Trabajo Seminario Doctorado

Anexo de análisis de datos con R

Autor/a

Javiera Rojas Cifuentes

Fecha de publicación

14 de abril de 2025

1 Presentación

El presente documento busca funcionar como respaldo para el trabajo del seminario “Nombre del Ramo” dictado por la docente Nombre profesora y el docente Nombre profesor durante 2024. A continuación se detalla el procesamiento de la fuente de datos consignada en el informe, dejando a la vista un código reproducible como respaldo del trabajo de análisis de datos.

2 Procesamiento inicial de los datos

2.1 Entorno de trabajo

Se utiliza un proyecto de R (.Rproj) con las siguientes carpetas:

  • codigo

  • datos

  • resultados

Se prepara el entorno de trabajo instalando los paquetes necesarios para preparación y análisis de datos.

# Instalación de paquete pacman
# Función p_load permite evaluar si instalar y/o cargar paquetes
# install.packages("pacman")   # ejecutar sólo si no está instalado
pacman::p_load(tidyverse,      # funciones generales
               haven,          # manipulación archivos spss  
               srvyr,          # para implementar ponderadores
               gtsummary,      # herramientas para diseñar tablas de resultados
               modelsummary,   # diseño tablas de regresión
               summarytools)   # herramientas para estadísticos de resumen
options(OutDec = ",")          # Separador decimal

2.2 Lectura de base de datos original

La base de datos de CASEN 2022 -y toda la documentación asociada- se encuentra para descarga en el repositorio oficial de la encuesta. La descarga se realizó de manera manual y se descomprimió en la carpeta datos ya indicada. Luego, para facilitar su procesamiento se cargó en R y se guardo en formato .rds. Se indica el código de este último paso a continuación.

casen <- haven::read_sav("datos/Base de datos Casen 2022 SPSS_18 marzo 2024.sav")
saveRDS(casen, file = "datos/casen22.rds")
remove(casen) # eliminar del entorno base de origen SAV

Posteriormente leemos la base de datos de CASEN 2022 en formato .rds.

casen22 <- readRDS("datos/casen22.rds")

2.3 Preparación de variables para análisis

A continuación se seleccionan las variables consideradas para el análisis.

# Seleccionar variables de interés desde bbdd completa
casen_vars <- casen22 %>% 
  select(expr, varstrat, varunit,    # diseño muestral complejo
         folio, pco1,                # identificación hogar y jefatura
         pobreza,                    # pobreza
         sexo, edad, area)           # variables de segmentación

# Eliminar base completa para maximizar ram
remove(casen22)

Luego se preparan para el análisis. Se eliminan los atributos del objeto que vienen desde el formato SPSS; se editan y colapsan etiquetas cuando es necesario; se filtran los casos de interés para el análisis.

# configurar variables (eliminar configuraciones específicas de SPSS)
casen_vars <- casen_vars %>%
  mutate_at(vars(1:5,8), ~as.numeric(.)) %>% # diseño muestral y edad como numeric
  mutate_if(
    is.labelled,
    funs(as_factor(.))) %>% 
  mutate(across(everything(), ~ {
    attr(.x, "label") <- NULL
    .x
  }))

# Colapsar codificación de pobreza
casen_vars$pobreza <- fct_collapse(casen_vars$pobreza,
  Pobre = c("Pobreza extrema", "Pobreza no extrema"),
  `No pobre` = "No pobreza")

# Editar etiquetas de respuesta de sexo
levels(casen_vars$sexo) <- sub("^\\d+\\.\\s*", "", levels(casen_vars$sexo))

# Crear edad en tramos
casen_vars <- casen_vars |>
  mutate(
    edad_tramo = case_when(
      edad < 18 ~ "NNA",
      edad >= 18 & edad <= 29 ~ "Joven",
      edad >= 30 & edad <= 60 ~ "Adulto",
      edad > 60 ~ "Tercera edad"),
    edad_tramo = factor(
      edad_tramo,
      levels = c("NNA", "Joven", "Adulto", "Tercera edad")
    )
  )

# Identificador de personas en hogares de jefatura femenina
casen_vars <- casen_vars |>
  group_by(folio) |>
  mutate(
    jefatura = if (any(pco1 == 1 & sexo == "Mujer")) {
      "Jefatura femenina"
    } else {
      "Otra jefatura"
    }
  ) |>
  ungroup()

# Seleccionar casos completos en variable de analisis
casen_vars <- casen_vars |>
  filter(!is.na(pobreza))

3 Resultados bivariados descriptivos

3.1 Incidencia de pobreza según sexo

ctable(casen_vars$sexo, casen_vars$pobreza, weights = casen_vars$expr,
       headings = FALSE) %>% print(method = "render")
sexo
sexo Pobre No pobre Total
Hombre 596221,0 ( 6,1% ) 9210061,0 ( 93,9% ) 9806282,0 ( 100,0% )
Mujer 695603,0 ( 6,9% ) 9362773,0 ( 93,1% ) 10058376,0 ( 100,0% )
Total 1291824,0 ( 6,5% ) 18572834,0 ( 93,5% ) 19864658,0 ( 100,0% )

Generated by summarytools 1.1.1 (R version 4.4.3)
2025-04-14

casen_vars %>% as_survey(weights = expr) %>% 
  group_by(sexo, pobreza) %>% 
  summarize(n = survey_total()) %>% 
  select(-n_se) %>% 
  mutate(freq = n / sum(n)) %>% 
  ## GRÁFICO
  ggplot(aes(x= sexo, y = freq, fill = pobreza ,label = scales::percent(freq))) +
  geom_bar(stat = 'identity') +
  geom_text(position = position_stack(vjust = .5, reverse = F), colour = "white", size = 3) +
  scale_y_continuous(labels = scales::percent_format(accuracy = 1)) +
  scale_fill_discrete("Situación de pobreza")+
  labs(x = 'Sexo', y = '%', 
       caption = "Elaboración propia con base en CASEN 2022") +
  theme_linedraw()

3.2 Incidencia de pobreza según área

ctable(casen_vars$area, casen_vars$pobreza, weights = casen_vars$expr,
       headings = FALSE) %>% print(method = "render")
area
area Pobre No pobre Total
Urbano 1067809,0 ( 6,1% ) 16543793,0 ( 93,9% ) 17611602,0 ( 100,0% )
Rural 224015,0 ( 9,9% ) 2029041,0 ( 90,1% ) 2253056,0 ( 100,0% )
Total 1291824,0 ( 6,5% ) 18572834,0 ( 93,5% ) 19864658,0 ( 100,0% )

Generated by summarytools 1.1.1 (R version 4.4.3)
2025-04-14

casen_vars %>% as_survey(weights = expr) %>% 
  group_by(area, pobreza) %>% 
  summarize(n = survey_total()) %>% 
  select(-n_se) %>% 
  mutate(freq = n / sum(n)) %>% 
  ## GRÁFICO
  ggplot(aes(x= area, y = freq, fill = pobreza ,label = scales::percent(freq))) +
  geom_bar(stat = 'identity') +
  geom_text(position = position_stack(vjust = .5, reverse = F), colour = "white", size = 3) +
  scale_y_continuous(labels = scales::percent_format(accuracy = 1)) +
  scale_fill_discrete("Situación de pobreza")+
  labs(x = 'Área de residencia', y = '%', 
       caption = "Elaboración propia con base en CASEN 2022") +
  theme_linedraw()

3.3 Incidencia de pobreza según tramo de edad

ctable(casen_vars$edad_tramo, casen_vars$pobreza, weights = casen_vars$expr,
       headings = FALSE) %>% print(method = "render")
edad_tramo
edad_tramo Pobre No pobre Total
NNA 467914,0 ( 10,5% ) 3983135,0 ( 89,5% ) 4451049,0 ( 100,0% )
Joven 233156,0 ( 6,8% ) 3219797,0 ( 93,2% ) 3452953,0 ( 100,0% )
Adulto 490630,0 ( 5,7% ) 8071178,0 ( 94,3% ) 8561808,0 ( 100,0% )
Tercera edad 100124,0 ( 2,9% ) 3298724,0 ( 97,1% ) 3398848,0 ( 100,0% )
Total 1291824,0 ( 6,5% ) 18572834,0 ( 93,5% ) 19864658,0 ( 100,0% )

Generated by summarytools 1.1.1 (R version 4.4.3)
2025-04-14

casen_vars %>% as_survey(weights = expr) %>% 
  group_by(edad_tramo, pobreza) %>% 
  summarize(n = survey_total()) %>% 
  select(-n_se) %>% 
  mutate(freq = n / sum(n)) %>% 
  ## GRÁFICO
  ggplot(aes(x= edad_tramo, y = freq, fill = pobreza ,label = scales::percent(freq))) +
  geom_bar(stat = 'identity') +
  geom_text(position = position_stack(vjust = .5, reverse = F), colour = "white", size = 3) +
  scale_y_continuous(labels = scales::percent_format(accuracy = 1)) +
  scale_fill_discrete("Situación de pobreza")+
  labs(x = 'Tramo de edad', y = '%', 
       caption = "Elaboración propia con base en CASEN 2022") +
  theme_linedraw()

3.4 Incidencia de pobreza según tipo de jefatura del hogar

ctable(casen_vars$jefatura, casen_vars$pobreza, weights = casen_vars$expr,
       headings = FALSE) %>% print(method = "render")
jefatura
jefatura Pobre No pobre Total
Jefatura femenina 770535,0 ( 7,9% ) 8955141,0 ( 92,1% ) 9725676,0 ( 100,0% )
Otra jefatura 521289,0 ( 5,1% ) 9617693,0 ( 94,9% ) 10138982,0 ( 100,0% )
Total 1291824,0 ( 6,5% ) 18572834,0 ( 93,5% ) 19864658,0 ( 100,0% )

Generated by summarytools 1.1.1 (R version 4.4.3)
2025-04-14

casen_vars %>% as_survey(weights = expr) %>% 
  group_by(jefatura, pobreza) %>% 
  summarize(n = survey_total()) %>% 
  select(-n_se) %>% 
  mutate(freq = n / sum(n)) %>% 
  ## GRÁFICO
  ggplot(aes(x= jefatura, y = freq, fill = pobreza ,label = scales::percent(freq))) +
  geom_bar(stat = 'identity') +
  geom_text(position = position_stack(vjust = .5, reverse = F), colour = "white", size = 3) +
  scale_y_continuous(labels = scales::percent_format(accuracy = 1)) +
  scale_fill_discrete("Situación de pobreza")+
  labs(x = 'Jefatura del hogar', y = '%', 
       caption = "Elaboración propia con base en CASEN 2022") +
  theme_linedraw()

4 Resultado multivariable

4.1 Regresión logística múltiple

Para modelar los datos primero se definen todas las variables como factor. Se definen las categorías de referencia para el análisis y en el caso de edad se simplifican las categorías de respuesta, agrupando a niñas, niños, adolescentes y jóvenes (sub 30 años) en una misma categoría, y al resto (adultos y tercera edad, de 30 años hacia arriba) en otra categoría.

# Niveles de variable pobreza: categoría referencia = "Pobre"
casen_vars$pobreza <- relevel(casen_vars$pobreza, 
                        ref = "No pobre") 

# Variable jefatura: definir como factor y definir categoría referencia
casen_vars$jefatura <- as.factor(casen_vars$jefatura)

casen_vars$jefatura <- relevel(casen_vars$jefatura, 
                        ref = "Otra jefatura") 

# Variable edad: agrupar categorías y definir referencia  
casen_vars$edad_tramo2 <- fct_collapse(casen_vars$edad_tramo,
  "NNA - Joven" = c("NNA", "Joven"),
  "Adulto - 3a edad" = c("Adulto", "Tercera edad"))

casen_vars$edad_tramo2 <- relevel(casen_vars$edad_tramo2, 
                        ref = "Adulto - 3a edad") 

# Variable área: definir categoría referencia
casen_vars$area <- relevel(casen_vars$area, 
                        ref = "Urbano")

Con tal procesamiento de datos definimos el modelo de regresión logística y construimos resultados con formato para interpretación.

# Modelamiento
rlogit <-  glm(pobreza ~ edad_tramo2 + jefatura + area,  # variables modeladas
                data = casen_vars,                # base de datos
                family = "binomial")

# Tabla resumen del modelo
summary(rlogit)

Call:
glm(formula = pobreza ~ edad_tramo2 + jefatura + area, family = "binomial", 
    data = casen_vars)

Coefficients:
                          Estimate Std. Error z value Pr(>|z|)    
(Intercept)               -3,18745    0,01720 -185,34   <2e-16 ***
edad_tramo2NNA - Joven     0,66557    0,01706   39,02   <2e-16 ***
jefaturaJefatura femenina  0,44466    0,01749   25,43   <2e-16 ***
areaRural                  0,56530    0,01928   29,32   <2e-16 ***
---
Signif. codes:  0 '***' 0,001 '**' 0,01 '*' 0,05 '.' 0,1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 108254  on 202110  degrees of freedom
Residual deviance: 105348  on 202107  degrees of freedom
AIC: 105356

Number of Fisher Scoring iterations: 5
# Diseño resultados para informe
tabla_rlogit <- modelsummary(
  list("Log-odds" = rlogit, "Odds Ratio" = rlogit),
  exponentiate = c(FALSE, TRUE),
  statistic = "conf.int",
  output = "markdown"
)
tabla_rlogit

Modelo de regresión logística
Log-odds Odds Ratio
(Intercept) -3,187 0,041
[-3,221, -3,154] [0,040, 0,043]
edad_tramo2NNA - Joven 0,666 1,946
[0,632, 0,699] [1,882, 2,012]
jefaturaJefatura femenina 0,445 1,560
[0,410, 0,479] [1,507, 1,614]
areaRural 0,565 1,760
[0,527, 0,603] [1,695, 1,828]
Num.Obs. 202111 202111
AIC 105356,0 105356,0
BIC 105396,9 105396,9
Log.Lik. -52674,022 -52674,022
RMSE 0,26 0,26