10656812_10205241598140730_1317007779_n

Rut Cando
Lizbeth Velásquez
Ana Mena
Mireya Jaramillo
Kabia Narváez
Paper
Discriminación Racial
Para el siguiente ejercicio hemos reproducido algunos elementos de las tablas, los cuales creemos significantes, y el resto de los mismo siguen la misma dinámica. Para esto hemos ocupado modelos de regresión en R Studio. Se pondrán los comandos y el summary de cada modelo para explicarcomo llegamos a obtener el mismo número que las tablas.
Tabla 1.

  %call white %call black Ratio %difference
Todos 9,6509 6,4476 1,496820522 3,2033
Chicago 8,0621 5,3994 1,493147387 2,6627
Boston 11,6343 7,7562 1,5 3,8781
Female 9,8925 6,6278 1,492576722 3,2647
F admi 10,3364 6,5502 1,578028152 3,7862
F sales 8,4656 7,9367 1,066639787 0,5289
Males 8,8696 5,8288 1,521685424 3,0408Primero veremos la primera fila. Aquí tenemos todas las aplicaciones para cada raza, negro o blanco, el ratio y el valor p.
Para ver el porcentaje de llamadas devueltas a personas blancas voy a usar el siguiente modelo de regresión:
modelo1=lm(call~raza)
summary(modelo1)
Uso raza porque si pongo directo race me sale que debo hacerlo factor, por lo tanto:
raza=factor(race,labels=c("b","w"))
Call:lm(formula = call ~ raza)
Residuals:
Min 1Q Median 3Q Max
-0.09651 -0.09651 -0.06448 -0.06448 0.93552
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.064476 0.005505 11.713 < 2e-16 ***
razaw 0.032033 0.007785 4.115 3.94e-05 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residualstandard error: 0.2716 on 4868 degrees of freedom
Multiple R-squared: 0.003466,Adjusted R-squared: 0.003261
F-statistic: 16.93 on 1 and 4868 DF, p-value: 3.941e-05
Para ver el porcentaje que llaman a blancos sumo el estimado del intercepto con el de razaw => 0.064476+0.032033= 0.096509 lo que en porcentajes sería 9.65 lo mismo que tenemos en el primer dato.
Para ver el porcentaje quellaman a negros solo usamos el intercepto ya que el razaw sería 0. Esto da igual a 0.064476, en porcentaje 6,45, lo mismo que en la tabla.
El ratio: 9.6509/6.4476=1.49612 lo que es 1.50 aproximadamente.
Ahora para ver el porcentaje de llamadas que reciben los blancos dado que viven en Chicago:
ciudad=factor(city,labels=c("b","c"))
modelo2=lm(call~raza*ciudad)
summary(modelo2)
Call:
lm(formula= call ~ raza * ciudad)
Residuals:
Min 1Q Median 3Q Max
-0.11634 -0.08062 -0.07756 -0.05399 0.94601
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.077562 0.008243 9.409 < 2e-16 ***
razaw 0.038781 0.011658 3.327 0.000886 ***
ciudadc -0.023568 0.011063 -2.130 0.033186 *
razaw:ciudadc-0.012154 0.015645 -0.777 0.437280
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 0.2713 on 4866 degrees of freedom
Multiple R-squared: 0.006521,Adjusted R-squared: 0.005909
F-statistic: 10.65 on 3 and 4866 DF, p-value: 5.655e-07
Como vemos el estimado del intercepto es 7.76 lo mismo que el porcentaje de llamadas siendo negros y que vivan enBoston, ya que el resto de estimados serían 0.
Para ver las llamadas a blancos de Boston debo sumar el estimado del intercepto y el de razaw => 0.077562+0.038781=0.116343 y para tener el porcentaje le multiplico por 100 y tengo lo mismo que en la tabla= 11.63
Para obtener el porcentaje de llamados negros que viven en Chicago debo sumar el intercepto y sumar lo que pertenece a Chicago, ciudadc=> 0.077562-0.023568= 0.053994; lo que en porcentaje da lo mismo que en la tabla, 5,399 =5,40.
El porcentaje de blancos llamados en Chicago es igual a => 0.077562-0.023568+0.038781-0.012154=0.080621*100 = 8.06; lo mismo que en la tabla.
El ratio: 8.06/5.40=1.49259 lo que es 1.49 aproximadamente.
Ahora voy a sacar los datos que corresponden a females y males.
Mujeres con nombres...