93,579personas cuya actividad principal es trabajar
+0.41puntos al duplicar el ingreso per cápita (OLS; +0.42 con diseño ECV)
−0.95puntos en la región Pacífica frente al Caribe (OLS; −1.00 con diseño ECV)
0.089R² ajustado del modelo múltiple

Resumen: Este trabajo analiza la asociación entre el ingreso per cápita del hogar y la satisfacción con el ingreso de las personas ocupadas en Colombia, utilizando datos de la ECV 2025. Se estiman modelos de regresión lineal simple y múltiple, controlando por edad, sexo y región. Los resultados muestran una asociación positiva y estable entre ingreso y satisfacción, aunque algunas diferencias regionales tienen una relevancia sustantiva mayor. Se discuten las limitaciones del análisis y se proponen extensiones. Para las pruebas de verificación, en el presente trabajo se emplea un nivel de confianza de 95% y significancia del 5% (0.05).

¿Qué se hizo y qué se encontró? A partir de los microdatos de la ECV 2025, se estimó un modelo de regresión lineal para evaluar cómo el ingreso per cápita del hogar se asocia con la satisfacción con el ingreso de las personas ocupadas en Colombia. Se aplicaron pruebas de robustez (errores HC1 y diseño muestral complejo mediante svyglm) para validar los supuestos. Los resultados muestran que duplicar el ingreso per cápita se asocia con un aumento de 0.41 puntos en la satisfacción (escala 0-10). Además de la relación positiva y estable del ingreso, se identificaron brechas territoriales y de género significativas: residir en la región Pacífica implica casi 1 punto menos de satisfacción frente al Caribe, y las mujeres reportan 0.20 puntos menos que los hombres. El análisis confirma la solidez del ingreso como predictor, pero evidencia que las condiciones estructurales (región y sexo) tienen un peso sustantivo en el bienestar subjetivo.

El efecto del ingreso
+0,41
Puntos de satisfacción que gana una persona al duplicar el ingreso de su hogar, manteniendo constante la edad, el sexo y la región.
La brecha territorial
-0,95
Puntos menos de satisfacción en la región Pacífica frente al Caribe. Es la diferencia regional más grande del país.
La brecha de género
-0,20
Puntos menos de satisfacción reportados por las mujeres frente a los hombres, incluso cuando tienen el mismo nivel de ingreso, edad y región.

1. Pregunta de investigación e hipótesis

¿Cómo se relaciona el nivel de satisfacción con el ingreso de las personas de 15 años o más cuya actividad principal la semana pasada fue trabajar con el ingreso per cápita de su hogar, teniendo en cuenta la edad, la región y el sexo?

1.1 Hipótesis

Se espera encontrar una asociación positiva entre el ingreso per cápita del hogar y la satisfacción con los ingresos: a mayor ingreso per cápita, mayor satisfacción reportada. Se espera este patrón puesto a que las personas de hogares con mayores recursos tienen más probabilidades de satisfacer sus necesidades y aspiraciones, lo que puede contribuir a un nivel de satisfacción superior con el ingreso.

1.2 Justificación

La ECV 2025 permite aproximarse a la satisfacción con los ingresos, una dimensión subjetiva, mediante la variable P1896 (“En general, ¿qué tan satisfecho/a se siente … con su ingreso actualmente?”), medida en una escala de 0 a 10. Esta relación puede variar con otros factores: la edad, porque la satisfacción con el ingreso cambia a lo largo del ciclo de vida laboral; el sexo, porque persisten brechas salariales y de oportunidades; y la región, porque las condiciones económicas y el costo de vida difieren territorialmente. La muestra corresponde a personas de 15 años o más cuya actividad principal la semana pasada fue trabajar (P6240 = 1) y con información completa en satisfacción (P1896), ingreso per cápita (PERCAPITA), edad (P6040), región (REGION) y sexo (P6020). El análisis describe asociaciones y no relaciones causales.

Sobre la variable dependiente: la satisfacción es una escala ordinal de 11 categorías (0 a 10). En este trabajo se analiza con regresión lineal, es decir, como una aproximación numérica a esa escala. Esta decisión es habitual cuando la escala tiene muchas categorías ordenadas y permite interpretar los coeficientes en puntos de satisfacción, pero supone que la distancia entre categorías consecutivas es la misma (por ejemplo, que pasar de 4 a 5 equivale a pasar de 8 a 9). Como esto no puede comprobarse, se reconoce como una limitación y en la conclusión se propone un modelo ordinal como extensión.

2. Base analítica

2.1 Diccionario de variables

library(tibble)
library(dplyr)
library(knitr)
library(kableExtra)

diccionario <- tribble(
  ~variable,       ~rol,                     ~nombre_original, ~nombre_informe, ~significado,                                         ~tipo,                        ~unidad,                    ~codificacion,
  "satisfaccion",  "Dependiente",            "P1896",          "satisfaccion",  "Satisfaccion con el ingreso actual",                 "Cuantitativa discreta",      "Escala 0-10",              "0 = Totalmente insatisfecho/a, 10 = Totalmente satisfecho/a; 99 = No recibe ingresos (se excluye)",
  "log_percapita", "Independiente principal","PERCAPITA",      "log_percapita", "Ingreso mensual total del hogar / personas del hogar","Cuantitativa continua",     "Pesos colombianos (log)",  "log(PERCAPITA); se excluyen valores <= 0",
  "edad",          "Control 1",              "P6040",          "edad",          "Años cumplidos",                                    "Cuantitativa discreta",      "Años",                    "15 a 115",
  "sexo",          "Control 2",              "P6020",          "sexo",          "Sexo al nacer",                                      "Categorica nominal binaria", "-",                        "1 = Hombre (referencia), 2 = Mujer",
  "region",        "Control 3",              "REGION",         "region",        "Región de residencia",                               "Categórica nominal",         "-",                        "1 = Caribe (referencia), 2 = Oriental, 3 = Central, 4 = Pacifica, 5 = Bogota, 6 = Antioquia, 7 = Valle del Cauca, 8 = San Andres, 9 = Orinoquia-Amazonia"
)

diccionario |>
  rename(
    Variable          = variable,
    Rol               = rol,
    `Nombre original` = nombre_original,
    `Nombre informe`  = nombre_informe,
    Significado       = significado,
    Tipo              = tipo,
    Unidad            = unidad,
    Codificacion      = codificacion
  ) |>
  kable(
    caption   = "Diccionario de variables del modelo",
    format    = "html",         # <-- CLAVE: forzar el formato
    align     = "l",
    booktabs  = TRUE,
    escape    = FALSE
  ) |>
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed"),
    font_size = 10,
    full_width = FALSE
  ) |>
  column_spec(8, width = "6cm")
Diccionario de variables del modelo
Variable Rol Nombre original Nombre informe Significado Tipo Unidad Codificacion
satisfaccion Dependiente P1896 satisfaccion Satisfaccion con el ingreso actual Cuantitativa discreta Escala 0-10 0 = Totalmente insatisfecho/a, 10 = Totalmente satisfecho/a; 99 = No recibe ingresos (se excluye)
log_percapita Independiente principal PERCAPITA log_percapita Ingreso mensual total del hogar / personas del hogar Cuantitativa continua Pesos colombianos (log) log(PERCAPITA); se excluyen valores <= 0
edad Control 1 P6040 edad Años cumplidos Cuantitativa discreta Años 15 a 115
sexo Control 2 P6020 sexo Sexo al nacer Categorica nominal binaria
1 = Hombre (referencia), 2 = Mujer
region Control 3 REGION region Región de residencia Categórica nominal
1 = Caribe (referencia), 2 = Oriental, 3 = Central, 4 = Pacifica, 5 = Bogota, 6 = Antioquia, 7 = Valle del Cauca, 8 = San Andres, 9 = Orinoquia-Amazonia

2.2 Limpieza de la base

# data.frame con los resultados
tabla_limpieza <- data.frame(
  Etapa = c(
    "Base inicial (ECV 2025)",
    "Paso 1: Filtrar 15+ y ocupadas (P6240 == 1)",
    "Paso 2: Satisfacción válida (excluye NA y 99)",
    "Paso 3: Ingreso per cápita > 0",
    "Paso 4: Controles completos (edad, sexo, región)",
    "Base final analítica"
  ),
  Observaciones = c(n_inicial, n_paso1, n_paso2, n_paso3, n_paso4, n_final),
  Perdida = c("", 
              paste0(n_inicial - n_paso1, " (", round(100*(n_inicial - n_paso1)/n_inicial, 1), "%)"),
              paste0(n_paso1 - n_paso2, " (", round(100*(n_paso1 - n_paso2)/n_paso1, 1), "%)"),
              paste0(n_paso2 - n_paso3, " (", round(100*(n_paso2 - n_paso3)/n_paso2, 1), "%)"),
              paste0(n_paso3 - n_paso4, " (", round(100*(n_paso3 - n_paso4)/n_paso3, 1), "%)"),
              paste0(n_final - n_final, " (0%)")
  )
)

tabla_limpieza$Observaciones <- format(tabla_limpieza$Observaciones, big.mark = ",", scientific = FALSE)

# Tabla de la limpieza
tabla_limpieza %>%
  kable(
    caption = "Resumen del proceso de limpieza y depuración de la base",
    format = "html",
    align = c("l", "c", "c"),
    booktabs = TRUE
  ) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = FALSE) %>%
  row_spec(6, bold = TRUE, background = "#e8f4f8") # Resalta la fila final
Resumen del proceso de limpieza y depuración de la base
Etapa Observaciones Perdida
Base inicial (ECV 2025) 235,350
Paso 1: Filtrar 15+ y ocupadas (P6240 == 1) 94,443 140907 (59.9%)
Paso 2: Satisfacción válida (excluye NA y 99) 93,945 498 (0.5%)
Paso 3: Ingreso per cápita > 0 93,579 366 (0.4%)
Paso 4: Controles completos (edad, sexo, región) 93,579 0 (0%)
Base final analítica 93,579 0 (0%)

La base original de la ECV 2025 tiene 235,350 observaciones a nivel de persona, sin duplicados en las llaves DIRECTORIO, SECUENCIA_P y ORDEN; como ya estaba integrada a nivel de persona, no fue necesario unir módulos. La tabla anterior resume las pérdidas en cada paso.

Delimitación de la población. Se conservaron las personas de 15 años o más con P6240 = 1, es decir, cuya actividad principal la semana pasada fue trabajar. Este criterio no recoge toda la definición de ocupación de la ECV, que también incluye a quienes tenían otra actividad principal pero hicieron alguna actividad paga (P6250), tenían un trabajo del que estuvieron ausentes (P6260) o trabajaron sin pago en un negocio (P6270). Por eso, en este informe “personas ocupadas” se refiere solo a quienes declararon el trabajo como actividad principal. Este filtro explica casi toda la pérdida de casos (59.9%).

Selección por casos completos. Luego se excluyeron 498 personas sin respuesta válida de satisfacción (incluido el código 99, “no recibe ingresos”) y 366 con ingreso per cápita nulo o cero, porque el logaritmo de cero no está definido; no hubo perdidos en edad, sexo o región. Estas exclusiones son pequeñas (menos del 1%), pero no aleatorias: dejan fuera a personas sin ingresos propios o en hogares sin ingreso reportado. Por eso los resultados describen a quienes trabajan y reportan ingresos.

El ingreso se transformó a logaritmo para reducir su asimetría, y el sexo y la región se definieron como factores (referencias: “Hombre” y “Caribe”). La base final tiene 93,579 observaciones (39.8% de la original).

Para la corrección de independencia (sección 6.4) se conservaron también las variables de diseño muestral de la ECV: el segmento o conglomerado (SEGMENTO), el estrato (ESTRATO2020) y el factor de expansión (FEX_C). Estas variables no entran al modelo, pero permiten estimar los errores estándar con el diseño complejo de la encuesta, que es la corrección apropiada para una muestra multietápica como la de la ECV.

3. Descripción y visualización

3.1 Variables numéricas

library(tidyverse)
library(knitr)
library(kableExtra)

# Estadísticas descriptivas para variables numéricas
descriptivas_num <- base_filtrada %>%
  reframe(
    Variable = c("Satisfacción con ingresos", "log(Ingreso per cápita)", "Edad"),
    N = c(sum(!is.na(satisfaccion)), sum(!is.na(log_percapita)), sum(!is.na(edad))),
    Media = c(mean(satisfaccion), mean(log_percapita), mean(edad)),
    Mediana = c(median(satisfaccion), median(log_percapita), median(edad)),
    SD = c(sd(satisfaccion), sd(log_percapita), sd(edad)),
    Min = c(min(satisfaccion), min(log_percapita), min(edad)),
    Q1 = c(quantile(satisfaccion, 0.25), quantile(log_percapita, 0.25), quantile(edad, 0.25)),
    Q3 = c(quantile(satisfaccion, 0.75), quantile(log_percapita, 0.75), quantile(edad, 0.75)),
    Max = c(max(satisfaccion), max(log_percapita), max(edad))
  ) %>%
  mutate(
    Rango = Max - Min,
    IQR = Q3 - Q1
  ) %>%
  mutate(across(where(is.numeric), ~round(.x, 2)))

descriptivas_num %>%
  kable(
    caption = "Estadísticas descriptivas de las variables numéricas del modelo",
    format = "html",
    align = "l",
    booktabs = TRUE
  ) %>%
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed"),
    font_size = 10,
    full_width = FALSE
  )
Estadísticas descriptivas de las variables numéricas del modelo
Variable N Media Mediana SD Min Q1 Q3 Max Rango IQR
Satisfacción con ingresos 93579 7.04 7.00 2.08 0.00 6.00 8.00 10.00 10.00 2.00
log(Ingreso per cápita) 93579 13.63 13.61 0.89 6.73 13.07 14.18 19.36 12.63 1.12
Edad 93579 42.77 41.00 14.83 15.00 31.00 54.00 99.00 84.00 23.00

La satisfacción con el ingreso tiene una media de 7.04 y una mediana de 7, de modo que la mayoría de las personas se ubica en la parte alta de la escala; la desviación estándar (2.23) indica una dispersión moderada, y hay respuestas en todo el rango de 0 a 10. Como la variable es discreta, la media y la desviación estándar no corresponden a categorías reales de respuesta, pero sí resumen bien su distribución.

El logaritmo del ingreso per cápita tiene una media (13.63) y una mediana (13.61) casi iguales, lo que muestra que la transformación redujo la asimetría del ingreso. El rango es amplio: el mínimo (6.73) equivale a unos 833 pesos y el máximo (19.36) a unos 255 millones de pesos por persona, valores que se revisan en la sección 3.4. El 50% central de los hogares tiene ingresos per cápita entre aproximadamente 470,000 y 1,440,000 pesos.

La edad tiene una media de 42.77 años y una mediana de 41 (desviación estándar de 16.89). Va de 15 años, por el filtro aplicado, a 99 años, y el 50% central de la muestra tiene entre 31 y 54 años.

3.2 Variables categóricas

La muestra tiene 61,882 hombres (66.1%) y 31,697 mujeres (33.9%). Este predominio masculino se debe a que solo se incluyen personas cuya actividad principal es trabajar: muchas mujeres tienen como actividad principal los oficios del hogar y el cuidado no remunerado, por lo que quedan fuera del filtro, de forma consistente con las brechas de participación laboral del país.

Por región, Caribe (20.6%), Orinoquía-Amazonía (20.1%), Oriental (19.5%) y Central (18.6%) concentran el 78.8% de la muestra, mientras que San Andrés (1.2%), Bogotá (2.5%) y Valle del Cauca (3.5%) tienen pocos casos. Según el diccionario de la ECV 2025, el Valle tiene un código propio, separado de la región Pacífica (Chocó, Cauca y Nariño, con 9,090 casos). Además, la encuesta asigna una muestra mínima por departamento, por lo que las regiones con muchos departamentos acumulan más observaciones que las de un solo departamento muy poblado. Las estimaciones de las regiones con pocos casos tendrán mayor incertidumbre.

3.3 Visualizaciones

library(ggplot2)

p1 <- ggplot(base_filtrada, aes(x = satisfaccion,
                                fill = factor(satisfaccion))) +
  geom_histogram(binwidth = 1, color = "white", boundary = -0.5) +
  scale_fill_manual(
    values = c(
      "0"  = "#B71C1C",  # rojo oscuro
      "1"  = "#C62828",
      "2"  = "#E53935",
      "3"  = "#FB8C00",
      "4"  = "#FFB300",
      "5"  = "#FDD835",  # amarillo
      "6"  = "#9CCC65",
      "7"  = "#7CB342",
      "8"  = "#43A047",
      "9"  = "#2E7D32",
      "10" = "#1B5E20"   # verde oscuro
    )
  ) +
  labs(
    title = "Distribución de la satisfacción con el ingreso",
    subtitle = "Personas ocupadas de 15 años o más, ECV 2025",
    x = "Satisfacción con el ingreso (0 = totalmente insatisfecho, 10 = totalmente satisfecho)",
    y = "Frecuencia"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold"),
    legend.position = "none"
  )

library(plotly)

ggplotly(p1)

Figura 1: Distribución de la satisfacción con el ingreso de las personas ocupadas, ECV 2025.

La Figura 1 muestra que la satisfacción se concentra en los valores altos de la escala, con un pico en 8 y frecuencias elevadas en 7, 9 y 10. La insatisfacción extrema (0 a 3) es menos frecuente, pero no despreciable, lo que coincide con la ligera asimetría negativa de la tabla descriptiva.

p2 <- ggplot(base_filtrada, aes(x = log_percapita, y = satisfaccion)) +
  geom_point(alpha = 0.05, color = "steelblue") +
  geom_smooth(method = "lm", color = "red", se = TRUE) +
  labs(
    title = "Satisfacción con el ingreso vs. log(ingreso per cápita)",
    subtitle = "Personas ocupadas de 15 años o más, ECV 2025",
    x = "log(Ingreso per cápita del hogar)",
    y = "Satisfacción con el ingreso (0–10)"
  ) +
  theme_minimal() +
  theme(plot.title = element_text(face = "bold"))

p2
**Figura 2:** Satisfacción con el ingreso vs. log (ingreso per cápita), ECV 2025.

Figura 2: Satisfacción con el ingreso vs. log (ingreso per cápita), ECV 2025.

La Figura 2 muestra una pendiente positiva entre el logaritmo del ingreso per cápita y la satisfacción, lo que anticipa un coeficiente positivo en el modelo. La dispersión vertical es amplia, como es de esperar en una medida subjetiva que no depende solo del ingreso.

# Boxplot por región (ordenado por mediana)
p3 <- ggplot(base_filtrada, aes(x = reorder(region, satisfaccion, FUN = median),
                                y = satisfaccion, fill = region)) +
  geom_boxplot(alpha = 0.7) + 
  coord_flip() +
  labs(
    title = "Satisfacción con el ingreso por región",
    subtitle = "Personas ocupadas de 15 años o más, ECV 2025",
    x = "Región",
    y = "Satisfacción con el ingreso (0–10)"
  ) +
  theme_minimal() +
  theme(legend.position = "none", plot.title = element_text(face = "bold"))

ggplotly(p3)

Figura 3:Satisfacción con el ingreso por región, ECV 2025.

La Figura 3 muestra que la región Pacífica tiene la mediana más baja (6) y San Andrés la más alta (9). Bogotá y Antioquia tienen una mediana de 8, pero sus promedios (7.15 y 7.39) están cerca del resto; además, como en Bogotá los ingresos son más altos, al comparar personas con el mismo ingreso su diferencia con el Caribe se vuelve negativa en el modelo múltiple. En todas las regiones hay casos atípicos en 0, es decir, la insatisfacción extrema está presente en todo el territorio.

3.4 Valores extremos

library(knitr)
library(kableExtra)

# Tabla de casos extremos
tabla_extremos_resumen <- data.frame(
  Variable = c("Satisfacción = 0 (Totalmente insatisfecho)", 
               "Satisfacción = 10 (Totalmente satisfecho)", 
               "Edad >= 100 años", 
               "log(Ingreso per cápita) mínimo", 
               "log(Ingreso per cápita) máximo",
               "Percentil 1 de log(Ingreso)",
               "Percentil 99 de log(Ingreso)"),
  Valor = c(format(casos_cero, big.mark = ","), 
            format(casos_diez, big.mark = ","), 
            casos_centenarios, 
            round(min_log, 2), 
            round(max_log, 2),
            round(p1_log, 2),
            round(p99_log, 2))
)

tabla_extremos_resumen %>%
  kable(
    caption = "Resumen de valores extremos en la muestra analítica",
    format = "html",
    align = c("l", "c"),
    booktabs = TRUE
  ) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = TRUE)
Resumen de valores extremos en la muestra analítica
Variable Valor
Satisfacción = 0 (Totalmente insatisfecho) 765
Satisfacción = 10 (Totalmente satisfecho) 12,117
Edad >= 100 años 0
log(Ingreso per cápita) mínimo 6.73
log(Ingreso per cápita) máximo 19.36
Percentil 1 de log(Ingreso) 11.52
Percentil 99 de log(Ingreso) 15.95
# Tabla de Top 5 ingresos más altos
ingresos_altos %>%
  kable(
    caption = "5 ingresos per cápita más altos",
    format = "html",
    align = "c",
    booktabs = TRUE,
    digits = 2
  ) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = TRUE)
5 ingresos per cápita más altos
satisfaccion log_percapita edad sexo region
10 19.36 62 Mujer Caribe
10 18.40 56 Mujer Caribe
9 18.35 34 Hombre Orinoquía-Amazonía
8 18.23 59 Hombre Central
10 17.86 59 Hombre Antioquia
# Tabla de Top 5 ingresos más bajos
ingresos_bajos %>%
  kable(
    caption = "5 ingresos per cápita más bajos",
    format = "html",
    align = "c",
    booktabs = TRUE,
    digits = 2
  ) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = TRUE)
5 ingresos per cápita más bajos
satisfaccion log_percapita edad sexo region
9 6.73 59 Mujer Oriental
6 6.91 64 Hombre Orinoquía-Amazonía
5 7.54 43 Hombre Caribe
3 8.11 47 Mujer Bogotá
7 8.17 39 Hombre Valle del Cauca

Siguiendo los lineamientos del parcial, no se eliminó ningún valor extremo de manera automática. En satisfacción hay 765 casos en 0 y 12,117 en 10, que son respuestas válidas de la escala.

En el ingreso, el máximo equivale a unos 255 millones de pesos mensuales por persona y el mínimo a unos 833 pesos. Que estos casos tengan edades, sexos y regiones variados no basta para confirmar que sean reales, por lo que se revisó el monto original frente al ingreso total del hogar (I_HOGAR) y el número de personas (CANT_PERSONAS_HOGAR).

vars_hogar <- intersect(c("I_HOGAR", "CANT_PERSONAS_HOGAR"), names(ECV_2025))

if (length(vars_hogar) == 2) {
  base_filtrada %>%
    left_join(ECV_2025 %>% select(DIRECTORIO, SECUENCIA_P, ORDEN, I_HOGAR, CANT_PERSONAS_HOGAR),
              by = c("DIRECTORIO", "SECUENCIA_P", "ORDEN")) %>%
    mutate(PERCAPITA = exp(log_percapita)) %>%
    arrange(desc(log_percapita)) %>%
    { bind_rows(head(., 5), tail(., 5)) } %>%
    transmute(
      `Ingreso per cápita` = format(round(PERCAPITA), big.mark = ","),
      `Ingreso total del hogar` = format(round(as.numeric(I_HOGAR)), big.mark = ","),
      `Personas en el hogar` = CANT_PERSONAS_HOGAR,
      `Ingreso hogar / personas` = format(round(as.numeric(I_HOGAR) / as.numeric(CANT_PERSONAS_HOGAR)), big.mark = ","),
      Satisfacción = satisfaccion, Edad = edad, Región = region
    ) %>%
    kable(caption = "Revisión del monto original de los 5 ingresos per cápita más altos y los 5 más bajos",
          format = "html", align = "c", booktabs = TRUE) %>%
    kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = TRUE) %>%
    pack_rows("5 más altos", 1, 5) %>%
    pack_rows("5 más bajos", 6, 10)
} else {
  cat("La base no incluye I_HOGAR y CANT_PERSONAS_HOGAR; no es posible revisar el monto original.\n")
}
Revisión del monto original de los 5 ingresos per cápita más altos y los 5 más bajos
Ingreso per cápita Ingreso total del hogar Personas en el hogar Ingreso hogar / personas Satisfacción Edad Región
5 más altos
255,000,000 255,000,000 1 255,000,000 10 62 Caribe
98,228,500 98,228,500 1 98,228,500 10 56 Caribe
93,061,667 186,123,333 2 93,061,667 9 34 Orinoquía-Amazonía
83,000,000 83,000,000 1 83,000,000 8 59 Central
57,300,000 57,300,000 1 57,300,000 10 59 Antioquia
5 más bajos
3,542 14,167 4 3,542 8 53 Valle del Cauca
3,333 16,667 5 3,333 3 47 Bogotá
1,875 7,500 4 1,875 5 43 Caribe
1,000 1,000 1 1,000 6 64 Orinoquía-Amazonía
833 1,667 2 833 9 59 Oriental

En todos los casos, el ingreso per cápita coincide con el ingreso del hogar dividido entre el número de personas, por lo que los datos son coherentes internamente. Sin embargo, los ingresos más altos corresponden a hogares de una o dos personas que reportan entre 57 y 255 millones de pesos mensuales, montos muy poco comunes que podrían ser errores de reporte (por ejemplo, ingresos anuales registrados como mensuales). Como no es posible verificarlo con la información disponible, estos casos se conservan con cautela, y en la sección 6.6 se evalúa si los resultados dependen de ellos. Ninguna persona tiene 100 años o más.

Dashboard interactivo: satisfacción con el ingreso e ingreso per cápita (ECV 2025)

4. Especificación y estimación

El modelo simple estima la asociación bruta entre el ingreso per cápita del hogar (en escala logarítmica) y la satisfacción con el ingreso de las personas ocupadas. El modelo múltiple incorpora tres variables de control justificadas teóricamente:

Edad (edad): se incluye porque la satisfacción con el ingreso puede variar a lo largo del ciclo de vida laboral. Las personas más jóvenes pueden tener expectativas salariales distintas a las de los adultos mayores, y la estabilidad económica tiende a cambiar con la edad.

Sexo (sexo): se incluye porque persisten brechas de género en el mercado laboral colombiano (salarios, oportunidades, tipo de ocupación) que pueden asociarse con diferentes niveles de satisfacción con el ingreso.

Región (region): se incluye porque las condiciones económicas, el costo de vida y las oportunidades laborales difieren territorialmente en Colombia.

4.1 Modelo simple

# Tabla coeficientes
tabla_coef_simple <- coef_simple %>%
  select(term, estimate, std.error, statistic, p.value) %>%
  kable(
    caption = "Coeficientes del modelo simple",
    col.names = c("Variable", "Coeficiente", "Error estándar", "Estadístico t", "p-valor"),
    format = "html",
    align = c("l", "c", "c", "c", "c"),
    booktabs = TRUE
  ) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = TRUE) %>%
  footnote(general = "Nivel de significancia: 5% (0.05).")

# Tabla medidas de ajuste
tabla_ajuste_simple <- data.frame(
  Métrica = c("Observaciones", "R²", "R² ajustado", "Estadístico F", "p-valor (F)"),
  Valor = c(format(ajuste_simple$nobs, big.mark = ","), 
            ajuste_simple$r.squared, 
            ajuste_simple$adj.r.squared, 
            ajuste_simple$statistic, 
            ajuste_simple$p.value)
) %>%
  kable(
    caption = "Medidas de ajuste del modelo simple",
    format = "html",
    align = c("l", "c"),
    booktabs = TRUE
  ) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = TRUE) %>%
  footnote(general = "Nivel de confianza: 95%.")
Coeficientes del modelo simple
Variable Coeficiente Error estándar Estadístico t p-valor
Intercepto -0.958 0.101 -9.497 <0.001
log(Ingreso per cápita) 0.587 0.007 79.418 <0.001
Note:
Nivel de significancia: 5% (0.05).
Medidas de ajuste del modelo simple
Métrica Valor
Observaciones 93,579
R² 0.063
R² ajustado 0.063
Estadístico F 6307.259
p-valor (F) <0.001
Note:
Nivel de confianza: 95%.

En el modelo simple, el coeficiente del logaritmo del ingreso per cápita es positivo y significativo (p < 0.05): en esta muestra, un mayor ingreso per cápita se asocia con mayor satisfacción. El intercepto no tiene interpretación sustantiva, porque corresponde a un ingreso per cápita de 1 peso, fuera del rango observado.

El R² indica que el ingreso per cápita explica cerca del 6.3% de la variabilidad de la satisfacción.

4.2 Modelo múltiple

# Tabla coeficientes
coef_multiple %>%
  select(term, estimate, std.error, statistic, p.value) %>%
  kable(
    caption = "Coeficientes del modelo múltiple",
    col.names = c("Variable", "Coeficiente", "Error estándar", "Estadístico t", "p-valor"),
    format = "html",
    align = c("l", "c", "c", "c", "c"),
    booktabs = TRUE
  ) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = FALSE) %>%
  footnote(general = "Nivel de significancia: 5% (0.05).")
Coeficientes del modelo múltiple
Variable Coeficiente Error estándar Estadístico t p-valor
Intercepto -0.369 0.103 -3.582 <0.001
log(Ingreso per cápita) 0.592 0.008 78.043 <0.001
Edad -0.010 0.000 -22.362 <0.001
Mujer (ref. Hombre) -0.201 0.014 -14.453 <0.001
Oriental (ref. Caribe) -0.142 0.021 -6.864 <0.001
Central (ref. Caribe) -0.184 0.021 -8.755 <0.001
Pacífica (ref. Caribe) -0.950 0.025 -37.599 <0.001
Bogotá (ref. Caribe) -0.485 0.044 -10.907 <0.001
Antioquia (ref. Caribe) 0.023 0.035 0.656 0.512
Valle del Cauca (ref. Caribe) -0.318 0.038 -8.476 <0.001
San Andrés (ref. Caribe) 0.749 0.061 12.274 <0.001
Orinoquía-Amazonía (ref. Caribe) -0.049 0.020 -2.416 0.016
Note:
Nivel de significancia: 5% (0.05).
# Tabla medidas de ajuste
data.frame(
  Métrica = c("Observaciones", "R²", "R² ajustado", "Estadístico F", "p-valor (F)"),
  Valor = c(format(ajuste_multiple$nobs, big.mark = ","), 
            ajuste_multiple$r.squared, 
            ajuste_multiple$adj.r.squared, 
            ajuste_multiple$statistic, 
            ajuste_multiple$p.value)
) %>%
  kable(
    caption = "Medidas de ajuste del modelo múltiple",
    format = "html",
    align = c("l", "c"),
    booktabs = TRUE
  ) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = FALSE) %>%
  footnote(general = "Nivel de confianza: 95%.")
Medidas de ajuste del modelo múltiple
Métrica Valor
Observaciones 93,579
R² 0.089
R² ajustado 0.089
Estadístico F 831.716
p-valor (F) <0.001
Note:
Nivel de confianza: 95%.

En el modelo múltiple, cada coeficiente indica el cambio promedio esperado en la satisfacción ante una unidad adicional de la variable (o frente a la categoría de referencia), manteniendo constantes las demás. Con un nivel de significancia del 5%, el ingreso per cápita mantiene una asociación positiva (0.592); la edad (-0.010), ser mujer (-0.201) y la mayoría de las regiones (especialmente Pacífica, -0.950) tienen asociaciones negativas. Antioquia no es significativa (p > 0.05).

El R² ajustado es 0.089. La F global (831.7, p < 0.001) indica que no todos los coeficientes son cero, pero no compara este modelo con el simple; esa comparación se hace en la sección 4.3.

4.3 Comparación de los modelos

library(broom)
library(dplyr)
library(knitr)
library(kableExtra)

# Coeficientes, valores t y errores estándar del modelo simple
tab_simple <- tidy(modelo_simple) %>%
  mutate(
    coef_str = paste0(sprintf("%.3f", estimate), 
                      ifelse(p.value < 0.01, "***", 
                             ifelse(p.value < 0.05, "**", 
                                    ifelse(p.value < 0.1, "*", "")))),
    se_str = ifelse(std.error < 0.001, "(< 0.001)", sprintf("(%.3f)", std.error))
  ) %>%
  select(term, Simple_Coef = coef_str, Simple_SE = se_str)

# Coeficientes, valores t y errores estándar del modelo múltiple
tab_multiple <- tidy(modelo_multiple) %>%
  mutate(
    coef_str = paste0(sprintf("%.3f", estimate), 
                      ifelse(p.value < 0.01, "***", 
                             ifelse(p.value < 0.05, "**", 
                                    ifelse(p.value < 0.1, "*", "")))),
    se_str = ifelse(std.error < 0.001, "(< 0.001)", sprintf("(%.3f)", std.error))
  ) %>%
  select(term, Multiple_Coef = coef_str, Multiple_SE = se_str)

# Unir ambas tablas
tabla_comparativa <- full_join(tab_simple, tab_multiple, by = "term") %>%
  mutate(
    term = case_when(
      term == "(Intercept)" ~ "Intercepto",
      term == "log_percapita" ~ "log(Ingreso per cápita)",
      term == "edad" ~ "Edad",
      term == "sexoMujer" ~ "Mujer (ref. Hombre)",
      term == "regionOriental" ~ "Oriental (ref. Caribe)",
      term == "regionCentral" ~ "Central (ref. Caribe)",
      term == "regionPacífica" ~ "Pacífica (ref. Caribe)",
      term == "regionBogotá" ~ "Bogotá (ref. Caribe)",
      term == "regionAntioquia" ~ "Antioquia (ref. Caribe)",
      term == "regionValle del Cauca" ~ "Valle del Cauca (ref. Caribe)",
      term == "regionSan Andrés" ~ "San Andrés (ref. Caribe)",
      term == "regionOrinoquía-Amazonía" ~ "Orinoquía-Amazonía (ref. Caribe)",
      TRUE ~ term
    )
  )  %>% mutate(across(-term, ~ replace_na(.x, "—")))

# Agregar filas de medidas de ajuste
ajuste_simple <- glance(modelo_simple)
ajuste_multiple <- glance(modelo_multiple)

filas_ajuste <- data.frame(
  term = c("Observaciones", "R²", "R² ajustado", "Estadístico F"),
  Simple_Coef = c(format(ajuste_simple$nobs, big.mark = ","), round(ajuste_simple$r.squared, 3), round(ajuste_simple$adj.r.squared, 3), round(ajuste_simple$statistic, 1)),
  Simple_SE = c("", "", "", ""),
  Multiple_Coef = c(format(ajuste_multiple$nobs, big.mark = ","), round(ajuste_multiple$r.squared, 3), round(ajuste_multiple$adj.r.squared, 3), round(ajuste_multiple$statistic, 1)),
  Multiple_SE = c("", "", "", "")
)

tabla_final <- bind_rows(tabla_comparativa, filas_ajuste)

# Imprimir tabla
tabla_final %>%
  kable(
    caption = "Comparación de coeficientes: Modelo Simple vs. Modelo Múltiple",
    col.names = c("Variable", "Modelo Simple", "", "Modelo Múltiple", ""),
    format = "html",
    booktabs = TRUE,
    align = c("l", "c", "c", "c", "c")
  ) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE) %>%
  add_header_above(c(" " = 1, "Satisfacción con el ingreso" = 2, "Satisfacción con el ingreso" = 2)) %>%
  footnote(general = "Errores estándar entre paréntesis. *** p < 0.01, ** p < 0.05, * p < 0.1. — : la variable no se incluye en ese modelo.")
Comparación de coeficientes: Modelo Simple vs. Modelo Múltiple
Satisfacción con el ingreso
Satisfacción con el ingreso
Variable Modelo Simple Modelo Múltiple
Intercepto -0.958*** (0.101) -0.369*** (0.103)
log(Ingreso per cápita) 0.587*** (0.007) 0.592*** (0.008)
Edad — — -0.010*** (< 0.001)
Mujer (ref. Hombre) — — -0.201*** (0.014)
Oriental (ref. Caribe) — — -0.142*** (0.021)
Central (ref. Caribe) — — -0.184*** (0.021)
Pacífica (ref. Caribe) — — -0.950*** (0.025)
Bogotá (ref. Caribe) — — -0.485*** (0.044)
Antioquia (ref. Caribe) — — 0.023 (0.035)
Valle del Cauca (ref. Caribe) — — -0.318*** (0.038)
San Andrés (ref. Caribe) — — 0.749*** (0.061)
Orinoquía-Amazonía (ref. Caribe) — — -0.049** (0.020)
Observaciones 93,579 93,579
R² 0.063 0.089
R² ajustado 0.063 0.089
Estadístico F 6307.3 831.7
Note:
Errores estándar entre paréntesis. *** p < 0.01, ** p < 0.05, * p < 0.1. — : la variable no se incluye en ese modelo.
# Prueba F de comparación de modelos anidados: ¿los controles mejoran el ajuste?
prueba_anidados <- anova(modelo_simple, modelo_multiple)

prueba_anidados %>%
  tidy() %>%
  mutate(term = c("Modelo simple", "Modelo múltiple"),
         across(c(rss, sumsq, statistic), ~ round(.x, 1)),
         p.value = ifelse(is.na(p.value), "", ifelse(p.value < 0.001, "< 0.001", as.character(round(p.value, 4))))) %>%
  mutate(across(everything(), ~ ifelse(is.na(.x), "", as.character(.x)))) %>%
  kable(caption = "Prueba F de comparación entre el modelo simple y el modelo múltiple (modelos anidados)",
        col.names = c("Modelo", "gl residuales", "SC residual", "gl", "SC adicional", "F", "p-valor"),
        format = "html", align = "c", booktabs = TRUE) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = FALSE)
Prueba F de comparación entre el modelo simple y el modelo múltiple (modelos anidados)
Modelo gl residuales SC residual gl SC adicional F p-valor
Modelo simple 93577 378872.7
Modelo múltiple 93567 368388.8 10 10483.9 266.3 < 0.001
F_anidados <- prueba_anidados$F[2]

En la tabla, cada modelo tiene dos columnas: el coeficiente (con sus asteriscos de significancia) y su error estándar.

La tabla comparativa muestra que el coeficiente del ingreso pasa de 0.587 a 0.592 al agregar los controles, y que el R² ajustado sube de 0.063 a 0.089. Para saber si los controles mejoran el ajuste no basta con la F global del modelo múltiple, que solo indica que no todos sus coeficientes son cero. La prueba adecuada es la F de comparación de modelos anidados, cuya hipótesis nula es que los 10 coeficientes agregados (edad, sexo y 8 regiones) son todos cero. Esta prueba arroja F = 266.3 (p < 0.001): incluir los controles mejora el ajuste de forma estadísticamente significativa.

5. Interpretación de resultados

5.1 El rol del ingreso per cápita y la comparación de modelos

La asociación entre el ingreso y la satisfacción se mantiene prácticamente igual después de condicionar por edad, sexo y región (0.587 frente a 0.592). Que el coeficiente sea estable no significa que el ingreso actúe de forma independiente ni causal: describe una asociación condicionada a las variables incluidas. Entre personas con la misma edad, sexo y región, un ingreso per cápita 1% mayor se asocia con 0.0059 puntos más de satisfacción (0.592/100).

5.2 El efecto de las variables de control (categóricas y numéricas)

Entre los controles, las diferencias territoriales son las de mayor tamaño, seguidas por la brecha de género. Tomando como referencia a los hombres, las mujeres reportan en promedio 0.201 puntos menos de satisfacción. Frente a la región Caribe, residir en la Pacífica se asocia con casi 1 punto menos (-0.950) y vivir en San Andrés con 0.749 puntos más; Antioquia (0.023) no es significativa, por lo que no podemos afirmar que difiera del Caribe. En el modelo OLS, San Andrés y Orinoquía-Amazonía también resultan significativas, pero estas diferencias no se sostienen bajo el diseño muestral de la ECV (sección 6.4), así que deben interpretarse con cautela. Cada año adicional de edad se asocia con 0.010 puntos menos de satisfacción.

5.3 Sobre el intercepto

El intercepto del modelo múltiple (-0.369) no tiene interpretación sustantiva: correspondería a un hombre de 0 años, del Caribe y con un ingreso per cápita de 1 peso, un escenario fuera del rango observado.

5.4 Significancia estadística vs. relevancia sustantiva

Con 93,579 observaciones, es esperable que casi todos los coeficientes sean estadísticamente significativos, pero eso no equivale a relevancia práctica. El efecto de la edad es marginal (10 años más se asocian con 0.10 puntos menos), y duplicar el ingreso del hogar se asocia con unos 0.41 puntos más (0.592 × log(2)). En cambio, la brecha de casi 1 punto entre la región Pacífica y el Caribe es sustantivamente relevante, y la diferencia por sexo, aunque menor, refleja una desigualdad que también importa.

6. Verificación de supuestos

6.1 Supuesto de linealidad

# Gráfico de residuos vs. valores ajustados
plot(modelo_multiple, which = 1)

El gráfico de residuos frente a ajustados muestra bandas diagonales, consecuencia de que la satisfacción es discreta y acotada; la línea de tendencia se mantiene cerca de cero. Como este gráfico no basta para evaluar la forma funcional de cada variable, se complementa con residuos parciales y la prueba RESET.

library(lmtest)
library(gridExtra)

# Residuos parciales (idea de crPlots): residuo + parte lineal de la variable.
# Con 93,579 casos se grafican promedios por intervalos para que el patrón sea visible.
res_parcial <- function(var, nombre_eje) {
  b <- coef(modelo_multiple)[var]
  tibble(x = base_filtrada[[var]],
         rp = residuals(modelo_multiple) + b * base_filtrada[[var]]) %>%
    mutate(grupo = ntile(x, 40)) %>%
    group_by(grupo) %>%
    summarise(x = mean(x), rp = mean(rp), .groups = "drop") %>%
    ggplot(aes(x, rp)) +
    geom_point(color = "#2C7FB8") +
    geom_abline(intercept = mean(residuals(modelo_multiple) + b * base_filtrada[[var]]) - b * mean(base_filtrada[[var]]),
                slope = b, color = "red") +
    geom_smooth(method = "loess", se = FALSE, color = "#6A3D9A", linewidth = 0.8) +
    labs(x = nombre_eje, y = "Residuo parcial (promedio)")
}
grid.arrange(res_parcial("log_percapita", "log(Ingreso per cápita)"),
             res_parcial("edad", "Edad"), ncol = 2)
Residuos parciales del ingreso y de la edad (promedios por intervalos). La línea roja es la relación lineal estimada.

Residuos parciales del ingreso y de la edad (promedios por intervalos). La línea roja es la relación lineal estimada.

# Prueba RESET (H0: la forma funcional lineal está bien especificada)
reset_multiple <- resettest(modelo_multiple, power = 2:3, type = "fitted")
  • H₀: La forma funcional lineal está bien especificada.
  • H₁: La forma funcional no es lineal (falta alguna curvatura).

La prueba RESET arroja F = 80 (p < 0.001), por lo que se rechaza la forma lineal. Los residuos parciales sugieren una curvatura leve: la satisfacción disminuye más rápido en las edades mayores, y la pendiente del ingreso es algo mayor en los hogares de ingresos altos. Siguiendo la corrección vista en clase, se estimó un modelo cuadrático:

modelo_cuadratico <- lm(satisfaccion ~ log_percapita + I(log_percapita^2) + edad + I(edad^2) + sexo + region,
                        data = base_filtrada)

b_cuad <- coef(modelo_cuadratico)
pend_ingreso <- b_cuad["log_percapita"] + 2 * b_cuad["I(log_percapita^2)"] *
  quantile(base_filtrada$log_percapita, c(0.10, 0.50, 0.90))

tibble(
  Medida = c("R² ajustado",
             "Pendiente del log(ingreso) en el percentil 10",
             "Pendiente del log(ingreso) en la mediana",
             "Pendiente del log(ingreso) en el percentil 90",
             "Coeficiente de Mujer (ref. Hombre)",
             "Coeficiente de Pacífica (ref. Caribe)"),
  `Modelo lineal` = c(summary(modelo_multiple)$adj.r.squared,
                      rep(coef(modelo_multiple)["log_percapita"], 3),
                      coef(modelo_multiple)["sexoMujer"],
                      coef(modelo_multiple)["regionPacífica"]),
  `Modelo cuadrático` = c(summary(modelo_cuadratico)$adj.r.squared,
                          pend_ingreso,
                          b_cuad["sexoMujer"], b_cuad["regionPacífica"])
) %>%
  mutate(across(-Medida, ~ round(.x, 3))) %>%
  kable(caption = "Corrección de linealidad: comparación entre el modelo lineal y el modelo con términos cuadráticos",
        format = "html", align = c("l", "c", "c"), booktabs = TRUE) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = FALSE)
Corrección de linealidad: comparación entre el modelo lineal y el modelo con términos cuadráticos
Medida Modelo lineal Modelo cuadrático
R² ajustado 0.089 0.091
Pendiente del log(ingreso) en el percentil 10 0.592 0.490
Pendiente del log(ingreso) en la mediana 0.592 0.583
Pendiente del log(ingreso) en el percentil 90 0.592 0.682
Coeficiente de Mujer (ref. Hombre) -0.201 -0.211
Coeficiente de Pacífica (ref. Caribe) -0.950 -0.943

Los términos cuadráticos son significativos, pero la mejora es mínima: el R² ajustado pasa de 0.089 a 0.0906, la pendiente del ingreso varía entre 0.49 y 0.68 alrededor del valor lineal (0.59), y los coeficientes de sexo y región casi no cambian. Además, con casi 94 mil casos la prueba RESET detecta desviaciones muy pequeñas, y parte del rechazo puede deberse a que la escala está acotada. Por eso se conserva el modelo lineal, más fácil de interpretar, entendiendo que describe una relación promedio. La corrección B vista en clase (modelo logarítmico) ya está incorporada en la variable independiente, porque el ingreso entra al modelo como log(ingreso per cápita). No se aplica a la variable dependiente, porque la satisfacción incluye ceros, cuyo logaritmo no está definido, y es una escala acotada de 0 a 10.

6.2 Supuesto de normalidad

Histograma de residuos y gráfico Q-Q.

Histograma de residuos y gráfico Q-Q.

library(broom)
library(knitr)
library(kableExtra)

test_shapiro %>%
  tidy() %>%
  mutate(
    statistic = round(statistic, 4),
    p.value = ifelse(p.value < 0.001, "< 0.001", as.character(round(p.value, 4)))
  ) %>%
  kable(
    caption = "Prueba de normalidad de Shapiro-Wilk",
    format = "html",
    col.names = c("Estadístico W", "p-valor", "Método"),
    align = "c",
    booktabs = TRUE
  ) %>%
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed"),
    full_width = FALSE
  )
Prueba de normalidad de Shapiro-Wilk
Estadístico W p-valor Método
0.9766 < 0.001 Shapiro-Wilk normality test
  • H₀: Los datos provienen de una población con distribución normal.
  • H₁: Los datos no provienen de una población con distribución normal.

Se obtuvo un p-valor menor a 2.2e-16, el cual es menor al nivel de significancia de 0.05. Por lo tanto, se rechaza la hipótesis nula (H₀) y se concluye que los datos no siguen una distribución normal.

El histograma tiene forma de campana con una ligera asimetría a la izquierda, y el gráfico Q-Q se aparta de la línea en las colas; Shapiro-Wilk (sobre 5,000 residuos, su máximo) rechaza la normalidad (W = 0.969). Esto es esperable en una escala discreta y acotada. No se transforma la variable dependiente, porque un logaritmo no tiene sentido en una escala de 0 a 10 con ceros. Con una muestra tan grande, la falta de normalidad tiene poco efecto sobre la distribución de los coeficientes, pero esto no corrige la heterocedasticidad ni la dependencia, por lo que la inferencia se basa en errores robustos HC1 y se verifica con el diseño muestral de la ECV (secciones 6.3 y 6.4).

6.3 Supuesto de homocedasticidad

plot(modelo_multiple, which = 3)

library(broom)
library(knitr)
library(kableExtra)

test_bp %>%
  tidy() %>%
  mutate(
    statistic = round(statistic, 2),
    p.value = ifelse(p.value < 0.001, "< 0.001", as.character(round(p.value, 4)))
  ) %>%
  kable(
    caption = "Prueba de homocedasticidad de Breusch-Pagan",
    format = "html",
    col.names = c("Estadístico BP", "Grados de libertad", "p-valor", "Método"),
    align = "c",
    booktabs = TRUE
  ) %>%
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed"),
    full_width = FALSE
  )
Prueba de homocedasticidad de Breusch-Pagan
Estadístico BP Grados de libertad p-valor Método
1459.66 < 0.001 11 studentized Breusch-Pagan test
  • H₀: Los residuos son homocedásticos
  • H₁: Los residuos son heterocedásticos

La prueba de Breusch-Pagan arrojó un estadístico BP = 1459.7 (con df = 11) y un p-valor < 2.2e-16. Dado que este p-valor es significativamente menor que el nivel de significancia (alpha = 0.05) se rechaza la hipotesis nula.

El gráfico de escala-locación muestra una forma de “diamante”: la dispersión de los residuos es menor en los extremos de las predicciones y mayor en el centro, por la naturaleza acotada de la escala. La heterocedasticidad no sesga los coeficientes, pero hace que los errores estándar clásicos no sean confiables, sin importar el tamaño de la muestra. Por eso se aplicaron errores robustos HC1 (ver la tabla de la sección 6.4): cambian muy poco frente a los clásicos, y el ingreso, la edad, el sexo y la región Pacífica siguen siendo significativos. Los errores HC1 no corrigen la dependencia entre observaciones (sección 6.4).

6.4 Supuesto de independencia

plot(residuals(modelo_multiple), type = "l", main = "Residuos por índice", 
     ylab = "Residuos", xlab = "Índice de observación", col = "gray")

library(lmtest)
library(knitr)
library(kableExtra)

test_dw <- dwtest(modelo_multiple)

data.frame(
  Prueba = "Durbin-Watson",
  `Estadístico DW` = round(test_dw$statistic, 4),
  `p-valor` = ifelse(test_dw$p.value < 2.2e-16, "< 2.2e-16", as.character(test_dw$p.value)),
  check.names = FALSE
) %>%
  kable(
    caption = "Prueba de Durbin-Watson",
    format = "html",
    align = "c",
    booktabs = TRUE
  ) %>%
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed"),
    full_width = FALSE
  )
Prueba de Durbin-Watson
Prueba Estadístico DW p-valor
DW Durbin-Watson 1.4912 < 2.2e-16
  • H₀: Los residuos son independientes
  • H₁: Los residuos no son independientes

El gráfico de residuos por índice no muestra ciclos, pero la prueba de Durbin-Watson (DW = 1.491) rechaza la independencia. Esta prueba fue diseñada para datos en el tiempo y solo compara cada residuo con el de la fila anterior, así que depende del orden de la base. Como en la ECV las filas están ordenadas por vivienda, el rechazo indica que los residuos de personas que comparten vivienda están correlacionados, y el supuesto no se cumple.

Errores estándar clásicos vs. errores estándar del diseño muestral ECV
Variable Coeficiente EE clásico EE diseño ECV t diseño p diseño
Intercepto -0.6503 0.1029 0.2377 -2.74 0.006
log(Ingreso per cápita) 0.6095 0.0076 0.0174 35.09 < 0.001
Edad -0.0091 0.0004 0.0008 -10.95 < 0.001
Mujer (ref. Hombre) -0.1594 0.0139 0.0229 -6.95 < 0.001
Oriental -0.1037 0.0207 0.0421 -2.46 0.014
Central -0.1015 0.0210 0.0364 -2.79 0.005
Pacífica -1.0046 0.0253 0.0408 -24.62 < 0.001
Bogotá -0.5008 0.0444 0.0708 -7.07 < 0.001
Antioquia -0.0883 0.0351 0.0704 -1.25 0.21
Valle del Cauca -0.3374 0.0375 0.0756 -4.46 < 0.001
San Andrés 0.8349 0.0610 0.1587 5.26 < 0.001
Orinoquía-Amazonía -0.0374 0.0204 0.0362 -1.03 0.302
Note:
Las regiones se comparan con el Caribe. EE = error estándar. El diseño ECV incorpora estratificación (ESTRATO2020), conglomerados (SEGMENTO) y factores de expansión (FEX_C).

El diseño de la ECV es multietápico: primero se seleccionan segmentos (conglomerados) dentro de estratos, luego viviendas dentro de los segmentos, y finalmente se aplican factores de expansión calibrados. Ignorar estos elementos produce errores estándar subestimados y contrastes de significancia demasiado optimistas. Por eso, como verificación de robustez de la inferencia, se reestima el modelo con svyglm(), que aplica la corrección apropiada para encuestas complejas. Con esta corrección, los errores estándar del ingreso aumentan un 129%, y los resultados principales se mantienen: el ingreso sigue siendo claramente significativo (t = 35.1), y también lo son la edad, el sexo y las regiones Oriental, Central, Pacífica, Bogotá, Valle del Cauca y San Andrés. La única región que pierde significancia bajo el diseño muestral es Orinoquía-Amazonía (p = 0.302); Antioquia, que ya no era significativa, se mantiene igual (p = 0.21).

A diferencia de los errores agrupados por vivienda, que solo capturaban la correlación entre personas del mismo hogar, el diseño completo con svyglm() incorpora simultáneamente estratificación, conglomerados y factores de expansión. Esto significa que los errores estándar reflejan tanto la heterocedasticidad como la dependencia entre observaciones de un mismo segmento y de un mismo estrato, y que los coeficientes representan a la población objetivo y no solo a la muestra. Las conclusiones sobre significancia se verifican con estos errores de diseño; los coeficientes que se interpretan en las secciones 4 y 5 son los del modelo OLS con errores HC1, y el diseño ECV confirma que las asociaciones principales se mantienen.

6.5 Supuesto de multicolinealidad

# Factores de Inflación de la Varianza (VIF)
library(car)
library(knitr)
library(kableExtra)

# Cálculo de VIF
resultado_vif <- vif(modelo_multiple)

# Convertir el objeto a data.frame
tabla_vif <- as.data.frame(resultado_vif)
tabla_vif$Variable <- rownames(tabla_vif)
rownames(tabla_vif) <- NULL

# Reorganizar para que la variable quede de primera
tabla_vif <- tabla_vif[, c("Variable", "GVIF", "Df", "GVIF^(1/(2*Df))")]

# Redondear para que se vea limpio
tabla_vif$GVIF <- round(tabla_vif$GVIF, 6)
tabla_vif$`GVIF^(1/(2*Df))` <- round(tabla_vif$`GVIF^(1/(2*Df))`, 6)

# Tabla
tabla_vif %>%
  kable(
    caption = "Factores de Inflación de la Varianza (VIF)",
    format = "html",
    align = c("l", "c", "c", "c"),
    booktabs = TRUE
  ) %>%
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed"),
    full_width = FALSE
  )
Factores de Inflación de la Varianza (VIF)
Variable GVIF Df GVIF^(1/(2*Df))
log_percapita 1.085652 1 1.041946
edad 1.017073 1 1.008501
sexo 1.028763 1 1.014280
region 1.079317 8 1.004782

Evidencia: Al calcular los VIF para el modelo múltiple, se obtuvieron valores muy cercanos a 1: log_percapita (1.08), edad (1.02), sexo (1.00) y region (GVIF^(1/(2*Df)=1.005 ). Al estar por debajo del umbral crítico de 5 se descartan problemas de multicolinealidad, por lo que este supuesto no requiere corrección.

6.6 Casos atípicos e influyentes

Distancia de Cook.

Distancia de Cook.

# Tabla
casos_influyentes <- sum(cooksd > umbral)
porcentaje <- round(100 * casos_influyentes / n, 3)
max_cook <- max(cooksd)

library(knitr)
library(kableExtra)

data.frame(
  Metrica = c("Umbral de Cook (4/n)", "Casos que superan el umbral", "Porcentaje de la muestra", "Valor maximo de la Distancia de Cook"),
  Valor = c(format(umbral, scientific = TRUE, digits = 3), 
            format(casos_influyentes, big.mark = ","), 
            paste0(porcentaje, "%"), 
            round(max_cook, 5)),
  check.names = FALSE
) %>%
  kable(
    caption = "Resumen de la Distancia de Cook",
    format = "html",
    align = c("l", "c"),
    booktabs = TRUE
  ) %>%
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed"),
    full_width = TRUE
  )
Resumen de la Distancia de Cook
Metrica Valor
Umbral de Cook (4/n) 4.27e-05
Casos que superan el umbral 4,741
Porcentaje de la muestra 5.066%
Valor maximo de la Distancia de Cook 0.0015

El gráfico de la distancia de Cook muestra la influencia de cada observación, con una línea roja punteada en el umbral de referencia 4/n (4.27e-05). Hay 4,741 casos que lo superan (5.07% de la muestra) y el valor máximo es 0.0015.

Un valor de Cook menor que 1 no garantiza que no haya influencia: es solo una referencia, y con muchas observaciones un grupo de casos puede mover algunos coeficientes aunque cada uno por separado tenga una distancia pequeña. Por eso, en lugar de aplicar una regla fija, se hizo un análisis de sensibilidad más abajo.

# Residuos estandarizados y leverage (valores de influencia)
res_est    <- rstandard(modelo_multiple)
leverage   <- hatvalues(modelo_multiple)
p_coef     <- length(coef(modelo_multiple))      # número de coeficientes (12)
umbral_lev <- 2 * p_coef / n                      # regla usual: 2p/n

n_res3  <- sum(abs(res_est) > 3)
n_lev   <- sum(leverage > umbral_lev)
n_ambos <- sum(abs(res_est) > 3 & leverage > umbral_lev)

data.frame(
  Diagnóstico = c("Residuos estandarizados con |r| > 3",
                  paste0("Leverage alto (h > 2p/n = ", signif(umbral_lev, 3), ")"),
                  "Residuo alto y leverage alto a la vez"),
  Casos = format(c(n_res3, n_lev, n_ambos), big.mark = ","),
  `% de la muestra` = round(100 * c(n_res3, n_lev, n_ambos) / n, 2),
  check.names = FALSE
) %>%
  kable(caption = "Residuos estandarizados y leverage del modelo múltiple",
        format = "html", align = c("l", "r", "r"), booktabs = TRUE) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = TRUE)
Residuos estandarizados y leverage del modelo múltiple
Diagnóstico Casos % de la muestra
Residuos estandarizados con |r| > 3 844 0.90
Leverage alto (h > 2p/n = 0.000256) 10,738 11.47
Residuo alto y leverage alto a la vez 110 0.12
# Los 5 casos con mayor distancia de Cook y sus características
base_filtrada %>%
  mutate(Cook = cooksd, `Residuo est.` = res_est, Leverage = leverage,
         `Ingreso per cápita (pesos)` = format(round(exp(log_percapita)), big.mark = ",")) %>%
  arrange(desc(Cook)) %>%
  slice(1:5) %>%
  transmute(Satisfacción = satisfaccion, `Ingreso per cápita (pesos)`, Edad = edad,
            Sexo = sexo, Región = region,
            Cook = signif(Cook, 3), `Residuo est.` = round(`Residuo est.`, 2),
            Leverage = signif(Leverage, 3)) %>%
  kable(caption = "Los 5 casos con mayor distancia de Cook",
        format = "html", align = "c", booktabs = TRUE) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = FALSE)
Los 5 casos con mayor distancia de Cook
Satisfacción Ingreso per cápita (pesos) Edad Sexo Región Cook Residuo est. Leverage
0 2,104,921 22 Hombre San Andrés 0.00150 -4.43 0.000918
0 2,041,567 34 Hombre San Andrés 0.00142 -4.36 0.000896
0 1,800,000 52 Hombre San Andrés 0.00133 -4.23 0.000890
0 1,050,000 59 Hombre San Andrés 0.00122 -4.04 0.000899
0 637,500 33 Hombre San Andrés 0.00122 -4.02 0.000907
# Gráfico residuos estandarizados vs. leverage
plot(modelo_multiple, which = 5)
Residuos estandarizados frente a leverage, con contornos de la distancia de Cook.

Residuos estandarizados frente a leverage, con contornos de la distancia de Cook.

Hay 844 casos (0.9%) con residuos estandarizados mayores a 3 en valor absoluto, es decir, personas cuya satisfacción se aleja mucho de lo predicho. Los 10,738 casos con leverage alto no se deben principalmente a ingresos extremos, sino a las regiones con pocos casos: con variables de región, el leverage depende del tamaño de cada región, y casi todos los casos marcados son de Antioquia, Bogotá, Valle del Cauca y San Andrés. Los cinco casos con mayor distancia de Cook son hombres de San Andrés con satisfacción 0 e ingresos normales: su influencia viene de pertenecer a la región más pequeña y de dar la respuesta más baja posible. Para evaluar si estos casos cambian los resultados, se hizo un análisis de sensibilidad:

# Análisis de sensibilidad 1: reestimar sin los casos con Cook > 4/n
modelo_sin_influyentes <- lm(satisfaccion ~ log_percapita + edad + sexo + region,
                             data = base_filtrada[cooksd <= umbral, ])

# Análisis de sensibilidad 2: regresión robusta (M-estimador de Huber), vista en clase.
# Se usa MASS::rlm sin cargar MASS para no ocultar la función select() de dplyr.
modelo_robusto <- MASS::rlm(satisfaccion ~ log_percapita + edad + sexo + region,
                            data = base_filtrada, maxit = 100)

tabla_sens <- tibble(
  Variable = etiquetas[names(coef(modelo_multiple))],
  `Modelo original` = coef(modelo_multiple),
  `Sin casos con Cook > 4/n` = coef(modelo_sin_influyentes),
  `Regresión robusta (Huber)` = coef(modelo_robusto)
)

tabla_sens %>%
  mutate(across(-Variable, ~ round(.x, 3))) %>%
  kable(caption = "Análisis de sensibilidad: coeficientes con y sin casos influyentes",
        format = "html", align = c("l", "c", "c", "c"), booktabs = TRUE) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = FALSE)
Análisis de sensibilidad: coeficientes con y sin casos influyentes
Variable Modelo original Sin casos con Cook > 4/n Regresión robusta (Huber)
Intercepto -0.369 -0.256 -0.179
log(Ingreso per cápita) 0.592 0.595 0.590
Edad -0.010 -0.010 -0.010
Mujer (ref. Hombre) -0.201 -0.190 -0.192
Oriental -0.142 -0.210 -0.194
Central -0.184 -0.218 -0.238
Pacífica -0.950 -0.958 -1.028
Bogotá -0.485 -0.452 -0.589
Antioquia 0.023 0.139 0.019
Valle del Cauca -0.318 -0.227 -0.262
San Andrés 0.749 0.710 0.734
Orinoquía-Amazonía -0.049 -0.120 -0.113
# Composición de los casos excluidos en la sensibilidad 1
excluidos_extremos <- mean(base_filtrada$satisfaccion[cooksd > umbral] %in% c(0, 1, 2, 3, 10))

El coeficiente del ingreso es muy estable: 0.592 en el modelo original, 0.595 sin los casos con Cook > 4/n y 0.59 con regresión robusta. Lo mismo ocurre con la edad, el sexo y la brecha de la región Pacífica. En cambio, algunas diferencias regionales pequeñas sí cambian: Antioquia pasa de 0.02 a 0.14 y Valle del Cauca de -0.32 a -0.23. Los casos excluidos no son errores: el 80% responde entre 0 y 3 o 10, es decir, son respuestas válidas en los extremos de la escala. Por eso se conservan todos los casos en el modelo principal, pero las diferencias regionales menores a unos 0.3 puntos deben interpretarse con cautela, porque dependen de un grupo de respuestas extremas.

7. Conclusión y reproducibilidad

Este trabajo analizó cómo se relaciona la satisfacción con el ingreso de las personas cuya actividad principal es trabajar con el ingreso per cápita de su hogar, teniendo en cuenta la edad, el sexo y la región. Se encontró una asociación positiva y estable: entre personas con la misma edad, sexo y región, un ingreso per cápita 1% mayor se asocia con 0.0059 puntos más de satisfacción (escala 0-10), unos 0.41 puntos al duplicar el ingreso. El coeficiente casi no cambió entre el modelo simple y el múltiple (de 0.587 a 0.592), y la prueba F de modelos anidados indica que los controles mejoran el ajuste. La diferencia más grande es la de la región Pacífica frente al Caribe (−0.95 puntos); las mujeres reportan 0.20 puntos menos que los hombres, y la edad tiene un efecto mínimo.

Los diagnósticos mostraron una curvatura leve, errores no normales, heterocedasticidad y correlación entre personas de la misma vivienda. Por eso, además de los errores robustos HC1, se verificó la inferencia con el diseño muestral completo de la ECV (estratificación, conglomerados y factores de expansión) mediante svyglm(). Con este diseño, las asociaciones principales se mantienen: el coeficiente del ingreso pasa de 0.59 a 0.61, duplicar el ingreso se asocia con 0.42 puntos, la brecha de la Pacífica es de −1.00 y la de las mujeres, de −0.16. Solo Orinoquía-Amazonía deja de ser significativa bajo el diseño, y Antioquia sigue sin serlo.

Limitaciones: primero, aunque los resultados se verificaron con el diseño muestral completo (estratos, segmentos y factores de expansión), los coeficientes interpretados son los del modelo OLS sin ponderar, y la ECV podría requerir ajustes adicionales por no respuesta o calibración que no se exploraron. Segundo, la población se limita a quienes declararon el trabajo como actividad principal y reportan ingresos, lo que deja fuera a otros ocupados. Tercero, la satisfacción es una escala ordinal tratada como numérica, y el diseño transversal impide establecer relaciones causales. Como extensión, se propone estimar un modelo probit ordenado con los factores de expansión y el diseño muestral.

Para la reproducibilidad, el informe lee el archivo ECV_2025_extracto.rds (incluido en la entrega), que contiene solo las variables usadas, y se ejecuta de principio a fin desde una sesión limpia de R.

Entorno de ejecución: versiones de R y paquetes clave
Componente Version
R 4.6.1
survey 4.5
dplyr 1.2.1
ggplot2 4.0.3
broom 1.0.13
lmtest 0.9.40
sandwich 3.1.3
car 3.1.5
kableExtra 1.4.1
knitr 1.51
rmarkdown 2.32
haven 2.5.5
tidyverse 2.0.0
Ver entorno de ejecución completo (sessionInfo)
R version 4.6.1 (2026-06-24 ucrt)
Platform: x86_64-w64-mingw32/x64
Running under: Windows 11 x64 (build 26200)

Matrix products: default
  LAPACK version 3.12.1

locale:
[1] LC_COLLATE=Spanish_Colombia.utf8  LC_CTYPE=Spanish_Colombia.utf8   
[3] LC_MONETARY=Spanish_Colombia.utf8 LC_NUMERIC=C                     
[5] LC_TIME=Spanish_Colombia.utf8    

time zone: America/Bogota
tzcode source: internal

attached base packages:
[1] grid      stats     graphics  grDevices utils     datasets  methods  
[8] base     

other attached packages:
 [1] car_3.1-5        carData_3.0-6    survey_4.5       survival_3.8-6  
 [5] Matrix_1.7-5     sandwich_3.1-3   lmtest_0.9-40    zoo_1.9-0       
 [9] broom_1.0.13     plotly_4.12.1    gridExtra_2.3.1  scales_1.4.0    
[13] lubridate_1.9.5  forcats_1.0.1    stringr_1.6.0    purrr_1.2.2     
[17] readr_2.2.0      tidyr_1.3.2      tidyverse_2.0.0  haven_2.5.5     
[21] kableExtra_1.4.1 knitr_1.51       dplyr_1.2.1      tibble_3.3.1    
[25] ggplot2_4.0.3   

loaded via a namespace (and not attached):
 [1] gtable_0.3.6        xfun_0.60           bslib_0.12.0       
 [4] htmlwidgets_1.6.4   lattice_0.22-9      tzdb_0.5.0         
 [7] vctrs_0.7.3         tools_4.6.1         crosstalk_1.2.2    
[10] generics_0.1.4      stats4_4.6.1        pkgconfig_2.0.3    
[13] data.table_1.18.6.1 RColorBrewer_1.1-3  S7_0.2.2           
[16] lifecycle_1.0.5     compiler_4.6.1      farver_2.1.2       
[19] textshaping_1.0.5   mitools_2.7         htmltools_0.5.9    
[22] sass_0.4.10         yaml_2.3.12         Formula_1.2-6      
[25] pillar_1.11.1       jquerylib_0.1.4     MASS_7.3-65        
[28] cachem_1.1.0        abind_1.4-8         nlme_3.1-169       
[31] tidyselect_1.2.1    digest_0.6.39       stringi_1.8.9      
[34] labeling_0.4.3      splines_4.6.1       fastmap_1.2.0      
[37] cli_3.6.6           magrittr_2.0.5      withr_3.0.3        
[40] backports_1.5.1     timechange_0.4.0    rmarkdown_2.32     
[43] httr_1.4.9          otel_0.2.0          hms_1.1.4          
[46] evaluate_1.0.5      viridisLite_0.4.3   mgcv_1.9-4         
[49] rlang_1.3.0         Rcpp_1.1.2          DBI_1.3.0          
[52] glue_1.8.1          xml2_1.6.0          svglite_2.2.2      
[55] rstudioapi_0.19.0   jsonlite_2.0.0      R6_2.6.1           
[58] systemfonts_1.3.2  
Fuente: Encuesta Nacional de Calidad de Vida (ECV) 2025 – DANE · Trabajo académico, Parcial 3 · Sara Ospina y Sara Gonzalez
Volver arriba ↑