fecha: 06-08-2021
1 Introducción
1.1 Recordemos los cuatro datos cuantitativos fundamentales de la generación de los ingresos:
| Tipo | Ingreso total | Ingreso autónomo | Ingreso del trabajo | Ingreso de la ocupación principal |
| año | ||||
| 2017 | ytotcor | ytrabajocor | ytrabajocor | yoprcor |
| 2015 | ytotcor | ytrabajocor | ytrabajocor | yoprcor |
| 2013 | ytotcor | ytrabajocor | ytrabajocor | yoprcor |
| 2011 | ytrabaj | yautaj | ytrabaj | yopraj |
| 2009 | ytrabaj | yautaj | ytrabaj | yopraj |
| 2006 | ytrabaj | yautaj | ytrabaj | yopraj |
El mismo concepto asociado a Ingreso total (ytotcor) se mantiene en la Casen del 2020.
1.2 Lectura de bases de datos Casen 2020
casen2020 <- read.spss("../../Archivos_grandes/Casen en Pandemia 2020 SPSS.sav")
casen2020 <- as.data.frame(casen2020)# r3_100 <- casen2020[c(1:10),]
# kbl(r3_100) %>%
# kable_styling(bootstrap_options = c("striped", "hover")) %>%
# kable_paper() %>%
# scroll_box(width = "100%", height = "300px")1.3 Analisis de la comuna de Vitacura
vitacura_2020 <- filter(casen2020, casen2020$comuna == "Vitacura")
# head(vitacura_2020,10)
# r3_100 <- vitacura_2020[c(1:10),]
# kbl(r3_100) %>%
# kable_styling(bootstrap_options = c("striped", "hover")) %>%
# kable_paper() %>%
# scroll_box(width = "100%", height = "300px")vitacura_2020 <- vitacura_2020[,c(7,17, 21,24,44,45,49,566,618)]
head(vitacura_2020,10)## comuna expc metodologia_entrev informante_idoneo edad sexo
## 1 Vitacura 158 Teléfonica Sí 59 Mujer
## 2 Vitacura 158 Teléfonica No 57 Hombre
## 3 Vitacura 158 Teléfonica Sí 30 Hombre
## 4 Vitacura 158 Teléfonica No 29 Mujer
## 5 Vitacura 158 Teléfonica No 0 Mujer
## 6 Vitacura 158 Teléfonica No 93 Hombre
## 7 Vitacura 158 Teléfonica No 76 Mujer
## 8 Vitacura 158 Teléfonica Sí 53 Hombre
## 9 Vitacura 158 Teléfonica No 77 Mujer
## 10 Vitacura 158 Teléfonica No 95 Mujer
## ecivil ytotcor r3
## 1 Casado(a) 0 No pertenece a ninguno de estos pueblos indígenas
## 2 Casado(a) 166667 No pertenece a ninguno de estos pueblos indígenas
## 3 Casado(a) 1252917 No pertenece a ninguno de estos pueblos indígenas
## 4 Casado(a) 2635000 No pertenece a ninguno de estos pueblos indígenas
## 5 <NA> 0 No pertenece a ninguno de estos pueblos indígenas
## 6 Casado(a) 504870 No pertenece a ninguno de estos pueblos indígenas
## 7 Soltero(a) 1240072 No pertenece a ninguno de estos pueblos indígenas
## 8 Divorciado (a) 759167 No pertenece a ninguno de estos pueblos indígenas
## 9 Casado(a) 378564 No pertenece a ninguno de estos pueblos indígenas
## 10 Viudo(a) 350000 No pertenece a ninguno de estos pueblos indígenas1.4 ytotcor para Vitacura
mean(vitacura_2020$ytotcor) ## [1] 12627511.5 Filtremos por edad > 12
vitacura_2020 <- filter(vitacura_2020, vitacura_2020$edad >= 12)
head(vitacura_2020,10)## comuna expc metodologia_entrev informante_idoneo edad sexo
## 1 Vitacura 158 Teléfonica Sí 59 Mujer
## 2 Vitacura 158 Teléfonica No 57 Hombre
## 3 Vitacura 158 Teléfonica Sí 30 Hombre
## 4 Vitacura 158 Teléfonica No 29 Mujer
## 5 Vitacura 158 Teléfonica No 93 Hombre
## 6 Vitacura 158 Teléfonica No 76 Mujer
## 7 Vitacura 158 Teléfonica Sí 53 Hombre
## 8 Vitacura 158 Teléfonica No 77 Mujer
## 9 Vitacura 158 Teléfonica No 95 Mujer
## 10 Vitacura 158 Teléfonica No 26 Mujer
## ecivil ytotcor r3
## 1 Casado(a) 0 No pertenece a ninguno de estos pueblos indígenas
## 2 Casado(a) 166667 No pertenece a ninguno de estos pueblos indígenas
## 3 Casado(a) 1252917 No pertenece a ninguno de estos pueblos indígenas
## 4 Casado(a) 2635000 No pertenece a ninguno de estos pueblos indígenas
## 5 Casado(a) 504870 No pertenece a ninguno de estos pueblos indígenas
## 6 Soltero(a) 1240072 No pertenece a ninguno de estos pueblos indígenas
## 7 Divorciado (a) 759167 No pertenece a ninguno de estos pueblos indígenas
## 8 Casado(a) 378564 No pertenece a ninguno de estos pueblos indígenas
## 9 Viudo(a) 350000 No pertenece a ninguno de estos pueblos indígenas
## 10 Soltero(a) 0 No pertenece a ninguno de estos pueblos indígenasmean(vitacura_2020$ytotcor) ## [1] 1477702a <- vitacura_2020$ytotcor
b <- vitacura_2020$comuna
c <- vitacura_2020$sexo
d <- vitacura_2020$r3 #etnia
anio <- 2020
promedios_grupales <-aggregate(a, by=list(b, c, d), FUN = mean , na.rm = TRUE)
promedios_grupales_sd <-aggregate(a, by=list(b, c, d ), FUN = sd , na.rm = TRUE)
promedios_grupales_gini <-aggregate(a, by=list(b, c, d), FUN = gini , na.rm = TRUE)
promedios_grupales$sd = promedios_grupales_sd$sd.a
promedios_grupales$gini = promedios_grupales_gini$gini.a
d <- promedios_grupales
d$Año <- anio
names(d)[1] <- "Comuna"
names(d)[2] <- "Sexo"
names(d)[3] <- "Etnia"
names(d)[4] <- "promedio_yautcor"
dd <- mutate_if(d, is.factor, as.character)
dd## Comuna Sexo Etnia
## 1 Vitacura Hombre Mapuche
## 2 Vitacura Mujer Mapuche
## 3 Vitacura Mujer Diaguita
## 4 Vitacura Hombre No pertenece a ninguno de estos pueblos indígenas
## 5 Vitacura Mujer No pertenece a ninguno de estos pueblos indígenas
## promedio_yautcor sd gini Año
## 1 186333.2 223189.9 0.5487477 2020
## 2 1226906.5 2948196.7 0.7910799 2020
## 3 0.0 NA 0.0000000 2020
## 4 1878770.5 2866425.1 0.6757774 2020
## 5 1138615.9 1812386.8 0.6718868 2020b <- vitacura_2020$comuna
c <- vitacura_2020$sexo
d <- vitacura_2020$r3 #etnia
anio <- 2017
cross_tab = xtabs(vitacura_2020$expc ~ + unlist(b) + unlist(c) + unlist(d) ,aggregate(vitacura_2020$expc ~ + unlist(b) + unlist(c) + unlist(d),d,mean))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$Año <- anio
names(d)[1] <- "Comuna"
d## Comuna unlist.c. unlist.d. Freq
## 2365 Vitacura Hombre Mapuche 378
## 2711 Vitacura Mujer Mapuche 1179
## 6171 Vitacura Mujer Diaguita 122
## 7209 Vitacura Hombre No pertenece a ninguno de estos pueblos indígenas 38910
## 7555 Vitacura Mujer No pertenece a ninguno de estos pueblos indígenas 42072
## Año
## 2365 2017
## 2711 2017
## 6171 2017
## 7209 2017
## 7555 2017una_suma <- sum(d$Freq)
(186333.2*378+1226906.5*1179+1878770.5*38910+1138615.9*42072)/una_suma## [1] 14822441.6 Generalizacion
casen2020_2 <- casen2020[,c(7,17, 21,24,44,45,49,566,618)]
head(casen2020_2,10)## comuna expc metodologia_entrev informante_idoneo edad sexo
## 1 Iquique 68 Teléfonica Sí 34 Mujer
## 2 Iquique 68 Teléfonica No 4 Mujer
## 3 Iquique 68 Teléfonica No 5 Mujer
## 4 Iquique 68 Teléfonica Sí 45 Hombre
## 5 Iquique 68 Teléfonica No 19 Mujer
## 6 Iquique 68 Teléfonica No 57 Hombre
## 7 Iquique 68 Teléfonica No 20 Hombre
## 8 Iquique 68 Teléfonica Sí 56 Mujer
## 9 Iquique 68 Teléfonica Sí 77 Hombre
## 10 Iquique 68 Teléfonica No 60 Mujer
## ecivil ytotcor
## 1 Soltero(a) 310833
## 2 <NA> 80000
## 3 <NA> 31000
## 4 Soltero(a) 889500
## 5 Soltero(a) 27083
## 6 Casado(a) 3000000
## 7 Soltero(a) 0
## 8 Casado(a) 4167
## 9 Conviviente o pareja sin acuerdo de unión civil 233250
## 10 Conviviente o pareja sin acuerdo de unión civil 127000
## r3
## 1 Aimara
## 2 Aimara
## 3 Aimara
## 4 Aimara
## 5 Aimara
## 6 No pertenece a ninguno de estos pueblos indígenas
## 7 No pertenece a ninguno de estos pueblos indígenas
## 8 No pertenece a ninguno de estos pueblos indígenas
## 9 No pertenece a ninguno de estos pueblos indígenas
## 10 No pertenece a ninguno de estos pueblos indígenas1.7 ytotcor total
mean(casen2020_2$ytotcor) ## [1] 304625.41.8 Filtremos por edad > 12
casen2020_2_mas_de_12 <- filter(casen2020_2, casen2020_2$edad >= 12)
head(casen2020_2_mas_de_12,10)## comuna expc metodologia_entrev informante_idoneo edad sexo
## 1 Iquique 68 Teléfonica Sí 34 Mujer
## 2 Iquique 68 Teléfonica Sí 45 Hombre
## 3 Iquique 68 Teléfonica No 19 Mujer
## 4 Iquique 68 Teléfonica No 57 Hombre
## 5 Iquique 68 Teléfonica No 20 Hombre
## 6 Iquique 68 Teléfonica Sí 56 Mujer
## 7 Iquique 68 Teléfonica Sí 77 Hombre
## 8 Iquique 68 Teléfonica No 60 Mujer
## 9 Iquique 29 Teléfonica No 54 Mujer
## 10 Iquique 29 Teléfonica No 18 Hombre
## ecivil ytotcor
## 1 Soltero(a) 310833
## 2 Soltero(a) 889500
## 3 Soltero(a) 27083
## 4 Casado(a) 3000000
## 5 Soltero(a) 0
## 6 Casado(a) 4167
## 7 Conviviente o pareja sin acuerdo de unión civil 233250
## 8 Conviviente o pareja sin acuerdo de unión civil 127000
## 9 Conviviente o pareja sin acuerdo de unión civil 320000
## 10 Soltero(a) 0
## r3
## 1 Aimara
## 2 Aimara
## 3 Aimara
## 4 No pertenece a ninguno de estos pueblos indígenas
## 5 No pertenece a ninguno de estos pueblos indígenas
## 6 No pertenece a ninguno de estos pueblos indígenas
## 7 No pertenece a ninguno de estos pueblos indígenas
## 8 No pertenece a ninguno de estos pueblos indígenas
## 9 No pertenece a ninguno de estos pueblos indígenas
## 10 No pertenece a ninguno de estos pueblos indígenasmean(casen2020_2_mas_de_12$ytotcor) ## [1] 353818.51.9 Generalizacion
a <- casen2020_2_mas_de_12$ytotcor
b <- casen2020_2_mas_de_12$comuna
c <- casen2020_2_mas_de_12$sexo
d <- casen2020_2_mas_de_12$r3 #etnia
anio <- 2020
promedios_grupales <-aggregate(a, by=list(b, c, d), FUN = mean , na.rm = TRUE)
promedios_grupales_sd <-aggregate(a, by=list(b, c, d ), FUN = sd , na.rm = TRUE)
promedios_grupales_gini <-aggregate(a, by=list(b, c, d), FUN = gini , na.rm = TRUE)
promedios_grupales$sd = promedios_grupales_sd$sd.a
promedios_grupales$gini = promedios_grupales_gini$gini.a
d <- promedios_grupales
d$Año <- anio
names(d)[1] <- "Comuna"
names(d)[2] <- "Sexo"
names(d)[3] <- "Etnia"
names(d)[4] <- "promedio_yautcor"
dd <- mutate_if(d, is.factor, as.character)
head(dd,10)## Comuna Sexo Etnia promedio_yautcor sd gini Año
## 1 Iquique Hombre Aimara 356016.1 513365.5 0.6490161 2020
## 2 Alto Hospicio Hombre Aimara 296177.8 401942.2 0.6344626 2020
## 3 Pozo Almonte Hombre Aimara 251225.7 416386.1 0.7357179 2020
## 4 Camiña Hombre Aimara 243943.9 236616.4 0.5150886 2020
## 5 Huara Hombre Aimara 152786.8 171377.5 0.5723591 2020
## 6 Pica Hombre Aimara 212778.7 208753.6 0.5267147 2020
## 7 Antofagasta Hombre Aimara 681899.7 846961.7 0.6332464 2020
## 8 Mejillones Hombre Aimara 0.0 0.0 NaN 2020
## 9 Calama Hombre Aimara 162605.1 298119.0 0.7652297 2020
## 10 San Pedro de Atacama Hombre Aimara 373333.3 161658.1 0.1904762 20201.10 Frecuencias
b <- casen2020_2_mas_de_12$comuna
c <- casen2020_2_mas_de_12$sexo
d <- casen2020_2_mas_de_12$r3 #etnia
anio <- 2020
cross_tab = xtabs(casen2020_2_mas_de_12$expc ~ + unlist(b) + unlist(c) + unlist(d) ,aggregate(casen2020_2_mas_de_12$expc ~ + unlist(b) + unlist(c) + unlist(d),casen2020_2_mas_de_12,mean))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$Año <- anio
names(d)[1] <- "Comuna"
head(d,10)1.11 Verificacion
filtro_ytotcor_vita <- filter(dd, dd$Comuna == "Vitacura")
filtro_ytotcor_vita## Comuna Sexo Etnia
## 1 Vitacura Hombre Mapuche
## 2 Vitacura Mujer Mapuche
## 3 Vitacura Mujer Diaguita
## 4 Vitacura Hombre No pertenece a ninguno de estos pueblos indígenas
## 5 Vitacura Mujer No pertenece a ninguno de estos pueblos indígenas
## promedio_yautcor sd gini Año
## 1 186333.2 223189.9 0.5487477 2020
## 2 1226906.5 2948196.7 0.7910799 2020
## 3 0.0 NA 0.0000000 2020
## 4 1878770.5 2866425.1 0.6757774 2020
## 5 1138615.9 1812386.8 0.6718868 2020filtro_frec_vita <- filter(d, d$Comuna == "Vitacura")
filtro_frec_vita## Comuna unlist.c. unlist.d. Freq
## 1 Vitacura Hombre Mapuche 378
## 2 Vitacura Mujer Mapuche 1179
## 3 Vitacura Mujer Diaguita 122
## 4 Vitacura Hombre No pertenece a ninguno de estos pueblos indígenas 38910
## 5 Vitacura Mujer No pertenece a ninguno de estos pueblos indígenas 42072
## Año
## 1 2020
## 2 2020
## 3 2020
## 4 2020
## 5 2020