ELCA
Jessica López Mejía
2023-07-19
Se cuenta con 19298 registros. 609 columnas que corresponden a las preguntas presentes en el formulario Urbano Adultos.
La ELCA es una encuesta longitudinal que sigue cada tres años a aproximadamente 10,000 hogares colombianos en zonas urbanas y rurales de Colombia. El objetivo principal de la encuesta es aumentar la comprensión de los cambios sociales y económicos a nivel individual y de los hogares,proveyendo información sobre el comportamiento de éstos en el tiempo y su efecto sobre el bienestar.Las bases públicas de la ELCA son: Hogar, personas y niños. 9033 hombres respondieron la encuesta. 10265 mujeres respondieron la encuesta relacionada con el formulario Adultos (Urbano).
Tema 2: Caracterización de aspectos laborales de la población femenina con algún tipo de discapacidad en Colombia.
Limpieza de los datos
Codificación de la variable La persona es:
jefe de hogar(1)
Cónyuge(2)
Otro(3)
1 se le asigna Jf correspondiente a Jefe de Hogar
2 se le asigna Cony correspondiente a cónyugue
3 se le asigna otro
rm(list = ls())
library(haven)## Warning: package 'haven' was built under R version 4.2.2library(xtable)## Warning: package 'xtable' was built under R version 4.2.2UPersonas <- read_dta("C:/Users/Lenovo/Desktop/proyecto_ELCA/Datos/UPersonas.dta")
nrow(UPersonas)## [1] 19298UPersonas2<-UPersonas
UPersonas2$parentesco<-as.numeric(UPersonas2$parentesco)
UPersonas2$parentesco[UPersonas2$parentesco %in% c(1)]<-"Jf"
UPersonas2$parentesco[UPersonas2$parentesco %in% c(2)]<-"Cony"
UPersonas2$parentesco[UPersonas2$parentesco %in% c(3:19)]<-"Otro"
tabla_parentesco<-table(UPersonas2$parentesco,useNA = "always")
tabla_parentesco##
## Cony Jf Otro <NA>
## 3073 4860 11365 0plot(table(UPersonas2$parentesco),col=c(2:7),xlab="categorias de parentesco",
ylab="cantidad de personas",ylim=c(0,7000))
Categorización de la variable edad en años cumplidos
0-10 personas que manifestaron tener de 0 a 10 años.
11-17 personas que manifestaron tener de 11 a 17 años.
18-30 personas que manifestaron tener de 18 a 30 años.
31-60 personas que manifestaron tener de 31 a 60 años.
61-96 personas que manifestaron tener de 61 a 96 años.
UPersonas2$edad[UPersonas2$edad %in% c(0:10)]<-"0-10"
UPersonas2$edad[UPersonas2$edad %in% c(11:17)]<-"11-17"
UPersonas2$edad[UPersonas2$edad %in% c(18:30)]<-"18-30"
UPersonas2$edad[UPersonas2$edad %in% c(31:60)]<-"31-60"
UPersonas2$edad[UPersonas2$edad %in% c(61:96)]<-"61:96"
tabla_edad<-table(UPersonas2$edad,useNA = "always")
tabla_edad##
## 0-10 11-17 18-30 31-60 61:96 <NA>
## 3431 2831 3732 7342 1962 0plot(table(UPersonas2$edad),col=c(2:7),xlab="categorias",
ylab="cantidad de personas",ylim=c(0,7000))
Codificación de las categorías de la variable sexo
UPersonas2$sexo<-as.numeric(UPersonas2$sexo)
UPersonas2$sexo[UPersonas2$sexo %in% c(1)]<-"H" #Hombre
UPersonas2$sexo[UPersonas2$sexo %in% c(2)]<-"M" #Mujer
tabla_sexo<-table(UPersonas2$sexo,useNA = "always")
tabla_sexo##
## H M <NA>
## 9033 10265 0plot(table(UPersonas2$sexo),col=c(2:7),xlab="categorias",
ylab="cantidad de personas",ylim=c(0,7000))
Codificación de las categorías de la variable:¿Está cotizando a un fondo de pensiones?
1. Si
2. No
UPersonas2$cotizando<-as.numeric(UPersonas2$cotizando)
UPersonas2$cotizando[UPersonas2$cotizando %in% c(1)]<-"Si"
UPersonas2$cotizando[UPersonas2$cotizando %in% c(2)]<-"No"
UPersonas2$cotizando[is.na(UPersonas2$cotizando)]<-"NA_Cot"
tabla_cotizando<-table(UPersonas2$cotizando,useNA = "always")
tabla_cotizando##
## NA_Cot No Si <NA>
## 11943 5247 2108 0plot(table(UPersonas2$cotizando),col=c(2:7),xlab="categorias",
ylab="cantidad de personas",ylim=c(0,7000))
Codificacion de la variable: Por enfermedad, accidente o nacimiento, ¿______ tiene alguna de las siguientes condiciones de forma permanente como…?
a. Ceguera total 1. Si, 2. No
b. Sordera total 1. Si, 2. No
c. Mudez 1. Si, 2. No
d. Dificultad para moverse o caminar por si mismo 1. Si, 2. No
e. Dificultad para bañarse, vestirse, o alimentarse por si mismo 1. Si, 2. No
f. Dificultad para salir a la calle sin ayuda o compañía 1. Si, 2. No
g. Dificultad para entender o aprender 1. Si, 2. No
UPersonas2$discp<-rep(0,nrow(UPersonas2))
UPersonas2$ceguera<-as.numeric(UPersonas2$ceguera)
UPersonas2$sordera<-as.numeric(UPersonas2$sordera)
UPersonas2$mudez<-as.numeric(UPersonas2$mudez)
UPersonas2$dif_moverse<-as.numeric(UPersonas2$dif_moverse)
UPersonas2$dif_banarse<-as.numeric(UPersonas2$dif_banarse)
UPersonas2$dif_calle<-as.numeric(UPersonas2$dif_calle)
UPersonas2$dif_aprender<-as.numeric(UPersonas2$dif_aprender)
UPersonas2$discp[(UPersonas2$ceguera %in% c(1)) |
(UPersonas2$sordera %in% c(1))|
(UPersonas2$mudez %in% c(1)) |
(UPersonas2$dif_moverse %in% c(1)) |
(UPersonas2$dif_banarse %in% c(1)) |
(UPersonas2$dif_calle %in% c(1))|
(UPersonas2$dif_aprender %in% c(1))]<-'Si'
UPersonas2$discp[UPersonas2$discp==0]<-'No'
tabla_discp<-table(UPersonas2$discp,useNA = "always")
tabla_discp##
## No Si <NA>
## 18697 601 0plot(table(UPersonas2$discp),col=c(2:7),xlab="categorías",
ylab="cantidad de personas",ylim=c(0,1500))
Donde: Si indica que la persona tiene algún tipo de discapacidad y NO indica que la persona no tiene discapacidad alguna o no se encuentra dentro de ls categorías contempladas.
Codificación de la variable: ¿Cuántos hijos(as) nacidos(as) vivos tiene, o ha tenido__________?
Hijas
“ninguno”, “uno”, “dos”, “tres o más”
Hijos
“ninguno”, “uno”, “dos”, “tres o más”
Estas dos fueron agrupadas en una sola variable referente a cuántos hijos nacidos vivos tiene, de la siguiente manera:
UPersonas2$hijos<-rep(0,nrow(UPersonas2))
UPersonas2$hijos<-as.numeric(UPersonas2$hijos_hombres)+as.numeric(UPersonas2$hijas_mujeres)
table(UPersonas2$hijos,useNA = "always")##
## 1 2 3 4 5 6 7 8 9 10 11 12 <NA>
## 1128 1217 707 289 123 40 14 6 4 5 1 1 15763Agrupamos las categorías de la siguiente manera:
1 1HJ
2 2HJ
>=3 +2HJ
UPersonas2$hijos[UPersonas2$hijos %in% c(1)]<-'1HJ'
UPersonas2$hijos[UPersonas2$hijos %in% c(2)]<-'2HJ'
UPersonas2$hijos[UPersonas2$hijos %in% c(3:12)]<-'+2HJ'
UPersonas2$hijos[is.na(UPersonas2$hijos)]<-"NA_HJ"
table(UPersonas2$hijos,useNA = "always")##
## +2HJ 1HJ 2HJ NA_HJ <NA>
## 1190 1128 1217 15763 0plot(table(UPersonas2$hijos),col=c(2:5),xlab="categorías",
ylab="cantidad de personas",ylim=c(0,1500))
¿Está embarazada?
Las categorías son:
1. Si
2. No
UPersonas2$embarazada<-as.numeric(UPersonas2$embarazada)
UPersonas2$embarazada[UPersonas2$embarazada %in% c(1)]<-'Si_NA'
UPersonas2$embarazada[UPersonas2$embarazada %in% c(2)]<-'No'
UPersonas2$embarazada[is.na(UPersonas2$embarazada)]<-"Si_NA"
tabla_emb<-table(UPersonas2$embarazada,useNA = "always")
tabla_emb##
## No Si_NA <NA>
## 5939 13359 0plot(table(UPersonas2$embarazada),col=c(2:7),xlab="categorias",
ylab="cantidad de personas",ylim=c(0,1500))
402 - ¿___________actualmente estudia? (asiste a la escuela, colegio o universidad)
UPersonas2$estudia<-as.numeric(UPersonas2$estudia)
UPersonas2$estudia[UPersonas2$estudia %in% c(1)]<-'Si'
UPersonas2$estudia[UPersonas2$estudia %in% c(2)]<-'No'
UPersonas2$estudia[is.na(UPersonas2$estudia)]<-"NA_est"
tabla_est<-table(UPersonas2$estudia,useNA = "always")
tabla_est##
## NA_est No Si <NA>
## 2252 11160 5886 0plot(table(UPersonas2$estudia),col=c(2:7),xlab="categorias",
ylab="cantidad de personas",ylim=c(0,14000))
404 - ¿Hace cuánto tiempo_____dejó de estudiar?
*1** Menos de tres (3) años
2 Más de tres (3) años
3 Nunca ha estudiado
UPersonas2$t_dejoestudio<-as.numeric(UPersonas2$t_dejoestudio)
UPersonas2$t_dejoestudio[UPersonas2$t_dejoestudio %in% c(1)]<-'-3'
UPersonas2$t_dejoestudio[UPersonas2$t_dejoestudio %in% c(2)]<-'+3_N'
UPersonas2$t_dejoestudio[UPersonas2$t_dejoestudio %in% c(3)]<-'+3_N'
UPersonas2$t_dejoestudio[is.na(UPersonas2$t_dejoestudio)]<-"NA_dest"
tabla_t_dejoestudio<-table(UPersonas2$t_dejoestudio,useNA = "always")
tabla_t_dejoestudio##
## -3 +3_N NA_dest <NA>
## 1186 8076 10036 0plot(table(UPersonas2$t_dejoestudio),col=c(2:7),xlab="categorias",
ylab="cantidad de personas",ylim=c(0,2000))
Población ocupada
502a - ¿Es su trabajo actual, su primer trabajo?
1.Si 2.No
UPersonas2$es_ptrabajo<-as.numeric(UPersonas2$es_ptrabajo)
UPersonas2$es_ptrabajo[UPersonas2$es_ptrabajo %in% c(1)]<-'Si'
UPersonas2$es_ptrabajo[UPersonas2$es_ptrabajo %in% c(2)]<-'No'
UPersonas2$es_ptrabajo[is.na(UPersonas2$es_ptrabajo)]<-"NA_pt"
tabla_es_ptrabajo<-table(UPersonas2$es_ptrabajo,useNA = "always")
tabla_es_ptrabajo##
## NA_pt No Si <NA>
## 14020 4195 1083 0plot(table(UPersonas2$es_ptrabajo),col=c(2:7),xlab="categorias",
ylab="cantidad de personas",ylim=c(0,2000))
502 - ¿A qué actividad se dedica principalmente la empresa o negocio en la que__________ trabaja?¨
La variable se encuentra codificada como descripcion_ciiu
Categorías:
1 Agricultura, ganadería, caza,silvicultura y pesca
2 Explotación de minas y canteras
3 Industrias manufactureras
4 Suministro de electricidad, gas, vapor y aire acondicionado
5 Distribución de agua; evacuación y tratamiento de aguas residuales, gestión de desechos y actividades de saneamiento ambiental.
6 Construcción
7 Comercio al por mayor y al por menor; reparación de vehículos automotores y motocicletas.
8 Transporte y almacenamiento.
9 Alojamiento y servicios de comida.
10 Información y comunicaciones.
11 Actividades financieras y de seguros.
12 Actividades inmobiliarias.
13 Actividades profesionales, científicas y técnicas.
14 Actividades de servicios administrativos y de apoyo.
15 Administración pública y defensa; planes de seguridad social de afiliación obligatoria.
16 Educación.
17 Actividades de atención de la salud humana y de asistencia social.
18 Actividades artísticas, de entrenamiento y recreación.
19 Otras actividades de servicios.
20 Actividades de los hogares individuales en calidad de empleadores; actividades no diferenciadas de los hogares individuales como productores de bienes y servicios para uso propio.
21 Actividades de organizaciones y entidades extraterritoriales.
Veamos la cantidad de personas que se encuentran en cada una de estas categorías:
table(UPersonas2$descripcion_ciiu,useNA = "always")##
## 1 2 3 4 5 6 7 8 9 10 11 12 13
## 368 47 518 31 11 362 1043 384 513 53 51 21 109
## 14 15 16 17 18 19 20 <NA>
## 195 103 251 217 71 707 223 14020Dado que son 21 categorías y algunas tienen frecuencias muy bajas,lo que puede afectar nuestro Análisis de correspondencias múltiples, entonces las agruparemos de la siguiente manera:
Grupo 1
1 Agricultura, ganadería, caza, silvicultura y pesca
2 Explotación de minas y canteras
6 Construcción
20 Actividades de los hogares individuales en calidad de empleadores; actividades no diferenciadas de los hogares individuales como productores de bienes y servicios para uso propio.
3 Industrias manufactureras
15 Administración pública y defensa; planes de seguridad social de afiliación obligatoria
18 Actividades artísticas, de entrenamiento y recreación
Grupo 2
7 Comercio al por mayor y al por menor; reparación de vehículos automotores y motocicletas
Grupo 3
5 Distribución de agua; evacuación y tratamiento de aguas residuales, gestión de desechos y actividades de saneamiento ambiental.
4 Suministro de electricidad, gas, vapor y aire acondicionado
8 Transporte y almacenamiento
14 Actividades de servicios administrativos y de apoyo
17 Actividades de atención de la salud humana y de asistencia social
19 Otras actividades de servicios
Grupo 4
9 Alojamiento y servicios de comida
10 Información y comunicaciones
11 Actividades financieras y de seguros
12 Actividades inmobiliarias
13 Actividades profesionales, científicas y técnicas
16 Educación
UPersonas2$descripcion_ciiu<-as.numeric(unlist(UPersonas2$descripcion_ciiu))
UPersonas2$descripcion_ciiu[UPersonas2$descripcion_ciiu %in% c(1)]<-'G1'
UPersonas2$descripcion_ciiu[UPersonas2$descripcion_ciiu %in% c(2)]<-'G1'
UPersonas2$descripcion_ciiu[UPersonas2$descripcion_ciiu %in% c(3)]<-'G1'
UPersonas2$descripcion_ciiu[UPersonas2$descripcion_ciiu %in% c(4)]<-'G3'
UPersonas2$descripcion_ciiu[UPersonas2$descripcion_ciiu %in% c(5)]<-'G3'
UPersonas2$descripcion_ciiu[UPersonas2$descripcion_ciiu %in% c(6)]<-'G1'
UPersonas2$descripcion_ciiu[UPersonas2$descripcion_ciiu %in% c(7)]<-'G2'
UPersonas2$descripcion_ciiu[UPersonas2$descripcion_ciiu %in% c(8)]<-'G3'
UPersonas2$descripcion_ciiu[UPersonas2$descripcion_ciiu %in% c(9)]<-'G4'
UPersonas2$descripcion_ciiu[UPersonas2$descripcion_ciiu %in% c(10)]<-'G4'
UPersonas2$descripcion_ciiu[UPersonas2$descripcion_ciiu %in% c(11)]<-'G4'
UPersonas2$descripcion_ciiu[UPersonas2$descripcion_ciiu %in% c(12)]<-'G4'
UPersonas2$descripcion_ciiu[UPersonas2$descripcion_ciiu %in% c(13)]<-'G4'
UPersonas2$descripcion_ciiu[UPersonas2$descripcion_ciiu %in% c(14)]<-'G3'
UPersonas2$descripcion_ciiu[UPersonas2$descripcion_ciiu %in% c(15)]<-'G1'
UPersonas2$descripcion_ciiu[UPersonas2$descripcion_ciiu %in% c(16)]<-'G4'
UPersonas2$descripcion_ciiu[UPersonas2$descripcion_ciiu %in% c(17)]<-'G3'
UPersonas2$descripcion_ciiu[UPersonas2$descripcion_ciiu %in% c(18)]<-'G1'
UPersonas2$descripcion_ciiu[UPersonas2$descripcion_ciiu %in% c(19)]<-'G3'
UPersonas2$descripcion_ciiu[UPersonas2$descripcion_ciiu %in% c(20)]<-'G1'
UPersonas2$descripcion_ciiu[is.na(UPersonas2$descripcion_ciiu)]<-"NA_G"
tabla_descripcion_ciiu<-table(UPersonas2$descripcion_ciiu,useNA = "always")
tabla_descripcion_ciiu##
## G1 G2 G3 G4 NA_G <NA>
## 1692 1043 1545 998 14020 0plot(table(UPersonas2$descripcion_ciiu),col=c(2:7),xlab="categorias",
ylab="cantidad de personas",ylim=c(0,2000))
Estos NA se pueden deber a personas que no laboran o tienen empleos informales o no saben la actividad principal de la empresa donde laboran.
505 - ¿Cómo consiguió_______este trabajo o empleo?
La variable se encuentra codificada como medio_consiguio
*+1** Pidiendo ayuda a familiares, amigos o colegas
2 Visitando, llevando o enviando hojas de vida a empresas o empleadores
3 A través del SENA
4 Visitando, llevando o enviando hojas de vida a bolsas de empleo o intermediarios
5 Por avisos clasificados
6 Por convocatoria
7 Por internet
8 Por organizaciones a las que pertenece
9 El empleador lo contactó directamente
10 No necesitó o no recurrió a ningún medio
11 Por contactos profesionales
12 Por otro medio
Veamos cuántas personas hay en cada categoría
table(UPersonas2$medio_consiguio,useNA = "always")##
## 1 2 3 4 5 6 7 8 9 10 11 12 <NA>
## 3115 279 37 81 34 145 68 20 203 1159 130 7 14020Dados estos resultados vamos a recategorizar la variable en las siguientes categorías:
Pidiendo ayuda a familiares, amigos o colegas como fac No necesitó o no recurrió a ningún medio nm Otros medios como: 2,3,4,5,6,7,8,9,11,12 Otros
table(UPersonas2$medio_consiguio,useNA = "always")##
## 1 2 3 4 5 6 7 8 9 10 11 12 <NA>
## 3115 279 37 81 34 145 68 20 203 1159 130 7 14020UPersonas2$medio_consiguio<-as.numeric(unlist(UPersonas2$medio_consiguio))
UPersonas2$medio_consiguio[UPersonas2$medio_consiguio %in% c(1)]<-'fac'
UPersonas2$medio_consiguio[UPersonas2$medio_consiguio %in% c(2,3,4,5,6,7,
8,9,11,12)]<-'Otros'
UPersonas2$medio_consiguio[UPersonas2$medio_consiguio %in% c(10)]<-'nm'
UPersonas2$medio_consiguio[is.na(UPersonas2$medio_consiguio)]<-"NA_medio"
tabla_medio_consiguio<-table(UPersonas2$medio_consiguio,useNA = "always")
tabla_medio_consiguio##
## fac NA_medio nm Otros <NA>
## 3115 14020 1159 1004 0plot(table(UPersonas2$medio_consiguio),col=c(2:7),xlab="categorias",
ylab="cantidad de personas",ylim=c(0,2000))
506 - ¿El contrato que________tiene en ese trabajo es?
La variable se encuentra codificada como **tipo_contrato.
Tiene las siguientes categorías:
1 Contrato escrito a término fijo
2 Contrato escrito a término indefinido
3 Contrato verbal
4 No tiene contrato
5 No aplica
Veamos cuántas personas hay en cada categoría:
table(UPersonas2$tipo_contrato,useNA = "always")##
## 1 2 3 4 5 <NA>
## 637 1220 488 2808 125 14020Se codifican las categorías de la siguiente manera:
1 Contrato escrito a término fijo como CEF
2 Contrato escrito a término indefinido como CEI
3-5 Contrato verbal o no aplica como CV_NP
4 No tiene contrato como NC
UPersonas2$tipo_contrato<-as.numeric(unlist(UPersonas2$tipo_contrato))
UPersonas2$tipo_contrato[UPersonas2$tipo_contrato %in% c(1)]<-'CEF'
UPersonas2$tipo_contrato[UPersonas2$tipo_contrato %in% c(2)]<-'CEI'
UPersonas2$tipo_contrato[UPersonas2$tipo_contrato %in% c(3)]<-'CV_NP'
UPersonas2$tipo_contrato[UPersonas2$tipo_contrato %in% c(4)]<-'NC'
UPersonas2$tipo_contrato[UPersonas2$tipo_contrato %in% c(5)]<-'CV_NP'
UPersonas2$tipo_contrato[is.na(UPersonas2$tipo_contrato)]<-"NA_contrato"
tabla_tipo_contrato<-table(UPersonas2$tipo_contrato,useNA = "always")
tabla_tipo_contrato##
## CEF CEI CV_NP NA_contrato NC <NA>
## 637 1220 613 14020 2808 0plot(table(UPersonas2$tipo_contrato),col=c(2:7),xlab="categorias",
ylab="cantidad de personas",ylim=c(0,2000))
507 - En ese trabajo, ¿_____________ cuenta con […]?
a. Seguridad social en salud ?(segsoc_salud) 1. Si 2. No
b. Seguro médico privado por parte del empleador ? (seg_medico) 1. Si 2. No
c. Afiliación a un fondo de pensiones ? (afiliacion_fp) 1. Si 2. No
d. Vacaciones con sueldo ? (vacaciones) 1. Si 2. No
e. Prima de navidad ? (prima_navidad) 1. Si 2. No
f. Derecho a cesantías ? (cesantias) 1. Si 2. No
Estas variables se agrupan en una solo con las siguientes categorías:
Personas que en su trabajo cuentan con Seguridad social en salud,Seguro médico privado por parte del empleador, Afiliación a un fondo de pensiones,Vacaciones con sueldo, Prima de navidad, Derecho a cesantías como Total
Personas que en su trabajo cuentan con Seguridad social en salud,Seguro médico privado por parte del empleador, Afiliación a un fondo de pensiones, Vacaciones con sueldo como basico
Personas que en su trabajo cuentan con Seguridad social en salud, Afiliación a un fondo de pensiones, Derecho a cesantías muyBasico
Personas que no cuentan (ninguna) con las condiciones que se exponen en estas categorías Nada
UPersonas2$cuenta_con<-rep(0,nrow(UPersonas2))
UPersonas2$segsoc_salud<-as.numeric(unlist(UPersonas2$segsoc_salud))
UPersonas2$seg_medico<-as.numeric(unlist(UPersonas2$seg_medico))
UPersonas2$afiliacion_fp<-as.numeric(unlist(UPersonas2$afiliacion_fp))
UPersonas2$vacaciones<-as.numeric(unlist(UPersonas2$vacaciones))
UPersonas2$prima_navidad<-as.numeric(unlist(UPersonas2$prima_navidad))
UPersonas2$cesantias<-as.numeric(unlist(UPersonas2$cesantias))
UPersonas2$cuenta_con[UPersonas2$segsoc_salud %in% c(1) &
UPersonas2$seg_medico %in% c(1) &
UPersonas2$afiliacion_fp %in% c(1)&
UPersonas2$vacaciones %in% c(1) &
UPersonas2$prima_navidad %in% c(1) &
UPersonas2$cesantias %in% c(1)]<-'Total'
UPersonas2$cuenta_con[(UPersonas2$segsoc_salud %in% c(1) &
UPersonas2$seg_medico %in% c(1) &
UPersonas2$afiliacion_fp %in% c(1)&
UPersonas2$vacaciones %in% c(1) &
UPersonas2$prima_navidad %in% c(2) &
UPersonas2$cesantias %in% c(2)) |
(UPersonas2$segsoc_salud %in% c(1) &
UPersonas2$seg_medico %in% c(2) &
UPersonas2$afiliacion_fp %in% c(1)&
UPersonas2$vacaciones %in% c(2) &
UPersonas2$prima_navidad %in% c(2) &
UPersonas2$cesantias %in% c(1)) ]<-'Nada_basico'
UPersonas2$cuenta_con[UPersonas2$segsoc_salud %in% c(2) &
UPersonas2$seg_medico %in% c(2) &
UPersonas2$afiliacion_fp %in% c(2)&
UPersonas2$vacaciones %in% c(2) &
UPersonas2$prima_navidad %in% c(2) &
UPersonas2$cesantias %in% c(2)]<-'Nada_basico'
UPersonas2$cuenta_con[UPersonas2$cuenta_con %in% c(0)]<-'OtrosNA'
tabla_cuenta_con<-table(UPersonas2$cuenta_con)
tabla_cuenta_con##
## Nada_basico OtrosNA Total
## 3258 15666 374plot(tabla_cuenta_con,col=c(2:7),xlab="categorias",
ylab="cantidad de personas",ylim=c(0,12000))
508 - ¿En ese trabajo ___________es…?
Se encuentra codificada como ocupacion
Las categorías con las que cuenta son las siguientes:
1 Asalariado de empresa particular
2 Asalariado del gobierno
3 Jornalero o peón
4 Empleado doméstico
5 Trabajador por cuenta propia
6 Patrón o empleador
7 Trabajador de su propia finca (propia, en arriendo o aparcería, etc. Independientemente de la forma de tenencia)
8 Trabajador familiar sin remuneración
9 Otro
10 Trabajador por días
Veamos cuántas persnonas hay en cada categoría:
table(UPersonas2$ocupacion,useNA = "always")##
## 1 2 3 4 5 6 7 8 9 10 <NA>
## 3676 474 261 329 3522 111 60 207 11 22 10625Conforme a lo mostrado, se agruparán las categorías 1,2,3,4 en una sola categoría llamada ASALAR_ocup. La categoría 1 correspondiente a Asalariado de empresa particular se codicará como AEP. 5,6,7,8 como TRIND_ocup. 8,9,10 y NA como OTROS_NA_ocup. Las no respuesta como N/R_ocup.
UPersonas2$ocupacion <- as.numeric(UPersonas2$ocupacion)
UPersonas2$ocupacion[UPersonas2$ocupacion %in% c(1,2,3,4)] <- "ASALAR" # AsalariadoS
UPersonas2$ocupacion[UPersonas2$ocupacion %in% c(5,6,7)] <- "TRIND" # INDEPENDIENTES
UPersonas2$ocupacion[UPersonas2$ocupacion %in% c(8,9,10)] <- "OTROS_NA" # OTROS
UPersonas2$ocupacion[is.na(UPersonas2$ocupacion) & (UPersonas2$poc == 1)] <- "N/R_ocup" # No respuesta
UPersonas2$ocupacion[is.na(UPersonas2$ocupacion)] <- "OTROS_NA"
tabla_ocupacion<-table(UPersonas2$ocupacion,useNA = "always")
tabla_ocupacion##
## ASALAR OTROS_NA TRIND <NA>
## 4740 10865 3693 0plot(table(UPersonas2$ocupacion),col=c(2:7),xlab="categorias",
ylab="cantidad de personas",ylim=c(0,3000))
509 - ______, señale la casilla (del 1 al 12) en la que se encuentra el ingreso generado por TODAS sus actividades del MES PASADO
Esta variable se encuentra codificada como rango_ingreso
Las categorías con las que cuenta son las siguientes:
1 Entre $0 y $100.000
2 Entre $100.001 y $250.000
3 Entre $250.001 y $400.000
4 Entre $400.001 y $500.000
5 Entre $500.001 y $650.000
6 Entre $650.001 y $ 800.000
7 Entre $800.001 y $ 900.000
8 Entre $900.001 y $1.000.000
9 Entre $1.000.001 y $1.500.000
10 Entre $1.500.001 y $2.000.000
11 Entre $2.000.001 y $4.000.000
12 Entre $4.000.001 y $6.000.000
13 Más de 6.000.000
Veamos la cantidad de personas por categoría
table(UPersonas2$rango_ingreso,useNA = "always")##
## 1 2 3 4 5 6 7 8 9 10 11 12 13
## 364 454 541 332 420 1058 358 350 670 349 291 62 29
## <NA>
## 14020Conforme a ello podemos agrupar las categorías de la siguiente manera:
Categorías 1,2,3,4,5 en la categoría -Min dado que en el 2016 en Colombia el salario mínimo estaba en 689,455 COP.
Categoría 6 Min
Categorías 7,8,9 en la categoría +Min-3Min que corresponde a personan que ganan más del mínimos pero menos de 3 Mínimos.
Categorias 10,11,12,13 en la categoría +3Min que corresponde a personas que ganan más de tres mínimos.
UPersonas2$rango_ingreso<-as.numeric(unlist(UPersonas2$rango_ingreso))
UPersonas2$rango_ingreso[UPersonas2$rango_ingreso %in% c(1:5)]<-'-Min'
UPersonas2$rango_ingreso[UPersonas2$rango_ingreso %in% c(6)]<-'Min'
UPersonas2$rango_ingreso[UPersonas2$rango_ingreso %in% c(7:9)]<-'-3Min'
UPersonas2$rango_ingreso[UPersonas2$rango_ingreso %in% c(10:13)]<-'+3Min'
UPersonas2$rango_ingreso[is.na(UPersonas2$rango_ingreso)]<-"NA_salario"
tabla_rango_ingreso<-table(UPersonas2$rango_ingreso,useNA = "always")
plot(table(UPersonas2$rango_ingreso),col=c(2:7),xlab="categorias",
ylab="cantidad de personas",ylim=c(0,3000))
**522 - ¿Cuántos empleados, incluido(a)_tiene la empresa dónde trabaja?**
Esta variable se encuentra codificada como n_empleados
Cuenta con las siguientes categorías:
1 Trabaja solo
2 De 2 a 5 personas
3 De 6 a 10 personas
4 De 11 a 19 personas
5 De 20 a 49 personas
6 50 personas y más
Veamos la cantidad de personas por categoría:
table(UPersonas2$n_empleados,useNA = "always")##
## 1 2 3 4 5 6 <NA>
## 1967 1169 335 215 322 1186 14104De acuerdo a este resultados, agruaremos las categorías 3,4 y 5 en una sola. Por lo que la codificación y la definición de las categorías queda de la siguiente manera:
1 Trabaja solo como TS. 2 De 2 a 5 personas como 2A5. Las categorías 3,4,5 como 6A49. La categoría 6 como 50+.
Veamos entonces cómo queda:
UPersonas2$n_empleados<-as.numeric(unlist(UPersonas2$n_empleados))
UPersonas2$n_empleados[UPersonas2$n_empleados %in% c(1)]<-'solo'
UPersonas2$n_empleados[UPersonas2$n_empleados %in% c(2)]<-'2A5'
UPersonas2$n_empleados[UPersonas2$n_empleados %in% c(3:5)]<-'6A49'
UPersonas2$n_empleados[UPersonas2$n_empleados %in% c(6)]<-'50+'
UPersonas2$n_empleados[is.na(UPersonas2$n_empleados)]<-"NA_emp"
tabla_n_empleados<-table(UPersonas2$n_empleados,useNA = "always")
tabla_n_empleados##
## 2A5 50+ 6A49 NA_emp solo <NA>
## 1169 1186 872 14104 1967 0plot(table(UPersonas2$n_empleados),col=c(2:7),xlab="categorias",
ylab="cantidad de personas",ylim=c(0,3000))
523 - ¿Cuántas horas a la semana trabaja normalmente_____ en su trabajo o empleo de 2 a 5 personas PRINCIPAL?
Esta variable se encuentra codificada como horas_normal
No hay categorías fijadas para esta variable. Veamos entonces una resumen de dicha variable:
summary(UPersonas2$horas_normal)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 1.00 35.00 48.00 45.18 56.00 108.00 13924table(UPersonas2$horas_normal,useNA = "always")##
## 1 2 3 4 5 6 7 8 9 10 11 12 13
## 17 46 32 43 30 53 17 60 20 80 9 65 2
## 14 15 16 17 18 19 20 21 22 23 24 25 26
## 39 59 36 4 49 4 108 45 11 1 129 55 3
## 27 28 30 32 33 34 35 36 37 38 39 40 41
## 12 49 218 28 5 3 75 111 1 4 7 354 1
## 42 43 44 45 46 47 48 49 50 51 52 53 54
## 95 12 40 113 25 8 1354 29 220 14 28 11 126
## 55 56 57 58 59 60 61 62 63 64 65 66 67
## 51 132 11 12 2 391 3 5 38 23 11 44 3
## 68 69 70 71 72 73 74 75 76 77 78 79 80
## 11 2 159 2 151 1 5 5 7 19 18 2 39
## 81 82 84 85 86 87 90 91 92 94 96 98 100
## 1 11 124 2 1 1 28 11 2 3 12 16 12
## 102 105 107 108 <NA>
## 3 25 1 14 13924De esta manera podemos definir las siguientes categorías:
Personas que dedican semanalmente de 1 a 27 horas semanales como 1A27
Personas que dedican semanalmente de 28 a 54 horas semanales como 28A54
Personas que dedican semanalmente de 55 a 108 horas semanales como 55A108
UPersonas2$horas_normal<-as.numeric(unlist(UPersonas2$horas_normal))
UPersonas2$horas_normal[UPersonas2$horas_normal %in% c(1:27)]<-'1A27'
UPersonas2$horas_normal[UPersonas2$horas_normal %in% c(28:54)]<-'28A54'
UPersonas2$horas_normal[UPersonas2$horas_normal %in% c(55:108)]<-'55A108'
UPersonas2$horas_normal[is.na(UPersonas2$horas_normal)]<-"NA_hrsLab"
tabla_horas_normal<-table(UPersonas2$horas_normal,useNA = "always")
tabla_horas_normal##
## 1A27 28A54 55A108 NA_hrsLab <NA>
## 1029 2931 1414 13924 0plot(table(UPersonas2$horas_normal),col=c(2:7),xlab="categorias",
ylab="cantidad de personas",ylim=c(0,3000))
La matriz de datos de las variables activas queda definida de la siguiente manera:
activas<-cbind(UPersonas2$parentesco,
UPersonas2$edad,
UPersonas2$sexo,
UPersonas2$cotizando,
UPersonas2$discp,
UPersonas2$es_ptrabajo,
UPersonas2$descripcion_ciiu,
UPersonas2$medio_consiguio,
UPersonas2$tipo_contrato,
UPersonas2$cuenta_con,
UPersonas2$ocupacion,
UPersonas2$rango_ingreso,
UPersonas2$n_empleados,
UPersonas2$horas_normal)
colnames(activas)<-c('parentesco','edad','sexo','cotizando','discp',
'es_ptrabajo','descripcion_ciiu','medio_consiguio',
'tipo_contrato','cuenta_con','ocupacion',
'rango_ingreso','n_empleados','horas_normal')
head(activas)## parentesco edad sexo cotizando discp es_ptrabajo descripcion_ciiu
## [1,] "Jf" "31-60" "M" "No" "No" "No" "G3"
## [2,] "Otro" "31-60" "M" "NA_Cot" "No" "NA_pt" "NA_G"
## [3,] "Otro" "61:96" "H" "NA_Cot" "No" "NA_pt" "NA_G"
## [4,] "Otro" "18-30" "H" "NA_Cot" "No" "NA_pt" "NA_G"
## [5,] "Jf" "31-60" "M" "No" "No" "NA_pt" "NA_G"
## [6,] "Otro" "18-30" "H" "NA_Cot" "No" "NA_pt" "NA_G"
## medio_consiguio tipo_contrato cuenta_con ocupacion rango_ingreso
## [1,] "fac" "NC" "Nada_basico" "TRIND" "-Min"
## [2,] "NA_medio" "NA_contrato" "OtrosNA" "OTROS_NA" "NA_salario"
## [3,] "NA_medio" "NA_contrato" "OtrosNA" "OTROS_NA" "NA_salario"
## [4,] "NA_medio" "NA_contrato" "OtrosNA" "OTROS_NA" "NA_salario"
## [5,] "NA_medio" "NA_contrato" "OtrosNA" "OTROS_NA" "NA_salario"
## [6,] "NA_medio" "NA_contrato" "OtrosNA" "ASALAR" "NA_salario"
## n_empleados horas_normal
## [1,] "solo" "28A54"
## [2,] "NA_emp" "NA_hrsLab"
## [3,] "NA_emp" "NA_hrsLab"
## [4,] "NA_emp" "NA_hrsLab"
## [5,] "NA_emp" "NA_hrsLab"
## [6,] "NA_emp" "NA_hrsLab"La matriz de datos de las variables activas queda definida de la siguiente manera:
ilustrativas<-cbind(UPersonas2$hijos,
UPersonas2$embarazada,UPersonas2$estudia,
UPersonas2$t_dejoestudio)
ilustrativas<-as.data.frame(ilustrativas)
colnames(ilustrativas)<-c('hijos','embarazada',
'estudia','t_dejoestudio')
head(ilustrativas)## hijos embarazada estudia t_dejoestudio
## 1 NA_HJ Si_NA No -3
## 2 NA_HJ No NA_est NA_dest
## 3 NA_HJ Si_NA NA_est NA_dest
## 4 NA_HJ Si_NA NA_est NA_dest
## 5 NA_HJ Si_NA No +3_N
## 6 NA_HJ Si_NA No +3_NACM
Librerías que se necesitan
library(FactoClass)## Warning: package 'FactoClass' was built under R version 4.2.1## Loading required package: ade4## Warning: package 'ade4' was built under R version 4.2.1## Loading required package: ggplot2## Warning: package 'ggplot2' was built under R version 4.2.3## Loading required package: ggrepel## Warning: package 'ggrepel' was built under R version 4.2.1## Loading required package: scatterplot3d## Warning: package 'scatterplot3d' was built under R version 4.2.1library(readxl)## Warning: package 'readxl' was built under R version 4.2.3Variables activas
resultado <- na.omit(activas)
str(resultado)## chr [1:19298, 1:14] "Jf" "Otro" "Otro" "Otro" "Jf" "Otro" "Otro" "Otro" ...
## - attr(*, "dimnames")=List of 2
## ..$ : NULL
## ..$ : chr [1:14] "parentesco" "edad" "sexo" "cotizando" ...saveRDS(resultado, file="SubtemaTrabajo-discapacidad.RDS")
resultado2 <- na.omit(ilustrativas)
saveRDS(resultado2, file="SubtemaTrabajo-discapacidad2.RDS")
# cargando la nueva tabla de datos
Variables_Activas <- readRDS("C:/Users/Lenovo/Documents/SubtemaTrabajo-discapacidad.RDS")Variables suplementarias
Variables_suplem<-readRDS("C:/Users/Lenovo/Documents/SubtemaTrabajo-discapacidad2.RDS")Tabla disyuntiva completa
Y1<-Variables_Activas
Y1$parentesco<-as.factor(Y1$parentesco)
Y1$edad<-as.factor(Y1$edad)
Y1$sexo<-as.factor(Y1$sexo)
Y1$cotizando <-as.factor(Y1$cotizando)
Y1$discp <-as.factor(Y1$discp)
Y1$es_ptrabajo <-as.factor(Y1$es_ptrabajo)
Y1$grupo_act <-as.factor(Y1$grupo_act)
Y1$medio_consiguio <-as.factor(Y1$medio_consiguio)
Y1$tipo_contrato <-as.factor(Y1$tipo_contrato)
Y1$cuenta_con <-as.factor(Y1$cuenta_con)
Y1$ocupacion <-as.factor(Y1$ocupacion)
Y1$rango_ingreso <-as.factor(Y1$rango_ingreso)
Y1$n_empleados <-as.factor(Y1$n_empleados)
Y1$horas_normal <-as.factor(Y1$horas_normal)
str(Y1)## 'data.frame': 19298 obs. of 14 variables:
## $ parentesco : Factor w/ 3 levels "Cony","Jf","Otro": 2 3 3 3 2 3 3 3 3 3 ...
## $ edad : Factor w/ 5 levels "0-10","11-17",..: 4 4 5 3 4 3 3 3 1 4 ...
## $ sexo : Factor w/ 2 levels "H","M": 2 2 1 1 2 1 2 2 1 1 ...
## $ cotizando : Factor w/ 3 levels "NA_Cot","No",..: 2 1 1 1 2 1 1 3 1 3 ...
## $ discp : Factor w/ 2 levels "No","Si": 1 1 1 1 1 1 1 1 1 1 ...
## $ es_ptrabajo : Factor w/ 3 levels "NA_pt","No","Si": 2 1 1 1 1 1 1 2 1 2 ...
## $ grupo_act : Factor w/ 5 levels "G1","G2","G3",..: 3 5 5 5 5 5 5 4 5 3 ...
## $ medio_consiguio: Factor w/ 4 levels "fac","NA_medio",..: 1 2 2 2 2 2 2 4 2 4 ...
## $ tipo_contrato : Factor w/ 5 levels "CEF","CEI","CV_NP",..: 5 4 4 4 4 4 4 1 4 2 ...
## $ cuenta_con : Factor w/ 3 levels "N_B","OtrosNA",..: 1 2 2 2 2 2 2 2 2 2 ...
## $ ocupacion : Factor w/ 3 levels "ASALAR","OTROS_NA",..: 3 2 2 2 2 1 1 1 2 1 ...
## $ rango_ingreso : Factor w/ 5 levels "-3Min","-Min",..: 2 5 5 5 5 5 5 1 5 4 ...
## $ n_empleados : Factor w/ 5 levels "2A5","50+","6A49",..: 5 4 4 4 4 4 4 2 4 2 ...
## $ horas_normal : Factor w/ 4 levels "1A27","28A54",..: 2 4 4 4 4 4 4 2 4 2 ...Ys<-Variables_suplem
str(Ys)## 'data.frame': 19298 obs. of 4 variables:
## $ hijos : chr "NA_HJ" "NA_HJ" "NA_HJ" "NA_HJ" ...
## $ embarazada : chr "Si_NA" "No" "Si_NA" "Si_NA" ...
## $ estudia : chr "No" "NA_est" "NA_est" "NA_est" ...
## $ t_dejoestudio: chr "-3" "NA_dest" "NA_dest" "NA_dest" ...Ys$hijos<-as.factor(Ys$hijos)
Ys$embarazada<-as.factor(Ys$embarazada)
Ys$estudia<-as.factor(Ys$estudia)
Ys$t_dejoestudio<-as.factor(Ys$t_dejoestudio)
str(Ys)## 'data.frame': 19298 obs. of 4 variables:
## $ hijos : Factor w/ 4 levels "+2HJ","1HJ","2HJ",..: 4 4 4 4 4 4 4 3 4 4 ...
## $ embarazada : Factor w/ 2 levels "No","Si_NA": 2 1 2 2 2 2 1 1 2 2 ...
## $ estudia : Factor w/ 3 levels "NA_est","No",..: 2 1 1 1 2 2 3 2 3 2 ...
## $ t_dejoestudio: Factor w/ 3 levels "-3","+3_N","NA_dest": 1 3 3 3 2 2 3 2 3 1 ...Z1<-acm.disjonctif(Y1)Tabla de Burt
B1<-acm.burt(Y1,Y1)Centro de gravedad
g1<-colSums(Z1)/nrow(Z1)/ncol(Y1)
g1## parentesco.Cony parentesco.Jf parentesco.Otro
## 0.011374236 0.017988541 0.042065795
## edad.0-10 edad.11-17 edad.18-30
## 0.012699317 0.010478510 0.013813423
## edad.31-60 edad.61:96 sexo.H
## 0.027175281 0.007262040 0.033434257
## sexo.M cotizando.NA_Cot cotizando.No
## 0.037994315 0.044205173 0.019420961
## cotizando.Si discp.No discp.Si
## 0.007802437 0.069204063 0.002224509
## es_ptrabajo.NA_pt es_ptrabajo.No es_ptrabajo.Si
## 0.051892868 0.015527146 0.004008558
## grupo_act.G1 grupo_act.G2 grupo_act.G3
## 0.006262677 0.003860504 0.005718579
## grupo_act.G4 grupo_act.NA_G medio_consiguio.fac
## 0.003693943 0.051892868 0.011529692
## medio_consiguio.NA_medio medio_consiguio.nm medio_consiguio.Otros
## 0.051892868 0.004289860 0.003716151
## tipo_contrato.CEF tipo_contrato.CEI tipo_contrato.CV_NP
## 0.002357757 0.004515642 0.002268925
## tipo_contrato.NA_cont tipo_contrato.NC cuenta_con.N_B
## 0.051892868 0.010393379 0.012058985
## cuenta_con.OtrosNA cuenta_con.Total ocupacion.ASALAR
## 0.057985283 0.001384303 0.017544379
## ocupacion.OTROS_NA ocupacion.TRIND rango_ingreso.-3Min
## 0.040215122 0.013669070 0.005100455
## rango_ingreso.-Min rango_ingreso.+3Min rango_ingreso.Min
## 0.007813541 0.002705684 0.003916024
## rango_ingreso.NA_salario n_empleados.2A5 n_empleados.50+
## 0.051892868 0.004326873 0.004389796
## n_empleados.6A49 n_empleados.NA_emp n_empleados.solo
## 0.003227574 0.052203781 0.007280547
## horas_normal.1A27 horas_normal.28A54 horas_normal.55A108
## 0.003808685 0.010848645 0.005233703
## horas_normal.NA_hrsLab
## 0.051537539Matriz de distancias
SUMA1<-NULL
for (i in 1:ncol(Z1)){
suma1<-sum(Z1[,i])
SUMA1[i]<-suma1
}Primera matriz
DISTANCIA ENTRE INDIVIDUOS
Dp1 <-diag(SUMA1)
n1 <-nrow(Z1)
s1 <-ncol(Y1)
X1 <-sqrt( n1/s1 )*as.matrix(Z1)%*%solve(sqrt(Dp1))
selin<-seq(25 ,445 ,25)visual
Dis1 <-dist(X1[ selin,]); round(as.dist(Dis1),1)## 25 50 75 100 125 150 175 200 225 250 275 300 325 350 375 400
## 50 3.1
## 75 1.3 2.9
## 100 0.6 3.1 1.2
## 125 1.2 3.2 1.3 1.1
## 150 1.1 3.1 1.2 0.9 0.5
## 175 3.9 4.3 3.9 4.0 4.0 4.0
## 200 1.1 3.1 1.2 0.9 0.5 0.0 4.0
## 225 1.0 3.0 0.9 0.7 1.0 0.8 3.9 0.8
## 250 1.4 2.9 0.5 1.3 1.2 1.3 3.9 1.3 1.0
## 275 3.5 4.3 3.5 3.6 3.6 3.6 3.6 3.6 3.5 3.5
## 300 1.1 3.1 1.2 0.9 1.1 0.9 4.0 0.9 0.8 1.3 3.6
## 325 1.1 3.1 1.2 0.9 1.1 0.9 4.0 0.9 0.8 1.3 3.6 0.0
## 350 1.3 3.1 1.3 1.1 1.3 1.4 4.1 1.4 1.3 1.1 3.5 1.4 1.4
## 375 1.1 3.1 1.2 0.9 1.1 0.9 4.0 0.9 0.8 1.3 3.6 0.0 0.0 1.4
## 400 1.1 3.1 1.2 0.9 1.1 0.9 4.0 0.9 0.8 1.3 3.6 0.0 0.0 1.4 0.0
## 425 2.9 3.2 2.9 3.0 2.9 3.0 4.0 3.0 2.9 2.9 3.7 3.0 3.0 2.8 3.0 3.0ACM
acm1 <- dudi.acm (Y1 , scannf = FALSE , nf =3)
barplot(acm1$eig , las =3,main='Histograma de valores propios',cex.axis=0.6)
eiglst1<-data.frame(vp=acm1$eig,porce=acm1$eig*100/sum(acm1$eig ))Criterio de Benzecri
s1 <- ncol(Y1); 1 / s1## [1] 0.07142857# --> se calcula tau para los primeros 11 ejes
eig1 <- acm1$eig[1:11]
tau1 <-( s1 / (s1 -1))^2 *( eig1 -(1 /s1 ))^2
ptau1 <- tau1/sum(tau1)*100
barplot(ptau1,main='Histograma del criterio de Benzécri') #Histograma criterio de benzecri
plot(acm1,1,2,Trow=FALSE,gg=TRUE,cframe=1.1,cex.global=0.8,col.col='black')## Warning: ggrepel: 17 unlabeled data points (too many overlaps). Consider
## increasing max.overlaps
plot(acm1,2,3,Trow=FALSE,gg=TRUE,cframe=1.1,cex.global=0.8,col.col='black',
main='Plano 2-3')## Warning: ggrepel: 21 unlabeled data points (too many overlaps). Consider
## increasing max.overlaps
Variables suplementarias
sc1<-supqual(acm1,Ys)
plotfp(as.data.frame(sc1$coor),col="black",cframe=1,gg=TRUE)
relacion de correlacion
plotfp(acm1$cr,gg=TRUE)
tablas
eigtab1<-data.frame(valp=acm1$eig,porc=acm1$eig/sum(acm1$eig)*100,pacu=cumsum(acm1$eig)/sum(acm1$eig)*100)PRIMER PLANO FACTORIAL
plot(acm1,1,2,Tcol=FALSE,roweti='',cframe=1,cex.row=0.05,cex.global=1,gg=TRUE
,col.col='black',main='Plano 1-2')## Warning: Removed 1 rows containing missing values (`geom_text_repel()`).
plot(acm1,2,3,Tcol=FALSE,roweti='',cframe=1,cex.row=0.05,cex.global=1,gg=TRUE
,col.col='black',main='Plano 2-3')## Warning: Removed 1 rows containing missing values (`geom_text_repel()`).
SEGUNDO PLANO FACTORIAL
plot(acm1,2,3,Tcol=FALSE,roweti='',cframe=1,cex.row=0.05,cex.global=1,gg=TRUE
,col.col='black',main='Plano 2-3')## Warning: Removed 1 rows containing missing values (`geom_text_repel()`).
AYUDAS PARA LA INTERPRETACION
xtable(acm1$li[selin,],digits=rep(2,4)) # coordenadas## % latex table generated in R 4.2.0 by xtable 1.8-4 package
## % Sat Jul 22 18:53:14 2023
## \begin{table}[ht]
## \centering
## \begin{tabular}{rrrr}
## \hline
## & Axis1 & Axis2 & Axis3 \\
## \hline
## 25 & -0.48 & -0.16 & -0.22 \\
## 50 & 1.44 & 0.29 & -0.50 \\
## 75 & -0.20 & 0.08 & -0.04 \\
## 100 & -0.59 & -0.03 & -0.22 \\
## 125 & -0.62 & 0.02 & 0.04 \\
## 150 & -0.62 & -0.01 & -0.26 \\
## 175 & 1.44 & -2.02 & -0.00 \\
## 200 & -0.62 & -0.01 & -0.26 \\
## 225 & -0.49 & -0.02 & -0.14 \\
## 250 & -0.21 & 0.11 & 0.27 \\
## 275 & 1.21 & -1.34 & 1.01 \\
## 300 & -0.62 & -0.01 & -0.26 \\
## 325 & -0.62 & -0.01 & -0.26 \\
## 350 & -0.35 & 0.14 & 0.62 \\
## 375 & -0.62 & -0.01 & -0.26 \\
## 400 & -0.62 & -0.01 & -0.26 \\
## 425 & 1.22 & -1.30 & 0.43 \\
## \hline
## \end{tabular}
## \end{table}# Contribuciones
ineracm1 <- inertia.dudi(acm1,T,T); # ayudas
data.frame(contr=ineracm1$row.abs[selin,] ,
cos2=abs(ineracm1$row.rel[selin ,]),
Ciner=ineracm1$row.contrib[selin ])## contr.Axis1 contr.Axis2 contr.Axis3 cos2.Axis1 cos2.Axis2 cos2.Axis3
## 25 0.0016875349 4.712911e-04 2.329554e-03 25.215795 2.96103700 5.474828e+00
## 50 0.0153331423 1.519390e-03 1.206292e-02 28.461518 1.18585289 3.521740e+00
## 75 0.0003088628 1.233937e-04 6.333016e-05 4.807090 0.80750319 1.550262e-01
## 100 0.0025518517 1.681533e-05 2.230653e-03 46.629163 0.12919394 6.410799e+00
## 125 0.0028966100 4.062772e-06 6.521360e-05 46.636926 0.02750407 1.651414e-01
## 150 0.0028464745 2.531216e-06 3.319411e-03 44.845833 0.01676790 8.225337e+00
## 175 0.0154044015 7.249656e-02 1.655630e-07 15.370209 30.41494347 2.598221e-05
## 200 0.0028464745 2.531216e-06 3.319411e-03 44.845833 0.01676790 8.225337e+00
## 225 0.0017690455 1.030892e-05 9.222029e-04 42.922676 0.10517088 3.519266e+00
## 250 0.0003255244 2.165278e-04 3.332961e-03 5.176185 1.44768633 8.335550e+00
## 275 0.0109169881 3.188618e-02 4.831826e-02 14.079343 17.29086246 9.800962e+00
## 300 0.0028605768 3.663240e-06 3.293346e-03 50.064921 0.02695752 9.065572e+00
## 325 0.0028605768 3.663240e-06 3.293346e-03 50.064921 0.02695752 9.065572e+00
## 350 0.0009156852 3.537364e-04 1.823781e-02 10.326666 1.67736791 3.234927e+01
## 375 0.0028605768 3.663240e-06 3.293346e-03 50.064921 0.02695752 9.065572e+00
## 400 0.0028605768 3.663240e-06 3.293346e-03 50.064921 0.02695752 9.065572e+00
## 425 0.0109923759 3.008652e-02 8.737791e-03 23.440397 26.97614921 2.930576e+00
## Ciner
## 25 0.001717252
## 50 0.013823791
## 75 0.001648684
## 100 0.001404274
## 125 0.001593728
## 150 0.001628693
## 175 0.025716928
## 200 0.001628693
## 225 0.001057563
## 250 0.001613719
## 275 0.019896399
## 300 0.001466136
## 325 0.001466136
## 350 0.002275307
## 375 0.001466136
## 400 0.001466136
## 425 0.012033186Pesos y coordenadas
wei1<-cbind(acm1$cw,acm1$co)
wei1## acm1$cw Comp1 Comp2 Comp3
## parentesco.Cony 0.011374236 0.60717951 0.2024116277 1.585276807
## parentesco.Jf 0.017988541 1.11678182 -0.0813870774 -0.421132121
## parentesco.Otro 0.042065795 -0.64174415 -0.0199269455 -0.248557283
## edad.0-10 0.012699317 -0.74716234 -0.0001487627 -0.338984914
## edad.11-17 0.010478510 -0.72928249 0.0182464003 -0.343813446
## edad.18-30 0.013813423 -0.34506475 -0.1246907306 -0.122575921
## edad.31-60 0.027175281 0.80031683 -0.0740069202 0.236660785
## edad.61:96 0.007262040 0.02037113 0.4880527322 0.436433720
## sexo.H 0.033434257 0.03370564 -0.1092633354 -0.744417216
## sexo.M 0.037994315 -0.02966031 0.0961496063 0.655072646
## cotizando.NA_Cot 0.044205173 -0.65577831 -0.0170973017 -0.205884056
## cotizando.No 0.019420961 0.90237366 0.8598962888 0.444120064
## cotizando.Si 0.007802437 1.46926271 -2.0434927673 0.060993978
## discp.No 0.069204063 0.01157623 -0.0064006330 -0.010145887
## discp.Si 0.002224509 -0.36013438 0.1991225215 0.315636679
## es_ptrabajo.NA_pt 0.051892868 -0.60608976 0.0216835540 0.023885842
## es_ptrabajo.No 0.015527146 1.60815964 -0.1015465142 -0.130482646
## es_ptrabajo.Si 0.004008558 1.61694252 0.1126354569 0.196209780
## grupo_act.G1 0.006262677 1.61289694 -0.2207497131 -0.285885122
## grupo_act.G2 0.003860504 1.62757119 0.7540078637 -0.542549984
## grupo_act.G3 0.005718579 1.60631174 -0.2415869440 -0.056979152
## grupo_act.G4 0.003693943 1.59223291 -0.3443620100 0.804359260
## grupo_act.NA_G 0.051892868 -0.60608976 0.0216835540 0.023885842
## medio_consiguio.fac 0.011529692 1.61113176 -0.0376140126 0.003837529
## medio_consiguio.NA_medio 0.051892868 -0.60608976 0.0216835540 0.023885842
## medio_consiguio.nm 0.004289860 1.65541418 1.5209355744 -0.623262961
## medio_consiguio.Otros 0.003716151 1.55386252 -1.9418327776 0.374032233
## tipo_contrato.CEF 0.002357757 1.52978594 -2.2801477844 0.375389436
## tipo_contrato.CEI 0.004515642 1.53179941 -2.4254405905 0.105150937
## tipo_contrato.CV_NP 0.002268925 1.58192843 0.6930069302 0.534284805
## tipo_contrato.NA_cont 0.051892868 -0.60608976 0.0216835540 0.023885842
## tipo_contrato.NC 0.010393379 1.66822913 1.3114939401 -0.366739069
## cuenta_con.N_B 0.012058985 1.66867289 1.2183722321 -0.153786311
## cuenta_con.OtrosNA 0.057985283 -0.38741749 -0.1782029900 0.028175624
## cuenta_con.Total 0.001384303 1.69183476 -3.1490071968 0.159455804
## ocupacion.ASALAR 0.017544379 0.65279258 -0.9374075256 0.097159275
## ocupacion.OTROS_NA 0.040215122 -0.62538949 0.0654819363 0.119223447
## ocupacion.TRIND 0.013669070 1.00206335 1.0105200199 -0.475466482
## rango_ingreso.-3Min 0.005100455 1.59203150 -0.9954448132 -0.754417711
## rango_ingreso.-Min 0.007813541 1.64221381 1.4349083803 0.442442954
## rango_ingreso.+3Min 0.002705684 1.59392748 -1.4676089955 -0.218151632
## rango_ingreso.Min 0.003916024 1.58004225 -0.8398392151 -0.065992565
## rango_ingreso.NA_salario 0.051892868 -0.60608976 0.0216835540 0.023885842
## n_empleados.2A5 0.004326873 1.64050274 0.6882783666 -0.618283576
## n_empleados.50+ 0.004389796 1.53738558 -2.5128405391 0.135951433
## n_empleados.6A49 0.003227574 1.56517086 -1.3120991000 0.310631893
## n_empleados.NA_emp 0.052203781 -0.59505866 0.0289201718 0.033222520
## n_empleados.solo 0.007280547 1.67096661 1.4803720293 -0.090445519
## horas_normal.1A27 0.003808685 1.45768155 1.5111499180 0.918120052
## horas_normal.28A54 0.010848645 1.59080539 -0.6236091457 0.035210566
## horas_normal.55A108 0.005233703 1.61885785 0.0037663400 -0.990471871
## horas_normal.NA_hrsLab 0.051537539 -0.60698577 0.0192114002 0.025321712NUBE DE CATEGORIAS
Xcat <-sqrt(n1)*solve(Dp1)%*%t(Z1) # coord eucli canonicas
rownames(Xcat)<-substr(colnames( Z1),6,nchar(colnames( Z1 )))
Discat <-dist(Xcat) # distancias
as.dist(round(Discat,1))## tesco.Cony tesco.Jf tesco.Otro 0-10 11-17 18-30 31-60 61:96
## tesco.Jf 3.2
## tesco.Otro 2.8 2.4
## 0-10 3.5 3.1 2.0
## 11-17 3.6 3.3 2.3 3.5
## 18-30 3.2 2.9 2.0 3.3 3.5
## 31-60 2.2 1.7 1.9 2.9 3.1 2.8
## 61:96 3.7 3.2 3.2 3.9 4.1 3.9 3.5
## H 2.8 1.9 1.3 2.4 2.6 2.3 1.7 3.2
## M 2.2 2.1 1.3 2.4 2.6 2.3 1.5 3.1
## ando.NA_Cot 2.7 2.3 0.4 2.0 2.3 2.0 1.9 3.2
## ando.No 2.2 1.8 2.3 3.1 3.2 2.8 1.6 3.1
## ando.Si 3.5 2.8 3.3 3.8 4.0 3.7 2.7 4.3
## .No 2.3 1.7 0.9 2.2 2.4 2.0 1.3 3.0
## .Si 6.1 5.8 5.6 6.0 6.1 6.0 5.7 6.1
## rabajo.NA_pt 2.5 2.1 0.6 2.1 2.3 2.0 1.7 3.0
## rabajo.No 2.7 1.8 2.5 3.2 3.4 3.0 1.7 3.6
## rabajo.Si 4.5 4.1 4.4 4.8 5.0 4.7 4.0 5.0
## _act.G1 3.9 3.1 3.6 4.1 4.3 4.0 3.1 4.4
## _act.G2 4.5 4.2 4.5 4.9 5.0 4.8 4.1 5.1
## _act.G3 3.9 3.3 3.8 4.3 4.4 4.1 3.3 4.5
## _act.G4 4.6 4.3 4.6 5.0 5.1 4.9 4.2 5.3
## _act.NA_G 2.5 2.1 0.6 2.1 2.3 2.0 1.7 3.0
## _consiguio.fac 3.0 2.2 2.8 3.4 3.6 3.2 2.1 3.8
## _consiguio.NA_medio 2.5 2.1 0.6 2.1 2.3 2.0 1.7 3.0
## _consiguio.nm 4.3 3.9 4.3 4.7 4.8 4.6 3.9 4.8
## _consiguio.Otros 4.7 4.2 4.6 5.0 5.1 4.8 4.2 5.3
## contrato.CEF 5.7 5.4 5.6 6.0 6.1 5.8 5.3 6.3
## contrato.CEI 4.3 3.8 4.2 4.6 4.8 4.5 3.7 5.0
## contrato.CV_NP 5.8 5.5 5.7 6.1 6.2 6.0 5.5 6.3
## contrato.NA_cont 2.5 2.1 0.6 2.1 2.3 2.0 1.7 3.0
## contrato.NC 3.1 2.3 2.9 3.5 3.7 3.4 2.3 3.8
## a_con.N_B 2.9 2.1 2.7 3.4 3.6 3.2 2.1 3.6
## a_con.OtrosNA 2.4 2.0 0.7 2.1 2.4 2.0 1.5 3.0
## a_con.Total 7.4 7.1 7.3 7.6 7.6 7.5 7.0 7.8
## cion.ASALAR 2.8 2.2 2.1 3.1 3.3 2.4 1.8 3.7
## cion.OTROS_NA 2.6 2.2 0.9 2.0 2.3 2.3 1.9 3.0
## cion.TRIND 2.9 2.3 2.4 3.3 3.4 2.9 2.1 3.6
## _ingreso.-3Min 4.2 3.5 4.0 4.4 4.6 4.3 3.5 4.8
## _ingreso.-Min 3.3 2.9 3.3 3.8 4.0 3.7 2.8 4.0
## _ingreso.+3Min 5.5 4.9 5.3 5.7 5.8 5.6 4.9 5.9
## _ingreso.Min 4.6 4.1 4.4 4.9 5.0 4.7 4.1 5.2
## _ingreso.NA_salario 2.5 2.1 0.6 2.1 2.3 2.0 1.7 3.0
## leados.2A5 4.4 3.9 4.3 4.7 4.8 4.6 3.8 5.0
## leados.50+ 4.4 3.8 4.2 4.7 4.8 4.5 3.8 5.1
## leados.6A49 5.0 4.5 4.9 5.3 5.4 5.1 4.5 5.6
## leados.NA_emp 2.5 2.1 0.6 2.1 2.3 2.0 1.7 3.0
## leados.solo 3.5 2.9 3.4 3.9 4.1 3.8 2.9 4.1
## _normal.1A27 4.5 4.3 4.5 4.9 4.9 4.8 4.2 5.1
## _normal.28A54 3.1 2.3 2.9 3.5 3.7 3.3 2.2 3.9
## _normal.55A108 4.1 3.4 3.9 4.4 4.5 4.2 3.4 4.7
## _normal.NA_hrsLab 2.5 2.1 0.6 2.1 2.4 2.0 1.7 3.0
## H M ando.NA_Cot ando.No ando.Si .No .Si rabajo.NA_pt
## tesco.Jf
## tesco.Otro
## 0-10
## 11-17
## 18-30
## 31-60
## 61:96
## H
## M 2.0
## ando.NA_Cot 1.3 1.3
## ando.No 2.1 1.8 2.3
## ando.Si 3.0 3.1 3.3 3.6
## .No 1.1 1.0 0.8 1.7 2.9
## .Si 5.7 5.7 5.6 5.8 6.4 5.8
## rabajo.NA_pt 1.2 1.1 0.5 2.0 3.2 0.7 5.6
## rabajo.No 2.1 2.2 2.5 2.0 2.6 1.9 6.0 2.4
## rabajo.Si 4.2 4.2 4.4 4.1 4.6 4.1 7.0 4.4
## _act.G1 3.3 3.4 3.6 3.2 3.7 3.2 6.5 3.6
## _act.G2 4.3 4.3 4.5 4.1 4.8 4.2 7.0 4.5
## _act.G3 3.5 3.5 3.8 3.5 3.7 3.4 6.6 3.7
## _act.G4 4.5 4.3 4.6 4.3 4.5 4.3 7.1 4.6
## _act.NA_G 1.2 1.1 0.5 2.0 3.2 0.7 5.6 0.0
## _consiguio.fac 2.5 2.5 2.8 2.3 2.9 2.3 6.1 2.8
## _consiguio.NA_medio 1.2 1.1 0.5 2.0 3.2 0.7 5.6 0.0
## _consiguio.nm 4.1 4.1 4.3 3.7 4.8 4.0 6.9 4.2
## _consiguio.Otros 4.4 4.4 4.6 4.6 3.9 4.3 7.1 4.5
## contrato.CEF 5.5 5.5 5.6 5.8 4.8 5.4 7.9 5.6
## contrato.CEI 3.9 4.0 4.2 4.3 2.9 3.8 6.9 4.1
## contrato.CV_NP 5.6 5.6 5.8 5.3 6.2 5.5 7.9 5.7
## contrato.NA_cont 1.2 1.1 0.5 2.0 3.2 0.7 5.6 0.0
## contrato.NC 2.6 2.6 2.9 2.0 3.8 2.4 6.2 2.9
## a_con.N_B 2.5 2.4 2.7 1.7 3.7 2.2 6.1 2.7
## a_con.OtrosNA 1.2 1.0 0.6 2.0 2.9 0.5 5.6 0.4
## a_con.Total 7.2 7.2 7.3 7.4 6.5 7.1 9.1 7.3
## cion.ASALAR 2.0 2.0 2.1 2.5 2.5 1.8 6.0 2.1
## cion.OTROS_NA 1.5 1.2 0.9 2.0 3.3 0.9 5.6 0.6
## cion.TRIND 2.2 2.3 2.4 2.1 3.6 2.1 6.0 2.4
## _ingreso.-3Min 3.7 3.8 4.0 3.8 3.5 3.6 6.8 3.9
## _ingreso.-Min 3.1 2.9 3.3 2.4 4.1 2.9 6.3 3.2
## _ingreso.+3Min 5.1 5.2 5.3 5.3 4.8 5.0 7.6 5.3
## _ingreso.Min 4.3 4.3 4.5 4.3 4.2 4.2 7.1 4.4
## _ingreso.NA_salario 1.2 1.1 0.5 2.0 3.2 0.7 5.6 0.0
## leados.2A5 4.0 4.1 4.3 3.8 4.7 3.9 6.9 4.2
## leados.50+ 4.0 4.1 4.2 4.4 3.0 3.9 6.9 4.2
## leados.6A49 4.7 4.7 4.9 4.8 4.5 4.6 7.3 4.8
## leados.NA_emp 1.2 1.1 0.5 2.0 3.2 0.6 5.6 0.1
## leados.solo 3.2 3.1 3.4 2.6 4.1 3.0 6.4 3.3
## _normal.1A27 4.4 4.2 4.5 4.1 5.1 4.2 7.0 4.5
## _normal.28A54 2.5 2.6 2.9 2.5 2.7 2.4 6.2 2.8
## _normal.55A108 3.6 3.7 3.9 3.6 4.0 3.6 6.7 3.9
## _normal.NA_hrsLab 1.3 1.1 0.5 2.0 3.2 0.7 5.6 0.1
## rabajo.No rabajo.Si _act.G1 _act.G2 _act.G3 _act.G4
## tesco.Jf
## tesco.Otro
## 0-10
## 11-17
## 18-30
## 31-60
## 61:96
## H
## M
## ando.NA_Cot
## ando.No
## ando.Si
## .No
## .Si
## rabajo.NA_pt
## rabajo.No
## rabajo.Si 4.7
## _act.G1 2.9 4.7
## _act.G2 4.0 5.4 5.5
## _act.G3 3.1 4.8 4.9 5.6
## _act.G4 4.1 5.4 5.5 6.2 5.6
## _act.NA_G 2.4 4.4 3.6 4.5 3.7 4.6
## _consiguio.fac 1.8 4.2 3.1 4.3 3.3 4.4
## _consiguio.NA_medio 2.4 4.4 3.6 4.5 3.7 4.6
## _consiguio.nm 3.8 5.1 4.8 4.9 4.8 5.3
## _consiguio.Otros 4.1 5.4 4.9 5.7 4.9 5.4
## contrato.CEF 5.2 6.5 5.8 6.7 5.8 6.5
## contrato.CEI 3.6 5.1 4.5 5.4 4.5 5.1
## contrato.CV_NP 5.4 6.4 5.6 6.7 6.2 6.7
## contrato.NA_cont 2.4 4.4 3.6 4.5 3.7 4.6
## contrato.NC 2.0 4.2 3.4 4.0 3.5 4.4
## a_con.N_B 1.8 4.0 3.2 4.0 3.4 4.3
## a_con.OtrosNA 2.2 4.3 3.5 4.4 3.6 4.4
## a_con.Total 7.0 7.8 7.4 8.2 7.5 8.0
## cion.ASALAR 2.1 4.3 3.3 4.5 3.5 4.4
## cion.OTROS_NA 2.5 4.4 3.6 4.5 3.8 4.6
## cion.TRIND 2.2 4.2 3.5 4.1 3.6 4.5
## _ingreso.-3Min 3.3 5.0 4.3 5.0 4.3 5.1
## _ingreso.-Min 2.6 4.4 3.6 4.4 3.8 4.7
## _ingreso.+3Min 4.9 6.0 5.6 6.2 5.8 5.7
## _ingreso.Min 3.9 5.5 4.7 5.5 4.7 5.6
## _ingreso.NA_salario 2.4 4.4 3.6 4.5 3.7 4.6
## leados.2A5 3.7 5.2 4.5 5.1 4.9 5.2
## leados.50+ 3.7 5.2 4.4 5.6 4.5 5.3
## leados.6A49 4.4 5.8 5.0 6.0 5.3 5.7
## leados.NA_emp 2.4 4.4 3.6 4.4 3.7 4.5
## leados.solo 2.7 4.5 3.9 4.4 3.7 4.9
## _normal.1A27 4.1 5.4 5.0 5.4 5.0 5.5
## _normal.28A54 2.0 4.1 3.1 4.4 3.5 4.3
## _normal.55A108 3.3 4.9 4.4 4.7 4.3 5.2
## _normal.NA_hrsLab 2.4 4.4 3.6 4.5 3.7 4.6
## _act.NA_G _consiguio.fac _consiguio.NA_medio _consiguio.nm
## tesco.Jf
## tesco.Otro
## 0-10
## 11-17
## 18-30
## 31-60
## 61:96
## H
## M
## ando.NA_Cot
## ando.No
## ando.Si
## .No
## .Si
## rabajo.NA_pt
## rabajo.No
## rabajo.Si
## _act.G1
## _act.G2
## _act.G3
## _act.G4
## _act.NA_G
## _consiguio.fac 2.8
## _consiguio.NA_medio 0.0 2.8
## _consiguio.nm 4.2 4.8 4.2
## _consiguio.Otros 4.5 5.0 4.5 6.0
## contrato.CEF 5.6 5.4 5.6 6.8
## contrato.CEI 4.1 3.9 4.1 5.6
## contrato.CV_NP 5.7 5.3 5.7 6.6
## contrato.NA_cont 0.0 2.8 0.0 4.2
## contrato.NC 2.9 2.4 2.9 3.4
## a_con.N_B 2.7 2.2 2.7 3.5
## a_con.OtrosNA 0.4 2.6 0.4 4.2
## a_con.Total 7.3 7.1 7.3 8.2
## cion.ASALAR 2.1 2.4 2.1 4.5
## cion.OTROS_NA 0.6 2.8 0.6 4.3
## cion.TRIND 2.4 2.6 2.4 3.5
## _ingreso.-3Min 3.9 3.6 3.9 4.9
## _ingreso.-Min 3.2 2.7 3.2 4.0
## _ingreso.+3Min 5.3 5.2 5.3 6.0
## _ingreso.Min 4.4 4.0 4.4 5.5
## _ingreso.NA_salario 0.0 2.8 0.0 4.2
## leados.2A5 4.2 3.9 4.2 4.9
## leados.50+ 4.2 4.0 4.2 5.7
## leados.6A49 4.8 4.5 4.8 6.1
## leados.NA_emp 0.1 2.7 0.1 4.2
## leados.solo 3.3 3.0 3.3 3.8
## _normal.1A27 4.5 4.3 4.5 5.1
## _normal.28A54 2.8 2.3 2.8 4.2
## _normal.55A108 3.9 3.6 3.9 4.7
## _normal.NA_hrsLab 0.1 2.8 0.1 4.2
## _consiguio.Otros contrato.CEF contrato.CEI contrato.CV_NP
## tesco.Jf
## tesco.Otro
## 0-10
## 11-17
## 18-30
## 31-60
## 61:96
## H
## M
## ando.NA_Cot
## ando.No
## ando.Si
## .No
## .Si
## rabajo.NA_pt
## rabajo.No
## rabajo.Si
## _act.G1
## _act.G2
## _act.G3
## _act.G4
## _act.NA_G
## _consiguio.fac
## _consiguio.NA_medio
## _consiguio.nm
## _consiguio.Otros
## contrato.CEF 5.9
## contrato.CEI 4.4 6.8
## contrato.CV_NP 6.8 7.9 6.9
## contrato.NA_cont 4.5 5.6 4.1 5.7
## contrato.NC 4.8 6.1 4.8 6.2
## a_con.N_B 4.7 5.9 4.6 5.2
## a_con.OtrosNA 4.4 5.5 3.9 5.7
## a_con.Total 7.4 8.0 6.8 9.1
## cion.ASALAR 4.1 5.2 3.5 5.6
## cion.OTROS_NA 4.6 5.7 4.2 5.7
## cion.TRIND 4.8 5.9 4.5 5.7
## _ingreso.-3Min 4.9 5.8 4.3 6.4
## _ingreso.-Min 5.0 6.1 4.9 5.4
## _ingreso.+3Min 5.6 7.0 5.2 7.5
## _ingreso.Min 5.5 5.9 5.0 6.5
## _ingreso.NA_salario 4.5 5.6 4.1 5.7
## leados.2A5 5.6 6.7 5.4 6.1
## leados.50+ 4.4 5.2 3.6 6.8
## leados.6A49 5.6 6.3 5.0 6.7
## leados.NA_emp 4.5 5.6 4.1 5.7
## leados.solo 5.1 6.3 5.0 5.9
## _normal.1A27 5.9 6.9 5.8 6.5
## _normal.28A54 4.1 5.2 3.6 5.6
## _normal.55A108 5.2 6.2 4.8 6.1
## _normal.NA_hrsLab 4.5 5.6 4.1 5.7
## contrato.NA_cont contrato.NC a_con.N_B a_con.OtrosNA
## tesco.Jf
## tesco.Otro
## 0-10
## 11-17
## 18-30
## 31-60
## 61:96
## H
## M
## ando.NA_Cot
## ando.No
## ando.Si
## .No
## .Si
## rabajo.NA_pt
## rabajo.No
## rabajo.Si
## _act.G1
## _act.G2
## _act.G3
## _act.G4
## _act.NA_G
## _consiguio.fac
## _consiguio.NA_medio
## _consiguio.nm
## _consiguio.Otros
## contrato.CEF
## contrato.CEI
## contrato.CV_NP
## contrato.NA_cont
## contrato.NC 2.9
## a_con.N_B 2.7 1.4
## a_con.OtrosNA 0.4 2.8 2.7
## a_con.Total 7.3 7.6 7.6 7.3
## cion.ASALAR 2.1 3.0 2.8 1.9
## cion.OTROS_NA 0.6 2.9 2.8 0.7
## cion.TRIND 2.4 2.0 1.9 2.4
## _ingreso.-3Min 3.9 4.0 3.9 3.8
## _ingreso.-Min 3.2 2.3 2.0 3.2
## _ingreso.+3Min 5.3 5.3 5.3 5.1
## _ingreso.Min 4.4 4.5 4.3 4.3
## _ingreso.NA_salario 0.0 2.9 2.7 0.4
## leados.2A5 4.2 3.7 3.6 4.2
## leados.50+ 4.2 4.7 4.6 4.0
## leados.6A49 4.8 5.1 4.9 4.7
## leados.NA_emp 0.1 2.9 2.7 0.4
## leados.solo 3.3 2.2 2.2 3.3
## _normal.1A27 4.5 4.0 3.8 4.4
## _normal.28A54 2.8 2.7 2.5 2.6
## _normal.55A108 3.9 3.6 3.5 3.8
## _normal.NA_hrsLab 0.1 2.9 2.7 0.4
## a_con.Total cion.ASALAR cion.OTROS_NA cion.TRIND
## tesco.Jf
## tesco.Otro
## 0-10
## 11-17
## 18-30
## 31-60
## 61:96
## H
## M
## ando.NA_Cot
## ando.No
## ando.Si
## .No
## .Si
## rabajo.NA_pt
## rabajo.No
## rabajo.Si
## _act.G1
## _act.G2
## _act.G3
## _act.G4
## _act.NA_G
## _consiguio.fac
## _consiguio.NA_medio
## _consiguio.nm
## _consiguio.Otros
## contrato.CEF
## contrato.CEI
## contrato.CV_NP
## contrato.NA_cont
## contrato.NC
## a_con.N_B
## a_con.OtrosNA
## a_con.Total
## cion.ASALAR 6.9
## cion.OTROS_NA 7.3 2.4
## cion.TRIND 7.5 3.0 2.6
## _ingreso.-3Min 7.4 3.6 4.0 3.9
## _ingreso.-Min 7.8 3.3 3.3 2.8
## _ingreso.+3Min 7.8 5.0 5.3 5.3
## _ingreso.Min 7.8 4.1 4.5 4.5
## _ingreso.NA_salario 7.3 2.1 0.6 2.4
## leados.2A5 8.2 4.2 4.3 3.9
## leados.50+ 6.8 3.6 4.2 4.6
## leados.6A49 7.9 4.4 4.9 5.0
## leados.NA_emp 7.3 2.1 0.6 2.4
## leados.solo 7.8 3.5 3.4 2.6
## _normal.1A27 8.3 4.6 4.5 4.1
## _normal.28A54 7.0 2.4 2.9 2.8
## _normal.55A108 7.7 3.7 3.9 3.7
## _normal.NA_hrsLab 7.3 2.1 0.7 2.4
## _ingreso.-3Min _ingreso.-Min _ingreso.+3Min _ingreso.Min
## tesco.Jf
## tesco.Otro
## 0-10
## 11-17
## 18-30
## 31-60
## 61:96
## H
## M
## ando.NA_Cot
## ando.No
## ando.Si
## .No
## .Si
## rabajo.NA_pt
## rabajo.No
## rabajo.Si
## _act.G1
## _act.G2
## _act.G3
## _act.G4
## _act.NA_G
## _consiguio.fac
## _consiguio.NA_medio
## _consiguio.nm
## _consiguio.Otros
## contrato.CEF
## contrato.CEI
## contrato.CV_NP
## contrato.NA_cont
## contrato.NC
## a_con.N_B
## a_con.OtrosNA
## a_con.Total
## cion.ASALAR
## cion.OTROS_NA
## cion.TRIND
## _ingreso.-3Min
## _ingreso.-Min 4.8
## _ingreso.+3Min 6.4 6.0
## _ingreso.Min 5.7 5.2 6.7
## _ingreso.NA_salario 3.9 3.2 5.3 4.4
## leados.2A5 4.9 4.2 6.1 5.2
## leados.50+ 4.3 4.9 5.3 5.0
## leados.6A49 5.2 5.2 6.2 5.5
## leados.NA_emp 3.9 3.2 5.3 4.4
## leados.solo 4.4 2.7 5.8 4.8
## _normal.1A27 5.6 3.8 6.5 5.9
## _normal.28A54 3.6 3.1 4.9 4.1
## _normal.55A108 4.2 4.2 5.7 4.9
## _normal.NA_hrsLab 3.9 3.2 5.3 4.4
## _ingreso.NA_salario leados.2A5 leados.50+ leados.6A49
## tesco.Jf
## tesco.Otro
## 0-10
## 11-17
## 18-30
## 31-60
## 61:96
## H
## M
## ando.NA_Cot
## ando.No
## ando.Si
## .No
## .Si
## rabajo.NA_pt
## rabajo.No
## rabajo.Si
## _act.G1
## _act.G2
## _act.G3
## _act.G4
## _act.NA_G
## _consiguio.fac
## _consiguio.NA_medio
## _consiguio.nm
## _consiguio.Otros
## contrato.CEF
## contrato.CEI
## contrato.CV_NP
## contrato.NA_cont
## contrato.NC
## a_con.N_B
## a_con.OtrosNA
## a_con.Total
## cion.ASALAR
## cion.OTROS_NA
## cion.TRIND
## _ingreso.-3Min
## _ingreso.-Min
## _ingreso.+3Min
## _ingreso.Min
## _ingreso.NA_salario
## leados.2A5 4.2
## leados.50+ 4.2 5.7
## leados.6A49 4.8 6.2 6.2
## leados.NA_emp 0.1 4.2 4.2 4.8
## leados.solo 3.3 5.1 5.1 5.7
## _normal.1A27 4.5 5.4 5.8 6.1
## _normal.28A54 2.8 4.0 3.7 4.4
## _normal.55A108 3.9 4.6 4.8 5.4
## _normal.NA_hrsLab 0.1 4.2 4.2 4.8
## leados.NA_emp leados.solo _normal.1A27 _normal.28A54
## tesco.Jf
## tesco.Otro
## 0-10
## 11-17
## 18-30
## 31-60
## 61:96
## H
## M
## ando.NA_Cot
## ando.No
## ando.Si
## .No
## .Si
## rabajo.NA_pt
## rabajo.No
## rabajo.Si
## _act.G1
## _act.G2
## _act.G3
## _act.G4
## _act.NA_G
## _consiguio.fac
## _consiguio.NA_medio
## _consiguio.nm
## _consiguio.Otros
## contrato.CEF
## contrato.CEI
## contrato.CV_NP
## contrato.NA_cont
## contrato.NC
## a_con.N_B
## a_con.OtrosNA
## a_con.Total
## cion.ASALAR
## cion.OTROS_NA
## cion.TRIND
## _ingreso.-3Min
## _ingreso.-Min
## _ingreso.+3Min
## _ingreso.Min
## _ingreso.NA_salario
## leados.2A5
## leados.50+
## leados.6A49
## leados.NA_emp
## leados.solo 3.3
## _normal.1A27 4.5 4.1
## _normal.28A54 2.8 3.3 5.0
## _normal.55A108 3.9 4.1 5.7 4.5
## _normal.NA_hrsLab 0.1 3.3 4.5 2.8
## _normal.55A108
## tesco.Jf
## tesco.Otro
## 0-10
## 11-17
## 18-30
## 31-60
## 61:96
## H
## M
## ando.NA_Cot
## ando.No
## ando.Si
## .No
## .Si
## rabajo.NA_pt
## rabajo.No
## rabajo.Si
## _act.G1
## _act.G2
## _act.G3
## _act.G4
## _act.NA_G
## _consiguio.fac
## _consiguio.NA_medio
## _consiguio.nm
## _consiguio.Otros
## contrato.CEF
## contrato.CEI
## contrato.CV_NP
## contrato.NA_cont
## contrato.NC
## a_con.N_B
## a_con.OtrosNA
## a_con.Total
## cion.ASALAR
## cion.OTROS_NA
## cion.TRIND
## _ingreso.-3Min
## _ingreso.-Min
## _ingreso.+3Min
## _ingreso.Min
## _ingreso.NA_salario
## leados.2A5
## leados.50+
## leados.6A49
## leados.NA_emp
## leados.solo
## _normal.1A27
## _normal.28A54
## _normal.55A108
## _normal.NA_hrsLab 3.9PLANO FACTORIAL MOSTRANDO CATEGORIAS
par(mfrow=c(1,2))
plot(acm1,Trow=FALSE,cex.global=0.8,cframe=1,gg=TRUE,col.col="black")## Warning: ggrepel: 15 unlabeled data points (too many overlaps). Consider
## increasing max.overlaps
plot(acm1,2,3,Trow=FALSE,cex.global=0.8,cframe=1,gg=TRUE,col.col="black")## Warning: ggrepel: 21 unlabeled data points (too many overlaps). Consider
## increasing max.overlaps
Planos con categorías
par(mfrow=c(1,1))
plot(acm1,Trow=FALSE,cex.global=0.8,cframe=1,gg=TRUE,col.col="black")## Warning: ggrepel: 15 unlabeled data points (too many overlaps). Consider
## increasing max.overlaps
plot(acm1,1,3,Trow=FALSE,cex.global=0.8,cframe=1,gg=TRUE,col.col="black")## Warning: ggrepel: 22 unlabeled data points (too many overlaps). Consider
## increasing max.overlaps
plot(acm1,2,3,Trow=FALSE,cex.global=0.8,cframe=1,gg=TRUE,col.col="black")## Warning: ggrepel: 21 unlabeled data points (too many overlaps). Consider
## increasing max.overlaps
PESOS Y COORDENADAS ENTRE LAS CATEGORIAS
PC<-data.frame(Peso=acm1$cw*100,coor=acm1$co)
PC## Peso coor.Comp1 coor.Comp2 coor.Comp3
## parentesco.Cony 1.1374236 0.60717951 0.2024116277 1.585276807
## parentesco.Jf 1.7988541 1.11678182 -0.0813870774 -0.421132121
## parentesco.Otro 4.2065795 -0.64174415 -0.0199269455 -0.248557283
## edad.0-10 1.2699317 -0.74716234 -0.0001487627 -0.338984914
## edad.11-17 1.0478510 -0.72928249 0.0182464003 -0.343813446
## edad.18-30 1.3813423 -0.34506475 -0.1246907306 -0.122575921
## edad.31-60 2.7175281 0.80031683 -0.0740069202 0.236660785
## edad.61:96 0.7262040 0.02037113 0.4880527322 0.436433720
## sexo.H 3.3434257 0.03370564 -0.1092633354 -0.744417216
## sexo.M 3.7994315 -0.02966031 0.0961496063 0.655072646
## cotizando.NA_Cot 4.4205173 -0.65577831 -0.0170973017 -0.205884056
## cotizando.No 1.9420961 0.90237366 0.8598962888 0.444120064
## cotizando.Si 0.7802437 1.46926271 -2.0434927673 0.060993978
## discp.No 6.9204063 0.01157623 -0.0064006330 -0.010145887
## discp.Si 0.2224509 -0.36013438 0.1991225215 0.315636679
## es_ptrabajo.NA_pt 5.1892868 -0.60608976 0.0216835540 0.023885842
## es_ptrabajo.No 1.5527146 1.60815964 -0.1015465142 -0.130482646
## es_ptrabajo.Si 0.4008558 1.61694252 0.1126354569 0.196209780
## grupo_act.G1 0.6262677 1.61289694 -0.2207497131 -0.285885122
## grupo_act.G2 0.3860504 1.62757119 0.7540078637 -0.542549984
## grupo_act.G3 0.5718579 1.60631174 -0.2415869440 -0.056979152
## grupo_act.G4 0.3693943 1.59223291 -0.3443620100 0.804359260
## grupo_act.NA_G 5.1892868 -0.60608976 0.0216835540 0.023885842
## medio_consiguio.fac 1.1529692 1.61113176 -0.0376140126 0.003837529
## medio_consiguio.NA_medio 5.1892868 -0.60608976 0.0216835540 0.023885842
## medio_consiguio.nm 0.4289860 1.65541418 1.5209355744 -0.623262961
## medio_consiguio.Otros 0.3716151 1.55386252 -1.9418327776 0.374032233
## tipo_contrato.CEF 0.2357757 1.52978594 -2.2801477844 0.375389436
## tipo_contrato.CEI 0.4515642 1.53179941 -2.4254405905 0.105150937
## tipo_contrato.CV_NP 0.2268925 1.58192843 0.6930069302 0.534284805
## tipo_contrato.NA_cont 5.1892868 -0.60608976 0.0216835540 0.023885842
## tipo_contrato.NC 1.0393379 1.66822913 1.3114939401 -0.366739069
## cuenta_con.N_B 1.2058985 1.66867289 1.2183722321 -0.153786311
## cuenta_con.OtrosNA 5.7985283 -0.38741749 -0.1782029900 0.028175624
## cuenta_con.Total 0.1384303 1.69183476 -3.1490071968 0.159455804
## ocupacion.ASALAR 1.7544379 0.65279258 -0.9374075256 0.097159275
## ocupacion.OTROS_NA 4.0215122 -0.62538949 0.0654819363 0.119223447
## ocupacion.TRIND 1.3669070 1.00206335 1.0105200199 -0.475466482
## rango_ingreso.-3Min 0.5100455 1.59203150 -0.9954448132 -0.754417711
## rango_ingreso.-Min 0.7813541 1.64221381 1.4349083803 0.442442954
## rango_ingreso.+3Min 0.2705684 1.59392748 -1.4676089955 -0.218151632
## rango_ingreso.Min 0.3916024 1.58004225 -0.8398392151 -0.065992565
## rango_ingreso.NA_salario 5.1892868 -0.60608976 0.0216835540 0.023885842
## n_empleados.2A5 0.4326873 1.64050274 0.6882783666 -0.618283576
## n_empleados.50+ 0.4389796 1.53738558 -2.5128405391 0.135951433
## n_empleados.6A49 0.3227574 1.56517086 -1.3120991000 0.310631893
## n_empleados.NA_emp 5.2203781 -0.59505866 0.0289201718 0.033222520
## n_empleados.solo 0.7280547 1.67096661 1.4803720293 -0.090445519
## horas_normal.1A27 0.3808685 1.45768155 1.5111499180 0.918120052
## horas_normal.28A54 1.0848645 1.59080539 -0.6236091457 0.035210566
## horas_normal.55A108 0.5233703 1.61885785 0.0037663400 -0.990471871
## horas_normal.NA_hrsLab 5.1537539 -0.60698577 0.0192114002 0.025321712Teniendo en cuenta las variables ilustrativas
Tres planos factoriales individuos con las categorias
par(mfrow=c(1,3))
plot(acm1,1,2)
plot(acm1,1,3)
plot(acm1,2,3)
Proyección de variables suplementarias
suph <- supqual(acm1,Ys[,1])#hijos
supEmb<-supqual(acm1,Ys[,2])#Embarazada
supftn<-supqual(acm1,Ys[,3])#Estudia
supde<-supqual(acm1,Ys[,4])#Tiempo en que dejo de estudiarIlustrativas primer plano
par( mfrow =c(1 ,1))
plot(acm1, Trow = FALSE , infaxes = " no " , main = "Plano 1 -2 " ,
col.col = " blue" )
points(suph$coor,col=" red",pch=16)
text(suph$coor , labels = attributes(Ys[ ,1])$levels ,
col= " red " ,pos =1 , cex =0.8 , font =3)
plot(acm1, Trow = FALSE , infaxes = " no " , main = "Plano 1 -2 " ,
col.col = " blue" )
points(supEmb$coor,col=" red",pch=16)
text(supEmb$coor , labels = attributes(Ys[ ,2])$levels ,
col= " red " ,pos =1 , cex =0.8 , font =3)
plot(acm1, Trow = FALSE , infaxes = " no " , main = "Plano 1 -2 " ,
col.col = "blue " )
points(supftn$coor,col="red",pch=16)
text(supftn$coor , labels = attributes(Ys[ ,3])$levels ,
col= " red " ,pos =1 , cex =0.8 , font =3)
plot(acm1, Trow = FALSE , infaxes = " no " , main = "Plano 1 -2 " ,
col.col = "blue " )
points(supde$coor,col="red",pch=16)
text(supde$coor , labels = attributes(Ys[ ,4])$levels ,
col= " red " ,pos =1 , cex =0.8 , font =3)