Correlaciones entre variables del CENSO de Viviendas, Hogares y Personas e Ingresos promedios comunales de la CASEN 2017.

VE-CC-AJ

DataIntelligence

Jueves 09-07-2021

1 Nivel nacional URBANO (código 1)

1.1 Pregunta P03C: Ocupación de la vivienda

Esta pregunta posee 5 categorias de respuesta:

1 Parquet, piso flotante, cerámico, madera, alfombra, flexit, cubrepiso u otro similar, sobre radier o vigas de madera
2 Radier sin revestimiento
3 Baldosa de cemento
4 Capa de cemento sobre tierra
5 Tierra

Leemos las respuestas a la pregunta P03C del censo de viviendas 2017 y obtenemos la tabla de frecuencias por categoría:

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$P03C
cross_tab =  xtabs( ~ unlist(b) + unlist(c))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2017"


categorias <- sort(unique(tabla_con_clave_u$P03C ))
categorias <- as.data.frame(categorias)
names(categorias)[1] <- "cat"

categorias <- filter(categorias, categorias$cat != 99)
categorias <- filter(categorias, categorias$cat != 98)

d_t <- filter(d,d$unlist.c. == categorias[1,1])
for(i in categorias[2,1]:categorias[nrow(categorias),1]){
  d_i <- filter(d,d$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 dígitos, 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] <- "Parquet"
names(comuna_corr )[4] <- "Radier sin revestimiento"
names(comuna_corr )[6] <- "Baldosa de cemento"
names(comuna_corr )[8] <- "Capa de cemento sobre tierra"
names(comuna_corr )[10] <- "Tierra"

renombrar <- seq(1,(ncol(comuna_corr)-2),2)
vv <- 0
for (v in renombrar) {
  vv <- vv+1
  contador <- paste0("categoria_",vv)
  names(comuna_corr )[v] <- contador
}
 
kbl(head(comuna_corr,50)) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
categoria_1 Parquet categoria_2 Radier sin revestimiento categoria_3 Baldosa de cemento categoria_4 Capa de cemento sobre tierra categoria_5 Tierra código
1 49859 2 1037 3 2489 4 831 5 249 01101
1 21446 2 1486 3 2477 4 1469 5 1206 01107
1 2057 2 248 3 220 4 152 5 39 01401
1 236 2 24 3 53 4 24 5 13 01404
1 909 2 148 3 128 4 60 5 15 01405
1 87176 2 3136 3 4361 4 1589 5 888 02101
1 2420 2 172 3 169 4 96 5 25 02102
1 2603 2 160 3 185 4 155 5 51 02104
1 39580 2 1288 3 2708 4 792 5 320 02201
1 954 2 270 3 127 4 112 5 45 02203
1 6880 2 127 3 395 4 95 5 33 02301
1 1309 2 6 3 24 4 6 5 11 02302
1 39450 2 1059 3 1731 4 1300 5 516 03101
1 3978 2 280 3 293 4 237 5 16 03102
1 2245 2 58 3 274 4 234 5 31 03103
1 2874 2 104 3 179 4 72 5 19 03201
1 3868 2 94 3 100 4 116 5 18 03202
1 11065 2 626 3 1046 4 757 5 170 03301
1 1068 2 92 3 87 4 116 5 17 03303
1 2305 2 172 3 219 4 115 5 9 03304
1 57216 2 916 3 2111 4 943 5 81 04101
1 57404 2 1356 3 2714 4 1285 5 196 04102
1 2519 2 94 3 190 4 202 5 38 04103
1 317 2 10 3 29 4 35 5 2 04104
1 4524 2 163 3 421 4 194 5 31 04106
1 6024 2 135 3 337 4 208 5 37 04201
1 552 2 34 3 47 4 53 5 9 04202
1 5163 2 152 3 235 4 179 5 13 04203
1 4129 2 239 3 334 4 229 5 44 04204
1 23568 2 508 3 1728 4 655 5 103 04301
1 1611 2 127 3 174 4 148 5 23 04302
1 3402 2 273 3 581 4 469 5 65 04303
1 1329 2 162 3 192 4 197 5 25 04304
1 92530 2 745 3 2439 4 846 5 84 05101
1 5345 2 84 3 167 4 102 5 5 05102
1 12187 2 129 3 375 4 127 5 10 05103
1 4784 2 200 3 272 4 97 5 10 05105
1 7851 2 264 3 409 4 178 5 16 05107
1 110022 2 1173 3 2969 4 1154 5 91 05109
1 1986 2 120 3 114 4 51 5 10 05201
1 17576 2 164 3 1231 4 199 5 21 05301
1 2929 2 89 3 193 4 83 5 11 05302
1 2165 2 68 3 149 4 90 5 5 05303
1 3261 2 81 3 193 4 75 5 3 05304
1 7528 2 144 3 604 4 242 5 23 05401
1 3258 2 80 3 274 4 201 5 11 05402
1 1592 2 50 3 70 4 39 5 2 05403
1 1152 2 45 3 128 4 97 5 4 05404
1 1483 2 56 3 72 4 45 5 1 05405
1 23343 2 296 3 922 4 297 5 27 05501

1.2 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)
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')
write_xlsx(df_2017_exp,"P03C_urbano.xlsx")
kbl(head(df_2017_exp,50)) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
código categoria_1 Parquet categoria_2 Radier sin revestimiento categoria_3 Baldosa de cemento categoria_4 Capa de cemento sobre tierra categoria_5 Tierra comuna.x promedio_i año comuna.y personas Ingresos_expandidos
01101 1 49859 2 1037 3 2489 4 831 5 249 Iquique 375676.9 2017 1101 191468 71930106513
01107 1 21446 2 1486 3 2477 4 1469 5 1206 Alto Hospicio 311571.7 2017 1107 108375 33766585496
01401 1 2057 2 248 3 220 4 152 5 39 Pozo Almonte 316138.5 2017 1401 15711 4966851883
01405 1 909 2 148 3 128 4 60 5 15 Pica 330061.1 2017 1405 9296 3068247619
02101 1 87176 2 3136 3 4361 4 1589 5 888 Antofagasta 368221.4 2017 2101 361873 133249367039
02102 1 2420 2 172 3 169 4 96 5 25 Mejillones 369770.7 2017 2102 13467 4979702302
02104 1 2603 2 160 3 185 4 155 5 51 Taltal 383666.2 2017 2104 13317 5109282942
02201 1 39580 2 1288 3 2708 4 792 5 320 Calama 434325.1 2017 2201 165731 71981127235
02203 1 954 2 270 3 127 4 112 5 45 San Pedro de Atacama 442861.0 2017 2203 10996 4869699464
02301 1 6880 2 127 3 395 4 95 5 33 Tocopilla 286187.2 2017 2301 25186 7207910819
02302 1 1309 2 6 3 24 4 6 5 11 María Elena 477748.0 2017 2302 6457 3084818966
03101 1 39450 2 1059 3 1731 4 1300 5 516 Copiapó 343121.0 2017 3101 153937 52819016037
03102 1 3978 2 280 3 293 4 237 5 16 Caldera 318653.2 2017 3102 17662 5628052276
03103 1 2245 2 58 3 274 4 234 5 31 Tierra Amarilla 333194.9 2017 3103 14019 4671058718
03201 1 2874 2 104 3 179 4 72 5 19 Chañaral 286389.3 2017 3201 12219 3499391196
03202 1 3868 2 94 3 100 4 116 5 18 Diego de Almagro 351583.9 2017 3202 13925 4895805596
03301 1 11065 2 626 3 1046 4 757 5 170 Vallenar 315981.5 2017 3301 51917 16404810756
03303 1 1068 2 92 3 87 4 116 5 17 Freirina 289049.9 2017 3303 7041 2035200054
03304 1 2305 2 172 3 219 4 115 5 9 Huasco 337414.8 2017 3304 10149 3424422750
04101 1 57216 2 916 3 2111 4 943 5 81 La Serena 279340.1 2017 4101 221054 61749247282
04102 1 57404 2 1356 3 2714 4 1285 5 196 Coquimbo 269078.6 2017 4102 227730 61277269093
04103 1 2519 2 94 3 190 4 202 5 38 Andacollo 258539.7 2017 4103 11044 2855312920
04104 1 317 2 10 3 29 4 35 5 2 La Higuera 214257.0 2017 4104 4241 908664019
04106 1 4524 2 163 3 421 4 194 5 31 Vicuña 254177.0 2017 4106 27771 7058750373
04201 1 6024 2 135 3 337 4 208 5 37 Illapel 282139.3 2017 4201 30848 8703433491
04202 1 552 2 34 3 47 4 53 5 9 Canela 233397.3 2017 4202 9093 2122281844
04203 1 5163 2 152 3 235 4 179 5 13 Los Vilos 285214.0 2017 4203 21382 6098444926
04204 1 4129 2 239 3 334 4 229 5 44 Salamanca 262056.9 2017 4204 29347 7690585032
04301 1 23568 2 508 3 1728 4 655 5 103 Ovalle 280373.5 2017 4301 111272 31197719080
04302 1 1611 2 127 3 174 4 148 5 23 Combarbalá 234537.3 2017 4302 13322 3124505460
04303 1 3402 2 273 3 581 4 469 5 65 Monte Patria 225369.1 2017 4303 30751 6930326684
04304 1 1329 2 162 3 192 4 197 5 25 Punitaqui 212496.1 2017 4304 10956 2328107498
05101 1 92530 2 745 3 2439 4 846 5 84 Valparaíso 306572.5 2017 5101 296655 90946261553
05102 1 5345 2 84 3 167 4 102 5 5 Casablanca 348088.6 2017 5102 26867 9352095757
05103 1 12187 2 129 3 375 4 127 5 10 Concón 333932.4 2017 5103 42152 14075920021
05105 1 4784 2 200 3 272 4 97 5 10 Puchuncaví 296035.5 2017 5105 18546 5490274928
05107 1 7851 2 264 3 409 4 178 5 16 Quintero 308224.7 2017 5107 31923 9839456903
05109 1 110022 2 1173 3 2969 4 1154 5 91 Viña del Mar 354715.9 2017 5109 334248 118563074323
05301 1 17576 2 164 3 1231 4 199 5 21 Los Andes 355446.2 2017 5301 66708 23711104774
05302 1 2929 2 89 3 193 4 83 5 11 Calle Larga 246387.3 2017 5302 14832 3654416747
05303 1 2165 2 68 3 149 4 90 5 5 Rinconada 279807.9 2017 5303 10207 2855998928
05304 1 3261 2 81 3 193 4 75 5 3 San Esteban 219571.6 2017 5304 18855 4140022481
05401 1 7528 2 144 3 604 4 242 5 23 La Ligua 259482.3 2017 5401 35390 9183080280
05402 1 3258 2 80 3 274 4 201 5 11 Cabildo 262745.9 2017 5402 19388 5094117762
05403 1 1592 2 50 3 70 4 39 5 2 Papudo 302317.1 2017 5403 6356 1921527704
05404 1 1152 2 45 3 128 4 97 5 4 Petorca 237510.8 2017 5404 9826 2333781007
05405 1 1483 2 56 3 72 4 45 5 1 Zapallar 294389.2 2017 5405 7339 2160521991
05501 1 23343 2 296 3 922 4 297 5 27 Quillota 288694.2 2017 5501 90517 26131733924
05502 1 14009 2 178 3 619 4 310 5 34 Calera 282823.6 2017 5502 50554 14297866792
05503 1 3235 2 87 3 130 4 96 5 5 Hijuelas 268449.7 2017 5503 17988 4828872604

1.2.1 Estadísticas a nivel urbano

III <- seq(3,(ncol(df_2017_exp)-6),2)
df_2017_exp_subset <- df_2017_exp[,c(III,(ncol(df_2017_exp)))]
data_sum <- summary(df_2017_exp_subset)
kbl(head(data_sum)) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "500px")
Parquet Radier sin revestimiento Baldosa de cemento Capa de cemento sobre tierra Tierra Ingresos_expandidos
Min. : 150 Min. : 1.0 Min. : 3.0 Min. : 3.00 Min. : 1.00 Min. :7.054e+08
1st Qu.: 1670 1st Qu.: 58.0 1st Qu.: 118.2 1st Qu.: 47.25 1st Qu.: 4.00 1st Qu.:2.954e+09
Median : 4041 Median : 141.5 Median : 272.0 Median : 115.50 Median : 11.00 Median :5.697e+09
Mean : 14104 Mean : 342.9 Mean : 690.8 Mean : 211.10 Mean : 32.09 Mean :1.784e+10
3rd Qu.: 14722 3rd Qu.: 368.8 3rd Qu.: 813.8 3rd Qu.: 247.50 3rd Qu.: 25.00 3rd Qu.:1.857e+10
Max. :158608 Max. :3296.0 Max. :9177.0 Max. :1589.00 Max. :1206.00 Max. :1.870e+11

1.3 Correlaciones

1.3.1 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)

1.3.2 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)

1.3.3 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)

2 Nivel nacional RURAL (código 2)

2.1 Pregunta P03C: Ocupación de la vivienda

Leemos las respuestas a la pregunta P03C del censo de viviendas 2017 y obtenemos la tabla de frecuencias por categoría:

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$P03C
cross_tab =  xtabs( ~ unlist(b) + unlist(c))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2017"


categorias <- sort(unique(tabla_con_clave_u$P03C ))
categorias <- as.data.frame(categorias)
names(categorias)[1] <- "cat"

categorias <- filter(categorias, categorias$cat != 99)
categorias <- filter(categorias, categorias$cat != 98)

d_t <- filter(d,d$unlist.c. == categorias[1,1])
for(i in categorias[2,1]:categorias[nrow(categorias),1]){
  d_i <- filter(d,d$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 dígitos, 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] <- "Parquet"
names(comuna_corr )[4] <- "Radier sin revestimiento"
names(comuna_corr )[6] <- "Baldosa de cemento"
names(comuna_corr )[8] <- "Capa de cemento sobre tierra"
names(comuna_corr )[10] <- "Tierra"



renombrar <- seq(1,(ncol(comuna_corr)-2),2)
vv <- 0
for (v in renombrar) {
  vv <- vv+1
  contador <- paste0("categoria_",vv)
  names(comuna_corr )[v] <- contador
}
 
kbl(head(comuna_corr,50)) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
categoria_1 Parquet categoria_2 Radier sin revestimiento categoria_3 Baldosa de cemento categoria_4 Capa de cemento sobre tierra categoria_5 Tierra código
1 374 2 96 3 87 4 121 5 87 01101
1 13 2 7 3 4 4 7 5 16 01107
1 684 2 236 3 172 4 106 5 133 01401
1 250 2 58 3 47 4 93 5 21 01402
1 55 2 63 3 47 4 116 5 174 01403
1 214 2 138 3 49 4 80 5 108 01404
1 194 2 39 3 31 4 39 5 22 01405
1 181 2 20 3 19 4 30 5 58 02101
1 92 2 23 3 5 4 10 5 6 02102
1 284 2 29 3 9 4 15 5 5 02103
1 153 2 24 3 14 4 23 5 85 02104
1 420 2 155 3 111 4 122 5 142 02201
1 71 2 13 3 3 4 4 5 3 02202
1 750 2 282 3 137 4 88 5 70 02203
1 138 2 10 3 18 4 7 5 35 02301
1 22 2 12 3 8 4 11 5 4 02302
1 727 2 59 3 50 4 55 5 60 03101
1 621 2 25 3 23 4 43 5 79 03102
1 660 2 62 3 54 4 103 5 43 03103
1 319 2 20 3 30 4 17 5 21 03201
1 172 2 24 3 17 4 19 5 16 03202
1 1248 2 199 3 136 4 142 5 193 03301
1 783 2 260 3 276 4 241 5 180 03302
1 524 2 99 3 70 4 79 5 94 03303
1 284 2 44 3 29 4 35 5 108 03304
1 4345 2 369 3 403 4 379 5 243 04101
1 3178 2 284 3 291 4 216 5 88 04102
1 234 2 34 3 24 4 42 5 75 04103
1 769 2 60 3 74 4 76 5 83 04104
1 1050 2 129 3 189 4 175 5 52 04105
1 2402 2 185 3 339 4 298 5 120 04106
1 2364 2 224 3 299 4 339 5 135 04201
1 1496 2 238 3 294 4 372 5 279 04202
1 1128 2 71 3 93 4 84 5 58 04203
1 2280 2 357 3 522 4 419 5 100 04204
1 5256 2 538 3 756 4 856 5 436 04301
1 1432 2 232 3 336 4 482 5 293 04302
1 3532 2 412 3 467 4 611 5 358 04303
1 998 2 140 3 191 4 250 5 251 04304
1 1122 2 90 3 133 4 197 5 132 04305
1 236 2 4 3 11 4 20 5 6 05101
1 2559 2 101 3 166 4 99 5 15 05102
1 676 2 48 3 31 4 18 5 5 05103
1 345 2 2 3 1 4 2 NA NA 05104
1 782 2 58 3 69 4 35 5 21 05105
1 1464 2 36 3 60 4 31 5 6 05107
1 119 2 12 3 10 4 1 NA NA 05201
1 1003 2 85 3 58 4 62 5 12 05301
1 1040 2 84 3 123 4 55 5 11 05302
1 532 2 51 3 32 4 33 5 12 05303

2.2 Generación de ingresos promedios a nivel rural 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)
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')
write_xlsx(df_2017_exp,"P03C_rural.xlsx")
kbl(head(df_2017_exp,50)) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
código categoria_1 Parquet categoria_2 Radier sin revestimiento categoria_3 Baldosa de cemento categoria_4 Capa de cemento sobre tierra categoria_5 Tierra comuna.x promedio_i año comuna.y personas Ingresos_expandidos
01101 1 374 2 96 3 87 4 121 5 87 Iquique 272529.7 2017 1101 191468 52180713221
01401 1 684 2 236 3 172 4 106 5 133 Pozo Almonte 243272.4 2017 1401 15711 3822052676
01402 1 250 2 58 3 47 4 93 5 21 Camiña 226831.0 2017 1402 1250 283538750
01404 1 214 2 138 3 49 4 80 5 108 Huara 236599.7 2017 1404 2730 645917134
01405 1 194 2 39 3 31 4 39 5 22 Pica 269198.0 2017 1405 9296 2502464414
02103 1 284 2 29 3 9 4 15 5 5 Sierra Gorda 322997.9 2017 2103 10186 3290056742
02104 1 153 2 24 3 14 4 23 5 85 Taltal 288653.8 2017 2104 13317 3844002134
02201 1 420 2 155 3 111 4 122 5 142 Calama 238080.9 2017 2201 165731 39457387800
02203 1 750 2 282 3 137 4 88 5 70 San Pedro de Atacama 271472.6 2017 2203 10996 2985112297
02301 1 138 2 10 3 18 4 7 5 35 Tocopilla 166115.9 2017 2301 25186 4183793832
03101 1 727 2 59 3 50 4 55 5 60 Copiapó 251396.0 2017 3101 153937 38699138722
03103 1 660 2 62 3 54 4 103 5 43 Tierra Amarilla 287819.4 2017 3103 14019 4034940816
03202 1 172 2 24 3 17 4 19 5 16 Diego de Almagro 326439.0 2017 3202 13925 4545663075
03301 1 1248 2 199 3 136 4 142 5 193 Vallenar 217644.6 2017 3301 51917 11299454698
03302 1 783 2 260 3 276 4 241 5 180 Alto del Carmen 196109.9 2017 3302 5299 1039186477
03303 1 524 2 99 3 70 4 79 5 94 Freirina 202463.8 2017 3303 7041 1425547554
03304 1 284 2 44 3 29 4 35 5 108 Huasco 205839.6 2017 3304 10149 2089066548
04101 1 4345 2 369 3 403 4 379 5 243 La Serena 200287.4 2017 4101 221054 44274327972
04102 1 3178 2 284 3 291 4 216 5 88 Coquimbo 206027.8 2017 4102 227730 46918711304
04103 1 234 2 34 3 24 4 42 5 75 Andacollo 217096.4 2017 4103 11044 2397612293
04104 1 769 2 60 3 74 4 76 5 83 La Higuera 231674.2 2017 4104 4241 982530309
04105 1 1050 2 129 3 189 4 175 5 52 Paiguano 174868.5 2017 4105 4497 786383423
04106 1 2402 2 185 3 339 4 298 5 120 Vicuña 169077.1 2017 4106 27771 4695441470
04201 1 2364 2 224 3 299 4 339 5 135 Illapel 165639.6 2017 4201 30848 5109649759
04202 1 1496 2 238 3 294 4 372 5 279 Canela 171370.3 2017 4202 9093 1558270441
04203 1 1128 2 71 3 93 4 84 5 58 Los Vilos 173238.5 2017 4203 21382 3704185607
04204 1 2280 2 357 3 522 4 419 5 100 Salamanca 193602.0 2017 4204 29347 5681637894
04301 1 5256 2 538 3 756 4 856 5 436 Ovalle 230819.8 2017 4301 111272 25683781418
04302 1 1432 2 232 3 336 4 482 5 293 Combarbalá 172709.2 2017 4302 13322 2300832587
04303 1 3532 2 412 3 467 4 611 5 358 Monte Patria 189761.6 2017 4303 30751 5835357638
04304 1 998 2 140 3 191 4 250 5 251 Punitaqui 165862.0 2017 4304 10956 1817183694
04305 1 1122 2 90 3 133 4 197 5 132 Río Hurtado 182027.2 2017 4305 4278 778712384
05101 1 236 2 4 3 11 4 20 5 6 Valparaíso 251998.5 2017 5101 296655 74756602991
05102 1 2559 2 101 3 166 4 99 5 15 Casablanca 252317.7 2017 5102 26867 6779018483
05105 1 782 2 58 3 69 4 35 5 21 Puchuncaví 231606.0 2017 5105 18546 4295363979
05107 1 1464 2 36 3 60 4 31 5 6 Quintero 285125.8 2017 5107 31923 9102071069
05301 1 1003 2 85 3 58 4 62 5 12 Los Andes 280548.0 2017 5301 66708 18714795984
05302 1 1040 2 84 3 123 4 55 5 11 Calle Larga 234044.6 2017 5302 14832 3471349123
05303 1 532 2 51 3 32 4 33 5 12 Rinconada 246136.9 2017 5303 10207 2512319225
05304 1 2018 2 92 3 155 4 106 5 48 San Esteban 211907.3 2017 5304 18855 3995512770
05401 1 2711 2 94 3 214 4 162 5 19 La Ligua 172675.9 2017 5401 35390 6111000517
05402 1 1880 2 88 3 147 4 140 5 31 Cabildo 212985.0 2017 5402 19388 4129354103
05404 1 1482 2 90 3 207 4 188 5 31 Petorca 270139.8 2017 5404 9826 2654393853
05405 1 714 2 28 3 34 4 25 5 5 Zapallar 235661.4 2017 5405 7339 1729518700
05501 1 3337 2 81 3 138 4 107 5 16 Quillota 212067.6 2017 5501 90517 19195726144
05502 1 506 2 32 3 27 4 25 5 4 Calera 226906.2 2017 5502 50554 11471016698
05503 1 1789 2 80 3 92 4 65 5 7 Hijuelas 215402.0 2017 5503 17988 3874650405
05504 1 744 2 10 3 46 4 10 5 6 La Cruz 243333.4 2017 5504 22098 5377180726
05506 1 962 2 34 3 52 4 38 5 9 Nogales 219800.7 2017 5506 22120 4861992055
05601 1 1440 2 58 3 97 4 39 5 20 San Antonio 230261.5 2017 5601 91350 21034388728

2.2.1 Estadísticas a nivel Rural

III <- seq(3,(ncol(df_2017_exp)-6),2)
df_2017_exp_subset <- df_2017_exp[,c(III,(ncol(df_2017_exp)))]
data_sum <- summary(df_2017_exp_subset)
kbl(head(data_sum)) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "500px")
Parquet Radier sin revestimiento Baldosa de cemento Capa de cemento sobre tierra Tierra Ingresos_expandidos
Min. : 68.0 Min. : 1.0 Min. : 1.00 Min. : 1.00 Min. : 1.00 Min. :2.792e+08
1st Qu.: 964.2 1st Qu.: 35.0 1st Qu.: 50.75 1st Qu.: 26.00 1st Qu.: 7.00 1st Qu.:1.809e+09
Median : 1584.0 Median : 87.0 Median : 98.00 Median : 58.00 Median : 19.00 Median :3.546e+09
Mean : 2045.1 Mean :124.6 Mean : 133.99 Mean : 97.93 Mean : 42.46 Mean :8.206e+09
3rd Qu.: 2619.5 3rd Qu.:177.8 3rd Qu.: 167.50 3rd Qu.:118.00 3rd Qu.: 48.75 3rd Qu.:7.252e+09
Max. :13690.0 Max. :815.0 Max. :1132.00 Max. :856.00 Max. :790.00 Max. :7.585e+10

2.3 Correlaciones

2.3.1 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)

2.3.2 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)

2.3.3 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)