Reconocimiento del trabajo según sexo y otras variables
Se plantea como pregunta de investigación: ¿Qué variaciones existen en la percepción de reconocimiento laboral entre mujeres y varones según nivel educativo, región, rango etario, sector de ocupación y rama de actividad? Esta pregunta se abordará analizando la encuesta ECETSS 2018, comparando la percepción de reconocimiento general por cada sexo, para luego analizar variaciones al incorporar una tercera variable como nivel educativo, región, rango etario, sector de ocupación y rama de actividad.
# Se declara la lista de paquetes requeridos: lectura de SPSS, manipulación,
# completado de combinaciones y elaboración/guardado de gráficos.
# Instalar paquetes solo si aún no están instalados
paquetes <- c("haven", "dplyr", "tidyr", "ggplot2", "forcats", "scales","ggforce")
# Se compara la lista requerida con los paquetes ya disponibles en R y se
# conserva únicamente aquello que falta, evitando instalaciones repetidas.
paquetes_faltantes <- paquetes[!paquetes %in% installed.packages()[, "Package"]]
if (length(paquetes_faltantes) > 0) {
install.packages(paquetes_faltantes)
}
# Cargar los paquetes para que sus funciones estén disponibles durante el análisis.
library(haven)
library(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, unionlibrary(tidyr)
library(ggplot2)
library(forcats)
library(scales)
library(ggforce)
# ------------------------------------------------------------
# 1. Leer la base
# ------------------------------------------------------------
# Importa el archivo SPSS. Las etiquetas de valores se preservan como atributos
# y luego se convertirán a texto legible con as_factor().
datos <- read_sav("ECETSS_ocupados.sav")
# Verificar que las variables requeridas existan antes de transformar la base;
# así el análisis se detiene con un mensaje claro si se cambió el archivo fuente.
variables_necesarias <- c(
"recomp_valorac",
"C3P16.1",
"nivel_ed",
"region",
"C0P10.3",
"sector",
"ramacaes_o"
)
# setdiff identifica las variables solicitadas que no figuran entre las columnas importadas.
variables_faltantes <- setdiff(variables_necesarias, names(datos))
if (length(variables_faltantes) > 0) {
stop(
paste(
"No se encontraron estas variables en la base:",
paste(variables_faltantes, collapse = ", ")
)
)
}
# ------------------------------------------------------------
# 2. Preparar la base y traducir las variables
# ------------------------------------------------------------
# Construye una base analítica con solo las variables necesarias. transmute()
# crea/renombra columnas y descarta el resto de la base original.
base_reconocimiento <- datos %>%
transmute(
frecuencia_valoracion = as.character(as_factor(recomp_valorac)),
sexo = as.character(as_factor(`C3P16.1`)),
nivel_educativo = as.character(as_factor(nivel_ed)),
region = as.character(as_factor(region)),
edad = as.numeric(`C0P10.3`),
sector = as.character(as_factor(sector)),
rama_actividad = as.character(as_factor(ramacaes_o))
) %>%
mutate(
# Agrupa la edad numérica en intervalos de diez años. case_when evalúa las
# condiciones en orden; las edades fuera de los intervalos quedan como NA.
rango_etario = case_when(
edad >= 15 & edad <= 19 ~ "15 a 19 años",
edad >= 20 & edad <= 29 ~ "20 a 29 años",
edad >= 30 & edad <= 39 ~ "30 a 39 años",
edad >= 40 & edad <= 49 ~ "40 a 49 años",
edad >= 50 & edad <= 59 ~ "50 a 59 años",
edad >= 60 & edad <= 69 ~ "60 a 69 años",
edad >= 70 & edad <= 79 ~ "70 a 79 años",
edad >= 80 & edad <= 89 ~ "80 a 89 años",
TRUE ~ NA_character_
),
# Resume las siete respuestas originales en cuatro niveles sustantivos:
# Alto, Medio, Bajo y S/R (sin respuesta o no aplicable).
nivel_reconocimiento = case_when(
frecuencia_valoracion %in% c("Siempre", "Muchas veces") ~ "Alto",
frecuencia_valoracion == "Algunas veces" ~ "Medio",
frecuencia_valoracion %in% c("Solo alguna vez", "Nunca") ~ "Bajo",
frecuencia_valoracion %in% c("No corresponde", "Ns/Nc") ~ "S/R",
TRUE ~ NA_character_
),
# Convierte variables a factores y fija su orden. Esto evita que tablas,
# leyendas y ejes se ordenen alfabéticamente o de manera inconsistente.
sexo = factor(sexo, levels = c("Varón", "Mujer")),
nivel_reconocimiento = factor(
nivel_reconocimiento,
levels = c("Alto", "Medio", "Bajo", "S/R")
),
frecuencia_valoracion = factor(
frecuencia_valoracion,
levels = c(
"Siempre",
"Muchas veces",
"Algunas veces",
"Solo alguna vez",
"Nunca",
"No corresponde",
"Ns/Nc"
)
)
) %>%
# Excluye registros sin sexo o sin nivel de reconocimiento clasificable,
# porque no pueden aportar a comparaciones según sexo.
filter(!is.na(sexo), !is.na(nivel_reconocimiento))
# Colores para los gráficos
colores_reconocimiento <- c(
"Alto" = "#1B9E77",
"Medio" = "#E6AB02",
"Bajo" = "#D95F02",
"S/R" = "#7570B3"
)
# Crea la carpeta de salida solo si no existe; así el documento puede ejecutarse
# varias veces sin producir un error por intentar recrearla.
if (!dir.exists("graficos_reconocimiento")) {
dir.create("graficos_reconocimiento")
}
# Calcula, para cada sexo, la proporción general de reconocimiento Alto. Esta
# referencia se repetirá como diamante en cada gráfico desagregado.
referencia_alto_sexo <- base_reconocimiento %>%
filter(nivel_reconocimiento %in% c("Alto", "Medio", "Bajo")) %>%
group_by(sexo) %>%
summarise(
referencia_alto = mean(
as.character(nivel_reconocimiento) == "Alto"
),
.groups = "drop"
)
referencia_alto_sexo# ------------------------------------------------------------
# 3. Cruce inicial: frecuencia de valoración según sexo
# Se excluyen Ns/Nc y No corresponde del gráfico
# ------------------------------------------------------------
# Tabla para el gráfico: se cuentan casos por sexo y nivel, y los porcentajes
# se calculan dentro de cada sexo solo entre Alto, Medio y Bajo. S/R no entra
# al denominador para no mezclar falta de respuesta con la distribución analizada.
tabla_frecuencia_sexo <- base_reconocimiento %>%
filter(nivel_reconocimiento %in% c("Alto", "Medio", "Bajo")) %>%
count(sexo, nivel_reconocimiento, name = "casos") %>%
group_by(sexo) %>%
mutate(
porcentaje = round(100 * casos / sum(casos), 1)
) %>%
ungroup()
tabla_frecuencia_sexo# Tabla de control: cuantifica los S/R excluidos y qué porcentaje representan
# del total de personas de cada sexo, para transparentar la exclusión.
tabla_sr_sexo <- base_reconocimiento %>%
filter(nivel_reconocimiento == "S/R") %>%
count(sexo, name = "casos_sin_respuesta") %>%
left_join(
base_reconocimiento %>%
count(sexo, name = "total_respondentes"),
by = "sexo"
) %>%
mutate(
porcentaje_sin_respuesta = round(
100 * casos_sin_respuesta / total_respondentes,
1
)
)
tabla_sr_sexo# Colores solicitados
colores_grafico <- c(
"Alto" = "#58A65C",
"Medio" = "#A6A6A6",
"Bajo" = "#F4A6B5"
)
# Gráfico de barras apiladas al 100%: cada barra representa la distribución de
# niveles de reconocimiento dentro de un sexo; las etiquetas muestran el valor exacto.
grafico_frecuencia_sexo <- ggplot(
tabla_frecuencia_sexo,
aes(x = sexo, y = porcentaje, fill = nivel_reconocimiento)
) +
geom_col(width = 0.65, color = "white", linewidth = 0.6) +
geom_text(
aes(label = paste0(porcentaje, "%")),
position = position_stack(vjust = 0.5),
color = "black",
fontface = "bold",
size = 4
) +
scale_fill_manual(
values = colores_grafico,
breaks = c("Alto", "Medio", "Bajo")
) +
scale_y_continuous(
labels = function(x) paste0(x, "%"),
breaks = seq(0, 100, 25),
expand = c(0, 0)
) +
coord_cartesian(ylim = c(0, 100)) +
labs(
title = "Reconocimiento laboral según sexo",
subtitle = "Porcentaje dentro de cada sexo",
x = NULL,
y = "Porcentaje",
fill = "Nivel de reconocimiento",
caption = paste(
"Alto: siempre o muchas veces. Medio: algunas veces. Bajo: solo alguna vez o nunca.\n",
"No corresponde y Ns/Nc se excluyen del gráfico; ver tabla de control."
)
) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold"),
legend.position = "bottom",
panel.grid.major.x = element_blank(),
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 8)
)
grafico_frecuencia_sexo
# Exporta la figura en PNG de alta resolución para usarla fuera del informe.
ggsave(
"graficos_reconocimiento/01_reconocimiento_segun_sexo.png",
grafico_frecuencia_sexo,
width = 10,
height = 7,
dpi = 300
)
# ============================================================
# 4. FUNCIÓN PARA GRÁFICOS CON BRECHA Y REFERENCIA GENERAL
# ============================================================
colores_grafico <- c(
"Alto" = "#58A65C",
"Medio" = "#A6A6A6",
"Bajo" = "#F4A6B5"
)
crear_grafico_brecha <- function(
base,
variable,
titulo_variable,
orden = NULL,
excluidos = character(0),
archivo,
alto = 9,
tamano_etiquetas = 8,
espaciado_filas = 0.15,
ancho_etiquetas = 18
) {
base_grafico <- base %>%
transmute(
sexo = factor(as.character(sexo), levels = c("Varón", "Mujer")),
grupo = trimws(as.character(.data[[variable]])),
nivel_reconocimiento = factor(
as.character(nivel_reconocimiento),
levels = c("Alto", "Medio", "Bajo")
)
) %>%
filter(!is.na(sexo), !is.na(grupo))
tabla_excluidos <- base_grafico %>%
filter(grupo %in% excluidos) %>%
count(grupo, sexo, name = "casos") %>%
mutate(
porcentaje_muestra = round(100 * casos / nrow(base_grafico), 2)
)
print(tabla_excluidos)
base_grafico <- base_grafico %>%
filter(
!grupo %in% excluidos,
nivel_reconocimiento %in% c("Alto", "Medio", "Bajo")
)
categorias_presentes <- unique(base_grafico$grupo)
if (is.null(orden)) {
orden_final <- sort(categorias_presentes)
} else {
orden_final <- c(
orden[orden %in% categorias_presentes],
setdiff(categorias_presentes, orden)
)
}
base_grafico <- base_grafico %>%
mutate(
grupo = factor(
grupo,
levels = orden_final,
ordered = TRUE
)
)
tabla <- base_grafico %>%
count(grupo, sexo, nivel_reconocimiento, name = "casos") %>%
complete(
grupo,
sexo,
nivel_reconocimiento,
fill = list(casos = 0)
)
tabla_pct <- tabla %>%
group_by(grupo, sexo) %>%
mutate(proporcion = casos / sum(casos)) %>%
ungroup()
df_gap <- tabla_pct %>%
filter(nivel_reconocimiento == "Alto") %>%
select(grupo, sexo, proporcion) %>%
pivot_wider(
names_from = sexo,
values_from = proporcion,
values_fill = 0
) %>%
mutate(
brecha_pp = (`Varón` - Mujer) * 100,
brecha_texto = paste0(
ifelse(brecha_pp > 0, "+", ""),
round(brecha_pp, 1),
" pp"
)
)
df_ovalo <- df_gap %>%
select(grupo, Mujer, `Varón`) %>%
pivot_longer(
cols = c(Mujer, `Varón`),
names_to = "sexo",
values_to = "proporcion_alto"
) %>%
mutate(
sexo = factor(sexo, levels = c("Varón", "Mujer"))
)
df_diamante <- tidyr::expand_grid(
grupo = factor(
levels(tabla$grupo),
levels = levels(tabla$grupo),
ordered = TRUE
),
sexo = factor(
c("Varón", "Mujer"),
levels = c("Varón", "Mujer")
)
) %>%
left_join(
referencia_alto_sexo,
by = "sexo"
)
grafico <- ggplot(
data = tabla,
aes(
x = casos,
y = sexo,
fill = nivel_reconocimiento
)
) +
geom_col(
position = position_fill(reverse = TRUE),
color = "white",
linewidth = 0.4
) +
ggforce::geom_mark_ellipse(
data = df_ovalo,
aes(
x = proporcion_alto,
y = sexo,
group = grupo
),
inherit.aes = FALSE,
color = "#1976D2",
fill = NA,
linewidth = 0.9,
expand = grid::unit(2.5, "mm")
) +
geom_point(
data = df_diamante,
aes(
x = referencia_alto,
y = sexo
),
inherit.aes = FALSE,
shape = 23,
size = 3.8,
stroke = 1,
fill = "#58A65C",
color = "white"
) +
geom_text(
data = df_gap,
aes(
y = "Mujer",
label = brecha_texto
),
x = 1.05,
inherit.aes = FALSE,
hjust = 0,
color = "gray30",
fontface = "bold",
size = 3
) +
facet_grid(
grupo ~ .,
switch = "y",
labeller = labeller(grupo = label_wrap_gen(ancho_etiquetas))
) +
scale_fill_manual(
values = colores_grafico,
breaks = c("Alto", "Medio", "Bajo")
) +
scale_x_continuous(
labels = scales::percent,
breaks = seq(0, 1, by = 0.25),
expand = c(0, 0)
) +
coord_cartesian(
xlim = c(0, 1.15),
clip = "off"
) +
guides(
fill = guide_legend(order = 1)
) +
labs(
title = paste(
"Nivel de reconocimiento laboral según sexo\ny",
tolower(titulo_variable)
),
subtitle = paste(
"Distribución porcentual dentro de cada sexo y",
tolower(titulo_variable)
),
x = "Porcentaje",
y = NULL,
fill = "Nivel de reconocimiento",
caption = paste(
"Alto: siempre o muchas veces. Medio: algunas veces. Bajo: solo alguna vez o nunca.\n",
"Los óvalos azules y los valores en pp indican la brecha de reconocimiento Alto ",
"(diferencia entre Varón y Mujer).\n",
"El diamante verde representa el promedio general de reconocimiento Alto para cada sexo."
)
) +
theme_minimal(base_size = 12) +
theme(
plot.title = element_text(
face = "bold",
size = 14,
lineheight = 0.9
),
legend.position = "bottom",
strip.text.y.left = element_text(
angle = 0,
face = "bold",
size = tamano_etiquetas,
lineheight = 0.8,
margin = margin(r = 10)
),
strip.placement = "outside",
axis.text.y = element_text(size = 8),
panel.grid.major.y = element_blank(),
panel.spacing.y = grid::unit(espaciado_filas, "lines"),
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 8)
)
print(grafico)
ggsave(
paste0("graficos_reconocimiento/", archivo),
grafico,
width = 12,
height = alto,
dpi = 300
)
return(
list(
tabla = tabla,
tabla_excluidos = tabla_excluidos,
brechas = df_gap,
grafico = grafico
)
)
}
# ============================================================
# ÓRDENES DE LAS CATEGORÍAS
# ============================================================
orden_nivel_educativo <- c(
"Posgrado completo",
"Posgrado incompleto",
"Universitario completo",
"Universitario incompleto",
"Terciario completo",
"Terciario incompleto",
"Secundario completo",
"Secundario incompleto",
"Primario completo",
"Primario incompleto",
"Sin instrucción"
)
orden_region <- c(
"Gran Buenos Aires",
"Pampeana",
"NOA",
"NEA",
"Patagonia",
"Cuyo"
)
orden_rango_etario <- c(
"80 a 89 años",
"70 a 79 años",
"60 a 69 años",
"50 a 59 años",
"40 a 49 años",
"30 a 39 años",
"20 a 29 años",
"15 a 19 años"
)
orden_sector <- c(
"Privado",
"Público o estatal",
"De otro tipo"
)
orden_rama_actividad <- c(
"Actividades primarias",
"Industria manufacturera",
"Construcción",
"Comercio",
"Hoteles y restaurantes",
"Transporte, alm y comunic",
"Serv financ, inm, alq y emp",
"Administración pública y defensa",
"Enseñanza",
"Servicios sociales y de salud",
"Otros serv comunit, soc y per",
"Trabajo doméstico",
"Otras ramas"
)
# ============================================================
# GRÁFICOS
# ============================================================
resultado_nivel_educativo <- crear_grafico_brecha(
base = base_reconocimiento,
variable = "nivel_educativo",
titulo_variable = "Nivel educativo",
orden = orden_nivel_educativo,
excluidos = c("Ns/Nc", "S/R"),
archivo = "02_reconocimiento_sexo_nivel_educativo.png",
alto = 14
)## # A tibble: 2 × 4
## grupo sexo casos porcentaje_muestra
## <chr> <fct> <int> <dbl>
## 1 Ns/Nc Varón 6 0.07
## 2 Ns/Nc Mujer 6 0.07
resultado_region <- crear_grafico_brecha(
base = base_reconocimiento,
variable = "region",
titulo_variable = "Región",
orden = orden_region,
archivo = "03_reconocimiento_sexo_region.png",
alto = 8
)## # A tibble: 0 × 4
## # ℹ 4 variables: grupo <chr>, sexo <fct>, casos <int>, porcentaje_muestra <dbl>
resultado_rango_etario <- crear_grafico_brecha(
base = base_reconocimiento,
variable = "rango_etario",
titulo_variable = "Rango etario",
orden = orden_rango_etario,
archivo = "04_reconocimiento_sexo_rango_etario.png",
alto = 10
)## # A tibble: 0 × 4
## # ℹ 4 variables: grupo <chr>, sexo <fct>, casos <int>, porcentaje_muestra <dbl>
resultado_sector <- crear_grafico_brecha(
base = base_reconocimiento,
variable = "sector",
titulo_variable = "Sector de ocupación",
orden = orden_sector,
excluidos = c("Ns/Nc", "S/R"),
archivo = "05_reconocimiento_sexo_sector.png",
alto = 7
)## # A tibble: 2 × 4
## grupo sexo casos porcentaje_muestra
## <chr> <fct> <int> <dbl>
## 1 Ns/Nc Varón 1 0.01
## 2 Ns/Nc Mujer 2 0.02
resultado_rama_actividad <- crear_grafico_brecha(
base = base_reconocimiento,
variable = "rama_actividad",
titulo_variable = "Rama de actividad",
orden = orden_rama_actividad,
excluidos = c("Sin especificar", "Ns/Nc", "S/R"),
archivo = "06_reconocimiento_sexo_rama_actividad.png",
alto = 16,
tamano_etiquetas = 7,
espaciado_filas = 0.15,
ancho_etiquetas = 30
)## # A tibble: 2 × 4
## grupo sexo casos porcentaje_muestra
## <chr> <fct> <int> <dbl>
## 1 Sin especificar Varón 17 0.19
## 2 Sin especificar Mujer 6 0.07