1 Introducción
La encuesta Casen, divide a la pobreza (con diferentes nombres), en tres grandes grupos: no pobres, pobres y pobres extremos.
Cada año se hace la publicación de los resultados. los que a nivel regional coinciden casi exactamente con los que obtenemos con cálculos propios.
Pero hay un problema, pues las cifras entregadas en los primeros años de vuelta a la democracia fueron corregidos el 2015 según una nueva metodología que no conocemos.
Como lo valores que obtenemos a nivel regional son exactos, podemos deducir que serán también muy aproximados a nivel comunal, por lo que ideamos una metodología para llevar las frecuencias de pobres y pobres extremos a niveles calculados con la nueva metodología para poder hacer comparaciones anuales entre diferentes Casen.
Utilizaremos las cifra oficiales de frecuencias que entrega Casen y que son descargables de aquí para todo el rango de tiempo de interés.
Existe un punto de quiebre en el 2014. Antes de ese año las cifras de pobrezas estaban subrepresentadas por el hecho que desde el 2015 (http://www.desarrollosocialyfamilia.gob.cl/pdf/upload/IDS2.pdf) se comenzó a aplicar una nueva metodología de medición de pobreza que subió los estándares. Es por eso que tuvimos que corregir 4 Casen: 2006, 2009, 2011 y 2013. La metodología para ello se incluye en éste documento.
casen2006 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2006_c.rds")
casen2006 <- mutate_if(casen2006, is.factor, as.character)
casen2009 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2009_c.rds")
casen2009 <- mutate_if(casen2009, is.factor, as.character)
casen2011 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2011_c.rds")
casen2011 <- mutate_if(casen2011, is.factor, as.character)
casen2013 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2013_c.rds")
casen2013 <- mutate_if(casen2013, is.factor, as.character)
casen2015 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2015_c.rds")
casen2015 <- mutate_if(casen2015, is.factor, as.character)
casen2017 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2017_c.rds")
casen2017 <- mutate_if(casen2017, is.factor, as.character)
#casen2020 <- read.spss(file="C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2020.sav", to.data.frame=TRUE)
#saveRDS(casen2020,"casen2020.rds")
casen2020 <- readRDS("casen2020.rds")
casen2020 <- mutate_if(casen2020, is.factor, as.character)
codigos_comunales <- readRDS(file = "C:/Users/chris/OneDrive/Documentos/archivos_grandes/codigos_comunales_2011-2017.rds")2 Pobreza por ingresos
Desde 1990 Casen publica información sobre el porcentaje de pobreza de los chilenos, generalmente divididos en tres categorias: no pobres, pobres y pobres extremos. A continuación se muestran 3 informes diferentes de pobreza y pobreza extrema. Los dos primeros se confirman pues están basados en la nueva metodología.
El tercero, el del 2006 contiene cifras dispares, pero que son ciertas en el año que se aplicó, si bien el standard para medirla era muy bajo.
Tanto 2.1 como 2.2 son publicaciones del año 2020
2.2 Pobreza 2
Un segundo informe publicado en el 2006 es sorprendente porque informa a nivel nacional una tasa de pobreza y pobreza extrema de casi 1/3 del que actualmente se afirma que existía (13,7 versus 29,1).
2.3 Pobreza 3
3 Confirmación de resultados de pobreza a nivel Regional en la Casen al año de publicación (2006-2013)
casen2006 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2006_c.rds")
tabla_matp <-xtabs(casen2006$EXPR~R+CORTE, data = casen2006)
indigente <- tabla_matp[,1]
pobre_no_ind <- tabla_matp[,2]
no_pobre <- tabla_matp[,3]
total <- tabla_matp[,1] + tabla_matp[,2] + tabla_matp[,3]
indigente_por <- indigente*100/total
indigente_por## I II III IV V VI VII VIII
## 3.082164 2.062141 2.791631 2.811234 2.872102 2.138240 4.202121 5.172353
## IX X XI XII R.M.
## 6.053738 3.560680 4.157228 2.498981 2.394319tabla_matp <-xtabs(casen2006$EXPC~COMUNA+CORTE, data = casen2006)
# datatable(tabla_matp, extensions = 'Buttons', escape = FALSE, rownames = FALSE,
# options = list(dom = 'Bfrtip',
# buttons = list('colvis', list(extend = 'collection',
# buttons = list(
# list(extend='copy'),
# list(extend='excel',
# filename = 'hitStats'),
# list(extend='pdf',
# filename= 'hitStats')),
# text = 'Download')), scrollX = TRUE))3.1 2009
casen2009 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2009_c.rds")
tabla_matp <-xtabs(casen2009$EXPR~REGION+CORTE, data = casen2009)
indigente <- tabla_matp[,1]
pobre_no_ind <- tabla_matp[,2]
no_pobre <- tabla_matp[,3]
total <- tabla_matp[,1] + tabla_matp[,2] + tabla_matp[,3]
indigente_por <- (indigente+pobre_no_ind)*100/total
indigente_por## Tarapacá Antofagasta
## 15.831746 8.004060
## Atacama Coquimbo
## 17.520373 16.571024
## Valparaíso Libertador Bernardo O´Higgins
## 15.052184 12.788000
## Maule Bío Bío
## 20.743699 20.971457
## La Araucanía Los Lagos
## 27.102308 14.195840
## Aysén Magallanes Y La Antártica Chilena
## 15.106571 9.064409
## Región Metropolitana Los Rios
## 11.545605 20.426851
## Arica y Parinacota
## 12.843692tabla_matp <-xtabs(casen2006$EXPC~COMUNA+CORTE, data = casen2006)
# datatable(tabla_matp, extensions = 'Buttons', escape = FALSE, rownames = FALSE,
# options = list(dom = 'Bfrtip',
# buttons = list('colvis', list(extend = 'collection',
# buttons = list(
# list(extend='copy'),
# list(extend='excel',
# filename = 'hitStats'),
# list(extend='pdf',
# filename= 'hitStats')),
# text = 'Download')), scrollX = TRUE))3.2 2011
casen2011 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2011_c.rds")
tabla_matp <-xtabs(casen2011$expr_full~region+casen2011$corte, data = casen2011)
indigente <- tabla_matp[,1]
pobre_no_ind <- tabla_matp[,2]
no_pobre <- tabla_matp[,3]
total <- tabla_matp[,1] + tabla_matp[,2] + tabla_matp[,3]
indigente_por <- (indigente+pobre_no_ind)*100/total
indigente_por <- data.frame(indigente_por)
indigente_por## indigente_por
## Tarapacá 11.550472
## Antofagasta 7.740033
## Copiapó 12.096409
## Coquimbo 16.013788
## Valparaíso 17.520679
## O Higgins 11.506831
## Maule 17.845110
## Bio Bio 21.911115
## Araucanía 23.916599
## Los Lagos 15.150746
## Aysén 9.928186
## Magallanes 5.474802
## Metropolitana 11.322334
## Los Ríos 18.896110
## Arica y Parinacota 15.893026tabla_matp <-xtabs(casen2013$expr~region+casen2013$pobreza_MN, data = casen2013)
# datatable(tabla_matp, extensions = 'Buttons', escape = FALSE, rownames = FALSE,
# options = list(dom = 'Bfrtip',
# buttons = list('colvis', list(extend = 'collection',
# buttons = list(
# list(extend='copy'),
# list(extend='excel',
# filename = 'hitStats'),
# list(extend='pdf',
# filename= 'hitStats')),
# text = 'Download')), scrollX = TRUE))3.3 2013
casen2013 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2013_c.rds")
tabla_matp <-xtabs(casen2013$expr~region+casen2013$pobreza_MN, data = casen2013)
indigente <- tabla_matp[,1]
pobre_no_ind <- tabla_matp[,2]
no_pobre <- tabla_matp[,3]
total <- tabla_matp[,1] + tabla_matp[,2] + tabla_matp[,3]
indigente_por <- (indigente)*100/total
indigente_por <- data.frame(indigente_por)
indigente_por## indigente_por
## I. Tarapaca 2.186118
## II. Antofagasta 1.137624
## III. Atacama 1.965482
## IV. Coquimbo 5.320301
## V. Valparaíso 4.514594
## VI. O Higgins 4.702862
## VII. Maule 5.933406
## VIII. Biobío 7.967164
## IX. La Araucanía 10.578256
## X. Los Lagos 5.684641
## XI. Aysén 1.599124
## XII. Magallanes 3.208934
## Metropolitana 2.569819
## XIV. Los Ríos 7.995456
## XV. Arica y Parinacota 4.651773tabla_matp <-xtabs(casen2013$expr~region+casen2013$pobreza_MN, data = casen2013)
# datatable(tabla_matp, extensions = 'Buttons', escape = FALSE, rownames = FALSE,
# options = list(dom = 'Bfrtip',
# buttons = list('colvis', list(extend = 'collection',
# buttons = list(
# list(extend='copy'),
# list(extend='excel',
# filename = 'hitStats'),
# list(extend='pdf',
# filename= 'hitStats')),
# text = 'Download')), scrollX = TRUE))3.4 2015
casen2015 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2015_c.rds")
tabla_matp <-xtabs(casen2015$expr~region+casen2015$pobreza, data = casen2015)
indigente <- tabla_matp[,1]
pobre_no_ind <- tabla_matp[,2]
no_pobre <- tabla_matp[,3]
total <- tabla_matp[,1] + tabla_matp[,2] + tabla_matp[,3]
indigente_por <- (indigente+pobre_no_ind)*100/total
indigente_por <- data.frame(indigente_por)
indigente_por## indigente_por
## Región de Tarapacá 7.145764
## Región de Antofagasta 5.414097
## Región de Atacama 6.865710
## Región de Coquimbo 13.803189
## Región de Valparaíso 12.015034
## Región del Libertador Gral. Bernardo O Higgins 13.743612
## Región del Maule 18.684565
## Región del Biobío 17.551887
## Región de La Araucanía 23.577519
## Región de Los Lagos 16.061625
## Región de Aysén del Gral. Carlos Ibáñez del Campo 6.469157
## Región de Magallanes y de la Antártica Chilena 4.412145
## Región Metropolitana de Santiago 7.108910
## Región de Los Ríos 16.753344
## Región de Arica y Parinacota 9.720732tabla_matp <-xtabs(casen2013$expr~region+casen2013$pobreza_MN, data = casen2013)
# datatable(tabla_matp, extensions = 'Buttons', escape = FALSE, rownames = FALSE,
# options = list(dom = 'Bfrtip',
# buttons = list('colvis', list(extend = 'collection',
# buttons = list(
# list(extend='copy'),
# list(extend='excel',
# filename = 'hitStats'),
# list(extend='pdf',
# filename= 'hitStats')),
# text = 'Download')), scrollX = TRUE))A partir del 2015 ya no es necesario corregir.
4 Expansión comunal de la pobreza.
4.1 La metodología
Nos basamos para corregir a criterios actuales de la tabla oficial.
http://observatorio.ministeriodesarrollosocial.gob.cl/encuesta-casen-en-pandemia-2020
Caso ejemplo: 2006, Antofagasta. Region II. Estimación pobres extremos 23.593 según la nueva metodologia. Nosotros contamos 10716.
4.2 Pobreza 2006 ejemplo de expansión para la región II.
casen2006 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2006_c.rds")
casen2006 <- mutate_if(casen2006, is.factor, as.character)
# tabla_matp <-xtabs(casen2006$EXPC~COMUNA+R+CORTE, data = casen2006)
# head(tabla_matp,20)
region_2 <- filter(casen2006, casen2006$R == "II")
# region_2Filtramos por Region II
tabla_matp <-xtabs(region_2$EXPC~COMUNA+CORTE, data = region_2)
head(tabla_matp,20)## CORTE
## COMUNA Indigente No pobre Pobre no indigente
## Antofagasta 8968 305199 10778
## Calama 935 128269 13218
## María Elena 79 4585 180
## Mejillones 114 8867 357
## Ollague 6 112 18
## San Pedro de Atacama 32 5282 167
## Sierra Gorda 3 1517 39
## Taltal 144 8675 365
## Tocopilla 435 19175 2135tabla_matp <- as.data.frame(tabla_matp)Consideramos sólo los pobres extremos:
frec_man_com_parcial_total <- filter(tabla_matp, tabla_matp$CORTE == "Indigente")
frec_man_com_parcial_total## COMUNA CORTE Freq
## 1 Antofagasta Indigente 8968
## 2 Calama Indigente 935
## 3 María Elena Indigente 79
## 4 Mejillones Indigente 114
## 5 Ollague Indigente 6
## 6 San Pedro de Atacama Indigente 32
## 7 Sierra Gorda Indigente 3
## 8 Taltal Indigente 144
## 9 Tocopilla Indigente 435codigos_com <- frec_man_com_parcial_total$COMUNA
#codigos_comy los sumamos:
sum(frec_man_com_parcial_total$Freq)## [1] 10716Expandiremos las frecuencias de pobres y pobres extremos para que lleguen al nivel oficial de la nueva metodología y lo haremos por comuna.
frec_man_com_parcial_total2 <- data.frame()
for(i in codigos_com){
frec_man_com_parcial <- filter(frec_man_com_parcial_total, frec_man_com_parcial_total$COMUNA == i)
frec_man_com_parcial$p <- frec_man_com_parcial$Freq*100/sum(frec_man_com_parcial_total$Freq)/100
frec_man_com_parcial_total2 <- rbind(frec_man_com_parcial_total2,frec_man_com_parcial)
}Calculando una proporción poblacional
frec_man_com_parcial_total2## COMUNA CORTE Freq p
## 1 Antofagasta Indigente 8968 0.8368794326
## 2 Calama Indigente 935 0.0872527062
## 3 María Elena Indigente 79 0.0073721538
## 4 Mejillones Indigente 114 0.0106382979
## 5 Ollague Indigente 6 0.0005599104
## 6 San Pedro de Atacama Indigente 32 0.0029861889
## 7 Sierra Gorda Indigente 3 0.0002799552
## 8 Taltal Indigente 144 0.0134378499
## 9 Tocopilla Indigente 435 0.0405935050sum(frec_man_com_parcial_total2$p)## [1] 1y multiplicandola con el valor al que deseamos llegar:
frec_man_com_parcial_total2$p_mul <- round(frec_man_com_parcial_total2$p *23593)
frec_man_com_parcial_total2## COMUNA CORTE Freq p p_mul
## 1 Antofagasta Indigente 8968 0.8368794326 19744
## 2 Calama Indigente 935 0.0872527062 2059
## 3 María Elena Indigente 79 0.0073721538 174
## 4 Mejillones Indigente 114 0.0106382979 251
## 5 Ollague Indigente 6 0.0005599104 13
## 6 San Pedro de Atacama Indigente 32 0.0029861889 70
## 7 Sierra Gorda Indigente 3 0.0002799552 7
## 8 Taltal Indigente 144 0.0134378499 317
## 9 Tocopilla Indigente 435 0.0405935050 958sum( frec_man_com_parcial_total2$p_mul)## [1] 23593La columna p_multi sería la que que contenga la cantidad de pobres extremos por comuna corregidos.
2006
pobreza <- read_xlsx("valores de pobreza actuales.xlsx", sheet = 9 )
regiones_pub <- pobreza[1:16,c(1,2,9)]
regiones_pub2 <- pobreza[19:34,c(1,2,9)]
regiones_pub$c2006 <- as.numeric(regiones_pub$c2006)
regiones_pub2$c2006 <- as.numeric(regiones_pub2$c2006)
cat <- unique(casen2006$CORTE)
prop_cor <- data.frame()
for (cat in unique(casen2006$CORTE)[2]) {
proporcion <- data.frame()
fn_prp_pob <- function(n){
region_2 <- filter(casen2006, casen2006$R == n)
tabla_matp <-xtabs(region_2$EXPC~COMUNA+CORTE, data = region_2)
tabla_matp <- as.data.frame(tabla_matp)
tabla_matp2 <<- tabla_matp
frec_man_com_parcial_total <- filter(tabla_matp, tabla_matp$CORTE == cat)
codigos_com <- frec_man_com_parcial_total$COMUNA
frec_man_com_parcial_total2 <- data.frame()
for(i in codigos_com){
frec_man_com_parcial <- filter(frec_man_com_parcial_total, frec_man_com_parcial_total$COMUNA == i)
frec_man_com_parcial$p <- frec_man_com_parcial$Freq*100/sum(frec_man_com_parcial_total$Freq)/100
frec_man_com_parcial_total2 <- rbind(frec_man_com_parcial_total2,frec_man_com_parcial)
}
proporcion2 <<- frec_man_com_parcial_total2
}
for (n in unique(casen2006$R)) {
fn_prp_pob(n)
proporcion2$ROMANOS <- n
proporcion <- rbind(proporcion,proporcion2)
}
proporcion <- proporcion[,c(5,1,2,3,4)]
prop_cor <- rbind(prop_cor,proporcion)
}
prop_cor = merge(x = prop_cor, y = regiones_pub, by="ROMANOS")
prop_cor$p_mul <- round(prop_cor$p * prop_cor$c2006)
names(prop_cor)[1] <- "region_r"
a1 <- prop_cor
prop_cor <- data.frame()
for (cat in unique(casen2006$CORTE)[3]) {
proporcion <- data.frame()
fn_prp_pob <- function(n){
region_2 <- filter(casen2006, casen2006$R == n)
tabla_matp <-xtabs(region_2$EXPC~COMUNA+CORTE, data = region_2)
tabla_matp <- as.data.frame(tabla_matp)
tabla_matp2 <<- tabla_matp
frec_man_com_parcial_total <- filter(tabla_matp, tabla_matp$CORTE == cat)
codigos_com <- frec_man_com_parcial_total$COMUNA
frec_man_com_parcial_total2 <- data.frame()
for(i in codigos_com){
frec_man_com_parcial <- filter(frec_man_com_parcial_total, frec_man_com_parcial_total$COMUNA == i)
frec_man_com_parcial$p <- frec_man_com_parcial$Freq*100/sum(frec_man_com_parcial_total$Freq)/100
frec_man_com_parcial_total2 <- rbind(frec_man_com_parcial_total2,frec_man_com_parcial)
}
proporcion2 <<- frec_man_com_parcial_total2
}
for (n in unique(casen2006$R)) {
fn_prp_pob(n)
proporcion2$ROMANOS <- n
proporcion <- rbind(proporcion,proporcion2)
}
proporcion <- proporcion[,c(5,1,2,3,4)]
prop_cor <- rbind(prop_cor,proporcion)
}
prop_cor = merge(x = prop_cor, y = regiones_pub2, by="ROMANOS")
prop_cor$p_mul <- round(prop_cor$p * prop_cor$c2006)
names(prop_cor)[1] <- "region_r"
a2 <- prop_cor
datatable(rbind(a1,a2), extensions = 'Buttons', escape = FALSE, rownames = FALSE,
options = list(dom = 'Bfrtip',
buttons = list('colvis', list(extend = 'collection',
buttons = list(
list(extend='copy'),
list(extend='excel',
filename = 'hitStats'),
list(extend='pdf',
filename= 'hitStats')),
text = 'Download')), scrollX = TRUE))4.3 Desde 2015 tenemos las frecuencias sin problemas
casen2015 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2015_c.rds")
casen2015 <- mutate_if(casen2015, is.factor, as.character)
casen2017 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2017_c.rds")
casen2017 <- mutate_if(casen2017, is.factor, as.character)
#casen2020 <- read.spss(file="C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2020.sav", to.data.frame=TRUE)
#saveRDS(casen2020,"casen2020.rds")
casen2020 <- readRDS("casen2020.rds")
casen2020 <- mutate_if(casen2020, is.factor, as.character)4.3.1 2015
tabla_matp <-xtabs(casen2015$expc~comuna+pobreza, data = casen2015)
head(tabla_matp,20)## pobreza
## comuna No pobres Pobres extremos Pobres no extremos
## Alto Hospicio 105052 2470 7298
## Ancud 34644 903 5608
## Angol 38476 3916 7078
## Antofagasta 357094 5466 13818
## Arauco 37290 1696 5590
## Arica 149891 2798 11775
## Aysén 25202 880 618
## Calama 138021 2399 4819
## Calbuco 31183 2377 2927
## Calera 44851 4414 6669
## Cañete 21132 5445 7588
## Carahue 15247 3439 5232
## Castro 48340 2440 5374
## Cauquenes 30016 2826 9108
## Cerro Navia 109138 3946 11031
## Chañaral 11002 150 523
## Chiguayante 122798 6161 13639
## Chile Chico 4820 40 344
## Chillán 148764 9653 19225
## Chillán Viejo 30707 827 2553tabla_matp15 <- as.data.frame(tabla_matp)
tabla_matp15$año <- "2015"
# tabla_matp154.3.2 2017
tabla_matp <-xtabs(casen2017$expc~comuna+pobreza, data = casen2017)
head(tabla_matp,20)## pobreza
## comuna No pobres Pobres extremos Pobres no extremos
## Algarrobo 15519 0 328
## Alhué 4319 100 96
## Alto Biobío 5884 2060 1472
## Alto del Carmen 4100 31 318
## Alto Hospicio 116378 2680 7913
## Ancud 34479 2520 4133
## Andacollo 6074 0 1245
## Angol 41818 1327 6181
## Antofagasta 367436 7256 12600
## Antuco 2057 670 603
## Arauco 38288 3518 4019
## Arica 145122 3793 9204
## Aysén 24869 677 1733
## Buin 68218 0 6612
## Bulnes 18440 555 2408
## Cabildo 17831 138 3464
## Cabrero 29852 922 2076
## Calama 139010 704 5816
## Calbuco 31992 1287 3475
## Caldera 12809 857 1269tabla_matp17 <- as.data.frame(tabla_matp)
tabla_matp17$año <- "2017"
# tabla_matp174.3.3 2020
tabla_matp <-xtabs(casen2020$expc~comuna+pobreza, data = casen2020)
head(tabla_matp,20)## pobreza
## comuna No pobres Pobres extremos Pobres no extremos
## Algarrobo 14354 400 492
## Alhué 7385 75 0
## Alto Biobío 6381 160 219
## Alto del Carmen 5576 0 162
## Alto Hospicio 111338 9387 11045
## Ancud 34768 3235 4528
## Andacollo 10573 597 647
## Angol 48161 1701 6290
## Antofagasta 394467 13493 20728
## Antuco 3821 359 142
## Arauco 34850 1512 2390
## Arica 219102 14867 14565
## Aysén 23070 228 1673
## Buin 105208 2072 3319
## Bulnes 19427 468 2765
## Cabildo 19419 151 1104
## Cabrero 27579 1078 2119
## Calama 166533 6885 18013
## Calbuco 34401 799 1693
## Caldera 17358 592 1553tabla_matp20 <- as.data.frame(tabla_matp)
tabla_matp20$año <- "2020"
# tabla_matp205 Descarga de la información de pobreza del 2015, 2017 y 2020:
pobreza_15_20 <- rbind(tabla_matp15,tabla_matp17,tabla_matp20)
datatable(pobreza_15_20, extensions = 'Buttons', escape = FALSE, rownames = FALSE,
options = list(dom = 'Bfrtip',
buttons = list('colvis', list(extend = 'collection',
buttons = list(
list(extend='copy'),
list(extend='excel',
filename = 'hitStats'),
list(extend='pdf',
filename= 'hitStats')),
text = 'Download')), scrollX = TRUE))