Policy Preferences after Crime Victimization: Panel and Survey Evidence from Latin

America – Giancarlo Visconti (2019)

¿Puede la victimización por delincuencia aumentar el apoyo a las políticas de reducción del
crimen con “mano de hierro”? Es difícil evaluar los efectos políticos del crimen, principalmente
debido a la presencia de factores de confusión no medidos. Este estudio utiliza datos de panel
de Brasil y estrategias para reducir la sensibilidad a sesgos ocultos para estudiar cómo las
víctimas de delitos actualizan sus preferencias políticas. También examina datos de encuestas
de dieciocho países latinoamericanos para mejorar la validez externa de los hallazgos. Los
resultados muestran que es más probable que las víctimas de delitos apoyen medidas de puño de
hierro o brazos fuertes para reducir el crimen, como permitir la represión estatal. También se
encuentra que los ciudadanos afectados valoran menos la democracia, lo que podría explicar su
disposición a aceptar la erosión de los derechos básicos en favor de medidas radicales para
combatir la delincuencia. Estos hallazgos revelan que la exposición a la delincuencia puede
cambiar lo que la gente cree que debería permitir al estado, lo que puede tener importantes
implicaciones políticas.
En este contexto, es importante saber si el crimen puede modificar lo que las víctimas creen que
se debe permitir y no se debe hacer al estado para abordar este problema. En este documento
analizo si un evento a corto plazo, como la victimización por delincuencia, puede modificar las
preferencias de los individuos sobre las políticas de mano dura o de puño de hierro para reducir
la delincuencia.
Las políticas de brazos fuertes incluyen una variedad de medidas directas y difíciles para reducir
y combatir el crimen que implican un deterioro o dilución de los derechos procesales (Holland
2013). Se han implementado en varios países de América Latina y pueden tomar la forma de
detención extralegal, castigo arbitrario y ocupación al estilo militar de barrios enteros (Dammert
y Malone 2006). Estas estrategias son una forma radical de populismo penal y constituyen una
declaración sobre lo que el estado puede y no puede hacer para brindar mayor seguridad.
Estudiar las preferencias de los ciudadanos con respecto a las políticas de reducción del crimen
es particularmente importante en contextos como el de América Latina, donde la delincuencia
es común, los políticos explotan estrategias populistas para mejorar su desempeño electoral y la
policía ha estado involucrada en abusos a los derechos humanos. Estudios anteriores han
demostrado que el crimen puede disminuir el apoyo de las víctimas a la democracia (Merolla,
Mezini y Zechmeister 2013), aumentar la participación política (Bateson 2012) y socavar la
participación de los titulares en la votación (Marshall 2015). Sin embargo, sabemos poco acerca
de si el crimen puede modificar las preferencias políticas de las víctimas sobre cómo reducir el
crimen.
En este artículo, presto mucha atención al diseño del estudio para abordar estas inquietudes.
Utilizo datos de panel de dos ciudades de Brasil (Baker, Ames y Renno 2006; Baker et al. 2015)
para comparar a las víctimas de delitos y los encuestados no afectados. Me concentro en
individuos que no fueron víctimas de delitos en la oleada anterior para disminuir los problemas
asociados con la victimización en serie y la causalidad inversa. Además, reduzco la
heterogeneidad de la muestra para disminuir la sensibilidad a los sesgos ocultos (Rosenbaum
2005; Rosenbaum 2011) al comparar a los ciudadanos de los mismos barrios.
Utilizo los desarrollos recientes en la matching óptimo y la programación matemática para
generar grupos comparables de víctimas y no víctimas que son similares en cuarenta y ocho
covariables de pretratamiento. Cuando se usa el matching, puede haber preocupaciones acerca
de las observaciones de poda para lograr el equilibrio. Por lo tanto, construyo la muestra
representativa más grande utilizando el paquete “designmatch” para R (Zubizarreta y Kilcioglu
2016). En pocas palabras, los grupos emparejados obtenidos no solo son equilibrados, sino que
también son similares a la muestra no coincidente en las covariables observadas. Además, utilizo
datos de encuestas de dieciocho países latinoamericanos para mejorar la validez externa de los
hallazgos obtenidos utilizando datos de panel.
Demuestro que las víctimas de delitos son 7 puntos porcentuales más propensos a apoyar las
políticas de armas fuertes para reducir el crimen, como la represión estatal, que las no víctimas.
Un posible mecanismo causal que explica estos resultados es el menor apoyo a la democracia
generado por la exposición directa al crimen. Como consecuencia, las víctimas pueden estar más
dispuestas a tolerar estrategias que erosionan los derechos de los ciudadanos. La evidencia
muestra que la victimización por delincuencia deteriora la legitimidad del sistema político, lo
que podría hacer que tales votantes acepten más las estrategias de mano dura.
Este artículo proporciona dos contribuciones principales a la literatura existente. Primero, se
suma a un creciente cuerpo de investigación que estudia los efectos políticos del crimen. En
particular, se enfoca en el apoyo a políticas de brazo fuerte, que delinean los límites del estado y
lo que está permitido hacer para garantizar la seguridad pública.
En segundo lugar, proporciona evidencia para este argumento mediante el uso de un diseño de
investigación que disminuye el impacto de los sesgos ocultos. Por lo tanto, contribuye a la
discusión de la importancia del diseño de estudios observacionales para hacer inferencias más
creíbles. No es fácil estudiar los efectos políticos de la victimización por delito, ya que existen
múltiples problemas metodológicos que pueden introducir sesgos. Sin embargo, las
consecuencias de estos problemas se pueden mitigar utilizando datos de panel y aplicando
elementos de la teoría estadística de la sensibilidad del diseño.
Es un desafío abordar esta pregunta de investigación por cinco razones metodológicas
principales:
1. Ser una víctima de un crimen no es un evento aleatorio. Las circunstancias sociales
particulares pueden asociarse con la victimización por delito, lo que puede generar un
problema de victimización en serie. Esto significa que las víctimas de delitos anteriores
podrían ser más propensas a ser víctimas de delitos nuevamente. En consecuencia,
cuando se usan datos de encuestas, es difícil saber si la victimización es un evento único
o recurrente en la vida de un encuestado (Bateson 2012). Este problema puede introducir
sesgos, ya que el estado del tratamiento anterior puede afectar el resultado (por ejemplo,
las víctimas en serie podrían acostumbrarse al crimen).
2. Podría haber un problema de causalidad inversa. Es probable que las personas que
desean políticas con un brazo fuerte denuncien un delito como una forma de aumentar
las estadísticas de delincuencia e impulsen la implementación de esas políticas.
3. En cualquier estudio observacional, la presencia de sesgos ocultos es un problema
importante. Las víctimas y las no víctimas pueden diferir en múltiples características no
observadas. Esto es particularmente cierto cuando usamos una muestra nacional y
 comparamos individuos de diferentes ciudades y, por lo tanto, de diversos contextos
socioeconómicos.
4. Los efectos del vecindario son una preocupación crucial (Bateson 2012). Algunos
sectores o áreas dentro de una ciudad pueden ser más o menos seguros, lo que afecta la
probabilidad de ser víctima de un crimen. Este punto es particularmente importante
cuando se analizan datos de varios países o de diversas ciudades o estados dentro de un
país.
5. Al utilizar los datos de la encuesta, el tratamiento (victimización por delincuencia) y
las covariables (características de los encuestados) se miden al mismo tiempo, lo que
puede conducir a posibles sesgos posteriores al tratamiento. Por ejemplo, cuando se
trata de explicar las preferencias políticas de los individuos, el uso de especificaciones
que se ajustan a cosas como los ingresos o la aprobación presidencial puede ser muy
problemático, ya que estas covariables pueden verse afectadas por la exposición al delito.
¿Qué mecanismo causal explica el aumento en el apoyo a medidas más represivas? La evidencia
consistente muestra que el crimen puede afectar los valores democráticos de las víctimas y el
apoyo al estado de derecho (Merolla, Mezini y Zechmeister 2013; Carreras 2013). La
delincuencia también puede socavar la legitimidad del sistema político (Cruz 2010) y aumentar
el apoyo al cambio radical (Seligson y Azpuru 2000). De hecho, el miedo a la delincuencia se
ha relacionado con el apoyo a regímenes que reducen las libertades civiles (Pérez, 2003). En
consecuencia, un menor apego a los valores democráticos puede explicar por qué las víctimas
de delitos pueden aceptar la erosión de algunos derechos básicos a favor de medidas radicales
para combatir la delincuencia en sus países.
En resumen, supongo que la victimización por delincuencia tiene un efecto importante y
significativo en las preferencias de política de las víctimas: en particular, que la exposición a la
delincuencia debería aumentar el apoyo a las políticas de toros de hierro, como la represión
estatal. Espero que este cambio se explica por un menor grado de apoyo a los valores
democráticos, lo que hace que las víctimas sean más tolerantes con ciertas estrategias.
El estudio de la victimización por delincuencia ha estado dominado por un argumento
sancionador, cuya predicción más común es que las víctimas castigarán a los candidatos
actuales. Sin embargo, en este artículo, me enfoco en la dimensión prospectiva de las decisiones
de los votantes prestando atención a las políticas que más les interesan después de la
victimización por crimen: en particular, el apoyo a la represión estatal.

Diseño de investigación
La asignación aleatoria es la mejor estrategia para establecer el efecto causal de una intervención
en particular, ya que la asignación del tratamiento es independiente de los resultados potenciales
(Morgan y Winship 2014), y en la expectativa, las covariables observadas y no observadas deben
tener distribuciones similares entre los grupos de tratamiento y control (Bowers 2011). Sin
embargo, la aleatorización no siempre es factible por razones éticas o prácticas. La estrategia
alternativa para estudiar un fenómeno que no puede ser aleatorizado, como la victimización por
delincuencia, es un estudio observacional bien diseñado, estructurado para parecerse a un
experimento aleatorio simple (Rosenbaum 2010), que utiliza elementos del enfoque basado en
el diseño para mejorar el diseño del estudio. (Keele 2015). Estos incluyen centrarse en la
endogeneidad (Imbens 2010), sin incluir los datos del resultado final (Rubin 2008) y no basarse
en modelos estadísticos (Keele 2015).
¿Qué hace que un estudio observacional sea bueno? Siguiendo algunas de las recomendaciones
proporcionadas por Rosenbaum (2010, 2011), aplico cuatro criterios:
1. El tratamiento debe estar bien definido. Esto significa que sabemos cuándo comienza
y, por lo tanto, cuáles son las covariables de tratamiento previo y posterior. Se usan datos
de panel para mediar solo las covariables capturadas en oleadas antes de que los
encuestados fueran víctimas de crimen.
2. Aunque no haya una asignación aleatoria, la intervención debe parecer aleatoria o no,
obviamente, relacionada con los resultados potenciales. Para resolver este problema,
solo se seleccionan a los encuestados que en la onda t no fueron afectados por el crimen.
Luego, si en la ola t + 1 fueron víctimas de un delito, se incorporaron al grupo tratado
y, si siguen siendo no víctimas, pasan al control. En consecuencia, excluyo por diseño a
los ciudadanos que son víctimas seriales de delitos. Esta estrategia también contribuye a
mitigar el problema de causalidad inversa, ya que en la primera ola solo me concentro
en los encuestados que no informaron un crimen.
3. Los grupos tratados y de control deben ser comparables: en otras palabras, las
distribuciones de las covariables observadas deben ser similares en ambos grupos. Para
resolver esto, se construyen estos grupos utilizando un algoritmo de “matching óptimo”
que encuentra la muestra representativa más grande de pares matcheados que está
equilibrada por el diseño
4. El diseño debe usar estrategias para reducir la sensibilidad a los sesgos no observados,
como la disminución de la heterogeneidad de las unidades: la reducción de la
heterogeneidad de la unidad implica que se necesitarán sesgos no observados más
grandes para explicar un efecto particular. En consecuencia, en un estudio observacional
es preferible centrarse en subconjuntos más homogéneos y comparables (Keele 2015) o
en bloques naturales (por ejemplo, barrios), ya que no se han medido las covariables
deben ser más similares entre los grupos tratados y de control. El uso de encuestas
nacionales no ayuda a lograr este objetivo, ya que aumentan la heterogeneidad de la
muestra.
En consecuencia, exploto el diseño de los datos del panel, ya que se enfoca solo en dos
ciudades medianas de Brasil: Juiz de Fora en el estado de Minas Gerias y Caxias do Sul
en Rio Grande do Sul (Baker, Ames y Renno 2006). Ambas ciudades tienen
características similares, como el tamaño del electorado, su nivel educativo y de ingresos,
y la composición racial. Además poseen similar cantidad de victimización: 15% Juiz da
Fora y 14% Caixas do Soul.
Matching: -> Método de selección de grupos tratados y control con distribuciones de covariables
similares. Sin embargo, para el autor, las técnicas tradicionales de matching (propensiy score y
distancia de Mahalanobis) no garantizan el equilibrio de covariables y, en algunas ocasiones,
pueden empeorar el equilibrio entre las covariables observadas (Sekhon 2009).
Estos métodos a menudo implican un proceso de iteración manual del modelo hasta que se
obtiene el equilibrio covariable (Hainmueller 2011). Además, una posible preocupación cuando
se utiliza cualquier tipo de técnica de coincidencia es que requiere cierto nivel de poda para
obtener el equilibrio, lo que puede hacer que la muestra combinada sea diferente de la muestra
no coincidente.
Para abordar estas limitaciones, utilizo el paquete designmatch desarrollado por Zubizarreta y
Kilcioglu (2016), que me permite encontrar la muestra representativa más grande que logra el
equilibrio de covariables. Este algoritmo maximiza el tamaño de la muestra que:
1. Cumple con los requisitos de equilibrio definidos de antemano: aborda las limitaciones
de las técnicas de emparejamiento tradicionales porque el algoritmo equilibra
directamente las covariables originales sin necesidad de estimar un puntaje de
propensión.
2. Es similar a una muestra objetivo también definida de antemano (en este caso, la
muestra no coincidente): garantiza que las muestras antes y después del emparejamiento
sean similares en las covariables observadas, lo que hace que la poda sea menos
preocupante.
El algoritmo hace coincidir individuos, de manera que los grupos tratados y controlados no
pueden diferir en sus medios en más de 0.1 desviación estándar de la muestra no coincidente.
Como consecuencia, las diferencias estandarizadas entre los grupos tratados y de control
emparejados no pueden ser mayores que 0.1 x 2 desviación estándar.
Todas las covariables equilibradas medias son ordinales o binarias; por lo tanto, ajustar sus
medios es una decisión significativa. También utilizo el equilibrio fino para el vecindario, lo que
implica que ambos grupos tendrán la misma frecuencia para esta covariable, pero sin restringir
quién está emparejado con quién. Por lo tanto, me estoy ajustando para un total de cuarenta y
ocho covariables observadas diferentes.
En el procedimiento de emparejamiento (matching), incluyo covariables de tratamiento previo
que pueden afectar tanto la asignación del tratamiento como el resultado (Stuart 2010), como
edad, educación, género, ideología, trabajo en el sector formal, consumo de medios, partidismo,
preferencias de políticas, políticas conocimiento, raza y religión.
El tratamiento es un indicador binario para ser testigo o víctima de un delito en la ola t + 1 (solo
entre un grupo de encuestados que no fueron testigos o víctimas de un delito en la onda t). La
pregunta utilizada para construir los grupos tratados y de control es la siguiente: "¿Ha sido testigo
o víctima de un delito en los últimos 12 meses? Esto incluye delitos como el asalto, el robo o la
agresión. Por desgracia, la pregunta no distingue entre los diferentes tipos de delitos.
El principal resultado de interés es un indicador binario de soporte para la siguiente declaración:
"La mejor manera de reducir el crimen es con la represión y el puño de hierro". Utilizo un
indicador binario de apoyo a la democracia para explorar el mecanismo causal. Para estimar el
efecto de la victimización por el crimen, uso una regresión lineal con errores estándar de grupo
a nivel de vecindario:

Y es un indicador binario que representa el resultado de interés en la onda t + 1. T representa el

tratamiento (victimización por crimen en la onda t + 1), P describe una medida de tratamiento
previo del resultado de la onda t, y X corresponde a una conjunto de covariables de tratamiento
previo que pueden explicar las preferencias de políticas (educación y edad). σn representa efectos
fijos de barrio.

Resultados de datos de panel

La muestra no igualada tiene 1,916 sujetos en el grupo control (no víctimas de delitos en la onda
t y t + 1) y 320 en el grupo tratado (no víctimas de delitos en la onda t, pero víctimas de delitos
en la onda t + 1). El algoritmo de coincidencia identifica la muestra representativa más grande
que cumpla con los siguientes criterios:
1. balance promedio de cuarenta y siete covariables entre la muestra emparejada y no
emparejada,
2. balance promedio de cuarenta y siete covariables entre los grupos tratados y de control
emparejados y
3. balance fino por vecindario entre los grupos tratados y de control emparejados.
Después de optimizar estos criterios, la muestra combinada tiene 271 sujetos en cada grupo, lo
que hace un total de 542 individuos que son similares a los 2,236 sujetos en la muestra no
igualada.
La Figura 1 muestra las diferencias estandarizadas entre las muestras emparejadas y no
emparejadas (puntos negros), y entre los grupos tratados y de control emparejados (asteriscos
grises). Por diseño, las primeras diferencias estandarizadas no pueden ser mayores que 0.1, y las
segundas no pueden ser mayores que 0.2 desviaciones estándar combinadas. Las líneas de
puntos representan las diferentes tolerancias para cada comparación. Para confirmar el balance
de covariables, los asteriscos grises no pueden estar por encima de la línea gris, y los puntos
negros no pueden estar por encima de la línea negra. La figura muestra cómo se cumplen estos
requisitos de equilibrio de forma predeterminada al usar el paquete designmatch.
Como recordatorio, el resultado es un indicador binario de apoyo para el uso de medidas de
brazo fuerte y la represión para reducir el crimen (ola t + 1). El tratamiento es ser una víctima
de un crimen en la onda t + 1 condicional a no ser una víctima en la onda t. La tabla 1 informa
el impacto de la victimización por delincuencia en las preferencias políticas. Las columnas 2, 3
y 4 proporcionan estimaciones no ajustadas.

Los resultados muestran que el tratamiento aumenta las probabilidades de apoyar las políticas
de brazo fuerte y la represión después de ser víctima de un crimen en 7 puntos porcentuales
(Columna 1); El 18 por ciento de las víctimas apoyan las políticas de armas fuertes, en
comparación con el 12 por ciento de las no víctimas. Aquí es crucial recordar que ambos grupos
están equilibrados en la medida de tratamiento previo de este resultado (además de estar
equilibrados en cuarenta - Siete otras covariables). Estos son resultados importantes porque
representan un efecto sustantivo en la comprensión de lo que el estado tiene permitido hacer
para proteger a los ciudadanos. Estas medidas de política criminal involucran más que la
implementación de un programa particular o un aumento de presupuesto: implican directamente
el uso de la represión como un método válido para combatir el crimen.
¿Qué mecanismo explica el impacto de la victimización por delincuencia en las preferencias
políticas? Sostengo que el crimen podría estar reduciendo el apoyo a la democracia y haciendo
que los ciudadanos estén más dispuestos a tolerar la represión y las prácticas no democráticas.
La Tabla 2 informa el efecto del impacto negativo en un indicador binario de apoyo a la
democracia. Estos resultados deben interpretarse con cautela, ya que el estudio de los
mecanismos causales viene con suposiciones sólidas. Como en el análisis principal, las
Columnas 2, 3 y 4 proporcionan estimaciones no ajustadas.

La exposición al crimen reduce la probabilidad de apoyar la afirmación de que la democracia es

la mejor forma de gobierno en casi 7 puntos porcentuales. Los tamaños de los efectos son muy
similares cuando se comparan las Tablas 1 y 2. Los resultados no son significativos en los
modelos que excluyen los controles, pero los coeficientes son muy estables en todas las
especificaciones, lo que demuestra que la inclusión de estas covariables de pretratamiento
aumenta la precisión de estimación (errores estándar más bajos).

Validez externa: Resultados de datos de encuesta

Aquí se destaca que el efecto es similar para 18 países, pero lo que nos importa por robustez
estadística es el caso de Brasil, donde si se aplica la técnica de matching.
Conclusiones
El estudio de las consecuencias políticas de la victimización por delincuencia es particularmente
necesario en países donde la delincuencia es un fenómeno común, y donde los candidatos
explotan las ideas asociadas con el populismo penal radical como una estrategia política para
obtener votos. La victimización por delitos puede llevar a apoyar la represión, lo que implica
una nueva comprensión de lo que el estado tiene permitido hacer para garantizar la seguridad
de sus ciudadanos. En particular, la adopción de políticas duras contra la delincuencia puede
fomentar las violaciones sistemáticas de los derechos de los ciudadanos (Fuentes 2005). Las
medidas de mano dura para reducir el crimen a menudo se mencionan en la retórica de la
campaña política, y muchos candidatos enfatizan su capacidad para enfrentar el crimen e
implementar políticas de mano dura para disminuir la victimización.
En este artículo, muestro que la victimización por delincuencia modifica las preferencias
políticas de los votantes al cambiar sus valores democráticos y, por lo tanto, hacer que estén más
dispuestos a apoyar estrategias que erosionen los derechos básicos en un intento por combatir el
crimen. Estudiar los efectos de la delincuencia es complicado, y los estudios que no incorporan
datos longitudinales tienden a tener varias deficiencias, como la falta de covariables previas al
tratamiento, así como problemas de endogeneidad y victimización en serie.
La teoría estadística de la sensibilidad del diseño muestra cómo los elementos del diseño pueden
reducir la sensibilidad a sesgos ocultos (Rosenbaum 2004). Escucho estas recomendaciones para
construir un estudio observacional más sólido. En particular, me concentro en reducir la
heterogeneidad, que puede disminuir significativamente el impacto de los factores de confusión
no medidos. Además, el uso de datos de panel proporciona covariables previas al tratamiento y
medidas previas al tratamiento de los resultados, lo que ayuda a generar mejores comparaciones.
Los estudios anteriores se han centrado principalmente en cómo los votantes evalúan a los
políticos, siguiendo un argumento clásico de sanción. Sin embargo, la victimización por
delincuencia puede modificar las políticas que a los votantes les gustaría ver implementadas,
además de castigar al titular. Creo que esta es una dimensión prospectiva de las decisiones
electorales de las víctimas: primero sancionan al titular y luego deben seleccionar un candidato.
Las políticas que proponen esos candidatos pueden ser cruciales para comprender las opciones
electorales de los ciudadanos afectados.
Los hallazgos de este artículo pueden tener importantes implicaciones políticas. Cuando los
ciudadanos afectados tienen más probabilidades de apoyar un estado represivo, un aumento del
crimen durante los años electorales puede ser explotado por los candidatos populistas que
proponen políticas de puño de hierro para controlar el crimen. El efecto de la victimización por
crimen también puede tener consecuencias a largo plazo para la adopción de esas políticas. Hay
evidencia de votantes en la región que apoyan a ex-autoritarios candidatos acusados de abusos
contra los derechos humanos porque prometen combatir el crimen a cualquier costo (Seligson,
2002). En este contexto, las nuevas preferencias políticas de las víctimas pueden tener
consecuencias significativas para la calidad de los candidatos elegidos y las políticas que
implementan.