date: 20-07-2021
1 Introducción
Expandiremos los ingresos promedios comunales (obtenidos de la multiplicación del ingreso promedio y los habitantes) obtenidos de la CASEN sobre la categoría de respuesta: “¿Trabajó por un pago o especie?” de la pregunta P17 del CENSO de personas que recordemos, fue la que mejor correlacionó (0.8717 de \(\tau\)) con los ingresos expandidos, ambos a nivel comunal.
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”
Lo anterior para elegir el que posea el mayor coeficiente de determinación a nivel regional y así construir una tabla de valores predichos.
2 Región 01
2.1 Análisis de regresión
2.2 Coeficiente de determinación
0.98
2.3 Ecuación de regresión
\[ \hat Y = e^{13.13441+1.06604 \cdot ln{X}} \]
3 Región 02
3.1 Análisis de regresión
3.2 Coeficiente de determinación
0.963
3.3 Ecuación de regresión
\[ \hat Y = e^{13.11756+1.08183 \cdot ln{X}} \]
4 Región 03
4.1 Análisis de regresión
4.2 Coeficiente de determinación
0.974
4.3 Ecuación de regresión
\[ \hat Y = e^{13.33031+1.04410 \cdot ln{X}} \]
5 Región 04
5.1 Análisis de regresión
5.2 Coeficiente de determinación
0.98
5.2.1 Ecuación de regresión
\[ \hat Y = {-478.798 }^2 + 2 *( -478.798) 855.474 \sqrt{X}+ 855.4741^2 X \]
6 Región 05
6.1 Análisis de regresión
6.2 Coeficiente de determinación
0.984
6.2.1 Ecuación de regresión
\[ \hat Y = e^{(13.344140+1.029538 \cdot lnX)}\]
7 Región 06
7.1 Análisis de regresión
7.2 Coeficiente de determinación
0.991
7.2.1 Ecuación de regresión
\[ \hat Y = e^{13.270613+1.031145 \cdot ln{X}} \]
8 Región 07
8.1 Análisis de regresión
8.2 Coeficiente de determinación
0.991
8.2.1 Ecuación de regresión
8.3 \[ \hat Y = e^{13.194444+1.033460 \cdot ln{X}} \]
9 Región 08
9.1 Análisis de regresión
9.2 Coeficiente de determinación
0.8127
9.2.1 Ecuación de regresión
\[ \hat Y = e^{13.244337+1.039956 \cdot ln{X}} \]
10 Región 09
10.1 Análisis de regresión
10.2 Coeficiente de determinación
0.989
10.2.1 Ecuación de regresión
\[ \hat Y = e^{13.32733+1.01354 \cdot ln{X}} \]
11 Región 10
11.1 Análisis de regresión
11.2 Coeficiente de determinación
0.989
11.2.1 Ecuación de regresión
\[ \hat Y = e^{13.121051+1.039975 \cdot ln{X}} \]
12 Región 11
12.1 Análisis de regresión
12.2 Coeficiente de determinación
0.991
12.2.1 Ecuación de regresión
\[ \hat Y = e^{13.09285+1.04935 \cdot ln{X}} \]
13 Región 12
13.1 Análisis de regresión
13.2 Coeficiente de determinación
0.991
13.2.1 Ecuación de regresión
\[ \hat Y = e^{13.35730+1.03457\cdot ln{X}} \]
14 Región 13
14.1 Análisis de regresión
14.2 Coeficiente de determinación
0.991
14.2.1 Ecuación de regresión
\[ \hat Y = e^{13.312262+1.028448\cdot ln{X}} \]
15 Región 14
15.1 Análisis de regresión
15.2 Coeficiente de determinación
0.986
15.2.1 Ecuación de regresión
\[ \hat Y = e^{13.41438+1.00595\cdot ln{X}} \]
16 Región 15
16.1 Análisis de regresión
16.2 Coeficiente de determinación
0.943
16.2.1 Ecuación de regresión
\[ \hat Y = e^{13.02772+1.07196\cdot ln{X}} \]
17 Región 16
17.1 Análisis de regresión
17.2 Coeficiente de determinación
0.943
17.2.1 Ecuación de regresión
\[ \hat Y = e^{13.539744+0.984671\cdot ln{X}} \]
18 Union total de las tablas urbanas
archivos_unidos <- dir("urbano/")
receptaculo <- data.frame()
archivos_df <- as.data.frame(archivos_unidos)
nrow(archivos_df)## [1] 16archivos_df[1]## archivos_unidos
## 1 region_01_P17_u.rds
## 2 region_02_P17_u.rds
## 3 region_03_P17_u.rds
## 4 region_04_P17_u.rds
## 5 region_05_P17_u.rds
## 6 region_06_P17_u.rds
## 7 region_07_P17_u.rds
## 8 region_08_P17_u.rds
## 9 region_09_P17_u.rds
## 10 region_10_P17_u.rds
## 11 region_11_P17_u.rds
## 12 region_12_P17_u.rds
## 13 region_13_P17_u.rds
## 14 region_14_P17_u.rds
## 15 region_15_P17_u.rds
## 16 region_16_P17_u.rdsfor (n in 1:nrow(archivos_df)) {
nombres <- paste("urbano/", archivos_df[n,], sep = "")
cargado <- readRDS(nombres)
identificar <- archivos_df[n,1]
identificar <- str_replace(archivos_df[n,1], "_P17_u.rds","")
cargado$identificador <- identificar
receptaculo <- rbind(receptaculo,cargado)
#print(cargado)
}
write_xlsx(receptaculo,"censo_casen_urb_2017.xlsx")
write_csv2(receptaculo,"censo_casen_urb_2017.csv")19 Gráfica de la recta de regresión versus los valores verdaderos para la región 01:
receptaculo_1 <- filter(receptaculo, receptaculo$identificador == "region_01")
# receptaculo_1 <- receptaculoest_ing <- receptaculo_1$est_ing
frecuencia <- receptaculo_1$Freq.x
multipob <- receptaculo_1$multipob
data <- data.frame(est_ing, multipob, frecuencia)
head(data,5)## est_ing multipob frecuencia
## 1 1017347406 935811182 1255
## 2 480550857 554123442 621
## 3 375729072 376803940 493
## 4 21037406 20286553 33
## 5 990580234 1087584653 1224#saveRDS(data,"data_urbana.rds")library(plotly)
fig <- plot_ly(x=data$frecuencia, y=data$est_ing)
fig <- fig %>% add_trace(y=data$multipob, name = 'realidad', mode = 'markers')
fig <- fig %>% add_trace(y=data$est_ing, name = 'simulación', mode = 'markers')
fig