1

LA POBREZA COMO CAUSA DE LA VIOLENCIA EN MÉXICO DE 1990 A 2021

LICENCIATURA: ECONOMÍA Y FINANZAS

NOMBRE DE LOS ALUMNOS: ARTURO SANMIGUEL GÓMEZ

NOMBRE DE LA ASIGNATURA: ECONOMETRÍA I

NOMBRE DEL PROFESOR: JONATHAN YOSHUA BERRA MONTIEL

FECHA DE ENTREGA: 02/12/2023

 2

Resumen

La violencia y la pobreza, lamentablemente, son males que han aquejado a México de forma

continua a través de los años. Este trabajo se trata sobre realizar un análisis de la pobreza y la

violencia en México, ya que se ha mencionado muchas veces la relación que existe entre ambas,

se presentan diversas posturas sobre si la pobreza causa violencia o viceversa. En este modelo

econométrico, se analiza como variables relacionadas con la pobreza impactan a la violencia en el

país, con el objetivo de poder establecer la relación y de esta forma atacar el problema que sea el

causante de las malas condiciones de vida de la población mexicana.

Abstract

Violence and poverty, unfortunately, are evils that have afflicted Mexico continuously over the

years. This paper deals with an analysis of poverty and violence in Mexico, since the relationship

between the two has been mentioned many times, and different positions are presented on whether

poverty causes violence or vice versa. In this econometric model, we analyze how variables related

to poverty impact violence in the country, in order to establish the relationship and thus attack the

problem that is the cause of the poor living conditions of the Mexican population.

Palabras Clave

Violencia, pobreza, desempleo, gasto público, homicidios, desigualdad.

Introducción

La violencia y la pobreza son dos fenómenos muy comunes en México que han afectado a la

población de manera histórica, existen diversas posturas sobre la relación que existe entre ambas,

especialmente de causalidad, ya que hay organizaciones como Banco Mundial que “de acuerdo al

Reporte de Desarrollo, plantean que la situación de vulnerabilidad y pobreza sí puede generar

conductas violentas, ya que, como incentivo económico, puede ser el sustento de familias enteras”
 3

(2021). Sin ser la única, ya que otras instituciones como CONEVAL mencionan “que al menos,

en los municipios que existe una alta concentración de pobreza, la violencia está presente” (2021).

Esto nos deja ver una postura de dos organizaciones importantes que afirman que la violencia

puede depender de los niveles de pobreza existentes en el país.

En este trabajo se realizará un análisis que pueda confirmar de manera matemática si las

afirmaciones previamente establecidas se cumplen en la realidad, creando un modelo que nos deje

observar si la violencia depende realmente de la pobreza y variables relacionadas con ella.

Esto con el objetivo de poder usar este trabajo como fuente de información confiable para el

estudio y elaboración de políticas encargadas de eliminar los niveles preocupantes de violencia y

pobreza que existen en la nación mexicana.

Por último, este ejercicio se plantea como una demostración de todo lo aprendido durante la

materia, usando los diferentes conocimientos y técnicas para elaborar un modelo econométrico,

analizarlo, interpretarlo y obtener conclusiones.

Diseño del modelo

La variable que queremos explicar en este modelo es la violencia, representada por una variable

obtenida en Banco Mundial (2023) sobre las tasas de homicidios en el periodo 1990-2021 en

México. Los datos fueron obtenidos de Our World Data y Banco Mundial (2023). La teoría es

observar los cambios en la violencia dependiendo de las variables relacionadas con la pobreza, las

variables usadas para crear el modelo fueron las siguientes:

HOM= Homicidios intencionales por cada 100,000 habitantes

UN= Desempleo, porcentaje de la población.

GVSP= Gasto Público, porcentaje del PIB.

GIN= Índice de Gini, medido del 0 al 100.

 4

Marco Conceptual

HOM
Homicidios intencionales (por cada 100.000 habitantes)
Los homicidios intencionales son cálculos de homicidios ilegales cometidos en forma intencional
como resultado de conflictos internos, violencia interpersonal, conflictos violentos por la tierra o
sus recursos, violencia entre pandillas por el territorio o el control y asesinatos y violencia que
atenta contra la integridad física por parte de grupos armados. El homicidio intencional no incluye
todos los asesinatos intencionales; la diferencia suele encontrarse en la organización del asesinato.
Por lo general, las personas o grupos pequeños cometen homicidios, mientras que el asesinato en
conflictos armados suele ser cometido por grupos organizados de varios cientos de miembros y
por ende, se excluye.
UN
Desempleo, total (% de la población activa total) (estimación modelado OIT)
El desempleo es la proporción de la población activa que no tiene trabajo pero que busca trabajo
y está disponible para realizarlo. Las definiciones de población activa y desempleo difieren según
el país
GVSP
Gasto (% del PIB)
Los gastos son los pagos de dinero por actividades operativas del Gobierno para la provisión de
bienes y servicios. Incluye remuneración de empleados (como sueldos y salarios), interés y
subsidios, donaciones, beneficios sociales y otros gastos como renta y dividendos.
GIN
Índice de Gini
El índice de Gini mide hasta qué punto la distribución del ingreso (o, en algunos casos, el gasto de
consumo) entre individuos u hogares dentro de una economía se aleja de una distribución
perfectamente equitativa. Una curva de Lorenz muestra los porcentajes acumulados de ingreso
recibido total contra la cantidad acumulada de receptores, empezando a partir de la persona o el
hogar más pobre. El índice de Gini mide la superficie entre la curva de Lorenz y una línea
hipotética de equidad absoluta, expresada como porcentaje de la superficie máxima debajo de la
línea. Así, un índice de Gini de 0 representa una equidad perfecta, mientras que un índice de 100
representa una inequidad perfecta.
 5

Construcción del Modelo

Para la elaboración del modelo, se tomaron en cuenta cuatro posibilidades que consistían en:

• Lin-Lin
• Log-Lin
• Lin-Log
• Log-Log

Finalmente se escogió como la mejor opción el modelo Lin-Lin, ya que presentaba los mejores

indicadores en cuanto a la R2 y R2 ajustada, recordando que ésta última es importante, ya que

estamos hablando de un modelo de regresión múltiple. También es importante recordar que al

tener diferentes variables en porcentajes como puede ser el Gasto Público, es más conveniente usar

este tipo de modelo. El modelo fue elaborado de manera propia en lenguaje de programación R, el

código del procedimiento se encontrará al final de este trabajo.

Modelo de regresión múltiple: HOM=β0+β1UN+β2GVSP β3GIN+ε

El modelo arroja los siguientes resultados:

Tabla de Resumen - Modelo M1

===============================================
Dependent variable:
---------------------------
HOM
-----------------------------------------------
UN 2.073**
(0.764)

GVSP -0.723***
(0.177)

GIN -2.943***
(0.437)

Constant 169.918***
(24.107)

-----------------------------------------------
Observations 24
R2 0.717
Adjusted R2 0.675
Residual Std. Error 3.820 (df = 20)
F Statistic 16.909*** (df = 3; 20)
 6

Lo primero que podemos observar es que el desempleo es la única variable que tiene una relación

positiva con los homicidios, lo que significa que al aumentar en una unidad (porcentual) el

desempleo tendrá un efecto de aumento de 2.073 en la tasa de homicidios (porcentual). Mientras

que las otras dos variables tienen una relación negativa, lo que significa que al aumentar en una

unidad el Gasto Público habrá una disminución de 0.7 en la tasa de homicidios y lo mismo para la

desigualdad, medida con el Índice de Gini, siendo el valor más alto, obteniendo una disminución

de 2.9 en los homicidios cuando haya un aumento del 1% en el Índice. La tasa de homicidios

cuando todas las otras variables sean 0, sería de 169.91 por cada 100,000 habitantes. Es curioso e

interesante el resultado sobre la desigualdad, ya que según el modelo entre mayor desigualdad

haya habría una reducción significativa en la tasa de homicidios.

Respecto a la significancia de las variables, vemos que según la regresión todas las variables son

significativas ya que tienen un pvalue menor a 0.05 por lo que son considerados estadísticamente

significativos.

Existen dos hipótesis para el siguiente trabajo para la estimación de los valores:

• Hipótesis Nula, es cuando el valor es igual a 0.

• Hipótesis Alternativa, es cuando el valor es diferente a 0.

Realizando la prueba t con las tablas proporcionadas en el curso, establecemos que el modelo tiene

20 grados de libertad y utilizaremos una confianza del 95%, lo que nos daría como resultado 2.086,

esto significa que, dentro de las dos hipótesis posibles, en la distribución el valor estimado estará

alejado del valor hipotético de cero.

 7

Pruebas de normalidad

Existen diferentes pruebas de normalidad, en este caso se usará la prueba de Shapiro-Wilk, ya que

se tienen menos de 50 observaciones debido a las limitaciones de las bases de datos. El resultado

de la prueba fue que el valor de p-value es 0.6051, por lo que podemos decir que la distribución

de los errores es normal, ya que el p-value es mayor a 0.05 y por lo tanto no tenemos elementos

para rechazar la hipótesis nula.

Respecto al Fstatistic que da R, obtenemos el siguiente dato:

F-statistic: 16.91 on 3 and 20 DF, p-value: 1.043e-05

Si consultamos la tabla F, tenemos un Fvalue de 3.86 el cual es muy inferior al valor del Fstatistic,

por lo que junto con el p-value tan bajo que tiene, al ser mucho menor a 0.05, podemos concluir

que al menos una de las variables independientes tiene efectos significativos en la dependiente.
 8

Principios de Gauss-Markov

Para evitar la multicolinealidad en el modelo, decidí usar el Factor de Inflación de la Varianza en

este caso, con un VIF de 1.98, 1.99 y 1.01, no hay evidencia fuerte de multicolinealidad

significativa. Esto es positivo, ya que sugiere que la variable en cuestión no está altamente

correlacionada con otras variables en tu modelo. Respecto a la prueba de homocedasticidad, se

utilizó la prueba de Breusch-Pagan para obtener un valor 2.87 y un p-value de 0.4118, lo que

significa que no hay evidencia suficiente para determinar que hay heterocedasticidad en los datos,

así que podemos confiar en que se está respetando este principio.

Limitaciones del modelo

Al construir este modelo econométrico se presentaron ciertas dificultades y en los resultados

también se observan problemas relacionados a las limitaciones de la regresión construida.

Comenzando por la falta de datos anteriores a 1990, lo que no permitió realizar un estudio más

extenso con las variables utilizadas en el modelo, sin contar que, dentro de la base de datos, se

encuentran algunas celdas vacías debido a que no había información disponible sobre las variables

GVSP & GIN para dichos años. En futuros estudios y análisis se podría volver a realizar el modelo

con la obtención total de esos datos y los de años anteriores para observar la diferencia en los

resultados.

Se iba a incluir una variable dummy llamada PTY que se encuentra en la base de datos, la cual iba

a determinar el partido político que se encontraba en cada año del periodo 1990-2021 para observar

los cambios que había, sin embargo, fue descartada esta variable dummy, ya que no aparecía como

significativa en el modelo.
 9

Conclusiones

Con base en el cuadro de regresión, tenemos que todas las variables independientes resultaron

significativas debido a su pvalue menor a 0.05, una R2 ajustada alta de 67.4%, determina que dicha

variación de los homicidios es explicada por el modelo. Sobre el valor t de student, al obtener

2.086 sabemos que el valor estimado va a encontrarse lejos del valor hipotético de cero.

Podemos concluir que el modelo después de haber pasado por las diferentes pruebas y al cumplir

con los Principios de Gauss-Markov, principalmente el de homocedasticidad y la no colinealidad,

ya que los valores obtenidos reflejan que ambos principios se están cumpliendo. En los resultados

de las pruebas de normalidad, se determina como un modelo que puede explicar la variación de la

tasa homicidios usando las variables independientes asignadas, ya que al menos una de ellas

repercute en la dependiente y que tiene una distribución normal de los errores.

Por último, pero no menos importante, tenemos los efectos que ejercen las variables en la tasa de

homicidios, teniendo al desempleo (UN) y Desigualdad (GIN) como las dos variables que más

afectan a la tasa de homicidios, ya que el Gasto Público (GVSP) sólo afecta en 0.7. Mientras que

el desempleo al aumentar en 1% provocará una disminución de 2.07 en la tasa de homicidios y lo

mismo sucede con la desigualdad, ya que al aumentar el Gini en un punto provocará una

disminución de 2.9 en la tasa de homicidios, este último dato me parece poco creíble, pero habría

que estudiar más a fondo los posibles escenarios que expliquen la razón de esto. Conociendo estos

resultados, sabemos que si puede existir una explicación entre la violencia y la pobreza, resultando

el desempleo como una variable crucial que los Estados tendrán que poner especial atención, ya

que entre mayor sea el desempleo en México, existen mayores probabilidades de que aumente la

tasa de homicidios en el país.

 10

Bibliografía

CMT (2021). Variables entre la violencia y la pobreza. https://cmt-

global.org/prensas/num_prensa/295

Ibero Puebla. (2023). Iberopuebla.mx. Tablas F & T

https://aulasvirtuales.iberopuebla.mx/pluginfile.php/758745/mod_resource/content/1/tabla

s%20prueba%20F%20%281%29.pdf

https://aulasvirtuales.iberopuebla.mx/pluginfile.php/676397/mod_resource/content/1/Tabla%20de

%20distribuci%C3%B3n%20t%20%28cola%20derecha%29.pdf

Our World in Data. Income inequality: Gini coefficient. (2022).

https://ourworldindata.org/grapher/economic-inequality-gini-

index?tab=table&time=1990..latest

World Bank Open Data. (2023). World Bank Open Data.

Desempleo, total %

https://datos.bancomundial.org/indicador/SL.UEM.TOTL.ZS?locations=MX

Gasto Público (%)

https://datos.bancomundial.org/indicador/GC.XPN.TOTL.GD.ZS?name_desc=false&locat

ions=MX

Índice de Gini

https://datos.bancomundial.org/indicator/SI.POV.GINI?locations=MX
 11

ANEXOS
 12

#Código en R

RLM1<-lm(formula=HOM~UN+GVSP+GIN,M1)

summary(RLM1)

RLM2<-lm(formula=log(HOM)~UN+GVSP+GIN,M1)

summary(RLM2)

RLM3<-lm(formula=HOM~log(UN)+GVSP+GIN,M1)

summary(RLM3)

RLM4<-lm(formula=log(HOM)~log(UN)+GVSP+GIN,M1)

summary(RLM4)

library(stargazer)

stargazer(RLM1, title = "Tabla de Resumen - Modelo M1", type = "text")

plot(RLM1, which = 1)

library(car)

vif(RLM1)

residuales <- resid(RLM1)

hist(residuales)

install.packages("tseries")

library(tseries)
 13

shapiro.test(residuales)

library(lmtest)

resultado_bptest <- bptest(RLM1)

print(resultado_bptest)

Base de Datos Elaboración Propia

YEAR HOM UN GVSP GIN PTY

1990 17.73486 3.10 16.91858 50.8 1
1991 18.14962 3.15 13.77268 51.5 1
1992 19.52392 3.24 13.36205 52.6 1
1993 18.51158 3.37 10.87185 52.6 1
1994 17.93478 4.44 10.91358 52.8 1
1995 17.35253 7.1 11.91382 53.2 1
1996 15.83748 5.47 11.68435 53.6 1
1997 14.54341 4.24 12.21794 51.6 1
1998 14.41004 3.73 11.1615 51.7 1
1999 12.71503 2.6 11.96287 50.5 1
2000 10.97029 2.65 12.68006 52.6 1
2001 10.34768 2.63 13.46279 51.4 0
2002 9.996326 3 26.69453 50.1 0
2003 9.847764 3.46 25.93156 0
2004 8.974868 3.94 23.56399 50 0
2005 9.408928 3.56 25.12631 50.1 0
2006 9.77857 3.57 25.18728 48.9 0
2007 8.187218 3.63 25.1036 0
2008 12.76935 3.87 26.77291 49.9 0
2009 17.8326 5.36 29.63048 0
2010 22.88852 5.3 28.64312 47.2 0
2011 23.83958 5.17 27.97363 47.8 0
2012 22.43255 4.89 48.7 0
2013 19.66311 4.91 1
2014 16.84969 4.81 48.7 1
2015 17.28008 4.31 1
2016 20.20997 3.86 20.31782 47.7 1
2017 26.11462 3.42 20.41178 1
2018 29.58137 3.27 20.42065 46.7 1
2019 29.3088 3.48 20.35822 46.2
2020 29.18531 4.45 22.30592 45.4
2021 28.17565 4.09 21.61018 45.1
14