Este ejercicio práctico tiene como objetivo implementar algunos de los elementos discutidos en el taller y realizar interpretaciones de distintos elementos cuantitativos como tablas y gráficos. Nuestra fuente de datos es el 2do Estudio Nacional de la Discapacidad (ENDISC-II). La plataforma que se usa es RStudio versión 1.4.1103, un software estadístico abierto y gratuito.

El foco no es aprender a utilizar el software, sino entender los procesos de decisiones respecto al análisis de datos y realizar interpretaciones de los productos generados, con énfasis en la variable de grado de discapacidad.

Objetivos específicos:

Web Github: 🌏 https://github.com/eloluna/taller_cuanti

Web ENDISC-II: 💻 https://www.senadis.gob.cl/pag/355/1197/ii_estudio_nacional_de_discapacidad

Acerca de ENDISC II:

Este estudio determina la prevalencia de las personas con discapacidad en Chile y permite conocer cuál es su real contexto con respecto a la población en general, en términos de sus niveles o grados, déficits corporales (funcionales y/o estructurales), funcionamiento en las actividades diarias y vitales, relación con el entorno, participación social y otros. También, caracteriza a las personas con discapacidad en Chile en su contexto respecto a aspectos socio demográficos y socioeconómicos.

Web RStudio: https://www.rstudio.com/products/rstudio/download/#download

Por qué realizarlo en R? Si bien no el programa más intuitivo para utilizar, permite realizar todo (cargar datos, limpieza, creación de estadísticas pertinentes, modelos e interpretaciones) en un mismo ambiente. La interfaz tiene 4 divisiones: consola, script, ambiente y archivos. La consola es donde ocurren todos los procesos, el script es donde le doy instrucciones a R de qué quiero hacer, el ambiente es donde están las distintas bases de datos y objetos creados/cargados y la ventana de archivos

Nota acerca de los comentarios: Este tipo de formato se llama R Markdown, que es una mezcla de editor de texto, como word, donde esto está escrito, y unas partes llamadas ‘chunks’ que contienen código. Dentro de los ‘chunks’, todo lo que siga un ‘#’ va a ser leído como un comentario y no como un código. Esto es clave porque me permite ir generando comentarios para saber qué hice y por qué. También permite dejar algunos códigos escritos pero que no se corran, como las primeras líneas del siguiente ‘chunk’

Paquetes

Al ser un programa abierto, R funciona en base a paquetes escritos por usuarios. Para iniciar, cargaremos los paquetes necesarios. Los paquetes se descargan solo una vez y deben ser cargados cada vez que se inicia una sesión. Si realizas este ejercicio por ti mismo, debes quitar el ‘#’ antes del comando “install.packages”. Solo es necesario instalarlos una vez, pero deberás cargarlos cada vez que uses el programa.

Cargar datos (Carregar dados)

El siguiente paso es cargar los datos a utilizar, en este caso la ENDISC. Hay dos maneras: si tengo el archivo en mi computador, puedo ‘llamarlo’ usando la dirección de la base dentro de mi computador (o buscarlo en la ventana de archivos), y también puedo cargar la base desde plataformas como Github. Vamos a explorar ambas opciones.

Desde el computador (Do computador)

endisc <- read_dta('C:/Users/elolu/Desktop/Respaldo Elo/Workshops 2021/Taller cuanti/ENDISCII.dta')
#Se carga en el ambiente

#La base tiene muchas variables que no utilizaremos y que utiliza RAM del computador. Podemos reducirla para que sea más simple y el programa corra de 
#forma más eficiente

endisc <- endisc %>% #este signo quiere decir 'y entonces'
  select(enc_id, hogar, rph_id, region, sexo, edad, educc, esc, ytot, cie_suma, cap_puntaje_adulto, des_puntaje_adulto, disc_grado_adulto)

#El código anterior instruye lo siguiente: R, quiero que crees un objeto llamado endisc (es decir, estoy sobreescribiendo la encuesta), que tome como base la endisc y seleccione una lista de variable.

write.csv(endisc, 'C:/Users/elolu/Desktop/Respaldo Elo/Workshops 2021/Taller cuanti/endisclite.csv')

Online

#endisc_git <- read.csv("https://raw.githubusercontent.com/eloluna/taller_cuanti/main/endisc.csv")

download.file(url = "https://raw.githubusercontent.com/eloluna/taller_cuanti/main/endisc.csv",
          destfile = "endisc_git.csv",
          mode = 'wb')

endisc_git <- read.csv('C:/Users/elolu/Desktop/Respaldo Elo/Workshops 2021/Taller cuanti/endisclite.csv')

Obj. 1: Estructura de los datos (Estrutura de dados)

En general, las encuestas nunca vienen ‘limpias’. Eso quiere decir que muchas veces nos encontramos con variables que no tienen etiquetas (por ejemplo, una variable de sexo con 0 y 1, pero sin una etiqueta asociada para saber cuál categoría de sexo corresponde a cada número), también suelen tener ‘missing data’, que ocurre cuando la persona no responde, la pregunta no aplica; o categorías que no tienen sentido y pueden ser combinadas. La estructura que buscamos en la siguiente: que cada columna sea una variable, cada fila represente a una persona y en cada celda los valores de las variables de las personas.

Examinación de la base (Exame da base)

Para examinar una base en R, solo debemos hacer click en el nombre de ella en la pantalla de ambiente. Puedo examinarla a través de códigos también:

head(endisc_git) #Una muestra de 6 observaciones
summary(endisc_git) #Útil para variables continuas. Notar los 'Na's'
##        X             enc_id          hogar           rph_id     
##  Min.   :    1   Min.   :  623   Min.   :1.000   Min.   : 1530  
##  1st Qu.: 9972   1st Qu.: 4502   1st Qu.:1.000   1st Qu.:11910  
##  Median :19944   Median : 9268   Median :1.000   Median :22348  
##  Mean   :19944   Mean   : 9074   Mean   :1.024   Mean   :22304  
##  3rd Qu.:29915   3rd Qu.:13959   3rd Qu.:1.000   3rd Qu.:32645  
##  Max.   :39886   Max.   :17686   Max.   :4.000   Max.   :43180  
##                                                                 
##      region            sexo            edad            educc       
##  Min.   : 1.000   Min.   :1.000   Min.   :  0.00   Min.   : 0.000  
##  1st Qu.: 5.000   1st Qu.:1.000   1st Qu.: 18.00   1st Qu.: 1.000  
##  Median : 9.000   Median :2.000   Median : 35.00   Median : 3.000  
##  Mean   : 9.013   Mean   :1.524   Mean   : 36.95   Mean   : 3.081  
##  3rd Qu.:13.000   3rd Qu.:2.000   3rd Qu.: 54.00   3rd Qu.: 4.000  
##  Max.   :15.000   Max.   :2.000   Max.   :108.00   Max.   :99.000  
##                                                                    
##       esc             ytot             cie_suma      cap_puntaje_adulto
##  Min.   : 0.00   Min.   :       0   Min.   : 0.000   Min.   :  0.00    
##  1st Qu.: 8.00   1st Qu.:       0   1st Qu.: 0.000   1st Qu.: 14.55    
##  Median :12.00   Median :   90555   Median : 1.000   Median : 29.46    
##  Mean   :10.85   Mean   :  220206   Mean   : 1.852   Mean   : 27.95    
##  3rd Qu.:13.00   3rd Qu.:  300000   3rd Qu.: 3.000   3rd Qu.: 39.58    
##  Max.   :24.00   Max.   :26500000   Max.   :12.000   Max.   :100.00    
##  NA's   :7917    NA's   :75         NA's   :22106    NA's   :27621     
##  des_puntaje_adulto disc_grado_adulto
##  Min.   :  0.00     Min.   :0.000    
##  1st Qu.: 24.65     1st Qu.:0.000    
##  Median : 38.02     Median :0.000    
##  Mean   : 34.98     Mean   :0.302    
##  3rd Qu.: 46.68     3rd Qu.:0.000    
##  Max.   :100.00     Max.   :2.000    
##  NA's   :27621      NA's   :27621

Obj. 2: Limpieza de datos (Limpeza de dados)

Missing data (Dados perdidos)

Nota acerca de missing data 🚨: Distintos programas usan distintos símbolos para estas variables. En Stata, por ejemplo, se representa con “.”, mientras que en R se representan con “NA”.

##    Mode   FALSE    TRUE 
## logical   12265   27621

P: En la variable de grado de discapacidad, cuántas observaciones están missing? A qué se puede deber la cantidad de missing data?

R: De las 39,886 observaciones, hay 27,621 observaciones sin información acerca del grado de discapacidad, mientras que 12,265 participantes sí tienen información acerca de la variable. La razón del gran porcentaje de missing data para esta variable es que solo se mide para el entrevistado dentro del grupo de hogar, mientras que para otras variables el entrevistado entrega información acerca de su grupo familiar

Dado el alto nivel de falta de información en esa variable, es apropiado reducir mi base para incluir solo aquellos con información acerca del grado de discapacidad.

endisc_cc <- endisc_git[complete.cases(endisc_git[,13]),]

Una vez que resuelto esto, puedo analizar los datos? Casi 😭

Etiquetado (Etiquetada)

Etiquetar: Esta base está descargada en formato Stata. Al traspasarla a R, muchas veces se pierden las etiquetas de las variables y/o las categorías dentro de las variables. Esto puede tener consecuencias en el análisis desde no poder identificar variables a no poder realizar análisis debido a que el programa puede que reconozca como una variable continua una variable que es categórica. Entonces, debemos decirle a R qué tipo de variable es la que nos interesa y sus etiquetas. Las etiquetas para cada variable se encuentra en el libro de códigos de la encuesta (https://www.senadis.gob.cl/pag/356/1625/base_de_datos)

Sexo

## 
##    1    2 
## 5307 6958
endisc_cc$sexo <- factor(endisc_cc$sexo, levels = c(1, 2), labels = c("Hombres", "Mujeres"))

Educación (Educação)

Al examinarla son solo números, pero tanto en Stata como en los los documentos en la página web de la ENDISC se pueden encontrar las categorías.

0: Sin educacion formal

1: Basica incompleta

2: Basica completa

3: Media incompleta

4: Media completa

5: Superior incompleta

6: Superior completa

99: Sin dato (Qué hago con esto? 🤔)

Muchas veces los “Na” son categorizados como 999, -999, -888, o un valor imposible. Esto ayuda a detectarlos, sin embargo puede desvirtuar el análisis. Supongamos que estamos preguntando la edad a los participantes, si aquellos que no saben/no quieren decir su edad, son categorizados como 999, al momento de sacar el promedio de edad, nuestro programa va a pensar que existen personas de 999 años.

## 
##     0     1     2     3     4     5     6    99   Sum 
##   337  1906  1414  1760  3412  1293  2138     5 12265
endisc_cc$educc <-  factor(endisc_cc$educc, levels = c(0:6), labels = c("Sin educacion formal", "Basica incompleta", "Basica completa", "Media incompleta", "Media completa", "Superior incompleta", "Superior completa"))

Discapacidad (Incapacidade)

## 
##    0    1    2 
## 9647 1527 1091
endisc_cc$disc_grado_adulto <- factor(endisc_cc$disc_grado_adulto, levels = c(0:2), labels = c("Sin discapacidad", "Leve/moderada", "Severa"))

Puedo analizar los datos ahora? Sí! 😃

Obj. 3: Describir (Descrever)

Sexo

P: Qué tipo de variable es sexo?

R: Binaria

P: Qué se puede decir acerca de la distribución de la variable sexo en la ENDISC-II?

R:En aquellos participantes con información acerca del grado de discapacidad, el 43.2% es hombre y un 56.7% es mujer

Edad (Era)

👶 👩 🗝 P: Cómo es la distribución de edad en la muestra?

#Medidas de tendencia central
mean(endisc_cc$edad, na.rm = T)
## [1] 48.35907
median(endisc_cc$edad, na.rm = T)
## [1] 48
#Medidas de dispersión
sd(endisc_cc$edad, na.rm = T)
## [1] 18.35403

R: El promedio de edad de nuestra muestra es de 48.3 años, cercano a la mediana (48 años). Aquello es un buen indicador acerca de una distribución normal de edad en nuestra muestra. Existe alrededor de 200 personas con la menor edad posible -18 años-, y una cantidad muy pequeña de nuestra muestra es mayor a 90 años

Educación (Educação)

🎓 🏫

Existen dos variables, grado educativo (educc) y años de educación (esc)

P: Qué tipo de variable son grado educativo y años de educación?

R: Grado educativo es una variable categórica, mientras que años de educación es continua

Grado educativo (Grau educacional)

P: Cuál porcentaje de personas tienen al menos educación media completa (educación media = educación secundaria)?

#Esa pregunta es la suma de aquellos con superior completa, superior incompleta y media completa
17.44 + 10.55 + 27.83
## [1] 55.82

R: De aquellos con información acerca de discapacidad, un 55.8% ha completado la educación media

Años de escolaridad (Anos de escolaridade)

P: Cómo es la distribución de los años de escolaridad en la muestra?

#Forma gráfica
#hist(endisc_cc$esc)

ggplot(endisc_cc) +
  geom_bar(mapping = aes(x=esc), fill = "#9621ad", color = "black") +
  theme_bw() +
  xlab("Años de escolaridad") +
  ylab("Número de personas") +
  labs(title = "Histograma de años de escolaridad",
       caption = "Fuente: ENDISC-II")
## Warning: Removed 6 rows containing non-finite values (stat_count).

#Medidas de tendencia central
mean(endisc_cc$esc, na.rm = T)
## [1] 10.68211
median(endisc_cc$esc, na.rm = T)
## [1] 12
#Medidas de dispersión
sd(endisc_cc$esc, na.rm = T)
## [1] 4.463209

R: De nuestra muestra, una gran parte tiene al menos 12 años de educación. El promedio de años de educación es de 10.7 años, mientras que la mediana es 12.

Grado de discapacidad (Grau de incapacidade)

♿

Esta métrica se obtiene en base a las variables de puntaje de capacidad y puntaje de desempeño.

P: Cómo es la distribución de discapacidad en la muestra?

R: El gráfico nos muestra que en nuestra muestra alrededor del 78% no tiene discapacidad, 13% tiene discapacidad leve/moderada y el 9% tiene discapacidad severa.

## 
## Sin discapacidad    Leve/moderada           Severa 
##             9647             1527             1091
## 
## Sin discapacidad    Leve/moderada           Severa 
##            78.65            12.45             8.90

Obj. 4: Examinar asociaciones (Procurar associações)

🔍

Una vez que nuestras principales variables están descritas, podemos examinar la asociación entre grado de discapacidad y nuestras variables demográficas y económicas.

Sexo y discapacidad (Sexo e incapacidade)

P: Describe la asociación entre sexo y discapacidad usando el gráfico de barras

R: Al mirar el gráfico se ve una diferencia en el porcentaje de personas en situación de discapacidad según sexo. Las mujeres tienen un menor porcentaje en la categoría “sin discapacidad” comparado con los hombres. Por otra parte, el porcentaje de mujeres tanto en la categoría de discapacidad leve/moderada y severa es mayor que en los hombres

Edad y discapacidad (Idade e incapacidade)

P: Describe la asociación entre edad y discapacidad usando el gráfico boxplot

R. Existe una gradiente de edad según discapacidad. Aquellos sin discapacidad tienen alrededor de 45 años como media, aquellos con discapacidad leve/moderada 56 años y aquellos con discapacidad severa tienen 66 años como media. Es decir, que a medida que avanza la edad, es más probable estar en situación de discapacidad

Educación y discapacidad (Educação e incapacidade)

P: Cómo es la distribución que nos muestra el gráfico del nivel educativo según discapacidad?

R: Existe una gradiente en la relación entre situación de discapacidad y educación: aquellas personas con mayor grado de discapacidad tienden a tener menor educación. Por ejemplo, alrededor de un 20% de las personas sin discapacidad tiene educación superior completa, mientras que alrededor de un 11% de las personas en situación de discapacidad severa tienen educación superior completa. Lo mismo se puede ver desde los niveles de menor educación. Alrededor de un 11% de las personas en situación de discapacidad severa no tienen educación formal, mientras que este porcentaje es alrededor de un 1% para aquellos sin discapacidad

## `summarise()` has grouped output by 'disc_grado_adulto'. You can override using the `.groups` argument.

Fin 🏅 🥇 🏅

Opcional

P: Describe la asociación entre puntaje de desempeno e ingreso mensual en base al scatterplot. Existe algún rol de la edad en relación a esas variables?

## `geom_smooth()` using formula 'y ~ x'

R: En este gráfico se puede observar que a medida que el puntaje de desempeño aumente (personas con mayor dificultad en el desempeño), el ingreso mensual es más bajo. La línea en azul corresponde a una regresión que resume la relación entre estas dos variables. Por otra parte, el gráfico nos muestra que la edad parece relacionarse con ambas variables: aquellos de mayor edad son quienes tienen menos ingresos (probablemente pensionados), y son también quienes tienen mayores dificultades de desempeño

Muchas veces nuestra variable de interés está asociada a más de una variable independiente. En el caso de hoy, podemos intuir que el grado de discapacidad está relacionado a factores como el sexo, la edad, la educación y los ingresos. Una de las ventajas de métodos estadísticos más avanzados es que nos permite cuantificar la contribución de estos factores de forma simultánea.