Introducción al estudio cuantitativo del “sentencing”
(imposición de penas)

Jose Pina-Sánchez

Gracias por la invitacion. Sentencing entendido como el proceso de toma de decisions por parte de el juez o la judicatura.

Delimitando objetivos

• Múltiples preguntas de investigación

  – ¿Cuál es el grado de consistencia entre juzgados?

  – ¿Cuál es el nivel de punitividad/proporcionalidad/ individualización en el sistema?

  – ¿Existe discriminación por razones de raza?

  – ¿Cuál ha sido el efecto de la última ley orgánica?

• Múltiples diseños de estudio

  – ¿Experimental u observacional?

  – ¿Longitudinal o de sección cruzada?

Cual es el nivel de proporcionalidad, punitividad, individualización en las penas.

Estos métodos pueden ser mas o menos útiles según la pregunta de investigación.

Delimitando objetivos

• Múltiples métodos de recogida de datos

  – observaciones en juzgados

  – datos de la administración (e.g. Data First)

  – encuestas a jueces (e.g. Crown Court Sentencing Survey)

  – revisión de sentencias (e.g. CENDOJ)

• Pregunta: Cuáles son los pros y contras de cada método?

• En este mini-curso: datos de sección cruzada para estimar el efecto de factores (legales y extra-legales) en la punitivad

He elegido este ejemplo porque esto representa el estudio tipico de sentencing.

Aproximación a nivel conceptual

• Buscamos estimar el efecto causal de un factor de interés en la severidad de las penas impuestas

  – ¿En qué medida la declaración de culpabilidad reduce la pena?

  – ¿Qué peso se le da al historial delictivo del acusado?

  – ¿Existe discriminación judicial por razones de aporofobia?

  – ¿Se aplica el mitigante por arrepentimiento de manera diferente según el sexo del delincuente?

Voy a presentar primero el problema a nivel conceptual, en forma de introduccion, para luego tratar de entrar de lleno de manera mas practica.

¿Problemas?

• No existe un indicador de la severidad de las penas

• Sesgo de confusión

  – la correlación de interés puede ser espúrea (causada por un tercer factor)

• Otros: sesgo de postratamiento, datos ausentes, errores de medida, etc.

Operacionalizar la severidad

• Diferentes tipos de sentencias basados en diferentes medidas

  – multa (€), sanción comunitaria (condiciones), prisión (meses)

• Escalas (subjetivas) de severidad (Pina-Sánchez & Gosling, 2020)

Otorgando a cada sentencia un valor subjetivo de severidad.

Operacionalizar la severidad

• Opciones menos complejas

  – binaria: prisión o no

  – duración de las penas de prisión

• Pregunta: Cuáles son las ventajas e inconvenientes?

  – ¿Cuál es el problema de basarnos en la duración de las penas de prisión?

  – ¿Cuál es el problema de usar medidas de severidad simples en lugar de una escala de severidad?

Sesgo de confusión

• Necesitamos controlar por otras caractéristicas del caso

  – métodos de emparejamiento

  – métodos de regresión

Este es realmente el kit de la cuestion. Encontrar maneras de codificar las caracteristicas del caso, para luego poder controlar por estas caracteristicas en nuestros modelos estadisticos, y con ello poder aislar, o identificar el efecto causal de interes.

Modelos de regresión

• Correlación entre dos variables controlando por otras variables

\[Y_i=\beta_0+\beta_1X_{1,i}+\beta_{k}X_{k,i}+\epsilon_i\]

Aplicar controles de manera crítica

• No es buena idea controlar por todas las caráctesticas del caso

• No podemos estimar con exactitud el nivel de discriminación (Pina-Sánchez et al., 2025)

Tests de robustez

• Supuesto de normalidad

  – análisis de residuos

• Datos ausentes

  – imputación múltiple (Van Buuren, 2018)

• Variables perfectamente medidas

  – SIMEX (Cook & Stefanski, 1994)

• Sesgo de confusión

  – Robustness value (Cinelli & Hazlett, 2020)

Práctica en R

• Descargar e instalar R y Rstudio

  – en ese orden

• Descargar el archivo de datos ‘Main dataset’

  – tomad nota de la dirección de la carpeta donde se descarga

• Pregunta de investigación

  – ¿Existe discriminación por género?

  – Robbery Sentencing Guidelines