Escolar Documentos
Profissional Documentos
Cultura Documentos
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:
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.