#Creacion de objetos #Escalar

Antes de la ejecucion de codigo, necesitamos cargar las librerias

library(dplyr)
## 
## Adjuntando el paquete: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(readxl)

Es la representacion mas simple de un numero real(R^1$)

## [1] 3

#Operaciones El motor del programador R puede serivir como una claculador

escalar1 + escalar2
## [1] 5
escalar3 <- escalar1 + escalar2
escalar3<-escalar1+escalar2

escalar4 <- escalar3 * escalar2
escalar5 <- escalar4/escalar1
escalar5
## [1] 3.333333
summary(escalar5)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   3.333   3.333   3.333   3.333   3.333   3.333
table(escalar5)
## escalar5
## 3.33333333333333 
##                1

0.1 R Markdown

rm(list=ls ())

0.2 Librerias

install.packages(‘readxl’) library(readxl) library(dplyr)

#Cargar bases de datos

base <- read_excel(‘insumos/pib_can_anual.xlsx’) pib_can_anual <- read_excel(“insumos/pib_can_anual.xlsx”)

0.2.1 Cambiar de nombre a variables

names(base)[6] <-‘agricultura’

0.3 Reemplazar los NA con 0

base[is.na(base)] <- 0

0.4 Ver cuantas observaciones tengo por variable

table(base$prov) # Nos quedamos con una provincia

base_santo <- base %>% filter(dpa_prov == “23”)

base_manabi <- base %>% filter(prov== “MANABÍ”)

0.4.1 Quedarme solo con las variables necesarias

names(base_manabi)

base_manabi1 <- base_manabi %>% select(year,prov,dpa_prov,canton,dpa_can,agricultura,“Explotacion de minas y canteras”)

#VIsta resumen de una variables summary(base_manabi1$agricultura)

1 Valor limite 29351.06

1.1 Eliminar ultima variable

base_manabi1 <- base_manabi1[,-7]

1.2 Crear nueva variable dicotoma (mutate)

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”))

1.2.1 Dividamos las bases por perido

base_manabi_pre <- base_manabi1 %>% filter(periodo== “pre”) base_manabi_post <- base_manabi1 %>% filter(periodo== “post”) ## Sumar el pib de agricultura por canton base_manabi_pre_agregado <- base_manabi1_pre <- base_manabi1 %>%
group_by(canton) %>% summarise(total_agricultura_pre=sum(agricultura))

base_manabi_post_agregado <- base_manabi1_post <- base_manabi1 %>%
group_by(canton) %>% summarise(total_agricultura_post=sum(agricultura))

base<- read.csv(“insumos/base_final.csv”)

rm(list=ls ()) ## libreria

library(dplyr) ## Filtramos la base de datos # desde 1980 hasta 2024 base<-base %>% filter(anio>=1980)

1.3 Creamos una nueva variable

ingreso_disponible<- base\(pib-base\)impuestos base\(ingreso_disponible<- base\)pib-base$impuestos

#segunda forma

base <- base %>% mutate(ingreso_disponible2=pib-impuestos)

1.4 Modelo econometrico

1.5 C = B1 + B2*YD + u

modelo <-lm(consumo~ingreso_disponible,data=base) summary(modelo)

1.6 creamos variables logaritmicas

base <- base %>% mutate(ln_consumo = log(consumo), ln_ingreso_disponible =log(ingreso_disponible))

modelo2 <- lm(ln_consumo ~ ln_ingreso_disponible,data=base)

summary(modelo2)

confint(modelo) confint(modelo2)

base <-read.csv(“insumos/datos_ecuador - copia.csv”)

1.6.1 Modelo:desempleo = B1+ B2*PIB +u

names(base) modelo_desempleo <- lm(TasaDesempleo_Porcentaje ~ PIB_MillonesUSD, data = base) modelo_desempleo2 <- lm(base\(TasaDesempleo_Porcentaje ~ base\)PIB_MillonesUSD)

summary(modelo_desempleo) summary(modelo_desempleo2)

1.6.1.1 Modelo: IEG -B1+B2* RP +u

names(base) modelo_ied <- lm(IED_MillonesUSD ~ RiesgoPais, data=base) summary(modelo_ied)

1.6.2 Creamos el Riesgo pais Rezagada

library(dplyr) base <- base %>% mutate(ied_rezagado1=lag(IED_MillonesUSD, n=1), rp_rezagado1=lag(RiesgoPais, n=2), rp_rezagado2=lag(RiesgoPais, n=2))

1.7 modelo rezagado

names(base) model_ied_lag1<-lm(IED_MillonesUSD~rp_rezagado1, data = base) summary(model_ied_lag1)

model_ied_lag2<-lm(IED_MillonesUSD~rp_rezagado2, data = base) summary(model_ied_lag2)

2 desde 2015 hasta 2023

base<-base %>% filter(anio> 2015 & anio< 2023)

2.0.1 Modelo desempleo = B1 + B2*Ln(PIB) +u

2.1 creamos variables logaritmicas

base1<- base %>% mutate(ln_PIB_MillonesUSD = log(PIB_MillonesUSD), ln_TasaDesempleo_Porcentaje=log(TasaDesempleo_Porcentaje)) names(base) modelo_desempleo_ln <- lm(ln_TasaDesempleo_Porcentaje ~ ln_PIB_MillonesUSD, data = base) modelo_desempleo2_ln<- lm(base\(ln_TasaDesempleo_Porcentaje ~ base\)ln_PIB_MillonesUSD)

summary(modelo_desempleo_ln) summary(modelo_desempleo2_ln)

2.1.1 Modelo:desempleo = B1+ B2*PIB +u

names(base) modelo_desempleo <- lm(TasaDesempleo_Porcentaje ~ PIB_MillonesUSD, data = base) modelo_desempleo2 <- lm(base\(TasaDesempleo_Porcentaje ~ base\)PIB_MillonesUSD)

summary(modelo_desempleo) summary(modelo_desempleo2)

rm(list = ls())

#install.packages(‘import’) library(import)

#Cargamos la base de datos personas <- X1_BDD_ENS2018_f1_personas#Librerias library(dplyr) #install.packages(‘srvyr’) library(srvyr) #install.packages(‘rio’) library(rio)

###identificamos la variable table(personas$dcronica_2)

dci <- 2210/(5591+2210) dci*100

2.1.1.0.1 Trabajando con muiestras oficiales

dm <- personas %>% as_survey_design(ids=upm, strata=estrato, weights = fexp) options(survey.lonely.psu = ‘certainty’)

prev_nac_dci2 <- dm %>% summarise(survey_mean(dcronica_2, vartype =c(“se”,“cv”),na.rm=T), 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))

library(dplyr) library(srvyr) library(rio)

#cargamos la base de datos

df <- read.csv2(‘insumos/enemdu_persona_2025_II_trimestre.csv’) df2 <- read.csv(‘insumos/enemdu_persona_2025_II_trimestre.csv’,sep = ‘;’)

2.1.2 Declaracion del disenio muestral

dm <- df %>% as_survey_design(ids=upm, #unidad primaria de muestreo strata=estrato, #estrato weights = fexp) #f

rm(list = ls()) library(dplyr) library(srvyr) library(rio)

#cargamos la base de datos

df <- read.csv2(‘insumos/enemdu_persona_2025_II_trimestre.csv’) df2 <- read.csv(‘insumos/enemdu_persona_2025_II_trimestre.csv’,sep = ‘;’)

2.1.3 Declaracion del disenio muestral

dm <- df %>% as_survey_design(ids=upm,
strata=estrato, weights = fexp)

2.1.3.1 Replicar indicadores

#installed.packages(‘haven’) library(haven) # installed.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))

2.1.3.1.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.0.1

TASA DE EMPLEO ADECUADA ###################################################################################### rm(list = ls())

2.1.3.2 Replicar indicadores

#installed.packages(‘haven’) library(haven) #installed.packages(‘tidyverse’) library(tidyverse)

tasa_empleo_nac <- dm %>% filter(p03>=15) %>% summarise( tasa_empelo_adecuado = survey_ratio( numerator=( condact == 7 | condact==8), denominator=(condact %in% 1:8), vartype = c(‘se’,‘ci’) ) ) %>% mutate(tasa_empelo_adecuado = round((tasa_empelo_adecuado*100),digits = 1))