Expansión de la CASEN sobre el CENSO (Región 09)

ESCOLARIDAD: Correlación: 0.547

VE-CC-AJ

DataIntelligence

date: 20-07-2021


1 Generación de ingresos expandidos a nivel Urbano

En los siguientes rpubs sólo llamaremos al rds ya construído llamado “Ingresos_expandidos_rural_17.rds”:

1.1 Variable CENSO

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

1.1.1 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("../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

Despleguemos los códigos de regiones de nuestra tabla:

regiones <- unique(tabla_con_clave$REGION)
regiones
##  [1] 15 14 13 12 11 10  9 16  8  7  6  5  4  3  2  1

Hagamos un subset con la region = 1, y área URBANA = 1.

tabla_con_clave <- filter(tabla_con_clave, tabla_con_clave$REGION == 9) 
tabla_con_clave <- filter(tabla_con_clave, tabla_con_clave$AREA== 2)

1.1.2 Cálculo de frecuencias

Obtenemos las frecuencias a la pregunta ESCOLARIDAD por zona:

tabla_con_clave_f <- tabla_con_clave[,c("clave","ESCOLARIDAD","COMUNA") ]

Renombramos y filtramos por la categoria Trabajo por un sueldo == 1:

names(tabla_con_clave_f)[2] <- "ESCOLARIDAD"
tabla_con_clave_ff <- filter(tabla_con_clave_f, tabla_con_clave_f$ESCOLARIDAD == 14)
# Determinamos las frecuencias por zona:
b <- tabla_con_clave_ff$clave
c <- tabla_con_clave_ff$ESCOLARIDAD
d <- tabla_con_clave_ff$COMUNA
cross_tab =  xtabs( ~ unlist(b) + unlist(c)+ unlist(d))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
names(d)[1] <- "zona" 
d$anio <- "2017"

head(d,5)
##         zona unlist.c. unlist.d. Freq anio
## 1 9101072007        14      9101    1 2017
## 2 9101072010        14      9101    4 2017
## 3 9101072042        14      9101    1 2017
## 4 9101072060        14      9101    5 2017
## 5 9101082007        14      9101    5 2017

Agregamos un cero a los códigos comunales de cuatro dígitos:

codigos <- d$unlist.d.
rango <- seq(1:nrow(d))
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,cadena)
comuna_corr <- comuna_corr[,-c(2,3),drop=FALSE]
names(comuna_corr)[4] <- "código"

1.1.3 Tabla de frecuencias:

head(comuna_corr,5)
##         zona Freq anio código
## 1 9101072007    1 2017  09101
## 2 9101072010    4 2017  09101
## 3 9101072042    1 2017  09101
## 4 9101072060    5 2017  09101
## 5 9101082007    5 2017  09101


1.2 Variable CASEN

1.2.1 Tabla de ingresos expandidos

Hemos calculado ya éste valor como conclusión del punto 1.1 de aquí

h_y_m_2017_censo <- readRDS("../ingresos_expandidos_rural_17.rds")
tablamadre <- head(h_y_m_2017_censo,50)
kbl(tablamadre) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
código personas comuna promedio_i año ingresos_expandidos
1 01101 191468 Iquique 272529.7 2017 52180713221
3 01401 15711 Pozo Almonte 243272.4 2017 3822052676
4 01402 1250 Camiña 226831.0 2017 283538750
6 01404 2730 Huara 236599.7 2017 645917134
7 01405 9296 Pica 269198.0 2017 2502464414
10 02103 10186 Sierra Gorda 322997.9 2017 3290056742
11 02104 13317 Taltal 288653.8 2017 3844002134
12 02201 165731 Calama 238080.9 2017 39457387800
14 02203 10996 San Pedro de Atacama 271472.6 2017 2985112297
15 02301 25186 Tocopilla 166115.9 2017 4183793832
17 03101 153937 Copiapó 251396.0 2017 38699138722
19 03103 14019 Tierra Amarilla 287819.4 2017 4034940816
21 03202 13925 Diego de Almagro 326439.0 2017 4545663075
22 03301 51917 Vallenar 217644.6 2017 11299454698
23 03302 5299 Alto del Carmen 196109.9 2017 1039186477
24 03303 7041 Freirina 202463.8 2017 1425547554
25 03304 10149 Huasco 205839.6 2017 2089066548
26 04101 221054 La Serena 200287.4 2017 44274327972
27 04102 227730 Coquimbo 206027.8 2017 46918711304
28 04103 11044 Andacollo 217096.4 2017 2397612293
29 04104 4241 La Higuera 231674.2 2017 982530309
30 04105 4497 Paiguano 174868.5 2017 786383423
31 04106 27771 Vicuña 169077.1 2017 4695441470
32 04201 30848 Illapel 165639.6 2017 5109649759
33 04202 9093 Canela 171370.3 2017 1558270441
34 04203 21382 Los Vilos 173238.5 2017 3704185607
35 04204 29347 Salamanca 193602.0 2017 5681637894
36 04301 111272 Ovalle 230819.8 2017 25683781418
37 04302 13322 Combarbalá 172709.2 2017 2300832587
38 04303 30751 Monte Patria 189761.6 2017 5835357638
39 04304 10956 Punitaqui 165862.0 2017 1817183694
40 04305 4278 Río Hurtado 182027.2 2017 778712384
41 05101 296655 Valparaíso 251998.5 2017 74756602991
42 05102 26867 Casablanca 252317.7 2017 6779018483
45 05105 18546 Puchuncaví 231606.0 2017 4295363979
46 05107 31923 Quintero 285125.8 2017 9102071069
49 05301 66708 Los Andes 280548.0 2017 18714795984
50 05302 14832 Calle Larga 234044.6 2017 3471349123
51 05303 10207 Rinconada 246136.9 2017 2512319225
52 05304 18855 San Esteban 211907.3 2017 3995512770
53 05401 35390 La Ligua 172675.9 2017 6111000517
54 05402 19388 Cabildo 212985.0 2017 4129354103
56 05404 9826 Petorca 270139.8 2017 2654393853
57 05405 7339 Zapallar 235661.4 2017 1729518700
58 05501 90517 Quillota 212067.6 2017 19195726144
59 05502 50554 Calera 226906.2 2017 11471016698
60 05503 17988 Hijuelas 215402.0 2017 3874650405
61 05504 22098 La Cruz 243333.4 2017 5377180726
62 05506 22120 Nogales 219800.7 2017 4861992055
63 05601 91350 San Antonio 230261.5 2017 21034388728

1.3 Unión Censo-Casen:

y creamos la columna multipob:

comunas_censo_casen = merge( x = comuna_corr, y = h_y_m_2017_censo, by = "código", all.x = TRUE)
comunas_censo_casen <- comunas_censo_casen[,-c(4)]
head(comunas_censo_casen,5)
##   código       zona Freq personas comuna promedio_i  año ingresos_expandidos
## 1  09101 9101072007    1   282415 Temuco   173314.1 2017         48946498862
## 2  09101 9101072010    4   282415 Temuco   173314.1 2017         48946498862
## 3  09101 9101072042    1   282415 Temuco   173314.1 2017         48946498862
## 4  09101 9101072060    5   282415 Temuco   173314.1 2017         48946498862
## 5  09101 9101082007    5   282415 Temuco   173314.1 2017         48946498862

1.4 Unión de la proporcion zonal por comuna con la tabla censo-casen:

unimos a nuestra tabla de proporciones zonales por comuna:

Para calcular la variable multipob, debemos multiplicarla por su proporcion zonal respecto a la comunal.

Del censo obtenemos la cantidad de población a nivel de zona y estimamos su proporción a nivel comunal. Ya hemos calculado ésta proporción aquí.

1.5 Ingreso promedio expandido por zona (multi_pob)

En éste momento vamos a construir nuestra variable dependiente de regresión aplicando la siguiente fórmula:

\[ multi\_pob = promedio\_i \cdot personas \cdot p\_poblacional \]

tabla_de_prop_pob <- readRDS("../tabla_de_prop_pob.rds")
names(tabla_de_prop_pob)[1]  <- "zona"
comunas_censo_casen = merge( x = comunas_censo_casen, y = tabla_de_prop_pob, by = "zona", all.x = TRUE)
head(comunas_censo_casen,5)
##         zona código.x Freq.x personas comuna promedio_i  año
## 1 9101072007    09101      1   282415 Temuco   173314.1 2017
## 2 9101072010    09101      4   282415 Temuco   173314.1 2017
## 3 9101072042    09101      1   282415 Temuco   173314.1 2017
## 4 9101072060    09101      5   282415 Temuco   173314.1 2017
## 5 9101082007    09101      5   282415 Temuco   173314.1 2017
##   ingresos_expandidos Freq.y            p código.y
## 1         48946498862     60 0.0002124533    09101
## 2         48946498862     43 0.0001522582    09101
## 3         48946498862     59 0.0002089124    09101
## 4         48946498862     61 0.0002159942    09101
## 5         48946498862     79 0.0002797302    09101
comunas_censo_casen$multipob <- comunas_censo_casen$ingresos_expandidos*comunas_censo_casen$p
head(comunas_censo_casen,5)
##         zona código.x Freq.x personas comuna promedio_i  año
## 1 9101072007    09101      1   282415 Temuco   173314.1 2017
## 2 9101072010    09101      4   282415 Temuco   173314.1 2017
## 3 9101072042    09101      1   282415 Temuco   173314.1 2017
## 4 9101072060    09101      5   282415 Temuco   173314.1 2017
## 5 9101082007    09101      5   282415 Temuco   173314.1 2017
##   ingresos_expandidos Freq.y            p código.y multipob
## 1         48946498862     60 0.0002124533    09101 10398845
## 2         48946498862     43 0.0001522582    09101  7452506
## 3         48946498862     59 0.0002089124    09101 10225531
## 4         48946498862     61 0.0002159942    09101 10572160
## 5         48946498862     79 0.0002797302    09101 13691813

1.6 Análisis de regresión

Aplicaremos un análisis de regresión donde:

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

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

1.6.1 Diagrama de dispersión loess

scatter.smooth(x=comunas_censo_casen$Freq.x, y=comunas_censo_casen$multipob, main="multi_pob ~ Freq.x",
     xlab = "Freq.x",
     ylab = "multi_pob",
           col = 2) 
## Warning in simpleLoess(y, x, w, span, degree = degree, parametric = FALSE, :
## pseudoinverse used at 2
## Warning in simpleLoess(y, x, w, span, degree = degree, parametric = FALSE, :
## neighborhood radius 1
## Warning in simpleLoess(y, x, w, span, degree = degree, parametric = FALSE, :
## reciprocal condition number -0
## Warning in simpleLoess(y, x, w, span, degree = degree, parametric = FALSE, :
## pseudoinverse used at 2
## Warning in simpleLoess(y, x, w, span, degree = degree, parametric = FALSE, :
## neighborhood radius 1
## Warning in simpleLoess(y, x, w, span, degree = degree, parametric = FALSE, :
## reciprocal condition number -0
## Warning in simpleLoess(y, x, w, span, degree = degree, parametric = FALSE, :
## pseudoinverse used at 2
## Warning in simpleLoess(y, x, w, span, degree = degree, parametric = FALSE, :
## neighborhood radius 1
## Warning in simpleLoess(y, x, w, span, degree = degree, parametric = FALSE, :
## reciprocal condition number -0
## Warning in simpleLoess(y, x, w, span, degree = degree, parametric = FALSE, :
## pseudoinverse used at 2
## Warning in simpleLoess(y, x, w, span, degree = degree, parametric = FALSE, :
## neighborhood radius 1
## Warning in simpleLoess(y, x, w, span, degree = degree, parametric = FALSE, :
## reciprocal condition number -0
## Warning in simpleLoess(y, x, w, span, degree = degree, parametric = FALSE, :
## pseudoinverse used at 2
## Warning in simpleLoess(y, x, w, span, degree = degree, parametric = FALSE, :
## neighborhood radius 1
## Warning in simpleLoess(y, x, w, span, degree = degree, parametric = FALSE, :
## reciprocal condition number -0

1.6.2 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.

1.6.3 Modelo lineal

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

linearMod <- lm( multipob~(Freq.x) , data=comunas_censo_casen)
summary(linearMod) 
## 
## Call:
## lm(formula = multipob ~ (Freq.x), data = comunas_censo_casen)
## 
## Residuals:
##        Min         1Q     Median         3Q        Max 
## -334184297  -16097622   -6676844    7463293  290210933 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 17399422    1161164   14.98   <2e-16 ***
## Freq.x       5259096     149506   35.18   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 31330000 on 1023 degrees of freedom
## Multiple R-squared:  0.5474, Adjusted R-squared:  0.547 
## F-statistic:  1237 on 1 and 1023 DF,  p-value: < 2.2e-16

1.6.4 Gráfica de la recta de regresión lineal

ggplot(comunas_censo_casen, aes(x = Freq.x , y = multipob)) + 
  geom_point() +
  stat_smooth(method = "lm", col = "red")

Si bien obtenemos nuestro modelo lineal da cuenta del 0.8214 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.

1.7 Modelos alternativos

### 8.1 Modelo cuadrático

linearMod <- lm( multipob~(Freq.x^2) , data=comunas_censo_casen)
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~(Freq.x^3) , data=comunas_censo_casen)
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(Freq.x) , data=comunas_censo_casen)
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(Freq.x) , data=comunas_censo_casen)
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(Freq.x) , data=comunas_censo_casen)
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(Freq.x) , data=comunas_censo_casen)
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(Freq.x) , data=comunas_censo_casen)
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(Freq.x) , data=comunas_censo_casen)
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
4 raíz cuadrada 0.571239313137041 linearMod <- lm( multi_pob~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)
1 cuadrático 0.546979060867389 linearMod <- lm( multi_pob~(Freq.x^2) , data=h_y_m_comuna_corr_01)
2 cúbico 0.546979060867389 linearMod <- lm( multi_pob~(Freq.x^3) , data=h_y_m_comuna_corr_01)
5 raíz-raíz 0.546939360326392 linearMod <- lm( sqrt(multi_pob)~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)
7 raíz-log 0.51689931127924 linearMod <- lm( sqrt(multi_pob)~log(Freq.x) , data=h_y_m_comuna_corr_01)
3 logarítmico 0.464249873256742 linearMod <- lm( multi_pob~log(Freq.x) , data=h_y_m_comuna_corr_01)
8 log-log 0.442785370831145 linearMod <- lm( log(multi_pob)~log(Freq.x) , data=h_y_m_comuna_corr_01)
6 log-raíz 0.406652652477456 linearMod <- lm( log(multi_pob)~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)

Elegimos el 1 pues tiene el ma alto \(R^2\)

h_y_m_comuna_corr <- h_y_m_comuna_corr_01
metodo <- 1


switch (metodo,
        case = linearMod <- lm( multipob~(Freq.x^2) , data=h_y_m_comuna_corr),
        case = linearMod <- lm( multipob~(Freq.x^3) , data=h_y_m_comuna_corr),
        case = linearMod <- lm( multipob~log(Freq.x) , data=h_y_m_comuna_corr),
        case = linearMod <- lm( multipob~sqrt(Freq.x) , data=h_y_m_comuna_corr),
        case = linearMod <- lm( sqrt(multipob)~sqrt(Freq.x) , data=h_y_m_comuna_corr),
        case = linearMod <- lm( log(multipob)~sqrt(Freq.x) , data=h_y_m_comuna_corr),
        case = linearMod <- lm( sqrt(multipob)~log(Freq.x) , data=h_y_m_comuna_corr),
        case = linearMod <- lm( log(multipob)~log(Freq.x) , data=h_y_m_comuna_corr)
)
summary(linearMod)
## 
## Call:
## lm(formula = multipob ~ (Freq.x^2), data = h_y_m_comuna_corr)
## 
## Residuals:
##        Min         1Q     Median         3Q        Max 
## -334184297  -16097622   -6676844    7463293  290210933 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 17399422    1161164   14.98   <2e-16 ***
## Freq.x       5259096     149506   35.18   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 31330000 on 1023 degrees of freedom
## Multiple R-squared:  0.5474, Adjusted R-squared:  0.547 
## F-statistic:  1237 on 1 and 1023 DF,  p-value: < 2.2e-16
aa <- linearMod$coefficients[1]
aa
## (Intercept) 
##    17399422
bb <- linearMod$coefficients[2]
bb
##  Freq.x 
## 5259096

1.8 Modelo cuadrático (cuadrático)

Es éste el modelo que nos entrega el mayor coeficiente de determinación de todos (0.547 ).

1.8.1 Diagrama de dispersión sobre cuadrático

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

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

ggplot(comunas_censo_casen, aes(x =  (Freq.x)^2 , y =  (multipob))) + geom_point() + stat_smooth(method = "lm", col = "red")

1.8.2 Análisis de residuos

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

1.8.3 Ecuación del modelo


1.8.4 8.1 Modelo cuadrático

\[ \hat Y = \ 17399422 + \ 5259096 X^2 \]

1.9 10 Aplicación la regresión a los valores de la variable a nivel de zona

Esta nueva variable se llamará: est_ing

h_y_m_comuna_corr$est_ing = aa + bb  * (h_y_m_comuna_corr$Freq.x)^2


1.10 11 División del valor estimado entre la población total de la zona para obtener el ingreso medio por zona


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


h_y_m_comuna_corr$ing_medio_zona <- h_y_m_comuna_corr$est_ing  /( h_y_m_comuna_corr$personas  * h_y_m_comuna_corr$p)

r3_100 <- h_y_m_comuna_corr[c(1:100),]
kbl(r3_100) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
zona código.x Freq.x personas comuna promedio_i año ingresos_expandidos Freq.y p código.y multipob est_ing ing_medio_zona
9101072007 09101 1 282415 Temuco 173314.1 2017 48946498862 60 0.0002125 09101 10398845 22658518 377641.96
9101072010 09101 4 282415 Temuco 173314.1 2017 48946498862 43 0.0001523 09101 7452506 101544959 2361510.68
9101072042 09101 1 282415 Temuco 173314.1 2017 48946498862 59 0.0002089 09101 10225531 22658518 384042.67
9101072060 09101 5 282415 Temuco 173314.1 2017 48946498862 61 0.0002160 09101 10572160 148876824 2440603.68
9101082007 09101 5 282415 Temuco 173314.1 2017 48946498862 79 0.0002797 09101 13691813 148876824 1884516.76
9101102004 09101 96 282415 Temuco 173314.1 2017 48946498862 3065 0.0108528 09101 531207687 48485229175 15818998.10
9101102006 09101 36 282415 Temuco 173314.1 2017 48946498862 726 0.0025707 09101 125826030 6833187981 9412104.66
9101102028 09101 36 282415 Temuco 173314.1 2017 48946498862 843 0.0029850 09101 146103778 6833187981 8105798.32
9101102029 09101 8 282415 Temuco 173314.1 2017 48946498862 496 0.0017563 09101 85963789 353981573 713672.53
9101102034 09101 2 282415 Temuco 173314.1 2017 48946498862 172 0.0006090 09101 29810024 38435806 223463.99
9101102057 09101 52 282415 Temuco 173314.1 2017 48946498862 1762 0.0062390 09101 305379427 14237995304 8080587.57
9101112013 09101 2 282415 Temuco 173314.1 2017 48946498862 214 0.0007578 09101 37089215 38435806 179606.57
9101112021 09101 6 282415 Temuco 173314.1 2017 48946498862 419 0.0014836 09101 72618604 206726882 493381.58
9101112029 09101 2 282415 Temuco 173314.1 2017 48946498862 181 0.0006409 09101 31369850 38435806 212352.52
9101112031 09101 2 282415 Temuco 173314.1 2017 48946498862 92 0.0003258 09101 15944896 38435806 417780.50
9101112038 09101 4 282415 Temuco 173314.1 2017 48946498862 89 0.0003151 09101 15424954 101544959 1140954.60
9101112041 09101 1 282415 Temuco 173314.1 2017 48946498862 116 0.0004107 09101 20104434 22658518 195332.05
9101112044 09101 1 282415 Temuco 173314.1 2017 48946498862 46 0.0001629 09101 7972448 22658518 492576.47
9101112045 09101 10 282415 Temuco 173314.1 2017 48946498862 292 0.0010339 09101 50607714 543309033 1860647.37
9101112047 09101 2 282415 Temuco 173314.1 2017 48946498862 124 0.0004391 09101 21490947 38435806 309966.18
9101112048 09101 1 282415 Temuco 173314.1 2017 48946498862 146 0.0005170 09101 25303857 22658518 155195.33
9101112052 09101 2 282415 Temuco 173314.1 2017 48946498862 100 0.0003541 09101 17331409 38435806 384358.06
9101112054 09101 9 282415 Temuco 173314.1 2017 48946498862 443 0.0015686 09101 76778142 443386206 1000871.80
9101112059 09101 1 282415 Temuco 173314.1 2017 48946498862 136 0.0004816 09101 23570716 22658518 166606.75
9101112062 09101 4 282415 Temuco 173314.1 2017 48946498862 167 0.0005913 09101 28943453 101544959 608053.65
9101112065 09101 2 282415 Temuco 173314.1 2017 48946498862 83 0.0002939 09101 14385070 38435806 463082.00
9101112067 09101 8 282415 Temuco 173314.1 2017 48946498862 514 0.0018200 09101 89083443 353981573 688680.10
9101112068 09101 3 282415 Temuco 173314.1 2017 48946498862 433 0.0015332 09101 75045001 64731287 149494.89
9101112069 09101 3 282415 Temuco 173314.1 2017 48946498862 129 0.0004568 09101 22357518 64731287 501792.92
9101112070 09101 4 282415 Temuco 173314.1 2017 48946498862 325 0.0011508 09101 56327079 101544959 312446.03
9101112071 09101 1 282415 Temuco 173314.1 2017 48946498862 230 0.0008144 09101 39862241 22658518 98515.29
9101112072 09101 1 282415 Temuco 173314.1 2017 48946498862 165 0.0005842 09101 28596825 22658518 137324.35
9101122051 09101 7 282415 Temuco 173314.1 2017 48946498862 357 0.0012641 09101 61873130 275095131 770574.60
9101132015 09101 3 282415 Temuco 173314.1 2017 48946498862 125 0.0004426 09101 21664261 64731287 517850.29
9101132032 09101 1 282415 Temuco 173314.1 2017 48946498862 17 0.0000602 09101 2946340 22658518 1332853.98
9101132033 09101 1 282415 Temuco 173314.1 2017 48946498862 36 0.0001275 09101 6239307 22658518 629403.27
9101132039 09101 1 282415 Temuco 173314.1 2017 48946498862 42 0.0001487 09101 7279192 22658518 539488.52
9101132049 09101 1 282415 Temuco 173314.1 2017 48946498862 50 0.0001770 09101 8665705 22658518 453170.35
9101142001 09101 1 282415 Temuco 173314.1 2017 48946498862 18 0.0000637 09101 3119654 22658518 1258806.54
9101142008 09101 9 282415 Temuco 173314.1 2017 48946498862 438 0.0015509 09101 75911572 443386206 1012297.28
9101142012 09101 4 282415 Temuco 173314.1 2017 48946498862 136 0.0004816 09101 23570716 101544959 746654.11
9101142022 09101 2 282415 Temuco 173314.1 2017 48946498862 90 0.0003187 09101 15598268 38435806 427064.51
9101142037 09101 4 282415 Temuco 173314.1 2017 48946498862 48 0.0001700 09101 8319076 101544959 2115519.99
9101142040 09101 10 282415 Temuco 173314.1 2017 48946498862 218 0.0007719 09101 37782472 543309033 2492243.27
9101142042 09101 7 282415 Temuco 173314.1 2017 48946498862 426 0.0015084 09101 73831803 275095131 645763.22
9101142054 09101 45 282415 Temuco 173314.1 2017 48946498862 1860 0.0065861 09101 322364208 10667069045 5734983.36
9101142062 09101 6 282415 Temuco 173314.1 2017 48946498862 113 0.0004001 09101 19584492 206726882 1829441.43
9101142066 09101 1 282415 Temuco 173314.1 2017 48946498862 65 0.0002302 09101 11265416 22658518 348592.58
9101152002 09101 28 282415 Temuco 173314.1 2017 48946498862 933 0.0033036 09101 161702046 4140530772 4437867.92
9101152011 09101 3 282415 Temuco 173314.1 2017 48946498862 290 0.0010269 09101 50261086 64731287 223211.33
9101152016 09101 1 282415 Temuco 173314.1 2017 48946498862 120 0.0004249 09101 20797691 22658518 188820.98
9101152017 09101 5 282415 Temuco 173314.1 2017 48946498862 317 0.0011225 09101 54940567 148876824 469642.98
9101152020 09101 3 282415 Temuco 173314.1 2017 48946498862 101 0.0003576 09101 17504723 64731287 640903.83
9101152023 09101 3 282415 Temuco 173314.1 2017 48946498862 111 0.0003930 09101 19237864 64731287 583164.74
9101152027 09101 2 282415 Temuco 173314.1 2017 48946498862 148 0.0005241 09101 25650485 38435806 259701.39
9101152035 09101 2 282415 Temuco 173314.1 2017 48946498862 73 0.0002585 09101 12651929 38435806 526517.89
9101152043 09101 1 282415 Temuco 173314.1 2017 48946498862 83 0.0002939 09101 14385070 22658518 272994.19
9101152049 09101 1 282415 Temuco 173314.1 2017 48946498862 30 0.0001062 09101 5199423 22658518 755283.92
9102022011 09102 7 24533 Carahue 127924.5 2017 3138372109 327 0.0133290 09102 41831316 275095131 841269.51
9102022031 09102 1 24533 Carahue 127924.5 2017 3138372109 163 0.0066441 09102 20851696 22658518 139009.31
9102022054 09102 4 24533 Carahue 127924.5 2017 3138372109 190 0.0077447 09102 24305658 101544959 534447.15
9102022901 09102 2 24533 Carahue 127924.5 2017 3138372109 103 0.0041984 09102 13176225 38435806 373163.16
9102032009 09102 2 24533 Carahue 127924.5 2017 3138372109 496 0.0202177 09102 63450559 38435806 77491.54
9102032037 09102 5 24533 Carahue 127924.5 2017 3138372109 104 0.0042392 09102 13304149 148876824 1431507.93
9102032042 09102 2 24533 Carahue 127924.5 2017 3138372109 190 0.0077447 09102 24305658 38435806 202293.72
9102032901 09102 1 24533 Carahue 127924.5 2017 3138372109 52 0.0021196 09102 6652075 22658518 435740.72
9102042004 09102 4 24533 Carahue 127924.5 2017 3138372109 221 0.0090083 09102 28271318 101544959 459479.45
9102042009 09102 1 24533 Carahue 127924.5 2017 3138372109 128 0.0052175 09102 16374338 22658518 177019.67
9102042010 09102 3 24533 Carahue 127924.5 2017 3138372109 302 0.0123099 09102 38633203 64731287 214342.01
9102042015 09102 4 24533 Carahue 127924.5 2017 3138372109 430 0.0175274 09102 55007541 101544959 236151.07
9102042017 09102 1 24533 Carahue 127924.5 2017 3138372109 148 0.0060327 09102 18932828 22658518 153098.09
9102042029 09102 2 24533 Carahue 127924.5 2017 3138372109 215 0.0087637 09102 27503771 38435806 178771.19
9102042041 09102 1 24533 Carahue 127924.5 2017 3138372109 138 0.0056251 09102 17653583 22658518 164192.16
9102042045 09102 3 24533 Carahue 127924.5 2017 3138372109 205 0.0083561 09102 26224525 64731287 315762.37
9102052018 09102 5 24533 Carahue 127924.5 2017 3138372109 338 0.0137774 09102 43238486 148876824 440463.98
9102052034 09102 1 24533 Carahue 127924.5 2017 3138372109 273 0.0111279 09102 34923392 22658518 82998.23
9102052040 09102 8 24533 Carahue 127924.5 2017 3138372109 730 0.0297558 09102 93384895 353981573 484906.26
9102052043 09102 1 24533 Carahue 127924.5 2017 3138372109 246 0.0100273 09102 31469431 22658518 92107.80
9102052055 09102 2 24533 Carahue 127924.5 2017 3138372109 216 0.0088045 09102 27631695 38435806 177943.55
9102062014 09102 1 24533 Carahue 127924.5 2017 3138372109 264 0.0107610 09102 33772072 22658518 85827.72
9102062044 09102 3 24533 Carahue 127924.5 2017 3138372109 222 0.0090490 09102 28399242 64731287 291582.37
9102072001 09102 1 24533 Carahue 127924.5 2017 3138372109 233 0.0094974 09102 29806412 22658518 97246.86
9102072002 09102 1 24533 Carahue 127924.5 2017 3138372109 72 0.0029348 09102 9210565 22658518 314701.63
9102072003 09102 4 24533 Carahue 127924.5 2017 3138372109 542 0.0220927 09102 69335087 101544959 187352.32
9102072008 09102 1 24533 Carahue 127924.5 2017 3138372109 260 0.0105980 09102 33260374 22658518 87148.14
9102082024 09102 2 24533 Carahue 127924.5 2017 3138372109 307 0.0125138 09102 39272826 38435806 125198.07
9102082036 09102 1 24533 Carahue 127924.5 2017 3138372109 201 0.0081930 09102 25712827 22658518 112728.94
9102092036 09102 1 24533 Carahue 127924.5 2017 3138372109 123 0.0050137 09102 15734715 22658518 184215.59
9102092053 09102 2 24533 Carahue 127924.5 2017 3138372109 225 0.0091713 09102 28783016 38435806 170825.80
9102112019 09102 3 24533 Carahue 127924.5 2017 3138372109 136 0.0055436 09102 17397734 64731287 475965.34
9102112022 09102 2 24533 Carahue 127924.5 2017 3138372109 57 0.0023234 09102 7291697 38435806 674312.39
9102112033 09102 1 24533 Carahue 127924.5 2017 3138372109 186 0.0075816 09102 23793960 22658518 121819.99
9102122016 09102 1 24533 Carahue 127924.5 2017 3138372109 50 0.0020381 09102 6396226 22658518 453170.35
9102122018 09102 1 24533 Carahue 127924.5 2017 3138372109 282 0.0114947 09102 36074713 22658518 80349.35
9102122024 09102 1 24533 Carahue 127924.5 2017 3138372109 60 0.0024457 09102 7675471 22658518 377641.96
9103012016 09103 1 17526 Cunco 156882.5 2017 2749522512 19 0.0010841 09103 2980767 22658518 1192553.56
9103012045 09103 6 17526 Cunco 156882.5 2017 2749522512 151 0.0086158 09103 23689256 206726882 1369052.20
9103022001 09103 8 17526 Cunco 156882.5 2017 2749522512 183 0.0104416 09103 28709496 353981573 1934325.53
9103022041 09103 1 17526 Cunco 156882.5 2017 2749522512 24 0.0013694 09103 3765180 22658518 944104.90
9103022042 09103 4 17526 Cunco 156882.5 2017 2749522512 105 0.0059911 09103 16472661 101544959 967094.85


Guardamos:

saveRDS(h_y_m_comuna_corr, "Rural/region_09_ESCOLARIDAD_r.rds")