1 Introducción

2 Enmienda a las categorías de alfabetismo

3 Gráficos



1. Introdución

Recordemos que las variables que consideramos más relevantes y que por lo tanto utilizaremos son:

variable de ingreso
Ingreso total Ingreso autónomo Ingreso del trabajo Ingreso de la ocupación principal
año
2017 ytotcor yautcor ytrabajocor yoprcor
2015 ytotcor yautcor ytrabajocor yoprcor
2013 ytotcor yautcor ytrabajocor yoprcor
2011 ytotaj yautaj ytrabaj yopraj
2009 ytotaj yautaj ytrabaj yopraj
2006 ytotaj yautaj ytrabaj yopraj

En este artículo se hará una revisión a las tablas de contingencia generadas sobre el set de categorías de Comuna-Sexo-Migra-Alfabetismo. En específico, secorregira la categoría de respuesta a la pregunta Sabe Leer?

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

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 las categorías en las tablas de contingencia, nos encontramos que la totalidad estadística pertenece a la categoría “Sí, lee y escribe”. Si bien esto no indica frecuencias de individuos sino que de categorías, de todas maneras revela que la población inmigrante es mas letrada que la nacional pues excluímos promedios de ingreso iguales a 0 lo que significa que la gente analfabeta inmigrante que no sabe leer al no declarar ingresos es muy poca.

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