1 Introducción
2 Fuente de datos
3 Gestión de los datos
- 3.1 Transformación de las bases en formato SAV a csv
- 3.2 Recodificación de variables
4 Tablas
5 Conclusiones

1 Introducción

En la era actual de información y análisis, los microdatos provenientes de encuestas de hogares representan un valioso recurso para comprender diversos aspectos de la sociedad, incluyendo la demografía, el mercado laboral, la educación y la seguridad social. Estas encuestas capturan una vasta gama de información detallada y representativa de las características y comportamientos de los hogares y las personas que los componen. Mediante la explotación de estas fuentes de datos ricas y granulares, es posible generar indicadores precisos y significativos que impulsan la toma de decisiones informada en políticas públicas, investigaciones académicas y la comprensión general de tendencias sociales.

En este contexto, la herramienta R se erige como un pilar fundamental para aprovechar al máximo estos microdatos y traducirlos en información valiosa. R es un software de código abierto y gratuito, altamente flexible y robusto, que brinda una plataforma poderosa para manipular, visualizar y analizar datos de manera efectiva. Su comunidad activa de usuarios y desarrolladores ha creado una amplia gama de paquetes especializados, lo que permite realizar tareas complejas con facilidad. R se destaca por su capacidad para gestionar grandes conjuntos de datos, realizar análisis estadísticos avanzados y generar gráficos y visualizaciones atractivas.

Al emplear R en el análisis de microdatos de encuestas de hogares, los investigadores y analistas pueden identificar patrones y relaciones que son fundamentales para comprender los cambios sociales, económicos y demográficos. Desde la elaboración de perfiles demográficos hasta el estudio de las tendencias de empleo y educación, pasando por el análisis de la inclusión social a través de los programas de seguridad social, R ofrece un abanico de herramientas que facilitan la creación de indicadores precisos y relevantes.

En este documento, exploraremos cómo el uso de microdatos de encuestas de hogares en conjunto con el software R puede enriquecer nuestro entendimiento de la sociedad y proporcionar insights profundos en una variedad de temas. Descubriremos cómo el análisis detallado de estas fuentes de información, impulsado por la versatilidad de R, puede ser instrumental en la toma de decisiones, la planificación de políticas y la generación de conocimiento en campos clave.

2 Fuente de datos

La Encuesta Permanente de Hogares (EPH) es llevado a cabo por el Instituto Nacional de Estadísticas (INE) y tiene como objetivo fundamental la generación de estadísticas que permitan monitorear trimestralmente las características clave del mercado laboral, así como otros aspectos socioeconómicos. Esta encuesta abarca a las personas que residen en hogares particulares ubicados en los departamentos de la Región Oriental y Pte. Hayes.

Para llevar a cabo este propósito, se ha establecido un tamaño muestral de 5,004 hogares por trimestre en el año 2023. La metodología empleada se basa en un enfoque de muestra semi-panel con una rotación del 50% de los hogares durante dos años consecutivos. Esto significa que en dos años seguidos, el 50% de los hogares se solapan entre los mismos trimestres, con el propósito principal de controlar los cambios reales en las características laborales.

La EPH comenzó su ejecución en la segunda semana de enero de 2017 y se ha mantenido en funcionamiento de manera continua hasta la fecha actual. En el anexo, se presentan los resultados correspondientes a veintiséis trimestres, abarcando desde el año 2017 hasta el 2023.

La relevancia de este material radica en su capacidad para proporcionar información sobre los indicadores clave de empleo. Esta información resulta esencial para la formulación, implementación y evaluación de políticas públicas orientadas a mejorar las condiciones de empleo y, por extensión, las condiciones de vida de la población en general.

3 Gestión de los datos

3.1 Transformación de las bases en formato SAV a csv

3.2 Recodificación de variables

names(ephcanu)

##   [1] "upm"          "nvivi"        "nhoga"        "trimestre"    "anio"        
##   [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"     "fex2022"      "njef"         "ncon"        
## [186] "npad"         "nmad"         "anioest"      "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"

names(ephcanurec)

##   [1] "upm"              "nvivi"            "nhoga"           
##   [4] "trimestre"        "anio"             "dpto"            
##   [7] "area"             "l02"              "p02"             
##  [10] "p03"              "p04"              "p04a"            
##  [13] "p04b"             "p05c"             "p05p"            
##  [16] "p05m"             "p06"              "p08d"            
##  [19] "p08m"             "p08a"             "p09"             
##  [22] "a01"              "a01a"             "a02"             
##  [25] "a03"              "a04"              "a04a"            
##  [28] "a04b"             "a05"              "a07"             
##  [31] "a08"              "a10"              "a11a"            
##  [34] "a11m"             "a11s"             "a12"             
##  [37] "a13rec"           "a14rec"           "a15"             
##  [40] "a16"              "a17a"             "a17m"            
##  [43] "a17s"             "a18"              "b01rec"          
##  [46] "b02rec"           "b03lu"            "b03ma"           
##  [49] "b03mi"            "b03ju"            "b03vi"           
##  [52] "b03sa"            "b03do"            "b04"             
##  [55] "b05"              "b06"              "b07a"            
##  [58] "b07m"             "b07s"             "b08"             
##  [61] "b09a"             "b09m"             "b09s"            
##  [64] "b10"              "b11"              "b12"             
##  [67] "b12a"             "b12b"             "b12c"            
##  [70] "b13"              "b14"              "b15"             
##  [73] "b16g"             "b16u"             "b16d"            
##  [76] "b16t"             "b17"              "b18ag"           
##  [79] "b18au"            "b18bg"            "b18bu"           
##  [82] "b19"              "b20g"             "b20u"            
##  [85] "b20d"             "b20t"             "b21"             
##  [88] "b22"              "b23"              "b24"             
##  [91] "b25"              "b26"              "b271"            
##  [94] "b272"             "b28"              "b29"             
##  [97] "b30"              "b31"              "c01rec"          
## [100] "c02rec"           "c03"              "c04"             
## [103] "c05"              "c06"              "c07"             
## [106] "c08"              "c09"              "c101"            
## [109] "c102"             "c11g"             "c11u"            
## [112] "c11d"             "c11t"             "c12"             
## [115] "c13ag"            "c13au"            "c13bg"           
## [118] "c13bu"            "c14"              "c14a"            
## [121] "c14b"             "c14c"             "c15"             
## [124] "c16rec"           "c17rec"           "c18"             
## [127] "c18a"             "c18b"             "c19"             
## [130] "d01"              "d02"              "d03"             
## [133] "d04"              "d05"              "e01a"            
## [136] "e01b"             "e01c"             "e01d"            
## [139] "e01e"             "e01f"             "e01g"            
## [142] "e01h"             "e01i"             "e01j"            
## [145] "e01k"             "e01l"             "e01m"            
## [148] "ed01"             "ed02"             "ed03"            
## [151] "ed0504"           "ed06c"            "ed08"            
## [154] "ed09"             "ed10"             "ed11f1"          
## [157] "ed11f1a"          "ed11gh1"          "ed11gh1a"        
## [160] "s01a"             "s01b"             "s02"             
## [163] "s03"              "s03a"             "s03b"            
## [166] "s03c"             "s04"              "s05"             
## [169] "s06"              "s07"              "s08"             
## [172] "s09"              "cate_pea"         "tama_pea"        
## [175] "ocup_pea"         "rama_pea"         "horab"           
## [178] "horabc"           "horabco"          "pead"            
## [181] "peaa"             "tipohoga"         "fex2022"         
## [184] "njef"             "ncon"             "npad"            
## [187] "nmad"             "anioest"          "ra06ya09"        
## [190] "e01aimde"         "e01bimde"         "e01cimde"        
## [193] "e01dde"           "e01ede"           "e01fde"          
## [196] "e01gde"           "e01hde"           "e01ide"          
## [199] "e01jde"           "e01kde"           "e01lde"          
## [202] "e01mde"           "e01kjde"          "e02bde"          
## [205] "ingrevasode"      "ipcm"             "pobrezai"        
## [208] "pobnopoi"         "quintili"         "decili"          
## [211] "quintiai"         "decilai"          "informalidad"    
## [214] "area_desc"        "relacionparen"    "sexo"            
## [217] "estadocivil"      "cotizacaja"       "cualcaja"        
## [220] "catepea"          "tipoocupa"        "ramadesc"        
## [223] "sector"           "situacionlab"     "situacionlab2"   
## [226] "informalidaddesc" "trimestredesc"    "edadquinquenal"  
## [229] "edaddecenio"      "tramoedad"        "tramoedad2"      
## [232] "nivelest"         "nivelest2"        "aportacajajub"

4 Tablas

4.1 Cuadro 0. Población total por tramos de edad por y sexo. País y por departamento

# Tabla de adultos mayores por sexo y grupo de edad a nivel país
tabla_pais <- ephcanurec %>%
  group_by(sexo, tramoedad, anio) %>%
  summarize(total = sum(fex2022)) %>%
  pivot_wider(names_from = c(anio,sexo), values_from = total, values_fill = 0)

## `summarise()` has grouped output by 'sexo', 'tramoedad'. You can override using
## the `.groups` argument.

tabla_pais

tramoedad	2022_Hombres	2023_Hombres	2022_Mujeres	2023_Mujeres
Adultos	1004584.5	1012653.0	1069334.0	1077923.0
Adultos mayores	358174.2	361051.0	402592.4	405826.0
Jóvenes	780105.5	792262.3	793588.1	806878.8
Niños	725635.1	725572.7	704766.6	703511.2

# Tabla de adultos mayores por departamento, sexo y grupo de edad
tabla_departamento <- ephcanurec %>%
  group_by(dpto, sexo, tramoedad, anio) %>%
  summarize(total = sum(fex2022)) %>%
  pivot_wider(names_from = c(anio,sexo), values_from = total, values_fill = 0)

## `summarise()` has grouped output by 'dpto', 'sexo', 'tramoedad'. You can
## override using the `.groups` argument.

tabla_departamento

dpto	tramoedad	2022_Hombres	2023_Hombres	2022_Mujeres	2023_Mujeres
Alto Paraná	Adultos	120471.059	122752.786	131389.842	134371.568
Alto Paraná	Adultos mayores	33099.226	34382.203	33232.983	33468.590
Alto Paraná	Jóvenes	102178.265	102309.418	101308.005	108354.750
Alto Paraná	Niños	99767.306	95696.408	98133.929	94024.280
Amambay	Adultos	23172.833	24918.392	27498.738	25235.038
Amambay	Adultos mayores	6692.416	7134.921	7944.600	9109.160
Amambay	Jóvenes	19736.953	16264.397	21207.382	23133.567
Amambay	Niños	19988.170	20723.469	20886.262	21790.056
Asunción	Adultos	70844.060	72004.905	86898.059	87492.137
Asunción	Adultos mayores	29984.532	36151.729	51443.497	49423.967
Asunción	Jóvenes	56044.151	58174.225	58288.817	54517.309
Asunción	Niños	42300.566	39812.934	38488.062	40202.794
Caaguazú	Adultos	73414.318	73270.981	76689.553	75644.494
Caaguazú	Adultos mayores	27642.422	30268.547	26904.760	32060.867
Caaguazú	Jóvenes	61648.139	63043.518	56868.211	58326.809
Caaguazú	Niños	61620.488	58676.666	57774.064	54825.119
Caazapá	Adultos	27109.340	25267.604	25435.149	25329.682
Caazapá	Adultos mayores	10630.157	11090.025	9098.579	9467.521
Caazapá	Jóvenes	19774.780	18471.576	21739.725	22961.771
Caazapá	Niños	20370.232	20929.140	21254.509	23143.680
Canindeyú	Adultos	29353.348	29126.865	27180.104	27910.133
Canindeyú	Adultos mayores	8102.272	6933.353	7571.979	6806.734
Canindeyú	Jóvenes	23201.735	22415.829	25249.577	26178.164
Canindeyú	Niños	24824.903	27626.563	23864.647	23711.358
Central	Adultos	333035.999	335516.819	353358.843	357412.529
Central	Adultos mayores	104016.403	103485.200	125998.441	129405.749
Central	Jóvenes	253095.400	257871.269	255530.176	260627.799
Central	Niños	212221.491	219779.783	210259.881	198256.850
Concepción	Adultos	30102.044	32094.888	35552.786	36756.237
Concepción	Adultos mayores	13966.556	11891.421	15101.400	13901.009
Concepción	Jóvenes	26714.813	28994.231	29059.040	28883.738
Concepción	Niños	29980.020	26002.510	29196.606	32832.966
Cordillera	Adultos	44759.881	47226.110	44807.453	44650.116
Cordillera	Adultos mayores	19908.147	19051.521	23019.539	22195.916
Cordillera	Jóvenes	32098.872	32622.142	35168.611	35832.794
Cordillera	Niños	30430.759	29214.413	31539.852	33041.986
Guairá	Adultos	35985.078	35829.170	35813.839	36539.883
Guairá	Adultos mayores	13371.623	12015.225	13717.573	13896.116
Guairá	Jóvenes	25869.290	26205.100	24591.365	25047.956
Guairá	Niños	26210.010	25397.917	22419.608	24637.631
Itapúa	Adultos	75231.461	74540.062	77634.817	77503.782
Itapúa	Adultos mayores	28805.330	28312.887	29008.474	27939.808
Itapúa	Jóvenes	56621.992	61296.037	62272.340	61453.663
Itapúa	Niños	53956.189	56027.855	53048.836	53011.905
Misiones	Adultos	17845.707	18828.680	19438.286	20152.625
Misiones	Adultos mayores	8027.874	7878.384	9692.585	8956.980
Misiones	Jóvenes	13625.244	13143.555	14115.481	14315.573
Misiones	Niños	14110.527	13228.698	10851.753	12068.505
Paraguarí	Adultos	32977.996	32592.795	35513.148	35197.777
Paraguarí	Adultos mayores	18198.108	16978.674	16948.820	16849.794
Paraguarí	Jóvenes	22392.036	24584.969	23400.682	23593.683
Paraguarí	Niños	23442.779	23353.914	22747.514	24040.392
Pdte Hayes	Adultos	15688.869	14909.540	14991.532	15402.231
Pdte Hayes	Adultos mayores	4861.242	4366.244	4838.718	4334.008
Pdte Hayes	Jóvenes	10996.849	11697.915	11576.394	11448.033
Pdte Hayes	Niños	11588.511	12854.176	12221.084	12447.853
San Pedro	Adultos	60688.495	60164.188	62440.294	64431.670
San Pedro	Adultos mayores	23299.865	23851.130	21169.835	20594.061
San Pedro	Jóvenes	49039.818	47636.372	45901.730	44672.201
San Pedro	Niños	48407.912	48585.294	45561.815	49438.088
Ñeembucú	Adultos	13904.042	13609.215	14691.565	13893.096
Ñeembucú	Adultos mayores	7568.057	7259.536	6900.627	7415.723
Ñeembucú	Jóvenes	7067.135	7531.744	7310.554	7531.022
Ñeembucú	Niños	6415.232	7662.961	6518.170	6037.704

4.2 Cuadro 1. Población de adultos mayores por tramos de edad y sexo. País y por departamento.

table(ephcanurec$tramoedad)

## 
##         Adultos Adultos mayores         Jóvenes           Niños 
##           42648           17169           31279           28821

# Cargar paquetes necesarios
library(dplyr)
library(tidyr)
library(janitor)

## 
## Attaching package: 'janitor'

## The following objects are masked from 'package:stats':
## 
##     chisq.test, fisher.test

# Filtrar la población adulta mayor
# Asegúrate de que la categoría "Adultos mayores" exista en tramoedad, o ajusta según sea necesario.
poblacion_adulta_mayor <- ephcanurec %>%
  filter(tramoedad == "Adultos mayores") # Cambia "Adultos mayores" si es necesario

# Crear una tabla de frecuencias para la variable de sexo (asumiendo que 'P02' representa sexo)
table(poblacion_adulta_mayor$p02)  # Asegúrate de que 'p02' esté en minúscula y sea la variable correcta

## 
##   60   61   62   63   64   65   66   67   68   69   70   71   72   73   74   75 
## 1101 1048 1130 1017 1072 1017  933  868  765  743  698  566  616  518  520  505 
##   76   77   78   79   80   81   82   83   84   85   86   87   88   89   90   91 
##  503  389  403  339  296  271  273  237  213  203  180  146   92   80   95   79 
##   92   93   94   95   96   97   98   99  100  101  102  103  104  105  106 
##   48   50   48   32   23   16    4    5    7    7    5    2    2    3    1

# Tabla de adultos mayores por sexo y grupo de edad a nivel país
tabla_pais <- poblacion_adulta_mayor %>%
  group_by(sexo, edadquinquenal, anio) %>%
  summarize(total = sum(fex2022)) %>%
  pivot_wider(names_from = c(anio,sexo), values_from = total, values_fill = 0) %>%
  adorn_totals("row")

## `summarise()` has grouped output by 'sexo', 'edadquinquenal'. You can override
## using the `.groups` argument.

tabla_pais

edadquinquenal	2022_Hombres	2023_Hombres	2022_Mujeres	2023_Mujeres
60 a 64	120099.316	121063.9994	128154.541	129183.999
65 a 69	92231.444	92972.0004	95976.785	96748.001
70 a 74	60695.359	61183.0006	68111.500	68658.003
75 a 79	44488.171	44844.9996	49744.053	50144.000
80 a 84	24528.662	21026.2735	30106.063	30701.331
85 a 89	10545.276	14554.0692	18142.412	18626.319
90 a 94	4534.877	4408.3849	8656.685	8489.077
95 y más	1051.125	998.2743	3700.370	3275.273
Total	358174.231	361051.0018	402592.409	405826.003

# Tabla de adultos mayores por departamento, sexo y grupo de edad
tabla_departamento <- poblacion_adulta_mayor %>%
  group_by(dpto, sexo, edadquinquenal, anio) %>%
  summarize(total = sum(fex2022)) %>%
  pivot_wider(names_from = c(anio,sexo), values_from = total, values_fill = 0) %>%
  adorn_totals("row")

## `summarise()` has grouped output by 'dpto', 'sexo', 'edadquinquenal'. You can
## override using the `.groups` argument.

tabla_departamento

dpto	edadquinquenal	2022_Hombres	2023_Hombres	2022_Mujeres	2023_Mujeres
Alto Paraná	60 a 64	11209.51687	12873.28849	11940.83961	12141.13779
Alto Paraná	65 a 69	10485.33233	9401.54320	10283.95875	9126.45594
Alto Paraná	70 a 74	5325.77387	5676.32556	4269.44073	5355.64988
Alto Paraná	75 a 79	3920.05635	4666.22190	2729.13363	3481.06366
Alto Paraná	80 a 84	1496.88100	1244.21205	1875.70805	1691.72159
Alto Paraná	85 a 89	579.96517	393.02157	1672.65414	1201.69221
Alto Paraná	90 a 94	81.70027	56.59738	367.75026	399.65832
Alto Paraná	95 y más	0.00000	70.99251	93.49760	71.21061
Amambay	60 a 64	3442.67598	2892.96726	2298.86036	3216.04271
Amambay	65 a 69	1226.41929	1644.79808	2436.52275	2369.43392
Amambay	70 a 74	857.03737	949.19419	1076.44692	1368.49501
Amambay	75 a 79	752.76294	914.66859	973.17763	1113.13625
Amambay	80 a 84	220.21543	447.75461	534.13702	501.64507
Amambay	85 a 89	87.16406	134.85870	315.06495	330.92949
Amambay	90 a 94	72.23887	115.69916	189.84156	41.79429
Amambay	95 y más	33.90215	34.98040	120.54915	167.68315
Asunción	60 a 64	7220.24591	10248.98039	12557.09393	11623.52030
Asunción	65 a 69	6943.15387	8663.04787	11139.96970	11102.03943
Asunción	70 a 74	6156.94684	5769.26808	9814.50465	9372.36279
Asunción	75 a 79	3901.37470	5745.52513	8206.45405	8167.59249
Asunción	80 a 84	3131.93090	3334.19166	4600.93682	3976.07914
Asunción	85 a 89	1778.83672	1526.89388	2264.98276	3307.22461
Asunción	90 a 94	736.83669	540.22902	1629.65384	1222.97085
Asunción	95 y más	115.20681	323.59320	1229.90125	652.17694
Caaguazú	60 a 64	9078.50369	10433.61609	8524.29269	10926.93644
Caaguazú	65 a 69	7236.00072	6184.59100	6149.51628	6470.09574
Caaguazú	70 a 74	4292.06976	5622.92486	4213.93804	5500.75128
Caaguazú	75 a 79	3356.08036	3798.62734	3549.56065	4285.53212
Caaguazú	80 a 84	1476.45060	1354.81439	2067.81115	2410.07648
Caaguazú	85 a 89	1703.38429	2178.35252	1688.98793	1633.69938
Caaguazú	90 a 94	330.15520	506.29500	568.35875	652.46225
Caaguazú	95 y más	169.77752	189.32568	142.29410	181.31344
Caazapá	60 a 64	3481.90594	3523.83804	3269.65227	3072.35462
Caazapá	65 a 69	3257.54837	2955.96955	1906.82779	2459.56392
Caazapá	70 a 74	1627.52516	1951.84205	1625.17934	1264.56873
Caazapá	75 a 79	1303.14014	1657.48701	1285.40438	1306.01198
Caazapá	80 a 84	391.97642	436.38032	595.60117	706.04783
Caazapá	85 a 89	338.19185	317.05100	148.58061	356.77390
Caazapá	90 a 94	192.43217	220.20896	227.58662	154.37217
Caazapá	95 y más	37.43727	27.24784	39.74655	147.82735
Canindeyú	60 a 64	2926.86502	2694.09032	2941.10172	2941.78072
Canindeyú	65 a 69	2010.66055	1982.37975	2168.80261	1637.16384
Canindeyú	70 a 74	1313.70251	1203.34556	1052.62597	1248.18404
Canindeyú	75 a 79	979.24167	808.79484	555.98450	580.61700
Canindeyú	80 a 84	374.64301	130.39651	557.73830	255.68409
Canindeyú	85 a 89	402.22919	114.34616	142.32662	48.85832
Canindeyú	95 y más	94.93000	0.00000	0.00000	0.00000
Canindeyú	90 a 94	0.00000	0.00000	153.39900	94.44573
Central	60 a 64	39440.48287	38420.03844	44013.56476	44093.37740
Central	65 a 69	25053.04600	26936.95128	28351.29436	30811.28712
Central	70 a 74	17673.24353	17987.88142	22321.33374	22430.34427
Central	75 a 79	13073.75642	10472.33667	15039.49136	14522.51451
Central	80 a 84	6484.76148	4551.54997	7247.96919	8925.73583
Central	85 a 89	1064.22755	4474.15278	5895.81769	5360.37461
Central	90 a 94	1071.96950	529.22640	2267.75534	2516.41173
Central	95 y más	154.91537	113.06320	861.21467	745.70370
Concepción	60 a 64	4041.78171	3737.50600	4039.45917	3827.44551
Concepción	65 a 69	3981.70142	3233.01435	3464.40924	3025.72804
Concepción	70 a 74	2083.01040	1857.61357	3188.15163	3101.32110
Concepción	75 a 79	1900.30150	1342.55719	1740.44658	1405.32457
Concepción	80 a 84	1296.69199	932.41216	1210.91196	1294.20387
Concepción	85 a 89	494.82271	284.15977	692.86774	612.24227
Concepción	90 a 94	101.50475	504.15774	583.86490	398.78625
Concepción	95 y más	66.74126	0.00000	181.28884	235.95727
Cordillera	60 a 64	6711.38473	5598.78280	6950.39065	5906.74069
Cordillera	65 a 69	4913.53566	4315.72314	4649.29420	5402.90373
Cordillera	70 a 74	2999.84740	3329.37004	4092.99944	3550.03260
Cordillera	75 a 79	2547.10739	2610.23859	2879.71657	2717.02675
Cordillera	80 a 84	1804.00332	2141.68506	2337.52725	2469.15201
Cordillera	85 a 89	690.86455	616.71283	1217.22176	1725.00803
Cordillera	90 a 94	140.90501	338.84189	418.89482	323.37917
Cordillera	95 y más	100.49924	100.16667	473.49437	101.67347
Guairá	60 a 64	4546.08476	3562.22531	4539.04803	4497.70796
Guairá	65 a 69	3282.16247	3842.39262	3191.72730	3233.32729
Guairá	70 a 74	2665.48133	1818.91242	2370.42137	2204.49340
Guairá	75 a 79	1158.48828	1163.57401	1429.71355	2079.13525
Guairá	80 a 84	843.05798	753.13439	1326.61405	1025.58928
Guairá	85 a 89	582.99403	663.38090	563.52413	453.11658
Guairá	90 a 94	293.35413	105.74249	165.21089	237.95390
Guairá	95 y más	0.00000	105.86320	131.31337	164.79224
Itapúa	60 a 64	8599.72671	8076.91350	9426.51344	9202.87826
Itapúa	65 a 69	8212.87592	8555.32215	6887.96003	6944.75551
Itapúa	70 a 74	4967.12117	4587.44094	4213.26930	4266.79469
Itapúa	75 a 79	2960.39187	3489.95947	3772.36724	2794.08092
Itapúa	80 a 84	2394.19561	1783.29503	2513.95882	2531.58981
Itapúa	85 a 89	1338.86936	1322.71585	1523.23369	1121.95634
Itapúa	90 a 94	332.14968	497.24039	671.17136	1006.42039
Itapúa	95 y más	0.00000	0.00000	0.00000	71.33182
Misiones	60 a 64	2633.39782	2468.62448	2143.08691	2758.11564
Misiones	65 a 69	1994.57971	2006.67088	3032.97038	1947.57992
Misiones	70 a 74	1050.16378	1303.48578	1356.94126	1395.24329
Misiones	75 a 79	1409.38245	1076.57895	1335.51467	1361.71694
Misiones	80 a 84	538.67351	379.43716	789.02662	633.29461
Misiones	85 a 89	232.70367	402.84973	441.21243	576.54514
Misiones	90 a 94	168.97279	207.69560	441.38360	226.85290
Misiones	95 y más	0.00000	33.04164	152.44947	57.63205
Paraguarí	60 a 64	6138.94075	5595.35832	4677.37772	4074.40962
Paraguarí	65 a 69	4604.10360	4110.20019	4654.41919	4603.29155
Paraguarí	70 a 74	2177.10696	2300.60729	3070.63418	2397.79943
Paraguarí	75 a 79	2731.55429	2590.00025	1859.92491	2307.80391
Paraguarí	80 a 84	1304.13344	1271.02740	2057.04454	1722.58226
Paraguarí	85 a 89	542.97188	773.12934	504.17253	1154.73855
Paraguarí	90 a 94	607.59313	338.35165	42.05390	298.81593
Paraguarí	95 y más	91.70439	0.00000	83.19262	290.35278
Pdte Hayes	60 a 64	1794.36398	1346.59079	1582.14392	1697.01849
Pdte Hayes	65 a 69	1165.26395	1043.06208	1396.42408	1147.37436
Pdte Hayes	70 a 74	978.21783	1228.71295	723.86667	561.78425
Pdte Hayes	75 a 79	379.65923	389.44982	667.54797	404.56208
Pdte Hayes	80 a 84	363.25804	221.62920	248.12049	385.57422
Pdte Hayes	85 a 89	60.11196	109.34158	189.03294	113.54850
Pdte Hayes	90 a 94	120.36730	27.45804	31.58192	24.14620
San Pedro	60 a 64	6842.65555	7594.71817	7377.72067	6672.31428
San Pedro	65 a 69	5699.83650	5931.13755	4641.92788	4604.33402
San Pedro	70 a 74	5371.11275	4322.99322	3729.24536	3530.83656
San Pedro	75 a 79	3018.93356	3303.04351	2619.45300	2934.41969
San Pedro	80 a 84	1528.88507	1441.67521	1418.59146	1525.52529
San Pedro	85 a 89	477.80864	955.08782	499.17184	224.19525
San Pedro	90 a 94	174.62115	302.47458	741.31109	784.95950
San Pedro	95 y más	186.01132	0.00000	142.41379	317.47647
Ñeembucú	60 a 64	1990.78416	1996.46102	1873.39537	2532.21887
Ñeembucú	65 a 69	2165.22358	2165.19668	1620.76060	1862.66659
Ñeembucú	70 a 74	1156.99845	1273.08263	992.50139	1109.34148
Ñeembucú	75 a 79	1095.93965	815.93635	1100.16234	683.46173
Ñeembucú	80 a 84	878.90442	602.67836	724.36602	646.82946
Ñeembucú	85 a 89	170.13002	288.01472	383.56005	405.41599
Ñeembucú	90 a 94	110.07683	118.16660	156.86682	105.64761
Ñeembucú	95 y más	0.00000	0.00000	49.01467	70.14152
Total	-	358174.23094	361051.00185	402592.40924	405826.00288

4.3 Cuadro 2. Población de adultos mayores por nivel de instruccion.

# Definir el orden de los niveles en nivelest2
poblacion_adulta_mayor <- poblacion_adulta_mayor %>%
  mutate(nivelest2 = factor(nivelest2, levels = c("Sin instrucción", "1 a 6 años", "7 a 12 años", "13 y más", "No disponible")))

# Crear la tabla y ordenar según nivelest2
tabla_pais <- poblacion_adulta_mayor %>%
  group_by(sexo, nivelest2, anio) %>%
  summarize(total = sum(fex2022), .groups = "drop") %>%
  pivot_wider(names_from = c(anio, sexo), values_from = total, values_fill = 0) %>%
  arrange(nivelest2)

# Mostrar la tabla ordenada
tabla_pais

nivelest2	2022_Hombres	2023_Hombres	2022_Mujeres	2023_Mujeres
Sin instrucción	17739.123	13060.2831	31793.4948	30232.0565
1 a 6 años	231292.427	228822.5385	257657.9918	254558.5856
7 a 12 años	70988.940	76481.3810	72776.2308	77542.4098
13 y más	37361.078	42517.7534	40141.9815	43021.5002
No disponible	792.663	169.0458	222.7104	471.4509

4.4 Cuadro 3. Población de adultos mayores por categoría de ocupación

poblacion_adulta_mayor <- ephcanurec %>%
  filter(tramoedad == "Adultos mayores" & peaa==1) # Cambia "Adultos mayores" si es necesario

# Crear la tabla y ordenar según nivelest2
tabla_pais <- poblacion_adulta_mayor %>%
  group_by(sexo, tipoocupa, anio) %>%
  summarize(total = sum(fex2022), .groups = "drop") %>%
  pivot_wider(names_from = c(anio, sexo), values_from = total, values_fill = 0) 

# Mostrar la tabla ordenada
tabla_pais

tipoocupa	2022_Hombres	2023_Hombres	2022_Mujeres	2023_Mujeres
Agricultores y trabajadores Agropecuarios y Pesqueros	84909.568	83111.852	34831.2443	37263.919
Empleados de oficina	3422.187	1922.069	1607.3699	1926.401
Miembros del Poder Ejec., Legis. y Jud., personal directivo de la Adm. pública y de empresa	11983.026	12823.543	4915.6782	7222.419
Oficiales, operarios y artesanos de artes mecánicas y de otros oficios	31963.491	30166.404	13298.8731	11663.868
Operadores de instalaciones y máquinas y montadores	10455.430	9706.164	526.9631	1093.528
Profesionales científicos e intelectuales	6946.308	8875.833	6155.2677	4248.425
Trabajadores de los servicios y vendedores de comercios y mercados	23095.546	24414.359	40890.2320	47444.139
Trabajadores no calificados	24704.885	26414.921	16992.6259	18828.642
Técnicos y profesionales de nivel medio	8860.124	8549.395	4003.0105	3496.799

4.5 Cuadro 3. Población adulta mayor por grupos de edad según estado civil

poblacion_adulta_mayor <- ephcanurec %>%
  filter(tramoedad == "Adultos mayores") # Cambia "Adultos mayores" si es necesario

# Crear la tabla y ordenar según nivelest2
tabla_pais <- poblacion_adulta_mayor %>%
  group_by(sexo, edadquinquenal, estadocivil, anio) %>%
  summarize(total = sum(fex2022), .groups = "drop") %>%
  pivot_wider(names_from = c(anio, sexo), values_from = total, values_fill = 0) 

# Mostrar la tabla ordenada
tabla_pais

edadquinquenal	estadocivil	2022_Hombres	2023_Hombres	2022_Mujeres	2023_Mujeres
60 a 64	Casado	70927.80965	73476.32269	61391.81404	62889.02906
60 a 64	Divorciado	1646.14836	1631.45806	1728.39174	2589.17319
60 a 64	Separado	6855.24349	6744.36259	8142.64462	7683.15918
60 a 64	Soltero	14710.84654	14892.32241	23700.16141	21067.26206
60 a 64	Unido	20686.61152	20818.59058	14560.75915	15394.24286
60 a 64	Viudo	5272.65686	3500.94309	18630.77028	19561.13294
65 a 69	Casado	51689.76601	55803.13001	42697.24424	44075.67037
65 a 69	Divorciado	820.61831	1150.04895	369.94928	848.52515
65 a 69	Separado	4445.27544	4021.40379	5247.02340	5056.31526
65 a 69	Soltero	13118.37290	11960.42424	17086.55124	17198.61951
65 a 69	Unido	15954.65819	13391.77152	9754.00118	8881.87404
65 a 69	Viudo	6202.75307	6645.22185	20822.01579	20686.99659
70 a 74	Casado	36467.14428	38170.87565	24355.81724	27006.40185
70 a 74	Divorciado	788.03223	790.42540	240.76355	479.76262
70 a 74	Separado	3291.11595	2793.12275	3479.04471	3214.16860
70 a 74	Soltero	6868.57016	7494.55013	12533.86776	10395.51836
70 a 74	Unido	6800.15336	5881.86481	4381.68677	4145.45279
70 a 74	Viudo	6480.34314	6052.16182	23120.31998	23416.69858
75 a 79	Casado	23797.19838	25407.22833	13560.18578	14151.39655
75 a 79	Divorciado	435.24880	383.43520	1073.04753	301.83095
75 a 79	Separado	2054.22731	2409.58714	1858.12621	1568.98951
75 a 79	Soltero	4819.52774	5087.96852	9995.45700	10011.45668
75 a 79	Unido	4718.17383	4390.94443	1878.69176	1729.89833
75 a 79	Viudo	8663.79474	7165.83600	21378.54475	22380.42782
80 a 84	Casado	13822.21896	12079.33477	7482.57431	5570.84545
80 a 84	Divorciado	0.00000	56.41613	105.36932	167.88060
80 a 84	Separado	1156.06937	267.97245	310.79082	695.03437
80 a 84	Soltero	2237.67096	1632.70309	4376.02234	4839.12358
80 a 84	Unido	1609.25844	1362.25098	1016.88646	1304.50834
80 a 84	Viudo	5703.44448	5627.59606	16814.41968	18123.93850
85 a 89	Casado	5407.66140	6100.44380	1392.84090	2525.61005
85 a 89	Divorciado	72.99226	0.00000	85.16212	323.75720
85 a 89	Separado	136.34531	209.41444	288.19848	494.25319
85 a 89	Soltero	712.33319	1428.18991	4189.26627	3370.28924
85 a 89	Unido	586.17049	1178.69854	211.89008	374.31122
85 a 89	Viudo	3629.77302	5637.32246	11975.05397	11538.09827
90 a 94	Casado	1494.12131	1797.29602	782.55811	526.43541
90 a 94	Separado	95.08639	102.66329	505.64137	219.35300
90 a 94	Soltero	834.42490	626.84082	1525.06377	1663.61861
90 a 94	Unido	200.27611	176.31373	33.72141	25.41433
90 a 94	Viudo	1910.96876	1705.27104	5809.69999	6054.25584
95 y más	Casado	601.51389	365.99515	100.49924	124.98541
95 y más	Soltero	0.00000	33.04164	661.21239	734.48215
95 y más	Unido	33.90215	0.00000	0.00000	0.00000
95 y más	Viudo	415.70929	599.23755	2938.65881	2415.80525

4.6 Cuadro 4 Población de adultos mayores según relación de parentesco con el jefe de hogar

poblacion_adulta_mayor <- ephcanurec %>%
  filter(tramoedad == "Adultos mayores") # Cambia "Adultos mayores" si es necesario

# Crear la tabla y ordenar según nivelest2
tabla_pais <- poblacion_adulta_mayor %>%
  group_by(sexo, relacionparen, anio) %>%
  summarize(total = sum(fex2022), .groups = "drop") %>%
  pivot_wider(names_from = c(anio, sexo), values_from = total, values_fill = 0) 

# Mostrar la tabla ordenada
tabla_pais

relacionparen	2022_Hombres	2023_Hombres	2022_Mujeres	2023_Mujeres
Esposo/a, compañero/a	44842.1601	42274.3787	135937.98771	142605.5121
Hijastro/a	68.7098	253.5838	224.39246	197.4594
Hijo/a	2866.7618	3256.7685	3251.42412	4295.7107
Jefe/a	277908.1621	285952.3627	198285.36032	198807.2645
No pariente	1948.3672	2077.5483	2174.06171	2178.1376
Otro pariente	12341.9635	12338.0044	11802.35757	11490.5141
Padre/Madre	12105.4768	9326.1635	36416.85511	32907.2898
Suegro/a	5746.1456	4980.0359	13329.63606	12327.7492
Yerno/Nuera	346.4841	592.1560	59.27654	163.4452
Personal doméstico	0.0000	0.0000	1111.05764	852.9203

4.7 Cuadro 5: Población de adultos mayores ocupados según jubilado/pensionado

# Crear el campo 'esjub' para identificar a los jubilados
ephcanurec <- ephcanurec %>%
  mutate(
    esjub = ifelse(e01hde > 0 & !is.na(e01hde), 1, 0),
    esjub = factor(esjub, levels = c(0, 1), labels = c("No es jubilado/a", "Sí es jubilado/a"))
  )

# Crear el campo 'espen' para identificar a los pensionados
ephcanurec <- ephcanurec %>%
  mutate(
    espen = ifelse(e01jde > 0 & !is.na(e01jde), 1, 0),
    espen = factor(espen, levels = c(0, 1), labels = c("No es pensionado/a", "Sí es pensionado/a"))
  )

# Crear el campo 'esjubopen' para identificar a quienes son jubilados o pensionados
ephcanurec <- ephcanurec %>%
  mutate(
    esjubopen = ifelse(esjub == "Sí es jubilado/a" | espen == "Sí es pensionado/a", 1, 0),
    esjubopen = factor(esjubopen, levels = c(0, 1), labels = c("No es jubilado ni pensionado", "Sí es jubilado o pensionado"))
  )

poblacion_adulta_mayor <- ephcanurec %>%
  filter(tramoedad == "Adultos mayores") # Cambia "Adultos mayores" si es necesario

# Crear la tabla y ordenar según nivelest2
tabla_pais <- poblacion_adulta_mayor %>%
  group_by(sexo, esjubopen, anio) %>%
  summarize(total = sum(fex2022), .groups = "drop") %>%
  pivot_wider(names_from = c(anio, sexo), values_from = total, values_fill = 0) 

# Mostrar la tabla ordenada
tabla_pais

esjubopen	2022_Hombres	2023_Hombres	2022_Mujeres	2023_Mujeres
No es jubilado ni pensionado	308599.99	310775.47	354975.46	354047.46
Sí es jubilado o pensionado	49574.24	50275.53	47616.95	51778.54

4.8 Cuadro 6. Población de adultos mayores según ocupado/desocupado

poblacion_adulta_mayor <- ephcanurec %>%
  filter(tramoedad == "Adultos mayores") # Cambia "Adultos mayores" si es necesario

# Crear la tabla y ordenar según nivelest2
tabla_pais <- poblacion_adulta_mayor %>%
  group_by(situacionlab2, sexo, edadquinquenal, anio) %>%
  summarize(total = sum(fex2022), .groups = "drop") %>%
  pivot_wider(names_from = c(anio, sexo), values_from = total, values_fill = 0) 

# Mostrar la tabla ordenada
tabla_pais

situacionlab2	edadquinquenal	2022_Hombres	2023_Hombres	2022_Mujeres	2023_Mujeres
Desocupados	60 a 64	3445.17284	5790.31151	1734.59051	1003.2178
Desocupados	65 a 69	2152.55627	3032.70274	289.51606	714.6833
Desocupados	70 a 74	846.71241	238.48964	104.32354	620.8209
Desocupados	75 a 79	488.18833	498.58253	74.22228	223.3637
Desocupados	80 a 84	73.53056	156.00860	0.00000	0.0000
Desocupados	85 a 89	0.00000	365.47980	0.00000	0.0000
Inactivos	60 a 64	22224.98092	23931.59521	66508.38569	62649.9716
Inactivos	65 a 69	32083.96020	28646.61462	60871.50176	56938.8064
Inactivos	70 a 74	30269.64239	31497.70928	52038.05450	50756.6195
Inactivos	75 a 79	27922.84784	27426.72444	40800.73532	42047.1551
Inactivos	80 a 84	17918.94522	16300.14152	27435.42024	28416.3097
Inactivos	85 a 89	9046.05818	12025.91288	17628.19792	17810.5842
Inactivos	90 a 94	4309.94536	4308.56118	8351.97956	8181.0583
Inactivos	95 y más	1051.12533	847.62784	3534.21724	3275.2728
Ocupados	60 a 64	94429.16266	91342.09270	59911.56504	65530.8099
Ocupados	65 a 69	57994.92746	61292.68301	34815.76731	39094.5112
Ocupados	70 a 74	29579.00431	29446.80164	15969.12197	17280.5624
Ocupados	75 a 79	16077.13463	16919.69265	8869.09542	7873.4810
Ocupados	80 a 84	6536.18643	4570.12336	2670.64268	2285.0212
Ocupados	85 a 89	1499.21749	2162.67647	514.21390	815.7350
Ocupados	90 a 94	224.93211	99.82372	304.70510	308.0189
Ocupados	95 y más	0.00000	150.64650	166.15320	0.0000

4.9 Cuadro 7. Población de adultos mayores según tipo de ocupación

poblacion_adulta_mayor <- ephcanurec %>%
  filter(tramoedad == "Adultos mayores") # Cambia "Adultos mayores" si es necesario

# Crear la tabla y ordenar según nivelest2
tabla_pais <- poblacion_adulta_mayor %>%
  group_by(catepea, sexo, edadquinquenal, anio) %>%
  summarize(total = sum(fex2022), .groups = "drop") %>%
  pivot_wider(names_from = c(anio, sexo), values_from = total, values_fill = 0) 

# Mostrar la tabla ordenada
tabla_pais

catepea	edadquinquenal	2022_Hombres	2023_Hombres	2022_Mujeres	2023_Mujeres
Cuenta propia	60 a 64	56147.12288	52980.47900	31737.08701	31618.86289
Cuenta propia	65 a 69	38188.03942	41017.50788	23111.26725	22230.31318
Cuenta propia	70 a 74	21000.96075	21876.36120	10804.48874	12559.35795
Cuenta propia	75 a 79	12980.05595	13078.67652	6601.09136	5442.66511
Cuenta propia	80 a 84	5560.25556	3746.31367	2237.76123	2019.65752
Cuenta propia	85 a 89	1067.31987	2192.94149	270.74290	401.32586
Cuenta propia	90 a 94	151.40356	99.82372	268.23180	282.60459
Doméstico/a	60 a 64	335.43964	981.71827	8657.14526	10109.58435
Doméstico/a	65 a 69	559.71042	812.75447	2761.34400	4114.29257
Doméstico/a	70 a 74	42.57706	434.69031	1231.80163	1115.83389
Doméstico/a	75 a 79	99.54562	118.58290	66.98171	343.84623
Doméstico/a	80 a 84	80.56576	0.00000	53.86790	66.76161
Doméstico/a	85 a 89	0.00000	0.00000	40.50042	0.00000
Empleador/patrón	60 a 64	9041.71663	11483.97297	1943.54208	3260.48225
Empleador/patrón	65 a 69	5570.28372	4689.02902	1046.82579	1449.33354
Empleador/patrón	70 a 74	3137.71609	2844.52056	865.62443	815.05024
Empleador/patrón	75 a 79	1557.94269	1311.53925	650.48923	756.82561
Empleador/patrón	80 a 84	678.87266	521.49187	166.92596	130.06060
Empleador/patrón	85 a 89	167.33183	235.76840	0.00000	325.59527
Obrero privado	60 a 64	22478.21388	22543.27647	7143.80885	6749.27586
Obrero privado	65 a 69	10448.06508	11986.78041	1752.25681	3478.08067
Obrero privado	70 a 74	3698.31412	2889.43898	720.29168	365.24982
Obrero privado	75 a 79	1116.59102	1394.03232	333.48944	317.00080
Obrero privado	80 a 84	121.45913	256.41514	92.30266	0.00000
Obrero privado	85 a 89	74.81545	0.00000	0.00000	0.00000
Obrero privado	95 y más	0.00000	150.64650	166.15320	0.00000
Obrero público	60 a 64	7629.28561	7451.42073	4313.77792	4995.34885
Obrero público	65 a 69	3727.36715	3909.12744	1542.52147	2066.86230
Obrero público	70 a 74	1529.80479	603.75343	798.60313	614.17242
Obrero público	75 a 79	585.45180	770.18085	457.51053	400.38300
Obrero público	80 a 84	118.85799	64.66978	119.78492	0.00000
Obrero público	85 a 89	117.06033	99.44638	87.22576	88.81384
Trabajador fam. no remun.	60 a 64	2242.55686	1691.53678	7850.79442	9660.31908
Trabajador fam. no remun.	65 a 69	1654.01793	1910.18652	4891.06804	6470.31224
Trabajador fam. no remun.	70 a 74	1016.34391	1036.52680	1652.63590	2431.71896
Trabajador fam. no remun.	75 a 79	225.73589	745.26334	833.75544	836.12399
Trabajador fam. no remun.	80 a 84	49.70588	137.24150	0.00000	68.54144
Trabajador fam. no remun.	85 a 89	72.69001	0.00000	115.74482	0.00000
Trabajador fam. no remun.	90 a 94	73.52855	0.00000	36.47330	25.41433
NA	60 a 64	22224.98092	23931.59521	66508.38569	62790.12603
NA	65 a 69	32083.96020	28646.61462	60871.50176	56938.80642
NA	70 a 74	30269.64239	31497.70928	52038.05450	50756.61952
NA	75 a 79	27922.84784	27426.72444	40800.73532	42047.15511
NA	80 a 84	17918.94522	16300.14152	27435.42024	28416.30967
NA	85 a 89	9046.05818	12025.91288	17628.19792	17810.58420
NA	90 a 94	4309.94536	4308.56118	8351.97956	8181.05827
NA	95 y más	1051.12533	847.62784	3534.21724	3275.27281

4.10 Cuadro 8. Población de adultos mayores según sector de ocupación (primario, secundario, terciario)

poblacion_adulta_mayor <- ephcanurec %>%
  filter(tramoedad == "Adultos mayores") # Cambia "Adultos mayores" si es necesario

    
# Crear la tabla y ordenar según nivelest2
tabla_pais <- poblacion_adulta_mayor %>%
  group_by(sector, sexo, edadquinquenal, anio) %>%
  summarize(total = sum(fex2022), .groups = "drop") %>%
  pivot_wider(names_from = c(anio, sexo), values_from = total, values_fill = 0) 

# Mostrar la tabla ordenada
tabla_pais

sector	edadquinquenal	2022_Hombres	2023_Hombres	2022_Mujeres	2023_Mujeres
Primario	60 a 64	33805.32306	30904.98098	14840.5059	15990.1897
Primario	65 a 69	26904.12057	26335.20062	10683.8000	11782.2787
Primario	70 a 74	15689.15805	15654.44632	5159.6071	6029.0233
Primario	75 a 79	9487.82371	9951.35717	3577.5853	2825.9161
Primario	80 a 84	4245.63250	3146.23544	978.9576	893.3891
Primario	85 a 89	998.03120	1529.93647	125.8350	240.2525
Primario	90 a 94	224.93211	99.82372	194.3185	105.1605
Secundario	60 a 64	21462.60141	21081.36386	5839.0331	6769.0020
Secundario	65 a 69	9689.07223	10979.81540	4748.2145	3935.1711
Secundario	70 a 74	4599.75044	3599.92723	1825.5422	1144.5871
Secundario	75 a 79	2045.38488	1292.51864	1034.0156	771.9569
Secundario	80 a 84	761.03711	436.00754	353.5250	184.0174
Secundario	85 a 89	72.69001	382.89490	0.0000	383.5113
Terciario	60 a 64	42606.41104	45146.05938	40966.6165	43634.6815
Terciario	65 a 69	23554.29093	27010.36973	19673.2688	24091.7447
Terciario	70 a 74	10136.80824	10430.91774	9088.2962	10727.7729
Terciario	75 a 79	5032.11437	6174.39937	4331.7167	4498.9717
Terciario	80 a 84	1603.04738	1143.88898	1338.1601	1207.6147
Terciario	85 a 89	428.49628	615.32490	388.3789	191.9711
Terciario	95 y más	0.00000	150.64650	166.1532	0.0000
Terciario	90 a 94	0.00000	0.00000	110.3866	202.8585
NA	60 a 64	22224.98092	23931.59521	66508.3857	62790.1260
NA	65 a 69	32083.96020	28646.61462	60871.5018	56938.8064
NA	70 a 74	30269.64239	31497.70928	52038.0545	50756.6195
NA	75 a 79	27922.84784	27426.72444	40800.7353	42047.1551
NA	80 a 84	17918.94522	16300.14152	27435.4202	28416.3097
NA	85 a 89	9046.05818	12025.91288	17628.1979	17810.5842
NA	90 a 94	4309.94536	4308.56118	8351.9796	8181.0583
NA	95 y más	1051.12533	847.62784	3534.2172	3275.2728

4.11 Cuadro 9 Población de adultos mayores según trabajo remunerado (ocupados asalariados = asalariados + domesticos)

poblacion_adulta_mayor <- ephcanurec %>%
  filter(tramoedad == "Adultos mayores"  & peaa==1 & (cate_pea==2 | cate_pea==6 ))

    
# Crear la tabla y ordenar según nivelest2
tabla_pais <- poblacion_adulta_mayor %>%
  group_by(sexo, edadquinquenal, anio) %>%
  summarize(total = sum(fex2022), .groups = "drop") %>%
  pivot_wider(names_from = c(anio, sexo), values_from = total, values_fill = 0) 

# Mostrar la tabla ordenada
tabla_pais

edadquinquenal	2022_Hombres	2023_Hombres	2022_Mujeres	2023_Mujeres
60 a 64	21766.31554	21511.9251	14822.97198	16204.07585
65 a 69	10071.21195	11190.0864	4513.60082	6993.61666
70 a 74	3400.31670	3290.6194	1952.09331	860.26281
75 a 79	1216.13664	1512.6152	400.47115	478.95813
80 a 84	128.49433	100.4065	146.17057	66.76161
85 a 89	74.81545	0.0000	40.50042	0.00000
95 y más	0.00000	150.6465	166.15320	0.00000

4.12 Cuadro 10. Población adulta mayor según trabajo

Durante los últimos 7 días. ¿Ha realizado algún trabajo ya sea como empleado, cuenta propia, empleador (patrón) o como familiar no remunerado?

poblacion_adulta_mayor <- ephcanurec %>%
  filter(tramoedad == "Adultos mayores" )
poblacion_adulta_mayor$trabajo_ultimos_7d = poblacion_adulta_mayor$a02 
poblacion_adulta_mayor$trabajo_ultimos_7d = factor(poblacion_adulta_mayor$trabajo_ultimos_7d, levels = c(1, 6), labels = c("Sí", "No"))

table(poblacion_adulta_mayor$trabajo_ultimos_7d)

## 
##   Sí   No 
## 7677 9492

# Crear la tabla y ordenar según nivelest2
tabla_pais <- poblacion_adulta_mayor %>%
  group_by(trabajo_ultimos_7d, sexo, edadquinquenal, anio) %>%
  summarize(total = sum(fex2022), .groups = "drop") %>%
  pivot_wider(names_from = c(anio, sexo), values_from = total, values_fill = 0) 

# Mostrar la tabla ordenada
tabla_pais

trabajo_ultimos_7d	edadquinquenal	2022_Hombres	2023_Hombres	2022_Mujeres	2023_Mujeres
Sí	60 a 64	91278.6319	88893.11884	58255.7174	63429.8635
Sí	65 a 69	56720.8578	59913.07276	32872.6665	38047.2959
Sí	70 a 74	28772.3395	28719.76117	15419.3545	16780.9273
Sí	75 a 79	15476.8467	16502.01820	8321.4088	7663.1565
Sí	80 a 84	6288.1739	4570.12336	2515.1774	2285.0212
Sí	85 a 89	1426.5275	2162.67647	437.3164	815.7350
Sí	90 a 94	224.9321	99.82372	304.7051	308.0189
Sí	95 y más	0.0000	150.64650	166.1532	0.0000
No	60 a 64	28820.6845	32170.88058	69898.8239	65754.1358
No	65 a 69	35510.5861	33058.92761	63104.1186	58700.7050
No	70 a 74	31923.0196	32463.23939	52692.1455	51877.0755
No	75 a 79	29011.3241	28342.98142	41422.6442	42480.8433
No	80 a 84	18240.4883	16456.15012	27590.8856	28416.3097
No	85 a 89	9118.7482	12391.39268	17705.0954	17810.5842
No	90 a 94	4309.9454	4308.56118	8351.9796	8181.0583
No	95 y más	1051.1253	847.62784	3534.2172	3275.2728

4.13 Cuadro 11. Población adulta mayor por sexo según actividad en los últimos 7 días - Sección 6A - Pregunta 4

¿Tiene algún trabajo o una ocupación como obrero, empleado, cuenta propia o empleador (patrón) aunque no lo haya realizado en los últimos 7 días, pudiendo reincorporarse al empleo?

poblacion_adulta_mayor <- ephcanurec %>%
  filter(tramoedad == "Adultos mayores" )
poblacion_adulta_mayor$trabajo_antes_o_busca = poblacion_adulta_mayor$a04
poblacion_adulta_mayor$trabajo_antes_o_busca = factor(poblacion_adulta_mayor$trabajo_antes_o_busca, levels = c(1, 6, 9), labels = c("Sí", "No", "NR"))

table(poblacion_adulta_mayor$trabajo_antes_o_busca)

## 
##   Sí   No   NR 
##  147 9279    0

# Crear la tabla y ordenar según nivelest2
tabla_pais <- poblacion_adulta_mayor %>%
  group_by(trabajo_antes_o_busca, sexo, edadquinquenal, anio) %>%
  summarize(total = sum(fex2022), .groups = "drop") %>%
  pivot_wider(names_from = c(anio, sexo), values_from = total, values_fill = 0) 

# Mostrar la tabla ordenada
tabla_pais

trabajo_antes_o_busca	edadquinquenal	2022_Hombres	2023_Hombres	2022_Mujeres	2023_Mujeres
Sí	60 a 64	2681.8251	2224.82366	1348.6076	1672.9778
Sí	65 a 69	850.4106	1130.48641	911.6319	222.8519
Sí	70 a 74	781.5015	479.76338	467.2280	351.1339
Sí	75 a 79	476.4275	267.58830	275.0642	0.0000
Sí	80 a 84	91.7743	0.00000	119.7849	0.0000
No	60 a 64	25670.1538	29721.90672	68242.9762	63653.1894
No	65 a 69	34236.5165	31679.31736	61161.0178	57653.4897
No	70 a 74	31116.3548	31736.19892	52142.3780	51377.4404
No	75 a 79	28411.0362	27925.30697	40874.9576	42270.5188
No	80 a 84	17992.4758	16456.15012	27435.4202	28416.3097
No	85 a 89	9046.0582	12391.39268	17628.1979	17810.5842
No	90 a 94	4309.9454	4308.56118	8351.9796	8181.0583
No	95 y más	1051.1253	847.62784	3534.2172	3275.2728
NA	60 a 64	91747.3376	89117.26904	58562.9574	63857.8321
NA	65 a 69	57144.5169	60162.19660	33904.1354	38871.6593
NA	70 a 74	28797.5028	28967.03826	15501.8940	16929.4285
NA	75 a 79	15600.7072	16652.10435	8594.0312	7873.4810
NA	80 a 84	6444.4121	4570.12336	2550.8578	2285.0212
NA	85 a 89	1499.2175	2162.67647	514.2139	815.7350
NA	90 a 94	224.9321	99.82372	304.7051	308.0189
NA	95 y más	0.0000	150.64650	166.1532	0.0000

4.14 Cuadro 12. Cuál fue la razón principal por la que no buscó trabajo en los últimos 7 días? Sección 6A - Pregunta 18

¿Cuál es la razón principal por la que dejó su última ocupación?

NO EXISTE LA PREGUNTA EN LA BASE DEL AÑO 2023

4.15 Cuadro 13. Código ocupación que desempeñaba en su último trabajo. Sección 6A - Pregunta 13 código

# Filtrar la población adulta mayor
poblacion_adulta_mayor <- ephcanurec %>%
  filter(tramoedad == "Adultos mayores")

# Asignar 'a13rec' como ocupación del último trabajo
poblacion_adulta_mayor$ocupacion_ultimo_trabajo <- poblacion_adulta_mayor$a13rec

# Convertir 'ocupacion_ultimo_trabajo' en un factor con las etiquetas correspondientes
poblacion_adulta_mayor$ocupacion_ultimo_trabajo <- factor(
  poblacion_adulta_mayor$ocupacion_ultimo_trabajo,
  levels = c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 99),
  labels = c(
    "Miembros del Poder Ejecutivo, Legislativo y Judicial, personal directivo de la Administración pública y de empresa",
    "Profesionales científicos e intelectuales",
    "Técnicos y profesionales de nivel medio",
    "Empleados de oficina",
    "Trabajadores de los servicios y vendedores de comercios y mercados",
    "Agricultores y trabajadores Agropecuarios y Pesqueros",
    "Oficiales, operarios y artesanos de artes mecánicas y de otros oficios",
    "Operadores de instalaciones y máquinas y montadores",
    "Trabajadores no calificados",
    "Fuerzas armadas",
    "NR"
  )
)

# Verificar la tabla de frecuencias para 'ocupacion_ultimo_trabajo'
table(poblacion_adulta_mayor$ocupacion_ultimo_trabajo)

## 
## Miembros del Poder Ejecutivo, Legislativo y Judicial, personal directivo de la Administración pública y de empresa 
##                                                                                                                322 
##                                                                          Profesionales científicos e intelectuales 
##                                                                                                                443 
##                                                                            Técnicos y profesionales de nivel medio 
##                                                                                                                282 
##                                                                                               Empleados de oficina 
##                                                                                                                224 
##                                                 Trabajadores de los servicios y vendedores de comercios y mercados 
##                                                                                                               1248 
##                                                              Agricultores y trabajadores Agropecuarios y Pesqueros 
##                                                                                                               1414 
##                                             Oficiales, operarios y artesanos de artes mecánicas y de otros oficios 
##                                                                                                               1157 
##                                                                Operadores de instalaciones y máquinas y montadores 
##                                                                                                                307 
##                                                                                        Trabajadores no calificados 
##                                                                                                               1757 
##                                                                                                    Fuerzas armadas 
##                                                                                                                 22 
##                                                                                                                 NR 
##                                                                                                                  7

# Crear la tabla y ordenar según nivelest2
tabla_pais <- poblacion_adulta_mayor %>%
  group_by(ocupacion_ultimo_trabajo, sexo, edadquinquenal, anio) %>%
  summarize(total = sum(fex2022), .groups = "drop") %>%
  pivot_wider(names_from = c(anio, sexo), values_from = total, values_fill = 0) 

# Mostrar la tabla ordenada
tabla_pais

ocupacion_ultimo_trabajo	edadquinquenal	2022_Hombres	2023_Hombres	2022_Mujeres	2023_Mujeres
Miembros del Poder Ejecutivo, Legislativo y Judicial, personal directivo de la Administración pública y de empresa	60 a 64	1892.59116	2508.02199	1207.10445	1499.13642
Miembros del Poder Ejecutivo, Legislativo y Judicial, personal directivo de la Administración pública y de empresa	65 a 69	1410.74378	1472.59501	1118.60010	1729.12709
Miembros del Poder Ejecutivo, Legislativo y Judicial, personal directivo de la Administración pública y de empresa	70 a 74	1923.80975	1879.90537	1676.41482	1514.09440
Miembros del Poder Ejecutivo, Legislativo y Judicial, personal directivo de la Administración pública y de empresa	75 a 79	1923.05571	1137.65874	1615.53165	1589.09929
Miembros del Poder Ejecutivo, Legislativo y Judicial, personal directivo de la Administración pública y de empresa	80 a 84	1189.28053	949.28073	1260.07460	483.01243
Miembros del Poder Ejecutivo, Legislativo y Judicial, personal directivo de la Administración pública y de empresa	85 a 89	720.24160	718.68878	197.67625	555.79823
Miembros del Poder Ejecutivo, Legislativo y Judicial, personal directivo de la Administración pública y de empresa	90 a 94	425.00004	87.14809	0.00000	407.98662
Miembros del Poder Ejecutivo, Legislativo y Judicial, personal directivo de la Administración pública y de empresa	95 y más	0.00000	172.94670	145.96596	0.00000
Profesionales científicos e intelectuales	60 a 64	1118.67697	1966.92320	3886.19879	4259.22110
Profesionales científicos e intelectuales	65 a 69	1581.80243	869.40795	4282.24080	3423.23946
Profesionales científicos e intelectuales	70 a 74	1403.72171	1143.36558	1942.37724	2875.15342
Profesionales científicos e intelectuales	75 a 79	946.17345	1106.11372	2783.69159	1714.82128
Profesionales científicos e intelectuales	80 a 84	517.41763	774.49008	892.52779	1790.83259
Profesionales científicos e intelectuales	85 a 89	122.69814	713.52282	37.96642	670.73864
Profesionales científicos e intelectuales	90 a 94	257.71107	0.00000	730.93569	465.87397
Profesionales científicos e intelectuales	95 y más	0.00000	113.06320	72.69001	0.00000
Técnicos y profesionales de nivel medio	60 a 64	2173.14681	1673.78550	1657.30032	1800.91458
Técnicos y profesionales de nivel medio	65 a 69	1433.11295	1764.96161	1664.33492	1956.34980
Técnicos y profesionales de nivel medio	70 a 74	1797.04618	1459.55936	1430.83095	1463.84298
Técnicos y profesionales de nivel medio	75 a 79	2056.93368	1394.26057	850.21982	1662.22951
Técnicos y profesionales de nivel medio	80 a 84	875.96719	1070.89897	789.44003	714.32496
Técnicos y profesionales de nivel medio	85 a 89	316.31285	205.90906	472.50088	317.34207
Técnicos y profesionales de nivel medio	90 a 94	156.26686	0.00000	72.69001	42.59326
Técnicos y profesionales de nivel medio	95 y más	0.00000	34.98040	0.00000	67.73185
Empleados de oficina	60 a 64	517.19050	1039.58986	3165.50627	2191.61721
Empleados de oficina	65 a 69	121.94633	1365.12765	2094.28513	1209.93082
Empleados de oficina	70 a 74	971.73798	1158.23881	2337.36379	2183.70376
Empleados de oficina	75 a 79	761.86563	687.17404	817.52959	1774.67183
Empleados de oficina	80 a 84	89.50427	184.67128	601.97383	641.81310
Empleados de oficina	85 a 89	193.34888	1072.86520	225.47206	434.63637
Empleados de oficina	95 y más	33.90215	0.00000	226.64532	0.00000
Empleados de oficina	90 a 94	0.00000	0.00000	318.86019	53.47862
Trabajadores de los servicios y vendedores de comercios y mercados	60 a 64	3104.97424	2824.67656	12392.36269	13034.93480
Trabajadores de los servicios y vendedores de comercios y mercados	65 a 69	2752.21236	2942.06284	10842.15115	11524.97388
Trabajadores de los servicios y vendedores de comercios y mercados	70 a 74	3793.59028	2846.07819	9021.56249	11430.38128
Trabajadores de los servicios y vendedores de comercios y mercados	75 a 79	2833.19855	2384.64269	6912.94337	8884.53220
Trabajadores de los servicios y vendedores de comercios y mercados	80 a 84	1162.07618	2025.01008	3581.56234	4522.24511
Trabajadores de los servicios y vendedores de comercios y mercados	85 a 89	148.69392	406.70568	2840.98590	2226.90913
Trabajadores de los servicios y vendedores de comercios y mercados	90 a 94	202.15163	75.56974	907.17252	1422.65183
Trabajadores de los servicios y vendedores de comercios y mercados	95 y más	115.20681	0.00000	384.96709	773.04171
Agricultores y trabajadores Agropecuarios y Pesqueros	60 a 64	2441.82493	3767.55564	1663.26637	1121.55326
Agricultores y trabajadores Agropecuarios y Pesqueros	65 a 69	6664.04096	4339.97870	1967.61400	1611.26951
Agricultores y trabajadores Agropecuarios y Pesqueros	70 a 74	6554.29490	7602.71861	2140.33164	1450.82020
Agricultores y trabajadores Agropecuarios y Pesqueros	75 a 79	8757.56672	8657.76232	3054.27970	4316.87347
Agricultores y trabajadores Agropecuarios y Pesqueros	80 a 84	6838.61888	5167.00947	2546.46977	2728.58957
Agricultores y trabajadores Agropecuarios y Pesqueros	85 a 89	3867.31751	5004.15438	1656.85473	2654.67881
Agricultores y trabajadores Agropecuarios y Pesqueros	90 a 94	2165.04828	2049.94198	1264.35528	1100.10881
Agricultores y trabajadores Agropecuarios y Pesqueros	95 y más	717.46540	299.07974	307.30945	423.02743
Oficiales, operarios y artesanos de artes mecánicas y de otros oficios	60 a 64	6899.62134	6846.07101	3760.90956	4094.19812
Oficiales, operarios y artesanos de artes mecánicas y de otros oficios	65 a 69	10376.10803	7966.40359	5126.47562	5914.74247
Oficiales, operarios y artesanos de artes mecánicas y de otros oficios	70 a 74	7349.28345	8077.74337	4445.87026	4754.14145
Oficiales, operarios y artesanos de artes mecánicas y de otros oficios	75 a 79	6005.01581	6074.31858	3285.06797	3479.93769
Oficiales, operarios y artesanos de artes mecánicas y de otros oficios	80 a 84	4066.99010	3318.15383	2476.89363	3330.89148
Oficiales, operarios y artesanos de artes mecánicas y de otros oficios	85 a 89	1405.68284	2547.61455	1636.52910	1601.83430
Oficiales, operarios y artesanos de artes mecánicas y de otros oficios	90 a 94	609.36475	657.41003	373.95809	314.06634
Oficiales, operarios y artesanos de artes mecánicas y de otros oficios	95 y más	100.49924	150.20765	115.51225	339.49435
Operadores de instalaciones y máquinas y montadores	60 a 64	2778.07798	3670.07036	239.79417	0.00000
Operadores de instalaciones y máquinas y montadores	65 a 69	3602.66082	4288.81120	152.97610	122.87630
Operadores de instalaciones y máquinas y montadores	70 a 74	2855.18919	3457.39791	50.08018	151.64613
Operadores de instalaciones y máquinas y montadores	75 a 79	1675.16049	2243.60507	0.00000	108.82729
Operadores de instalaciones y máquinas y montadores	80 a 84	1176.95791	1233.46406	123.05494	135.25970
Operadores de instalaciones y máquinas y montadores	85 a 89	578.56409	625.73896	0.00000	0.00000
Operadores de instalaciones y máquinas y montadores	90 a 94	42.18546	278.48432	0.00000	0.00000
Trabajadores no calificados	60 a 64	3901.29158	4248.77769	16465.53424	17048.98459
Trabajadores no calificados	65 a 69	5013.41055	5720.21024	13829.22848	14513.36410
Trabajadores no calificados	70 a 74	3732.82024	3356.43141	12150.87365	11347.42488
Trabajadores no calificados	75 a 79	3042.92517	4130.34723	8338.68363	8001.76875
Trabajadores no calificados	80 a 84	1725.36033	1571.96982	5112.59187	6795.14786
Trabajadores no calificados	85 a 89	1265.15974	1096.19325	2499.46236	3431.12869
Trabajadores no calificados	90 a 94	340.24914	790.52835	960.51578	1200.43844
Trabajadores no calificados	95 y más	0.00000	44.30851	327.08390	516.07940
Fuerzas armadas	60 a 64	371.43034	340.10988	0.00000	0.00000
Fuerzas armadas	65 a 69	193.73755	300.84177	0.00000	0.00000
Fuerzas armadas	70 a 74	209.39717	603.34309	0.00000	0.00000
Fuerzas armadas	75 a 79	145.30301	106.55640	0.00000	0.00000
Fuerzas armadas	80 a 84	0.00000	60.72280	0.00000	185.51200
Fuerzas armadas	90 a 94	30.26786	0.00000	0.00000	0.00000
NR	60 a 64	96.27129	0.00000	0.00000	84.97872
NR	65 a 69	0.00000	60.65277	0.00000	0.00000
NR	70 a 74	37.28684	0.00000	0.00000	0.00000
NR	75 a 79	0.00000	84.97872	0.00000	0.00000
NR	90 a 94	0.00000	62.40422	0.00000	0.00000
NR	85 a 89	0.00000	0.00000	0.00000	93.69306
NA	60 a 64	94804.21927	92178.41773	83716.56439	84048.46051
NA	65 a 69	59081.66816	61880.94704	54898.87882	54742.12748
NA	70 a 74	30067.18143	29598.21886	32915.79499	31486.79431
NA	75 a 79	16340.97259	16837.58154	22086.10569	18611.23854
NA	80 a 84	6886.48918	4670.60236	12721.47411	9373.70204
NA	85 a 89	1927.25609	2162.67647	8574.96413	6639.55987
NA	90 a 94	306.63238	406.89817	4028.19711	3481.87930
NA	95 y más	84.05172	183.68814	2120.19644	1155.89807

4.16 Cuadro 14. Código rama de actividad del establecimiento donde trabajaba. Sección 6A - Pregunta 14 Código

# Convertir 'a14rec' en 'sector_actividad' y asignar etiquetas
poblacion_adulta_mayor$sector_actividad <- factor(
  poblacion_adulta_mayor$a14rec,
  levels = c(1, 2, 3, 4, 5, 6, 7, 8, 99),
  labels = c(
    "Agricultura, ganadería, caza, silvicultura y pesca",
    "Industrias manufactureras",
    "Electricidad, gas y agua",
    "Construcciones",
    "Comercio al por mayor y menor, restaurantes y hoteles",
    "Transporte, almacenamiento y comunicaciones",
    "Establecimientos financieros, seguros, bienes inmuebles y servicios prestados a las empresas",
    "Servicios comunales, sociales y personales",
    "NR"
  )
)

# Verificar la tabla de frecuencias para 'sector_actividad'
table(poblacion_adulta_mayor$sector_actividad)

## 
##                                           Agricultura, ganadería, caza, silvicultura y pesca 
##                                                                                         1681 
##                                                                    Industrias manufactureras 
##                                                                                          918 
##                                                                     Electricidad, gas y agua 
##                                                                                           55 
##                                                                               Construcciones 
##                                                                                          480 
##                                        Comercio al por mayor y menor, restaurantes y hoteles 
##                                                                                         1334 
##                                                  Transporte, almacenamiento y comunicaciones 
##                                                                                          238 
## Establecimientos financieros, seguros, bienes inmuebles y servicios prestados a las empresas 
##                                                                                          155 
##                                                   Servicios comunales, sociales y personales 
##                                                                                         2316 
##                                                                                           NR 
##                                                                                            6

# Crear la tabla y ordenar según nivelest2
tabla_pais <- poblacion_adulta_mayor %>%
  group_by(sector_actividad, sexo, edadquinquenal, anio) %>%
  summarize(total = sum(fex2022), .groups = "drop") %>%
  pivot_wider(names_from = c(anio, sexo), values_from = total, values_fill = 0) 

# Mostrar la tabla ordenada
tabla_pais

sector_actividad	edadquinquenal	2022_Hombres	2023_Hombres	2022_Mujeres	2023_Mujeres
Agricultura, ganadería, caza, silvicultura y pesca	60 a 64	3249.71791	4536.30222	2217.58771	1870.80825
Agricultura, ganadería, caza, silvicultura y pesca	65 a 69	7894.41420	6087.87344	2889.55919	1990.54019
Agricultura, ganadería, caza, silvicultura y pesca	70 a 74	7692.20451	8198.44681	3132.04831	2138.02581
Agricultura, ganadería, caza, silvicultura y pesca	75 a 79	9049.09470	9896.37737	3418.27128	4669.70003
Agricultura, ganadería, caza, silvicultura y pesca	80 a 84	6619.00574	5536.75345	2772.34147	3208.01925
Agricultura, ganadería, caza, silvicultura y pesca	85 a 89	4428.55521	5416.44337	2064.65963	2810.36092
Agricultura, ganadería, caza, silvicultura y pesca	90 a 94	2442.78286	2446.20057	1614.86925	1186.17338
Agricultura, ganadería, caza, silvicultura y pesca	95 y más	717.46540	343.38825	478.21486	473.47025
Industrias manufactureras	60 a 64	3593.79774	2835.10334	5111.34643	3722.43634
Industrias manufactureras	65 a 69	3961.94649	4226.96418	6273.06364	5918.55390
Industrias manufactureras	70 a 74	4745.63890	5640.99751	5403.57593	4688.47889
Industrias manufactureras	75 a 79	3332.50460	3311.03900	4202.18176	3831.60368
Industrias manufactureras	80 a 84	2532.65170	2487.34322	2834.19893	3620.39350
Industrias manufactureras	85 a 89	1029.11843	2090.85985	1896.79771	1734.70178
Industrias manufactureras	90 a 94	333.15618	781.04383	334.69060	491.29164
Industrias manufactureras	95 y más	0.00000	34.98040	115.51225	339.49435
Electricidad, gas y agua	60 a 64	469.08427	688.77407	86.01844	0.00000
Electricidad, gas y agua	65 a 69	361.30957	741.26014	117.96711	0.00000
Electricidad, gas y agua	70 a 74	474.41956	565.26894	175.45439	355.93813
Electricidad, gas y agua	75 a 79	421.95277	283.19760	250.37180	53.58016
Electricidad, gas y agua	80 a 84	115.25624	287.03420	0.00000	0.00000
Construcciones	60 a 64	5390.67231	5712.54688	0.00000	236.14470
Construcciones	65 a 69	7651.76338	5456.42805	81.73061	0.00000
Construcciones	70 a 74	5126.92016	4683.87548	194.48249	139.35080
Construcciones	75 a 79	3579.72882	4342.06303	0.00000	0.00000
Construcciones	80 a 84	2383.93339	2170.64370	0.00000	0.00000
Construcciones	85 a 89	788.49248	1957.19016	0.00000	0.00000
Construcciones	90 a 94	311.25411	135.86306	0.00000	0.00000
Construcciones	95 y más	100.49924	150.20765	0.00000	0.00000
Comercio al por mayor y menor, restaurantes y hoteles	60 a 64	4097.39682	3941.60760	12577.18509	13874.66024
Comercio al por mayor y menor, restaurantes y hoteles	65 a 69	4699.10635	4503.74667	10149.08684	11717.00561
Comercio al por mayor y menor, restaurantes y hoteles	70 a 74	3305.40535	4985.88174	8920.38222	10166.87499
Comercio al por mayor y menor, restaurantes y hoteles	75 a 79	4054.21631	3470.17792	6683.71804	9060.93924
Comercio al por mayor y menor, restaurantes y hoteles	80 a 84	1849.07876	2181.00736	4120.62418	4326.60728
Comercio al por mayor y menor, restaurantes y hoteles	85 a 89	610.75740	550.58132	2772.94253	3039.80491
Comercio al por mayor y menor, restaurantes y hoteles	90 a 94	697.92298	393.36381	837.11251	1827.02972
Comercio al por mayor y menor, restaurantes y hoteles	95 y más	33.90215	0.00000	364.60218	634.73375
Transporte, almacenamiento y comunicaciones	60 a 64	1950.13482	3187.99369	755.31314	0.00000
Transporte, almacenamiento y comunicaciones	65 a 69	1875.55221	2284.98443	794.40345	456.31049
Transporte, almacenamiento y comunicaciones	70 a 74	2869.63312	2059.62950	446.87882	1198.21706
Transporte, almacenamiento y comunicaciones	75 a 79	1623.49404	1450.66324	314.16943	755.39763
Transporte, almacenamiento y comunicaciones	80 a 84	667.38588	948.37209	62.80120	306.28799
Transporte, almacenamiento y comunicaciones	85 a 89	568.39863	127.50368	145.99123	252.64346
Transporte, almacenamiento y comunicaciones	90 a 94	0.00000	101.27500	0.00000	0.00000
Transporte, almacenamiento y comunicaciones	95 y más	0.00000	0.00000	0.00000	87.86514
Establecimientos financieros, seguros, bienes inmuebles y servicios prestados a las empresas	60 a 64	1089.02655	1523.59027	693.90991	946.90278
Establecimientos financieros, seguros, bienes inmuebles y servicios prestados a las empresas	65 a 69	1168.18719	1754.41308	384.13464	619.80939
Establecimientos financieros, seguros, bienes inmuebles y servicios prestados a las empresas	70 a 74	966.26565	854.28063	794.12576	647.54462
Establecimientos financieros, seguros, bienes inmuebles y servicios prestados a las empresas	75 a 79	720.31532	363.82009	584.48833	520.09283
Establecimientos financieros, seguros, bienes inmuebles y servicios prestados a las empresas	80 a 84	207.37112	808.74579	252.17164	532.76112
Establecimientos financieros, seguros, bienes inmuebles y servicios prestados a las empresas	85 a 89	176.14291	200.13907	107.85262	119.05160
Establecimientos financieros, seguros, bienes inmuebles y servicios prestados a las empresas	90 a 94	331.22609	0.00000	0.00000	0.00000
Establecimientos financieros, seguros, bienes inmuebles y servicios prestados a las empresas	95 y más	0.00000	172.94670	0.00000	0.00000
Servicios comunales, sociales y personales	60 a 64	5358.99546	6459.66362	22996.61613	24484.58649
Servicios comunales, sociales y personales	65 a 69	5537.49637	5974.73058	20387.96081	21303.65386
Servicios comunales, sociales y personales	70 a 74	5410.40360	4596.40109	16128.75710	17836.77819
Servicios comunales, sociales y personales	75 a 79	5365.89166	4805.10111	12204.74668	12641.44773
Servicios comunales, sociales y personales	80 a 84	3267.49021	1935.77131	7342.45140	9333.55966
Servicios comunales, sociales y personales	85 a 89	1016.55453	2048.67523	2579.20396	3936.50357
Servicios comunales, sociales y personales	90 a 94	111.90287	81.33624	1841.81519	1502.70315
Servicios comunales, sociales y personales	95 y más	115.20681	113.06320	621.84470	583.81125
NR	60 a 64	96.27129	0.00000	0.00000	0.00000
NR	65 a 69	0.00000	60.65277	0.00000	0.00000
NR	70 a 74	37.28684	0.00000	0.00000	0.00000
NR	75 a 79	0.00000	84.97872	0.00000	0.00000
NR	90 a 94	0.00000	62.40422	0.00000	0.00000
NR	85 a 89	0.00000	0.00000	0.00000	93.69306
NA	60 a 64	94804.21927	92178.41773	83716.56439	84048.46051
NA	65 a 69	59081.66816	61880.94704	54898.87882	54742.12748
NA	70 a 74	30067.18143	29598.21886	32915.79499	31486.79431
NA	75 a 79	16340.97259	16837.58154	22086.10569	18611.23854
NA	80 a 84	6886.48918	4670.60236	12721.47411	9373.70204
NA	85 a 89	1927.25609	2162.67647	8574.96413	6639.55987
NA	90 a 94	306.63238	406.89817	4028.19711	3481.87930
NA	95 y más	84.05172	183.68814	2120.19644	1155.89807

4.17 Cuadro 15. En este trabajo era…. Sección 6A - Pregunta 15

# Convertir 'a15' en 'tipo_empleo' y asignar etiquetas
poblacion_adulta_mayor$tipo_empleo <- factor(
  poblacion_adulta_mayor$a15,
  levels = c(1, 2, 3, 4, 5, 6, 7, 8, 9),
  labels = c(
    "Empleado / obrero público",
    "Empleado / obrero privado",
    "Empleador o patrón",
    "Trabajador por cuenta propia",
    "Trabajador familiar no remunerado",
    "Empleado doméstico",
    "Empleado/obrero/empleado doméstico en el extranjero",
    "Empleador/patrón/cuenta propia en el extranjero",
    "NR"
  )
)

# Verificar la tabla de frecuencias para 'tipo_empleo'
table(poblacion_adulta_mayor$tipo_empleo)

## 
##                           Empleado / obrero público 
##                                                 891 
##                           Empleado / obrero privado 
##                                                1573 
##                                  Empleador o patrón 
##                                                 250 
##                        Trabajador por cuenta propia 
##                                                3386 
##                   Trabajador familiar no remunerado 
##                                                   0 
##                                  Empleado doméstico 
##                                                 948 
## Empleado/obrero/empleado doméstico en el extranjero 
##                                                 124 
##     Empleador/patrón/cuenta propia en el extranjero 
##                                                   5 
##                                                  NR 
##                                                   4

# Crear la tabla y ordenar según nivelest2
tabla_pais <- poblacion_adulta_mayor %>%
  group_by(tipo_empleo, sexo, edadquinquenal, anio) %>%
  summarize(total = sum(fex2022), .groups = "drop") %>%
  pivot_wider(names_from = c(anio, sexo), values_from = total, values_fill = 0) 

# Mostrar la tabla ordenada
tabla_pais

tipo_empleo	edadquinquenal	2022_Hombres	2023_Hombres	2022_Mujeres	2023_Mujeres
Empleado / obrero público	60 a 64	3638.03660	4900.07209	6827.95493	7477.75283
Empleado / obrero público	65 a 69	4641.44564	4083.41655	5135.55219	4830.15298
Empleado / obrero público	70 a 74	3374.17521	3674.39411	4686.67277	5271.35152
Empleado / obrero público	75 a 79	3652.04958	2706.74662	3885.88799	4909.14154
Empleado / obrero público	80 a 84	1237.12133	1718.23402	2533.49091	2890.25728
Empleado / obrero público	85 a 89	604.29170	933.47838	837.20140	1542.42931
Empleado / obrero público	90 a 94	443.12896	0.00000	975.94018	704.45415
Empleado / obrero público	95 y más	115.20681	286.00990	153.36938	0.00000
Empleado / obrero privado	60 a 64	9767.64913	11013.34398	10281.09010	8812.90171
Empleado / obrero privado	65 a 69	12463.67464	12569.13383	9685.53686	7182.74426
Empleado / obrero privado	70 a 74	10412.97422	9520.80703	5780.28955	6402.95877
Empleado / obrero privado	75 a 79	8210.57865	8364.84796	3797.98190	3820.24364
Empleado / obrero privado	80 a 84	4553.40967	4566.61085	1316.10345	2807.75862
Empleado / obrero privado	85 a 89	2397.65869	3492.01528	1273.65792	577.50715
Empleado / obrero privado	90 a 94	679.87964	1164.58922	551.59589	533.61125
Empleado / obrero privado	95 y más	33.90215	79.28891	170.90540	110.16991
Empleador o patrón	60 a 64	1786.06555	828.19800	931.68900	2013.17884
Empleador o patrón	65 a 69	1142.64223	1094.45104	708.32865	685.64225
Empleador o patrón	70 a 74	1661.25339	1440.56407	1352.43226	1275.15194
Empleador o patrón	75 a 79	1606.33890	1626.46052	1466.20875	626.09267
Empleador o patrón	80 a 84	1364.28195	844.05605	374.96456	366.69482
Empleador o patrón	85 a 89	366.32181	359.05129	223.97614	60.80463
Empleador o patrón	90 a 94	435.56185	161.06544	0.00000	492.29185
Empleador o patrón	95 y más	100.49924	55.85816	145.96596	0.00000
Trabajador por cuenta propia	60 a 64	9694.55768	11985.84943	13759.79016	13656.54912
Trabajador por cuenta propia	65 a 69	14330.74827	12819.59609	13453.72000	15838.13320
Trabajador por cuenta propia	70 a 74	14832.46236	16296.27135	14012.35995	13796.02245
Trabajador por cuenta propia	75 a 79	14136.79436	14625.63868	12018.28920	15334.97365
Trabajador por cuenta propia	80 a 84	9843.94952	8864.69372	9487.33057	10474.67880
Trabajador por cuenta propia	85 a 89	5249.74738	7606.84773	6029.11621	7593.57623
Trabajador por cuenta propia	90 a 94	2669.67464	2613.42785	2645.58503	2656.74731
Trabajador por cuenta propia	95 y más	717.46540	393.42923	787.42388	1685.39161
Empleado doméstico	60 a 64	87.22576	0.00000	11555.28441	12135.63086
Empleado doméstico	65 a 69	170.22657	175.73310	10866.90008	12088.17050
Empleado doméstico	70 a 74	257.13830	105.65964	8599.54070	8760.86718
Empleado doméstico	75 a 79	314.12557	236.64070	6232.97794	6406.66099
Empleado doméstico	80 a 84	643.41057	60.44428	3020.99720	3426.80124
Empleado doméstico	85 a 89	0.00000	0.00000	1163.48118	1999.69732
Empleado doméstico	90 a 94	0.00000	0.00000	455.36646	468.22923
Empleado doméstico	95 y más	0.00000	0.00000	176.54341	167.43524
Empleado/obrero/empleado doméstico en el extranjero	60 a 64	196.06441	110.18625	988.67065	1001.74252
Empleado/obrero/empleado doméstico en el extranjero	65 a 69	401.03841	288.06995	1227.86853	1381.03026
Empleado/obrero/empleado doméstico en el extranjero	70 a 74	90.17420	385.75670	764.40980	1664.85662
Empleado/obrero/empleado doméstico en el extranjero	75 a 79	227.31115	364.97249	256.60155	435.64881
Empleado/obrero/empleado doméstico en el extranjero	80 a 84	0.00000	301.63220	503.77947	1361.43804
Empleado/obrero/empleado doméstico en el extranjero	85 a 89	0.00000	0.00000	40.01483	119.05160
Empleado/obrero/empleado doméstico en el extranjero	90 a 94	0.00000	0.00000	0.00000	151.86410
Empleado/obrero/empleado doméstico en el extranjero	95 y más	0.00000	0.00000	145.96596	156.37798
Empleador/patrón/cuenta propia en el extranjero	60 a 64	0.00000	47.93194	93.49760	37.78292
Empleador/patrón/cuenta propia en el extranjero	70 a 74	0.00000	161.32880	0.00000	0.00000
Empleador/patrón/cuenta propia en el extranjero	80 a 84	0.00000	0.00000	147.92266	0.00000
NR	60 a 64	96.27129	0.00000	0.00000	0.00000
NR	65 a 69	0.00000	60.65277	0.00000	0.00000
NR	90 a 94	0.00000	62.40422	0.00000	0.00000
NR	85 a 89	0.00000	0.00000	0.00000	93.69306
NA	60 a 64	94833.44600	92178.41773	83716.56439	84048.46051
NA	65 a 69	59081.66816	61880.94704	54898.87882	54742.12748
NA	70 a 74	30067.18143	29598.21886	32915.79499	31486.79431
NA	75 a 79	16340.97259	16919.69265	22086.10569	18611.23854
NA	80 a 84	6886.48918	4670.60236	12721.47411	9373.70204
NA	85 a 89	1927.25609	2162.67647	8574.96413	6639.55987
NA	90 a 94	306.63238	406.89817	4028.19711	3481.87930
NA	95 y más	84.05172	183.68814	2120.19644	1155.89807

4.18 Cuadro 16. Aporta a una caja de jubilación por esta ocupación. Sección 6B - Pregunta 10

poblacion_adulta_mayor <- ephcanurec %>%
  filter(tramoedad == "Adultos mayores" & peaa==1) 

# Crear la tabla y ordenar según nivelest2
tabla_pais <- poblacion_adulta_mayor %>%
  group_by(sexo, cotizacaja,edadquinquenal, anio) %>%
  summarize(total = sum(fex2022), .groups = "drop") %>%
  pivot_wider(names_from = c(anio, sexo), values_from = total, values_fill = 0) 

# Mostrar la tabla ordenada
tabla_pais

cotizacaja	edadquinquenal	2023_Hombres	2022_Hombres	2023_Mujeres	2022_Mujeres
NR	70 a 74	159.62660	0.0000	0.0000	82.51299
No	60 a 64	80487.16779	82297.4267	57079.5684	51101.93326
No	65 a 69	55598.84175	53466.2727	36905.9789	32887.60869
No	70 a 74	28351.28147	28181.5866	16755.2362	14923.87939
No	75 a 79	16168.60913	15484.5715	7515.2120	8485.43542
No	80 a 84	4505.45358	6536.1864	2285.0212	2670.64268
No	85 a 89	2063.23009	1382.1572	815.7350	514.21390
No	90 a 94	99.82372	224.9321	308.0189	304.70510
No	95 y más	150.64650	0.0000	0.0000	166.15320
Si	60 a 64	10854.92491	12131.7360	8339.7573	8809.63177
Si	65 a 69	5693.84126	4528.6547	2188.5323	1928.15862
Si	70 a 74	935.89357	1397.4177	525.3261	962.72960
Si	75 a 79	751.08352	592.5632	358.2690	383.65999
Si	80 a 84	64.66978	0.0000	0.0000	0.00000
Si	85 a 89	99.44638	117.0603	0.0000	0.00000
NR	60 a 64	0.00000	0.0000	111.4842	0.00000

4.19 Cuadro 17. A cuál caja aporta? Sección 6B - Pregunta 11

poblacion_adulta_mayor <- ephcanurec %>%
  filter(tramoedad == "Adultos mayores" & peaa==1) 


# Convertir 'b11' en 'caja_seguro' y asignar etiquetas
poblacion_adulta_mayor$caja_seguro <- factor(
  poblacion_adulta_mayor$b11,
  levels = c(1, 2, 3, 4, 5, 6, 9),
  labels = c(
    "IPS",
    "Caja Fiscal",
    "Caja Bancaria",
    "Caja Municipal",
    "Caja Privada",
    "Otra (especificar)",
    "NR"
  )
)

# Verificar la tabla de frecuencias para 'caja_seguro'
table(poblacion_adulta_mayor$caja_seguro)

## 
##                IPS        Caja Fiscal      Caja Bancaria     Caja Municipal 
##                281                275                  2                 22 
##       Caja Privada Otra (especificar)                 NR 
##                  4                  0                  3

# Crear la tabla y ordenar según nivelest2
tabla_pais <- poblacion_adulta_mayor %>%
  group_by(sexo, caja_seguro,edadquinquenal, anio) %>%
  summarize(total = sum(fex2022), .groups = "drop") %>%
  pivot_wider(names_from = c(anio, sexo), values_from = total, values_fill = 0) 

# Mostrar la tabla ordenada
tabla_pais

caja_seguro	edadquinquenal	2022_Hombres	2023_Hombres	2022_Mujeres	2023_Mujeres
IPS	60 a 64	5999.38990	4520.43011	5064.45569	4753.8220
IPS	65 a 69	2218.33839	3502.86124	698.50381	381.9975
IPS	70 a 74	649.50317	465.59455	375.54827	200.9785
IPS	75 a 79	157.43708	126.06323	276.35246	197.6345
IPS	80 a 84	0.00000	64.66978	0.00000	0.0000
Caja Fiscal	60 a 64	5564.53322	5788.63167	3485.94279	3585.9353
Caja Fiscal	65 a 69	1978.07439	1881.76067	1043.97104	1562.4601
Caja Fiscal	70 a 74	588.08070	377.35172	398.30641	324.3476
Caja Fiscal	75 a 79	185.77269	357.43199	107.30753	160.6345
Caja Fiscal	85 a 89	117.06033	99.44638	0.00000	0.0000
Caja Bancaria	60 a 64	160.84590	256.79040	0.00000	0.0000
Caja Municipal	60 a 64	406.96698	236.82152	78.92547	0.0000
Caja Municipal	65 a 69	332.24193	309.21935	185.68377	244.0747
Caja Municipal	70 a 74	127.14825	92.94730	188.87491	0.0000
Caja Municipal	75 a 79	249.35339	267.58830	0.00000	0.0000
Caja Privada	60 a 64	0.00000	52.25121	180.30783	0.0000
Caja Privada	70 a 74	32.68559	0.00000	0.00000	0.0000
NR	70 a 74	0.00000	159.62660	82.51299	0.0000
NA	60 a 64	82297.42666	80487.16779	51101.93326	57079.5684
NA	65 a 69	53466.27275	55598.84175	32887.60869	36905.9789
NA	70 a 74	28181.58661	28351.28147	14923.87939	16755.2362
NA	75 a 79	15484.57147	16168.60913	8485.43542	7515.2120
NA	80 a 84	6536.18643	4505.45358	2670.64268	2285.0212
NA	85 a 89	1382.15716	2063.23009	514.21390	815.7350
NA	90 a 94	224.93211	99.82372	304.70510	308.0189
NA	95 y más	0.00000	150.64650	166.15320	0.0000
NR	60 a 64	0.00000	0.00000	0.00000	111.4842

4.20 Cuadro 18. Población adulta mayor según monto de ingreso

# Crear las variables de ingreso
poblacion_adulta_mayor <- poblacion_adulta_mayor %>%
  mutate(
    ingoc1 = e01aimde,
    ingoc2 = e01bimde,
    ingoc3 = e01cimde,
    ingoc4 = e01kde

  )

# Etiquetar las variables
attr(poblacion_adulta_mayor$ingoc1, "label") <- "Ingreso ocupación principal sin NR"
attr(poblacion_adulta_mayor$ingoc2, "label") <- "Ingreso ocupación secundaria sin NR"
attr(poblacion_adulta_mayor$ingoc3, "label") <- "Ingreso ocupación terciaria sin NR"
attr(poblacion_adulta_mayor$ingoc4, "label") <- "Ingreso por pensión adulto mayor"

# Calcular el ingreso total sumando ingoc1, ingoc2 e ingoc3
poblacion_adulta_mayor <- poblacion_adulta_mayor %>%
  mutate(
    ingtotal = rowSums(select(., ingoc1, ingoc2, ingoc3, ingoc4), na.rm = TRUE)
  )

# Reemplazar ingtotal con NA si su valor es 0
poblacion_adulta_mayor <- poblacion_adulta_mayor %>%
  mutate(ingtotal = ifelse(ingtotal == 0, NA, ingtotal))

# Etiquetar la variable ingtotal
attr(poblacion_adulta_mayor$ingtotal, "label") <- "Ingreso total sin NR"

# Verificar los resultados
summary(poblacion_adulta_mayor$ingtotal)

##      Min.   1st Qu.    Median      Mean   3rd Qu.      Max.      NA's 
##      1633    673230   1225978   2529084   2492206 414944056       587

# Crear la variable 'sml' según el trimestre
poblacion_adulta_mayor <- poblacion_adulta_mayor %>%
  mutate(
    sml = case_when(
      anio==2022 ~ 2550307,
      anio==2023 ~ 2680373,
      TRUE ~ NA_real_
    )
  )

# Crear la variable 'ingoc1SML' como la división de 'ingoc1' entre 'sml'
poblacion_adulta_mayor <- poblacion_adulta_mayor %>%
  mutate(
    ingoc1SML = ifelse(!is.na(ingoc1), floor(ingoc1 / sml), NA_real_)
  )

# Reemplazar los valores de 'ingoc1SML' superiores a 5 por 5
poblacion_adulta_mayor <- poblacion_adulta_mayor %>%
  mutate(
    ingoc1SML = ifelse(ingoc1SML > 5 & !is.na(ingoc1SML), 5, ingoc1SML)
  )

# Convertir 'ingoc1SML' en factor con etiquetas
poblacion_adulta_mayor$ingoc1SML <- factor(
  poblacion_adulta_mayor$ingoc1SML,
  levels = c(0, 1, 2, 3, 4, 5),
  labels = c(
    "Menos de 1SML",
    "1 a menos de 2SML",
    "2 a menos de 3SML",
    "3 a menos de 4SML",
    "4 a menos de 5SML",
    "5 y más"
  )
)

# Etiqueta para la variable 'ingoc1SML'
attr(poblacion_adulta_mayor$ingoc1SML, "label") <- "Monto del salario nominal/SML (bruto)"

# Verificar la tabla de frecuencias para 'ingoc1SML'
table(poblacion_adulta_mayor$ingoc1SML)

## 
##     Menos de 1SML 1 a menos de 2SML 2 a menos de 3SML 3 a menos de 4SML 
##              6394              1015               205               109 
## 4 a menos de 5SML           5 y más 
##                34               133

# Crear la tabla y ordenar según nivelest2
tabla_pais <- poblacion_adulta_mayor %>%
  group_by(sexo, ingoc1SML,edadquinquenal, anio) %>%
  summarize(total = sum(fex2022), .groups = "drop") %>%
  pivot_wider(names_from = c(anio, sexo), values_from = total, values_fill = 0) 

# Mostrar la tabla ordenada
tabla_pais

ingoc1SML	edadquinquenal	2022_Hombres	2023_Hombres	2022_Mujeres	2023_Mujeres
Menos de 1SML	60 a 64	65886.32797	60154.97980	47699.93996	55933.22732
Menos de 1SML	65 a 69	44255.22903	47769.25349	30809.69080	34659.08837
Menos de 1SML	70 a 74	23425.10539	22935.31144	14238.59823	15886.69158
Menos de 1SML	75 a 79	13562.68919	13413.45239	8417.03572	6842.62178
Menos de 1SML	80 a 84	5656.64813	4157.33854	2245.42983	2084.15582
Menos de 1SML	85 a 89	1426.52747	1926.24508	514.21390	490.13970
Menos de 1SML	90 a 94	224.93211	27.48094	304.70510	308.01892
1 a menos de 2SML	60 a 64	20291.39236	21997.71243	9078.19394	6790.88013
1 a menos de 2SML	65 a 69	8928.18646	9212.92345	3282.89137	2892.51470
1 a menos de 2SML	70 a 74	3514.13603	3396.43797	1348.11499	1100.26197
1 a menos de 2SML	75 a 79	1328.44769	2381.64421	100.89288	905.30083
1 a menos de 2SML	80 a 84	509.44241	270.96525	202.53143	157.95284
1 a menos de 2SML	85 a 89	0.00000	77.37888	0.00000	325.59527
1 a menos de 2SML	90 a 94	0.00000	72.34278	0.00000	0.00000
2 a menos de 3SML	60 a 64	4946.14904	3408.22677	1171.85572	1290.30758
2 a menos de 3SML	65 a 69	1713.10945	1763.68980	266.02949	219.96778
2 a menos de 3SML	70 a 74	1007.33927	1858.82792	234.87425	52.52241
2 a menos de 3SML	75 a 79	362.46487	427.90890	107.30753	91.09986
2 a menos de 3SML	80 a 84	244.75387	106.42300	0.00000	42.91251
2 a menos de 3SML	85 a 89	0.00000	92.15761	0.00000	0.00000
3 a menos de 4SML	60 a 64	1436.37331	1898.68768	1342.80057	517.07488
3 a menos de 4SML	65 a 69	1043.23350	1359.44472	201.24789	617.55692
3 a menos de 4SML	70 a 74	832.39206	377.42563	147.53450	0.00000
3 a menos de 4SML	75 a 79	491.22260	89.83025	92.30266	34.45856
3 a menos de 4SML	80 a 84	125.34201	0.00000	190.37424	0.00000
3 a menos de 4SML	85 a 89	0.00000	66.89490	0.00000	0.00000
3 a menos de 4SML	95 y más	0.00000	150.64650	0.00000	0.00000
4 a menos de 5SML	60 a 64	676.32683	602.64866	207.30133	410.69888
4 a menos de 5SML	65 a 69	291.97409	296.79251	0.00000	224.86730
4 a menos de 5SML	70 a 74	415.12024	58.69249	0.00000	0.00000
4 a menos de 5SML	75 a 79	22.45702	78.94750	151.55662	0.00000
5 y más	60 a 64	1192.59315	3279.83736	411.47352	588.62107
5 y más	65 a 69	1763.19492	890.57904	255.90775	480.51615
5 y más	70 a 74	384.91132	820.10619	0.00000	241.08642
5 y más	75 a 79	309.85325	527.90941	0.00000	0.00000
5 y más	80 a 84	0.00000	35.39657	32.30718	0.00000
5 y más	85 a 89	72.69001	0.00000	0.00000	0.00000
Menos de 1SML	95 y más	0.00000	0.00000	166.15320	0.00000

4.21 Cuadro 19. Población adulta mayor con pensión alimentaria - ley del adulto mayor

# Crear la variable dicotómica 'recibepagoadultomayor'
poblacion_adulta_mayor <- poblacion_adulta_mayor %>%
  mutate(
    recibepagoadultomayor = ifelse(e01kde != 0 & !is.na(e01kde), "Sí", "No")
  )

# Convertir 'recibepagoadultomayor' en factor para añadir etiquetas
poblacion_adulta_mayor$recibepagoadultomayor <- factor(
  poblacion_adulta_mayor$recibepagoadultomayor,
  levels = c("No", "Sí")
)

# Verificar la tabla de frecuencias para 'recibepagoadultomayor'
table(poblacion_adulta_mayor$recibepagoadultomayor)

## 
##   No   Sí 
## 5670 2220

# Crear la tabla y ordenar según nivelest2
tabla_pais <- poblacion_adulta_mayor %>%
  group_by(sexo, recibepagoadultomayor,edadquinquenal, anio) %>%
  summarize(total = sum(fex2022), .groups = "drop") %>%
  pivot_wider(names_from = c(anio, sexo), values_from = total, values_fill = 0) 

# Mostrar la tabla ordenada
tabla_pais

recibepagoadultomayor	edadquinquenal	2022_Hombres	2023_Hombres	2022_Mujeres	2023_Mujeres
No	60 a 64	94429.1627	91342.09270	59825.89842	65530.8099
No	65 a 69	37447.6514	36132.79956	22166.67369	23024.0781
No	70 a 74	14724.8619	13510.27639	7859.18674	6486.2139
No	75 a 79	6285.4541	7259.07507	4498.47968	2888.9430
No	80 a 84	2380.5628	1223.79775	1299.77765	932.1857
No	85 a 89	598.3357	262.50691	285.12150	519.4053
No	95 y más	0.0000	150.64650	166.15320	0.0000
Sí	65 a 69	20547.2760	25159.88345	12649.09361	16070.4331
Sí	70 a 74	14854.1424	15936.52525	8109.93524	10794.3485
Sí	75 a 79	9791.6806	9660.61758	4370.61574	4984.5380
Sí	80 a 84	4155.6236	3346.32561	1370.86503	1352.8355
Sí	85 a 89	900.8818	1900.16956	229.09240	296.3296
Sí	90 a 94	224.9321	99.82372	218.75312	308.0189
No	90 a 94	0.0000	0.00000	85.95197	0.0000
Sí	60 a 64	0.0000	0.00000	85.66662	0.0000

Adultos Mayores en Paraguay - Caracterizacion basadda en la EPHC

Marisol Gonzalez

28 October 2024