3.3 Métodos

Cómo método, se trabajará de manera transversal desde un enfoque cuantitativo. Si bien los conceptos y fenómenos tratados en la investigación no se agotan trabajándolos sólamente desde lo cuantitativo, siendo recomendable ahondar en ellos de manera cualitativa y/o mixta, las herramientas cuantitativas nos permitirá contrastar resultados con diferentes estudios del área, tanto para profundizar en temas de operacionalización y medición, como en los resultados empíricos de la relación entre variables independientes y dependiente.

En primer lugar se realiza un análisis de clases latentes (LCA) para identificar y agrupar las variables dependientes según patrones. Para realizar dicho análisis, se pre-clasifican las respuestas en atribuciones internas o externas, en donde cada pregunta pasa a tener dos respuestas posibles, generando un patrón de 2x2x2x2=16. Cabe señalar que por el momento se realizarán dos LCA, uno para el año 2019 y otro con los tres años. Esto para poder realizar dos modelos de regresión posteriormente. El objetivo principal de realizar LCA es para generar una regresión de tres pasos, consistiendo el primer y segundo paso en generar y asignar las clases predichas para cada caso. Para ello, se utilizó la librería “poLCA” de R, versión 1.4.1.

Luego, se revisarán los descriptivos de las variables dependientes e independientes en los años 2000, 2009 y 2019, con el objetivo de caracterizar el cambio tanto para las atribuciones de pobreza y riqueza, como en las percepciones y preferencias meritocráticas a través del tiempo. Para ello, se revisarán medidas de tendencia central, de dispersión y proporciones.

En tercer lugar, se realizarán dos modelos de regresión ordinal. Para el primer modelo se utilizarán únicamente los datos del año 2019, siendo la variable dependiente las clases predichas extraídas del LCA con la base de datos del 2019. El segundo modelo corresponde a una regresión ordinal en donde se utiliza como variable dependiente las clases obtenidas a partir del LCA con los tres años (2000, 2009 y 2019). El optar por una regresión ordinal entrega ventajas de parsimonia a la hora de analizar e interpretar el modelo. Para las regresiones, se utilizó la función “clm” de la librería “ordinal” de R.