Pobreza por ingresos (2006-2020)

por comunas y regiones

VE-CC-AJ

DataIntelligence
Fecha: 26-08-2021

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")

casen2020 <- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2020.rds")
casen2020 <- mutate_if(casen2020, is.factor, as.character)
casen2017 <- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2017_c.rds")
casen2017 <- mutate_if(casen2017, is.factor, as.character)
casen2015 <- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2015_c.rds")
casen2015 <- mutate_if(casen2015, is.factor, as.character)
casen2013 <- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2013_c.rds")
casen2013 <- mutate_if(casen2013, is.factor, as.character)
 
casen2011 <- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2011_c.rds")
casen2011 <- mutate_if(casen2011, is.factor, as.character)
 
casen2009 <- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2009_c.rds")
casen2009 <- mutate_if(casen2009, is.factor, as.character)
casen2006 <- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2006_c.rds")
casen2006 <- mutate_if(casen2006, is.factor, as.character)

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

2.1 Pobreza 1 (medición 1)

(ver informe completo acá)

Cuyo resultado detallado por Región es:

2.2 Pobreza 2

(ver informe completo acá)

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).

3 Confirmación de resultados de pobreza a nivel Regional en la Casen al año de publicación (2006-2013)

casen2006 <- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2006_c.rds")
tabla_matp <-xtabs(casen2006$EXPR~R+CORTE, data = casen2006)
indigente <- tabla_matp[,1]
pobre_no_ind <- tabla_matp[,2]
no_pobre <- tabla_matp[,3]
total <- tabla_matp[,1] + tabla_matp[,2] + tabla_matp[,3]
indigente_por <- indigente*100/total
indigente_por
##        I       II      III       IV        V       VI      VII     VIII 
## 3.082164 2.062141 2.791631 2.811234 2.872102 2.138240 4.202121 5.172353 
##       IX        X       XI      XII     R.M. 
## 6.053738 3.560680 4.157228 2.498981 2.394319
tabla_matp <-xtabs(casen2006$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/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2009_c.rds")
tabla_matp <-xtabs(casen2009$EXPR~REGION+CORTE, data = casen2009)
indigente <- tabla_matp[,1]
pobre_no_ind <- tabla_matp[,2]
no_pobre <- tabla_matp[,3]
total <- tabla_matp[,1] + tabla_matp[,2] + tabla_matp[,3]
indigente_por <- (indigente+pobre_no_ind)*100/total
indigente_por
##                          Tarapacá                       Antofagasta 
##                         15.831746                          8.004060 
##                           Atacama                          Coquimbo 
##                         17.520373                         16.571024 
##                        Valparaíso     Libertador Bernardo O´Higgins 
##                         15.052184                         12.788000 
##                             Maule                           Bío Bío 
##                         20.743699                         20.971457 
##                      La Araucanía                         Los Lagos 
##                         27.102308                         14.195840 
##                             Aysén Magallanes Y La Antártica Chilena 
##                         15.106571                          9.064409 
##              Región Metropolitana                          Los Rios 
##                         11.545605                         20.426851 
##                Arica y Parinacota 
##                         12.843692
tabla_matp <-xtabs(casen2006$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/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/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     15.893026
tabla_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/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/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      4.651773
tabla_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/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/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                           9.720732
tabla_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/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/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_2

Filtramos 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               2135
tabla_matp <- as.data.frame(tabla_matp)

Consideramos sólo los pobres extremos:

frec_man_com_parcial_total <- filter(tabla_matp, tabla_matp$CORTE == "Indigente")
frec_man_com_parcial_total
##                 COMUNA     CORTE Freq
## 1          Antofagasta Indigente 8968
## 2               Calama Indigente  935
## 3          María Elena Indigente   79
## 4           Mejillones Indigente  114
## 5              Ollague Indigente    6
## 6 San Pedro de Atacama Indigente   32
## 7         Sierra Gorda Indigente    3
## 8               Taltal Indigente  144
## 9            Tocopilla Indigente  435
codigos_com <- frec_man_com_parcial_total$COMUNA
#codigos_com

y los sumamos:

sum(frec_man_com_parcial_total$Freq)
## [1] 10716

Expandiremos 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 0.0405935050
sum(frec_man_com_parcial_total2$p)
## [1] 1

y 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   958
sum( frec_man_com_parcial_total2$p_mul)
## [1] 23593

La columna p_multi sería la que que contenga la cantidad de pobres extremos por comuna corregidos.

# saveRDS(union_pob,"union_pob_2.rds")
union_pob <- readRDS("union_pob_2.rds")
p06 <- union_pob[,c("Poblacion_2006","sum.poblacion$`Poblacion 2006`")]
p09 <- union_pob[,c("Poblacion_2009","sum.poblacion$`Poblacion 2009`")]
p11 <- union_pob[,c("Poblacion_2011","sum.poblacion$`Poblacion 2011`")]
p13 <- union_pob[,c("Poblacion_2013","sum.poblacion$`Poblacion 2013`")]
p15 <- union_pob[,c("Poblacion_2015","sum.poblacion$`Poblacion 2015`")]
p17 <- union_pob[,c("Poblacion_2017","sum.poblacion$`Poblacion 2017`")]
p20 <- union_pob[,c("Poblacion_2017","sum.poblacion$`Poblacion 2020`")]


colnames(p06) <- c("codigo Comuna", "poblacion total")
colnames(p09) <- c("codigo Comuna", "poblacion total")
colnames(p11) <- c("codigo Comuna", "poblacion total")
colnames(p13) <- c("codigo Comuna", "poblacion total")
colnames(p15) <- c("codigo Comuna", "poblacion total")
colnames(p17) <- c("codigo Comuna", "poblacion total")
colnames(p20) <- c("codigo Comuna", "poblacion total")

p06$año <- 2006
p09$año <- 2009
p11$año <- 2011
p13$año <- 2013
p15$año <- 2015
p17$año <- 2017
p20$año <- 2020

tabla_pob <- rbind(p06,p09,p11,p13,p15,p17,p20)
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
b1 <- rbind(a1,a2)
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))
pob_calculado <- data.frame()
for (i in unique(b1$region)) {
  # tabla <- filter(tabla_unida, tabla_unida$año.y == 2006 )
  tabla <- filter(b1, b1$region == i )
  tabla <- filter(tabla, tabla$CORTE == "Pobre no indigente" )

  tabla2 <- data.frame(
    region = i,
    calculado = sum(tabla$p_mul)
  )
   pob_calculado <- rbind(pob_calculado, tabla2)
}
pob_calculado
##                                               region calculado
## 1                                 Región de Tarapacá     36749
## 2                              Región de Antofagasta     40469
## 3                                  Región de Atacama     34350
## 4                                 Región de Coquimbo    146371
## 5                             Región de La Araucanía    207108
## 6                   Región Metropolitana de Santiago    827494
## 7                               Región de Valparaíso    291499
## 8     Región del Libertador Gral. Bernardo O'Higgins    174313
## 9                                   Región del Maule    222072
## 10                                 Región del Biobío    416415
## 11                               Región de Los Lagos    125379
## 12 Región de Aysén del Gral. Carlos Ibáñez del Campo     12092
## 13    Región de Magallanes y de la Antártica Chilena     11593
# <!-- ######################################################################################################################### 2009 --> 
 
pobreza <- read_xlsx("valores de pobreza actuales.xlsx", sheet = 9 )
regiones_pub <- pobreza[1:16,c(1,3,10)]
regiones_pub$c2009 <- as.numeric(regiones_pub$c2009)
regiones_pub2 <- pobreza[19:34,c(1,3,10)]
regiones_pub2$c2009 <- as.numeric(regiones_pub2$c2009)
 
cat <- unique(casen2009$CORTE)
 
prop_cor <- data.frame()
for (cat in unique(casen2009$CORTE)[3]) {
  
proporcion <- data.frame()
fn_prp_pob <- function(n){
  
region_2 <- filter(casen2009, casen2009$REGION == n)

tabla_matp <-xtabs(region_2$EXPC~COMUNA+CORTE, data = region_2)
tabla_matp <- as.data.frame(tabla_matp) 
frec_man_com_parcial_total <- filter(tabla_matp, tabla_matp$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(casen2009$REGION)) {
 
  fn_prp_pob(n)
  proporcion2$region_09 <- 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="region_09")
 
prop_cor$p_mul <- round(prop_cor$p * prop_cor$c2009)
names(prop_cor)[1] <- "region_r" 

a3 <- prop_cor
 
# <!-- ############################# -->
 
prop_cor <- data.frame()
for (cat in unique(casen2009$CORTE)[1]) {
proporcion <- data.frame()
fn_prp_pob <- function(n){
region_2 <- filter(casen2009, casen2009$REGION == n)
tabla_matp <-xtabs(region_2$EXPC~COMUNA+CORTE, data = region_2)
tabla_matp <- as.data.frame(tabla_matp) 
frec_man_com_parcial_total <- filter(tabla_matp, tabla_matp$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$Freq)/100
  frec_man_com_parcial_total2 <- rbind(frec_man_com_parcial_total2,frec_man_com_parcial) 
}
proporcion2 <<- frec_man_com_parcial_total2
} 
for (n in unique(casen2009$REGION)) {
 
  fn_prp_pob(n)
  proporcion2$region_09 <- n 
  proporcion <- rbind(proporcion,proporcion2)
}
proporcion <- proporcion[,c(5,1,2,3,4)]
prop_cor <- rbind(prop_cor,proporcion)
}
prop_cor = merge(x = prop_cor, y = regiones_pub2, by="region_09")
prop_cor$p_mul <- round(prop_cor$p * prop_cor$c2009)
names(prop_cor)[1] <- "region_r" 
a4 <- prop_cor

a4 <- prop_cor
b2 <- rbind(a3,a4)
datatable(rbind(a3,a4), 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))
pob_calculado <- data.frame()
for (i in unique(b2$region)) {
  # tabla <- filter(tabla_unida, tabla_unida$año.y == 2006 )
  tabla <- filter(b2, b2$region == i )
  tabla <- filter(tabla, tabla$CORTE == "Indigente" )

  tabla2 <- data.frame(
    region = i,
    calculado = sum(tabla$p_mul)
  )
   pob_calculado <- rbind(pob_calculado, tabla2)
}
pob_calculado
##                                               region calculado
## 1                              Región de Antofagasta     11117
## 2                       Región de Arica y Parinacota     13496
## 3                                  Región de Atacama     27898
## 4  Región de Aysén del Gral. Carlos Ibáñez del Campo      8161
## 5                                  Región del Biobío    304401
## 6                                 Región de Coquimbo     81974
## 7                             Región de La Araucanía    235214
## 8     Región del Libertador Gral. Bernardo O'Higgins     71378
## 9                                Región de Los Lagos     80284
## 10                                Región de Los Ríos     59188
## 11    Región de Magallanes y de la Antártica Chilena      8227
## 12                                  Región del Maule    165099
## 13                  Región Metropolitana de Santiago    400584
## 14                                Región de Tarapacá     23313
## 15                              Región de Valparaíso    147902
# <!-- ######################################################################################################################### 2011 -->
casen2011 <- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2011_c.rds")
casen2011 <- mutate_if(casen2011, is.factor, as.character)
tabla_2011 <- casen2011
tabla_2011$region[tabla_2011$region == "Antofagasta"] <- "Región de Antofagasta"
tabla_2011$region[tabla_2011$region == "Araucanía"] <- "Región de La Araucanía"
tabla_2011$region[tabla_2011$region == "Arica y Parinacota"] <- "Región de Arica y Parinacota"
tabla_2011$region[tabla_2011$region == "Aysén"] <- "Región de Aysén del Gral. Carlos Ibáñez del Campo"
tabla_2011$region[tabla_2011$region == "Bio Bio"] <- "Región del Biobío"
tabla_2011$region[tabla_2011$region == "Copiapó"] <- "Región de Atacama"
tabla_2011$region[tabla_2011$region == "Coquimbo"] <- "Región de Coquimbo"
tabla_2011$region[tabla_2011$region == "Los Lagos"] <- "Región de Los Lagos"
tabla_2011$region[tabla_2011$region == "Los Ríos"] <- "Región de Los Ríos"
tabla_2011$region[tabla_2011$region == "Magallanes"] <- "Región de Magallanes y de la Antártica Chilena"
tabla_2011$region[tabla_2011$region == "Maule"] <- "Región del Maule"
tabla_2011$region[tabla_2011$region == "Metropolitana"] <- "Región Metropolitana de Santiago"
tabla_2011$region[tabla_2011$region == "O Higgins"] <- "Región del Libertador Gral. Bernardo O'Higgins"
tabla_2011$region[tabla_2011$region == "Tarapacá"] <- "Región de Tarapacá"
tabla_2011$region[tabla_2011$region == "Valparaíso"] <- "Región de Valparaíso"
casen2011 <- tabla_2011

pobreza <- read_xlsx("valores de pobreza actuales.xlsx", sheet = 9 )
regiones_pub <- pobreza[1:16,c(1,4)]
regiones_pub$c2011 <- as.numeric(regiones_pub$c2011)
regiones_pub2 <- pobreza[19:32,c(1,4)]
regiones_pub2$c2011 <- as.numeric(regiones_pub2$c2011)
cat <- unique(casen2011$corte)

prop_cor <- data.frame()
for (cat in unique(casen2011$corte)[3]) {
proporcion <- data.frame()
fn_prp_pob <- function(n){
region_2 <- filter(casen2011, casen2011$region == n)

tabla_matp <-xtabs(region_2$expc_full~comuna+corte, data = region_2)
tabla_matp <- as.data.frame(tabla_matp) 
frec_man_com_parcial_total <- filter(tabla_matp, tabla_matp$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(casen2011$region)) {
 
  fn_prp_pob(n)
  proporcion2$region <- 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="region")
prop_cor$p_mul <- round(prop_cor$p * prop_cor$c2011)
names(prop_cor)[1] <- "region_r" 
a5 <- prop_cor

# <!-- ########################## -->
 
prop_cor <- data.frame()
for (cat in unique(casen2011$corte)[2]) {
proporcion <- data.frame()
fn_prp_pob <- function(n){
region_2 <- filter(casen2011, casen2011$region == n)
tabla_matp <-xtabs(region_2$expc_full~comuna+corte, data = region_2)
tabla_matp <- as.data.frame(tabla_matp) 
frec_man_com_parcial_total <- filter(tabla_matp, tabla_matp$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(casen2011$region)) {
  fn_prp_pob(n)
  proporcion2$region <- 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="region")
prop_cor$p_mul <- round(prop_cor$p * prop_cor$c2011)
names(prop_cor)[1] <- "region_r" 

a6 <- prop_cor
b3 <- rbind(a5,a6)
datatable(rbind(a5,a6), 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))
pob_calculado <- data.frame()
for (i in unique(b3$region_r)) {
  # tabla <- filter(tabla_unida, tabla_unida$año.y == 2006 )
  tabla <- filter(b3, b3$region_r == i )
  tabla <- filter(tabla, tabla$corte == "Pobreza extrema" )

  tabla2 <- data.frame(
    region = i,
    calculado = sum(tabla$p_mul)
  )
   pob_calculado <- rbind(pob_calculado, tabla2)
}
pob_calculado
##                                               region calculado
## 1                              Región de Antofagasta     12041
## 2                       Región de Arica y Parinacota     12418
## 3                                  Región de Atacama     14699
## 4  Región de Aysén del Gral. Carlos Ibáñez del Campo      3386
## 5                                 Región de Coquimbo     68253
## 6                             Región de La Araucanía    180875
## 7                                Región de Los Lagos     78235
## 8                                 Región de Los Ríos     44039
## 9     Región de Magallanes y de la Antártica Chilena      2456
## 10                                Región de Tarapacá     18135
## 11                              Región de Valparaíso    149231
## 12                                 Región del Biobío    228599
## 13    Región del Libertador Gral. Bernardo O'Higgins     50344
## 14                                  Región del Maule    112141
## 15                  Región Metropolitana de Santiago    397406
# <!-- ######################################################################################################################### 2013  --> 
casen2013 <- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2013_c.rds")
casen2013 <- mutate_if(casen2013, is.factor, as.character)
tabla_2013 <- casen2013
tabla_2013$region[tabla_2013$region == "I. Tarapaca"] <- "Región de Tarapacá"
tabla_2013$region[tabla_2013$region == "II. Antofagasta"] <- "Región de Antofagasta"
tabla_2013$region[tabla_2013$region == "III. Atacama"] <- "Región de Atacama"
tabla_2013$region[tabla_2013$region == "IV. Coquimbo"] <- "Región de Coquimbo"
tabla_2013$region[tabla_2013$region == "IX. La Araucanía"] <- "Región de La Araucanía"
tabla_2013$region[tabla_2013$region == "Metropolitana"] <- "Región Metropolitana de Santiago"
tabla_2013$region[tabla_2013$region == "V. Valparaíso"] <- "Región de Valparaíso"
tabla_2013$region[tabla_2013$region == "VI. O Higgins"] <- "Región del Libertador Gral. Bernardo O'Higgins"
tabla_2013$region[tabla_2013$region == "VII. Maule"] <- "Región del Maule"
tabla_2013$region[tabla_2013$region == "VIII. Biobío"] <- "Región del Biobío"
tabla_2013$region[tabla_2013$region == "X. Los Lagos"] <- "Región de Los Lagos"
tabla_2013$region[tabla_2013$region == "XI. Aysén"] <- "Región de Aysén del Gral. Carlos Ibáñez del Campo"
tabla_2013$region[tabla_2013$region == "XII. Magallanes"] <- "Región de Magallanes y de la Antártica Chilena"
tabla_2013$region[tabla_2013$region == "XIV. Los Ríos"] <- "Región de Los Ríos"
tabla_2013$region[tabla_2013$region == "XV. Arica y Parinacota"] <- "Región de Arica y Parinacota"
casen2013 <-tabla_2013
pobreza <- read_xlsx("valores de pobreza actuales.xlsx", sheet = 9 )
regiones_pub <- pobreza[1:16,c(1,5)]
regiones_pub$c2013 <- as.numeric(regiones_pub$c2013)
regiones_pub2 <- pobreza[19:34,c(1,5)]
regiones_pub2$c2013 <- as.numeric(regiones_pub2$c2013)
cat <- unique(casen2013$pobreza_MN)
prop_cor <- data.frame()
for (cat in unique(casen2013$pobreza_MN)[4]) {
proporcion <- data.frame()
fn_prp_pob <- function(n){
region_2 <- filter(casen2013, casen2013$region == n)
tabla_matp <-xtabs(region_2$expc~comuna+pobreza_MN, data = region_2)
tabla_matp <- as.data.frame(tabla_matp) 
frec_man_com_parcial_total <- filter(tabla_matp, tabla_matp$pobreza_MN == 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$Freq)/100
  frec_man_com_parcial_total2 <- rbind(frec_man_com_parcial_total2,frec_man_com_parcial) 
}
proporcion2 <<- frec_man_com_parcial_total2
} 
for (n in unique(casen2013$region)) {
 
  fn_prp_pob(n)
  proporcion2$region <- n 
  proporcion <- rbind(proporcion,proporcion2)
}
proporcion <- proporcion[,c(5,1,2,3,4)]
prop_cor <- rbind(prop_cor,proporcion)
}
prop_cor = merge(x = prop_cor, y = regiones_pub, by="region")
prop_cor$p_mul <- round(prop_cor$p * prop_cor$c2013)
names(prop_cor)[1] <- "region_r" 
a7 <- prop_cor

 # <!-- ########################## -->
prop_cor <- data.frame()
for (cat in unique(casen2013$pobreza_MN)[2]) {
proporcion <- data.frame()
fn_prp_pob <- function(n){
region_2 <- filter(casen2013, casen2013$region == n)

tabla_matp <-xtabs(region_2$expc~comuna+pobreza_MN, data = region_2)
tabla_matp <- as.data.frame(tabla_matp) 
frec_man_com_parcial_total <- filter(tabla_matp, tabla_matp$pobreza_MN == 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(casen2013$region)) {
 
  fn_prp_pob(n)
  proporcion2$region <- n 
  proporcion <- rbind(proporcion,proporcion2)
}
proporcion <- proporcion[,c(5,1,2,3,4)]
prop_cor <- rbind(prop_cor,proporcion)
}
prop_cor = merge(x = prop_cor, y = regiones_pub2, by="region")
prop_cor$p_mul <- round(prop_cor$p * prop_cor$c2013)
names(prop_cor)[1] <- "region_r" 
a8 <- prop_cor
b4 <- rbind(a7,a8)
datatable(rbind(a7,a8), 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))
pob_calculado <- data.frame()
for (i in unique(b4$region_r)) {
  # tabla <- filter(tabla_unida, tabla_unida$año.y == 2006 )
  tabla <- filter(b4, b4$region_r == i )
  tabla <- filter(tabla, tabla$pobreza_MN == "Pobres no extremos" )

  tabla2 <- data.frame(
    region = i,
    calculado = sum(tabla$p_mul)
  )
   pob_calculado <- rbind(pob_calculado, tabla2)
}
pob_calculado
##                                               region calculado
## 1                              Región de Antofagasta     15938
## 2                       Región de Arica y Parinacota     17033
## 3                                  Región de Atacama     14704
## 4  Región de Aysén del Gral. Carlos Ibáñez del Campo      5246
## 5                                 Región de Coquimbo     80589
## 6                             Región de La Araucanía    167799
## 7                                Región de Los Lagos    100775
## 8                                 Región de Los Ríos     55715
## 9     Región de Magallanes y de la Antártica Chilena      3547
## 10                                Región de Tarapacá     19055
## 11                              Región de Valparaíso    198282
## 12                                 Región del Biobío    293221
## 13    Región del Libertador Gral. Bernardo O'Higgins    101702
## 14                                  Región del Maule    166740
## 15                  Región Metropolitana de Santiago    462693
a1 <- a1[,-1]
a2 <- a2[,-1]
a3 <- a3[,-1]
a4 <- a4[,-1]
a1 <- a1[,c(5,1,2,3,4,6,7)]
a2 <- a2[,c(5,1,2,3,4,6,7)]
a3 <- a3[,c(5,1,2,3,4,6,7)]
a4 <- a4[,c(5,1,2,3,4,6,7)]
colnames(a1) <- colnames(a6)
colnames(a2) <- colnames(a6)
colnames(a3) <- colnames(a6)
colnames(a4) <- colnames(a6)
colnames(a5) <- colnames(a6)
colnames(a6) <- colnames(a6)
colnames(a7) <- colnames(a6)
colnames(a8) <- colnames(a6)
a1$año <- 2006
a3$año <- 2009
a5$año <- 2011
a7$año <- 2013
a2$año <- 2006
a4$año <- 2009
a6$año <- 2011
a8$año <- 2013
b1 <- rbind(a1,a2)
b2 <- rbind(a3,a4)
b3 <- rbind(a5,a6)
b4 <- rbind(a7,a8)
codigos_comunales <- readRDS(file = "C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/codigos_comunales_2006.rds") 
names(codigos_comunales)[1] <- "codigo Comuna"
names(codigos_comunales)[2] <- "comuna" 
b1 = merge(x = b1, y = codigos_comunales, by="comuna" )
b1 = merge(x = b1, y = p06, by="codigo Comuna" )

codigos_comunales <- readRDS(file = "C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/codigos_comunales_2009.rds") 
names(codigos_comunales)[1] <- "codigo Comuna"
names(codigos_comunales)[2] <- "comuna" 
b2 = merge(x = b2, y = codigos_comunales, by="comuna" )
b2 = merge(x = b2, y = p09, by="codigo Comuna" )

codigos_comunales <- readRDS(file = "C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/codigos_comunales_2011-2017.rds") 
names(codigos_comunales)[1] <- "codigo Comuna"
names(codigos_comunales)[2] <- "comuna" 
b3 = merge(x = b3, y = codigos_comunales, by="comuna" )
b3 = merge(x = b3, y = p11, by="codigo Comuna" )

b4 = merge(x = b4, y = codigos_comunales, by="comuna" )
b4 = merge(x = b4, y = p13, by="codigo Comuna" )
tabla_unida <- rbind(b1,b2,b3,b4)
names(tabla_unida)[7] <- "oficial"
tabla_unida <- mutate_if(tabla_unida, is.factor, as.character)
tabla_unida$corte[tabla_unida$corte == "Indigente"] <- "Pobres extremos"
tabla_unida$corte[tabla_unida$corte == "Pobreza extrema"] <- "Pobres extremos"
tabla_unida$corte[tabla_unida$corte == "Pobre"] <- "Pobres no extremos"
tabla_unida$corte[tabla_unida$corte == "Pobre no Indigente"] <- "Pobres no extremos"
tabla_unida$corte[tabla_unida$corte == "Pobre no indigente"] <- "Pobres no extremos"
names(tabla_unida)[3] <- "region"
datatable(tabla_unida, 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))
pob_calculado <- data.frame()
for (i in unique(tabla_unida$region)) {
  tabla <- filter(tabla_unida, tabla_unida$año.y == 2006 )
  tabla <- filter(tabla, tabla$region == i )
  tabla <- filter(tabla, tabla$corte == "Pobres no extremos" )

  tabla2 <- data.frame(
    region = i,
    calculado = sum(tabla$p_mul)
  )
   pob_calculado <- rbind(pob_calculado, tabla2)
}
pob_calculado
##                                               region calculado
## 1                                 Región de Tarapacá     36749
## 2                              Región de Antofagasta     40469
## 3                                  Región de Atacama     34350
## 4                                 Región de Coquimbo    146371
## 5                               Región de Valparaíso    291499
## 6     Región del Libertador Gral. Bernardo O'Higgins    174313
## 7                                   Región del Maule    222072
## 8                                  Región del Biobío    416415
## 9                             Región de La Araucanía    207108
## 10                               Región de Los Lagos    125379
## 11 Región de Aysén del Gral. Carlos Ibáñez del Campo     12092
## 12    Región de Magallanes y de la Antártica Chilena     11593
## 13                  Región Metropolitana de Santiago    827494
## 14                      Región de Arica y Parinacota         0
## 15                                Región de Los Ríos         0

5 Desde 2015 tenemos las frecuencias sin problemas:

5.1 2015

tabla_matp <-xtabs(casen2015$expc_todas ~comuna+pobreza, data = casen2015)
head(tabla_matp,20)
##                       pobreza
## comuna                 Pobres extremos Pobres no extremos No pobres
##   Iquique                         3208               6283    168596
##   Alto Hospicio                   2470               7298    105052
##   Pozo Almonte                     457               1058     13156
##   Camiña                           202                149       510
##   Huara                            372                361      2519
##   Pica                             730                912     12122
##   Antofagasta                     5466              13818    357094
##   Mejillones                       120                618     10833
##   Sierra Gorda                      48                189      1772
##   Taltal                           116                190      8419
##   Calama                          2399               4819    138021
##   San Pedro de Atacama               0                189      8648
##   Tocopilla                        425               1682     16833
##   María Elena                      167                122      2243
##   Copiapó                         3669               4265    163641
##   Caldera                            0                645     14292
##   Tierra Amarilla                  136               1240     10741
##   Chañaral                         150                523     11002
##   Diego de Almagro                 134                278      8566
##   Vallenar                         432               4043     39423
tabla_matp15 <- as.data.frame(tabla_matp)
tabla_matp15$año <- "2015"
region_comu <- casen2015[,c("comuna","region")]
region_comu <- region_comu[!duplicated(region_comu$comuna ), ] 
tabla_matp15 = merge(x = region_comu, y=tabla_matp15, by= "comuna",) 
tabla_matp15 = merge(x = tabla_matp15, y = codigos_comunales, by="comuna" )
tabla_matp15 = merge(x = tabla_matp15, y = p15, by="codigo Comuna" )

tabla_matp <-xtabs(casen2017$expc~comuna+pobreza, data = casen2017)
head(tabla_matp,20)
##                  pobreza
## comuna            No pobres Pobres extremos Pobres no extremos
##   Algarrobo           15519               0                328
##   Alhué                4319             100                 96
##   Alto Biobío          5884            2060               1472
##   Alto del Carmen      4100              31                318
##   Alto Hospicio      116378            2680               7913
##   Ancud               34479            2520               4133
##   Andacollo            6074               0               1245
##   Angol               41818            1327               6181
##   Antofagasta        367436            7256              12600
##   Antuco               2057             670                603
##   Arauco              38288            3518               4019
##   Arica              145122            3793               9204
##   Aysén               24869             677               1733
##   Buin                68218               0               6612
##   Bulnes              18440             555               2408
##   Cabildo             17831             138               3464
##   Cabrero             29852             922               2076
##   Calama             139010             704               5816
##   Calbuco             31992            1287               3475
##   Caldera             12809             857               1269
tabla_matp17 <- as.data.frame(tabla_matp)
tabla_matp17$año <- "2017"
region_comu <- casen2017[,c("comuna","region")]
region_comu <- region_comu[!duplicated(region_comu$comuna ), ] 
tabla_matp17 = merge(x = region_comu, y=tabla_matp17, by= "comuna",)
tabla_matp17 = merge(x = tabla_matp17, y = codigos_comunales, by="comuna" )
tabla_matp17 = merge(x = tabla_matp17, y = p17, by="codigo Comuna" )


tabla_matp <-xtabs(casen2020$expc~comuna+pobreza, data = casen2020)
head(tabla_matp,20)
##                  pobreza
## comuna            No pobres Pobres extremos Pobres no extremos
##   Algarrobo           14354             400                492
##   Alhué                7385              75                  0
##   Alto Biobío          6381             160                219
##   Alto del Carmen      5576               0                162
##   Alto Hospicio      111338            9387              11045
##   Ancud               34768            3235               4528
##   Andacollo           10573             597                647
##   Angol               48161            1701               6290
##   Antofagasta        394467           13493              20728
##   Antuco               3821             359                142
##   Arauco              34850            1512               2390
##   Arica              219102           14867              14565
##   Aysén               23070             228               1673
##   Buin               105208            2072               3319
##   Bulnes              19427             468               2765
##   Cabildo             19419             151               1104
##   Cabrero             27579            1078               2119
##   Calama             166533            6885              18013
##   Calbuco             34401             799               1693
##   Caldera             17358             592               1553
tabla_matp20 <- as.data.frame(tabla_matp)
tabla_matp20$año <- "2020"
region_comu <- casen2020[,c("comuna","region")]
region_comu <- region_comu[!duplicated(region_comu$comuna ), ] 
tabla_matp20 = merge(x = region_comu, y=tabla_matp20, by= "comuna",)
tabla_matp20 = merge(x = tabla_matp20, y = codigos_comunales, by="comuna" )
tabla_matp20 = merge(x = tabla_matp20, y = p20, by="codigo Comuna" )


6 Descargue información de pobreza del 2006 al 2020:

pobreza_15_20 <- rbind(tabla_matp15,tabla_matp17,tabla_matp20)
pobreza_15_20 <- pobreza_15_20[,c(1,2,3,4,5,7,8)]

tabla_unida <- tabla_unida[,c(1,2,3,4,8,10,9)]

colnames(tabla_unida) <- colnames(pobreza_15_20)
 
tablaf <- rbind(tabla_unida,pobreza_15_20)
tablaf$porcentaje <- tablaf$Freq*100/(tablaf$`poblacion total`)
datatable(tablaf, 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))
write_xlsx(tablaf,"tabla_pobreza_2006-2020.xlsx")
saveRDS(tablaf,"tabla_pobreza_2006-2020.rds")

6.1 Pruebas

pruebas <- read_xlsx("pruebas_001.xlsx")
names(pruebas)[7]<- "anio"

Región de Arica y Parinacota - “Pobres extremos”

datatable(filter(pruebas,pruebas$region == "Región de Arica y Parinacota" & pruebas$pobreza == "Pobres extremos" & pruebas$anio == "2011"), 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))

Región de Antofagasta - “Pobres extremos”

datatable(filter(pruebas,pruebas$region == "Región de Antofagasta" & pruebas$pobreza == "Pobres extremos" & pruebas$anio == "2006"), 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))

Región de Atacama - “Pobres extremos”

datatable(filter(pruebas,pruebas$region == "Región de Atacama" & pruebas$pobreza == "Pobres extremos" & pruebas$anio == "2015"), 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))

Región de Valparaíso - “Pobres extremos”

datatable(filter(pruebas,pruebas$region == "Región de Valparaíso" & pruebas$pobreza == "Pobres extremos" & pruebas$anio == "2013"), 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))

Región Metropolitana de Santiago - “Pobres extremos”

datatable(filter(pruebas,pruebas$region == "Región Metropolitana de Santiago" & pruebas$pobreza == "Pobres extremos" & pruebas$anio == "2009"), 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))

Región Metropolitana de Santiago - “Pobres extremos”

datatable(filter(pruebas,pruebas$region == "Región Metropolitana de Santiago" & pruebas$pobreza == "Pobres extremos" & pruebas$anio == "2020"), 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))

Región de Antofagasta - “Pobres no extremos”

datatable(filter(pruebas,pruebas$region == "Región de Antofagasta" & pruebas$pobreza == "Pobres no extremos" & pruebas$anio == "2006"), 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))

Región de Atacama - “Pobres no extremos”

datatable(filter(pruebas,pruebas$region == "Región de Atacama" & pruebas$pobreza == "Pobres no extremos" & pruebas$anio == "2011"), 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))

Región del Libertador Gral. Bernardo O’Higgins - “Pobres no extremos”

datatable(filter(pruebas,pruebas$region == "Región del Libertador Gral. Bernardo O'Higgins" & pruebas$pobreza == "Pobres no extremos" & pruebas$anio == "2009"), 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))

Región de Aysén del Gral. Carlos Ibáñez del Campo - “Pobres no extremos”

datatable(filter(pruebas,pruebas$region == "Región de Aysén del Gral. Carlos Ibáñez del Campo" & pruebas$pobreza == "Pobres no extremos" & pruebas$anio == "2013"), 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))