DESCRIPCIÓN DEL INDICADOR

El ingreso promedio corresponde a la PEA ocupada con ingresos mayores a cero y que provienen de su actividad principal, actividad secundaria, dependiete e independiente y puede ser monetario o no monetario.
Se procesa la información para los residentes habituales (miembros del hogar y no miembros del hogar que estuvieron presentes en el hogar los últimos 30 dias)
Se hace uso del modulo de empleo e ingresos de la ENAHO 2018

MODELADO DE BASE DATO

PAQUETES ESTADÍSTICOS

library(openxlsx) 
library(rmarkdown) 
library(tidyverse) 
library(haven) 
library(foreign) 
library(survey)
library(knitr)

GENERAMOS UNA RUTA PARA GUARDAR NUESTROS DATOS

Una ruta hacia una carpeta donde almacenaremos los excel que se elaborarán posteriormente, que contarán con dataset de información construida.

ruta <- "C:/Users/Trabajo/Desktop/RDATA"

CARGAR BASES DE DATOS Y UNION DE BASES DE DATOS

choose.files()

## character(0)

sumaria2022 <- read_spss("C:\\Users\\Trabajo\\Desktop\\ENAHO\\SUMARIA - 759-Modulo34\\Sumaria-2022.sav")
empleo2022 <- read_spss("C:\\Users\\Trabajo\\Desktop\\ENAHO\\EMPLEO - 759-Modulo05\\Enaho01a-2022-500.sav")
educacion2022 <- read_spss("C:\\Users\\Trabajo\\Desktop\\ENAHO\\EDUACIÓN - 759-Modulo03\\Enaho01A-2022-300.sav")
salud2022 <- read_spss("C:\\Users\\Trabajo\\Desktop\\ENAHO\\SALUD - 759-Modulo04\\Enaho01A-2022-400.sav")

educacion2022 <- subset(educacion2022, select = c(CODPERSO,CONGLOME,VIVIENDA,HOGAR,P300A))
salud2022 <- subset(salud2022, select = c(CODPERSO,CONGLOME,VIVIENDA,HOGAR,P401H1,P401H2,P401H3,P401H4,P401H5,P401H6))
sumaria2022 <- subset(sumaria2022, select = c(CONGLOME,VIVIENDA,HOGAR,POBREZA))

enaho0 <- left_join(empleo2022, educacion2022, by=c("CODPERSO","CONGLOME", "VIVIENDA", "HOGAR"))
enaho1 <- left_join(enaho0, salud2022, by=c("CODPERSO","CONGLOME", "VIVIENDA", "HOGAR"))
enaho <- left_join(enaho1,sumaria2022, by =c("CONGLOME","VIVIENDA","HOGAR"))

ELABORACION DE VARIABLES PARA DESAGREGACIONES

SEXO

enaho <- enaho %>% mutate(Sexo = ifelse(P207==1,"hombre",ifelse(P207==2,"Mujer",NA)))

DEPARTAMENTO

enaho$ubigeonum <- as.numeric(enaho$UBIGEO)
enaho <- enaho %>%
  mutate(regiones2 = 
           ifelse(ubigeonum >= 010101 & ubigeonum <= 010707, "Amazonas",
           ifelse(ubigeonum >= 020101 & ubigeonum <= 022008, "Ancash",
           ifelse(ubigeonum >= 030101 & ubigeonum <= 030714, "Apurimac",
           ifelse(ubigeonum >= 040101 & ubigeonum <= 040811, "Arequipa",
           ifelse(ubigeonum >= 050101 & ubigeonum <= 051108, "Ayacucho",
           ifelse(ubigeonum >= 060101 & ubigeonum <= 061311, "Cajamarca",
           ifelse(ubigeonum >= 070101 & ubigeonum <= 070107, "Callao",
           ifelse(ubigeonum >= 080101 & ubigeonum <= 081307, "Cusco",
           ifelse(ubigeonum >= 090101 & ubigeonum <= 090723, "Huancavelica",
           ifelse(ubigeonum >= 100101 & ubigeonum <= 101108, "Huanuco",
           ifelse(ubigeonum >= 110101 & ubigeonum <= 110508, "Ica",
           ifelse(ubigeonum >= 120101 & ubigeonum <= 120909, "Junin",
           ifelse(ubigeonum >= 130101 & ubigeonum <= 131203, "La Libertad",
           ifelse(ubigeonum >= 140101 & ubigeonum <= 140312, "Lambayeque",
           ifelse(ubigeonum >= 150101 & ubigeonum <= 150143, "Lima Metropolitana",
           ifelse(ubigeonum >= 150201 & ubigeonum <= 151033, "Lima Region",
           ifelse(ubigeonum >= 160101 & ubigeonum <= 160804, "Loreto",
           ifelse(ubigeonum >= 170101 & ubigeonum <= 170303, "Madre de Dios",
           ifelse(ubigeonum >= 180101 & ubigeonum <= 180303, "Moquegua",
           ifelse(ubigeonum >= 190101 & ubigeonum <= 190308, "Pasco",
           ifelse(ubigeonum >= 200101 & ubigeonum <= 200806, "Piura",
           ifelse(ubigeonum >= 210101 & ubigeonum <= 211307, "Puno",
           ifelse(ubigeonum >= 220101 & ubigeonum <= 221005, "San Martín",
           ifelse(ubigeonum >= 230101 & ubigeonum <= 230408, "Tacna",
           ifelse(ubigeonum >= 240101 & ubigeonum <= 240304, "Tumbes",
           ifelse(ubigeonum >= 250101 & ubigeonum <= 250401,"Ucayali",NA)))))))))))))))))))))))))))
table(enaho$regiones2, useNA = "alw")

## 
##           Amazonas             Ancash           Apurimac           Arequipa 
##               3126               3578               2313               3942 
##           Ayacucho          Cajamarca             Callao              Cusco 
##               2593               3527               2804               3069 
##       Huancavelica            Huanuco                Ica              Junin 
##               2584               3043               3812               3660 
##        La Libertad         Lambayeque Lima Metropolitana        Lima Region 
##               4065               3991               8548               3678 
##             Loreto      Madre de Dios           Moquegua              Pasco 
##               4108               1437               2291               2131 
##              Piura               Puno         San Martín              Tacna 
##               4447               2667               3569               3221 
##             Tumbes            Ucayali               <NA> 
##               2283               3174                  0

REGIONES NATURALES

enaho <- enaho %>%
  mutate(regnat = ifelse(DOMINIO>=1 & DOMINIO<=3 | DOMINIO==8,"Costa",
                         ifelse(DOMINIO>=4 & DOMINIO<=6,"Sierra",
                                ifelse(DOMINIO==7,"Selva",NA))))
table(enaho$regnat, useNA = "alw")

## 
##  Costa  Selva Sierra   <NA> 
##  38829  18847  29985      0

AREA URBANA/RURAL

enaho <- enaho %>%
  mutate(area = ifelse((DOMINIO==8 |
                          (DOMINIO>=1 & DOMINIO<=7) &
                          (ESTRATO>=1 & ESTRATO<=5)), "Urbano",
                       ifelse(((DOMINIO>=1 & DOMINIO<=7) &
                                 (ESTRATO>=6 & ESTRATO<=8)), "Rural", NA)))
table(enaho$area, useNA = "alw")

## 
##  Rural Urbano   <NA> 
##  28845  58816      0

CONDICION DE POBREZA

enaho <- enaho %>%
  mutate(pobreza3 = ifelse(POBREZA==1, "Pobre extremo",
                           ifelse(POBREZA==2, "Pobre no extremo",
                                  ifelse(POBREZA==3, "No pobre", NA
                                  ))))
table(enaho$pobreza3, useNA = "alw")

## 
##         No pobre    Pobre extremo Pobre no extremo             <NA> 
##            67956             4159            15546                0

LENGUA MATERNA

enaho <- enaho %>%
  mutate(lengua = ifelse(P300A==4, "Castellano",
                         ifelse(P300A==1 | P300A==2 | P300A==3, "Originaria", NA)))

enaho$lengua <- as.factor(enaho$lengua)
table(enaho$lengua, useNA = "alw")

## 
## Castellano Originaria       <NA> 
##      68370      17789       1502

DISCAPACIDAD

enaho <- enaho %>%
  mutate(discapacidad =ifelse(P401H1==1|P401H2==1|P401H3==1|
                                P401H4==1|P401H5==1|P401H6==1,1,0))
table(enaho$discapacidad, useNA = "alw")

## 
##     0     1  <NA> 
## 82328  5266    67

ETNICIDAD

enaho <- enaho %>%
  mutate(defiet2 = case_when(
    P558C == 1 ~ "Quechua",
    P558C == 2 ~ "Aimara",
    P558C == 3 ~ "Nativo o indigena de la Amazonia",
    P558C == 4 ~ "Negro/Moreno/Zambo/Mulato/Pueblo Afro peruano o Afrodescendiente",
    P558C == 5 ~ "Blanco",
    P558C == 6 ~ "Mestizo",
    P558C == 7 ~ "otro",
    P558C == 8 ~ "No sabe/No responde",
    P558C == 9 ~ "Nativo o indigena de la Amazonia",
    TRUE ~ NA_character_
  ))
enaho$defiet2 <- as.factor(enaho$defiet2)
table(enaho$defiet2, useNA = "alw")

## 
##                                                           Aimara 
##                                                             2883 
##                                                           Blanco 
##                                                             3701 
##                                                          Mestizo 
##                                                            44600 
##                                 Nativo o indigena de la Amazonia 
##                                                             2000 
## Negro/Moreno/Zambo/Mulato/Pueblo Afro peruano o Afrodescendiente 
##                                                             6047 
##                                              No sabe/No responde 
##                                                             3517 
##                                                             otro 
##                                                             3626 
##                                                          Quechua 
##                                                            21160 
##                                                             <NA> 
##                                                              127

VARIABLES INDICADOR

VARIABLE RESIDENTE

enaho <- enaho %>%
  mutate(res = ifelse((P204==1 & P205==2)|(P204==2 & P206==1),"Residente","No residente"))
enaho$res <- as.factor(enaho$res)
table(enaho$res, useNA = "alw")

## 
## No residente    Residente         <NA> 
##         1390        86271            0

VARIABLE JOVEN (15 A 29 AÑOS) / POB TOTAL (15 A MÁS)

enaho <- enaho %>% 
  mutate(Juventud = ifelse(P208A >= 15 & P208A <= 29,"Joven",NA))
enaho$Juventud <- as.factor(enaho$Juventud)

enaho <- enaho %>% 
  mutate(POBTOTAL = ifelse(P208A >= 15,"POB TOTAL","NA"))
enaho$POBTOTAL <- as.factor(enaho$POBTOTAL)

INGRESO PROVENIENTE DEL TRABAJO

I524A1 Ingreso total trimestral (Imputado, deflactado, Anualizado)
D529T Pago en especie dependiente (Deflactado, Anualizado)
I530A Ganancia (ocupación principal independiente) (Imputado, deflactado, Anualizado)
D536 Valor de los productos para su consumo (Deflactado, Anualizado)
I538A1 Ingreso total (Imputado, deflactado, Anualizado)
D540T Pago en especie (dependiente) (Deflactado, Anualizado)
I541A Ganancia (ocupación secundaria independiente) (Imputado, deflactado, Anualizado)
D543 Valor de los productos utilizados para su consumo (Deflactado, Anualizado)
D544T Ingreso extraordinario (Deflactado, Anualizado)

enaho <- enaho %>%
  mutate(ingtrabw = rowSums(select(enaho, I524A1, D529T, I530A, D536, I538A1, D540T, I541A, D543, D544T), na.rm = TRUE))

enaho <- enaho %>% 
  mutate(ingtra_n = ingtrabw / 12)

FILTROS A LA BD

enaho_filtrado <- enaho %>% filter(OCU500 == 1 & ingtra_n > 0)
enaho_filtrado2 <- enaho_filtrado %>% filter(res=="Residente")

PONDERACIÓN DE DATOS, DATASETS Y TRASLADO A EXCEL

DISEÑO MUESTRAL

# Diseño muestral para la ponderación de valores
encuesta = svydesign(data=enaho_filtrado2, id=~CONGLOME, strata=~ESTRATO,
                     weights=~FAC500A)

# Función para generar un archivo excel con todas las desagregaciones en pestañas
generar_archivo_excel2 <- function(nombre_archivo, datos) {
  workbook <- createWorkbook()
  
  for (i in seq_along(datos)) {
    addWorksheet(workbook, sheetName = paste("Datos", i-1, sep = ""))
    writeData(workbook, sheet = paste("Datos", i-1, sep = ""), x = datos[[i]], colNames = TRUE)
  }
  
  saveWorkbook(workbook, nombre_archivo)
}

DESAGREGACIÓN NACIONAL

tabla <- svyby(~ingtra_n, ~Juventud, encuesta, svymean, deff=F, na.rm=T)
ic <- confint(tabla)
cv<-cv(tabla)
tabla <- tabla %>% select(!contains("se"))
datos<-bind_cols(tabla, cv, ic)

## New names:
## • `` -> `...3`

names(datos) <- c("Población Joven","%","Coef. Var","Int.Inf","Int.Sup")
kable(datos, format = "markdown")

	Población Joven	%	Coef. Var	Int.Inf	Int.Sup
Joven	Joven	1235.955	0.0119544	1206.996	1264.914

DESAGREGACIÓN SEGÚN SEXO

tabla1 <- svyby(~ingtra_n, ~Juventud+P207, encuesta, svymean, deff=F, na.rm=T)
ic1 <- confint(tabla1)
cv1<-cv(tabla1)
cv1<- as.data.frame(cv1)
tabla1 <- tabla1 %>% select(!contains("se"))
datos1<-bind_cols(tabla1, cv1, ic1)
names(datos1) <- c("Población Joven","Sexo","Promedio Mensual","Coef. Var","Int.Inf","Int.Sup")
kable(datos1, format = "markdown")

	Población Joven	Sexo	Promedio Mensual	Coef. Var	Int.Inf	Int.Sup
Joven.1	Joven	1	1352.676	0.0143467	1314.640	1390.711
Joven.2	Joven	2	1062.029	0.0197609	1020.896	1103.162

DESAGREGACIÓN SEGÚN ÁREA DE DOMICILIO (RURAL / URBANA)

tabla2 <- svyby(~ingtra_n, ~Juventud+area, encuesta, svymean, deff=F, na.rm=T)
ic2 <- confint(tabla2)
cv2<-cv(tabla2)
cv2<- as.data.frame(cv2)
tabla2 <- tabla2 %>% select(!contains("se"))
datos2<-bind_cols(tabla2, cv2, ic2)
names(datos2) <- c("Población Joven","Área","Promedio Mensual","Coef. Var","Int.Inf","Int.Sup")
kable(datos2, format = "markdown")

	Población Joven	Área	Promedio Mensual	Coef. Var	Int.Inf	Int.Sup
Joven.Rural	Joven	Rural	883.5046	0.0273786	836.0948	930.9145
Joven.Urbano	Joven	Urbano	1309.8735	0.0130009	1276.4962	1343.2509

DESAGREGACIÓN SEGUN REGIÓN NATURAL (COSTA, SIERRA, SELVA)

tabla3 <- svyby(~ingtra_n, ~Juventud+regnat, encuesta, svymean, deff=F, na.rm=T)
ic3 <- confint(tabla3)
cv3<-cv(tabla3)
cv3<- as.data.frame(cv3)
tabla3 <- tabla3 %>% select(!contains("se"))
datos3<-bind_cols(tabla3, cv3, ic3)
names(datos3) <- c("Población Joven","Área","Promedio Mensual","Coef. Var","Int.Inf","Int.Sup")
kable(datos3, format = "markdown")

	Población Joven	Área	Promedio Mensual	Coef. Var	Int.Inf	Int.Sup
Joven.Costa	Joven	Costa	1373.566	0.0156252	1331.5012	1415.631
Joven.Selva	Joven	Selva	1037.878	0.0263198	984.3378	1091.417
Joven.Sierra	Joven	Sierra	1028.463	0.0212095	985.7102	1071.216

DESAGREGACIÓN SEGÚN DEPARTAMENTOS

tabla4 <- svyby(~ingtra_n, ~Juventud+regiones2, encuesta, svymean, deff=F, na.rm=T)
ic4 <- confint(tabla4)
cv4<-cv(tabla4)
cv4<- as.data.frame(cv4)
tabla4 <- tabla4 %>% select(!contains("se"))
datos4<-bind_cols(tabla4, cv4, ic4)
names(datos4) <- c("Población Joven","Departamentos","Promedio Mensual","Coef. Var","Int.Inf","Int.Sup")
kable(datos4, format = "markdown")

	Población Joven	Departamentos	Promedio Mensual	Coef. Var	Int.Inf	Int.Sup
Joven.Amazonas	Joven	Amazonas	914.4555	0.0579629	810.5685	1018.3425
Joven.Ancash	Joven	Ancash	1019.2420	0.0556999	907.9716	1130.5124
Joven.Apurimac	Joven	Apurimac	1179.4922	0.0889893	973.7701	1385.2144
Joven.Arequipa	Joven	Arequipa	1345.2996	0.0371847	1247.2532	1443.3461
Joven.Ayacucho	Joven	Ayacucho	852.4935	0.0486932	771.1341	933.8529
Joven.Cajamarca	Joven	Cajamarca	865.0101	0.0698523	746.5833	983.4369
Joven.Callao	Joven	Callao	1426.4816	0.0494875	1288.1219	1564.8413
Joven.Cusco	Joven	Cusco	1020.6092	0.0600792	900.4295	1140.7890
Joven.Huancavelica	Joven	Huancavelica	921.5418	0.0719645	791.5603	1051.5234
Joven.Huanuco	Joven	Huanuco	858.8851	0.0845274	716.5931	1001.1772
Joven.Ica	Joven	Ica	1550.4441	0.0290218	1462.2523	1638.6360
Joven.Junin	Joven	Junin	1151.9122	0.0421123	1056.8350	1246.9894
Joven.La Libertad	Joven	La Libertad	1317.5007	0.0493638	1190.0309	1444.9704
Joven.Lambayeque	Joven	Lambayeque	1175.1252	0.0364441	1091.1870	1259.0634
Joven.Lima Metropolitana	Joven	Lima Metropolitana	1439.6380	0.0250200	1369.0408	1510.2353
Joven.Lima Region	Joven	Lima Region	1169.0371	0.0427607	1071.0608	1267.0134
Joven.Loreto	Joven	Loreto	1099.4599	0.0678588	953.2308	1245.6890
Joven.Madre de Dios	Joven	Madre de Dios	1581.3324	0.0583516	1400.4802	1762.1846
Joven.Moquegua	Joven	Moquegua	1379.4675	0.0651938	1203.2026	1555.7325
Joven.Pasco	Joven	Pasco	1148.0089	0.0665543	998.2580	1297.7599
Joven.Piura	Joven	Piura	1266.6127	0.0399346	1167.4745	1365.7509
Joven.Puno	Joven	Puno	938.6172	0.0639429	820.9842	1056.2501
Joven.San Martín	Joven	San Martín	946.7961	0.0408386	871.0125	1022.5798
Joven.Tacna	Joven	Tacna	1161.1668	0.0546692	1036.7482	1285.5854
Joven.Tumbes	Joven	Tumbes	1177.2222	0.0541385	1052.3077	1302.1366
Joven.Ucayali	Joven	Ucayali	1118.5491	0.0345682	1042.7646	1194.3336

DESAGREGACIÓN SEGUN CONDICIÓN DE POBREZA

tabla5 <- svyby(~ingtra_n, ~Juventud+pobreza3, encuesta, svymean, deff=F, na.rm=T)
ic5 <- confint(tabla5)
cv5<-cv(tabla5)
cv5<- as.data.frame(cv5)
tabla5 <- tabla5 %>% select(!contains("se"))
datos5<-bind_cols(tabla5, cv5, ic5)
names(datos5) <- c("Población Joven","Condición de pobreza","Promedio Mensual","Coef. Var","Int.Inf","Int.Sup")
kable(datos5, format = "markdown")

	Población Joven	Condición de pobreza	Promedio Mensual	Coef. Var	Int.Inf	Int.Sup
Joven.No pobre	Joven	No pobre	1337.0935	0.0131203	1302.7098	1371.4771
Joven.Pobre extremo	Joven	Pobre extremo	623.8269	0.0661097	542.9961	704.6578
Joven.Pobre no extremo	Joven	Pobre no extremo	917.7585	0.0241534	874.3119	961.2050

DESAGREGACIÓN SEGUN DISCAPACIDAD

tabla6 <- svyby(~ingtra_n, ~Juventud+discapacidad, encuesta, svymean, deff=F, na.rm=T)
ic6 <- confint(tabla6)
cv6<-cv(tabla6)
cv6<- as.data.frame(cv6)
tabla6 <- tabla6 %>% select(!contains("se"))
datos6<-bind_cols(tabla6, cv6, ic6)
names(datos6) <- c("Población Joven","Discapacidad","Promedio Mensual","Coef. Var","Int.Inf","Int.Sup")
kable(datos6, format = "markdown")

	Población Joven	Discapacidad	Promedio Mensual	Coef. Var	Int.Inf	Int.Sup
Joven.0	Joven	0	1241.0316	0.0120007	1211.8415	1270.2218
Joven.1	Joven	1	746.3196	0.0990564	601.4239	891.2154

DESAGREGACIÓN SEGÚN ETNICIDAD

tabla7 <- svyby(~ingtra_n, ~Juventud+defiet2, encuesta, svymean, deff=F, na.rm=T)
ic7 <- confint(tabla7)
cv7<-cv(tabla7)
cv7<- as.data.frame(cv7)
tabla7 <- tabla7 %>% select(!contains("se"))
datos7<-bind_cols(tabla7, cv7, ic7)
names(datos7) <- c("Población Joven","Etnicidad","Promedio Mensual","Coef. Var","Int.Inf","Int.Sup")
kable(datos7, format = "markdown")

	Población Joven	Etnicidad	Promedio Mensual	Coef. Var	Int.Inf	Int.Sup
Joven.Aimara	Joven	Aimara	1062.2373	0.0631598	930.7419	1193.733
Joven.Blanco	Joven	Blanco	1326.0614	0.0723060	1138.1356	1513.987
Joven.Mestizo	Joven	Mestizo	1301.0205	0.0140420	1265.2141	1336.827
Joven.Nativo o indigena de la Amazonia	Joven	Nativo o indigena de la Amazonia	920.0449	0.0747934	785.1733	1054.916
Joven.Negro/Moreno/Zambo/Mulato/Pueblo Afro peruano o Afrodescendiente	Joven	Negro/Moreno/Zambo/Mulato/Pueblo Afro peruano o Afrodescendiente	1149.8836	0.0368795	1066.7672	1233.000
Joven.No sabe/No responde	Joven	No sabe/No responde	1216.8124	0.0468467	1105.0874	1328.537
Joven.otro	Joven	otro	1285.6051	0.0528326	1152.4806	1418.730
Joven.Quechua	Joven	Quechua	1102.8780	0.0340571	1029.2601	1176.496

DESAGREGACION SEGÚN LENGUA MATERNA

tabla8 <- svyby(~ingtra_n, ~Juventud+lengua, encuesta, svymean, deff=F, na.rm=T)
ic8 <- confint(tabla8)
cv8<-cv(tabla8)
cv8<- as.data.frame(cv8)
tabla8 <- tabla8 %>% select(!contains("se"))
datos8<-bind_cols(tabla8, cv8, ic8)
names(datos8) <- c("Población Joven","Etnicidad","Promedio Mensual","Coef. Var","Int.Inf","Int.Sup")
kable(datos8, format = "markdown")

	Población Joven	Etnicidad	Promedio Mensual	Coef. Var	Int.Inf	Int.Sup
Joven.Castellano	Joven	Castellano	1268.7932	0.0126064	1237.4438	1300.143
Joven.Originaria	Joven	Originaria	954.4219	0.0299115	898.4685	1010.375

generar_archivo_excel2("DINDES-20-EMP-04-INDA.xlsx", list(datos,datos1,datos2,datos3,datos4,datos5,datos6,datos7,datos8))

GUARDAR BD - opcional

#save(enaho,file=paste(ruta,"BASEDEDATOSIndicador1ENDES.RData",sep = "/")) 
#BORRAMOS TODO MENOS "RUTA" 
#rm(list=setdiff(ls(), c("ruta"))) 
#VOLVEMOS A CARGAR NUESTRA BD LIMPIA 
#load(paste(ruta,"BASEDEDATOSIndicador1ENDES.RData",sep="/"))

DINDES-20-EMP-04-INDA - INGRESO PROMEDIO MENSUAL PROVENIENTE DEL TRABAJO EN POBLACIÓN JOVEN

Dirección de Investigación y Desarrollo (DINDES) de la Secretaría Nacional de Juventud (SENAJU). Especialistas a cargo: Gianmarco Muñoz Bazán & Manuel Vargas de la Torre

2023-05-23

DESCRIPCIÓN DEL INDICADOR

MODELADO DE BASE DATO

PAQUETES ESTADÍSTICOS

GENERAMOS UNA RUTA PARA GUARDAR NUESTROS DATOS

CARGAR BASES DE DATOS Y UNION DE BASES DE DATOS

ELABORACION DE VARIABLES PARA DESAGREGACIONES

SEXO

DEPARTAMENTO

REGIONES NATURALES

AREA URBANA/RURAL

CONDICION DE POBREZA

LENGUA MATERNA

DISCAPACIDAD

ETNICIDAD

VARIABLES INDICADOR

VARIABLE RESIDENTE

VARIABLE JOVEN (15 A 29 AÑOS) / POB TOTAL (15 A MÁS)

INGRESO PROVENIENTE DEL TRABAJO

FILTROS A LA BD

PONDERACIÓN DE DATOS, DATASETS Y TRASLADO A EXCEL

DISEÑO MUESTRAL

DESAGREGACIÓN NACIONAL

DESAGREGACIÓN SEGÚN SEXO

DESAGREGACIÓN SEGÚN ÁREA DE DOMICILIO (RURAL / URBANA)

DESAGREGACIÓN SEGUN REGIÓN NATURAL (COSTA, SIERRA, SELVA)

DESAGREGACIÓN SEGÚN DEPARTAMENTOS

DESAGREGACIÓN SEGUN CONDICIÓN DE POBREZA

DESAGREGACIÓN SEGUN DISCAPACIDAD

DESAGREGACIÓN SEGÚN ETNICIDAD

DESAGREGACION SEGÚN LENGUA MATERNA

GUARDAR BD - opcional