Full text
Sintaxis_Analisis.txt Título del Documento: Trazabilidad Analítica para: " Ciudadanía heterogénea, resultados equifinales: Análisis de configuraciones causales de la satisfacción con los servicios municipales en España" Software Utilizado: Microsoft Excel (para la gestión y preparación de datos) y JASP v0.18 (para el análisis estadístico). Fecha: 2025-11-10 Este documento detalla el procedimiento paso a paso seguido para analizar los datos y obtener los resultados presentados en el artículo. FASE 1: CONSTRUCCIÓN Y PREPARACIÓN DEL DATASET (Excel) 1.1. Ensamblaje de Datos Brutos: Se creó un archivo de Excel (.xlsx) que contenía los datos de la encuesta primaria (N=205). Se importaron los microdatos de los estudios del CIS nº 3402 y nº 3418 como hojas separadas. 1.2. Fusión de Datos Contextuales: Para el estudio CIS 3402: o Se creó una Tabla Dinámica. Se usó PROVINCIA como Fila. o Se calcularon los Promedios de las variables SATISFACSSPPM, ESCACONFIANZAM y GESALCALDE en el campo de Valores, tras eliminar los códigos de NS/NC (98, 99). o Se copió la tabla resultante como valores para crear una "tabla de búsqueda". Para el estudio CIS 3418: o Se repitió el proceso anterior, calculando el Promedio para las 17 variables de la pregunta P.8 a nivel provincial. Fusión Final: o En la hoja de la encuesta primaria, se crearon nuevas columnas. o Se utilizó la función BUSCARV (VLOOKUP) para asignar a cada uno de los 205 casos las medias provinciales correspondientes, usando el codigo_provincia como clave de unión.
1.3. Cálculo de Índices: Índice PLG_General: 1. Se crearon 17 columnas auxiliares (_dist). En cada una se aplicó la fórmula =ABS(valor_original - 2) a las variables de la P.8 del CIS 3418. 2. Se creó la columna PLG_General, calculando el =PROMEDIO() de las 17 columnas _dist para cada caso. FASE 2: VALIDACIÓN DEL MODELO Y PUNTUACIONES (JASP) 2.1. Análisis Factorial Confirmatorio (CFA): Se importó el dataset a JASP. Se accedió al menú Factor -> Confirmatory Factor Analysis. Se especificó un modelo de cinco factores latentes: o TAN: definido por TAN_LIMPIEZA, TAN_PARQUES, TAN_ALUMBRADO. o FIAB: definido por FIAB_RESIDUOS, FIAB_PAVIMENTO, FIAB_TRANSPORTE. o SEG: definido por SEG_PROBLEMA, SEG_PERCEPCION, SEG_POLICIA. o RESP: definido por RESP_TRAMITES, RESP_INFO, RESP_GESTION. o SAT: definido por SAT_AYTO, SAT_VIDA. En Output, se solicitaron todos los índices de ajuste (Additional fit measures) y las estimaciones de los parámetros (Parameter estimates). Los resultados se reportan en la Tabla 2 del manuscrito. 2.2. Cálculo de Puntuaciones Factoriales: Se accedió al menú Factor -> Exploratory Factor Analysis. Se introdujeron las variables correspondientes a las cuatro dimensiones de calidad (TAN, FIAB, SEG, RESP). Se forzó la extracción a 4 factores. En la opción Save, se marcó la casilla "Factor Scores". Se exportó el nuevo dataset que contenía las cuatro nuevas columnas con las puntuaciones (Factor1, Factor2, etc.), que fueron renombradas a TAN_Score, FIAB_Score, SEG_Score y RESP_Score. FASE 3: ANÁLISIS DE CLÚSTERES (JASP & Excel)
3.1. Estandarización de Variables (Excel): Se crearon nuevas columnas (_Z) para las variables edad, ideologia, maximo_nivel_educativo y media_confianza_prov. En cada una, se aplicó la fórmula de estandarización: =(valor_original - MEDIA(columna)) / DESVEST.M(columna). 3.2. Determinación de K (JASP): Se importó el dataset con las 8 variables estandarizadas. Se accedió al menú Clustering -> Hierarchical Clustering. Se introdujeron las 8 variables estandarizadas. Se seleccionó Method = Ward y se solicitó el Dendrogram. La inspección visual sugirió una solución de 3 o 4 clústeres. 3.3. Ejecución del Clustering Final (JASP): Se accedió al menú Clustering -> K-Means Clustering. Se introdujeron las mismas 8 variables estandarizadas. Se especificó Number of clusters = 4. Se marcó la opción Add cluster membership to data. Se exportó el dataset final, que ahora contenía la nueva columna CLUSTER_ID. FASE 4: ANÁLISIS CONFIGURACIONAL (fsQCA) 4.1. Preparación de Datos (Excel): Se creó un archivo CSV (datos_para_fsqca.csv) conteniendo solo las 7 variables originales para el análisis (SAT_AYTO, TAN_Score, FIAB_Score, SEG_Score, RESP_Score, media_confianza_prov, PLG_General). 4.2. Calibración y Análisis (Software fs/QCA 3.0): Se importó el archivo CSV. Se utilizó la función Variables -> Compute para calibrar cada una de las 7 variables, introduciendo los umbrales definidos en el "Plan de Calibración" (Tabla de Metodología del artículo). Se realizó el Análisis de Condiciones Necesarias desde Analyze -> Necessary Conditions, seleccionando f_SAT como resultado.
Se construyó la Tabla de Verdad desde Analyze -> Truth Table Algorithm. Se establecieron los umbrales de Frequency >= 3 y Consistency >= 0.80. Las filas que cumplían esta condición se codificaron como 1 (resultado presente). Se procedió al análisis final (Standard Analyses), obteniendo la solución intermedia reportada en el artículo.
