rm(list=ls())###P1 Carga los paquetes necesarios para trabajar con data.table y poder abrir la base de datos en formato .dta
install.packages("readstata13")
install.packages("data.table")
install.packages("tidyverse")
install.packages("leaflet")
install.packages("rgdal")
install.packages("deldir")
install.packages("sp")
install.packages("RColorBrewer")
install.packages("KernSmooth")library(readstata13)
library(data.table)
library(ggplot2)
library(tidyverse)## -- Attaching packages ---------------------------------------------------------------------------------------------- tidyverse 1.3.0 --## v tibble 3.0.3 v dplyr 1.0.2
## v tidyr 1.1.2 v stringr 1.4.0
## v readr 1.3.1 v forcats 0.5.0
## v purrr 0.3.4## -- Conflicts ------------------------------------------------------------------------------------------------- tidyverse_conflicts() --
## x dplyr::between() masks data.table::between()
## x dplyr::filter() masks stats::filter()
## x dplyr::first() masks data.table::first()
## x dplyr::lag() masks stats::lag()
## x dplyr::last() masks data.table::last()
## x purrr::transpose() masks data.table::transpose()library(leaflet)
library(rgdal)## Loading required package: sp## rgdal: version: 1.5-18, (SVN revision 1082)
## Geospatial Data Abstraction Library extensions to R successfully loaded
## Loaded GDAL runtime: GDAL 3.0.4, released 2020/01/28
## Path to GDAL shared files: C:/Users/adeus/Documents/R/win-library/4.0/rgdal/gdal
## GDAL binary built with GEOS: TRUE
## Loaded PROJ runtime: Rel. 6.3.1, February 10th, 2020, [PJ_VERSION: 631]
## Path to PROJ shared files: C:/Users/adeus/Documents/R/win-library/4.0/rgdal/proj
## Linking to sp version:1.4-4
## To mute warnings of possible GDAL/OSR exportToProj4() degradation,
## use options("rgdal_show_exportToProj4_warnings"="none") before loading rgdal.library(deldir)## deldir 0.2-2 Nickname: "Stack Smashing Detected"##
## Note 1: As of version 0.2-1, error handling in this
## package was amended to conform to the usual R protocol.
## The deldir() function now actually throws an error
## when one occurs, rather than displaying an error number
## and returning a NULL.
##
## Note 2: As of version 0.1-29 the arguments "col"
## and "lty" of plot.deldir() had their names changed to
## "cmpnt_col" and "cmpnt_lty" respectively basically
## to allow "col" and and "lty" to be passed as "..."
## arguments.
##
## Note 3: As of version 0.1-29 the "plotit" argument
## of deldir() was changed to (simply) "plot".
##
## See the help for deldir() and plot.deldir().library(sp)
library(RColorBrewer)
library(KernSmooth)## KernSmooth 2.23 loaded
## Copyright M. P. Wand 1997-2009library(sp)###P2 Descargue la base de datos de la Casen 2015. Carga esta base de datos.
casen<-read.dta13("Casen2015.dta")
casen<-data.table(casen)###P3 Crea un subconjunto de la base, que tendrá solo las variables que nos interesa analizar: folio,o,sexo,edad,region,zona,ecivil,esc,educ,pco1,ypch,ypchtot,ypchautcor,ypchtrabajo,pobreza,expr.
casen_var_int<-casen[,.(folio,o,sexo,edad,region,zona,ecivil,esc,educ,pco1,ypch,ypchtot,ypchautcor,ypchtrabajo,pobreza,expr)]###P4 Crea la variable mujer = 1 cuando sexo = mujer y mujer = 0 cuando sexo = hombre
casen_var_int$mujer = ifelse(casen_var_int$sexo == "mujer",1,0)###P5 Define experiencia laboral como la edad menos los años de escolaridad menos 6
casen_var_int$experiencialaboral = casen_var_int$edad-casen_var_int$esc-6###P6 Renombra pco1 por “relacion_jf”
casen_var_int <- rename(casen_var_int, c("relacion_jf" = "pco1"))###P1 Plantee un modelo poblacional de regresión lineal simple para poder predecir el ingreso
lineal_model<- lm(ypchtot ~ mujer , data= casen_var_int)
summary(lineal_model)##
## Call:
## lm(formula = ypchtot ~ mujer, data = casen_var_int)
##
## Residuals:
## Min 1Q Median 3Q Max
## -301243 -164110 -95630 24169 54918332
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 301243 1143 263.6 <2e-16 ***
## mujer -16773 1582 -10.6 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 408300 on 266966 degrees of freedom
## Multiple R-squared: 0.000421, Adjusted R-squared: 0.0004172
## F-statistic: 112.4 on 1 and 266966 DF, p-value: < 2.2e-16###P2 Calcule el ingreso predicho para todas las observaciones de la muestra
casen_var_int[,predicciones:=predict(lineal_model)]###P3 Calcule el residuo o error de predicción de nuestro modelo
casen_var_int[,residual:=resid(lineal_model)]###P4 Agregue variables que usted considere relevantes para estudiar las diferencias salariales entre hombres y mujeres. Interprete los coeficiente. Verifique si sus variable explicativa son significativas e interprete el R cuadrado
lineal_model2<- lm(ypchtot ~ mujer + esc + experiencialaboral, data = casen_var_int, na.action = "na.exclude")
summary(lineal_model2)##
## Call:
## lm(formula = ypchtot ~ mujer + esc + experiencialaboral, data = casen_var_int,
## na.action = "na.exclude")
##
## Residuals:
## Min 1Q Median 3Q Max
## -680382 -161925 -62791 58896 54567560
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -254566.00 3905.04 -65.19 <2e-16 ***
## mujer -27150.64 1777.23 -15.28 <2e-16 ***
## esc 42406.33 256.79 165.14 <2e-16 ***
## experiencialaboral 4866.48 51.25 94.96 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 408300 on 212338 degrees of freedom
## (54626 observations deleted due to missingness)
## Multiple R-squared: 0.1145, Adjusted R-squared: 0.1145
## F-statistic: 9155 on 3 and 212338 DF, p-value: < 2.2e-16###P5 Calcule el ingreso predicho para todas las observaciones de la muestra.
casen_var_int[,predicciones2:=predict(lineal_model2)]###P6 Calcule el residuo o error de predicción de nuestro modelo.
casen_var_int[,residual2:=resid(lineal_model2)]###P7 Cuantifica la diferencia de salario entre un hombre y una mujer, ambos con 17 años de escolaridad y 5 años de experiencia laboral
edad17<-subset(casen_var_int, edad== 17)
diferencia <-subset(edad17, experiencialaboral== 5)
Mujeres <-subset(diferencia, sexo== "mujer")
Hombres <-subset(diferencia, sexo== "hombre")
ingmuj <- mean(Mujeres$ypchtot)
inghom <- mean(Hombres$ypchtot)
diferencia <- inghom-ingmuj
### La diferencia de salario entre un hombre y una mujer, ambos con 17 años de escolaridad y 5 años de experiencia laboral es:
diferencia## [1] 61812.5Note that the echo = FALSE parameter was added to the code chunk to prevent printing of the R code that generated the plot.