DESCRIPCIÓN DEL CÁLCULO

DETERMINAR LA DISTRIBUCIÓN DE LA POBLACIÓN ECONÓMICAMENTE ACTIVA JOVEN SEGÚN DESAGREGACIONES DE INTERÉS. SE TOMA COMO BASE LA SINTAXIS DE EMPLEO FORMAL. ES DECIR, EL CÁLCULO SE REALIZA SOBRE LOS RESIDENTES.

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

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

VARIABLES TRANSVERSALES

Aquellas variables que nos sirven para realizar las desagregaciones posteriores.

DEPARTAMENTOS

Hay que convertir la variable ubigeo.x (el “.x” es producto de la unión de bases de datos) a numérico para no encontrar problemas al momento de recodificar

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

ÁREA 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

CONDICIÓN 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(etnia = case_when(
    P558C < 4 | P558C == 9 ~ 1,
    P558C == 4 ~ 2,
    P558C == 6 ~ 3,
    P558C == 5 | P558C == 7 ~ 4,
    P558C == 8 ~ 5,
    TRUE ~ NA_integer_
  ))
etnia_labels <- c("Indigena 1/", "Negro, mulato, Afro peruano", "Mestizo/a", "Otro 2/", "No sabe")
table(enaho$etnia, useNA = "alw")

## 
##     1     2     3     4     5  <NA> 
## 26043  6047 44600  7327  3517   127

VARIABLES INDICADOR

VARIABLE RESIDENTE

table(enaho$P204)

## 
##     1     2 
## 87156   505

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 PEA

enaho <- enaho %>%
  mutate(pea = ifelse(P208A>=14 & res=="Residente" & (OCU500==1 | OCU500==2),"PEA","NO PEA"))
enaho$pea <- as.factor(enaho$pea)
table(enaho$pea, useNA = "alw")

## 
## NO PEA    PEA   <NA> 
##  25294  62367      0

VARIABLE JUVENTUD

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)

PONDERACIÓN DE DATOS, DATASETS Y TRASLADO A EXCEL

DISEÑO MUESTRAL

# Diseño muestral
encuesta = svydesign(data=enaho, 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(~pea, ~Juventud, encuesta, svymean, deff=F, na.rm=T)
ic <- confint(tabla)
cv<-cv(tabla)

ic <- as.data.frame(ic)
ic <- ic[-1,]
cv <- cv %>% select(!contains("NO PEA"))

tabla <- tabla %>% select(!contains("se") & !contains("NO PEA"))
datos<-bind_cols(tabla, cv, ic)
names(datos) <- c("PEA Joven","%","Coef. Var","Int.Inf","Int.Sup")
kable(datos, format = "markdown")

	PEA Joven	%	Coef. Var	Int.Inf	Int.Sup
Joven	Joven	0.6171033	0.0076107	0.6078982	0.6263084

DESAGREGACIÓN SEGÚN REGIONES

tabla <- svyby(~pea, ~Juventud+regiones2, encuesta, svymean, deff=F, na.rm=T)
ic <- confint(tabla)
cv<-cv(tabla)

ic <- subset(ic, !grepl("peaNO", rownames(ic)))
ic <- as.data.frame(ic)
cv <- cv %>% select(!contains("NO PEA"))

tabla <- tabla %>% select(!contains("se") & !contains("NO PEA"))

datos1<-bind_cols(tabla, cv, ic)

names(datos1) <- c("PEA Joven","Departamentos","%","Coef. Var","Int.Inf","Int.Sup")
kable(datos1, format = "markdown")

	PEA Joven	Departamentos	%	Coef. Var	Int.Inf	Int.Sup
Joven.Amazonas	Joven	Amazonas	0.6023364	0.0381406	0.5573092	0.6473636
Joven.Ancash	Joven	Ancash	0.6906447	0.0271950	0.6538325	0.7274569
Joven.Apurimac	Joven	Apurimac	0.6930614	0.0356936	0.6445761	0.7415467
Joven.Arequipa	Joven	Arequipa	0.5750194	0.0346838	0.5359302	0.6141086
Joven.Ayacucho	Joven	Ayacucho	0.6378894	0.0376315	0.5908410	0.6849378
Joven.Cajamarca	Joven	Cajamarca	0.6126829	0.0332001	0.5728150	0.6525507
Joven.Callao	Joven	Callao	0.6433202	0.0279301	0.6081036	0.6785369
Joven.Cusco	Joven	Cusco	0.5891993	0.0445208	0.5377862	0.6406124
Joven.Huancavelica	Joven	Huancavelica	0.7360180	0.0332591	0.6880394	0.7839965
Joven.Huanuco	Joven	Huanuco	0.6446265	0.0311654	0.6052507	0.6840023
Joven.Ica	Joven	Ica	0.6657781	0.0230009	0.6357642	0.6957920
Joven.Junin	Joven	Junin	0.6694042	0.0273534	0.6335164	0.7052921
Joven.La Libertad	Joven	La Libertad	0.6433234	0.0250205	0.6117753	0.6748716
Joven.Lambayeque	Joven	Lambayeque	0.6171134	0.0250025	0.5868724	0.6473545
Joven.Lima Metropolitana	Joven	Lima Metropolitana	0.5854520	0.0197124	0.5628328	0.6080712
Joven.Lima Region	Joven	Lima Region	0.5786129	0.0282908	0.5465295	0.6106964
Joven.Loreto	Joven	Loreto	0.5634476	0.0304914	0.5297748	0.5971204
Joven.Madre de Dios	Joven	Madre de Dios	0.6289035	0.0571234	0.5584916	0.6993153
Joven.Moquegua	Joven	Moquegua	0.6047475	0.0420818	0.5548687	0.6546263
Joven.Pasco	Joven	Pasco	0.6749379	0.0386003	0.6238753	0.7260005
Joven.Piura	Joven	Piura	0.6317249	0.0217603	0.6047822	0.6586676
Joven.Puno	Joven	Puno	0.6315265	0.0391726	0.5830399	0.6800132
Joven.San Martín	Joven	San Martín	0.6702518	0.0239916	0.6387348	0.7017688
Joven.Tacna	Joven	Tacna	0.5373515	0.0437259	0.4912999	0.5834031
Joven.Tumbes	Joven	Tumbes	0.5936581	0.0414074	0.5454786	0.6418376
Joven.Ucayali	Joven	Ucayali	0.6534202	0.0250829	0.6212971	0.6855434

GENERAMOS EL REPORTE EN EXCEL

generar_archivo_excel2("DINDES-27-EMP-05-CALG.xlsx", list(datos,datos1))

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-27-EMP-05-CALG - PEA 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