R Markdown es una herramienta que combina texto + códigos + resultados, en donde se puede ejecutar. Es nuy útilen el ámbito academico y profesional, permitiendo presentar trabajosen formato APA en pocos pasos.
“Un escalar es la representación básica de un numero real”. En este espacio, hemos realizado operaciones simples con numeros reales o escalares usando códigos en rstudio.
rm(list=ls())
escalar1 <- 3
escalar2 <- 4
escalar1+escalar2
escalar3 <- escalar1+escalar2
escalar4 <- escalar3*escalar2
escalar5 <- escalar4/escalar1Un vector es un arreglo ordenado de elementos en el cuál puede guardar cualquier tipo de información, como datos de una población.
vec1 <- c(1.5,4)
vec2 <- c("juan","pedro","sara")
vec3 <- c(5,6,8)
producto1 <- vec1*escalar1
vec1[1]
## [1] 1.5
vec2[3]
## [1] "sara"
objeto1 <- c(vec1[1])
objeto2 <- c(vec2[2:3])
objeto3 <- c(vec2[1:3])
vector1 <- c(4,5,6)
vector2 <- c(9,3,7)
vector3 <- c(2,4,8)Una matriz es un arreglo estructural de datos bidimensional que guarda información de toda índole.
matA <- cbind(vector1,vector2,vector3)
matB <- rbind(vector1,vector2,vector3)
vecA <- matA[1,2:3]
vecB <- matA[3,]
vecC <- matB[1:3,2]
vecD <- matB[c(1,2),2]rm(list=ls())
base <- mtcarsVehículos con más de 4 cilindros
base1_f1 <- subset(base,base$cyl > 4)base1_f2 <- base[base$cyl>4,]#install.packages('dplyr')
library(dplyr)base1_f3 <- base %>%
filter(cyl>4)rm(list = ls())##install.packages('readxl')
library(readxl)
library(dplyr)base <- read_excel('insumos/pib_can_anual.xlsx')names(base)[6] <-'agricultura'base[is.na(base)] <- 0table(base$prov)base_santo <- base %>%
filter(dpa_prov == "23")
base_manabi <- base %>%
filter(prov== "MANABÍ")names(base_manabi)
base_manabi1 <- base_manabi %>%
select(year,prov,dpa_prov,canton,dpa_can,agricultura)summary(base_manabi1$agricultura)base_manabi1 <- base_manabi1 %>%
mutate(tipo_pib= ifelse(agricultura > 29351,"pib_alto","pib_bajo"))
base_manabi1 <- base_manabi1 %>%
mutate(tipo= ifelse(agricultura>29351,1,0))
base_manabi1<- base_manabi1 %>%
mutate(periodo= ifelse(year < 2016,"pre", "post"))base_manabi_pre <- base_manabi1 %>%
filter(periodo=="pre")
base_manabi_post <- base_manabi1 %>%
filter(periodo=="post")b_m_pre_agg <- base_manabi_pre %>%
group_by(canton) %>%
summarise(total_agricultura_pre=sum(agricultura))
b_m_post_agg <- base_manabi_post %>%
group_by(canton) %>%
summarise(total_agricultura_post=sum(agricultura))rm(list=ls())## Install.packages(readxl)
library(readxl)
library(dplyr)base_1 <- read_excel('insumos/base_final.xlsx')
options(scipen=999)base_1_filtrado <- base_1 %>%
filter(anio>= 1980,)base_1_filtrado$ingreso_disponible <- (base_1_filtrado$pib-base_1_filtrado$impuestos)base_1_filtrado <- base_1_filtrado %>%
mutate(ingreso_disponible_1=pib-impuestos)modelo_1 <- lm(consumo~ingreso_disponible, data=base_1_filtrado)
summary(modelo_1)confint(modelo_1)base_1_filtrado <- base_1_filtrado %>%
mutate(ln_consumo = log(consumo),
ln_ingreso_disponible = log(ingreso_disponible))
modelo_2 <- lm(ln_consumo~ln_ingreso_disponible, data=base_1_filtrado)
summary(modelo_2)
confint(modelo_2)rm(list=ls())library(readr)
base <- read.csv("insumos/datos_ecuador.csv")modelo_desempleo <- lm(TasaDesempleo_Porcentaje ~ PIB_MillonesUSD, data = base)
summary(modelo_desempleo)Desempleo = 8,372 - 0,00010715*PIB
Ante un incremento en mil millones del PIB, disminuye el desempleo en promedio en 0,00010715 puntos porcentuales.
IED_MillonesUSD = B1 + B2RiesgoPais+ u Inversión extranjera directa en funcion del riesgo país.
modelo_2 <- lm(IED_MillonesUSD ~ RiesgoPais, data = base )
summary(modelo_2)Es un modelo que puede tomar valores pasados, tanto las variables dependientes como las independientes.
library(dplyr)
base <- base %>%
mutate (ied_rezagado1 = IED_MillonesUSD, n = 1,rp_rezagado1 = RiesgoPais, n=1)names(base)
modelo_ied_lag1 <- lm(IED_MillonesUSD ~ rp_rezagado1, data = base)
summary(modelo_ied_lag1)rm(list=ls())
base <- read.csv("insumos/datos_ecuador.csv")
base1_filtrado <- base %>%
filter(anio>=2015, anio<=2023,)
names(base)
modelo_1 <- lm(TasaDesempleo_Porcentaje ~ PIB_MillonesUSD, data= base1_filtrado )
summary(modelo_1)base_2_filtrada <- base %>%
filter(anio> 2015, anio< 2023)
base_2_filtrada <- base_2_filtrada %>%
mutate(ln_PIB_MillonesUSD = log(PIB_MillonesUSD))
modelo_2 <- lm(TasaDesempleo_Porcentaje ~ ln_PIB_MillonesUSD, data = base_2_filtrada )
summary(modelo_2)rm(list=ls())
library("dplyr")
#install.packages("srvyr")
library("srvyr")
#install.packages("rio")
library("rio")
#install.packages("import")
library("import")personas <- import("insumos/1_BDD_ENS2018_f1_personas.dta")
table(personas$dcronica_2)
dci <- 2210/(5591+2210)*100
dcidm <- personas %>%
as_survey_design(ids = upm, ## Unidad primaria de muestreo
strata=estrato, ## estrato
weights = fexp) # Factor de expansión options(survey.lonely.psu = "certainly") prev_nac_dci2 <- dm %>%
summarise(survey_mean(dcronica_2, vartype = c("se", "cv"), na.rm=TRUE),
n_muestra = sum( !is.na(dcronica_2))) %>%
mutate(dominio="nacional") %>%
select(dominio, porcentaje=coef, se = `_se`, cv = `_cv`, n_muestra) %>%
mutate(porcentaje=round((porcentaje*100),digits=1))rm(list = ls())
library("dplyr")
library("srvyr")
library("rio")
df <- read.csv2("insumos/enemdu_persona_2025_II_trimestre.csv")dm <- df %>%
as_survey_design(ids = upm, ## Unidad primaria de muestreo
strata=estrato, ## estrato
weights = fexp) # Factor de expansiónlibrary("dplyr")
#install.packages("haven")
library("haven")
#install.packages("tidyverse")
library("tidyverse")tasa_desempleo_nac <- dm %>%
filter(p03>=15) %>%
summarise(
tasa_desempleo = survey_ratio(
numerator=( condact == 7 | condact==8),
denominator=(condact %in% 1:8),
vartype = c('se','ci')
)
) %>%
mutate(tasa_desempleo = round((tasa_desempleo*100),digits = 1))tasa_empleo_adec <- dm %>%
filter(p03>=15) %>%
summarise(
tasa_empleo_adecuado = survey_ratio(
numerator=( condact == 1),
denominator=(condact %in% 1:8),
vartype = c('se','ci')
)
) %>%
mutate(tasa_empleo_adecuado = round((tasa_empleo_adecuado*100),digits = 1))tasa_subempleo_nac <- dm %>%
filter(p03>=15) %>%
summarise(
tasa_subempleo = survey_ratio(
numerator=( condact == 2 | condact==3),
denominator=(condact %in% 1:8),
vartype = c('se','ci')
)
) %>%
mutate(tasa_subempleo = round((tasa_subempleo*100),digits = 1))tasa_empleo_norem <- dm %>%
filter(p03>=15) %>%
summarise(
tasa_empleo_norem = survey_ratio(
numerator=( condact == 5),
denominator=(condact %in% 1:8),
vartype = c('se','ci')
)
) %>%
mutate(tasa_empleo_norem = round((tasa_empleo_norem*100),digits=1))Fueron dos semanas enriquecedoras de aprendizaje y conocimientos, fue un gran aporte de parte de los docentes. Por más oportunidades así en el futuro.
Muchas gracias Msc. Pablo Gaibor