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

VE-CC-AJ

DataIntelligence

Viernes 09-07-2021

1 Nivel nacional URBANO (código 1)

1.1 Pregunta P02: Ocupación de la vivienda

Esta pregunta posee 4 categorias de respuesta:

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 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$P02
cross_tab =  xtabs( ~ unlist(b) + unlist(c))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2017"


categorias <- sort(unique(tabla_con_clave_u$P02 ))
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] <- "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)"

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 Con moradores presentes categoria_2 Con moradores ausentes categoria_3 En venta, para arriendo, abandonada u otro categoria_4 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

1.2 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,"P02_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 Con moradores presentes categoria_2 Con moradores ausentes categoria_3 En venta, para arriendo, abandonada u otro categoria_4 De temporada (vacacional u otro) comuna.x promedio_i año comuna.y personas Ingresos_expandidos
01101 1 55473 2 3597 3 5382 4 1048 Iquique 375676.9 2017 1101 191468 71930106513
01107 1 28418 2 1748 3 2716 4 209 Alto Hospicio 311571.7 2017 1107 108375 33766585496
01401 1 2760 2 300 3 257 4 51 Pozo Almonte 316138.5 2017 1401 15711 4966851883
01405 1 1291 2 192 3 165 4 419 Pica 330061.1 2017 1405 9296 3068247619
02101 1 98654 2 5897 3 6350 4 853 Antofagasta 368221.4 2017 2101 361873 133249367039
02102 1 3147 2 182 3 279 4 33 Mejillones 369770.7 2017 2102 13467 4979702302
02104 1 3216 2 349 3 284 4 58 Taltal 383666.2 2017 2104 13317 5109282942
02201 1 45714 2 3987 3 3022 4 324 Calama 434325.1 2017 2201 165731 71981127235
02203 1 1641 2 224 3 85 4 31 San Pedro de Atacama 442861.0 2017 2203 10996 4869699464
02301 1 7656 2 641 3 740 4 110 Tocopilla 286187.2 2017 2301 25186 7207910819
02302 1 1456 2 184 3 115 4 38 María Elena 477748.0 2017 2302 6457 3084818966
03101 1 44680 2 3134 3 5410 4 418 Copiapó 343121.0 2017 3101 153937 52819016037
03102 1 4888 2 673 3 460 4 1321 Caldera 318653.2 2017 3102 17662 5628052276
03103 1 2877 2 74 3 284 4 22 Tierra Amarilla 333194.9 2017 3103 14019 4671058718
03201 1 3301 2 198 3 660 4 93 Chañaral 286389.3 2017 3201 12219 3499391196
03202 1 4363 2 708 3 888 4 257 Diego de Almagro 351583.9 2017 3202 13925 4895805596
03301 1 13895 2 1089 3 1095 4 139 Vallenar 315981.5 2017 3301 51917 16404810756
03303 1 1397 2 91 3 211 4 59 Freirina 289049.9 2017 3303 7041 2035200054
03304 1 2873 2 365 3 396 4 134 Huasco 337414.8 2017 3304 10149 3424422750
04101 1 61968 2 4859 3 6946 4 5015 La Serena 279340.1 2017 4101 221054 61749247282
04102 1 63744 2 4749 3 7318 4 6254 Coquimbo 269078.6 2017 4102 227730 61277269093
04103 1 3073 2 184 3 431 4 119 Andacollo 258539.7 2017 4103 11044 2855312920
04104 1 398 2 18 3 97 4 44 La Higuera 214257.0 2017 4104 4241 908664019
04106 1 5388 2 281 3 331 4 202 Vicuña 254177.0 2017 4106 27771 7058750373
04201 1 6810 2 430 3 549 4 102 Illapel 282139.3 2017 4201 30848 8703433491
04202 1 706 2 52 3 158 4 93 Canela 233397.3 2017 4202 9093 2122281844
04203 1 5831 2 685 3 639 4 3407 Los Vilos 285214.0 2017 4203 21382 6098444926
04204 1 5119 2 337 3 449 4 140 Salamanca 262056.9 2017 4204 29347 7690585032
04301 1 26844 2 1716 3 2037 4 384 Ovalle 280373.5 2017 4301 111272 31197719080
04302 1 2113 2 226 3 214 4 102 Combarbalá 234537.3 2017 4302 13322 3124505460
04303 1 4834 2 235 3 326 4 124 Monte Patria 225369.1 2017 4303 30751 6930326684
04304 1 1919 2 231 3 198 4 82 Punitaqui 212496.1 2017 4304 10956 2328107498
05101 1 97891 2 5332 3 7770 4 4979 Valparaíso 306572.5 2017 5101 296655 90946261553
05102 1 5745 2 176 3 267 4 69 Casablanca 348088.6 2017 5102 26867 9352095757
05103 1 12943 2 607 3 1070 4 4608 Concón 333932.4 2017 5103 42152 14075920021
05105 1 5418 2 344 3 680 4 9090 Puchuncaví 296035.5 2017 5105 18546 5490274928
05107 1 8840 2 532 3 814 4 4768 Quintero 308224.7 2017 5107 31923 9839456903
05109 1 116645 2 8817 3 8779 4 12878 Viña del Mar 354715.9 2017 5109 334248 118563074323
05301 1 19451 2 966 3 1599 4 116 Los Andes 355446.2 2017 5301 66708 23711104774
05302 1 3350 2 153 3 387 4 35 Calle Larga 246387.3 2017 5302 14832 3654416747
05303 1 2502 2 75 3 187 4 38 Rinconada 279807.9 2017 5303 10207 2855998928
05304 1 3651 2 139 3 231 4 30 San Esteban 219571.6 2017 5304 18855 4140022481
05401 1 8625 2 459 3 673 4 281 La Ligua 259482.3 2017 5401 35390 9183080280
05402 1 3866 2 165 3 231 4 49 Cabildo 262745.9 2017 5402 19388 5094117762
05403 1 1771 2 83 3 226 4 3313 Papudo 302317.1 2017 5403 6356 1921527704
05404 1 1443 2 71 3 175 4 120 Petorca 237510.8 2017 5404 9826 2333781007
05405 1 1670 2 60 3 176 4 3255 Zapallar 294389.2 2017 5405 7339 2160521991
05501 1 25102 2 889 3 2408 4 196 Quillota 288694.2 2017 5501 90517 26131733924
05502 1 15269 2 476 3 1555 4 115 Calera 282823.6 2017 5502 50554 14297866792
05503 1 3578 2 51 3 335 4 64 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")
Con moradores presentes Con moradores ausentes En venta, para arriendo, abandonada u otro De temporada (vacacional u otro) Ingresos_expandidos
Min. : 308 Min. : 6.0 Min. : 24.0 Min. : 5.00 Min. :7.054e+08
1st Qu.: 1922 1st Qu.: 91.0 1st Qu.: 139.0 1st Qu.: 51.25 1st Qu.:2.954e+09
Median : 4774 Median : 228.5 Median : 376.5 Median : 93.00 Median :5.697e+09
Mean : 15545 Mean : 782.5 Mean : 968.1 Mean : 527.27 Mean :1.784e+10
3rd Qu.: 16261 3rd Qu.: 684.8 3rd Qu.: 879.8 3rd Qu.: 186.75 3rd Qu.:1.857e+10
Max. :164314 Max. :15816.0 Max. :12142.0 Max. :13775.00 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 P02: Ocupación de la vivienda

Leemos las respuestas a la pregunta P02 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$P02
cross_tab =  xtabs( ~ unlist(b) + unlist(c))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2017"


categorias <- sort(unique(tabla_con_clave_u$P02 ))
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] <- "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)"

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 Con moradores presentes categoria_2 Con moradores ausentes categoria_3 En venta, para arriendo, abandonada u otro categoria_4 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

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,"P02_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 Con moradores presentes categoria_2 Con moradores ausentes categoria_3 En venta, para arriendo, abandonada u otro categoria_4 De temporada (vacacional u otro) comuna.x promedio_i año comuna.y personas Ingresos_expandidos
01101 1 797 2 76 3 99 4 516 Iquique 272529.7 2017 1101 191468 52180713221
01401 1 1367 2 246 3 561 4 3385 Pozo Almonte 243272.4 2017 1401 15711 3822052676
01402 1 481 2 9 3 80 4 522 Camiña 226831.0 2017 1402 1250 283538750
01404 1 595 2 46 3 285 4 1402 Huara 236599.7 2017 1404 2730 645917134
01405 1 337 2 85 3 90 4 147 Pica 269198.0 2017 1405 9296 2502464414
02103 1 386 2 28 3 150 4 6 Sierra Gorda 322997.9 2017 2103 10186 3290056742
02104 1 326 2 100 3 52 4 210 Taltal 288653.8 2017 2104 13317 3844002134
02201 1 979 2 387 3 637 4 2259 Calama 238080.9 2017 2201 165731 39457387800
02203 1 1393 2 197 3 268 4 307 San Pedro de Atacama 271472.6 2017 2203 10996 2985112297
02301 1 215 2 103 3 78 4 1129 Tocopilla 166115.9 2017 2301 25186 4183793832
03101 1 966 2 337 3 287 4 334 Copiapó 251396.0 2017 3101 153937 38699138722
03103 1 971 2 167 3 189 4 162 Tierra Amarilla 287819.4 2017 3103 14019 4034940816
03202 1 254 2 30 3 322 4 92 Diego de Almagro 326439.0 2017 3202 13925 4545663075
03301 1 1936 2 443 3 521 4 286 Vallenar 217644.6 2017 3301 51917 11299454698
03302 1 1777 2 296 3 416 4 438 Alto del Carmen 196109.9 2017 3302 5299 1039186477
03303 1 878 2 116 3 205 4 554 Freirina 202463.8 2017 3303 7041 1425547554
03304 1 504 2 67 3 148 4 1741 Huasco 205839.6 2017 3304 10149 2089066548
04101 1 5784 2 598 3 609 4 1686 La Serena 200287.4 2017 4101 221054 44274327972
04102 1 4089 2 423 3 473 4 2451 Coquimbo 206027.8 2017 4102 227730 46918711304
04103 1 411 2 48 3 51 4 189 Andacollo 217096.4 2017 4103 11044 2397612293
04104 1 1083 2 95 3 365 4 560 La Higuera 231674.2 2017 4104 4241 982530309
04105 1 1624 2 84 3 267 4 398 Paiguano 174868.5 2017 4105 4497 786383423
04106 1 3390 2 282 3 265 4 640 Vicuña 169077.1 2017 4106 27771 4695441470
04201 1 3388 2 196 3 483 4 362 Illapel 165639.6 2017 4201 30848 5109649759
04202 1 2698 2 140 3 534 4 897 Canela 171370.3 2017 4202 9093 1558270441
04203 1 1448 2 152 3 224 4 903 Los Vilos 173238.5 2017 4203 21382 3704185607
04204 1 3721 2 218 3 399 4 315 Salamanca 193602.0 2017 4204 29347 5681637894
04301 1 7908 2 685 3 1461 4 1062 Ovalle 230819.8 2017 4301 111272 25683781418
04302 1 2797 2 229 3 655 4 663 Combarbalá 172709.2 2017 4302 13322 2300832587
04303 1 5443 2 336 3 1007 4 769 Monte Patria 189761.6 2017 4303 30751 5835357638
04304 1 1846 2 114 3 221 4 202 Punitaqui 165862.0 2017 4304 10956 1817183694
04305 1 1700 2 112 3 443 4 509 Río Hurtado 182027.2 2017 4305 4278 778712384
05101 1 281 2 62 3 111 4 772 Valparaíso 251998.5 2017 5101 296655 74756602991
05102 1 2966 2 233 3 301 4 1850 Casablanca 252317.7 2017 5102 26867 6779018483
05105 1 970 2 61 3 120 4 769 Puchuncaví 231606.0 2017 5105 18546 4295363979
05107 1 1615 2 134 3 137 4 604 Quintero 285125.8 2017 5107 31923 9102071069
05301 1 1246 2 51 3 145 4 89 Los Andes 280548.0 2017 5301 66708 18714795984
05302 1 1321 2 61 3 137 4 44 Calle Larga 234044.6 2017 5302 14832 3471349123
05303 1 670 2 39 3 83 4 40 Rinconada 246136.9 2017 5303 10207 2512319225
05304 1 2436 2 140 3 286 4 410 San Esteban 211907.3 2017 5304 18855 3995512770
05401 1 3228 2 125 3 456 4 3464 La Ligua 172675.9 2017 5401 35390 6111000517
05402 1 2311 2 75 3 203 4 164 Cabildo 212985.0 2017 5402 19388 4129354103
05404 1 2009 2 58 3 288 4 282 Petorca 270139.8 2017 5404 9826 2654393853
05405 1 809 2 77 3 125 4 789 Zapallar 235661.4 2017 5405 7339 1729518700
05501 1 3704 2 112 3 350 4 358 Quillota 212067.6 2017 5501 90517 19195726144
05502 1 600 2 6 3 57 4 29 Calera 226906.2 2017 5502 50554 11471016698
05503 1 2040 2 75 3 146 4 307 Hijuelas 215402.0 2017 5503 17988 3874650405
05504 1 820 2 23 3 82 4 55 La Cruz 243333.4 2017 5504 22098 5377180726
05506 1 1101 2 43 3 107 4 122 Nogales 219800.7 2017 5506 22120 4861992055
05601 1 1660 2 107 3 167 4 498 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")
Con moradores presentes Con moradores ausentes En venta, para arriendo, abandonada u otro De temporada (vacacional u otro) Ingresos_expandidos
Min. : 125 Min. : 1.0 Min. : 7.0 Min. : 6.0 Min. :2.792e+08
1st Qu.: 1198 1st Qu.: 57.0 1st Qu.: 141.0 1st Qu.: 161.5 1st Qu.:1.809e+09
Median : 1926 Median : 91.0 Median : 223.5 Median : 286.0 Median :3.546e+09
Mean : 2466 Mean :137.5 Mean : 269.9 Mean : 499.4 Mean :8.206e+09
3rd Qu.: 3253 3rd Qu.:167.5 3rd Qu.: 353.0 3rd Qu.: 585.5 3rd Qu.:7.252e+09
Max. :16319 Max. :866.0 Max. :1461.0 Max. :4041.0 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)