Pobreza
2016
pobreza <- read.csv("pobreza_16.csv")
# Chiapas (7) y Tam (28)
pobreza_filtrado <- pobreza %>% filter(ent %in% c(7, 28))
# pondero con el factor que ya viene
pob_w <- as_survey_design(pobreza_filtrado, weights = factor, strata = est_dis, ids = upm, nest = TRUE)
# % de población con ingreso menor a la línea de pobreza, por estado
resultado <- pob_w %>%
group_by(ent) %>%
summarise(
pct_plp = survey_mean(plp, na.rm = TRUE) * 100, # % pobreza por ingresos
pct_plp_e = survey_mean(plp_e, na.rm = TRUE) * 100, # % pobreza extrema por ingresos
ictpc_prom = survey_mean(ictpc, na.rm = TRUE) # ingreso per cápita promedio
)
2018
pobreza_18 <- read.csv("pobreza_18.csv")
pobreza_18_filtrado <- pobreza_18 %>% filter(ent %in% c(7, 28))
pob_w_18 <- as_survey_design(pobreza_18_filtrado, weights = factor,
strata = est_dis, ids = upm, nest = TRUE)
resultado_18 <- pob_w_18 %>%
group_by(ent) %>%
summarise(
pct_plp = survey_mean(plp, na.rm = TRUE) * 100,
pct_plp_e = survey_mean(plp_e, na.rm = TRUE) * 100,
ictpc_prom = survey_mean(ictpc, na.rm = TRUE)
)
print(resultado_18)
## # A tibble: 2 × 7
## ent pct_plp pct_plp_se pct_plp_e pct_plp_e_se ictpc_prom ictpc_prom_se
## <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 7 81.0 1.38 49.4 2.37 2138. 86.4
## 2 28 48.4 1.60 11.9 1.11 4849. 225.
2020
pobreza_20 <- read.csv("pobreza_20.csv")
pobreza_20_filtrado <- pobreza_20 %>% filter(ent %in% c(7, 28))
pob_w_20 <- as_survey_design(pobreza_20_filtrado, weights = factor,
strata = est_dis, ids = upm, nest = TRUE)
resultado_20 <- pob_w_20 %>%
group_by(ent) %>%
summarise(
pct_plp = survey_mean(plp, na.rm = TRUE) * 100,
pct_plp_e = survey_mean(plp_e, na.rm = TRUE) * 100,
ictpc_prom = survey_mean(ictpc, na.rm = TRUE)
)
print(resultado_20)
## # A tibble: 2 × 7
## ent pct_plp pct_plp_se pct_plp_e pct_plp_e_se ictpc_prom ictpc_prom_se
## <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 7 78.8 1.28 44.1 2.47 2435. 85.1
## 2 28 48.3 1.35 12.7 0.810 4913. 168.
2022
pobreza_22 <- read.csv("pobreza_22.csv")
pobreza_22_filtrado <- pobreza_22 %>% filter(ent %in% c(7, 28))
pob_w_22 <- as_survey_design(pobreza_22_filtrado, weights = factor,
strata = est_dis, ids = upm, nest = TRUE)
resultado_22 <- pob_w_22 %>%
group_by(ent) %>%
summarise(
pct_plp = survey_mean(plp, na.rm = TRUE) * 100,
pct_plp_e = survey_mean(plp_e, na.rm = TRUE) * 100,
ictpc_prom = survey_mean(ictpc, na.rm = TRUE)
)
print(resultado_22)
## # A tibble: 2 × 7
## ent pct_plp pct_plp_se pct_plp_e pct_plp_e_se ictpc_prom ictpc_prom_se
## <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 7 70.0 1.60 36.6 2.26 3404. 142.
## 2 28 37.5 1.41 8.03 0.778 6540. 150.
Ingresos antes de 2014
2014
# como es una version previa del ENIGH que la de 2016 en adelante, NO ES COMPARABLE.
# deflacto para mayor comparación
enigh14 <- read_csv("concentradohogar.csv")
## Rows: 19479 Columns: 132
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (6): folioviv, ubica_geo, ageb, est_dis, upm, educa_jefe
## dbl (126): foliohog, tam_loc, est_socio, factor_hog, clase_hog, sexo_jefe, e...
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
inpc_2014 <- 85.220
inpc_2024 <- 136.013
enigh14 <- enigh14 %>%
mutate(
ubica_geo_str = str_pad(as.character(ubica_geo), 5, "left", pad = "0"),
ent = as.numeric(str_sub(ubica_geo_str, 1, 2)),
INGCOR = as.numeric(ing_cor),
INGMON = as.numeric(ing_mon),
factor = as.numeric(factor_hog)
)
resultado <- enigh14 %>%
filter(ent %in% c(7, 28)) %>%
group_by(ent) %>%
summarise(
ingreso_prom_ict = sum(ing_cor * factor, na.rm = TRUE) / sum(factor, na.rm = TRUE),
ingreso_prom_mon = sum(ing_mon * factor, na.rm = TRUE) / sum(factor, na.rm = TRUE)
)
factor_deflactor <- inpc_2024 / inpc_2014
enigh14 <- enigh14 %>%
mutate(
ubica_geo_str = str_pad(as.character(ubica_geo), 8, "left", pad = "0"),
ent = as.numeric(str_sub(ubica_geo_str, 1, 2))
)
# Filtro CH y TAM
enigh_filtrado <- enigh14 %>% filter(ent %in% c(7, 28))
resultado <- resultado %>%
mutate(
ingreso_prom_ict_2024pesos = ingreso_prom_ict * factor_deflactor,
ingreso_prom_mon_2024pesos = ingreso_prom_mon * factor_deflactor
)
print(resultado)
## # A tibble: 2 × 5
## ent ingreso_prom_ict ingreso_prom_mon ingreso_prom_ict_2024pesos
## <dbl> <dbl> <dbl> <dbl>
## 1 7 21536. 16697. 34372.
## 2 28 42159. 35424. 67287.
## # ℹ 1 more variable: ingreso_prom_mon_2024pesos <dbl>
2012
enigh12 <- read_csv("concentradohogar2012.csv")
## Rows: 9002 Columns: 132
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (6): folioviv, ubica_geo, ageb, est_dis, upm, educa_jefe
## dbl (126): foliohog, tam_loc, est_socio, factor_hog, clase_hog, sexo_jefe, e...
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
inpc_2012 <- 79.0910
inpc_2024 <- 136.013
factor_deflactor <- inpc_2024 / inpc_2012
enigh12 <- enigh12 %>%
mutate(
ubica_geo_str = str_pad(as.character(ubica_geo), 8, "left", pad = "0"),
ent = as.numeric(str_sub(ubica_geo_str, 1, 2))
)
resultado <- enigh12%>%
filter(ent %in% c(7, 28)) %>%
group_by(ent) %>%
summarise(
ingreso_prom_ict = sum(ing_cor * factor_hog, na.rm = TRUE) / sum(factor_hog, na.rm = TRUE),
ingreso_prom_mon = sum(ing_mon * factor_hog, na.rm = TRUE) / sum(factor_hog, na.rm = TRUE)
)
# Filtrar
enigh_filtrado <- enigh12 %>% filter(ent %in% c(7, 28))
resultado <- resultado %>%
mutate(
ingreso_prom_ict_2024pesos = ingreso_prom_ict * factor_deflactor,
ingreso_prom_mon_2024pesos = ingreso_prom_mon * factor_deflactor
)
print(resultado)
## # A tibble: 2 × 5
## ent ingreso_prom_ict ingreso_prom_mon ingreso_prom_ict_2024pesos
## <dbl> <dbl> <dbl> <dbl>
## 1 7 21032. 16470. 36168.
## 2 28 39053. 31856. 67160.
## # ℹ 1 more variable: ingreso_prom_mon_2024pesos <dbl>
2010
library(dplyr)
library(stringr)
library(foreign)
## Warning: package 'foreign' was built under R version 4.4.3
datos <- read.dbf("enigh2010.dbf", as.is = TRUE)
datos <- datos %>%
mutate(
ubica_geo_str = str_pad(as.character(ubica_geo), 5, "left", pad = "0"),
ent = as.numeric(str_sub(ubica_geo_str, 1, 2))
)
table(datos$ent)
##
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
## 329 504 299 427 564 361 2805 836 2799 497 1901 868 513 595 2748 700
## 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
## 462 408 411 1051 662 452 350 539 458 649 487 558 380 898 2719 425
resultado_2010 <- datos %>%
filter(ent %in% c(7, 28)) %>%
group_by(ent) %>%
summarise(
ingreso_prom_ict = sum(ingcor * factor, na.rm = TRUE) / sum(factor, na.rm = TRUE),
ingreso_prom_mon = sum(ingmon * factor, na.rm = TRUE) / sum(factor, na.rm = TRUE)
)
# Deflactar
inpc_2010 <- 73.1316
inpc_2024 <- 136.013
factor_deflactor_2010 <- inpc_2024 / inpc_2010
resultado_2010 <- resultado_2010 %>%
mutate(
ingreso_prom_ict_2024pesos = ingreso_prom_ict * factor_deflactor_2010,
ingreso_prom_mon_2024pesos = ingreso_prom_mon * factor_deflactor_2010
)
print(resultado_2010)
## # A tibble: 2 × 5
## ent ingreso_prom_ict ingreso_prom_mon ingreso_prom_ict_2024pesos
## <dbl> <dbl> <dbl> <dbl>
## 1 7 18547. 15096. 34494.
## 2 28 31755. 26103. 59060.
## # ℹ 1 more variable: ingreso_prom_mon_2024pesos <dbl>
2008
library(dplyr)
library(stringr)
datos <- read.dbf("enigh2008.dbf", as.is = TRUE)
names(datos)
## [1] "FOLIOVIV" "FOLIOHOG" "FACTOR" "ESTRATO" "UBICA_GEO"
## [6] "CONAPO" "TENENCIA" "CLASE_HOG" "SEXO" "EDAD"
## [11] "ED_FORMAL" "TAM_HOG" "HOMBRES" "MUJERES" "TOT_RESI"
## [16] "TOT_HOM" "TOT_MUJ" "MAYORES" "MENORES" "P12_64"
## [21] "P65MAS" "N_OCUP" "PERING" "PEROCU" "INGTOT"
## [26] "INGCOR" "INGMON" "TRABAJO" "SUELDOS" "HOREXT"
## [31] "COMIS" "OTRA_REM" "REM_ESP" "REGA" "NEGOCIO"
## [36] "NOAGROP" "INDUSTRIA" "COMERCIO" "SERVICIOS" "AGROPE"
## [41] "AGRICOLAS" "PECUARIOS" "REPRODUCC" "PESCA" "AUTOC"
## [46] "OTROS_TRAB" "RENTAS" "UTILIDAD" "ARRENDA" "TRANSFER"
## [51] "JUBILA" "BECA" "DONATIVO" "REMESA" "BENE_GOB"
## [56] "ESP_HOG" "ESP_INST" "ESTI" "OTROS" "GASNOM"
## [61] "GASTOT" "GASCOR" "GASMON" "ALIMENTOS" "ALI_DENT"
## [66] "CEREALES" "CARNES" "PESCADO" "LECHE" "HUEVO"
## [71] "ACEITES" "TUBERCULO" "VERDURAS" "FRUTAS" "AZUCAR"
## [76] "CAFE" "ESPECIAS" "OTRO_ALI" "BEBIDAS" "FUERA_HOG"
## [81] "TABACO" "VESTIDO_C" "VESTIDO" "CALZADO" "VIVIENDA"
## [86] "ALQUILER" "PRED_CONS" "AGUA" "ENERGIA" "LIMPIEZA"
## [91] "CUIDADOS" "UTENSILIOS" "ENSERES" "SALUD" "ATEN_PRI"
## [96] "HOSPITAL" "MEDICA" "TRANSPORTE" "PUBLICO" "FORANEO"
## [101] "ADQUI" "MANTE" "REFA" "COMBUS" "COMUNICA"
## [106] "EDUCACION" "EDUCA" "ESPARCI" "PAQUETE" "PERSONAL"
## [111] "CUIDADO" "ACCESORIO" "OTROS_GAS" "TRANSFE" "PERTOT"
## [116] "PERMON" "RETIRO" "PRESTAMO" "OTRAS_PR" "EROTOT"
## [121] "ERONOM" "EROMON" "CUOTA" "MAT_SERV" "MATERIAL"
## [126] "SERVICIO" "DEPOSITO" "TERCEROS" "PAGO_TAR" "DEUDAS"
## [131] "BALANCE" "OTRA_ERO" "SMG" "EST_DIS" "UPM"
datos <- datos %>%
mutate(
ubica_geo_str = str_pad(as.character(UBICA_GEO), 5, "left", pad = "0"),
ent = as.numeric(str_sub(ubica_geo_str, 1, 2)),
INGCOR = as.numeric(INGCOR),
INGMON = as.numeric(INGMON),
FACTOR = as.numeric(FACTOR)
)
table(datos$ent)
##
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
## 305 438 270 385 520 387 908 801 2542 500 1732 790 434 2316 2480 642
## 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
## 477 343 382 991 660 2475 307 484 412 2512 478 545 365 795 2409 383
resultado_2008 <- datos %>%
filter(ent %in% c(7, 28)) %>%
group_by(ent) %>%
summarise(
ingreso_prom_ict = sum(INGCOR * FACTOR, na.rm = TRUE) / sum(FACTOR, na.rm = TRUE),
ingreso_prom_mon = sum(INGMON * FACTOR, na.rm = TRUE) / sum(FACTOR, na.rm = TRUE)
)
# Deflact
inpc_2008 <- 67.1270
inpc_2024 <- 136.013
factor_deflactor_2008 <- inpc_2024 / inpc_2008
resultado_2008 <- resultado_2008 %>%
mutate(
ingreso_prom_ict_2024pesos = ingreso_prom_ict * factor_deflactor_2008,
ingreso_prom_mon_2024pesos = ingreso_prom_mon * factor_deflactor_2008
)
print(resultado_2008)
## # A tibble: 2 × 5
## ent ingreso_prom_ict ingreso_prom_mon ingreso_prom_ict_2024pesos
## <dbl> <dbl> <dbl> <dbl>
## 1 7 18697. 15125. 37883.
## 2 28 35670. 29017. 72274.
## # ℹ 1 more variable: ingreso_prom_mon_2024pesos <dbl>
2006
datos <- read.dbf("ENIGH2006.dbf", as.is = TRUE)
hogares <- read.dbf("factor2006.dbf", as.is = TRUE)
str(datos$folio); str(hogares$folio)
## chr [1:20875] "20060110010" "20060110020" "20060110030" "20060110050" ...
## NULL
str(datos$hog); str(hogares$hog)
## num [1:20875] 861 861 861 861 1389 ...
## NULL
# Uno ingresos con la otra base que trae el factor de expansión
datos <- datos %>%
left_join(hogares %>% select(FOLIO, FACTOR),
by = c("folio" = "FOLIO"))
datos <- datos %>%
mutate(
ubica_geo_str = str_pad(as.character(ubica_geo), 5, "left", pad = "0"),
ent = as.numeric(str_sub(ubica_geo_str, 1, 2)),
ingcor = as.numeric(ingcor),
ingmon = as.numeric(ingmon),
factor = as.numeric(FACTOR)
)
table(datos$ent)
##
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
## 378 559 312 477 596 412 713 850 1135 556 1889 762 541 657 1161 592
## 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
## 515 335 487 784 618 418 427 521 506 682 458 635 359 1745 431 364
sum(is.na(datos$factor))
## [1] 0
# Filtrar y agrupar
resultado_2006 <- datos %>%
filter(ent %in% c(7, 28)) %>%
group_by(ent) %>%
summarise(
ingreso_prom_ict = sum(ingcor * factor, na.rm = TRUE) / sum(factor, na.rm = TRUE),
ingreso_prom_mon = sum(ingmon * factor, na.rm = TRUE) / sum(factor, na.rm = TRUE)
)
inpc_2006 <- 62.6920
inpc_2024 <- 136.013
factor_deflactor_2006 <- inpc_2024 / inpc_2006
resultado_2006 <- resultado_2006 %>%
mutate(
ingreso_prom_ict_2024pesos = ingreso_prom_ict * factor_deflactor_2006,
ingreso_prom_mon_2024pesos = ingreso_prom_mon * factor_deflactor_2006
)
print(resultado_2006)
## # A tibble: 2 × 5
## ent ingreso_prom_ict ingreso_prom_mon ingreso_prom_ict_2024pesos
## <dbl> <dbl> <dbl> <dbl>
## 1 7 21825. 17198. 47350.
## 2 28 34396. 28613. 74624.
## # ℹ 1 more variable: ingreso_prom_mon_2024pesos <dbl>
2005
library(dplyr)
library(stringr)
library(foreign)
datos <- read.dbf("Enigh2005.dbf", as.is = TRUE)
hogares <- read.dbf("factor2005.dbf", as.is = TRUE)
str(datos$folio); str(hogares$folio)
## NULL
## NULL
str(datos$hog); str(hogares$hog)
## NULL
## NULL
datos <- datos %>%
left_join(hogares %>% select(FOLIO, FACTOR),
by = c("FOLIO"))
# Crea la columna de entidad
datos <- datos %>%
mutate(
ubica_geo_str = str_pad(as.character(UBICA_GEO), 5, "left", pad = "0"),
ent = as.numeric(str_sub(ubica_geo_str, 1, 2)),
ingcor = as.numeric(INGCOR),
ingmon = as.numeric(INGMON),
factor = as.numeric(FACTOR)
)
table(datos$ent)
##
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
## 384 550 400 544 554 389 650 776 1194 561 610 661 590 506 1226 537
## 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
## 472 401 525 686 1878 456 444 526 469 1836 1798 609 385 1757 455 345
sum(is.na(datos$factor))
## [1] 0
resultado_2006 <- datos %>%
filter(ent %in% c(7, 28)) %>%
group_by(ent) %>%
summarise(
ingreso_prom_ict = sum(ingcor * factor, na.rm = TRUE) / sum(factor, na.rm = TRUE),
ingreso_prom_mon = sum(ingmon * factor, na.rm = TRUE) / sum(factor, na.rm = TRUE)
)
inpc_2006 <- 62.6920
inpc_2024 <- 136.013
factor_deflactor_2006 <- inpc_2024 / inpc_2006
resultado_2006 <- resultado_2006 %>%
mutate(
ingreso_prom_ict_2024pesos = ingreso_prom_ict * factor_deflactor_2006,
ingreso_prom_mon_2024pesos = ingreso_prom_mon * factor_deflactor_2006
)
print(resultado_2006)
## # A tibble: 2 × 5
## ent ingreso_prom_ict ingreso_prom_mon ingreso_prom_ict_2024pesos
## <dbl> <dbl> <dbl> <dbl>
## 1 7 19154. 15797. 41556.
## 2 28 32464. 26525. 70432.
## # ℹ 1 more variable: ingreso_prom_mon_2024pesos <dbl>
2004
library(dplyr)
library(stringr)
library(foreign)
datos <- read.dbf("enigh2004.dbf", as.is = TRUE)
hogares <- read.dbf("factor2004.dbf", as.is = TRUE)
str(datos$folio); str(hogares$folio)
## NULL
## NULL
str(datos$hog); str(hogares$hog)
## NULL
## NULL
datos <- datos %>%
left_join(hogares %>% select(FOLIO, FACTOR),
by = c("FOLIO"))
datos <- datos %>%
mutate(
ubica_geo_str = str_pad(as.character(UBICA_GEO), 5, "left", pad = "0"),
ent = as.numeric(str_sub(ubica_geo_str, 1, 2)),
ingcor = as.numeric(INGCOR),
ingmon = as.numeric(INGMON),
factor = as.numeric(FACTOR)
)
table(datos$ent)
##
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
## 383 555 380 527 558 389 673 743 2964 554 636 667 569 499 1214 540
## 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
## 480 387 3055 694 587 465 435 557 458 519 460 593 404 811 494 345
sum(is.na(datos$factor))
## [1] 0
resultado_2006 <- datos %>%
filter(ent %in% c(7, 28)) %>%
group_by(ent) %>%
summarise(
ingreso_prom_ict = sum(ingcor * factor, na.rm = TRUE) / sum(factor, na.rm = TRUE),
ingreso_prom_mon = sum(ingmon * factor, na.rm = TRUE) / sum(factor, na.rm = TRUE)
)
inpc_2006 <- 56.8280
inpc_2024 <- 136.013
factor_deflactor_2006 <- inpc_2024 / inpc_2006
resultado_2006 <- resultado_2006 %>%
mutate(
ingreso_prom_ict_2024pesos = ingreso_prom_ict * factor_deflactor_2006,
ingreso_prom_mon_2024pesos = ingreso_prom_mon * factor_deflactor_2006
)
print(resultado_2006)
## # A tibble: 2 × 5
## ent ingreso_prom_ict ingreso_prom_mon ingreso_prom_ict_2024pesos
## <dbl> <dbl> <dbl> <dbl>
## 1 7 14765. 11985. 35339.
## 2 28 29057. 24326. 69546.
## # ℹ 1 more variable: ingreso_prom_mon_2024pesos <dbl>
Porcentaje de la población que usa computadora y su uso
destinado
library(foreign)
library(dplyr)
usu25 <- read.dbf(
"~/Downloads/endutih2025_bd_dbf/ti25usu.dbf",
as.is = TRUE
)
#usuarios2025 <- read.dbf("ti25usu.dbf", as.is = TRUE)
uso_computadora <- usu25 %>%
filter(CVE_ENT %in% c("07", "28")) %>%
mutate(
entidad = case_when(
CVE_ENT == "07" ~ "Chiapas",
CVE_ENT == "28" ~ "Tamaulipas"
),
FAC_PER = as.numeric(FAC_PER),
usa_computadora = if_else(P6_1 == "1", 1, 0)
) %>%
filter(P6_1 %in% c("1", "2")) %>%
group_by(entidad) %>%
summarise(
porcentaje_usa_computadora = sum(usa_computadora * FAC_PER, na.rm = TRUE) /
sum(FAC_PER, na.rm = TRUE) * 100,
.groups = "drop"
) %>%
mutate(
porcentaje_usa_computadora = round(porcentaje_usa_computadora, 2)
)
print(uso_computadora)
## # A tibble: 2 × 2
## entidad porcentaje_usa_computadora
## <chr> <dbl>
## 1 Chiapas 22.7
## 2 Tamaulipas 42.6
usu25 <- read.dbf("~/Downloads/endutih2025_bd_dbf/ti25usu.dbf", as.is = TRUE)
str(usu25$CVE_ENT)
## chr [1:57810] "01" "01" "01" "01" "01" "01" "01" "01" "01" "01" "01" "01" ...
str(usu25$FAC_PER)
## int [1:57810] 483 491 493 474 481 694 724 219 235 690 ...
names(usu25) <- toupper(names(usu25))
usu25 <- usu25 %>%
mutate(
ent = as.numeric(CVE_ENT),
factor = as.numeric(FAC_PER),
uso_laboral = as.character(P6_8_1),
uso_escolar = as.character(P6_8_2),
uso_capacitacion = as.character(P6_8_3),
uso_entretenimiento = as.character(P6_8_4),
uso_internet = as.character(P6_8_5),
uso_otro = as.character(P6_8_6)
)
#Variables para el uso de computadora
vars_computadora <- c(
uso_laboral = "Actividades laborales",
uso_escolar = "Labores escolares",
uso_capacitacion = "Capacitación independiente",
uso_entretenimiento = "Entretenimiento",
uso_internet = "Acceso a internet",
uso_otro = "Otro uso"
)
#Porcentaje para chiaps y tamaulipas
usos_computadora25 <- usu25 %>%
filter(ent %in% c(7, 28)) %>%
mutate(
entidad = case_when(
ent == 7 ~ "Chiapas",
ent == 28 ~ "Tamaulipas"
)
) %>%
select(entidad, factor, all_of(names(vars_computadora))) %>%
pivot_longer(
cols = all_of(names(vars_computadora)),
names_to = "variable",
values_to = "respuesta"
) %>%
mutate(
uso = vars_computadora[variable],
respuesta = as.character(respuesta)
) %>%
filter(respuesta %in% c("1", "2")) %>%
group_by(entidad, uso) %>%
summarise(
porcentaje = sum((respuesta == "1") * factor, na.rm = TRUE) /
sum(factor, na.rm = TRUE) * 100,
.groups = "drop"
) %>%
mutate(
porcentaje = round(porcentaje, 2)
) %>%
arrange(entidad, uso)
print(usos_computadora25, n = Inf)
## # A tibble: 12 × 3
## entidad uso porcentaje
## <chr> <chr> <dbl>
## 1 Chiapas Acceso a internet 65.4
## 2 Chiapas Actividades laborales 59.0
## 3 Chiapas Capacitación independiente 20.6
## 4 Chiapas Entretenimiento 47.4
## 5 Chiapas Labores escolares 49.4
## 6 Chiapas Otro uso 0.24
## 7 Tamaulipas Acceso a internet 74.1
## 8 Tamaulipas Actividades laborales 62.7
## 9 Tamaulipas Capacitación independiente 21.2
## 10 Tamaulipas Entretenimiento 61.2
## 11 Tamaulipas Labores escolares 38.9
## 12 Tamaulipas Otro uso 0