Expansión de la CASEN sobre el CENSO (Región 14)

ESCOLARIDAD: Correlación: 0.5935

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$REGION == 14) 
tabla_con_clave <- filter(tabla_con_clave, tabla_con_clave$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 14101042005        14     14101    3 2017
## 2 14101042058        14     14101    3 2017
## 3 14101062011        14     14101    8 2017
## 4 14101062013        14     14101    2 2017
## 5 14101062021        14     14101    3 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 14101042005    3 2017  14101
## 2 14101042058    3 2017  14101
## 3 14101062011    8 2017  14101
## 4 14101062013    2 2017  14101
## 5 14101062021    3 2017  14101


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  14101 14101042005    3   166080 Valdivia   211732.5 2017         35164529745
## 2  14101 14101042058    3   166080 Valdivia   211732.5 2017         35164529745
## 3  14101 14101062011    8   166080 Valdivia   211732.5 2017         35164529745
## 4  14101 14101062013    2   166080 Valdivia   211732.5 2017         35164529745
## 5  14101 14101062021    3   166080 Valdivia   211732.5 2017         35164529745

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 14101042005    14101      3   166080 Valdivia   211732.5 2017
## 2 14101042058    14101      3   166080 Valdivia   211732.5 2017
## 3 14101062011    14101      8   166080 Valdivia   211732.5 2017
## 4 14101062013    14101      2   166080 Valdivia   211732.5 2017
## 5 14101062021    14101      3   166080 Valdivia   211732.5 2017
##   ingresos_expandidos Freq.y            p código.y
## 1         35164529745     60 0.0003612717    14101
## 2         35164529745     40 0.0002408478    14101
## 3         35164529745    101 0.0006081407    14101
## 4         35164529745     88 0.0005298651    14101
## 5         35164529745    296 0.0017822736    14101
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 14101042005    14101      3   166080 Valdivia   211732.5 2017
## 2 14101042058    14101      3   166080 Valdivia   211732.5 2017
## 3 14101062011    14101      8   166080 Valdivia   211732.5 2017
## 4 14101062013    14101      2   166080 Valdivia   211732.5 2017
## 5 14101062021    14101      3   166080 Valdivia   211732.5 2017
##   ingresos_expandidos Freq.y            p código.y multipob
## 1         35164529745     60 0.0003612717    14101 12703949
## 2         35164529745     40 0.0002408478    14101  8469299
## 3         35164529745    101 0.0006081407    14101 21384980
## 4         35164529745     88 0.0005298651    14101 18632458
## 5         35164529745    296 0.0017822736    14101 62672813

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 
## -128816480  -16423123   -5246407   11131741  151143298 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 14572183    1856927   7.847 3.79e-14 ***
## Freq.x       6731212     275537  24.429  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 28510000 on 407 degrees of freedom
## Multiple R-squared:  0.5945, Adjusted R-squared:  0.5935 
## F-statistic: 596.8 on 1 and 407 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 0.593542967354188 linearMod <- lm( multi_pob~(Freq.x^2) , data=h_y_m_comuna_corr_01)
2 cúbico 0.593542967354188 linearMod <- lm( multi_pob~(Freq.x^3) , data=h_y_m_comuna_corr_01)
4 raíz cuadrada 0.585614038585886 linearMod <- lm( multi_pob~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)
5 raíz-raíz 0.560545211772272 linearMod <- lm( sqrt(multi_pob)~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)
7 raíz-log 0.517073160707725 linearMod <- lm( sqrt(multi_pob)~log(Freq.x) , data=h_y_m_comuna_corr_01)
3 logarítmico 0.492075946301584 linearMod <- lm( multi_pob~log(Freq.x) , data=h_y_m_comuna_corr_01)
8 log-log 0.449727515967991 linearMod <- lm( log(multi_pob)~log(Freq.x) , data=h_y_m_comuna_corr_01)
6 log-raíz 0.442653538141363 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 
## -128816480  -16423123   -5246407   11131741  151143298 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 14572183    1856927   7.847 3.79e-14 ***
## Freq.x       6731212     275537  24.429  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 28510000 on 407 degrees of freedom
## Multiple R-squared:  0.5945, Adjusted R-squared:  0.5935 
## F-statistic: 596.8 on 1 and 407 DF,  p-value: < 2.2e-16
aa <- linearMod$coefficients[1]
aa
## (Intercept) 
##    14572183
bb <- linearMod$coefficients[2]
bb
##  Freq.x 
## 6731212

1.8 Modelo cuadrático (cuadrático)

Es éste el modelo que nos entrega el mayor coeficiente de determinación de todos (0.5935).

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

\[ \hat Y = \14572183 + \6731212 X^2 \]


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
14101042005 14101 3 166080 Valdivia 211732.5 2017 35164529745 60 0.0003613 14101 12703949 75153093 1252551.55
14101042058 14101 3 166080 Valdivia 211732.5 2017 35164529745 40 0.0002408 14101 8469299 75153093 1878827.32
14101062011 14101 8 166080 Valdivia 211732.5 2017 35164529745 101 0.0006081 14101 21384980 445369765 4409601.63
14101062013 14101 2 166080 Valdivia 211732.5 2017 35164529745 88 0.0005299 14101 18632458 41497032 471557.18
14101062021 14101 3 166080 Valdivia 211732.5 2017 35164529745 296 0.0017823 14101 62672813 75153093 253895.58
14101062033 14101 10 166080 Valdivia 211732.5 2017 35164529745 1052 0.0063343 14101 222742566 687693405 653700.96
14101072002 14101 19 166080 Valdivia 211732.5 2017 35164529745 294 0.0017702 14101 62249348 2444539795 8314761.21
14101072033 14101 1 166080 Valdivia 211732.5 2017 35164529745 49 0.0002950 14101 10374891 21303395 434763.16
14101072045 14101 26 166080 Valdivia 211732.5 2017 35164529745 287 0.0017281 14101 60767221 4564871645 15905476.11
14101082002 14101 24 166080 Valdivia 211732.5 2017 35164529745 429 0.0025831 14101 90833233 3891750423 9071679.31
14101112005 14101 15 166080 Valdivia 211732.5 2017 35164529745 380 0.0022881 14101 80458341 1529094933 4023934.03
14101112010 14101 6 166080 Valdivia 211732.5 2017 35164529745 176 0.0010597 14101 37264916 256895823 1459635.36
14101112017 14101 39 166080 Valdivia 211732.5 2017 35164529745 1083 0.0065210 14101 229306272 10252745972 9466986.12
14101112037 14101 7 166080 Valdivia 211732.5 2017 35164529745 535 0.0032213 14101 113276875 344401582 643741.27
14101112046 14101 5 166080 Valdivia 211732.5 2017 35164529745 103 0.0006202 14101 21808445 182852488 1775266.88
14101112058 14101 1 166080 Valdivia 211732.5 2017 35164529745 59 0.0003553 14101 12492216 21303395 361074.49
14101112901 14101 3 166080 Valdivia 211732.5 2017 35164529745 17 0.0001024 14101 3599452 75153093 4420770.17
14101122007 14101 13 166080 Valdivia 211732.5 2017 35164529745 297 0.0017883 14101 62884546 1152147048 3879282.99
14101122009 14101 1 166080 Valdivia 211732.5 2017 35164529745 266 0.0016016 14101 56320839 21303395 80087.95
14101122042 14101 6 166080 Valdivia 211732.5 2017 35164529745 233 0.0014029 14101 49333667 256895823 1102557.18
14101122058 14101 17 166080 Valdivia 211732.5 2017 35164529745 509 0.0030648 14101 107771831 1959892515 3850476.45
14101132003 14101 5 166080 Valdivia 211732.5 2017 35164529745 290 0.0017461 14101 61402418 182852488 630525.82
14101132050 14101 4 166080 Valdivia 211732.5 2017 35164529745 66 0.0003974 14101 13974343 122271578 1852599.67
14101132901 14101 3 166080 Valdivia 211732.5 2017 35164529745 250 0.0015053 14101 52933119 75153093 300612.37
14101142014 14101 8 166080 Valdivia 211732.5 2017 35164529745 325 0.0019569 14101 68813055 445369765 1370368.51
14101142039 14101 1 166080 Valdivia 211732.5 2017 35164529745 58 0.0003492 14101 12280484 21303395 367299.91
14101142043 14101 1 166080 Valdivia 211732.5 2017 35164529745 44 0.0002649 14101 9316229 21303395 484168.07
14101142059 14101 4 166080 Valdivia 211732.5 2017 35164529745 96 0.0005780 14101 20326318 122271578 1273662.27
14101162018 14101 3 166080 Valdivia 211732.5 2017 35164529745 97 0.0005841 14101 20538050 75153093 774774.15
14101162019 14101 5 166080 Valdivia 211732.5 2017 35164529745 64 0.0003854 14101 13550879 182852488 2857070.13
14101162034 14101 3 166080 Valdivia 211732.5 2017 35164529745 42 0.0002529 14101 8892764 75153093 1789359.35
14101162053 14101 6 166080 Valdivia 211732.5 2017 35164529745 217 0.0013066 14101 45945947 256895823 1183851.72
14101162061 14101 1 166080 Valdivia 211732.5 2017 35164529745 94 0.0005660 14101 19902853 21303395 226631.86
14101172001 14101 37 166080 Valdivia 211732.5 2017 35164529745 1348 0.0081166 14101 285415379 9229601714 6846885.54
14101172016 14101 6 166080 Valdivia 211732.5 2017 35164529745 148 0.0008911 14101 31336407 256895823 1735782.59
14101172036 14101 3 166080 Valdivia 211732.5 2017 35164529745 110 0.0006623 14101 23290572 75153093 683209.93
14101172055 14101 1 166080 Valdivia 211732.5 2017 35164529745 88 0.0005299 14101 18632458 21303395 242084.03
14101172901 14101 1 166080 Valdivia 211732.5 2017 35164529745 39 0.0002348 14101 8257567 21303395 546240.90
14101182004 14101 1 166080 Valdivia 211732.5 2017 35164529745 188 0.0011320 14101 39805706 21303395 113315.93
14101182015 14101 11 166080 Valdivia 211732.5 2017 35164529745 455 0.0027396 14101 96338277 829048862 1822085.41
14101182040 14101 7 166080 Valdivia 211732.5 2017 35164529745 323 0.0019448 14101 68389590 344401582 1066258.77
14101182049 14101 2 166080 Valdivia 211732.5 2017 35164529745 32 0.0001927 14101 6775439 41497032 1296782.24
14102012017 14102 2 5302 Corral 157428.1 2017 834683963 61 0.0115051 14102 9603116 41497032 680279.21
14102012018 14102 2 5302 Corral 157428.1 2017 834683963 80 0.0150886 14102 12594251 41497032 518712.90
14102022008 14102 9 5302 Corral 157428.1 2017 834683963 507 0.0956243 14102 79816064 559800373 1104142.75
14102022010 14102 2 5302 Corral 157428.1 2017 834683963 41 0.0077329 14102 6454553 41497032 1012122.72
14102032001 14102 1 5302 Corral 157428.1 2017 834683963 68 0.0128253 14102 10705113 21303395 313285.22
14102032005 14102 1 5302 Corral 157428.1 2017 834683963 64 0.0120709 14102 10075401 21303395 332865.55
14102032901 14102 1 5302 Corral 157428.1 2017 834683963 31 0.0058469 14102 4880272 21303395 687206.29
14102042002 14102 7 5302 Corral 157428.1 2017 834683963 325 0.0612976 14102 51164143 344401582 1059697.17
14102042006 14102 2 5302 Corral 157428.1 2017 834683963 257 0.0484723 14102 40459030 41497032 161467.05
14102042011 14102 1 5302 Corral 157428.1 2017 834683963 34 0.0064127 14102 5352557 21303395 626570.44
14103012004 14103 3 16752 Lanco 184730.2 2017 3094599901 197 0.0117598 14103 36391845 75153093 381487.78
14103012010 14103 1 16752 Lanco 184730.2 2017 3094599901 39 0.0023281 14103 7204477 21303395 546240.90
14103012022 14103 5 16752 Lanco 184730.2 2017 3094599901 93 0.0055516 14103 17179906 182852488 1966155.79
14103012027 14103 2 16752 Lanco 184730.2 2017 3094599901 105 0.0062679 14103 19396668 41497032 395209.83
14103012040 14103 4 16752 Lanco 184730.2 2017 3094599901 106 0.0063276 14103 19581399 122271578 1153505.46
14103022023 14103 2 16752 Lanco 184730.2 2017 3094599901 224 0.0133715 14103 41379559 41497032 185254.61
14103022025 14103 2 16752 Lanco 184730.2 2017 3094599901 69 0.0041189 14103 12746382 41497032 601406.26
14103022030 14103 1 16752 Lanco 184730.2 2017 3094599901 199 0.0118792 14103 36761305 21303395 107052.24
14103022039 14103 6 16752 Lanco 184730.2 2017 3094599901 379 0.0226242 14103 70012737 256895823 677825.39
14103022044 14103 4 16752 Lanco 184730.2 2017 3094599901 96 0.0057307 14103 17734097 122271578 1273662.27
14103022901 14103 1 16752 Lanco 184730.2 2017 3094599901 21 0.0012536 14103 3879334 21303395 1014447.38
14103032001 14103 1 16752 Lanco 184730.2 2017 3094599901 100 0.0059694 14103 18473018 21303395 213033.95
14103032002 14103 1 16752 Lanco 184730.2 2017 3094599901 273 0.0162966 14103 50431338 21303395 78034.41
14103032009 14103 1 16752 Lanco 184730.2 2017 3094599901 93 0.0055516 14103 17179906 21303395 229068.76
14103032019 14103 1 16752 Lanco 184730.2 2017 3094599901 55 0.0032832 14103 10160160 21303395 387334.46
14103032041 14103 1 16752 Lanco 184730.2 2017 3094599901 159 0.0094914 14103 29372098 21303395 133983.62
14103032042 14103 5 16752 Lanco 184730.2 2017 3094599901 304 0.0181471 14103 56157973 182852488 601488.45
14103032901 14103 5 16752 Lanco 184730.2 2017 3094599901 179 0.0106853 14103 33066701 182852488 1021522.28
14103042012 14103 2 16752 Lanco 184730.2 2017 3094599901 75 0.0044771 14103 13854763 41497032 553293.76
14103052003 14103 8 16752 Lanco 184730.2 2017 3094599901 250 0.0149236 14103 46182544 445369765 1781479.06
14103052035 14103 3 16752 Lanco 184730.2 2017 3094599901 173 0.0103271 14103 31958320 75153093 434410.94
14103052040 14103 2 16752 Lanco 184730.2 2017 3094599901 268 0.0159981 14103 49507687 41497032 154839.67
14103062013 14103 1 16752 Lanco 184730.2 2017 3094599901 65 0.0038801 14103 12007461 21303395 327744.54
14103062016 14103 1 16752 Lanco 184730.2 2017 3094599901 155 0.0092526 14103 28633177 21303395 137441.26
14103062021 14103 6 16752 Lanco 184730.2 2017 3094599901 226 0.0134909 14103 41749020 256895823 1136707.18
14103062037 14103 1 16752 Lanco 184730.2 2017 3094599901 127 0.0075812 14103 23460732 21303395 167743.27
14103072010 14103 9 16752 Lanco 184730.2 2017 3094599901 322 0.0192216 14103 59483117 559800373 1738510.47
14103072020 14103 7 16752 Lanco 184730.2 2017 3094599901 123 0.0073424 14103 22721812 344401582 2800012.86
14103072033 14103 2 16752 Lanco 184730.2 2017 3094599901 50 0.0029847 14103 9236509 41497032 829940.63
14104012003 14104 19 19634 Los Lagos 190489.7 2017 3740075550 980 0.0499134 14104 186679945 2444539795 2494428.36
14104012010 14104 3 19634 Los Lagos 190489.7 2017 3740075550 105 0.0053479 14104 20001423 75153093 715743.74
14104012037 14104 1 19634 Los Lagos 190489.7 2017 3740075550 14 0.0007130 14104 2666856 21303395 1521671.08
14104012059 14104 2 19634 Los Lagos 190489.7 2017 3740075550 77 0.0039218 14104 14667710 41497032 538922.49
14104012901 14104 1 19634 Los Lagos 190489.7 2017 3740075550 88 0.0044820 14104 16763097 21303395 242084.03
14104022002 14104 6 19634 Los Lagos 190489.7 2017 3740075550 286 0.0145666 14104 54480066 256895823 898237.14
14104022006 14104 1 19634 Los Lagos 190489.7 2017 3740075550 44 0.0022410 14104 8381549 21303395 484168.07
14104022018 14104 4 19634 Los Lagos 190489.7 2017 3740075550 226 0.0115106 14104 43050681 122271578 541024.68
14104022040 14104 6 19634 Los Lagos 190489.7 2017 3740075550 152 0.0077417 14104 28954440 256895823 1690104.10
14104022050 14104 4 19634 Los Lagos 190489.7 2017 3740075550 98 0.0049913 14104 18667994 122271578 1247669.17
14104022076 14104 12 19634 Los Lagos 190489.7 2017 3740075550 470 0.0239381 14104 89530178 983866743 2093333.50
14104032044 14104 1 19634 Los Lagos 190489.7 2017 3740075550 14 0.0007130 14104 2666856 21303395 1521671.08
14104032047 14104 3 19634 Los Lagos 190489.7 2017 3740075550 129 0.0065702 14104 24573176 75153093 582582.11
14104042028 14104 2 19634 Los Lagos 190489.7 2017 3740075550 164 0.0083529 14104 31240317 41497032 253030.68
14104042052 14104 2 19634 Los Lagos 190489.7 2017 3740075550 259 0.0131914 14104 49336843 41497032 160220.20
14104042068 14104 4 19634 Los Lagos 190489.7 2017 3740075550 274 0.0139554 14104 52194189 122271578 446246.64
14104042073 14104 1 19634 Los Lagos 190489.7 2017 3740075550 47 0.0023938 14104 8953018 21303395 453263.72
14104052008 14104 1 19634 Los Lagos 190489.7 2017 3740075550 48 0.0024447 14104 9143508 21303395 443820.73
14104052011 14104 1 19634 Los Lagos 190489.7 2017 3740075550 69 0.0035143 14104 13143792 21303395 308744.86


Guardamos:

saveRDS(h_y_m_comuna_corr, "Rural/region_14_ESCOLARIDAD_r.rds")