repasoDatosCateg
Diego Meza
2024-11-02
# Librerías necesarias
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ 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(dplyr)
library(vcd) # Para tablas de contingencia y análisis de asociación## Loading required package: gridlibrary(MASS) # Para modelos loglineales##
## Attaching package: 'MASS'
##
## The following object is masked from 'package:dplyr':
##
## selectlibrary(stats) # Para pruebas exactas y chi-cuadrado
library(vcdExtra) # Métodos de Cochran-Mantel-Haenszel## Loading required package: gnm
##
## Attaching package: 'vcdExtra'
##
## The following object is masked from 'package:dplyr':
##
## summariseDatos
Carga de datos
library(readr)
eph23 <- read.csv2("/cloud/project/REG02_EPHC_ANUAL_2023.csv")Variables disponibles
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] "ED11GH1" "ED11GH1A" "ED11F1" "ED11F1A" "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"Pasar todos los nombres de los campos a minusculas
# Función para reemplazar caracteres especiales
replace_special_chars <- function(names) {
names <- gsub("\\.", "", names) # Eliminar puntos
names <- gsub("ñ", "ni", names) # Reemplazar ñ por ni
names <- gsub("á", "a", names) # Reemplazar á por a
names <- gsub("é", "e", names) # Reemplazar é por e
names <- gsub("í", "i", names) # Reemplazar í por i
names <- gsub("ó", "o", names) # Reemplazar ó por o
names <- gsub("ú", "u", names) # Reemplazar ú por u
names <- gsub("ü", "u", names) # Reemplazar ü por u
names <- gsub("ã", "a", names) # Reemplazar ã por a
names <- gsub("â", "a", names) # Reemplazar â por a
names <- gsub("ê", "e", names) # Reemplazar ê por e
names <- gsub("î", "i", names) # Reemplazar î por i
names <- gsub("ô", "o", names) # Reemplazar ô por o
names <- gsub("û", "u", names) # Reemplazar û por u
names <- gsub("ï", "", names) #
return(names)
}colnames(eph23) <- replace_special_chars(tolower(colnames(eph23)))names(eph23)## [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] "ed11gh1" "ed11gh1a" "ed11f1" "ed11f1a" "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"Campos o variables seleccionadas
P06 (sexo)
table(eph23$p06)##
## 1 6
## 28613 29392eph23$p06 <- factor(eph23$p06, levels=c(1, 6), labels =c("Hombres", "Mujeres"))
table(eph23$p06) ##
## Hombres Mujeres
## 28613 29392Area (area)
table(eph23$area)##
## 1 6
## 32940 25065eph23$area <- factor(eph23$area, levels=c(1, 6), labels =c("Urbano", "Rural"))
table(eph23$area) ##
## Urbano Rural
## 32940 25065P02 (edad)
Crear el campo edad en quintiles
table(eph23$p02)##
## 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
## 782 868 892 937 998 989 1076 1060 1120 1005 966 1030 1012 1042 1014 964
## 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
## 960 1034 1024 907 889 859 911 939 857 866 890 924 893 887 912 877
## 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47
## 882 872 855 845 826 835 773 754 813 783 718 791 631 634 604 579
## 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63
## 576 573 616 574 585 612 563 565 576 523 568 524 511 496 542 513
## 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79
## 535 507 459 451 392 377 359 288 307 284 254 249 266 176 202 175
## 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95
## 150 157 113 120 103 102 107 71 54 36 51 42 20 24 23 17
## 96 97 98 99 100 101 102 105 106
## 13 9 1 3 3 5 2 1 1eph23$p02=as.numeric(eph23$p02)hist(eph23$p02)
library(dplyr)
library(tidyverse)
eph23 <- eph23 %>%
mutate(
edadquinquenal = case_when(
p02 >= 0 & p02 <= 4 ~ "0 a 4",
p02 >= 5 & p02 <= 9 ~ "5 a 9",
p02 >= 10 & p02 <= 14 ~ "10 a 14",
p02 >= 15 & p02 <= 19 ~ "15 a 19",
p02 >= 20 & p02 <= 24 ~ "20 a 24",
p02 >= 25 & p02 <= 29 ~ "25 a 29",
p02 >= 30 & p02 <= 34 ~ "30 a 34",
p02 >= 35 & p02 <= 39 ~ "35 a 39",
p02 >= 40 & p02 <= 44 ~ "40 a 44",
p02 >= 45 & p02 <= 49 ~ "45 a 49",
p02 >= 50 & p02 <= 54 ~ "50 a 54",
p02 >= 55 & p02 <= 59 ~ "55 a 59",
p02 >= 60 & p02 <= 64 ~ "60 a 64",
p02 >= 65 & p02 <= 69 ~ "65 a 69",
p02 >= 70 & p02 <= 74 ~ "70 a 74",
p02 >= 75 & p02 <= 79 ~ "75 a 79",
p02 >= 80 & p02 <= 84 ~ "80 a 84",
p02 >= 85 & p02 <= 89~ "85 a 89",
p02 >= 90 & p02 <= 200~ "90 y más",
TRUE ~ as.character(p02)
)
)eph23$edadquinquenal=factor(eph23$edadquinquenal, levels = )
eph23$edadquinquenal <- factor(eph23$edadquinquenal, levels =c("0 a 4",
"5 a 9",
"10 a 14",
"15 a 19",
"20 a 24",
"25 a 29",
"30 a 34",
"35 a 39",
"40 a 44",
"45 a 49",
"50 a 54",
"55 a 59",
"60 a 64",
"65 a 69",
"70 a 74",
"75 a 79",
"80 a 84",
"85 a 89",
"90 y más"),
labels =c("0 a 4",
"5 a 9",
"10 a 14",
"15 a 19",
"20 a 24",
"25 a 29",
"30 a 34",
"35 a 39",
"40 a 44",
"45 a 49",
"50 a 54",
"55 a 59",
"60 a 64",
"65 a 69",
"70 a 74",
"75 a 79",
"80 a 84",
"85 a 89",
"90 y más")
)t1=cbind(table(eph23$edadquinquenal))barplot(table(eph23$edadquinquenal))
## Mas campos de interes
table(eph23$dpto)##
## 0 1 2 3 4 5 6 7 8 9 10 11 12
## 4157 2238 3782 3126 2479 3300 2993 4708 2761 2408 6770 10036 1743
## 13 14 15
## 2475 2838 2191eph23 <- eph23 %>%
mutate(
dpto = case_when(
dpto == 0 ~ "Asunción",
dpto == 1 ~ "Concepción",
dpto == 2 ~ "San Pedro",
dpto == 3 ~ "Cordillera",
dpto == 4 ~ "Guairá",
dpto == 5 ~ "Caaguazú",
dpto == 6 ~ "Caazapá",
dpto == 7 ~ "Itapúa",
dpto == 8 ~ "Misiones",
dpto == 9 ~ "Paraguarí",
dpto == 10 ~ "Alto Paraná",
dpto == 11 ~ "Central",
dpto == 12 ~ "Ñeembucú",
dpto == 13 ~ "Amambay",
dpto == 14 ~ "Canindeyú",
dpto == 15 ~ "Pdte Hayes",
TRUE ~ as.character(dpto) # Manejo de valores inesperados
),
relacionparen = case_when(
p03 == 1 ~ "Jefe/a",
p03 == 2 ~ "Esposo/a, compañero/a",
p03 == 3 ~ "Hijo/a",
p03 == 4 ~ "Hijastro/a",
p03 == 5 ~ "Nieto/a",
p03 == 6 ~ "Yerno/Nuera",
p03 == 7 ~ "Padre/Madre",
p03 == 8 ~ "Suegro/a",
p03 == 9 ~ "Otro pariente",
p03 == 10 ~ "No pariente",
p03 == 11 ~ "Personal doméstico",
p03 == 12 ~ "Familiar del personal doméstico",
TRUE ~ as.character(p03) # Manejo de valores inesperados
),
estadocivil = case_when(
p09 == 1 ~ "Casado",
p09 == 2 ~ "Unido",
p09 == 3 ~ "Separado",
p09 == 4 ~ "Viudo",
p09 == 5 ~ "Soltero",
p09 == 6 ~ "Divorciado",
p09 == 9 ~ "NR", # No reportado o No responde
TRUE ~ as.character(p09) # Manejo de valores inesperados
),
cotizacaja = case_when(
b10 == 1 ~ "Si",
b10 == 6 ~ "No",
b10 == 9 ~ "NR", # No Responde
TRUE ~ as.character(b10) # Manejo de valores inesperados
),
cualcaja = case_when(
b11 == 1 ~ "IPS",
b11 == 2 ~ "Caja Fiscal",
b11 == 3 ~ "Caja Bancaria",
b11 == 4 ~ "Caja Municipal",
b11 == 5 ~ "Caja Privada",
b11 == 6 ~ "Otra (especificar)",
b11 == 9 ~ "NR", # No Responde
TRUE ~ as.character(b11) # Manejo de valores inesperados
),
catepea = case_when(
cate_pea == 1 ~ "Obrero público",
cate_pea == 2 ~ "Obrero privado",
cate_pea == 3 ~ "Empleador/patrón",
cate_pea == 4 ~ "Cuenta propia",
cate_pea == 5 ~ "Trabajador fam. no remun.",
cate_pea == 6 ~ "Doméstico/a",
cate_pea == 9 ~ "NR", # No Responde
TRUE ~ as.character(cate_pea) # Manejo de valores inesperados
),
tipoocupa = case_when(
ocup_pea == 1 ~ "Miembros del Poder Ejecutivo, Legislativo y Judicial, personal directivo de la Administración pública y de empresa",
ocup_pea == 2 ~ "Profesionales científicos e intelectuales",
ocup_pea == 3 ~ "Técnicos y profesionales de nivel medio",
ocup_pea == 4 ~ "Empleados de oficina",
ocup_pea == 5 ~ "Trabajadores de los servicios y vendedores de comercios y mercados",
ocup_pea == 6 ~ "Agricultores y trabajadores Agropecuarios y Pesqueros",
ocup_pea == 7 ~ "Oficiales, operarios y artesanos de artes mecánicas y de otros oficios",
ocup_pea == 8 ~ "Operadores de instalaciones y máquinas y montadores",
ocup_pea == 9 ~ "Trabajadores no calificados",
ocup_pea == 10 ~ "Fuerzas armadas",
ocup_pea == 99 ~ "NR", # No Responde
TRUE ~ as.character(ocup_pea) # Manejo de valores inesperados
),
ramadesc = case_when(
rama_pea == 1 ~ "Agricultura, ganadería, caza y pesca",
rama_pea == 2 ~ "Industrias manufactureras",
rama_pea == 3 ~ "Electricidad, gas y agua",
rama_pea == 4 ~ "Construcciones",
rama_pea == 5 ~ "Comercio, restaurantes y hoteles",
rama_pea == 6 ~ "Transporte, almacenamiento y comunicaciones",
rama_pea == 7 ~ "Finanzas, seguros e inmuebles",
rama_pea == 8 ~ "Servicios comunales, sociales y personales",
rama_pea == 99 ~ "NR", # No Responde
TRUE ~ as.character(rama_pea) # Manejo de valores inesperados
),
situacionlab = case_when(
pead == 1 ~ "Otros ocupados",
pead == 2 ~ "Desocupados de 2ª ó más veces",
pead == 3 ~ "Inactivos",
pead == 4 ~ "Subocup. Visible",
pead == 6 ~ "Desocupados de 1ª vez",
pead == 9 ~ "NR", # No Responde
TRUE ~ as.character(pead) # Manejo de valores inesperados
),
situacionlab2 = case_when(
peaa == 1 ~ "Ocupados",
peaa == 2 ~ "Desocupados",
peaa == 3 ~ "Inactivos",
peaa == 9 ~ "NR",
TRUE ~ as.character(peaa)
),
informalidaddesc = case_when(
informalidad == 1 ~ "Ocupados informales no agropecuarios",
informalidad == 2 ~ "Ocupados formales no agropecuarios",
informalidad == 9 ~ "No Disponible",
TRUE ~ as.character(informalidad)
),
edaddecenio = case_when(
p02 >= 0 & p02 <= 9 ~ "0 a 9",
p02 >= 10 & p02 <= 19 ~ "10 a 19",
p02 >= 20 & p02 <= 29 ~ "20 a 29",
p02 >= 30 & p02 <= 39 ~ "30 a 39",
p02 >= 40 & p02 <= 49 ~ "40 a 49",
p02 >= 50 & p02 <= 59 ~ "50 a 59",
p02 >= 60 & p02 <= 69 ~ "60 a 69",
p02 >= 70 & p02 <= 79 ~ "70 a 79",
p02 >= 80 & p02 <= 89 ~ "80 a 89",
p02 >= 90 & p02 <= 99 ~ "90 a 99",
TRUE ~ as.character(p02)
),
tramoedad = case_when(
p02 >= 0 & p02 <= 13 ~ "Niños",
p02 >= 14 & p02 <= 29 ~ "Jóvenes",
p02 >= 30 & p02 <= 60 ~ "Adultos",
TRUE ~ "Adultos mayores",
TRUE ~ as.character(p02)
),
tramoedad2 = case_when(
p02 >= 0 & p02 <= 13 ~ "Niños",
p02 >= 14 & p02 <= 29 ~ "Jóvenes",
p02 >= 30 & p02 <= 64 ~ "Adultos",
TRUE ~ "Adultos mayores",
TRUE ~ as.character(p02)
),
nivelest = case_when(
anioest == 0 ~ "Sin instrucción",
anioest >= 1 & anioest <= 9 ~ "Primaria incompleta",
anioest >= 10 & anioest <= 12 ~"Primaria completa",
anioest >= 13 & anioest <= 18 ~ "Secundaria completa" ,
anioest == 99 ~ "No disponible",
TRUE ~ as.character(anioest)
)
)2. Tablas de Contingencia de Doble Entrada
2.1 Estructura de las tablas
Para comenzar, crearemos una tabla de contingencia de doble entrada
con las variables sexo y nivelest, que
representan el sexo y el nivel educativo respectivamente.
eph23$nivelest=factor(eph23$nivelest, levels = )
eph23$nivelest <- factor(eph23$nivelest, levels =c( "No disponible",
"Sin instrucción",
"Primaria incompleta",
"Primaria completa",
"Secundaria completa" ),
labels =c("No disponible",
"Sin instrucción",
"Primaria incompleta",
"Primaria completa",
"Secundaria completa"))tablconting1=table(eph23$nivelest , eph23$p06)
tablconting1=addmargins(tablconting1,c(1,2))
tablconting1##
## Hombres Mujeres Sum
## No disponible 15 9 24
## Sin instrucción 2051 2262 4313
## Primaria incompleta 14163 14089 28252
## Primaria completa 6185 5462 11647
## Secundaria completa 4231 5747 9978
## Sum 26645 27569 54214El nivel de estudios es independiente de sexo?
# Proporcioes de cada celda
tablconting1porc=prop.table(table(eph23$nivelest , eph23$p06),2)
tablconting1porc=addmargins(tablconting1porc,c(1))*100
tablconting1porc##
## Hombres Mujeres
## No disponible 0.05629574 0.03264536
## Sin instrucción 7.69750422 8.20486779
## Primaria incompleta 53.15443798 51.10450143
## Primaria completa 23.21261025 19.81210780
## Secundaria completa 15.87915181 20.84587762
## Sum 100.00000000 100.00000000Test chi-cuadrado
# Prueba Chi-cuadrado
testchi1 <- chisq.test(table(eph23$nivelest , eph23$p06))
testchi1##
## Pearson's Chi-squared test
##
## data: table(eph23$nivelest, eph23$p06)
## X-squared = 271.56, df = 4, p-value < 2.2e-16Cociente de ventajas (Odds ratio)
library(vcdExtra)
# Cociente de ventajas (Odds ratio)
oddsratio1 <- vcd::oddsratio(table(eph23$nivelest , eph23$p06))
oddsratio1## log odds ratios for and
##
## No disponible:Sin instrucción Sin instrucción:Primaria incompleta
## 0.6087475 -0.1031605
## Primaria incompleta:Primaria completa Primaria completa:Secundaria completa
## -0.1190734 0.4305516names(oddsratio1)## [1] "coefficients" "dimnames" "dim" "vcov" "contrasts"
## [6] "log"# Cociente de ventajas (Odds ratio)
oddsratio1 <- vcd::oddsratio(table(eph23$nivelest , eph23$p06))
oddsratio1=data.frame(oddsratio1)
oddsratio1## Var1 Var2 LOR ASE
## 1 No disponible:Sin instrucción Hombres:Mujeres 0.6087475 0.42273802
## 2 Sin instrucción:Primaria incompleta Hombres:Mujeres -0.1031605 0.03272977
## 3 Primaria incompleta:Primaria completa Hombres:Mujeres -0.1190734 0.02205331
## 4 Primaria completa:Secundaria completa Hombres:Mujeres 0.4305516 0.02747943
- coefficients: Este campo contiene los coeficientes estimados del modelo, es decir, los valores que representan la relación entre las variables independientes y la variable dependiente en el modelo. Los coeficientes indican la magnitud y dirección del efecto de cada variable independiente sobre la dependiente.
- dimnames: Este campo guarda los nombres de las dimensiones de la matriz de coeficientes o de la matriz de varianza-covarianza. Sirve para identificar las filas y columnas de la matriz, asignándoles etiquetas o nombres correspondientes a las variables del modelo.
- dim: Este campo define la dimensión de los datos o de la matriz en el objeto, normalmente representado por el número de filas y columnas. Ayuda a identificar la estructura del objeto (por ejemplo, una matriz de coeficientes o una tabla de resultados).
- vcov: Abreviatura de “varianza-covarianza”. Este campo contiene la matriz de varianza-covarianza de los coeficientes del modelo. Esta matriz es importante para evaluar la precisión de los estimadores y calcular intervalos de confianza, así como para realizar pruebas de hipótesis.
- contrasts: Este campo almacena la información de los contrastes utilizados para las variables categóricas. Los contrastes definen cómo se representarán las variables categóricas en el modelo. Por ejemplo, el contraste “dummy” o “contr.treatment” para variables categóricas con más de dos niveles.
- log: Este campo puede guardar el valor del logaritmo de la función de verosimilitud (
log-likelihood). Es común en modelos de regresión comoglmy otros modelos estadísticos que optimizan la verosimilitud.
3. Tablas de Contingencia de Tres Entradas
Para este análisis, usaremos las variables sexo,
nivelest y tramoedad.