Acceso usuarios
El presente estudio analiza la dinámica predictiva del feminicidio en el Perú utilizando un panel de datos departamentales (2015-2023) con el objetivo de fortalecer los sistemas de alerta temprana y optimizar la respuesta estatal. Metodológicamente, se contrastó el desempeño de un modelo avanzado de aprendizaje automático, Gradient Boosting Regressor (GBR), frente al enfoque tradicional econométrico ARIMAX(1,0,0). Se implementó una rigurosa validación de ventana expandida (expanding window) y el test de Diebold-Mariano para evaluar la robustez y significancia de los pronósticos. Los resultados validaron la superioridad del GBR con un MAE de 0.313, logrando una reducción del error del 45% respecto a los métodos clásicos. El análisis de interpretabilidad mediante valores SHAP identificó que la inercia histórica del fenómeno constituye el principal predictor (62%), no obstante, las denuncias previas por violencia sexual y psicológica emergen como señales de alerta temprana más críticas que la violencia física. Se concluye que el modelado no lineal detecta ventanas de oportunidad para la intervención preventiva que los modelos lineales ignoran. Estos hallazgos exigen reorientar las políticas públicas con el propósito de contener la violencia sexual como precursor letal, asignando recursos basasdos en evidencia algorítmica con el fin de interrumpir el ciclo antes del desenlace fatal.
This study analyzes the predictive dynamics of femicide in Peru using a departmental data panel (2015-2023) to strengthen early warning systems and optimize state response. Methodologically, the performance of an advanced machine learning model, Gradient Boosting Regressor (GBR), was contrasted against the traditional econometric ARIMAX(1,0,0) approach. A rigorous expanding window validation and the Diebold-Mariano test were implemented to evaluate the temporal robustness and statistical significance of the forecasts. Results validated the superiority of the GBR with a Mean Absolute Error (MAE) of 0.313, achieving a 45% reduction in predictive error compared to classical methods. Interpretability analysis using SHAP values identified that the historical inertia of the phenomenon constitutes the main predictor (62%); however, prior reports of sexual and psychological violence emerge as more critical early warning signals than physical violence. It is concluded that non-linear modeling detects specific windows of preventive opportunity that linear models ignore. These findings suggest an urgent reorientation of public policies toward the containment of sexual violence as a lethal precursor. By allowing for an evidence-based algorithmic resource allocation, these models can effectively interrupt the cycle of violence before a fatal outcome occurs, closing the gap between formal reports and effective victim protection.
