Vamos a utilizar las siguientes bases de datos de la ENAHO 2017:
library(foreign)
enaho17.m1 <- read.spss("Enaho01-2017-100.sav", to.data.frame = T)
enaho17.m2 <- read.spss("Enaho01-2017-200.sav", to.data.frame = T)
enaho17.m3 <- read.spss("Enaho01A-2017-300.sav", to.data.frame = T)
enaho17.m5 <- read.spss("Enaho01A-2017-500.sav", to.data.frame = T)
enaho17.sum <- read.spss("Sumaria-2017.sav", to.data.frame = T)Vamos a juntar las variables de tipo de acceso al agua (módulo 1) con el nivel de pobreza (sumarias)
Seleccionamos las variables que vamos a usar en cada módulos, las de identificación (comunes a ambos) y las de agua y pobreza:
df.1 <- enaho17.m1[, c(3:6, 8,9, 85, 314)]
df.2 <- enaho17.sum[, c(3:6, 156)]
new.df1 <- merge(df.1, df.2, by = c("CONGLOME", "VIVIENDA", "HOGAR"))
prop.table(xtabs(FACTOR07 ~ P111A + POBREZA, data = new.df1), 2)*100## POBREZA
## P111A Pobre Extremo
## Red pública de desagüe dentro de la vivienda 16.1603488
## Red pública de desagüe fuera de la vivienda pero dentro del edificio 1.4544381
## Letrina 13.3556169
## Pozo séptico 27.7545173
## Pozo ciego o negro 14.2817031
## Río, acequia o canal 1.1560335
## Otra 0.4563082
## NO TIENE 25.3810342
## POBREZA
## P111A Pobre No Extremo
## Red pública de desagüe dentro de la vivienda 42.3820637
## Red pública de desagüe fuera de la vivienda pero dentro del edificio 3.8697852
## Letrina 8.6540192
## Pozo séptico 17.5720137
## Pozo ciego o negro 11.6646376
## Río, acequia o canal 1.2301121
## Otra 0.5251879
## NO TIENE 14.1021805
## POBREZA
## P111A No Pobre
## Red pública de desagüe dentro de la vivienda 71.4892225
## Red pública de desagüe fuera de la vivienda pero dentro del edificio 4.6340951
## Letrina 5.2738138
## Pozo séptico 6.6504284
## Pozo ciego o negro 5.3452515
## Río, acequia o canal 1.0378330
## Otra 0.5869722
## NO TIENE 4.9823835Todos los registros de ambas bases de datos:
new.df2 <- merge(df.1, df.2, by = c("CONGLOME", "VIVIENDA", "HOGAR"), all = TRUE)Queremos hacer una tabla de condición de ocupación (módulo 5) según idioma materno (módulo 3)
df.3 <- enaho17.m5[, c(3:6, 8:10, 20, 779)]
df.4 <- enaho17.m3[, c(3:7, 14)]
new.df3 <- merge(df.3, df.4,
by = c("CONGLOME", "VIVIENDA", "HOGAR", "CODPERSO"),
all.x = TRUE)
prop.table(xtabs(FAC500A ~ P501 + P300A, data = new.df3), 2)*100## P300A
## P501 Quechua Aymará Otra lengua nativa Castellano Portugués
## Si 74.87869 74.04896 77.82385 65.55015 67.41748
## No 25.12131 25.95104 22.17615 34.44985 32.58252
## P300A
## P501 Otra lengua extranjera Es sordomudo/a, mudo/a
## Si 43.53089 30.38271
## No 56.46911 69.61729Juntamos la autoidentificación étnica (módulo 5) con las características de los miembros del hogar
df.5 <- enaho17.m5[, c(3:6, 8:10, 311, 779)]
new.df4<- merge(df.5, enaho17.m2,
by = c("CONGLOME", "VIVIENDA", "HOGAR", "CODPERSO"), all.y = T)