INGRESOS

1 Tenemos que unir los dos ds:

dataset2006_original  <- readRDS("CASEN_2006.rds")
# Como humanos, preferimos trabajar con etiquetas que con códigos.
dataset2006  <- as_factor(dataset2006_original, only_labelled = TRUE)

2 Extraemos el diccionario del propio dataset:

data_code <- stack(attr(dataset2006_original$COMUNA, 'labels'))
names(data_code)[2] <- "COMUNA"
head(data_code,10)
##    values        COMUNA
## 1    1101       Iquique
## 2    1102        Camiña
## 3    1103      Colchane
## 4    1104         Huara
## 5    1105          Pica
## 6    1106  Pozo Almonte
## 7    1107 Alto Hospicio
## 8    1201         Arica
## 9    1202     Camarones
## 10   1301         Putre

3 Invertimos el orden y asignamos los codigos correctos:

data_code <- data_code[,c(2,1)]
# data_code
    data_code[270,2]<-11201
    data_code[8,2]<-15101
    data_code[178,2]<-16102
    data_code[9,2]<-15102
    data_code[2,2]<-1402
    data_code[177,2]<-16101
    data_code[182,2]<-16103
    data_code[96,2]<-6303
    data_code[179,2]<-16202
    data_code[180,2]<-16203
    data_code[181,2]<-16302
    data_code[3,2]<-1403
    data_code[287,2]<-13104
    data_code[261,2]<-14102
    data_code[183,2]<-16104
    data_code[262,2]<-14202
    data_code[11,2]<-15202
    data_code[4,2]<-1404
    data_code[292,2]<-13110
    data_code[263,2]<-14201
    data_code[264,2]<-14203
    data_code[265,2]<-14103
    data_code[66,2]<-5802
    data_code[266,2]<-14104
    data_code[267,2]<-14105
    data_code[268,2]<-14106
    data_code[89,2]<-6110
    data_code[184,2]<-16204
    data_code[185,2]<-16303
    data_code[68,2]<-5803
    data_code[271,2]<-14107
    data_code[272,2]<-14108
    data_code[186,2]<-16105
    data_code[5,2]<-1405
    data_code[187,2]<-16106
    data_code[188,2]<-16205
    data_code[6,2]<-1401
    data_code[10,2]<-15201
    data_code[246,2]<-16107
    data_code[49,2]<-5801
    data_code[92,2]<-6114
    data_code[190,2]<-16201
    data_code[191,2]<-16206
    data_code[273,2]<-14204
    data_code[192,2]<-16301
    data_code[193,2]<-16304
    data_code[194,2]<-16108
    data_code[195,2]<-16305
    data_code[286,2]<-13505
    data_code[196,2]<-16207
    data_code[260,2]<-14101
    data_code[51,2]<-5804
    data_code[197,2]<-16109

#    data_code

4 Hacemos la unión entre la base de datos original y el diccionario:

dataset2006 = merge( x = dataset2006, y = data_code, by = "COMUNA", all.x = TRUE)
# pasamos los valores a las etiquetas:
dataset2006  <- as_factor(dataset2006, only_labelled = TRUE)

5 Generamos la tabla de frecuencias con los promedios de ingreso:

dataset2006  <- as_factor(dataset2006, only_labelled = TRUE)
promedios_grupales <-aggregate(dataset2006$YAUTHAJ, by=list(dataset2006$COMUNA, dataset2006$T4, dataset2006$SEXO), FUN = mean , na.rm = TRUE)
names(promedios_grupales)[1] <- "comuna"
promedios_grupales$anio <- "2006"
# head(promedios_grupales,5)

6 Hacemos un último merge para adjuntar el código comunal:

names(data_code)[1] <- "comuna"
dataset2006 = merge( x = promedios_grupales, y = data_code, by = "comuna", all.x = TRUE)
 #   dataset2006

head(dataset2006,20)
##             comuna                               Group.2 Group.3
## 1            Aisén No pertenece a ningún pueblo indígena   Mujer
## 2            Aisén                              Kawaskar  Hombre
## 3            Aisén                               Mapuche   Mujer
## 4            Aisén No pertenece a ningún pueblo indígena  Hombre
## 5            Aisén                              Kawaskar   Mujer
## 6            Aisén                               Mapuche  Hombre
## 7        Algarrobo                               Mapuche   Mujer
## 8        Algarrobo No pertenece a ningún pueblo indígena   Mujer
## 9        Algarrobo                               Mapuche  Hombre
## 10       Algarrobo                             Atacameño  Hombre
## 11       Algarrobo No pertenece a ningún pueblo indígena  Hombre
## 12           Alhué No pertenece a ningún pueblo indígena   Mujer
## 13           Alhué                               Mapuche  Hombre
## 14           Alhué No pertenece a ningún pueblo indígena  Hombre
## 15           Alhué                               Mapuche   Mujer
## 16    Alto Bío Bío No pertenece a ningún pueblo indígena  Hombre
## 17    Alto Bío Bío                               Mapuche  Hombre
## 18    Alto Bío Bío                               Mapuche   Mujer
## 19    Alto Bío Bío No pertenece a ningún pueblo indígena   Mujer
## 20 Alto del Carmen                              Diaguita  Hombre
##    mean.dataset2006$YAUTHAJ anio values
## 1                  627172.9 2006  11201
## 2                  323200.0 2006  11201
## 3                  412725.5 2006  11201
## 4                  681243.3 2006  11201
## 5                  323200.0 2006  11201
## 6                  504442.6 2006  11201
## 7                  205818.8 2006   5602
## 8                  510402.4 2006   5602
## 9                  365769.3 2006   5602
## 10                 388600.0 2006   5602
## 11                 530809.9 2006   5602
## 12                 376681.9 2006  13502
## 13                 920051.5 2006  13502
## 14                 391196.3 2006  13502
## 15                 250270.7 2006  13502
## 16                 295193.1 2006  16101
## 17                 211050.1 2006  16101
## 18                 222860.0 2006  16101
## 19                 347135.5 2006  16101
## 20                 477949.0 2006   3302
write_xlsx(dataset2006,"ingresos_auto_etnia_2006.xlsx")