Resultados
| Autor | Alfonso Serrano Maíllo |
| Páginas | 135-165 |
Page 135
Pues bien, podemos testar estas hipótesis mediante el análisis de los datos de nuestra encuesta. Como es bien sabido, para el caso de variables dependientes dicotómicas y para las distribuciones más habituales, la regresión logística es la herramienta estadística de análisis más extendida y recomendable1. Aunque existen otras alternativas, el método más habitual, aquí utilizado, es el Logit2. La siguiente Tabla 3 ofrece los coeficientes, razones de las ventajas, sus intervalos de confianza al habitual 95% y otros resultados y estadísticos importantes de nuestros análisis de regresión logística (según el método de máxima verosimilitud) para las modalidades delictivas de referencia sufridas por los establecimientos en los últimos 6 meses. Como puede observarse, en la misma aparecen los 3 modelos que tienen como variables dependientes el hurto por clientes o extraños, el vandalismo y la estafa (en los últimos 6 meses).
Los 3 primeros modelos o ecuaciones ofrecen evidencia al menos parcialmente consistente con nuestras hipótesis y, en general, con la idea de que la oportunidad es un factor relevante a la hora de predecir y explicar la victimación y, como se sostiene aquí y por una parte importante de la literatura revisada, también la realización de delitos. Los modelos 2 y 3, a los que nos referiremos más abajo, sólo alcanzan la significación estadística al nivel a=0,13. Page 136
Tabla 3.-3 Modelos de regresión logística (Logit): hurtos y vandalismo en los últimos 6 meses
(Tabla en Documento Pdf)
El modelo 1 es estadísticamente significativo, lo cual quiere decir, muy básicamente, que puede asumirse con una cierta seguridad que contribuye a predecir los hurtos por clientes o extraños en los últimos 6 meses en nuestro estudio. De este modo se confirma nuestra hipótesis número 1. Respecto a las variables individuales, dos de ellas se revelan claramente Page 138 eficaces también para la predicción del hurto en nuestro estudio; mientras que sobre una tercera habrá que llevar a cabo enseguida alguna precisión adicional. La edad media de los empleados y la presencia de algún vigilante de seguridad predicen de modo estadísticamente significativo la victimación por hurto en los últimos 6 meses. Concretamente, según es mayor la edad media de los empleados, menor es la probabilidad de sufrir un hurto por clientes o extraños en nuestra investigación. Una posible explicación es que éstos tienen mayor experiencia y, como consecuencia, son más hábiles para detectar y prevenir delitos de este tipo. Dicho de modo algo más técnico, los empleados parecen volverse guardianes más capaces de prevenir el delito con el paso de los años. Otras potenciales explicaciones son asimismo imaginables. Por ejemplo, es posible que la edad media de los empleados se relacione con características de los objetos que venden. Así, puede ser el caso que vendedores más jóvenes trabajen en tiendas de moda y/u orientadas también a una clientela joven -lo cual elevaría la probabilidad de victimación4. También es posible que la relación no sea lineal y que a partir de una cierta edad (media) la probabilidad de sufrir hurtos por clientes o extraños se eleve como consecuencia de la disminución de las capacidades físicas de los empleados5. Recuérdese que nuestras hipótesis no establecían el sentido de la Page 139 presente relación. La interpretación en términos cuantitativos del coeficiente, sin embargo, no es sencilla debido a que se refiere al cambio que se produce en la variable dependiente, ¡que es un logit!, por cada cambio en una unidad en la variable independiente de interés -que está medida a nivel continuo6. A nuestros intereses, sin embargo, es suficiente con subrayar el signo y la significación estadística de la relación. También es consistente con nuestra predicción el hallazgo de que la presencia de algún vigilante de seguridad reduce la probabilidad del hurto. Las otras dos relaciones que hemos pronosticado, sin embargo, no alcanzan la significación estadística de acuerdo con los estándares habituales, aunque la variable independiente precio mínimo la roza (p=0,064)7. En efecto, habíamos hipotetizado que el precio mínimo se relacionaría con haber sufrido algún hurto en los últimos 6 meses de modo estadísticamente significativo. De acuerdo con nuestros hallazgos, según es mayor el precio mínimo de los objetos que vende un comercio, menos probable es que sufra un hurto. Ello se aprecia fácilmente atendiendo, entre otras cosas, al signo del coeficiente no estandarizado (-0,017). Su dirección, sin embargo y como puede apreciarse, es opuesta a la que habíamos predicho. Como veremos con algo más de detalle, en este modelo aparecen 2 observaciones que parecen ser problemáticas y aconsejan la realización de análisis con errores típicos robustos. Se puede adelantar que, en estos nuevos análisis, poco cambia y que la variable precio mínimo mantiene su significación estadística al nivel a=0,1 (p=0,083 para Logit [E.T.R.]; y p=0,07 para Probit [E.T.R.]) y el signo negativo en su coeficiente no estandarizado. Como veremos más adelante, en análisis ulteriores utilizando la herramienta de remuestreo bootstrap, sin embargo, desaparece todo rastro de significación estadística. Page 140 Tomado en conjunto, ello parece sugerir que esta potencial relevancia de la variable precio mínimo debe tomarse con gran cautela. Quizá el modelo 4 arroje algo más de luz al respecto. En todo caso, este análisis ofrece evidencia favorable a nuestras hipótesis 1, 3 y 5, así como información valiosa sobre la relación entre edad de los empleados y la probabilidad de sufrir un hurto por clientes o extraños.
Como se señaló, nuestro modelo 2 (sobre el vandalismo) no alcanza la significación estadística habitualmente exigida en ciencias humanas y sociales. Con ello no se encuentra apoyo empírico, en principio, para nuestra hipótesis número 6. Uno de los predictores, sin embargo, encontrarse el establecimiento en calle peatonal, se relaciona de modo estadísticamente significativo con el vandalismo -y, además, en el sentido predicho. Aunque no es lo más habitual, es perfectamente posible encontrar casos como el presente en el que el modelo no es significativo pese a que alguno de sus componentes individuales sí lo es. Ello, en cualquier caso, nos anima a realizar ulteriores exploraciones de esta potencial relación. Para el caso de una posible relación (bivariada) entre vandalismo en los últimos 6 meses y encontrarse el establecimiento en calle peatonal podemos conducir una nueva comprobación con análisis ortodoxos mediante Tablas de contingencia (2x2). Los mismos, como muestran a continuación las Tablas 4 y 5, también son coincidentes plenamente con nuestra hipótesis originaria número 9: encontrarse el establecimiento en área peatonal aumenta la probabilidad de haber sufrido actos de vandalismo, al menos para los últimos 6 meses. Véase la tabla de contingencia, Tabla número 4, en la que se aprecia una clara fuga de casos, significativa estadísticamente (IRATI>1,96), de la categoría «No peatonal» a la de «Peatonal» en el caso de «Sí se ha sufrido (vandalismo en los últimos 6 meses)». La misma fuga de casos se produce, en el sentido opuesto y como era esperable, para el caso de «No se ha sufrido». Ninguna celda tiene una frecuencia inferior a 5. Las prácticamente coincidentes medidas simétricas de la Tabla 5 sugieren, además, que Page 141 la fuerza de la relación no es despreciable8. Como veremos, esta asociación se revela especialmente robusta en posteriores análisis multivariantes.
Tabla 4.-Tabla de contingencia: Vandalismo en los últimos 6 meses según comercio en calle Peatonal
(Tabla en Documento Pdf)
RAT, Residuos ajustados tipificados.
Porcentaje lo es sobre «Peatonal».
Chi²=6,036; gl=1; p
Tabla 5.-Medidas de asociación simétricas: Vandalismo en los últimos 6 meses según comercio en calle Peatonal
(Tabla en Documento Pdf)
Con ello, pues, se ofrece evidencia empírica favorable a nuestra hipótesis número 9 y, del mismo modo, para las teorías de la oportunidad. Pero es el único caso en nuestro modelo 2. Page 142
También el modelo 3 es estadísticamente significativo sólo al nivel a=0,1 (p=0,054). De nuevo, sólo una de las variables independientes correlaciona con la estafa en los últimos 6 meses: la edad media de los empleados. Concretamente, según los empleados, como grupo y de media, son mayores, controlando las restantes variables, menos probable es haber sufrido una estafa. El número de empleados, el hecho de contar con un sistema de videovigilancia dentro del comercio y con algún vigilante de seguridad no se revelan capaces de predecir la estafa, al contrario de como habíamos hipotetizado.
Como anunciamos, se han construido otros 3 modelos paralelos a los tres primeros. Las variables dependientes son ahora el hurto por clientes o extraños, el vandalismo y la estafa en el último año. Pueden construirse con facilidad hipótesis paralelas también a las de los 3 primeros modelos. La siguiente Tabla 6 ofrece los coeficientes, razones de las ventajas, sus intervalos de confianza al habitual 95% y otros resultados y estadísticos importantes de nuestros análisis de regresión logística (según el método de máxima verosimilitud) para las modalidades delictivas de referencia. Como era de esperar, los resultados son muy semejantes a los que la Tabla número 3 refleja para nuestros 3 primeros modelos. Page 143
Tabla 6.-3 Modelos de regresión logística (Logit): hurtos y vandalismo en el último año
(Tabla en Documento Pdf)
Es importante repetir que estos nuevos modelos no deben verse como...
Para continuar leyendo
Solicita tu prueba