Gasto en menstruaciĆ³n en base a ENGHo 2017/2018 (INDEC)
El siguiente cĆ³digo fue elaborado para una tesis de grado sobre menstruaciĆ³n y economĆa feminista. Los datos pertenecen a la Encuesta Nacional de Gasto de los Hogares realizada entre noviembre de 2017 y noviembre de 2018 por el INDEC. Los datos se publicaron en 2020.
El objetivo es conocer la estructura de gastos de les argentines, motivo por el cual los montos y cantidades relevadas se transformaron para representar valores anuales. Por lo mismo, los datos en tĆ©rminos absolutos pierden vigencia con el paso del tiempo. Se busca realizar un informe que compare las estructuras de gasto en productos de gestiĆ³n menstrual entre distintos hogares, y con respecto a otros gastos que los mismos realizan.
##Datasets y librerĆas
library(tidyverse)
library(readr)
library(kableExtra)
library(magick)
library(scales)
library(rmarkdown)
gastos <- read_delim("engho2018_gastos.txt", "|")
personas <- read_delim("engho2018_personas.txt", "|")
hogares <- read_delim("engho2018_hogares.txt", "|")
articulos <- read_delim("engho2018_articulos.txt", "|") Se intenta obtener informaciĆ³n acerca de los gastos vinculados a hogares y tambiĆ©n a personas, por lo que se busca unir las bases a travĆ©s de sus claves primarias: id y miembro. Se deben obtener 901.804 observaciones (el total de observaciones de la base de gastos) con toda la informaciĆ³n de hogares y personas. Se obtienen 225 variables (columnas)
##UniĆ³n entre las bases
base <- left_join(gastos, personas, by = c ("id", "miembro")) %>%
left_join(., hogares, by = "id") %>%
group_by(miembro, id) %>%
mutate(.,
sexo = case_when(miembro == 0 ~ "hogar",
cp13 == 1 ~ "VarĆ³n",
cp13 == 2 ~ "Mujer"))La variable āsexoā presenta tres valores posibles: mujer, varĆ³n y un tercer valor que se corresponde con gastos realizados por algĆŗn miembro para uso comĆŗn de todo el hogar. Bajo este valor dentro de la categorĆa sexo se encuentran todos los gastos en productos de gestiĆ³n menstrual que se relevaron. Es por esto que de ahora en mĆ”s se filtra el tipo de gasto computado como gasto de hogar. A su vez, en el caso de los registros de gastos realizados para satisfacer las necesidades comunes del hogar, la variable MIEMBRO tendrĆ” valor 0. Este valor se renombra como hogar para poder ser identificado en el resto del trabajo.
A continuaciĆ³n se realiza un recorte en la base madre filtrando solo los productos de gestiĆ³n menstrual (PGM). Estos sĆ³lo se encuentran entre aquellos registros cuyo sexo es āhogarā, es decir, comom gastos de uso comĆŗn del hogar.
##Base Productos de GestiĆ³n Menstrual computados como gasto de hogar
base_pgm <- base %>%
filter(sexo == "hogar") %>%
mutate(.,
articulo = ifelse(articulo == "A1213108", "pgm", articulo)) %>%
filter(articulo == "pgm")
base_pgm_hogares <- base_pgm %>%
group_by(id) %>%
summarise(monto = sum(monto)) %>%
left_join(., hogares, by = "id") %>%
mutate(monto_pc = monto/cantmiem)##Hogares que tienen gastos computados en PGM
h_pgm <- base_pgm_hogares %>%
summarise(sum(pondera))
E <- (858573/12642525)*100
M <- (1355/21547)*100Se realizan distintas tablas con el gasto promedio de pgm computado para el hogar segĆŗn variables de interĆ©s.
##Region
pgm_region <- base_pgm_hogares %>%
mutate(.,
region = case_when(region == 1 ~ "Metropolitana", #Renombro las regiones
region == 2 ~ "Pampeana",
region == 3 ~ "Noroeste",
region == 4 ~ "Noreste",
region == 5 ~ "Cuyo",
region == 6 ~ "Patagonia"))%>%
group_by(region) %>% #Agrupo por regiĆ³n
summarise(monto = weighted.mean(monto, pondera)) #Saco el promedio ponderado del monto por region##Region per capita
region_pc <- base_pgm_hogares %>%
mutate(.,
region = case_when(region == 1 ~ "Metropolitana", #Renombro las regiones
region == 2 ~ "Pampeana",
region == 3 ~ "Noroeste",
region == 4 ~ "Noreste",
region == 5 ~ "Cuyo",
region == 6 ~ "Patagonia"))%>%
group_by(region) %>% #Agrupo por regiĆ³n
summarise(monto_pc = weighted.mean(monto_pc, pondera)) #Saco el promedio del monto por region##Colores
colores <- c("#F94144", "#F3722C", "#F8961E", "#90BE6D", "#43AA8B", "#577590") #para regiones - discreta
paleta <- c("#641220", "#6E1423", "#85182A", "#A11D33", "#A71E34", "#B21E35", "#BD1F36", "#C71F37", "#DA1E37", "#E01E37") #para escalas continuas##Tabla 1
indice_region <- pgm_region %>%
mutate(.,
"RegiĆ³n" = region,
Monto = round(monto, 1),
indice = round(monto/first(monto) * 100),
"Ćndice" = indice) %>%
arrange(desc(indice))
tabla_indice <- indice_region [, c (3, 4, 6)]
tabla1 <- tabla_indice %>%
knitr::kable(align = "lcc", caption = "Fuente: ElaboraciĆ³n propia en base a ENGHo 2017/18 - INDEC", digits = 2) %>%
kable_styling(c ("responsive", "striped", "hovered"), full_width = F, position = "center",
fixed_thead = T, font_size = 18) %>%
column_spec(1, width = "5cm") %>%
column_spec(2, width = "5cm") %>%
column_spec(3, bold = TRUE, width = "5cm") %>%
row_spec(0, bold = T, color = "white", background = paleta[7])
print(tabla1)## <table class="table table-responsive table-striped" style="font-size: 18px; width: auto !important; margin-left: auto; margin-right: auto;">
## <caption style="font-size: initial !important;">Fuente: ElaboraciĆ³n propia en base a ENGHo 2017/18 - INDEC</caption>
## <thead>
## <tr>
## <th style="text-align:left;position: sticky; top:0; background-color: #FFFFFF;font-weight: bold;color: white !important;background-color: #BD1F36 !important;"> RegiĆ³n </th>
## <th style="text-align:center;position: sticky; top:0; background-color: #FFFFFF;font-weight: bold;color: white !important;background-color: #BD1F36 !important;"> Monto </th>
## <th style="text-align:center;position: sticky; top:0; background-color: #FFFFFF;font-weight: bold;color: white !important;background-color: #BD1F36 !important;"> Ćndice </th>
## </tr>
## </thead>
## <tbody>
## <tr>
## <td style="text-align:left;width: 5cm; "> Metropolitana </td>
## <td style="text-align:center;width: 5cm; "> 330.0 </td>
## <td style="text-align:center;width: 5cm; font-weight: bold;"> 122 </td>
## </tr>
## <tr>
## <td style="text-align:left;width: 5cm; "> Patagonia </td>
## <td style="text-align:center;width: 5cm; "> 322.4 </td>
## <td style="text-align:center;width: 5cm; font-weight: bold;"> 119 </td>
## </tr>
## <tr>
## <td style="text-align:left;width: 5cm; "> Cuyo </td>
## <td style="text-align:center;width: 5cm; "> 270.4 </td>
## <td style="text-align:center;width: 5cm; font-weight: bold;"> 100 </td>
## </tr>
## <tr>
## <td style="text-align:left;width: 5cm; "> Pampeana </td>
## <td style="text-align:center;width: 5cm; "> 264.7 </td>
## <td style="text-align:center;width: 5cm; font-weight: bold;"> 98 </td>
## </tr>
## <tr>
## <td style="text-align:left;width: 5cm; "> Noroeste </td>
## <td style="text-align:center;width: 5cm; "> 241.4 </td>
## <td style="text-align:center;width: 5cm; font-weight: bold;"> 89 </td>
## </tr>
## <tr>
## <td style="text-align:left;width: 5cm; "> Noreste </td>
## <td style="text-align:center;width: 5cm; "> 227.2 </td>
## <td style="text-align:center;width: 5cm; font-weight: bold;"> 84 </td>
## </tr>
## </tbody>
## </table>GrƔficos que se desprenden del ejercicio anterior:
##Grafico por regiones
ggplot(data = pgm_region, aes(x = reorder(region, monto), y = monto, fill = region)) +
scale_fill_manual(values = colores)+
geom_bar(stat="identity", position="dodge")+
labs( x = "", y = "Monto en pesos", fill = "RegiĆ³n",
title ="",
caption = "ElaboraciĆ³n propia en base a INDEC. Encuesta Nacional de Gastos de los Hogares 2017-2018.")+
guides(fill = "none")+
theme_minimal()+
theme(text = element_text(size = 14))
##Grafico por regiones per capita
ggplot(data = region_pc, aes(x = reorder(region, monto_pc), y = monto_pc, fill = region)) +
scale_fill_manual(values = colores)+
geom_bar(stat = "identity", position = "dodge")+
labs( x = "", y = "Monto en pesos", fill = "RegiĆ³n",
title ="",
caption = "ElaboraciĆ³n propia en base a INDEC. Encuesta Nacional de Gastos de los Hogares 2017-2018.")+
guides(fill = "none")+
theme_minimal()+
theme(text = element_text(size = 14))
##ComparaciĆ³n con las CBT regionales
cbt18 <- read_delim(file = "cbt_2018.csv", ",")
canastas <- left_join(pgm_region, cbt18, by = "region") %>%
mutate(.,
"RegiĆ³n" = region,
Monto = round(monto, 1),
"Canasta Promedio" = round(canprom18, 1),
proporcion = (paste(round(monto/canprom18, digits = 4)*100, "%")),
"ProporciĆ³n PGM" = proporcion) %>%
arrange(desc(proporcion))
#Tabla 2
tabla_canastas <- canastas [, c(16, 17, 18, 20)]
tabla2 <- tabla_canastas %>%
knitr::kable(align = "lccc", caption = "Fuente: ElaboraciĆ³n propia en base a ENGHo 2017/18 - INDEC", digits = 2) %>%
kable_styling(c ("striped", "hover", "responsive"), full_width = F, position = "center",
fixed_thead = T, font_size = 18) %>%
column_spec(1, width = "4cm") %>%
column_spec(2, width = "2cm") %>%
column_spec(3, width = "6cm") %>%
column_spec(4, bold = TRUE, width = "6cm") %>%
row_spec(0, bold = T, color = "white", background = paleta[7])
print(tabla2)## <table class="table table-striped table-hover table-responsive" style="font-size: 18px; width: auto !important; margin-left: auto; margin-right: auto;">
## <caption style="font-size: initial !important;">Fuente: ElaboraciĆ³n propia en base a ENGHo 2017/18 - INDEC</caption>
## <thead>
## <tr>
## <th style="text-align:left;position: sticky; top:0; background-color: #FFFFFF;font-weight: bold;color: white !important;background-color: #BD1F36 !important;"> RegiĆ³n </th>
## <th style="text-align:center;position: sticky; top:0; background-color: #FFFFFF;font-weight: bold;color: white !important;background-color: #BD1F36 !important;"> Monto </th>
## <th style="text-align:center;position: sticky; top:0; background-color: #FFFFFF;font-weight: bold;color: white !important;background-color: #BD1F36 !important;"> Canasta Promedio </th>
## <th style="text-align:center;position: sticky; top:0; background-color: #FFFFFF;font-weight: bold;color: white !important;background-color: #BD1F36 !important;"> ProporciĆ³n PGM </th>
## </tr>
## </thead>
## <tbody>
## <tr>
## <td style="text-align:left;width: 4cm; "> Metropolitana </td>
## <td style="text-align:center;width: 2cm; "> 330.0 </td>
## <td style="text-align:center;width: 6cm; "> 5883.1 </td>
## <td style="text-align:center;width: 6cm; font-weight: bold;"> 5.61 % </td>
## </tr>
## <tr>
## <td style="text-align:left;width: 4cm; "> Noroeste </td>
## <td style="text-align:center;width: 2cm; "> 241.4 </td>
## <td style="text-align:center;width: 6cm; "> 4739.0 </td>
## <td style="text-align:center;width: 6cm; font-weight: bold;"> 5.09 % </td>
## </tr>
## <tr>
## <td style="text-align:left;width: 4cm; "> Cuyo </td>
## <td style="text-align:center;width: 2cm; "> 270.4 </td>
## <td style="text-align:center;width: 6cm; "> 5584.7 </td>
## <td style="text-align:center;width: 6cm; font-weight: bold;"> 4.84 % </td>
## </tr>
## <tr>
## <td style="text-align:left;width: 4cm; "> Patagonia </td>
## <td style="text-align:center;width: 2cm; "> 322.4 </td>
## <td style="text-align:center;width: 6cm; "> 6886.9 </td>
## <td style="text-align:center;width: 6cm; font-weight: bold;"> 4.68 % </td>
## </tr>
## <tr>
## <td style="text-align:left;width: 4cm; "> Noreste </td>
## <td style="text-align:center;width: 2cm; "> 227.2 </td>
## <td style="text-align:center;width: 6cm; "> 4908.2 </td>
## <td style="text-align:center;width: 6cm; font-weight: bold;"> 4.63 % </td>
## </tr>
## <tr>
## <td style="text-align:left;width: 4cm; "> Pampeana </td>
## <td style="text-align:center;width: 2cm; "> 264.7 </td>
## <td style="text-align:center;width: 6cm; "> 5835.2 </td>
## <td style="text-align:center;width: 6cm; font-weight: bold;"> 4.54 % </td>
## </tr>
## </tbody>
## </table>##ActualizaciĆ³n por IPC hogares enero 2018-octubre 2020
ipc_enero18 <- read_delim(file = "ipc_enero18.csv", ",")
ipc_h_0118 <- left_join(pgm_region, ipc_enero18, by = "region") %>%
mutate(vp_ng = (monto*ipc_ng),
vp_bsv = (monto*ipc_bsv),
vp_cp = (monto*ipc_cp),
anual = (vp_cp*12),
prom_nacional = (mean(anual)))
ipc_ene18h <- ipc_h_0118 [, c(1, 2, 6, 9, 10)]##Actualizacion por IPC per capita
ipc_ene18pc <- left_join(region_pc, ipc_enero18, by = "region") %>%
mutate(vp_ng = (monto_pc*ipc_ng),
vp_bsv = (monto_pc*ipc_bsv),
vp_cp = (monto_pc*ipc_cp),
anual_pc = (vp_cp*12),
prom_nacional = (mean(anual_pc)))
ipc_pcene18 <- ipc_ene18pc [, c(1, 2, 8, 9, 10)]ipc_mayo18 <- read_delim(file = "ipc_mayo18.csv", ",")
ipc_mayo18pc <- left_join(region_pc, ipc_mayo18, by = "region") %>%
mutate(vp_ng = (monto_pc*ipc_ng1),
vp_bsv = (monto_pc*ipc_bsv1),
vp_cp = (monto_pc*ipc_cp1),
anual_pc = (vp_cp*12),
prom_nacional = (mean(anual_pc)))
tabla_ipc <- ipc_mayo18pc %>%
mutate(.,
"RegiĆ³n" = region,
"Monto per cƔpita" = round(monto_pc, 2),
"Valor presente mensual" = round(vp_cp, 2),
vp_anual = round(anual_pc, 2),
"Valor presente anual" = vp_anual,
"Promedio nacional anual" = round(prom_nacional, 2)) %>%
arrange(desc(vp_anual))
tabla_ipc <- tabla_ipc [, c(11:13, 15, 16)]ipc_nov18 <- read_delim(file = "ipc_nov18.csv", ",")
ipc_nov18pc <- left_join(region_pc, ipc_nov18, by = "region") %>%
mutate(vp_ng = (monto_pc*ipc_ng2),
vp_bsv = (monto_pc*ipc_bsv2),
vp_cp = (monto_pc*ipc_cp2),
anual_pc = (vp_cp*12),
prom_nacional = (mean(anual_pc)))
ipc_pcnov18 <- ipc_nov18pc [, c(1, 2, 8, 9, 10)]##Tabla 3
tabla3 <- tabla_ipc %>%
knitr::kable(align = "lcccc", caption = "Fuente: ElaboraciĆ³n propia en base a ENGHo 2017/18 - INDEC") %>%
kable_styling(c ("striped", "hover", "responsive"), full_width = F, position = "center",
fixed_thead = T, font_size = 20) %>%
column_spec(1, width = "4cm") %>%
column_spec(2, width = "4cm") %>%
column_spec(3, width = "4cm") %>%
column_spec(4, bold = TRUE, width = "4cm") %>%
column_spec(5, width = "4cm") %>%
row_spec(0, bold = T, color = "white", background = paleta[7])
print(tabla3)## <table class="table table-striped table-hover table-responsive" style="font-size: 20px; width: auto !important; margin-left: auto; margin-right: auto;">
## <caption style="font-size: initial !important;">Fuente: ElaboraciĆ³n propia en base a ENGHo 2017/18 - INDEC</caption>
## <thead>
## <tr>
## <th style="text-align:left;position: sticky; top:0; background-color: #FFFFFF;font-weight: bold;color: white !important;background-color: #BD1F36 !important;"> RegiĆ³n </th>
## <th style="text-align:center;position: sticky; top:0; background-color: #FFFFFF;font-weight: bold;color: white !important;background-color: #BD1F36 !important;"> Monto per cƔpita </th>
## <th style="text-align:center;position: sticky; top:0; background-color: #FFFFFF;font-weight: bold;color: white !important;background-color: #BD1F36 !important;"> Valor presente mensual </th>
## <th style="text-align:center;position: sticky; top:0; background-color: #FFFFFF;font-weight: bold;color: white !important;background-color: #BD1F36 !important;"> Valor presente anual </th>
## <th style="text-align:center;position: sticky; top:0; background-color: #FFFFFF;font-weight: bold;color: white !important;background-color: #BD1F36 !important;"> Promedio nacional anual </th>
## </tr>
## </thead>
## <tbody>
## <tr>
## <td style="text-align:left;width: 4cm; "> Metropolitana </td>
## <td style="text-align:center;width: 4cm; "> 127.90 </td>
## <td style="text-align:center;width: 4cm; "> 447.64 </td>
## <td style="text-align:center;width: 4cm; font-weight: bold;"> 5371.63 </td>
## <td style="text-align:center;width: 4cm; "> 4097.97 </td>
## </tr>
## <tr>
## <td style="text-align:left;width: 4cm; "> Patagonia </td>
## <td style="text-align:center;width: 4cm; "> 104.82 </td>
## <td style="text-align:center;width: 4cm; "> 377.35 </td>
## <td style="text-align:center;width: 4cm; font-weight: bold;"> 4528.20 </td>
## <td style="text-align:center;width: 4cm; "> 4097.97 </td>
## </tr>
## <tr>
## <td style="text-align:left;width: 4cm; "> Pampeana </td>
## <td style="text-align:center;width: 4cm; "> 102.08 </td>
## <td style="text-align:center;width: 4cm; "> 357.29 </td>
## <td style="text-align:center;width: 4cm; font-weight: bold;"> 4287.51 </td>
## <td style="text-align:center;width: 4cm; "> 4097.97 </td>
## </tr>
## <tr>
## <td style="text-align:left;width: 4cm; "> Cuyo </td>
## <td style="text-align:center;width: 4cm; "> 91.07 </td>
## <td style="text-align:center;width: 4cm; "> 327.84 </td>
## <td style="text-align:center;width: 4cm; font-weight: bold;"> 3934.06 </td>
## <td style="text-align:center;width: 4cm; "> 4097.97 </td>
## </tr>
## <tr>
## <td style="text-align:left;width: 4cm; "> Noroeste </td>
## <td style="text-align:center;width: 4cm; "> 75.16 </td>
## <td style="text-align:center;width: 4cm; "> 270.57 </td>
## <td style="text-align:center;width: 4cm; font-weight: bold;"> 3246.84 </td>
## <td style="text-align:center;width: 4cm; "> 4097.97 </td>
## </tr>
## <tr>
## <td style="text-align:left;width: 4cm; "> Noreste </td>
## <td style="text-align:center;width: 4cm; "> 72.51 </td>
## <td style="text-align:center;width: 4cm; "> 268.30 </td>
## <td style="text-align:center;width: 4cm; font-weight: bold;"> 3219.58 </td>
## <td style="text-align:center;width: 4cm; "> 4097.97 </td>
## </tr>
## </tbody>
## </table>##Quintiles de gasto por hogar
quintiles <- base_pgm_hogares %>%
group_by(quigapht) %>%
summarise(monto = weighted.mean(monto, pondera))
#Grafico
ggplot(data = quintiles, aes(x = reorder(quigapht, monto), y = monto, fill = quigapht)) +
scale_fill_gradient(low = "#641220", high = "#E01E37")+
geom_bar(stat="identity", position="stack")+
labs( x = "", y = "Monto en pesos", fill = "Quintil de Gasto",
title ="",
caption = "ElaboraciĆ³n propia en base a INDEC. Encuesta Nacional de Gastos de los Hogares 2017-2018.")+
guides(fill = "none")+
theme_minimal()+
theme(text = element_text(size = 14))
##Quintiles per cƔpita
quintiles_pc <- base_pgm_hogares %>%
group_by(quigapht) %>%
summarise(monto_pc = weighted.mean(monto_pc, pondera))
#Grafico
ggplot(data = quintiles_pc, aes(x = reorder(quigapht, monto_pc), y = monto_pc, fill = quigapht)) +
scale_fill_gradient(low = "#641220", high = "#E01E37")+
geom_bar(stat="identity", position="stack")+
labs( x = "", y = "Monto en pesos", fill = "Quintil de Gasto",
title ="",
caption = "ElaboraciĆ³n propia en base a INDEC. Encuesta Nacional de Gastos de los Hogares 2017-2018.")+
guides(fill = "none")+
theme_minimal()+
theme(text = element_text(size = 14))
##Clima Educativo
clima <- base_pgm_hogares %>%
mutate(.,
clima_educativo = case_when(clima_educativo == 1 ~ "Muy bajo",
clima_educativo == 2 ~ "Bajo",
clima_educativo == 3 ~ "Medio",
clima_educativo == 4 ~ "Alto",
clima_educativo == 5 ~ "Muy alto")) %>%
group_by(clima_educativo)%>%
summarise(monto = weighted.mean(monto, pondera))
#Grafico
ggplot(data = clima, aes(x = reorder(clima_educativo, monto), y = monto, fill = clima_educativo)) +
geom_bar(stat = "identity", position = "dodge")+
scale_fill_manual(values = colores)+
labs( x = "", y = "Monto en pesos", fill = "Clima educativo del Hogar",
title ="",
caption = "ElaboraciĆ³n propia en base a INDEC. Encuesta Nacional de Gastos de los Hogares 2017-2018.")+
guides(fill = "none")+
theme_minimal()+
theme(text = element_text(size = 14))