Expansión de la CASEN sobre el CENSO (Región 11)

ESCOLARIDAD: Correlación: 0.6576

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$REGION == 11) 
tabla_con_clave <- filter(tabla_con_clave, tabla_con_clave$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 11101022003        14     11101    1 2017
## 2 11101022031        14     11101    3 2017
## 3 11101022038        14     11101    5 2017
## 4 11101032005        14     11101    1 2017
## 5 11101032015        14     11101    2 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 11101022003    1 2017  11101
## 2 11101022031    3 2017  11101
## 3 11101022038    5 2017  11101
## 4 11101032005    1 2017  11101
## 5 11101032015    2 2017  11101


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  11101 11101022031    3    57818 Coyhaique     230013 2017
## 2  11101 11101022003    1    57818 Coyhaique     230013 2017
## 3  11101 11101052014    3    57818 Coyhaique     230013 2017
## 4  11101 11101052039    1    57818 Coyhaique     230013 2017
## 5  11101 11101052901    3    57818 Coyhaique     230013 2017
##   ingresos_expandidos
## 1         13298894369
## 2         13298894369
## 3         13298894369
## 4         13298894369
## 5         13298894369

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 11101022003    11101      1    57818 Coyhaique     230013 2017
## 2 11101022031    11101      3    57818 Coyhaique     230013 2017
## 3 11101022038    11101      5    57818 Coyhaique     230013 2017
## 4 11101032005    11101      1    57818 Coyhaique     230013 2017
## 5 11101032015    11101      2    57818 Coyhaique     230013 2017
##   ingresos_expandidos Freq.y            p código.y
## 1         13298894369     11 0.0001902522    11101
## 2         13298894369     55 0.0009512609    11101
## 3         13298894369    339 0.0058632260    11101
## 4         13298894369     53 0.0009166695    11101
## 5         13298894369     90 0.0015566087    11101
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 11101022003    11101      1    57818 Coyhaique     230013 2017
## 2 11101022031    11101      3    57818 Coyhaique     230013 2017
## 3 11101022038    11101      5    57818 Coyhaique     230013 2017
## 4 11101032005    11101      1    57818 Coyhaique     230013 2017
## 5 11101032015    11101      2    57818 Coyhaique     230013 2017
##   ingresos_expandidos Freq.y            p código.y multipob
## 1         13298894369     11 0.0001902522    11101  2530144
## 2         13298894369     55 0.0009512609    11101 12650718
## 3         13298894369    339 0.0058632260    11101 77974423
## 4         13298894369     53 0.0009166695    11101 12190692
## 5         13298894369     90 0.0015566087    11101 20701174

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 
## -97537776 -11076312  -5120611   5658842  91106152 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  6445126    3278014   1.966   0.0521 .  
## Freq.x       5977864     400327  14.932   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 26060000 on 100 degrees of freedom
##   (7 observations deleted due to missingness)
## Multiple R-squared:  0.6904, Adjusted R-squared:  0.6873 
## F-statistic:   223 on 1 and 100 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 0.687285657048526 linearMod <- lm( multi_pob~(Freq.x^2) , data=h_y_m_comuna_corr_01)
2 cúbico 0.687285657048526 linearMod <- lm( multi_pob~(Freq.x^3) , data=h_y_m_comuna_corr_01)
4 raíz cuadrada 0.657642083793764 linearMod <- lm( multi_pob~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)
5 raíz-raíz 0.655162496796432 linearMod <- lm( sqrt(multi_pob)~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)
7 raíz-log 0.611519510215805 linearMod <- lm( sqrt(multi_pob)~log(Freq.x) , data=h_y_m_comuna_corr_01)
8 log-log 0.572072977480392 linearMod <- lm( log(multi_pob)~log(Freq.x) , data=h_y_m_comuna_corr_01)
3 logarítmico 0.549658162794281 linearMod <- lm( multi_pob~log(Freq.x) , data=h_y_m_comuna_corr_01)
6 log-raíz 0.543644051479293 linearMod <- lm( log(multi_pob)~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)

Elegimos el 4 pues tiene el ma alto \(R^2\)

h_y_m_comuna_corr <- h_y_m_comuna_corr_01
metodo <- 4


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 ~ sqrt(Freq.x), data = h_y_m_comuna_corr)
## 
## Residuals:
##       Min        1Q    Median        3Q       Max 
## -97660625 -14800211   -983521  10226732 104202763 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  -29404628    5445175   -5.40 4.51e-07 ***
## sqrt(Freq.x)  33840753    2423307   13.96  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 27270000 on 100 degrees of freedom
##   (7 observations deleted due to missingness)
## Multiple R-squared:  0.661,  Adjusted R-squared:  0.6576 
## F-statistic:   195 on 1 and 100 DF,  p-value: < 2.2e-16
aa <- linearMod$coefficients[1]
aa
## (Intercept) 
##   -29404628
bb <- linearMod$coefficients[2]
bb
## sqrt(Freq.x) 
##     33840753

1.8 Modelo raíz cuadrada (raíz cuadrada)

Es éste el modelo que nos entrega el mayor coeficiente de determinación de todos (0.6576).

1.8.1 Diagrama de dispersión sobre raíz cuadrada

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

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

ggplot(comunas_censo_casen, aes(x = sqrt(Freq.x) , 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

raíz cuadrada


\[ \hat Y = \-29404628 + \33840753 \sqrt {X} \]


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$est_ing <- aa + bb  * sqrt (h_y_m_comuna_corr$Freq.x)


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
11101022003 11101 1 57818 Coyhaique 230013.0 2017 13298894369 11 0.0001903 11101 2530144 4436124 403284.03
11101022031 11101 3 57818 Coyhaique 230013.0 2017 13298894369 55 0.0009513 11101 12650718 29209275 531077.72
11101022038 11101 5 57818 Coyhaique 230013.0 2017 13298894369 339 0.0058632 11101 77974423 46265595 136476.68
11101032005 11101 1 57818 Coyhaique 230013.0 2017 13298894369 53 0.0009167 11101 12190692 4436124 83700.46
11101032015 11101 2 57818 Coyhaique 230013.0 2017 13298894369 90 0.0015566 11101 20701174 18453423 205038.03
11101032032 11101 4 57818 Coyhaique 230013.0 2017 13298894369 257 0.0044450 11101 59113353 38276877 148937.26
11101032901 11101 2 57818 Coyhaique 230013.0 2017 13298894369 43 0.0007437 11101 9890561 18453423 429149.37
11101052004 11101 6 57818 Coyhaique 230013.0 2017 13298894369 474 0.0081981 11101 109026184 53487948 112843.77
11101052008 11101 1 57818 Coyhaique 230013.0 2017 13298894369 76 0.0013145 11101 17480992 4436124 58370.06
11101052014 11101 3 57818 Coyhaique 230013.0 2017 13298894369 250 0.0043239 11101 57503262 29209275 116837.10
11101052039 11101 1 57818 Coyhaique 230013.0 2017 13298894369 62 0.0010723 11101 14260809 4436124 71550.39
11101052901 11101 3 57818 Coyhaique 230013.0 2017 13298894369 50 0.0008648 11101 11500652 29209275 584185.49
11101062020 11101 1 57818 Coyhaique 230013.0 2017 13298894369 37 0.0006399 11101 8510483 4436124 119895.25
11101072014 11101 1 57818 Coyhaique 230013.0 2017 13298894369 107 0.0018506 11101 24611396 4436124 41459.11
11101072018 11101 21 57818 Coyhaique 230013.0 2017 13298894369 806 0.0139403 11101 185390516 125673182 155922.06
11101072019 11101 4 57818 Coyhaique 230013.0 2017 13298894369 102 0.0017642 11101 23461331 38276877 375263.50
11101072020 11101 8 57818 Coyhaique 230013.0 2017 13298894369 190 0.0032862 11101 43702479 66311474 349007.76
11101072035 11101 1 57818 Coyhaique 230013.0 2017 13298894369 109 0.0018852 11101 25071422 4436124 40698.39
11101072036 11101 9 57818 Coyhaique 230013.0 2017 13298894369 539 0.0093224 11101 123977032 72117629 133798.94
11101092002 11101 5 57818 Coyhaique 230013.0 2017 13298894369 92 0.0015912 11101 21161200 46265595 502886.90
11101092007 11101 1 57818 Coyhaique 230013.0 2017 13298894369 29 0.0005016 11101 6670378 4436124 152969.80
11101102011 11101 7 57818 Coyhaique 230013.0 2017 13298894369 143 0.0024733 11101 32891866 60129587 420486.62
11101102020 11101 9 57818 Coyhaique 230013.0 2017 13298894369 250 0.0043239 11101 57503262 72117629 288470.52
11101102033 11101 26 57818 Coyhaique 230013.0 2017 13298894369 763 0.0131966 11101 175499955 143150029 187614.72
11101112001 11101 2 57818 Coyhaique 230013.0 2017 13298894369 186 0.0032170 11101 42782427 18453423 99211.95
11101112009 11101 6 57818 Coyhaique 230013.0 2017 13298894369 198 0.0034245 11101 45542583 53487948 270141.15
11101112011 11101 16 57818 Coyhaique 230013.0 2017 13298894369 579 0.0100142 11101 133177554 105958382 183002.39
11101112013 11101 23 57818 Coyhaique 230013.0 2017 13298894369 615 0.0106368 11101 141458024 132889920 216081.17
11101112029 11101 14 57818 Coyhaique 230013.0 2017 13298894369 304 0.0052579 11101 69923966 97215873 319789.06
11101122011 11101 6 57818 Coyhaique 230013.0 2017 13298894369 206 0.0035629 11101 47382688 53487948 259650.23
11101132011 11101 3 57818 Coyhaique 230013.0 2017 13298894369 44 0.0007610 11101 10120574 29209275 663847.15
11102012004 11102 8 NA NA NA NA NA 308 0.3615023 11102 NA 66311474 NA
11102032001 11102 1 NA NA NA NA NA 56 0.0657277 11102 NA 4436124 NA
11102042003 11102 4 NA NA NA NA NA 244 0.2863850 11102 NA 38276877 NA
11102052002 11102 3 NA NA NA NA NA 203 0.2382629 11102 NA 29209275 NA
11201012009 11201 3 23959 Aysén 246614.5 2017 5908637554 52 0.0021704 11201 12823956 29209275 561716.82
11201012012 11201 1 23959 Aysén 246614.5 2017 5908637554 17 0.0007095 11201 4192447 4436124 260948.49
11201012055 11201 4 23959 Aysén 246614.5 2017 5908637554 148 0.0061772 11201 36498951 38276877 258627.55
11201012060 11201 1 23959 Aysén 246614.5 2017 5908637554 72 0.0030051 11201 17756246 4436124 61612.84
11201012066 11201 1 23959 Aysén 246614.5 2017 5908637554 37 0.0015443 11201 9124738 4436124 119895.25
11201012067 11201 2 23959 Aysén 246614.5 2017 5908637554 98 0.0040903 11201 24168224 18453423 188300.23
11201012901 11201 4 23959 Aysén 246614.5 2017 5908637554 172 0.0071789 11201 42417699 38276877 222539.98
11201022014 11201 1 23959 Aysén 246614.5 2017 5908637554 60 0.0025043 11201 14796872 4436124 73935.41
11201022043 11201 2 23959 Aysén 246614.5 2017 5908637554 44 0.0018365 11201 10851039 18453423 419395.98
11201022057 11201 2 23959 Aysén 246614.5 2017 5908637554 58 0.0024208 11201 14303643 18453423 318162.47
11201032010 11201 3 23959 Aysén 246614.5 2017 5908637554 29 0.0012104 11201 7151821 29209275 1007216.36
11201032012 11201 3 23959 Aysén 246614.5 2017 5908637554 56 0.0023373 11201 13810414 29209275 521594.19
11201032038 11201 2 23959 Aysén 246614.5 2017 5908637554 41 0.0017113 11201 10111196 18453423 450083.49
11201032068 11201 10 23959 Aysén 246614.5 2017 5908637554 149 0.0062190 11201 36745565 77609228 520867.30
11201042006 11201 4 23959 Aysén 246614.5 2017 5908637554 244 0.0101841 11201 60173946 38276877 156872.45
11201052020 11201 4 23959 Aysén 246614.5 2017 5908637554 78 0.0032556 11201 19235933 38276877 490729.19
11201052033 11201 1 23959 Aysén 246614.5 2017 5908637554 15 0.0006261 11201 3699218 4436124 295741.62
11201052035 11201 2 23959 Aysén 246614.5 2017 5908637554 15 0.0006261 11201 3699218 18453423 1230228.20
11201052901 11201 1 23959 Aysén 246614.5 2017 5908637554 14 0.0005843 11201 3452603 4436124 316866.02
11201062005 11201 4 23959 Aysén 246614.5 2017 5908637554 229 0.0095580 11201 56474728 38276877 167147.93
11201062022 11201 1 23959 Aysén 246614.5 2017 5908637554 21 0.0008765 11201 5178905 4436124 211244.01
11201062024 11201 1 23959 Aysén 246614.5 2017 5908637554 18 0.0007513 11201 4439062 4436124 246451.35
11201062025 11201 3 23959 Aysén 246614.5 2017 5908637554 38 0.0015860 11201 9371352 29209275 768665.12
11201062026 11201 1 23959 Aysén 246614.5 2017 5908637554 6 0.0002504 11201 1479687 4436124 739354.05
11201062027 11201 2 23959 Aysén 246614.5 2017 5908637554 37 0.0015443 11201 9124738 18453423 498741.16
11201062028 11201 1 23959 Aysén 246614.5 2017 5908637554 11 0.0004591 11201 2712760 4436124 403284.03
11201062029 11201 2 23959 Aysén 246614.5 2017 5908637554 20 0.0008348 11201 4932291 18453423 922671.15
11201062030 11201 1 23959 Aysén 246614.5 2017 5908637554 14 0.0005843 11201 3452603 4436124 316866.02
11201062031 11201 1 23959 Aysén 246614.5 2017 5908637554 68 0.0028382 11201 16769788 4436124 65237.12
11201062032 11201 9 23959 Aysén 246614.5 2017 5908637554 155 0.0064694 11201 38225252 72117629 465275.03
11201062035 11201 4 23959 Aysén 246614.5 2017 5908637554 49 0.0020452 11201 12084112 38276877 781160.75
11201062036 11201 6 23959 Aysén 246614.5 2017 5908637554 112 0.0046747 11201 27620828 53487948 477570.96
11201062044 11201 6 23959 Aysén 246614.5 2017 5908637554 541 0.0225802 11201 133418461 53487948 98868.67
11201062063 11201 2 23959 Aysén 246614.5 2017 5908637554 47 0.0019617 11201 11590883 18453423 392626.02
11201072015 11201 1 23959 Aysén 246614.5 2017 5908637554 41 0.0017113 11201 10111196 4436124 108198.15
11201072021 11201 2 23959 Aysén 246614.5 2017 5908637554 23 0.0009600 11201 5672134 18453423 802322.74
11201072040 11201 2 23959 Aysén 246614.5 2017 5908637554 38 0.0015860 11201 9371352 18453423 485616.39
11201072901 11201 2 23959 Aysén 246614.5 2017 5908637554 208 0.0086815 11201 51295823 18453423 88718.38
11202012007 11202 2 6517 Cisnes 262412.7 2017 1710143349 89 0.0136566 11202 23354727 18453423 207341.83
11202012019 11202 9 6517 Cisnes 262412.7 2017 1710143349 127 0.0194875 11202 33326409 72117629 567855.35
11202022016 11202 1 6517 Cisnes 262412.7 2017 1710143349 280 0.0429646 11202 73475547 4436124 15843.30
11202022020 11202 34 6517 Cisnes 262412.7 2017 1710143349 1037 0.1591223 11202 272121935 167919172 161927.84
11202042004 11202 2 6517 Cisnes 262412.7 2017 1710143349 36 0.0055240 11202 9446856 18453423 512595.08
11202042006 11202 1 6517 Cisnes 262412.7 2017 1710143349 39 0.0059843 11202 10234094 4436124 113746.78
11202042009 11202 1 6517 Cisnes 262412.7 2017 1710143349 7 0.0010741 11202 1836889 4436124 633732.04
11202042011 11202 1 6517 Cisnes 262412.7 2017 1710143349 25 0.0038361 11202 6560317 4436124 177444.97
11202042012 11202 1 6517 Cisnes 262412.7 2017 1710143349 39 0.0059843 11202 10234094 4436124 113746.78
11202042013 11202 1 6517 Cisnes 262412.7 2017 1710143349 16 0.0024551 11202 4198603 4436124 277257.77
11202042014 11202 1 6517 Cisnes 262412.7 2017 1710143349 43 0.0065981 11202 11283745 4436124 103165.68
11202052015 11202 3 6517 Cisnes 262412.7 2017 1710143349 10 0.0015344 11202 2624127 29209275 2920927.45
11202052017 11202 3 6517 Cisnes 262412.7 2017 1710143349 79 0.0121221 11202 20730601 29209275 369737.65
11202052021 11202 4 6517 Cisnes 262412.7 2017 1710143349 239 0.0366733 11202 62716627 38276877 160154.30
11202052023 11202 4 6517 Cisnes 262412.7 2017 1710143349 170 0.0260856 11202 44610153 38276877 225158.10
11202052901 11202 3 6517 Cisnes 262412.7 2017 1710143349 40 0.0061378 11202 10496507 29209275 730231.86
11301012003 11301 1 3490 Cochrane 211652.6 2017 738667487 78 0.0223496 11301 16508901 4436124 56873.39
11301012004 11301 1 3490 Cochrane 211652.6 2017 738667487 76 0.0217765 11301 16085596 4436124 58370.06
11301012018 11301 6 3490 Cochrane 211652.6 2017 738667487 56 0.0160458 11301 11852544 53487948 955141.93
11301022016 11301 18 3490 Cochrane 211652.6 2017 738667487 78 0.0223496 11301 16508901 114169525 1463711.86
11302042003 11302 1 NA NA NA NA NA 59 0.0944000 11302 NA 4436124 NA
11302042005 11302 14 NA NA NA NA NA 523 0.8368000 11302 NA 97215873 NA
11303012013 11303 17 NA NA NA NA NA 445 0.8508604 11303 NA 110124369 NA
11401012001 11401 2 4865 Chile Chico 188913.8 2017 919065674 60 0.0123330 11401 11334828 18453423 307557.05
11401012002 11401 21 4865 Chile Chico 188913.8 2017 919065674 572 0.1175745 11401 108058698 125673182 219708.36
11401012901 11401 8 4865 Chile Chico 188913.8 2017 919065674 91 0.0187050 11401 17191157 66311474 728697.52
11401022008 11401 3 4865 Chile Chico 188913.8 2017 919065674 172 0.0353546 11401 32493175 29209275 169821.36


Guardamos:

saveRDS(h_y_m_comuna_corr, "Rural/region_11_ESCOLARIDAD_r.rds")