Violencia economica
Maria Goessmann
2024-12-13
Tema
Violencia económica como base de violencia doméstica en relaciones de parejas heterosexuales
Explicacion
En la investigación de mi maestría quiero desarrollar el tema de como la violencia económica, tanto interfamiliar como laboral, puede formar parte de la base de otras formas de violencia doméstica (violencia sexual, física, psicológica y emocional), basando en los recursos limitados.
Planteamiento del problema:
El objetivo de este trabajo es comprender mejor la interrelación de la violencia en las relaciones heterosexuales. Para ello, quiero investigar cómo la violencia económica y otras formas de violencia se manifiestan en el ámbito familiar. Mi enfoque se basa en la hipótesis de que la violencia física y psicológica tienen su origen en la violencia económica. Este análisis se desarrollará a través de tres ejes principales: Primero, quiero explicar fundamentalmente la idea de la dominación masculina en los ámbitos privado y público. Examinaré el desarrollo histórico de la hegemonía masculina en estos ámbitos, utilizando como base teórica obras como El segundo sexo de Simone de Beauvoir, la teoría económica feminista y los trabajos de María Lugones. En segundo lugar, abordaré la idea de la violencia doméstica, explorando modelos como el Power and Control Wheel y sus críticas. Por el ultimo, analizaré la discriminación hacia las mujeres en el mundo laboral. Destacaré cómo los estereotipos patriarcales limitan el acceso de las mujeres a los recursos, aumentando la probabilidad de su dependencia económica en los hombres, lo que puede llevar a otras formas de violencia.
Justificacion:
Quiero estudiar este tema porque considero que la violencia de género es un problema fundamental en el contexto de una sociedad patriarcal y heteronormativa. Además, me parece crucial investigar cómo funcionan las diferentes formas de violencia doméstica en conjunto, pero tambien analizarlo separado. También es importante considerar factores externos al ámbito familiar y analizarlos en un contexto integral. La violencia económica interfamiliar es una forma de violencia muy indirecta y se manifiesta de manera muy oculta. Es muy difícil de detectar y, debido a los estereotipos tradicionales, muchas víctimas normalizan esta violencia. Estas dinámicas en las relaciones pueden afectar profundamente a las víctimas que desarrollan una forma de dependencia muy grave hacia sus parejas. A partir de otras formas de manipulación, la falta de libertad para salir de una relación tan tóxica puede derivar en otras formas de violencia. Creo que una investigación de esta extensión es necesaria para ver varios aspectos. Por un lado, una sociedad sexista que fuerza a las mujeres a roles tradicionales en el trabajo de cuidado; por otro lado, un mundo laboral fundamentalmente sexista que impone a las mujeres otras exigencias y las discrimina constantemente hacia las mujeres. Me parece importante desarrollar como estos dos factores afectan las relaciones interfamiliares o entre parejas.
Hipótesis
El origen de violencia domestica (violencia física, psicológica y emocional) es la violencia económica
Preguntas de investigación
Pregunta principal: ¿Cómo se convierte la violencia económica en la base de otras formas de violencia doméstica en relaciones heterosexuales, mediante el estudio de sus manifestaciones, causas estructurales e impactos en las dinámicas familiares? Preguntas específicas: 1. ¿Cuáles son las raíces históricas y sociales de la violencia económica en el marco del sistema patriarcal? 2. ¿Cómo afectan los estereotipos de género la autonomía económica de las mujeres y fomentan su dependencia en las relaciones de pareja? 3. A partir de “Gender Inequality in Latin America and the Caribbean”, ¿cómo agravan la discriminación laboral y las brechas económicas la violencia económica intrafamiliar? 4. Utilizando la ENDIREH, ¿cuál es la correlación/intersección entre la violencia económica y otras formas de violencia doméstica (física, psicológica, sexual y emocional)? 5. Desde la perspectiva de psicólogas de “Pro Psychological Analysis”, ¿cuáles son los patrones principales en la violencia doméstica y cómo actúa la violencia económica como base o refuerza otras formas de violencia?
Objetivo general y objetivos específicos:
Objetivo general • Analizar cómo la violencia económica se convierte en la base de otras formas de violencia doméstica en relaciones heterosexuales, mediante el estudio de sus manifestaciones, causas estructurales e impactos en las dinámicas familiares. Objetivos específicos 1. Identificar las raíces históricas y sociales de la violencia económica en el marco del sistema patriarcal. 2. Examinar cómo los estereotipos de género afectan la autonomía económica de las mujeres y fomentan su dependencia en las relaciones de pareja. 3. A partir de “Gender Inequality in Latin America and the Caribbean”: Analizar cómo la discriminación laboral y las brechas económicas agravan la violencia económica intrafamiliar. 4. Utilizando la ENDIREH: Explorar la correlación/intersección entre la violencia económica y otras formas de violencia doméstica (física, psicológica, sexual y emocional). 5. Desde la perspectiva de psicólogas de “Pro Psychological Analysis”: Identificar los patrones principales en la violencia doméstica y cómo la violencia económica actúa como base o refuerza otras formas de violencia.
Metodología:
Quiero utilizar la metodología de enfoque de métodos mixtos. Como expliqué, una base de mi investigación son diferentes teorías. Por otro lado, voy a analizar los datos de la Encuesta Nacional sobre la Dinámica de las Relaciones en los Hogares (ENDIREH), estadísticas sobre el trabajo no remunerado y la brecha de género en el mercado laboral, según el estudio de Berniell, Inés; Fernández, Raquel; Krutikova, Sonya (2023) “Gender Inequality in Latin America and the Caribbean”, así como entrevistas de psicólogas que trabajan con víctimas de violencia de “Pro psychological análisis”.
Analisis de datos de basis de ENDIREH
La Encuesta Nacional sobre la Dinámica de las Relaciones en los Hogares 2021 y 2016 nos presenta a continuación varias preguntas relacionadas con la violencia doméstica. El plan es verificar si hay una correlación entre la violencia económica y la violencia física, la violencia psicológica y la violencia sexual.
Índice
Carga de los conjuntos de datos
Explicación de las variables
Re-codificación de las variables a las 4 formas de violencia
Determinación de la correlación
Evaluación y comparación de las correlaciones
Carga de los conjuntos de datos
1. Cargo de los datos
2. Explicación de las variables
violec16
violec21
Violencia fisica
| Variable 2016 | Variable 2021 | Preguntas | Respuestas | |
|---|---|---|---|---|
| P13_1_1 | P14_1_1 | la ha empujado o le ha jalado el cabello | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco | |
| P13_1_2 | P14_1_2 | la ha abofeteado o cacheteado | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco | |
| P13_1_3 | P14_1_3 | la ha amarrado | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco | |
| P13_1_4 | P14_1_4 | a ha pateado | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco | |
| P13_1_5 | P14_1_5 | le ha aventado algún objeto | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco | |
| P13_1_6 | P14_1_6 | la ha golpeado con el puño o con algún objeto | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco | |
| P13_1_7 | P14_1_7 | la ha tratado de ahorcar o asfixiar | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco | |
| P13_1_8 | P14_1_8 | la ha agredido con cuchillo o navaja | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco | |
| P13_1_9 | P14_1_9 | le ha disparado con un arma de fuego | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco | |
Violencia psicologica
| Variable | Variable 2021 | Pregunta | Respuesta |
|---|---|---|---|
| P13_1_10 | P14_1_10 | la ha avergonzado, ofendido, menospreciado o humillado (le ha dicho que es fea o la ha comparado con otras mujeres) | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
| P13_1_11 | P14_1_11 | a ha ignorado, no la toma en cuenta o no le brinda cariño | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
| P13_1_12 | P14_1_12 | le ha dicho que usted lo engaña | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
| P13_1_13 | P14_1_13 | le ha hecho sentir miedo | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
| P13_1_14 | P14_1_14 | la ha amenazado con dejarla/abandonarla, dañarla, quitarle a los(as) hijos(as) o correrla de la casa | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
| P13_1_15 | P14_1_15 | la ha encerrado, le ha prohibido salir o que la visite | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
| P13_1_16 | P14_1_16 | la ha vigilado, espiado, la ha seguido cuando sale de su casa o se le aparece de manera sorpresiva | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
| P13_1_17 | P14_1_17 | a llama o le manda mensajes por teléfono todo el tiempo, para saber dónde y con quién está y qué está haciendo | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
| P13_1_18 | P14_1_18 | la ha amenazado con algún arma (cuchillo, navaja, pistola o rifle) o con quemarla | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
| P13_1_19 | P14_1_19 | la ha amenazado con matarla, matarse él o matar a los niños(as) | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
| P13_1_20 | P14_1_20 | le ha destruido, tirado o escondido cosas de usted o del hogar | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
| P13_1_21 | P14_1_21 | le ha dejado de hablar | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
| P13_1_22 | P14_1_22 | le revisa su correo o celular y le exige que le dé las contraseñas | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
| P13_1_23AB | P14_1_23AB | ha hecho que los hijos(as) o parientes se pongan en su contra | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
| P13_1_24AB | P14_1_24AB | se ha enojado mucho porque no está listo el quehacer, porque la comida no está como él quiere o cree que usted no cumplió con sus obligaciones | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
| P14_1_31 | ha publicado información personal, fotos ovideos (falsos o verdaderos), de usted para dañarla, a través del celular, correo electrónico o redessociales (como Facebook, Twitter, WhatsApp | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
Violencia sexual
| Variable 2016 | Variable 2021 | Pregunta | Respuesta |
|---|---|---|---|
| P13_1_25 | P14_1_25 | le ha exigido con amenazas o chantajes tener relaciones sexuales, aunque usted no quiera | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
| P13_1_26 | P14_1_26 | cuando tienen relaciones sexuales la ha obligado hacer cosas que a usted no le gustan | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
| P13_1_27 | P14_1_27 | ha usado su fuerza física para obligarla a tener relaciones sexuales | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
| P13_1_28 | P14_1_28 | a ha obligado a mirar escenas o actos sexuales o pornográficos (fotos,revistas, videos o películas pornográficas) | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
| P13_1_29 | P14_1_29 | la ha obligado a tener relaciones sexuales sin protección | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
| P14_1_30 | le ha enviado mensajes o publicado comentarios con insinuaciones sexuales, insultos u ofensas,a través del celular, correo electrónico o redessociales (como Facebook, Twitter, WhatsApp) | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
Violencia economica
| Varialbe 2016 | Variabel 2021 | Preguntar | Respuesta |
|---|---|---|---|
| P13_1_30 | P14_1_32 | le ha prohibido trabajar o estudiar | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
| P13_1_31 | P14_1_33 | le ha quitado su dinero o lo ha usado sin su consentimiento | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
| P13_1_32 | P14_1_34 | se ha adueñado o le ha quitado bienes (terrenos, casas, departamentos, coches, etcétera) | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
| P13_1_33AB | P14_1_35AB | se ha gastado el dinero que se necesita para la casa | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
| P13_1_34AB | P14_1_36 | no ha cumplido con dar el gasto o ha amenazado con no darlo | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
| P13_1_35 AB | P14_1_37 | aunque tenga dinero ha sido codo o tacaño con los gastos de la casa | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
| P13_1_36 AB | P14_1_38 | le ha reclamado por cómo gasta usted el dinero | 1-muchas veces 2-pocoas veces 3-una vez 4-no ocurrio 9-no especifcico b-blanco |
Factoriazación de los variables
3. Re-codificación de las variables a las 4 formas de violencia
Eliminacion de 9 = no especificado
#violencia16 fisica
violec_especif16$violencia16_fisica1 = factor(violec_especif16$P13_1_1,
labels = c("1","1","1","0"))
violec_especif16$violencia16_fisica2 = factor(violec_especif16$P13_1_2,
labels = c("1","1","1","0"))
violec_especif16$violencia16_fisica3 = factor(violec_especif16$P13_1_3,
labels = c("1","1","1","0"))
violec_especif16$violencia16_fisica4 = factor(violec_especif16$P13_1_4,
labels = c("1","1","1","0"))
violec_especif16$violencia16_fisica5 = factor(violec_especif16$P13_1_5,
labels = c("1","1","1","0"))
violec_especif16$violencia16_fisica6 = factor(violec_especif16$P13_1_6,
labels = c("1","1","1","0"))
violec_especif16$violencia16_fisica7 = factor(violec_especif16$P13_1_7,
labels = c("1","1","1","0"))
violec_especif16$violencia16_fisica8 = factor(violec_especif16$P13_1_8,
labels = c("1","1","1","0"))
violec_especif16$violencia16_fisica9 = factor(violec_especif16$P13_1_9,
labels = c("1","1","1","0"))
levels(violec_especif16$violencia16_fisica1)## [1] "1" "0"##
## 1 0
## 14663 91419# violencia16 psicologica
violec_especif16$violencia16_psicologica1 = factor(violec_especif16$P13_1_10,
labels = c("1","1","1","0"))
violec_especif16$violencia16_psicologica2 = factor(violec_especif16$P13_1_11,
labels = c("1","1","1","0"))
violec_especif16$violencia16_psicologica3 = factor(violec_especif16$P13_1_12,
labels = c("1","1","1","0"))
violec_especif16$violencia16_psicologica4 = factor(violec_especif16$P13_1_13,
labels = c("1","1","1","0"))
violec_especif16$violencia16_psicologica5 = factor(violec_especif16$P13_1_14,
labels = c("1","1","1","0"))
violec_especif16$violencia16_psicologica6 = factor(violec_especif16$P13_1_15,
labels = c("1","1","1","0"))
violec_especif16$violencia16_psicologica7 = factor(violec_especif16$P13_1_16,
labels = c("1","1","1","0"))
violec_especif16$violencia16_psicologica8 = factor(violec_especif16$P13_1_17,
labels = c("1","1","1","0"))
violec_especif16$violencia16_psicologica9 = factor(violec_especif16$P13_1_18,
labels = c("1","1","1","0"))
violec_especif16$violencia16_psicologica10 = factor(violec_especif16$P13_1_19,
labels = c("1","1","1","0"))
violec_especif16$violencia16_psicologica11 = factor(violec_especif16$P13_1_20,
labels = c("1","1","1","0"))
violec_especif16$violencia16_psicologica12 = factor(violec_especif16$P13_1_21,
labels = c("1","1","1","0"))
violec_especif16$violencia16_psicologica13 = factor(violec_especif16$P13_1_22,
labels = c("1","1","1","0"))
violec_especif16$violencia16_psicologica14 = factor(violec_especif16$P13_1_23AB,
labels = c("1","1","1","0"))
violec_especif16$violencia16_psicologica15 = factor(violec_especif16$P13_1_24AB,
labels = c("1","1","1","0"))
#vioelencia16 sexual
violec_especif16$violencia16_sexual1 = factor(violec_especif16$P13_1_25,
labels = c("1","1","1","0"))
violec_especif16$violencia16_sexual2 = factor(violec_especif16$P13_1_26,
labels = c("1","1","1","0"))
violec_especif16$violencia16_sexual3 = factor(violec_especif16$P13_1_27,
labels = c("1","1","1","0"))
violec_especif16$violencia16_sexual4 = factor(violec_especif16$P13_1_28,
labels = c("1","1","1","0"))
violec_especif16$violencia16_sexual5 = factor(violec_especif16$P13_1_29,
labels = c("1","1","1","0"))
#violencia16 economica
violec_especif16$violencia16_economica1 = factor(violec_especif16$P13_1_30,
labels = c("1","1","1","0"))
violec_especif16$violencia16_economica2 = factor(violec_especif16$P13_1_31,
labels = c("1","1","1","0"))
violec_especif16$violencia16_economica3 = factor(violec_especif16$P13_1_32,
labels = c("1","1","1","0"))
violec_especif16$violencia16_economica4 = factor(violec_especif16$P13_1_33AB,
labels = c("1","1","1","0"))
violec_especif16$violencia16_economica5 = factor(violec_especif16$P13_1_34AB,
labels = c("1","1","1","0"))
violec_especif16$violencia16_economica6 = factor(violec_especif16$P13_1_35AB,
labels = c("1","1","1","0"))
violec_especif16$violencia16_economica7 = factor(violec_especif16$P13_1_36AB,
labels = c("1","1","1","0"))
#violencia16 fisica
violec_especif16$violencia16_fisica1=as.character(violec_especif16$violencia16_fisica1)
violec_especif16$violencia16_fisica2=as.character(violec_especif16$violencia16_fisica2)
violec_especif16$violencia16_fisica3=as.character(violec_especif16$violencia16_fisica3)
violec_especif16$violencia16_fisica4=as.character(violec_especif16$violencia16_fisica4)
violec_especif16$violencia16_fisica5=as.character(violec_especif16$violencia16_fisica5)
violec_especif16$violencia16_fisica6=as.character(violec_especif16$violencia16_fisica6)
violec_especif16$violencia16_fisica7=as.character(violec_especif16$violencia16_fisica7)
violec_especif16$violencia16_fisica8=as.character(violec_especif16$violencia16_fisica8)
violec_especif16$violencia16_fisica9=as.character(violec_especif16$violencia16_fisica9)
violec_especif16$violencia16_fisica1=as.numeric(violec_especif16$violencia16_fisica1)
violec_especif16$violencia16_fisica2=as.numeric(violec_especif16$violencia16_fisica2)
violec_especif16$violencia16_fisica3=as.numeric(violec_especif16$violencia16_fisica3)
violec_especif16$violencia16_fisica4=as.numeric(violec_especif16$violencia16_fisica4)
violec_especif16$violencia16_fisica5=as.numeric(violec_especif16$violencia16_fisica5)
violec_especif16$violencia16_fisica6=as.numeric(violec_especif16$violencia16_fisica6)
violec_especif16$violencia16_fisica7=as.numeric(violec_especif16$violencia16_fisica7)
violec_especif16$violencia16_fisica8=as.numeric(violec_especif16$violencia16_fisica8)
violec_especif16$violencia16_fisica9=as.numeric(violec_especif16$violencia16_fisica9)
#violencia16 psicologica
violec_especif16$violencia16_psicologica1=as.character(violec_especif16$violencia16_psicologica1)
violec_especif16$violencia16_psicologica2=as.character(violec_especif16$violencia16_psicologica2)
violec_especif16$violencia16_psicologica3=as.character(violec_especif16$violencia16_psicologica3)
violec_especif16$violencia16_psicologica4=as.character(violec_especif16$violencia16_psicologica4)
violec_especif16$violencia16_psicologica5=as.character(violec_especif16$violencia16_psicologica5)
violec_especif16$violencia16_psicologica6=as.character(violec_especif16$violencia16_psicologica6)
violec_especif16$violencia16_psicologica7=as.character(violec_especif16$violencia16_psicologica7)
violec_especif16$violencia16_psicologica8=as.character(violec_especif16$violencia16_psicologica8)
violec_especif16$violencia16_psicologica9=as.character(violec_especif16$violencia16_psicologica9)
violec_especif16$violencia16_psicologica10=as.character(violec_especif16$violencia16_psicologica10)
violec_especif16$violencia16_psicologica11=as.character(violec_especif16$violencia16_psicologica11)
violec_especif16$violencia16_psicologica12=as.character(violec_especif16$violencia16_psicologica12)
violec_especif16$violencia16_psicologica13=as.character(violec_especif16$violencia16_psicologica13)
violec_especif16$violencia16_psicologica14=as.character(violec_especif16$violencia16_psicologica14)
violec_especif16$violencia16_psicologica15=as.character(violec_especif16$violencia16_psicologica15)
violec_especif16$violencia16_psicologica1=as.numeric(violec_especif16$violencia16_psicologica1)
violec_especif16$violencia16_psicologica2=as.numeric(violec_especif16$violencia16_psicologica2)
violec_especif16$violencia16_psicologica3=as.numeric(violec_especif16$violencia16_psicologica3)
violec_especif16$violencia16_psicologica4=as.numeric(violec_especif16$violencia16_psicologica4)
violec_especif16$violencia16_psicologica5=as.numeric(violec_especif16$violencia16_psicologica5)
violec_especif16$violencia16_psicologica6=as.numeric(violec_especif16$violencia16_psicologica6)
violec_especif16$violencia16_psicologica7=as.numeric(violec_especif16$violencia16_psicologica7)
violec_especif16$violencia16_psicologica8=as.numeric(violec_especif16$violencia16_psicologica8)
violec_especif16$violencia16_psicologica9=as.numeric(violec_especif16$violencia16_psicologica9)
violec_especif16$violencia16_psicologica10=as.numeric(violec_especif16$violencia16_psicologica10)
violec_especif16$violencia16_psicologica11=as.numeric(violec_especif16$violencia16_psicologica11)
violec_especif16$violencia16_psicologica12=as.numeric(violec_especif16$violencia16_psicologica12)
violec_especif16$violencia16_psicologica13=as.numeric(violec_especif16$violencia16_psicologica13)
violec_especif16$violencia16_psicologica14=as.numeric(violec_especif16$violencia16_psicologica14)
violec_especif16$violencia16_psicologica15=as.numeric(violec_especif16$violencia16_psicologica15)
#violencia16 sexual
violec_especif16$violencia16_sexual1=as.character(violec_especif16$violencia16_sexual1)
violec_especif16$violencia16_sexual2=as.character(violec_especif16$violencia16_sexual2)
violec_especif16$violencia16_sexual3=as.character(violec_especif16$violencia16_sexual3)
violec_especif16$violencia16_sexual4=as.character(violec_especif16$violencia16_sexual4)
violec_especif16$violencia16_sexual5=as.character(violec_especif16$violencia16_sexual5)
violec_especif16$violencia16_sexual1=as.numeric(violec_especif16$violencia16_sexual1)
violec_especif16$violencia16_sexual2=as.numeric(violec_especif16$violencia16_sexual2)
violec_especif16$violencia16_sexual3=as.numeric(violec_especif16$violencia16_sexual3)
violec_especif16$violencia16_sexual4=as.numeric(violec_especif16$violencia16_sexual4)
violec_especif16$violencia16_sexual5=as.numeric(violec_especif16$violencia16_sexual5)
#violencia economica
violec_especif16$violencia16_economica1=as.character (violec_especif16$violencia16_economica1)
violec_especif16$violencia16_economica2=as.character(violec_especif16$violencia16_economica2)
violec_especif16$violencia16_economica3=as.character(violec_especif16$violencia16_economica3)
violec_especif16$violencia16_economica4=as.character(violec_especif16$violencia16_economica4)
violec_especif16$violencia16_economica5=as.character(violec_especif16$violencia16_economica5)
violec_especif16$violencia16_economica6=as.character(violec_especif16$violencia16_economica6)
violec_especif16$violencia16_economica7=as.character(violec_especif16$violencia16_economica7)
violec_especif16$violencia16_economica1=as.numeric(violec_especif16$violencia16_economica1)
violec_especif16$violencia16_economica2=as.numeric(violec_especif16$violencia16_economica2)
violec_especif16$violencia16_economica3=as.numeric(violec_especif16$violencia16_economica3)
violec_especif16$violencia16_economica4=as.numeric(violec_especif16$violencia16_economica4)
violec_especif16$violencia16_economica5=as.numeric(violec_especif16$violencia16_economica5)
violec_especif16$violencia16_economica6=as.numeric(violec_especif16$violencia16_economica6)
violec_especif16$violencia16_economica7=as.numeric(violec_especif16$violencia16_economica7)
table(violec_especif16$violencia16_fisica1)##
## 0 1
## 91419 14663##
## 0 1
## 94117 11965##
## 0 1
## 105445 637##
## 0 1
## 98164 7918#violencia21 fisica
violec_especif21$violencia21_fisica1 = factor(violec_especif21$P14_1_1,
labels = c("1","1","1","0"))
violec_especif21$violencia21_fisica2 = factor(violec_especif21$P14_1_2,
labels = c("1","1","1","0"))
violec_especif21$violencia21_fisica3 = factor(violec_especif21$P14_1_3,
labels = c("1","1","1","0"))
violec_especif21$violencia21_fisica4 = factor(violec_especif21$P14_1_4,
labels = c("1","1","1","0"))
violec_especif21$violencia21_fisica5 = factor(violec_especif21$P14_1_5,
labels = c("1","1","1","0"))
violec_especif21$violencia21_fisica6 = factor(violec_especif21$P14_1_6,
labels = c("1","1","1","0"))
violec_especif21$violencia21_fisica7 = factor(violec_especif21$P14_1_7,
labels = c("1","1","1","0"))
violec_especif21$violencia21_fisica8 = factor(violec_especif21$P14_1_8,
labels = c("1","1","1","0"))
violec_especif21$violencia21_fisica9 = factor(violec_especif21$P14_1_9,
labels = c("1","1","1","0"))
levels(violec_especif21$violencia21_fisica1)## [1] "1" "0"##
## 1 0
## 13973 91243# violencia21 psicologica
violec_especif21$violencia21_psicologica1 = factor(violec_especif21$P14_1_10,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica2 = factor(violec_especif21$P14_1_11,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica3 = factor(violec_especif21$P14_1_12,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica4 = factor(violec_especif21$P14_1_13,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica5 = factor(violec_especif21$P14_1_14,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica6 = factor(violec_especif21$P14_1_15,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica7 = factor(violec_especif21$P14_1_16,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica8 = factor(violec_especif21$P14_1_17,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica9 = factor(violec_especif21$P14_1_18,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica10 = factor(violec_especif21$P14_1_19,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica11 = factor(violec_especif21$P14_1_20,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica12 = factor(violec_especif21$P14_1_21,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica13 = factor(violec_especif21$P14_1_22,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica14 = factor(violec_especif21$P14_1_23AB,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica15 = factor(violec_especif21$P14_1_24AB,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica16 = factor(violec_especif21$P14_1_31,
labels = c("1","1","1","0"))
#vioelencia sexual
violec_especif21$violencia21_sexual1 = factor(violec_especif21$P14_1_25,
labels = c("1","1","1","0"))
violec_especif21$violencia21_sexual2 = factor(violec_especif21$P14_1_26,
labels = c("1","1","1","0"))
violec_especif21$violencia21_sexual3 = factor(violec_especif21$P14_1_27,
labels = c("1","1","1","0"))
violec_especif21$violencia21_sexual4 = factor(violec_especif21$P14_1_28,
labels = c("1","1","1","0"))
violec_especif21$violencia21_sexual5 = factor(violec_especif21$P14_1_29,
labels = c("1","1","1","0"))
violec_especif21$violencia21_sexual6 = factor(violec_especif21$P14_1_30,
labels = c("1","1","1","0"))
#violencia21 economica
violec_especif21$violencia21_economica1 = factor(violec_especif21$P14_1_32,
labels = c("1","1","1","0"))
violec_especif21$violencia21_economica2 = factor(violec_especif21$P14_1_33,
labels = c("1","1","1","0"))
violec_especif21$violencia21_economica3 = factor(violec_especif21$P14_1_34,
labels = c("1","1","1","0"))
violec_especif21$violencia21_economica4 = factor(violec_especif21$P14_1_35AB,
labels = c("1","1","1","0"))
violec_especif21$violencia21_economica5 = factor(violec_especif21$P14_1_36AB,
labels = c("1","1","1","0"))
violec_especif21$violencia21_economica6 = factor(violec_especif21$P14_1_37AB,
labels = c("1","1","1","0"))
violec_especif21$violencia21_economica7 = factor(violec_especif21$P14_1_38AB,
labels = c("1","1","1","0"))# hier schreiben wir alles um, damit wir nur noch No y Si haben
# violencia16 fisica
violec_especif16$viol16_fis_total =
(violec_especif16$violencia16_fisica1+
violec_especif16$violencia16_fisica2+
violec_especif16$violencia16_fisica3+
violec_especif16$violencia16_fisica4+
violec_especif16$violencia16_fisica5+
violec_especif16$violencia16_fisica6+
violec_especif16$violencia16_fisica7+
violec_especif16$violencia16_fisica8+
violec_especif16$violencia16_fisica9)
hist(violec_especif16$viol16_fis_total)
violec_especif16$viol16_fis_disc = factor(violec_especif16$viol16_fis_total,
labels = c("No",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí"))# violencia16 psicica
violec_especif16$viol16_psi_total =
(violec_especif16$violencia16_psicologica1+
violec_especif16$violencia16_psicologica2+
violec_especif16$violencia16_psicologica3+
violec_especif16$violencia16_psicologica4+
violec_especif16$violencia16_psicologica5+
violec_especif16$violencia16_psicologica6+
violec_especif16$violencia16_psicologica7+
violec_especif16$violencia16_psicologica8+
violec_especif16$violencia16_psicologica9+
violec_especif16$violencia16_psicologica10+
violec_especif16$violencia16_psicologica11+
violec_especif16$violencia16_psicologica12+
violec_especif16$violencia16_psicologica13+
violec_especif16$violencia16_psicologica14+
violec_especif16$violencia16_psicologica15)
violec_especif16$viol16_psi_disc = factor(violec_especif16$viol16_psi_total,
labels = c("No",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí"
))# violencia16 sexual
violec_especif16$viol16_sex_total =
(violec_especif16$violencia16_sexual1+
violec_especif16$violencia16_sexual2+
violec_especif16$violencia16_sexual3+
violec_especif16$violencia16_sexual4+
violec_especif16$violencia16_sexual5)
hist(violec_especif16$viol16_sex_total)
violec_especif16$viol16_sex_disc = factor(violec_especif16$viol16_sex_total,
labels = c("No",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí"
))# violencia16 economica
violec_especif16$viol16_eco_total =
(violec_especif16$violencia16_economica1+
violec_especif16$violencia16_economica2+
violec_especif16$violencia16_economica3+
violec_especif16$violencia16_economica4+
violec_especif16$violencia16_economica5+
violec_especif16$violencia16_economica6+
violec_especif16$violencia16_economica7)
violec_especif16$viol16_eco_disc = factor(violec_especif16$viol16_eco_total,
labels = c("No",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí"
))# hier schreiben wir alles um, damit wir nur noch No y Si haben
# violencia2121 fisica
violec_especif21$viol21_fis_total =
(violec_especif21$violencia21_fisica1+
violec_especif21$violencia21_fisica2+
violec_especif21$violencia21_fisica3+
violec_especif21$violencia21_fisica4+
violec_especif21$violencia21_fisica5+
violec_especif21$violencia21_fisica6+
violec_especif21$violencia21_fisica7+
violec_especif21$violencia21_fisica8+
violec_especif21$violencia21_fisica9)
hist(violec_especif21$viol21_fis_total)
violec_especif21$viol21_fis_disc = factor(violec_especif21$viol21_fis_total,
labels = c("No",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí"))# violencia21 psicica
violec_especif21$viol21_psi_total =
(violec_especif21$violencia21_psicologica1+
violec_especif21$violencia21_psicologica2+
violec_especif21$violencia21_psicologica3+
violec_especif21$violencia21_psicologica4+
violec_especif21$violencia21_psicologica5+
violec_especif21$violencia21_psicologica6+
violec_especif21$violencia21_psicologica7+
violec_especif21$violencia21_psicologica8+
violec_especif21$violencia21_psicologica9+
violec_especif21$violencia21_psicologica10+
violec_especif21$violencia21_psicologica11+
violec_especif21$violencia21_psicologica12+
violec_especif21$violencia21_psicologica13+
violec_especif21$violencia21_psicologica14+
violec_especif21$violencia21_psicologica15+
violec_especif21$violencia21_psicologica16)
violec_especif21$viol21_psi_disc = factor(violec_especif21$viol21_psi_total,
labels = c("No",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí"
))
# violencia21 sexual
violec_especif21$viol21_sex_total =
(violec_especif21$violencia21_sexual1+
violec_especif21$violencia21_sexual2+
violec_especif21$violencia21_sexual3+
violec_especif21$violencia21_sexual4+
violec_especif21$violencia21_sexual5+
violec_especif21$violencia21_sexual6)
hist(violec_especif21$viol21_sex_total)
violec_especif21$viol21_sex_disc = factor(violec_especif21$viol21_sex_total,
labels = c("No",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí"
))
# violencia21 economica
violec_especif21$viol21_eco_total =
(violec_especif21$violencia21_economica1+
violec_especif21$violencia21_economica2+
violec_especif21$violencia21_economica3+
violec_especif21$violencia21_economica4+
violec_especif21$violencia21_economica5+
violec_especif21$violencia21_economica6+
violec_especif21$violencia21_economica7)
table(violec_especif21$violencia21_sexual5)##
## 0 1
## 102459 27574. Korelacion
Korelacion 2016
## Warning: Paket 'janitor' wurde unter R Version 4.4.1 erstellt##
## Attache Paket: 'janitor'## Die folgenden Objekte sind maskiert von 'package:stats':
##
## chisq.test, fisher.test##
## Pearson's product-moment correlation
##
## data: violec_especif16$viol16_fis_total and violec_especif16$viol16_eco_total
## t = 225.29, df = 92440, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.5911722 0.5994954
## sample estimates:
## cor
## 0.5953498## Warning in cor.test.default(violec_especif16$viol16_fis_total,
## violec_especif16$viol16_eco_total, : Kann exakten p-Wert bei Bindungen nicht
## berechnen##
## Spearman's rank correlation rho
##
## data: violec_especif16$viol16_fis_total and violec_especif16$viol16_eco_total
## S = 6.2335e+13, p-value < 2.2e-16
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
## rho
## 0.5265456##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: violec_especif16$viol16_fis_disc and violec_especif16$viol16_eco_disc
## X-squared = 21518, df = 1, p-value < 2.2e-16##
## No Sí
## No 64389 9794
## Sí 6490 11769# Schritt 1: Tabellarische Darstellung erstellen
tab <- tabyl(violec_especif16, viol16_fis_disc, viol16_eco_disc)
# Schritt 2: Zeilentotale hinzufügen
tab <- adorn_totals(tab, where = c("row"))
# Schritt 3: Prozentsätze berechnen
tab <- adorn_percentages(tab, denominator = c("row"))
# Schritt 4: Prozentsätze formatieren
tab <- adorn_pct_formatting(tab)
# Schritt 5: Absolute Werte hinzufügen
tab <- adorn_ns(tab)
# Schritt 6: Titel hinzufügen
tab <- adorn_title(tab)
# Ergebnis
tab## viol16_eco_disc
## viol16_fis_disc No Sí NA_
## No 73.9% (64,389) 11.2% (9,794) 14.9% (12,947)
## Sí 34.2% (6,490) 62.1% (11,769) 3.7% (693)
## Total 66.8% (70,879) 20.3% (21,563) 12.9% (13,640)Interpretacion de violencia economica con violencia fisica 2016
Pearson-Produkt-Moment-Korrelation
Un coeficiente de correlación de 0.5953 indica una relación lineal positiva significativa entre viol16_fis_total y viol16_eco_total. Esto significa que un mayor grado de violencia económica tiende a estar asociado con un mayor grado de violencia física, y viceversa.
Spearman’s rank correlation rho
Hay una moderada correlación positiva entre viol16_fis_total (violencia física) y viol16_eco_total (violencia económica) 0.5265456. Esta correlación es estadísticamente significativa, lo que sugiere que es probable que estos dos tipos de violencia estén relacionados entre sí. Esto significa que las personas que experimentan violencia física también es más probable que sufran violencia económica, y viceversa.
Chi-Quadrat:
Un valor p muy pequeño (menor que 2.2e-16) indica que podemos rechazar la hipótesis nula (la suposición de que no existe asociación entre las variables). Por lo tanto, existe una asociación estadísticamente significativa entre viol21_fis_disc y viol21_eco_disc. En otras palabras, hay una relación entre la discriminación debido a la violencia física y la discriminación debido a la violencia económica.
Tabela
86.8% (64,389): El 86.8% de las personas que no sufrieron discriminación económica, tampoco sufrieron discriminación física. La cantidad de estas personas es 64,389.
13.2% (9,794): El 13.2% de las personas que no sufrieron discriminación económica, sí sufrieron discriminación física. La cantidad de estas personas es 9,794.
35.5% (6,490): El 35.5% de las personas que sufrieron discriminación económica, no sufrieron discriminación física. La cantidad de estas personas es 6,490.
64.5% (11,769): El 64.5% de las personas que sufrieron discriminación económica, también sufrieron discriminación física. La cantidad de estas personas es 11,769.
La tabla muestra que un gran porcentaje de personas que no sufrieron discriminación económica (86.8%) tampoco sufrieron discriminación física. En contraste, el 64.5% de las personas que sufrieron discriminación económica también sufrieron discriminación física. Esto indica una relación significativa entre la discriminación económica y la discriminación física.
##
## Pearson's product-moment correlation
##
## data: violec_especif16$viol16_psi_total and violec_especif16$viol16_eco_total
## t = 340.56, df = 92440, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.7430947 0.7488132
## sample estimates:
## cor
## 0.7459677## Warning in cor.test.default(violec_especif16$viol16_psi_total,
## violec_especif16$viol16_eco_total, : Kann exakten p-Wert bei Bindungen nicht
## berechnen##
## Spearman's rank correlation rho
##
## data: violec_especif16$viol16_psi_total and violec_especif16$viol16_eco_total
## S = 4.514e+13, p-value < 2.2e-16
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
## rho
## 0.6571486##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: violec_especif16$viol16_psi_disc and violec_especif16$viol16_eco_disc
## X-squared = 28887, df = 1, p-value < 2.2e-16# Erstelle eine tabyl-Tabelle
tabyl_table <- tabyl(violec_especif16, viol16_psi_disc, viol16_eco_disc)
# Füge die Zeilentotale hinzu
tabyl_table <- adorn_totals(tabyl_table, where = "row")
# Berechne die Prozentsätze pro Zeile
tabyl_table <- adorn_percentages(tabyl_table, denominator = "row")
# Formatiere die Prozentsätze
tabyl_table <- adorn_pct_formatting(tabyl_table)
# Füge die absoluten Häufigkeiten hinzu
tabyl_table <- adorn_ns(tabyl_table)
# Füge den Titel hinzu
tabyl_table <- adorn_title(tabyl_table)Interpretacion de violencia economica con violencia fisica
Pearson-Produkt-Moment-Korrelation
Un coeficiente de correlación de 0.746 muestra una relación lineal positiva significativa entre viol16_psi_total y viol16_eco_total. Esto significa que un mayor grado de violencia económica tiende a estar asociado con un mayor grado de violencia psicológica, y viceversa.
Spearman’s rank correlation rho
Hay una fuerte correlación positiva entre viol16_psi_total (violencia psicológica) y viol16_eco_total (violencia económica) de 0.6571486. Esta correlación es estadísticamente significativa, lo que sugiere que es probable que estos dos tipos de violencia estén relacionados entre sí. Esto significa que las personas que experimentan violencia psicológica también es más probable que sufran violencia económica, y viceversa.
Chi-Quadrat-Wert
Un valor p muy pequeño (menor que 2.2e-16) indica que podemos rechazar la hipótesis nula (la suposición de que no existe asociación entre las variables). Por lo tanto, existe una asociación estadísticamente significativa entre viol16_psi_disc y viol16_eco_disc. En otras palabras, hay una relación entre la discriminación debido a la violencia psicológica y la discriminación debido a la violencia económica.
Tabela
95.3% (54,282): El 95.3% de las personas que no sufrieron discriminación económica, tampoco sufrieron discriminación psicológica. La cantidad de estas personas es 54,282.
4.7% (2,650): El 4.7% de las personas que no sufrieron discriminación económica, sí sufrieron discriminación psicológica. La cantidad de estas personas es 2,650.
46.7% (16,597): El 46.7% de las personas que sufrieron discriminación económica, no sufrieron discriminación psicológica. La cantidad de estas personas es 16,597.
53.3% (18,913): El 53.3% de las personas que sufrieron discriminación económica, también sufrieron discriminación psicológica. La cantidad de estas personas es 18,913.
La tabla muestra que un gran porcentaje de personas que no sufrieron discriminación económica (95.3%) tampoco sufrieron discriminación psicológica. En contraste, el 53.3% de las personas que sufrieron discriminación económica también sufrieron discriminación psicológica. Esto indica una relación significativa entre la discriminación económica y la discriminación psicológica.
##
## Pearson's product-moment correlation
##
## data: violec_especif16$viol16_sex_total and violec_especif16$viol16_eco_total
## t = 195.73, df = 92440, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.5367202 0.5458355
## sample estimates:
## cor
## 0.5412938## Warning in cor.test.default(violec_especif16$viol16_sex_total,
## violec_especif16$viol16_eco_total, : Kann exakten p-Wert bei Bindungen nicht
## berechnen##
## Spearman's rank correlation rho
##
## data: violec_especif16$viol16_sex_total and violec_especif16$viol16_eco_total
## S = 7.366e+13, p-value < 2.2e-16
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
## rho
## 0.4405306##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: violec_especif16$viol16_sex_disc and violec_especif16$viol16_eco_disc
## X-squared = 14487, df = 1, p-value < 2.2e-16# Erstelle eine tabyl-Tabelle
tabyl_table <- tabyl(violec_especif16, viol16_sex_disc, viol16_eco_disc)
# Füge die Zeilentotale hinzu
tabyl_table <- adorn_totals(tabyl_table, where = "row")
# Berechne die Prozentsätze pro Zeile
tabyl_table <- adorn_percentages(tabyl_table, denominator = "row")
# Formatiere die Prozentsätze
tabyl_table <- adorn_pct_formatting(tabyl_table)
# Füge die absoluten Häufigkeiten hinzu
tabyl_table <- adorn_ns(tabyl_table)
# Füge den Titel hinzu
tabyl_table <- adorn_title(tabyl_table)Interpretacion de violencia economica con violencia fisica
Pearson-Produkt-Moment-Korrelation
Un coeficiente de correlación de 0.541 muestra una relación lineal positiva significativa entre viol16_sex_total y viol16_eco_total. Esto significa que un mayor grado de violencia económica tiende a estar asociado con un mayor grado de violencia sexual, y viceversa.
Spearman’s rank correlation rho
El análisis muestra una relación monotónica positiva moderada entre viol16_sex_total y viol16_eco_total (0.4405306), siendo el resultado estadísticamente altamente significativo. Esto significa que las dos variables tienden a estar relacionadas, pero la relación no es perfecta ni lineal.
Chi-Quadrat-Wert
Un valor p muy pequeño (menor que 2.2e-16) indica que podemos rechazar la hipótesis nula (la suposición de que no existe asociación entre las variables). Por lo tanto, existe una asociación estadísticamente significativa entre viol16_sex_disc y viol16_eco_disc. En otras palabras, hay una relación entre la discriminación debido a la violencia sexual y la discriminación debido a la violencia económica.
Tabela
81.2% (69,976): El 81.2% de las personas que no sufrieron discriminación económica, tampoco sufrieron discriminación sexual. La cantidad de estas personas es 69,976.
18.8% (16,222): El 18.8% de las personas que no sufrieron discriminación económica, sí sufrieron discriminación sexual. La cantidad de estas personas es 16,222.
14.5% (903): El 14.5% de las personas que sufrieron discriminación económica, no sufrieron discriminación sexual. La cantidad de estas personas es 903.
85.5% (5,341): El 85.5% de las personas que sufrieron discriminación económica, también sufrieron discriminación sexual. La cantidad de estas personas es 5,341.
La tabla muestra que un gran porcentaje de personas que no sufrieron discriminación económica (81.2%) tampoco sufrieron discriminación sexual. En contraste, el 85.5% de las personas que sufrieron discriminación económica también sufrieron discriminación sexual. Esto indica una relación significativa entre la discriminación económica y la discriminación sexual.
##
## Pearson's product-moment correlation
##
## data: violec_especif21$viol21_fis_total and violec_especif21$viol21_eco_total
## t = 213.82, df = 90689, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.5745813 0.5832354
## sample estimates:
## cor
## 0.5789246## Warning in cor.test.default(violec_especif21$viol21_fis_total,
## violec_especif21$viol21_eco_total, : Kann exakten p-Wert bei Bindungen nicht
## berechnen##
## Spearman's rank correlation rho
##
## data: violec_especif21$viol21_fis_total and violec_especif21$viol21_eco_total
## S = 6.0565e+13, p-value < 2.2e-16
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
## rho
## 0.5128338##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: violec_especif21$viol21_fis_disc and violec_especif21$viol21_eco_disc
## X-squared = 20196, df = 1, p-value < 2.2e-16##
## No Sí
## No 64221 9199
## Sí 6506 10765# Erstelle eine tabyl-Tabelle
tabyl_table <- tabyl(violec_especif21, viol21_fis_disc, viol21_eco_disc)
# Füge die Zeilentotale hinzu
tabyl_table <- adorn_totals(tabyl_table, where = "row")
# Berechne die Prozentsätze pro Zeile
tabyl_table <- adorn_percentages(tabyl_table, denominator = "row")
# Formatiere die Prozentsätze
tabyl_table <- adorn_pct_formatting(tabyl_table)
# Füge die absoluten Häufigkeiten hinzu
tabyl_table <- adorn_ns(tabyl_table)
# Füge den Titel hinzu
tabyl_table <- adorn_title(tabyl_table)Interpretación de la violencia económica con la violencia física
###Correlación de producto-momento de Pearson En resumen, un coeficiente de correlación de 0.5803 indica que existe una relación lineal positiva significativa entre violencia física total y violencia económica total. En otras palabras, cuanto más violencia económica se reporta, más violencia física también se observa y viceversa.
###Spearman’s rank correlation rho En resumen, los resultados
muestran una relación monotónica positiva moderada y significativa entre
las variables viol21_fis_total y
viol21_eco_total (0.5128338). Esto significa que, cuando
los valores de una de las variables aumentan, esto tiende a estar
relacionado con un aumento en la otra variable.
###Valor Chi-cuadrado Un valor Chi-cuadrado de 20215 con un grado de libertad de 1 y un valor p de menos de 2.2e-16 significa que hay una asociación muy fuerte y estadísticamente significativa entre violencia física discr y violencia económica discr. En otras palabras, las dos variables no son independientes entre sí.
###Tabla: 73.6% (64,216): El 73.6% de las personas que no experimentaron violencia económica tampoco experimentaron violencia física. La cantidad de estas personas es 64,216.
10.6% (9,204): El 10.6% de las personas que no experimentaron violencia económica sí experimentaron violencia física. La cantidad de estas personas es 9,204.
15.8% (13,781): El 15.8% de las personas que no experimentaron violencia económica tienen un estado desconocido respecto a la violencia física. La cantidad de estas personas es 13,781.
36.1% (6,499): El 36.1% de las personas que experimentaron violencia económica no experimentaron violencia física. La cantidad de estas personas es 6,499.
59.8% (10,772): El 59.8% de las personas que experimentaron violencia económica también experimentaron violencia física. La cantidad de estas personas es 10,772.
4.1% (744): El 4.1% de las personas que experimentaron violencia económica tienen un estado desconocido respecto a la violencia física. La cantidad de estas personas es 744.
La tabla muestra que hay un número significativo de personas que han experimentado tanto violencia económica como física (59.8%). También muestra que la mayoría de las personas que no experimentaron violencia económica tampoco experimentaron violencia física (73.6%).
##
## Pearson's product-moment correlation
##
## data: violec_especif21$viol21_psi_total and violec_especif21$viol21_eco_total
## t = 332.33, df = 90689, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.7380673 0.7439366
## sample estimates:
## cor
## 0.7410161## Warning in cor.test.default(violec_especif21$viol21_psi_total,
## violec_especif21$viol21_eco_total, : Kann exakten p-Wert bei Bindungen nicht
## berechnen##
## Spearman's rank correlation rho
##
## data: violec_especif21$viol21_psi_total and violec_especif21$viol21_eco_total
## S = 4.4542e+13, p-value < 2.2e-16
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
## rho
## 0.6417141##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: violec_especif21$viol21_psi_disc and violec_especif21$viol21_eco_disc
## X-squared = 27509, df = 1, p-value < 2.2e-16violec_especif21 %>%
tabyl(viol21_psi_disc, viol21_eco_disc) %>%
adorn_totals(where = c("row")) %>%
adorn_percentages(denominator = c('row')) %>%
adorn_pct_formatting() %>%
adorn_ns() %>%
adorn_title() ## viol21_eco_disc
## viol21_psi_disc No Sí NA_
## No 95.0% (55,297) 5.0% (2,882) 0.0% (0)
## Sí 47.5% (15,430) 52.5% (17,082) 0.0% (0)
## <NA> 0.0% (0) 0.0% (0) 100.0% (14,525)
## Total 67.2% (70,727) 19.0% (19,964) 13.8% (14,525)Interpretacion de violencia economica con violencia psicologica
Correlación de producto-momento de Pearson
Un coeficiente de correlación de 0.7421 muestra una relación lineal positiva fuerte entre violencia psicológica total y violencia económica total. Esto significa que un mayor nivel de violencia económica está asociado con un mayor nivel de violencia psicológica y viceversa.
Spearman’s rank correlation rho
El análisis de correlación de rangos de Spearman muestra una relación
monotónica positiva significativa entre las variables
viol21_psi_total y viol21_eco_total, con un
valor de \(\rho = 0.6417\). Un valor de
\(\rho = 0.6417\) indica una
correlación positiva moderada, lo que significa que, cuando uno de los
valores de las variables aumenta, esto tiende a estar asociado con un
aumento en la otra variable. El valor p es menor a 2.2e-16, lo que
indica que este resultado es altamente significativo, por lo que se
puede rechazar la hipótesis nula (que sugiere que no hay relación). En
resumen, existe una relación positiva moderada y estadísticamente
significativa entre viol21_psi_total y
viol21_eco_total.
Valor Chi-cuadrado
Un valor Chi-cuadrado de 27540 con un grado de libertad de 1 y un valor p de menos de 2.2e-16 significa que hay una asociación muy fuerte y estadísticamente significativa entre violencia psicológica discr y violencia económica discr. En otras palabras, las dos variables no son independientes entre sí.
Tabla:
95.0% (55,297): El 95.0% de las personas que no experimentaron violencia económica tampoco experimentaron violencia psicológica. La cantidad de estas personas es 55,297.
5.0% (2,882): El 5.0% de las personas que no experimentaron violencia económica sí experimentaron violencia psicológica. La cantidad de estas personas es 2,882.
0.0% (0): El 0.0% de las personas que no experimentaron violencia económica tienen un estado desconocido respecto a la violencia psicológica.
47.4% (15,418): El 47.4% de las personas que experimentaron violencia económica no experimentaron violencia psicológica. La cantidad de estas personas es 15,418.
52.6% (17,094): El 52.6% de las personas que experimentaron violencia económica también experimentaron violencia psicológica. La cantidad de estas personas es 17,094.
La tabla muestra que hay un número significativo de personas que han experimentado tanto violencia económica como psicológica (52.6%). También muestra que la mayoría de las personas que no experimentaron violencia económica tampoco experimentaron violencia psicológica (95.0%).
##
## Pearson's product-moment correlation
##
## data: violec_especif21$viol21_sex_total and violec_especif21$viol21_eco_total
## t = 207.29, df = 90689, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.5625683 0.5714003
## sample estimates:
## cor
## 0.5670006## Warning in cor.test.default(violec_especif21$viol21_sex_total,
## violec_especif21$viol21_eco_total, : Kann exakten p-Wert bei Bindungen nicht
## berechnen##
## Spearman's rank correlation rho
##
## data: violec_especif21$viol21_sex_total and violec_especif21$viol21_eco_total
## S = 6.655e+13, p-value < 2.2e-16
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
## rho
## 0.4646866##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: violec_especif21$viol21_sex_disc and violec_especif21$viol21_eco_disc
## X-squared = 16053, df = 1, p-value < 2.2e-16violec_especif21 %>%
tabyl(viol21_sex_disc, viol21_eco_disc) %>%
adorn_totals(where = c("row")) %>%
adorn_percentages(denominator = c('row')) %>%
adorn_pct_formatting() %>%
adorn_ns() %>%
adorn_title() ## viol21_eco_disc
## viol21_sex_disc No Sí NA_
## No 71.1% (69,725) 14.7% (14,443) 14.2% (13,938)
## Sí 14.1% (1,002) 77.7% (5,521) 8.3% (587)
## Total 67.2% (70,727) 19.0% (19,964) 13.8% (14,525)Interpretacion de violencia economica con violencia sexual
Correlación de producto-momento de Pearson
Un coeficiente de correlación de 0.5722 muestra una relación lineal positiva significativa entre violencia sexual total y violencia económica total. Esto significa que un mayor nivel de violencia económica está asociado con un mayor nivel de violencia sexual y viceversa.
Spearman’s rank correlation rho
El análisis de correlación de rangos de Spearman muestra una relación
monótona positiva significativa entre las variables
viol21_sex_total y viol21_eco_total, con un
valor de \(\rho\) de 0.4647. Un valor
de \(\rho\) de 0.4647 indica una
correlación positiva moderada, lo que significa que, cuando aumenta el
valor de una de las variables, esto tiende a estar asociado con un
aumento en la otra variable. El valor p es menor que 2.2e-16, lo que
indica que este resultado es altamente significativo. Por lo tanto, se
puede rechazar la hipótesis nula, que establece que no hay ninguna
relación entre las variables. En resumen, se observa una relación
positiva moderada entre viol21_sex_total y
viol21_eco_total que es estadísticamente significativa.
Valor Chi-cuadrado
Un valor Chi-cuadrado de 16110 con un grado de libertad de 1 y un valor p de menos de 2.2e-16 significa que hay una asociación muy fuerte y estadísticamente significativa entre violencia sexual discr y violencia económica discr. En otras palabras, las dos variables no son independientes entre sí.
Tabla:
71.1% (69,722): El 71.1% de las personas que no experimentaron violencia económica tampoco experimentaron violencia sexual. La cantidad de estas personas es 69,722.
14.7% (14,446): El 14.7% de las personas que no experimentaron violencia económica sí experimentaron violencia sexual. La cantidad de estas personas es 14,446.
14.2% (13,938): El 14.2% de las personas que no experimentaron violencia económica tienen un estado desconocido respecto a la violencia sexual. La cantidad de estas personas es 13,938.
14.0% (993): El 14.0% de las personas que experimentaron violencia económica no experimentaron violencia sexual. La cantidad de estas personas es 993.
77.8% (5,530): El 77.8% de las personas que experimentaron violencia económica también experimentaron violencia sexual. La cantidad de estas personas es 5,530.
8.3% (587): El 8.3% de las personas que experimentaron violencia económica tienen un estado desconocido respecto a la violencia sexual. La cantidad de estas personas es 587.
La tabla muestra que hay un número significativo de personas que han experimentado tanto violencia económica como sexual (77.8%). También muestra que la mayoría de las personas que no experimentaron violencia económica tampoco experimentaron violencia sexual (71.1%).
Korelacion entre 2016 y 2021
#install.packages("janitor", repos = "https://cran.r-project.org")
#install.packages('corrplot')
library(corrplot)## Warning: Paket 'corrplot' wurde unter R Version 4.4.2 erstellt## corrplot 0.95 loaded## [1] Aguascalientes\n Baja California\n
## [3] Baja California Sur\n Campeche\n
## [5] Coahuila de Zaragoza\n Colima\n
## [7] Chiapas\n Chihuahua\n
## [9] Ciudad de Mexico\n Durango\n
## [11] Guanajuato\n Guerrero\n
## [13] Hidalgo\n Jalisco\n
## [15] Estado de Mexico\n Veracruz de Ignacio de la Llave\n
## [17] Yucatan\n Zacatecas\n
## [19] Michoacan de Ocampo\n Morelos\n
## [21] Nayarit\n Nuevo Leon\n
## [23] Oaxaca\n Puebla\n
## [25] Queretaro\n Quintana Roo\n
## [27] San Luis Potosi\n Sinaloa\n
## [29] Sonora\n Tabasco\n
## [31] Tamaulipas\n Tlaxcala\n
## 32 Levels: Aguascalientes\n Baja California Sur\n ... Zacatecas\n
## [1] 2804 4## 'data.frame': 2804 obs. of 4 variables:
## $ viol16_psi_total: num 2 0 2 2 5 9 1 0 3 0 ...
## $ viol16_sex_total: num 0 0 0 0 0 4 0 0 0 0 ...
## $ viol16_eco_total: num 0 0 0 0 2 5 0 0 2 1 ...
## $ viol16_fis_total: num 0 0 0 0 0 2 0 0 0 0 ...
## - attr(*, "na.action")= 'omit' Named int [1:574] 7 9 11 14 16 20 21 30 44 58 ...
## ..- attr(*, "names")= chr [1:574] "7" "9" "11" "14" ...## viol16_psi_total viol16_sex_total viol16_eco_total viol16_fis_total
## Min. : 0.000 Min. :0.0000 Min. :0.0000 Min. :0.0000
## 1st Qu.: 0.000 1st Qu.:0.0000 1st Qu.:0.0000 1st Qu.:0.0000
## Median : 0.000 Median :0.0000 Median :0.0000 Median :0.0000
## Mean : 1.937 Mean :0.1705 Mean :0.7158 Mean :0.5824
## 3rd Qu.: 3.000 3rd Qu.:0.0000 3rd Qu.:1.0000 3rd Qu.:0.0000
## Max. :15.000 Max. :5.0000 Max. :7.0000 Max. :9.0000
# Daten filtern und relevante numerische Variablen auswählen
violec_especif16_Mor <- violec_especif16 %>%
dplyr::filter(NOM_ENT == "Morelos\n") %>%
dplyr::select(viol16_psi_total, viol16_sex_total, viol16_eco_total, viol16_fis_total)
# Entfernen von NA-Werten
violec_especif16_Mor_clean <- na.omit(violec_especif16_Mor)
# Berechnung der Spearman-Korrelation nur für numerische Variablen
correlation_matrix_Mor16 <- cor(violec_especif16_Mor_clean, method = "spearman", use = "complete.obs")
# Visualisierung der Korrelation mit corrplot
corrplot(correlation_matrix_Mor16,
method = "circle", # Kreise bleiben erhalten
col = colorRampPalette(c("white", "orange", "darkorange", "brown"))(200), # Farbskala im orangenen Bereich
type = "upper",
order = "AOE",
tl.col = "black",
tl.srt = 45,
addCoef.col = "black",
number.cex = 0.7,
mar = c(0, 0, 4, 0)) # Ränder des Plots anpassen
# Überschrift hinzufügen
title(main = "Morelos 2016 Correlación Violencia Doméstica", cex.main = 1.8)
Correlaciones graficas
Correlaciones entre violencia fisica y violencia economica
# Tabelle der Korrelationen erstellen
correlation_data_ecofis <- data.frame(
state_abbreviation = c("AGS16", "BC16", "BCS16", "Camp16", "Chis16", "Chih16", "Coah16",
"Col16", "Dgo16", "Gto16", "Gro16", "Hgo16", "Jal16", "Méx16",
"DF16", "Mich16", "Mor16", "Nay16", "NL16", "Oax16", "Pue16",
"Qro16", "QR16", "SLP16", "Sin16", "Son16", "Tab16", "Tamps16",
"Tlax16", "Ver16", "Yuc16", "Zac16"),
correlation_ecofis_value = c(0.54, 0.48, 0.53, 0.52, 0.48, 0.49, 0.54, 0.52, 0.54, 0.56,
0.52, 0.54, 0.52, 0.53, 0.56, 0.53, 0.55, 0.52, 0.48, 0.49,
0.55, 0.51, 0.52, 0.58, 0.48, 0.52, 0.53, 0.51, 0.57, 0.54,
0.52, 0.51)
)
# Bundesstaaten-Namen anpassen
correlation_data_ecofis <- correlation_data_ecofis %>%
dplyr::mutate(NAME_1 = dplyr::case_when(
state_abbreviation == "AGS16" ~ "Aguascalientes",
state_abbreviation == "BC16" ~ "Baja California",
state_abbreviation == "BCS16" ~ "Baja California Sur",
state_abbreviation == "Camp16" ~ "Campeche",
state_abbreviation == "Chis16" ~ "Chiapas",
state_abbreviation == "Chih16" ~ "Chihuahua",
state_abbreviation == "Coah16" ~ "Coahuila",
state_abbreviation == "Col16" ~ "Colima",
state_abbreviation == "Dgo16" ~ "Durango",
state_abbreviation == "Gto16" ~ "Guanajuato",
state_abbreviation == "Gro16" ~ "Guerrero",
state_abbreviation == "Hgo16" ~ "Hidalgo",
state_abbreviation == "Jal16" ~ "Jalisco",
state_abbreviation == "Méx16" ~ "México",
state_abbreviation == "DF16" ~ "Distrito Federal",
state_abbreviation == "Mich16" ~ "Michoacán",
state_abbreviation == "Mor16" ~ "Morelos",
state_abbreviation == "Nay16" ~ "Nayarit",
state_abbreviation == "NL16" ~ "Nuevo León",
state_abbreviation == "Oax16" ~ "Oaxaca",
state_abbreviation == "Pue16" ~ "Puebla",
state_abbreviation == "Qro16" ~ "Querétaro",
state_abbreviation == "QR16" ~ "Quintana Roo",
state_abbreviation == "SLP16" ~ "San Luis Potosí",
state_abbreviation == "Sin16" ~ "Sinaloa",
state_abbreviation == "Son16" ~ "Sonora",
state_abbreviation == "Tab16" ~ "Tabasco",
state_abbreviation == "Tamps16" ~ "Tamaulipas",
state_abbreviation == "Tlax16" ~ "Tlaxcala",
state_abbreviation == "Ver16" ~ "Veracruz",
state_abbreviation == "Yuc16" ~ "Yucatán",
state_abbreviation == "Zac16" ~ "Zacatecas"
))
# Benötigte Bibliotheken laden
library(dplyr)## Warning: Paket 'dplyr' wurde unter R Version 4.4.2 erstellt##
## Attache Paket: 'dplyr'## Die folgenden Objekte sind maskiert von 'package:stats':
##
## filter, lag## Die folgenden Objekte sind maskiert von 'package:base':
##
## intersect, setdiff, setequal, union## Warning: Paket 'sf' wurde unter R Version 4.4.2 erstellt## Linking to GEOS 3.12.2, GDAL 3.9.3, PROJ 9.4.1; sf_use_s2() is TRUE## Warning: Paket 'ggplot2' wurde unter R Version 4.4.2 erstellt## Warning: Paket 'viridis' wurde unter R Version 4.4.2 erstellt## Lade nötiges Paket: viridisLite# Geodaten laden
mexmex <- st_read("C:/Master/3. Semester/R/Dataset/gadm41_MEX.gpkg", layer = "ADM_ADM_1")## Reading layer `ADM_ADM_1' from data source
## `C:\Master\3. Semester\R\Dataset\gadm41_MEX.gpkg' using driver `GPKG'
## Simple feature collection with 32 features and 11 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: -118.3665 ymin: 14.53507 xmax: -86.71074 ymax: 32.71863
## Geodetic CRS: WGS 84# Geodaten mit Korrelationen verbinden
mexmex <- mexmex %>%
left_join(correlation_data_ecofis, by = c("NAME_1" = "NAME_1"))
# Überprüfen, ob die Zusammenführung erfolgreich war
missing_values <- mexmex %>% filter(is.na(correlation_ecofis_value))
print(paste("Bundesstaaten ohne Korrelation:", missing_values$NAME_1))## [1] "Bundesstaaten ohne Korrelation: "# Karte erstellen
ggplot(mexmex) +
geom_sf(aes(fill = correlation_ecofis_value)) +
scale_fill_viridis_c(option = "plasma") + # Farbschema ändern
labs(
title = "Correlación entre violencia física y económica en México 2016",
subtitle = "Datos por estado",
caption = "Fuente: Cálculos propios basados en datos de la encuesta del INEGI",
fill = "Correlación"
) +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5, size = 15), # Titel zentrieren und Größe anpassen
plot.subtitle = element_text(hjust = 0.5, size = 10), # Untertitel zentrieren und Größe anpassen
plot.caption = element_text(hjust = 0.5, size = 8) # Quellenangabe zentrieren und Größe anpassen
)
## Multiple layers are present in data source C:\Master\3. Semester\R\Dataset\gadm41_MEX.gpkg, reading layer `ADM_ADM_0'.
## Use `st_layers' to list all layer names and their type in a data source.
## Set the `layer' argument in `st_read' to read a particular layer.## Warning in CPL_read_ogr(dsn, layer, query, as.character(options), quiet, :
## automatically selected the first layer in a data source containing more than
## one.## Reading layer `ADM_ADM_0' from data source
## `C:\Master\3. Semester\R\Dataset\gadm41_MEX.gpkg' using driver `GPKG'
## Simple feature collection with 1 feature and 2 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: -118.3665 ymin: 14.53507 xmax: -86.71074 ymax: 32.71863
## Geodetic CRS: WGS 84## Driver: GPKG
## Available layers:
## layer_name geometry_type features fields crs_name
## 1 ADM_ADM_0 Multi Polygon 1 2 WGS 84
## 2 ADM_ADM_1 Multi Polygon 32 11 WGS 84
## 3 ADM_ADM_2 Multi Polygon 2457 13 WGS 84## Reading layer `ADM_ADM_1' from data source
## `C:\Master\3. Semester\R\Dataset\gadm41_MEX.gpkg' using driver `GPKG'
## Simple feature collection with 32 features and 11 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: -118.3665 ymin: 14.53507 xmax: -86.71074 ymax: 32.71863
## Geodetic CRS: WGS 84
### Correlacion entre violencia psicologica y violencia economica
## Reading layer `ADM_ADM_1' from data source
## `C:\Master\3. Semester\R\Dataset\gadm41_MEX.gpkg' using driver `GPKG'
## Simple feature collection with 32 features and 11 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: -118.3665 ymin: 14.53507 xmax: -86.71074 ymax: 32.71863
## Geodetic CRS: WGS 84## [1] "Bundesstaaten ohne Korrelation: "
## Multiple layers are present in data source C:\Master\3. Semester\R\Dataset\gadm41_MEX.gpkg, reading layer `ADM_ADM_0'.
## Use `st_layers' to list all layer names and their type in a data source.
## Set the `layer' argument in `st_read' to read a particular layer.## Warning in CPL_read_ogr(dsn, layer, query, as.character(options), quiet, :
## automatically selected the first layer in a data source containing more than
## one.## Reading layer `ADM_ADM_0' from data source
## `C:\Master\3. Semester\R\Dataset\gadm41_MEX.gpkg' using driver `GPKG'
## Simple feature collection with 1 feature and 2 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: -118.3665 ymin: 14.53507 xmax: -86.71074 ymax: 32.71863
## Geodetic CRS: WGS 84## Driver: GPKG
## Available layers:
## layer_name geometry_type features fields crs_name
## 1 ADM_ADM_0 Multi Polygon 1 2 WGS 84
## 2 ADM_ADM_1 Multi Polygon 32 11 WGS 84
## 3 ADM_ADM_2 Multi Polygon 2457 13 WGS 84## Reading layer `ADM_ADM_1' from data source
## `C:\Master\3. Semester\R\Dataset\gadm41_MEX.gpkg' using driver `GPKG'
## Simple feature collection with 32 features and 11 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: -118.3665 ymin: 14.53507 xmax: -86.71074 ymax: 32.71863
## Geodetic CRS: WGS 84
Correlacion de violencia sexual y economica
## Reading layer `ADM_ADM_1' from data source
## `C:\Master\3. Semester\R\Dataset\gadm41_MEX.gpkg' using driver `GPKG'
## Simple feature collection with 32 features and 11 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: -118.3665 ymin: 14.53507 xmax: -86.71074 ymax: 32.71863
## Geodetic CRS: WGS 84## [1] "Bundesstaaten ohne Korrelation: "
## used (Mb) gc trigger (Mb) max used (Mb)
## Ncells 1497901 80.0 2917808 155.9 2917808 155.9
## Vcells 4411080 33.7 41867584 319.5 95765602 730.7## Warning: 'memory.limit()' ist nicht mehr unterstützt## [1] Inf