Lectura de los datos

M21 = read.csv("Datos_molec_2021-1.CSV", encoding = "latin1")
M24 = read.csv("Datos_molec_2024-1.csv", encoding = "latin1")

#dimensión  y duplicados
dim(M21)

## [1] 1948  108

dim(M24)

## [1] 2016  108

sum(duplicated(M21)) + sum(duplicated(M24))

## [1] 0

#base unicamente con las variables que nos interesan

se eligen las variables por su nombre y no por número de columna, por si cambia la posición de las columnas

M21selec = M21[ , c("sexo", "edad", "p1", "p3_1", "p4", "p8_1", "p8_2", "p26", "factor")]
M24selec = M24[ , c("sexo", "edad", "p1", "p3_1", "p4", "p8_1", "p8_2", "p26", "factor")]

#base con la columna del año
anio = c(rep("2021", length(M21selec$edad)), rep("2024", length(M24selec$edad)))
Datos = data.frame(anio, rbind(M21selec, M24selec))
dim(Datos)

## [1] 3964   10

Limpieza y variables nuevas

para la limpieza, segun el diccionario los ceros son (blanco por pase), estos y los valores fuera de rango se convierten en NA.

Datos$p3_1[Datos$p3_1 == 0] = NA          # no sabe leer
Datos$p4[Datos$p4 == 0] = NA              # blanco por pase
Datos$p8_1[Datos$p8_1 == 0] = NA
Datos$p8_2[Datos$p8_2 == 0] = NA
Datos$p26[Datos$p26 < 2 | Datos$p26 > 360] = NA   #rango válido del diccionario: 2 a 360

#definimos nuevas variables
Datos$sexo_f = factor(Datos$sexo, levels = c(1, 2), labels = c("Hombre", "Mujer"))
Datos$gedad = cut(Datos$edad, breaks = c(17, 29, 44, 59, Inf), labels = c("18-29", "30-44", "45-59", "60+"))
Datos$formato = NA
Datos$formato[Datos$p8_1 == 1 & Datos$p8_2 == 2] = "Solo digital"
Datos$formato[Datos$p8_1 == 2 & Datos$p8_2 == 1] = "Solo impreso"
Datos$formato[Datos$p8_1 == 1 & Datos$p8_2 == 1] = "Ambos"
Datos$formato = factor(Datos$formato, levels = c("Solo impreso", "Solo digital", "Ambos"))

#Guardamos la base
write.csv(Datos, "Datos_MOLEC_Limpia_2021_2024.csv", row.names = FALSE)

Subbases

Datos21 = subset(Datos, Datos$anio == "2021")
Datos24 = subset(Datos, Datos$anio == "2024")
Alf = subset(Datos, !is.na(Datos$p3_1))     #personas que saben leer
Libros = subset(Datos, Datos$p3_1 == 1)     #lectores de libros (es decir,base de p4 y formato)
Lect = subset(Datos, !is.na(Datos$p26))     #lectores de algún material (p26)
L21 = subset(Libros, Libros$anio == "2021")
L24 = subset(Libros, Libros$anio == "2024")
P21 = subset(Lect, Lect$anio == "2021")
P24 = subset(Lect, Lect$anio == "2024")

#datos faltantes

Registros = data.frame(c(nrow(Datos21), sum(Alf$anio == "2021"), nrow(L21), nrow(P21)),
                       c(nrow(Datos24), sum(Alf$anio == "2024"), nrow(L24), nrow(P24)))
names(Registros) = c("2021", "2024")
row.names(Registros) = c("Todos", "Saben leer", "Lectores de libros", "p26 válida")
Registros

	2021	2024
Todos	1948	2016
Saben leer	1900	1969
Lectores de libros	803	809
p26 válida	1352	1350

vars = c("sexo", "edad", "p3_1", "p4", "p8_1", "p8_2", "p26", "formato")
Faltantes = data.frame(colSums(is.na(Datos21[ , vars])),
                       colSums(is.na(Datos24[ , vars])))
names(Faltantes) = c("2021", "2024")
Faltantes

	2021	2024
sexo	0	0
edad	0	0
p3_1	48	47
p4	1145	1207
p8_1	1145	1207
p8_2	1145	1207
p26	596	666
formato	1145	1207

#análisis descriptivo

decidimos hacer el análisis para variables continuas: edad, libros leídos y minutos de lectura y posteriormente para discretas

library(e1071)

edad21 = Datos21$edad[!is.na(Datos21$edad)]
edad24 = Datos24$edad[!is.na(Datos24$edad)]
libros21 = L21$p4[!is.na(L21$p4)]
libros24 = L24$p4[!is.na(L24$p4)]
minutos21 = P21$p26[!is.na(P21$p26)]
minutos24 = P24$p26[!is.na(P24$p26)]

d1 = c(length(edad21),
       as.numeric(summary(edad21)),
       (max(edad21) + min(edad21)) / 2,
       sd(edad21),
       100 * sd(edad21) / mean(edad21),
       skewness(edad21),
       kurtosis(edad21))
d2 = c(length(edad24),
       as.numeric(summary(edad24)),
       (max(edad24) + min(edad24)) / 2,
       sd(edad24),
       100 * sd(edad24) / mean(edad24),
       skewness(edad24),
       kurtosis(edad24))
d3 = c(length(libros21),
       as.numeric(summary(libros21)),
       (max(libros21) + min(libros21)) / 2,
       sd(libros21),
       100 * sd(libros21) / mean(libros21),
       skewness(libros21),
       kurtosis(libros21))
d4 = c(length(libros24),
       as.numeric(summary(libros24)),
       (max(libros24) + min(libros24)) / 2,
       sd(libros24),
       100 * sd(libros24) / mean(libros24),
       skewness(libros24),
       kurtosis(libros24))
d5 = c(length(minutos21),
       as.numeric(summary(minutos21)),
       (max(minutos21) + min(minutos21)) / 2,
       sd(minutos21),
       100 * sd(minutos21) / mean(minutos21),
       skewness(minutos21),
       kurtosis(minutos21))
d6 = c(length(minutos24),
       as.numeric(summary(minutos24)),
       (max(minutos24) + min(minutos24)) / 2,
       sd(minutos24),
       100 * sd(minutos24) / mean(minutos24),
       skewness(minutos24),
       kurtosis(minutos24))

m = data.frame(d1, d2, d3, d4, d5, d6)
names(m) = c("Edad 2021", "Edad 2024", "Libros 2021", "Libros 2024", "Minutos 2021", "Minutos 2024")
row.names(m) = c("n", "Mínimo", "Q1", "Mediana", "Media", "Q3", "Máximo", "Rango Medio", "Desv Est", "CV (%)", "Sesgo", "Curtosis")
round(m, 2)

	Edad 2021	Edad 2024	Libros 2021	Libros 2024	Minutos 2021	Minutos 2024
n	1948.00	2016.00	803.00	809.00	1352.00	1350.00
Mínimo	18.00	18.00	1.00	1.00	3.00	2.00
Q1	31.00	33.00	1.00	1.00	20.00	20.00
Mediana	43.00	46.00	2.00	2.00	30.00	30.00
Media	44.77	46.49	3.79	3.18	41.78	39.99
Q3	57.00	59.00	4.00	3.00	60.00	60.00
Máximo	94.00	94.00	60.00	70.00	300.00	360.00
Rango Medio	56.00	56.00	30.50	35.50	151.50	181.00
Desv Est	16.55	16.76	6.26	4.53	33.81	32.70
CV (%)	36.98	36.05	164.99	142.52	80.93	81.77
Sesgo	0.38	0.27	6.10	7.45	2.40	3.10
Curtosis	-0.68	-0.81	44.95	81.89	8.09	16.55

#Gráficas

para el número de libros se usa escala logarítmica en el eje y porque la distribución es muy sesgada a la derecha.

colores = c("blue", "pink")
par(mfrow = c(1, 3), cex.lab = 0.8, cex.main = 0.8)
boxplot(Datos$edad ~ Datos$anio,
        col = colores,
        main = "Edad",
        xlab = "Año", ylab = "Años")
boxplot(Libros$p4 ~ Libros$anio,
        log = "y",
        col = colores,
        main = "Libros leídos (p4)",
        xlab = "Año", ylab = "Libros (escala log)")
boxplot(Lect$p26 ~ Lect$anio,
        col = colores,
        main = "Minutos continuos (p26)",
        xlab = "Año", ylab = "Minutos")

Histograma

par(mfrow = c(2, 3))
hist(Datos21$edad, col = colores[1], main = "Edad \n 2021", xlab = "Años")
hist(Datos24$edad, col = colores[2], main = "Edad \n 2024", xlab = "Años")
hist(L21$p4[L21$p4 <= 20], breaks = 0:20, col = colores[1], main = "Libros leídos (hasta 20) \n 2021", xlab = "Número de libros")
hist(L24$p4[L24$p4 <= 20], breaks = 0:20, col = colores[2], main = "Libros leídos (hasta 20) \n 2024", xlab = "Número de libros")
hist(P21$p26, col = colores[1], main = "Minutos continuos \n 2021", xlab = "Minutos")
hist(P24$p26, col = colores[2], main = "Minutos continuos \n 2024", xlab = "Minutos")

Gráfica de dispersión: edad contra libros leídos

par(mfrow = c(1, 2))
plot(jitter(L21$edad), jitter(L21$p4, amount = 0.15), log = "y", pch = 20, col = colores[1],
     main = "Edad vs libros \n 2021", xlab = "Edad", ylab = "Libros (escala log)")
plot(jitter(L24$edad), jitter(L24$p4, amount = 0.15), log = "y", pch = 20, col = colores[2],
     main = "Edad vs libros \n 2024", xlab = "Edad", ylab = "Libros (escala log)")

r21 = cor(L21$edad, L21$p4, method = "spearman", use = "complete.obs")
r24 = cor(L24$edad, L24$p4, method = "spearman", use = "complete.obs")
data.frame(Año = c("2021", "2024"), Spearman = round(c(r21, r24), 3))

Año	Spearman
2021	-0.157
2024	-0.210

Variables discretas: sexo, grupo de edad y formato de lectura

table(Datos$sexo_f, Datos$anio)

/	2021	2024
Hombre	882	859
Mujer	1066	1157

round(100 * prop.table(table(Datos$sexo_f, Datos$anio), 2), 1)

/	2021	2024
Hombre	45.3	42.6
Mujer	54.7	57.4

table(Datos$gedad, Datos$anio)

/	2021	2024
18-29	422	375
30-44	604	594
45-59	525	551
60+	397	496

round(100 * prop.table(table(Datos$gedad, Datos$anio), 2), 1)

/	2021	2024
18-29	21.7	18.6
30-44	31.0	29.5
45-59	27.0	27.3
60+	20.4	24.6

table(Libros$formato, Libros$anio)

/	2021	2024
Solo impreso	597	613
Solo digital	161	153
Ambos	45	43

round(100 * prop.table(table(Libros$formato, Libros$anio), 2), 1)

/	2021	2024
Solo impreso	74.3	75.8
Solo digital	20.0	18.9
Ambos	5.6	5.3

Gráfica de barras

par(mfrow = c(1, 3))
barplot(prop.table(table(Datos$anio, Datos$sexo_f), 1) * 100, beside = TRUE, col = colores,
        main = "Sexo (%)", ylab = "%", legend.text = c("2021", "2024"))
barplot(prop.table(table(Datos$anio, Datos$gedad), 1) * 100, beside = TRUE, col = colores,
        main = "Grupo de edad (%)", ylab = "%")
barplot(prop.table(table(Libros$anio, Libros$formato), 1) * 100, beside = TRUE, col = colores,
        main = "Formato (% de lectores)", ylab = "%")

Vinculación entre variables continuas y discretas

número de libros por año, por sexo y por grupo de edad.

#número de libros por año
n = tapply(!is.na(Libros$p4), Libros$anio, sum)
media = tapply(Libros$p4, Libros$anio, mean, na.rm = TRUE)
mediana = tapply(Libros$p4, Libros$anio, median, na.rm = TRUE)
desviacion = tapply(Libros$p4, Libros$anio, sd, na.rm = TRUE)
q1 = tapply(Libros$p4, Libros$anio, quantile, 0.25, na.rm = TRUE)
q3 = tapply(Libros$p4, Libros$anio, quantile, 0.75, na.rm = TRUE)
Medidas = data.frame(n, media, mediana, desviacion, q1, q3)
row.names(Medidas) = names(media)
round(Medidas, 2)

	n	media	mediana	desviacion	q1	q3
2021	803	3.79	2	6.26	1	4
2024	809	3.18	2	4.53	1	3

#número de libros por sexo y año
grupo = paste(Libros$sexo_f, Libros$anio)
n = tapply(!is.na(Libros$p4), grupo, sum)
media = tapply(Libros$p4, grupo, mean, na.rm = TRUE)
mediana = tapply(Libros$p4, grupo, median, na.rm = TRUE)
desviacion = tapply(Libros$p4, grupo, sd, na.rm = TRUE)
q1 = tapply(Libros$p4, grupo, quantile, 0.25, na.rm = TRUE)
q3 = tapply(Libros$p4, grupo, quantile, 0.75, na.rm = TRUE)
Medidas = data.frame(n, media, mediana, desviacion, q1, q3)
row.names(Medidas) = names(media)
round(Medidas, 2)

	n	media	mediana	desviacion	q1	q3
Hombre 2021	350	3.48	2	5.07	1	4
Hombre 2024	332	3.26	2	3.66	1	4
Mujer 2021	453	4.03	2	7.04	1	4
Mujer 2024	477	3.12	2	5.05	1	3

#número de libros por grupo de edad y año
grupo = paste(Libros$gedad, Libros$anio)
n = tapply(!is.na(Libros$p4), grupo, sum)
media = tapply(Libros$p4, grupo, mean, na.rm = TRUE)
mediana = tapply(Libros$p4, grupo, median, na.rm = TRUE)
desviacion = tapply(Libros$p4, grupo, sd, na.rm = TRUE)
q1 = tapply(Libros$p4, grupo, quantile, 0.25, na.rm = TRUE)
q3 = tapply(Libros$p4, grupo, quantile, 0.75, na.rm = TRUE)
Medidas = data.frame(n, media, mediana, desviacion, q1, q3)
row.names(Medidas) = names(media)
round(Medidas, 2)

	n	media	mediana	desviacion	q1	q3
18-29 2021	219	4.26	3	6.83	2	4
18-29 2024	201	4.22	3	6.63	2	5
30-44 2021	234	3.94	3	6.52	1	4
30-44 2024	248	2.71	2	2.45	1	3
45-59 2021	196	3.46	2	5.70	1	3
45-59 2024	189	2.96	2	4.00	1	3
60+ 2021	154	3.33	2	5.65	1	3
60+ 2024	171	2.87	2	4.21	1	3

par(mfrow = c(1, 2), cex.lab = 0.8, cex.main = 0.8, mar = c(7.5, 4, 3, 1))
boxplot(Libros$p4 ~ Libros$anio * Libros$gedad, log = "y", col = colores,
        main = "Libros por edad (gris 2021, azul 2024)", ylab = "Libros (escala log)", xlab = "Grupo de edad", las = 2, cex.axis = 0.6)
boxplot(Libros$p4 ~ Libros$anio * Libros$sexo_f, log = "y", col = colores,
        main = "Libros por sexo (gris 2021, azul 2024)", ylab = "Libros (escala log)", xlab = "Sexo", las = 2, cex.axis = 0.6)

#Porcentaje que leyó libros

round(tapply(Alf$p3_1 == 1, Alf$anio, mean) * 100, 1)

## 2021 2024 
## 42.3 41.1

pct_edad = tapply(Alf$p3_1 == 1, list(Alf$gedad, Alf$anio), mean) * 100
pct_sexo = tapply(Alf$p3_1 == 1, list(Alf$sexo_f, Alf$anio), mean) * 100
round(pct_edad, 1)

	2021	2024
18-29	52.6	53.9
30-44	39.0	42.3
45-59	38.2	34.7
60+	41.5	36.8

round(pct_sexo, 1)

	2021	2024
Hombre	40.6	39.3
Mujer	43.7	42.4

par(mfrow = c(1, 2))
barplot(t(pct_edad), beside = TRUE, col = colores, ylim = c(0, 65),
        main = "% que leyó libros por edad", ylab = "%", legend.text = c("2021", "2024"))
barplot(t(pct_sexo), beside = TRUE, col = colores, ylim = c(0, 65),
        main = "% que leyó libros por sexo", ylab = "%")

#Minutos continuos de lectura (p26) por grupo

#Minutos continuos de lectura por año
n = tapply(Lect$p26, Lect$anio, length)
media = tapply(Lect$p26, Lect$anio, mean)
mediana = tapply(Lect$p26, Lect$anio, median)
desviacion = tapply(Lect$p26, Lect$anio, sd)
q1 = tapply(Lect$p26, Lect$anio, quantile, 0.25)
q3 = tapply(Lect$p26, Lect$anio, quantile, 0.75)
Medidas = data.frame(n, media, mediana, desviacion, q1, q3)
row.names(Medidas) = names(media)
round(Medidas, 1)

	n	media	mediana	desviacion	q1	q3
2021	1352	41.8	30	33.8	20	60
2024	1350	40.0	30	32.7	20	60

#Minutos continuos de lectura por sexo y año
grupo = paste(Lect$sexo_f, Lect$anio)
n = tapply(Lect$p26, grupo, length)
media = tapply(Lect$p26, grupo, mean)
mediana = tapply(Lect$p26, grupo, median)
desviacion = tapply(Lect$p26, grupo, sd)
q1 = tapply(Lect$p26, grupo, quantile, 0.25)
q3 = tapply(Lect$p26, grupo, quantile, 0.75)
Medidas = data.frame(n, media, mediana, desviacion, q1, q3)
row.names(Medidas) = names(media)
round(Medidas, 1)

	n	media	mediana	desviacion	q1	q3
Hombre 2021	628	40.2	30	31.8	20	60
Hombre 2024	585	42.0	30	33.6	20	60
Mujer 2021	724	43.2	30	35.5	20	60
Mujer 2024	765	38.4	30	31.9	20	60

#Minutos continuos de lectura por grupo de edad y año
grupo = paste(Lect$gedad, Lect$anio)
n = tapply(Lect$p26, grupo, length)
media = tapply(Lect$p26, grupo, mean)
mediana = tapply(Lect$p26, grupo, median)
desviacion = tapply(Lect$p26, grupo, sd)
q1 = tapply(Lect$p26, grupo, quantile, 0.25)
q3 = tapply(Lect$p26, grupo, quantile, 0.75)
Medidas = data.frame(n, media, mediana, desviacion, q1, q3)
row.names(Medidas) = names(media)
round(Medidas, 1)

	n	media	mediana	desviacion	q1	q3
18-29 2021	342	42.7	30	33.3	20	60
18-29 2024	299	45.9	30	40.1	20	60
30-44 2021	440	38.3	30	27.9	20	45
30-44 2024	424	36.7	30	27.2	20	45
45-59 2021	338	41.4	30	38.2	20	60
45-59 2024	352	40.0	30	33.2	20	60
60+ 2021	232	47.6	30	37.1	25	60
60+ 2024	275	38.6	30	30.2	20	60

par(mfrow = c(1, 2), cex.lab = 0.8, cex.main = 0.8, mar = c(7.5, 4, 3, 1))
boxplot(Lect$p26 ~ Lect$anio * Lect$gedad, col = colores,
        main = "Minutos por edad (gris 2021, azul 2024)", ylab = "Minutos", xlab = "Grupo de edad", las = 2, cex.axis = 0.6)
boxplot(Lect$p26 ~ Lect$anio * Lect$sexo_f, col = colores,
        main = "Minutos por sexo (gris 2021, azul 2024)", ylab = "Minutos", xlab = "Sexo", las = 2, cex.axis = 0.6)

#Formato de lectura de libros

Porcentaje de cada formato, ya sea digita o fisico dentro de cada grupo

round(100 * prop.table(table(L21$gedad, L21$formato), 1), 1)

/	Solo impreso	Solo digital	Ambos
18-29	65.8	28.3	5.9
30-44	70.9	23.5	5.6
45-59	78.6	14.8	6.6
60+	86.4	9.7	3.9

round(100 * prop.table(table(L24$gedad, L24$formato), 1), 1)

/	Solo impreso	Solo digital	Ambos
18-29	63.2	27.9	9.0
30-44	73.0	22.2	4.8
45-59	81.0	15.9	3.2
60+	88.9	7.0	4.1

round(100 * prop.table(table(L21$sexo_f, L21$formato), 1), 1)

/	Solo impreso	Solo digital	Ambos
Hombre	76.0	18.9	5.1
Mujer	73.1	21.0	6.0

round(100 * prop.table(table(L24$sexo_f, L24$formato), 1), 1)

/	Solo impreso	Solo digital	Ambos
Hombre	74.1	19.3	6.6
Mujer	76.9	18.7	4.4

par(mfrow = c(1, 2))
barplot(t(prop.table(table(L21$gedad, L21$formato), 1)) * 100, col = c("pink", "blue", "green"),
        main = "Formato por edad 2021", ylab = "%", legend.text = TRUE, args.legend = list(x = "bottomright", cex = 0.7))
barplot(t(prop.table(table(L24$gedad, L24$formato), 1)) * 100, col = c("pink", "blue", "green"),
        main = "Formato por edad 2024", ylab = "%")

#Comparación entre años

comp = data.frame(c(mean(Alf$p3_1[Alf$anio == "2021"] == 1) * 100,
                    median(L21$p4, na.rm = TRUE),
                    mean(L21$p4, na.rm = TRUE),
                    median(P21$p26),
                    mean(P21$p26),
                    mean(L21$p8_1 == 1, na.rm = TRUE) * 100,
                    mean(L21$p8_2 == 1, na.rm = TRUE) * 100,
                    mean(L21$formato == "Solo digital", na.rm = TRUE) * 100,
                    mean(Datos21$edad, na.rm = TRUE)),
                  c(mean(Alf$p3_1[Alf$anio == "2024"] == 1) * 100,
                    median(L24$p4, na.rm = TRUE),
                    mean(L24$p4, na.rm = TRUE),
                    median(P24$p26),
                    mean(P24$p26),
                    mean(L24$p8_1 == 1, na.rm = TRUE) * 100,
                    mean(L24$p8_2 == 1, na.rm = TRUE) * 100,
                    mean(L24$formato == "Solo digital", na.rm = TRUE) * 100,
                    mean(Datos24$edad, na.rm = TRUE)))
names(comp) = c("2021", "2024")
row.names(comp) = c("% que leyó libros", "Mediana de libros", "Media de libros", "Mediana de minutos",
                    "Media de minutos", "% algún libro digital", "% algún libro impreso", "% solo digital", "Edad media")
comp$Cambio = comp[ , 2] - comp[ , 1]
round(comp, 2)

	2021	2024	Cambio
% que leyó libros	42.26	41.09	-1.18
Mediana de libros	2.00	2.00	0.00
Media de libros	3.79	3.18	-0.62
Mediana de minutos	30.00	30.00	0.00
Media de minutos	41.78	39.99	-1.78
% algún libro digital	25.65	24.23	-1.43
% algún libro impreso	79.95	81.09	1.14
% solo digital	20.05	18.91	-1.14
Edad media	44.77	46.49	1.72

Etapa 2.Análisis descriptivo MOLEC 2021 y 2024

Equipo 3

2026-10-06

Lectura de los datos

Limpieza y variables nuevas

Subbases

Variables discretas: sexo, grupo de edad y formato de lectura

Vinculación entre variables continuas y discretas