Pregunta 1: Análisis interseccional de la salud mental de los regios: ¿cómo contribuyen las estructuras de clase socioeconómica en la ansiedad de la persona?
Variables de Clase Todas las variables a continuación tienen una relación directa con la manera en la que la clase socioeconómica tiene un impacto hacia la ansiedad de las personas. Dentro del modelo lineal vamos a predecir la manera en la que diferentes situaciones que se viven puede afectar a la salud, desde el ingreso hasta horas laborales en la semana.
Variables SI - NO:
P2 Su hogar cuenta con una conexión a internet Esta variable fue elegida porque el hecho de que un hogar cuente con conexión a internet o no puede servir como reflejo de las condiciones básicas de la vivienda de las personas y por consecuencia de su clase socioeconómica.
VARIABLES CONTINÚAS:
P144 Finalmente FINALMENTE: ¿Cuál es el ingreso mensual total del hogar? Esta variable es de suma importancia porque saber el ingreso mensual total de un hogar porque el ingreso es el indicador principal del nivel socioeconómico de una persona u hogar
total_min_trabajo_rem_y_norem Total de minutos que destina al trabajo remunerado y no remunerado Esta variable fue elegida porque indica la cantidad de tiempo que se destina a algún tipo de trabajo y por lo tanto, con cuánto tiempo “libre” fuera del trabajo cuenta una persona.
P16 Durante el día de ayer: ¿Cuál de los siguientes modos de transporte usted utilizó para llegar a su destino? (Si utilizó más de uno, seleccionar en el que pasó más tiempo) Esta variable fue elegida porque el medio de transporte que utilizan las personas para transportarse en un día normal funciona funciona como un indicador del sector socioeconómico al que pertenece.
P26 Durante los viajes que realiza en la semana ¿para alguno utiliza el transporte público (camión, microbús, ecovía, transmetro, metro) como medio de transporte? Al igual que la pregunta anterior, si una persona usa el transporte en la semana puede ayudar a indicar el sector socioeconómico al que pertenece.
P93 Qué tan seguro se siente en su municipio? Esta variable es super importante para tener la percepción de que tan seguros se sienten en su municipio, esto tiene un gran peso dentro de la clase socioeconómica para identificar ciertos grupos.
NUMÉRICAS: P5 ¿Cuántas horas trabaja al día (considerando hora de comida)?: hrs_ La cantidad de horas que una persona trabaja al día puede ser una variable importante en relación a si siente depresión por el hecho de que indica si la persona tiene mucho o poco tiempo libre y el desgaste ya sea físico o mental al que puede estar expuesta para el final de la jornada.
P6 ¿Cuántos días a la semana trabaja? Igual que la variable anterior, la cantidad de días que una persona trabaja a la semana indica si la persona cuenta con algún día libre donde puede no preocuparse por el trabajo
tiempo_ida Tiempo total en minutos que tardó en el medio que lo transportó a su destino principal en su viaje de IDA Los minutos que tarda una persona en llegar al destino de su viaje principal habla de la distancia a la que está el destino de su hogar y del uso del transporte público
tiempo_regreso Tiempo total en minutos que tardó en el medio que lo transportó a su destino principal en su viaje de REGRESO Los minutos que tarda una persona en regresar a su destino de su viaje, dándonos entender cuánto tiempo se devora influyendo en el uso del transporte público, desde cuánto tiempo se puede tardar y cuántas veces toma el transporte público.
P36 ¿Cuántos vehículos de motor (autos y camionetas) hay en el hogar? Saber la cantidad de vehículos que hay en un hogar puede estar relacionado con el ingreso del hogar y el nivel socioeconómico
library(readxl)eav_23 <- read_excel("Desktop/DataScience/eav_23.xlsx")## Warning: Expecting logical in DY1685 / R1685C129: got '9'## Warning: Expecting logical in DY2424 / R2424C129: got '6'## Warning: Expecting logical in DY4287 / R4287C129: got '9'## Warning: Expecting logical in DY4737 / R4737C129: got '9'library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union# Assuming your dataframe is named 'df'
selected_columns <- eav_23[, c(
"Orden_Gral_Muestra_MV","P2", "P4", "P5", "P6", "quehaceres_hogar", "cuidado_personas",
"total_min_trabajo_rem_y_norem", "P16", "tiempo_ida", "tiempo_regreso",
"tiempo_total_traslado", "P26", "P46_1", "P46_2", "P46_3", "P51", "P52_1",
"P52_2", "P52_3", "P52_4", "P52_5", "P63", "P64", "P65", "P91_1", "P7_2",
"P91_3", "al_menos_un_problema_mental", "P93", "P94", "P144","P135","P136","P137","num_acciones_participacion_ciudadana","al_menos_una_accion_pc","P116","P119","P115","P100_1")]
# Assuming 'eav_23' is your original dataframe and 'Orden_Gral_Muestra_MV' is the common column for merging
# Select columns from 'eav_23'
a <- eav_23[, 1:24]
# Merge 'a' with 'selected_columns' dataframe based on 'Orden_Gral_Muestra_MV'
df_eav23 <- merge(a, selected_columns, by = "Orden_Gral_Muestra_MV")
# Remove rows with missing values in 'al_menos_un_problema_mental'
# Filter out rows where 'al_menos_un_problema_mental' is not equal to 8888
LIMPIA_eav23 <- df_eav23 %>%
filter(total_min_trabajo_rem_y_norem < 8000 | tiempo_total_traslado < 8000 | P51 < 8000 | P7_2 < 8000)
# Fit a linear regression model
lm.fit <- lm(al_menos_un_problema_mental ~ total_min_trabajo_rem_y_norem + P144, data = LIMPIA_eav23)
# Summarize the linear regression model
summary(lm.fit)##
## Call:
## lm(formula = al_menos_un_problema_mental ~ total_min_trabajo_rem_y_norem +
## P144, data = LIMPIA_eav23)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.4769 -0.3196 -0.2838 0.6505 0.9012
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.494e-01 1.248e-02 27.992 < 2e-16 ***
## total_min_trabajo_rem_y_norem -9.946e-05 2.007e-05 -4.957 7.41e-07 ***
## P144 1.276e-05 1.890e-06 6.749 1.66e-11 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.462 on 4911 degrees of freedom
## (36 observations deleted due to missingness)
## Multiple R-squared: 0.0136, Adjusted R-squared: 0.0132
## F-statistic: 33.86 on 2 and 4911 DF, p-value: 2.487e-15A traves del ejercicio de regresion lineal multiple pudimos determinar que hay una extremadamente baja determinación, pues tiene una r cuadrada demasiado baja. Sin embargo, se pudo determinar que al menos las variables si son significativas y se rechaza la hipotesis nula de correlación.