Expansión de la CASEN sobre el CENSO (Región 02)

De ingresos sobre una categoría de respuesta RURAL

VE-CC-AJ

DataIntelligence

Martes 06-07-2021

Abstract

Expandiremos los ingresos promedios comunales obtenidos de la CASEN sobre la pregunta (P15): “Nivel del curso más alto aprobado” en la categoría de respuesta “Profesional” (12), que más alto correlaciona con los ingresos expandidos (obtenidos de la multiplicación del ingreso promedio y los habitantes), ambos a nivel comunal.

Haremos el análisis sobre la región 02.

Ensayaremos diferentes modelos dentro del análisis de regresión cuya variable independiente será: “frecuencia de población que posee la variable Censal respecto a la zona” y la dependiente: “ingreso expandido de la Casen por zona”

Lo anterior para ir combinando a nivel nacional los mejores modelos para construir una tabla de valores predichos.

1 Variable CENSO

Necesitamos calcular las frecuencias a nivel censal de las respuestas correspondientes a la categoría: “Profesional (4 o más años)” del campo P15 a nivel rural del Censo de personas. Recordemos que ésta fué la más alta correlación en relación a los ingresos expandidos (ver punto 3.4 aquí).

1.1 Lectura y filtrado de la tabla censal de personas

Leemos la tabla Censo 2017 de personas que ya tiene integrada la clave zonal:

tabla_con_clave <- readRDS("../censo_personas_con_clave_17")
r3_100 <- tabla_con_clave[c(1:100),]
kbl(r3_100) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")

REGION	PROVINCIA	COMUNA	DC	AREA	ZC_LOC	ID_ZONA_LOC	NVIV	NHOGAR	PERSONAN	P07	P08	P09	P10	P10COMUNA	P10PAIS	P11	P11COMUNA	P11PAIS	P12	P12COMUNA	P12PAIS	P12A_LLEGADA	P12A_TRAMO	P13	P14	P15	P15A	P16	P16A	P16A_OTRO	P17	P18	P19	P20	P21M	P21A	P10PAIS_GRUPO	P11PAIS_GRUPO	P12PAIS_GRUPO	ESCOLARIDAD	P16A_GRUPO	REGION_15R	PROVINCIA_15R	COMUNA_15R	P10COMUNA_15R	P11COMUNA_15R	P12COMUNA_15R	clave
15	152	15202	1	2	6	13225	1	1	1	1	1	73	1	98	998	3	15101	998	1	98	998	9998	98	2	4	6	2	1	2	98	7	98	98	98	98	9998	998	998	998	4	2	15	152	15202	98	15101	98	15202012006
15	152	15202	1	2	6	13225	3	1	1	1	1	78	1	98	998	2	98	998	1	98	998	9998	98	3	98	98	98	1	2	98	7	98	98	98	98	9998	998	998	998	0	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	3	1	2	2	2	78	1	98	998	2	98	998	1	98	998	9998	98	3	98	98	98	1	2	98	7	98	1	1	3	1965	998	998	998	0	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	3	1	3	5	2	52	1	98	998	2	98	998	1	98	998	9998	98	1	2	5	2	1	2	98	7	98	2	1	4	1995	998	998	998	2	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	3	1	4	11	1	44	1	98	998	2	98	998	1	98	998	9998	98	1	3	5	2	1	2	98	1	Z	98	98	98	9998	998	998	998	3	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	9	1	1	1	1	39	1	98	998	2	98	998	1	98	998	9998	98	2	8	5	1	1	2	98	8	98	98	98	98	9998	998	998	998	8	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	9	1	2	2	2	35	1	98	998	2	98	998	1	98	998	9998	98	2	6	5	2	1	2	98	1	Z	2	2	11	2004	998	998	998	6	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	9	1	3	5	1	13	1	98	998	2	98	998	1	98	998	9998	98	1	7	5	2	1	2	98	98	98	98	98	98	9998	998	998	998	7	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	9	1	4	5	1	12	1	98	998	2	98	998	1	98	998	9998	98	1	6	5	2	1	2	98	98	98	98	98	98	9998	998	998	998	6	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	10	1	1	1	2	65	1	98	998	2	98	998	1	98	998	9998	98	2	4	5	2	1	2	98	6	98	3	3	9	1992	998	998	998	4	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	13	1	1	1	1	50	1	98	998	2	98	998	1	98	998	9998	98	2	5	5	2	1	2	98	1	Z	98	98	98	9998	998	998	998	5	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	13	1	2	4	2	43	1	98	998	2	98	998	1	98	998	9998	98	2	6	5	2	1	2	98	6	98	2	2	3	2002	998	998	998	6	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	13	1	3	5	1	15	3	15201	998	2	98	998	1	98	998	9998	98	1	1	7	2	1	2	98	8	98	98	98	98	9998	998	998	998	9	2	15	152	15202	15201	98	98	15202012006
15	152	15202	1	2	6	13225	16	1	1	1	1	75	1	98	998	2	98	998	1	98	998	9998	98	3	98	98	98	1	2	98	7	98	98	98	98	9998	998	998	998	0	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	16	1	2	16	2	58	4	98	68	6	98	998	5	98	998	9999	1	3	98	98	98	1	2	98	7	98	4	4	99	9999	68	68	68	0	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	16	1	3	2	2	70	1	98	998	2	98	998	1	98	998	9998	98	3	98	98	98	1	2	98	7	98	5	4	99	9999	998	998	998	0	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	17	1	1	1	2	43	2	98	998	2	98	998	1	98	998	9998	98	2	8	5	1	1	2	98	1	I	3	3	9	2008	998	998	998	8	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	17	1	2	4	1	55	2	98	998	2	98	998	1	98	998	9998	98	2	6	5	2	1	2	98	6	98	98	98	98	9998	998	998	998	6	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	17	1	3	5	2	13	2	98	998	2	98	998	2	15101	998	9998	98	1	7	5	2	1	2	98	98	98	98	98	98	9998	998	998	998	7	2	15	152	15202	98	98	15101	15202012006
15	152	15202	1	2	6	13225	17	1	4	5	1	8	2	98	998	2	98	998	2	15101	998	9998	98	1	2	5	2	1	2	98	98	98	98	98	98	9998	998	998	998	2	2	15	152	15202	98	98	15101	15202012006
15	152	15202	1	2	6	13225	17	1	5	15	2	29	2	98	998	4	98	998	3	98	998	2015	1	2	6	5	2	1	2	98	6	98	5	5	11	2014	998	604	604	6	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	17	1	6	15	1	4	2	98	998	1	98	998	5	98	998	2015	1	1	0	1	2	1	2	98	98	98	98	98	98	9998	998	998	68	0	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	17	1	7	15	2	2	2	98	998	1	98	998	3	98	998	2015	1	1	0	1	2	1	2	98	98	98	98	98	98	9998	998	998	604	0	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	17	1	8	15	1	16	2	98	998	6	98	998	1	98	998	9998	98	2	4	5	2	1	2	98	6	98	98	98	98	9998	998	68	998	4	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	18	1	1	1	2	74	1	98	998	2	98	998	1	98	998	9998	98	2	2	5	2	1	2	98	6	98	2	2	12	1976	998	998	998	2	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	19	1	1	1	1	68	1	98	998	2	98	998	1	98	998	9998	98	3	98	98	98	1	2	98	7	98	98	98	98	9998	998	998	998	0	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	20	1	1	1	1	74	1	98	998	3	15101	998	1	98	998	9998	98	2	2	5	2	1	2	98	1	Z	98	98	98	9998	998	998	998	2	2	15	152	15202	98	15101	98	15202012006
15	152	15202	1	2	6	13225	20	1	2	2	2	65	1	98	998	3	997	998	3	98	998	9999	2	2	2	5	2	1	2	98	6	98	2	2	9	1982	998	998	604	2	2	15	152	15202	98	997	98	15202012006
15	152	15202	1	2	6	13225	25	1	1	1	2	76	1	98	998	2	98	998	1	98	998	9998	98	3	98	98	98	1	2	98	6	98	8	6	3	1981	998	998	998	0	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	25	1	2	5	2	36	1	98	998	2	98	998	1	98	998	9998	98	2	4	8	1	1	2	98	1	A	0	98	98	9998	998	998	998	12	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	28	1	1	1	2	31	1	98	998	2	98	998	5	98	998	2007	2	2	5	5	2	1	2	98	1	A	2	2	4	2008	998	998	68	5	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	28	1	2	4	1	35	1	98	998	2	98	998	5	98	998	2007	2	2	6	5	2	1	2	98	1	F	98	98	98	9998	998	998	68	6	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	28	1	3	5	1	11	1	98	998	2	98	998	5	98	998	2007	2	1	5	5	2	1	2	98	98	98	98	98	98	9998	998	998	68	5	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	28	1	4	5	1	8	1	98	998	2	98	998	1	98	998	9998	98	1	2	5	2	1	2	98	98	98	98	98	98	9998	998	998	998	2	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	28	1	5	15	2	74	1	98	998	2	98	998	1	98	998	9998	98	2	3	5	2	1	2	98	6	98	6	6	99	9999	998	998	998	3	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	33	1	1	1	1	41	1	98	998	2	98	998	1	98	998	9998	98	2	8	5	1	1	2	98	1	Z	98	98	98	9998	998	998	998	8	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	33	1	2	2	2	47	1	98	998	2	98	998	1	98	998	9998	98	2	8	5	1	1	2	98	1	A	2	1	4	1996	998	998	998	8	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	33	1	3	14	1	88	1	98	998	2	98	998	1	98	998	9998	98	3	98	98	98	1	2	98	7	98	98	98	98	9998	998	998	998	0	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	33	1	4	14	1	65	1	98	998	2	98	998	1	98	998	9998	98	2	2	5	2	1	2	98	7	98	98	98	98	9998	998	998	998	2	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	36	1	1	1	2	59	1	98	998	2	98	998	1	98	998	9998	98	2	2	5	2	1	2	98	6	98	8	8	2	1998	998	998	998	2	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	36	1	2	2	1	56	1	98	998	99	99	999	1	98	998	9998	98	2	2	5	2	1	2	98	6	98	98	98	98	9998	998	999	998	2	2	15	152	15202	98	99	98	15202012006
15	152	15202	1	2	6	13225	36	1	3	5	2	36	1	98	998	2	98	998	1	98	998	9998	98	2	8	5	1	1	2	98	6	98	2	2	7	2010	998	998	998	8	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	36	1	4	12	2	13	1	98	998	2	98	998	1	98	998	9998	98	1	7	5	2	1	2	98	98	98	98	98	98	9998	998	998	998	7	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	36	1	5	12	2	6	1	98	998	2	98	998	1	98	998	9998	98	1	0	3	1	1	2	98	98	98	98	98	98	9998	998	998	998	0	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	36	1	6	5	1	24	1	98	998	3	15101	998	1	98	998	9998	98	2	4	7	1	1	2	98	1	Z	98	98	98	9998	998	998	998	12	2	15	152	15202	98	15101	98	15202012006
15	152	15202	1	2	6	13225	36	1	7	11	2	24	1	98	998	3	15101	998	1	98	998	9998	98	2	4	7	1	1	2	98	1	N	2	2	11	2015	998	998	998	12	2	15	152	15202	98	15101	98	15202012006
15	152	15202	1	2	6	13225	36	1	8	12	1	6	1	98	998	2	98	998	2	15101	998	9998	98	1	0	3	1	1	2	98	98	98	98	98	98	9998	998	998	998	0	2	15	152	15202	98	98	15101	15202012006
15	152	15202	1	2	6	13225	36	1	9	12	2	1	1	98	998	1	98	998	2	15101	998	9998	98	3	98	98	98	1	2	98	98	98	98	98	98	9998	998	998	998	0	2	15	152	15202	98	98	15101	15202012006
15	152	15202	1	2	6	13225	38	1	1	1	1	19	1	98	998	3	15101	998	2	15101	998	9998	98	1	1	8	2	1	2	98	1	A	98	98	98	9998	998	998	998	9	2	15	152	15202	98	15101	15101	15202012006
15	152	15202	1	2	6	13225	39	1	1	1	1	21	1	98	998	2	98	998	1	98	998	9998	98	2	1	7	2	1	2	98	1	F	98	98	98	9998	998	998	998	9	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	39	1	2	4	2	22	1	98	998	2	98	998	1	98	998	9998	98	2	1	8	2	1	2	98	6	98	0	98	98	9998	998	998	998	9	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	43	1	1	1	2	26	1	98	998	2	98	998	1	98	998	9998	98	2	8	5	1	1	2	98	6	98	2	2	10	2013	998	998	998	8	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	43	1	2	2	1	24	1	98	998	2	98	998	1	98	998	9998	98	2	8	5	1	1	2	98	1	Z	98	98	98	9998	998	998	998	8	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	43	1	3	13	2	71	1	98	998	2	98	998	1	98	998	9998	98	2	1	5	2	1	2	98	6	98	3	3	12	1974	998	998	998	1	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	43	1	4	5	2	6	1	98	998	2	98	998	1	98	998	9998	98	1	0	3	1	1	2	98	98	98	98	98	98	9998	998	998	998	0	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	6	13225	43	1	5	5	2	3	1	98	998	1	98	998	1	98	998	9998	98	1	0	1	1	1	2	98	98	98	98	98	98	9998	998	998	998	0	2	15	152	15202	98	98	98	15202012006
15	152	15202	1	2	8	13910	5	1	1	1	1	44	1	98	998	2	98	998	3	98	998	2005	2	2	4	7	1	1	2	98	6	98	98	98	98	9998	998	998	604	12	2	15	152	15202	98	98	98	15202012008
15	152	15202	1	2	8	13910	5	1	2	2	2	42	1	98	998	2	98	998	1	98	998	9998	98	2	3	5	2	1	2	98	1	P	3	3	12	2006	998	998	998	3	2	15	152	15202	98	98	98	15202012008
15	152	15202	1	2	8	13910	5	1	3	5	2	10	1	98	998	2	98	998	1	98	998	9998	98	1	4	5	2	1	2	98	98	98	98	98	98	9998	998	998	998	4	2	15	152	15202	98	98	98	15202012008
15	152	15202	1	2	8	13910	7	1	1	1	2	70	1	98	998	2	98	998	1	98	998	9998	98	2	2	5	2	1	2	98	6	98	7	7	6	1994	998	998	998	2	2	15	152	15202	98	98	98	15202012008
15	152	15202	1	2	8	13910	7	1	2	5	1	44	1	98	998	2	98	998	1	98	998	9998	98	2	5	5	2	1	2	98	7	98	98	98	98	9998	998	998	998	5	2	15	152	15202	98	98	98	15202012008
15	152	15202	1	2	8	13910	8	1	1	1	1	58	1	98	998	2	98	998	3	98	998	2004	2	2	4	5	2	1	2	98	6	98	98	98	98	9998	998	998	604	4	2	15	152	15202	98	98	98	15202012008
15	152	15202	1	2	8	13910	8	1	2	2	2	59	1	98	998	2	98	998	3	98	998	2004	2	2	2	5	2	1	2	98	6	98	3	3	7	1999	998	998	604	2	2	15	152	15202	98	98	98	15202012008
15	152	15202	1	2	8	13910	19	1	1	1	1	58	99	99	999	99	99	999	99	99	999	9999	99	99	99	99	99	99	99	99	99	99	98	98	98	9998	999	999	999	99	99	15	152	15202	99	99	99	15202012008
15	152	15202	1	2	8	13910	21	1	1	1	1	53	1	98	998	2	98	998	1	98	998	9998	98	2	8	5	1	1	2	98	1	H	98	98	98	9998	998	998	998	8	2	15	152	15202	98	98	98	15202012008
15	152	15202	1	2	8	13910	21	1	2	2	2	46	1	98	998	2	98	998	1	98	998	9998	98	2	3	5	2	1	2	98	6	98	3	3	2	1990	998	998	998	3	2	15	152	15202	98	98	98	15202012008
15	152	15202	1	2	8	13910	22	1	1	1	2	73	1	98	998	2	98	998	1	98	998	9998	98	3	98	98	98	1	2	98	6	98	6	5	3	1979	998	998	998	0	2	15	152	15202	98	98	98	15202012008
15	152	15202	1	2	8	13910	30	1	1	1	1	57	1	98	998	2	98	998	2	997	998	9998	98	2	3	5	2	1	2	98	6	98	98	98	98	9998	998	998	998	3	2	15	152	15202	98	98	997	15202012008
15	152	15202	1	2	12	8394	3	1	1	2	2	64	1	98	998	2	98	998	3	98	998	1974	4	3	98	98	98	1	2	98	1	A	12	10	99	9999	998	998	604	0	2	15	152	15202	98	98	98	15202012012
15	152	15202	1	2	12	8394	3	1	2	1	1	74	2	98	998	2	98	998	1	98	998	9998	98	3	98	98	98	1	2	98	99	99	98	98	98	9998	998	998	998	0	2	15	152	15202	98	98	98	15202012012
15	152	15202	1	2	12	8394	3	1	3	5	2	38	1	98	998	2	98	998	1	98	998	9998	98	2	8	5	1	1	2	98	2	A	0	98	98	9998	998	998	998	8	2	15	152	15202	98	98	98	15202012012
15	152	15202	1	2	12	8394	3	1	4	14	1	38	99	99	999	99	99	999	99	99	999	9999	99	99	99	99	99	99	99	99	8	98	98	98	98	9998	999	999	999	99	99	15	152	15202	99	99	99	15202012012
15	152	15202	1	2	12	8394	9	1	1	1	2	79	1	98	998	2	98	998	1	98	998	9998	98	3	98	98	98	1	2	98	8	98	2	2	99	9999	998	998	998	0	2	15	152	15202	98	98	98	15202012012
15	152	15202	1	2	12	8394	19	1	1	1	1	46	99	99	999	99	99	999	99	99	999	9999	99	99	99	99	99	99	99	99	99	99	98	98	98	9998	999	999	999	99	99	15	152	15202	99	99	99	15202012012
15	152	15202	1	2	12	8394	20	1	1	1	2	58	1	98	998	2	98	998	1	98	998	9998	98	2	8	5	1	1	2	98	1	A	3	3	7	1982	998	998	998	8	2	15	152	15202	98	98	98	15202012012
15	152	15202	1	2	12	8394	21	1	1	1	2	45	1	98	998	6	98	998	2	997	998	9998	98	2	4	5	2	1	2	98	1	A	6	6	2	2007	998	68	998	4	2	15	152	15202	98	98	997	15202012012
15	152	15202	1	2	12	8394	21	1	2	5	2	10	1	98	998	6	98	998	2	3201	998	9998	98	1	4	5	2	1	2	98	98	98	98	98	98	9998	998	68	998	4	2	15	152	15202	98	98	3201	15202012012
15	152	15202	1	2	12	8394	24	1	1	1	1	67	1	98	998	2	98	998	1	98	998	9998	98	3	98	98	98	1	2	98	8	98	98	98	98	9998	998	998	998	0	2	15	152	15202	98	98	98	15202012012
15	152	15202	1	2	12	8394	24	1	2	2	2	53	1	98	998	2	98	998	3	98	998	9999	99	3	98	98	98	1	2	98	8	98	0	98	98	9998	998	998	604	0	2	15	152	15202	98	98	98	15202012012
15	152	15202	1	2	12	8394	27	1	1	1	1	48	1	98	998	2	98	998	1	98	998	9998	98	2	4	7	1	1	2	98	8	98	98	98	98	9998	998	998	998	12	2	15	152	15202	98	98	98	15202012012
15	152	15202	1	2	12	8394	31	1	1	1	1	49	1	98	998	4	98	998	3	98	998	2001	2	2	8	5	1	1	2	98	1	A	98	98	98	9998	998	604	604	8	2	15	152	15202	98	98	98	15202012012
15	152	15202	1	2	12	8394	42	1	1	1	1	46	1	98	998	2	98	998	3	98	998	1992	3	2	8	5	1	1	2	98	2	A	98	98	98	9998	998	998	604	8	2	15	152	15202	98	98	98	15202012012
15	152	15202	1	2	12	8394	42	1	2	2	2	24	1	98	998	6	98	998	5	98	998	2013	1	2	7	5	2	1	2	98	6	98	2	2	6	2016	998	68	68	7	2	15	152	15202	98	98	98	15202012012
15	152	15202	1	2	12	8394	42	1	3	6	2	2	1	98	998	1	98	998	1	98	998	9998	98	3	98	98	98	1	2	98	98	98	98	98	98	9998	998	998	998	0	2	15	152	15202	98	98	98	15202012012
15	152	15202	1	2	12	8394	42	1	4	5	1	0	1	98	998	1	98	998	2	15101	998	9998	98	99	99	99	99	1	2	98	98	98	98	98	98	9998	998	998	998	99	2	15	152	15202	98	98	15101	15202012012
15	152	15202	1	2	12	8394	42	1	5	5	2	13	1	98	998	2	98	998	3	98	998	9999	99	1	7	5	2	1	2	98	98	98	98	98	98	9998	998	998	604	7	2	15	152	15202	98	98	98	15202012012
15	152	15202	1	2	12	8394	42	1	6	5	1	6	1	98	998	2	98	998	2	15101	998	9998	98	1	0	3	1	1	2	98	98	98	98	98	98	9998	998	998	998	0	2	15	152	15202	98	98	15101	15202012012
15	152	15202	1	2	15	4094	2	1	1	1	1	41	1	98	998	2	98	998	1	98	998	9998	98	2	4	12	1	1	2	98	1	O	98	98	98	9998	998	998	998	16	2	15	152	15202	98	98	98	15202012015
15	152	15202	1	2	15	4094	8	1	1	17	1	70	2	98	998	2	98	998	1	98	998	9998	98	3	98	98	98	1	2	98	7	98	98	98	98	9998	998	998	998	0	2	15	152	15202	98	98	98	15202012015
15	152	15202	1	2	15	4094	8	1	2	17	1	47	2	98	998	3	15101	998	2	8101	998	9998	98	2	4	8	1	1	2	98	1	Z	98	98	98	9998	998	998	998	12	2	15	152	15202	98	15101	8101	15202012015
15	152	15202	1	2	15	4094	8	1	3	17	1	19	2	98	998	3	15101	998	2	15101	998	9998	98	1	99	7	99	1	2	98	1	I	98	98	98	9998	998	998	998	99	2	15	152	15202	98	15101	15101	15202012015
15	152	15202	1	2	15	4094	8	1	4	17	1	43	2	98	998	3	4302	998	2	8101	998	9998	98	99	4	8	1	1	2	98	1	N	98	98	98	9998	998	998	998	12	2	15	152	15202	98	4302	8101	15202012015
15	152	15202	1	2	15	4094	8	1	5	17	2	35	2	98	998	6	98	998	5	98	998	2016	1	2	8	5	1	1	2	98	1	I	2	2	3	2007	998	68	68	8	2	15	152	15202	98	98	98	15202012015
15	152	15202	1	2	15	4094	8	1	6	17	1	36	3	13123	998	3	13123	998	2	12101	998	9998	98	2	5	12	1	2	98	98	1	J	98	98	98	9998	998	998	998	17	98	15	152	15202	13123	13123	12101	15202012015
15	152	15202	1	2	15	4094	8	1	7	17	2	25	2	98	998	3	15101	998	2	15101	998	9998	98	2	5	12	1	1	2	98	1	Q	1	1	12	2011	998	998	998	17	2	15	152	15202	98	15101	15101	15202012015
15	152	15202	1	2	15	4094	9	1	1	1	1	72	1	98	998	2	98	998	1	98	998	9998	98	2	1	5	2	1	2	98	1	G	98	98	98	9998	998	998	998	1	2	15	152	15202	98	98	98	15202012015
15	152	15202	1	2	15	4094	12	1	1	1	1	21	1	98	998	3	15101	998	2	15101	998	9998	98	2	4	8	1	1	2	98	1	N	98	98	98	9998	998	998	998	12	2	15	152	15202	98	15101	15101	15202012015
15	152	15202	1	2	15	4094	15	1	1	1	1	61	1	98	998	2	98	998	1	98	998	9998	98	2	3	7	2	1	2	98	4	98	98	98	98	9998	998	998	998	11	2	15	152	15202	98	98	98	15202012015
15	152	15202	1	2	15	4094	15	1	2	5	2	31	1	98	998	3	15101	998	1	98	998	9998	98	2	4	12	1	1	2	98	1	P	1	1	10	2007	998	998	998	16	2	15	152	15202	98	15101	98	15202012015
15	152	15202	1	2	15	4094	16	1	1	1	1	34	1	98	998	3	15101	998	1	98	998	9998	98	2	5	12	1	1	2	98	1	O	98	98	98	9998	998	998	998	17	2	15	152	15202	98	15101	98	15202012015

Despleguemos los códigos de regiones de nuestra tabla:

regiones <- unique(tabla_con_clave$REGION)
regiones

##  [1] 15 14 13 12 11 10  9 16  8  7  6  5  4  3  2  1

Hagamos un subset con la region 02 y con la zona = 2:

tabla_con_clave <- filter(tabla_con_clave, tabla_con_clave$REGION == 2) 
tabla_con_clave <- filter(tabla_con_clave, tabla_con_clave$AREA== 2)

1.2 Cálculo de frecuencias

tabla_con_clave_f <- tabla_con_clave[,-c(1,2,4,5,6,7,8,9,10,11,13,14,15,16,17,18,19,20),drop=FALSE]

names(tabla_con_clave_f)[9] <- "Nivel del curso más alto aprobado"

# Ahora filtramos por Nivel del curso más alto aprobado = 11.
tabla_con_clave_ff <- filter(tabla_con_clave_f, tabla_con_clave_f$`Nivel del curso más alto aprobado` == 12)

# Determinamos las frecuencias por zona:
b <- tabla_con_clave_ff$clave
c <- tabla_con_clave_ff$`Nivel del curso más alto aprobado`
d <- tabla_con_clave_ff$COMUNA
cross_tab =  xtabs( ~ unlist(b) + unlist(c)+ unlist(d))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
names(d)[1] <- "zona" 
d$anio <- "2017"

Veamos los primeros 100 registros:

r3_100 <- d[c(1:100),]
kbl(r3_100) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")

	zona	unlist.c.	unlist.d.	Freq	anio
1	2101012012	12	2101	3	2017
2	2101012013	12	2101	12	2017
3	2101102007	12	2101	24	2017
4	2101102016	12	2101	1	2017
5	2101112011	12	2101	288	2017
6	2101122008	12	2101	804	2017
7	2101122014	12	2101	14	2017
8	2101122019	12	2101	25	2017
9	2101132020	12	2101	1	2017
79	2102022003	12	2102	31	2017
80	2102022006	12	2102	14	2017
81	2102022008	12	2102	2	2017
82	2102022901	12	2102	1	2017
152	2103012003	12	2103	900	2017
153	2103012008	12	2103	645	2017
154	2103012901	12	2103	1	2017
155	2103022006	12	2103	118	2017
156	2103022007	12	2103	299	2017
157	2103022008	12	2103	273	2017
158	2103032002	12	2103	38	2017
159	2103042001	12	2103	22	2017
160	2103042005	12	2103	1	2017
161	2103992999	12	2103	9	2017
231	2104012008	12	2104	1	2017
232	2104022015	12	2104	7	2017
233	2104022022	12	2104	2	2017
234	2104022901	12	2104	1	2017
235	2104032025	12	2104	1	2017
236	2104042020	12	2104	60	2017
237	2104052026	12	2104	2	2017
238	2104052027	12	2104	1	2017
239	2104082013	12	2104	74	2017
240	2104092002	12	2104	19	2017
241	2104092012	12	2104	79	2017
311	2201022005	12	2201	651	2017
312	2201032006	12	2201	5	2017
313	2201052005	12	2201	217	2017
314	2201082002	12	2201	32	2017
315	2201082012	12	2201	11	2017
316	2201122002	12	2201	2	2017
317	2201122005	12	2201	10	2017
318	2201132004	12	2201	48	2017
319	2201132010	12	2201	6	2017
320	2201132901	12	2201	9	2017
321	2201142002	12	2201	17	2017
322	2201152003	12	2201	1	2017
323	2201152009	12	2201	1	2017
393	2202012005	12	2202	30	2017
394	2202022001	12	2202	1	2017
395	2202022002	12	2202	3	2017
465	2203012014	12	2203	607	2017
466	2203012018	12	2203	1	2017
467	2203012901	12	2203	1	2017
468	2203022008	12	2203	2	2017
469	2203022011	12	2203	1	2017
470	2203022016	12	2203	5	2017
471	2203022017	12	2203	60	2017
472	2203032012	12	2203	206	2017
473	2203032015	12	2203	13	2017
543	2301032006	12	2301	6	2017
544	2301052004	12	2301	1	2017
545	2301052008	12	2301	1	2017
546	2301052016	12	2301	1	2017
547	2301052019	12	2301	1	2017
617	2302012011	12	2302	6	2017
618	2302012901	12	2302	3	2017
619	2302042003	12	2302	1	2017
620	2302062001	12	2302	33	2017
621	2302062009	12	2302	326	2017
NA	NA	NA	NA	NA	NA
NA.1	NA	NA	NA	NA	NA
NA.2	NA	NA	NA	NA	NA
NA.3	NA	NA	NA	NA	NA
NA.4	NA	NA	NA	NA	NA
NA.5	NA	NA	NA	NA	NA
NA.6	NA	NA	NA	NA	NA
NA.7	NA	NA	NA	NA	NA
NA.8	NA	NA	NA	NA	NA
NA.9	NA	NA	NA	NA	NA
NA.10	NA	NA	NA	NA	NA
NA.11	NA	NA	NA	NA	NA
NA.12	NA	NA	NA	NA	NA
NA.13	NA	NA	NA	NA	NA
NA.14	NA	NA	NA	NA	NA
NA.15	NA	NA	NA	NA	NA
NA.16	NA	NA	NA	NA	NA
NA.17	NA	NA	NA	NA	NA
NA.18	NA	NA	NA	NA	NA
NA.19	NA	NA	NA	NA	NA
NA.20	NA	NA	NA	NA	NA
NA.21	NA	NA	NA	NA	NA
NA.22	NA	NA	NA	NA	NA
NA.23	NA	NA	NA	NA	NA
NA.24	NA	NA	NA	NA	NA
NA.25	NA	NA	NA	NA	NA
NA.26	NA	NA	NA	NA	NA
NA.27	NA	NA	NA	NA	NA
NA.28	NA	NA	NA	NA	NA
NA.29	NA	NA	NA	NA	NA
NA.30	NA	NA	NA	NA	NA

Agregamos un cero a los códigos comunales de cuatro dígitos:

codigos <- d$unlist.d.
rango <- seq(1:nrow(d))
cadena <- paste("0",codigos[rango], sep = "")
cadena <- substr(cadena,(nchar(cadena)[rango])-(4),6)
codigos <- as.data.frame(codigos)
cadena <- as.data.frame(cadena)
comuna_corr <- cbind(d,cadena)
comuna_corr <- comuna_corr[,-c(2,3),drop=FALSE]
names(comuna_corr)[4] <- "código" 
r3_100 <- comuna_corr[c(1:100),]
kbl(r3_100) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")

	zona	Freq	anio	código
1	2101012012	3	2017	02101
2	2101012013	12	2017	02101
3	2101102007	24	2017	02101
4	2101102016	1	2017	02101
5	2101112011	288	2017	02101
6	2101122008	804	2017	02101
7	2101122014	14	2017	02101
8	2101122019	25	2017	02101
9	2101132020	1	2017	02101
79	2102022003	31	2017	02102
80	2102022006	14	2017	02102
81	2102022008	2	2017	02102
82	2102022901	1	2017	02102
152	2103012003	900	2017	02103
153	2103012008	645	2017	02103
154	2103012901	1	2017	02103
155	2103022006	118	2017	02103
156	2103022007	299	2017	02103
157	2103022008	273	2017	02103
158	2103032002	38	2017	02103
159	2103042001	22	2017	02103
160	2103042005	1	2017	02103
161	2103992999	9	2017	02103
231	2104012008	1	2017	02104
232	2104022015	7	2017	02104
233	2104022022	2	2017	02104
234	2104022901	1	2017	02104
235	2104032025	1	2017	02104
236	2104042020	60	2017	02104
237	2104052026	2	2017	02104
238	2104052027	1	2017	02104
239	2104082013	74	2017	02104
240	2104092002	19	2017	02104
241	2104092012	79	2017	02104
311	2201022005	651	2017	02201
312	2201032006	5	2017	02201
313	2201052005	217	2017	02201
314	2201082002	32	2017	02201
315	2201082012	11	2017	02201
316	2201122002	2	2017	02201
317	2201122005	10	2017	02201
318	2201132004	48	2017	02201
319	2201132010	6	2017	02201
320	2201132901	9	2017	02201
321	2201142002	17	2017	02201
322	2201152003	1	2017	02201
323	2201152009	1	2017	02201
393	2202012005	30	2017	02202
394	2202022001	1	2017	02202
395	2202022002	3	2017	02202
465	2203012014	607	2017	02203
466	2203012018	1	2017	02203
467	2203012901	1	2017	02203
468	2203022008	2	2017	02203
469	2203022011	1	2017	02203
470	2203022016	5	2017	02203
471	2203022017	60	2017	02203
472	2203032012	206	2017	02203
473	2203032015	13	2017	02203
543	2301032006	6	2017	02301
544	2301052004	1	2017	02301
545	2301052008	1	2017	02301
546	2301052016	1	2017	02301
547	2301052019	1	2017	02301
617	2302012011	6	2017	02302
618	2302012901	3	2017	02302
619	2302042003	1	2017	02302
620	2302062001	33	2017	02302
621	2302062009	326	2017	02302
NA	NA	NA	NA	NA
NA.1	NA	NA	NA	NA
NA.2	NA	NA	NA	NA
NA.3	NA	NA	NA	NA
NA.4	NA	NA	NA	NA
NA.5	NA	NA	NA	NA
NA.6	NA	NA	NA	NA
NA.7	NA	NA	NA	NA
NA.8	NA	NA	NA	NA
NA.9	NA	NA	NA	NA
NA.10	NA	NA	NA	NA
NA.11	NA	NA	NA	NA
NA.12	NA	NA	NA	NA
NA.13	NA	NA	NA	NA
NA.14	NA	NA	NA	NA
NA.15	NA	NA	NA	NA
NA.16	NA	NA	NA	NA
NA.17	NA	NA	NA	NA
NA.18	NA	NA	NA	NA
NA.19	NA	NA	NA	NA
NA.20	NA	NA	NA	NA
NA.21	NA	NA	NA	NA
NA.22	NA	NA	NA	NA
NA.23	NA	NA	NA	NA
NA.24	NA	NA	NA	NA
NA.25	NA	NA	NA	NA
NA.26	NA	NA	NA	NA
NA.27	NA	NA	NA	NA
NA.28	NA	NA	NA	NA
NA.29	NA	NA	NA	NA
NA.30	NA	NA	NA	NA

2 Variable CASEN

2.1 Tabla de ingresos expandidos

Hemos calculado ya éste valor como conclusión del punto 1.1 de aquí

h_y_m_2017_censo <- readRDS("../corre_ing_exp-censo_casen/Ingresos_expandidos_rural_17.rds")
tablamadre <- head(h_y_m_2017_censo,50)
kbl(tablamadre) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")

código	comuna.x	promedio_i	año	personas	Ingresos_expandidos
01101	Iquique	272529.7	2017	191468	52180713221
01401	Pozo Almonte	243272.4	2017	15711	3822052676
01402	Camiña	226831.0	2017	1250	283538750
01404	Huara	236599.7	2017	2730	645917134
01405	Pica	269198.0	2017	9296	2502464414
02103	Sierra Gorda	322997.9	2017	10186	3290056742
02104	Taltal	288653.8	2017	13317	3844002134
02201	Calama	238080.9	2017	165731	39457387800
02203	San Pedro de Atacama	271472.6	2017	10996	2985112297
02301	Tocopilla	166115.9	2017	25186	4183793832
03101	Copiapó	251396.0	2017	153937	38699138722
03103	Tierra Amarilla	287819.4	2017	14019	4034940816
03202	Diego de Almagro	326439.0	2017	13925	4545663075
03301	Vallenar	217644.6	2017	51917	11299454698
03302	Alto del Carmen	196109.9	2017	5299	1039186477
03303	Freirina	202463.8	2017	7041	1425547554
03304	Huasco	205839.6	2017	10149	2089066548
04101	La Serena	200287.4	2017	221054	44274327972
04102	Coquimbo	206027.8	2017	227730	46918711304
04103	Andacollo	217096.4	2017	11044	2397612293
04104	La Higuera	231674.2	2017	4241	982530309
04105	Paiguano	174868.5	2017	4497	786383423
04106	Vicuña	169077.1	2017	27771	4695441470
04201	Illapel	165639.6	2017	30848	5109649759
04202	Canela	171370.3	2017	9093	1558270441
04203	Los Vilos	173238.5	2017	21382	3704185607
04204	Salamanca	193602.0	2017	29347	5681637894
04301	Ovalle	230819.8	2017	111272	25683781418
04302	Combarbalá	172709.2	2017	13322	2300832587
04303	Monte Patria	189761.6	2017	30751	5835357638
04304	Punitaqui	165862.0	2017	10956	1817183694
04305	Río Hurtado	182027.2	2017	4278	778712384
05101	Valparaíso	251998.5	2017	296655	74756602991
05102	Casablanca	252317.7	2017	26867	6779018483
05105	Puchuncaví	231606.0	2017	18546	4295363979
05107	Quintero	285125.8	2017	31923	9102071069
05301	Los Andes	280548.0	2017	66708	18714795984
05302	Calle Larga	234044.6	2017	14832	3471349123
05303	Rinconada	246136.9	2017	10207	2512319225
05304	San Esteban	211907.3	2017	18855	3995512770
05401	La Ligua	172675.9	2017	35390	6111000517
05402	Cabildo	212985.0	2017	19388	4129354103
05404	Petorca	270139.8	2017	9826	2654393853
05405	Zapallar	235661.4	2017	7339	1729518700
05501	Quillota	212067.6	2017	90517	19195726144
05502	Calera	226906.2	2017	50554	11471016698
05503	Hijuelas	215402.0	2017	17988	3874650405
05504	La Cruz	243333.4	2017	22098	5377180726
05506	Nogales	219800.7	2017	22120	4861992055
05601	San Antonio	230261.5	2017	91350	21034388728

3 Unión Censo-Casen

Integramos a la tabla censal de frecuencias la tabla de ingresos expandidos de la Casen.

comunas_con_ing_exp = merge( x = comuna_corr, y = h_y_m_2017_censo, by = "código", all.x = TRUE)

comunas_con_ing_exp <-comunas_con_ing_exp[!(is.na(comunas_con_ing_exp$Ingresos_expandidos)),]

r3_100 <- comunas_con_ing_exp
kbl(r3_100) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")

	código	zona	Freq	anio	comuna.x	promedio_i	año	personas	Ingresos_expandidos
14	02103	2103042001	22	2017	Sierra Gorda	322997.9	2017	10186	3290056742
15	02103	2103022008	273	2017	Sierra Gorda	322997.9	2017	10186	3290056742
16	02103	2103032002	38	2017	Sierra Gorda	322997.9	2017	10186	3290056742
17	02103	2103012901	1	2017	Sierra Gorda	322997.9	2017	10186	3290056742
18	02103	2103022007	299	2017	Sierra Gorda	322997.9	2017	10186	3290056742
19	02103	2103012003	900	2017	Sierra Gorda	322997.9	2017	10186	3290056742
20	02103	2103012008	645	2017	Sierra Gorda	322997.9	2017	10186	3290056742
21	02103	2103022006	118	2017	Sierra Gorda	322997.9	2017	10186	3290056742
22	02103	2103042005	1	2017	Sierra Gorda	322997.9	2017	10186	3290056742
23	02103	2103992999	9	2017	Sierra Gorda	322997.9	2017	10186	3290056742
24	02104	2104022015	7	2017	Taltal	288653.8	2017	13317	3844002134
25	02104	2104092002	19	2017	Taltal	288653.8	2017	13317	3844002134
26	02104	2104092012	79	2017	Taltal	288653.8	2017	13317	3844002134
27	02104	2104052027	1	2017	Taltal	288653.8	2017	13317	3844002134
28	02104	2104082013	74	2017	Taltal	288653.8	2017	13317	3844002134
29	02104	2104012008	1	2017	Taltal	288653.8	2017	13317	3844002134
30	02104	2104042020	60	2017	Taltal	288653.8	2017	13317	3844002134
31	02104	2104022022	2	2017	Taltal	288653.8	2017	13317	3844002134
32	02104	2104022901	1	2017	Taltal	288653.8	2017	13317	3844002134
33	02104	2104032025	1	2017	Taltal	288653.8	2017	13317	3844002134
34	02104	2104052026	2	2017	Taltal	288653.8	2017	13317	3844002134
35	02201	2201082002	32	2017	Calama	238080.9	2017	165731	39457387800
36	02201	2201132901	9	2017	Calama	238080.9	2017	165731	39457387800
37	02201	2201142002	17	2017	Calama	238080.9	2017	165731	39457387800
38	02201	2201152003	1	2017	Calama	238080.9	2017	165731	39457387800
39	02201	2201152009	1	2017	Calama	238080.9	2017	165731	39457387800
40	02201	2201022005	651	2017	Calama	238080.9	2017	165731	39457387800
41	02201	2201032006	5	2017	Calama	238080.9	2017	165731	39457387800
42	02201	2201052005	217	2017	Calama	238080.9	2017	165731	39457387800
43	02201	2201132004	48	2017	Calama	238080.9	2017	165731	39457387800
44	02201	2201082012	11	2017	Calama	238080.9	2017	165731	39457387800
45	02201	2201122002	2	2017	Calama	238080.9	2017	165731	39457387800
46	02201	2201122005	10	2017	Calama	238080.9	2017	165731	39457387800
47	02201	2201132010	6	2017	Calama	238080.9	2017	165731	39457387800
51	02203	2203012014	607	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297
52	02203	2203022017	60	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297
53	02203	2203032012	206	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297
54	02203	2203032015	13	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297
55	02203	2203022011	1	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297
56	02203	2203012018	1	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297
57	02203	2203012901	1	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297
58	02203	2203022008	2	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297
59	02203	2203022016	5	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297
60	02301	2301032006	6	2017	Tocopilla	166115.9	2017	25186	4183793832
61	02301	2301052008	1	2017	Tocopilla	166115.9	2017	25186	4183793832
62	02301	2301052016	1	2017	Tocopilla	166115.9	2017	25186	4183793832
63	02301	2301052019	1	2017	Tocopilla	166115.9	2017	25186	4183793832
64	02301	2301052004	1	2017	Tocopilla	166115.9	2017	25186	4183793832

4 Proporción poblacional zonal respecto a la comunal

Del censo obtenemos la cantidad de población a nivel de zona y estimamos su proporción a nivel comunal. Ya hemos calculado ésta proporción aquí.

prop_pob <- readRDS("../tabla_de_prop_pob.rds")
names(prop_pob)[1] <- "zona"
names(prop_pob)[3] <- "p_poblacional"

Veamos los 100 primeros registros:

r3_100 <- prop_pob[c(1:100),]
kbl(r3_100) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")

zona	Freq	p_poblacional	código
1101011001	2491	0.0130100	01101
1101011002	1475	0.0077036	01101
1101021001	1003	0.0052385	01101
1101021002	54	0.0002820	01101
1101021003	2895	0.0151200	01101
1101021004	2398	0.0125243	01101
1101021005	4525	0.0236332	01101
1101031001	2725	0.0142321	01101
1101031002	3554	0.0185618	01101
1101031003	5246	0.0273988	01101
1101031004	3389	0.0177001	01101
1101041001	1800	0.0094010	01101
1101041002	2538	0.0132555	01101
1101041003	3855	0.0201339	01101
1101041004	5663	0.0295767	01101
1101041005	4162	0.0217373	01101
1101041006	2689	0.0140441	01101
1101051001	3296	0.0172144	01101
1101051002	4465	0.0233198	01101
1101051003	4656	0.0243174	01101
1101051004	2097	0.0109522	01101
1101051005	3569	0.0186402	01101
1101051006	2741	0.0143157	01101
1101061001	1625	0.0084871	01101
1101061002	4767	0.0248971	01101
1101061003	4826	0.0252053	01101
1101061004	4077	0.0212934	01101
1101061005	2166	0.0113126	01101
1101071001	2324	0.0121378	01101
1101071002	2801	0.0146291	01101
1101071003	3829	0.0199981	01101
1101071004	1987	0.0103777	01101
1101081001	5133	0.0268087	01101
1101081002	3233	0.0168853	01101
1101081003	2122	0.0110828	01101
1101081004	2392	0.0124929	01101
1101092001	57	0.0002977	01101
1101092004	247	0.0012900	01101
1101092005	76	0.0003969	01101
1101092006	603	0.0031494	01101
1101092007	84	0.0004387	01101
1101092010	398	0.0020787	01101
1101092012	58	0.0003029	01101
1101092014	23	0.0001201	01101
1101092016	20	0.0001045	01101
1101092017	8	0.0000418	01101
1101092018	74	0.0003865	01101
1101092019	25	0.0001306	01101
1101092021	177	0.0009244	01101
1101092022	23	0.0001201	01101
1101092023	288	0.0015042	01101
1101092024	14	0.0000731	01101
1101092901	30	0.0001567	01101
1101101001	2672	0.0139553	01101
1101101002	4398	0.0229699	01101
1101101003	4524	0.0236280	01101
1101101004	3544	0.0185096	01101
1101101005	4911	0.0256492	01101
1101101006	3688	0.0192617	01101
1101111001	3886	0.0202958	01101
1101111002	2312	0.0120751	01101
1101111003	4874	0.0254560	01101
1101111004	4543	0.0237272	01101
1101111005	4331	0.0226200	01101
1101111006	3253	0.0169898	01101
1101111007	4639	0.0242286	01101
1101111008	4881	0.0254925	01101
1101111009	5006	0.0261454	01101
1101111010	366	0.0019115	01101
1101111011	4351	0.0227244	01101
1101111012	2926	0.0152819	01101
1101111013	3390	0.0177053	01101
1101111014	2940	0.0153550	01101
1101112003	33	0.0001724	01101
1101112013	104	0.0005432	01101
1101112019	34	0.0001776	01101
1101112025	21	0.0001097	01101
1101112901	6	0.0000313	01101
1101991999	1062	0.0055466	01101
1107011001	4104	0.0378685	01107
1107011002	4360	0.0402307	01107
1107011003	8549	0.0788835	01107
1107012003	3	0.0000277	01107
1107012901	17	0.0001569	01107
1107021001	6701	0.0618316	01107
1107021002	3971	0.0366413	01107
1107021003	6349	0.0585836	01107
1107021004	5125	0.0472895	01107
1107021005	4451	0.0410704	01107
1107021006	3864	0.0356540	01107
1107021007	5235	0.0483045	01107
1107021008	4566	0.0421315	01107
1107031001	4195	0.0387082	01107
1107031002	7099	0.0655040	01107
1107031003	4720	0.0435525	01107
1107032005	38	0.0003506	01107
1107032006	2399	0.0221361	01107
1107032008	4	0.0000369	01107
1107041001	3630	0.0334948	01107
1107041002	5358	0.0494394	01107

5 Ingreso medio

Deseamos el valor del ingreso promedio a nivel comunal, pero expandido a nivel zonal. Ésta información está contenida en el campo promedio_i de la tabla obtenida en el punto 3.

r3_100 <- comunas_con_ing_exp[c(1:100),]
kbl(r3_100) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")

	código	zona	Freq	anio	comuna.x	promedio_i	año	personas	Ingresos_expandidos
14	02103	2103042001	22	2017	Sierra Gorda	322997.9	2017	10186	3290056742
15	02103	2103022008	273	2017	Sierra Gorda	322997.9	2017	10186	3290056742
16	02103	2103032002	38	2017	Sierra Gorda	322997.9	2017	10186	3290056742
17	02103	2103012901	1	2017	Sierra Gorda	322997.9	2017	10186	3290056742
18	02103	2103022007	299	2017	Sierra Gorda	322997.9	2017	10186	3290056742
19	02103	2103012003	900	2017	Sierra Gorda	322997.9	2017	10186	3290056742
20	02103	2103012008	645	2017	Sierra Gorda	322997.9	2017	10186	3290056742
21	02103	2103022006	118	2017	Sierra Gorda	322997.9	2017	10186	3290056742
22	02103	2103042005	1	2017	Sierra Gorda	322997.9	2017	10186	3290056742
23	02103	2103992999	9	2017	Sierra Gorda	322997.9	2017	10186	3290056742
24	02104	2104022015	7	2017	Taltal	288653.8	2017	13317	3844002134
25	02104	2104092002	19	2017	Taltal	288653.8	2017	13317	3844002134
26	02104	2104092012	79	2017	Taltal	288653.8	2017	13317	3844002134
27	02104	2104052027	1	2017	Taltal	288653.8	2017	13317	3844002134
28	02104	2104082013	74	2017	Taltal	288653.8	2017	13317	3844002134
29	02104	2104012008	1	2017	Taltal	288653.8	2017	13317	3844002134
30	02104	2104042020	60	2017	Taltal	288653.8	2017	13317	3844002134
31	02104	2104022022	2	2017	Taltal	288653.8	2017	13317	3844002134
32	02104	2104022901	1	2017	Taltal	288653.8	2017	13317	3844002134
33	02104	2104032025	1	2017	Taltal	288653.8	2017	13317	3844002134
34	02104	2104052026	2	2017	Taltal	288653.8	2017	13317	3844002134
35	02201	2201082002	32	2017	Calama	238080.9	2017	165731	39457387800
36	02201	2201132901	9	2017	Calama	238080.9	2017	165731	39457387800
37	02201	2201142002	17	2017	Calama	238080.9	2017	165731	39457387800
38	02201	2201152003	1	2017	Calama	238080.9	2017	165731	39457387800
39	02201	2201152009	1	2017	Calama	238080.9	2017	165731	39457387800
40	02201	2201022005	651	2017	Calama	238080.9	2017	165731	39457387800
41	02201	2201032006	5	2017	Calama	238080.9	2017	165731	39457387800
42	02201	2201052005	217	2017	Calama	238080.9	2017	165731	39457387800
43	02201	2201132004	48	2017	Calama	238080.9	2017	165731	39457387800
44	02201	2201082012	11	2017	Calama	238080.9	2017	165731	39457387800
45	02201	2201122002	2	2017	Calama	238080.9	2017	165731	39457387800
46	02201	2201122005	10	2017	Calama	238080.9	2017	165731	39457387800
47	02201	2201132010	6	2017	Calama	238080.9	2017	165731	39457387800
51	02203	2203012014	607	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297
52	02203	2203022017	60	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297
53	02203	2203032012	206	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297
54	02203	2203032015	13	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297
55	02203	2203022011	1	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297
56	02203	2203012018	1	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297
57	02203	2203012901	1	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297
58	02203	2203022008	2	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297
59	02203	2203022016	5	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297
60	02301	2301032006	6	2017	Tocopilla	166115.9	2017	25186	4183793832
61	02301	2301052008	1	2017	Tocopilla	166115.9	2017	25186	4183793832
62	02301	2301052016	1	2017	Tocopilla	166115.9	2017	25186	4183793832
63	02301	2301052019	1	2017	Tocopilla	166115.9	2017	25186	4183793832
64	02301	2301052004	1	2017	Tocopilla	166115.9	2017	25186	4183793832
NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.1	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.2	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.3	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.4	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.5	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.6	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.7	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.8	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.9	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.10	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.11	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.12	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.13	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.14	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.15	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.16	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.17	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.18	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.19	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.20	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.21	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.22	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.23	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.24	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.25	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.26	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.27	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.28	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.29	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.30	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.31	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.32	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.33	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.34	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.35	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.36	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.37	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.38	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.39	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.40	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.41	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.42	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.43	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.44	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.45	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.46	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.47	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.48	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.49	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.50	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.51	NA	NA	NA	NA	NA	NA	NA	NA	NA

6 Ingreso promedio expandido por zona (multi_pob)

En éste momento vamos a construir nuestra variable dependiente de regresión aplicando la siguiente fórmula:

\[ multi\_pob = promedio\_i \cdot personas \cdot p\_poblacional \]

Para ello integramos a la tabla de ingresos expandidos a nivel zonal (punto 3) la tabla de proporciones poblacionales zonales respecto al total comunal (punto 4) :

h_y_m_comuna_corr_01 = merge( x = comunas_con_ing_exp, y = prop_pob, by = "zona", all.x = TRUE)
tablamadre <- head(h_y_m_comuna_corr_01,100)
kbl(tablamadre) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")

zona	código.x	Freq.x	anio	comuna.x	promedio_i	año	personas	Ingresos_expandidos	Freq.y	p_poblacional	código.y
2103012003	02103	900	2017	Sierra Gorda	322997.9	2017	10186	3290056742	4045	0.3971137	02103
2103012008	02103	645	2017	Sierra Gorda	322997.9	2017	10186	3290056742	2684	0.2634989	02103
2103012901	02103	1	2017	Sierra Gorda	322997.9	2017	10186	3290056742	8	0.0007854	02103
2103022006	02103	118	2017	Sierra Gorda	322997.9	2017	10186	3290056742	596	0.0585117	02103
2103022007	02103	299	2017	Sierra Gorda	322997.9	2017	10186	3290056742	905	0.0888474	02103
2103022008	02103	273	2017	Sierra Gorda	322997.9	2017	10186	3290056742	744	0.0730414	02103
2103032002	02103	38	2017	Sierra Gorda	322997.9	2017	10186	3290056742	942	0.0924799	02103
2103042001	02103	22	2017	Sierra Gorda	322997.9	2017	10186	3290056742	223	0.0218928	02103
2103042005	02103	1	2017	Sierra Gorda	322997.9	2017	10186	3290056742	11	0.0010799	02103
2103992999	02103	9	2017	Sierra Gorda	322997.9	2017	10186	3290056742	28	0.0027489	02103
2104012008	02104	1	2017	Taltal	288653.8	2017	13317	3844002134	59	0.0044304	02104
2104022015	02104	7	2017	Taltal	288653.8	2017	13317	3844002134	59	0.0044304	02104
2104022022	02104	2	2017	Taltal	288653.8	2017	13317	3844002134	57	0.0042802	02104
2104022901	02104	1	2017	Taltal	288653.8	2017	13317	3844002134	22	0.0016520	02104
2104032025	02104	1	2017	Taltal	288653.8	2017	13317	3844002134	12	0.0009011	02104
2104042020	02104	60	2017	Taltal	288653.8	2017	13317	3844002134	729	0.0547421	02104
2104052026	02104	2	2017	Taltal	288653.8	2017	13317	3844002134	80	0.0060074	02104
2104052027	02104	1	2017	Taltal	288653.8	2017	13317	3844002134	51	0.0038297	02104
2104082013	02104	74	2017	Taltal	288653.8	2017	13317	3844002134	305	0.0229031	02104
2104092002	02104	19	2017	Taltal	288653.8	2017	13317	3844002134	114	0.0085605	02104
2104092012	02104	79	2017	Taltal	288653.8	2017	13317	3844002134	414	0.0310881	02104
2201022005	02201	651	2017	Calama	238080.9	2017	165731	39457387800	3774	0.0227718	02201
2201032006	02201	5	2017	Calama	238080.9	2017	165731	39457387800	36	0.0002172	02201
2201052005	02201	217	2017	Calama	238080.9	2017	165731	39457387800	549	0.0033126	02201
2201082002	02201	32	2017	Calama	238080.9	2017	165731	39457387800	1364	0.0082302	02201
2201082012	02201	11	2017	Calama	238080.9	2017	165731	39457387800	227	0.0013697	02201
2201122002	02201	2	2017	Calama	238080.9	2017	165731	39457387800	151	0.0009111	02201
2201122005	02201	10	2017	Calama	238080.9	2017	165731	39457387800	26	0.0001569	02201
2201132004	02201	48	2017	Calama	238080.9	2017	165731	39457387800	542	0.0032704	02201
2201132010	02201	6	2017	Calama	238080.9	2017	165731	39457387800	108	0.0006517	02201
2201132901	02201	9	2017	Calama	238080.9	2017	165731	39457387800	42	0.0002534	02201
2201142002	02201	17	2017	Calama	238080.9	2017	165731	39457387800	122	0.0007361	02201
2201152003	02201	1	2017	Calama	238080.9	2017	165731	39457387800	119	0.0007180	02201
2201152009	02201	1	2017	Calama	238080.9	2017	165731	39457387800	10	0.0000603	02201
2203012014	02203	607	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	2621	0.2383594	02203
2203012018	02203	1	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	8	0.0007275	02203
2203012901	02203	1	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	40	0.0036377	02203
2203022008	02203	2	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	83	0.0075482	02203
2203022011	02203	1	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	1	0.0000909	02203
2203022016	02203	5	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	55	0.0050018	02203
2203022017	02203	60	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	742	0.0674791	02203
2203032012	02203	206	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	1475	0.1341397	02203
2203032015	02203	13	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	408	0.0371044	02203
2301032006	02301	6	2017	Tocopilla	166115.9	2017	25186	4183793832	118	0.0046851	02301
2301052004	02301	1	2017	Tocopilla	166115.9	2017	25186	4183793832	71	0.0028190	02301
2301052008	02301	1	2017	Tocopilla	166115.9	2017	25186	4183793832	23	0.0009132	02301
2301052016	02301	1	2017	Tocopilla	166115.9	2017	25186	4183793832	11	0.0004368	02301
2301052019	02301	1	2017	Tocopilla	166115.9	2017	25186	4183793832	14	0.0005559	02301

Hacemos la multiplicación que queda almacenada en la variable multi_pob:

h_y_m_comuna_corr_01$multi_pob <- h_y_m_comuna_corr_01$promedio_i * h_y_m_comuna_corr_01$personas * h_y_m_comuna_corr_01$p_poblacional
tablamadre <- head(h_y_m_comuna_corr_01,100)
kbl(tablamadre) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")

zona	código.x	Freq.x	anio	comuna.x	promedio_i	año	personas	Ingresos_expandidos	Freq.y	p_poblacional	código.y	multi_pob
2103012003	02103	900	2017	Sierra Gorda	322997.9	2017	10186	3290056742	4045	0.3971137	02103	1306526558.3
2103012008	02103	645	2017	Sierra Gorda	322997.9	2017	10186	3290056742	2684	0.2634989	02103	866926398.6
2103012901	02103	1	2017	Sierra Gorda	322997.9	2017	10186	3290056742	8	0.0007854	02103	2583983.3
2103022006	02103	118	2017	Sierra Gorda	322997.9	2017	10186	3290056742	596	0.0585117	02103	192506756.2
2103022007	02103	299	2017	Sierra Gorda	322997.9	2017	10186	3290056742	905	0.0888474	02103	292313111.3
2103022008	02103	273	2017	Sierra Gorda	322997.9	2017	10186	3290056742	744	0.0730414	02103	240310447.3
2103032002	02103	38	2017	Sierra Gorda	322997.9	2017	10186	3290056742	942	0.0924799	02103	304264034.1
2103042001	02103	22	2017	Sierra Gorda	322997.9	2017	10186	3290056742	223	0.0218928	02103	72028534.6
2103042005	02103	1	2017	Sierra Gorda	322997.9	2017	10186	3290056742	11	0.0010799	02103	3552977.0
2103992999	02103	9	2017	Sierra Gorda	322997.9	2017	10186	3290056742	28	0.0027489	02103	9043941.6
2104012008	02104	1	2017	Taltal	288653.8	2017	13317	3844002134	59	0.0044304	02104	17030571.9
2104022015	02104	7	2017	Taltal	288653.8	2017	13317	3844002134	59	0.0044304	02104	17030571.9
2104022022	02104	2	2017	Taltal	288653.8	2017	13317	3844002134	57	0.0042802	02104	16453264.4
2104022901	02104	1	2017	Taltal	288653.8	2017	13317	3844002134	22	0.0016520	02104	6350382.7
2104032025	02104	1	2017	Taltal	288653.8	2017	13317	3844002134	12	0.0009011	02104	3463845.1
2104042020	02104	60	2017	Taltal	288653.8	2017	13317	3844002134	729	0.0547421	02104	210428591.7
2104052026	02104	2	2017	Taltal	288653.8	2017	13317	3844002134	80	0.0060074	02104	23092300.9
2104052027	02104	1	2017	Taltal	288653.8	2017	13317	3844002134	51	0.0038297	02104	14721341.8
2104082013	02104	74	2017	Taltal	288653.8	2017	13317	3844002134	305	0.0229031	02104	88039397.1
2104092002	02104	19	2017	Taltal	288653.8	2017	13317	3844002134	114	0.0085605	02104	32906528.7
2104092012	02104	79	2017	Taltal	288653.8	2017	13317	3844002134	414	0.0310881	02104	119502657.0
2201022005	02201	651	2017	Calama	238080.9	2017	165731	39457387800	3774	0.0227718	02201	898517365.8
2201032006	02201	5	2017	Calama	238080.9	2017	165731	39457387800	36	0.0002172	02201	8570912.9
2201052005	02201	217	2017	Calama	238080.9	2017	165731	39457387800	549	0.0033126	02201	130706421.3
2201082002	02201	32	2017	Calama	238080.9	2017	165731	39457387800	1364	0.0082302	02201	324742365.4
2201082012	02201	11	2017	Calama	238080.9	2017	165731	39457387800	227	0.0013697	02201	54044367.3
2201122002	02201	2	2017	Calama	238080.9	2017	165731	39457387800	151	0.0009111	02201	35950217.9
2201122005	02201	10	2017	Calama	238080.9	2017	165731	39457387800	26	0.0001569	02201	6190103.7
2201132004	02201	48	2017	Calama	238080.9	2017	165731	39457387800	542	0.0032704	02201	129039854.9
2201132010	02201	6	2017	Calama	238080.9	2017	165731	39457387800	108	0.0006517	02201	25712738.6
2201132901	02201	9	2017	Calama	238080.9	2017	165731	39457387800	42	0.0002534	02201	9999398.3
2201142002	02201	17	2017	Calama	238080.9	2017	165731	39457387800	122	0.0007361	02201	29045871.4
2201152003	02201	1	2017	Calama	238080.9	2017	165731	39457387800	119	0.0007180	02201	28331628.7
2201152009	02201	1	2017	Calama	238080.9	2017	165731	39457387800	10	0.0000603	02201	2380809.1
2203012014	02203	607	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	2621	0.2383594	02203	711529586.3
2203012018	02203	1	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	8	0.0007275	02203	2171780.5
2203012901	02203	1	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	40	0.0036377	02203	10858902.5
2203022008	02203	2	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	83	0.0075482	02203	22532222.7
2203022011	02203	1	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	1	0.0000909	02203	271472.6
2203022016	02203	5	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	55	0.0050018	02203	14930990.9
2203022017	02203	60	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	742	0.0674791	02203	201432641.4
2203032012	02203	206	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	1475	0.1341397	02203	400422029.7
2203032015	02203	13	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	408	0.0371044	02203	110760805.5
2301032006	02301	6	2017	Tocopilla	166115.9	2017	25186	4183793832	118	0.0046851	02301	19601670.5
2301052004	02301	1	2017	Tocopilla	166115.9	2017	25186	4183793832	71	0.0028190	02301	11794225.4
2301052008	02301	1	2017	Tocopilla	166115.9	2017	25186	4183793832	23	0.0009132	02301	3820664.6
2301052016	02301	1	2017	Tocopilla	166115.9	2017	25186	4183793832	11	0.0004368	02301	1827274.4
2301052019	02301	1	2017	Tocopilla	166115.9	2017	25186	4183793832	14	0.0005559	02301	2325621.9

7 Análisis de regresión

Aplicaremos un análisis de regresión donde:

\[ Y(dependiente) = ingreso \ expandido \ por \ zona \ (multi\_pob)\]

\[ X(independiente) = frecuencia \ de \ población \ que \ posee \ la \ variable \ Censal \ respecto \ a \ la \ zona \ (Freq.x) \]

7.1 Diagrama de dispersión loess

scatter.smooth(x=h_y_m_comuna_corr_01$Freq.x, y=h_y_m_comuna_corr_01$multi_pob, main="multi_pob ~ Freq.x",
     xlab = "Freq.x",
     ylab = "multi_pob",
           col = 2)

7.2 Outliers

Hemos demostrado en el punto 5.7.2 de aquí que la exclusión de ouliers no genera ninguna mejora en el modelo de regresión.

7.3 Modelo lineal

Aplicaremos un análisis de regresión lineal del ingreso expandido por zona sobre las frecuencias de respuestas zonales.

linearMod <- lm( multi_pob~(Freq.x) , data=h_y_m_comuna_corr_01)
summary(linearMod)

## 
## Call:
## lm(formula = multi_pob ~ (Freq.x), data = h_y_m_comuna_corr_01)
## 
## Residuals:
##        Min         1Q     Median         3Q        Max 
## -176575935  -24774024  -15814472    9039800  257395862 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 25844086   11995944   2.154   0.0365 *  
## Freq.x       1296951      54668  23.724   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 75260000 on 46 degrees of freedom
## Multiple R-squared:  0.9244, Adjusted R-squared:  0.9228 
## F-statistic: 562.8 on 1 and 46 DF,  p-value: < 2.2e-16

7.4 Gráfica de la recta de regresión lineal

ggplot(h_y_m_comuna_corr_01, aes(x = Freq.x , y = multi_pob)) + 
  geom_point() +
  stat_smooth(method = "lm", col = "red")

Si bien obtenemos nuestro modelo lineal da cuenta del 0.8214 de la variabilidad de los datos de respuesta en torno a su media, modelos alternativos pueden ofrecernos una explicación de la variable dependiente aún mayor.

8 Modelos alternativos

8.1 Modelo cuadrático

\[ \hat Y = \beta_0 + \beta_1 X^2 \]

linearMod <- lm( multi_pob~(Freq.x^2) , data=h_y_m_comuna_corr_01)
summary(linearMod)

## 
## Call:
## lm(formula = multi_pob ~ (Freq.x^2), data = h_y_m_comuna_corr_01)
## 
## Residuals:
##        Min         1Q     Median         3Q        Max 
## -176575935  -24774024  -15814472    9039800  257395862 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 25844086   11995944   2.154   0.0365 *  
## Freq.x       1296951      54668  23.724   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 75260000 on 46 degrees of freedom
## Multiple R-squared:  0.9244, Adjusted R-squared:  0.9228 
## F-statistic: 562.8 on 1 and 46 DF,  p-value: < 2.2e-16

8.2 Modelo cúbico

\[ \hat Y = \beta_0 + \beta_1 X^3 \]

linearMod <- lm( multi_pob~(Freq.x^3) , data=h_y_m_comuna_corr_01)
summary(linearMod)

## 
## Call:
## lm(formula = multi_pob ~ (Freq.x^3), data = h_y_m_comuna_corr_01)
## 
## Residuals:
##        Min         1Q     Median         3Q        Max 
## -176575935  -24774024  -15814472    9039800  257395862 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 25844086   11995944   2.154   0.0365 *  
## Freq.x       1296951      54668  23.724   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 75260000 on 46 degrees of freedom
## Multiple R-squared:  0.9244, Adjusted R-squared:  0.9228 
## F-statistic: 562.8 on 1 and 46 DF,  p-value: < 2.2e-16

8.3 Modelo logarítmico

\[ \hat Y = \beta_0 + \beta_1 ln X \]

linearMod <- lm( multi_pob~log(Freq.x) , data=h_y_m_comuna_corr_01)
summary(linearMod)

## 
## Call:
## lm(formula = multi_pob ~ log(Freq.x), data = h_y_m_comuna_corr_01)
## 
## Residuals:
##        Min         1Q     Median         3Q        Max 
## -296582274 -122614341   26489158   74789583  747425964 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -71225035   37567237  -1.896   0.0643 .  
## log(Freq.x)  92662313   11669745   7.940 3.62e-10 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 177800000 on 46 degrees of freedom
## Multiple R-squared:  0.5782, Adjusted R-squared:  0.569 
## F-statistic: 63.05 on 1 and 46 DF,  p-value: 3.621e-10

8.4 Modelo exponencial

\[ \hat Y = \beta_0 + \beta_1 e^X \]

No es aplicable sin una transformación pues los valores elevados a \(e\) de Freq.x tienden a infinito.

8.5 Modelo con raíz cuadrada

\[ \hat Y = \beta_0 + \beta_1 \sqrt {X} \]

linearMod <- lm( multi_pob~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)
summary(linearMod)

## 
## Call:
## lm(formula = multi_pob ~ sqrt(Freq.x), data = h_y_m_comuna_corr_01)
## 
## Residuals:
##        Min         1Q     Median         3Q        Max 
## -301793193  -33984265   23583233   32272741  368019872 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  -55673188   19510971  -2.853  0.00646 ** 
## sqrt(Freq.x)  33139329    2022061  16.389  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 104700000 on 46 degrees of freedom
## Multiple R-squared:  0.8538, Adjusted R-squared:  0.8506 
## F-statistic: 268.6 on 1 and 46 DF,  p-value: < 2.2e-16

8.6 Modelo raíz-raíz

\[ \hat Y = {\beta_0}^2 + 2 \beta_0 \beta_1 \sqrt{X}+ \beta_1^2 X \]

linearMod <- lm( sqrt(multi_pob)~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)
summary(linearMod)

## 
## Call:
## lm(formula = sqrt(multi_pob) ~ sqrt(Freq.x), data = h_y_m_comuna_corr_01)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -6410.6 -1727.0  -577.6  1102.9  9776.1 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept)   2260.52     542.19   4.169 0.000134 ***
## sqrt(Freq.x)  1057.83      56.19  18.825  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2909 on 46 degrees of freedom
## Multiple R-squared:  0.8851, Adjusted R-squared:  0.8826 
## F-statistic: 354.4 on 1 and 46 DF,  p-value: < 2.2e-16

8.7 Modelo log-raíz

\[ \hat Y = e^{\beta_0 + \beta_1 \sqrt{X}} \]

linearMod <- lm( log(multi_pob)~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)
summary(linearMod)

## 
## Call:
## lm(formula = log(multi_pob) ~ sqrt(Freq.x), data = h_y_m_comuna_corr_01)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -3.7059 -0.6706  0.0798  0.7747  2.4222 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  16.01166    0.22051   72.61  < 2e-16 ***
## sqrt(Freq.x)  0.20589    0.02285    9.01 1.01e-11 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.183 on 46 degrees of freedom
## Multiple R-squared:  0.6383, Adjusted R-squared:  0.6304 
## F-statistic: 81.17 on 1 and 46 DF,  p-value: 1.007e-11

8.8 Modelo raíz-log

\[ \hat Y = {\beta_0}^2 + 2 \beta_0 \beta_1 \ln{X}+ \beta_1^2 ln^2X \]

linearMod <- lm( sqrt(multi_pob)~log(Freq.x) , data=h_y_m_comuna_corr_01)
summary(linearMod)

## 
## Call:
## lm(formula = sqrt(multi_pob) ~ log(Freq.x), data = h_y_m_comuna_corr_01)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -7512.9 -2951.6   719.8  1934.2 12397.0 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    779.6      848.3   0.919    0.363    
## log(Freq.x)   3376.7      263.5  12.814   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 4016 on 46 degrees of freedom
## Multiple R-squared:  0.7812, Adjusted R-squared:  0.7764 
## F-statistic: 164.2 on 1 and 46 DF,  p-value: < 2.2e-16

8.9 Modelo log-log

\[ \hat Y = e^{\beta_0+\beta_1 ln{X}} \]

linearMod <- lm( log(multi_pob)~log(Freq.x) , data=h_y_m_comuna_corr_01)
summary(linearMod)

## 
## Call:
## lm(formula = log(multi_pob) ~ log(Freq.x), data = h_y_m_comuna_corr_01)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -2.92484 -0.50062 -0.04468  0.56296  1.72303 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 15.43645    0.18955   81.44   <2e-16 ***
## log(Freq.x)  0.77930    0.05888   13.23   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.8972 on 46 degrees of freedom
## Multiple R-squared:  0.792,  Adjusted R-squared:  0.7875 
## F-statistic: 175.2 on 1 and 46 DF,  p-value: < 2.2e-16

9 Modelo raiz-raiz (raiz-raiz)

Es éste el modelo que nos entrega el mayor coeficiente de determinación de todos (0.8826). Si bien el modelo lineal sin variables transformadas nos entrega un coeficiente de determinacion mas alto, el intercepto solo es estadisticamente significativo al 0,01.

9.1 Diagrama de dispersión sobre raiz-raiz

Desplegamos una curva suavizada por loess en el diagrama de dispersión.

scatter.smooth(x=sqrt(h_y_m_comuna_corr_01$Freq.x), y=sqrt(h_y_m_comuna_corr_01$multi_pob), lpars = list(col = "red", lwd = 2, lty = 1), main="multi_pob ~ Freq.x")

9.2 Modelo raiz-raiz

Observemos nuevamente el resultado sobre raiz-raiz.

linearMod <- lm(sqrt( multi_pob)~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)
summary(linearMod)

## 
## Call:
## lm(formula = sqrt(multi_pob) ~ sqrt(Freq.x), data = h_y_m_comuna_corr_01)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -6410.6 -1727.0  -577.6  1102.9  9776.1 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept)   2260.52     542.19   4.169 0.000134 ***
## sqrt(Freq.x)  1057.83      56.19  18.825  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2909 on 46 degrees of freedom
## Multiple R-squared:  0.8851, Adjusted R-squared:  0.8826 
## F-statistic: 354.4 on 1 and 46 DF,  p-value: < 2.2e-16

ggplot(h_y_m_comuna_corr_01, aes(x = sqrt(Freq.x) , y = sqrt(multi_pob))) + 
  geom_point() +
  stat_smooth(method = "lm", col = "red")

9.3 Análisis de residuos

par(mfrow = c (2,2))
plot(linearMod)

9.4 Ecuación del modelo

\[ \hat Y = {2260.52}^2 + 2 \cdot 2260.52 \cdot 1057.83 \sqrt{X}+ 1057.83^2 \cdot X \]

10 Aplicación la regresión a los valores de la variable a nivel de zona

Esta nueva variable se llamará: est_ing

h_y_m_comuna_corr_01$est_ing <- {2260.52}^2 + 2 * 2260.52 * 1057.83 * sqrt(h_y_m_comuna_corr_01$Freq.x)+  1057.83^2 * h_y_m_comuna_corr_01$Freq.x 

r3_100 <- h_y_m_comuna_corr_01[c(1:100),]
kbl(r3_100) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")

	zona	código.x	Freq.x	anio	comuna.x	promedio_i	año	personas	Ingresos_expandidos	Freq.y	p_poblacional	código.y	multi_pob	est_ing
1	2103012003	02103	900	2017	Sierra Gorda	322997.9	2017	10186	3290056742	4045	0.3971137	02103	1306526558.3	1155688581
2	2103012008	02103	645	2017	Sierra Gorda	322997.9	2017	10186	3290056742	2684	0.2634989	02103	866926398.6	848327956
3	2103012901	02103	1	2017	Sierra Gorda	322997.9	2017	10186	3290056742	8	0.0007854	02103	2583983.3	11011447
4	2103022006	02103	118	2017	Sierra Gorda	322997.9	2017	10186	3290056742	596	0.0585117	02103	192506756.2	189103617
5	2103022007	02103	299	2017	Sierra Gorda	322997.9	2017	10186	3290056742	905	0.0888474	02103	292313111.3	422389252
6	2103022008	02103	273	2017	Sierra Gorda	322997.9	2017	10186	3290056742	744	0.0730414	02103	240310447.3	389617859
7	2103032002	02103	38	2017	Sierra Gorda	322997.9	2017	10186	3290056742	942	0.0924799	02103	304264034.1	77113373
8	2103042001	02103	22	2017	Sierra Gorda	322997.9	2017	10186	3290056742	223	0.0218928	02103	72028534.6	52159920
9	2103042005	02103	1	2017	Sierra Gorda	322997.9	2017	10186	3290056742	11	0.0010799	02103	3552977.0	11011447
10	2103992999	02103	9	2017	Sierra Gorda	322997.9	2017	10186	3290056742	28	0.0027489	02103	9043941.6	29528465
11	2104012008	02104	1	2017	Taltal	288653.8	2017	13317	3844002134	59	0.0044304	02104	17030571.9	11011447
12	2104022015	02104	7	2017	Taltal	288653.8	2017	13317	3844002134	59	0.0044304	02104	17030571.9	25596265
13	2104022022	02104	2	2017	Taltal	288653.8	2017	13317	3844002134	57	0.0042802	02104	16453264.4	14111424
14	2104022901	02104	1	2017	Taltal	288653.8	2017	13317	3844002134	22	0.0016520	02104	6350382.7	11011447
15	2104032025	02104	1	2017	Taltal	288653.8	2017	13317	3844002134	12	0.0009011	02104	3463845.1	11011447
16	2104042020	02104	60	2017	Taltal	288653.8	2017	13317	3844002134	729	0.0547421	02104	210428591.7	109295231
17	2104052026	02104	2	2017	Taltal	288653.8	2017	13317	3844002134	80	0.0060074	02104	23092300.9	14111424
18	2104052027	02104	1	2017	Taltal	288653.8	2017	13317	3844002134	51	0.0038297	02104	14721341.8	11011447
19	2104082013	02104	74	2017	Taltal	288653.8	2017	13317	3844002134	305	0.0229031	02104	88039397.1	129056819
20	2104092002	02104	19	2017	Taltal	288653.8	2017	13317	3844002134	114	0.0085605	02104	32906528.7	47217431
21	2104092012	02104	79	2017	Taltal	288653.8	2017	13317	3844002134	414	0.0310881	02104	119502657.0	136019007
22	2201022005	02201	651	2017	Calama	238080.9	2017	165731	39457387800	3774	0.0227718	02201	898517365.8	855605606
23	2201032006	02201	5	2017	Calama	238080.9	2017	165731	39457387800	36	0.0002172	02201	8570912.9	21398949
24	2201052005	02201	217	2017	Calama	238080.9	2017	165731	39457387800	549	0.0033126	02201	130706421.3	318384388
25	2201082002	02201	32	2017	Calama	238080.9	2017	165731	39457387800	1364	0.0082302	02201	324742365.4	67971947
26	2201082012	02201	11	2017	Calama	238080.9	2017	165731	39457387800	227	0.0013697	02201	54044367.3	33280729
27	2201122002	02201	2	2017	Calama	238080.9	2017	165731	39457387800	151	0.0009111	02201	35950217.9	14111424
28	2201122005	02201	10	2017	Calama	238080.9	2017	165731	39457387800	26	0.0001569	02201	6190103.7	31423561
29	2201132004	02201	48	2017	Calama	238080.9	2017	165731	39457387800	542	0.0032704	02201	129039854.9	91956232
30	2201132010	02201	6	2017	Calama	238080.9	2017	165731	39457387800	108	0.0006517	02201	25712738.6	23538641
31	2201132901	02201	9	2017	Calama	238080.9	2017	165731	39457387800	42	0.0002534	02201	9999398.3	29528465
32	2201142002	02201	17	2017	Calama	238080.9	2017	165731	39457387800	122	0.0007361	02201	29045871.4	43851743
33	2201152003	02201	1	2017	Calama	238080.9	2017	165731	39457387800	119	0.0007180	02201	28331628.7	11011447
34	2201152009	02201	1	2017	Calama	238080.9	2017	165731	39457387800	10	0.0000603	02201	2380809.1	11011447
35	2203012014	02203	607	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	2621	0.2383594	02203	711529586.3	802173585
36	2203012018	02203	1	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	8	0.0007275	02203	2171780.5	11011447
37	2203012901	02203	1	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	40	0.0036377	02203	10858902.5	11011447
38	2203022008	02203	2	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	83	0.0075482	02203	22532222.7	14111424
39	2203022011	02203	1	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	1	0.0000909	02203	271472.6	11011447
40	2203022016	02203	5	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	55	0.0050018	02203	14930990.9	21398949
41	2203022017	02203	60	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	742	0.0674791	02203	201432641.4	109295231
42	2203032012	02203	206	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	1475	0.1341397	02203	400422029.7	304266508
43	2203032015	02203	13	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	408	0.0371044	02203	110760805.5	36900526
44	2301032006	02301	6	2017	Tocopilla	166115.9	2017	25186	4183793832	118	0.0046851	02301	19601670.5	23538641
45	2301052004	02301	1	2017	Tocopilla	166115.9	2017	25186	4183793832	71	0.0028190	02301	11794225.4	11011447
46	2301052008	02301	1	2017	Tocopilla	166115.9	2017	25186	4183793832	23	0.0009132	02301	3820664.6	11011447
47	2301052016	02301	1	2017	Tocopilla	166115.9	2017	25186	4183793832	11	0.0004368	02301	1827274.4	11011447
48	2301052019	02301	1	2017	Tocopilla	166115.9	2017	25186	4183793832	14	0.0005559	02301	2325621.9	11011447
NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.3	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.4	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.5	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.6	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.7	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.8	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.9	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.10	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.11	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.12	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.13	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.14	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.15	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.16	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.17	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.18	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.19	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.20	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.21	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.22	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.23	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.24	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.25	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.26	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.27	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.28	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.29	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.30	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.31	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.32	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.33	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.34	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.35	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.36	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.37	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.38	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.39	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.40	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.41	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.42	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.43	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.44	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.45	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.46	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.47	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.48	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.49	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.50	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.51	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA

11 División del valor estimado entre la población total de la zona para obtener el ingreso medio por zona

\[ Ingreso \_ Medio\_zona = est\_ing / (personas * p\_poblacional) \]

h_y_m_comuna_corr_01$ing_medio_zona <- h_y_m_comuna_corr_01$est_ing  /( h_y_m_comuna_corr_01$personas  * h_y_m_comuna_corr_01$p_poblacional)

r3_100 <- h_y_m_comuna_corr_01[c(1:100),]
kbl(r3_100) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")

	zona	código.x	Freq.x	anio	comuna.x	promedio_i	año	personas	Ingresos_expandidos	Freq.y	p_poblacional	código.y	multi_pob	est_ing	ing_medio_zona
1	2103012003	02103	900	2017	Sierra Gorda	322997.9	2017	10186	3290056742	4045	0.3971137	02103	1306526558.3	1155688581	285707.93
2	2103012008	02103	645	2017	Sierra Gorda	322997.9	2017	10186	3290056742	2684	0.2634989	02103	866926398.6	848327956	316068.54
3	2103012901	02103	1	2017	Sierra Gorda	322997.9	2017	10186	3290056742	8	0.0007854	02103	2583983.3	11011447	1376430.84
4	2103022006	02103	118	2017	Sierra Gorda	322997.9	2017	10186	3290056742	596	0.0585117	02103	192506756.2	189103617	317287.95
5	2103022007	02103	299	2017	Sierra Gorda	322997.9	2017	10186	3290056742	905	0.0888474	02103	292313111.3	422389252	466728.46
6	2103022008	02103	273	2017	Sierra Gorda	322997.9	2017	10186	3290056742	744	0.0730414	02103	240310447.3	389617859	523679.92
7	2103032002	02103	38	2017	Sierra Gorda	322997.9	2017	10186	3290056742	942	0.0924799	02103	304264034.1	77113373	81861.33
8	2103042001	02103	22	2017	Sierra Gorda	322997.9	2017	10186	3290056742	223	0.0218928	02103	72028534.6	52159920	233900.99
9	2103042005	02103	1	2017	Sierra Gorda	322997.9	2017	10186	3290056742	11	0.0010799	02103	3552977.0	11011447	1001040.61
10	2103992999	02103	9	2017	Sierra Gorda	322997.9	2017	10186	3290056742	28	0.0027489	02103	9043941.6	29528465	1054588.02
11	2104012008	02104	1	2017	Taltal	288653.8	2017	13317	3844002134	59	0.0044304	02104	17030571.9	11011447	186634.69
12	2104022015	02104	7	2017	Taltal	288653.8	2017	13317	3844002134	59	0.0044304	02104	17030571.9	25596265	433834.99
13	2104022022	02104	2	2017	Taltal	288653.8	2017	13317	3844002134	57	0.0042802	02104	16453264.4	14111424	247568.84
14	2104022901	02104	1	2017	Taltal	288653.8	2017	13317	3844002134	22	0.0016520	02104	6350382.7	11011447	500520.31
15	2104032025	02104	1	2017	Taltal	288653.8	2017	13317	3844002134	12	0.0009011	02104	3463845.1	11011447	917620.56
16	2104042020	02104	60	2017	Taltal	288653.8	2017	13317	3844002134	729	0.0547421	02104	210428591.7	109295231	149924.87
17	2104052026	02104	2	2017	Taltal	288653.8	2017	13317	3844002134	80	0.0060074	02104	23092300.9	14111424	176392.80
18	2104052027	02104	1	2017	Taltal	288653.8	2017	13317	3844002134	51	0.0038297	02104	14721341.8	11011447	215910.72
19	2104082013	02104	74	2017	Taltal	288653.8	2017	13317	3844002134	305	0.0229031	02104	88039397.1	129056819	423137.11
20	2104092002	02104	19	2017	Taltal	288653.8	2017	13317	3844002134	114	0.0085605	02104	32906528.7	47217431	414187.99
21	2104092012	02104	79	2017	Taltal	288653.8	2017	13317	3844002134	414	0.0310881	02104	119502657.0	136019007	328548.33
22	2201022005	02201	651	2017	Calama	238080.9	2017	165731	39457387800	3774	0.0227718	02201	898517365.8	855605606	226710.55
23	2201032006	02201	5	2017	Calama	238080.9	2017	165731	39457387800	36	0.0002172	02201	8570912.9	21398949	594415.25
24	2201052005	02201	217	2017	Calama	238080.9	2017	165731	39457387800	549	0.0033126	02201	130706421.3	318384388	579935.13
25	2201082002	02201	32	2017	Calama	238080.9	2017	165731	39457387800	1364	0.0082302	02201	324742365.4	67971947	49832.81
26	2201082012	02201	11	2017	Calama	238080.9	2017	165731	39457387800	227	0.0013697	02201	54044367.3	33280729	146611.14
27	2201122002	02201	2	2017	Calama	238080.9	2017	165731	39457387800	151	0.0009111	02201	35950217.9	14111424	93453.14
28	2201122005	02201	10	2017	Calama	238080.9	2017	165731	39457387800	26	0.0001569	02201	6190103.7	31423561	1208598.48
29	2201132004	02201	48	2017	Calama	238080.9	2017	165731	39457387800	542	0.0032704	02201	129039854.9	91956232	169660.95
30	2201132010	02201	6	2017	Calama	238080.9	2017	165731	39457387800	108	0.0006517	02201	25712738.6	23538641	217950.38
31	2201132901	02201	9	2017	Calama	238080.9	2017	165731	39457387800	42	0.0002534	02201	9999398.3	29528465	703058.68
32	2201142002	02201	17	2017	Calama	238080.9	2017	165731	39457387800	122	0.0007361	02201	29045871.4	43851743	359440.51
33	2201152003	02201	1	2017	Calama	238080.9	2017	165731	39457387800	119	0.0007180	02201	28331628.7	11011447	92533.17
34	2201152009	02201	1	2017	Calama	238080.9	2017	165731	39457387800	10	0.0000603	02201	2380809.1	11011447	1101144.67
35	2203012014	02203	607	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	2621	0.2383594	02203	711529586.3	802173585	306056.31
36	2203012018	02203	1	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	8	0.0007275	02203	2171780.5	11011447	1376430.84
37	2203012901	02203	1	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	40	0.0036377	02203	10858902.5	11011447	275286.17
38	2203022008	02203	2	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	83	0.0075482	02203	22532222.7	14111424	170017.16
39	2203022011	02203	1	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	1	0.0000909	02203	271472.6	11011447	11011446.72
40	2203022016	02203	5	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	55	0.0050018	02203	14930990.9	21398949	389071.80
41	2203022017	02203	60	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	742	0.0674791	02203	201432641.4	109295231	147298.15
42	2203032012	02203	206	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	1475	0.1341397	02203	400422029.7	304266508	206282.38
43	2203032015	02203	13	2017	San Pedro de Atacama	271472.6	2017	10996	2985112297	408	0.0371044	02203	110760805.5	36900526	90442.47
44	2301032006	02301	6	2017	Tocopilla	166115.9	2017	25186	4183793832	118	0.0046851	02301	19601670.5	23538641	199480.01
45	2301052004	02301	1	2017	Tocopilla	166115.9	2017	25186	4183793832	71	0.0028190	02301	11794225.4	11011447	155090.80
46	2301052008	02301	1	2017	Tocopilla	166115.9	2017	25186	4183793832	23	0.0009132	02301	3820664.6	11011447	478758.55
47	2301052016	02301	1	2017	Tocopilla	166115.9	2017	25186	4183793832	11	0.0004368	02301	1827274.4	11011447	1001040.61
48	2301052019	02301	1	2017	Tocopilla	166115.9	2017	25186	4183793832	14	0.0005559	02301	2325621.9	11011447	786531.91
NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.3	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.4	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.5	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.6	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.7	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.8	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.9	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.10	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.11	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.12	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.13	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.14	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.15	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.16	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.17	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.18	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.19	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.20	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.21	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.22	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.23	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.24	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.25	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.26	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.27	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.28	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.29	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.30	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.31	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.32	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.33	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.34	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.35	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.36	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.37	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.38	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.39	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.40	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.41	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.42	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.43	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.44	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.45	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.46	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.47	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.48	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.49	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.50	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.51	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA

Guardamos:

saveRDS(h_y_m_comuna_corr_01, "P15/region_02_P15_r.rds")

12 Referencias

https://rpubs.com/osoramirez/316691

https://dataintelligencechile.shinyapps.io/casenfinal

Manual_de_usuario_Censo_2017_16R.pdf

http://www.censo2017.cl/microdatos/

Censo de Población y Vivienda

https://www.ine.cl/estadisticas/sociales/censos-de-poblacion-y-vivienda/poblacion-y-vivienda

http://r-statistics.co/Linear-Regression.html