Variables ingreso en la Casen

Revisión de tablas de contingencia generadas sobre 4 categorías de ingreso

DataIntelligence

Abstract

Ya tenemos las tablas de contingencia para las 4 variables que hemos seleccionado como las más relevantes en un artículo previo. Ahora, revisamos y corregimos el diseño de las categorías de respuesta para las preguntas referidas a Alfabetismo.

1 Introducción

2 Enmienda a las categorías de alfabetismo

3 Gráficos

var_ytotaj <- readRDS("variables_ingreso_migra/ytotaj_migra.rds")
# var_ytotaj
var_yautaj <- readRDS("variables_ingreso_migra/yautaj_migra.rds")
# var_yautaj
var_yopraj <- readRDS("variables_ingreso_migra/yopraj_migra.rds")
# var_yopraj
var_ytrabaj <- readRDS("variables_ingreso_migra/ytrabaj_migra.rds")
# var_ytrabaj

1. Introdución

En este artículo se hara una revisión completa a las tablas de contingencia generadas. En específico, sobre las categorías de respuesta a las preguntas sobre a alfabetismo.

2. Enmienda a las categorías de alfabetismo

A la respuesta de la pregunta ¿Sabe leer?, la Casen del 2011 entrega 4 categorías de respuesta. Éstas categorías no son constantes pues se le agregan otras o son modificadas en las Casen posteriores. En nuestra tabla de contingencia relacionada al ingreso YTOTAJ, éstas categorías se distribuyen en los siguientes porcentajes:

Primero veamos el contenido de la ttcc en cuestión.

head(var_ytotaj,5)%>%
kbl()%>%
kable_classic(full_width = F, html_font = "Cambria")

Comuna	Alfabetismo	Migración	Sexo	Promedio del Ingreso	Desviación standard	Gini	Año	Código
Alhué	Sí, lee y escribe	Perú	Mujer	62120	NA	0.0000000	2011	13502
Alhué	Sí, lee y escribe	Ecuador	Mujer	287965	NA	0.0000000	2011	13502
Alhué	Sí, lee y escribe	Argentina	Mujer	214305	38855.52	0.0641026	2011	13502
Alhué	Sí, lee y escribe	Argentina	Hombre	58535	72641.08	0.4387546	2011	13502
Alto Biobío	Sí, lee y escribe	Argentina	Mujer	307720	NA	0.0000000	2011	08314

Categorías y porcentajes de analfabetismo por año para YTOTAJ

alfa_gene <- function(n){
  
 x<-switch(n,"2011","2013","2015","2017")
  for(i in x){
    
  var <- filter(var_ytotaj, var_ytotaj$Año == x)
  a <- nrow(var)
  my_summary_data <- var %>%
    group_by(Alfabetismo) %>%
    summarise(Porcentaje = n()*100/a)
  
  print(my_summary_data)
  return(my_summary_data)
  }
 
}

Al revisar los porcentajes de alfabetismo de las tablas de contingencias por etnia hay una notable diferencia al compararla con los porcentajes de alfabetismo de las tablas de contingencia por migración

for (n in 1:4){
  alfa_gene(n)
  
}

## `summarise()` ungrouping output (override with `.groups` argument)

## # A tibble: 4 x 2
##   Alfabetismo       Porcentaje
##   <fct>                  <dbl>
## 1 Sí, lee y escribe     95.3  
## 2 No, sólo lee           1.67 
## 3 No, sólo escribe       0.139
## 4 No, ninguno            2.92

## `summarise()` ungrouping output (override with `.groups` argument)

## # A tibble: 4 x 2
##   Alfabetismo       Porcentaje
##   <fct>                  <dbl>
## 1 Sí, lee y escribe     94.7  
## 2 No, sólo lee           2.53 
## 3 No, sólo escribe       0.267
## 4 No, ninguno            2.53

## `summarise()` ungrouping output (override with `.groups` argument)

## # A tibble: 3 x 2
##   Alfabetismo       Porcentaje
##   <fct>                  <dbl>
## 1 Sí, lee y escribe      97.3 
## 2 No, sólo lee            1.35
## 3 No, ninguno             1.35

## `summarise()` ungrouping output (override with `.groups` argument)

## # A tibble: 5 x 2
##   Alfabetismo       Porcentaje
##   <fct>                  <dbl>
## 1 Sí, lee y escribe     94.5  
## 2 No, sólo lee           1.75 
## 3 No, sólo escribe       0.973
## 4 No, ninguno            2.63 
## 5 No sabe/responde       0.195

alfabetismo <- read_xlsx("alfabetismo_unicos.xlsx")
head(alfabetismo,9)%>%
kbl()%>%
kable_classic(full_width = F, html_font = "Cambria")

Alfabetismo	cat_alfa
Sí	Sí
No	No
No sabe /Sin dato	NS/NR
Sí, lee y escribe	Sí
No, sólo lee	No
No, ninguno	No
No, sólo escribe	No
NS/NR	NS/NR
No sabe/responde	NS/NR

nuevas_cat = merge( x = var_ytotaj, y = alfabetismo, by = "Alfabetismo", all.x = TRUE)
ytotaj_mig_alf_corr <- nuevas_cat[,c(-1)]
head(ytotaj_mig_alf_corr,5)%>%
kbl()%>%
kable_classic(full_width = F, html_font = "Cambria")

Comuna	Migración	Sexo	Promedio del Ingreso	Desviación standard	Gini	Año	Código	cat_alfa
Iquique	Bolivia	Hombre	274167	NA	0	2017	01101	NS/NR
Antofagasta	Bolivia	Mujer	120000	NA	0	2017	02101	NS/NR
Aysén	Argentina	Mujer	105350	NA	0	2013	11201	No
Alto Hospicio	Bolivia	Mujer	150000	NA	0	2011	01107	No
Alto Hospicio	Bolivia	Hombre	290000	NA	0	2015	01107	No

# saveRDS(ytotaj_mig_alf_corr,"variables_ingreso_migra/ytotaj_mig_alf_corr.rds")

nuevas_cat = merge( x = var_yautaj, y = alfabetismo, by = "Alfabetismo", all.x = TRUE)
yautaj_mig_alf_corr <- nuevas_cat[,c(-1)]
head(yautaj_mig_alf_corr,5)%>%
kbl()%>%
kable_classic(full_width = F, html_font = "Cambria")

Comuna	Migración	Sexo	Promedio del Ingreso	Desviación standard	Gini	Año	Código	cat_alfa
Antofagasta	Bolivia	Mujer	120000	NA	0	2017	02101	NS/NR
Iquique	Bolivia	Hombre	274167	NA	0	2017	01101	NS/NR
Yerbas Buenas	Haití	Hombre	300000	NA	0	2017	07408	No
Alto Hospicio	Bolivia	Mujer	150000	NA	0	2011	01107	No
Antofagasta	España	Mujer	160000	NA	0	2013	02101	No

# saveRDS(yautaj_mig_alf_corr,"variables_ingreso_migra/yautaj_mig_alf_corr.rds")

nuevas_cat = merge( x = var_yopraj, y = alfabetismo, by = "Alfabetismo", all.x = TRUE)
yopraj_mig_alf_corr <- nuevas_cat[,c(-1)]
head(yopraj_mig_alf_corr,5)%>%
kbl()%>%
kable_classic(full_width = F, html_font = "Cambria")

Comuna	Migración	Sexo	Promedio del Ingreso	Desviación standard	Gini	Año	Código	cat_alfa
Antofagasta	Bolivia	Mujer	120000	NA	0.000	2017	02101	NS/NR
Iquique	Bolivia	Hombre	270000	NA	0.000	2017	01101	NS/NR
Cunco	No contesta	Hombre	64000	22627.42	0.125	2015	09103	No
Natales	Argentina	Hombre	197820	NA	0.000	2011	12401	No
Putre	Israel	Hombre	90000	NA	0.000	2013	15201	No

# saveRDS(yopraj_mig_alf_corr,"variables_ingreso_migra/yopraj_mig_alf_corr.rds")

nuevas_cat = merge( x = var_ytrabaj, y = alfabetismo, by = "Alfabetismo", all.x = TRUE)
ytrabaj_mig_alf_corr <- nuevas_cat[,c(-1)]
head(ytrabaj_mig_alf_corr,5)%>%
kbl()%>%
kable_classic(full_width = F, html_font = "Cambria")

Comuna	Migración	Sexo	Promedio del Ingreso	Desviación standard	Gini	Año	Código	cat_alfa
Iquique	Bolivia	Hombre	270000	NA	0	2017	01101	NS/NR
Antofagasta	Bolivia	Mujer	120000	NA	0	2017	02101	NS/NR
Putre	Bolivia	Mujer	220000	NA	0	2017	15201	No
Putre	Israel	Hombre	90000	NA	0	2013	15201	No
Graneros	Bolivia	Hombre	300000	NA	0	2017	06106	No

# saveRDS(ytrabaj_mig_alf_corr,"variables_ingreso_migra/ytrabaj_mig_alf_corr.rds")

Gráficos

Promedio del ingreso total global

## Promedio del ingreso total global por año

## Promedio del ingreso total global por migración

Promedio del ingreso autónomo global

## Promedio del ingreso autónomo global por año

## Promedio del ingreso autónomo global por migración

Promedio del ingreso de la ocupacion principal global

## Promedio del ingreso de la ocupacion principal global por año

## Promedio del ingreso de la ocupacion principal global por migración

Promedio del ingreso del trabajo global

## Promedio del ingreso del trabajo por año

## Promedio del ingreso del trabajo por migración