Preparación
Paquetes
library(tidyverse)
library(survey)
library(knitr)
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))
}
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."
Datos generales de los
miembros del hogar
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
Características de la
población
kable(frec(hogares, sexo), caption = "Sexo")
Sexo
| 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
| 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’)
| 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
| 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.
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$PONDERAD)) # 0: todas tienen ponderador
## [1] 0
Violencia de pareja en
los últimos 12 meses (pregunta 100)
Construcción de los
indicadores
La pregunta 100 tiene 33 reactivos agrupados en cinco tipos de
violencia. Los códigos originales (1 Muchas veces, 2 Varias veces, 3
Alguna vez, 4 Nunca) se invierten a 0–3. Se considera que una mujer
sufrió un tipo de violencia si reporta al menos un acto de ese tipo.
items_v100 <- c("v100a","v100b","v100c","v100d",
"v100e","v100f","v100g","v100h","v100i","v100j",
"v100k","v100l","v100ll","v100m","v100n",
"v100nn","v100o","v100p","v100q","v100r","v100s",
"v100t","v100u","v100v","v100w","v100x",
"v100y","v100z","v100aa","v100bb",
"v100cc","v100dd","v100ee")
mujeres <- mujeres |>
mutate(across(all_of(items_v100), ~ if_else(.x %in% 1:4, 4 - .x, NA_real_),
.names = "f_{.col}"))
f <- function(x) paste0("f_", x)
tipos <- list(negligencia = f(items_v100[1:4]),
emocional = f(items_v100[5:15]),
fisica = f(items_v100[16:26]),
economica = f(items_v100[27:30]),
sexual = f(items_v100[31:33]))
alguno <- function(datos, cols) as.numeric(rowSums(datos[cols] > 0, na.rm = TRUE) > 0)
mujeres <- mujeres |>
mutate(respondio_v100 = rowSums(!is.na(pick(all_of(f(items_v100))))) > 0,
puntaje_violencia = rowSums(pick(all_of(f(items_v100))), na.rm = TRUE))
for (t in names(tipos)) mujeres[[paste0("v_", t)]] <- alguno(mujeres, tipos[[t]])
mujeres$v_cualquiera <- as.numeric(rowSums(mujeres[paste0("v_", names(tipos))]) > 0)
vp <- mujeres |> filter(respondio_v100)
nrow(vp)
## [1] 3401
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.
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")

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 (%)
| 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 |
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
| 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 |
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")

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
| 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 |
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

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))

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)$coefficients[, 4])
kable(tabla_or, digits = 3,
caption = sprintf("Razones de momios (n = %s)", format(nrow(datos_modelo), big.mark = ",")))
Razones de momios (n = 3,332)
| (Intercept) |
0.317 |
0.157 |
0.642 |
0.002 |
| consumo_parejaToma, no se emborracha |
1.560 |
1.204 |
2.021 |
0.001 |
| consumo_parejaSe emborracha |
4.779 |
3.627 |
6.297 |
0.000 |
| maltrato_infantil |
2.525 |
2.040 |
3.125 |
0.000 |
| regionIstmo |
0.366 |
0.198 |
0.679 |
0.002 |
| regionChinanteca |
0.450 |
0.238 |
0.851 |
0.015 |
| regionCosta y Sierra Sur |
0.354 |
0.185 |
0.677 |
0.002 |
| regionMazahua-otomí |
0.701 |
0.398 |
1.232 |
0.211 |
| regionHuasteca |
0.636 |
0.369 |
1.095 |
0.100 |
| regionZongolica |
0.668 |
0.336 |
1.329 |
0.243 |
| regionMaya |
0.545 |
0.311 |
0.954 |
0.034 |
| edad |
0.999 |
0.988 |
1.011 |
0.928 |
| escolaridadPrimaria |
0.899 |
0.685 |
1.180 |
0.435 |
| escolaridadSecundaria o más |
0.984 |
0.619 |
1.563 |
0.943 |
tabla_or |>
filter(variable != "(Intercept)") |>
mutate(
grupo = case_when(str_detect(variable, "consumo") ~ "Alcohol de la pareja\n(ref.: no toma)",
str_detect(variable, "maltrato") ~ "Infancia",
str_detect(variable, "region") ~ "Región\n(ref.: Altos de Chiapas)",
TRUE ~ "Edad y escolaridad\n(ref.: sin escolaridad)"),
etiqueta = variable |>
str_remove("consumo_pareja|region|escolaridad") |>
str_replace("maltrato_infantil", "Maltrato en la infancia") |>
str_replace("^edad$", "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"))

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.