to = "Var2", values_to = "r")

p8 <- ggplot(cor_mat, aes(x = Var1, y = Var2, fill = r, text = paste0(Var1, " × ", Var2, "<br>r = ", round(r,2)))) +
  geom_tile(color = "white") +
  scale_fill_gradient2(low = color_slate, mid = "#f2f0e7", high = color_oxide, midpoint = 0, guide = "none") +
  labs(x = NULL, y = NULL) +
  theme_minimal(base_size = 9) +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

ggplotly(p8, tooltip = "text") %>% layout(margin = list(b = 100, l = 100))
```

Row {data-height=280}
-----------------------------------------------------------------------

### Tabla completa del modelo (up-sampling)

```{r}
modelo_final %>%
  transmute(Variable = label, OR = round(estimate, 3),
            `IC 2.5%` = round(conf.low, 3), `IC 97.5%` = round(conf.high, 3),
            `AME (pp)` = round(ame, 3), `p-valor` = signif(p.value, 3)) %>%
  datatable(options = list(dom = "t", pageLength = 10), rownames = FALSE)
```

### Output crudo de R — `summary(modelo_up)`

*El mismo resultado que verías corriendo el modelo en tu consola de R.*

```{r comment=""}
summary(modelo_up)
```

6. Remuestreo
=======================================================================

Row {data-height=130}
-----------------------------------------------------------------------

### Accuracy — Down-sampling
```{r}
valueBox(paste0(round(accuracy_down,2), "%"), icon = "fa-balance-scale", color = color_slate)
```

### Accuracy — Up-sampling (elegido)
```{r}
valueBox(paste0(round(accuracy_up,2), "%"), icon = "fa-check-circle", color = color_oxide)
```

### N final — Down-sampling
```{r}
valueBox(comma(nrow(balanced_data_down)), icon = "fa-database", color = color_slate)
```

### N final — Up-sampling
```{r}
valueBox(comma(nrow(balanced_data)), icon = "fa-database", color = color_oxide)
```

Row
-----------------------------------------------------------------------

### Comparación de métricas de rendimiento

```{r}
tibble(
  Métrica = c("Precisión global (accuracy)", "Sensibilidad", "Especificidad", "N final"),
  `Down-sampling` = c(paste0(round(accuracy_down,2),"%"), paste0(round(sensitivity_down,2),"%"),
                       paste0(round(specificity_down,2),"%"), comma(nrow(balanced_data_down))),
  `Up-sampling (elegido)` = c(paste0(round(accuracy_up,2),"%"), paste0(round(sensitivity_up,2),"%"),
                               paste0(round(specificity_up,2),"%"), comma(nrow(balanced_data)))
) %>%
  datatable(options = list(dom = "t"), rownames = FALSE)
```

> **Por qué up-sampling:** el down-sampling iguala clases eliminando ~69% de las protestas pacíficas originales, perdiendo heterogeneidad. El up-sampling conserva el 100% de la información original y muestra métricas de sensibilidad/especificidad igualmente estables.

7. Conclusiones
=======================================================================

Row
-----------------------------------------------------------------------

### H1 — Hipótesis de trabajo

> "La probabilidad de que una protesta social escale hacia la violencia en el Perú responde a las condiciones estructurales y los incentivos institucionales determinados por cada periodo político y sus respectivos ejecutivos."

**Validada.** Los nueve predictores del modelo son estadísticamente significativos (p < 0.001, salvo eventos previos p < 0.01).

### Hallazgos principales

- El **periodo previo a 1990** es el de mayor riesgo estructural frente al periodo actual (2016 en adelante).
- El **fujimorismo (1990–2000)** es el único periodo que reduce el riesgo base, consistente con un aparato autocrático que desmoviliza mediante control y cooptación.
- Los **actores territoriales/sociales** tienen el mayor impacto agregado por su alta representatividad; los **estudiantes** muestran la mayor volatilidad relativa.
- Los actores **laborales y económicos**, con mayor capacidad organizativa formal, actúan como factores de mitigación.
- **Limitación:** la cobertura de prensa nacional subrepresenta eventos en la periferia rural, y el up-sampling duplica la varianza del grupo minoritario.