Expansión de la CASEN sobre el CENSO (Región 15)

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 15.

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 15 y con la zona = 2:

tabla_con_clave <- filter(tabla_con_clave, tabla_con_clave$REGION == 15) 
tabla_con_clave <- filter(tabla_con_clave, tabla_con_clave$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	15101032003	12	15101	5	2017
2	15101062011	12	15101	103	2017
3	15101062014	12	15101	434	2017
4	15101122004	12	15101	35	2017
5	15101132015	12	15101	7	2017
6	15101152005	12	15101	141	2017
7	15101152007	12	15101	5	2017
8	15101152016	12	15101	119	2017
9	15101152901	12	15101	8	2017
10	15101162016	12	15101	25	2017
11	15101162901	12	15101	3	2017
53	15102012002	12	15102	2	2017
54	15102012003	12	15102	77	2017
55	15102022007	12	15102	4	2017
56	15102032005	12	15102	15	2017
57	15102032901	12	15102	1	2017
58	15102042001	12	15102	12	2017
59	15102052004	12	15102	39	2017
60	15102052006	12	15102	8	2017
102	15201012901	12	15201	6	2017
103	15201022002	12	15201	2	2017
104	15201032006	12	15201	1	2017
105	15201032007	12	15201	13	2017
106	15201032901	12	15201	1	2017
107	15201042021	12	15201	8	2017
108	15201052001	12	15201	3	2017
109	15201052003	12	15201	5	2017
110	15201052012	12	15201	1	2017
111	15201052013	12	15201	1	2017
112	15201052020	12	15201	1	2017
113	15201062005	12	15201	1	2017
114	15201062010	12	15201	1	2017
115	15201072901	12	15201	2	2017
157	15202012015	12	15202	29	2017
158	15202022005	12	15202	1	2017
159	15202022009	12	15202	1	2017
160	15202022011	12	15202	5	2017
161	15202032001	12	15202	1	2017
162	15202032002	12	15202	2	2017
163	15202032010	12	15202	1	2017
164	15202032014	12	15202	3	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
NA.31	NA	NA	NA	NA	NA
NA.32	NA	NA	NA	NA	NA
NA.33	NA	NA	NA	NA	NA
NA.34	NA	NA	NA	NA	NA
NA.35	NA	NA	NA	NA	NA
NA.36	NA	NA	NA	NA	NA
NA.37	NA	NA	NA	NA	NA
NA.38	NA	NA	NA	NA	NA
NA.39	NA	NA	NA	NA	NA
NA.40	NA	NA	NA	NA	NA
NA.41	NA	NA	NA	NA	NA
NA.42	NA	NA	NA	NA	NA
NA.43	NA	NA	NA	NA	NA
NA.44	NA	NA	NA	NA	NA
NA.45	NA	NA	NA	NA	NA
NA.46	NA	NA	NA	NA	NA
NA.47	NA	NA	NA	NA	NA
NA.48	NA	NA	NA	NA	NA
NA.49	NA	NA	NA	NA	NA
NA.50	NA	NA	NA	NA	NA
NA.51	NA	NA	NA	NA	NA
NA.52	NA	NA	NA	NA	NA
NA.53	NA	NA	NA	NA	NA
NA.54	NA	NA	NA	NA	NA
NA.55	NA	NA	NA	NA	NA
NA.56	NA	NA	NA	NA	NA
NA.57	NA	NA	NA	NA	NA
NA.58	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	15101032003	5	2017	15101
2	15101062011	103	2017	15101
3	15101062014	434	2017	15101
4	15101122004	35	2017	15101
5	15101132015	7	2017	15101
6	15101152005	141	2017	15101
7	15101152007	5	2017	15101
8	15101152016	119	2017	15101
9	15101152901	8	2017	15101
10	15101162016	25	2017	15101
11	15101162901	3	2017	15101
53	15102012002	2	2017	15102
54	15102012003	77	2017	15102
55	15102022007	4	2017	15102
56	15102032005	15	2017	15102
57	15102032901	1	2017	15102
58	15102042001	12	2017	15102
59	15102052004	39	2017	15102
60	15102052006	8	2017	15102
102	15201012901	6	2017	15201
103	15201022002	2	2017	15201
104	15201032006	1	2017	15201
105	15201032007	13	2017	15201
106	15201032901	1	2017	15201
107	15201042021	8	2017	15201
108	15201052001	3	2017	15201
109	15201052003	5	2017	15201
110	15201052012	1	2017	15201
111	15201052013	1	2017	15201
112	15201052020	1	2017	15201
113	15201062005	1	2017	15201
114	15201062010	1	2017	15201
115	15201072901	2	2017	15201
157	15202012015	29	2017	15202
158	15202022005	1	2017	15202
159	15202022009	1	2017	15202
160	15202022011	5	2017	15202
161	15202032001	1	2017	15202
162	15202032002	2	2017	15202
163	15202032010	1	2017	15202
164	15202032014	3	2017	15202
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
NA.31	NA	NA	NA	NA
NA.32	NA	NA	NA	NA
NA.33	NA	NA	NA	NA
NA.34	NA	NA	NA	NA
NA.35	NA	NA	NA	NA
NA.36	NA	NA	NA	NA
NA.37	NA	NA	NA	NA
NA.38	NA	NA	NA	NA
NA.39	NA	NA	NA	NA
NA.40	NA	NA	NA	NA
NA.41	NA	NA	NA	NA
NA.42	NA	NA	NA	NA
NA.43	NA	NA	NA	NA
NA.44	NA	NA	NA	NA
NA.45	NA	NA	NA	NA
NA.46	NA	NA	NA	NA
NA.47	NA	NA	NA	NA
NA.48	NA	NA	NA	NA
NA.49	NA	NA	NA	NA
NA.50	NA	NA	NA	NA
NA.51	NA	NA	NA	NA
NA.52	NA	NA	NA	NA
NA.53	NA	NA	NA	NA
NA.54	NA	NA	NA	NA
NA.55	NA	NA	NA	NA
NA.56	NA	NA	NA	NA
NA.57	NA	NA	NA	NA
NA.58	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
15101	15101062014	434	2017	Arica	250863.6	2017	221364	55532177025
15101	15101152005	141	2017	Arica	250863.6	2017	221364	55532177025
15101	15101152007	5	2017	Arica	250863.6	2017	221364	55532177025
15101	15101122004	35	2017	Arica	250863.6	2017	221364	55532177025
15101	15101132015	7	2017	Arica	250863.6	2017	221364	55532177025
15101	15101032003	5	2017	Arica	250863.6	2017	221364	55532177025
15101	15101062011	103	2017	Arica	250863.6	2017	221364	55532177025
15101	15101162901	3	2017	Arica	250863.6	2017	221364	55532177025
15101	15101152016	119	2017	Arica	250863.6	2017	221364	55532177025
15101	15101152901	8	2017	Arica	250863.6	2017	221364	55532177025
15101	15101162016	25	2017	Arica	250863.6	2017	221364	55532177025
15102	15102032901	1	2017	Camarones	222472.1	2017	1255	279202446
15102	15102042001	12	2017	Camarones	222472.1	2017	1255	279202446
15102	15102052004	39	2017	Camarones	222472.1	2017	1255	279202446
15102	15102052006	8	2017	Camarones	222472.1	2017	1255	279202446
15102	15102032005	15	2017	Camarones	222472.1	2017	1255	279202446
15102	15102012002	2	2017	Camarones	222472.1	2017	1255	279202446
15102	15102012003	77	2017	Camarones	222472.1	2017	1255	279202446
15102	15102022007	4	2017	Camarones	222472.1	2017	1255	279202446
15201	15201012901	6	2017	Putre	194293.6	2017	2765	537221762
15201	15201052013	1	2017	Putre	194293.6	2017	2765	537221762
15201	15201052020	1	2017	Putre	194293.6	2017	2765	537221762
15201	15201062005	1	2017	Putre	194293.6	2017	2765	537221762
15201	15201062010	1	2017	Putre	194293.6	2017	2765	537221762
15201	15201072901	2	2017	Putre	194293.6	2017	2765	537221762
15201	15201022002	2	2017	Putre	194293.6	2017	2765	537221762
15201	15201032006	1	2017	Putre	194293.6	2017	2765	537221762
15201	15201032007	13	2017	Putre	194293.6	2017	2765	537221762
15201	15201032901	1	2017	Putre	194293.6	2017	2765	537221762
15201	15201042021	8	2017	Putre	194293.6	2017	2765	537221762
15201	15201052001	3	2017	Putre	194293.6	2017	2765	537221762
15201	15201052003	5	2017	Putre	194293.6	2017	2765	537221762
15201	15201052012	1	2017	Putre	194293.6	2017	2765	537221762

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	15101	15101062014	434	2017	Arica	250863.6	2017	221364	55532177025
2	15101	15101152005	141	2017	Arica	250863.6	2017	221364	55532177025
3	15101	15101152007	5	2017	Arica	250863.6	2017	221364	55532177025
4	15101	15101122004	35	2017	Arica	250863.6	2017	221364	55532177025
5	15101	15101132015	7	2017	Arica	250863.6	2017	221364	55532177025
6	15101	15101032003	5	2017	Arica	250863.6	2017	221364	55532177025
7	15101	15101062011	103	2017	Arica	250863.6	2017	221364	55532177025
8	15101	15101162901	3	2017	Arica	250863.6	2017	221364	55532177025
9	15101	15101152016	119	2017	Arica	250863.6	2017	221364	55532177025
10	15101	15101152901	8	2017	Arica	250863.6	2017	221364	55532177025
11	15101	15101162016	25	2017	Arica	250863.6	2017	221364	55532177025
12	15102	15102032901	1	2017	Camarones	222472.1	2017	1255	279202446
13	15102	15102042001	12	2017	Camarones	222472.1	2017	1255	279202446
14	15102	15102052004	39	2017	Camarones	222472.1	2017	1255	279202446
15	15102	15102052006	8	2017	Camarones	222472.1	2017	1255	279202446
16	15102	15102032005	15	2017	Camarones	222472.1	2017	1255	279202446
17	15102	15102012002	2	2017	Camarones	222472.1	2017	1255	279202446
18	15102	15102012003	77	2017	Camarones	222472.1	2017	1255	279202446
19	15102	15102022007	4	2017	Camarones	222472.1	2017	1255	279202446
20	15201	15201012901	6	2017	Putre	194293.6	2017	2765	537221762
21	15201	15201052013	1	2017	Putre	194293.6	2017	2765	537221762
22	15201	15201052020	1	2017	Putre	194293.6	2017	2765	537221762
23	15201	15201062005	1	2017	Putre	194293.6	2017	2765	537221762
24	15201	15201062010	1	2017	Putre	194293.6	2017	2765	537221762
25	15201	15201072901	2	2017	Putre	194293.6	2017	2765	537221762
26	15201	15201022002	2	2017	Putre	194293.6	2017	2765	537221762
27	15201	15201032006	1	2017	Putre	194293.6	2017	2765	537221762
28	15201	15201032007	13	2017	Putre	194293.6	2017	2765	537221762
29	15201	15201032901	1	2017	Putre	194293.6	2017	2765	537221762
30	15201	15201042021	8	2017	Putre	194293.6	2017	2765	537221762
31	15201	15201052001	3	2017	Putre	194293.6	2017	2765	537221762
32	15201	15201052003	5	2017	Putre	194293.6	2017	2765	537221762
33	15201	15201052012	1	2017	Putre	194293.6	2017	2765	537221762
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
NA.52	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.53	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.54	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.55	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.56	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.57	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.58	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.59	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.60	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.61	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.62	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.63	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.64	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.65	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.66	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
15101032003	15101	5	2017	Arica	250863.6	2017	221364	55532177025	70	0.0003162	15101
15101062011	15101	103	2017	Arica	250863.6	2017	221364	55532177025	2587	0.0116866	15101
15101062014	15101	434	2017	Arica	250863.6	2017	221364	55532177025	8708	0.0393379	15101
15101122004	15101	35	2017	Arica	250863.6	2017	221364	55532177025	1138	0.0051409	15101
15101132015	15101	7	2017	Arica	250863.6	2017	221364	55532177025	338	0.0015269	15101
15101152005	15101	141	2017	Arica	250863.6	2017	221364	55532177025	870	0.0039302	15101
15101152007	15101	5	2017	Arica	250863.6	2017	221364	55532177025	130	0.0005873	15101
15101152016	15101	119	2017	Arica	250863.6	2017	221364	55532177025	1759	0.0079462	15101
15101152901	15101	8	2017	Arica	250863.6	2017	221364	55532177025	207	0.0009351	15101
15101162016	15101	25	2017	Arica	250863.6	2017	221364	55532177025	393	0.0017754	15101
15101162901	15101	3	2017	Arica	250863.6	2017	221364	55532177025	58	0.0002620	15101
15102012002	15102	2	2017	Camarones	222472.1	2017	1255	279202446	25	0.0199203	15102
15102012003	15102	77	2017	Camarones	222472.1	2017	1255	279202446	565	0.4501992	15102
15102022007	15102	4	2017	Camarones	222472.1	2017	1255	279202446	39	0.0310757	15102
15102032005	15102	15	2017	Camarones	222472.1	2017	1255	279202446	112	0.0892430	15102
15102032901	15102	1	2017	Camarones	222472.1	2017	1255	279202446	30	0.0239044	15102
15102042001	15102	12	2017	Camarones	222472.1	2017	1255	279202446	181	0.1442231	15102
15102052004	15102	39	2017	Camarones	222472.1	2017	1255	279202446	259	0.2063745	15102
15102052006	15102	8	2017	Camarones	222472.1	2017	1255	279202446	30	0.0239044	15102
15201012901	15201	6	2017	Putre	194293.6	2017	2765	537221762	37	0.0133816	15201
15201022002	15201	2	2017	Putre	194293.6	2017	2765	537221762	52	0.0188065	15201
15201032006	15201	1	2017	Putre	194293.6	2017	2765	537221762	31	0.0112116	15201
15201032007	15201	13	2017	Putre	194293.6	2017	2765	537221762	52	0.0188065	15201
15201032901	15201	1	2017	Putre	194293.6	2017	2765	537221762	35	0.0126582	15201
15201042021	15201	8	2017	Putre	194293.6	2017	2765	537221762	75	0.0271248	15201
15201052001	15201	3	2017	Putre	194293.6	2017	2765	537221762	63	0.0227848	15201
15201052003	15201	5	2017	Putre	194293.6	2017	2765	537221762	53	0.0191682	15201
15201052012	15201	1	2017	Putre	194293.6	2017	2765	537221762	25	0.0090416	15201
15201052013	15201	1	2017	Putre	194293.6	2017	2765	537221762	17	0.0061483	15201
15201052020	15201	1	2017	Putre	194293.6	2017	2765	537221762	18	0.0065099	15201
15201062005	15201	1	2017	Putre	194293.6	2017	2765	537221762	4	0.0014467	15201
15201062010	15201	1	2017	Putre	194293.6	2017	2765	537221762	40	0.0144665	15201
15201072901	15201	2	2017	Putre	194293.6	2017	2765	537221762	53	0.0191682	15201

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
15101032003	15101	5	2017	Arica	250863.6	2017	221364	55532177025	70	0.0003162	15101	17560454.2
15101062011	15101	103	2017	Arica	250863.6	2017	221364	55532177025	2587	0.0116866	15101	648984215.9
15101062014	15101	434	2017	Arica	250863.6	2017	221364	55532177025	8708	0.0393379	15101	2184520507.1
15101122004	15101	35	2017	Arica	250863.6	2017	221364	55532177025	1138	0.0051409	15101	285482813.2
15101132015	15101	7	2017	Arica	250863.6	2017	221364	55532177025	338	0.0015269	15101	84791907.6
15101152005	15101	141	2017	Arica	250863.6	2017	221364	55532177025	870	0.0039302	15101	218251359.8
15101152007	15101	5	2017	Arica	250863.6	2017	221364	55532177025	130	0.0005873	15101	32612272.2
15101152016	15101	119	2017	Arica	250863.6	2017	221364	55532177025	1759	0.0079462	15101	441269128.6
15101152901	15101	8	2017	Arica	250863.6	2017	221364	55532177025	207	0.0009351	15101	51928771.8
15101162016	15101	25	2017	Arica	250863.6	2017	221364	55532177025	393	0.0017754	15101	98589407.4
15101162901	15101	3	2017	Arica	250863.6	2017	221364	55532177025	58	0.0002620	15101	14550090.7
15102012002	15102	2	2017	Camarones	222472.1	2017	1255	279202446	25	0.0199203	15102	5561801.7
15102012003	15102	77	2017	Camarones	222472.1	2017	1255	279202446	565	0.4501992	15102	125696718.5
15102022007	15102	4	2017	Camarones	222472.1	2017	1255	279202446	39	0.0310757	15102	8676410.7
15102032005	15102	15	2017	Camarones	222472.1	2017	1255	279202446	112	0.0892430	15102	24916871.6
15102032901	15102	1	2017	Camarones	222472.1	2017	1255	279202446	30	0.0239044	15102	6674162.0
15102042001	15102	12	2017	Camarones	222472.1	2017	1255	279202446	181	0.1442231	15102	40267444.3
15102052004	15102	39	2017	Camarones	222472.1	2017	1255	279202446	259	0.2063745	15102	57620265.7
15102052006	15102	8	2017	Camarones	222472.1	2017	1255	279202446	30	0.0239044	15102	6674162.0
15201012901	15201	6	2017	Putre	194293.6	2017	2765	537221762	37	0.0133816	15201	7188862.6
15201022002	15201	2	2017	Putre	194293.6	2017	2765	537221762	52	0.0188065	15201	10103266.4
15201032006	15201	1	2017	Putre	194293.6	2017	2765	537221762	31	0.0112116	15201	6023101.1
15201032007	15201	13	2017	Putre	194293.6	2017	2765	537221762	52	0.0188065	15201	10103266.4
15201032901	15201	1	2017	Putre	194293.6	2017	2765	537221762	35	0.0126582	15201	6800275.5
15201042021	15201	8	2017	Putre	194293.6	2017	2765	537221762	75	0.0271248	15201	14572018.9
15201052001	15201	3	2017	Putre	194293.6	2017	2765	537221762	63	0.0227848	15201	12240495.8
15201052003	15201	5	2017	Putre	194293.6	2017	2765	537221762	53	0.0191682	15201	10297560.0
15201052012	15201	1	2017	Putre	194293.6	2017	2765	537221762	25	0.0090416	15201	4857339.6
15201052013	15201	1	2017	Putre	194293.6	2017	2765	537221762	17	0.0061483	15201	3302990.9
15201052020	15201	1	2017	Putre	194293.6	2017	2765	537221762	18	0.0065099	15201	3497284.5
15201062005	15201	1	2017	Putre	194293.6	2017	2765	537221762	4	0.0014467	15201	777174.3
15201062010	15201	1	2017	Putre	194293.6	2017	2765	537221762	40	0.0144665	15201	7771743.4
15201072901	15201	2	2017	Putre	194293.6	2017	2765	537221762	53	0.0191682	15201	10297560.0

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 
## -426490082    -658417   18546420   22415555  183516686 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -20459127   19843142  -1.031     0.31    
## Freq.x        4717735     231121  20.412   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 105200000 on 31 degrees of freedom
## Multiple R-squared:  0.9308, Adjusted R-squared:  0.9285 
## F-statistic: 416.7 on 1 and 31 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 
## -426490082    -658417   18546420   22415555  183516686 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -20459127   19843142  -1.031     0.31    
## Freq.x        4717735     231121  20.412   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 105200000 on 31 degrees of freedom
## Multiple R-squared:  0.9308, Adjusted R-squared:  0.9285 
## F-statistic: 416.7 on 1 and 31 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 
## -426490082    -658417   18546420   22415555  183516686 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -20459127   19843142  -1.031     0.31    
## Freq.x        4717735     231121  20.412   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 105200000 on 31 degrees of freedom
## Multiple R-squared:  0.9308, Adjusted R-squared:  0.9285 
## F-statistic: 416.7 on 1 and 31 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 
## -366476255 -143790610  -53885652  148963816 1437424768 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -148186641   81662830  -1.815   0.0793 .  
## log(Freq.x)  147419038   32024138   4.603 6.67e-05 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 308200000 on 31 degrees of freedom
## Multiple R-squared:  0.406,  Adjusted R-squared:  0.3869 
## F-statistic: 21.19 on 1 and 31 DF,  p-value: 6.672e-05

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 
## -551587701  -43441684   24472994   96137099  701927216 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  -174923265   47362685  -3.693  0.00085 ***
## sqrt(Freq.x)   79563341    8244785   9.650 7.45e-11 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 199800000 on 31 degrees of freedom
## Multiple R-squared:  0.7503, Adjusted R-squared:  0.7422 
## F-statistic: 93.13 on 1 and 31 DF,  p-value: 7.45e-11

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 
## -8672.7  -801.8   345.1  1065.2  5508.4 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    -498.2      718.2  -0.694    0.493    
## sqrt(Freq.x)   2016.5      125.0  16.129   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3030 on 31 degrees of freedom
## Multiple R-squared:  0.8935, Adjusted R-squared:  0.8901 
## F-statistic: 260.1 on 1 and 31 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 
## -2.34352 -0.52164 -0.04093  0.33813  1.82833 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  15.55413    0.20900  74.423  < 2e-16 ***
## sqrt(Freq.x)  0.35281    0.03638   9.697 6.64e-11 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.8819 on 31 degrees of freedom
## Multiple R-squared:  0.7521, Adjusted R-squared:  0.7441 
## F-statistic: 94.04 on 1 and 31 DF,  p-value: 6.641e-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 
## -7377.3 -3473.5    51.4  2853.6 21244.8 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  -1036.2     1432.6  -0.723    0.475    
## log(Freq.x)   4368.5      561.8   7.776 8.96e-09 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 5407 on 31 degrees of freedom
## Multiple R-squared:  0.6611, Adjusted R-squared:  0.6502 
## F-statistic: 60.47 on 1 and 31 DF,  p-value: 8.964e-09

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 
## -1.5718 -0.5397  0.1597  0.5785  1.3044 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 15.13523    0.19372   78.13  < 2e-16 ***
## log(Freq.x)  0.93326    0.07597   12.29  1.9e-13 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.7311 on 31 degrees of freedom
## Multiple R-squared:  0.8296, Adjusted R-squared:  0.8241 
## F-statistic: 150.9 on 1 and 31 DF,  p-value: 1.9e-13

9 Modelo elegido: lineal (linear)

Es éste el modelo que nos entrega el mayor coeficiente de determinación de todos (0.9285).

9.1 Diagrama de dispersión sobre linear

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

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

9.2 Modelo linear

Observemos nuevamente el resultado sobre linear.

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 
## -426490082    -658417   18546420   22415555  183516686 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -20459127   19843142  -1.031     0.31    
## Freq.x        4717735     231121  20.412   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 105200000 on 31 degrees of freedom
## Multiple R-squared:  0.9308, Adjusted R-squared:  0.9285 
## F-statistic: 416.7 on 1 and 31 DF,  p-value: < 2.2e-16

ggplot(h_y_m_comuna_corr_01, aes(x = (Freq.x) , y = (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

\[ \hat Y = -20459127 + 4717735 \cdot X \]

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$est_ing <- 
-20459127 + 4717735 * (h_y_m_comuna_corr_01$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	15101032003	15101	5	2017	Arica	250863.6	2017	221364	55532177025	70	0.0003162	15101	17560454.2	3129548
2	15101062011	15101	103	2017	Arica	250863.6	2017	221364	55532177025	2587	0.0116866	15101	648984215.9	465467578
3	15101062014	15101	434	2017	Arica	250863.6	2017	221364	55532177025	8708	0.0393379	15101	2184520507.1	2027037863
4	15101122004	15101	35	2017	Arica	250863.6	2017	221364	55532177025	1138	0.0051409	15101	285482813.2	144661598
5	15101132015	15101	7	2017	Arica	250863.6	2017	221364	55532177025	338	0.0015269	15101	84791907.6	12565018
6	15101152005	15101	141	2017	Arica	250863.6	2017	221364	55532177025	870	0.0039302	15101	218251359.8	644741508
7	15101152007	15101	5	2017	Arica	250863.6	2017	221364	55532177025	130	0.0005873	15101	32612272.2	3129548
8	15101152016	15101	119	2017	Arica	250863.6	2017	221364	55532177025	1759	0.0079462	15101	441269128.6	540951338
9	15101152901	15101	8	2017	Arica	250863.6	2017	221364	55532177025	207	0.0009351	15101	51928771.8	17282753
10	15101162016	15101	25	2017	Arica	250863.6	2017	221364	55532177025	393	0.0017754	15101	98589407.4	97484248
11	15101162901	15101	3	2017	Arica	250863.6	2017	221364	55532177025	58	0.0002620	15101	14550090.7	-6305922
12	15102012002	15102	2	2017	Camarones	222472.1	2017	1255	279202446	25	0.0199203	15102	5561801.7	-11023657
13	15102012003	15102	77	2017	Camarones	222472.1	2017	1255	279202446	565	0.4501992	15102	125696718.5	342806468
14	15102022007	15102	4	2017	Camarones	222472.1	2017	1255	279202446	39	0.0310757	15102	8676410.7	-1588187
15	15102032005	15102	15	2017	Camarones	222472.1	2017	1255	279202446	112	0.0892430	15102	24916871.6	50306898
16	15102032901	15102	1	2017	Camarones	222472.1	2017	1255	279202446	30	0.0239044	15102	6674162.0	-15741392
17	15102042001	15102	12	2017	Camarones	222472.1	2017	1255	279202446	181	0.1442231	15102	40267444.3	36153693
18	15102052004	15102	39	2017	Camarones	222472.1	2017	1255	279202446	259	0.2063745	15102	57620265.7	163532538
19	15102052006	15102	8	2017	Camarones	222472.1	2017	1255	279202446	30	0.0239044	15102	6674162.0	17282753
20	15201012901	15201	6	2017	Putre	194293.6	2017	2765	537221762	37	0.0133816	15201	7188862.6	7847283
21	15201022002	15201	2	2017	Putre	194293.6	2017	2765	537221762	52	0.0188065	15201	10103266.4	-11023657
22	15201032006	15201	1	2017	Putre	194293.6	2017	2765	537221762	31	0.0112116	15201	6023101.1	-15741392
23	15201032007	15201	13	2017	Putre	194293.6	2017	2765	537221762	52	0.0188065	15201	10103266.4	40871428
24	15201032901	15201	1	2017	Putre	194293.6	2017	2765	537221762	35	0.0126582	15201	6800275.5	-15741392
25	15201042021	15201	8	2017	Putre	194293.6	2017	2765	537221762	75	0.0271248	15201	14572018.9	17282753
26	15201052001	15201	3	2017	Putre	194293.6	2017	2765	537221762	63	0.0227848	15201	12240495.8	-6305922
27	15201052003	15201	5	2017	Putre	194293.6	2017	2765	537221762	53	0.0191682	15201	10297560.0	3129548
28	15201052012	15201	1	2017	Putre	194293.6	2017	2765	537221762	25	0.0090416	15201	4857339.6	-15741392
29	15201052013	15201	1	2017	Putre	194293.6	2017	2765	537221762	17	0.0061483	15201	3302990.9	-15741392
30	15201052020	15201	1	2017	Putre	194293.6	2017	2765	537221762	18	0.0065099	15201	3497284.5	-15741392
31	15201062005	15201	1	2017	Putre	194293.6	2017	2765	537221762	4	0.0014467	15201	777174.3	-15741392
32	15201062010	15201	1	2017	Putre	194293.6	2017	2765	537221762	40	0.0144665	15201	7771743.4	-15741392
33	15201072901	15201	2	2017	Putre	194293.6	2017	2765	537221762	53	0.0191682	15201	10297560.0	-11023657
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
NA.52	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.53	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.54	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.55	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.56	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.57	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.58	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.59	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.60	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.61	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.62	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.63	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.64	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.65	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.66	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	15101032003	15101	5	2017	Arica	250863.6	2017	221364	55532177025	70	0.0003162	15101	17560454.2	3129548	44707.83
2	15101062011	15101	103	2017	Arica	250863.6	2017	221364	55532177025	2587	0.0116866	15101	648984215.9	465467578	179925.62
3	15101062014	15101	434	2017	Arica	250863.6	2017	221364	55532177025	8708	0.0393379	15101	2184520507.1	2027037863	232778.81
4	15101122004	15101	35	2017	Arica	250863.6	2017	221364	55532177025	1138	0.0051409	15101	285482813.2	144661598	127119.15
5	15101132015	15101	7	2017	Arica	250863.6	2017	221364	55532177025	338	0.0015269	15101	84791907.6	12565018	37174.61
6	15101152005	15101	141	2017	Arica	250863.6	2017	221364	55532177025	870	0.0039302	15101	218251359.8	644741508	741082.19
7	15101152007	15101	5	2017	Arica	250863.6	2017	221364	55532177025	130	0.0005873	15101	32612272.2	3129548	24073.45
8	15101152016	15101	119	2017	Arica	250863.6	2017	221364	55532177025	1759	0.0079462	15101	441269128.6	540951338	307533.45
9	15101152901	15101	8	2017	Arica	250863.6	2017	221364	55532177025	207	0.0009351	15101	51928771.8	17282753	83491.56
10	15101162016	15101	25	2017	Arica	250863.6	2017	221364	55532177025	393	0.0017754	15101	98589407.4	97484248	248051.52
11	15101162901	15101	3	2017	Arica	250863.6	2017	221364	55532177025	58	0.0002620	15101	14550090.7	-6305922	-108722.79
12	15102012002	15102	2	2017	Camarones	222472.1	2017	1255	279202446	25	0.0199203	15102	5561801.7	-11023657	-440946.28
13	15102012003	15102	77	2017	Camarones	222472.1	2017	1255	279202446	565	0.4501992	15102	125696718.5	342806468	606737.11
14	15102022007	15102	4	2017	Camarones	222472.1	2017	1255	279202446	39	0.0310757	15102	8676410.7	-1588187	-40722.74
15	15102032005	15102	15	2017	Camarones	222472.1	2017	1255	279202446	112	0.0892430	15102	24916871.6	50306898	449168.73
16	15102032901	15102	1	2017	Camarones	222472.1	2017	1255	279202446	30	0.0239044	15102	6674162.0	-15741392	-524713.07
17	15102042001	15102	12	2017	Camarones	222472.1	2017	1255	279202446	181	0.1442231	15102	40267444.3	36153693	199744.16
18	15102052004	15102	39	2017	Camarones	222472.1	2017	1255	279202446	259	0.2063745	15102	57620265.7	163532538	631399.76
19	15102052006	15102	8	2017	Camarones	222472.1	2017	1255	279202446	30	0.0239044	15102	6674162.0	17282753	576091.77
20	15201012901	15201	6	2017	Putre	194293.6	2017	2765	537221762	37	0.0133816	15201	7188862.6	7847283	212088.73
21	15201022002	15201	2	2017	Putre	194293.6	2017	2765	537221762	52	0.0188065	15201	10103266.4	-11023657	-211993.40
22	15201032006	15201	1	2017	Putre	194293.6	2017	2765	537221762	31	0.0112116	15201	6023101.1	-15741392	-507786.84
23	15201032007	15201	13	2017	Putre	194293.6	2017	2765	537221762	52	0.0188065	15201	10103266.4	40871428	785989.00
24	15201032901	15201	1	2017	Putre	194293.6	2017	2765	537221762	35	0.0126582	15201	6800275.5	-15741392	-449754.06
25	15201042021	15201	8	2017	Putre	194293.6	2017	2765	537221762	75	0.0271248	15201	14572018.9	17282753	230436.71
26	15201052001	15201	3	2017	Putre	194293.6	2017	2765	537221762	63	0.0227848	15201	12240495.8	-6305922	-100094.00
27	15201052003	15201	5	2017	Putre	194293.6	2017	2765	537221762	53	0.0191682	15201	10297560.0	3129548	59048.08
28	15201052012	15201	1	2017	Putre	194293.6	2017	2765	537221762	25	0.0090416	15201	4857339.6	-15741392	-629655.68
29	15201052013	15201	1	2017	Putre	194293.6	2017	2765	537221762	17	0.0061483	15201	3302990.9	-15741392	-925964.24
30	15201052020	15201	1	2017	Putre	194293.6	2017	2765	537221762	18	0.0065099	15201	3497284.5	-15741392	-874521.78
31	15201062005	15201	1	2017	Putre	194293.6	2017	2765	537221762	4	0.0014467	15201	777174.3	-15741392	-3935348.00
32	15201062010	15201	1	2017	Putre	194293.6	2017	2765	537221762	40	0.0144665	15201	7771743.4	-15741392	-393534.80
33	15201072901	15201	2	2017	Putre	194293.6	2017	2765	537221762	53	0.0191682	15201	10297560.0	-11023657	-207993.53
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
NA.52	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.53	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.54	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.55	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.56	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.57	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.58	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.59	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.60	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.61	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.62	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.63	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.64	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.65	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
NA.66	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_15_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