1. Convierta la variable NATMASS a factor cuyo nivel base sea about right

library(rsconnect)
library(haven)
library(dplyr)
library(ggplot2)

datos <- read_sav("C:/Users/Rafae/Desktop/CIENCIA_DE_DATOS/GSS2006.sav")

# Filtramos las variables para trabajar

###### 1

data <- datos %>% 
        select(NATMASS, AGE, SEX, SEI, REGION, POLVIEWS)
data <- as.data.frame(data)

data <- na.omit(data)

data$NATMASS <- as.factor(data$NATMASS)

data$NATMASS <- factor(data$NATMASS, labels = c("Too little","About right","Too much"))

data$NATMASS <- relevel(data$NATMASS, ref = "About right")


str(data$NATMASS)

##  Factor w/ 3 levels "About right",..: 2 1 1 3 2 1 1 1 2 1 ...

2. Recodifique la variable POLVIEWS para que sea un factor que vaya desde extremely liberal hasta extremely conservative

data$POLVIEWS <- as.factor(data$POLVIEWS)

data$POLVIEWS <- factor(data$POLVIEWS, labels =c("Extremely Liberal","Liberal","Slightly Liberal","Moderate","Slightly Conservative","Conservative","Extremely Conservative"))

str(data$POLVIEWS)

##  Factor w/ 7 levels "Extremely Liberal",..: 1 3 6 3 4 6 3 4 4 4 ...

3. ¿Qué inclinación política es más frecuente?, diseñe un gráfico de inclinación política y gasto en transporte masivo (NATMASS) y describa detalladamente.

ggplot(data, aes(x = POLVIEWS, fill = NATMASS)) + geom_bar(position = "fill")

4. Nos gustaría tener una interpretación útil del intercepto, ¿qué tranformación haría a las variables AGE y SEI para lograrlo? Una vez identificada aplíquela a las variables.

Convertimos ambas variables a una binaria y después a factor, ya que eran las únicas variables de tipo numerico, aunque también consideré quitarlas

La transformación la hice tomando en cuenta la media de ambas variables y transforme a 0 si es menor a la media y 1 si es mayor

data$AGE[data$AGE<mean(data$AGE)] <- 0
data$AGE[data$AGE>mean(data$AGE)] <- 1

data$AGE <- as.factor(data$AGE)

data$SEI[data$SEI<mean(data$SEI)] <- 0
data$SEI[data$SEI>mean(data$SEI)] <- 1

data$SEI <- as.factor(data$SEI)