Reproducibility: renv R >= 4.3 Quarto/RMarkdown Supported

Visualization: ggplot2

Open Science Status: Active Version: dev

0.1 Contexto y alcance del estudio

El proyecto “Delitos e Inmigración en España (2010–2023)” nació con la intención original de analizar la evolución conjunta de la criminalidad y la inmigración en España desde 1998 hasta la actualidad.

Sin embargo, la falta de desagregación por nacionalidad antes de 2010 en los registros del Ministerio del Interior y la discontinuidad en las series de población extranjera del INE hicieron imposible construir un panel homogéneo anterior a 2010.

Por esta razón, el periodo final del estudio se delimitó a 2010–2023, garantizando consistencia anual, coherencia estadística y comparabilidad entre fuentes oficiales (INE, Interior y Eurostat).

Este marco temporal permite capturar la consolidación de la inmigración en España, la recuperación post-crisis de 2008 y el impacto de los años de COVID-19 (2020–2021), ofreciendo una visión equilibrada entre estabilidad estructural y eventos extraordinarios.

0.2 Pregunta de investigación

¿Existe una relación descriptiva significativa entre la variación en la población extranjera y la variación en la tasa de delitos en España entre 2010 y 2023?

Esta pregunta guía el análisis empírico del proyecto y enmarca todos los resultados dentro de un enfoque descriptivo y no causal, centrado en observar co-movimientos estadísticos y patrones de correlación en el tiempo.

0.3 Ficha técnica del estudio

Estudio reproducible desarrollado íntegramente en R y RStudio (versión ≥ 4.3), siguiendo un flujo completo de análisis de datos: limpieza, validación, generación de métricas, visualización y reporte automatizado en RMarkdown/Quarto.
El entorno fue gestionado con renv para asegurar la reproducibilidad exacta del entorno de ejecución y las dependencias de los paquetes.

El proyecto analiza el periodo 2010–2023, evaluando la relación entre población extranjera y criminalidad agregada en España.
Incluye controles socioeconómicos (PIB real, AROPE, paro juvenil) y ventanas de análisis con y sin COVID-19.
Los resultados son descriptivos y no causales, basados exclusivamente en fuentes oficiales (INE, Ministerio del Interior y Eurostat).

Todas las figuras y tablas fueron generadas con ggplot2 y paquetes del ecosistema tidyverse, bajo un diseño visual coherente (tema “pearl” y paleta Okabe–Ito).
El informe se produce automáticamente a partir de los datos procesados mediante scripts versionados y trazables dentro del repositorio.

Autor: Jesús Castro · JESUSCASTRODATA
Entorno: R + RStudio · renv reproducible · ggplot2 + tidyverse
Periodo: 2010–2023 · Versión: dev · Últ. actualización: 2025-10-27
Licencias: MIT (código) · CC BY 4.0 (documentos y figuras)
Repositorio: github.com/JESUSCASTRODATA/crime-migration-spain

1 Resumen ejecutivo

Cobertura. 2010–2023 (análisis principal con y sin 2020–2021). Fuentes. INE (población), Ministerio del Interior (criminalidad), Eurostat (Gini y AROPE; serie armonizada UE). Métricas. Tasas por 100k, % de población extranjera, diferencias interanuales (Δ). Aviso. Evidencia descriptiva; no implica causalidad.

Hallazgos clave.

Δ (sin COVID): asociación fuerte y significativa. Entre Δ% de extranjeros y ΔHC: r≈0.81 (Pearson) y ρ≈0.89 (Spearman); incluyendo COVID la señal se debilita por mayor volatilidad.
Niveles: coevolución entre tasas HC/HE y % de extranjeros; se mantiene al excluir COVID.
Controles: las correlaciones parciales (control de composición) refuerzan el patrón.

2 Datos y metodología

2.1 Fuentes y cobertura

Ámbito temporal: 2010–2023 (Total Nacional, España), frecuencia anual.
Fuentes oficiales: INE (población residente), Ministerio del Interior (HC/HE), Eurostat (Gini y AROPE) como contexto/controles.
Ventanas analíticas: (i) Total 2010–2023 (incluye COVID); (ii) Sin COVID 2010–2019 & 2022–2023.

2.2 Variables principales

HC (100k) y HE (100k): tasas por 100.000 habitantes.
pct_extranjeros: % de población extranjera; share_extranjeros = pct/100.
Diferencias anuales (Δ): Δx = x_t − x_{t−1} (prefijo d_).

2.3 Transformaciones y métricas

Tasas por 100k: tasa_100k = (conteo_anual / poblacion_anual) × 100.000.
Porcentajes ↔︎ proporciones: share_extranjeros = pct_extranjeros / 100.
Diferencias (Δ): mitigan no‑estacionariedad y riesgo de correlaciones espurias.
Índices base‑100: co‑evolución comparativa (año base = 100 por ventana).

2.4 Tratamiento de COVID‑19

Motivación: 2020–2021 introduce un shock exógeno (movilidad, denuncias, operativa policial).
Estrategia: mostrar resultados con y sin esos años; la ventana sin COVID es referencia para Δ.

2.5 Chequeos de calidad (QC)

Cobertura temporal por variable; no‑negatividad y rangos plausibles.
Consistencia contable (Total Nacional vs suma CCAA, cuando aplica).
Duplicados y claves únicas (variable, año).
Coherencia HC/HE (HE no debe exceder sistemáticamente HC).
Evidencia de QA: tablas *_summary, *_qa_* documentan cada chequeo.

2.6 Métodos estadísticos

Correlaciones bivariadas: Pearson (r), Spearman (ρ), Kendall (τ) con p‑valores y n.
Correlaciones parciales: controlando composición demográfica (p. ej., share_extranjeros, AROPE, paro juvenil) para aislar la relación neta entre inmigración y criminalidad. Además de su función técnica de control, se utilizan para evaluar hasta qué punto la asociación entre ambas variables podría explicarse por factores comunes, reforzando la interpretación no causal del análisis.
Estacionariedad: tests ADF, PP, KPSS en niveles y en Δ (resúmenes α = 5% y 10%).
Precedencia temporal (exploratoria): Toda–Yamamoto (TY) y Granger; interpretar con cautela por muestra corta y ruptura COVID.

2.7 Reporte y reproducibilidad

Este documento no recalcula: inserta figuras/tablas ya exportadas. Rutas relativas desde docs/ → ../output/figures/ y ../output/tables/.

Convenciones

Figuras: 01_tendencias_base100.png, 03_corr_deltas_sin_covid.png, 18_stationarity_heatmap.png…
Tablas: 20_corr_deltas_sin_covid.csv, 20_pcor_niveles_sin_covid.csv, 18_stationarity_summary.csv…

2.8 Limitaciones técnicas

Muestra anual corta (14 obs.); agregación nacional; posibles variables omitidas; ruptura COVID. Se prioriza evidencia en Δ y ventana sin COVID.

2.9 Notación

d_ = Δ (primera diferencia anual). pct_ = porcentaje (0–100); share_ = proporción (0–1). *_100k = tasa por 100.000 hab. r, ρ, τ = Pearson, Spearman, Kendall.

3 Resultados descriptivos — Niveles y variaciones

3.1 Tendencias base-100: Hechos conocidos, esclarecidos y % extranjeros

Tendencias base-100: Hechos conocidos, esclarecidos y % extranjeros (base = primer año disponible)

Muestra la evolución relativa (índice base = 100) de tres series nacionales: hechos conocidos, hechos esclarecidos y porcentaje de población extranjera. Permite observar cómo, pese a la caída general entre 2010-2016, las tres variables repuntan desde 2017 y sufren una interrupción durante el periodo COVID-19 (2020-2021), antes de recuperarse con fuerza.

3.2 Correlaciones en variaciones — sin COVID (2010–2019 & 2022–2023)

Correlaciones en variaciones (Δ) — ventana sin COVID

Representa la matriz de correlaciones entre las variaciones anuales (Δ) de las principales variables: tasas de hechos conocidos, hechos esclarecidos y porcentaje de población extranjera. Se observa una asociación elevada (r≈0.8–0.9) entre los cambios en la proporción de extranjeros y las variaciones en las tasas de criminalidad, lo que sugiere una co-movilidad significativa en la ventana sin COVID (2010–2019 & 2022–2023).

3.3 Correlaciones en variaciones — ventana total (2010–2023)

Correlaciones en variaciones (Δ) — ventana total (2010–2023)

Refleja las correlaciones entre las variaciones anuales (Δ) de las principales variables a lo largo de todo el periodo 2010–2023, incluyendo los años COVID. La fuerza de las asociaciones se debilita respecto a la ventana sin COVID, debido a la disrupción excepcional de 2020–2021, que alteró simultáneamente tanto la movilidad como la actividad delictiva registrada. Aun así, las correlaciones positivas entre los cambios en % de extranjeros y las tasas de criminalidad se mantienen, aunque con menor intensidad.

3.4 Δ HC por 100k vs Δ % extranjeros — todo el periodo

Δ HC por 100k vs Δ % extranjeros — todo el periodo

Esta figura representa la relación entre los cambios anuales (Δ) en la tasa de hechos conocidos por 100.000 habitantes y la variación anual en el porcentaje de población extranjera, para todo el periodo 2010–2023.

Al incluir los años 2020–2021 (marcados por el impacto del COVID-19), la asociación lineal se debilita (r ≈ 0.27, p ≈ 0.38), reflejando un aumento de la volatilidad y una pérdida de co-movilidad respecto a la ventana sin COVID.

En términos descriptivos, el comportamiento atípico de 2020 y 2021 reduce la fuerza de la relación observada entre ambas variables.

3.5 Δ (5 delitos) vs Δ % extranjeros — excluye 2020–2021

Δ (5 delitos) vs Δ % extranjeros — excluye 2020–2021

Cada panel representa la variación interanual de la tasa (por 100.000 habitantes) frente al cambio en el porcentaje de población extranjera para una tipología concreta de delito violento.

En la ventana sin COVID (2010–2019 y 2022–2023), las cinco tipologías muestran pendientes positivas: a medida que aumenta la proporción de extranjeros, también lo hace la tasa de estos delitos.

No obstante, las relaciones son descriptivas y deben interpretarse como coevolución temporal, no causalidad. Las tendencias podrían reflejar factores estructurales comunes, como cambios en la denuncia, la actividad económica o el control policial.

3.6 Δ (5 delitos) vs Δ % extranjeros — con 2020–2021

Δ (5 delitos) vs Δ % extranjeros — con 2020–2021

Al incluir los años 2020–2021, el patrón de relación entre las variaciones en el porcentaje de población extranjera y las tasas de los cinco delitos seleccionados se vuelve más irregular y disperso. La pendiente positiva se atenúa, lo que indica que durante la pandemia —un periodo excepcional en movilidad, denuncias y operatividad policial— las series perdieron sincronía temporal, reduciendo la fuerza de la coevolución observada en periodos previos y posteriores.

3.7 Niveles: tasa HC (100k) vs % extranjeros — sin COVID

Niveles: tasa HC (100k) vs % extranjeros — sin COVID

Al excluir los años 2020–2021, la relación entre la tasa de Hechos Conocidos y el porcentaje de población extranjera es muy alta (r ≈ 0.96). Este resultado refleja una coevolución casi lineal en niveles, aunque no necesariamente causal, probablemente explicada por factores estructurales comunes como el crecimiento demográfico y la recuperación económica tras la crisis de 2008.

3.8 Niveles: tasa HC (100k) vs % extranjeros — todo el periodo

Niveles: tasa HC (100k) vs % extranjeros — todo el periodo

En el periodo completo 2010–2023, la relación entre la tasa de hechos conocidos (HC) y el porcentaje de población extranjera mantiene una pendiente positiva moderada (r≈0.43). Sin embargo, los años 2020–2021 destacan como outliers negativos, reflejando la distorsión estadística causada por la pandemia (menor movilidad y variación en registros). Al excluirlos (véase la figura anterior “sin COVID”), la asociación se refuerza notablemente, mostrando un patrón de coevolución más claro entre ambas series.

3.9 Estacionariedad por ventana y transformación (α = 5%)

Estacionariedad por ventana y transformación (α = 5%)

La figura muestra la clasificación de estacionariedad de las series principales (tasas de criminalidad, PIB, proporción de extranjeros) bajo diferentes ventanas temporales y transformaciones. A nivel de diferencias (Δ), todas las series se vuelven estacionarias, lo que confirma la necesidad de trabajar con variaciones interanuales para evitar correlaciones espurias. En niveles, la mayoría de las series presentan estacionariedad de tipo tendencial (T) o de nivel (L), mientras que el PIB real y el porcentaje de extranjeros muestran cambios estructurales moderados. Esto valida el enfoque metodológico del estudio, que prioriza las diferencias anuales (Δ) como base para el análisis correlacional y los tests de causalidad.

3.10 Precedencia temporal en niveles (Toda–Yamamoto), FDR ≤ 10%

Precedencia temporal en niveles (Toda–Yamamoto), FDR ≤ 10%

El gráfico representa los resultados del procedimiento Toda–Yamamoto (1995) aplicado a las series en niveles para el periodo 2010–2023. Las flechas muestran las direcciones donde se detecta precedencia temporal con FDR (False Discovery Rate) ≤ 10%.

En este caso, no se observan relaciones causales unidireccionales estables: las conexiones entre el % de extranjeros y las tasas de Hechos Conocidos (HC) o Hechos Esclarecidos (HE) son bidireccionales o débiles, lo que sugiere posible endogeneidad o influencia de factores comunes. Esto refuerza la interpretación no causal del estudio: las co-variaciones detectadas describen patrones estadísticos, no mecanismos de causa-efecto comprobados.

4 Correlaciones y controles

Convención: Δx ≡ d_x en tablas (p. ej., Δ% extranjeros = d_pct_extranjeros).

Correlaciones (Pearson/Spearman/Kendall) en niveles — ventana sin COVID
x	y	pearson_r	pearson_p	n	spearman_r	spearman_p	kendall_r	kendall_p
pct_extranjeros	share_extranjeros	0.9761	0e+00	12	0.9720	0e+00	0.9091	0.000
pct_extranjeros	tasa_hc_100k	0.9550	0e+00	12	0.9790	0e+00	0.9394	0.000
pct_extranjeros	tasa_he_100k	0.9032	1e-04	12	0.8741	2e-04	0.7273	0.001

Correlaciones (Pearson/Spearman/Kendall) en variaciones (Δ) — ventana sin COVID
x	y	pearson_r	pearson_p	n	spearman_r	spearman_p	kendall_r	kendall_p
d_pct_extranjeros	d_share_extranjeros	0.9176	0.0001	11	0.9000	0.0002	0.7455	0.0014
d_pct_extranjeros	d_tasa_hc_100k	0.8086	0.0026	11	0.8909	0.0002	0.7091	0.0024
d_pct_extranjeros	d_tasa_he_100k	0.7566	0.0070	11	0.7455	0.0085	0.6000	0.0102

Nota: En Δ, la asociación entre Δ% extranjeros y ΔHC es fuerte al excluir 2020–2021 (p. ej., r≈0.81; ρ≈0.89).

Las correlaciones parciales permiten aislar la relación neta entre inmigración y criminalidad, descontando el efecto de variables económicas y demográficas (AROPE, PIB real y paro juvenil). En la siguiente figura se observa cómo, una vez controladas estas variables, la pendiente entre Δ% de extranjeros (en puntos porcentuales) y ΔHC por 100.000 habitantes se reduce pero mantiene signo positivo.

4.1 Visualización parcial: Δ% extranjeros (p.p.) vs ΔHC (100k) — sin COVID

Relación parcial: Δ% extranjeros (p.p.) vs ΔHC (100k) — sin COVID (controlando ΔAROPE, ΔPIB pc real y ΔParo 15–29)

La pendiente parcial ilustra cómo la asociación se atenúa tras controlar por AROPE, PIB pc real y paro juvenil.

Correlaciones parciales en niveles — controlando composición (sin COVID)
x	y	n	method	r	p
pct_extranjeros	share_extranjeros	12	pearson	0.9473	0e+00
pct_extranjeros	share_extranjeros	12	spearman	0.8811	2e-04
pct_extranjeros	tasa_hc_100k	12	pearson	0.9579	0e+00
pct_extranjeros	tasa_hc_100k	12	spearman	0.9021	1e-04
pct_extranjeros	tasa_he_100k	12	pearson	0.9196	0e+00
pct_extranjeros	tasa_he_100k	12	spearman	0.8462	5e-04

Correlaciones parciales en variaciones (Δ) — controlando composición (sin COVID)
x	y	n	method	r	p
d_pct_extranjeros	d_share_extranjeros	11	pearson	0.9006	0.0002
d_pct_extranjeros	d_share_extranjeros	11	spearman	0.8909	0.0002
d_pct_extranjeros	d_tasa_hc_100k	11	pearson	0.7654	0.0060
d_pct_extranjeros	d_tasa_hc_100k	11	spearman	0.9000	0.0002
d_pct_extranjeros	d_tasa_he_100k	11	pearson	0.7798	0.0046
d_pct_extranjeros	d_tasa_he_100k	11	spearman	0.8182	0.0021

5 Discusión e interpretación (no causal)

En una frase. Entre 2010 y 2023, cuando cambia la proporción de población extranjera, también cambian —en promedio— las tasas de delitos. Es un patrón descriptivo, no una afirmación causal.

Cómo leer estos resultados (para público general).

Relación ≠ causa. Que dos series se muevan juntas no implica que una provoque la otra.
COVID distorsiona. 2020–2021 fue una ruptura excepcional; por eso mostramos ventanas con y sin esos años.
Controles demográficos. Esta evidencia es coherente con el enfoque de correlaciones parciales descrito en la metodología: su propósito no es establecer causalidad, sino comprobar si la asociación observada se mantiene una vez descontados factores estructurales (demografía y contexto económico).
Otras explicaciones posibles. Economía (empleo/desigualdad), cambios en políticas y prácticas policiales, variaciones en denuncias o en la distribución territorial.
Direccionalidad (TY). Indicios exploratorios de posibles relaciones bidireccionales o endogeneidad; interpretar con cautela, especialmente con series cortas y la ruptura 2020–2021.

5.1 Conclusiones finales

El análisis de los datos disponibles para el periodo 2010–2023 muestra una asociación estadística positiva y consistente entre la proporción de población extranjera y las tasas agregadas de criminalidad registradas en España (Hechos Conocidos y Hechos Esclarecidos).

Esta asociación es más intensa en las variaciones anuales (Δ) cuando se excluyen los años 2020–2021, marcados por los efectos excepcionales de la pandemia de COVID-19. En esa ventana sin COVID, los coeficientes de correlación alcanzan valores elevados (r ≈ 0.8, ρ ≈ 0.9), lo que evidencia una co-movilidad significativa entre los cambios relativos de ambas series. Al incorporar el periodo COVID-19, la relación se atenúa, reflejando una alteración coyuntural derivada de un contexto social y operativo extraordinario.

Al introducir controles socioeconómicos —PIB real, paro juvenil y AROPE— las correlaciones en niveles se reducen en magnitud, aunque mantienen su signo positivo. Esto sugiere que parte de la asociación observada podría deberse a factores macroeconómicos o demográficos compartidos, como el ciclo económico o la estructura poblacional, más que a un vínculo directo entre inmigración y criminalidad.

Las pruebas de estacionariedad (ADF, PP, KPSS) confirman que la mayoría de las series presentan no-estacionariedad en niveles, por lo que las correlaciones deben interpretarse en términos de variaciones y no de valores brutos.

La figura de precedencia temporal (Toda–Yamamoto) refuerza este diagnóstico: las direcciones detectadas son bidireccionales y de baja significación (FDR ≤ 10 %), lo que indica que no existe evidencia robusta de causalidad unidireccional entre el porcentaje de población extranjera y las tasas de criminalidad, sino posibles interdependencias dinámicas de corto plazo.

En consecuencia, los resultados deben entenderse como evidencia descriptiva de coevolución, no como prueba de causalidad. Esto no implica ausencia de causas reales, sino que las mismas no pueden identificarse estadísticamente con los datos y la resolución temporal disponibles. El estudio aporta, por tanto, una base empírica reproducible y neutral, que documenta cómo ambas series evolucionaron conjuntamente en el tiempo, sin extender inferencias causales más allá de los datos.

Síntesis: entre 2010 y 2023, inmigración y criminalidad agregada muestran una correlación positiva en variaciones anuales —especialmente fuera del periodo COVID-19—, pero la evidencia disponible no permite afirmar que una determine a la otra. Las tendencias observadas describen una co-evolución estadística influida por factores económicos, sociales y demográficos comunes.

6 Robustez y validación

Ventanas total vs sin COVID.
Transformaciones: niveles y Δ.
Parciales para controlar composición demográfica.
Estacionariedad (ADF/PP/KPSS): en Δ la mayoría de series son estacionarias.

7 Transparencia y reproducibilidad

Estructura sugerida del proyecto:

proyecto/
├── docs/           # Este documento Rmd
├── output/
│   ├── figures/    # Figuras generadas
│   └── tables/     # Tablas de resultados
└── scripts/        # Código de análisis

Requisitos. R ≥ 4.3.0 · Paquetes: tidyverse, knitr, kableExtra. Datos. INE (población), Ministerio del Interior (criminalidad) y Eurostat (Gini, AROPE).

8 Referencias

Fuentes de datos

Instituto Nacional de Estadística (INE). Cifras de Población. Metodología y series anuales.
Ministerio del Interior (España). Anuario Estadístico de Criminalidad. Metodología y series.
Eurostat. Methodology for income distribution indicators (Gini) y Social Inclusion (AROPE).

8.1 Aplicación de las referencias metodológicas en este estudio

Cada una de las referencias incluidas en la sección anterior se corresponde con un método o contraste estadístico empleado en el proyecto:

Dickey & Fuller (1979, 1981) — Test ADF (Augmented Dickey–Fuller) Evalúa la presencia de raíz unitaria (no estacionariedad). En este estudio se aplicó sobre las principales series (tasa HC, HE, % de extranjeros, PIB real, AROPE, paro juvenil) para determinar si presentaban tendencia estocástica. Los resultados justifican el uso de transformaciones en diferencias (Δ).

Phillips & Perron (1988) — Test PP Alternativa robusta al ADF, corrige autocorrelación y heterocedasticidad de los errores. Se utilizó para contrastar los resultados del ADF y comprobar la robustez de la conclusión sobre estacionariedad.

Kwiatkowski et al. (1992) — Test KPSS Prueba inversa (la hipótesis nula es estacionariedad). Complementó los tests ADF y PP: cuando ambos coincidían, se clasificó la serie como estacionaria o no estacionaria. Los resultados se resumen en 18_stationarity_summary.csv y 18_stationarity_heatmap.png.

Toda & Yamamoto (1995) — Procedimiento TY–VAR (Causalidad de Toda–Yamamoto) Permite evaluar precedencia temporal entre variables incluso si no son estacionarias. Se aplicó para explorar relaciones de precedencia entre los cambios en el % de extranjeros y las tasas de criminalidad, controlando el orden de integración. Implementado en 55_toda_yamamoto_tests.R, con resultados visuales en output/figures/granger_toda.png.

Benjamini & Hochberg (1995) — Corrección FDR (False Discovery Rate) Controla el error tipo I cuando se ejecutan múltiples contrastes (p. ej., distintos pares de variables o delitos). Usado sobre los p-valores de los tests de Granger y TY para evitar falsos positivos. Aplicado en 24_granger_VAR.R y 55_toda_yamamoto_tests.R.

Resumen operativo

Método / Test	Propósito	Uso en el proyecto
ADF / PP	Detectar no-estacionariedad	Validar necesidad de diferencias (Δ)
KPSS	Confirmar estacionariedad	Contrastar ADF y PP
Toda–Yamamoto	Precedencia temporal	Explorar relaciones entre inmigración y criminalidad
FDR (B–H)	Ajustar por comparaciones múltiples	Corrección de p-valores en TY/Granger

9 Diccionario de términos

Término / Abrev.	Significado completo	Contexto y función en el informe
HC (100k)	Hechos Conocidos por cada 100.000 hab.	Métrica principal de criminalidad (registros policiales).
HE (100k)	Hechos Esclarecidos por cada 100.000 hab.	Indicador de eficacia policial (casos resueltos).
pct_extranjeros	% de población extranjera (0–100%).	Variable explicativa principal.
share_extranjeros	Proporción de extranjeros (0–1).	Equivale a pct_extranjeros/100; útil en parciales/controles.
Δ (Delta) / d_	Primera diferencia anual	Mitiga no‑estacionariedad y regresiones espurias.
tasa_hc_100k	Tasa de HC por 100.000 hab.	Normaliza por población para comparabilidad temporal.
tasa_he_100k	Tasa de HE por 100.000 hab.	Normaliza la serie de esclarecimientos.
r (Pearson)	Correlación lineal (−1 a +1)	Fuerza/dirección de relación lineal.
ρ (Spearman)	Correlación de rangos (monótona)	Más robusta a no linealidades/outliers.
τ (Kendall)	Concordancia de pares	Basada en pares concordantes/discordantes.
p‑valor	Valor de probabilidad (significancia)	Evidencia estadística (p<0.05/0.01).
Correlación parcial	Asociación controlando otras variables	Aísla X–Y descontando composición.
No‑estacionariedad	Momentos cambian en el tiempo	Puede inducir correlaciones espurias en niveles.
Estacionariedad	Momentos estables en el tiempo	Suele cumplirse en Δ; deseable para inferencia.
ADF / PP / KPSS	Tests de raíz unitaria	Diagnóstico formal de (no) estacionariedad.
Granger / TY	Precedencia temporal (VAR/TY)	Explora direccionalidad predictiva (no causalidad real).
FDR	Tasa de descubrimientos falsos	Corrección por múltiples contrastes.
INE	Instituto Nacional de Estadística (España)	Fuente de población y demografía.
Ministerio del Interior	—	Fuente de criminalidad (España).
Eurostat (Gini, AROPE)	Oficina Estadística de la UE	Indicadores armonizados de desigualdad/exclusión.

10 Apéndice A — Estacionariedad (α = 10%)

Estacionariedad — α = 10%

Nota. Criterio menos estricto (α = 10%) muestra patrones similares de estacionariedad.

11 Citación y licencias

11.1 Cómo citar este proyecto

Castro, J. (2025). Delitos e Inmigración en España (2010–2023). JESUSCASTRODATA (GitHub). https://doi.org/10.5281/zenodo.17465216 · Código bajo MIT · Documentación y figuras bajo CC BY 4.0.

11.2 Licencias aplicables

11.2.1 Código fuente

El código del proyecto se distribuye bajo la Licencia MIT, que permite su uso, copia, modificación y redistribución con atribución al autor original.

11.2.2 Documentos, figuras y materiales visuales

Los contenidos textuales, visuales y gráficos del informe están disponibles bajo una licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0), que permite compartir y adaptar el material siempre que se cite adecuadamente al autor.

Licencia: CC BY 4.0 Atribución sugerida: Castro, J. (2025). Delitos e Inmigración en España (2010–2023).* Documentos y figuras bajo CC BY 4.0.*

11.2.3 Datos originales

Los datos fuente utilizados en este proyecto (INE, Ministerio del Interior, Eurostat) mantienen sus propias condiciones de uso y reutilización según las políticas de cada organismo. Para conocer los detalles específicos, consulte el documento: docs/DATOS_Y_LICENCIAS.md.

Inmigración y Delitos en España (2010–2023) — Informe Final

Jesús Castro

2025-10-27