Análisis Diseño Experimental

1 Descriptivos

colnames(db) <- sapply(colnames(db), function(x) paste(toupper(substring(x, 1, 1)), substring(x, 2), sep = ""))

db %>% 
  select(-Id_estudiante) %>% 
  vtable::st(summ.names = c("N", "Media / Frecuencia", "Desv. Est.", "Min", "Pctl.25", "Pctl.75", "Max"), title = "Estadísticos descriptivos")

Tabla 1: Estadísticos descriptivos

Estadísticos descriptivos

Variable	N	Media / Frecuencia	Desv. Est.	Min	Pctl.25	Pctl.75	Max
Dep_escuela	828	7.3	3.4	2	4	10	12
Nivel_estudiante	828
... Básica	395	48%
... Media	433	52%
Asignacion	828
... Tratamiento	403	49%
... Control	425	51%
Sexo	828
... Hombre	405	49%
... Mujer	385	46%
... Otro	38	5%
Edad	828	13	1.6	11	12	15	24
Nacionalidad	828
... Chile	746	90%
... Otra	82	10%
Etnia	828
... Mapuche	104	13%
... Rapa Nui	6	1%
... Quechua	2	0%
... No, ninguno anteriores	716	86%
Religion	828
... Católico	315	38%
... Evangélico	70	8%
... Protestante	5	1%
... Judío	7	1%
... Creyente no adherente	49	6%
... Ateo	68	8%
... Agnóstico	43	5%
... Ninguna	271	33%
P1_1	828
... Muy en desacuerdo	50	6%
... En desacuerdo	224	27%
... De acuerdo	434	52%
... Muy de acuerdo	120	14%
P1_2	828
... Muy en desacuerdo	49	6%
... En desacuerdo	173	21%
... De acuerdo	471	57%
... Muy de acuerdo	135	16%
P1_3	828
... Muy en desacuerdo	65	8%
... En desacuerdo	168	20%
... De acuerdo	275	33%
... Muy de acuerdo	320	39%
P1_4	828
... Muy en desacuerdo	43	5%
... En desacuerdo	147	18%
... De acuerdo	355	43%
... Muy de acuerdo	283	34%
P1_5	828
... Muy en desacuerdo	32	4%
... En desacuerdo	65	8%
... De acuerdo	280	34%
... Muy de acuerdo	451	54%
P1_6	828
... Muy en desacuerdo	63	8%
... En desacuerdo	313	38%
... De acuerdo	317	38%
... Muy de acuerdo	135	16%
P1_7	828
... Muy en desacuerdo	80	10%
... En desacuerdo	293	35%
... De acuerdo	382	46%
... Muy de acuerdo	73	9%
P1_8	828
... Muy en desacuerdo	70	8%
... En desacuerdo	253	31%
... De acuerdo	396	48%
... Muy de acuerdo	109	13%
P1_9	828
... Muy en desacuerdo	206	25%
... En desacuerdo	302	36%
... De acuerdo	148	18%
... Muy de acuerdo	172	21%
P1_10	828
... Muy en desacuerdo	192	23%
... En desacuerdo	412	50%
... De acuerdo	167	20%
... Muy de acuerdo	57	7%
P9_1	828
... Muy en desacuerdo	33	4%
... En desacuerdo	76	9%
... De acuerdo	346	42%
... Muy de acuerdo	373	45%
P9_2	828
... Muy en desacuerdo	33	4%
... En desacuerdo	181	22%
... De acuerdo	449	54%
... Muy de acuerdo	165	20%
P9_3	828
... Muy en desacuerdo	169	20%
... En desacuerdo	336	41%
... De acuerdo	244	29%
... Muy de acuerdo	79	10%
P9_4	828
... Muy en desacuerdo	302	36%
... En desacuerdo	287	35%
... De acuerdo	175	21%
... Muy de acuerdo	64	8%
P9_5	828
... Muy en desacuerdo	250	30%
... En desacuerdo	329	40%
... De acuerdo	207	25%
... Muy de acuerdo	42	5%
P9_6	828
... Muy en desacuerdo	97	12%
... En desacuerdo	284	34%
... De acuerdo	362	44%
... Muy de acuerdo	85	10%

2 Balance

db <- db %>% 
  janitor::clean_names()

db1 <- db %>% 
  select(-id_estudiante) %>% 
  mutate(asignacion = if_else(asignacion == "Tratamiento", 1, 0))

m0 <- lm(asignacion ~ sexo + edad + etnia + religion + 
     nacionalidad + nivel_estudiante,
     data = db1)

tab_model(m0, 
          show.se=TRUE,
          show.ci=FALSE,
          digits=3,
          p.style = "stars",
          dv.labels = "Modelo 1",
          string.pred = "Predictores",
          string.est = "β",
          show.reflvl = T, 
          auto.label = T)

Tabla 2: Regresión lineal OLS sobre asignación aleatoria por covariables

	Modelo 1
Predictores	β	std. Error
(Intercept)	0.662 *	0.284
edad	-0.015	0.023
Hombre	Reference
Mujer	0.029	0.036
Otro	0.059	0.088
Mapuche	Reference
Rapa Nui	-0.004	0.213
Quechua	0.622	0.397
No, ninguno anteriores	-0.036	0.054
Católico	Reference
Evangélico	0.057	0.067
Protestante	-0.205	0.248
Judío	0.019	0.202
Creyente no adherente	0.043	0.078
Ateo	-0.007	0.068
Agnóstico	-0.021	0.083
Ninguna	0.018	0.042
Chile	Reference
Otra	-0.040	0.060
Básica	Reference
Media	0.072	0.076
Observations	828
R2 / R2 adjusted	0.009 / -0.010
* p<0.05   ** p<0.01   *** p<0.001

3 Estimación Average Treatment Effect

db2 <- db %>% 
  mutate(
    asignacion = factor(asignacion, levels = c("Control", "Tratamiento")),
    across(
      .cols = starts_with(c("p1_", "p9_")),
      .fns = ~ as.numeric(.)
    )
  ) %>% 
  rowwise() %>% 
  mutate(market_justice_i = mean(p9_3, p9_4, p9_5))

dep_vars1 <- colnames(db2[10:19])  

results_list <- list()

for(dep_var in dep_vars1) {
  formula <- as.formula(paste(dep_var, "~ asignacion"))
  result <- lm_robust(formula = formula, data = db2, se_type = "HC2")
  results_list[[dep_var]] <- result
}

tab_model(results_list, show.se=TRUE,
          show.ci=FALSE,
          digits=3,
          p.style = "stars",
          string.pred = "Predictores",
          string.est = "β",
          show.reflvl = T, 
          auto.label = T)

Tabla 3: Modelos de regresión OLS para variables sobre meritocracia

p1_1

p1_2

p1_3

p1_4

p1_5

p1_6

p1_7

p1_8

p1_9

p1_10

Predictores

β

std. Error

β

std. Error

β

std. Error

β

std. Error

β

std. Error

β

std. Error

β

std. Error

β

std. Error

β

std. Error

β

std. Error

(Intercept)

2.781 ***

0.037

2.805 ***

0.037

3.056 ***

0.045

3.071 ***

0.041

3.405 ***

0.039

2.654 ***

0.040

2.569 ***

0.039

2.668 ***

0.039

2.325 ***

0.052

2.162 ***

0.041

Control

Reference

Reference

Reference

Reference

Reference

Reference

Reference

Reference

Reference

Reference

Tratamiento

-0.057

0.054

0.064

0.053

-0.061

0.066

-0.021

0.059

-0.032

0.055

-0.044

0.059

-0.058

0.055

-0.023

0.056

0.043

0.074

-0.113

0.058

Observations

828

828

828

828

828

828

828

828

828

828

R2 / R2 adjusted

0.001 / 0.000

0.002 / 0.001

0.001 / -0.000

0.000 / -0.001

0.000 / -0.001

0.001 / -0.001

0.001 / 0.000

0.000 / -0.001

0.000 / -0.001

0.005 / 0.003

* p<0.05   ** p<0.01   *** p<0.001

dep_vars2 <- colnames(db2[20:26])  

results_list <- list()

for(dep_var in dep_vars2) {
  formula <- as.formula(paste(dep_var, "~ asignacion"))
  result <- lm_robust(formula = formula, data = db2, se_type = "HC2")
  results_list[[dep_var]] <- result
}

tab_model(results_list, show.se=TRUE,
          show.ci=FALSE,
          digits=3,
          p.style = "stars",
          string.pred = "Predictores",
          string.est = "β",
          show.reflvl = T, 
          auto.label = T)

Tabla 4: Modelos de regresión OLS para variables sobre justificación desigualdad

p9_1

p9_2

p9_3

p9_4

p9_5

p9_6

market_justice_i

Predictores

β

std. Error

β

std. Error

β

std. Error

β

std. Error

β

std. Error

β

std. Error

β

std. Error

(Intercept)

3.278 ***

0.038

2.899 ***

0.036

2.296 ***

0.043

2.007 ***

0.046

2.012 ***

0.041

2.508 ***

0.039

2.296 ***

0.043

Control

Reference

Reference

Reference

Reference

Reference

Reference

Reference

Tratamiento

0.003

0.055

0.004

0.052

-0.031

0.062

-0.012

0.065

0.078

0.060

0.035

0.058

-0.031

0.062

Observations

828

828

828

828

828

828

828

R2 / R2 adjusted

0.000 / -0.001

0.000 / -0.001

0.000 / -0.001

0.000 / -0.001

0.002 / 0.001

0.000 / -0.001

0.000 / -0.001

* p<0.05   ** p<0.01   *** p<0.001