Proyeto de Maestria de Maria G
Maria Goessmann
2025-09-10
Explicacion del tema
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
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. 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 |
2. Re-codificación de las variables a las 4 formas de violencia
violec_especif16
#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"))
# 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"))violec_especif21
#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"))
# 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"))Recodificacion
library(dplyr)
library(tidyr)
library(ggplot2)
# 1. Daten in langes Format bringen
violencia_long <- violec_especif16 %>%
select(starts_with("violencia16_fisica")) %>% # nur die 9 Fragen
pivot_longer(
cols = everything(),
names_to = "pregunta",
values_to = "respuesta"
) %>%
mutate(
pregunta_num = as.numeric(gsub("violencia16_fisica", "", pregunta)), # 1-9
respuesta = factor(respuesta, levels = c(0,1), labels = c("No","Sí"))
)
# 2. Prozentwerte pro Frage berechnen
resumen <- violencia_long %>%
group_by(pregunta_num, respuesta) %>%
summarise(total = n(), .groups = "drop") %>%
group_by(pregunta_num) %>%
mutate(porcentaje = round(100 * total / sum(total),1))
# 3. Balkendiagramm erstellen
ggplot(resumen, aes(x = factor(pregunta_num), y = porcentaje, fill = respuesta)) +
geom_col(position = position_dodge()) + # nebeneinander stehende Balken
geom_text(aes(label = paste0(porcentaje, "%")),
position = position_dodge(width = 0.9), vjust = -0.25, size = 3) +
scale_fill_manual(values = c("No" = "steelblue", "Sí" = "firebrick")) +
labs(
title = "Distribución de respuestas de violencia física por pregunta (2016)",
x = "Pregunta (1-9)",
y = "Porcentaje",
fill = "Respuesta"
) +
theme_minimal()
library(dplyr)
library(ggplot2)
# 1. Crear variable dicotómica: 0 = nunca, 1 = al menos una vez
violec_especif16 <- violec_especif16 %>%
mutate(
viol16_fis_disc = if_else(
rowSums(select(., starts_with("violencia16_fisica")), na.rm = TRUE) > 0,
"Sí",
"No"
)
)
# 2. Resumen de totales y porcentajes
datos_plot <- violec_especif16 %>%
filter(!is.na(viol16_fis_disc)) %>%
group_by(viol16_fis_disc) %>%
summarise(total = n(), .groups = "drop") %>%
mutate(
porcentaje = round(100 * total / sum(total), 1)
)
# 3. Gráfico de barras
ggplot(datos_plot, aes(x = viol16_fis_disc, y = porcentaje, fill = viol16_fis_disc)) +
geom_col() +
geom_text(aes(label = paste0(total, " (", porcentaje, "%)")),
vjust = -0.5, size = 4) +
scale_fill_manual(values = c("No" = "steelblue", "Sí" = "firebrick")) +
labs(
title = "Mujeres que han sufrido violencia física (2016)",
x = "",
y = "Porcentaje",
fill = "Respuesta"
) +
theme_minimal()
Explicacion: cualquier mujer que tenga al menos un “Sí” en las 9
preguntas será considerada como Sí.Solo las mujeres que nunca
respondieron “Sí” en ninguna pregunta se cuentan como No. El gráfico
muestra dos barras: No vs Sí, con número absoluto y porcentaje
encima.
library(dplyr)
library(ggplot2)
# 1. Crear variable dicotómica: 0 = nunca, 1 = al menos una vez
violec_especif16 <- violec_especif16 %>%
mutate(
viol16_psi_disc = if_else(
rowSums(select(., starts_with("violencia16_psicologica")), na.rm = TRUE) > 0,
"Sí",
"No"
)
)
# 2. Resumen de totales y porcentajes
datos_plot_psi <- violec_especif16 %>%
filter(!is.na(viol16_psi_disc)) %>%
group_by(viol16_psi_disc) %>%
summarise(total = n(), .groups = "drop") %>%
mutate(
porcentaje = round(100 * total / sum(total), 1)
)
# 3. Gráfico de barras simple
ggplot(datos_plot_psi, aes(x = viol16_psi_disc, y = porcentaje, fill = viol16_psi_disc)) +
geom_col() +
geom_text(aes(label = paste0(total, " (", porcentaje, "%)")),
vjust = -0.5, size = 4) +
scale_fill_manual(values = c("No" = "steelblue", "Sí" = "firebrick")) +
labs(
title = "Mujeres que han sufrido violencia psicológica (2016)",
x = "",
y = "Porcentaje",
fill = "Respuesta"
) +
theme_minimal()
Explicacion: cualquier mujer que tenga al menos un “Sí” en las 15
preguntas será considerada como Sí. Solo las mujeres que nunca
respondieron “Sí” en ninguna pregunta se cuentan como No.El gráfico
muestra dos barras: No vs Sí, con número absoluto y porcentaje
encima.
library(dplyr)
library(tidyr)
library(ggplot2)
# 1. Daten in langes Format bringen und NA entfernen
violencia_psi_long <- violec_especif16 %>%
select(starts_with("violencia16_psicologica")) %>% # die 15 Fragen
pivot_longer(
cols = everything(),
names_to = "pregunta",
values_to = "respuesta"
) %>%
filter(!is.na(respuesta)) %>% # NAs entfernen
mutate(
pregunta_num = as.numeric(gsub("violencia16_psicologica", "", pregunta)), # 1-15
respuesta = factor(respuesta, levels = c(0,1), labels = c("No","Sí"))
)
# 2. Prozentwerte pro Frage berechnen
resumen_psi <- violencia_psi_long %>%
group_by(pregunta_num, respuesta) %>%
summarise(total = n(), .groups = "drop") %>%
group_by(pregunta_num) %>%
mutate(porcentaje = round(100 * total / sum(total),1))
# 3. Balkendiagramm erstellen mit Überschrift
ggplot(resumen_psi, aes(x = factor(pregunta_num), y = porcentaje, fill = respuesta)) +
geom_col(position = position_dodge()) +
geom_text(aes(label = paste0(porcentaje, "%")),
position = position_dodge(width = 0.9), vjust = -0.25, size = 3) +
scale_fill_manual(values = c("No" = "steelblue", "Sí" = "firebrick")) +
labs(
title = "Distribución de respuestas de violencia psicológica por pregunta (2016)",
x = "Pregunta",
y = "Porcentaje",
fill = "Respuesta"
) +
theme_minimal()
library(dplyr)
library(tidyr)
library(ggplot2)
# 1. Daten in langes Format bringen (5 Fragen)
violencia_sex_long <- violec_especif16 %>%
select(starts_with("violencia16_sexual")) %>%
pivot_longer(
cols = everything(),
names_to = "pregunta",
values_to = "respuesta"
) %>%
filter(!is.na(respuesta)) %>% # NAs entfernen
mutate(
pregunta_num = as.numeric(gsub("violencia16_sexual", "", pregunta)), # 1-5
respuesta = factor(respuesta, levels = c(0,1), labels = c("No","Sí"))
)
# 2. Prozentwerte pro Frage berechnen
resumen_sex <- violencia_sex_long %>%
group_by(pregunta_num, respuesta) %>%
summarise(total = n(), .groups = "drop") %>%
group_by(pregunta_num) %>%
mutate(porcentaje = round(100 * total / sum(total),1))
# 3. Balkendiagramm erstellen
ggplot(resumen_sex, aes(x = factor(pregunta_num), y = porcentaje, fill = respuesta)) +
geom_col(position = position_dodge()) + # nebeneinander stehende Balken
geom_text(aes(label = paste0(porcentaje, "%")),
position = position_dodge(width = 0.9), vjust = -0.25, size = 3) +
scale_fill_manual(values = c("No" = "steelblue", "Sí" = "firebrick")) +
labs(
title = "Distribución de respuestas de violencia sexual por pregunta (2016)",
x = "Pregunta (1-5)",
y = "Porcentaje",
fill = "Respuesta"
) +
theme_minimal()
library(dplyr)
library(ggplot2)
# 1. Crear variable dicotómica: 0 = nunca, 1 = al menos una vez
violec_especif16 <- violec_especif16 %>%
mutate(
viol16_sex_disc_total = if_else(
rowSums(select(., starts_with("violencia16_sexual")), na.rm = TRUE) > 0,
"Sí",
"No"
)
)
# 2. Resumen de totales y porcentajes
datos_plot_sex <- violec_especif16 %>%
filter(!is.na(viol16_sex_disc_total)) %>%
group_by(viol16_sex_disc_total) %>%
summarise(total = n(), .groups = "drop") %>%
mutate(
porcentaje = round(100 * total / sum(total), 1)
)
# 3. Gráfico de barras simple
ggplot(datos_plot_sex, aes(x = viol16_sex_disc_total, y = porcentaje, fill = viol16_sex_disc_total)) +
geom_col() +
geom_text(aes(label = paste0(total, " (", porcentaje, "%)")),
vjust = -0.5, size = 4) +
scale_fill_manual(values = c("No" = "steelblue", "Sí" = "firebrick")) +
labs(
title = "Mujeres que han sufrido violencia sexual (2016)",
x = "",
y = "Porcentaje",
fill = "Respuesta"
) +
theme_minimal()
library(dplyr)
library(tidyr)
library(ggplot2)
# ==============================
# 1. Datos en formato largo por pregunta (Si/No)
# ==============================
# Función para convertir cualquier tipo de violencia a formato largo
long_format_violencia <- function(data, prefix, num_preguntas) {
data %>%
select(starts_with(prefix)) %>%
pivot_longer(
cols = everything(),
names_to = "pregunta",
values_to = "respuesta"
) %>%
filter(!is.na(respuesta)) %>%
mutate(
pregunta_num = as.numeric(gsub(prefix, "", pregunta)),
respuesta = factor(respuesta, levels = c(0,1), labels = c("No","Sí"))
)
}
# Ejemplo: violencia económica por pregunta
violencia_eco_long <- long_format_violencia(violec_especif16, "violencia16_economica", 7)
resumen_eco <- violencia_eco_long %>%
group_by(pregunta_num, respuesta) %>%
summarise(total = n(), .groups = "drop") %>%
group_by(pregunta_num) %>%
mutate(porcentaje = round(100 * total / sum(total),1))
# Gráfico de preguntas económicas
ggplot(resumen_eco, aes(x = factor(pregunta_num), y = porcentaje, fill = respuesta)) +
geom_col(position = position_dodge()) +
geom_text(aes(label = paste0(porcentaje, "%")),
position = position_dodge(width = 0.9), vjust = -0.25, size = 3) +
scale_fill_manual(values = c("No" = "steelblue", "Sí" = "firebrick")) +
labs(
title = "Distribución de respuestas de violencia económica por pregunta (2016)",
x = "Pregunta (1-7)",
y = "Porcentaje",
fill = "Respuesta"
) +
theme_minimal()
# ==============================
# 2. Resumen Si/No: al menos una vez
# ==============================
resumen_total <- function(data, prefix) {
data %>%
mutate(
disc_total = if_else(
rowSums(select(., starts_with(prefix)), na.rm = TRUE) > 0,
"Sí",
"No"
)
) %>%
filter(!is.na(disc_total)) %>%
group_by(disc_total) %>%
summarise(total = n(), .groups = "drop") %>%
mutate(porcentaje = round(100 * total / sum(total),1))
}
# Ejemplo: violencia económica total
datos_plot_eco <- resumen_total(violec_especif16, "violencia16_economica")
# Gráfico Si/No total
ggplot(datos_plot_eco, aes(x = disc_total, y = porcentaje, fill = disc_total)) +
geom_col() +
geom_text(aes(label = paste0(total, " (", porcentaje, "%)")),
vjust = -0.5, size = 4) +
scale_fill_manual(values = c("No" = "steelblue", "Sí" = "firebrick")) +
labs(
title = "Mujeres que han sufrido violencia económica (2016)",
x = "",
y = "Porcentaje",
fill = "Respuesta"
) +
theme_minimal()
library(dplyr)
library(ggplot2)
library(tidyr)
# ==============================
# 1. Crear variables Si/No totales para cada tipo de violencia
# ==============================
violec_especif16 <- violec_especif16 %>%
mutate(
fisica_total = if_else(rowSums(select(., starts_with("violencia16_fisica")), na.rm = TRUE) > 0, "Sí", "No"),
psicologica_total = if_else(rowSums(select(., starts_with("violencia16_psicologica")), na.rm = TRUE) > 0, "Sí", "No"),
sexual_total = if_else(rowSums(select(., starts_with("violencia16_sexual")), na.rm = TRUE) > 0, "Sí", "No"),
economica_total = if_else(rowSums(select(., starts_with("violencia16_economica")), na.rm = TRUE) > 0, "Sí", "No")
)
# ==============================
# 2. Transformar a formato largo para ggplot
# ==============================
resumen_violencia <- violec_especif16 %>%
select(fisica_total, psicologica_total, sexual_total, economica_total) %>%
pivot_longer(
cols = everything(),
names_to = "tipo_violencia",
values_to = "respuesta"
) %>%
group_by(tipo_violencia, respuesta) %>%
summarise(total = n(), .groups = "drop") %>%
group_by(tipo_violencia) %>%
mutate(porcentaje = round(100 * total / sum(total), 1))
# ==============================
# 3. Gráfico comparativo con etiquetas personalizadas
# ==============================
ggplot(resumen_violencia, aes(x = tipo_violencia, y = porcentaje, fill = respuesta)) +
geom_col(position = position_dodge()) + # barras lado a lado
geom_text(aes(label = paste0(total, " (", porcentaje, "%)")),
position = position_dodge(width = 0.9), vjust = -0.5, size = 3) +
scale_fill_manual(values = c("No" = "steelblue", "Sí" = "firebrick")) +
scale_x_discrete(labels = c(
fisica_total = "vio.fisica",
psicologica_total = "vio.psicologica",
sexual_total = "vio.sexual",
economica_total = "vio.economica"
)) +
labs(
title = "Mujeres que han experimentado diferentes tipos de violencia (2016)",
x = "",
y = "Porcentaje",
fill = "Respuesta"
) +
theme_minimal()
library(dplyr)
library(tidyr)
library(ggplot2)
# 1. Daten in langes Format bringen
violencia_long21 <- violec_especif21 %>%
select(starts_with("violencia21_fisica")) %>% # nur die 9 Fragen
pivot_longer(
cols = everything(),
names_to = "pregunta",
values_to = "respuesta"
) %>%
mutate(
pregunta_num = as.numeric(gsub("violencia21_fisica", "", pregunta)), # 1-9
respuesta = factor(respuesta, levels = c(0,1), labels = c("No","Sí"))
)
# 2. Prozentwerte pro Frage berechnen
resumen <- violencia_long21 %>%
group_by(pregunta_num, respuesta) %>%
summarise(total = n(), .groups = "drop") %>%
group_by(pregunta_num) %>%
mutate(porcentaje = round(100 * total / sum(total),1))
# 3. Balkendiagramm erstellen
ggplot(resumen, aes(x = factor(pregunta_num), y = porcentaje, fill = respuesta)) +
geom_col(position = position_dodge()) + # nebeneinander stehende Balken
geom_text(aes(label = paste0(porcentaje, "%")),
position = position_dodge(width = 0.9), vjust = -0.25, size = 3) +
scale_fill_manual(values = c("No" = "steelblue", "Sí" = "firebrick")) +
labs(
title = "Distribución de respuestas de violencia física por pregunta (2021)",
x = "Pregunta (1-9)",
y = "Porcentaje",
fill = "Respuesta"
) +
theme_minimal()
library(dplyr)
library(ggplot2)
# 1. Crear variable dicotómica: 0 = nunca, 1 = al menos una vez
violec_especif21 <- violec_especif21 %>%
mutate(
viol21_fis_disc = if_else(
rowSums(select(., starts_with("violencia21_fisica")), na.rm = TRUE) > 0,
"Sí",
"No"
)
)
# 2. Resumen de totales y porcentajes
datos_plot <- violec_especif21 %>%
filter(!is.na(viol21_fis_disc)) %>%
group_by(viol21_fis_disc) %>%
summarise(total = n(), .groups = "drop") %>%
mutate(
porcentaje = round(100 * total / sum(total), 1)
)
# 3. Gráfico de barras
ggplot(datos_plot, aes(x = viol21_fis_disc, y = porcentaje, fill = viol21_fis_disc)) +
geom_col() +
geom_text(aes(label = paste0(total, " (", porcentaje, "%)")),
vjust = -0.5, size = 4) +
scale_fill_manual(values = c("No" = "steelblue", "Sí" = "firebrick")) +
labs(
title = "Mujeres que han sufrido violencia física (2021)",
x = "",
y = "Porcentaje",
fill = "Respuesta"
) +
theme_minimal()
library(dplyr)
library(ggplot2)
# 1. Crear variable dicotómica: 0 = nunca, 1 = al menos una vez
violec_especif21 <- violec_especif21 %>%
mutate(
viol21_psi_disc = if_else(
rowSums(select(., starts_with("violencia21_psicologica")), na.rm = TRUE) > 0,
"Sí",
"No"
)
)
# 2. Resumen de totales y porcentajes
datos_plot_psi21 <- violec_especif21 %>%
filter(!is.na(viol21_psi_disc)) %>%
group_by(viol21_psi_disc) %>%
summarise(total = n(), .groups = "drop") %>%
mutate(
porcentaje = round(100 * total / sum(total), 1)
)
# 3. Gráfico de barras simple
ggplot(datos_plot_psi21, aes(x = viol21_psi_disc, y = porcentaje, fill = viol21_psi_disc)) +
geom_col() +
geom_text(aes(label = paste0(total, " (", porcentaje, "%)")),
vjust = -0.5, size = 4) +
scale_fill_manual(values = c("No" = "steelblue", "Sí" = "firebrick")) +
labs(
title = "Mujeres que han sufrido violencia psicológica (2021)",
x = "",
y = "Porcentaje",
fill = "Respuesta"
) +
theme_minimal()
library(dplyr)
library(tidyr)
library(ggplot2)
# 1. Daten in langes Format bringen und NA entfernen
violencia_psi_long21 <- violec_especif21 %>%
select(starts_with("violencia21_psicologica")) %>% # die 15 Fragen
pivot_longer(
cols = everything(),
names_to = "pregunta",
values_to = "respuesta"
) %>%
filter(!is.na(respuesta)) %>% # NAs entfernen
mutate(
pregunta_num = as.numeric(gsub("violencia21_psicologica", "", pregunta)), # 1-15
respuesta = factor(respuesta, levels = c(0,1), labels = c("No","Sí"))
)
# 2. Prozentwerte pro Frage berechnen
resumen_psi <- violencia_psi_long21 %>%
group_by(pregunta_num, respuesta) %>%
summarise(total = n(), .groups = "drop") %>%
group_by(pregunta_num) %>%
mutate(porcentaje = round(100 * total / sum(total),1))
# 3. Balkendiagramm erstellen mit Überschrift
ggplot(resumen_psi, aes(x = factor(pregunta_num), y = porcentaje, fill = respuesta)) +
geom_col(position = position_dodge()) +
geom_text(aes(label = paste0(porcentaje, "%")),
position = position_dodge(width = 0.9), vjust = -0.25, size = 3) +
scale_fill_manual(values = c("No" = "steelblue", "Sí" = "firebrick")) +
labs(
title = "Distribución de respuestas de violencia psicológica por pregunta (2021)",
x = "Pregunta",
y = "Porcentaje",
fill = "Respuesta"
) +
theme_minimal()
library(dplyr)
library(tidyr)
library(ggplot2)
# 1. Daten in langes Format bringen (5 Fragen)
violencia_sex_long21 <- violec_especif21 %>%
select(starts_with("violencia21_sexual")) %>%
pivot_longer(
cols = everything(),
names_to = "pregunta",
values_to = "respuesta"
) %>%
filter(!is.na(respuesta)) %>% # NAs entfernen
mutate(
pregunta_num = as.numeric(gsub("violencia21_sexual", "", pregunta)), # 1-5
respuesta = factor(respuesta, levels = c(0,1), labels = c("No","Sí"))
)
# 2. Prozentwerte pro Frage berechnen
resumen_sex <- violencia_sex_long21 %>%
group_by(pregunta_num, respuesta) %>%
summarise(total = n(), .groups = "drop") %>%
group_by(pregunta_num) %>%
mutate(porcentaje = round(100 * total / sum(total),1))
# 3. Balkendiagramm erstellen
ggplot(resumen_sex, aes(x = factor(pregunta_num), y = porcentaje, fill = respuesta)) +
geom_col(position = position_dodge()) + # nebeneinander stehende Balken
geom_text(aes(label = paste0(porcentaje, "%")),
position = position_dodge(width = 0.9), vjust = -0.25, size = 3) +
scale_fill_manual(values = c("No" = "steelblue", "Sí" = "firebrick")) +
labs(
title = "Distribución de respuestas de violencia sexual por pregunta (2021)",
x = "Pregunta (1-5)",
y = "Porcentaje",
fill = "Respuesta"
) +
theme_minimal()
library(dplyr)
library(ggplot2)
# 1. Crear variable dicotómica: 0 = nunca, 1 = al menos una vez
violec_especif21 <- violec_especif21 %>%
mutate(
viol21_sex_disc_total = if_else(
rowSums(select(., starts_with("violencia21_sexual")), na.rm = TRUE) > 0,
"Sí",
"No"
)
)
# 2. Resumen de totales y porcentajes
datos_plot_sex21 <- violec_especif21 %>%
filter(!is.na(viol21_sex_disc_total)) %>%
group_by(viol21_sex_disc_total) %>%
summarise(total = n(), .groups = "drop") %>%
mutate(
porcentaje = round(100 * total / sum(total), 1)
)
# 3. Gráfico de barras simple
ggplot(datos_plot_sex21, aes(x = viol21_sex_disc_total, y = porcentaje, fill = viol21_sex_disc_total)) +
geom_col() +
geom_text(aes(label = paste0(total, " (", porcentaje, "%)")),
vjust = -0.5, size = 4) +
scale_fill_manual(values = c("No" = "steelblue", "Sí" = "firebrick")) +
labs(
title = "Mujeres que han sufrido violencia sexual (2021)",
x = "",
y = "Porcentaje",
fill = "Respuesta"
) +
theme_minimal()
library(dplyr)
library(tidyr)
library(ggplot2)
# ==============================
# 1. Transformar los datos a formato largo (por pregunta)
# ==============================
violencia_eco_long21 <- violec_especif21 %>%
select(starts_with("violencia21_economica")) %>%
pivot_longer(
cols = everything(),
names_to = "pregunta",
values_to = "respuesta"
) %>%
filter(!is.na(respuesta)) %>% # eliminar NAs
mutate(
pregunta_num = as.numeric(gsub("violencia21_economica", "", pregunta)), # 1-7
respuesta = factor(respuesta, levels = c(0,1), labels = c("No","Sí"))
)
# ==============================
# 2. Calcular totales y porcentajes por pregunta
# ==============================
resumen_eco21 <- violencia_eco_long21 %>%
group_by(pregunta_num, respuesta) %>%
summarise(total = n(), .groups = "drop") %>%
group_by(pregunta_num) %>%
mutate(porcentaje = round(100 * total / sum(total),1))
# ==============================
# 3. Gráfico de barras por pregunta
# ==============================
ggplot(resumen_eco21, aes(x = factor(pregunta_num), y = porcentaje, fill = respuesta)) +
geom_col(position = position_dodge()) + # barras lado a lado
geom_text(aes(label = paste0(porcentaje, "%")),
position = position_dodge(width = 0.9), vjust = -0.25, size = 3) +
scale_fill_manual(values = c("No" = "steelblue", "Sí" = "firebrick")) +
labs(
title = "Distribución de respuestas de violencia económica 2021 por pregunta",
x = "Pregunta (1-7)",
y = "Porcentaje",
fill = "Respuesta"
) +
theme_minimal()
library(dplyr)
library(ggplot2)
# ==============================
# 1. Crear variable Si/No total: al menos una vez
# ==============================
violec_especif21 <- violec_especif21 %>%
mutate(
viol21_eco_total_disc = if_else(
rowSums(select(., starts_with("violencia21_economica")), na.rm = TRUE) > 0,
"Sí",
"No"
)
)
# ==============================
# 2. Resumen de totales y porcentajes
# ==============================
datos_plot_eco21 <- violec_especif21 %>%
filter(!is.na(viol21_eco_total_disc)) %>%
group_by(viol21_eco_total_disc) %>%
summarise(total = n(), .groups = "drop") %>%
mutate(porcentaje = round(100 * total / sum(total), 1))
# ==============================
# 3. Gráfico de barras simple
# ==============================
ggplot(datos_plot_eco21, aes(x = viol21_eco_total_disc, y = porcentaje, fill = viol21_eco_total_disc)) +
geom_col() +
geom_text(aes(label = paste0(total, " (", porcentaje, "%)")),
vjust = -0.5, size = 4) +
scale_fill_manual(values = c("No" = "steelblue", "Sí" = "firebrick")) +
labs(
title = "Mujeres que han sufrido violencia económica (2021)",
x = "",
y = "Porcentaje",
fill = "Respuesta"
) +
theme_minimal()
library(dplyr)
library(tidyr)
library(ggplot2)
# ==============================
# 1. Crear variables Si/No totales para cada tipo de violencia (2021)
# ==============================
violec_especif21 <- violec_especif21 %>%
mutate(
fisica_total = if_else(rowSums(select(., starts_with("violencia21_fisica")), na.rm = TRUE) > 0, "Sí", "No"),
psicologica_total = if_else(rowSums(select(., starts_with("violencia21_psicologica")), na.rm = TRUE) > 0, "Sí", "No"),
sexual_total = if_else(rowSums(select(., starts_with("violencia21_sexual")), na.rm = TRUE) > 0, "Sí", "No"),
economica_total = if_else(rowSums(select(., starts_with("violencia21_economica")), na.rm = TRUE) > 0, "Sí", "No")
)
# ==============================
# 2. Transformar a formato largo para ggplot
# ==============================
resumen_violencia21 <- violec_especif21 %>%
select(fisica_total, psicologica_total, sexual_total, economica_total) %>%
pivot_longer(
cols = everything(),
names_to = "tipo_violencia",
values_to = "respuesta"
) %>%
group_by(tipo_violencia, respuesta) %>%
summarise(total = n(), .groups = "drop") %>%
group_by(tipo_violencia) %>%
mutate(porcentaje = round(100 * total / sum(total), 1))
# ==============================
# 3. Gráfico comparativo
# ==============================
ggplot(resumen_violencia21, aes(x = tipo_violencia, y = porcentaje, fill = respuesta)) +
geom_col(position = position_dodge()) + # barras lado a lado
geom_text(aes(label = paste0(total, " (", porcentaje, "%)")),
position = position_dodge(width = 0.9), vjust = -0.5, size = 3) +
scale_fill_manual(values = c("No" = "steelblue", "Sí" = "firebrick")) +
scale_x_discrete(labels = c(
fisica_total = "vio.fisica",
psicologica_total = "vio.psicologica",
sexual_total = "vio.sexual",
economica_total = "vio.economica"
)) +
labs(
title = "Mujeres que han experimentado diferentes tipos de violencia (2021)",
x = "",
y = "Porcentaje",
fill = "Respuesta"
) +
theme_minimal()
library(dplyr)
library(tidyr)
library(ggplot2)
# ==============================
# 1. Crear variables Si/No totales para cada tipo de violencia (2016)
# ==============================
violec_especif16 <- violec_especif16 %>%
mutate(
fisica_total = if_else(rowSums(select(., starts_with("violencia16_fisica")), na.rm = TRUE) > 0, "Sí", "No"),
psicologica_total = if_else(rowSums(select(., starts_with("violencia16_psicologica")), na.rm = TRUE) > 0, "Sí", "No"),
sexual_total = if_else(rowSums(select(., starts_with("violencia16_sexual")), na.rm = TRUE) > 0, "Sí", "No"),
economica_total = if_else(rowSums(select(., starts_with("violencia16_economica")), na.rm = TRUE) > 0, "Sí", "No")
)
# ==============================
# 2. Crear variables Si/No totales para cada tipo de violencia (2021)
# ==============================
violec_especif21 <- violec_especif21 %>%
mutate(
fisica_total = if_else(rowSums(select(., starts_with("violencia21_fisica")), na.rm = TRUE) > 0, "Sí", "No"),
psicologica_total = if_else(rowSums(select(., starts_with("violencia21_psicologica")), na.rm = TRUE) > 0, "Sí", "No"),
sexual_total = if_else(rowSums(select(., starts_with("violencia21_sexual")), na.rm = TRUE) > 0, "Sí", "No"),
economica_total = if_else(rowSums(select(., starts_with("violencia21_economica")), na.rm = TRUE) > 0, "Sí", "No")
)
# ==============================
# 3. Resumen solo de "Sí" para cada año
# ==============================
resumen_si <- function(data, year) {
data %>%
select(fisica_total, psicologica_total, sexual_total, economica_total) %>%
pivot_longer(cols = everything(), names_to = "tipo_violencia", values_to = "respuesta") %>%
filter(respuesta == "Sí") %>% # solo Sí
group_by(tipo_violencia) %>%
summarise(total = n(), .groups = "drop") %>%
mutate(
year = year,
tipo_violencia = factor(tipo_violencia, levels = c("fisica_total", "psicologica_total", "sexual_total", "economica_total"))
)
}
resumen_16 <- resumen_si(violec_especif16, "2016")
resumen_21 <- resumen_si(violec_especif21, "2021")
resumen_comparativo <- bind_rows(resumen_16, resumen_21)
# ==============================
# 4. Gráfico comparativo solo de Sí
# ==============================
ggplot(resumen_comparativo, aes(x = tipo_violencia, y = total, fill = year)) +
geom_col(position = position_dodge()) + # barras lado a lado
geom_text(aes(label = total), position = position_dodge(width = 0.9), vjust = -0.5, size = 3) +
scale_x_discrete(labels = c(
fisica_total = "vio.fisica",
psicologica_total = "vio.psicologica",
sexual_total = "vio.sexual",
economica_total = "vio.economica"
)) +
scale_fill_manual(values = c("2016" = "lightblue", "2021" = "salmon")) +
labs(
title = "Comparación de mujeres que han sufrido violencia (solo Sí) entre 2016 y 2021",
x = "",
y = "Número de mujeres",
fill = "Año"
) +
theme_minimal()
Distribucion de respuesta de los diferentes formas de violencia
violencia fisica
library(ggplot2)
library(dplyr)
# Daten für 2016 und 2021 filtern
filtered_data_16 <- violec_especif16 %>% filter(viol16_fis_total >= 0) %>% mutate(Año = "2016")
filtered_data_21 <- violec_especif21 %>% filter(viol21_fis_total >= 0) %>% mutate(Año = "2021")
# Kombination beider Datensätze
combined_data <- bind_rows(
filtered_data_16 %>% rename(Gewalt = viol16_fis_total),
filtered_data_21 %>% rename(Gewalt = viol21_fis_total)
)
# Prozentuale Frequenzen berechnen und Anzahl der Antworten pro Jahr ermitteln
combined_data %>%
group_by(Año, Gewalt) %>%
summarize(Anzahl = n()) %>%
group_by(Año) %>%
mutate(
Prozent = (Anzahl / sum(Anzahl)) * 100,
Gesamtanzahl = sum(Anzahl)
) -> data_for_plot
# Kombiniertes Histogramm plotten mit etwas größerer Schriftgröße und der y-Achsenbeschriftung auf Spanisch
combined_histogram <- ggplot(data_for_plot, aes(x = factor(Gewalt), y = Anzahl, fill = Año)) +
geom_bar(stat = "identity", position = "dodge", color = "white") +
scale_fill_manual(values = c("2016" = "lightblue", "2021" = "salmon")) +
labs(
title = "Distribución de Violencia Física Total (2016 vs 2021)",
x = "Total de Violencia Física",
y = "Número de Respuestas"
) +
geom_text(aes(label = Anzahl), vjust = -0.5, color = "black", size = 2, position = position_dodge(width = 0.9)) +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
axis.title = element_text(size = 12),
axis.text.x = element_text(angle = 45, hjust = 1)
)
# Plot anzeigen
print(combined_histogram)
library(ggplot2)
library(dplyr)
library(tidyr)
# Beispiel-Daten vorbereiten - zu vereinfachen die Vorbereitung der Daten
# Eigene Daten importieren: violec_especif16, violec_especif21
# Daten für 2016 und 2021 filtern
filtered_data_16 <- violec_especif16 %>% filter(viol16_fis_total >= 0) %>% mutate(Año = "2016")
filtered_data_21 <- violec_especif21 %>% filter(viol21_fis_total >= 0) %>% mutate(Año = "2021")
# Kombination beider Datensätze
combined_data <- bind_rows(
filtered_data_16 %>% rename(Gewalt = viol16_fis_total),
filtered_data_21 %>% rename(Gewalt = viol21_fis_total)
)
# Absolute Frequenzen berechnen
combined_data %>%
group_by(Año, Gewalt) %>%
summarize(Anzahl = n()) -> data_for_plot
# Kombiniertes Histogramm plotten mit absoluten Zahlenwerten oberhalb der Balken
combined_histogram <- ggplot(data_for_plot, aes(x = factor(Gewalt), y = Anzahl, fill = Año)) +
geom_bar(stat = "identity", position = "dodge", color = "white") +
geom_text(aes(label = Anzahl), vjust = -0.5, color = "black", size = 2.5, position = position_dodge(width = 0.9)) +
labs(
title = "Distribución de Violencia Física Total (2016 vs 2021)",
x = "Total de Violencia Física",
y = "Número de Respuestas"
) +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
axis.title = element_text(size = 12),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
scale_fill_manual(values = c("2016" = "lightblue", "2021" = "salmon"))
# Plot anzeigen
print(combined_histogram)
library(ggplot2)
library(dplyr)
library(tidyr)
# Beispiel-Daten vorbereiten - zu vereinfachen die Vorbereitung der Daten
# Eigene Daten importieren: violec_especif16, violec_especif21
# Daten für 2016 und 2021 filtern
filtered_data_16 <- violec_especif16 %>% filter(viol16_fis_total >= 0) %>% mutate(Año = "2016")
filtered_data_21 <- violec_especif21 %>% filter(viol21_fis_total >= 0) %>% mutate(Año = "2021")
# Kombination beider Datensätze
combined_data <- bind_rows(
filtered_data_16 %>% rename(Gewalt = viol16_fis_total),
filtered_data_21 %>% rename(Gewalt = viol21_fis_total)
)
# Absolute Frequenzen berechnen
combined_data %>%
group_by(Año, Gewalt) %>%
summarize(Anzahl = n()) -> data_for_plot
# Separate Daten für Labels vorbereiten
labels_data <- data_for_plot %>%
mutate(Position = ifelse(Gewalt == 0 & Año == "2021", Anzahl / 2, Anzahl))
# Kombiniertes Histogramm plotten mit genauen Zahlenwerten innerhalb der Balken
combined_histogram <- ggplot(data_for_plot, aes(x = factor(Gewalt), y = Anzahl, fill = Año)) +
geom_bar(stat = "identity", position = "dodge", color = "white") +
geom_text(data = labels_data, aes(x = factor(Gewalt), y = Position, label = Anzahl), color = "black", size = 2.5, position = position_dodge(width = 0.9)) +
labs(
title = "Distribución de Violencia Física Total (2016 vs 2021)",
x = "Total de Violencia Física",
y = "Número de Respuestas"
) +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
axis.title = element_text(size = 12),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
scale_fill_manual(values = c("2016" = "lightblue", "2021" = "salmon"))
# Plot anzeigen
print(combined_histogram)
library(ggplot2)
library(dplyr)
library(tidyr)
# Beispiel-Daten vorbereiten - zu vereinfachen die Vorbereitung der Daten
# Eigene Daten importieren: violec_especif16, violec_especif21
# Daten für 2016 und 2021 filtern
filtered_data_16 <- violec_especif16 %>% filter(viol16_fis_total > 0) %>% mutate(Año = "2016")
filtered_data_21 <- violec_especif21 %>% filter(viol21_fis_total > 0) %>% mutate(Año = "2021")
# Kombination beider Datensätze
combined_data <- bind_rows(
filtered_data_16 %>% rename(Gewalt = viol16_fis_total),
filtered_data_21 %>% rename(Gewalt = viol21_fis_total)
)
# Absolute Frequenzen berechnen
combined_data %>%
group_by(Año, Gewalt) %>%
summarize(Anzahl = n()) -> data_for_plot
# Kombiniertes Histogramm plotten mit absoluten Zahlenwerten oberhalb der Balken
combined_histogram <- ggplot(data_for_plot, aes(x = factor(Gewalt), y = Anzahl, fill = Año)) +
geom_bar(stat = "identity", position = "dodge", color = "white") +
geom_text(aes(label = Anzahl), vjust = -0.5, color = "black", size = 2.5, position = position_dodge(width = 0.9)) +
labs(
title = "Distribución de Violencia Física (2016 vs 2021)",
x = "Total de Violencia Física",
y = "Número de Respuestas"
) +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
axis.title = element_text(size = 12),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
scale_fill_manual(values = c("2016" = "lightblue", "2021" = "salmon"))
# Plot anzeigen
print(combined_histogram)
library(ggplot2)
library(dplyr)
library(tidyr)
# Daten für 2016 und 2021 filtern
filtered_data_16 <- violec_especif16 %>% filter(viol16_sex_total > 0) %>% mutate(Año = "2016")
filtered_data_21 <- violec_especif21 %>% filter(viol21_sex_total > 0) %>% mutate(Año = "2021")
# Kombination beider Datensätze
combined_data <- bind_rows(
filtered_data_16 %>% rename(Gewalt = viol16_sex_total),
filtered_data_21 %>% rename(Gewalt = viol21_sex_total)
)
# Absolute Frequenzen berechnen
combined_data %>%
group_by(Año, Gewalt) %>%
summarize(Anzahl = n(), .groups = "drop") -> data_for_plot
# Kombiniertes Histogramm plotten mit absoluten Zahlenwerten oberhalb der Balken
combined_histogram <- ggplot(data_for_plot, aes(x = factor(Gewalt), y = Anzahl, fill = Año)) +
geom_bar(stat = "identity", position = "dodge", color = "white") +
geom_text(aes(label = Anzahl), vjust = -0.5, color = "black", size = 2.5, position = position_dodge(width = 0.9)) +
labs(
title = "Distribución de Violencia Sexual (2016 vs 2021)",
x = "Total de Violencia Sexual",
y = "Número de Respuestas"
) +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
axis.title = element_text(size = 12),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
scale_fill_manual(values = c("2016" = "lightblue", "2021" = "salmon"))
# Plot anzeigen
print(combined_histogram)
library(ggplot2)
library(dplyr)
library(tidyr)
# Daten für 2016 und 2021 filtern
filtered_data_16 <- violec_especif16 %>% filter(viol16_sex_total >= 0) %>% mutate(Año = "2016")
filtered_data_21 <- violec_especif21 %>% filter(viol21_sex_total >= 0) %>% mutate(Año = "2021")
# Kombination beider Datensätze
combined_data <- bind_rows(
filtered_data_16 %>% rename(Gewalt = viol16_sex_total),
filtered_data_21 %>% rename(Gewalt = viol21_sex_total)
)
# Absolute Frequenzen berechnen
combined_data %>%
group_by(Año, Gewalt) %>%
summarize(Anzahl = n(), .groups = "drop") -> data_for_plot
# Kombiniertes Histogramm plotten mit absoluten Zahlenwerten oberhalb der Balken
combined_histogram <- ggplot(data_for_plot, aes(x = factor(Gewalt), y = Anzahl, fill = Año)) +
geom_bar(stat = "identity", position = "dodge", color = "white") +
geom_text(aes(label = Anzahl), vjust = -0.5, color = "black", size = 2.5, position = position_dodge(width = 0.9)) +
labs(
title = "Distribución de Violencia Sexual Total (2016 vs 2021)",
x = "Total de Violencia Sexual",
y = "Número de Respuestas"
) +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
axis.title = element_text(size = 12),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
scale_fill_manual(values = c("2016" = "lightblue", "2021" = "salmon"))
# Plot anzeigen
print(combined_histogram)
library(ggplot2)
library(dplyr)
library(tidyr)
# Daten für 2016 und 2021 filtern
filtered_data_16 <- violec_especif16 %>% filter(viol16_psi_total > 0) %>% mutate(Año = "2016")
filtered_data_21 <- violec_especif21 %>% filter(viol21_psi_total > 0) %>% mutate(Año = "2021")
# Kombination beider Datensätze
combined_data <- bind_rows(
filtered_data_16 %>% rename(Gewalt = viol16_psi_total),
filtered_data_21 %>% rename(Gewalt = viol21_psi_total)
)
# Absolute Frequenzen berechnen
combined_data %>%
group_by(Año, Gewalt) %>%
summarize(Anzahl = n(), .groups = "drop") -> data_for_plot
# Kombiniertes Histogramm plotten mit absoluten Zahlenwerten oberhalb der Balken
combined_histogram <- ggplot(data_for_plot, aes(x = factor(Gewalt), y = Anzahl, fill = Año)) +
geom_bar(stat = "identity", position = "dodge", color = "white") +
geom_text(aes(label = Anzahl), vjust = -0.5, color = "black", size = 2.5, position = position_dodge(width = 0.9)) +
labs(
title = "Distribución de Violencia Psicológica (2016 vs 2021)",
x = "Total de Violencia Psicológica",
y = "Número de Respuestas"
) +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
axis.title = element_text(size = 12),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
scale_fill_manual(values = c("2016" = "lightblue", "2021" = "salmon"))
# Plot anzeigen
print(combined_histogram)
library(ggplot2)
library(dplyr)
library(tidyr)
# Daten für 2016 und 2021 filtern
filtered_data_16 <- violec_especif16 %>% filter(viol16_psi_total >= 0) %>% mutate(Año = "2016")
filtered_data_21 <- violec_especif21 %>% filter(viol21_psi_total >= 0) %>% mutate(Año = "2021")
# Kombination beider Datensätze
combined_data <- bind_rows(
filtered_data_16 %>% rename(Gewalt = viol16_psi_total),
filtered_data_21 %>% rename(Gewalt = viol21_psi_total)
)
# Absolute Frequenzen berechnen und nur für Werte 0 und 1 anzeigen
combined_data %>%
filter(Gewalt %in% c(0, 1)) %>% # Nur Werte 0 und 1
group_by(Año, Gewalt) %>%
summarize(Anzahl = n(), .groups = "drop") -> data_for_plot
# Balkendiagramm mit optimierter Anordnung und Wert 0
combined_histogram <- ggplot(data_for_plot, aes(x = factor(Gewalt, levels = sort(unique(Gewalt))), y = Anzahl, fill = Año)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8), color = "white") +
geom_text(aes(label = Anzahl), vjust = -0.3, color = "black", size = 3, position = position_dodge(width = 0.8)) +
labs(
title = "Distribución de Violencia Psicológica (2016 vs 2021)",
x = "Total de Violencia Psicológica",
y = "Número de Respuestas"
) +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
axis.title = element_text(size = 12),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
scale_fill_manual(values = c("2016" = "lightblue", "2021" = "salmon"))
# Plot anzeigen
print(combined_histogram)
library(ggplot2)
library(dplyr)
library(tidyr)
# Daten für 2016 und 2021 filtern
filtered_data_16 <- violec_especif16 %>% filter(viol16_psi_total >= 0) %>% mutate(Año = "2016")
filtered_data_21 <- violec_especif21 %>% filter(viol21_psi_total >= 0) %>% mutate(Año = "2021")
# Kombination beider Datensätze
combined_data <- bind_rows(
filtered_data_16 %>% rename(Gewalt = viol16_psi_total),
filtered_data_21 %>% rename(Gewalt = viol21_psi_total)
)
# Absolute Frequenzen berechnen
combined_data %>%
group_by(Año, Gewalt) %>%
summarize(Anzahl = n(), .groups = "drop") -> data_for_plot
# Balkendiagramm mit optimierter Anordnung und Wert 0 und 1
combined_histogram <- ggplot(data_for_plot, aes(x = factor(Gewalt, levels = sort(unique(Gewalt))), y = Anzahl, fill = Año)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8), color = "white") +
geom_text(aes(label = ifelse(Gewalt %in% c(0, 1), as.character(Anzahl), "")), vjust = -0.3, color = "black", size = 3, position = position_dodge(width = 0.8)) +
labs(
title = "Distribución de Violencia Psicológica Total (2016 vs 2021)",
x = "Total de Violencia Psicológica",
y = "Número de Respuestas"
) +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
axis.title = element_text(size = 12),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
scale_fill_manual(values = c("2016" = "lightblue", "2021" = "salmon"))
# Plot anzeigen
print(combined_histogram)
library(ggplot2)
library(dplyr)
library(tidyr)
# Daten für 2016 und 2021 filtern
filtered_data_16 <- violec_especif16 %>% filter(viol16_psi_total >= 0) %>% mutate(Año = "2016")
filtered_data_21 <- violec_especif21 %>% filter(viol21_psi_total >= 0) %>% mutate(Año = "2021")
# Kombination beider Datensätze
combined_data <- bind_rows(
filtered_data_16 %>% rename(Gewalt = viol16_psi_total),
filtered_data_21 %>% rename(Gewalt = viol21_psi_total)
)
# Absolute Frequenzen berechnen
combined_data %>%
group_by(Año, Gewalt) %>%
summarize(Anzahl = n(), .groups = "drop") -> data_for_plot
# Balkendiagramm mit optimierter Anordnung und Wert 0 und 1
combined_histogram <- ggplot(data_for_plot, aes(x = factor(Gewalt, levels = sort(unique(Gewalt))), y = Anzahl, fill = Año)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8), color = "white") +
geom_text(aes(label = ifelse(Gewalt %in% c(0, 1), as.character(Anzahl), "")),
vjust = 0.5, color = "black", size = 3, position = position_dodge(width = 0.8)) + # Text in den Balken
labs(
title = "Distribución de Violencia Psicológica Total (2016 vs 2021)",
x = "Total de Violencia Psicológica",
y = "Número de Respuestas"
) +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
axis.title = element_text(size = 12),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
scale_fill_manual(values = c("2016" = "lightblue", "2021" = "salmon"))
# Plot anzeigen
print(combined_histogram)
library(ggplot2)
library(dplyr)
library(tidyr)
# Daten für 2016 und 2021 filtern
filtered_data_16 <- violec_especif16 %>% filter(viol16_psi_total >= 0) %>% mutate(Año = "2016")
filtered_data_21 <- violec_especif21 %>% filter(viol21_psi_total >= 0) %>% mutate(Año = "2021")
# Kombination beider Datensätze
combined_data <- bind_rows(
filtered_data_16 %>% rename(Gewalt = viol16_psi_total),
filtered_data_21 %>% rename(Gewalt = viol21_psi_total)
)
# Absolute Frequenzen berechnen
combined_data %>%
group_by(Año, Gewalt) %>%
summarize(Anzahl = n(), .groups = "drop") -> data_for_plot
# Balkendiagramm mit optimierter Anordnung und Wert 0 und 1
combined_histogram <- ggplot(data_for_plot, aes(x = factor(Gewalt, levels = sort(unique(Gewalt))), y = Anzahl, fill = Año)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8), color = "white", width = 0.6) + # Balkenbreite anpassen
geom_text(aes(label = ifelse(Gewalt %in% c(0, 1), as.character(Anzahl), "")), vjust = -0.3, color = "black", size = 3, position = position_dodge(width = 0.8)) +
labs(
title = "Distribución de Violencia Psicológica Total (2016 vs 2021)",
x = "Total de Violencia Psicológica",
y = "Número de Respuestas"
) +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
axis.title = element_text(size = 12),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
scale_fill_manual(values = c("2016" = "lightblue", "2021" = "salmon"))
# Plot anzeigen
print(combined_histogram)
library(ggplot2)
library(dplyr)
library(tidyr)
# Daten für 2016 und 2021 filtern
filtered_data_16 <- violec_especif16 %>% filter(viol16_eco_total >= 0) %>% mutate(Año = "2016")
filtered_data_21 <- violec_especif21 %>% filter(viol21_eco_total >= 0) %>% mutate(Año = "2021")
# Kombination beider Datensätze
combined_data <- bind_rows(
filtered_data_16 %>% rename(Gewalt = viol16_eco_total),
filtered_data_21 %>% rename(Gewalt = viol21_eco_total)
)
# Absolute Frequenzen berechnen
combined_data %>%
group_by(Año, Gewalt) %>%
summarize(Anzahl = n(), .groups = "drop") -> data_for_plot
# Kombiniertes Histogramm plotten mit absoluten Zahlenwerten oberhalb der Balken
combined_histogram <- ggplot(data_for_plot, aes(x = factor(Gewalt), y = Anzahl, fill = Año)) +
geom_bar(stat = "identity", position = "dodge", color = "white") +
geom_text(aes(label = Anzahl), vjust = -0.5, color = "black", size = 2.5, position = position_dodge(width = 0.9)) +
labs(
title = "Distribución de Violencia Económica Total (2016 vs 2021)",
x = "Total de Violencia Económica",
y = "Número de Respuestas"
) +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
axis.title = element_text(size = 12),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
scale_fill_manual(values = c("2016" = "lightblue", "2021" = "salmon"))
# Plot anzeigen
print(combined_histogram)
library(ggplot2)
library(dplyr)
library(tidyr)
# Daten für 2016 und 2021 filtern
filtered_data_16 <- violec_especif16 %>% filter(viol16_eco_total > 0) %>% mutate(Año = "2016")
filtered_data_21 <- violec_especif21 %>% filter(viol21_eco_total > 0) %>% mutate(Año = "2021")
# Kombination beider Datensätze
combined_data <- bind_rows(
filtered_data_16 %>% rename(Gewalt = viol16_eco_total),
filtered_data_21 %>% rename(Gewalt = viol21_eco_total)
)
# Absolute Frequenzen berechnen
combined_data %>%
group_by(Año, Gewalt) %>%
summarize(Anzahl = n(), .groups = "drop") -> data_for_plot
# Kombiniertes Histogramm plotten mit absoluten Zahlenwerten oberhalb der Balken
combined_histogram <- ggplot(data_for_plot, aes(x = factor(Gewalt), y = Anzahl, fill = Año)) +
geom_bar(stat = "identity", position = "dodge", color = "white") +
geom_text(aes(label = Anzahl), vjust = -0.5, color = "black", size = 2.5, position = position_dodge(width = 0.9)) +
labs(
title = "Distribución de Violencia Económica (2016 vs 2021)",
x = "Total de Violencia Económica",
y = "Número de Respuestas"
) +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
axis.title = element_text(size = 12),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
scale_fill_manual(values = c("2016" = "lightblue", "2021" = "salmon"))
# Plot anzeigen
print(combined_histogram)
3. Correlacion
Correlacion 2016
Correlacion de violencia economica con violencia fisica 2016
##
## 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##
## 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## 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
Zusammenfassung der Schlüsselergebnisse:
Der größte Anteil (73.9%) der Frauen, die keine physische Gewalt erfahren haben, haben auch keine ökonomische Gewalt erfahren.
Ein erheblicher Anteil (62.1%) der Frauen, die physische Gewalt erfahren haben, haben auch ökonomische Gewalt erfahren. Dies zeigt einen starken Zusammenhang zwischen ökonomischer und physischer Gewalt.
Ein geringer Anteil der Frauen (34.2%) mit physischer Gewalt hat keine ökonomische Gewalt erfahren, was darauf hinweist, dass physische Gewalt häufig mit ökonomischer Gewalt verbunden ist, aber nicht immer.Correlacion de violencia economica con violencia psicologica 2016
##
## 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##
## 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## viol16_eco_disc
## viol16_psi_disc No Sí NA_
## No 82.1% (54,282) 4.0% (2,650) 13.9% (9,213)
## Sí 41.6% (16,597) 47.4% (18,913) 11.1% (4,427)
## Total 66.8% (70,879) 20.3% (21,563) 12.9% (13,640)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
Schlüsselergebnisse:
95.3% der Frauen, die keine psychische Gewalt erfahren haben, haben auch keine ökonomische Gewalt erfahren.
Von den Frauen, die psychische Gewalt erfahren haben, haben 53.3% auch ökonomische Gewalt erfahren, was zeigt, dass die beiden Formen der Gewalt häufig zusammen auftreten.
Der Anteil der Frauen, die psychische Gewalt erfahren, aber keine ökonomische Gewalt, ist mit 46.7% ebenfalls signifikant. Das bedeutet, dass psychische Gewalt auch unabhängig von ökonomischer Gewalt auftreten kann.
Keine fehlenden Werte (NA) für psychische oder ökonomische Gewalt bei den Frauen, die Gewalt erfahren haben.Correlacion de violencia economica con violencia sexual 2016
##
## 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##
## 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## viol16_eco_disc
## viol16_sex_disc No Sí NA_
## No 70.4% (69,976) 16.3% (16,222) 13.3% (13,248)
## Sí 13.6% (903) 80.5% (5,341) 5.9% (392)
## Total 66.8% (70,879) 20.3% (21,563) 12.9% (13,640)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
Schlüsselergebnisse:
70.4% der Frauen, die keine sexuelle Gewalt erfahren haben, haben auch keine ökonomische Gewalt erfahren. Dies zeigt, dass es eine signifikante Anzahl von Frauen gibt, die beide Formen von Gewalt nicht erleben.
16.3% der Frauen, die keine sexuelle Gewalt erfahren haben, haben jedoch ökonomische Gewalt erfahren, was auf das Vorhandensein von ökonomischer Gewalt unabhängig von sexueller Gewalt hinweist.
Von den Frauen, die sexuelle Gewalt erfahren haben, haben 80.5% auch ökonomische Gewalt erfahren, was darauf hinweist, dass diese beiden Formen von Gewalt stark miteinander verknüpft sind.
13.6% der Frauen, die sexuelle Gewalt erfahren haben, haben keine ökonomische Gewalt erfahren, was darauf hindeutet, dass sexuelle Gewalt auch ohne die Begleitung von ökonomischer Gewalt auftreten kann.Correlacion entre violencia economica, psicologica y sexual 2016
combo_table <- table(
Ökonomisch = violec_especif16$viol16_eco_disc,
Sexuell = violec_especif16$viol16_sex_disc,
Psychologisch = violec_especif16$viol16_psi_disc
)
# Ausgabe der wichtigsten Kombinationen
combo_table## , , Psychologisch = No
##
## Sexuell
## Ökonomisch No Sí
## No 54178 104
## Sí 2574 76
##
## , , Psychologisch = Sí
##
## Sexuell
## Ökonomisch No Sí
## No 15798 799
## Sí 13648 5265# Tabelle mit absoluten Häufigkeiten
combo_table <- table(
Ökonomisch = violec_especif16$viol16_eco_disc,
Sexuell = violec_especif16$viol16_sex_disc,
Psychologisch = violec_especif16$viol16_psi_disc
)
# Gesamtzahl aller gültigen Fälle
gesamt <- sum(combo_table)
# Tabelle mit Prozentwerten berechnen
combo_prozent <- round(100 * combo_table / gesamt, 1)
# Ausgabe der Prozenttabelle
combo_prozent## , , Psychologisch = No
##
## Sexuell
## Ökonomisch No Sí
## No 58.6 0.1
## Sí 2.8 0.1
##
## , , Psychologisch = Sí
##
## Sexuell
## Ökonomisch No Sí
## No 17.1 0.9
## Sí 14.8 5.7# Tabelle mit absoluten Häufigkeiten
combo_table2 <- table(
Ökonomisch = violec_especif16$viol16_eco_disc,
Sexuell = violec_especif16$viol16_sex_disc,
Physiche = violec_especif16$viol16_fis_disc
)
# Gesamtzahl aller gültigen Fälle
gesamt2 <- sum(combo_table2)
# Tabelle mit Prozentwerten berechnen
combo_prozent2 <- round(100 * combo_table2 / gesamt, 1)
# Ausgabe der Prozenttabelle
combo_prozent2## , , Physiche = No
##
## Sexuell
## Ökonomisch No Sí
## No 69.3 0.4
## Sí 9.7 0.9
##
## , , Physiche = Sí
##
## Sexuell
## Ökonomisch No Sí
## No 6.4 0.6
## Sí 7.8 4.9# Tabelle mit absoluten Häufigkeiten
combo_table3 <- table(
Psychologisch = violec_especif16$viol16_psi_disc,
Sexuell = violec_especif16$viol16_sex_disc,
Physiche = violec_especif16$viol16_fis_disc
)
# Gesamtzahl aller gültigen Fälle
gesamt3 <- sum(combo_table3)
# Tabelle mit Prozentwerten berechnen
combo_prozent3 <- round(100 * combo_table3 / gesamt, 1)
# Ausgabe der Prozenttabelle
combo_prozent3## , , Physiche = No
##
## Sexuell
## Psychologisch No Sí
## No 69.3 0.2
## Sí 23.4 1.4
##
## , , Physiche = Sí
##
## Sexuell
## Psychologisch No Sí
## No 2.0 0.0
## Sí 12.8 5.6# Filter: nur Frauen mit ökonomischer Gewalt
eco_yes <- violec_especif16[violec_especif16$viol16_eco_disc == "Sí", ]
# Tabelle: sexuelle vs. psychologische Gewalt in dieser Gruppe
table_sex_psi <- table(
Sexuelle = eco_yes$viol16_sex_disc,
Psychologische = eco_yes$viol16_psi_disc
)
# Ausgabe der Kreuztabelle
print(table_sex_psi)## Psychologische
## Sexuelle No Sí
## No 2574 13648
## Sí 76 5265# Prozentuale Verteilung
prop_table <- prop.table(table_sex_psi)
round(100 * prop_table, 1) # in Prozent## Psychologische
## Sexuelle No Sí
## No 11.9 63.3
## Sí 0.4 24.4# Filter: nur Frauen mit ökonomischer Gewalt
eco_yes <- violec_especif16[violec_especif16$viol16_eco_disc == "Sí", ]
# Tabelle: sexuelle vs. psychologische Gewalt in dieser Gruppe
table_sex_psi <- table(
Sexuelle = eco_yes$viol16_sex_disc,
Psychologische = eco_yes$viol16_psi_disc
)
# Ausgabe der Kreuztabelle
print(table_sex_psi)## Psychologische
## Sexuelle No Sí
## No 2574 13648
## Sí 76 5265# Prozentuale Verteilung
prop_table <- prop.table(table_sex_psi) * 100 # Berechnung der Prozente
round(prop_table, 1) # Prozentuale Werte runden und anzeigen## Psychologische
## Sexuelle No Sí
## No 11.9 63.3
## Sí 0.4 24.4Diese Tabelle zeigt die Prozentsätze, wie sich die Fälle in Bezug auf sexuelle und psychologische Gewalt unter den Frauen mit ökonomischer Gewalt verteilen:
11.9% der Frauen, die keine sexuelle Gewalt erfahren haben, haben auch keine psychologische Gewalt erfahren.
63.3% der Frauen, die keine sexuelle Gewalt erfahren haben, haben psychologische Gewalt erfahren.
0.4% der Frauen, die sexuelle Gewalt erfahren haben, haben keine psychologische Gewalt erfahren.
24.4% der Frauen, die sexuelle Gewalt erfahren haben, haben auch psychologische Gewalt erfahren.Zusammengefasst zeigt die Prozentsatz-Tabelle, wie die Erfahrungen mit sexueller und psychologischer Gewalt in der Gesamtgruppe der betroffenen Frauen (mit ökonomischer Gewalt) verteilt sind. Es fällt auf, dass psychologische Gewalt weit verbreitet ist, selbst bei den Frauen, die keine sexuelle Gewalt erfahren haben.
# Filter: nur Frauen mit ökonomischer Gewalt
eco_yes <- violec_especif16[violec_especif16$viol16_eco_disc == "Sí", ]
# Tabelle: sexuelle vs. physische Gewalt in dieser Gruppe
table_sex_fis <- table(
Sexuelle = eco_yes$viol16_sex_disc,
Physische = eco_yes$viol16_fis_disc
)
# Ausgabe der Kreuztabelle
print(table_sex_fis)## Physische
## Sexuelle No Sí
## No 8969 7253
## Sí 825 4516# Prozentuale Verteilung
prop_table1 <- prop.table(table_sex_fis) * 100 # Berechnung der Prozente
round(prop_table1, 1) # In Prozent runden## Physische
## Sexuelle No Sí
## No 41.6 33.6
## Sí 3.8 20.9Diese Tabelle stellt die Prozentsätze dar, die die Verteilung der Fälle in Bezug auf sexuelle und physische Gewalt relativ zur Gesamtzahl der Frauen (mit ökonomischer Gewalt) widerspiegeln:
41.6% der Frauen, die keine sexuelle Gewalt erfahren haben, haben auch keine physische Gewalt erfahren.
33.6% der Frauen, die keine sexuelle Gewalt erfahren haben, haben physische Gewalt erfahren.
3.8% der Frauen, die sexuelle Gewalt erfahren haben, haben keine physische Gewalt erfahren.
20.9% der Frauen, die sexuelle Gewalt erfahren haben, haben auch physische Gewalt erfahren.Zusammenfassung:
Die Prozentsätze zeigen, dass der Großteil der Frauen, die keine sexuelle Gewalt erfahren haben, auch keine physische Gewalt erfahren hat (41.6%), aber trotzdem haben 33.6% dieser Frauen physische Gewalt erfahren. Von den Frauen, die sexuelle Gewalt erfahren haben, haben die meisten auch physische Gewalt erfahren (20.9%). Nur eine kleinere Gruppe (3.8%) hat sexuelle Gewalt, aber keine physische Gewalt erfahren.
Die Prozentsätze helfen dabei, das Ausmaß des Zusammenhangs zwischen sexueller und physischer Gewalt in dieser Gruppe zu verstehen. Es scheint, dass Frauen, die sexuelle Gewalt erfahren, oft auch physische Gewalt erfahren, aber es gibt auch eine signifikante Anzahl von Frauen, die nur eine dieser Formen erleben.
# Filter: nur Frauen mit ökonomischer Gewalt
eco_yes <- violec_especif16[violec_especif16$viol16_eco_disc == "Sí", ]
# Tabelle: sexuelle vs. physische Gewalt in dieser Gruppe
table_psi_fis <- table(
Psychologische = eco_yes$viol16_psi_disc,
Physische = eco_yes$viol16_fis_disc
)
# Ausgabe der Kreuztabelle
print(table_psi_fis)## Physische
## Psychologische No Sí
## No 2355 295
## Sí 7439 11474# Prozentuale Verteilung
prop_table2 <- prop.table(table_psi_fis) * 100 # Berechnung der Prozente
round(prop_table2, 1) # In Prozent runden## Physische
## Psychologische No Sí
## No 10.9 1.4
## Sí 34.5 53.2Diese Tabelle zeigt die Prozentsätze, wie sich physische und psychologische Gewalt in der Gruppe der Frauen, die ökonomische Gewalt erfahren haben, verteilen:
10.9% der Frauen, die keine physische Gewalt erfahren haben, haben auch keine psychologische Gewalt erfahren.
1.4% der Frauen, die keine physische Gewalt erfahren haben, haben psychologische Gewalt erfahren.
34.5% der Frauen, die physische Gewalt erfahren haben, haben keine psychologische Gewalt erfahren.
53.2% der Frauen, die physische Gewalt erfahren haben, haben auch psychologische Gewalt erfahren.Interpretation:
Die Mehrheit der Frauen, die physische Gewalt erfahren haben, hat auch psychologische Gewalt erfahren (53.2%). Dies deutet darauf hin, dass diese beiden Formen von Gewalt häufig miteinander auftreten, was auf eine möglicherweise tiefere und systematischere Form der Gewalt hinweist, die sowohl körperliche als auch emotionale Belastung mit sich bringt.
34.5% der Frauen, die physische Gewalt erfahren haben, haben keine psychologische Gewalt erfahren, was darauf hindeutet, dass es auch Fälle gibt, in denen physische Gewalt ohne zusätzliche psychologische Gewalt auftritt. Diese Frauen erfahren also nur die körperliche Dimension der Gewalt.
Die Anzahl der Frauen, die psychologische Gewalt ohne physische Gewalt erfahren haben, ist relativ gering (1.4%), was darauf hindeutet, dass psychologische Gewalt in dieser Gruppe häufig zusammen mit physischer Gewalt vorkommt. Es scheint, dass psychologische Gewalt weniger häufig isoliert auftritt.
10.9% der Frauen, die keine physische Gewalt erfahren haben, haben auch keine psychologische Gewalt erfahren, was darauf hinweist, dass ein kleiner Teil der Frauen keine Form von Gewalt erfahren hat.Fazit:
Die Daten legen nahe, dass physische und psychologische Gewalt oft zusammen auftreten. Die hohe Zahl von Frauen, die sowohl physische als auch psychologische Gewalt erleben (53.2%), könnte darauf hinweisen, dass diese beiden Formen von Gewalt sich gegenseitig verstärken und in vielen Fällen gemeinsam auftreten. Ein erheblicher Teil der Frauen, die physische Gewalt erfahren haben, wird zusätzlich psychisch belastet, was die Schwere der Gewaltbeziehung noch verstärken könnte.
##
## 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##
## 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 10765Interpretación 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%).
Correlacion de violencia economica con violencia psicologia 2021
##
## 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##
## 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-16## viol21_eco_disc
## viol21_psi_disc No Sí NA_
## No 80.7% (55,297) 4.2% (2,882) 15.0% (10,304)
## Sí 42.0% (15,430) 46.5% (17,082) 11.5% (4,221)
## 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%).
Correlacion de violencia economica con violencia sexual 2021
##
## 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##
## 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-16## 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%).
Correlacion entre 2016 y 2021
Comperacion entre violencia la violencia física y la violencia económica en 2016 y 2021
Comperacion entre violencia la violencia psicologica y la violencia económica en 2016 y 2021
Comperacion entre violencia la violencia sexual y la violencia económica en 2016 y 2021
Comperacion de Correlacion de violencia domestica en México
# Comperacion de Correlacion de violencia domestica por Estado
Aguascalientes
## [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
### Baja California
Baja California Sur
Campeche
Chiapas
Chihuahua
Coahuila
Colima
Durango
Guanajuato
Guerrero
Hidalgo
Jalisco
Estado de México
### Ciudad de México
### Michoacan
### Morelos
### Nayarit
### Nuevo Leon
### Oaxaca
### Puebla
### Queretaro
### Quintana Roo
### San Luis de Potosi
### Sinaloa
### Sonora
### Tabasco
### Tamaulipas
### Tlaxcala
### Veracruz
### Yucatán
### Zacatecas
Correlaciones graficas
Correlaciones entre violencia fisica y violencia economica
## Paket 'viridisLite' erfolgreich ausgepackt und MD5 Summen abgeglichen
##
## Die heruntergeladenen Binärpakete sind in
## C:\Users\anton\AppData\Local\Temp\Rtmp2LSwOR\downloaded_packageslibrary(viridisLite)
install.packages("dplyr")
library(viridisLite)
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)
library(sf)
library(ggplot2)
library(viridis) # viridis Bibliothek laden
# 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
)
# Benötigte Bibliotheken laden
library(dplyr)
library(sf)
library(ggplot2)
library(viridis)
# 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"))
# 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.margin = margin(20, 20, 20, 20), # Mehr Platz um die Grafik
plot.title = element_text(hjust = 0.5, size = 12), # Titel kleiner
plot.subtitle = element_text(hjust = 0.5, size = 9), # Untertitel kleiner
plot.caption = element_text(hjust = 0.5, size = 7) # Quellenangabe kleiner
)
## 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.## 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: "
# Benötigte Bibliotheken laden
library(dplyr)
library(sf)
library(ggplot2)
library(viridis)
# 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_ecopsi, by = c("NAME_1" = "NAME_1"))
# Karte erstellen
ggplot(mexmex) +
geom_sf(aes(fill = correlation_ecopsi_value)) +
scale_fill_viridis_c(option = "plasma") + # Farbschema ändern
labs(
title = "Correlación entre violencia psicológica 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.margin = margin(20, 20, 20, 20), # Mehr Platz um die Grafik
plot.title = element_text(hjust = 0.5, size = 12), # Titel kleiner
plot.subtitle = element_text(hjust = 0.5, size = 9), # Untertitel kleiner
plot.caption = element_text(hjust = 0.5, size = 7) # Quellenangabe kleiner
)
## 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.## 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
# Benötigte Bibliotheken laden
library(dplyr)
library(sf)
library(ggplot2)
library(viridis)
# 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# Verbinden der Geodaten mit den Korrelationsdaten
mexico_map <- mexmex %>%
left_join(correlation_data_psieco, by = "NAME_1")
# Visualisierung der Karte mit ggplot2
ggplot(data = mexico_map) +
geom_sf(aes(fill = correlation_data_psieco)) +
scale_fill_viridis_c(option = "plasma", begin = 0.1, end = 0.9, direction = 1, na.value = "white") +
labs(
title = "Correlación entre violencia psicológica y violencia económica 2021",
subtitle = "Datos por estado",
caption = "Fuente: Cálculos propios basados en datos de la encuesta del INEGI",
fill = "Correlación"
) +
theme_minimal() +
theme(
plot.margin = margin(20, 20, 20, 20),
plot.title = element_text(hjust = 0.5, size = 12),
plot.subtitle = element_text(hjust = 0.5, size = 9),
plot.caption = element_text(hjust = 0.5, size = 7),
legend.title = element_text(size = 12),
legend.text = element_text(size = 10)
)
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: "
# Benötigte Bibliotheken laden
library(dplyr)
library(sf)
library(ggplot2)
library(viridis)
# 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_ecosex, by = "NAME_1")
# Visualisierung der Karte
ggplot(mexmex) +
geom_sf(aes(fill = correlation_ecosex_value)) +
scale_fill_viridis_c(option = "plasma", begin = 0.1, end = 0.9, direction = 1, na.value = "white") +
labs(
title = "Correlación entre violencia económica y sexual 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.margin = margin(20, 20, 20, 20),
plot.title = element_text(hjust = 0.5, size = 12),
plot.subtitle = element_text(hjust = 0.5, size = 9),
plot.caption = element_text(hjust = 0.5, size = 7),
legend.title = element_text(size = 12),
legend.text = element_text(size = 10)
)
# Benötigte Bibliotheken laden
library(dplyr)
library(sf)
library(ggplot2)
library(viridis)
# 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_ecosex, by = "NAME_1")
# Überprüfen, ob die Zusammenführung erfolgreich war
missing_values <- mexmex %>% filter(is.na(correlation_ecosex_value))
if (nrow(missing_values) > 0) {
print(paste("Bundesstaaten ohne Korrelation:", paste(missing_values$NAME_1, collapse = ", ")))
} else {
print("Alle Bundesstaaten wurden erfolgreich gematcht.")
}## [1] "Alle Bundesstaaten wurden erfolgreich gematcht."# Visualisierung der Karte
ggplot(mexmex) +
geom_sf(aes(fill = correlation_ecosex_value), color = "black", size = 0.2) +
scale_fill_viridis_c(option = "plasma", begin = 0.1, end = 0.9, direction = 1, na.value = "gray90") +
labs(
title = "Correlación entre violencia económica y sexual en México 2021",
subtitle = "Datos por estado",
caption = "Fuente: Cálculos propios basados en datos de la encuesta del INEGI",
fill = "Correlación"
) +
theme_minimal() +
theme(
plot.margin = margin(20, 20, 20, 20),
plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
plot.subtitle = element_text(hjust = 0.5, size = 10),
plot.caption = element_text(hjust = 0.5, size = 8),
legend.title = element_text(size = 12),
legend.text = element_text(size = 10)
)
# Benötigte Bibliotheken laden
library(dplyr)
library(sf)
library(ggplot2)
library(viridis)
# 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_ecosex, by = "NAME_1")
# Überprüfen, ob die Zusammenführung erfolgreich war
missing_values <- mexmex %>% filter(is.na(correlation_ecosex_value))
if (nrow(missing_values) > 0) {
print(paste("Bundesstaaten ohne Korrelation:", paste(missing_values$NAME_1, collapse = ", ")))
} else {
print("Alle Bundesstaaten wurden erfolgreich gematcht.")
}## [1] "Alle Bundesstaaten wurden erfolgreich gematcht."# Visualisierung der Karte
ggplot(mexmex) +
geom_sf(aes(fill = correlation_ecosex_value), color = "black", size = 0.2) +
scale_fill_viridis_c(option = "plasma", begin = 0.1, end = 0.9, direction = 1, na.value = "gray90") +
labs(
title = "Correlación entre violencia económica y sexual en México 2021",
subtitle = "Datos por estado",
caption = "Fuente: Cálculos propios basados en datos de la encuesta del INEGI",
fill = "Correlación"
) +
theme_minimal() +
theme(
plot.margin = margin(20, 20, 20, 20),
plot.title = element_text(hjust = 0.5, size = 10, face = "bold"), # Smaller title size
plot.subtitle = element_text(hjust = 0.5, size = 10),
plot.caption = element_text(hjust = 0.5, size = 8),
legend.title = element_text(size = 12),
legend.text = element_text(size = 10)
)
## used (Mb) gc trigger (Mb) max used (Mb)
## Ncells 2756624 147.3 5077864 271.2 5077864 271.2
## Vcells 6597221 50.4 189618246 1446.7 462913862 3531.8## [1] Inf