1 Introducción

2 Objetivos

2.1 Generales

Analizar con un tablero estadístico la realidad sociodemográfica de la ciudad de Concepción, para el periodo 2020 al 2025

2.2 Específicos

  • Cuantificar la variación en la tasa de ocupación interanual

4 Metodología

Se trata de un estudio de corte transversal-longitudinal para los años 2022 al 2025 ….

5 Gestión de datos

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

names(eph22)
##   [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

nrow(eph22)
## [1] 61912
str(eph22)
## '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]

5.1 Explorar la variable P06 (sexo 1 es Hombres y 6 es Mujeres)

cbind(table(eph22$P06))
##    [,1]
## 1 30611
## 6 31301

Agregar las etiquetas de cada categoría

eph22$P06=factor(eph22$P06,  levels=c(1,6), labels=c("Hombres", "Mujeres"))
cbind(table(eph22$P06))
##          [,1]
## Hombres 30611
## Mujeres 31301

5.2 Edad (P02)

cbind(table(eph22$P02))
##     [,1]
## 0    898
## 1    877
## 2    983
## 3   1079
## 4   1095
## 5   1170
## 6   1166
## 7   1118
## 8   1094
## 9   1077
## 10  1142
## 11  1101
## 12  1118
## 13  1126
## 14  1042
## 15  1065
## 16  1142
## 17  1125
## 18  1108
## 19   981
## 20   980
## 21   980
## 22  1030
## 23  1021
## 24  1067
## 25  1033
## 26   998
## 27   952
## 28   967
## 29   970
## 30   999
## 31   890
## 32   950
## 33   943
## 34   875
## 35   857
## 36   862
## 37   795
## 38   842
## 39   839
## 40   903
## 41   708
## 42   814
## 43   675
## 44   674
## 45   642
## 46   626
## 47   605
## 48   617
## 49   619
## 50   684
## 51   612
## 52   664
## 53   619
## 54   605
## 55   608
## 56   600
## 57   592
## 58   559
## 59   531
## 60   590
## 61   552
## 62   588
## 63   504
## 64   537
## 65   510
## 66   474
## 67   417
## 68   373
## 69   366
## 70   339
## 71   278
## 72   309
## 73   234
## 74   266
## 75   256
## 76   237
## 77   213
## 78   201
## 79   164
## 80   146
## 81   114
## 82   160
## 83   117
## 84   110
## 85   101
## 86    73
## 87    75
## 88    38
## 89    44
## 90    44
## 91    37
## 92    28
## 93    26
## 94    25
## 95    15
## 96    10
## 97     7
## 98     3
## 99     2
## 100    4
## 101    2
## 102    3
## 103    2
## 104    2
## 105    2
summary(eph22$P02)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    0.00   14.00   29.00   32.16   48.00  105.00
hist(eph22$P02)

boxplot(eph22$P02)

5.3 Compilar todos los años en una sola base

eph=rbind(eph22, eph23, eph24, eph25)
## 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
nrow(eph)
## [1] 233595

Explorar las variables por año

5.3.1 Sexo y año

Sexo y año

table(eph$P06, eph$AÑO)
##          
##            2022  2023  2024  2025
##   Hombres 30611     0     0     0
##   Mujeres 31301     0     0     0

Asignar las etiquetas a la variable P06

eph$P06=factor(eph$P06,levels=c(1,6), labels = c("Hombres", "Mujers"))
tabla1=table(eph$P06, eph$AÑO)
tabla1
##          
##           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")

5.3.2 Edad y año

library(tidyverse)
## ── 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
library(dplyr)
tabla2 <- eph %>%
  group_by(`AÑO`) %>%
  summarise(
    edadmedia = mean(P02, na.rm = TRUE),
    .groups = "drop"
  )

tabla2
tabla2$AÑO=as.factor(tabla2$AÑO)
barplot(tabla2$edadmedia)

barplot(tabla1, )

5.4 Filtrar solo el departamento de Concepción

cbind(table(eph$DPTO))
##     [,1]
## 0  17146
## 1   8876
## 2  14720
## 3  12299
## 4  10027
## 5  13513
## 6  11944
## 7  19043
## 8  11025
## 9   9287
## 10 27708
## 11 40269
## 12  7125
## 13 10310
## 14 11677
## 15  8626
ephconcep=filter(eph, eph$DPTO==1)
table(ephconcep$DPTO , ephconcep$AÑO)
##    
##     2022 2023 2024 2025
##   1 2436 2238 2213 1989

5.5 Variable PEAA, situación de ocupación

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_expandida
tabla_ocupacion_anual <- tabla_ocupacion_expandida %>%
  select(`AÑO`, PEAArec, personas_expandidas) %>%
  tidyr::pivot_wider(
    names_from = PEAArec,
    values_from = personas_expandidas
  ) %>%
  arrange(`AÑO`)

tabla_ocupacion_anual

Las 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_laborales

Figura 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_fig1
fig1=ggplot(
  tab_fig1,
  aes(x=anio, y=personas_expandidas, color = PEAArec)
  ) +
  geom_line() +
  geom_point() 

fig1

Agregar 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()

fig2

6 Resultados

6.1

6.2 Tablero de visualización de datos

7 Refencias

texto

8 subtitulo

8.1 subsub