1 Preparación

1.1 Paquetes

library(tidyverse)
library(survey)
library(knitr)

1.2 Funciones de apoyo

# Códigos que no son respuesta válida: 77 No sabe, 98 (no previsto en el
# cuestionario), 99 No responde
limpia <- function(x) if_else(x %in% c(77, 98, 99), NA_real_, as.numeric(x))

# Sí/No -> 1/0
si_no <- function(x) case_when(x == 1 ~ 1, x == 2 ~ 0)

# Porcentaje ponderado
pct_w <- function(x, w) round(100 * weighted.mean(x, w, na.rm = TRUE), 1)

# Frecuencias simples y ponderadas de una variable
frec <- function(datos, var) {
  datos |>
    filter(!is.na({{ var }})) |>
    group_by({{ var }}) |>
    summarise(n = n(), n_pond = sum(PONDERAD), .groups = "drop") |>
    mutate(pct = round(100 * n / sum(n), 1),
           pct_pond = round(100 * n_pond / sum(n_pond), 1))
}

# Preguntas de opción múltiple repartidas en varias columnas
multi <- function(datos, cols, etiquetas) {
  datos <- datos |> filter(if_any(all_of(cols), ~ !is.na(.x)))
  map_dfr(names(etiquetas), function(cod) {
    menciona <- Reduce(`|`, lapply(cols, function(c) datos[[c]] %in% as.numeric(cod)))
    tibble(respuesta = etiquetas[[cod]], n = sum(menciona),
           pct_pond = round(100 * sum(datos$PONDERAD[menciona]) / sum(datos$PONDERAD), 1))
  }) |>
    arrange(desc(pct_pond))
}

1.3 Estilo de las gráficas

azul <- "#2a78d6"; naranja <- "#eb6834"; aqua <- "#1baf7a"
tinta <- "#0b0b0b"; tinta2 <- "#52514e"; fondo <- "#fcfcfb"

tema <- theme_minimal(base_size = 12) +
  theme(plot.background    = element_rect(fill = fondo, color = NA),
        panel.grid.major.y = element_blank(),
        panel.grid.minor   = element_blank(),
        panel.grid.major.x = element_line(color = "#e6e5e0", linewidth = 0.3),
        axis.text          = element_text(color = tinta2),
        axis.title         = element_text(color = tinta2, size = 10),
        plot.title         = element_text(color = tinta, face = "bold", size = 14),
        plot.subtitle      = element_text(color = tinta2, size = 10),
        plot.caption       = element_text(color = tinta2, size = 8, hjust = 0),
        legend.position    = "top", legend.justification = "left",
        legend.title       = element_blank())

fuente <- "Fuente: ENSADEMI 2006. Porcentajes ponderados con el factor de expansión."

2 Datos generales de los miembros del hogar

2.1 Lectura y recodificación

La base hogares_ensademi.csv tiene una fila por persona. Los códigos se tomaron del cuestionario (sección Datos generales de los miembros del hogar).

hogares <- read_csv("hogares_ensademi.csv", na = c("", ".")) |>
  rename_with(str_trim) |>
  mutate(
    sexo = factor(SEXO, levels = 1:2, labels = c("Hombre", "Mujer")),
    edad = na_if(EDAD, 777),
    grupo_edad = cut(edad, breaks = c(-1, 4, 14, 29, 44, 59, Inf),
                     labels = c("0-4", "5-14", "15-29", "30-44", "45-59", "60+")),
    nivel = factor(na_if(na_if(ESC_NL, 77), 88), levels = 0:7,
                   labels = c("Ninguno", "Preescolar", "Primaria", "Secundaria",
                              "Preparatoria/vocacional", "Normal",
                              "Carrera técnica", "Universidad")),
    religion = factor(RELIG, levels = 1:10,
                      labels = c("Católica", "Cristiana", "Evangélica", "Bautista",
                                 "Adventista", "Testigo de Jehová", "Pentecostés",
                                 "Luz del Mundo", "Otra", "Ninguna")),
    cond_ling = case_when(
      LNG_A %in% c(1:9, 11) & LNG_B == 2 ~ "Monolingüe indígena",
      LNG_A %in% c(1:9, 11) & LNG_B == 1 ~ "Bilingüe",
      LNG_A == 10 & LNG_B == 1           ~ "Sólo español"),
    region = factor(REGION, levels = 0:7,
                    labels = c("Altos de Chiapas", "Istmo", "Chinanteca",
                               "Costa y Sierra Sur", "Mazahua-otomí", "Huasteca",
                               "Zongolica", "Maya"))
  )

dim(hogares)
## [1] 20152    26

2.2 Características de la población

kable(frec(hogares, sexo), caption = "Sexo")
Sexo
sexo n n_pond pct pct_pond
Hombre 9642 745845 47.8 47.8
Mujer 10510 815615 52.2 52.2
kable(frec(hogares, grupo_edad), caption = "Grupos de edad")
Grupos de edad
grupo_edad n n_pond pct pct_pond
0-4 2440 198485 12.2 12.8
5-14 5828 454695 29.2 29.4
15-29 5325 411292 26.7 26.6
30-44 3741 286854 18.7 18.5
45-59 2039 152316 10.2 9.8
60+ 583 44918 2.9 2.9
kable(frec(hogares, nivel), caption = "Nivel de escolaridad (sin menores de 4 años ni 'no sabe')")
Nivel de escolaridad (sin menores de 4 años ni ‘no sabe’)
nivel n n_pond pct pct_pond
Ninguno 2313 169055 13.0 12.3
Preescolar 1220 101368 6.9 7.4
Primaria 9422 723666 53.0 52.8
Secundaria 3384 276505 19.0 20.2
Preparatoria/vocacional 1071 72208 6.0 5.3
Normal 33 1893 0.2 0.1
Carrera técnica 132 12290 0.7 0.9
Universidad 189 14312 1.1 1.0
kable(frec(hogares, cond_ling), caption = "Condición lingüística")
Condición lingüística
cond_ling n n_pond pct pct_pond
Bilingüe 9861 748518 48.9 48.0
Monolingüe indígena 2236 107175 11.1 6.9
Sólo español 8049 704879 40.0 45.2

La población es joven: la mediana de edad es de 18 años.

3 Base de mujeres entrevistadas

La base base_ensademi.csv tiene una fila por mujer entrevistada, pero no trae factor de expansión. Se une con la fila de la entrevistada en la base de hogares (PAREN == 97) para obtener su ponderador, región, edad y escolaridad.

datos_entrevistada <- hogares |>
  filter(PAREN == 97) |>
  transmute(folio = as.numeric(FOLIO), PONDERAD, region, edad, nivel, cond_ling)

mujeres <- read_csv("base_ensademi.csv", na = c("", "."), guess_max = 4000) |>
  rename_with(str_trim) |>
  mutate(folio = as.numeric(folio)) |>
  left_join(datos_entrevistada, by = "folio")

nrow(mujeres)
## [1] 3949
sum(is.na(mujeres$PONDERAD))   # 0: todas tienen ponderador
## [1] 0

4 Violencia de pareja en los últimos 12 meses (pregunta 100)

4.1 Construcción de los indicadores

La pregunta 100 tiene 33 reactivos agrupados en cinco tipos de violencia. Los códigos originales (1 Muchas veces, 2 Varias veces, 3 Alguna vez, 4 Nunca) se invierten a 0–3. Se considera que una mujer sufrió un tipo de violencia si reporta al menos un acto de ese tipo.

items_v100 <- c("v100a","v100b","v100c","v100d",
                "v100e","v100f","v100g","v100h","v100i","v100j",
                "v100k","v100l","v100ll","v100m","v100n",
                "v100nn","v100o","v100p","v100q","v100r","v100s",
                "v100t","v100u","v100v","v100w","v100x",
                "v100y","v100z","v100aa","v100bb",
                "v100cc","v100dd","v100ee")

mujeres <- mujeres |>
  mutate(across(all_of(items_v100), ~ if_else(.x %in% 1:4, 4 - .x, NA_real_),
                .names = "f_{.col}"))

f <- function(x) paste0("f_", x)
tipos <- list(negligencia = f(items_v100[1:4]),
              emocional   = f(items_v100[5:15]),
              fisica      = f(items_v100[16:26]),
              economica   = f(items_v100[27:30]),
              sexual      = f(items_v100[31:33]))

alguno <- function(datos, cols) as.numeric(rowSums(datos[cols] > 0, na.rm = TRUE) > 0)

mujeres <- mujeres |>
  mutate(respondio_v100 = rowSums(!is.na(pick(all_of(f(items_v100))))) > 0,
         puntaje_violencia = rowSums(pick(all_of(f(items_v100))), na.rm = TRUE))

for (t in names(tipos)) mujeres[[paste0("v_", t)]] <- alguno(mujeres, tipos[[t]])
mujeres$v_cualquiera <- as.numeric(rowSums(mujeres[paste0("v_", names(tipos))]) > 0)

vp <- mujeres |> filter(respondio_v100)
nrow(vp)
## [1] 3401

4.2 Prevalencia por tipo

etiq_tipo <- c(v_emocional = "Emocional", v_economica = "Económica",
               v_fisica = "Física", v_sexual = "Sexual", v_negligencia = "Negligencia")

g1_datos <- vp |>
  summarise(across(all_of(names(etiq_tipo)), ~ 100 * weighted.mean(.x, PONDERAD))) |>
  pivot_longer(everything(), names_to = "tipo", values_to = "pct") |>
  mutate(tipo = fct_reorder(etiq_tipo[tipo], pct))

ggplot(g1_datos, aes(x = pct, y = tipo)) +
  geom_col(fill = azul, width = 0.6) +
  geom_text(aes(label = sprintf("%.1f%%", pct)), hjust = -0.15, color = tinta, size = 3.8) +
  scale_x_continuous(expand = expansion(mult = c(0, 0.12)),
                     labels = function(x) paste0(x, "%")) +
  labs(title = "Violencia de pareja en los últimos 12 meses, por tipo",
       subtitle = sprintf("Mujeres con pareja actual o reciente (n = %s). Una mujer puede sufrir varios tipos.",
                          format(nrow(vp), big.mark = ",")),
       x = NULL, y = NULL, caption = fuente) +
  tema

El 33.4% de las mujeres sufrió al menos un tipo de violencia de pareja en el último año. La más frecuente es la emocional.

4.3 Por región

g2_datos <- vp |>
  group_by(region) |>
  summarise(across(all_of(c("v_cualquiera", names(etiq_tipo))),
                   ~ 100 * weighted.mean(.x, PONDERAD))) |>
  mutate(region = fct_reorder(region, v_cualquiera)) |>
  pivot_longer(-region, names_to = "tipo", values_to = "pct") |>
  mutate(tipo = factor(c(v_cualquiera = "Cualquiera", etiq_tipo)[tipo],
                       levels = c("Cualquiera", "Emocional", "Económica",
                                  "Física", "Sexual", "Negligencia")))

ggplot(g2_datos, aes(x = tipo, y = region, fill = pct)) +
  geom_tile(color = fondo, linewidth = 1.5) +
  geom_text(aes(label = sprintf("%.1f", pct), color = pct > 30), size = 3.6) +
  scale_fill_gradient(low = "#cde2fb", high = "#104281") +
  scale_color_manual(values = c(`TRUE` = "white", `FALSE` = tinta), guide = "none") +
  scale_x_discrete(position = "top") +
  labs(title = "Violencia de pareja por tipo y región (%)",
       subtitle = "Regiones ordenadas por la prevalencia de cualquier tipo de violencia",
       x = NULL, y = NULL, caption = fuente) +
  tema +
  theme(panel.grid = element_blank(), legend.position = "none")

5 Otras experiencias de violencia (preguntas 83 a 102)

mujeres <- mujeres |>
  mutate(
    maltrato_infantil = case_when(v085a == 1 | v085b == 1 ~ 1,
                                  v085a == 2 & v085b == 2 ~ 0),
    abuso_sexual_inf  = si_no(limpia(v088)),
    violencia_embarazo = case_when(
      if_any(c(v091a, v091b, v091c, v091d), ~ .x == 1) ~ 1,
      if_all(c(v091a, v091b, v091c, v091d), ~ .x == 2) ~ 0),
    violacion_otra_persona = case_when(v102a == 1 ~ 0, v102a %in% 2:13 ~ 1)
  )

tibble(
  indicador = c("Maltrato en la infancia (humillaciones o golpes)",
                "Abuso sexual antes de los 15 años",
                "Violencia durante el embarazo",
                "Relaciones sexuales forzadas por otra persona"),
  pct_pond = c(pct_w(mujeres$maltrato_infantil, mujeres$PONDERAD),
               pct_w(mujeres$abuso_sexual_inf, mujeres$PONDERAD),
               pct_w(mujeres$violencia_embarazo, mujeres$PONDERAD),
               pct_w(mujeres$violacion_otra_persona, mujeres$PONDERAD))
) |> kable(caption = "Prevalencia de otras experiencias de violencia (%)")
Prevalencia de otras experiencias de violencia (%)
indicador pct_pond
Maltrato en la infancia (humillaciones o golpes) 33.7
Abuso sexual antes de los 15 años 7.3
Violencia durante el embarazo 17.5
Relaciones sexuales forzadas por otra persona 5.1

5.1 Razones de las peleas (pregunta 101)

razones <- c("1" = "Alcoholismo de él", "2" = "Porque la engañó", "3" = "Celos de él",
             "4" = "Reclamos por quehaceres", "5" = "Intervención de familiares",
             "6" = "Dinero", "7" = "Crianza de los hijos", "8" = "Embarazo de ella",
             "9" = "Otra")
kable(multi(mujeres, "v101a", razones), caption = "Razón principal de las peleas")
Razón principal de las peleas
respuesta n pct_pond
Alcoholismo de él 342 33.6
Celos de él 230 23.3
Reclamos por quehaceres 105 10.5
Otra 83 9.2
Crianza de los hijos 64 8.8
Dinero 77 8.6
Porque la engañó 34 3.2
Intervención de familiares 29 2.8
Embarazo de ella 1 0.0

5.2 Resumen por región

etiq_ind <- c(violencia_pareja = "Violencia de pareja\n(últimos 12 meses)",
              maltrato_infantil = "Maltrato en\nla infancia",
              violencia_embarazo = "Violencia en\nel embarazo",
              abuso_sexual_inf = "Abuso sexual\nantes de 15 años",
              violacion_otra = "Violación por\notra persona")

resumen_region <- mujeres |>
  group_by(region) |>
  summarise(
    violencia_pareja   = 100 * weighted.mean(v_cualquiera[respondio_v100], PONDERAD[respondio_v100]),
    maltrato_infantil  = 100 * weighted.mean(maltrato_infantil, PONDERAD, na.rm = TRUE),
    violencia_embarazo = 100 * weighted.mean(violencia_embarazo, PONDERAD, na.rm = TRUE),
    abuso_sexual_inf   = 100 * weighted.mean(abuso_sexual_inf, PONDERAD, na.rm = TRUE),
    violacion_otra     = 100 * weighted.mean(violacion_otra_persona, PONDERAD, na.rm = TRUE))

resumen_region |>
  mutate(region = fct_reorder(region, violencia_pareja)) |>
  pivot_longer(-region, names_to = "indicador", values_to = "pct") |>
  mutate(indicador = factor(etiq_ind[indicador], levels = etiq_ind)) |>
  ggplot(aes(x = indicador, y = region, fill = pct)) +
  geom_tile(color = fondo, linewidth = 1.5) +
  geom_text(aes(label = sprintf("%.1f", pct), color = pct > 30), size = 3.6) +
  scale_fill_gradient(low = "#cde2fb", high = "#104281") +
  scale_color_manual(values = c(`TRUE` = "white", `FALSE` = tinta), guide = "none") +
  scale_x_discrete(position = "top") +
  labs(title = "Indicadores de violencia por región (%)", x = NULL, y = NULL, caption = fuente) +
  tema +
  theme(panel.grid = element_blank(), legend.position = "none")

6 Violencia bajo los efectos del alcohol (preguntas 74 a 82)

La pregunta 74 solo se aplicó a mujeres con pareja actual (casadas o en unión libre). Si la pareja no toma, el cuestionario salta a la 80; por eso las preguntas 75 a 79 solo existen para quienes tienen una pareja que toma.

etiq_frec <- c("Diario o casi diario", "1-2 veces por semana",
               "1-3 veces al mes", "Menos de una vez al mes")

mujeres <- mujeres |>
  mutate(
    pareja_actual     = v032 %in% 4:5,
    pareja_bebe       = si_no(v074),
    frec_pareja_bebe  = factor(limpia(v075), levels = 1:4, labels = etiq_frec),
    pareja_emborracha = si_no(v076),
    problemas_dinero  = si_no(limpia(v077)),
    agredida_alcohol  = si_no(limpia(v078a)),
    agredida_drogas   = si_no(limpia(v078b)),
    ella_bebe         = si_no(v080),
    consumo_pareja = case_when(
      pareja_bebe == 0                          ~ "No toma",
      pareja_bebe == 1 & pareja_emborracha == 0 ~ "Toma, no se emborracha",
      pareja_bebe == 1 & pareja_emborracha == 1 ~ "Se emborracha") |>
      factor(levels = c("No toma", "Toma, no se emborracha", "Se emborracha"))
  )

cp <- mujeres |>
  filter(pareja_actual, !is.na(pareja_bebe)) |>
  mutate(across(c(pareja_emborracha, problemas_dinero, agredida_alcohol, agredida_drogas),
                ~ if_else(pareja_bebe == 0, 0, .x), .names = "{.col}_tot"))

tibble(
  indicador = c("Su pareja toma", "Se emborracha", "Problemas de dinero por alcohol",
                "Agredida bajo efectos del alcohol", "Agredida bajo efectos de drogas"),
  `% de mujeres con pareja` = c(pct_w(cp$pareja_bebe, cp$PONDERAD),
                                pct_w(cp$pareja_emborracha_tot, cp$PONDERAD),
                                pct_w(cp$problemas_dinero_tot, cp$PONDERAD),
                                pct_w(cp$agredida_alcohol_tot, cp$PONDERAD),
                                pct_w(cp$agredida_drogas_tot, cp$PONDERAD)),
  `% si él toma` = c(NA,
                     pct_w(cp$pareja_emborracha, cp$PONDERAD),
                     pct_w(cp$problemas_dinero, cp$PONDERAD),
                     pct_w(cp$agredida_alcohol, cp$PONDERAD),
                     pct_w(cp$agredida_drogas, cp$PONDERAD))
) |> kable(caption = "Del consumo de alcohol de la pareja a la agresión")
Del consumo de alcohol de la pareja a la agresión
indicador % de mujeres con pareja % si él toma
Su pareja toma 60.3 NA
Se emborracha 29.7 49.3
Problemas de dinero por alcohol 14.1 23.6
Agredida bajo efectos del alcohol 13.5 22.5
Agredida bajo efectos de drogas 0.6 1.0

6.1 Gradiente según la frecuencia de consumo

g3_datos <- cp |>
  filter(!is.na(frec_pareja_bebe), !is.na(agredida_alcohol)) |>
  group_by(frec_pareja_bebe) |>
  summarise(n = n(), pct = 100 * weighted.mean(agredida_alcohol, PONDERAD)) |>
  mutate(frec_pareja_bebe = fct_rev(frec_pareja_bebe))

ggplot(g3_datos, aes(x = pct, y = frec_pareja_bebe)) +
  geom_col(fill = azul, width = 0.6) +
  geom_text(aes(label = sprintf("%.1f%%  (n = %d)", pct, n)),
            hjust = -0.1, color = tinta, size = 3.6) +
  scale_x_continuous(expand = expansion(mult = c(0, 0.35)),
                     labels = function(x) paste0(x, "%")) +
  labs(title = "A más consumo, más agresiones bajo efectos del alcohol",
       subtitle = "% de mujeres agredidas cuando su pareja había tomado,\nsegún la frecuencia con que él toma",
       x = NULL, y = NULL, caption = fuente) +
  tema

6.2 Violencia de pareja según el consumo de alcohol

vp_alc <- cp |> filter(respondio_v100)

g4_datos <- vp_alc |>
  filter(!is.na(consumo_pareja)) |>
  group_by(consumo_pareja) |>
  summarise(across(all_of(names(etiq_tipo)), ~ 100 * weighted.mean(.x, PONDERAD))) |>
  pivot_longer(-consumo_pareja, names_to = "tipo", values_to = "pct") |>
  mutate(tipo = factor(etiq_tipo[tipo], levels = etiq_tipo))

ggplot(g4_datos, aes(x = tipo, y = pct, fill = consumo_pareja)) +
  geom_col(position = position_dodge(width = 0.8), width = 0.75,
           color = fondo, linewidth = 0.6) +
  geom_text(aes(label = sprintf("%.0f", pct)),
            position = position_dodge(width = 0.8), vjust = -0.5, color = tinta, size = 3.2) +
  scale_fill_manual(values = c(azul, naranja, aqua)) +
  scale_y_continuous(expand = expansion(mult = c(0, 0.1)),
                     labels = function(x) paste0(x, "%")) +
  labs(title = "Violencia de pareja según el consumo de alcohol de la pareja",
       subtitle = "% de mujeres que sufrió cada tipo de violencia en los últimos 12 meses",
       x = NULL, y = NULL, caption = fuente) +
  tema +
  theme(panel.grid.major.x = element_blank(),
        panel.grid.major.y = element_line(color = "#e6e5e0", linewidth = 0.3))

7 Modelo de regresión logística

Se estima la probabilidad de sufrir violencia de pareja en el último año en función del consumo de alcohol de la pareja, el maltrato en la infancia, la región, la edad y la escolaridad. El modelo usa el factor de expansión y toma los centros de salud (clues) como conglomerados.

datos_modelo <- vp_alc |>
  mutate(escolaridad = case_when(
           nivel %in% c("Ninguno", "Preescolar") ~ "Ninguna",
           nivel == "Primaria"                   ~ "Primaria",
           !is.na(nivel)                         ~ "Secundaria o más") |>
           factor(levels = c("Ninguna", "Primaria", "Secundaria o más"))) |>
  filter(!is.na(consumo_pareja), !is.na(maltrato_infantil),
         !is.na(edad), !is.na(escolaridad))

diseno <- svydesign(ids = ~clues, weights = ~PONDERAD, data = datos_modelo)

modelo <- svyglm(v_cualquiera ~ consumo_pareja + maltrato_infantil + region +
                   edad + escolaridad,
                 design = diseno, family = quasibinomial())

ic <- exp(confint(modelo))
tabla_or <- tibble(variable = names(coef(modelo)),
                   OR = exp(coef(modelo)), IC_inf = ic[, 1], IC_sup = ic[, 2],
                   p = summary(modelo)$coefficients[, 4])

kable(tabla_or, digits = 3,
      caption = sprintf("Razones de momios (n = %s)", format(nrow(datos_modelo), big.mark = ",")))
Razones de momios (n = 3,332)
variable OR IC_inf IC_sup p
(Intercept) 0.317 0.157 0.642 0.002
consumo_parejaToma, no se emborracha 1.560 1.204 2.021 0.001
consumo_parejaSe emborracha 4.779 3.627 6.297 0.000
maltrato_infantil 2.525 2.040 3.125 0.000
regionIstmo 0.366 0.198 0.679 0.002
regionChinanteca 0.450 0.238 0.851 0.015
regionCosta y Sierra Sur 0.354 0.185 0.677 0.002
regionMazahua-otomí 0.701 0.398 1.232 0.211
regionHuasteca 0.636 0.369 1.095 0.100
regionZongolica 0.668 0.336 1.329 0.243
regionMaya 0.545 0.311 0.954 0.034
edad 0.999 0.988 1.011 0.928
escolaridadPrimaria 0.899 0.685 1.180 0.435
escolaridadSecundaria o más 0.984 0.619 1.563 0.943
tabla_or |>
  filter(variable != "(Intercept)") |>
  mutate(
    grupo = case_when(str_detect(variable, "consumo") ~ "Alcohol de la pareja\n(ref.: no toma)",
                      str_detect(variable, "maltrato") ~ "Infancia",
                      str_detect(variable, "region") ~ "Región\n(ref.: Altos de Chiapas)",
                      TRUE ~ "Edad y escolaridad\n(ref.: sin escolaridad)"),
    etiqueta = variable |>
      str_remove("consumo_pareja|region|escolaridad") |>
      str_replace("maltrato_infantil", "Maltrato en la infancia") |>
      str_replace("^edad$", "Edad (por año)"),
    etiqueta = fct_reorder(etiqueta, OR)) |>
  ggplot(aes(x = OR, y = etiqueta)) +
  geom_vline(xintercept = 1, color = tinta2, linetype = "dashed", linewidth = 0.4) +
  geom_errorbar(aes(xmin = IC_inf, xmax = IC_sup), width = 0, color = azul, linewidth = 0.8) +
  geom_point(color = azul, size = 2.8) +
  geom_text(aes(label = sprintf("%.2f", OR)), vjust = -0.9, color = tinta, size = 3) +
  scale_x_log10(breaks = c(0.25, 0.5, 1, 2, 4, 8)) +
  facet_grid(grupo ~ ., scales = "free_y", space = "free_y", switch = "y") +
  labs(title = "Factores asociados a la violencia de pareja",
       subtitle = "Razones de momios e intervalos de confianza al 95%",
       x = "Razón de momios (escala logarítmica)", y = NULL, caption = fuente) +
  tema +
  theme(strip.placement = "outside",
        strip.text.y.left = element_text(angle = 0, hjust = 1, color = tinta2, face = "bold"))

8 Notas metodológicas

  • Todos los porcentajes están ponderados con el factor de expansión (PONDERAD).
  • Los códigos 77 (no sabe), 98 y 99 (no responde) se trataron como datos faltantes.
  • La prevalencia de violencia de pareja se define como haber sufrido al menos un acto en los últimos 12 meses. El informe oficial usa un índice de severidad, por lo que sus cifras son menores.
  • Es una encuesta transversal: los resultados muestran asociaciones, no causalidad.