SOLEMNE I
Miranda Oses, Marthina & Muñoz, Antonia
2026-05-05
Pobreza y Educación: La Gran Insolvencia Laboral
Marthina Rayén Miranda Oses & Antonia Muñoz
library(haven)
base_identidades_2 <- read_dta("uchile/2do/primer semestre/Estadística/Solemne I/base_identidades_2.dta")library(summarytools)
library(ggplot2)
library(knitr)
library(haven)
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.2.1 ✔ readr 2.2.0
## ✔ forcats 1.0.1 ✔ stringr 1.6.0
## ✔ lubridate 1.9.5 ✔ tibble 3.3.1
## ✔ purrr 1.2.2 ✔ tidyr 1.3.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ✖ tibble::view() masks summarytools::view()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(dplyr)print(dfSummary(base_identidades_2))## Data Frame Summary
## base_identidades_2
## Dimensions: 8239 x 44
## Duplicates: 12
##
## ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------
## No Variable Label Stats / Values Freqs (% of Valid) Graph Valid Missing
## ---- -------------------- ------------------------------------------ ----------------------------------- ---------------------- ---------------------- ---------- ---------
## 1 folio Identificación hogar (id_vivienda hogar) Mean (sd) : 279009409 (103225801) 3000 distinct values : : : . . . . . . 8239 0
## [numeric] min < med < max: : : : : : : : : : : (100.0%) (0.0%)
## 100340201 < 278850801 < 458440601 : : : : : : : : : :
## IQR (CV) : 178204650 (0.4) : : : : : : : : : :
## : : : : : : : : : :
##
## 2 sexo Sexo 1. [1] 1. Hombre 3921 (47.6%) IIIIIIIII 8239 0
## [haven_labelled, 2. [2] 2. Mujer 4318 (52.4%) IIIIIIIIII (100.0%) (0.0%)
## vctrs_vctr,
## double]
##
## 3 edad Edad Mean (sd) : 39.6 (22.7) 101 distinct values . : : 8239 0
## [numeric] min < med < max: : : : : : . (100.0%) (0.0%)
## 0 < 38 < 120 : : : : : :
## IQR (CV) : 37 (0.6) : : : : : : :
## : : : : : : : .
##
## 4 ecivil ecivil. ¿Cuál es el estado conyugal o 1. [1] 1. Casado(a) 2146 (30.9%) IIIIII 6949 1290
## [haven_labelled, civil actual? 2. [2] 2. Conviviente o pare 1311 (18.9%) III (84.3%) (15.7%)
## vctrs_vctr, 3. [3] 3. Conviviente civil 26 ( 0.4%)
## double] 4. [4] 4. Anulado(a) 12 ( 0.2%)
## 5. [5] 5. Separado(a) 306 ( 4.4%)
## 6. [6] 6. Divorciado(a) 174 ( 2.5%)
## 7. [7] 7. Viudo(a) 391 ( 5.6%) I
## 8. [8] 8. Soltero(a) 2583 (37.2%) IIIIIII
##
## 5 pco1 pco1. Jefatura de hogar y relación con 1. [1] 1. Jefatura de Hogar 3000 (36.4%) IIIIIII 8239 0
## [haven_labelled, jefatura de hogar 2. [2] 2. Esposo(a) o pareja 1548 (18.8%) III (100.0%) (0.0%)
## vctrs_vctr, 3. [3] 3. Esposo(a) o pareja 16 ( 0.2%)
## double] 4. [4] 4. Hijo(a) de ambos 1471 (17.9%) III
## 5. [5] 5. Hijo(a) sólo de la 1144 (13.9%) II
## 6. [6] 6. Hijo(a) sólo del e 78 ( 0.9%)
## 7. [7] 7. Padre o madre 122 ( 1.5%)
## 8. [8] 8. Suegro(a) 31 ( 0.4%)
## 9. [9] 9. Yerno o nuera 93 ( 1.1%)
## 10. [10] 10. Nieto(a) 399 ( 4.8%)
## [ 5 others ] 337 ( 4.1%)
##
## 6 numper Número de personas en el hogar (excluye Mean (sd) : 3.5 (1.5) 11 distinct values : . . 8239 0
## [numeric] SDPA) min < med < max: : : : (100.0%) (0.0%)
## 1 < 3 < 11 : : : .
## IQR (CV) : 2 (0.4) : : : :
## : : : : : .
##
## 7 esc Años de escolaridad (edad >= 15) Mean (sd) : 11.2 (4.2) 27 distinct values : 6808 1431
## [numeric] min < med < max: : (82.6%) (17.4%)
## 0 < 12 < 29 : .
## IQR (CV) : 5 (0.4) : : : :
## . : : : : : .
##
## 8 pobreza Categoría de pobreza 1. [1] Pobreza extrema 203 ( 2.5%) 8234 5
## [haven_labelled, 2. [2] Pobreza no extrema 443 ( 5.4%) I (99.9%) (0.1%)
## vctrs_vctr, 3. [3] No pobreza 7588 (92.2%) IIIIIIIIIIIIIIIIII
## double]
##
## 9 pobreza_multi_5d situación de pobreza multidimensional 1. [0] No pobreza 6690 (82.7%) IIIIIIIIIIIIIIII 8085 154
## [haven_labelled, con entorno y redes (5 dimensiones) 2. [1] Pobreza 1395 (17.3%) III (98.1%) (1.9%)
## vctrs_vctr,
## double]
##
## 10 activ Condición de actividad 1. [1] Ocupados 3659 (53.4%) IIIIIIIIII 6854 1385
## [haven_labelled, 2. [2] Desocupados 384 ( 5.6%) I (83.2%) (16.8%)
## vctrs_vctr, 3. [3] Inactivos 2811 (41.0%) IIIIIIII
## double]
##
## 11 ysub Subsidios monetarios Mean (sd) : 29261 (63407.8) 911 distinct values : 8239 0
## [numeric] min < med < max: : (100.0%) (0.0%)
## 0 < 0 < 504912 :
## IQR (CV) : 23917 (2.2) :
## : . .
##
## 12 ysubh Subsidios monetarios del hogar Mean (sd) : 85865.7 (121057.6) 1059 distinct values : 8239 0
## [numeric] min < med < max: : (100.0%) (0.0%)
## 0 < 29184 < 686960 :
## IQR (CV) : 132860.5 (1.4) :
## : : : .
##
## 13 yautcor Ingreso autónomo corregido Mean (sd) : 621440.1 (1114525) 1465 distinct values : 4852 3387
## [numeric] min < med < max: : (58.9%) (41.1%)
## 667 < 420000 < 50966667 :
## IQR (CV) : 480000 (1.8) :
## :
##
## 14 yautcorh Ingreso autónomo corregido del hogar Mean (sd) : 1538948 (3570224) 1473 distinct values : 8239 0
## [numeric] min < med < max: : (100.0%) (0.0%)
## 0 < 825000 < 52583334 :
## IQR (CV) : 997500 (2.3) :
## :
##
## 15 r3 r3. La ley reconoce diez pueblos 1. [1] 1. Aimara 159 ( 1.9%) 8239 0
## [haven_labelled, indígenas, ¿pertenece a alguno de ellos? 2. [2] 2. Rapa-Nui o Pascuen 0 ( 0.0%) (100.0%) (0.0%)
## vctrs_vctr, 3. [3] 3. Quechua 38 ( 0.5%)
## double] 4. [4] 4. Mapuche 838 (10.2%) II
## 5. [5] 5. Atacameño (Likan-A 38 ( 0.5%)
## 6. [6] 6. Collas 18 ( 0.2%)
## 7. [7] 7. Kawashkar o Alacal 0 ( 0.0%)
## 8. [8] 8. Yámana o Yagán 0 ( 0.0%)
## 9. [9] 9. Diaguita 108 ( 1.3%)
## 10. [10] 10. Chango 9 ( 0.1%)
## 11. [11] 11. No pertenece a n 7031 (85.3%) IIIIIIIIIIIIIIIII
##
## 16 r4 r4. ¿Habla o entiende algunas de las 1. [1] 1. Habla y entiende 124 ( 1.5%) 8239 0
## [haven_labelled, siguientes lenguas: Aimara, Rapa-Nui,…? 2. [2] 2. Solo entiende 188 ( 2.3%) (100.0%) (0.0%)
## vctrs_vctr, 3. [3] 3. No habla ni entien 7927 (96.2%) IIIIIIIIIIIIIIIIIII
## double]
##
## 17 r7b r7b. Pueda ayudar en cuidado de niños o 1. [-88] No sabe 56 ( 0.7%) 8239 0
## [haven_labelled, personas con discapacidad o dependientes 2. [1] 1. Sí, alguien fuera 2794 (33.9%) IIIIII (100.0%) (0.0%)
## vctrs_vctr, 3. [2] 2. Sí, alguien dentro 1949 (23.7%) IIII
## double] 4. [3] 3. Ambas 1980 (24.0%) IIII
## 5. [4] 4. No conoce 1460 (17.7%) III
##
## 18 r7d r7d. Pueda prestar dinero al hogar en 1. [-88] No sabe 72 ( 0.9%) 8239 0
## [haven_labelled, caso de emergencia 2. [1] 1. Sí, alguien fuera 3603 (43.7%) IIIIIIII (100.0%) (0.0%)
## vctrs_vctr, 3. [2] 2. Sí, alguien dentro 1110 (13.5%) II
## double] 4. [3] 3. Ambas 1406 (17.1%) III
## 5. [4] 4. No conoce 2048 (24.9%) IIII
##
## 19 r1b_comuna_esp_cod r1b_comuna_esp_cod. Código comuna donde 1. [1101] Iquique 67 ( 2.2%) 2995 5244
## [haven_labelled, vivía su madre 2. [1107] Alto Hospicio 1 ( 0.0%) (36.4%) (63.6%)
## vctrs_vctr, 3. [1401] Pozo Almonte 7 ( 0.2%)
## double] 4. [1402] Camiña 1 ( 0.0%)
## 5. [1403] Colchane 2 ( 0.1%)
## 6. [1404] Huara 6 ( 0.2%)
## 7. [1405] Pica 0 ( 0.0%)
## 8. [2101] Antofagasta 44 ( 1.5%)
## 9. [2102] Mejillones 0 ( 0.0%)
## 10. [2103] Sierra Gorda 0 ( 0.0%)
## [ 338 others ] 2867 (95.7%) IIIIIIIIIIIIIIIIIII
##
## 20 r7i r7i. Pueda aconsejar a los miembros del 1. [-88] No sabe 17 ( 0.2%) 8239 0
## [haven_labelled, hogar en caso de problemas personales… 2. [1] 1. Sí, alguien fuera 2980 (36.2%) IIIIIII (100.0%) (0.0%)
## vctrs_vctr, 3. [2] 2. Sí, alguien dentro 1743 (21.2%) IIII
## double] 4. [3] 3. Ambas 1694 (20.6%) IIII
## 5. [4] 4. No conoce 1805 (21.9%) IIII
##
## 21 r6 r6. Últ. 12 meses, ¿ha participado en 1. [1] 1. Juntas de vecinos 642 ( 8.7%) I 7382 857
## [haven_labelled, alguna de las siguientes 2. [2] 2. Club deportivo o r 362 ( 4.9%) (89.6%) (10.4%)
## vctrs_vctr, organizaciones?.. 3. [3] 3. Organización relig 531 ( 7.2%) I
## double] 4. [4] 4. Agrupaciones cultu 102 ( 1.4%)
## 5. [5] 5. Grupos de identida 70 ( 0.9%)
## 6. [6] 6. Agrupaciones juven 43 ( 0.6%)
## 7. [7] 7. Agrupaciones de mu 48 ( 0.7%)
## 8. [8] 8. Agrupaciones de ad 111 ( 1.5%)
## 9. [9] 9. Grupos de voluntar 38 ( 0.5%)
## 10. [10] 10. Grupos de autoay 9 ( 0.1%)
## [ 5 others ] 5426 (73.5%) IIIIIIIIIIIIII
##
## 22 r7k r7k. Tenga educación profesional 1. [-88] No sabe 71 ( 0.9%) 8239 0
## [haven_labelled, universitaria 2. [1] 1. Sí, alguien fuera 3539 (43.0%) IIIIIIII (100.0%) (0.0%)
## vctrs_vctr, 3. [2] 2. Sí, alguien dentro 1043 (12.7%) II
## double] 4. [3] 3. Ambas 1235 (15.0%) II
## 5. [4] 4. No conoce 2351 (28.5%) IIIII
##
## 23 r2_pais_esp r2_pais_esp. Especifique país donde 1. (Empty string) 8037 (97.5%) IIIIIIIIIIIIIIIIIII 8239 0
## [character] vivía hace 5 años (2017) 2. Venezuela 95 ( 1.2%) (100.0%) (0.0%)
## 3. Colombia 40 ( 0.5%)
## 4. Perú 19 ( 0.2%)
## 5. Bolivia 17 ( 0.2%)
## 6. Haití 8 ( 0.1%)
## 7. Argentina 7 ( 0.1%)
## 8. Estados Unidos 4 ( 0.0%)
## 9. Brasil 3 ( 0.0%)
## 10. Ecuador 3 ( 0.0%)
## [ 4 others ] 6 ( 0.1%)
##
## 24 r2 r2. ¿En qué comuna o país vivía hace 5 1. [-88] No sabe 13 ( 0.2%) 7784 455
## [haven_labelled, años (2017)? 2. [1] 1. En esta comuna 6854 (88.1%) IIIIIIIIIIIIIIIII (94.5%) (5.5%)
## vctrs_vctr, 3. [2] 2. En otra comuna de 715 ( 9.2%) I
## double] 4. [3] 3. En otro país 202 ( 2.6%)
##
## 25 r7f r7f. Pueda ayudar en el uso de 1. [-88] No sabe 31 ( 0.4%) 8239 0
## [haven_labelled, tecnologías (computador, internet, etc.) 2. [1] 1. Sí, alguien fuera 2318 (28.1%) IIIII (100.0%) (0.0%)
## vctrs_vctr, 3. [2] 2. Sí, alguien dentro 2947 (35.8%) IIIIIII
## double] 4. [3] 3. Ambas 1642 (19.9%) III
## 5. [4] 4. No conoce 1301 (15.8%) III
##
## 26 r1a_esp r1a_esp. ¿Cuál país? 1. (Empty string) 7834 (95.1%) IIIIIIIIIIIIIIIIIII 8239 0
## [character] 2. Venezuela 149 ( 1.8%) (100.0%) (0.0%)
## 3. Colombia 71 ( 0.9%)
## 4. Bolivia 59 ( 0.7%)
## 5. Perú 40 ( 0.5%)
## 6. Haití 32 ( 0.4%)
## 7. Ecuador 12 ( 0.1%)
## 8. Argentina 10 ( 0.1%)
## 9. Brasil 6 ( 0.1%)
## 10. Cuba 6 ( 0.1%)
## [ 10 others ] 20 ( 0.2%)
##
## 27 r1b_pais_esp_cod r1b_pais_esp_cod. Código país donde 1. [101] Albania 0 ( 0.0%) 456 7783
## [haven_labelled, vivía su madre 2. [102] Alemania 1 ( 0.2%) (5.5%) (94.5%)
## vctrs_vctr, 3. [103] Andorra 0 ( 0.0%)
## double] 4. [104] Armenia 0 ( 0.0%)
## 5. [105] Austria 0 ( 0.0%)
## 6. [106] Azerbaiyán 0 ( 0.0%)
## 7. [107] Bélgica 0 ( 0.0%)
## 8. [108] Bielorrusia 0 ( 0.0%)
## 9. [109] Bosnia 0 ( 0.0%)
## 10. [110] Bulgaria 0 ( 0.0%)
## [ 192 others ] 455 (99.8%) IIIIIIIIIIIIIIIIIII
##
## 28 r7e r7e. Pueda ayudar a resolver consultas o 1. [-88] No sabe 27 ( 0.3%) 8239 0
## [haven_labelled, realizar trámites legales o financieros 2. [1] 1. Sí, alguien fuera 3124 (37.9%) IIIIIII (100.0%) (0.0%)
## vctrs_vctr, 3. [2] 2. Sí, alguien dentro 1384 (16.8%) III
## double] 4. [3] 3. Ambas 1203 (14.6%) II
## 5. [4] 4. No conoce 2501 (30.4%) IIIIII
##
## 29 r7c r7c. Pueda facilitar un vehículo si el 1. [-88] No sabe 41 ( 0.5%) 8239 0
## [haven_labelled, hogar lo necesita 2. [1] 1. Sí, alguien fuera 3787 (46.0%) IIIIIIIII (100.0%) (0.0%)
## vctrs_vctr, 3. [2] 2. Sí, alguien dentro 1462 (17.7%) III
## double] 4. [3] 3. Ambas 1594 (19.3%) III
## 5. [4] 4. No conoce 1355 (16.4%) III
##
## 30 r2_comuna_esp_cod r2_comuna_esp_cod. Código comuna donde 1. [1101] Iquique 24 ( 3.4%) 715 7524
## [haven_labelled, vivía hace 5 años (2017) 2. [1107] Alto Hospicio 2 ( 0.3%) (8.7%) (91.3%)
## vctrs_vctr, 3. [1401] Pozo Almonte 1 ( 0.1%)
## double] 4. [1402] Camiña 0 ( 0.0%)
## 5. [1403] Colchane 0 ( 0.0%)
## 6. [1404] Huara 0 ( 0.0%)
## 7. [1405] Pica 1 ( 0.1%)
## 8. [2101] Antofagasta 8 ( 1.1%)
## 9. [2102] Mejillones 0 ( 0.0%)
## 10. [2103] Sierra Gorda 1 ( 0.1%)
## [ 338 others ] 678 (94.8%) IIIIIIIIIIIIIIIIII
##
## 31 r1c r1c. ¿En qué año llegó al país? Mean (sd) : 1973 (292.9) 42 distinct values : 456 7783
## [haven_labelled, min < med < max: : (5.5%) (94.5%)
## vctrs_vctr, -88 < 2017 < 2023 :
## double] IQR (CV) : 7 (0.1) :
## :
##
## 32 r2_comuna_esp r2_comuna_esp. Especifique comuna donde 1. (Empty string) 7524 (91.3%) IIIIIIIIIIIIIIIIII 8239 0
## [character] vivía hace 5 años (2017) 2. Santiago 85 ( 1.0%) (100.0%) (0.0%)
## 3. Maipú 26 ( 0.3%)
## 4. Iquique 24 ( 0.3%)
## 5. Concepción 22 ( 0.3%)
## 6. Ñuñoa 18 ( 0.2%)
## 7. Puente Alto 17 ( 0.2%)
## 8. Rancagua 15 ( 0.2%)
## 9. Peñalolén 14 ( 0.2%)
## 10. Calama 13 ( 0.2%)
## [ 144 others ] 481 ( 5.8%) I
##
## 33 r8b r8b. ¿No pudo comer alimentos saludables 1. [1] 1. Sí 2243 (27.2%) IIIII 8239 0
## [haven_labelled, y nutritivos por falta de dinero? 2. [2] 2. No 5996 (72.8%) IIIIIIIIIIIIII (100.0%) (0.0%)
## vctrs_vctr,
## double]
##
## 34 r1a_esp_cod r1a_esp_cod. Código país de otra 1. [102] Alemania 1 ( 0.2%) 405 7834
## [haven_labelled, nacionalidad 2. [105] Austria 0 ( 0.0%) (4.9%) (95.1%)
## vctrs_vctr, 3. [107] Bélgica 0 ( 0.0%)
## double] 4. [113] Croacia 0 ( 0.0%)
## 5. [114] Dinamarca 0 ( 0.0%)
## 6. [115] Eslovaquia 0 ( 0.0%)
## 7. [117] España 1 ( 0.2%)
## 8. [119] Finlandia 0 ( 0.0%)
## 9. [120] Francia 1 ( 0.2%)
## 10. [123] Holanda 0 ( 0.0%)
## [ 52 others ] 402 (99.3%) IIIIIIIIIIIIIIIIIII
##
## 35 r1b_comuna_esp r1b_comuna_esp. Especifique comuna donde 1. (Empty string) 5244 (63.6%) IIIIIIIIIIII 8239 0
## [character] vivía su madre 2. Santiago 257 ( 3.1%) (100.0%) (0.0%)
## 3. Concepción 100 ( 1.2%)
## 4. Iquique 67 ( 0.8%)
## 5. Valdivia 48 ( 0.6%)
## 6. Chillán 46 ( 0.6%)
## 7. Valparaíso 46 ( 0.6%)
## 8. Antofagasta 44 ( 0.5%)
## 9. Providencia 43 ( 0.5%)
## 10. San Miguel 43 ( 0.5%)
## [ 412 others ] 2301 (27.9%) IIIII
##
## 36 r1b_pais_esp r1b_pais_esp. Especifique país donde 1. (Empty string) 7783 (94.5%) IIIIIIIIIIIIIIIIII 8239 0
## [character] vivía su madre 2. Venezuela 156 ( 1.9%) (100.0%) (0.0%)
## 3. Colombia 75 ( 0.9%)
## 4. Bolivia 70 ( 0.8%)
## 5. Perú 43 ( 0.5%)
## 6. Haití 34 ( 0.4%)
## 7. Argentina 28 ( 0.3%)
## 8. Ecuador 12 ( 0.1%)
## 9. Cuba 8 ( 0.1%)
## 10. Brasil 6 ( 0.1%)
## [ 11 others ] 24 ( 0.3%)
##
## 37 r1b r1b. Cuando nació, ¿en qué comuna o país 1. [-88] No sabe 67 ( 0.8%) 8239 0
## [haven_labelled, vivía su madre? 2. [1] 1. En esta comuna 4721 (57.3%) IIIIIIIIIII (100.0%) (0.0%)
## vctrs_vctr, 3. [2] 2. En otra comuna de 2995 (36.4%) IIIIIII
## double] 4. [3] 3. En otro país 456 ( 5.5%) I
##
## 38 r7a r7a. Pueda ayudar en el cuidado en caso 1. [-88] No sabe 26 ( 0.3%) 8239 0
## [haven_labelled, de enfermedad de algún miembro del hogar 2. [1] 1. Sí, alguien fuera 2980 (36.2%) IIIIIII (100.0%) (0.0%)
## vctrs_vctr, 3. [2] 2. Sí, alguien dentro 2071 (25.1%) IIIII
## double] 4. [3] 3. Ambas 2179 (26.4%) IIIII
## 5. [4] 4. No conoce 983 (11.9%) II
##
## 39 r8a r8a. ¿Se preocupó por no tener 1. [1] 1. Sí 3112 (37.8%) IIIIIII 8239 0
## [haven_labelled, suficientes alimentos por falta de 2. [2] 2. No 5127 (62.2%) IIIIIIIIIIII (100.0%) (0.0%)
## vctrs_vctr, dinero?
## double]
##
## 40 r9d r9d. Últ. 12 meses, discriminado por: Su 1. [0] No 8199 (99.5%) IIIIIIIIIIIIIIIIIII 8239 0
## [haven_labelled, estado civil 2. [1] Sí 40 ( 0.5%) (100.0%) (0.0%)
## vctrs_vctr,
## double]
##
## 41 r8g r8g. ¿Sintió hambre y no comió por falta 1. [1] 1. Sí 723 (19.9%) III 3631 4608
## [haven_labelled, de dinero? 2. [2] 2. No 2908 (80.1%) IIIIIIIIIIIIIIII (44.1%) (55.9%)
## vctrs_vctr,
## double]
##
## 42 r9t r9t. Últ. 12 meses: No ha sido tratado 1. [0] No 1383 (16.8%) III 8239 0
## [haven_labelled, injustamente o discriminado 2. [1] Sí 6856 (83.2%) IIIIIIIIIIIIIIII (100.0%) (0.0%)
## vctrs_vctr,
## double]
##
## 43 r13b r13b. Completitud nivel educacional del 1. [-88] No sabe 59 ( 3.2%) 1821 6418
## [haven_labelled, padre de la jefatura de hogar 2. [1] 1. Sí 942 (51.7%) IIIIIIIIII (22.1%) (77.9%)
## vctrs_vctr, 3. [2] 2. No 820 (45.0%) IIIIIIIII
## double]
##
## 44 r14 r14. ¿Ud. o su hogar es dueño de un 1. [1] 1. Sí 4706 (57.1%) IIIIIIIIIII 8239 0
## [haven_labelled, vehículo de uso laboral o particular…? 2. [2] 2. No 3533 (42.9%) IIIIIIII (100.0%) (0.0%)
## vctrs_vctr,
## double]
## ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------1.Conclusión BLUF
A partir del análisis estadístico descriptivo realizado, se concluye que existe una relación estrecha y multidimensional entre el nivel educacional de la jefatura de hogar y su condición socioeconómica en Chile. Si bien el país ha logrado una cobertura masiva de la educación obligatoria (12 años), esta meta se ha transformado en un estándar mínimo que ya no garantiza, por sí solo, la movilidad ascendente o la salida de la pobreza.
2. Problemática
A lo largo de los años el ingreso a la educación superior específicamente, ya sea profesional o técnica, ha evidenciado una alza independiente del contexto socioeconómico (Corradi,B & et-al, 2022), pero esto no siempre fue así, antes el mero hecho de terminar cuarto medio ya generaba complicaciones para algunos, ni hablar del privilegio de aplicar a la educación superior, muy pocos podían acceder a esta última, ya que influían diversos factores como la ubicación, la economía, entre otros (Ministerio de Educación, 1999). Esto generó un problema público laboral, ya que al pasar los años cada vez se ameritan más los estudios, es decir se prioriza un título profesional o hasta un cuarto medio, y se deja de lado a aquella personas que por diversas razones sociales, económicas, familiares, etc, no pudieron acceder a un nivel educativo igual o superior a cuarto medio, generando una dificultad a la hora de conseguir un empleo formal y una estabilidad económica.
El nivel educativo influye y a la vez excluyente en la obtención de empleo, ya que actualmente gran parte de la industria solicita algún título técnico y/o profesional o bien cierto nivel educacional, aumentando así las exigencias para obtener un empleo. Es por esta razón que las personas que no tienen un nivel educativo alto se ven afectadas en el ingreso mensual a su hogar, ya que al no tener estudios superiores o por ejemplo cuarto medio no tienen la misma valoración económica (Urzúa, 2024).
Ambas temáticas nos abren a la siguiente pregunta ¿Existe una relación entre el nivel educacional de la jefatura de hogar y la condición socioeconómica de los hogares?
2.1 Pregunta de Investigación
- ¿Cuál es la posible relación entre el nivel educacional de el/la jefe/a de hogar, ya sea básica, media o universitaria, y su condición socioeconómica, específicamente sus ingresos mensuales aproximados?
2.2 Objetivos
Objetivo General:
- Analizar la relación entre las condiciones socioeconómicas, tanto nivel de educación como ingresos, y la vulnerabilidad dimensional de los hogares en Chile, con el fin de caracterizar los perfiles de pobreza y la eficiencia de las redes de apoyo.
Objetivos Especificos:
- Describir la distribución de los años de escolaridad de la muestra, identificando las brechas educativas según la condición de actividad.
- Explorar la relación entre el ingreso autónomo corregido y los años de escolaridad, utilizando medidas de tendencia central y dispersión.
- Comparar la proporción de personas con educación profesional universitaria (r7k) en los distintos estratos de pobreza para observar cómo el nivel educacional influye en la categoría de ingresos del hogar.
3. Metodología
3.1 Descripción de la base de datos
La presente investigación utiliza una base de datos que proviene de la Encuesta de Caracterización Socioeconómica Nacional (CASEN) 2022, ejecutada por el Ministerio de Desarrollo Social y Familia. Si bien los datos base son de 2022, el archivo cuenta con variables actualizadas al año 2023. La unidad de análisis son las personas residentes en Chile y su población objetivo corresponde a los hogares de las 16 regiones del país. El propósito general de esta base es caracterizar la situación socioeconómica de la población para orientar la creación y diseño de políticas públicas.
3.2 Objetivo del estudio (problema planteado)
Analizar la relación entre el nivel educacional de la jefatura de hogar y la situación de pobreza de los hogares en Chile, utilizando herramientas de estadística descriptiva para identificar patrones de vulnerabilidad socioeconómica basados en el capital del principal sostenedor del hogar.
3.3 Unidad de análisis y población
Unidad de análisis:
El hogar, definido como el grupo de personas que residen en una misma vivienda y comparten presupuesto alimentario.
Población objetivo:
Los hogares residentes en Chile que se encuentran representados en la base de datos asignada, cubriendo la diversidad socioeconómica de las regiones del país.
3.4 Clasificación de variables
## Variable Descripcion Tipo Escala
## 1 edad Edad del jefe de hogar Cuantitativa Razón
## 2 esc Años de escolaridad Cuantitativa Razón
## 3 yautcorh Ingreso autónomo corregido del hogar Cuantitativa Razón
## 4 pobreza Categoría de pobreza Cualitativa Ordinal
## 5 pobreza_multi Pobreza multidimensional Cualitativa Nominal
## 6 activ Condición de actividad Cualitativa Nominal
## 7 r7k Red con educación universitaria Cualitativa Nominal
## 8 r8g Sintió hambre por falta de dinero Cualitativa Nominal
## Naturaleza
## 1 Discreta
## 2 Discreta
## 3 Continua
## 4 —
## 5 —
## 6 —
## 7 —
## 8 —3.5 Breve justificación de las medidas estadistica utilizada
Para el análisis de datos en R, se aplicarán los siguientes procedimientos:
Variables cualitativas:
Tablas de frecuencia absoluta y relativa para identificar la categoría predominante en pobreza y actividad.
Variables cuantitativas:
Medidas de tendencia central (media, mediana), de dispersión (desviación estándar, rango intercuartílico) y de posición (percentiles) para caracterizar la escolaridad y edad.
Análisis gráfico:
Histogramas para observar la distribución de los datos y diagramas de caja (box plots) para comparar los años de escolaridad según el nivel de pobreza de los hogares.
4. Herramientas Estadísticas
4.1 Variables según diccionario
Las variables que guardan relación con la problemática expuesta, son:
Cuantitativa:
edad: Edad, de escala razón y naturaleza discreta;
esc: Años de escolaridad (edad >= 15), de escala razón y naturaleza discreta;
yautcorh: Ingreso autónomo corregido del hogar, de escala razón y naturaleza continua.
Cualitativa:
r7d: Pueda prestar dinero al hogar en caso de emergencia, de escala ordinal;
r7k: Tenga educación profesional universitaria, de escala nominal;
r8g: ¿Sintió hambre y no comió por falta de dinero?, de escala nominal;
activ: Condición de actividad. (CUALI), de escala nominal;
pobreza: Categoría de pobreza (Pobreza extrema = 1, Pobreza no extrema = 2, No pobreza = 3), de escala nominal;
pobreza multidimensional: situación de pobreza multidimensional con entorno y redes (No pobreza = 0, Pobreza = 1), de escala nominal.
4.2 Variables Categóricas
names(base_identidades_2)## [1] "folio" "sexo" "edad"
## [4] "ecivil" "pco1" "numper"
## [7] "esc" "pobreza" "pobreza_multi_5d"
## [10] "activ" "ysub" "ysubh"
## [13] "yautcor" "yautcorh" "r3"
## [16] "r4" "r7b" "r7d"
## [19] "r1b_comuna_esp_cod" "r7i" "r6"
## [22] "r7k" "r2_pais_esp" "r2"
## [25] "r7f" "r1a_esp" "r1b_pais_esp_cod"
## [28] "r7e" "r7c" "r2_comuna_esp_cod"
## [31] "r1c" "r2_comuna_esp" "r8b"
## [34] "r1a_esp_cod" "r1b_comuna_esp" "r1b_pais_esp"
## [37] "r1b" "r7a" "r8a"
## [40] "r9d" "r8g" "r9t"
## [43] "r13b" "r14"View(base_identidades_2)
print(base_identidades_2)## # A tibble: 8,239 × 44
## folio sexo edad ecivil pco1 numper esc pobreza pobreza_multi_5d
## <dbl> <dbl+l> <dbl> <dbl+lb> <dbl+lb> <dbl> <dbl> <dbl+l> <dbl+lbl>
## 1 1.00e8 2 [2. … 65 4 [4. … 1 [1. … 1 10 3 [No … 0 [No pobreza]
## 2 1.01e8 2 [2. … 24 8 [8. … 1 [1. … 5 16 3 [No … 1 [Pobreza]
## 3 1.01e8 2 [2. … 55 1 [1. … 7 [7. … 5 8 3 [No … 1 [Pobreza]
## 4 1.01e8 1 [1. … 18 8 [8. … 11 [11.… 5 13 3 [No … 1 [Pobreza]
## 5 1.01e8 1 [1. … 51 1 [1. … 7 [7. … 5 12 3 [No … 1 [Pobreza]
## 6 1.01e8 2 [2. … 0 NA 5 [5. … 5 NA 3 [No … 1 [Pobreza]
## 7 1.01e8 2 [2. … 51 1 [1. … 1 [1. … 5 14 3 [No … 0 [No pobreza]
## 8 1.01e8 1 [1. … 22 8 [8. … 5 [5. … 5 15 3 [No … 0 [No pobreza]
## 9 1.01e8 1 [1. … 24 8 [8. … 5 [5. … 5 14 3 [No … 0 [No pobreza]
## 10 1.01e8 1 [1. … 16 8 [8. … 5 [5. … 5 11 3 [No … 0 [No pobreza]
## # ℹ 8,229 more rows
## # ℹ 35 more variables: activ <dbl+lbl>, ysub <dbl>, ysubh <dbl>, yautcor <dbl>,
## # yautcorh <dbl>, r3 <dbl+lbl>, r4 <dbl+lbl>, r7b <dbl+lbl>, r7d <dbl+lbl>,
## # r1b_comuna_esp_cod <dbl+lbl>, r7i <dbl+lbl>, r6 <dbl+lbl>, r7k <dbl+lbl>,
## # r2_pais_esp <chr>, r2 <dbl+lbl>, r7f <dbl+lbl>, r1a_esp <chr>,
## # r1b_pais_esp_cod <dbl+lbl>, r7e <dbl+lbl>, r7c <dbl+lbl>,
## # r2_comuna_esp_cod <dbl+lbl>, r1c <dbl+lbl>, r2_comuna_esp <chr>, …library(summarytools)
# Variable pobreza (1=extrema, 2=no extrema, 3=no pobreza)
freq(as.character(base_identidades_2$pobreza))## Frequencies
## as.character(base_identidades_2$pobreza)
## Type: Character
##
## Freq % Valid % Valid Cum. % Total % Total Cum.
## ----------- ------ --------- -------------- --------- --------------
## 1 203 2.465 2.465 2.464 2.464
## 2 443 5.380 7.846 5.377 7.841
## 3 7588 92.154 100.000 92.099 99.939
## <NA> 5 0.061 100.000
## Total 8239 100.000 100.000 100.000 100.000# Variable pobreza_multidimensional (0=no pobre, 1=pobre)
freq(as.character(base_identidades_2$pobreza_multi_5d))## Frequencies
## as.character(base_identidades_2$pobreza_multi_5d)
## Type: Character
##
## Freq % Valid % Valid Cum. % Total % Total Cum.
## ----------- ------ --------- -------------- --------- --------------
## 0 6690 82.75 82.75 81.20 81.20
## 1 1395 17.25 100.00 16.93 98.13
## <NA> 154 1.87 100.00
## Total 8239 100.00 100.00 100.00 100.00# Variable activ (condición de actividad laboral)
freq(as.character(base_identidades_2$activ))## Frequencies
## as.character(base_identidades_2$activ)
## Type: Character
##
## Freq % Valid % Valid Cum. % Total % Total Cum.
## ----------- ------ --------- -------------- --------- --------------
## 1 3659 53.38 53.38 44.41 44.41
## 2 384 5.60 58.99 4.66 49.07
## 3 2811 41.01 100.00 34.12 83.19
## <NA> 1385 16.81 100.00
## Total 8239 100.00 100.00 100.00 100.00# Variable r7k (¿tiene red con educación universitaria?)
freq(as.character(base_identidades_2$r7k))## Frequencies
## as.character(base_identidades_2$r7k)
## Type: Character
##
## Freq % Valid % Valid Cum. % Total % Total Cum.
## ----------- ------ --------- -------------- --------- --------------
## -88 71 0.86 0.86 0.86 0.86
## 1 3539 42.95 43.82 42.95 43.82
## 2 1043 12.66 56.48 12.66 56.48
## 3 1235 14.99 71.46 14.99 71.46
## 4 2351 28.54 100.00 28.54 100.00
## <NA> 0 0.00 100.00
## Total 8239 100.00 100.00 100.00 100.00# Variable r8g (¿sintió hambre por falta de dinero?)
freq(as.character(base_identidades_2$r8g))## Frequencies
## as.character(base_identidades_2$r8g)
## Type: Character
##
## Freq % Valid % Valid Cum. % Total % Total Cum.
## ----------- ------ --------- -------------- --------- --------------
## 1 723 19.91 19.91 8.78 8.78
## 2 2908 80.09 100.00 35.30 44.07
## <NA> 4608 55.93 100.00
## Total 8239 100.00 100.00 100.00 100.004. Análisis de Información
library(summarytools)
#Calcular todas las medidas estadísticas; descr()
descr(base_identidades_2[, c("edad", "esc", "yautcorh")])## Descriptive Statistics
## base_identidades_2
## N: 8239
##
## edad esc yautcorh
## ----------------- --------- --------- -------------
## Mean 39.60 11.23 1538948.52
## Std.Dev 22.72 4.19 3570223.77
## Min 0.00 0.00 0.00
## Q1 21.00 9.00 420000.00
## Median 38.00 12.00 825000.00
## Q3 58.00 14.00 1417500.00
## Max 120.00 29.00 52583334.00
## MAD 28.17 4.45 644931.00
## IQR 37.00 5.00 997500.00
## CV 0.57 0.37 2.32
## Skewness 0.15 -0.49 7.00
## SE.Skewness 0.03 0.03 0.03
## Kurtosis -0.94 0.22 55.26
## N.Valid 8239.00 6808.00 8239.00
## N 8239.00 8239.00 8239.00
## Pct.Valid 100.00 82.63 100.00#Calcular todas las medidas estadísticas específicas (mayores de edad); descr()
base_esc <- base_identidades_2 |>
filter(!is.na(esc), edad >= 18)
descr(base_esc[, c("edad", "esc", "yautcorh")])## Descriptive Statistics
## base_esc
## N: 6474
##
## edad esc yautcorh
## ----------------- --------- --------- -------------
## Mean 47.56 11.29 1562556.40
## Std.Dev 18.38 4.27 3708626.63
## Min 18.00 0.00 0.00
## Q1 32.00 8.00 410000.00
## Median 47.00 12.00 816667.00
## Q3 62.00 14.00 1420000.00
## Max 120.00 29.00 52583334.00
## MAD 22.24 4.45 650120.10
## IQR 30.00 6.00 1010000.00
## CV 0.39 0.38 2.37
## Skewness 0.25 -0.52 6.88
## SE.Skewness 0.03 0.03 0.03
## Kurtosis -0.84 0.13 52.98
## N.Valid 6474.00 6474.00 6474.00
## N 6474.00 6474.00 6474.00
## Pct.Valid 100.00 100.00 100.00library(ggplot2)
library(dplyr)
# Construir Histograma de escolaridad; ggplot() y geom_histogram()
ggplot(base_identidades_2, aes(x = esc)) +
geom_histogram(bins = 15, fill = "#7FFFD4", color = "#76EEC6") +
labs(
title = "Distribución de Años de Escolaridad",
x = "Años de escolaridad",
y = "Frecuencia"
) +
theme_minimal()## Warning: Removed 1431 rows containing non-finite outside the scale range
## (`stat_bin()`).
#Construir Histograma de escolaridad específico
base_esc <- base_identidades_2 |>
filter(!is.na(esc), edad >= 18)
# Ahora graficamos con los datos específicos
ggplot(base_esc, aes(x = esc)) +
geom_histogram(bins = 15, fill = "#66CDAA", color = "#458B74") +
labs(
title = "Distribución de Años de Escolaridad Específica (mayores de edad)",
x = "Años de escolaridad",
y = "Frecuencia"
) +
theme_minimal()
Histograma ‘Distribución de Años de Escolaridad’
Este histograma mide los años de escolaridad de todas las personas encuestadas, esto quiere decir que hay datos que pueden no ser pertinentes para este estudio, ya que esta encuesta pudo haber sido contestada por menores de edad, por otro lado se ve una clara mayoría dentro de la aproximada de 12/13 años de escolaridad, lo cual es común en Chile, ya que desde 2003, posterior a la reforma constitucional (Ley N°19.876) los primeros 8 años de educación básica y 4 de enseñanza media son obligatorios, esta cifra superaría a las 2000 personas. A su vez existe una concentración de datos aproximada entre los 8 y 17 años de escolaridad, lo cual se puede justificar lo primero con la duración de la enseñanza básica y la segunda con la educación superior de pre-grado.
Este gráfico se encuentra con una clara asimetría en el lado derecho, esto quiere decir que hay una cantidad significativa de personas con nivel educativo medio y se ve una brecha en la educación superior, específicamente en los grados académicos de post-grado. Y por el lado izquierdo se pueden sacar dos conclusiones, la primera la inconsecuencia de la base de datos que expresaba a encuestados de 0 años, personas que supuestamente contestaron esta encuesta sin tener niveles educacionales, pero a su vez existe la posibilidad de una brecha escolar y/o deserción temprana educacional por diversas razones, las cuales no son conocidas.
Histograma ‘Distribución de Años de Escolaridad Específica’
Este histograma mide los años de escolaridad de todas las personas encuestadas mayores de 18 años, donde se ve una clara mayoría dentro de la aproximada de 12/13 años de escolaridad, al igual que en el gráfico anterior, lo cual es común en Chile, por lo mencionado en la gráfica anterior, esta cifra superaría a las 2000 personas. A su vez existe una concentración de datos aproximada entre los 8 y 17 años de escolaridad, lo cual se puede justificar lo primero con la duración de la enseñanza básica, pero a diferencia del gráfico anterior se evidencia una baja en los 10/11 años de escolaridad, los años de enseñanza media específicamente, y la segunda con la educación superior de pre-grado.
Este gráfico, al igual que el anterior tiene una clara asimetría en el lado derecho, esto quiere decir que hay una cantidad significativa de personas con nivel educativo medio y se ve una brecha en la educación superior, específicamente en los grados academicos de post-grado. Y por el lado izquierdo se pueden sacar dos conclusiones, la primera la inconsecuencia de la base de datos que expresaba a encuestados de 0 años, personas que por diversas razones ya sean sociales, económicas, familiares, entre otras se vieron perjudicadas por las brechas educacionales, y en consecuencia de esto la generación de deserciones escolares tempranas.
# Histograma del ingreso autónomo corregido
options(scipen = 999)
ggplot(base_identidades_2, aes(x = yautcorh)) +
geom_histogram(bins = 12, fill = "#FF6EB4", color = "#EE6AA7") +
labs(
title = "Distribución del Ingreso Autónomo Corregido del Hogar",
x = "Ingreso ($)",
y = "Frecuencia"
) +
theme_minimal()
#Construir Histograma de ingreso autónomo específico
base_yautcorh <- base_identidades_2 |>
filter(!is.na(yautcorh), edad >= 18)
# Ahora graficamos con los datos específicos (mayores de edad)
ggplot(base_yautcorh, aes(x = yautcorh)) +
geom_histogram(bins = 12, fill = "#CD6090", color = "#8B3A62") +
labs(
title = "Distribución del Ingreso Autónomo Corregido del Hogar Específico",
x = "Ingreso ($)",
y = "Frecuencia"
) +
theme_minimal()
Histograma ‘Distribución del Ingreso Autónomo Corregido del Hogar’
Con respecto a este histograma, se evidencia una clara distribución asimétrica, donde la gran mayoría de los datos se concentran en los valores anuales más bajos, esto quiere decir que más de 7000 personas de la encuesta tiene un ingreso en su hogar muy bajo, todo esto considerando que dentro de nuestra encuesta se encuentran menores de edad que no perciben ingresos.
Este gráfico es una representación de la desigualdad de ingresos existente a nivel nacional. Muestra una base muy alta en la muestra de personas con pocos recursos y una élite económica muy distante del resto.
Histograma ‘Distribución del Ingreso Autónomo Corregido del Hogar Específica’
Con respecto a este histograma, se evidencia una clara distribución asimétrica, donde la gran mayoría de los datos se concentran en los valores anuales más bajos, esto quiere decir que un número cercano a 6000 personas de la encuesta tiene un ingreso en su hogar muy bajo. A su vez se demuestra un parecido al gráfico anterior, la gran diferencia son la cantidad de ingresos bajos/mínimos, los cuales se relacionan a que en esta gráfica solo se encuentran personas mayores de edad.
Este gráfico es una representación de la desigualdad de ingresos existente a nivel nacional. Muestra una base muy alta en la muestra de personas con pocos recursos y una élite económica muy distante del resto.
#Crear un bloxplot; geom_bloxplot()
ggplot(base_identidades_2,
aes(x = as.factor(pobreza), y = esc,
fill = as.factor(pobreza))) +
geom_boxplot() +
scale_x_discrete(
labels = c("1" = "Pobreza extrema",
"2" = "Pobreza no extrema",
"3" = "No pobreza")
) +
scale_fill_manual(
values = c("1" = "red", # Rojo = pobreza extrema
"2" = "orange", # naranjo = pobreza no extrema
"3" = "green") # verde = no pobreza
) +
labs(
title = "Años de Escolaridad según Categoría de Pobreza",
x = "Categoría de pobreza",
y = "Años de escolaridad",
fill = "Categoría"
) +
theme_minimal()## Warning: Removed 1431 rows containing non-finite outside the scale range
## (`stat_boxplot()`).
#Crear un boxplot específico; geom_bloxpot
base_esc <- base_identidades_2 |>
filter(!is.na(esc), edad >= 18)
# Ahora graficamos con los datos específicos
ggplot(base_esc,
aes(x = as.factor(pobreza), y = esc,
fill = as.factor(pobreza))) +
geom_boxplot() +
scale_x_discrete(
labels = c("1" = "Pobreza extrema",
"2" = "Pobreza no extrema",
"3" = "No pobreza")
) +
scale_fill_manual(
values = c("1" = "#CD0000", # Rojo = pobreza extrema
"2" = "#EE9A00", # naranjo = pobreza no extrema
"3" = "#C0FF3E") # verde = no pobreza
) +
labs(
title = "Años de Escolaridad según Categoría de Pobreza Específica (mayores de edad)",
x = "Categoría de pobreza",
y = "Años de escolaridad",
fill = "Categoría"
) +
theme_minimal()
Boxplot ‘Años de Escolaridad según Categoría de Pobreza’
Según este Boxplot, la mediana de la “Pobreza Extrema” corresponde a 10 años, por otro lado la “Pobreza no Extrema” sobre unos 11 años aproximadamente, a su vez ambas tienen un rango parecido y en sí sus cajas son bien parecidas, sugiriendo que el nivel de escolaridad en sectores vulnerables suele estancarse en niveles parecidos, y por último, aquellos que se identifican con la “No Pobreza” se ven con una mediana de 12 años de escolaridad aproximada, a su vez la caja de esta se ve desplazada más arriba del resto de cajas, esto significa una mayor variedad de niveles educativos alcanzados, en este caso existen los datos muy disparejos en sus extremos llegando a un máximo aproximado de 30 años de educación en casos extremos y de una escolaridad de 0 años, esto de igual forma se puede debe a que en este diagrama de caja están considerados toda la muestra, sin especificar edades.
El gráfico confirma una brecha educativa estructural. Mientras que en los hogares en situación de pobreza la escolaridad difícilmente supera los 12-15 años, en los hogares “No pobres” el techo educativo es mucho más alto, llegando incluso a niveles de formación académica avanzada.
Boxplot ‘Años de Escolaridad según Categoría de Pobreza Específica’
Según este Boxplot, la mediana de la “Pobreza Extrema” corresponde a 10 años, por otro lado la mediana de la “Pobreza no Extrema” se encuentra sobre unos 11 años aproximadamente, a su vez ambas tienen un rango parecido y en sí sus cajas son bien parecidas, con la diferencia mayor en sus medianas, es decir su término central, sugiriendo que el nivel de escolaridad en sectores vulnerables suele estancarse en niveles parecidos, y por último, aquellos que se identifican con la “No Pobreza” se ven con una mediana de 12 años de escolaridad aproximada, a su vez la caja de esta se ve desplazada más arriba del resto de cajas, esto significa una mayor variedad de niveles educativos alcanzados, en este caso existen los datos muy disparejos en sus extremos llegando a un máximo aproximado de 30 años de educación en casos extremos y de una escolaridad de 0 años, esto de igual forma se considera fuera de la normalidad, ya que en esta encuesta solo participan mayores de edad.
El gráfico confirma una brecha educativa estructural. Mientras que en los hogares en situación de pobreza la escolaridad difícilmente supera los 12-15 años, en los hogares “No pobres” el techo educativo es mucho más alto, llegando incluso a niveles de formación académica avanzada.
#Calcular los percentiles; quantile()
quantile(base_identidades_2$esc,
probs = c(0.25, 0.50, 0.75, 0.90),
na.rm = TRUE)## 25% 50% 75% 90%
## 9 12 14 17#Sacar el Rango Intercuartil; IQR()
iqr_esc <- IQR(base_identidades_2$esc, na.rm = TRUE)
cat("IQR de escolaridad:", iqr_esc, "años\n")## IQR de escolaridad: 5 años#Calcular la Varianza y Desviación estándar; var() y sd()
var_esc <- var(base_identidades_2$esc, na.rm = TRUE)
sd_esc <- sd(base_identidades_2$esc, na.rm = TRUE)
cat("Varianza de escolaridad:", round(var_esc, 2), "\n")## Varianza de escolaridad: 17.55cat("Desviación estándar:", round(sd_esc, 2), "años\n")## Desviación estándar: 4.19 años# Sacar el Coeficiente de variación
media_esc <- mean(base_identidades_2$esc, na.rm = TRUE)
cv_esc <- (sd_esc / media_esc) * 100
cat("Media de escolaridad:", round(media_esc, 2), "años\n")## Media de escolaridad: 11.23 añoscat("Coeficiente de variación (CV):", round(cv_esc, 2), "%\n")## Coeficiente de variación (CV): 37.32 %#Utilizar ctable() para generar una tabla de contigencia
ctable(
as.character(base_identidades_2$pobreza),
as.character(base_identidades_2$r7k)
)## Cross-Tabulation, Row Proportions
## as.character(base_identidades_2$pobreza) * as.character(base_identidades_2$r7k)
##
## ------------------------------------------ -------------------------------------- ----------- -------------- -------------- -------------- -------------- ---------------
## as.character(base_identidades_2$r7k) -88 1 2 3 4 Total
## as.character(base_identidades_2$pobreza)
## 1 6 (3.0%) 68 (33.5%) 11 ( 5.4%) 10 ( 4.9%) 108 (53.2%) 203 (100.0%)
## 2 9 (2.0%) 166 (37.5%) 44 ( 9.9%) 12 ( 2.7%) 212 (47.9%) 443 (100.0%)
## 3 56 (0.7%) 3302 (43.5%) 988 (13.0%) 1211 (16.0%) 2031 (26.8%) 7588 (100.0%)
## <NA> 0 (0.0%) 3 (60.0%) 0 ( 0.0%) 2 (40.0%) 0 ( 0.0%) 5 (100.0%)
## Total 71 (0.9%) 3539 (43.0%) 1043 (12.7%) 1235 (15.0%) 2351 (28.5%) 8239 (100.0%)
## ------------------------------------------ -------------------------------------- ----------- -------------- -------------- -------------- -------------- ---------------5. Interpretación
Luego de este estudio, según la base de datos entregada, priorizando los datos obtenidos con personas mayores de edad, no existe una relación necesaria entre los niveles de escolaridad y la percepción de pobreza, ya que gran parte de la muestra tiene una escolaridad completa/semicompleta básica y media (12 a 14 años), o hasta educación superior, pero si se visualiza una brecha escolar a la hora de lo laboral, la escolaridad de los hogares en pobreza, ya sea extrema y no extrema, se encuentra estancada aproximadamente entre los 10 y 11 años, existe una mayor dispersión en datos de más años de escolaridad siendo outliers o valores atípicos, que se escapan de la regularidad. Por otro lado se identifica que la no pobreza no solo tiene una mediana superior a 12 años, sino que también una gran dispersión hacia los 17 a 20 años de escolaridad, esto quiere decir que existen estudios superiores, al igual se identifican casos extremos de nulos o bajos estudios de las personas, pero son casos excepcionales.
Chile ha logrado masificar la enseñanza media, pero aun así en el mercado laboral ya no valora como tal el cuarto medio, y es por ello la dispersión y el diferenciador de ingresos. Por esta razón se considera como una “moneda de cambio” para salir de la pobreza un título ya sea técnico y/o profesional
Por el lado de los ingresos, existe una heterogeneidad de datos muy visible, gran parte de la sociedad vive ni con un quinto de una elite económica, y este grupo selecto altera el promedio nacional de ingresos.
6. Referencias:
Corradi, B. Espinoza, Ó. Gozález, L. Larrando, Y. Maldonado, K. & Sandoval, L. (Diciembre 2022). ¿Contribuye la gratuidad a la permanencia en la educación superior? Percepciónes de estudiantes acerca de su experiencia universidad. Calidad en la Educación. Recuperado el 22 de abril de 2026. https://www.scielo.cl/pdf/caledu/n57/0718-4565-caledu-57-67.pdf
Diario UChile. ( Enero 2025). Chile alcanza el segundo puesto en esperanza de vida en América. Diario UChile. Recuperado el 3 de mayo de 2026. https://radio.uchile.cl/2025/01/12/chile-alcanza-el-segundo-puesto-en-esperanza-de-vida-en-america/
Ley N°19.876. (2003). Reforma Constitucional que establece la obligatoriedad y gratuidad de la educación media. Ministerio de Educación. Recuperado el 03 de mayo de 2026. https://www.bcn.cl/leychile/navegar?idNorma=210495https://www.bcn.cl/leychile/navegar?idNorma=210495
Ministerio de Educación. (Octubre 1999). Educación para todos: Evaluación en el año 2000 Informe de Chile. Ministerio de Educación. Recuperado el 22 de abril de 2026. https://www.google.com/url?sa=t&source=web&rct=j&opi=89978449&url=https://bibliotecadigital.mineduc.cl/bitstream/handle/20.500.12365/14791/EPT1999.pdf%3Fsequence%3D1%26isAllowed%3Dy&ved=2ahUKEwj_24D7goSUAxUQppUCHUDHG5MQFnoECBgQAQ&usg=AOvVaw2qi8Sqa4rcjc1rQpotnJxH
Ortega, C. (s.f.). Niveles de Medición: Aprende a Dominarlos. Question Pro. Recuperado el 3 de mayo de 2026. https://www.questionpro.com/blog/es/niveles-de-medicion/
Urzúa, S. (Enero 2024). La elite endogámica de Chile: La desigualdad, pobreza y catástrofe social que impone la clase alta a través del sistema educacional. Centro Latinoamericano de Políticas Económicas y Sociales UC. Recuperado el 22 de abril de 2026. https://clapesuc.cl/en-los-medios/la-elite-endogamica-de-chile-la-desigualdad-pobreza-y-catastrofe-social-que-impone-la-clase-alta-a-traves-del-sistema-educacional
Westreicher, G. (Mayo 2025). Variable Cuantitativa: Qué es, tipos y ejemplos. Economipedia. Recuperado el 3 de mayo de 2026. https://economipedia.com/definiciones/variable-cuantitativa.html