date: 29-07-2021
1 Resumen
Iniciaremos expandiendo los ingresos promedios (multiplicación del ingreso promedio mensual comunal y los habitantes de la misma comuna) obtenidos de la CASEN 2017 sobre la categoría de respuesta: “Trabajó por un pago o especie” del campo P17 del CENSO de personas del 2017, que fue la categoría de respuesta que más alto correlacionó con los ingresos expandidos, ambos a nivel comunal y ambos a nivel URBANO.
Seguiremos con un análisis sobre todas las zonas Chile comenzando en éste artículo a nivel urbano. En un segundo artículo haremos la publicación a nivel rural.
Como una tercera parte, y ya construída nuestra tabla de trabajo, haremos el análisis por región. Ensayaremos diferentes modelos dentro del análisis de regresión cuya variable independiente será: “frecuencia de población que posee la variable Censal respecto a la zona” y la dependiente: “ingreso expandido por zona por proporción de población zonal respecto al total comunal (multipob)”. Lo anterior para elegir el que posea el mayor coeficiente de determinación y así construir una tabla de valores predichos (estimación del ingreso e ingreso estimado por zona).
1.1 Variable CENSO
Necesitamos calcular las frecuencias a nivel censal de las respuestas correspondientes a la categoría: “Trabajó por un pago o especie” del campo P17 del Censo de personas. Recordemos que ésta fué la más alta correlación en relación a los ingresos expandidos (ver aquí).
1.1.1 Lectura 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")fn_reg <- function(ff){
tabla_con_clave_u <- filter(tabla_con_clave, tabla_con_clave$AREA ==1)
tabla_con_clave_u <- filter(tabla_con_clave_u, tabla_con_clave_u$REGION == ff)
tabla_con_clave_f <- tabla_con_clave_u[,-c(1,2,4:31,33:48),drop=F]
codigos <- tabla_con_clave_f$COMUNA
rango <- seq(1:nrow(tabla_con_clave_f))
cadena <- paste("0",codigos[rango], sep = "")
cadena <- substr(cadena,(nchar(cadena)[rango])-(4),6)
codigos <- as.data.frame(codigos)
cadena <- as.data.frame(cadena)
comuna_corr <- cbind(tabla_con_clave_f,cadena)
comuna_corr <- comuna_corr[,-c(1),drop=FALSE]
names(comuna_corr)[3] <- "código"
tabla_con_clave_f <- comuna_corr
claves_con_1 <- filter(tabla_con_clave_f, tabla_con_clave_f$P17 == 1)
con4 <- xtabs(~P17+clave, data=claves_con_1)
con4 <- as.data.frame(con4)
trabajo_001 = merge( x = con4, y =claves_con_1, by = "clave", all.x = TRUE)
trabajo003 <- unique(trabajo_001)
trabajo003 <- trabajo003[,-c(2,4)]
df_2017_2 <- readRDS("Ingresos_expandidos_urbano_17.rds")
comunas_censo_casen_666 = merge( x = trabajo003, y = df_2017_2, by = "código", all.x = TRUE)
tabla_de_prop_pob <- readRDS("tabla_de_prop_pob.rds")
names(tabla_de_prop_pob)[1] <- "clave"
comunas_censo_casen_6666 = merge( x = comunas_censo_casen_666, y = tabla_de_prop_pob, by = "clave", all.x = TRUE)
comunas_censo_casen_6666$multipob <- comunas_censo_casen_6666$ingresos_expandidos*comunas_censo_casen_6666$p
nombre_1 <- paste0("tablas_regiones/tabla_de_trabajo_2017_region_",ff,"_urbana.rds")
nombre_2 <- paste0("tablas_regiones/tabla_de_trabajo_2017_region_",ff,"_urbana.xlsx")
# saveRDS(comunas_censo_casen_6666, nombre_1)
write_xlsx(comunas_censo_casen_6666, nombre_2)
tabla_de_trabajo <<- comunas_censo_casen_6666
################
### 8.1 Modelo cuadrático
linearMod <- lm( multipob~(Freq.x^2) , data=tabla_de_trabajo)
datos <- summary(linearMod)
dato <- datos$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)
### 8.2 Modelo cúbico
linearMod <- lm( multipob~(Freq.x^3) , data=tabla_de_trabajo)
datos <- summary(linearMod)
dato <- datos$adj.r.squared
modelo <- "cúbico"
sintaxis <- "linearMod <- lm( multi_pob~(Freq.x^3) , data=h_y_m_comuna_corr_01)"
modelos2 <- cbind(modelo,dato,sintaxis)
### 8.3 Modelo logarítmico
linearMod <- lm( multipob~log(Freq.x) , data=tabla_de_trabajo)
datos <- summary(linearMod)
dato <- datos$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=tabla_de_trabajo)
datos <- summary(linearMod)
dato <- datos$adj.r.squared
modelo <- "raíz cuadrada"
sintaxis <- "linearMod <- lm( multi_pob~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)"
modelos5 <- cbind(modelo,dato,sintaxis)
### 8.6 Modelo raíz-raíz
linearMod <- lm( sqrt(multipob)~sqrt(Freq.x) , data=tabla_de_trabajo)
datos <- summary(linearMod)
dato <- datos$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=tabla_de_trabajo)
datos <- summary(linearMod)
dato <- datos$adj.r.squared
modelo <- "log-raíz"
sintaxis <- "linearMod <- lm( log(multi_pob)~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)"
modelos7 <- cbind(modelo,dato,sintaxis)
### 8.8 Modelo raíz-log
linearMod <- lm( sqrt(multipob)~log(Freq.x) , data=tabla_de_trabajo)
datos <- summary(linearMod)
dato <- datos$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=tabla_de_trabajo)
datos <- summary(linearMod)
dato <- datos$adj.r.squared
modelo <- "log-log"
sintaxis <- "linearMod <- lm( log(multi_pob)~log(Freq.x) , data=h_y_m_comuna_corr_01)"
modelos9 <- cbind(modelo,dato,sintaxis)
modelos_bind <- rbind(modelos1, modelos2,modelos3,modelos5,modelos6,modelos7,modelos8,modelos9)
modelos_bind <- as.data.frame(modelos_bind)
h_y_m_comuna_corr_01 <<- tabla_de_trabajo
modelos_bind <- cbind(row.names(modelos_bind),modelos_bind)
names(modelos_bind)[1] <- "n"
modelos_bind$dato <- as.numeric(modelos_bind$dato)
modelos_bind <- modelos_bind[order(modelos_bind$dato, decreasing = T ),]
# print(modelos_bind)
numero <- modelos_bind[1,1]
numero <- as.numeric(numero)
print(modelos_bind[1,2])
print(modelos_bind[2,2])
print(modelos_bind[3,2])
h_y_m_comuna_corr <- h_y_m_comuna_corr_01
metodo <- numero
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)
)
rq <- summary(linearMod)
print(rq)
aa <- rq$coefficients[1]
bb <- rq$coefficients[2]
tabla_de_trabajo$est_ing <- exp(aa+bb*log(tabla_de_trabajo$Freq.x))
tabla_de_trabajo$ing_medio_zona <- tabla_de_trabajo$est_ing /(tabla_de_trabajo$personas * tabla_de_trabajo$p)
nombre_3 <- paste0("tablas_regiones/tabla_de_trabajo_region_",ff,".xlsx")
nombre_4 <- paste0("tablas_regiones/tabla_de_trabajo_region_",ff,".dbf")
write_xlsx(tabla_de_trabajo, nombre_3)
write.dbf(tabla_de_trabajo, nombre_4)
## Estadísticos
ingresos <- readRDS("Ingresos_expandidos_urbano_17.rds")
kbl(ingresos) %>%
kable_styling(bootstrap_options = c("striped", "hover")) %>%
kable_paper() %>%
scroll_box(width = "100%", height = "300px")
### Promedio
t_de_c <- tabla_de_trabajo %>%
group_by(código.y) %>%
summarize(mean = mean(ing_medio_zona, na.rm = TRUE))
names(t_de_c)[1] <- "código"
estadisticos_finales <- merge( x = ingresos, y = t_de_c, by = "código", all.x = TRUE)
### Desviación standard
t_de_c_2 <- tabla_de_trabajo %>%
group_by(código.y) %>%
summarize(sd = sd(ing_medio_zona, na.rm = TRUE))
names(t_de_c_2)[1] <- "código"
estadisticos_finales <- merge( x = estadisticos_finales, y = t_de_c_2, by = "código", all.x = TRUE)
### Mínimo
t_de_c_3 <- tabla_de_trabajo %>%
group_by(código.y) %>%
summarize(min = min(ing_medio_zona, na.rm = TRUE))
names(t_de_c_3)[1] <- "código"
estadisticos_finales <- merge( x = estadisticos_finales, y = t_de_c_3, by = "código", all.x = TRUE)
### Máximo
t_de_c_4 <- tabla_de_trabajo %>%
group_by(código.y) %>%
summarize(max = max(ing_medio_zona, na.rm = TRUE))
names(t_de_c_4)[1] <- "código"
estadisticos_finales <- merge( x = estadisticos_finales, y = t_de_c_4, by = "código", all.x = TRUE)
### Mediana
t_de_c_5 <- tabla_de_trabajo %>%
group_by(código.y) %>%
summarize(median = median(ing_medio_zona, na.rm = TRUE))
names(t_de_c_5)[1] <- "código"
estadisticos_finales <- merge( x = estadisticos_finales, y = t_de_c_5, by = "código", all.x = TRUE)
nombre_5 <- paste0("tablas_regiones/estadisticos_finales_region_",ff,".xlsx")
nombre_6 <- paste0("tablas_regiones/estadisticos_finales_region_",ff,".dbf")
write_xlsx(estadisticos_finales, nombre_5)
write.dbf(estadisticos_finales, nombre_6)
}for (ff in 1:16) {
fn_reg(ff)
}## [1] "log-log"
## [1] "raíz-raíz"
## [1] "cuadrático"
##
## Call:
## lm(formula = log(multipob) ~ log(Freq.x), data = h_y_m_comuna_corr)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.80221 -0.04364 0.00641 0.05831 0.19431
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 13.13441 0.12089 108.6 <2e-16 ***
## log(Freq.x) 1.06604 0.01671 63.8 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.1178 on 82 degrees of freedom
## (2 observations deleted due to missingness)
## Multiple R-squared: 0.9803, Adjusted R-squared: 0.98
## F-statistic: 4070 on 1 and 82 DF, p-value: < 2.2e-16
##
## [1] "log-log"
## [1] "raíz-raíz"
## [1] "cuadrático"
##
## Call:
## lm(formula = log(multipob) ~ log(Freq.x), data = h_y_m_comuna_corr)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.56590 -0.06268 -0.00230 0.09399 0.39941
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 13.11756 0.12251 107.07 <2e-16 ***
## log(Freq.x) 1.08183 0.01699 63.69 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.1548 on 153 degrees of freedom
## Multiple R-squared: 0.9636, Adjusted R-squared: 0.9634
## F-statistic: 4056 on 1 and 153 DF, p-value: < 2.2e-16
##
## [1] "log-log"
## [1] "raíz-raíz"
## [1] "cuadrático"
##
## Call:
## lm(formula = log(multipob) ~ log(Freq.x), data = h_y_m_comuna_corr)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.92668 -0.11178 0.03194 0.09412 0.81367
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 13.33031 0.12599 105.80 <2e-16 ***
## log(Freq.x) 1.04410 0.01846 56.56 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.1882 on 86 degrees of freedom
## Multiple R-squared: 0.9738, Adjusted R-squared: 0.9735
## F-statistic: 3199 on 1 and 86 DF, p-value: < 2.2e-16
##
## [1] "raíz-raíz"
## [1] "log-log"
## [1] "cuadrático"
##
## Call:
## lm(formula = sqrt(multipob) ~ sqrt(Freq.x), data = h_y_m_comuna_corr)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3512.1 -734.4 2.4 801.1 5503.1
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -478.798 290.220 -1.65 0.101
## sqrt(Freq.x) 855.474 8.333 102.66 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1255 on 192 degrees of freedom
## Multiple R-squared: 0.9821, Adjusted R-squared: 0.982
## F-statistic: 1.054e+04 on 1 and 192 DF, p-value: < 2.2e-16
##
## [1] "log-log"
## [1] "raíz-raíz"
## [1] "cuadrático"
##
## Call:
## lm(formula = log(multipob) ~ log(Freq.x), data = h_y_m_comuna_corr)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.56585 -0.08191 0.01045 0.09670 0.57219
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 13.344140 0.033018 404.1 <2e-16 ***
## log(Freq.x) 1.029538 0.005011 205.5 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.1508 on 705 degrees of freedom
## (3 observations deleted due to missingness)
## Multiple R-squared: 0.9836, Adjusted R-squared: 0.9836
## F-statistic: 4.222e+04 on 1 and 705 DF, p-value: < 2.2e-16
##
## [1] "log-log"
## [1] "raíz-raíz"
## [1] "cuadrático"
##
## Call:
## lm(formula = log(multipob) ~ log(Freq.x), data = h_y_m_comuna_corr)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.88841 -0.08568 0.01613 0.08393 0.70457
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 13.270613 0.037336 355.4 <2e-16 ***
## log(Freq.x) 1.031145 0.005798 177.8 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.1622 on 289 degrees of freedom
## Multiple R-squared: 0.9909, Adjusted R-squared: 0.9909
## F-statistic: 3.162e+04 on 1 and 289 DF, p-value: < 2.2e-16
##
## [1] "log-log"
## [1] "raíz-raíz"
## [1] "cuadrático"
##
## Call:
## lm(formula = log(multipob) ~ log(Freq.x), data = h_y_m_comuna_corr)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.56096 -0.09407 0.00022 0.09547 0.58585
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 13.194444 0.036408 362.4 <2e-16 ***
## log(Freq.x) 1.033460 0.005584 185.1 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.1469 on 314 degrees of freedom
## Multiple R-squared: 0.9909, Adjusted R-squared: 0.9909
## F-statistic: 3.425e+04 on 1 and 314 DF, p-value: < 2.2e-16
##
## [1] "log-log"
## [1] "raíz-raíz"
## [1] "cuadrático"
##
## Call:
## lm(formula = log(multipob) ~ log(Freq.x), data = h_y_m_comuna_corr)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.63018 -0.08073 0.00398 0.09089 0.63829
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 13.244337 0.038309 345.7 <2e-16 ***
## log(Freq.x) 1.039956 0.005651 184.0 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.1406 on 482 degrees of freedom
## Multiple R-squared: 0.986, Adjusted R-squared: 0.9859
## F-statistic: 3.386e+04 on 1 and 482 DF, p-value: < 2.2e-16
##
## [1] "log-log"
## [1] "raíz-raíz"
## [1] "cuadrático"
##
## Call:
## lm(formula = log(multipob) ~ log(Freq.x), data = h_y_m_comuna_corr)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.52771 -0.07164 0.01152 0.08830 0.51674
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 13.32733 0.04397 303.1 <2e-16 ***
## log(Freq.x) 1.01354 0.00665 152.4 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.1447 on 267 degrees of freedom
## Multiple R-squared: 0.9886, Adjusted R-squared: 0.9886
## F-statistic: 2.323e+04 on 1 and 267 DF, p-value: < 2.2e-16
##
## [1] "log-log"
## [1] "raíz-raíz"
## [1] "cuadrático"
##
## Call:
## lm(formula = log(multipob) ~ log(Freq.x), data = h_y_m_comuna_corr)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.84706 -0.08772 0.01168 0.09073 0.82473
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 13.121051 0.051700 253.8 <2e-16 ***
## log(Freq.x) 1.039975 0.007657 135.8 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.1684 on 219 degrees of freedom
## (11 observations deleted due to missingness)
## Multiple R-squared: 0.9883, Adjusted R-squared: 0.9882
## F-statistic: 1.845e+04 on 1 and 219 DF, p-value: < 2.2e-16
##
## [1] "log-log"
## [1] "raíz-raíz"
## [1] "cuadrático"
##
## Call:
## lm(formula = log(multipob) ~ log(Freq.x), data = h_y_m_comuna_corr)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.29595 -0.03726 0.01726 0.06128 0.48127
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 13.09285 0.10484 124.88 <2e-16 ***
## log(Freq.x) 1.04935 0.01612 65.09 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.1373 on 38 degrees of freedom
## (2 observations deleted due to missingness)
## Multiple R-squared: 0.9911, Adjusted R-squared: 0.9909
## F-statistic: 4237 on 1 and 38 DF, p-value: < 2.2e-16
##
## [1] "log-log"
## [1] "raíz-raíz"
## [1] "cuadrático"
##
## Call:
## lm(formula = log(multipob) ~ log(Freq.x), data = h_y_m_comuna_corr)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.23886 -0.04641 0.01746 0.05216 0.16409
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 13.35730 0.10573 126.33 <2e-16 ***
## log(Freq.x) 1.03457 0.01507 68.64 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.08727 on 54 degrees of freedom
## (2 observations deleted due to missingness)
## Multiple R-squared: 0.9887, Adjusted R-squared: 0.9885
## F-statistic: 4712 on 1 and 54 DF, p-value: < 2.2e-16
##
## [1] "log-log"
## [1] "raíz-raíz"
## [1] "cuadrático"
##
## Call:
## lm(formula = log(multipob) ~ log(Freq.x), data = h_y_m_comuna_corr)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.79100 -0.09181 -0.01093 0.08195 0.88476
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 13.312262 0.032180 413.7 <2e-16 ***
## log(Freq.x) 1.028448 0.004412 233.1 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.1449 on 1912 degrees of freedom
## Multiple R-squared: 0.966, Adjusted R-squared: 0.966
## F-statistic: 5.433e+04 on 1 and 1912 DF, p-value: < 2.2e-16
##
## [1] "log-log"
## [1] "raíz-raíz"
## [1] "cuadrático"
##
## Call:
## lm(formula = log(multipob) ~ log(Freq.x), data = h_y_m_comuna_corr)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.93296 -0.05082 0.01332 0.08142 0.63231
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 13.41438 0.07622 175.99 <2e-16 ***
## log(Freq.x) 1.00595 0.01142 88.08 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.1722 on 97 degrees of freedom
## Multiple R-squared: 0.9877, Adjusted R-squared: 0.9875
## F-statistic: 7758 on 1 and 97 DF, p-value: < 2.2e-16
##
## [1] "raíz-raíz"
## [1] "log-log"
## [1] "cuadrático"
##
## Call:
## lm(formula = sqrt(multipob) ~ sqrt(Freq.x), data = h_y_m_comuna_corr)
##
## Residuals:
## Min 1Q Median 3Q Max
## -5953.1 -230.1 481.4 962.8 2715.6
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -582.04 836.71 -0.696 0.489
## sqrt(Freq.x) 887.66 24.79 35.813 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1748 on 72 degrees of freedom
## Multiple R-squared: 0.9468, Adjusted R-squared: 0.9461
## F-statistic: 1283 on 1 and 72 DF, p-value: < 2.2e-16
##
## [1] "raíz-raíz"
## [1] "log-log"
## [1] "cuadrático"
##
## Call:
## lm(formula = sqrt(multipob) ~ sqrt(Freq.x), data = h_y_m_comuna_corr)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3386.4 -766.5 87.0 686.8 3903.1
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 7.648 222.703 0.034 0.973
## sqrt(Freq.x) 831.867 7.762 107.170 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1240 on 151 degrees of freedom
## Multiple R-squared: 0.987, Adjusted R-squared: 0.9869
## F-statistic: 1.149e+04 on 1 and 151 DF, p-value: < 2.2e-16