# --- 1. CARGA DE PAQUETES ---
if (!require("haven")) install.packages("haven")
## Loading required package: haven
if (!require("dplyr")) install.packages("dplyr")
## Loading required package: dplyr
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
if (!require("ggplot2")) install.packages("ggplot2")
## Loading required package: ggplot2
if (!require("scales")) install.packages("scales")
## Loading required package: scales
if (!require("tidyr")) install.packages("tidyr")
## Loading required package: tidyr
if (!require("stringr")) install.packages("stringr")
## Loading required package: stringr
library(haven)
library(dplyr)
library(ggplot2)
library(scales)
library(tidyr)
library(stringr)
# --- 2. CARGA DE DATOS ---
# Asegúrate de que el archivo .sav esté en la misma carpeta que tu script
nombre_archivo <- "20241205_enssex_data.sav"
tryCatch({
datos <- read_sav(nombre_archivo)
message(">> ¡Base de datos cargada exitosamente!")
}, error = function(e) {
stop("ERROR: No se encuentra el archivo. Verifica que el nombre esté bien escrito y que estés en la carpeta correcta.")
})
## >> ¡Base de datos cargada exitosamente!
# --- 3. LIMPIEZA DE COLUMNAS (Corrección de error de lectura) ---
names(datos) <- toupper(trimws(names(datos)))
# --- 4. PROCESAMIENTO INTELIGENTE DE DATOS (CORREGIDO) ---
df_analisis <- datos %>%
select(P5, P31, P32) %>%
mutate(
# Paso A: Convertir a texto
Educ_Texto = as.character(as_factor(P5)),
# Paso B: Renombrar (LÓGICA MEJORADA PARA QUE NO SE BORREN DATOS)
Educacion_Corta = case_when(
# 1. Postgrado
grepl("Postgrado", Educ_Texto) ~ "Postgrado",
# 2. Universidad (Busca la palabra 'Profesional')
grepl("Profesional", Educ_Texto) & !grepl("Media", Educ_Texto) ~ "Universitaria",
# 3. Técnico Superior (Busca 'Nivel Superior' para no confundir con Media Técnica)
grepl("Nivel Superior", Educ_Texto) ~ "Téc. Superior",
# 4. Media (Incluye Científico-Humanista, Técnica y Humanidades antiguas)
grepl("Media", Educ_Texto) | grepl("Humanidades", Educ_Texto) | grepl("Industrial", Educ_Texto) ~ "Media",
# 5. Básica (Incluye Básica, Primario, Preparatoria)
grepl("Básica", Educ_Texto) | grepl("Primario", Educ_Texto) | grepl("Preparatoria", Educ_Texto) | grepl("Especial", Educ_Texto) ~ "Básica",
# 6. Sin estudios (Nunca asistió, preescolar)
grepl("Nunca", Educ_Texto) | grepl("Sala cuna", Educ_Texto) | grepl("Jardín", Educ_Texto) | grepl("Kinder", Educ_Texto) ~ "Sin estudios",
TRUE ~ "Otro/NsNr"
),
# Paso C: Ordenar
Educacion = factor(Educacion_Corta, levels = c(
"Sin estudios", "Básica", "Media",
"Téc. Superior", "Universitaria", "Postgrado"
)),
Aceptacion_LGB = as_factor(P31),
Aceptacion_Trans = as_factor(P32)
) %>%
# Paso D: Filtros
filter(!is.na(Educacion) & !is.na(Aceptacion_LGB) & !is.na(Aceptacion_Trans)) %>%
filter(Educacion != "Otro/NsNr") %>%
droplevels()
# --- 5. ANÁLISIS ESTADÍSTICO ---
# PRUEBA 1: LGB
tabla_lgb <- table(df_analisis$Educacion, df_analisis$Aceptacion_LGB)
tabla_lgb <- tabla_lgb[rowSums(tabla_lgb) > 0, ]
print(tabla_lgb)
##
## Lo/a aceptaría No lo/a aceptaría No sabe cómo reaccionaría
## Sin estudios 126 22 38
## Básica 2627 247 741
## Media 7848 342 1644
## Téc. Superior 2231 81 310
## Universitaria 3141 82 383
## Postgrado 200 2 16
##
## No responde
## Sin estudios 8
## Básica 79
## Media 147
## Téc. Superior 34
## Universitaria 42
## Postgrado 1
print(chisq.test(tabla_lgb, simulate.p.value = TRUE))
##
## Pearson's Chi-squared test with simulated p-value (based on 2000
## replicates)
##
## data: tabla_lgb
## X-squared = 391.03, df = NA, p-value = 0.0004998
# PRUEBA 2: TRANS
tabla_trans <- table(df_analisis$Educacion, df_analisis$Aceptacion_Trans)
tabla_trans <- tabla_trans[rowSums(tabla_trans) > 0, ]
print(tabla_trans)
##
## Lo/a aceptaría No lo/a aceptaría No sabe cómo reaccionaría
## Sin estudios 120 27 40
## Básica 2530 269 810
## Media 7542 377 1906
## Téc. Superior 2130 96 392
## Universitaria 2991 105 508
## Postgrado 188 6 23
##
## No responde
## Sin estudios 7
## Básica 85
## Media 156
## Téc. Superior 38
## Universitaria 44
## Postgrado 2
print(chisq.test(tabla_trans, simulate.p.value = TRUE))
##
## Pearson's Chi-squared test with simulated p-value (based on 2000
## replicates)
##
## data: tabla_trans
## X-squared = 319.49, df = NA, p-value = 0.0004998
# --- 6. GENERACIÓN DE GRÁFICOS (Visibles y Limpios) ---
# GRÁFICO 1: LGB
plot_lgb <- ggplot(df_analisis, aes(x = Educacion, fill = Aceptacion_LGB)) +
geom_bar(position = "fill") +
coord_flip() +
scale_y_continuous(labels = percent) +
# Ajustamos la leyenda (wrap) para que no ocupe todo el espacio
scale_fill_discrete(labels = function(x) str_wrap(x, width = 25)) +
labs(
title = "Aceptación hacia hijo/a LGB",
subtitle = "Según Nivel Educacional",
x = "Nivel Educacional",
y = "Porcentaje",
fill = "Respuesta"
) +
theme_minimal() +
theme(
legend.position = "bottom",
plot.title = element_text(face = "bold", size = 14),
axis.text.y = element_text(size = 10) # Tamaño legible para las etiquetas cortas
)
print(plot_lgb)
ggsave("Grafico_LGB_Final.png", plot = plot_lgb, width = 10, height = 7)
# GRÁFICO 2: TRANS
plot_trans <- ggplot(df_analisis, aes(x = Educacion, fill = Aceptacion_Trans)) +
geom_bar(position = "fill") +
coord_flip() +
scale_y_continuous(labels = percent) +
scale_fill_discrete(labels = function(x) str_wrap(x, width = 25)) +
labs(
title = "Aceptación hacia hijo/a Trans",
subtitle = "Según Nivel Educacional",
x = "Nivel Educacional",
y = "Porcentaje",
fill = "Respuesta"
) +
theme_minimal() +
theme(
legend.position = "bottom",
plot.title = element_text(face = "bold", size = 14),
axis.text.y = element_text(size = 10)
)
print(plot_trans)
ggsave("Grafico_Trans_Final.png", plot = plot_trans, width = 10, height = 7)