Cruz David Curso de R
David Cruz
2025-10-02
Clase 1
Introducción
Se presenta una explicación sobre la creación de objetos como escalares, vectores, matrices a los cuales se habrán dado valores concretos convirtiéndolos en datos, como tambien se explica la manipulación de las variables con operaciones matemáticas simples.
Codigo
Escalar
Es la representación mas simple de un numero
escalar <- 3
escalar## [1] 3escalar2 <- 4
escalar2## [1] 4Operaciones
Suma de escalares: Se suman uno a uno un número real (el escalar)
escalar + escalar2## [1] 7Resta de escalares: Se restan uno a uno un número real (el escalar)
escalar3 <- escalar - escalar2
escalar3## [1] -1Multiplicacion de escalares: Se multiplica uno a uno por un número real (el escalar).
escalar4 <- escalar3 * escalar2
escalar4## [1] -4Division de escalares: Se divide uno a uno por un número real (el escalar).
escalar5 <- escalar4 / escalar
escalar5## [1] -1.333333Visualizar objetos
Para visualizaciones de datos del objeto en cuestion se debe usar el Summary
escalar5## [1] -1.333333summary(escalar5)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## -1.333 -1.333 -1.333 -1.333 -1.333 -1.333table(escalar5)## escalar5
## -1.33333333333333
## 1Vectores
En R un vector es un objeto de elementos de un mismo tipo, pueden ser numericos (num) o de caracteristica (character)
vectores1 <- c(2,1.5,4) #Vector Num
vectores1## [1] 2.0 1.5 4.0vectores2 <- c("sara","pedro","juan") #Vector chr
vectores2## [1] "sara" "pedro" "juan"vector3 <- c(5,6,2)
vector3## [1] 5 6 2prod1 <- vectores1 * escalar4
prod1## [1] -8 -6 -16Ubicación
Es la ubicación de cada variable dentro del vector.
vectores1[2]## [1] 1.5vectores2[3]## [1] "juan"objeto1 <- vectores2[1]
objeto1## [1] "sara"objeto2 <- vectores2[2:3]
objeto2## [1] "pedro" "juan"objeto3 <- vectores2[1:2]
objeto3## [1] "sara" "pedro"objeto4 <- vectores2 [c(1,3)]
objeto4## [1] "sara" "juan"objeto5 <- vectores2 [-2]
objeto5## [1] "sara" "juan"Unión de Vectores: Se une mediente la función concatenar (c).
vector1 <- c(1,2,3)
vector1## [1] 1 2 3vector2<- c(4,5,6)
vector2## [1] 4 5 6vector3 <- c(7,8,9)
vector3## [1] 7 8 9Matriz
matriza <- cbind(vector1,vector2,vector3)
matriza## vector1 vector2 vector3
## [1,] 1 4 7
## [2,] 2 5 8
## [3,] 3 6 9matrizb <- rbind(vector1,vector2,vector3)
matrizb## [,1] [,2] [,3]
## vector1 1 2 3
## vector2 4 5 6
## vector3 7 8 9Clase 2
En este capitulo presentan una guía de como usar rmarkdown, se carga el paquete y librería rmarkdown
{r] rm(list = ls()) install.packages("rmarkdown") library(rmarkdown)
Introduccion a markdawn
El entorno R Markdown es un marco de creación de código abierto que permite la elaboración de documentos dinámicos y reproducibles al entrelazar texto narrativo, código ejecutable y las visualizaciones de datos resultantes en un único archivo.
Composición de un Archivo.Rmd: Los Tres Componentes Centrales
El archivo .Rmd que RStudio genera no es una página en
blanco; es una plantilla útil que ilustra la estructura fundamental de
cualquier documento R Markdown. Esta estructura se compone de tres tipos
de contenido distintos
El Encabezado YAML
Ubicado en la parte superior del archivo, delimitado por líneas de
tres guiones (---). Esta sección funciona como el panel de
control del documento, donde se definen metadatos como el título, el
autor y, lo más importante, el formato de salida y sus opciones.
Texto en Markdown
El cuerpo principal del documento, donde se escribe la narrativa. Este texto utiliza la sintaxis de Markdown para aplicar formato, como encabezados, negritas, listas y enlaces. Es la parte del documento destinada a ser leída por humanos.
Trozos de Código R (Code Chunks)
Bloques de código R incrustados, delimitados por tres acentos graves (`) y {r}. Aquí es donde reside la parte analítica del documento. knitr ejecutará este código y su salida (tablas, gráficos, etc.) se insertará en el documento final.
Escritura en R Markdown
Markdown es un lenguaje de marcado ligero diseñado para ser fácil de escribir y leer en su forma de texto plano.
Encabezados:
Se utilizan almohadillas (#) para crear encabezados de sección. El número de almohadillas corresponde al nivel del encabezado, desde # (nivel 1) hasta ###### (nivel 6).
Título Principal (Nivel 1) (#)
Sección Principal (Nivel 2) (##)
Subsección (Nivel 3) (##)
- Énfasis:
Cursiva: *texto en cursiva* o texto en
cursiva.
Negrita: **texto en negrita** o texto en
negrita.
Tachado: texto
tachado.~~texto tachado~~
Superíndice: textosuperíndice.
Subíndice: H2O produce H2O.
- Listas:
No ordenadas: Se pueden usar asteriscos (*), guiones (-) o signos de más (+).
Primer elemento
Segundo elemento
– Subelemento anidado
- Ordenadas:
Se usan números seguidos de un punto. La numeración se ajusta automáticamente, por lo que se puede usar 1. para cada elemento.
Primer paso
Segundo paso
Tercer paso
Citas en Bloque y Reglas Horizontales:
Citas: Se usa el símbolo de mayor que (>) al principio de una línea.
“La reproducibilidad es la piedra angular de la ciencia.”
- Tablas:
Se puede crear tablas simples utilizando tuberías (|) y guiones. Para tablas más complejas generadas a partir de datos, es mejor usar funciones de R como
Cuando se presiona el botón Knit se generará un documento que incluye una conexión entre el código y una presentación formal literaria.
Se puede generar código como el siguiente:
summary(cars)## speed dist
## Min. : 4.0 Min. : 2.00
## 1st Qu.:12.0 1st Qu.: 26.00
## Median :15.0 Median : 36.00
## Mean :15.4 Mean : 42.98
## 3rd Qu.:19.0 3rd Qu.: 56.00
## Max. :25.0 Max. :120.00Gráficos
Ejemplo:
plot(pressure)
Expresiones Matemáticas
R Markdown soporta ecuaciones con formato LaTeX.
En línea: Se encierran entre signos de dólar simples:
$E = mc^2$produce \(E = mc^2\)En bloque (display): Se encierran entre signos de dólar dobles: \[\sum_{i=1}^{n} x_i\] produce
Creación de Trozos de Código
Existen tres formas sencillas de insertar un nuevo trozo de código en RStudio :
Atajo de teclado:
Ctrl + Alt + I(en Windows/Linux) oCmd + Option + I(en macOS).Botón de la barra de herramientas: El botón “Insert” en la parte superior del editor de scripts tiene una opción para insertar un trozo de R.
Manualmente: Escribir los delimitadores
{r}y.
Opciones Esenciales de los Trozos de Código
Las opciones de los trozos de código, colocadas dentro de las llaves
({}), proporcionan un control preciso sobre cómo se ejecuta
el código y cómo se presenta su salida. Dominar estas opciones es clave
para pasar de un cuaderno de análisis personal a un informe profesional
pulido dirigido a una audiencia específica.
Un análisis en bruto contiene código, salidas, mensajes, advertencias
y gráficos. Sin embargo, diferentes audiencias tienen diferentes
necesidades. Un colaborador puede querer ver todo el proceso, mientras
que un ejecutivo solo querrá ver las conclusiones y los gráficos
finales. Las opciones de los trozos de código son el mecanismo que
permite a un único archivo fuente .Rmd generar informes
distintos y personalizados para cada uno de estos públicos.
echo=FALSE: Oculta el código fuente pero muestra su
salida (gráficos, tablas). Esencial para informes dirigidos a audiencias
no técnicas.
eval=FALSE: Muestra el código pero no lo ejecuta. Útil
para tutoriales o para mostrar código de ejemplo.
include=FALSE: Ejecuta el código pero no incluye ni el
código ni su salida en el documento final. Perfecto para trozos de
configuración inicial, como la carga de paquetes o datos, que no
necesitan ser visibles.
message=FALSE y warning=FALSE: Suprimen los
mensajes (por ejemplo, los que aparecen al cargar paquetes) y las
advertencias, respectivamente. Esto es crucial para crear un informe
final limpio y sin distracciones.
error=TRUE: Permite que el documento se compile (“teja”)
incluso si el código en ese trozo produce un error. El error se mostrará
en el documento final. Es útil para depurar o para enseñar, mostrando
deliberadamente un error.
Clase 3
Codigo
Cargar base
Para cargar base se puede hacer mediante el código y la asignación de nombre a una base de datos preestablecida, para lo cual se necesita tener instalado el paquete readxl y dplyr con sus respectivas librerías readxl y dplyr, o como también se puede cargar directo de desde Import Dataset.
# Cargar base de datos
# Cargada la base por Import Dataset
library(readxl)
base <- read_excel("C:/Users/DAVID/Documents/calculo/PRUEBA PARCIAL/Proyecto david cruz/insumos/pib_can_anual.xlsx")Cambiar nombres de variables: Se utiliza cuando el nombre de la variable es muy largo o tiene letras que no se encuentran en el lenguaje del R.
names(base)[6] <-'agricultura'
names(base)## [1] "year"
## [2] "prov"
## [3] "dpa_prov"
## [4] "canton"
## [5] "dpa_can"
## [6] "agricultura"
## [7] "Explotacion de minas y canteras"
## [8] "Manufactura\n\n"
## [9] "Suministro de electricidad y de agua"
## [10] "Construccion\n\n"
## [11] "comercio\n\n"
## [12] "Alojamiento y servicios de comida"
## [13] "Transporte, informacion y comunicaciones"
## [14] "Actividades financieras\n"
## [15] "Actividades profesionales e inmobiliarias"
## [16] "Administracion publica \n"
## [17] "Enseñanza\n\n"
## [18] "Salud\n\n"
## [19] "Otros servicios\n\n"
## [20] "...20"Reemplazar los NA con 0: NAN se usa cuando no hay valores asiganados y NNN cuando son valores perdidos
base[is.na(base)] <- 0Ver cuantas observaciones tengo por variable: Se usa el codigo table para revisar las observaciones a analizar
table(base$prov)##
## AZUAY BOLÍVAR CAÑAR CARCHI
## 150 70 70 60
## CHIMBORAZO COTOPAXI EL ORO ESMERALDAS
## 100 70 140 71
## GALÁPAGOS GUAYAS IMBABURA LOJA
## 30 250 60 160
## LOS RÍOS MANABÍ MORONA SANTIAGO NAPO
## 130 220 120 50
## ORELLANA PASTAZA PICHINCHA SANTA ELENA
## 40 40 80 30
## SANTO DOMINGO SUCUMBÍOS TUNGURAHUA ZAMORA CHINCHIPE
## 19 70 90 90Nos quedamos con una provincia: Sirve para filtrar las cuidades que son nuestro objeto de estudio
base_santo <- base %>%
filter(dpa_prov == "23")
library(dplyr)
base_manabi <- base %>%
filter( dpa_prov== "13")Quedarme solo con las variables necesarias: Se filtra solo las variables significativas para nuestro analisis
base_manabi1 <- base_manabi %>%
select(year,prov,dpa_prov,canton,dpa_can,agricultura,'Explotacion de minas y canteras')Vista resumen de una variables: Se utiliza summary para revisar las variables selecionadas
summary(base_manabi1$agricultura)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 80.46 4888.18 11260.08 29351.06 38616.46 234997.81#Valor limite: 29351.06Eliminar ultima variable
base_manabi1 <- base_manabi1[,-7]Crear nueva variable dicotoma (mutate)
Esta funcion sirve para crear, modificar y eliminar columnas de un conjunto de datos.
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"))
# Dividamos las bases por periodo
base_manabi_pre <- base_manabi1 %>%
filter(periodo=="pre")
base_manabi_post <- base_manabi1 %>%
filter(periodo=="post")
# Sumar el PIB de agricultura por Canton
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))Clase 4
Este capitulo se trata de filtrar bases por tiempo, crear variables nuevas y utilizar el modelo econmetrico c =B1+B2*YD +u que es una ecuación matemática de regresión lineal simple, que srive para predecir el valor futuro de C, analizar relaciones, identificar factores y estudiar tedencias.
Tambien para analizar los coeficientes, la bondad de ajuste del modelo, significancia del modelo y el resumen de los residuales.
Codigo
##limpiar la memoria
rm(list = ls())
##Cargar base
library(readxl)
base_final <- read_excel("C:/Users/DAVID/Documents/calculo/PRUEBA PARCIAL/Proyecto david cruz/insumos/base_final.xlsx")
View(base_final)
###librerias
library(dplyr)
#desde 1980 hasta 2024
base<- base_final %>%
filter(anio>=1980)
###creamos una variable nueva
ingreso_disponible<-base$pib-base$impuestos
base$ingreso_disponible <- base$pib-base$impuestos
#segunda forma
base <- base %>%
mutate(ingreso_disponible2 = pib-impuestos)
###modelo econometrico
## c =B1+B2*YD +u
opctions=99
modelo <-lm(consumo ~ ingreso_disponible,data=base)
summary(modelo)##
## Call:
## lm(formula = consumo ~ ingreso_disponible, data = base)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.901e+09 -1.070e+09 -1.952e+08 1.233e+09 6.870e+09
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.417e+10 9.352e+08 15.15 <2e-16 ***
## ingreso_disponible 6.847e-01 1.397e-02 49.01 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.45e+09 on 43 degrees of freedom
## Multiple R-squared: 0.9824, Adjusted R-squared: 0.982
## F-statistic: 2402 on 1 and 43 DF, p-value: < 2.2e-16 plot(modelo)
En este ejercicio se puede determinar que el consumo estimado es de 14,170 millones,que tambien el consumo aumenta segun el ingreso disponible en 6.84, por lo tanto ambos coeficientes son significativos. El R2 es del 98.24% de la variabilidad del consumo que puede explicarse por el ingreso disponible, es decir, el ingreso disponible tiene una alta relación con el consumo.
##intervalos de confianza
#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)
plot(modelo2)
En este segundo ejercicio se vuelve a concluir que el consumo y el ingreso disponible tienen significancia estadística.
Clase 5
rm(list=ls())
library(readxl)
base <- read_excel("C:/Users/DAVID/Documents/calculo/PRUEBA PARCIAL/Proyecto david cruz/insumos/datos_ecuador.xlsx")En este capitulo realizaremos distintos modelos para el análisis de sus coeficientes, significancia y R cuadrado.
# Modelo: desempleo = B1 + B2 +PIB + u
names(base)## [1] "anio" "trim"
## [3] "RiesgoPais" "PIB_MillonesUSD"
## [5] "TasaDesempleo_Porcentaje" "IED_MillonesUSD" modelo_desempleo <- lm(TasaDesempleo_Porcentaje ~ PIB_MillonesUSD, data = base)
modelo_desempleo2 <- lm(base$TasaDesempleo_Porcentaje ~ base$PIB_MillonesUSD)
summary(modelo_desempleo)##
## Call:
## lm(formula = TasaDesempleo_Porcentaje ~ PIB_MillonesUSD, data = base)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.6369 -0.8933 -0.1452 0.4323 7.6118
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 8.373e+00 9.208e-01 9.093 5.95e-13 ***
## PIB_MillonesUSD -1.072e-04 3.556e-05 -3.014 0.00376 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.377 on 61 degrees of freedom
## Multiple R-squared: 0.1296, Adjusted R-squared: 0.1153
## F-statistic: 9.081 on 1 and 61 DF, p-value: 0.003758 summary(modelo_desempleo2)##
## Call:
## lm(formula = base$TasaDesempleo_Porcentaje ~ base$PIB_MillonesUSD)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.6369 -0.8933 -0.1452 0.4323 7.6118
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 8.373e+00 9.208e-01 9.093 5.95e-13 ***
## base$PIB_MillonesUSD -1.072e-04 3.556e-05 -3.014 0.00376 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.377 on 61 degrees of freedom
## Multiple R-squared: 0.1296, Adjusted R-squared: 0.1153
## F-statistic: 9.081 on 1 and 61 DF, p-value: 0.003758 plot(modelo_desempleo2)
Con los resultados obtenidos se puede concluir que se necesita mas variables para tener un análisis adecuado.
#### modelo; inversion extrangera directa b1+b2*rp+u
names(base)## [1] "anio" "trim"
## [3] "RiesgoPais" "PIB_MillonesUSD"
## [5] "TasaDesempleo_Porcentaje" "IED_MillonesUSD" modelo_ied <- lm(IED_MillonesUSD ~ RiesgoPais, data = base)
summary(modelo_ied) ##
## Call:
## lm(formula = IED_MillonesUSD ~ RiesgoPais, data = base)
##
## Residuals:
## Min 1Q Median 3Q Max
## -317.37 -55.76 -16.82 54.14 279.09
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 229.89653 29.74552 7.729 1.29e-10 ***
## RiesgoPais -0.04321 0.02458 -1.758 0.0838 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 107.9 on 61 degrees of freedom
## Multiple R-squared: 0.04821, Adjusted R-squared: 0.0326
## F-statistic: 3.089 on 1 and 61 DF, p-value: 0.08382### creamos el riesgo pais rezagado
library(dplyr)
base<-base %>%
mutate(ied_rezagado1=lag(IED_MillonesUSD, n=1),
rp_rezagado1=lag(RiesgoPais, n=2),
rp_rezagado2=lag(RiesgoPais, n=2))
#modelorezagado#
names(base)## [1] "anio" "trim"
## [3] "RiesgoPais" "PIB_MillonesUSD"
## [5] "TasaDesempleo_Porcentaje" "IED_MillonesUSD"
## [7] "ied_rezagado1" "rp_rezagado1"
## [9] "rp_rezagado2" model_ied_lag1<-lm(IED_MillonesUSD~rp_rezagado1, data = base)
summary(model_ied_lag1)##
## Call:
## lm(formula = IED_MillonesUSD ~ rp_rezagado1, data = base)
##
## Residuals:
## Min 1Q Median 3Q Max
## -320.59 -53.15 -14.34 49.29 266.92
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 214.06880 30.81112 6.948 3.32e-09 ***
## rp_rezagado1 -0.02707 0.02533 -1.069 0.29
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 111 on 59 degrees of freedom
## (2 observations deleted due to missingness)
## Multiple R-squared: 0.01899, Adjusted R-squared: 0.002358
## F-statistic: 1.142 on 1 and 59 DF, p-value: 0.2896 model_ied_lag2<-lm(IED_MillonesUSD~rp_rezagado2, data = base)
summary(model_ied_lag2)##
## Call:
## lm(formula = IED_MillonesUSD ~ rp_rezagado2, data = base)
##
## Residuals:
## Min 1Q Median 3Q Max
## -320.59 -53.15 -14.34 49.29 266.92
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 214.06880 30.81112 6.948 3.32e-09 ***
## rp_rezagado2 -0.02707 0.02533 -1.069 0.29
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 111 on 59 degrees of freedom
## (2 observations deleted due to missingness)
## Multiple R-squared: 0.01899, Adjusted R-squared: 0.002358
## F-statistic: 1.142 on 1 and 59 DF, p-value: 0.2896 plot(model_ied_lag2)
Con el análisis de los resultados se puede concluir que el modelo
sugiere que a mayor riesgo país, menor inversión extranjera, sin embargo
la relación no es estadísticamente fuerte y que para un resultado mas
preciso se necesita mas variables.
Clase 6
##identificamos la variable
table(personas$dcronica_2)##
## 0 1
## 5591 2210dci <- 2210/(5591+2210)
dci*100## [1] 28.3297##### Trabajando con muiestras oficiales
dm <- personas %>%
as_survey_design(ids=upm, #unidad primaria de muestreo
strata=estrato, #estrato
weights = fexp) #factor de expansion
options(survey.lonely.psu = 'certainty') #forzando a que las observaciones sean unicas e individuales
library(readxl)
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))
summary(prev_nac_dci2)## dominio porcentaje se cv
## Length:1 Min. :27.2 Min. :0.009167 Min. :0.03374
## Class :character 1st Qu.:27.2 1st Qu.:0.009167 1st Qu.:0.03374
## Mode :character Median :27.2 Median :0.009167 Median :0.03374
## Mean :27.2 Mean :0.009167 Mean :0.03374
## 3rd Qu.:27.2 3rd Qu.:0.009167 3rd Qu.:0.03374
## Max. :27.2 Max. :0.009167 Max. :0.03374
## n_muestra
## Min. :7801
## 1st Qu.:7801
## Median :7801
## Mean :7801
## 3rd Qu.:7801
## Max. :7801### Declaracion del disenio muestral
dm <- df %>%
as_survey_design(ids=upm, #unidad primaria de muestreo
strata=estrato, #estrato
weights = fexp) #f
#### Replicar indicadores
################################################
## TASA DE DESEMPLEO NACIONAL #
################################################
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))
summary(tasa_desempleo_nac)## tasa_desempleo tasa_desempleo_se tasa_desempleo_low tasa_desempleo_upp
## Min. :3.9 Min. :0.002392 Min. :0.03411 Min. :0.04349
## 1st Qu.:3.9 1st Qu.:0.002392 1st Qu.:0.03411 1st Qu.:0.04349
## Median :3.9 Median :0.002392 Median :0.03411 Median :0.04349
## Mean :3.9 Mean :0.002392 Mean :0.03411 Mean :0.04349
## 3rd Qu.:3.9 3rd Qu.:0.002392 3rd Qu.:0.03411 3rd Qu.:0.04349
## Max. :3.9 Max. :0.002392 Max. :0.03411 Max. :0.04349plot(tasa_desempleo_nac)
################################################
## TASA DE EMPLEO ADECUADO #
################################################
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))
summary(tasa_empleo_adec)## tasa_empleo_adecuado tasa_empleo_adecuado_se tasa_empleo_adecuado_low
## Min. :36.2 Min. :0.01132 Min. :0.3401
## 1st Qu.:36.2 1st Qu.:0.01132 1st Qu.:0.3401
## Median :36.2 Median :0.01132 Median :0.3401
## Mean :36.2 Mean :0.01132 Mean :0.3401
## 3rd Qu.:36.2 3rd Qu.:0.01132 3rd Qu.:0.3401
## Max. :36.2 Max. :0.01132 Max. :0.3401
## tasa_empleo_adecuado_upp
## Min. :0.3844
## 1st Qu.:0.3844
## Median :0.3844
## Mean :0.3844
## 3rd Qu.:0.3844
## Max. :0.3844plot(tasa_empleo_adec)
################################################
## TASA DE subempleo #
################################################
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))
summary(tasa_subempleo_nac)## tasa_subempleo tasa_subempleo_se tasa_subempleo_low tasa_subempleo_upp
## Min. :19.9 Min. :0.006133 Min. :0.1867 Min. :0.2107
## 1st Qu.:19.9 1st Qu.:0.006133 1st Qu.:0.1867 1st Qu.:0.2107
## Median :19.9 Median :0.006133 Median :0.1867 Median :0.2107
## Mean :19.9 Mean :0.006133 Mean :0.1867 Mean :0.2107
## 3rd Qu.:19.9 3rd Qu.:0.006133 3rd Qu.:0.1867 3rd Qu.:0.2107
## Max. :19.9 Max. :0.006133 Max. :0.1867 Max. :0.2107plot(tasa_subempleo_nac)
################################################
## TASA DE EMPLEO no remunerado #
################################################
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))
summary(tasa_empleo_norem)## tasa_empleo_norem tasa_empleo_norem_se tasa_empleo_norem_low
## Min. :10 Min. :0.01143 Min. :0.07785
## 1st Qu.:10 1st Qu.:0.01143 1st Qu.:0.07785
## Median :10 Median :0.01143 Median :0.07785
## Mean :10 Mean :0.01143 Mean :0.07785
## 3rd Qu.:10 3rd Qu.:0.01143 3rd Qu.:0.07785
## Max. :10 Max. :0.01143 Max. :0.07785
## tasa_empleo_norem_upp
## Min. :0.1227
## 1st Qu.:0.1227
## Median :0.1227
## Mean :0.1227
## 3rd Qu.:0.1227
## Max. :0.1227plot(tasa_empleo_norem)