Expansión de la CASEN sobre el CENSO (Región 10)

ESCOLARIDAD: Correlación: 0.6611

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$REGION == 10) 
tabla_con_clave <- filter(tabla_con_clave, tabla_con_clave$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 10101032002        14     10101    6 2017
## 2 10101032011        14     10101   20 2017
## 3 10101032019        14     10101   15 2017
## 4 10101042010        14     10101    1 2017
## 5 10101062003        14     10101    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 10101032002    6 2017  10101
## 2 10101032011   20 2017  10101
## 3 10101032019   15 2017  10101
## 4 10101042010    1 2017  10101
## 5 10101062003    5 2017  10101


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
## 1  10101 10101072036    3   245902 Puerto Montt   176237.4 2017
## 2  10101 10101142049   33   245902 Puerto Montt   176237.4 2017
## 3  10101 10101152002   14   245902 Puerto Montt   176237.4 2017
## 4  10101 10101152006    7   245902 Puerto Montt   176237.4 2017
## 5  10101 10101142047    2   245902 Puerto Montt   176237.4 2017
##   ingresos_expandidos
## 1         43337141298
## 2         43337141298
## 3         43337141298
## 4         43337141298
## 5         43337141298

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 10101032002    10101      6   245902 Puerto Montt   176237.4 2017
## 2 10101032011    10101     20   245902 Puerto Montt   176237.4 2017
## 3 10101032019    10101     15   245902 Puerto Montt   176237.4 2017
## 4 10101042010    10101      1   245902 Puerto Montt   176237.4 2017
## 5 10101062003    10101      5   245902 Puerto Montt   176237.4 2017
##   ingresos_expandidos Freq.y            p código.y
## 1         43337141298    129 5.245992e-04    10101
## 2         43337141298    426 1.732397e-03    10101
## 3         43337141298    829 3.371262e-03    10101
## 4         43337141298      6 2.439996e-05    10101
## 5         43337141298    158 6.425324e-04    10101
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 10101032002    10101      6   245902 Puerto Montt   176237.4 2017
## 2 10101032011    10101     20   245902 Puerto Montt   176237.4 2017
## 3 10101032019    10101     15   245902 Puerto Montt   176237.4 2017
## 4 10101042010    10101      1   245902 Puerto Montt   176237.4 2017
## 5 10101062003    10101      5   245902 Puerto Montt   176237.4 2017
##   ingresos_expandidos Freq.y            p código.y  multipob
## 1         43337141298    129 5.245992e-04    10101  22734631
## 2         43337141298    426 1.732397e-03    10101  75077153
## 3         43337141298    829 3.371262e-03    10101 146100846
## 4         43337141298      6 2.439996e-05    10101   1057425
## 5         43337141298    158 6.425324e-04    10101  27845517

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)

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 
## -182659732  -14331675   -5298482    8899782  124670492 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 17572146    1078516   16.29   <2e-16 ***
## Freq.x       4831427     122420   39.47   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 25870000 on 797 degrees of freedom
##   (58 observations deleted due to missingness)
## Multiple R-squared:  0.6615, Adjusted R-squared:  0.6611 
## F-statistic:  1558 on 1 and 797 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
1 cuadrático 0.661084681186056 linearMod <- lm( multi_pob~(Freq.x^2) , data=h_y_m_comuna_corr_01)
2 cúbico 0.661084681186056 linearMod <- lm( multi_pob~(Freq.x^3) , data=h_y_m_comuna_corr_01)
4 raíz cuadrada 0.657679252752928 linearMod <- lm( multi_pob~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)
5 raíz-raíz 0.608798497404002 linearMod <- lm( sqrt(multi_pob)~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)
7 raíz-log 0.558632942330874 linearMod <- lm( sqrt(multi_pob)~log(Freq.x) , data=h_y_m_comuna_corr_01)
3 logarítmico 0.523769487714094 linearMod <- lm( multi_pob~log(Freq.x) , data=h_y_m_comuna_corr_01)
8 log-log 0.463409631224975 linearMod <- lm( log(multi_pob)~log(Freq.x) , data=h_y_m_comuna_corr_01)
6 log-raíz 0.439092616742394 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 
## -182659732  -14331675   -5298482    8899782  124670492 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 17572146    1078516   16.29   <2e-16 ***
## Freq.x       4831427     122420   39.47   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 25870000 on 797 degrees of freedom
##   (58 observations deleted due to missingness)
## Multiple R-squared:  0.6615, Adjusted R-squared:  0.6611 
## F-statistic:  1558 on 1 and 797 DF,  p-value: < 2.2e-16
aa <- linearMod$coefficients[1]
aa
## (Intercept) 
##    17572146
bb <- linearMod$coefficients[2]
bb
##  Freq.x 
## 4831427

1.8 Modelo cuadrático (cuadrático)

Es éste el modelo que nos entrega el mayor coeficiente de determinación de todos (0.6611).

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


Modelo cuadrático

\[ \hat Y = \17572146 + \4831427 X^2 \]


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
10101032002 10101 6 245902 Puerto Montt 176237.4 2017 43337141298 129 0.0005246 10101 22734631 191503503 1484523.28
10101032011 10101 20 245902 Puerto Montt 176237.4 2017 43337141298 426 0.0017324 10101 75077153 1950142781 4577799.96
10101032019 10101 15 245902 Puerto Montt 176237.4 2017 43337141298 829 0.0033713 10101 146100846 1104643128 1332500.76
10101042010 10101 1 245902 Puerto Montt 176237.4 2017 43337141298 6 0.0000244 10101 1057425 22403572 3733928.72
10101062003 10101 5 245902 Puerto Montt 176237.4 2017 43337141298 158 0.0006425 10101 27845517 138357810 875682.34
10101062008 10101 31 245902 Puerto Montt 176237.4 2017 43337141298 581 0.0023627 10101 102393958 4660573097 8021640.44
10101062013 10101 12 245902 Puerto Montt 176237.4 2017 43337141298 571 0.0023221 10101 100631584 713297574 1249207.66
10101062039 10101 3 245902 Puerto Montt 176237.4 2017 43337141298 67 0.0002725 10101 11807909 61054985 911268.43
10101072014 10101 38 245902 Puerto Montt 176237.4 2017 43337141298 997 0.0040545 10101 175708737 6994152139 7015197.73
10101072028 10101 2 245902 Puerto Montt 176237.4 2017 43337141298 145 0.0005897 10101 25554430 36897852 254467.95
10101072029 10101 42 245902 Puerto Montt 176237.4 2017 43337141298 1051 0.0042741 10101 185225559 8540208647 8125793.19
10101072036 10101 3 245902 Puerto Montt 176237.4 2017 43337141298 118 0.0004799 10101 20796019 61054985 517415.13
10101072045 10101 2 245902 Puerto Montt 176237.4 2017 43337141298 113 0.0004595 10101 19914832 36897852 326529.66
10101082016 10101 2 245902 Puerto Montt 176237.4 2017 43337141298 121 0.0004921 10101 21324731 36897852 304940.93
10101082017 10101 2 245902 Puerto Montt 176237.4 2017 43337141298 38 0.0001545 10101 6697023 36897852 970996.11
10101082018 10101 8 245902 Puerto Montt 176237.4 2017 43337141298 623 0.0025335 10101 109795931 326783447 524532.02
10101082030 10101 4 245902 Puerto Montt 176237.4 2017 43337141298 176 0.0007157 10101 31017791 94874971 539062.34
10101082034 10101 1 245902 Puerto Montt 176237.4 2017 43337141298 66 0.0002684 10101 11631672 22403572 339448.07
10101082042 10101 13 245902 Puerto Montt 176237.4 2017 43337141298 253 0.0010289 10101 44588075 834083239 3296771.70
10101082045 10101 2 245902 Puerto Montt 176237.4 2017 43337141298 123 0.0005002 10101 21677206 36897852 299982.54
10101092004 10101 4 245902 Puerto Montt 176237.4 2017 43337141298 97 0.0003945 10101 17095033 94874971 978092.49
10101092008 10101 38 245902 Puerto Montt 176237.4 2017 43337141298 752 0.0030581 10101 132530562 6994152139 9300734.23
10101092037 10101 6 245902 Puerto Montt 176237.4 2017 43337141298 276 0.0011224 10101 48641536 191503503 693853.27
10101092040 10101 15 245902 Puerto Montt 176237.4 2017 43337141298 509 0.0020699 10101 89704862 1104643128 2170222.26
10101092041 10101 61 245902 Puerto Montt 176237.4 2017 43337141298 1683 0.0068442 10101 296607627 17995310481 10692400.76
10101092044 10101 23 245902 Puerto Montt 176237.4 2017 43337141298 530 0.0021553 10101 93405848 2573396811 4855465.68
10101102005 10101 3 245902 Puerto Montt 176237.4 2017 43337141298 147 0.0005978 10101 25906905 61054985 415340.03
10101102007 10101 16 245902 Puerto Montt 176237.4 2017 43337141298 824 0.0033509 10101 145219658 1254417352 1522351.16
10101102026 10101 2 245902 Puerto Montt 176237.4 2017 43337141298 245 0.0009963 10101 43178175 36897852 150603.48
10101102035 10101 22 245902 Puerto Montt 176237.4 2017 43337141298 940 0.0038227 10101 165663202 2355982614 2506364.48
10101102037 10101 4 245902 Puerto Montt 176237.4 2017 43337141298 164 0.0006669 10101 28902942 94874971 578505.92
10101112025 10101 18 245902 Puerto Montt 176237.4 2017 43337141298 1078 0.0043839 10101 189983971 1582954360 1468417.77
10101122024 10101 10 245902 Puerto Montt 176237.4 2017 43337141298 952 0.0038715 10101 167778052 500714805 525960.93
10101132022 10101 9 245902 Puerto Montt 176237.4 2017 43337141298 703 0.0028589 10101 123894927 408917699 581675.25
10101132023 10101 2 245902 Puerto Montt 176237.4 2017 43337141298 603 0.0024522 10101 106271182 36897852 61190.47
10101132027 10101 1 245902 Puerto Montt 176237.4 2017 43337141298 105 0.0004270 10101 18504932 22403572 213367.36
10101132049 10101 60 245902 Puerto Montt 176237.4 2017 43337141298 1883 0.0076575 10101 331855117 17410707863 9246260.15
10101142015 10101 1 245902 Puerto Montt 176237.4 2017 43337141298 124 0.0005043 10101 21853444 22403572 180673.97
10101142027 10101 4 245902 Puerto Montt 176237.4 2017 43337141298 192 0.0007808 10101 33837590 94874971 494140.47
10101142038 10101 1 245902 Puerto Montt 176237.4 2017 43337141298 53 0.0002155 10101 9340585 22403572 422708.91
10101142046 10101 6 245902 Puerto Montt 176237.4 2017 43337141298 317 0.0012891 10101 55867271 191503503 604112.00
10101142047 10101 2 245902 Puerto Montt 176237.4 2017 43337141298 263 0.0010695 10101 46350449 36897852 140296.02
10101142049 10101 33 245902 Puerto Montt 176237.4 2017 43337141298 973 0.0039569 10101 171479038 5278995700 5425483.76
10101152002 10101 14 245902 Puerto Montt 176237.4 2017 43337141298 554 0.0022529 10101 97635547 964531757 1741032.05
10101152006 10101 7 245902 Puerto Montt 176237.4 2017 43337141298 214 0.0008703 10101 37714814 254312049 1188374.06
10101152020 10101 32 245902 Puerto Montt 176237.4 2017 43337141298 617 0.0025091 10101 108738506 4964952972 8046925.40
10101152031 10101 37 245902 Puerto Montt 176237.4 2017 43337141298 642 0.0026108 10101 113144443 6631795145 10329898.98
10101152033 10101 22 245902 Puerto Montt 176237.4 2017 43337141298 700 0.0028467 10101 123366215 2355982614 3365689.45
10101152049 10101 1 245902 Puerto Montt 176237.4 2017 43337141298 96 0.0003904 10101 16918795 22403572 233370.54
10101152901 10101 1 245902 Puerto Montt 176237.4 2017 43337141298 46 0.0001871 10101 8106923 22403572 487034.18
10101162006 10101 3 245902 Puerto Montt 176237.4 2017 43337141298 233 0.0009475 10101 41063326 61054985 262038.56
10101162010 10101 6 245902 Puerto Montt 176237.4 2017 43337141298 351 0.0014274 10101 61859345 191503503 545594.03
10101162020 10101 10 245902 Puerto Montt 176237.4 2017 43337141298 205 0.0008337 10101 36128677 500714805 2442511.24
10101162031 10101 26 245902 Puerto Montt 176237.4 2017 43337141298 762 0.0030988 10101 134292936 3283616519 4309208.03
10101162033 10101 3 245902 Puerto Montt 176237.4 2017 43337141298 168 0.0006832 10101 29607892 61054985 363422.53
10101172029 10101 29 245902 Puerto Montt 176237.4 2017 43337141298 854 0.0034729 10101 150506782 4080801906 4778456.56
10102012001 10102 3 33985 Calbuco 155443.9 2017 5282762017 80 0.0023540 10102 12435515 61054985 763187.31
10102012004 10102 2 33985 Calbuco 155443.9 2017 5282762017 283 0.0083272 10102 43990633 36897852 130381.10
10102012008 10102 7 33985 Calbuco 155443.9 2017 5282762017 697 0.0205090 10102 108344420 254312049 364866.64
10102012033 10102 29 33985 Calbuco 155443.9 2017 5282762017 1490 0.0438429 10102 231611458 4080801906 2738793.23
10102022001 10102 1 33985 Calbuco 155443.9 2017 5282762017 164 0.0048257 10102 25492805 22403572 136607.15
10102022002 10102 4 33985 Calbuco 155443.9 2017 5282762017 308 0.0090628 10102 47876731 94874971 308035.62
10102022003 10102 3 33985 Calbuco 155443.9 2017 5282762017 184 0.0054142 10102 28601683 61054985 331820.57
10102022004 10102 2 33985 Calbuco 155443.9 2017 5282762017 74 0.0021774 10102 11502851 36897852 498619.62
10102022010 10102 4 33985 Calbuco 155443.9 2017 5282762017 294 0.0086509 10102 45700516 94874971 322703.98
10102022013 10102 1 33985 Calbuco 155443.9 2017 5282762017 450 0.0132411 10102 69949769 22403572 49785.72
10102032002 10102 1 33985 Calbuco 155443.9 2017 5282762017 54 0.0015889 10102 8393972 22403572 414880.97
10102032011 10102 1 33985 Calbuco 155443.9 2017 5282762017 163 0.0047962 10102 25337361 22403572 137445.23
10102032016 10102 1 33985 Calbuco 155443.9 2017 5282762017 95 0.0027954 10102 14767174 22403572 235827.08
10102032018 10102 4 33985 Calbuco 155443.9 2017 5282762017 470 0.0138296 10102 73058648 94874971 201861.64
10102032034 10102 7 33985 Calbuco 155443.9 2017 5282762017 695 0.0204502 10102 108033533 254312049 365916.62
10102032901 10102 2 33985 Calbuco 155443.9 2017 5282762017 89 0.0026188 10102 13834510 36897852 414582.61
10102042014 10102 2 33985 Calbuco 155443.9 2017 5282762017 87 0.0025600 10102 13523622 36897852 424113.24
10102042019 10102 6 33985 Calbuco 155443.9 2017 5282762017 336 0.0098867 10102 52229161 191503503 569950.90
10102042028 10102 4 33985 Calbuco 155443.9 2017 5282762017 171 0.0050316 10102 26580912 94874971 554824.39
10102042029 10102 5 33985 Calbuco 155443.9 2017 5282762017 183 0.0053847 10102 28446239 138357810 756053.61
10102042035 10102 3 33985 Calbuco 155443.9 2017 5282762017 271 0.0079741 10102 42125305 61054985 225295.15
10102042043 10102 3 33985 Calbuco 155443.9 2017 5282762017 86 0.0025305 10102 13368178 61054985 709941.69
10102042901 10102 1 33985 Calbuco 155443.9 2017 5282762017 127 0.0037369 10102 19741379 22403572 176406.08
10102052012 10102 2 33985 Calbuco 155443.9 2017 5282762017 302 0.0088863 10102 46944067 36897852 122178.32
10102052019 10102 5 33985 Calbuco 155443.9 2017 5282762017 332 0.0097690 10102 51607385 138357810 416740.39
10102052042 10102 8 33985 Calbuco 155443.9 2017 5282762017 410 0.0120641 10102 63732012 326783447 797032.80
10102052043 10102 4 33985 Calbuco 155443.9 2017 5282762017 273 0.0080330 10102 42436193 94874971 347527.37
10102062015 10102 18 33985 Calbuco 155443.9 2017 5282762017 1129 0.0332205 10102 175496199 1582954360 1402085.35
10102062019 10102 7 33985 Calbuco 155443.9 2017 5282762017 362 0.0106518 10102 56270703 254312049 702519.47
10102062038 10102 2 33985 Calbuco 155443.9 2017 5282762017 357 0.0105046 10102 55493484 36897852 103355.33
10102062039 10102 4 33985 Calbuco 155443.9 2017 5282762017 643 0.0189201 10102 99950448 94874971 147550.50
10102072022 10102 2 33985 Calbuco 155443.9 2017 5282762017 148 0.0043549 10102 23005702 36897852 249309.81
10102082022 10102 5 33985 Calbuco 155443.9 2017 5282762017 565 0.0166250 10102 87825821 138357810 244881.08
10102102023 10102 3 33985 Calbuco 155443.9 2017 5282762017 630 0.0185376 10102 97929677 61054985 96912.67
10102112023 10102 6 33985 Calbuco 155443.9 2017 5282762017 650 0.0191261 10102 101038556 191503503 294620.77
10102122023 10102 2 33985 Calbuco 155443.9 2017 5282762017 511 0.0150360 10102 79431849 36897852 72207.15
10102132023 10102 6 33985 Calbuco 155443.9 2017 5282762017 775 0.0228042 10102 120469047 191503503 247101.29
10102142901 10102 4 33985 Calbuco 155443.9 2017 5282762017 55 0.0016184 10102 8549416 94874971 1724999.47
10102152006 10102 10 33985 Calbuco 155443.9 2017 5282762017 586 0.0172429 10102 91090144 500714805 854462.12
10102162009 10102 4 33985 Calbuco 155443.9 2017 5282762017 163 0.0047962 10102 25337361 94874971 582055.04
10102162030 10102 8 33985 Calbuco 155443.9 2017 5282762017 341 0.0100338 10102 53006381 326783447 958309.23
10102162031 10102 3 33985 Calbuco 155443.9 2017 5282762017 361 0.0106223 10102 56115259 61054985 169127.38
10102162036 10102 1 33985 Calbuco 155443.9 2017 5282762017 260 0.0076504 10102 40415422 22403572 86167.59
10102162040 10102 3 33985 Calbuco 155443.9 2017 5282762017 271 0.0079741 10102 42125305 61054985 225295.15


Guardamos:

saveRDS(h_y_m_comuna_corr, "Rural/region_10_ESCOLARIDAD_r.rds")