-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathmar_doc.Rmd
464 lines (376 loc) · 28.3 KB
/
mar_doc.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
---
output:
pdf_document:
fig_caption: true
toc: true
toc_depth: 2
latex_engine: pdflatex
keep_tex: true
template: C:/Users/Usuario/Documents/svm-r-markdown-templates-master/svm-latex-ms.tex
title: "El Efecto de la Legalización de la Marihuana sobre la Criminalidad en los Estados Unidos"
subtitle: "Política Económica"
author:
- name: Cristian Carrión
affiliation: Escuela Politécnica Nacional
email: [email protected]
fontfamily: mathpazo
fontfamilyoptions: sc, osf
fontsize: 11pt
geometry: margin=1in
#csl: C:/Users/Usuario/Documents/Doc_espan/Marihuana_law/american-journal-of-political-science.csl
tables: yes
appendix: yes
appendixletter: A
indent: yes
bibliography: C:/Users/Usuario/Documents/Doc_espan/Marihuana_law/bib_lm.bib #no va a dectecta por la carpeta que tiene "ñ" y posible el "espacio"
biblio-style: apsr
abstract: El debate ha rodeado la legalización de la marihuana con fines médicos o recreativos durante décadas, algunos han argumentado que la legalización de la marihuana medicinal representa una amenaza para la salud pública y la seguridad. En los últimos años, algunos estados de EE.UU. han legalizado la marihuana con fines recreativos, reactivando el interés político y público en el impacto de la legalización de la marihuana en una serie de resultados.
keywords: Cannabis, marihuana, drogas ilegales, crimen.
thanks: "La replicacion de los archivos están disponibles en la página Github del autor ([github.com/cristian1512](https://github.com/cristian1512))"
header-includes:
- \usepackage[spanish]{babel}
- \usepackage{caption}
---
```{r setup, include=FALSE, cache=FALSE, eval=TRUE}
# knitr::opts_chunk$set(cache=FALSE, kfigr.prefix=TRUE, kfigr.link=TRUE)
library(sqldf)
library(knitr)
library(kfigr)
library(pander)
library(stargazer)
library(xtable)
library(plyr)
# library(knitr)
library(lme4)
library(corrplot)
library(optimx)
library(nloptr)
library(ggplot2)
library(gridExtra)
library(ordinal)
library(texreg)
library(cem)
library(arm)
library(broom)
library(kableExtra)
library(extrafont)
library(fitdistrplus)
library(dplyr)
library(tidyr)
library(panelView)
library(papaja)
library(rddtools)
library(boot)
# library(grid)
# library(gridExtra)
crime_t <- read.csv("C:/Users/Usuario/Documents/Doc español/Marihuana_law/data/crime_t.csv",
stringsAsFactors = T,
sep = ";")
proj <- read.csv("C:/Users/Usuario/Documents/Doc español/Marihuana_law/data/Data_final.csv",
stringsAsFactors = T,
sep = ",")
proj <- filter(proj, Year >= 1980 & Year <= 2014)
```
# Introducción
La legalización de la marihuana para uso recreativo en los Estados Unidos sigue siendo un tema muy debatido a medida que más estados legalizan la marihuana para uso recreativo y con fines médicos. El tema abordado en este trabajo es si la *Legalización de la Marihuana (LM)* tiene el efecto de aumentar el crimen, si bien hay muchos mecanismos por los cuales el LM podría afectar los índices de delincuencia, como se mencionará más adelante, los comentarios que apoyan la legalización de la marihuana se centran en una posible disminución de la delincuencia debido a la reducción en el mercado y la actividad delictiva asociada con ella[@Maier2017]. Si la marihuana se legaliza o incluso se despenaliza, se argumenta que los agentes de la ley dedicarán menos tiempo y recursos a hacer cumplir las leyes[@Caulkins2016]. Por otra parte, los defensores de la LM comentan sobre los beneficios de salud para las personas con ciertas enfermedades y afecciones médicas[@Eddy2005]. Uruguay se convirtió en el primer país del mundo en legalizar completamente la marihuana se enfocará este análisis en los Estados Unidos porque ha habido muchos cambios legales con respecto a la despenalización o legalización de la marihuana en los últimos años, la tendencia de la criminalidad neta se puede apreciar en la Figura \ref{fig:plot1}.
*El propósito de este análisis de datos no es explorar si existe una relación entre la legalización y despenalización de la marihuana y su uso, sino más bien observar la relación, si existe, entre las leyes de la marihuana y las tasas de delincuencia.*
```{r graph1, eval=TRUE, echo=FALSE, fig.width=6, fig.height=4, fig.cap="\\label{fig:plot1} Criminalidad Neta en los EE.UU.", cache=TRUE}
m_plot <- crime_t %>%
filter(Year >= 1980) %>%
dplyr::select(Year,
Robbery,
Aggravated.assault) %>%
gather(key = "Variable", value = "Observaciones", -Year)
ggplot(m_plot, aes(x = Year, y = Observaciones)) +
geom_line(aes(color = Variable, linetype = Variable)) +
annotate("text", x=1997, y = 950000,
label = "Alaska \n1998") +
annotate("text", x=1998, y = 650000,
label = "Oregon \n1998'") +
annotate("text", x=2000, y = 800000,
label = "Hawaii \n2000'") +
annotate("text", x=2003, y = 400000,
label = "Montana \n2004'") +
annotate("text", x=2008, y = 500000,
label = "Michigan \n2008'") +
annotate("text", x=2012, y = 900000,
label = "Maryland \n2014'") +
annotate("text", x=2012, y = 670000,
label = "New York \n2014'") +
theme_bw() +
theme(title = element_text(face="italic", size=10, hjust=0)) +
geom_vline(aes(xintercept = 1998, linetype = "dotted"))+
geom_vline(aes(xintercept = 1999, linetype = "dotted"))+
geom_vline(aes(xintercept = 2000, linetype = "dotted"))+
geom_vline(aes(xintercept = 2001, linetype = "dotted"))+
geom_vline(aes(xintercept = 2004, linetype = "dotted"))+
geom_vline(aes(xintercept = 2005, linetype = "dotted"))+
geom_vline(aes(xintercept = 2007, linetype = "dotted"))+
geom_vline(aes(xintercept = 2008, linetype = "dotted"))+
geom_vline(aes(xintercept = 2010, linetype = "dotted"))+
geom_vline(aes(xintercept = 2011, linetype = "dotted"))+
geom_vline(aes(xintercept = 2012, linetype = "dotted"))+
geom_vline(aes(xintercept = 2013, linetype = "dotted"))+
geom_vline(aes(xintercept = 2014, linetype = "dotted"))+
theme(axis.title.x = element_text(face="plain", size=11, hjust=.5)) +
theme(axis.title.y = element_text(face="plain", size=11, hjust=.5)) +
theme(legend.title = element_text(face="plain", size=11, hjust=.5)) +
labs(caption = "\n Nota: La variable Asesinato se omitió para reducir espacio \n Fuente: FBI’s Uniform Crime Reporting \n Gráfico realizado por Cristian Carrión")
```
# Métodos
## Datos y Medidas
### Variables Dependientes
Los datos sobre los cuatro delitos (Asesinato y homicidio no negligente, Violación, Robo y Asalto agravado) entre 1980 y 2014 se obtuvieron del *FBI’s Uniform Crime Reporting* [(UCR)](https://bjs.gov/). Todos los datos se recopilaron para cada uno de los 50 estados de EE.UU. A lo largo del período de tiempo de 24 años para un total de N = 1785.
### Variable Independiente
Para determinar si y cuándo ocurrió la LM dentro de un estado, buscamos en el sitio web legislativo oficial para cada estado de los EE. UU. Entre 1980 y 2014, los siguientes 23 estados legalizaron la marihuana para uso médico, con el año en que se aprobó como se observa en la Cuadro A.1. El año de inicio de la LM se obtuvo del sitio web oficial [NORML](https://norml.org/states) para cada estado[@NORML]. La variable Dummy representa el número de años que la ley ha estado vigente con un valor de cero para todos los años anteriores a la aprobación de la ley, un valor de 1 para los años en que se aprobó la ley para capturar cualquier cambio en el Tendencia lineal del delito que se puede observar a lo largo del tiempo para corroborar los opositores de la LM si están en lo cierto[@Morris2014].
### Variables de Control
Las variables sociodemográficas se incluyeron en el análisis para ayudar a controlar una amplia gama de otras influencias que varían en el tiempo. Específicamente, incluyen:
- El porcentaje de la fuerza laboral civil desempleada de cada estado, se obtuvo del sitio web de la Oficina de Estadísticas Laborales ([BLS](https://www.bls.gov/lau/))
- La tasa de empleo total, se obtuvo del sitio web de la Oficina de Estadísticas Laborales ([BLS](https://www.bls.gov/sae/))
- El porcentaje de la población que vive por debajo del umbral de pobreza, se obtuvo de la [Oficina del Censo](https://www.census.gov/topics/income-poverty/poverty.html)
- La tasa de consumo de cerveza per cápita[@Scribner1999], los datos sobre el consumo de cerveza se tomaron del sitio web del National Institute on Alcohol Abuse and Alcoholism ([(NIAAA)](https://pubs.niaaa.nih.gov/publications/surveillance110/CONS16.htm))
Las estadísticas de resumen para estas variables explicativas se presentan en el Cuadro \ref{tab:descript}.
| **Legalizado** *(4 Estados)* | **Marihuana Medicinal Legalizado** |**Despenalizado** *(18 Estados)* | **Ilegal** *(22 Estados)*|
|:---------------------------|:-----------------------------------|:--------------------------------|:-------------------------|
| Alaska (2014) |Alaska(1998) |California | Alabama |
|Colorado (2012) |Arizona (2011) |Colorado | Arkansas|
|Oregon (2014) |California (1996) |Connecticut | Florida|
|Washington (2014) |Colorado (2001) |Delaware | Georgia|
| |Connecticut (2012) |Maine |Idaho|
| |Delaware (2011) |Maryland |Indiana|
| |Hawaii (2000) |Massachusetts | Iowa|
| |Illinois (2013) |Minnesota |Kansas|
| |Maine (1999) |Mississippi | Kentucky |
| |Maryland (2014) |Missouri |Louisiana |
| |Massachusetts (2013) |Nebraska |North Dakota |
| |Michigan (2008) |Nevada | Oklahoma |
| |Minnesota (2014) |New York | Pennsylvania |
| |Montana (2004) |North Carolina | South Carolina |
| |Nevada (2001) |Ohio | South Dakota |
| |New Hampshire (2013) |Oregon | Tennessee |
| |New Jersey (2010) |Rhode Island | Texas |
| |New Mexico (2007) | Vermont | Utah |
| |New York (2014) | | Virginia |
| |Oregon (1998) | | West Virginia |
| |Rhode Island (2005) | | Wisconsin |
| |Vermont (2004) | | Wyoming |
| |Washington (1998) | | |
Table: Información estatal sobre legalización y Despenalización
```{r descriptive, eval=TRUE, echo=FALSE, tidy = TRUE, size="small", cache=TRUE, results="hide", message=F, warning=F}
#results="hide" para oculatar los resultados (tabla)
hline <- "\\hline"
newline <- "\\\\"
var_indep <- "{\\bf Variables Independientes (sin log)} & & & & & \\\\"
var_dep <- "{\\bf Variables Dependientes} & & & & & \\\\"
descriptive <- with(proj, data.frame(Murder.and.nonnegligent.Manslaughter,
Legacy.rape..1,
Robbery,
Aggravated.assault,
povert_rate,
Employ,
Gallons.of.ethanol,
Dummy))
table1 <- stargazer(descriptive, title="Estadística Descriptiva para las Variables Usadas en el Análisis",
header=FALSE,
label="tab:descript", ### para usar referencias el tab del label tiene que ser diferente del chunk
covariate.labels=c("Asesinato",
"Violación",
"Robo",
"Asalto Agravado",
"Tasa de Desempleo",
"Tasa de pobreza",
"Consumo de Cerveza",
"Ley de Marihuana"),
omit.summary.stat = c("p25", "p75"),
digits = 2,
style = "qje",
star.cutoffs = c(.1, .1, .1),
star.char = c("\\dagger", "\\dagger", "\\dagger"),
font.size="small",
notes.append = FALSE,
notes.align = "l",
# notes = "\\parbox[t]{\\textwidth}{\\textit{Nota:} Logistic comment.}")
notes = "\\textit{Nota:} Las estadísticas descriptivas corresponden al periodo 1980-2014")
l_var_ind <- c(hline, var_indep)
l_var_d <- c(hline, var_dep, hline)
table1 <- c(table1[a <- 1:9], l_var_ind, table1[-a])
table1 <- c(table1[a <- 1:16], l_var_d, table1[-a])
#table1 si se ejecuta puedo ver las lineas para colocar latex
```
```{r displaytable2, eval=TRUE, echo=FALSE, tidy = TRUE, size="small", cache=FALSE, results="asis", message=F, warning=F}
#results="asis" para mostrar los resultados
cat(table1, sep='\n')
```
## Plan de Análisis
Para identificar el efecto de la LM en el crimen, se usará un diseño de panel de efectos aleatorios, que explota la variación dentro del estado introducida por la LM en 50 estados durante el período de observación de 22 años con la depuración de los datos perdidos como se observa en el Cuadro \ref{tab:misst}. Esto permite evaluar si los estados que adoptaron la LM experimentaron cambios en la tendencia de la delincuencia al analizar las tasas de delincuencia a lo largo del tiempo y comparar esos cambios con las tendencias de la tasa de criminalidad entre los estados que no aprobaron la LM. Además, también incluimos "efectos aleatorios por año", que capturan cualquier influencia nacional sobre el crimen que no se refleja en ninguna de las variables explicativas que varían con el tiempo. Los errores estándar robustos se agrupan a nivel estatal para evitar errores estándar sesgados debido a la no independencia de los puntos de datos a lo largo del tiempo[@Morris2014].
```{r summiss, eval=TRUE, echo=FALSE, tidy = TRUE, size="small", cache=TRUE, results="asis", warning=F}
Miss <- data.frame(var=names(proj), miss=apply(proj, 2, function(col)sum(is.na(col))/length(col)))
rownames(Miss) <- c()
Miss <- subset(Miss, !(var == "Year" | var == "State" | var == "Population" | var == "Revised.rape..2" | var == "Revised.rape..2" | var == "Law" | var == "Fips" | var == "Revised.rape..2" | var == "Violent.crime.total" | var == "Type"))
Miss$miss <- with(Miss, paste(sprintf("%.2f", round(miss*100, 2)),"%", sep=""))
Miss$var <- c("Homicidio", "Violación", "Robo", "Asalto Agravado",
"Tasa de Pobreza", "Tasa de Empleo", "Tasa de Desempleo", "Galones de cerveza per capita",
"Post-Ley")
Misst <- capture.output(
stargazer(Miss, type="latex", label="tab:misst", summary=FALSE, rownames=F,
title="Porcentaje de los datos faltantes antes de la imputación",
header=FALSE
))
Misst[5] <- "\\begin{tabular}{@{\\extracolsep{5pt}} lc} "
Misst[8] <- "\\textbf{Variables} & \\textbf{\\% Faltantes} \\\\ "
cat(Misst, sep='\n')
```
\newpage
# Resultados
Antes de consultar los resultados de los modelos de regresión, se generaron una serie de regresiones discontinuas para el crimen total de los 2 estados más grandes de EE.UU. que son California (Legalizado-1996), Texas(Ileagal) y New Jersey el segundo estado más peligroso[@CNN] como se observa en la Figura \ref{plot2}. Tomar en cuenta que existe 2 tendencias para el índice de crimen. Una tendencia *(lado izquierdo)* muestra la criminalidad por año, cuando todavía no habían aprobado la LM que se tomará como base al estado de California. Por lo tanto, el impacto de la LM contribuyen la recta *(lado derecho)* hasta el año vigente de aprobación. Como se esperaba de la tendencia general de delitos durante este período, la recta del lado derecho revela estos estados experimentaron una reducción de crimen gradualmente para los estados de California y New Jersey para el periodo 1980 a 2014. Los estados que aprueban la LM experimentaron reducciones en el crimen. Estos *RESULTADOS PRELIMINARES* sugieren que la LM puede tener un efecto de reducción del crimen, pero hay que tomar en cuenta que otros factores pueden estar relacionados con las tendencias de las series de tiempo que no se han tomado en cuenta para estas regresiones.
{width=80%}
Los resultados de los análisis de efectos aleatorios se presentan en el Cuadro \ref{tab:mdl} Es importante tener en cuenta que se realizó una prueba de Hausman para determinar si el modelo de efectos aleatorios era preferible al modelo de efectos fijos. Los resultados clave obtenidos de los análisis de efectos aleatorios se presentan en la fila 1 de la Tabla \ref{tab:mdl} que se puede visualizar de mejor manera en la Figura \ref{fig:plot3}, que revela el impacto de la variable de tendencia MML en las tasas de criminalidad, mientras controla las otras variables explicativas que varían en el tiempo. De los diferentes análisis de regresión de efectos aleatorios surgieron hallazgos dignos de mención.
```{r maketable1, eval=TRUE, echo=FALSE, tidy = TRUE, size="small", cache=TRUE, results="hide", message=F, warning=F}
ranef_sd <- function(model, grp){ ##paquete broom para las funciones
vc <- as.data.frame(lme4::VarCorr(model))
result <- vc$sdcor[ vc$grp == grp]
result <- sprintf("%.3f", round(result, 3))
return(result)
}
randomeffect <- "{\\bf Efecto Aleatorio} & & & & \\\\"
m1 <- lmer(data = proj,
log(Murder.and.nonnegligent.Manslaughter) ~ povert_rate + Employ + unempl_rate + Gallons.of.ethanol + Dummy + (1|Year) + (1|State))
m1.n <- lmer(data = proj,
log(Murder.and.nonnegligent.Manslaughter) ~ povert_rate + Employ + unempl_rate + Gallons.of.ethanol + Law + (1|Year) + (1|State))
m1f <- data.frame(Variable = rownames(summary(m1)$coef),
Coefficient = summary(m1)$coef[, 1],
SE = summary(m1)$coef[, 2],
modelName = "Homicidio")
m1f.n <- data.frame(Variable = rownames(summary(m1.n)$coef),
Coefficient = summary(m1.n)$coef[, 1],
SE = summary(m1.n)$coef[, 2],
modelName = "Homicidio")
m2 <- lmer(data = proj,
log(Legacy.rape..1) ~ povert_rate + Employ +unempl_rate + Gallons.of.ethanol + Dummy + (1|Year) + (1|State))
m2.n <- lmer(data = proj,
log(Legacy.rape..1) ~ povert_rate + Employ +unempl_rate + Gallons.of.ethanol + Law + (1|Year) + (1|State))
m2f <- data.frame(Variable = rownames(summary(m2)$coef),
Coefficient = summary(m2)$coef[, 1],
SE = summary(m2)$coef[, 2],
modelName = "Violación")
m2f.n <- data.frame(Variable = rownames(summary(m2.n)$coef),
Coefficient = summary(m2.n)$coef[, 1],
SE = summary(m2.n)$coef[, 2],
modelName = "Violación")
m3 <- lmer(data = proj,
log(Robbery) ~ povert_rate + Employ +unempl_rate + Gallons.of.ethanol + Dummy + (1|Year) + (1|State))
m3.n <- lmer(data = proj,
log(Robbery) ~ povert_rate + Employ +unempl_rate + Gallons.of.ethanol + Law + (1|Year) + (1|State))
m3f <- data.frame(Variable = rownames(summary(m3)$coef),
Coefficient = summary(m3)$coef[, 1],
SE = summary(m3)$coef[, 2],
modelName = "Robo")
m3f.n <- data.frame(Variable = rownames(summary(m3.n)$coef),
Coefficient = summary(m3.n)$coef[, 1],
SE = summary(m3.n)$coef[, 2],
modelName = "Robo")
m4 <- lmer(data = proj,
log(Aggravated.assault) ~ povert_rate + Employ +unempl_rate + Gallons.of.ethanol + Dummy + (1|Year) + (1|State))
m4.n <- lmer(data = proj,
log(Aggravated.assault) ~ povert_rate + Employ +unempl_rate + Gallons.of.ethanol + Law + (1|Year) + (1|State))
m4f <- data.frame(Variable = rownames(summary(m4)$coef),
Coefficient = summary(m4)$coef[, 1],
SE = summary(m4)$coef[, 2],
modelName = "Asalto Agravado")
m4f.n <- data.frame(Variable = rownames(summary(m4.n)$coef),
Coefficient = summary(m4.n)$coef[, 1],
SE = summary(m4.n)$coef[, 2],
modelName = "Asalto Agravado")
row_sd_c <- paste("Desv. Estand. Estados & ",
ranef_sd(m1.n, "State"), "&",
ranef_sd(m2.n, "State"), "&",
ranef_sd(m3.n, "State"), "&",
ranef_sd(m4.n, "State"), "\\\\")
row_n_c <- paste("\\# de Estados &",
sapply(lme4::ranef(m1.n),nrow)["State"], "&",
sapply(lme4::ranef(m2.n),nrow)["State"], "&",
sapply(lme4::ranef(m3.n),nrow)["State"], "&",
sapply(lme4::ranef(m4.n),nrow)["State"], "\\\\")
row_n_y <- paste("\\# de Años &",
sapply(lme4::ranef(m1.n),nrow)["Year"], "&",
sapply(lme4::ranef(m2.n),nrow)["Year"], "&",
sapply(lme4::ranef(m3.n),nrow)["Year"], "&",
sapply(lme4::ranef(m4.n),nrow)["Year"], "\\\\")
row_sd_y <- paste("Desv. Estand. Años & ",
ranef_sd(m1.n, "Year"), "&",
ranef_sd(m2.n, "Year"), "&",
ranef_sd(m3.n, "Year"), "&",
ranef_sd(m4.n, "Year"), "\\\\")
insertres <- c(hline, randomeffect, hline, row_n_c, row_sd_c,
newline, row_n_y, row_sd_y, hline)
modelnames <- c("\\\\[-1.8ex] & & & & \\emph{Asalto} \\\\",
"\\\\[-1.8ex] & \\emph{Asesinato} & \\emph{Violación} & \\emph{Robo} & \\emph{Agravado}\\\\ ",
"\\\\[-1.8ex] & \\textbf{Modelo 1} & \\textbf{Modelo 2} & \\textbf{Modelo 3} & \\textbf{Modelo 4}\\\\ ")
table3 <- stargazer(m1.n,
m2.n,
m3.n,
m4.n,
style="ajps", header=FALSE,
title="El impacto de la Ley de la Marihuana sobre la Criminalidad",
omit=c("Constant"), model.names=F, dep.var.labels.include = F,
label="tab:mdl",
omit.stat=c("aic","bic", "ll"),
covariate.labels=c("Tasa de Pobreza", "Tasa de Empleo",
"Tasa de Desemp", "Consumo de Cerveza","Legalización Marihuana"),
digit.separator=",",
notes=c("\\textit{Nota:} Las siguientes variables se dividieron por 100k: tasa de empleo y consumo de cerveza"),
font.size="small")
table3 <- table3[c(-8)]
table3 <- c(table3[a <- 1:7], modelnames, table3[-a])
table3 <- c(table3[a <- 1:21], insertres, table3[-a])
```
```{r displaytable3, eval=TRUE, echo=FALSE, tidy = TRUE, size="small", cache=FALSE, results="asis", message=F, warning=F}
cat(table3, sep='\n')
```
```{r graph3, eval=TRUE, echo=FALSE, fig.width=5, fig.height=4, fig.cap="\\label{fig:plot3} Diagrama de los Coeficientes del Impacto de la LM", cache=TRUE}
Allmodels <- rbind(m1f.n,
m2f.n,
m3f.n,
m4f.n)
interval1 <- -qnorm((1-0.9)/2) # 90% multiplier
interval2 <- -qnorm((1-0.95)/2) # 95% multiplier
Allmodels$Variable <- revalue(Allmodels$Variable,
c("(Intercept)"="Intercept",
"povert_rate"="Tasa de Pobreza",
"Employ"="Tasa de Empleo",
"unempl_rate"="Tasa de Desempleo",
"Gallons.of.ethanol"="Consumo Cerveza",
"Law"="LM"))
ggplot(Allmodels[Allmodels$Variable == "Tasa de Pobreza" | Allmodels$Variable == "Tasa de Empleo" | Allmodels$Variable == "Tasa de Desempleo" | Allmodels$Variable == "Consumo Cerveza" | Allmodels$Variable == "LM", ],
aes(colour = modelName, shape=modelName)) +
geom_hline(yintercept = 0, colour = gray(1/2), lty = 2) +
geom_linerange(aes(x = Variable, ymin = Coefficient - SE*interval1,
ymax = Coefficient + SE*interval1),
lwd = 1, position = position_dodge(width = 1/2)) +
geom_pointrange(aes(x = Variable, y = Coefficient, ymin = Coefficient - SE*interval2,
ymax = Coefficient + SE*interval2),
lwd = 1/2, position = position_dodge(width = 1/2),
fill = "WHITE") +
coord_flip() + theme_bw() +
# ggtitle("Coefficient Plot of ") +
scale_colour_discrete(name="Tipo de Crimen") +
#scale_colour_grey(name="Tipo de Crimen") para gris
scale_shape_manual(name="Tipo de Crimen", values=c(0, 1, 2, 5, 6, 15, 16, 17, 18, 20)) +
theme(title = element_text(face="italic", size=10, hjust=0)) +
theme(axis.title.x = element_text(face="plain", size=12, hjust=.5)) +
theme(axis.title.y = element_text(face="plain", size=12, hjust=.5)) +
theme(legend.title = element_text(face="plain", size=12, hjust=.5)) +
labs(caption = "Gráfico realizado por Cristian Carrión")
```
\newpage
El impacto de la LM en el crimen fue negativo en uno de los modelos que es de *Homicidio*, lo que sugiere que la aprobación de la LM puede tener un efecto no atenuante en el resto de delitos. Específicamente, los resultados indican aproximadamente una reducción del 0.9 por ciento en Asesinato, respectivamente, por cada año adicional en que la ley esté vigente.
# Conclusiones
Los efectos de la marihuana medicinal legalizada han sido muy debatidos en los últimos años. Sin embargo, la investigación empírica sobre la relación directa entre las leyes sobre la Marihuana y el crimen es escasa y las consecuencias del consumo de marihuana en el crimen siguen siendo desconocidas, por lo tanto, al final no se encontró que la LM tenga un efecto de mejora del crimen para ninguno de los tipos de delitos analizados.
Si bien es importante mantenerse cauteloso al interpretar estos hallazgos como evidencia de que la LM reduce el crimen, estos resultados se ajustan a la evidencia reciente y se ajustan a la idea de que la legalización de la marihuana puede llevar a una reducción en el consumo de alcohol debido a individuos que sustituyen a la marihuana por alcohol. Además, los hallazgos actuales también deben tomarse en contexto con la naturaleza de los datos disponibles. Se basan en los registros oficiales de arresto (UCR), que no tienen en cuenta los delitos que no se denunciaron a la policía. Por ende, esta evaluación de impacto de la LM sobre las tasas de crimen no parecen tener ningun efecto negativo en la criminalidad oficialmente reportada durante los años en que las leyes están vigentes. También es importante tener en cuenta que los datos de la UCR utilizados aquí no tuvieron en cuenta la delincuencia juvenil, que puede o no estar vinculada empíricamente a la LM de una forma u otra.
\newpage
# Referencias
\setlength{\parindent}{-0.2in}
\setlength{\leftskip}{0.2in}
\setlength{\parskip}{8pt}
\vspace*{-0.2in}
\noindent