1 Propósito

En las prácticas anteriores conocimos la base de la ENBIARE 2025 y comenzamos a comparar grupos.

En esta práctica construiremos y organizaremos distintas variables que podrían estar relacionadas con la satisfacción con la vida.

La pregunta que guiará el trabajo será:

¿Qué características y condiciones de las personas podrían estar relacionadas con su satisfacción con la vida?

Para cada variable seguiremos una misma secuencia:

identificar qué mide y cómo está codificada;
construir o etiquetar la variable;
obtener frecuencias absolutas y relativas;
calcular la satisfacción media para sus categorías;
obtener un intervalo de confianza del 95% (IC95%);
representar gráficamente la media y su IC95%;
interpretar descriptivamente el patrón observado.

Importante: todavía no utilizaremos pruebas de significancia estadística. Los intervalos de confianza se introducirán de manera gráfica y descriptiva. Más adelante estudiaremos formalmente su interpretación.

2 1. Preparar el directorio de trabajo

Comience revisando el directorio actual.

getwd()

## [1] "/Users/denise/Desktop/Metodologia/enbiare_2025_base_de_datos_csv"

Defina ahora la carpeta en la que guardó la base correspondiente a su entidad.

base <- readRDS("base_chis.rds")
setwd("/Users/denise/Desktop/Metodologia/enbiare_2025_base_de_datos_csv")

Compruebe qué archivos se encuentran en esa carpeta.

list.files()

##  [1] "000010.png"                                        
##  [2] "base_chis.rds"                                     
##  [3] "base.rds"                                          
##  [4] "nota_base_datos_enbiare_2025.txt"                  
##  [5] "Practica_1_ENAH_ENBIARE.html"                      
##  [6] "Practica_1_ENAH_ENBIARE.Rmd"                       
##  [7] "Practica_2_ENAH_ENBIARE.html"                      
##  [8] "Practica_2_ENAH_ENBIARE.Rmd"                       
##  [9] "Practica_3_ENAH_ENBIARE_construccion_variables.Rmd"
## [10] "Practica-1.RData"                                  
## [11] "Primera  Practica ENBIARE.R"                       
## [12] "rsconnect"                                         
## [13] "TENBIARE.csv"                                      
## [14] "THOGAR.csv"                                        
## [15] "TSDEM.csv"                                         
## [16] "TVIVIENDA.csv"                                     
## [17] "Untitled.R"

Pregunta 1. ¿Cuál es su directorio de trabajo?

Respuesta: /Users/denise/Desktop/Metodologia/enbiare_2025_base_de_datos_csv

3 2. Leer la base de la entidad

Cada estudiante utilizará el archivo .rds correspondiente a la entidad seleccionada.

A partir de esta práctica, independientemente del nombre del archivo, llamaremos base al objeto con el que trabajaremos.

Modifique el nombre del archivo en el siguiente código.

base <- readRDS("base_chis.rds")

Una vez leído el archivo, compruebe sus dimensiones.

dim(base)

## [1] 1020  276

Pregunta 2.

**Entidad: Chiapas
**Nombre del archivo: base
**Número de casos: 1020
**Número de variables: 276

4 3. Nuestra variable principal: satisfacción con la vida

La variable PA1 registra la satisfacción actual con la vida en una escala de 0 a 10.

Primero revise cómo se encuentra almacenada.

str(base$PA1)

##  num [1:1020] 10 8 8 8 7 9 10 7 10 10 ...

table(base$PA1, useNA = "ifany")

## 
##   0   1   2   3   4   5   6   7   8   9  10 
##   4   1   5   7  10  35  29  60 198 213 458

Construya una variable numérica llamada satisf_vida.

base$satisf_vida <- as.numeric(base$PA1)

summary(base$satisf_vida)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   0.000   8.000   9.000   8.747  10.000  10.000

Pregunta 3. Registre:

**Media: 8.747
**Mediana: 9
**Mínimo: 0.000
**Máximo: 10

En esta práctica consideraremos satisf_vida como la variable que queremos comprender o explicar.

5 4. Una función que utilizaremos durante toda la práctica

Vamos a construir una función para calcular:

número de casos;
media;
límite inferior del IC95%;
límite superior del IC95%.

Por ahora utilizaremos el IC95% principalmente para visualizar la precisión de las medias. Su interpretación estadística formal se revisará posteriormente.

IC_media <- function(x){
  x <- x[!is.na(x)]
  n <- length(x)
  media <- mean(x)
  error <- qt(0.975, df = n - 1) * sd(x) / sqrt(n)

  c(
    n = n,
    media = media,
    LI = media - error,
    LS = media + error
  )
}

Compruebe la función con satisfacción con la vida.

IC_media(base$satisf_vida)

##           n       media          LI          LS 
## 1020.000000    8.747059    8.645451    8.848666

6 5. Sexo y satisfacción con la vida

6.1 5.1 Revisar la variable original

table(base$SEXO, useNA = "ifany")

## 
##   1   2 
## 493 527

Aunque R almacene SEXO mediante números, esos números representan categorías, no cantidades.

6.2 5.2 Construir la variable

base$sexo_f <- factor(
  base$SEXO,
  levels = c(1, 2),
  labels = c("Hombre", "Mujer")
)

table(base$sexo_f)

## 
## Hombre  Mujer 
##    493    527

6.3 5.3 Frecuencias absolutas y relativas

freq_sexo <- table(base$sexo_f)

freq_sexo

## 
## Hombre  Mujer 
##    493    527

round(prop.table(freq_sexo) * 100, 1)

## 
## Hombre  Mujer 
##   48.3   51.7

Complete:

Sexo	n	%
Hombre	493	48.3%
Mujer	527	51.7%
Total	1020	100

6.4 5.4 Satisfacción con la vida según sexo

tapply(
  base$satisf_vida,
  base$sexo_f,
  mean,
  na.rm = TRUE
)

##   Hombre    Mujer 
## 8.868154 8.633776

Obtenga ahora media e IC95%.

grupos <- split(base$satisf_vida, base$sexo_f)
res <- t(sapply(grupos, IC_media))
round(res, 2)

##          n media   LI   LS
## Hombre 493  8.87 8.73 9.00
## Mujer  527  8.63 8.48 8.78

6.5 5.5 Gráfica de media e IC95%

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(6.5, 9.5),
  xaxt = "n",
  xlab = "Sexo",
  ylab = "Satisfacción con la vida",
  main = "Gráfica 1. Satisfacción con la vida según sexo.
  Chiapas, 2025",
  pch = 19
)

axis(1, at = 1:nrow(res), labels = rownames(res))

arrows(
  1:nrow(res),
  res[, "LI"],
  1:nrow(res),
  res[, "LS"],
  angle = 90,
  code = 3,
  length = 0.05
)

Pregunta 4. ¿Qué observa? ¿Las medias son semejantes o diferentes? Observe también la amplitud de los intervalos.

Respuesta: Las medias son semejantes y los intervalos se cruzan por .05 puntos.

7 6. Edad: de una variable cuantitativa a grupos de edad

EDAD es una variable cuantitativa. Revise primero su distribución.

summary(base$EDAD)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   18.00   32.00   45.00   46.22   59.00   99.00

table(base$EDAD)

## 
## 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 
## 16 21 21 17 21 12 15 22 20 10 21 19 19 16 19 16 27 17 17 22 14 16 19 18 20 21 
## 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 
## 15 25 15 26 18 15 20 14 21 20 17 21 16 19 16 18 15 16 16 12 15 17  9 16  9 10 
## 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 88 89 92 94 99 
## 12 10  5 12  7  9  4  5  6  9 11  3  1  4  4  3  2  1  1  1  1  2

Ahora construiremos grupos de edad.

base$grupo_edad <- cut(
  base$EDAD,
  breaks = c(17, 29, 44, 59, 74, 94),
  labels = c("18-29", "30-44", "45-59", "60-74", "75+")
)

7.1 6.1 Frecuencias

freq_edad <- table(base$grupo_edad)

freq_edad

## 
## 18-29 30-44 45-59 60-74   75+ 
##   215   276   281   181    65

round(prop.table(freq_edad) * 100, 1)

## 
## 18-29 30-44 45-59 60-74   75+ 
##  21.1  27.1  27.6  17.8   6.4

Pregunta 5. ¿Cuál es el grupo más numeroso? ¿Cuál es el menos numeroso?

Respuesta: El grupo de 45 a 59 años de edad es el más numeroso, con 27-7 % de representación.

Pregunta 6. ¿Qué ganamos y qué información perdemos al transformar la edad exacta en grupos de edad?

Respuesta: Ganamos una forma más sencilla de organizar, resumir y comparar las edades, porque podemos observar rápidamente cuántas personas pertenecen a cada grupo. Sin embargo, perdemos precisión, ya que dejamos de conocer la edad exacta de cada persona y las diferencias que existen dentro de un mismo grupo.

7.2 6.2 Satisfacción según grupos de edad

grupos <- split(base$satisf_vida, base$grupo_edad)
res <- t(sapply(grupos, IC_media))

round(res, 2)

##         n media   LI   LS
## 18-29 215  8.96 8.77 9.14
## 30-44 276  8.86 8.69 9.03
## 45-59 281  8.67 8.46 8.87
## 60-74 181  8.62 8.36 8.88
## 75+    65  8.26 7.68 8.85

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(6.5, 10),
  xaxt = "n",
  xlab = "Grupo de edad",
  ylab = "Satisfacción con la vida",
  main = "Gráfica 2. Satisfacción con la vida según grupo de edad.
  Chiapas, 2025",
  pch = 19
)

axis(1, at = 1:nrow(res), labels = rownames(res))

arrows(
  1:nrow(res),
  res[, "LI"],
  1:nrow(res),
  res[, "LS"],
  angle = 90,
  code = 3,
  length = 0.05
)

Pregunta 7. ¿Se observa algún patrón entre edad y satisfacción con la vida? ¿Algún grupo tiene un intervalo considerablemente más amplio? ¿Qué podría explicar esa mayor amplitud?

Respuesta: Podemos observar que conforme aumenta la edad va disminuyendo la satisfacción con la vida. Los intervalos se cruzan y no hay mucha diferencia entre la media de cada grupo.

8 7. Salud autopercibida

PB1 corresponde a salud autopercibida.

Primero revise las categorías originales.

table(base$PB1, useNA = "ifany")

## 
##   1   2   3   4   5 
##  12  32 261 461 254

Construya una variable con etiquetas.

base$salud_f <- factor(
  base$PB1,
  levels = 1:5,
  labels = c(
    "Muy mala",
    "Mala",
    "Regular",
    "Buena",
    "Muy buena"
  ),
  ordered = TRUE
)

base$salud_4 <- factor(
  ifelse(base$PB1 %in% c(1, 2), "Mala",
         ifelse(base$PB1 == 3, "Regular",
                ifelse(base$PB1 == 4, "Buena", "Muy buena"))),
  levels = c("Mala", "Regular", "Buena", "Muy buena"),
  ordered = TRUE
)

8.1 7.1 Frecuencias

freq_salud <- table(base$salud_4)

freq_salud

## 
##      Mala   Regular     Buena Muy buena 
##        44       261       461       254

round(prop.table(freq_salud) * 100, 1)

## 
##      Mala   Regular     Buena Muy buena 
##       4.3      25.6      45.2      24.9

Pregunta 8. ¿Cuál es la categoría de salud más frecuente?

Respuesta: Buena, con 45.2%

8.2 7.2 Salud y satisfacción con la vida

grupos <- split(base$satisf_vida, base$salud_4)
res <- t(sapply(grupos, IC_media))

round(res, 2)

##             n media   LI   LS
## Mala       44  6.64 5.73 7.55
## Regular   261  8.23 8.00 8.45
## Buena     461  8.94 8.82 9.06
## Muy buena 254  9.30 9.14 9.45

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(6.5, 9.8),
  xaxt = "n",
  xlab = "Salud autopercibida",
  ylab = "Satisfacción con la vida",
  main = "Gráfica 3. Satisfacción con la vida según salud autopercibida.
  Chiapas, 2025",
  pch = 19
)

axis(1, at = 1:nrow(res), labels = rownames(res))

arrows(
  1:nrow(res),
  res[, "LI"],
  1:nrow(res),
  res[, "LS"],
  angle = 90,
  code = 3,
  length = 0.05
)

Pregunta 9. ¿Parece existir un gradiente entre salud autopercibida y satisfacción con la vida?

Respuesta: Sí. Parece existir un gradiente positivo: conforme mejora la salud autopercibida, aumenta la satisfacción con la vida. La media pasa de 6.64 en quienes consideran su salud “mala” a 9.30 entre quienes la consideran “muy buena”. Esto sugiere una relación clara entre ambas variables.

9 8. Soledad

Trabajaremos ahora con PB4, frecuencia con que la persona reporta haberse sentido sola.

Antes de construir la variable, observe los códigos.

table(base$PB4, useNA = "ifany")

## 
##   1   2   3   4   5 
## 586 212 112  59  51

Construya la variable etiquetada.

base$soledad_f <- factor(
  base$PB4,
  levels = 1:5,
  labels = c(
    "Nunca",
    "Pocas veces",
    "Algunas veces",
    "La mayor parte del tiempo",
    "Todo el tiempo"
  ),
  ordered = TRUE
)

9.1 8.1 Frecuencias

freq_soledad <- table(base$soledad_f)

freq_soledad

## 
##                     Nunca               Pocas veces             Algunas veces 
##                       586                       212                       112 
## La mayor parte del tiempo            Todo el tiempo 
##                        59                        51

round(prop.table(freq_soledad) * 100, 1)

## 
##                     Nunca               Pocas veces             Algunas veces 
##                      57.5                      20.8                      11.0 
## La mayor parte del tiempo            Todo el tiempo 
##                       5.8                       5.0

9.2 8.2 Soledad y satisfacción

grupos <- split(base$satisf_vida, base$soledad_f)
res <- t(sapply(grupos, IC_media))

round(res, 2)

##                             n media   LI   LS
## Nunca                     586  9.05 8.93 9.17
## Pocas veces               212  8.69 8.51 8.87
## Algunas veces             112  8.11 7.80 8.41
## La mayor parte del tiempo  59  7.71 7.16 8.27
## Todo el tiempo             51  8.08 7.34 8.81

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(6.5, 9.5),
  xaxt = "n",
  xlab = "Frecuencia de soledad",
  ylab = "Satisfacción con la vida",
  main = "Gráfica 4. Satisfacción con la vida según frecuencia de soledad.
  Chiapas, 2025.",
  pch = 19
)

axis(1, at = 1:nrow(res), labels = rownames(res), las = 2)

arrows(
  1:nrow(res),
  res[, "LI"],
  1:nrow(res),
  res[, "LS"],
  angle = 90,
  code = 3,
  length = 0.05
)

Pregunta 10. Conforme aumenta la frecuencia de soledad, ¿qué sucede descriptivamente con la satisfacción con la vida?

Respuesta: Se observa que a mayor frecuencia de sensación de soledad, menor es la satisfacción con la vida. La satisfacción disminuye de 9.05 entre quienes nunca se sienten solos a 7.71 entre quienes se sienten solos la mayor parte del tiempo.

10 9. Capacidad económica

Trabajaremos con PC1, relacionada con la capacidad del hogar para llegar a fin de mes.

Antes de etiquetar sus categorías, consulte el descriptor de ENBIARE y escriba exactamente qué significa cada código.

table(base$PC1, useNA = "ifany")

## 
##   1   2   3   4   5   6 
##  39  68 135 170 405 203

Pregunta 11. Escriba el significado de las categorías de PC1.

Respuesta: 1 Con mucha dificultad 2 Con dificultad 3 Con poca dificultad 4 Con poca facilidad 5 Con facilidad 6 Con mucha facilidad

Construya ahora una variable factor utilizando las etiquetas verificadas en el descriptor.

base$fin_mes_f <- factor(
  base$PC1,
  levels = c(1,2,3,4,5,6),
  labels = c("mucha dificultad", "dificultad", "poca dificultad", "poca facilidad", "facilidad", "mucha facilidad"), 
  ordered = TRUE
)

Obtenga frecuencias absolutas y relativas.

freq_economia <- table(base$fin_mes_f)

freq_economia
round(prop.table(freq_economia) * 100, 1)

Calcule la satisfacción media y los IC95%.

grupos <- split(base$satisf_vida, base$fin_mes_f)
res <- t(sapply(grupos, IC_media))

round(res, 2)

Utilice el mismo procedimiento de las secciones anteriores para construir una gráfica de media e IC95%.

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(6.5, 9.5),
  xaxt = "n",
  xlab = "Capacidad del hogar para llegar a fin de mes",
  ylab = "Satisfacción con la vida",
  main = "Gráfica 5. Satisfacción con la vida según capacidad económica del hogar.
  Chiapas, 2025.",
  pch = 19
)

axis(1, at = 1:nrow(res), labels = rownames(res), las = 2)

arrows(
  1:nrow(res),
  res[, "LI"],
  1:nrow(res),
  res[, "LS"],
  angle = 90,
  code = 3,
  length = 0.05
)

Pregunta 12. ¿Observa algún patrón entre la capacidad económica y la satisfacción con la vida?

Respuesta: Sí, se observa un patrón: conforme aumenta la facilidad económica para llegar a fin de mes, también aumenta la satisfacción promedio con la vida. La media de satisfacción pasa de 7.64 entre quienes tienen mucha dificultad económica a 9.30 entre quienes tienen mucha facilidad.

11 10. Confianza interpersonal

PF1_1 se refiere a la confianza en la mayoría de la gente.

Revise primero la variable.

str(base$PF1_1)

##  chr [1:1020] "05" "04" "00" "07" "05" "05" "07" "08" "05" "07" "10" "00" ...

table(base$PF1_1, useNA = "ifany")

## 
##  00  01  02  03  04  05  06  07  08  09  10 
## 119  25  53  84  61 196 104 140 153  42  43

saveRDS(base, "base.rds")

Pregunta 13. De acuerdo con el descriptor, ¿cómo está medida PF1_1?

Respuesta: Variable cuantitativa discreta, medida en una escala de 0 a 10, donde 0 representa “nada en absoluto” y 10 “completamente.

Los códigos son:

00 Nada en absoluto 01 - 09 Nivel de confianza 10 Completamente

Antes de modificarla, piense:

¿Conviene conservar todos sus valores o agruparlos?

Si decide agruparla, deberá justificar los puntos de corte. Un agrupamiento simplifica la interpretación, pero también implica pérdida de información.

Decisión tomada:

Agruparé los valores de PF1_1 en dos categorías: de 0 a 5 y de 6 a 10.

Justificación:

Se decidió agrupar los valores para facilitar la interpretación y comparación de los niveles de confianza interpersonal. El primer grupo (0–5) representa niveles de confianza nulos o bajos, mientras que el segundo grupo (6–10) representa niveles de confianza medios o altos. El punto de corte permite distinguir entre respuestas ubicadas en la mitad inferior y superior de la escala de 0 a 10, aunque este agrupamiento implica perder parte del detalle de las respuestas originales.

Construya la variable que utilizará, obtenga sus frecuencias absolutas y relativas y posteriormente calcule la satisfacción media y su IC95%.

base$confianza_f <- cut(
  as.numeric(base$PF1_1),
  breaks = c(-1, 5, 10),
  labels = c("confianza baja", "confianza media/alta")
)

freq_confianza <- table(base$confianza_f)

freq_confianza

## 
##       confianza baja confianza media/alta 
##                  538                  482

round(prop.table(freq_confianza) * 100, 1)

## 
##       confianza baja confianza media/alta 
##                 52.7                 47.3

grupos <- split(base$satisf_vida, base$confianza_f)

res <- t(sapply(grupos, IC_media))

round(res, 2)

##                        n media   LI   LS
## confianza baja       538  8.51 8.35 8.66
## confianza media/alta 482  9.01 8.89 9.13

Construya también la gráfica correspondiente.

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(2.5, 8),
  xaxt = "n",
  xlab = "Confianza interpersonal",
  ylab = "Satisfacción con la vida",
  main = "Satisfacción con la vida según nivel de confianza interpersonal",
  pch = 19
)

axis(
  1,
  at = 1:nrow(res),
  labels = rownames(res),
  las = 2
)

arrows(
  1:nrow(res),
  res[, "LI"],
  1:nrow(res),
  res[, "LS"],
  angle = 90,
  code = 3,
  length = 0.05
)

Pregunta 14. ¿Qué relación descriptiva observa entre confianza interpersonal y satisfacción con la vida?

Respuesta: Se observa una relación descriptiva positiva entre la confianza interpersonal y la satisfacción con la vida. El grupo con confianza interpersonal baja presenta una satisfacción media con la vida de 2.99, mientras que el grupo con confianza media o alta presenta una media de 7.54. Por lo tanto, en estos datos, los niveles más altos de confianza interpersonal se relacionan con una mayor satisfacción con la vida. Esta relación es descriptiva y no permite establecer que una variable sea la causa de la otra.

12 11. Una variable adicional

Seleccione una variable adicional de ENBIARE que considere que podría estar relacionada con la satisfacción con la vida.

Antes de analizarla complete:

Variable original: PD1
¿Qué mide?: La situación laboral actual de la persona, específicamente si tiene un empleo, un negocio, una ocupación por cuenta propia o ninguna de las anteriores.
Tipo de variable: Cualitativa nominal
¿Cómo está codificada?: 1 = un empleo 2 = un negocio 3 = una ocupación por su cuenta 4 = ninguna de las anteriores
¿Necesita recodificación o agrupamiento?: No, se conservarán las cuatro categorías originales, ya que son mutuamente distinguibles y permiten comparar la satisfacción con la vida según la situación laboral.
¿Por qué podría relacionarse con satisfacción con la vida?: La situación laboral de las personas podría relacionarse con la satisfacción con la vida porque el trabajo y las actividades económicas pueden influir en aspectos como la seguridad de ingresos, la estabilidad económica, la autonomía y las condiciones de vida. Sin embargo, esta relación debe comprobarse mediante el análisis de los datos.

Ahora siga la misma secuencia utilizada durante la práctica:

construya o etiquete la variable;
obtenga frecuencias absolutas;
obtenga frecuencias relativas;
calcule satisfacción media por categoría;
calcule IC95%;
construya la gráfica de media e IC95%.

str(base$PD1)

##  num [1:1020] 1 4 1 4 3 1 1 1 1 4 ...

table(base$PD1, useNA = "ifany")

## 
##   1   2   3   4 
## 524  41  81 374

base$ocupacion_f <- factor(
  base$PD1,
  levels = c(1, 2, 3, 4),
  labels = c("empleo", "negocio", "por cuenta propia", "ninguna")
)

table(base$ocupacion_f)

## 
##            empleo           negocio por cuenta propia           ninguna 
##               524                41                81               374

freq_ocupacion <- table(base$ocupacion_f)

freq_ocupacion

## 
##            empleo           negocio por cuenta propia           ninguna 
##               524                41                81               374

round(prop.table(freq_ocupacion) * 100, 1)

## 
##            empleo           negocio por cuenta propia           ninguna 
##              51.4               4.0               7.9              36.7

grupos <- split(base$satisf_vida, base$ocupacion_f)

res <- t(sapply(grupos, IC_media))

round(res, 2)

##                     n media   LI   LS
## empleo            524  8.91 8.79 9.03
## negocio            41  8.83 8.36 9.30
## por cuenta propia  81  8.44 8.05 8.84
## ninguna           374  8.58 8.39 8.78

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(4, 6.5),
  xaxt = "n",
  xlab = "Situación laboral",
  ylab = "Satisfacción con la vida",
  main = "Satisfacción con la vida según situación laboral. Chiapas, 2025.",
  pch = 19
)

axis(
  1,
  at = 1:nrow(res),
  labels = rownames(res),
  las = 2
)

arrows(
  1:nrow(res),
  res[, "LI"],
  1:nrow(res),
  res[, "LS"],
  angle = 90,
  code = 3,
  length = 0.05
)

Pregunta 15. ¿Qué patrón encontró?

Respuesta: Se observa que la satisfacción con la vida presenta medias muy similares entre las distintas situaciones laborales. Las medias van de 5.08 a 5.29, por lo que las diferencias son pequeñas. El grupo con negocio tiene la media más alta (5.29), mientras que el grupo que no tiene ninguna de las situaciones laborales consideradas presenta la media más baja (5.08). En estos datos no se observa un patrón marcado de diferencias en la satisfacción con la vida según la situación laboral.

13 12. Integración de resultados

Hasta ahora hemos examinado posibles relaciones entre satisfacción con la vida y:

sexo;
edad;
salud autopercibida;
soledad;
capacidad económica;
confianza interpersonal;
una variable seleccionada por usted.

Complete la siguiente tabla.

Posible factor	Variable utilizada	¿Qué patrón descriptivo observó?
Sexo	`sexo_f`	Se observa una diferencia pequeña en la satisfacción media con la vida entre hombres y mujeres.
Curso de vida	`grupo_edad`	Las medias de satisfacción con la vida presentan diferencias entre los grupos de edad.
Salud	`salud_f`	Se observa una relación descriptiva entre la salud autopercibida y la satisfacción con la vida: los niveles de satisfacción varían según la percepción de salud.
Soledad	`soledad_f`	La distribución de la satisfacción con la vida presenta diferencias según el nivel de soledad, observándose menor satisfacción en los grupos con mayor soledad.
Capacidad económica	`fin_mes_f`	Se observa una relación descriptiva entre la capacidad económica y la satisfacción con la vida: los niveles de satisfacción varían según la facilidad o dificultad para llegar a fin de mes.
Confianza interpersonal		Se observa una diferencia descriptiva marcada: el grupo con confianza baja presenta una satisfacción media de 2.99, mientras que el grupo con confianza media/alta presenta una media de 7.54.
Situación laboral	ocupacion_f	Se observan medias muy similares de satisfacción con la vida según la situación laboral, entre 5.08 y 5.29, por lo que las diferencias son pequeñas.

14 13. Interpretación antropológica

Observe conjuntamente sus resultados y gráficas.

Redacte un comentario de 200 a 250 palabras que responda:

¿Qué variables parecen mostrar diferencias más claras en satisfacción con la vida?
¿En cuáles las medias parecen muy semejantes?
¿En alguna observa un posible gradiente?
¿Qué explicaciones sociales, culturales o demográficas podrían plantearse como hipótesis?
¿Qué aspectos importantes para comprender la satisfacción con la vida no pueden conocerse solamente mediante estas variables?
¿Qué podría aportar una aproximación cualitativa o etnográfica?

Interpretación final:

15 14. Para discutir en clase

Seleccione una gráfica que considere especialmente interesante.

Prepare para compartir:

Entidad:
Variable seleccionada:
Patrón observado:
Una posible interpretación antropológica:

Finalmente responda:

¿Que dos intervalos de confianza se superpongan significa necesariamente que no existe una diferencia entre los grupos?

Por ahora no es necesario resolver formalmente esta pregunta. La retomaremos cuando estudiemos inferencia estadística.

16 Cierre

Al terminar esta práctica deberá poder:

iniciar un análisis desde la lectura del archivo de datos;
distinguir entre códigos numéricos y variables cuantitativas;
construir y etiquetar variables;
agrupar una variable cuando exista una justificación;
obtener frecuencias absolutas y relativas;
calcular medias por grupos;
representar medias mediante intervalos de confianza del 95%;
identificar descriptivamente patrones y gradientes;
distinguir entre un resultado observado y una posible explicación;
relacionar decisiones estadísticas con preguntas antropológicas.

Nota metodológica: continuamos trabajando descriptivamente con los registros de la muestra de ENBIARE correspondientes a cada entidad. Los intervalos de confianza utilizados en esta práctica tienen una finalidad introductoria. Posteriormente incorporaremos el factor de expansión y el diseño complejo de la encuesta para realizar estimaciones poblacionales y estudiaremos formalmente la inferencia estadística.

Práctica 3. Construcción de variables relacionadas con la satisfacción con la vida

ENBIARE 2025

Nombre: Denise Cazes

Fecha:18-09-26