Expansión de la CASEN sobre el CENSO (Región 12)

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 12.

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 12 y con la zona = 2:

tabla_con_clave <- filter(tabla_con_clave, tabla_con_clave$REGION == 12) 
tabla_con_clave <- filter(tabla_con_clave, tabla_con_clave$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	12101092005	12	12101	140	2017
2	12101092006	12	12101	23	2017
3	12101092007	12	12101	2	2017
4	12101092009	12	12101	18	2017
5	12101092014	12	12101	1	2017
6	12101092016	12	12101	12	2017
7	12101092019	12	12101	57	2017
8	12101092020	12	12101	49	2017
9	12101092032	12	12101	109	2017
10	12101092901	12	12101	2	2017
11	12101102002	12	12101	12	2017
12	12101102015	12	12101	70	2017
13	12101102017	12	12101	9	2017
14	12101102021	12	12101	24	2017
15	12101102029	12	12101	5	2017
16	12101102030	12	12101	28	2017
17	12101102033	12	12101	5	2017
18	12101102901	12	12101	7	2017
19	12101112901	12	12101	1	2017
20	12101122001	12	12101	14	2017
21	12101122010	12	12101	4	2017
22	12101122026	12	12101	1	2017
23	12101142011	12	12101	17	2017
144	12102012004	12	12102	3	2017
145	12102012012	12	12102	2	2017
146	12102012017	12	12102	6	2017
147	12102012020	12	12102	14	2017
148	12102012901	12	12102	4	2017
269	12103012003	12	12103	2	2017
270	12103012004	12	12103	1	2017
271	12103012006	12	12103	1	2017
272	12103012007	12	12103	2	2017
273	12103012010	12	12103	2	2017
274	12103012012	12	12103	1	2017
275	12103012014	12	12103	19	2017
276	12103012015	12	12103	1	2017
277	12103012017	12	12103	3	2017
278	12103012018	12	12103	1	2017
279	12103012019	12	12103	4	2017
280	12103012020	12	12103	2	2017
281	12103012901	12	12103	2	2017
282	12103022001	12	12103	3	2017
283	12103022008	12	12103	1	2017
284	12103022009	12	12103	52	2017
285	12103022014	12	12103	1	2017
286	12103022016	12	12103	2	2017
287	12103022901	12	12103	2	2017
408	12104012001	12	12104	1	2017
409	12104012002	12	12104	15	2017
410	12104012007	12	12104	31	2017
411	12104012008	12	12104	2	2017
412	12104012010	12	12104	47	2017
413	12104012901	12	12104	2	2017
414	12104022011	12	12104	4	2017
415	12104022901	12	12104	4	2017
416	12104992999	12	12104	1	2017
537	12201012003	12	12201	1	2017
538	12201012009	12	12201	4	2017
539	12201012025	12	12201	1	2017
540	12201012901	12	12201	6	2017
541	12201032002	12	12201	8	2017
662	12202012002	12	12202	42	2017
663	12202012003	12	12202	2	2017
664	12202022001	12	12202	3	2017
785	12301012007	12	12301	7	2017
786	12301012008	12	12301	3	2017
787	12301022006	12	12301	1	2017
788	12301022010	12	12301	1	2017
789	12301032002	12	12301	9	2017
790	12301032003	12	12301	7	2017
791	12301032011	12	12301	25	2017
912	12302012002	12	12302	1	2017
913	12302012004	12	12302	1	2017
914	12302012005	12	12302	122	2017
915	12302012009	12	12302	14	2017
916	12302012011	12	12302	4	2017
917	12302012016	12	12302	1	2017
918	12302012901	12	12302	8	2017
919	12302022001	12	12302	4	2017
920	12302022901	12	12302	1	2017
1041	12303012001	12	12303	14	2017
1042	12303012005	12	12303	6	2017
1043	12303012009	12	12303	1	2017
1044	12303012010	12	12303	8	2017
1045	12303012011	12	12303	10	2017
1046	12303012012	12	12303	1	2017
1047	12303012901	12	12303	2	2017
1168	12401012004	12	12401	4	2017
1169	12401012006	12	12401	8	2017
1170	12401012008	12	12401	7	2017
1171	12401012010	12	12401	13	2017
1172	12401012017	12	12401	2	2017
1173	12401012022	12	12401	34	2017
1174	12401012027	12	12401	5	2017
1175	12401022024	12	12401	5	2017
1176	12401022025	12	12401	9	2017
1177	12401022026	12	12401	2	2017
1178	12401022901	12	12401	2	2017
1179	12401032003	12	12401	1	2017
1180	12401032019	12	12401	16	2017

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	12101092005	140	2017	12101
2	12101092006	23	2017	12101
3	12101092007	2	2017	12101
4	12101092009	18	2017	12101
5	12101092014	1	2017	12101
6	12101092016	12	2017	12101
7	12101092019	57	2017	12101
8	12101092020	49	2017	12101
9	12101092032	109	2017	12101
10	12101092901	2	2017	12101
11	12101102002	12	2017	12101
12	12101102015	70	2017	12101
13	12101102017	9	2017	12101
14	12101102021	24	2017	12101
15	12101102029	5	2017	12101
16	12101102030	28	2017	12101
17	12101102033	5	2017	12101
18	12101102901	7	2017	12101
19	12101112901	1	2017	12101
20	12101122001	14	2017	12101
21	12101122010	4	2017	12101
22	12101122026	1	2017	12101
23	12101142011	17	2017	12101
144	12102012004	3	2017	12102
145	12102012012	2	2017	12102
146	12102012017	6	2017	12102
147	12102012020	14	2017	12102
148	12102012901	4	2017	12102
269	12103012003	2	2017	12103
270	12103012004	1	2017	12103
271	12103012006	1	2017	12103
272	12103012007	2	2017	12103
273	12103012010	2	2017	12103
274	12103012012	1	2017	12103
275	12103012014	19	2017	12103
276	12103012015	1	2017	12103
277	12103012017	3	2017	12103
278	12103012018	1	2017	12103
279	12103012019	4	2017	12103
280	12103012020	2	2017	12103
281	12103012901	2	2017	12103
282	12103022001	3	2017	12103
283	12103022008	1	2017	12103
284	12103022009	52	2017	12103
285	12103022014	1	2017	12103
286	12103022016	2	2017	12103
287	12103022901	2	2017	12103
408	12104012001	1	2017	12104
409	12104012002	15	2017	12104
410	12104012007	31	2017	12104
411	12104012008	2	2017	12104
412	12104012010	47	2017	12104
413	12104012901	2	2017	12104
414	12104022011	4	2017	12104
415	12104022901	4	2017	12104
416	12104992999	1	2017	12104
537	12201012003	1	2017	12201
538	12201012009	4	2017	12201
539	12201012025	1	2017	12201
540	12201012901	6	2017	12201
541	12201032002	8	2017	12201
662	12202012002	42	2017	12202
663	12202012003	2	2017	12202
664	12202022001	3	2017	12202
785	12301012007	7	2017	12301
786	12301012008	3	2017	12301
787	12301022006	1	2017	12301
788	12301022010	1	2017	12301
789	12301032002	9	2017	12301
790	12301032003	7	2017	12301
791	12301032011	25	2017	12301
912	12302012002	1	2017	12302
913	12302012004	1	2017	12302
914	12302012005	122	2017	12302
915	12302012009	14	2017	12302
916	12302012011	4	2017	12302
917	12302012016	1	2017	12302
918	12302012901	8	2017	12302
919	12302022001	4	2017	12302
920	12302022901	1	2017	12302
1041	12303012001	14	2017	12303
1042	12303012005	6	2017	12303
1043	12303012009	1	2017	12303
1044	12303012010	8	2017	12303
1045	12303012011	10	2017	12303
1046	12303012012	1	2017	12303
1047	12303012901	2	2017	12303
1168	12401012004	4	2017	12401
1169	12401012006	8	2017	12401
1170	12401012008	7	2017	12401
1171	12401012010	13	2017	12401
1172	12401012017	2	2017	12401
1173	12401012022	34	2017	12401
1174	12401012027	5	2017	12401
1175	12401022024	5	2017	12401
1176	12401022025	9	2017	12401
1177	12401022026	2	2017	12401
1178	12401022901	2	2017	12401
1179	12401032003	1	2017	12401
1180	12401032019	16	2017	12401

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
1	12101	12101102033	5	2017	Punta Arenas	256903.3	2017	131592	33806414442
2	12101	12101092020	49	2017	Punta Arenas	256903.3	2017	131592	33806414442
3	12101	12101102901	7	2017	Punta Arenas	256903.3	2017	131592	33806414442
4	12101	12101112901	1	2017	Punta Arenas	256903.3	2017	131592	33806414442
5	12101	12101102030	28	2017	Punta Arenas	256903.3	2017	131592	33806414442
6	12101	12101102015	70	2017	Punta Arenas	256903.3	2017	131592	33806414442
7	12101	12101092032	109	2017	Punta Arenas	256903.3	2017	131592	33806414442
8	12101	12101092901	2	2017	Punta Arenas	256903.3	2017	131592	33806414442
9	12101	12101102029	5	2017	Punta Arenas	256903.3	2017	131592	33806414442
10	12101	12101092006	23	2017	Punta Arenas	256903.3	2017	131592	33806414442
11	12101	12101092007	2	2017	Punta Arenas	256903.3	2017	131592	33806414442
12	12101	12101092009	18	2017	Punta Arenas	256903.3	2017	131592	33806414442
13	12101	12101092014	1	2017	Punta Arenas	256903.3	2017	131592	33806414442
14	12101	12101122001	14	2017	Punta Arenas	256903.3	2017	131592	33806414442
15	12101	12101122010	4	2017	Punta Arenas	256903.3	2017	131592	33806414442
16	12101	12101122026	1	2017	Punta Arenas	256903.3	2017	131592	33806414442
17	12101	12101142011	17	2017	Punta Arenas	256903.3	2017	131592	33806414442
18	12101	12101102002	12	2017	Punta Arenas	256903.3	2017	131592	33806414442
19	12101	12101092016	12	2017	Punta Arenas	256903.3	2017	131592	33806414442
20	12101	12101102017	9	2017	Punta Arenas	256903.3	2017	131592	33806414442
21	12101	12101102021	24	2017	Punta Arenas	256903.3	2017	131592	33806414442
22	12101	12101092005	140	2017	Punta Arenas	256903.3	2017	131592	33806414442
23	12101	12101092019	57	2017	Punta Arenas	256903.3	2017	131592	33806414442
65	12301	12301012007	7	2017	Porvenir	381329.2	2017	6801	2593419712
66	12301	12301032003	7	2017	Porvenir	381329.2	2017	6801	2593419712
67	12301	12301032011	25	2017	Porvenir	381329.2	2017	6801	2593419712
68	12301	12301022010	1	2017	Porvenir	381329.2	2017	6801	2593419712
69	12301	12301032002	9	2017	Porvenir	381329.2	2017	6801	2593419712
70	12301	12301012008	3	2017	Porvenir	381329.2	2017	6801	2593419712
71	12301	12301022006	1	2017	Porvenir	381329.2	2017	6801	2593419712
88	12401	12401012004	4	2017	Natales	302167.3	2017	21477	6489647004
89	12401	12401012010	13	2017	Natales	302167.3	2017	21477	6489647004
90	12401	12401012017	2	2017	Natales	302167.3	2017	21477	6489647004
91	12401	12401012006	8	2017	Natales	302167.3	2017	21477	6489647004
92	12401	12401012008	7	2017	Natales	302167.3	2017	21477	6489647004
93	12401	12401022024	5	2017	Natales	302167.3	2017	21477	6489647004
94	12401	12401022025	9	2017	Natales	302167.3	2017	21477	6489647004
95	12401	12401022026	2	2017	Natales	302167.3	2017	21477	6489647004
96	12401	12401022901	2	2017	Natales	302167.3	2017	21477	6489647004
97	12401	12401032003	1	2017	Natales	302167.3	2017	21477	6489647004
98	12401	12401032019	16	2017	Natales	302167.3	2017	21477	6489647004
99	12401	12401042011	3	2017	Natales	302167.3	2017	21477	6489647004
100	12401	12401042021	2	2017	Natales	302167.3	2017	21477	6489647004
101	12401	12401052001	11	2017	Natales	302167.3	2017	21477	6489647004
102	12401	12401052005	1	2017	Natales	302167.3	2017	21477	6489647004
103	12401	12401052022	173	2017	Natales	302167.3	2017	21477	6489647004
104	12401	12401012022	34	2017	Natales	302167.3	2017	21477	6489647004
105	12401	12401012027	5	2017	Natales	302167.3	2017	21477	6489647004

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
1	12101	12101102033	5	2017	Punta Arenas	256903.3	2017	131592	33806414442
2	12101	12101092020	49	2017	Punta Arenas	256903.3	2017	131592	33806414442
3	12101	12101102901	7	2017	Punta Arenas	256903.3	2017	131592	33806414442
4	12101	12101112901	1	2017	Punta Arenas	256903.3	2017	131592	33806414442
5	12101	12101102030	28	2017	Punta Arenas	256903.3	2017	131592	33806414442
6	12101	12101102015	70	2017	Punta Arenas	256903.3	2017	131592	33806414442
7	12101	12101092032	109	2017	Punta Arenas	256903.3	2017	131592	33806414442
8	12101	12101092901	2	2017	Punta Arenas	256903.3	2017	131592	33806414442
9	12101	12101102029	5	2017	Punta Arenas	256903.3	2017	131592	33806414442
10	12101	12101092006	23	2017	Punta Arenas	256903.3	2017	131592	33806414442
11	12101	12101092007	2	2017	Punta Arenas	256903.3	2017	131592	33806414442
12	12101	12101092009	18	2017	Punta Arenas	256903.3	2017	131592	33806414442
13	12101	12101092014	1	2017	Punta Arenas	256903.3	2017	131592	33806414442
14	12101	12101122001	14	2017	Punta Arenas	256903.3	2017	131592	33806414442
15	12101	12101122010	4	2017	Punta Arenas	256903.3	2017	131592	33806414442
16	12101	12101122026	1	2017	Punta Arenas	256903.3	2017	131592	33806414442
17	12101	12101142011	17	2017	Punta Arenas	256903.3	2017	131592	33806414442
18	12101	12101102002	12	2017	Punta Arenas	256903.3	2017	131592	33806414442
19	12101	12101092016	12	2017	Punta Arenas	256903.3	2017	131592	33806414442
20	12101	12101102017	9	2017	Punta Arenas	256903.3	2017	131592	33806414442
21	12101	12101102021	24	2017	Punta Arenas	256903.3	2017	131592	33806414442
22	12101	12101092005	140	2017	Punta Arenas	256903.3	2017	131592	33806414442
23	12101	12101092019	57	2017	Punta Arenas	256903.3	2017	131592	33806414442
65	12301	12301012007	7	2017	Porvenir	381329.2	2017	6801	2593419712
66	12301	12301032003	7	2017	Porvenir	381329.2	2017	6801	2593419712
67	12301	12301032011	25	2017	Porvenir	381329.2	2017	6801	2593419712
68	12301	12301022010	1	2017	Porvenir	381329.2	2017	6801	2593419712
69	12301	12301032002	9	2017	Porvenir	381329.2	2017	6801	2593419712
70	12301	12301012008	3	2017	Porvenir	381329.2	2017	6801	2593419712
71	12301	12301022006	1	2017	Porvenir	381329.2	2017	6801	2593419712
88	12401	12401012004	4	2017	Natales	302167.3	2017	21477	6489647004
89	12401	12401012010	13	2017	Natales	302167.3	2017	21477	6489647004
90	12401	12401012017	2	2017	Natales	302167.3	2017	21477	6489647004
91	12401	12401012006	8	2017	Natales	302167.3	2017	21477	6489647004
92	12401	12401012008	7	2017	Natales	302167.3	2017	21477	6489647004
93	12401	12401022024	5	2017	Natales	302167.3	2017	21477	6489647004
94	12401	12401022025	9	2017	Natales	302167.3	2017	21477	6489647004
95	12401	12401022026	2	2017	Natales	302167.3	2017	21477	6489647004
96	12401	12401022901	2	2017	Natales	302167.3	2017	21477	6489647004
97	12401	12401032003	1	2017	Natales	302167.3	2017	21477	6489647004
98	12401	12401032019	16	2017	Natales	302167.3	2017	21477	6489647004
99	12401	12401042011	3	2017	Natales	302167.3	2017	21477	6489647004
100	12401	12401042021	2	2017	Natales	302167.3	2017	21477	6489647004
101	12401	12401052001	11	2017	Natales	302167.3	2017	21477	6489647004
102	12401	12401052005	1	2017	Natales	302167.3	2017	21477	6489647004
103	12401	12401052022	173	2017	Natales	302167.3	2017	21477	6489647004
104	12401	12401012022	34	2017	Natales	302167.3	2017	21477	6489647004
105	12401	12401012027	5	2017	Natales	302167.3	2017	21477	6489647004
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
12101092005	12101	140	2017	Punta Arenas	256903.3	2017	131592	33806414442	671	0.0050991	12101
12101092006	12101	23	2017	Punta Arenas	256903.3	2017	131592	33806414442	79	0.0006003	12101
12101092007	12101	2	2017	Punta Arenas	256903.3	2017	131592	33806414442	16	0.0001216	12101
12101092009	12101	18	2017	Punta Arenas	256903.3	2017	131592	33806414442	95	0.0007219	12101
12101092014	12101	1	2017	Punta Arenas	256903.3	2017	131592	33806414442	7	0.0000532	12101
12101092016	12101	12	2017	Punta Arenas	256903.3	2017	131592	33806414442	79	0.0006003	12101
12101092019	12101	57	2017	Punta Arenas	256903.3	2017	131592	33806414442	1186	0.0090127	12101
12101092020	12101	49	2017	Punta Arenas	256903.3	2017	131592	33806414442	491	0.0037312	12101
12101092032	12101	109	2017	Punta Arenas	256903.3	2017	131592	33806414442	1064	0.0080856	12101
12101092901	12101	2	2017	Punta Arenas	256903.3	2017	131592	33806414442	19	0.0001444	12101
12101102002	12101	12	2017	Punta Arenas	256903.3	2017	131592	33806414442	180	0.0013679	12101
12101102015	12101	70	2017	Punta Arenas	256903.3	2017	131592	33806414442	252	0.0019150	12101
12101102017	12101	9	2017	Punta Arenas	256903.3	2017	131592	33806414442	108	0.0008207	12101
12101102021	12101	24	2017	Punta Arenas	256903.3	2017	131592	33806414442	567	0.0043088	12101
12101102029	12101	5	2017	Punta Arenas	256903.3	2017	131592	33806414442	76	0.0005775	12101
12101102030	12101	28	2017	Punta Arenas	256903.3	2017	131592	33806414442	85	0.0006459	12101
12101102033	12101	5	2017	Punta Arenas	256903.3	2017	131592	33806414442	116	0.0008815	12101
12101102901	12101	7	2017	Punta Arenas	256903.3	2017	131592	33806414442	59	0.0004484	12101
12101112901	12101	1	2017	Punta Arenas	256903.3	2017	131592	33806414442	25	0.0001900	12101
12101122001	12101	14	2017	Punta Arenas	256903.3	2017	131592	33806414442	184	0.0013983	12101
12101122010	12101	4	2017	Punta Arenas	256903.3	2017	131592	33806414442	8	0.0000608	12101
12101122026	12101	1	2017	Punta Arenas	256903.3	2017	131592	33806414442	1	0.0000076	12101
12101142011	12101	17	2017	Punta Arenas	256903.3	2017	131592	33806414442	217	0.0016490	12101
12301012007	12301	7	2017	Porvenir	381329.2	2017	6801	2593419712	112	0.0164682	12301
12301012008	12301	3	2017	Porvenir	381329.2	2017	6801	2593419712	74	0.0108808	12301
12301022006	12301	1	2017	Porvenir	381329.2	2017	6801	2593419712	12	0.0017644	12301
12301022010	12301	1	2017	Porvenir	381329.2	2017	6801	2593419712	13	0.0019115	12301
12301032002	12301	9	2017	Porvenir	381329.2	2017	6801	2593419712	55	0.0080870	12301
12301032003	12301	7	2017	Porvenir	381329.2	2017	6801	2593419712	62	0.0091163	12301
12301032011	12301	25	2017	Porvenir	381329.2	2017	6801	2593419712	285	0.0419056	12301
12401012004	12401	4	2017	Natales	302167.3	2017	21477	6489647004	26	0.0012106	12401
12401012006	12401	8	2017	Natales	302167.3	2017	21477	6489647004	139	0.0064720	12401
12401012008	12401	7	2017	Natales	302167.3	2017	21477	6489647004	23	0.0010709	12401
12401012010	12401	13	2017	Natales	302167.3	2017	21477	6489647004	102	0.0047493	12401
12401012017	12401	2	2017	Natales	302167.3	2017	21477	6489647004	39	0.0018159	12401
12401012022	12401	34	2017	Natales	302167.3	2017	21477	6489647004	185	0.0086139	12401
12401012027	12401	5	2017	Natales	302167.3	2017	21477	6489647004	18	0.0008381	12401
12401022024	12401	5	2017	Natales	302167.3	2017	21477	6489647004	14	0.0006519	12401
12401022025	12401	9	2017	Natales	302167.3	2017	21477	6489647004	44	0.0020487	12401
12401022026	12401	2	2017	Natales	302167.3	2017	21477	6489647004	38	0.0017693	12401
12401022901	12401	2	2017	Natales	302167.3	2017	21477	6489647004	14	0.0006519	12401
12401032003	12401	1	2017	Natales	302167.3	2017	21477	6489647004	15	0.0006984	12401
12401032019	12401	16	2017	Natales	302167.3	2017	21477	6489647004	137	0.0063789	12401
12401042011	12401	3	2017	Natales	302167.3	2017	21477	6489647004	37	0.0017228	12401
12401042021	12401	2	2017	Natales	302167.3	2017	21477	6489647004	100	0.0046561	12401
12401052001	12401	11	2017	Natales	302167.3	2017	21477	6489647004	70	0.0032593	12401
12401052005	12401	1	2017	Natales	302167.3	2017	21477	6489647004	11	0.0005122	12401
12401052022	12401	173	2017	Natales	302167.3	2017	21477	6489647004	963	0.0448387	12401

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
12101092005	12101	140	2017	Punta Arenas	256903.3	2017	131592	33806414442	671	0.0050991	12101	172382090.8
12101092006	12101	23	2017	Punta Arenas	256903.3	2017	131592	33806414442	79	0.0006003	12101	20295357.9
12101092007	12101	2	2017	Punta Arenas	256903.3	2017	131592	33806414442	16	0.0001216	12101	4110452.2
12101092009	12101	18	2017	Punta Arenas	256903.3	2017	131592	33806414442	95	0.0007219	12101	24405810.2
12101092014	12101	1	2017	Punta Arenas	256903.3	2017	131592	33806414442	7	0.0000532	12101	1798322.9
12101092016	12101	12	2017	Punta Arenas	256903.3	2017	131592	33806414442	79	0.0006003	12101	20295357.9
12101092019	12101	57	2017	Punta Arenas	256903.3	2017	131592	33806414442	1186	0.0090127	12101	304687272.2
12101092020	12101	49	2017	Punta Arenas	256903.3	2017	131592	33806414442	491	0.0037312	12101	126139503.1
12101092032	12101	109	2017	Punta Arenas	256903.3	2017	131592	33806414442	1064	0.0080856	12101	273345073.9
12101092901	12101	2	2017	Punta Arenas	256903.3	2017	131592	33806414442	19	0.0001444	12101	4881162.0
12101102002	12101	12	2017	Punta Arenas	256903.3	2017	131592	33806414442	180	0.0013679	12101	46242587.7
12101102015	12101	70	2017	Punta Arenas	256903.3	2017	131592	33806414442	252	0.0019150	12101	64739622.8
12101102017	12101	9	2017	Punta Arenas	256903.3	2017	131592	33806414442	108	0.0008207	12101	27745552.6
12101102021	12101	24	2017	Punta Arenas	256903.3	2017	131592	33806414442	567	0.0043088	12101	145664151.2
12101102029	12101	5	2017	Punta Arenas	256903.3	2017	131592	33806414442	76	0.0005775	12101	19524648.1
12101102030	12101	28	2017	Punta Arenas	256903.3	2017	131592	33806414442	85	0.0006459	12101	21836777.5
12101102033	12101	5	2017	Punta Arenas	256903.3	2017	131592	33806414442	116	0.0008815	12101	29800778.7
12101102901	12101	7	2017	Punta Arenas	256903.3	2017	131592	33806414442	59	0.0004484	12101	15157292.6
12101112901	12101	1	2017	Punta Arenas	256903.3	2017	131592	33806414442	25	0.0001900	12101	6422581.6
12101122001	12101	14	2017	Punta Arenas	256903.3	2017	131592	33806414442	184	0.0013983	12101	47270200.8
12101122010	12101	4	2017	Punta Arenas	256903.3	2017	131592	33806414442	8	0.0000608	12101	2055226.1
12101122026	12101	1	2017	Punta Arenas	256903.3	2017	131592	33806414442	1	0.0000076	12101	256903.3
12101142011	12101	17	2017	Punta Arenas	256903.3	2017	131592	33806414442	217	0.0016490	12101	55748008.5
12301012007	12301	7	2017	Porvenir	381329.2	2017	6801	2593419712	112	0.0164682	12301	42708867.5
12301012008	12301	3	2017	Porvenir	381329.2	2017	6801	2593419712	74	0.0108808	12301	28218358.9
12301022006	12301	1	2017	Porvenir	381329.2	2017	6801	2593419712	12	0.0017644	12301	4575950.1
12301022010	12301	1	2017	Porvenir	381329.2	2017	6801	2593419712	13	0.0019115	12301	4957279.3
12301032002	12301	9	2017	Porvenir	381329.2	2017	6801	2593419712	55	0.0080870	12301	20973104.6
12301032003	12301	7	2017	Porvenir	381329.2	2017	6801	2593419712	62	0.0091163	12301	23642408.8
12301032011	12301	25	2017	Porvenir	381329.2	2017	6801	2593419712	285	0.0419056	12301	108678814.6
12401012004	12401	4	2017	Natales	302167.3	2017	21477	6489647004	26	0.0012106	12401	7856349.7
12401012006	12401	8	2017	Natales	302167.3	2017	21477	6489647004	139	0.0064720	12401	42001254.1
12401012008	12401	7	2017	Natales	302167.3	2017	21477	6489647004	23	0.0010709	12401	6949847.8
12401012010	12401	13	2017	Natales	302167.3	2017	21477	6489647004	102	0.0047493	12401	30821064.1
12401012017	12401	2	2017	Natales	302167.3	2017	21477	6489647004	39	0.0018159	12401	11784524.5
12401012022	12401	34	2017	Natales	302167.3	2017	21477	6489647004	185	0.0086139	12401	55900949.7
12401012027	12401	5	2017	Natales	302167.3	2017	21477	6489647004	18	0.0008381	12401	5439011.3
12401022024	12401	5	2017	Natales	302167.3	2017	21477	6489647004	14	0.0006519	12401	4230342.1
12401022025	12401	9	2017	Natales	302167.3	2017	21477	6489647004	44	0.0020487	12401	13295361.0
12401022026	12401	2	2017	Natales	302167.3	2017	21477	6489647004	38	0.0017693	12401	11482357.2
12401022901	12401	2	2017	Natales	302167.3	2017	21477	6489647004	14	0.0006519	12401	4230342.1
12401032003	12401	1	2017	Natales	302167.3	2017	21477	6489647004	15	0.0006984	12401	4532509.4
12401032019	12401	16	2017	Natales	302167.3	2017	21477	6489647004	137	0.0063789	12401	41396919.5
12401042011	12401	3	2017	Natales	302167.3	2017	21477	6489647004	37	0.0017228	12401	11180189.9
12401042021	12401	2	2017	Natales	302167.3	2017	21477	6489647004	100	0.0046561	12401	30216729.5
12401052001	12401	11	2017	Natales	302167.3	2017	21477	6489647004	70	0.0032593	12401	21151710.7
12401052005	12401	1	2017	Natales	302167.3	2017	21477	6489647004	11	0.0005122	12401	3323840.2
12401052022	12401	173	2017	Natales	302167.3	2017	21477	6489647004	963	0.0448387	12401	290987105.5

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 
## -84163252 -13978538  -9182662   9257285 192968016 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 12260378    6692183   1.832   0.0734 .  
## Freq.x       1744893     166058  10.508 8.23e-14 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 40240000 on 46 degrees of freedom
## Multiple R-squared:  0.7059, Adjusted R-squared:  0.6995 
## F-statistic: 110.4 on 1 and 46 DF,  p-value: 8.229e-14

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 
## -84163252 -13978538  -9182662   9257285 192968016 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 12260378    6692183   1.832   0.0734 .  
## Freq.x       1744893     166058  10.508 8.23e-14 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 40240000 on 46 degrees of freedom
## Multiple R-squared:  0.7059, Adjusted R-squared:  0.6995 
## F-statistic: 110.4 on 1 and 46 DF,  p-value: 8.229e-14

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 
## -84163252 -13978538  -9182662   9257285 192968016 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 12260378    6692183   1.832   0.0734 .  
## Freq.x       1744893     166058  10.508 8.23e-14 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 40240000 on 46 degrees of freedom
## Multiple R-squared:  0.7059, Adjusted R-squared:  0.6995 
## F-statistic: 110.4 on 1 and 46 DF,  p-value: 8.229e-14

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 
## -77032768 -30558701  -4968684  20340037 178049352 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -31299018   12637927  -2.477    0.017 *  
## log(Freq.x)  39063798    5181723   7.539 1.43e-09 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 49630000 on 46 degrees of freedom
## Multiple R-squared:  0.5527, Adjusted R-squared:  0.5429 
## F-statistic: 56.83 on 1 and 46 DF,  p-value: 1.427e-09

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 
## -90885719 -15339064    878178  12429953 167292894 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  -31124865    9001459  -3.458  0.00118 ** 
## sqrt(Freq.x)  22320919    2011740  11.095 1.35e-14 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 38700000 on 46 degrees of freedom
## Multiple R-squared:  0.728,  Adjusted R-squared:  0.7221 
## F-statistic: 123.1 on 1 and 46 DF,  p-value: 1.348e-14

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 
## -3742.7  -999.9  -185.9  1056.5  6716.3 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    1034.6      457.9    2.26   0.0286 *  
## sqrt(Freq.x)   1285.4      102.3   12.56   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1969 on 46 degrees of freedom
## Multiple R-squared:  0.7743, Adjusted R-squared:  0.7694 
## F-statistic: 157.8 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 
## -3.2898 -0.5916  0.1082  0.5877  1.4843 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  15.34452    0.21350  71.871  < 2e-16 ***
## sqrt(Freq.x)  0.40171    0.04772   8.419 7.19e-11 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.9179 on 46 degrees of freedom
## Multiple R-squared:  0.6064, Adjusted R-squared:  0.5979 
## F-statistic: 70.88 on 1 and 46 DF,  p-value: 7.188e-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 
## -4131.7 -1572.9  -100.1  1167.7  6898.9 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    592.9      572.7   1.035    0.306    
## log(Freq.x)   2464.4      234.8  10.496 8.54e-14 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2249 on 46 degrees of freedom
## Multiple R-squared:  0.7054, Adjusted R-squared:  0.699 
## F-statistic: 110.2 on 1 and 46 DF,  p-value: 8.543e-14

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 
## -2.53182 -0.36630  0.07116  0.44044  1.62651 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 14.98827    0.19740   75.93  < 2e-16 ***
## log(Freq.x)  0.87877    0.08094   10.86 2.79e-14 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.7751 on 46 degrees of freedom
## Multiple R-squared:  0.7193, Adjusted R-squared:  0.7132 
## F-statistic: 117.9 on 1 and 46 DF,  p-value: 2.787e-14

9 Modelo elegido: raíz-raíz (sqrt-sqrt)

Es éste el modelo que nos entrega el mayor coeficiente de determinación de todos (0.7694).

9.1 Diagrama de dispersión sobre sqrt-sqrt

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 sqrt-sqrt

Observemos nuevamente el resultado sobre sqrt-sqrt.

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 
## -3742.7  -999.9  -185.9  1056.5  6716.3 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    1034.6      457.9    2.26   0.0286 *  
## sqrt(Freq.x)   1285.4      102.3   12.56   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1969 on 46 degrees of freedom
## Multiple R-squared:  0.7743, Adjusted R-squared:  0.7694 
## F-statistic: 157.8 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

\[ \hat Y = {1034.6}^2 + 2 \cdot 1034.6 \cdot 1285.4 \sqrt{X}+ 1285.4^2 \cdot X \]

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$est_ing <- 
(1034.6)^2 + 2 * 1034.6 * 1285.4 * sqrt(h_y_m_comuna_corr_01$Freq.x)+  1285.4^2 * (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	12101092005	12101	140	2017	Punta Arenas	256903.3	2017	131592	33806414442	671	0.0050991	12101	172382090.8	263856422
2	12101092006	12101	23	2017	Punta Arenas	256903.3	2017	131592	33806414442	79	0.0006003	12101	20295357.9	51827931
3	12101092007	12101	2	2017	Punta Arenas	256903.3	2017	131592	33806414442	16	0.0001216	12101	4110452.2	8136358
4	12101092009	12101	18	2017	Punta Arenas	256903.3	2017	131592	33806414442	95	0.0007219	12101	24405810.2	42095316
5	12101092014	12101	1	2017	Punta Arenas	256903.3	2017	131592	33806414442	7	0.0000532	12101	1798322.9	5382400
6	12101092016	12101	12	2017	Punta Arenas	256903.3	2017	131592	33806414442	79	0.0006003	12101	20295357.9	30111078
7	12101092019	12101	57	2017	Punta Arenas	256903.3	2017	131592	33806414442	1186	0.0090127	12101	304687272.2	115329497
8	12101092020	12101	49	2017	Punta Arenas	256903.3	2017	131592	33806414442	491	0.0037312	12101	126139503.1	100649050
9	12101092032	12101	109	2017	Punta Arenas	256903.3	2017	131592	33806414442	1064	0.0080856	12101	273345073.9	208934593
10	12101092901	12101	2	2017	Punta Arenas	256903.3	2017	131592	33806414442	19	0.0001444	12101	4881162.0	8136358
11	12101102002	12101	12	2017	Punta Arenas	256903.3	2017	131592	33806414442	180	0.0013679	12101	46242587.7	30111078
12	12101102015	12101	70	2017	Punta Arenas	256903.3	2017	131592	33806414442	252	0.0019150	12101	64739622.8	138981181
13	12101102017	12101	9	2017	Punta Arenas	256903.3	2017	131592	33806414442	108	0.0008207	12101	27745552.6	23919925
14	12101102021	12101	24	2017	Punta Arenas	256903.3	2017	131592	33806414442	567	0.0043088	12101	145664151.2	53754532
15	12101102029	12101	5	2017	Punta Arenas	256903.3	2017	131592	33806414442	76	0.0005775	12101	19524648.1	15279044
16	12101102030	12101	28	2017	Punta Arenas	256903.3	2017	131592	33806414442	85	0.0006459	12101	21836777.5	61407558
17	12101102033	12101	5	2017	Punta Arenas	256903.3	2017	131592	33806414442	116	0.0008815	12101	29800778.7	15279044
18	12101102901	12101	7	2017	Punta Arenas	256903.3	2017	131592	33806414442	59	0.0004484	12101	15157292.6	19673205
19	12101112901	12101	1	2017	Punta Arenas	256903.3	2017	131592	33806414442	25	0.0001900	12101	6422581.6	5382400
20	12101122001	12101	14	2017	Punta Arenas	256903.3	2017	131592	33806414442	184	0.0013983	12101	47270200.8	34153813
21	12101122010	12101	4	2017	Punta Arenas	256903.3	2017	131592	33806414442	8	0.0000608	12101	2055226.1	12998909
22	12101122026	12101	1	2017	Punta Arenas	256903.3	2017	131592	33806414442	1	0.0000076	12101	256903.3	5382400
23	12101142011	12101	17	2017	Punta Arenas	256903.3	2017	131592	33806414442	217	0.0016490	12101	55748008.5	40125130
24	12301012007	12301	7	2017	Porvenir	381329.2	2017	6801	2593419712	112	0.0164682	12301	42708867.5	19673205
25	12301012008	12301	3	2017	Porvenir	381329.2	2017	6801	2593419712	74	0.0108808	12301	28218358.9	10633978
26	12301022006	12301	1	2017	Porvenir	381329.2	2017	6801	2593419712	12	0.0017644	12301	4575950.1	5382400
27	12301022010	12301	1	2017	Porvenir	381329.2	2017	6801	2593419712	13	0.0019115	12301	4957279.3	5382400
28	12301032002	12301	9	2017	Porvenir	381329.2	2017	6801	2593419712	55	0.0080870	12301	20973104.6	23919925
29	12301032003	12301	7	2017	Porvenir	381329.2	2017	6801	2593419712	62	0.0091163	12301	23642408.8	19673205
30	12301032011	12301	25	2017	Porvenir	381329.2	2017	6801	2593419712	285	0.0419056	12301	108678814.6	55675475
31	12401012004	12401	4	2017	Natales	302167.3	2017	21477	6489647004	26	0.0012106	12401	7856349.7	12998909
32	12401012006	12401	8	2017	Natales	302167.3	2017	21477	6489647004	139	0.0064720	12401	42001254.1	21811331
33	12401012008	12401	7	2017	Natales	302167.3	2017	21477	6489647004	23	0.0010709	12401	6949847.8	19673205
34	12401012010	12401	13	2017	Natales	302167.3	2017	21477	6489647004	102	0.0047493	12401	30821064.1	32139552
35	12401012017	12401	2	2017	Natales	302167.3	2017	21477	6489647004	39	0.0018159	12401	11784524.5	8136358
36	12401012022	12401	34	2017	Natales	302167.3	2017	21477	6489647004	185	0.0086139	12401	55900949.7	72755877
37	12401012027	12401	5	2017	Natales	302167.3	2017	21477	6489647004	18	0.0008381	12401	5439011.3	15279044
38	12401022024	12401	5	2017	Natales	302167.3	2017	21477	6489647004	14	0.0006519	12401	4230342.1	15279044
39	12401022025	12401	9	2017	Natales	302167.3	2017	21477	6489647004	44	0.0020487	12401	13295361.0	23919925
40	12401022026	12401	2	2017	Natales	302167.3	2017	21477	6489647004	38	0.0017693	12401	11482357.2	8136358
41	12401022901	12401	2	2017	Natales	302167.3	2017	21477	6489647004	14	0.0006519	12401	4230342.1	8136358
42	12401032003	12401	1	2017	Natales	302167.3	2017	21477	6489647004	15	0.0006984	12401	4532509.4	5382400
43	12401032019	12401	16	2017	Natales	302167.3	2017	21477	6489647004	137	0.0063789	12401	41396919.5	38145446
44	12401042011	12401	3	2017	Natales	302167.3	2017	21477	6489647004	37	0.0017228	12401	11180189.9	10633978
45	12401042021	12401	2	2017	Natales	302167.3	2017	21477	6489647004	100	0.0046561	12401	30216729.5	8136358
46	12401052001	12401	11	2017	Natales	302167.3	2017	21477	6489647004	70	0.0032593	12401	21151710.7	28066574
47	12401052005	12401	1	2017	Natales	302167.3	2017	21477	6489647004	11	0.0005122	12401	3323840.2	5382400
48	12401052022	12401	173	2017	Natales	302167.3	2017	21477	6489647004	963	0.0448387	12401	290987105.5	321893739
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	12101092005	12101	140	2017	Punta Arenas	256903.3	2017	131592	33806414442	671	0.0050991	12101	172382090.8	263856422	393228.65
2	12101092006	12101	23	2017	Punta Arenas	256903.3	2017	131592	33806414442	79	0.0006003	12101	20295357.9	51827931	656049.76
3	12101092007	12101	2	2017	Punta Arenas	256903.3	2017	131592	33806414442	16	0.0001216	12101	4110452.2	8136358	508522.35
4	12101092009	12101	18	2017	Punta Arenas	256903.3	2017	131592	33806414442	95	0.0007219	12101	24405810.2	42095316	443108.59
5	12101092014	12101	1	2017	Punta Arenas	256903.3	2017	131592	33806414442	7	0.0000532	12101	1798322.9	5382400	768914.29
6	12101092016	12101	12	2017	Punta Arenas	256903.3	2017	131592	33806414442	79	0.0006003	12101	20295357.9	30111078	381152.89
7	12101092019	12101	57	2017	Punta Arenas	256903.3	2017	131592	33806414442	1186	0.0090127	12101	304687272.2	115329497	97242.41
8	12101092020	12101	49	2017	Punta Arenas	256903.3	2017	131592	33806414442	491	0.0037312	12101	126139503.1	100649050	204987.88
9	12101092032	12101	109	2017	Punta Arenas	256903.3	2017	131592	33806414442	1064	0.0080856	12101	273345073.9	208934593	196367.10
10	12101092901	12101	2	2017	Punta Arenas	256903.3	2017	131592	33806414442	19	0.0001444	12101	4881162.0	8136358	428229.34
11	12101102002	12101	12	2017	Punta Arenas	256903.3	2017	131592	33806414442	180	0.0013679	12101	46242587.7	30111078	167283.77
12	12101102015	12101	70	2017	Punta Arenas	256903.3	2017	131592	33806414442	252	0.0019150	12101	64739622.8	138981181	551512.62
13	12101102017	12101	9	2017	Punta Arenas	256903.3	2017	131592	33806414442	108	0.0008207	12101	27745552.6	23919925	221480.78
14	12101102021	12101	24	2017	Punta Arenas	256903.3	2017	131592	33806414442	567	0.0043088	12101	145664151.2	53754532	94805.17
15	12101102029	12101	5	2017	Punta Arenas	256903.3	2017	131592	33806414442	76	0.0005775	12101	19524648.1	15279044	201040.05
16	12101102030	12101	28	2017	Punta Arenas	256903.3	2017	131592	33806414442	85	0.0006459	12101	21836777.5	61407558	722441.86
17	12101102033	12101	5	2017	Punta Arenas	256903.3	2017	131592	33806414442	116	0.0008815	12101	29800778.7	15279044	131715.90
18	12101102901	12101	7	2017	Punta Arenas	256903.3	2017	131592	33806414442	59	0.0004484	12101	15157292.6	19673205	333444.16
19	12101112901	12101	1	2017	Punta Arenas	256903.3	2017	131592	33806414442	25	0.0001900	12101	6422581.6	5382400	215296.00
20	12101122001	12101	14	2017	Punta Arenas	256903.3	2017	131592	33806414442	184	0.0013983	12101	47270200.8	34153813	185618.55
21	12101122010	12101	4	2017	Punta Arenas	256903.3	2017	131592	33806414442	8	0.0000608	12101	2055226.1	12998909	1624863.65
22	12101122026	12101	1	2017	Punta Arenas	256903.3	2017	131592	33806414442	1	0.0000076	12101	256903.3	5382400	5382400.00
23	12101142011	12101	17	2017	Punta Arenas	256903.3	2017	131592	33806414442	217	0.0016490	12101	55748008.5	40125130	184908.43
24	12301012007	12301	7	2017	Porvenir	381329.2	2017	6801	2593419712	112	0.0164682	12301	42708867.5	19673205	175653.62
25	12301012008	12301	3	2017	Porvenir	381329.2	2017	6801	2593419712	74	0.0108808	12301	28218358.9	10633978	143702.41
26	12301022006	12301	1	2017	Porvenir	381329.2	2017	6801	2593419712	12	0.0017644	12301	4575950.1	5382400	448533.33
27	12301022010	12301	1	2017	Porvenir	381329.2	2017	6801	2593419712	13	0.0019115	12301	4957279.3	5382400	414030.77
28	12301032002	12301	9	2017	Porvenir	381329.2	2017	6801	2593419712	55	0.0080870	12301	20973104.6	23919925	434907.72
29	12301032003	12301	7	2017	Porvenir	381329.2	2017	6801	2593419712	62	0.0091163	12301	23642408.8	19673205	317309.77
30	12301032011	12301	25	2017	Porvenir	381329.2	2017	6801	2593419712	285	0.0419056	12301	108678814.6	55675475	195352.54
31	12401012004	12401	4	2017	Natales	302167.3	2017	21477	6489647004	26	0.0012106	12401	7856349.7	12998909	499958.04
32	12401012006	12401	8	2017	Natales	302167.3	2017	21477	6489647004	139	0.0064720	12401	42001254.1	21811331	156916.05
33	12401012008	12401	7	2017	Natales	302167.3	2017	21477	6489647004	23	0.0010709	12401	6949847.8	19673205	855356.76
34	12401012010	12401	13	2017	Natales	302167.3	2017	21477	6489647004	102	0.0047493	12401	30821064.1	32139552	315093.65
35	12401012017	12401	2	2017	Natales	302167.3	2017	21477	6489647004	39	0.0018159	12401	11784524.5	8136358	208624.55
36	12401012022	12401	34	2017	Natales	302167.3	2017	21477	6489647004	185	0.0086139	12401	55900949.7	72755877	393275.01
37	12401012027	12401	5	2017	Natales	302167.3	2017	21477	6489647004	18	0.0008381	12401	5439011.3	15279044	848835.78
38	12401022024	12401	5	2017	Natales	302167.3	2017	21477	6489647004	14	0.0006519	12401	4230342.1	15279044	1091360.29
39	12401022025	12401	9	2017	Natales	302167.3	2017	21477	6489647004	44	0.0020487	12401	13295361.0	23919925	543634.65
40	12401022026	12401	2	2017	Natales	302167.3	2017	21477	6489647004	38	0.0017693	12401	11482357.2	8136358	214114.67
41	12401022901	12401	2	2017	Natales	302167.3	2017	21477	6489647004	14	0.0006519	12401	4230342.1	8136358	581168.40
42	12401032003	12401	1	2017	Natales	302167.3	2017	21477	6489647004	15	0.0006984	12401	4532509.4	5382400	358826.67
43	12401032019	12401	16	2017	Natales	302167.3	2017	21477	6489647004	137	0.0063789	12401	41396919.5	38145446	278433.92
44	12401042011	12401	3	2017	Natales	302167.3	2017	21477	6489647004	37	0.0017228	12401	11180189.9	10633978	287404.82
45	12401042021	12401	2	2017	Natales	302167.3	2017	21477	6489647004	100	0.0046561	12401	30216729.5	8136358	81363.58
46	12401052001	12401	11	2017	Natales	302167.3	2017	21477	6489647004	70	0.0032593	12401	21151710.7	28066574	400951.05
47	12401052005	12401	1	2017	Natales	302167.3	2017	21477	6489647004	11	0.0005122	12401	3323840.2	5382400	489309.09
48	12401052022	12401	173	2017	Natales	302167.3	2017	21477	6489647004	963	0.0448387	12401	290987105.5	321893739	334261.41
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_12_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