Práctica 5. Más gráficos e intro a estadísticos
AE
25/7/2018
Más ggplot <3
¡Recuerda, poner el directorio!
setwd("/Users/anaescoto/Dropbox/DGAPA/2018/RMD")En esta práctica vamos a volver a la base de la ENIGH. Con nuestro paquete foreign
install.packages("foreign", repos = "http://cran.us.r-project.org", dependencies = TRUE)## Installing package into '/Users/anaescoto/Library/R/3.3/library'
## (as 'lib' is unspecified)##
## There is a binary version available but the source version is
## later:
## binary source needs_compilation
## foreign 0.8-69 0.8-71 TRUE## installing the source package 'foreign'## Warning in install.packages("foreign", repos = "http://cran.us.r-
## project.org", : installation of package 'foreign' had non-zero exit statuslibrary(foreign)Llamamos nuestra base
enigh_concentrado <- read.dbf("concentradohogar.dbf")Vamos a trabajar con la variable “Clase de hogar”
table(enigh_concentrado$clase_hog)##
## 1 2 3 4 5
## 7762 45375 16406 519 249Etiquetamos la variable
enigh_concentrado$clase_hog<- factor(enigh_concentrado$clase_hog,label= c("Unipersonal", "Nuclear", "Extenso", "Compuesto","Corresidentes"))
table(enigh_concentrado$clase_hog)##
## Unipersonal Nuclear Extenso Compuesto Corresidentes
## 7762 45375 16406 519 249Hacemos mismo para el sexo del jefe
enigh_concentrado$sexo_jefe<- factor(enigh_concentrado$sexo_jefe,label= c("Hombre", "Mujer"))
table(enigh_concentrado$sexo_jefe)##
## Hombre Mujer
## 51918 18393Gráficos de comparación cuanti y cuali
Los gráficos de comparaciones de cajas y distribuciones son muy útiles. Nos permiten ver cómo una variable cuantitativa se comporta entre la población dividida entre los grupos.
Vamos a volver a usar nuestro paquete ggplot2
install.packages("ggplot2", repos = "http://cran.us.r-project.org", dependencies = TRUE)## Installing package into '/Users/anaescoto/Library/R/3.3/library'
## (as 'lib' is unspecified)## also installing the dependency 'vdiffr'##
## There are binary versions available but the source versions are
## later:
## binary source needs_compilation
## vdiffr 0.2.1 0.2.3 TRUE
## ggplot2 2.2.1 3.0.0 FALSE## installing the source packages 'vdiffr', 'ggplot2'## Warning in install.packages("ggplot2", repos = "http://cran.us.r-
## project.org", : installation of package 'vdiffr' had non-zero exit status## Warning in install.packages("ggplot2", repos = "http://cran.us.r-
## project.org", : installation of package 'ggplot2' had non-zero exit statuslibrary(ggplot2)Vamos a usar la función qplot, otra vez.
Vamos a ver cómo se distribuyen los ingresos
Univariado
q<-qplot(ing_cor, data=enigh_concentrado, geom="density",
main="Distribución de los ingresos corrientes", xlab="Pesos mexicanos",
ylab="Density")
q
Si transformamos a logaritmo, tenemos una distribución más parecida a una normal
q<-qplot(log(ing_cor), data=enigh_concentrado, geom="density",
main="Distribución de los ingresos corrientes", xlab="Logaritmo",
ylab="Density")
q## Warning: Removed 6 rows containing non-finite values (stat_density).
Bivariado
Podemos comparar la distribución incluyendo en la opción “fill=” y poner la variable que separa a nuestro grupos. Para que no se transpongan la distribuciones, ponemos alpha con un intensidad menor a 1.
q<-qplot(log(ing_cor), data=enigh_concentrado, geom="density", fill=factor(sexo_jefe), alpha=I(.5),
main="Distribución de los ingresos corrientes", xlab="Logaritmo",
ylab="Density")
q## Warning: Removed 6 rows containing non-finite values (stat_density).
Podemos comparar la distribución incluyendo en la opción “fill” el nombre la de variable que tenemos de grupo. A veces lo mejor es incluirla como un factor
q<-qplot(log(ing_cor), data=enigh_concentrado, geom="histogram", fill=factor(sexo_jefe), alpha=I(.5),
main="Distribución de los ingresos corrientes", xlab="Logaritmo",
ylab="Frecuencia")
q## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.## Warning: Removed 6 rows containing non-finite values (stat_bin).
Análisis descriptivo
Un truco para hacer el análisis descriptivo es generar una subbase con las variables que vamos analizar
mydata<- enigh_concentrado[, c("ing_cor", "tot_integ","ocupados", "sexo_jefe", "clase_hog")]
tail(mydata)## ing_cor tot_integ ocupados sexo_jefe clase_hog
## 70306 28169.64 1 1 Hombre Unipersonal
## 70307 24940.72 4 2 Hombre Extenso
## 70308 19814.80 1 0 Mujer Unipersonal
## 70309 23160.72 1 1 Hombre Unipersonal
## 70310 23385.60 3 0 Hombre Nuclear
## 70311 15888.51 5 3 Hombre ExtensoSi queremos obtener las medias de estas tres variables, usamos la función sapply. Esto nos permite repetir la función para todo el data frame Excluyendo missing values
sapply(mydata, mean, na.rm=TRUE)## Warning in mean.default(X[[i]], ...): argument is not numeric or logical:
## returning NA
## Warning in mean.default(X[[i]], ...): argument is not numeric or logical:
## returning NA## ing_cor tot_integ ocupados sexo_jefe clase_hog
## 42038.245423 3.664548 1.694500 NA NAAdemás de media (mean) tenemos las siguientes opciones: mean, sd, var, min, max, median, range, and quantile.
Para obtener de una sola vez las funciones mean,median,25th and 75th quartiles,min,max, usamos la función “summary”
summary(mydata)## ing_cor tot_integ ocupados sexo_jefe
## Min. : 0 Min. : 1.000 Min. : 0.000 Hombre:51918
## 1st Qu.: 18149 1st Qu.: 2.000 1st Qu.: 1.000 Mujer :18393
## Median : 29837 Median : 4.000 Median : 2.000
## Mean : 42038 Mean : 3.665 Mean : 1.694
## 3rd Qu.: 49232 3rd Qu.: 5.000 3rd Qu.: 2.000
## Max. :35824113 Max. :21.000 Max. :11.000
## clase_hog
## Unipersonal : 7762
## Nuclear :45375
## Extenso :16406
## Compuesto : 519
## Corresidentes: 249
## summary(mydata[mydata$sexo_jefe=="Hombre",])## ing_cor tot_integ ocupados sexo_jefe
## Min. : 0 Min. : 1.000 Min. : 0.00 Hombre:51918
## 1st Qu.: 18934 1st Qu.: 3.000 1st Qu.: 1.00 Mujer : 0
## Median : 30833 Median : 4.000 Median : 2.00
## Mean : 43721 Mean : 3.837 Mean : 1.78
## 3rd Qu.: 50799 3rd Qu.: 5.000 3rd Qu.: 2.00
## Max. :35824113 Max. :21.000 Max. :11.00
## clase_hog
## Unipersonal : 4342
## Nuclear :36562
## Extenso :10526
## Compuesto : 331
## Corresidentes: 157
## summary(mydata[mydata$sexo_jefe=="Mujer",])## ing_cor tot_integ ocupados sexo_jefe
## Min. : 0 Min. : 1.000 Min. : 0.000 Hombre: 0
## 1st Qu.: 16225 1st Qu.: 2.000 1st Qu.: 1.000 Mujer :18393
## Median : 27214 Median : 3.000 Median : 1.000
## Mean : 37287 Mean : 3.178 Mean : 1.453
## 3rd Qu.: 45047 3rd Qu.: 4.000 3rd Qu.: 2.000
## Max. :2702479 Max. :21.000 Max. :10.000
## clase_hog
## Unipersonal :3420
## Nuclear :8813
## Extenso :5880
## Compuesto : 188
## Corresidentes: 92
## Tapply, se parece a sapply, nos permite hacer una función en un subconjunto que se deriva de un vector. Por ejemplo, a continuación podemos pedirle al programa que nos haga un summary del ingreso, tomando en cuenta un vector de factor
tapply(enigh_concentrado$ing_cor, enigh_concentrado$clase_hog, summary)## $Unipersonal
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0 10800 17880 27050 29750 3284000
##
## $Nuclear
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0 18340 29270 42310 47830 35820000
##
## $Extenso
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2230 23760 37380 47600 58390 2702000
##
## $Compuesto
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 4113 29700 44470 55590 68440 386900
##
## $Corresidentes
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 4621 28220 47240 65300 80670 430800tapply(enigh_concentrado$ing_cor, enigh_concentrado$sexo_jefe, summary)## $Hombre
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0 18930 30830 43720 50800 35820000
##
## $Mujer
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0 16220 27210 37290 45050 2702000Usando datos expandidos
Un elemento importante, sobre todo cuando estamos usando una encuesta con representatividad nacional como la ENIGH del 2016, es que podemos establecer los valores poblacionales. Para ello, los descriptivos se presentan con los datos de la población y no de la muestra. Esto se hace expandiendo los datos muestrales según el factor.
En el caso de la enigh este es factor “factor”
Para esto usaremos la librería “questionr”
install.packages("questionr", repos = "http://cran.us.r-project.org", dependencies = TRUE)## Installing package into '/Users/anaescoto/Library/R/3.3/library'
## (as 'lib' is unspecified)##
## There is a binary version available but the source version is
## later:
## binary source needs_compilation
## questionr 0.6.2 0.6.3 FALSE## installing the source package 'questionr'library(questionr)Este paquete tiene la función wdt.mean, calcula las medias tomando en cuenta los pesos (!Recuerda que estos datos son trimestrales!)
wtd.mean(enigh_concentrado$ing_cor, weights = enigh_concentrado$factor)## [1] 46520.63#También podemos usar el valor con el comando weighted mean
weighted.mean(x = enigh_concentrado$ing_cor, w = enigh_concentrado$factor)## [1] 46520.63Para variables cualitativas podemos hacer tablas con los factores de expansión
wtd.table(enigh_concentrado$sexo_jefe, weights = enigh_concentrado$factor)## Hombre Mujer
## 24176830 9285768Para una tabla cruzada
wtd.table(enigh_concentrado$sexo_jefe,enigh_concentrado$clase_hog, weights = enigh_concentrado$factor)## Unipersonal Nuclear Extenso Compuesto Corresidentes
## Hombre 1840569 17011911 5102731 136577 85042
## Mujer 1740349 4415294 2986756 89913 53456Mi primera función
Unos de los elementos más poderosos de R es hacer nuestra propias funciones. Y cuando trabajamos bases de datos a veces hacemos un procedimiento que lo queremos repetir. Tal vez para una base de datos, tal vez para una variable, tal vez para grupos de casos.
Para ello haremos una función sencilla. Para sumarle un valor un 1
mi_funcion<-function(x) {
x<-x+1
x
}
mi_funcion(5)## [1] 6Qué tal hoy una una función donde podamos establecer qué valor sumamos
mi_funcion<-function(x,a) {
x<-x+a
x
}
mi_funcion(5,2)## [1] 7Mi función para expandir medias
expandir<- function(x){
weighted.mean(x, w = enigh_concentrado$factor)
}Entonces puedo ya sólo poner la variable
expandir(enigh_concentrado$edad_jefe)## [1] 49.19521expandir(enigh_concentrado$ing_cor)## [1] 46520.63Plyr (hermano de dplyr)
Vamos a instalar el paquete “plyr”
install.packages("plyr", repos = "http://cran.us.r-project.org", dependencies = TRUE)## Installing package into '/Users/anaescoto/Library/R/3.3/library'
## (as 'lib' is unspecified)##
## The downloaded binary packages are in
## /var/folders/fr/mw1x21js54367mjdhqsjfwqm0000gn/T//Rtmp3o5B6B/downloaded_packageslibrary(plyr)Este paquete nos ayuda también tener datos ponderados y poderlos hacer para grupos.
ddply(enigh_concentrado,.(clase_hog),summarise, wm = weighted.mean(ing_cor,factor))## clase_hog wm
## 1 Unipersonal 30961.70
## 2 Nuclear 47513.93
## 3 Extenso 50022.66
## 4 Compuesto 55287.56
## 5 Corresidentes 76243.18Finalmente, si quisiéramos guardar la base de datos en un su formato. Como hemos colocado el directorio, podemos sólo poner el nombre entre comillas
write.dbf(enigh_concentrado, "enigh_concentrado_mod.dbf" )Guardando todo nuestro Environment
save.image("EnviromentD3.RData")