Expansión de la CASEN sobre el CENSO (Región 01 Urbano)

P17 ¿Trabajó por un pago o especie?: Correlación: 0.8717

VE-CC-AJ

DataIntelligence
date: 03-08-2021

1 Resumen

Expandiremos los ingresos promedios (multiplicando el ingreso promedio y los habitantes) obtenidos de la CASEN 2017 sobre la categoría de respuesta: “Trabajó por un pago o especie” del campo P17 del CENSO de viviendas -del 2017-, que fue la categoría de respuesta que más alto correlacionó con los ingresos expandidos, ambos a nivel comunal.

Haremos el análisis sobre la región 01 yen el ambiente urbano.

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 por zona por proporción zonal a nivel comunal (multipob)”

Lo anterior para elegir el que posea el mayor coeficiente de determinación y así contruir una tabla de valores predichos.

2 Generación de ingresos expandidos a nivel Urbano para la región 1:


2.1 Variable CENSO

Necesitamos calcular las frecuencias a nivel censal de las respuestas correspondientes a la categoría: “Trabajó por un pago o especie” del campo P17 del Censo de personas. Recordemos que ésta fué la más alta correlación en relación a los ingresos expandidos (ver punto 2 Correlaciones aquí).

2.1.1 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("../../../ds_correlaciones_censo_casen/corre_censo_casen_2017/censos_con_clave/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


Filtramos:

tabla_con_clave <- filter(tabla_con_clave, tabla_con_clave$P09 > 15)

Queremos saber cuantas personas en Chile hay

length(tabla_con_clave$clave)
## [1] 13810761

Queremos saber cuantas zonas hay en Chile:

length(unique(tabla_con_clave$clave))
## [1] 15500

2.1.2 Cálculo de frecuencias

Obtenemos las frecuencias a la pregunta P17 filtradas por region = 1 y zona urbana = 1 y respuesta 1.

tabla_con_clave_f <- tabla_con_clave[,-c(2,4,6:31,33:48),drop=FALSE]
claves_con_1 <- filter(tabla_con_clave_f, tabla_con_clave_f$P17 == 1)
claves_con_1 <- filter(claves_con_1, claves_con_1$AREA == 1)
claves_con_1 <- filter(claves_con_1, claves_con_1$REGION == 01)
claves_con_1 <- as.data.frame(claves_con_1)

head(claves_con_1,10)
##    REGION COMUNA AREA P17      clave
## 1       1   1405    1   1 1405011001
## 2       1   1405    1   1 1405011001
## 3       1   1405    1   1 1405011001
## 4       1   1405    1   1 1405011001
## 5       1   1405    1   1 1405011001
## 6       1   1405    1   1 1405011001
## 7       1   1405    1   1 1405011001
## 8       1   1405    1   1 1405011001
## 9       1   1405    1   1 1405011001
## 10      1   1405    1   1 1405011001

Hay que arreglar el codigo comunal a aaa:

codigos <- claves_con_1$COMUNA
rango <- seq(1:nrow(claves_con_1))
cadena <- paste("0",codigos[rango], sep = "")
cadena <- substr(cadena,(nchar(cadena)[rango])-(4),6)
codigos <- as.data.frame(codigos)
cadena <- as.data.frame(cadena)
comuna_corr <- cbind(claves_con_1,cadena)
#comuna_corr <- comuna_corr[,-c(2,3),drop=FALSE]
#names(comuna_corr)[3] <- "código" 
head(comuna_corr,10)
##    REGION COMUNA AREA P17      clave cadena
## 1       1   1405    1   1 1405011001  01405
## 2       1   1405    1   1 1405011001  01405
## 3       1   1405    1   1 1405011001  01405
## 4       1   1405    1   1 1405011001  01405
## 5       1   1405    1   1 1405011001  01405
## 6       1   1405    1   1 1405011001  01405
## 7       1   1405    1   1 1405011001  01405
## 8       1   1405    1   1 1405011001  01405
## 9       1   1405    1   1 1405011001  01405
## 10      1   1405    1   1 1405011001  01405
unicos <- unique(comuna_corr)
head(unicos,10)
##      REGION COMUNA AREA P17      clave cadena
## 1         1   1405    1   1 1405011001  01405
## 1521      1   1405    1   1 1405991999  01405
## 1539      1   1404    1   1 1404011001  01404
## 1987      1   1404    1   1 1404991999  01404
## 2008      1   1401    1   1 1401011001  01401
## 3130      1   1401    1   1 1401011002  01401
## 5377      1   1401    1   1 1401991999  01401
## 6114      1   1107    1   1 1107011001  01107
## 7680      1   1107    1   1 1107011002  01107
## 9292      1   1107    1   1 1107011003  01107
#e <- table(claves_con_1$clave, claves_con_1$P17) 
library(MASS)
## 
## Attaching package: 'MASS'
## The following object is masked from 'package:plotly':
## 
##     select
## The following object is masked from 'package:dplyr':
## 
##     select
e <- xtabs(~clave+P17, data=claves_con_1)
e <- as.data.frame(e)
head(e,10)
##         clave P17 Freq
## 1  1101011001   1 1255
## 2  1101011002   1  621
## 3  1101021001   1  493
## 4  1101021002   1   33
## 5  1101021003   1 1224
## 6  1101021004   1  968
## 7  1101021005   1 1927
## 8  1101031001   1 1179
## 9  1101031002   1 1582
## 10 1101031003   1 2111
nrow(e)
## [1] 86
  1. Unir los codigos comunales correctos a las frecuencias
tabla_1 = merge( x = e, y = unicos, by = "clave", all.x = TRUE)
head(tabla_1,10)
##         clave P17.x Freq REGION COMUNA AREA P17.y cadena
## 1  1101011001     1 1255      1   1101    1     1  01101
## 2  1101011002     1  621      1   1101    1     1  01101
## 3  1101021001     1  493      1   1101    1     1  01101
## 4  1101021002     1   33      1   1101    1     1  01101
## 5  1101021003     1 1224      1   1101    1     1  01101
## 6  1101021004     1  968      1   1101    1     1  01101
## 7  1101021005     1 1927      1   1101    1     1  01101
## 8  1101031001     1 1179      1   1101    1     1  01101
## 9  1101031002     1 1582      1   1101    1     1  01101
## 10 1101031003     1 2111      1   1101    1     1  01101
nrow(tabla_1)
## [1] 86

2.2 Eliminemos la grasa y renombremos:

tabla_2 <- tabla_1[, -c(2,5,6,7)]
names(tabla_2)[4] <- "código"  
head(tabla_2,10)
##         clave Freq REGION código
## 1  1101011001 1255      1  01101
## 2  1101011002  621      1  01101
## 3  1101021001  493      1  01101
## 4  1101021002   33      1  01101
## 5  1101021003 1224      1  01101
## 6  1101021004  968      1  01101
## 7  1101021005 1927      1  01101
## 8  1101031001 1179      1  01101
## 9  1101031002 1582      1  01101
## 10 1101031003 2111      1  01101
  1. Unir los ingresos expandidos urbanos
ingresos_expandidos_urbanos <- readRDS("ingresos_expandidos_casen_2017_totales_u.rds")
head(ingresos_expandidos_urbanos,10)
##    código               comuna   zona promedio_i  año personas
## 1   01101              Iquique Urbano   356487.6 2017   191468
## 2   01107        Alto Hospicio Urbano   301933.4 2017   108375
## 3   01401         Pozo Almonte Urbano   299998.6 2017    15711
## 4   01405                 Pica Urbano   330061.1 2017     9296
## 5   02101          Antofagasta Urbano   347580.2 2017   361873
## 6   02102           Mejillones Urbano   369770.7 2017    13467
## 7   02104               Taltal Urbano   376328.9 2017    13317
## 8   02201               Calama Urbano   416281.1 2017   165731
## 9   02203 San Pedro de Atacama Urbano   437934.7 2017    10996
## 10  02301            Tocopilla Urbano   271720.8 2017    25186
##    Ingresos_expandidos
## 1          68255976664
## 2          32722034397
## 3           4713278189
## 4           3068247619
## 5         125779893517
## 6           4979702302
## 7           5011572025
## 8          68990679686
## 9           4815529626
## 10          6843559467
tabla_3 = merge( x = tabla_2 , y = ingresos_expandidos_urbanos, by = "código", all.x = TRUE)
names(tabla_3)[2] <- "zona" 
names(tabla_3)[5] <- "comuna" 
names(tabla_3)[6] <- "tipo" 
tabla_3$zona <- as.character(tabla_3$zona) 
head(tabla_3,10)
##    código       zona Freq REGION  comuna   tipo promedio_i  año personas
## 1   01101 1101021001  493      1 Iquique Urbano   356487.6 2017   191468
## 2   01101 1101021002   33      1 Iquique Urbano   356487.6 2017   191468
## 3   01101 1101011001 1255      1 Iquique Urbano   356487.6 2017   191468
## 4   01101 1101011002  621      1 Iquique Urbano   356487.6 2017   191468
## 5   01101 1101021005 1927      1 Iquique Urbano   356487.6 2017   191468
## 6   01101 1101031001 1179      1 Iquique Urbano   356487.6 2017   191468
## 7   01101 1101031002 1582      1 Iquique Urbano   356487.6 2017   191468
## 8   01101 1101031003 2111      1 Iquique Urbano   356487.6 2017   191468
## 9   01101 1101031004 1532      1 Iquique Urbano   356487.6 2017   191468
## 10  01101 1101041001  712      1 Iquique Urbano   356487.6 2017   191468
##    Ingresos_expandidos
## 1          68255976664
## 2          68255976664
## 3          68255976664
## 4          68255976664
## 5          68255976664
## 6          68255976664
## 7          68255976664
## 8          68255976664
## 9          68255976664
## 10         68255976664

hay que integrar las proporciones poblacionales zonales:

tabla_de_prop_pob <- readRDS("../../../../archivos_grandes/tabla_de_prop_pob.rds")
names(tabla_de_prop_pob)[1] <- "zona" 
tabla_de_prop_pob$zona <- as.character(tabla_de_prop_pob$zona) 
head(tabla_de_prop_pob,10)
##          zona Freq            p código
## 1  1101011001 2491 0.0130100069  01101
## 2  1101011002 1475 0.0077036372  01101
## 3  1101021001 1003 0.0052384733  01101
## 4  1101021002   54 0.0002820315  01101
## 5  1101021003 2895 0.0151200201  01101
## 6  1101021004 2398 0.0125242860  01101
## 7  1101021005 4525 0.0236331920  01101
## 8  1101031001 2725 0.0142321432  01101
## 9  1101031002 3554 0.0185618485  01101
## 10 1101031003 5246 0.0273988343  01101
tabla_4 = merge( x = tabla_3, y = tabla_de_prop_pob, by = "zona", all.x = TRUE)
head(tabla_4,10)
##          zona código.x Freq.x REGION  comuna   tipo promedio_i  año personas
## 1  1101011001    01101   1255      1 Iquique Urbano   356487.6 2017   191468
## 2  1101011002    01101    621      1 Iquique Urbano   356487.6 2017   191468
## 3  1101021001    01101    493      1 Iquique Urbano   356487.6 2017   191468
## 4  1101021002    01101     33      1 Iquique Urbano   356487.6 2017   191468
## 5  1101021003    01101   1224      1 Iquique Urbano   356487.6 2017   191468
## 6  1101021004    01101    968      1 Iquique Urbano   356487.6 2017   191468
## 7  1101021005    01101   1927      1 Iquique Urbano   356487.6 2017   191468
## 8  1101031001    01101   1179      1 Iquique Urbano   356487.6 2017   191468
## 9  1101031002    01101   1582      1 Iquique Urbano   356487.6 2017   191468
## 10 1101031003    01101   2111      1 Iquique Urbano   356487.6 2017   191468
##    Ingresos_expandidos Freq.y            p código.y
## 1          68255976664   2491 0.0130100069    01101
## 2          68255976664   1475 0.0077036372    01101
## 3          68255976664   1003 0.0052384733    01101
## 4          68255976664     54 0.0002820315    01101
## 5          68255976664   2895 0.0151200201    01101
## 6          68255976664   2398 0.0125242860    01101
## 7          68255976664   4525 0.0236331920    01101
## 8          68255976664   2725 0.0142321432    01101
## 9          68255976664   3554 0.0185618485    01101
## 10         68255976664   5246 0.0273988343    01101

2.3 Eliminemos la grasa y renombremos:

tabla_5 <- tabla_4[, -c( 11,13)]
names(tabla_5)[2] <- "código"  
names(tabla_5)[3] <- "frecuencia_de_resp"  
names(tabla_5)[4] <- "region"  
head(tabla_5,10)
##          zona código frecuencia_de_resp region  comuna   tipo promedio_i  año
## 1  1101011001  01101               1255      1 Iquique Urbano   356487.6 2017
## 2  1101011002  01101                621      1 Iquique Urbano   356487.6 2017
## 3  1101021001  01101                493      1 Iquique Urbano   356487.6 2017
## 4  1101021002  01101                 33      1 Iquique Urbano   356487.6 2017
## 5  1101021003  01101               1224      1 Iquique Urbano   356487.6 2017
## 6  1101021004  01101                968      1 Iquique Urbano   356487.6 2017
## 7  1101021005  01101               1927      1 Iquique Urbano   356487.6 2017
## 8  1101031001  01101               1179      1 Iquique Urbano   356487.6 2017
## 9  1101031002  01101               1582      1 Iquique Urbano   356487.6 2017
## 10 1101031003  01101               2111      1 Iquique Urbano   356487.6 2017
##    personas Ingresos_expandidos            p
## 1    191468         68255976664 0.0130100069
## 2    191468         68255976664 0.0077036372
## 3    191468         68255976664 0.0052384733
## 4    191468         68255976664 0.0002820315
## 5    191468         68255976664 0.0151200201
## 6    191468         68255976664 0.0125242860
## 7    191468         68255976664 0.0236331920
## 8    191468         68255976664 0.0142321432
## 9    191468         68255976664 0.0185618485
## 10   191468         68255976664 0.0273988343
  1. construir multipob
tabla_5$multipob <- tabla_5$Ingresos_expandidos*tabla_5$p
head(tabla_5,10)
##          zona código frecuencia_de_resp region  comuna   tipo promedio_i  año
## 1  1101011001  01101               1255      1 Iquique Urbano   356487.6 2017
## 2  1101011002  01101                621      1 Iquique Urbano   356487.6 2017
## 3  1101021001  01101                493      1 Iquique Urbano   356487.6 2017
## 4  1101021002  01101                 33      1 Iquique Urbano   356487.6 2017
## 5  1101021003  01101               1224      1 Iquique Urbano   356487.6 2017
## 6  1101021004  01101                968      1 Iquique Urbano   356487.6 2017
## 7  1101021005  01101               1927      1 Iquique Urbano   356487.6 2017
## 8  1101031001  01101               1179      1 Iquique Urbano   356487.6 2017
## 9  1101031002  01101               1582      1 Iquique Urbano   356487.6 2017
## 10 1101031003  01101               2111      1 Iquique Urbano   356487.6 2017
##    personas Ingresos_expandidos            p   multipob
## 1    191468         68255976664 0.0130100069  888010727
## 2    191468         68255976664 0.0077036372  525819278
## 3    191468         68255976664 0.0052384733  357557109
## 4    191468         68255976664 0.0002820315   19250333
## 5    191468         68255976664 0.0151200201 1032031736
## 6    191468         68255976664 0.0125242860  854857376
## 7    191468         68255976664 0.0236331920 1613106600
## 8    191468         68255976664 0.0142321432  971428836
## 9    191468         68255976664 0.0185618485 1266957095
## 10   191468         68255976664 0.0273988343 1870134193

3 Análisis de regresión

Aplicaremos un análisis de regresión donde:

\[ Y(dependiente) = ingreso \ expandido \ por \ zona \ (multi\_pob)\]

\[ X(independiente) = frecuencia \ de \ población \ que \ posee \ la \ variable \ Censal \ respecto \ a \ la \ zona \ (Freq.x) \]

3.1 Diagrama de dispersión loess

scatter.smooth(x=tabla_5$frecuencia_de_resp, y=tabla_5$multipob, main="multi_pob ~ Freq",
     xlab = "Freq",
     ylab = "multi_pob",
           col = 2, is.na = T) 
## Warning in plot.window(...): "is.na" is not a graphical parameter
## Warning in plot.xy(xy, type, ...): "is.na" is not a graphical parameter
## Warning in axis(side = side, at = at, labels = labels, ...): "is.na" is not a
## graphical parameter

## Warning in axis(side = side, at = at, labels = labels, ...): "is.na" is not a
## graphical parameter
## Warning in box(...): "is.na" is not a graphical parameter
## Warning in title(...): "is.na" is not a graphical parameter

3.2 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.

3.3 Modelo lineal

Aplicaremos un análisis de regresión lineal del ingreso expandido por zona sobre las frecuencias de respuestas zonales.

linearMod <- lm( multipob~(frecuencia_de_resp) , data=tabla_5)
summary(linearMod) 
## 
## Call:
## lm(formula = multipob ~ (frecuencia_de_resp), data = tabla_5)
## 
## Residuals:
##        Min         1Q     Median         3Q        Max 
## -315501962  -49447152   16823609   59843648  177323100 
## 
## Coefficients:
##                     Estimate Std. Error t value Pr(>|t|)    
## (Intercept)        -46244637   27223954  -1.699   0.0932 .  
## frecuencia_de_resp    823807      16363  50.344   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 88900000 on 82 degrees of freedom
##   (2 observations deleted due to missingness)
## Multiple R-squared:  0.9687, Adjusted R-squared:  0.9683 
## F-statistic:  2535 on 1 and 82 DF,  p-value: < 2.2e-16

3.4 Gráfica de la recta de regresión lineal

ggplot(tabla_5, aes(x = frecuencia_de_resp, y = multipob)) + 
  geom_point() +
  stat_smooth(method = "lm", col = "red")

Si bien obtenemos nuestro modelo lineal da cuenta del 0.9659 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.

4 Modelos alternativos

### 8.1 Modelo cuadrático

linearMod <- lm( multipob~(frecuencia_de_resp^2) , data=tabla_5)
datos <- summary(linearMod)
dato <- datos$adj.r.squared
modelo <- "cuadrático"
sintaxis <- "linearMod <- lm( multi_pob~(Freq.x^2) , data=h_y_m_comuna_corr_01)"

modelos1 <- cbind(modelo,dato,sintaxis)


modelos1 <- cbind(modelo,dato,sintaxis)
 
### 8.2 Modelo cúbico
 
linearMod <- lm( multipob~(frecuencia_de_resp^3) , data=tabla_5)
datos <- summary(linearMod)
dato <- datos$adj.r.squared
modelo <- "cúbico"
sintaxis <- "linearMod <- lm( multi_pob~(Freq.x^3) , data=h_y_m_comuna_corr_01)"

modelos2 <- cbind(modelo,dato,sintaxis)
 
### 8.3 Modelo logarítmico
 
linearMod <- lm( multipob~log(frecuencia_de_resp) , data=tabla_5)
datos <- summary(linearMod)
dato <- datos$adj.r.squared
modelo <- "logarítmico"
sintaxis <- "linearMod <- lm( multi_pob~log(Freq.x) , data=h_y_m_comuna_corr_01)"

modelos3 <- cbind(modelo,dato,sintaxis)
 
### 8.5 Modelo con raíz cuadrada 
 
linearMod <- lm( multipob~sqrt(frecuencia_de_resp) , data=tabla_5)
datos <- summary(linearMod)
dato <- datos$adj.r.squared
modelo <- "raíz cuadrada"
sintaxis <- "linearMod <- lm( multi_pob~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)"

modelos5 <- cbind(modelo,dato,sintaxis)
 
### 8.6 Modelo raíz-raíz
 
linearMod <- lm( sqrt(multipob)~sqrt(frecuencia_de_resp) , data=tabla_5)
datos <- summary(linearMod)
dato <- datos$adj.r.squared
modelo <- "raíz-raíz"
sintaxis <- "linearMod <- lm( sqrt(multi_pob)~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)"

modelos6 <- cbind(modelo,dato,sintaxis)
 
### 8.7 Modelo log-raíz
 
linearMod <- lm( log(multipob)~sqrt(frecuencia_de_resp) , data=tabla_5)
datos <- summary(linearMod)
dato <- datos$adj.r.squared
modelo <- "log-raíz"
sintaxis <- "linearMod <- lm( log(multi_pob)~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)"

modelos7 <- cbind(modelo,dato,sintaxis)
 
### 8.8 Modelo raíz-log
 
linearMod <- lm( sqrt(multipob)~log(frecuencia_de_resp) , data=tabla_5)
datos <- summary(linearMod)
dato <- datos$adj.r.squared
modelo <- "raíz-log"
sintaxis <- "linearMod <- lm( sqrt(multi_pob)~log(Freq.x) , data=h_y_m_comuna_corr_01)"

modelos8 <- cbind(modelo,dato,sintaxis)
 
### 8.9 Modelo log-log
 
linearMod <- lm( log(multipob)~log(frecuencia_de_resp) , data=tabla_5)
datos <- summary(linearMod)
dato <- datos$adj.r.squared
modelo <- "log-log"
sintaxis <- "linearMod <- lm( log(multi_pob)~log(Freq.x) , data=h_y_m_comuna_corr_01)"

modelos9 <- cbind(modelo,dato,sintaxis)
 
modelos_bind <- rbind(modelos1, modelos2,modelos3,modelos5,modelos6,modelos7,modelos8,modelos9)
modelos_bind <- as.data.frame(modelos_bind)

modelos_bind <<- modelos_bind[order(modelos_bind$dato, decreasing = T ),]

#h_y_m_comuna_corr_01 <<- comunas_censo_casen

kbl(modelos_bind) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
modelo dato sintaxis
8 log-log 0.97989629522072 linearMod <- lm( log(multi_pob)~log(Freq.x) , data=h_y_m_comuna_corr_01)
5 raíz-raíz 0.970322106713924 linearMod <- lm( sqrt(multi_pob)~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)
1 cuadrático 0.968279027105152 linearMod <- lm( multi_pob~(Freq.x^2) , data=h_y_m_comuna_corr_01)
2 cúbico 0.968279027105152 linearMod <- lm( multi_pob~(Freq.x^3) , data=h_y_m_comuna_corr_01)
4 raíz cuadrada 0.906187228583836 linearMod <- lm( multi_pob~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)
6 log-raíz 0.859772208419047 linearMod <- lm( log(multi_pob)~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)
7 raíz-log 0.832839000077064 linearMod <- lm( sqrt(multi_pob)~log(Freq.x) , data=h_y_m_comuna_corr_01)
3 logarítmico 0.645781469772034 linearMod <- lm( multi_pob~log(Freq.x) , data=h_y_m_comuna_corr_01)


5 Elección del modelo.

Elegimos el modelo log-log (8) pues tiene el más alto \(R^2\)

#h_y_m_comuna_corr <- h_y_m_comuna_corr_01
metodo <- 8
switch (metodo,
        case = linearMod <- lm( multipob~(frecuencia_de_resp^2) , data=tabla_5),
        case = linearMod <- lm( multipob~(frecuencia_de_resp^3) , data=tabla_5),
        case = linearMod <- lm( multipob~log(frecuencia_de_resp) , data=tabla_5),
        case = linearMod <- lm( multipob~sqrt(frecuencia_de_resp) , data=tabla_5),
        case = linearMod <- lm( sqrt(multipob)~sqrt(frecuencia_de_resp) , data=tabla_5),
        case = linearMod <- lm( log(multipob)~sqrt(frecuencia_de_resp) , data=tabla_5),
        case = linearMod <- lm( sqrt(multipob)~log(frecuencia_de_resp) , data=tabla_5),
        case = linearMod <- lm( log(multipob)~log(frecuencia_de_resp) , data=tabla_5)
)
summary(linearMod)
## 
## Call:
## lm(formula = log(multipob) ~ log(frecuencia_de_resp), data = tabla_5)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -0.81033 -0.03828  0.01306  0.06634  0.18759 
## 
## Coefficients:
##                         Estimate Std. Error t value Pr(>|t|)    
## (Intercept)             13.10277    0.12102  108.27   <2e-16 ***
## log(frecuencia_de_resp)  1.06412    0.01673   63.61   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.1179 on 82 degrees of freedom
##   (2 observations deleted due to missingness)
## Multiple R-squared:  0.9801, Adjusted R-squared:  0.9799 
## F-statistic:  4047 on 1 and 82 DF,  p-value: < 2.2e-16

5.1 Modelo log-log (log-log)

Es éste el modelo que nos entrega el mayor coeficiente de determinación de todos (0.98).

5.1.1 Diagrama de dispersión sobre log-log

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

scatter.smooth(x=log(tabla_5$frecuencia_de_resp), y=log(tabla_5$multipob), lpars = list(col = "red", lwd = 2, lty = 1), main="multi_pob ~ Freq.x")

ggplot(tabla_5, aes(x = log(frecuencia_de_resp) , y = log(multipob))) + geom_point() + stat_smooth(method = "lm", col = "red")

head(tabla_5,10)
##          zona código frecuencia_de_resp region  comuna   tipo promedio_i  año
## 1  1101011001  01101               1255      1 Iquique Urbano   356487.6 2017
## 2  1101011002  01101                621      1 Iquique Urbano   356487.6 2017
## 3  1101021001  01101                493      1 Iquique Urbano   356487.6 2017
## 4  1101021002  01101                 33      1 Iquique Urbano   356487.6 2017
## 5  1101021003  01101               1224      1 Iquique Urbano   356487.6 2017
## 6  1101021004  01101                968      1 Iquique Urbano   356487.6 2017
## 7  1101021005  01101               1927      1 Iquique Urbano   356487.6 2017
## 8  1101031001  01101               1179      1 Iquique Urbano   356487.6 2017
## 9  1101031002  01101               1582      1 Iquique Urbano   356487.6 2017
## 10 1101031003  01101               2111      1 Iquique Urbano   356487.6 2017
##    personas Ingresos_expandidos            p   multipob
## 1    191468         68255976664 0.0130100069  888010727
## 2    191468         68255976664 0.0077036372  525819278
## 3    191468         68255976664 0.0052384733  357557109
## 4    191468         68255976664 0.0002820315   19250333
## 5    191468         68255976664 0.0151200201 1032031736
## 6    191468         68255976664 0.0125242860  854857376
## 7    191468         68255976664 0.0236331920 1613106600
## 8    191468         68255976664 0.0142321432  971428836
## 9    191468         68255976664 0.0185618485 1266957095
## 10   191468         68255976664 0.0273988343 1870134193

5.1.2 Análisis de residuos

par(mfrow = c (2,2))
plot(linearMod)

5.1.3 Modelo log-log

\[ \hat Y = e^{\beta_0+\beta_1 ln{X}} \]

5.1.4 Modelo real:

\[ \hat Y = e^{13.10277 + 1.064123 \cdot ln{X}} \]


linearMod <- lm( log(multipob)~log(frecuencia_de_resp) , data=tabla_5)
aa <- linearMod$coefficients[1]
bb <- linearMod$coefficients[2]
aa
## (Intercept) 
##    13.10277
bb
## log(frecuencia_de_resp) 
##                1.064123


6 Aplicación la regresión a los valores de la variable a nivel de zona

Esta nueva variable se llamará: est_ing

tabla_5$est_ing <- exp(aa+bb*log(tabla_5$frecuencia_de_resp))
head(tabla_5,10)
##          zona código frecuencia_de_resp region  comuna   tipo promedio_i  año
## 1  1101011001  01101               1255      1 Iquique Urbano   356487.6 2017
## 2  1101011002  01101                621      1 Iquique Urbano   356487.6 2017
## 3  1101021001  01101                493      1 Iquique Urbano   356487.6 2017
## 4  1101021002  01101                 33      1 Iquique Urbano   356487.6 2017
## 5  1101021003  01101               1224      1 Iquique Urbano   356487.6 2017
## 6  1101021004  01101                968      1 Iquique Urbano   356487.6 2017
## 7  1101021005  01101               1927      1 Iquique Urbano   356487.6 2017
## 8  1101031001  01101               1179      1 Iquique Urbano   356487.6 2017
## 9  1101031002  01101               1582      1 Iquique Urbano   356487.6 2017
## 10 1101031003  01101               2111      1 Iquique Urbano   356487.6 2017
##    personas Ingresos_expandidos            p   multipob    est_ing
## 1    191468         68255976664 0.0130100069  888010727  972289284
## 2    191468         68255976664 0.0077036372  525819278  459886409
## 3    191468         68255976664 0.0052384733  357557109  359731066
## 4    191468         68255976664 0.0002820315   19250333   20246207
## 5    191468         68255976664 0.0151200201 1032031736  946752960
## 6    191468         68255976664 0.0125242860  854857376  737557917
## 7    191468         68255976664 0.0236331920 1613106600 1534530600
## 8    191468         68255976664 0.0142321432  971428836  909758113
## 9    191468         68255976664 0.0185618485 1266957095 1243960523
## 10   191468         68255976664 0.0273988343 1870134193 1690914875


7 División del valor estimado entre la población total de la zona para obtener el ingreso medio por zona


\[ Ingreso \_ Medio\_zona = est\_ing / (personas * p\_poblacional) \]


tabla_5$ing_medio_zona <- tabla_5$est_ing /(tabla_5$personas  * tabla_5$p)
r3_100 <- tabla_5[c(1:100),]
kbl(r3_100) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
zona código frecuencia_de_resp region comuna tipo promedio_i año personas Ingresos_expandidos p multipob est_ing ing_medio_zona
1 1101011001 01101 1255 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0130100 888010727 972289284 390320.9
2 1101011002 01101 621 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0077036 525819278 459886409 311787.4
3 1101021001 01101 493 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0052385 357557109 359731066 358655.1
4 1101021002 01101 33 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0002820 19250333 20246207 374929.8
5 1101021003 01101 1224 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0151200 1032031736 946752960 327030.4
6 1101021004 01101 968 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0125243 854857376 737557917 307572.1
7 1101021005 01101 1927 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0236332 1613106600 1534530600 339122.8
8 1101031001 01101 1179 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0142321 971428836 909758113 333856.2
9 1101031002 01101 1582 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0185618 1266957095 1243960523 350017.0
10 1101031003 01101 2111 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0273988 1870134193 1690914875 322324.6
11 1101031004 01101 1532 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0177001 1208136633 1202166221 354725.9
12 1101041001 01101 712 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0094010 641677763 531920965 295511.6
13 1101041002 01101 1084 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0132555 904765646 831959015 327801.0
14 1101041003 01101 1689 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0201339 1374259877 1333682143 345961.6
15 1101041004 01101 2402 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0295767 2018789541 1940004852 342575.5
16 1101041005 01101 1840 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0217373 1483701584 1460915552 351012.9
17 1101041006 01101 1101 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0140441 958595281 845849918 314559.3
18 1101051001 01101 1514 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0172144 1174983282 1187141524 360176.4
19 1101051002 01101 2044 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0233198 1591717341 1633865173 365927.3
20 1101051003 01101 1964 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0243174 1659806481 1565903373 336319.5
21 1101051004 01101 874 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0109522 747554594 661587779 315492.5
22 1101051005 01101 1619 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0186402 1272304410 1274943040 357227.0
23 1101051006 01101 1303 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0143157 977132639 1011908938 369175.1
24 1101061001 01101 863 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0084871 579292425 652730824 401680.5
25 1101061002 01101 2264 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0248971 1699376610 1821623011 382132.0
26 1101061003 01101 2174 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0252053 1720409381 1744664727 361513.6
27 1101061004 01101 2043 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0212934 1453400134 1633014584 400543.2
28 1101061005 01101 1022 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0113126 772152242 781417967 360765.5
29 1101071001 01101 1192 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0121378 828477290 920436365 396057.0
30 1101071002 01101 1328 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0146291 998521897 1032581494 368647.4
31 1101071003 01101 1813 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0199981 1364991198 1438114367 375584.8
32 1101071004 01101 893 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0103777 708340953 676902951 340665.8
33 1101081001 01101 2420 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0268087 1829851089 1955478691 380962.1
34 1101081002 01101 1701 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0168853 1152524561 1343767570 415641.1
35 1101081003 01101 1160 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0110828 756466785 894165037 421378.4
36 1101081004 01101 1307 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0124929 852718450 1015214850 424420.9
37 1101101001 01101 1148 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0139553 952534991 884325196 330960.0
38 1101101002 01101 1896 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0229699 1567832668 1508274996 342945.7
39 1101101003 01101 1837 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0236280 1612750112 1458381022 322365.4
40 1101101004 01101 1503 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0185096 1263392219 1177965394 332383.0
41 1101101005 01101 2092 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0256492 1750710831 1674724643 341015.0
42 1101101006 01101 1616 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0192617 1314726440 1272429238 345018.8
43 1101111001 01101 1620 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0202958 1385310994 1275781041 328301.9
44 1101111002 01101 972 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0120751 824199438 740801537 320415.9
45 1101111003 01101 2083 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0254560 1737520788 1667058871 342031.0
46 1101111004 01101 1961 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0237272 1619523377 1563358213 344124.6
47 1101111005 01101 1950 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0226200 1543947996 1554028098 358815.1
48 1101111006 01101 1517 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0169898 1159654313 1189644849 365707.0
49 1101111007 01101 1881 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0242286 1653746191 1495580523 322392.9
50 1101111008 01101 2141 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0254925 1740016202 1716497400 351669.2
51 1101111009 01101 2137 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0261454 1784577157 1713085061 342206.4
52 1101111010 01101 208 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0019115 130474479 143602586 392356.8
53 1101111011 01101 1938 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0227244 1551077749 1543853639 354827.3
54 1101111012 01101 1257 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0152819 1043082853 973938189 332856.5
55 1101111013 01101 1613 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0177053 1208493121 1269915736 374606.4
56 1101111014 01101 1173 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0153550 1048073680 904832231 307766.1
57 1101991999 01101 581 1 Iquique Urbano 356487.6 2017 191468 68255976664 0.0055466 378589880 428431084 403419.1
58 1107011001 01107 1566 1 Alto Hospicio Urbano 301933.4 2017 108375 32722034397 0.0378685 1239134756 1230576999 299848.2
59 1107011002 01107 1612 1 Alto Hospicio Urbano 301933.4 2017 108375 32722034397 0.0402307 1316429711 1269077968 291072.9
60 1107011003 01107 3143 1 Alto Hospicio Urbano 301933.4 2017 108375 32722034397 0.0788835 2581228808 2582628141 302097.1
61 1107021001 01107 2570 1 Alto Hospicio Urbano 301933.4 2017 108375 32722034397 0.0618316 2023255848 2084709683 311104.3
62 1107021002 01107 1604 1 Alto Hospicio Urbano 301933.4 2017 108375 32722034397 0.0366413 1198977611 1262377028 317899.0
63 1107021003 01107 2520 1 Alto Hospicio Urbano 301933.4 2017 108375 32722034397 0.0585836 1916975284 2041577495 321558.9
64 1107021004 01107 2018 1 Alto Hospicio Urbano 301933.4 2017 108375 32722034397 0.0472895 1547408778 1611758547 314489.5
65 1107021005 01107 1754 1 Alto Hospicio Urbano 301933.4 2017 108375 32722034397 0.0410704 1343905653 1388365722 311922.2
66 1107021006 01107 1550 1 Alto Hospicio Urbano 301933.4 2017 108375 32722034397 0.0356540 1166670735 1217202241 315010.9
67 1107021007 01107 1981 1 Alto Hospicio Urbano 301933.4 2017 108375 32722034397 0.0483045 1580621454 1580330646 301877.9
68 1107021008 01107 1839 1 Alto Hospicio Urbano 301933.4 2017 108375 32722034397 0.0421315 1378627996 1460070679 319770.2
69 1107031001 01107 1826 1 Alto Hospicio Urbano 301933.4 2017 108375 32722034397 0.0387082 1266610697 1449090017 345432.7
70 1107031002 01107 2588 1 Alto Hospicio Urbano 301933.4 2017 108375 32722034397 0.0655040 2143425349 2100250504 295851.6
71 1107031003 01107 1833 1 Alto Hospicio Urbano 301933.4 2017 108375 32722034397 0.0435525 1425125743 1455002061 308263.1
72 1107041001 01107 1404 1 Alto Hospicio Urbano 301933.4 2017 108375 32722034397 0.0334948 1096018315 1095577618 301812.0
73 1107041002 01107 1993 1 Alto Hospicio Urbano 301933.4 2017 108375 32722034397 0.0494394 1617759265 1590519389 296849.5
74 1107041003 01107 1686 1 Alto Hospicio Urbano 301933.4 2017 108375 32722034397 0.0417070 1364739059 1331161503 294504.8
75 1107041004 01107 1987 1 Alto Hospicio Urbano 301933.4 2017 108375 32722034397 0.0490611 1605379994 1585424524 298180.3
76 1107041005 01107 1349 1 Alto Hospicio Urbano 301933.4 2017 108375 32722034397 0.0343714 1124701990 1049965757 281870.0
77 1107041006 01107 1494 1 Alto Hospicio Urbano 301933.4 2017 108375 32722034397 0.0369919 1210451081 1170460852 291958.3
78 1107041007 01107 1931 1 Alto Hospicio Urbano 301933.4 2017 108375 32722034397 0.0481384 1575186652 1537920402 294790.2
79 1107991999 01107 314 1 Alto Hospicio Urbano 301933.4 2017 108375 32722034397 0.0075571 247283471 222586053 271777.8
80 1401011001 01401 1122 1 Pozo Almonte Urbano 299998.6 2017 15711 4713278189 0.1763732 831296153 863028246 311450.1
81 1401011002 01401 2247 1 Pozo Almonte Urbano 299998.6 2017 15711 4713278189 0.4141048 1951790968 1807071173 277754.6
82 1401991999 01401 737 1 Pozo Almonte Urbano 299998.6 2017 15711 4713278189 0.0520654 245398864 551817715 674593.8
83 1404011001 01404 448 1 NA NA NA NA NA NA 0.3963370 NA 324895378 NA
84 1404991999 01404 21 1 NA NA NA NA NA NA 0.0098901 NA 12515901 NA
85 1405011001 01405 1520 1 Pica Urbano 330061.1 2017 9296 3068247619 0.4169535 1279316671 1192148491 307571.8
86 1405991999 01405 18 1 Pica Urbano 330061.1 2017 9296 3068247619 0.0038726 11882198 10622397 295066.6
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 
pp <- ggplot(data = tabla_5) + geom_boxplot(aes(x=comuna, y=ing_medio_zona, color=comuna))
pp + theme(axis.text.x = element_text(angle = 40, vjust = 1, hjust=1))
## Warning: Removed 2 rows containing non-finite values (stat_boxplot).

8 Criterio para excluir outliers:

Q <- quantile(tabla_5$ing_medio_zona, probs=c(.25, .75), na.rm = T)
iqr <- IQR(tabla_5$ing_medio_zona, na.rm = T)
casen_2017_sin_o <- subset(tabla_5, tabla_5$ing_medio_zona > (Q[1] - 1.5*iqr) & tabla_5$ing_medio_zona < (Q[2]+1.5*iqr))
casen_2017_sin_o <- data.frame(lapply(casen_2017_sin_o, as.character), stringsAsFactors=FALSE)

casen_2017_sin_o$multipob <- as.numeric(casen_2017_sin_o$multipob)
casen_2017_sin_o$est_ing<- as.numeric(casen_2017_sin_o$est_ing)
casen_2017_sin_o$ing_medio_zona <- as.numeric(casen_2017_sin_o$ing_medio_zona)


head(casen_2017_sin_o,10) 
##          zona código frecuencia_de_resp region  comuna   tipo       promedio_i
## 1  1101011001  01101               1255      1 Iquique Urbano 356487.646309696
## 2  1101011002  01101                621      1 Iquique Urbano 356487.646309696
## 3  1101021001  01101                493      1 Iquique Urbano 356487.646309696
## 4  1101021002  01101                 33      1 Iquique Urbano 356487.646309696
## 5  1101021003  01101               1224      1 Iquique Urbano 356487.646309696
## 6  1101021004  01101                968      1 Iquique Urbano 356487.646309696
## 7  1101021005  01101               1927      1 Iquique Urbano 356487.646309696
## 8  1101031001  01101               1179      1 Iquique Urbano 356487.646309696
## 9  1101031002  01101               1582      1 Iquique Urbano 356487.646309696
## 10 1101031003  01101               2111      1 Iquique Urbano 356487.646309696
##     año personas Ingresos_expandidos                    p   multipob    est_ing
## 1  2017   191468    68255976663.6249   0.0130100068941024  888010727  972289284
## 2  2017   191468    68255976663.6249  0.00770363716130111  525819278  459886409
## 3  2017   191468    68255976663.6249  0.00523847326968475  357557109  359731066
## 4  2017   191468    68255976663.6249 0.000282031462176447   19250333   20246207
## 5  2017   191468    68255976663.6249   0.0151200200555706 1032031736  946752960
## 6  2017   191468    68255976663.6249   0.0125242860425763  854857376  737557917
## 7  2017   191468    68255976663.6249   0.0236331919694153 1613106600 1534530600
## 8  2017   191468    68255976663.6249   0.0142321432302003  971428836  909758113
## 9  2017   191468    68255976663.6249   0.0185618484550943 1266957095 1243960523
## 10 2017   191468    68255976663.6249   0.0273988342699563 1870134193 1690914875
##    ing_medio_zona
## 1        390320.9
## 2        311787.4
## 3        358655.1
## 4        374929.8
## 5        327030.4
## 6        307572.1
## 7        339122.8
## 8        333856.2
## 9        350017.0
## 10       322324.6
pp <- ggplot(data = casen_2017_sin_o ) + geom_boxplot(aes(x=comuna, y=ing_medio_zona, color=comuna))
pp + theme(axis.text.x = element_text(angle = 40, vjust = 1, hjust=1))


Guardamos:

saveRDS(tabla_5, "URBANO/region_01_P17_u_nuevo.rds")


10 Anexo:

10.1 Modelos alternativos

10.1.1 Modelo cuadrático

\[ \hat Y = \beta_0 + \beta_1 X^2 \]

10.1.2 Modelo cúbico

\[ \hat Y = \beta_0 + \beta_1 X^3 \]

10.1.3 Modelo logarítmico

\[ \hat Y = \beta_0 + \beta_1 ln X \]

10.1.4 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.

10.1.5 Modelo con raíz cuadrada

\[ \hat Y = \beta_0 + \beta_1 \sqrt {X} \]

10.1.6 raiz raiz

\[ \hat Y = {\beta_0}^2 + 2 \beta_0 \beta_1 \sqrt{X}+ \beta_1^2 X \]

10.1.7 Modelo log-raíz

\[ \hat Y = e^{\beta_0 + \beta_1 \sqrt{X}} \]

10.1.8 Modelo raíz-log

\[ \hat Y = {\beta_0}^2 + 2 \beta_0 \beta_1 \ln{X}+ \beta_1^2 ln^2X \]

10.1.9 Modelo log-log

\[ \hat Y = e^{\beta_0+\beta_1 ln{X}} \]