Correlaciones entre variables del CENSO de Viviendas, Hogares y Personas e Ingresos promedios comunales de la CASEN 2017.
VE-CC-AJ
DataIntelligenceJueves 08-07-2021
Abstract
Calculamos correlaciones entre el ingreso promedio comunal multiplicado por la población también comunal que llamaremos ingresos expandidos extraÃdos de la Casen 2017 y las frecuencias de respuesta por categorÃa a la pregunta P02 del Censo de viviendas 2017, también extraÃdas a nivel comunal. Lo haremos a nivel nacional.
Haremos las correlaciones tanto a nivel Urbano como Rural.
Importante es aplicar la librerÃa dplyr para evitar que en los filtros se desplieguen series de tiempo.
Identificamos una violación a un supuesto a la correlación de Pearson; demostramos que lo correcto es aplicar la \(\tau\) de Kendall.
Nivel nacional URBANO (código 1)
1.1 Pregunta P02: Ocupación de la vivienda
1 Con moradores presentes.
2 Con moradores ausentes.
3 En venta, para arriendo, abandonada u otro.
4 De temporada (vacacional u otro).
Leemos las respuestas a la pregunta P02 del censo de viviendas 2017 y obtenemos la tabla de frecuencias por categorÃa
tabla_con_clave <- readRDS("../censo_viviendas_con_clave_17.rds")
tabla_con_clave_u <- filter(tabla_con_clave, tabla_con_clave$AREA == 1)
b <- tabla_con_clave_u$COMUNA
c <- tabla_con_clave_u$P02
cross_tab = xtabs( ~ unlist(b) + unlist(c))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2017"
d_t <- filter(d,d$unlist.c. == 1)
for(i in 2:4){
d_i <- filter(d,d$unlist.c. == i)
d_t = merge( x = d_t, y = d_i, by = "unlist.b.", all.x = TRUE)
}
# Agregamos un cero a los códigos comunales de 4 dÃgitos, que queda en la columna llamada **código**:
codigos <- d_t$unlist.b.
rango <- seq(1:nrow(d_t))
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_t,cadena)
comuna_corr <- comuna_corr[,-c(1),drop=FALSE]
names(comuna_corr)[ncol(comuna_corr)] <- "código"
quitar <- seq(3,(ncol(comuna_corr)-1),3)
comuna_corr <- comuna_corr[,-c(quitar),drop=FALSE]
names(comuna_corr )[2] <- "Con moradores presentes"
names(comuna_corr )[4] <- "Con moradores ausentes"
names(comuna_corr )[6] <- "En venta, para arriendo, abandonada u otro"
names(comuna_corr )[8] <- "De temporada (vacacional u otro)"
kbl(head(comuna_corr,50)) %>%
kable_styling(bootstrap_options = c("striped", "hover")) %>%
kable_paper() %>%
scroll_box(width = "100%", height = "300px")| unlist.c..x | Con moradores presentes | unlist.c..y | Con moradores ausentes | unlist.c..x.1 | En venta, para arriendo, abandonada u otro | unlist.c..y.1 | De temporada (vacacional u otro) | código |
|---|---|---|---|---|---|---|---|---|
| 1 | 70345 | 2 | 4883 | 3 | 5672 | 4 | 675 | 10101 |
| 1 | 5139 | 2 | 413 | 3 | 374 | 4 | 90 | 10102 |
| 1 | 2463 | 2 | 164 | 3 | 137 | 4 | 31 | 10104 |
| 1 | 4377 | 2 | 470 | 3 | 294 | 4 | 119 | 10105 |
| 1 | 2702 | 2 | 165 | 3 | 127 | 4 | 35 | 10106 |
| 1 | 4399 | 2 | 152 | 3 | 136 | 4 | 40 | 10107 |
| 1 | 2289 | 2 | 134 | 3 | 257 | 4 | 61 | 10108 |
| 1 | 10325 | 2 | 661 | 3 | 701 | 4 | 249 | 10109 |
| 1 | 11210 | 2 | 1192 | 3 | 753 | 4 | 92 | 10201 |
| 1 | 9410 | 2 | 726 | 3 | 803 | 4 | 159 | 10202 |
| 1 | 1838 | 2 | 127 | 3 | 167 | 4 | 29 | 10203 |
| 1 | 385 | 2 | 37 | 3 | 47 | 4 | 9 | 10204 |
| 1 | 2307 | 2 | 148 | 3 | 171 | 4 | 44 | 10205 |
| 1 | 789 | 2 | 59 | 3 | 81 | 4 | 29 | 10207 |
| 1 | 5948 | 2 | 382 | 3 | 360 | 4 | 71 | 10208 |
| 1 | 893 | 2 | 91 | 3 | 97 | 4 | 45 | 10209 |
| 1 | 1107 | 2 | 77 | 3 | 121 | 4 | 34 | 10210 |
| 1 | 49373 | 2 | 2841 | 3 | 2268 | 4 | 283 | 10301 |
| 1 | 650 | 2 | 37 | 3 | 52 | 4 | 19 | 10302 |
| 1 | 4726 | 2 | 159 | 3 | 194 | 4 | 50 | 10303 |
| 1 | 1594 | 2 | 91 | 3 | 107 | 4 | 41 | 10304 |
| 1 | 2375 | 2 | 119 | 3 | 124 | 4 | 20 | 10305 |
| 1 | 441 | 2 | 56 | 3 | 84 | 4 | 1106 | 10306 |
| 1 | 1537 | 2 | 93 | 3 | 54 | 4 | 18 | 10307 |
| 1 | 607 | 2 | 76 | 3 | 42 | 4 | 15 | 10401 |
| 1 | 730 | 2 | 106 | 3 | 57 | 4 | 34 | 10402 |
| 1 | 1271 | 2 | 122 | 3 | 213 | 4 | 80 | 10403 |
| 1 | 438 | 2 | 50 | 3 | 30 | 4 | 51 | 10404 |
| 1 | 55473 | 2 | 3597 | 3 | 5382 | 4 | 1048 | 01101 |
| 1 | 28418 | 2 | 1748 | 3 | 2716 | 4 | 209 | 01107 |
| 1 | 16714 | 2 | 1358 | 3 | 758 | 4 | 163 | 11101 |
| 1 | 6652 | 2 | 643 | 3 | 506 | 4 | 113 | 11201 |
| 1 | 1400 | 2 | 183 | 3 | 98 | 4 | 45 | 11202 |
| 1 | 472 | 2 | 28 | 3 | 89 | 4 | 24 | 11203 |
| 1 | 1021 | 2 | 151 | 3 | 112 | 4 | 26 | 11301 |
| 1 | 1161 | 2 | 158 | 3 | 84 | 4 | 33 | 11401 |
| 1 | 40884 | 2 | 2726 | 3 | 2301 | 4 | 584 | 12101 |
| 1 | 568 | 2 | 52 | 3 | 37 | 4 | 8 | 12201 |
| 1 | 1903 | 2 | 26 | 3 | 440 | 4 | 72 | 12301 |
| 1 | 6641 | 2 | 620 | 3 | 718 | 4 | 67 | 12401 |
| 1 | 164314 | 2 | 15816 | 3 | 12142 | 4 | 1358 | 13101 |
| 1 | 23320 | 2 | 684 | 3 | 491 | 4 | 53 | 13102 |
| 1 | 36399 | 2 | 978 | 3 | 568 | 4 | 76 | 13103 |
| 1 | 35964 | 2 | 962 | 3 | 774 | 4 | 60 | 13104 |
| 1 | 45790 | 2 | 911 | 3 | 1128 | 4 | 113 | 13105 |
| 1 | 43750 | 2 | 2079 | 3 | 6495 | 4 | 164 | 13106 |
| 1 | 27018 | 2 | 695 | 3 | 1138 | 4 | 64 | 13107 |
| 1 | 32013 | 2 | 1792 | 3 | 2748 | 4 | 114 | 13108 |
| 1 | 28560 | 2 | 1555 | 3 | 1280 | 4 | 85 | 13109 |
| 1 | 112082 | 2 | 3281 | 3 | 4331 | 4 | 298 | 13110 |
1.3 Generación de ingresos promedios a nivel urbano y su unión con la tabla de contingencia
ingresos_expandidos_2017 <- readRDS("Ingresos_expandidos_urbano_17.rds")
df_2017_2 = merge( x = comuna_corr, y = ingresos_expandidos_2017, by = "código", all.x = TRUE)
kbl(head(df_2017_2,50)) %>%
kable_styling(bootstrap_options = c("striped", "hover")) %>%
kable_paper() %>%
scroll_box(width = "100%", height = "300px")| código | unlist.c..x | Con moradores presentes | unlist.c..y | Con moradores ausentes | unlist.c..x.1 | En venta, para arriendo, abandonada u otro | unlist.c..y.1 | De temporada (vacacional u otro) | comuna | promedio_i | año |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 01101 | 1 | 55473 | 2 | 3597 | 3 | 5382 | 4 | 1048 | Iquique | 375676.9 | 2017 |
| 01107 | 1 | 28418 | 2 | 1748 | 3 | 2716 | 4 | 209 | Alto Hospicio | 311571.7 | 2017 |
| 01401 | 1 | 2760 | 2 | 300 | 3 | 257 | 4 | 51 | Pozo Almonte | 316138.5 | 2017 |
| 01404 | 1 | 356 | 2 | 52 | 3 | 110 | 4 | 25 | NA | NA | NA |
| 01405 | 1 | 1291 | 2 | 192 | 3 | 165 | 4 | 419 | Pica | 330061.1 | 2017 |
| 02101 | 1 | 98654 | 2 | 5897 | 3 | 6350 | 4 | 853 | Antofagasta | 368221.4 | 2017 |
| 02102 | 1 | 3147 | 2 | 182 | 3 | 279 | 4 | 33 | Mejillones | 369770.7 | 2017 |
| 02104 | 1 | 3216 | 2 | 349 | 3 | 284 | 4 | 58 | Taltal | 383666.2 | 2017 |
| 02201 | 1 | 45714 | 2 | 3987 | 3 | 3022 | 4 | 324 | Calama | 434325.1 | 2017 |
| 02203 | 1 | 1641 | 2 | 224 | 3 | 85 | 4 | 31 | San Pedro de Atacama | 442861.0 | 2017 |
| 02301 | 1 | 7656 | 2 | 641 | 3 | 740 | 4 | 110 | Tocopilla | 286187.2 | 2017 |
| 02302 | 1 | 1456 | 2 | 184 | 3 | 115 | 4 | 38 | MarÃa Elena | 477748.0 | 2017 |
| 03101 | 1 | 44680 | 2 | 3134 | 3 | 5410 | 4 | 418 | Copiapó | 343121.0 | 2017 |
| 03102 | 1 | 4888 | 2 | 673 | 3 | 460 | 4 | 1321 | Caldera | 318653.2 | 2017 |
| 03103 | 1 | 2877 | 2 | 74 | 3 | 284 | 4 | 22 | Tierra Amarilla | 333194.9 | 2017 |
| 03201 | 1 | 3301 | 2 | 198 | 3 | 660 | 4 | 93 | Chañaral | 286389.3 | 2017 |
| 03202 | 1 | 4363 | 2 | 708 | 3 | 888 | 4 | 257 | Diego de Almagro | 351583.9 | 2017 |
| 03301 | 1 | 13895 | 2 | 1089 | 3 | 1095 | 4 | 139 | Vallenar | 315981.5 | 2017 |
| 03303 | 1 | 1397 | 2 | 91 | 3 | 211 | 4 | 59 | Freirina | 289049.9 | 2017 |
| 03304 | 1 | 2873 | 2 | 365 | 3 | 396 | 4 | 134 | Huasco | 337414.8 | 2017 |
| 04101 | 1 | 61968 | 2 | 4859 | 3 | 6946 | 4 | 5015 | La Serena | 279340.1 | 2017 |
| 04102 | 1 | 63744 | 2 | 4749 | 3 | 7318 | 4 | 6254 | Coquimbo | 269078.6 | 2017 |
| 04103 | 1 | 3073 | 2 | 184 | 3 | 431 | 4 | 119 | Andacollo | 258539.7 | 2017 |
| 04104 | 1 | 398 | 2 | 18 | 3 | 97 | 4 | 44 | La Higuera | 214257.0 | 2017 |
| 04106 | 1 | 5388 | 2 | 281 | 3 | 331 | 4 | 202 | Vicuña | 254177.0 | 2017 |
| 04201 | 1 | 6810 | 2 | 430 | 3 | 549 | 4 | 102 | Illapel | 282139.3 | 2017 |
| 04202 | 1 | 706 | 2 | 52 | 3 | 158 | 4 | 93 | Canela | 233397.3 | 2017 |
| 04203 | 1 | 5831 | 2 | 685 | 3 | 639 | 4 | 3407 | Los Vilos | 285214.0 | 2017 |
| 04204 | 1 | 5119 | 2 | 337 | 3 | 449 | 4 | 140 | Salamanca | 262056.9 | 2017 |
| 04301 | 1 | 26844 | 2 | 1716 | 3 | 2037 | 4 | 384 | Ovalle | 280373.5 | 2017 |
| 04302 | 1 | 2113 | 2 | 226 | 3 | 214 | 4 | 102 | Combarbalá | 234537.3 | 2017 |
| 04303 | 1 | 4834 | 2 | 235 | 3 | 326 | 4 | 124 | Monte Patria | 225369.1 | 2017 |
| 04304 | 1 | 1919 | 2 | 231 | 3 | 198 | 4 | 82 | Punitaqui | 212496.1 | 2017 |
| 05101 | 1 | 97891 | 2 | 5332 | 3 | 7770 | 4 | 4979 | ValparaÃso | 306572.5 | 2017 |
| 05102 | 1 | 5745 | 2 | 176 | 3 | 267 | 4 | 69 | Casablanca | 348088.6 | 2017 |
| 05103 | 1 | 12943 | 2 | 607 | 3 | 1070 | 4 | 4608 | Concón | 333932.4 | 2017 |
| 05105 | 1 | 5418 | 2 | 344 | 3 | 680 | 4 | 9090 | Puchuncavà | 296035.5 | 2017 |
| 05107 | 1 | 8840 | 2 | 532 | 3 | 814 | 4 | 4768 | Quintero | 308224.7 | 2017 |
| 05109 | 1 | 116645 | 2 | 8817 | 3 | 8779 | 4 | 12878 | Viña del Mar | 354715.9 | 2017 |
| 05201 | 1 | 2414 | 2 | 249 | 3 | 115 | 4 | 57 | NA | NA | NA |
| 05301 | 1 | 19451 | 2 | 966 | 3 | 1599 | 4 | 116 | Los Andes | 355446.2 | 2017 |
| 05302 | 1 | 3350 | 2 | 153 | 3 | 387 | 4 | 35 | Calle Larga | 246387.3 | 2017 |
| 05303 | 1 | 2502 | 2 | 75 | 3 | 187 | 4 | 38 | Rinconada | 279807.9 | 2017 |
| 05304 | 1 | 3651 | 2 | 139 | 3 | 231 | 4 | 30 | San Esteban | 219571.6 | 2017 |
| 05401 | 1 | 8625 | 2 | 459 | 3 | 673 | 4 | 281 | La Ligua | 259482.3 | 2017 |
| 05402 | 1 | 3866 | 2 | 165 | 3 | 231 | 4 | 49 | Cabildo | 262745.9 | 2017 |
| 05403 | 1 | 1771 | 2 | 83 | 3 | 226 | 4 | 3313 | Papudo | 302317.1 | 2017 |
| 05404 | 1 | 1443 | 2 | 71 | 3 | 175 | 4 | 120 | Petorca | 237510.8 | 2017 |
| 05405 | 1 | 1670 | 2 | 60 | 3 | 176 | 4 | 3255 | Zapallar | 294389.2 | 2017 |
| 05501 | 1 | 25102 | 2 | 889 | 3 | 2408 | 4 | 196 | Quillota | 288694.2 | 2017 |
comuna_corr <- readRDS("cant_personas_17.rds")
df_2017_exp = merge( x = df_2017_2, y = comuna_corr, by = "código", all.x = TRUE)
df_2017_exp$Ingresos_expandidos <- df_2017_exp$promedio_i*df_2017_exp$personas
df_2017_exp <- filter(df_2017_exp, df_2017_exp$Ingresos_expandidos != 'is.na')2 Correlaciones
kendall
III <- seq(3,(ncol(df_2017_exp)-6),2)
df_2017_exp_subset <- df_2017_exp[,c(III,(ncol(df_2017_exp)))]
chart.Correlation(df_2017_exp_subset, histogram=TRUE, method = c( "kendall"), pch=20)
Pearson
III <- seq(3,(ncol(df_2017_exp)-6),2)
df_2017_exp_subset <- df_2017_exp[,c(III,(ncol(df_2017_exp)))]
chart.Correlation(df_2017_exp_subset, histogram=TRUE, method = c( "pearson"), pch=20)
Spearman
III <- seq(3,(ncol(df_2017_exp)-6),2)
df_2017_exp_subset <- df_2017_exp[,c(III,(ncol(df_2017_exp)))]
chart.Correlation(df_2017_exp_subset, histogram=TRUE, method = c( "spearman"), pch=20)
Nivel nacional RURAL (código 2)
1.1 Pregunta P02: Ocupación de la vivienda
1 Con moradores presentes.
2 Con moradores ausentes.
3 En venta, para arriendo, abandonada u otro.
4 De temporada (vacacional u otro).
Leemos las respuestas a la pregunta P02 del censo de viviendas 2017 y obtenemos la tabla de frecuencias por categorÃa
tabla_con_clave <- readRDS("../censo_viviendas_con_clave_17.rds")
tabla_con_clave_u <- filter(tabla_con_clave, tabla_con_clave$AREA == 2)
b <- tabla_con_clave_u$COMUNA
c <- tabla_con_clave_u$P02
cross_tab = xtabs( ~ unlist(b) + unlist(c))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2017"
d_t <- filter(d,d$unlist.c. == 1)
for(i in 2:4){
d_i <- filter(d,d$unlist.c. == i)
d_t = merge( x = d_t, y = d_i, by = "unlist.b.", all.x = TRUE)
}
# Agregamos un cero a los códigos comunales de 4 dÃgitos, que queda en la columna llamada **código**:
codigos <- d_t$unlist.b.
rango <- seq(1:nrow(d_t))
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_t,cadena)
comuna_corr <- comuna_corr[,-c(1),drop=FALSE]
names(comuna_corr)[ncol(comuna_corr)] <- "código"
quitar <- seq(3,(ncol(comuna_corr)-1),3)
comuna_corr <- comuna_corr[,-c(quitar),drop=FALSE]
names(comuna_corr )[2] <- "Con moradores presentes"
names(comuna_corr )[4] <- "Con moradores ausentes"
names(comuna_corr )[6] <- "En venta, para arriendo, abandonada u otro"
names(comuna_corr )[8] <- "De temporada (vacacional u otro)"
kbl(head(comuna_corr,50)) %>%
kable_styling(bootstrap_options = c("striped", "hover")) %>%
kable_paper() %>%
scroll_box(width = "100%", height = "300px")| unlist.c..x | Con moradores presentes | unlist.c..y | Con moradores ausentes | unlist.c..x.1 | En venta, para arriendo, abandonada u otro | unlist.c..y.1 | De temporada (vacacional u otro) | código |
|---|---|---|---|---|---|---|---|---|
| 1 | 797 | 2 | 76 | 3 | 99 | 4 | 516 | 01101 |
| 1 | 52 | 2 | 8 | 3 | 25 | 4 | 3 | 01107 |
| 1 | 1367 | 2 | 246 | 3 | 561 | 4 | 3385 | 01401 |
| 1 | 481 | 2 | 9 | 3 | 80 | 4 | 522 | 01402 |
| 1 | 478 | 2 | 191 | 3 | 129 | 4 | 1233 | 01403 |
| 1 | 595 | 2 | 46 | 3 | 285 | 4 | 1402 | 01404 |
| 1 | 337 | 2 | 85 | 3 | 90 | 4 | 147 | 01405 |
| 1 | 329 | 2 | 11 | 3 | 68 | 4 | 291 | 02101 |
| 1 | 144 | 2 | 39 | 3 | 43 | 4 | 350 | 02102 |
| 1 | 386 | 2 | 28 | 3 | 150 | 4 | 6 | 02103 |
| 1 | 326 | 2 | 100 | 3 | 52 | 4 | 210 | 02104 |
| 1 | 979 | 2 | 387 | 3 | 637 | 4 | 2259 | 02201 |
| 1 | 106 | 2 | 33 | 3 | 25 | 4 | 275 | 02202 |
| 1 | 1393 | 2 | 197 | 3 | 268 | 4 | 307 | 02203 |
| 1 | 215 | 2 | 103 | 3 | 78 | 4 | 1129 | 02301 |
| 1 | 68 | 2 | 6 | 3 | 37 | 4 | 55 | 02302 |
| 1 | 966 | 2 | 337 | 3 | 287 | 4 | 334 | 03101 |
| 1 | 811 | 2 | 231 | 3 | 249 | 4 | 7019 | 03102 |
| 1 | 971 | 2 | 167 | 3 | 189 | 4 | 162 | 03103 |
| 1 | 418 | 2 | 75 | 3 | 110 | 4 | 1298 | 03201 |
| 1 | 254 | 2 | 30 | 3 | 322 | 4 | 92 | 03202 |
| 1 | 1936 | 2 | 443 | 3 | 521 | 4 | 286 | 03301 |
| 1 | 1777 | 2 | 296 | 3 | 416 | 4 | 438 | 03302 |
| 1 | 878 | 2 | 116 | 3 | 205 | 4 | 554 | 03303 |
| 1 | 504 | 2 | 67 | 3 | 148 | 4 | 1741 | 03304 |
| 1 | 5784 | 2 | 598 | 3 | 609 | 4 | 1686 | 04101 |
| 1 | 4089 | 2 | 423 | 3 | 473 | 4 | 2451 | 04102 |
| 1 | 411 | 2 | 48 | 3 | 51 | 4 | 189 | 04103 |
| 1 | 1083 | 2 | 95 | 3 | 365 | 4 | 560 | 04104 |
| 1 | 1624 | 2 | 84 | 3 | 267 | 4 | 398 | 04105 |
| 1 | 3390 | 2 | 282 | 3 | 265 | 4 | 640 | 04106 |
| 1 | 3388 | 2 | 196 | 3 | 483 | 4 | 362 | 04201 |
| 1 | 2698 | 2 | 140 | 3 | 534 | 4 | 897 | 04202 |
| 1 | 1448 | 2 | 152 | 3 | 224 | 4 | 903 | 04203 |
| 1 | 3721 | 2 | 218 | 3 | 399 | 4 | 315 | 04204 |
| 1 | 7908 | 2 | 685 | 3 | 1461 | 4 | 1062 | 04301 |
| 1 | 2797 | 2 | 229 | 3 | 655 | 4 | 663 | 04302 |
| 1 | 5443 | 2 | 336 | 3 | 1007 | 4 | 769 | 04303 |
| 1 | 1846 | 2 | 114 | 3 | 221 | 4 | 202 | 04304 |
| 1 | 1700 | 2 | 112 | 3 | 443 | 4 | 509 | 04305 |
| 1 | 281 | 2 | 62 | 3 | 111 | 4 | 772 | 05101 |
| 1 | 2966 | 2 | 233 | 3 | 301 | 4 | 1850 | 05102 |
| 1 | 781 | 2 | 34 | 3 | 110 | 4 | 137 | 05103 |
| 1 | 359 | 2 | 20 | 3 | 37 | 4 | 30 | 05104 |
| 1 | 970 | 2 | 61 | 3 | 120 | 4 | 769 | 05105 |
| 1 | 1615 | 2 | 134 | 3 | 137 | 4 | 604 | 05107 |
| 1 | 144 | 2 | 56 | 3 | 16 | 4 | 85 | 05201 |
| 1 | 1246 | 2 | 51 | 3 | 145 | 4 | 89 | 05301 |
| 1 | 1321 | 2 | 61 | 3 | 137 | 4 | 44 | 05302 |
| 1 | 670 | 2 | 39 | 3 | 83 | 4 | 40 | 05303 |
## 1.3 Generación de ingresos promedios a nivel urbano y su unión con la tabla de contingencia
ingresos_expandidos_2017 <- readRDS("Ingresos_expandidos_rural_17.rds")
df_2017_2 = merge( x = comuna_corr, y = ingresos_expandidos_2017, by = "código", all.x = TRUE)
kbl(head(df_2017_2,50)) %>%
kable_styling(bootstrap_options = c("striped", "hover")) %>%
kable_paper() %>%
scroll_box(width = "100%", height = "300px")| código | unlist.c..x | Con moradores presentes | unlist.c..y | Con moradores ausentes | unlist.c..x.1 | En venta, para arriendo, abandonada u otro | unlist.c..y.1 | De temporada (vacacional u otro) | comuna | promedio_i | año |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 01101 | 1 | 797 | 2 | 76 | 3 | 99 | 4 | 516 | Iquique | 272529.7 | 2017 |
| 01107 | 1 | 52 | 2 | 8 | 3 | 25 | 4 | 3 | NA | NA | NA |
| 01401 | 1 | 1367 | 2 | 246 | 3 | 561 | 4 | 3385 | Pozo Almonte | 243272.4 | 2017 |
| 01402 | 1 | 481 | 2 | 9 | 3 | 80 | 4 | 522 | Camiña | 226831.0 | 2017 |
| 01403 | 1 | 478 | 2 | 191 | 3 | 129 | 4 | 1233 | NA | NA | NA |
| 01404 | 1 | 595 | 2 | 46 | 3 | 285 | 4 | 1402 | Huara | 236599.7 | 2017 |
| 01405 | 1 | 337 | 2 | 85 | 3 | 90 | 4 | 147 | Pica | 269198.0 | 2017 |
| 02101 | 1 | 329 | 2 | 11 | 3 | 68 | 4 | 291 | NA | NA | NA |
| 02102 | 1 | 144 | 2 | 39 | 3 | 43 | 4 | 350 | NA | NA | NA |
| 02103 | 1 | 386 | 2 | 28 | 3 | 150 | 4 | 6 | Sierra Gorda | 322997.9 | 2017 |
| 02104 | 1 | 326 | 2 | 100 | 3 | 52 | 4 | 210 | Taltal | 288653.8 | 2017 |
| 02201 | 1 | 979 | 2 | 387 | 3 | 637 | 4 | 2259 | Calama | 238080.9 | 2017 |
| 02202 | 1 | 106 | 2 | 33 | 3 | 25 | 4 | 275 | NA | NA | NA |
| 02203 | 1 | 1393 | 2 | 197 | 3 | 268 | 4 | 307 | San Pedro de Atacama | 271472.6 | 2017 |
| 02301 | 1 | 215 | 2 | 103 | 3 | 78 | 4 | 1129 | Tocopilla | 166115.9 | 2017 |
| 02302 | 1 | 68 | 2 | 6 | 3 | 37 | 4 | 55 | NA | NA | NA |
| 03101 | 1 | 966 | 2 | 337 | 3 | 287 | 4 | 334 | Copiapó | 251396.0 | 2017 |
| 03102 | 1 | 811 | 2 | 231 | 3 | 249 | 4 | 7019 | NA | NA | NA |
| 03103 | 1 | 971 | 2 | 167 | 3 | 189 | 4 | 162 | Tierra Amarilla | 287819.4 | 2017 |
| 03201 | 1 | 418 | 2 | 75 | 3 | 110 | 4 | 1298 | NA | NA | NA |
| 03202 | 1 | 254 | 2 | 30 | 3 | 322 | 4 | 92 | Diego de Almagro | 326439.0 | 2017 |
| 03301 | 1 | 1936 | 2 | 443 | 3 | 521 | 4 | 286 | Vallenar | 217644.6 | 2017 |
| 03302 | 1 | 1777 | 2 | 296 | 3 | 416 | 4 | 438 | Alto del Carmen | 196109.9 | 2017 |
| 03303 | 1 | 878 | 2 | 116 | 3 | 205 | 4 | 554 | Freirina | 202463.8 | 2017 |
| 03304 | 1 | 504 | 2 | 67 | 3 | 148 | 4 | 1741 | Huasco | 205839.6 | 2017 |
| 04101 | 1 | 5784 | 2 | 598 | 3 | 609 | 4 | 1686 | La Serena | 200287.4 | 2017 |
| 04102 | 1 | 4089 | 2 | 423 | 3 | 473 | 4 | 2451 | Coquimbo | 206027.8 | 2017 |
| 04103 | 1 | 411 | 2 | 48 | 3 | 51 | 4 | 189 | Andacollo | 217096.4 | 2017 |
| 04104 | 1 | 1083 | 2 | 95 | 3 | 365 | 4 | 560 | La Higuera | 231674.2 | 2017 |
| 04105 | 1 | 1624 | 2 | 84 | 3 | 267 | 4 | 398 | Paiguano | 174868.5 | 2017 |
| 04106 | 1 | 3390 | 2 | 282 | 3 | 265 | 4 | 640 | Vicuña | 169077.1 | 2017 |
| 04201 | 1 | 3388 | 2 | 196 | 3 | 483 | 4 | 362 | Illapel | 165639.6 | 2017 |
| 04202 | 1 | 2698 | 2 | 140 | 3 | 534 | 4 | 897 | Canela | 171370.3 | 2017 |
| 04203 | 1 | 1448 | 2 | 152 | 3 | 224 | 4 | 903 | Los Vilos | 173238.5 | 2017 |
| 04204 | 1 | 3721 | 2 | 218 | 3 | 399 | 4 | 315 | Salamanca | 193602.0 | 2017 |
| 04301 | 1 | 7908 | 2 | 685 | 3 | 1461 | 4 | 1062 | Ovalle | 230819.8 | 2017 |
| 04302 | 1 | 2797 | 2 | 229 | 3 | 655 | 4 | 663 | Combarbalá | 172709.2 | 2017 |
| 04303 | 1 | 5443 | 2 | 336 | 3 | 1007 | 4 | 769 | Monte Patria | 189761.6 | 2017 |
| 04304 | 1 | 1846 | 2 | 114 | 3 | 221 | 4 | 202 | Punitaqui | 165862.0 | 2017 |
| 04305 | 1 | 1700 | 2 | 112 | 3 | 443 | 4 | 509 | RÃo Hurtado | 182027.2 | 2017 |
| 05101 | 1 | 281 | 2 | 62 | 3 | 111 | 4 | 772 | ValparaÃso | 251998.5 | 2017 |
| 05102 | 1 | 2966 | 2 | 233 | 3 | 301 | 4 | 1850 | Casablanca | 252317.7 | 2017 |
| 05103 | 1 | 781 | 2 | 34 | 3 | 110 | 4 | 137 | NA | NA | NA |
| 05104 | 1 | 359 | 2 | 20 | 3 | 37 | 4 | 30 | NA | NA | NA |
| 05105 | 1 | 970 | 2 | 61 | 3 | 120 | 4 | 769 | Puchuncavà | 231606.0 | 2017 |
| 05107 | 1 | 1615 | 2 | 134 | 3 | 137 | 4 | 604 | Quintero | 285125.8 | 2017 |
| 05201 | 1 | 144 | 2 | 56 | 3 | 16 | 4 | 85 | NA | NA | NA |
| 05301 | 1 | 1246 | 2 | 51 | 3 | 145 | 4 | 89 | Los Andes | 280548.0 | 2017 |
| 05302 | 1 | 1321 | 2 | 61 | 3 | 137 | 4 | 44 | Calle Larga | 234044.6 | 2017 |
| 05303 | 1 | 670 | 2 | 39 | 3 | 83 | 4 | 40 | Rinconada | 246136.9 | 2017 |
comuna_corr <- readRDS("cant_personas_17.rds")
df_2017_exp = merge( x = df_2017_2, y = comuna_corr, by = "código", all.x = TRUE)
df_2017_exp$Ingresos_expandidos <- df_2017_exp$promedio_i*df_2017_exp$personas
df_2017_exp <- filter(df_2017_exp, df_2017_exp$Ingresos_expandidos != 'is.na')2 Correlaciones
kendall
III <- seq(3,(ncol(df_2017_exp)-6),2)
df_2017_exp_subset <- df_2017_exp[,c(III,(ncol(df_2017_exp)))]
chart.Correlation(df_2017_exp_subset, histogram=TRUE, method = c( "kendall"), pch=20)
Pearson
III <- seq(3,(ncol(df_2017_exp)-6),2)
df_2017_exp_subset <- df_2017_exp[,c(III,(ncol(df_2017_exp)))]
chart.Correlation(df_2017_exp_subset, histogram=TRUE, method = c( "pearson"), pch=20)
Spearman
III <- seq(3,(ncol(df_2017_exp)-6),2)
df_2017_exp_subset <- df_2017_exp[,c(III,(ncol(df_2017_exp)))]
chart.Correlation(df_2017_exp_subset, histogram=TRUE, method = c( "spearman"), pch=20)