Datos en Categorías - Trabajo practico final de grado
Diego Meza
2024-10-19
Introducción
Fuente de datos
https://www.ine.gov.py/microdatos/register/EPCH_ANUAL/EPHC_2023_ANUAL/REG02_ANUAL_2023.csv
Hipótesis planteada
Demostrar que la probabilidad de estar desocupado de un joven en áreas urbanas en el sector no agrícola esta determinado por el nivel de estudios, el sexo, la edad y estado civil.
Variables seleccionadas
Situación de ocupación (PEAA) Nivel de estudios (añoest) Área de residencia (area) Sexo (P06) Edad (P02) Estado civil (P09) Rama de actividad (RAMA_PEA)
Lectura y procesamiento de datos
#install.packages("readr")
library("readr")
eph23=read.csv2("REG02_ANUAL_2023.csv", header=TRUE, sep=";", dec=",")
names(eph23)## [1] "UPM" "NVIVI" "NHOGA" "TRIMESTRE" "AÑO"
## [6] "DPTO" "AREA" "L02" "P02" "P03"
## [11] "P04" "P04A" "P04B" "P05C" "P05P"
## [16] "P05M" "P06" "P08D" "P08M" "P08A"
## [21] "P09" "A01" "A01A" "A02" "A03"
## [26] "A04" "A04A" "A04B" "A05" "A07"
## [31] "A08" "A10" "A11A" "A11M" "A11S"
## [36] "A12" "A13REC" "A14REC" "A15" "A16"
## [41] "A17A" "A17M" "A17S" "A18" "B01REC"
## [46] "B02REC" "B03LU" "B03MA" "B03MI" "B03JU"
## [51] "B03VI" "B03SA" "B03DO" "B04" "B05"
## [56] "B06" "B07A" "B07M" "B07S" "B08"
## [61] "B09A" "B09M" "B09S" "B10" "B11"
## [66] "B12" "B12A" "B12B" "B12C" "B13"
## [71] "B14" "B15" "B16G" "B16U" "B16D"
## [76] "B16T" "B17" "B18AG" "B18AU" "B18BG"
## [81] "B18BU" "B19" "B20G" "B20U" "B20D"
## [86] "B20T" "B21" "B22" "B23" "B24"
## [91] "B25" "B26" "B271" "B272" "B28"
## [96] "B29" "B30" "B31" "C01REC" "C02REC"
## [101] "C03" "C04" "C05" "C06" "C07"
## [106] "C08" "C09" "C101" "C102" "C11G"
## [111] "C11U" "C11D" "C11T" "C12" "C13AG"
## [116] "C13AU" "C13BG" "C13BU" "C14" "C14A"
## [121] "C14B" "C14C" "C15" "C16REC" "C17REC"
## [126] "C18" "C18A" "C18B" "C19" "D01"
## [131] "D02" "D03" "D04" "D05" "E01A"
## [136] "E01B" "E01C" "E01D" "E01E" "E01F"
## [141] "E01G" "E01H" "E01I" "E01J" "E01K"
## [146] "E01L" "E01M" "ED01" "ED02" "ED03"
## [151] "ED0504" "ED06C" "ED08" "ED09" "ED10"
## [156] "ED11F1" "ED11F1A" "ED11GH1" "ED11GH1A" "S01A"
## [161] "S01B" "S02" "S03" "S03A" "S03B"
## [166] "S03C" "S04" "S05" "S06" "S07"
## [171] "S08" "S09" "CATE_PEA" "TAMA_PEA" "OCUP_PEA"
## [176] "RAMA_PEA" "HORAB" "HORABC" "HORABCO" "PEAD"
## [181] "PEAA" "TIPOHOGA" "FEX.2022" "NJEF" "NCON"
## [186] "NPAD" "NMAD" "añoest" "ra06ya09" "e01aimde"
## [191] "e01bimde" "e01cimde" "e01dde" "e01ede" "e01fde"
## [196] "e01gde" "e01hde" "e01ide" "e01jde" "e01kde"
## [201] "e01lde" "e01mde" "e01kjde" "e02bde" "ingrevasode"
## [206] "ipcm" "pobrezai" "pobnopoi" "quintili" "decili"
## [211] "quintiai" "decilai" "informalidad"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# Seleccionar las columnas deseadas
variables <- c("PEAA", "RAMA_PEA", "P06", "P02", "AREA", "añoest", "P09")
# Seleccionar solo las columnas que existen en 'variables'
eph23selec <- eph23 %>%
select(any_of(variables))
names(eph23selec)## [1] "PEAA" "RAMA_PEA" "P06" "P02" "AREA" "añoest" "P09"#install.packages("tidyverse")
#install.packages("conflicted")
library("tidyverse")## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.1 ✔ tibble 3.2.1
## ✔ lubridate 1.9.3 ✔ tidyr 1.3.1
## ✔ purrr 1.0.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary("conflicted")
conflicts_prefer(dplyr::filter)## [conflicted] Will prefer dplyr::filter over any other package.eph23fil <- eph23selec %>%
filter(AREA==1 & (PEAA==1 | PEAA==2) & (P02>=14 & P02<=29) & RAMA_PEA!=1 & añoest != 99 )table(eph23fil$P02, eph23fil$AREA)##
## 1
## 14 42
## 15 75
## 16 103
## 17 148
## 18 257
## 19 326
## 20 357
## 21 372
## 22 383
## 23 421
## 24 405
## 25 415
## 26 447
## 27 454
## 28 457
## 29 450Procesamiento por variables
PEAA
eph23fil$PEAA <- factor(eph23fil$PEAA, levels = c(1, 2), labels = c("Ocupados", "Desocupados"))
tabla_PEAA <- table(eph23fil$PEAA, useNA = "ifany")
tabla_PEAA##
## Ocupados Desocupados
## 4633 479P06
eph23fil$P06 <- factor(eph23fil$P06, levels = c(1, 6), labels = c("Hombres", "Mujeres"))
tabla_P06 <- table(eph23fil$P06, useNA = "ifany")
tabla_P06##
## Hombres Mujeres
## 2733 2379Años de estudio
Solo dos niveles , con y sin estudios universitarios
tabla_añoest <- table(eph23fil$añoest, useNA = "ifany")
tabla_añoest##
## 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
## 5 3 9 20 20 47 157 140 160 307 249 304 1773 363 425 314
## 16 17 18
## 395 358 63# Categorizar añoest en dos niveles, mayor o igual a 12 "Con estudios universitarios", de 0 a 12 sin estudios universitarios y 99 no responde
library(dplyr)
# Crear la nueva variable 'nivelest2' categorizada
eph23fil <- eph23fil %>%
mutate(
conestuduniver = case_when(
añoest >= 13 & añoest < 99 ~ "Con estudios universitarios",
añoest >= 0 & añoest <= 12 ~ "Sin estudios universitarios",
añoest == 99 ~ "No responde",
TRUE ~ "Otro" # Manejo de valores inesperados
)
)
table(eph23fil$conestuduniver)##
## Con estudios universitarios Sin estudios universitarios
## 1918 3194Estado civil
tabla_estadocivil <- table(eph23fil$P09, useNA = "ifany")
tabla_estadocivil##
## 1 2 3 4 5 6
## 250 1187 12 4 3655 4#
# Casado 1
# Unido 2
# Separado 3
# Viudo 4
# Soltero 5
# Divorciado 6
# NR 9# Categoriza P06 solo en es soltero, si y no. De modo que
# Crear la nueva variable es o no soltero
eph23fil <- eph23fil %>%
mutate(
essoltero = case_when(
P09 >= 1 & P09 <= 2 ~ "No es soltero",
TRUE ~ "Es soltero" # Manejo de valores inesperados
)
)
table(eph23fil$essoltero)##
## Es soltero No es soltero
## 3675 1437Descriptivo bivariado para la situacion de ocupacion
Ocupación vs Sexo
tabla_PEAAvsP06= table(eph23fil$P06, eph23fil$PEAA)
tabla_PEAAvsP06##
## Ocupados Desocupados
## Hombres 2514 219
## Mujeres 2119 260Prueba de independencia para PEAA vs Sexo
# Crear el gráfico de mosaico
mosaicplot(tabla_PEAAvsP06, main = "Mosaico de Estado Laboral por Sexo",
xlab = "Sexo", ylab = "Estado Laboral",
col = c("lightblue", "salmon"), shade = TRUE)
Prueba de Independencia Chi-Cuadrado
# Realizar la prueba de chi-cuadrado
chi_sq <- chisq.test(tabla_PEAAvsP06)
chi_sq##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: tabla_PEAAvsP06
## X-squared = 12.392, df = 1, p-value = 0.0004311Interpretación: La prueba de chi-cuadrado reveló una asociación significativa entre el sexo y el estado laboral, lo que sugiere diferencias en las tasas de empleo entre hombres y mujeres en el conjunto de datos analizado.
Ocupación vs nivel de estudios
tabla_PEAAvsNIVELEST= table(eph23fil$conestuduniver, eph23fil$PEAA)
tabla_PEAAvsNIVELEST##
## Ocupados Desocupados
## Con estudios universitarios 1788 130
## Sin estudios universitarios 2845 349# Crear el gráfico de mosaico
mosaicplot(tabla_PEAAvsNIVELEST, main = "Mosaico de Estado Laboral por Nivel de estudios",
xlab = "Nivel de estudios", ylab = "Estado Laboral",
col = c("lightblue", "salmon"), shade = TRUE)
Prueba de Independencia Chi-Cuadrado
# Realizar la prueba de chi-cuadrado
chi_sq <- chisq.test(tabla_PEAAvsNIVELEST)
chi_sq##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: tabla_PEAAvsNIVELEST
## X-squared = 23.804, df = 1, p-value = 1.067e-06Interpretación
Análisis de regresión logística
# Análisis de regresión logística para explicar la situaación de ocupación para los factores sexo (P06), con estudios unversitarios (conestuduniver) , el vivir no en pareja (essoltero)
# Cargar las librerías necesarias
library(dplyr) # Para manipulación de datos
library(ggplot2) # Para visualización (opcional)
library(pscl) # Para métricas de bondad de ajuste## Classes and Methods for R originally developed in the
## Political Science Computational Laboratory
## Department of Political Science
## Stanford University (2002-2015),
## by and under the direction of Simon Jackman.
## hurdle and zeroinfl functions by Achim Zeileis.# Ajustar el modelo de regresión logística binaria
modelo_logit <- glm(PEAA ~ P06 + conestuduniver + essoltero,
data = eph23fil,
family = binomial)
# Resumen del modelo
summary(modelo_logit)##
## Call:
## glm(formula = PEAA ~ P06 + conestuduniver + essoltero, family = binomial,
## data = eph23fil)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -2.79904 0.11385 -24.586 < 2e-16
## P06Mujeres 0.46857 0.09846 4.759 1.94e-06
## conestuduniverSin estudios universitarios 0.62486 0.10913 5.726 1.03e-08
## essolteroNo es soltero -0.50904 0.11857 -4.293 1.76e-05
##
## (Intercept) ***
## P06Mujeres ***
## conestuduniverSin estudios universitarios ***
## essolteroNo es soltero ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 3179.8 on 5111 degrees of freedom
## Residual deviance: 3114.2 on 5108 degrees of freedom
## AIC: 3122.2
##
## Number of Fisher Scoring iterations: 5Interpretación de los coeficientes en términos de odds ratios
# Interpretación de los coeficientes en términos de odds ratios
exp(coef(modelo_logit))## (Intercept)
## 0.06086837
## P06Mujeres
## 1.59771177
## conestuduniverSin estudios universitarios
## 1.86798077
## essolteroNo es soltero
## 0.60107211Intervalos de confianza para los odds ratios
exp(confint(modelo_logit))## Waiting for profiling to be done...## 2.5 % 97.5 %
## (Intercept) 0.04848017 0.07576261
## P06Mujeres 1.31781278 1.93890649
## conestuduniverSin estudios universitarios 1.51226222 2.32035871
## essolteroNo es soltero 0.47419829 0.75513232Gráfica
# Evaluación de la bondad de ajuste utilizando Pseudo R-squared
library(pscl)
pR2(modelo_logit)## fitting null model for pseudo-r2## llh llhNull G2 McFadden r2ML
## -1.557123e+03 -1.589925e+03 6.560444e+01 2.063130e-02 1.275142e-02
## r2CU
## 2.753195e-02# Predicciones del modelo
eph23fil <- eph23fil %>%
mutate(
probabilidad = predict(modelo_logit, type = "response"),
prediccion = ifelse(probabilidad > 0.5, 1, 0)
)# Visualización de las probabilidades predichas
ggplot(eph23fil, aes(x = probabilidad, fill = factor(PEAA))) +
geom_histogram(binwidth = 0.05, alpha = 0.7, position = "identity") +
theme_minimal() +
labs(title = "Distribución de Probabilidades Predichas",
x = "Probabilidad de Estar Ocupado",
y = "Frecuencia",
fill = "Ocupado") +
scale_fill_manual(values = c("red", "green"))
Interpretación final