Analizar con un tablero estadístico la realidad sociodemográfica de la ciudad de Concepción, para el periodo 2020 al 2025
Provien de
Año 2022 https://www.ine.gov.py/microdatos/register/EPHC-ANUAL/EPHC_2025_ANUAL/REG02_EPHC_ANUAL_2025.csv Año 2023
Se trata de un estudio de corte transversal-longitudinal para los años 2022 al 2025 ….
Cargar de datos por año
library(readr)
eph22=read.csv2("H:/Mi unidad/CNC_CURSO_VISUALIZA_DATOS/AULA_VIRTUAL_CURSO_VISUALIZA_DATOS_UNC/DATOS/ephc_ine/REG02_EPHC_ANUAL_2022.csv")
eph23=read.csv2("H:/Mi unidad/CNC_CURSO_VISUALIZA_DATOS/AULA_VIRTUAL_CURSO_VISUALIZA_DATOS_UNC/DATOS/ephc_ine/REG02_EPHC_ANUAL_2023.csv")
eph24=read.csv2("H:/Mi unidad/CNC_CURSO_VISUALIZA_DATOS/AULA_VIRTUAL_CURSO_VISUALIZA_DATOS_UNC/DATOS/ephc_ine/REG02_EPHC_ANUAL_2024.csv")
eph25=read.csv2("H:/Mi unidad/CNC_CURSO_VISUALIZA_DATOS/AULA_VIRTUAL_CURSO_VISUALIZA_DATOS_UNC/DATOS/ephc_ine/REG02_EPHC_ANUAL_2025.csv")
#eph26=read.csv2("H:/Mi unidad/CNC_CURSO_VISUALIZA_DATOS/AULA_VIRTUAL_CURSO_VISUALIZA_DATOS_UNC/DATOS/ephc_ine/REG02_EPHC_ANUAL_2026.csv")Revisión de campos de interés y sus categorías
## [1] "UPM" "NVIVI" "NHOGA" "AÑO"
## [5] "DPTO" "AREA" "L02" "P02"
## [9] "P03" "P04" "P04A" "P04B"
## [13] "P05C" "P05P" "P05M" "P06"
## [17] "P08D" "P08M" "P08A" "P09"
## [21] "A01" "A01A" "A02" "A03"
## [25] "A04" "A04B" "A04A" "A05"
## [29] "A07" "A08" "A10" "A11A"
## [33] "A11M" "A11S" "A12" "A13REC"
## [37] "A14REC" "A15" "A16" "A17A"
## [41] "A17M" "A17S" "A18" "B01REC"
## [45] "B02REC" "B03LU" "B03MA" "B03MI"
## [49] "B03JU" "B03VI" "B03SA" "B03DO"
## [53] "B04" "B05" "B06" "B07A"
## [57] "B07M" "B07S" "B08" "B09A"
## [61] "B09M" "B09S" "B10" "B11"
## [65] "B12" "B12A" "B12B" "B12C"
## [69] "B13" "B14" "B15" "B16G"
## [73] "B16U" "B16D" "B16T" "B17"
## [77] "B18AG" "B18AU" "B18BG" "B18BU"
## [81] "B19" "B20G" "B20U" "B20D"
## [85] "B20T" "B21" "B22" "B23"
## [89] "B24" "B25" "B26" "B271"
## [93] "B272" "B28" "B29" "B30"
## [97] "B31" "C01REC" "C02REC" "C03"
## [101] "C04" "C05" "C06" "C07"
## [105] "C08" "C09" "C101" "C102"
## [109] "C11G" "C11U" "C11D" "C11T"
## [113] "C12" "C13AG" "C13AU" "C13BG"
## [117] "C13BU" "C14" "C14A" "C14B"
## [121] "C14C" "C15" "C16REC" "C17REC"
## [125] "C18" "C18A" "C18B" "C19"
## [129] "D01" "D02" "D03" "D04"
## [133] "D05" "E01A" "E01B" "E01C"
## [137] "E01D" "E01E" "E01F" "E01G"
## [141] "E01H" "E01I" "E01J" "E01K"
## [145] "E01L" "E01M" "ED01" "ED02"
## [149] "ED03" "ED0504" "ED06C" "ED08"
## [153] "ED09" "ED10" "ED11F1" "ED11F1A"
## [157] "ED11GH1" "ED11GH1A" "S01A" "S01B"
## [161] "S02" "S03" "S03A" "S03B"
## [165] "S03C" "S04" "S05" "S06"
## [169] "S07" "S08" "S09" "CATE_PEA"
## [173] "TAMA_PEA" "OCUP_PEA" "RAMA_PEA" "HORAB"
## [177] "HORABC" "HORABCO" "PEAD" "PEAA"
## [181] "TIPOHOGA" "FACTOR" "NJEF" "NCON"
## [185] "NPAD" "NMAD" "añoest" "ra06ya09"
## [189] "e01aimde" "e01bimde" "e01cimde" "e01dde"
## [193] "e01ede" "e01fde" "e01gde" "e01hde"
## [197] "e01ide" "e01jde" "e01kde" "e01lde"
## [201] "e01mde" "e01kjde" "e02bde" "ingrevasode"
## [205] "ingrealmuerzode" "ipcm" "pobrezai" "pobnopoi"
## [209] "quintili" "decili" "quintiai" "decilai"
## [213] "informalidad"
Tamaño y estructura de la base 2022
## [1] 61912
## 'data.frame': 61912 obs. of 213 variables:
## $ UPM : int 14 14 14 14 14 14 14 14 14 14 ...
## $ NVIVI : int 10 10 20 20 22 22 22 22 22 24 ...
## $ NHOGA : int 1 1 1 1 1 1 1 1 1 1 ...
## $ AÑO : int 2022 2022 2022 2022 2022 2022 2022 2022 2022 2022 ...
## $ DPTO : int 0 0 0 0 0 0 0 0 0 0 ...
## $ AREA : int 1 1 1 1 1 1 1 1 1 1 ...
## $ L02 : int 1 2 1 2 1 2 3 4 5 1 ...
## $ P02 : int 74 18 56 20 69 65 38 13 6 47 ...
## $ P03 : int 1 5 1 3 1 9 9 9 9 1 ...
## $ P04 : int 1 1 1 1 1 1 1 1 1 1 ...
## $ P04A : int 1 1 1 1 1 1 1 1 1 1 ...
## $ P04B : int NA NA NA NA NA NA NA NA NA NA ...
## $ P05C : int 0 0 0 0 0 0 0 0 0 2 ...
## $ P05P : int 0 0 0 1 0 0 0 0 0 0 ...
## $ P05M : int 0 0 0 0 0 0 2 3 3 0 ...
## $ P06 : int 6 6 1 1 6 6 6 6 6 1 ...
## $ P08D : int 14 12 5 28 6 23 10 17 20 8 ...
## $ P08M : int 8 12 2 7 7 10 4 9 12 1 ...
## $ P08A : int 1947 2003 1965 2001 1952 1956 1983 2008 2015 1975 ...
## $ P09 : int 4 5 5 5 5 4 5 5 5 1 ...
## $ A01 : int 1 1 1 1 1 6 6 6 NA 6 ...
## $ A01A : int NA NA NA NA NA 1 1 1 NA 2 ...
## $ A02 : int 6 6 1 1 6 6 1 6 NA 1 ...
## $ A03 : int 6 6 NA NA 6 6 NA 6 NA NA ...
## $ A04 : int 6 6 NA NA 1 6 NA 6 NA NA ...
## $ A04B : int NA NA NA NA 1 NA NA NA NA NA ...
## $ A04A : int NA NA 1 1 1 NA 1 NA NA 1 ...
## $ A05 : int 6 6 NA NA NA 6 NA 6 NA NA ...
## $ A07 : int NA NA NA NA NA NA NA NA NA NA ...
## $ A08 : int NA NA NA NA NA NA NA NA NA NA ...
## $ A10 : int NA NA NA NA NA NA NA NA NA NA ...
## $ A11A : int NA NA NA NA NA NA NA NA NA NA ...
## $ A11M : int NA NA NA NA NA NA NA NA NA NA ...
## $ A11S : int NA NA NA NA NA NA NA NA NA NA ...
## $ A12 : int 1 6 NA NA NA 1 NA 6 NA NA ...
## $ A13REC : int 9 NA NA NA NA 7 NA NA NA NA ...
## $ A14REC : int 6 NA NA NA NA 2 NA NA NA NA ...
## $ A15 : int 1 NA NA NA NA 4 NA NA NA NA ...
## $ A16 : int 5 NA NA NA NA 1 NA NA NA NA ...
## $ A17A : int 11 NA NA NA NA 1 NA NA NA NA ...
## $ A17M : int 0 NA NA NA NA 0 NA NA NA NA ...
## $ A17S : int 0 NA NA NA NA 0 NA NA NA NA ...
## $ A18 : int 8 NA NA NA NA 4 NA NA NA NA ...
## $ B01REC : int NA NA 7 7 1 NA 3 NA NA 7 ...
## $ B02REC : int NA NA 5 5 8 NA 7 NA NA 3 ...
## $ B03LU : num NA NA 9 0 0 NA 8 NA NA 8 ...
## $ B03MA : num NA NA 9 8 0 NA 8 NA NA 8 ...
## $ B03MI : num NA NA 8 8 0 NA 8 NA NA 8 ...
## $ B03JU : num NA NA 9 8 0 NA 8 NA NA 8 ...
## $ B03VI : num NA NA 9 8 0 NA 8 NA NA 8 ...
## $ B03SA : num NA NA 8 8 0 NA 0 NA NA 0 ...
## $ B03DO : num NA NA 0 8 0 NA 0 NA NA 0 ...
## $ B04 : int NA NA 1 1 3 NA 1 NA NA 1 ...
## $ B05 : int NA NA NA NA 9 NA NA NA NA NA ...
## $ B06 : num NA NA NA NA 40 NA NA NA NA NA ...
## $ B07A : int NA NA 40 2 17 NA 0 NA NA 12 ...
## $ B07M : int NA NA 0 0 0 NA 8 NA NA 0 ...
## $ B07S : int NA NA 0 0 0 NA 0 NA NA 0 ...
## $ B08 : int NA NA 2 2 8 NA 2 NA NA 9 ...
## $ B09A : int NA NA 5 2 17 NA 0 NA NA 12 ...
## $ B09M : int NA NA 0 0 0 NA 8 NA NA 0 ...
## $ B09S : int NA NA 0 0 0 NA 0 NA NA 0 ...
## $ B10 : int NA NA 6 6 1 NA 1 NA NA 1 ...
## $ B11 : int NA NA NA NA 4 NA 1 NA NA 1 ...
## $ B12 : int NA NA 3 2 1 NA 2 NA NA 1 ...
## $ B12A : int NA NA NA 6 6 NA 6 NA NA 6 ...
## $ B12B : int NA NA NA NA NA NA NA NA NA NA ...
## $ B12C : int NA NA NA NA NA NA NA NA NA NA ...
## $ B13 : int NA NA NA 88 30 NA 88 NA NA 30 ...
## $ B14 : int NA NA NA 1 2 NA 2 NA NA 2 ...
## $ B15 : int NA NA NA 4 1 NA 4 NA NA 1 ...
## $ B16G : num NA NA NA 300000 4000000 NA 2200000 NA NA 4900000 ...
## $ B16U : int NA NA NA 3 5 NA 5 NA NA 5 ...
## $ B16D : int NA NA NA NA NA NA NA NA NA NA ...
## $ B16T : num NA NA NA 1200000 4000000 NA 2200000 NA NA 4900000 ...
## $ B17 : int NA NA NA 6 1 NA 1 NA NA 1 ...
## $ B18AG : num NA NA NA NA 0e+00 NA 0e+00 NA NA 8e+06 ...
## $ B18AU : int NA NA NA NA NA NA NA NA NA 5 ...
## $ B18BG : num NA NA NA NA 5.0e+06 NA 1.5e+06 NA NA 1.0e+07 ...
## $ B18BU : int NA NA NA NA 6 NA 6 NA NA 6 ...
## $ B19 : int NA NA NA 6 6 NA 6 NA NA 6 ...
## $ B20G : num NA NA NA NA NA NA NA NA NA NA ...
## $ B20U : int NA NA NA NA NA NA NA NA NA NA ...
## $ B20D : int NA NA NA NA NA NA NA NA NA NA ...
## $ B20T : num NA NA NA NA NA NA NA NA NA NA ...
## $ B21 : int NA NA NA 6 6 NA 6 NA NA 6 ...
## $ B22 : num NA NA NA NA NA NA NA NA NA NA ...
## $ B23 : num NA NA NA NA NA NA NA NA NA NA ...
## $ B24 : int NA NA NA 6 6 NA 6 NA NA 1 ...
## $ B25 : num NA NA NA NA NA NA NA NA NA 8e+05 ...
## $ B26 : int NA NA NA 4 1 NA 3 NA NA 1 ...
## $ B271 : int NA NA 1 NA NA NA NA NA NA NA ...
## $ B272 : int NA NA NA NA NA NA NA NA NA NA ...
## $ B28 : int NA NA 1 1 NA NA 1 NA NA NA ...
## $ B29 : int NA NA 1 1 NA NA 1 NA NA NA ...
## $ B30 : int NA NA 1 1 NA NA 1 NA NA NA ...
## $ B31 : int NA NA 6 6 6 NA 6 NA NA 6 ...
## $ C01REC : int NA NA NA NA NA NA NA NA NA NA ...
## $ C02REC : int NA NA NA NA NA NA NA NA NA NA ...
## [list output truncated]
## [,1]
## 1 30611
## 6 31301
Agregar las etiquetas de cada categoría
## [,1]
## Hombres 30611
## Mujeres 31301
## [,1]
## 0 898
## 1 877
## 2 983
## 3 1079
## 4 1095
## 5 1170
## 6 1166
## 7 1118
## 8 1094
## 9 1077
## 10 1142
## 11 1101
## 12 1118
## 13 1126
## 14 1042
## 15 1065
## 16 1142
## 17 1125
## 18 1108
## 19 981
## 20 980
## 21 980
## 22 1030
## 23 1021
## 24 1067
## 25 1033
## 26 998
## 27 952
## 28 967
## 29 970
## 30 999
## 31 890
## 32 950
## 33 943
## 34 875
## 35 857
## 36 862
## 37 795
## 38 842
## 39 839
## 40 903
## 41 708
## 42 814
## 43 675
## 44 674
## 45 642
## 46 626
## 47 605
## 48 617
## 49 619
## 50 684
## 51 612
## 52 664
## 53 619
## 54 605
## 55 608
## 56 600
## 57 592
## 58 559
## 59 531
## 60 590
## 61 552
## 62 588
## 63 504
## 64 537
## 65 510
## 66 474
## 67 417
## 68 373
## 69 366
## 70 339
## 71 278
## 72 309
## 73 234
## 74 266
## 75 256
## 76 237
## 77 213
## 78 201
## 79 164
## 80 146
## 81 114
## 82 160
## 83 117
## 84 110
## 85 101
## 86 73
## 87 75
## 88 38
## 89 44
## 90 44
## 91 37
## 92 28
## 93 26
## 94 25
## 95 15
## 96 10
## 97 7
## 98 3
## 99 2
## 100 4
## 101 2
## 102 3
## 103 2
## 104 2
## 105 2
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.00 14.00 29.00 32.16 48.00 105.00
## Warning in `[<-.factor`(`*tmp*`, ri, value = c(1L, 1L, 6L, 1L, 1L, 1L, 1L, :
## invalid factor level, NA generated
## Warning in `[<-.factor`(`*tmp*`, ri, value = c(1L, 1L, 6L, 1L, 1L, 1L, 1L, :
## invalid factor level, NA generated
## Warning in `[<-.factor`(`*tmp*`, ri, value = c(1L, 1L, 6L, 1L, 1L, 1L, 1L, :
## invalid factor level, NA generated
## [1] 233595
Explorar las variables por año
Sexo y año
##
## 2022 2023 2024 2025
## Hombres 30611 0 0 0
## Mujeres 31301 0 0 0
Asignar las etiquetas a la variable P06
##
## 2022 2023 2024 2025
## Hombres 0 0 0 0
## Mujers 0 0 0 0
barplot(tabla1, main = "Cantidad de encuestados por año, según sexo", sub = "Fuente: www.ine.gov.py", xlab = "Años", ylab = "Casos")## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.2.0 ✔ purrr 1.2.1
## ✔ forcats 1.0.1 ✔ stringr 1.6.0
## ✔ ggplot2 4.0.2 ✔ tibble 3.3.1
## ✔ lubridate 1.9.5 ✔ tidyr 1.3.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
tabla2 <- eph %>%
group_by(`AÑO`) %>%
summarise(
edadmedia = mean(P02, na.rm = TRUE),
.groups = "drop"
)
tabla2## [,1]
## 0 17146
## 1 8876
## 2 14720
## 3 12299
## 4 10027
## 5 13513
## 6 11944
## 7 19043
## 8 11025
## 9 9287
## 10 27708
## 11 40269
## 12 7125
## 13 10310
## 14 11677
## 15 8626
##
## 2022 2023 2024 2025
## 1 2436 2238 2213 1989
ephconcep$PEAArec=factor(ephconcep$PEAA,
levels = c(1,2,3),
labels=c("Ocupado",
"Desocupado",
"Inactivo"))
cbind(table(ephconcep$PEAArec, ephconcep$AÑO))## 2022 2023 2024 2025
## Ocupado 1064 1037 957 897
## Desocupado 68 40 36 36
## Inactivo 847 761 798 683
Calculamos los valores expandidos
# Tabla expandida en formato largo
tabla_ocupacion_expandida <- ephconcep %>%
filter(
!is.na(`AÑO`),
!is.na(PEAArec),
!is.na(FACTOR)
) %>%
group_by(`AÑO`, PEAArec) %>%
summarise(
personas_expandidas = sum(FACTOR),
casos_muestrales = n(),
.groups = "drop"
) %>%
arrange(`AÑO`, PEAArec)
tabla_ocupacion_expandidatabla_ocupacion_anual <- tabla_ocupacion_expandida %>%
select(`AÑO`, PEAArec, personas_expandidas) %>%
tidyr::pivot_wider(
names_from = PEAArec,
values_from = personas_expandidas
) %>%
arrange(`AÑO`)
tabla_ocupacion_anualLas tasas
tabla_tasas_laborales <- tabla_ocupacion_anual %>%
mutate(
pea = Ocupado + Desocupado,
pet = pea + Inactivo,
tasa_actividad = 100 * pea / pet,
tasa_ocupacion = 100 * Ocupado / pet,
tasa_desocupacion = 100 * Desocupado / pea,
tasa_inactividad = 100 * Inactivo / pet
) %>%
select(
`AÑO`,
tasa_actividad,
tasa_ocupacion,
tasa_desocupacion,
tasa_inactividad
) %>%
mutate(
across(starts_with("tasa_"), ~ round(.x, 2))
)
tabla_tasas_laboralesFigura para ilustrar la evolución de la cantidad de personas ocupadas, desocupadas e inactivas en Concepción
library(ggplot2)
tab_fig1 = tabla_ocupacion_expandida %>%
mutate(anio = as.integer(as.character(AÑO)) ) %>%
arrange(anio, PEAArec)
tab_fig1fig1=ggplot(
tab_fig1,
aes(x=anio, y=personas_expandidas, color = PEAArec)
) +
geom_line() +
geom_point()
fig1Agregar etiquetas a cada punto
tab_fig1$etiqueta <- scales::number(
tab_fig1$personas_expandidas,
big.mark = ".",
decimal.mark = ",",
accuracy = 1
)
fig2 <- ggplot(
tab_fig1,
aes(
x = anio,
y = personas_expandidas,
color = PEAArec,
group = PEAArec
)
) +
geom_line() +
geom_point(size = 2.5) +
geom_text(
aes(label = etiqueta),
vjust = -0.8,
size = 3,
show.legend = FALSE
) +
labs(
x = "Año",
y = "Personas estimadas",
color = "Situación de ocupación"
) +
theme_minimal()
fig2texto