Tutorial de muestreo en R
Fecha: noviembre 05, 2014
Por Felipe Jiménez
Introducción
El presente tutorial tiene como objetivo principal el introducir al usuario en el muestreo simple y complejo en el ambiente de programación analítica R.Se cubren los siguientes temas:
- La selección de tamaños de muestra simples(
baseydplyr), - Selección sistemática(
SamplinUtil), - Cálculo de tamaños de muestra(
SamplinUtil), - Cálculo de intervalos de confianza(
DescTools), - Selección de muestras con PPT (
pps), - Muestreo complejo con el paquete
survey. - Comparación de los resultados arrojados en R con información oficial de la Encuesta de Hogares del INEC.
Configuración de R y Rstudio
El primer paso para iniciar con el tutorial es instalar la consola de R(En el triste caso de aún no contar con él).
Posteriormente, es altamente recomendado utilizar el IDE Rstudio, para una mayor facilidad en el desarrollo de las aplicaciones.
Una vez con la instalación de nuestras dos herramientas, procedemos a crear un nuevo documento Rmarkdown Y escogemos las opciones por defecto, como se ilustra en la siguiente figura:
Una vez abierto el nuevo documento R markdown, guardarlo y a continuación borrar el código que trae por defecto como ejemplo, a excepción del encabezado encerrado con tres slash (---) al inicio del documento.
Ejercicios
Selección de muestras simples
Muestreo irrestricto Aleatorio(MIA):
El R Base contiene la útil función sample en la que se pueden obtener muestras aleatorias con o sin reemplazo de manera sencilla.
Vamos a cargar un dataset para ejemplificar y a cuantificar sus dimensiones:
crime<-data.frame(crimtab)
dim(crime)## [1] 924 3
Como podemos ver, el dataset crime contiene 924 filas y 3 columnas.Seguidamente seleccionamos una muestra de 30 casos sin reemplazo:
#Selección de la muestra
#Tamaño de la muestra
n<-30
muestramia<- sample(1:nrow(crime),size=n,replace=FALSE)
muestramia## [1] 64 658 551 887 546 509 639 654 328 659 453 258 279 550 876 676 121
## [18] 170 695 610 55 824 138 96 3 266 256 776 445 638
#Asignar los elementos de la muestra al data frame de datos
crimemuestramia<- crime[muestramia, ]
head(crimemuestramia)## Var1 Var2 Freq
## 64 11.5 144.78 0
## 658 12.1 180.34 4
## 551 9.8 175.26 0
## 887 9.8 195.58 0
## 546 13.5 172.72 0
## 509 9.8 172.72 0
Selección de muestras simples con dplyr
Una forma más sencilla de obtener una muestra es con el paquete dplyr.Este paquete es sumamente útil para el tratamiento de datos, adicionalmente contiene una función para obtener muestras simples de un data frame:
library(dplyr)
#Muestra sin reemplazo
crimemuestramia2<- crime %>%
sample_n(size=n,replace=FALSE)
head(crimemuestramia2)## Var1 Var2 Freq
## 252 13.5 154.94 0
## 537 12.6 172.72 5
## 203 12.8 152.4 0
## 119 12.8 147.32 0
## 702 12.3 182.88 0
## 649 11.2 180.34 0
#Muestra con pesos
crimemuestramia3<- crime %>%
sample_n(size=n,weight=Freq)
head(crimemuestramia3)## Var1 Var2 Freq
## 314 11.3 160.02 24
## 402 11.7 165.1 37
## 177 10.2 152.4 2
## 616 12.1 177.8 10
## 486 11.7 170.18 45
## 625 13 177.8 1
#Muestra con una proporción de casos
crimemuestramia4<- crime %>%
sample_frac(0.05)
head(crimemuestramia4);dim(crimemuestramia4)## Var1 Var2 Freq
## 260 10.1 157.48 0
## 409 12.4 165.1 2
## 137 10.4 149.86 1
## 473 10.4 170.18 0
## 259 10 157.48 2
## 279 12 157.48 1
## [1] 46 3
Selección de muestras sistemáticas(Instalación del paquete SamplingUtil)
Para el ejemplo del muestreo sistemático utilizaremos la función sys.sample del paquete SamplingUtil.Para instalar este paquete, se debe inicialmente instalar el paquete devtools ya que no se encuentra en CRAN.Las instrucciones son las siguientes:
Instalar devtools:install.packages("devtools")
Cargar libreria: library(devtools)
Instalar SamplingUtils:install_github("DFJL/SamplingUtil")
De esta manera podemos proceder a generar la muestra sistemática:
#Cargar libreria:
library(SamplingUtil)
muestrasis<- sys.sample(N=nrow(crime),n=30)
muestrasis## [1] 12 42 72 102 132 162 192 222 252 282 312 342 372 402 432 462 492
## [18] 522 552 582 612 642 672 702 732 762 792 822 852 882
#Asignar los elementos de la muestra al data frame de datos
crimemuestrasis<- crime[muestrasis, ]
head(crimemuestrasis)## Var1 Var2 Freq
## 12 10.5 142.24 0
## 42 13.5 142.24 0
## 72 12.3 144.78 0
## 102 11.1 147.32 0
## 132 9.9 149.86 0
## 162 12.9 149.86 0
Tamaños de muestra simples
En este tutorial veremos tres variantes para cálculo de tamaño muestral asumiendo MIA.Para esto, utilizaremos la data de la ENAHO 2013 y la función nsize() incluída en el paquete SamplingUtil.
Como variable continua se utilizará la Cantidad de personas del hogar (TamHog), para el ejemplo de proporciones, se creará la variable Proporción de Hogares Unipersonales.
- Error relativo para variables continuas.
se desea conocer el tamaño de muestra para que el error relativo no supere el 5%, con un alpha de 5%.
#Generando df de ENAHO2013 a nivel de hogar
df<- ENAHO2013 %>% #Define nuevo data frame
mutate(TamHog=as.numeric(TamHog), #Convierte TamHog a numérica
phu=ifelse(TamHog>1,0,1)) %>% #Crea variable de prop Hog. Unipersonales.
select(FACTOR:ZONA,TamHog,phu,-REGION) %>% #Selecciona variables de interés.
group_by(SEGMENTO,CUESTIONARIO,HOGAR,ZONA) %>% #Genera esquema de agrupación.
summarise(TamHog=mean(TamHog), #Cálculo de variables sumarizadas.
phu=mean(phu)) %>%
mutate(id=paste0(SEGMENTO,CUESTIONARIO,HOGAR,ZONA)) #Genera id único para uso posterior.
#Cálculo del tamaño de muestra con error relativo
#Error relativo
r<-0.05
nsizeR<- nsize(x=df$TamHog,r=r,alpha=0.05)
nsizeR## $n0
## [1] 782
##
## $n_adjust
## [1] 731
- Error absoluto para variables continuas.
#Cálculo del tamaño de muestra con error absoluto
#Igualar el error absoluto con el error relativo
abs<-mean(df$TamHog)*r
nsizeA<- nsize(x=df$TamHog,abs=abs,alpha=0.05)
nsizeA## $n0
## [1] 782
##
## $n_adjust
## [1] 731
- Error relativo para variables dicotómicas.
#Cálculo de tamaño de muestra para proporción
nsizeP<- nsize(x=df$phu,abs=0.02,alpha=0.05)
nsizeP## $n0
## [1] 924
##
## $n_adjust
## [1] 854
Tamaños de muestra estratificados
- Asignación proporcional.
#Cálculo de las proporciones por estrato
Estratos<- df %>%
select(ZONA,TamHog) %>%
group_by(ZONA) %>%
summarise(n=n(),
s=sd(TamHog)) %>%
mutate(p=n/sum(n))
Estratos## Source: local data frame [2 x 4]
##
## ZONA n s p
## 1 Urbana 4790 3.149710 0.4269543
## 2 Rural 6429 1.945832 0.5730457
#Asignación de la muestra proporcional a los estratos
nsizeProp<-nstrata(n=nsizeR[[2]],wh=Estratos[,4],method="proportional")
nsizeProp## p
## 1 313
## 2 419
- Asignación óptima.
#Asignación de la muestra óptima a los estratos
#Costo de entrevista por estrato
ch<-c(5,10)
nsizeOpt<-nstrata(n=nsizeR[[2]],wh=Estratos[,4],sh=Estratos[,3],ch,method="optimal")
nsizeOpt## p
## 1 461
## 2 271
- Asignación de Neyman.
#Asignación de la muestra óptima a los estratos(asume costos iguales)
nsizeNeyman<-nstrata(n=nsizeR[[2]],wh=Estratos[,4],sh=Estratos[,3],method="neyman")
nsizeNeyman## p
## 1 400
## 2 332
Cálculo de intervalos de confianza asumiendo MIA
En R existen múltiples posibilidades de calcular los intervalos de confianza.Se utilizará el paquete DescTools para este propósito.Este paquete contiene muchas funciones misceláneas de las tareas estadísticas típicas.
Calcularemos el intervalo de confianza para la media del Tamaño del hogar, con el tamaño de muestra obtenida en el ejercicio anterior y posteriormente se comparará el error obtenido(suponiendo que el valor verdadero es el de total de la encuesta)
#Muestra sin reemplazo
muestra<- data.frame(df) %>%
sample_n(size=nsizeR[[2]],replace=FALSE)
crimemuestramia2<- crime %>%
sample_n(size=n,replace=FALSE)
#Carga de paquete DescTools
library(DescTools)
#Intervalos de confianza 95% clásicos
ICTamHog<- MeanCI(x=muestra$TamHog, trim = 0,conf.level = 0.95, na.rm = FALSE)
ICTamHog## mean lwr.ci upr.ci
## 3.393981 3.277623 3.510339
#Media del total de la encuesta
mean(df$TamHog)## [1] 3.547134
#Diferencia relativa
difR<-paste0(abs(round((ICTamHog[1]-mean(df$TamHog))/mean(df$TamHog),3))*100,"%")De esta manera, con este ejercicio comprobamos que el valor estimado cumple con los requisitos del error relativo deseado en el cálculo del tamaño muestral, ya que la diferencia fue de 4.3% inferior al 5 % deseado.
Selección de muestra con ppt(Paquete pps)
Hemos abarcado aspectos básicos del muestreo de elementos.A partir de ahora veremos algunos ejemplos de muestreo complejo.
Existen diversos paquetes para selecciones de muestras complejas en R, como el sampling o el samplingbook.En este caso se utilizará el pps que se concentra en muestreo mediante ppt y permite la selección sistemática estratificada.
En el siguiente ejercicio se seleccionará una muestra de UPM utilizando como tamaño la cantidad de hogares, estratificada por Zona,utilizando como base el tamaño de muestra ya calculado para la variable Tamaño del hogar.
Se debe obtener una muestra proporcional para cada estrato y seleccionar en cada conglomerado una submuestra de 5 hogares.
#Generar el dataframe de UPMS y su respectivo tamaño
UPMs<- df %>%
mutate(TamHog=as.numeric(TamHog)) %>%
select(SEGMENTO,ZONA,TamHog) %>%
group_by(ZONA,SEGMENTO) %>%
summarise(Mta=n()) %>%
arrange(desc(ZONA),SEGMENTO)
head(UPMs)## Source: local data frame [6 x 3]
## Groups: ZONA
##
## ZONA SEGMENTO Mta
## 1 Urbana 2 7
## 2 Urbana 4 9
## 3 Urbana 5 9
## 4 Urbana 8 13
## 5 Urbana 9 10
## 6 Urbana 10 9
#Se asigna proporcionalmente la muestra a cada estrato
#Recordemos la distribución proporcional de los estratos:
nsizeProp## p
## 1 313
## 2 419
#Cálculo del número de UPMs por estrato
b<-5
aurbano<- ceiling(nsizeProp[1,1]/b)
arural<- ceiling(nsizeProp[2,1]/b)
#Unir en un solo objeto para facilitar input de función
asizeppt<-rbind(aurbano,arural)
asizeppt## [,1]
## aurbano 63
## arural 84
#Selección de la muestra con PPT(sistemática)
library(pps)
muestrappt<-ppssstrat(sizes=UPMs$Mta,stratum=UPMs$ZONA,n=asizeppt[,1])
muestraUPMs<-UPMs[muestrappt,]
#Muestra de la selección
head(muestraUPMs)## Source: local data frame [6 x 3]
## Groups: ZONA
##
## ZONA SEGMENTO Mta
## 1 Urbana 10 9
## 2 Urbana 25 8
## 3 Urbana 44 9
## 4 Urbana 58 13
## 5 Urbana 82 11
## 6 Urbana 97 9
tail(muestraUPMs)## Source: local data frame [6 x 3]
## Groups: ZONA
##
## ZONA SEGMENTO Mta
## 1 Rural 1083 10
## 2 Rural 1101 10
## 3 Rural 1114 14
## 4 Rural 1125 10
## 5 Rural 1135 11
## 6 Rural 1146 11
#Verificar selección por estrato
Freq(muestraUPMs$ZONA)## level freq perc cumfreq cumperc
## 1 Urbana 63 0.429 63 0.429
## 2 Rural 84 0.571 147 1.000
#Procedimiento para seleccionar submuestras en cada cluster de tamaño fijo
#Listado de segmentos seleccionados
segs<- unique(muestraUPMs$SEGMENTO)
sample<- list()
#Identifica el número de columna del id(se requiere para el ciclo)
idcolnum<-which( colnames(df)=="id" )
#Ciclo para seleccionar la muestra en cada segmento
for(i in 1:length(segs)){
subsample<-data.frame(df[which(df$SEGMENTO==segs[i]),])
sample[[i]]<-sys.sample(nrow(subsample),b)
#Previene de los números que se pasan del total del segmento
#if(sample[[i]][b]>nrow(subsample)){
# sample[[i]][b]<-1
# }
#Asigna en cada elemento de las submuestras los elem. seleccionados
sample[[i]]<-subsample[unlist(sample[[i]]),idcolnum]
}
#Genera el data frame de ids seleccionados(ya que estaban en una lista)
sampledf<-data.frame(id=unlist(sample))
#Uniendo el data frame de datos con la muestra seleccionada mendiante la llave creada
muestrappt<-inner_join(unique(sampledf),unique(df),by="id")
#Verificar el procedimiento
head(muestrappt)## id SEGMENTO CUESTIONARIO HOGAR ZONA TamHog phu
## 1 3111Rural 3 11 1 Rural 6 0
## 2 1011Urbana 10 1 1 Urbana 2 0
## 3 1021Urbana 10 2 1 Urbana 6 0
## 4 1031Urbana 10 3 1 Urbana 2 0
## 5 1041Urbana 10 4 1 Urbana 5 0
## 6 1051Urbana 10 5 1 Urbana 3 0
Freq(muestrappt$ZONA)## level freq perc cumfreq cumperc
## 1 Urbana 317 0.428 317 0.428
## 2 Rural 424 0.572 741 1.000
Diseños de muestreo Complejos
Especificación diseños muestrales complejos(paquete survey)
Un paquete robusto para el cálculo correcto de estadísticos en diseños complejos es el survey.A continuación se ejemplifica la función svydesign, la cuál establece los diferentes parámetros para poder calcular los errores muestrales adecuadamente.Inicialmente utilizaremos la muestra con ppt seleccionada en el ejercicio anterior.
#Generar probabilidades
#Recordemos las medidas de tamaño por UPM:
UPMs## Source: local data frame [1,119 x 3]
## Groups: ZONA
##
## ZONA SEGMENTO Mta
## 1 Urbana 2 7
## 2 Urbana 4 9
## 3 Urbana 5 9
## 4 Urbana 8 13
## 5 Urbana 9 10
## 6 Urbana 10 9
## 7 Urbana 11 12
## 8 Urbana 12 9
## 9 Urbana 16 6
## 10 Urbana 18 8
## .. ... ... ...
#Cálculo de prob en Primera etapa
#Estrato Urbano
UPMU<- UPMs %>%
filter(ZONA=="Urbana") %>%
group_by(ZONA) %>%
mutate(fa=Mta/(sum(Mta)/aurbano),
fb=b/Mta)
#Estrato Rural
UPMR<- UPMs %>%
filter(ZONA=="Rural") %>%
group_by(ZONA) %>%
mutate(fa=Mta/(sum(Mta)/arural),
fb=b/Mta)
#Unir ambos estratos
UPMs <- rbind(UPMU,UPMR)
#Incluir probabilidades en data frame de muestra
muestrappt2<- left_join(muestrappt,UPMs,by=c("SEGMENTO","ZONA"))
#Cargar paquete de muestreo complejo
library(survey)
#Establecer el diseño muestral
design1<-svydesign(data=muestrappt2,id=~SEGMENTO+id,
strata=~ZONA,pps="brewer",prob=~fa+fb)
#Resumen del diseño
summary(design1)## Stratified 2 - level Cluster Sampling design (with replacement)
## With (151, 741) clusters.
## svydesign(data = muestrappt2, id = ~SEGMENTO + id, strata = ~ZONA,
## pps = "brewer", prob = ~fa + fb)
## Probabilities:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.06533 0.06533 0.06533 0.06551 0.06576 0.06576
## First-level Stratum Sizes:
## Rural Urbana
## obs 424 317
## design.PSU 88 63
## actual.PSU 88 63
## Data variables:
## [1] "SEGMENTO" "ZONA" "id" "CUESTIONARIO"
## [5] "HOGAR" "TamHog" "phu" "Mta"
## [9] "fa" "fb"
Estadísticos en diseños muestrales complejos
#Calculando estadísticos de TamHog
TamHogmc<- svymean(~TamHog,design=design1,deff=TRUE)
#Media del Tamaño del hogar
TamHogmc## mean SE DEff
## TamHog 3.45115 0.10447 1.1018
#Efecto del diseño
deff(TamHogmc)## TamHog
## 1.101787
#Intervalo de confianza
confint(TamHogmc)## 2.5 % 97.5 %
## TamHog 3.246387 3.655921
#Coeficiente de variación
cv(TamHogmc)## TamHog
## TamHog 0.03027248
#Diferencia relativa
difRc<-paste0(abs(round((TamHogmc[1]-mean(df$TamHog))/mean(df$TamHog),3))*100,"%")De esta manera, con este ejercicio comprobamos que el valor estimado cumple con los requisitos del error relativo deseado en el cálculo del tamaño muestral, ya que la diferencia fue de 2.7% inferior al 5 % deseado.
Ejemplo con diseño complejo real
Finalmente, se desarrollará un ejemplo con un diseño complejo real,utilizando la ENAHO 2012.
El diseño muestral se detalla a continuación:
Diseño muestral: diseño probabilístico, estratificado y bietápico. En la primera etapa se seleccionaron segmentos censales o unidades primarias de muestreo (UPM) con probabilidad proporcional al tamaño (PPT), y en la segunda etapa se seleccionaron las viviendas o unidades secundarias de muestreo (USM) con probabilidades iguales de selección dentro de cada segmento, mediante muestreo sistemático con arranque aleatorio.
Dominios de estudio: las seis regiones de planificación y las zonas urbana y rural.
#Objetos para generar variables(debido a que el Dataframe de ENAHO2012 tiene las labels del SPSS y no los valores)
profesionales<- c("Profesionales científicos e intelectuales")
tecnicos<- c("Técnicos y profesionales de nivel medio")
#Generando df de ENAHO2012 a nivel de hogar
df12<- ENAHO2012 %>% #Define nuevo data frame
mutate(pobre=ifelse(np=="No pobre",0,1), #Crea variable de pobreza.
Profesional=ifelse(OcupFuerzaTrab==profesionales,1,0), #Crea flag de Profesional.
Tecnico=ifelse(OcupFuerzaTrab==tecnicos,1,0)) %>% #Crea flag de tecnico.
select(FACTOR:ZONA,pobre,Profesional,Tecnico,ipcn) %>% #Selecciona variables de interés.
group_by(SEGMENTO,CUESTIONARIO,HOGAR,ZONA,REGION) %>% #Genera esquema de agrupación.
summarise(Factor=mean(FACTOR),
pobre=mean(pobre),
Profesionales=sum(Profesional),
Tecnicos=sum(Tecnico),
Ingreso=mean(ipcn)) %>%
mutate(id=paste0(SEGMENTO,CUESTIONARIO,HOGAR,ZONA,REGION)) #Genera id único para uso posterior.
#Establecer el diseño muestral
design2<-svydesign(data=df12,id=~SEGMENTO+id,
strata=~REGION+ZONA,pps="brewer",weights=~Factor)
summary(design2)## Stratified 2 - level Cluster Sampling design (with replacement)
## With (1120, 11374) clusters.
## svydesign(data = df12, id = ~SEGMENTO + id, strata = ~REGION +
## ZONA, pps = "brewer", weights = ~Factor)
## Probabilities:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.001403 0.008065 0.015380 0.016030 0.021280 0.062500
## First-level Stratum Sizes:
## Central Chorotega Pacífico Central Brunca Huetar Atlántica
## obs 4940 1220 1144 1598 1218
## design.PSU 468 116 124 160 128
## actual.PSU 468 116 124 160 128
## Huetar Norte
## obs 1254
## design.PSU 124
## actual.PSU 124
## Data variables:
## [1] "SEGMENTO" "CUESTIONARIO" "HOGAR" "ZONA"
## [5] "REGION" "Factor" "pobre" "Profesionales"
## [9] "Tecnicos" "Ingreso" "id"
#Calculando estadísticos de Pobreza por hogar nacionales
#Porcentaje de pobreza
pobremc<- svymean(~pobre,design=design2,deff=TRUE,na.rm=TRUE)
#Media de pobreza
pobremc## mean SE DEff
## pobre 0.2067336 0.0063786 2.836
#Efecto del diseño
deff(pobremc)## pobre
## 2.835952
#Intervalo de confianza
confint(pobremc)## 2.5 % 97.5 %
## pobre 0.1942318 0.2192355
#Coeficiente de variación
cv(pobremc)## pobre
## pobre 0.0308542
#Total de pobres
pobretmc<-svytotal(~pobre,design=design2, deff=TRUE,na.rm=TRUE)
pobretmc## total SE DEff
## pobre 279514 10334 4.0715
#Efecto del diseño
deff(pobretmc)## pobre
## 4.071516
#Intervalo de confianza
confint(pobretmc)## 2.5 % 97.5 %
## pobre 259260.8 299767.2
#Coeficiente de variación
cv(pobretmc)## pobre
## pobre 0.03696945
#Estimación de quantiles(Ingreso per cápita)
ingresoq<- svyquantile(~Ingreso,quantile= seq(0.2,1,0.2),design=design2, deff=TRUE,na.rm=TRUE)
ingresoq## 0.2 0.4 0.6 0.8 1
## Ingreso 85889.4 149602.9 245042.2 433385 13059042
#Cálculo de razón(Profesionales/Técnicos)
ptratio<- svyratio(~Profesionales, ~Tecnicos, design=design2, deff=TRUE,na.rm=TRUE)
ptratio## Ratio estimator: svyratio.survey.design2(~Profesionales, ~Tecnicos, design = design2,
## deff = TRUE, na.rm = TRUE)
## Ratios=
## Tecnicos
## Profesionales 1.257501
## SEs=
## Tecnicos
## Profesionales 0.1431679
#Efecto del diseño
deff(ptratio)## [1] 2.278801
#Intervalo de confianza
confint(ptratio)## 2.5 % 97.5 %
## Profesionales/Tecnicos 0.9768973 1.538105
#Coeficiente de variación
cv(ptratio)## Tecnicos
## Profesionales 0.1138511
#Estimaciones por estrato(Zona)
pobremZ<-svyby(~pobre, ~ZONA, design2, svymean,deff=TRUE,na.rm=TRUE)
#Media de pobreza por zona
pobremZ## ZONA pobre se DEff.pobre
## Urbana Urbana 0.1834762 0.008193071 2.200074
## Rural Rural 0.2714831 0.007898585 2.071340
#Efecto del diseño
deff(pobremZ)## [1] 2.200074 2.071340
#Intervalo de confianza
confint(pobremZ)## 2.5 % 97.5 %
## Urbana 0.1674180 0.1995343
## Rural 0.2560022 0.2869640
#Coeficiente de variación
cv(pobremZ)## Urbana Rural
## 0.04465469 0.02909420
#Estimaciones por estrato(Región)
pobremR<-svyby(~pobre,~REGION, design2, svymean,deff=TRUE,na.rm=TRUE)
#Media de pobreza por zona
pobremR## REGION pobre se DEff.pobre
## Central Central 0.1613506 0.008443248 2.602328
## Chorotega Chorotega 0.3356425 0.018022067 1.795762
## Pacífico Central Pacífico Central 0.2688588 0.022885659 3.090166
## Brunca Brunca 0.3332134 0.021407389 3.339586
## Huetar Atlántica Huetar Atlántica 0.2480790 0.020845431 2.861739
## Huetar Norte Huetar Norte 0.2320398 0.017439694 2.156538
#Efecto del diseño
deff(pobremR)## [1] 2.602328 1.795762 3.090166 3.339586 2.861739 2.156538
#Intervalo de confianza
confint(pobremR)## 2.5 % 97.5 %
## Central 0.1448021 0.1778990
## Chorotega 0.3003199 0.3709651
## Pacífico Central 0.2240038 0.3137139
## Brunca 0.2912557 0.3751712
## Huetar Atlántica 0.2072227 0.2889353
## Huetar Norte 0.1978586 0.2662210
#Coeficiente de variación
cv(pobremR)## Central Chorotega Pacífico Central Brunca
## 0.05232859 0.05369424 0.08512146 0.06424527
## Huetar Atlántica Huetar Norte
## 0.08402738 0.07515820
#Estimaciones combinadas
pobremZR<-svyby(~pobre,~REGION+ZONA, design2, svymean,deff=TRUE,na.rm=TRUE)| Región | Zona | % Pobreza | SE | DEFF |
| Central | Urbana | 15.80 | 0.96 | 1.80 |
| Chorotega | Urbana | 31.03 | 2.43 | 1.66 |
| Pacífico Central | Urbana | 27.58 | 3.20 | 2.26 |
| Brunca | Urbana | 27.95 | 4.03 | 3.21 |
| Huetar Atlántica | Urbana | 22.27 | 3.34 | 1.92 |
| Huetar Norte | Urbana | 18.05 | 2.15 | 1.81 |
| Central | Rural | 18.34 | 0.95 | 1.44 |
| Chorotega | Rural | 36.56 | 2.62 | 1.86 |
| Pacífico Central | Rural | 25.54 | 2.62 | 2.61 |
| Brunca | Rural | 37.56 | 1.97 | 2.02 |
| Huetar Atlántica | Rural | 28.35 | 1.68 | 1.31 |
| Huetar Norte | Rural | 26.00 | 2.34 | 1.95 |
| Fuente:ENAHO 2012,INEC | ||||
Comparativa de las estimaciones publicadas y estimadas en el ejercicio
Para comparar la calidad de las estimaciones, se realizará una comparación entre la medición puntual de % de hogares pobres por Región.Acá(página 68 del documento) se encuentra el resultado oficial.
Resumen de las funciones más relevantes utilizadas
| Paquete | Tipo | Función |
|---|---|---|
| Base | Selección de muestra | sample(x=data, size=n, replace = FALSE, prob = NULL) |
| dplyr | Selección de muestra | sample_n(tbl=dataframe, size=n, replace = FALSE, weight = NULL, .env = parent.frame()) |
| SamplingUtil | Selección de muestra(sistemática) | sys.sample(N=Total, n=muestra) |
| SamplingUtil | Tamaño de muestra | nsize(x=data, r = error_relativo, abs = error_absoluto, alpha = 0.05) |
| SamplingUtil | Tamaño de muestra(Estratificada) | nstrata(n=tamaño muestra, wh=vector pesos, sh = vector desviaciones, ch = vector de costos, method = c("proportional","optimal", "neyman") |
| DescTools | Intervalos de Confianza | MeanCI(variable=df$variable,conf.level = 0.95, na.rm = FALSE) |
| pps | Selección PPT sistemática | ppssstrat(UPMs$Mta,UPMs$Estrato,asize=Tamaño muestra por Estrato) |
| survey | Configuración de diseño complejo | svydesign(data=dataframe,id=~ID_Etapa_1+...+ID_Etapa i,strata=~Estrato_1+...+Estrato_n,pps="brewer",prob=~fa+...+fk)+weights=Factor Expansión |
| survey | Estimación compleja(media) | svymean(~variable,diseño,deff=TRUE,na.rm=TRUE) |
| survey | Estimación compleja(estratos) | svyby(~variable,~Estrato 1+...+Estrato_n,diseño,c(svymean,svyratio,svytotal),deff=TRUE,na.rm=TRUE) |
| survey | Estimación compleja(cuantiles) | svyquantile(~variable,quantile= vector de valores,diseño, deff=TRUE,na.rm=TRUE) |
| survey | Estimación compleja(razones) | svyratio(~denominador,~numerador,diseño, deff=TRUE,na.rm=TRUE) |
| survey | Estimación compleja(totales) | svytotal(~variable,diseño, deff=TRUE,na.rm=TRUE) |
| survey | Estimación compleja(Intervalo) | confint(Objeto de svymean,svyratio,svytotal) |
| survey | Estimación compleja(Coeficiente de variación) | cv(Objeto de svymean,svyratio,svytotal) |
| survey | Estimación compleja(Efecto del diseño) | deff(Objeto de svymean,svyratio,svytotal) |
Repositorio del tutorial
Ver el código original para reproducir todos los ejercicios de este tutorial.
Sesión de R
sessionInfo()## R version 3.1.1 (2014-07-10)
## Platform: x86_64-w64-mingw32/x64 (64-bit)
##
## locale:
## [1] LC_COLLATE=Spanish_Spain.1252 LC_CTYPE=Spanish_Spain.1252
## [3] LC_MONETARY=Spanish_Spain.1252 LC_NUMERIC=C
## [5] LC_TIME=Spanish_Spain.1252
##
## attached base packages:
## [1] grid stats graphics grDevices utils datasets methods
## [8] base
##
## other attached packages:
## [1] ggplot2_1.0.0.99 tidyr_0.1 stargazer_5.1
## [4] survey_3.30-3 pps_0.94 DescTools_0.99.8.1
## [7] SamplingUtil_0.1.9 dplyr_0.3.0.2
##
## loaded via a namespace (and not attached):
## [1] assertthat_0.1 boot_1.3-11 colorspace_1.2-4
## [4] DBI_0.3.1 digest_0.6.4 evaluate_0.5.5
## [7] formatR_1.0 gtable_0.1.2 htmltools_0.2.6
## [10] knitr_1.7 knitrBootstrap_1.0.0 labeling_0.2
## [13] lazyeval_0.1.9 magrittr_1.0.1 markdown_0.7.4
## [16] MASS_7.3-33 mime_0.2 munsell_0.4.2
## [19] parallel_3.1.1 plyr_1.8.1 proto_0.3-10
## [22] Rcpp_0.11.2 reshape2_1.4 rmarkdown_0.3.3
## [25] scales_0.2.4 stringr_0.6.2 tcltk_3.1.1
## [28] tools_3.1.1 yaml_2.1.13