date: 20-01-2022

1 Introducción

Generamos tablas de contingencia en dos grupos, etnia y migración, cruzando siempre los mismos siguientes campos: alfabetistmo, sexo, comuna para variables específicas: contamos sus frecuencias. Generamos códigos asociados a las variables y agregamos una lógica para agrupar las categorías de variables en grupos menores, que cubran todos los años que existan para lograr tendencias de respuestas en forma explotatoria.

2 ETNIA

2.1 Leemos las bases de datos para construir la ttcc de etnia

casen_2006 <- readRDS(file = "C:/Users/chris/Desktop/archivos grandes/casen_2006_c.rds")
casen_2006 <- mutate_if(casen_2006, is.factor, as.character)
casen_2009 <- readRDS(file = "C:/Users/chris/Desktop/archivos grandes/casen_2009_c.rds")
casen_2009 <- mutate_if(casen_2009, is.factor, as.character)
casen_2011 <- readRDS(file = "C:/Users/chris/Desktop/archivos grandes/casen_2011_c.rds")
casen_2011 <- mutate_if(casen_2011, is.factor, as.character)
casen_2013 <- readRDS(file = "C:/Users/chris/Desktop/archivos grandes/casen_2013_c.rds")
casen_2013 <- mutate_if(casen_2013, is.factor, as.character)
casen_2015 <- readRDS(file = "C:/Users/chris/Desktop/archivos grandes/casen_2015_c.rds")
casen_2015 <- mutate_if(casen_2015, is.factor, as.character)
casen_2017 <- readRDS(file = "C:/Users/chris/Desktop/archivos grandes/casen_2017_c.rds")
casen_2017 <- mutate_if(casen_2017, is.factor, as.character)
casen_2020 <- readRDS(file = "C:/Users/chris/Desktop/archivos grandes/casen_2020_c.rds")
casen_2020 <- mutate_if(casen_2020, is.factor, as.character)

2.2 Extracción

2.2.1 Extraemos un subset sólo con los campos que nos interesan:

casen_2006 <- casen_2006[,c("EXPC",       "COMUNA","E5",    "T4","SEXO","E1")]
casen_2009 <- casen_2009[,c("EXPC",       "COMUNA","E4",    "T5","SEXO","E1")]
casen_2011 <- casen_2011[,c("expc_full",  "comuna","e4",    "r6","sexo","e1","r2p_cod")]
casen_2013 <- casen_2013[,c("expc",       "comuna","e4",    "r6","sexo","e1","r2_p_cod")]
casen_2015 <- casen_2015[,c("expc_todas", "comuna","e4",    "r3","sexo","e1","r2espp_cod")]
casen_2017 <- casen_2017[,c("expc",       "comuna","e4",    "r3","sexo","e1","r2_p_cod")]
# casen_2020 <- casen_2020[,c("expc", "comuna","e6a","r3","sexo","e1","r2_pais_esp")]

2.3 Homologamos

2.3.1 Homologamos etnia

variable_etnia <- function(dataset){
  
variable <- switch(i,"T4","T5","r6","r6","r3","r3","r3")
  
dataset[,variable][dataset[,variable] == "Aimara" ]  <- "Aymara"
dataset[,variable][dataset[,variable] == "No pertenece a ninguno de estos pueblos indígenas" ]  <-  "No pertenece a ningún pueblo indígena" 
dataset[,variable][dataset[,variable] == "Mapuche"]  <- "Mapuche"
dataset[,variable][dataset[,variable] == "Diaguita"]  <- "Diaguita"
dataset[,variable][dataset[,variable] == "Atacameño (Likan-Antai)" ]  <- "Atacameño"
dataset[,variable][dataset[,variable] == "Atacameño (Likán Antai)" ]  <- "Atacameño"
dataset[,variable][dataset[,variable] == "Atacameño (Likán-Antai)" ]  <- "Atacameño"
dataset[,variable][dataset[,variable] == "Yámana o Yagán" ]  <- "Yagán"
dataset[,variable][dataset[,variable] == "Yagan" ]  <- "Yagán"
dataset[,variable][dataset[,variable] == "Yagán (Yámana)" ]  <- "Yagán"
dataset[,variable][dataset[,variable] == "Rapa-Nui o Pascuenses"]  <- "Pascuense"
dataset[,variable][dataset[,variable] == "Rapa-Nui"]  <- "Pascuense"
dataset[,variable][dataset[,variable] == "Rapa Nui (Pascuense)"]  <- "Pascuense"
dataset[,variable][dataset[,variable] == "Rapa Nui"]  <- "Pascuense"
dataset[,variable][dataset[,variable] == "Collas"]  <- "Coya"
dataset[,variable][dataset[,variable] == "Kawashkar o Alacalufes" ]  <- "Alacalufe"
dataset[,variable][dataset[,variable] == "Kawashkar" ]  <- "Alacalufe"
dataset[,variable][dataset[,variable] == "Kawésqar (Alacalufes)" ]  <- "Alacalufe"
dataset[,variable][dataset[,variable] == "Kawésqar" ]  <- "Alacalufe"
dataset[,variable][dataset[,variable] == "Kawaskar" ]  <- "Alacalufe"
dataset[,variable][dataset[,variable] ==  "Sin dato"]  <- NA
dataset[,variable][dataset[,variable] ==  "NS/NR"   ]  <- NA
dataset[,variable][dataset[,variable] == "No sabe/no responde" ]  <- NA 

    switch(i,
        case =  casen_2006 <<- dataset,
        case =  casen_2009 <<- dataset,
        case =  casen_2011 <<- dataset,
        case =  casen_2013 <<- dataset,
        case =  casen_2015 <<- dataset,
        case =  casen_2017 <<- dataset,
        # case =  casen_2020 <<- dataset 
)
}

for (i in 1:6) {
  
  switch(i,
        case = casen <- casen_2006,
        case = casen <- casen_2009,
        case = casen <- casen_2011,
        case = casen <- casen_2013,
        case = casen <- casen_2015,
        case = casen <- casen_2017,
        case = casen <- casen_2020
)
  
  variable_etnia(casen)
  
}

2.3.2 Homologamos alfabetismo

casen_2006$E1[casen_2006$E1 == "No sabe /Sin dato"] <- NA
casen_2011$e1[casen_2011$e1 == "Sí, lee y escribe"] <- "Sí"
casen_2011$e1[casen_2011$e1 == "No, sólo lee"] <- "No"
casen_2011$e1[casen_2011$e1 == "No, ninguno"] <- "No"
casen_2011$e1[casen_2011$e1 == "No, sólo escribe"] <- "No"
casen_2013$e1[casen_2013$e1 == "Sí, lee y escribe"] <- "Sí"
casen_2013$e1[casen_2013$e1 == "No, ninguno"] <- "No"
casen_2013$e1[casen_2013$e1 == "No, sólo lee"] <- "No"
casen_2013$e1[casen_2013$e1 == "No, sólo escribe"] <- "No"
casen_2013$e1[casen_2013$e1 == "NS/NR"] <- NA
casen_2015$e1[casen_2015$e1 == "Sí, lee y escribe"] <- "Sí"
casen_2015$e1[casen_2015$e1 == "No, ninguno"] <- "No"
casen_2015$e1[casen_2015$e1 == "No, sólo lee"] <- "No"
casen_2015$e1[casen_2015$e1 == "No, sólo escribe"] <- "No"
casen_2017$e1[casen_2017$e1 == "Sí, lee y escribe"] <- "Sí"
casen_2017$e1[casen_2017$e1 == "No, sólo lee"] <- "No"
casen_2017$e1[casen_2017$e1 == "No, ninguno"] <- "No"
casen_2017$e1[casen_2017$e1 == "No sabe/responde"] <- NA
casen_2017$e1[casen_2017$e1 == "No, sólo escribe"] <- "No"
casen_2020$e1[casen_2020$e1 == 1] <- "Sí"
casen_2020$e1[casen_2020$e1 == 0] <- "No"

2.3.3 Leemos el excel con la homologación

Extraemos la información contenida en el excel y construimos un código que lo autointegramos, tanto como para la homologación, como para la asignación de códigos a la variable estudiada.

C:_ttcc_ok

# #primero probar con:
# #carrera <- carrera[-c(1:1),c(1,3)]<- homologacion
# # carrera <- carrera[-c(1:2),c(1,3)]# <- homologacion
# carrera <- carrera[-c(1:2),c(3,4)]# <- codigo numerico
# carrera
# 
# dataf1 <- data.frame()
# for (n in 1:nrow(carrera)) {
#  # dataf1 <- rbind(dataf1,paste0("dataset[,variable][dataset[,variable] ==  '",carrera[n,1],"']"," <- '",carrera[n,2],"'"))     # <- homologacion
#   dataf1 <- rbind(dataf1,paste0("tab_f[,'cod_variable'][tab_f[,'cod_variable'] ==  '",carrera[n,1],"']"," <- '",carrera[n,2],"'"))  # <- codigo numerico
# }
# dataf1 <- as.data.frame(dataf1)
# write_xlsx(dataf1,"el_total_final.xlsx")

2.3.4 Homologamos la variable

variable_en_estudio <- function(dataset){
    
variable <- switch(i,"E5","E4","e4","e4","e4","e4")       
    
dataset[,variable][dataset[,variable] ==  'Desconfío del cuidado que recibiría'] <- 'Desconfío del cuidado que recibiría'
dataset[,variable][dataset[,variable] ==  'Dificultad de acceso o movilización'] <- 'Dificultad de acceso o movilización'
dataset[,variable][dataset[,variable] ==  'Dificultad económica'] <- 'Dificultad económica'
dataset[,variable][dataset[,variable] ==  'El horario no me acomoda'] <- 'El horario no me acomoda'
dataset[,variable][dataset[,variable] ==  'No es necesario porque lo(a) cuidan en la casa.'] <- 'No es necesario porque lo(a) cuidan en la casa'
dataset[,variable][dataset[,variable] ==  'No es necesario porque lo cuidan en la casa'] <- 'No es necesario porque lo(a) cuidan en la casa'
dataset[,variable][dataset[,variable] ==  'No es necesario porque lo(a) cuidan en la casa'] <- 'No es necesario porque lo(a) cuidan en la casa'
dataset[,variable][dataset[,variable] ==  'No existe establecimiento cercano'] <- 'No existe establecimiento cercano'
dataset[,variable][dataset[,variable] ==  'No hay matrícula (vacantes)'] <- 'No hay matrícula (vacantes)'
dataset[,variable][dataset[,variable] ==  'No hay matrícula (vacantes) o no lo aceptan'] <- 'No hay matrícula (vacantes)'
dataset[,variable][dataset[,variable] ==  'No lo aceptan'] <- 'No lo aceptan'
dataset[,variable][dataset[,variable] ==  'Dada su discapacidad, el establecimiento educacional no lo a'] <- 'No lo aceptan'
dataset[,variable][dataset[,variable] ==  'No fue priorizado por el establecimiento'] <- 'No lo aceptan'
dataset[,variable][dataset[,variable] ==  'No me alcanza el puntaje de la ficha de protección social'] <- 'No me alcanza el puntaje de la ficha de protección social'
dataset[,variable][dataset[,variable] ==  'No me alcanza el puntaje de la ficha de protección social para postular'] <- 'No me alcanza el puntaje de la ficha de protección social'
dataset[,variable][dataset[,variable] ==  'No me alcanza el puntaje de la Ficha de Protección Social (FPS) para postular'] <- 'No me alcanza el puntaje de la ficha de protección social'
dataset[,variable][dataset[,variable] ==  'NA'] <- 'No sabe o no responde'
dataset[,variable][dataset[,variable] ==  'NS/NR'] <- 'No sabe o no responde'
dataset[,variable][dataset[,variable] ==  'No sabe/no responde'] <- 'No sabe o no responde'
dataset[,variable][dataset[,variable] ==  'Sin dato'] <- 'No sabe o no responde'
dataset[,variable][dataset[,variable] ==  'No veo utilidad en que asista a esta edad'] <- 'No veo utilidad en que asista a esta edad'
dataset[,variable][dataset[,variable] ==  'No me parece necesario que asista a esta edad'] <- 'No veo utilidad en que asista a esta edad'
dataset[,variable][dataset[,variable] ==  'Otra Razón'] <- 'Otra razón'
dataset[,variable][dataset[,variable] ==  'Otra razón. Especifique'] <- 'Otra razón'
dataset[,variable][dataset[,variable] ==  'Se enfermaría mucho'] <- 'Se enfermaría mucho'
dataset[,variable][dataset[,variable] ==  'Se enfermería mucho'] <- 'Se enfermaría mucho'
dataset[,variable][dataset[,variable] ==  'Tiene una discapacidad'] <- 'Tiene una discapacidad o requiere un establecimiento especial'
dataset[,variable][dataset[,variable] ==  'Requiere establecimiento especial'] <- 'Tiene una discapacidad o requiere un establecimiento especial'
dataset[,variable][dataset[,variable] ==  'Tiene discapacidad o requiere de educacional especial'] <- 'Tiene una discapacidad o requiere un establecimiento especial'
dataset[,variable][dataset[,variable] ==  'Tiene discapacidad o requiere establecimiento de educacional especial'] <- 'Tiene una discapacidad o requiere un establecimiento especial'
dataset[,variable][dataset[,variable] ==  'Dada su discapacidad, prefiero que no asista'] <- 'Tiene una discapacidad o requiere un establecimiento especial'

  switch(i,
        case =  casen_2006 <<- dataset,
        case =  casen_2009 <<- dataset,
        case =  casen_2011 <<- dataset,
        case =  casen_2013 <<- dataset,
        case =  casen_2015 <<- dataset,
        case =  casen_2017 <<- dataset,
        case =  casen_2020 <<- dataset 
)
}

for (i in 1:6) {
  
  switch(i,
        case = casen <- casen_2006,
        case = casen <- casen_2009,
        case = casen <- casen_2011,
        case = casen <- casen_2013,
        case = casen <- casen_2015,
        case = casen <- casen_2017,
        case = casen <- casen_2020
)
 variable_en_estudio(casen)
}

2.3.5 Homologamos ciertas categorías asociadas a la población inmigrante

for (i in unique(casen_2020$r2_pais_esp)) {
  pais <- gsub("(^[[:space:]]+|[[:space:]]+$)", "", i)
  pais <- tolower(pais)
  casen_2020$r2_pais_esp[casen_2020$r2_pais_esp == i] <- str_to_title(pais) 
} 

casen_2011$r2p_cod[casen_2011$r2p_cod == "No contesta"] <- "NS/NR"
casen_2013$r2_p_cod[casen_2013$r2_p_cod == "No contesta"] <- "NS/NR"
casen_2015$r2espp_cod[casen_2015$r2espp_cod == "No contesta"] <- "NS/NR"
casen_2017$r2_p_cod[casen_2017$r2_p_cod == "No Bien Especificado"] <- "NS/NR"
casen_2017$r2_p_cod[casen_2017$r2_p_cod == "No Responde"] <- "NS/NR"
casen_2020$r2_pais_esp[casen_2020$r2_pais_esp == "No Bien Especificado"] <- "NS/NR"
casen_2020$r2_pais_esp[casen_2020$r2_pais_esp == ""] <- NA
casen_2020$r2_pais_esp[casen_2020$r2_pais_esp == "No Responde"] <- "NS/NR"

2.3.6 Generamos las tablas de contingencia

Libres de errores lógicos

ab <- casen_2006

b <- ab$COMUNA
c <- ab$E5
d <- ab$T4
e <- ab$SEXO


cross_tab =  xtabs(ab$EXPC ~   unlist(b) + unlist(c)  + unlist(d) + unlist(e) ,aggregate(ab$EXPC ~  unlist(b) + unlist(c) + unlist(d) + unlist(e)  ,ab,mean))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]

d$anio <- "2006"
      
names(d)[1] <- "comuna"
names(d)[2] <- "Razon"
names(d)[3] <- "Etnia"
names(d)[4] <- "Sexo"

names(d)[5] <- "Frecuencia"
names(d)[6] <- "Año"

d_2006 <- d

ab <- casen_2009

b <- ab$COMUNA
c <- ab$E4
d <- ab$T5
e <- ab$SEXO
f <- ab$E1

cross_tab =  xtabs(ab$EXPC~   unlist(b) + unlist(c)  + unlist(d) + unlist(e)  ,aggregate(ab$EXPC ~  unlist(b) + unlist(c) + unlist(d) + unlist(e)  ,ab,mean))

tabla <- as.data.frame(cross_tab)

d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2009"

names(d)[1] <- "comuna"
names(d)[2] <- "Razon"
names(d)[3] <- "Etnia"
names(d)[4] <- "Sexo"

names(d)[5] <- "Frecuencia"
names(d)[6] <- "Año"

d_2009 <- d

ab <- casen_2011

b <- ab$comuna
c <- ab$e4
d <- ab$r6
e <- ab$sexo
f <- ab$e1

cross_tab =  xtabs(ab$expc_full ~   unlist(b) + unlist(c)  + unlist(d) + unlist(e) ,aggregate(ab$expc_full ~  unlist(b) + unlist(c) + unlist(d) + unlist(e) ,ab,mean))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2011"
      
names(d)[1] <- "comuna"
names(d)[2] <- "Razon"
names(d)[3] <- "Etnia"
names(d)[4] <- "Sexo"

names(d)[5] <- "Frecuencia"
names(d)[6] <- "Año"

d_2011 <- d

ab <- casen_2013

b <- ab$comuna
c <- ab$e4
d <- ab$r6
e <- ab$sexo
f <- ab$e1

cross_tab =  xtabs(ab$expc ~   unlist(b) + unlist(c)  + unlist(d) + unlist(e) ,aggregate(ab$expc ~  unlist(b) + unlist(c) + unlist(d) + unlist(e) ,ab,mean))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2013"
      
names(d)[1] <- "comuna"
names(d)[2] <- "Razon"
names(d)[3] <- "Etnia"
names(d)[4] <- "Sexo"

names(d)[5] <- "Frecuencia"
names(d)[6] <- "Año"

d_2013 <- d

ab <- casen_2015

b <- ab$comuna
c <- ab$e4
d <- ab$r3
e <- ab$sexo
f <- ab$e1

cross_tab =  xtabs(ab$expc_todas ~   unlist(b) + unlist(c)  + unlist(d) + unlist(e) ,aggregate(ab$expc_todas ~  unlist(b) + unlist(c) + unlist(d) + unlist(e) ,ab,mean))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2015"
      
names(d)[1] <- "comuna"
names(d)[2] <- "Razon"
names(d)[3] <- "Etnia"
names(d)[4] <- "Sexo"

names(d)[5] <- "Frecuencia"
names(d)[6] <- "Año"

d_2015 <- d

ab <- casen_2017

b <- ab$comuna
c <- ab$e4
d <- ab$r3
e <- ab$sexo
f <- ab$e1

cross_tab =  xtabs(ab$expc ~   unlist(b) + unlist(c)  + unlist(d) + unlist(e) ,aggregate(ab$expc ~  unlist(b) + unlist(c) + unlist(d) + unlist(e) ,ab,mean))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2017"
      
names(d)[1] <- "comuna"
names(d)[2] <- "Razon"
names(d)[3] <- "Etnia"
names(d)[4] <- "Sexo"

names(d)[5] <- "Frecuencia"
names(d)[6] <- "Año"

d_2017 <- d

# ab <- casen_2020
# 
# b <- ab$comuna
# c <- ab$e6a
# d <- ab$r3
# e <- ab$sexo
# f <- ab$e1
# 
# cross_tab =  xtabs(ab$expc ~   unlist(b) + unlist(c)  + unlist(d) + unlist(e) ,aggregate(ab$expc ~  unlist(b) + unlist(c) + unlist(d) + unlist(e) ,ab,mean))
# tabla <- as.data.frame(cross_tab)
# d <-tabla[!(tabla$Freq == 0),]
# d$anio <- "2020"
#       
# names(d)[1] <- "comuna"
# names(d)[2] <- "Estudios"
# names(d)[3] <- "Etnia"
# names(d)[4] <- "Sexo"
# 
# names(d)[6] <- "Frecuencia"
# 
# d_2020 <- d
# 
# d_2020 <- mutate_if(d_2020, is.factor, as.character)
# d_2020$`Sabe leer?`[d_2020$`Sabe leer?` == 0] <- "Sí"
# d_2020$`Sabe leer?`[d_2020$`Sabe leer?` == 1] <- "No"

2.4 Tabla final etnia homologada

Agregamos un código para nuestra variable:

union_etnia <- rbind(d_2006,d_2009, d_2011, d_2013, d_2015, d_2017)
union_etnia <- mutate_if(union_etnia, is.factor, as.character)
union <-union_etnia

#fn_etnia(union)

cod_com <- readRDS("C:/Users/chris/Desktop/archivos grandes/codigos_comunales_2006-2020.rds") 
names(cod_com)[2] <- "comuna"
tab_f <- merge(x=union_etnia, y=cod_com, by="comuna") 





tab_f$cod_etnia[tab_f$Etnia == "Alacalufe" ]  <- "01"
tab_f$cod_etnia[tab_f$Etnia == "Atacameño" ]  <- "02"
tab_f$cod_etnia[tab_f$Etnia == "Aymara" ]  <- "03"
tab_f$cod_etnia[tab_f$Etnia == "Chango" ]  <- "04"
tab_f$cod_etnia[tab_f$Etnia == "Coya" ]  <- "05"
tab_f$cod_etnia[tab_f$Etnia == "Diaguita" ]  <- "06"
tab_f$cod_etnia[tab_f$Etnia == "Mapuche" ]  <- "07"
tab_f$cod_etnia[tab_f$Etnia == "Pascuense" ]  <- "08"
tab_f$cod_etnia[tab_f$Etnia == "Quechua" ]  <- "09" 
tab_f$cod_etnia[tab_f$Etnia == "Yagán" ]  <- "10"
tab_f$cod_etnia[tab_f$Etnia == "No pertenece a ningún pueblo indígena" ]  <- "11"
tab_f$cod_etnia[tab_f$Etnia == NA ]  <- "12"






tab_f$cod_sexo <- tab_f$Sexo
tab_f$cod_sexo[tab_f$cod_sexo == "Hombre"] <- "01"
tab_f$cod_sexo[tab_f$cod_sexo == "Mujer"] <- "02"

tab_f$cod_variable <- tab_f$Razon

tab_f$cod_variable[tab_f$cod_variable ==  'Desconfío del cuidado que recibiría'] <- '1'
tab_f$cod_variable[tab_f$cod_variable ==  'Dificultad de acceso o movilización'] <- '2'
tab_f$cod_variable[tab_f$cod_variable ==  'Dificultad económica'] <- '3'
tab_f$cod_variable[tab_f$cod_variable ==  'El horario no me acomoda'] <- '4'
tab_f$cod_variable[tab_f$cod_variable ==  'No es necesario porque lo(a) cuidan en la casa'] <- '5'
tab_f$cod_variable[tab_f$cod_variable ==  'No es necesario porque lo(a) cuidan en la casa'] <- '5'
tab_f$cod_variable[tab_f$cod_variable ==  'No es necesario porque lo(a) cuidan en la casa'] <- '5'
tab_f$cod_variable[tab_f$cod_variable ==  'No existe establecimiento cercano'] <- '6'
tab_f$cod_variable[tab_f$cod_variable ==  'No hay matrícula (vacantes)'] <- '7'
tab_f$cod_variable[tab_f$cod_variable ==  'No hay matrícula (vacantes)'] <- '7'
tab_f$cod_variable[tab_f$cod_variable ==  'No lo aceptan'] <- '8'
tab_f$cod_variable[tab_f$cod_variable ==  'No lo aceptan'] <- '8'
tab_f$cod_variable[tab_f$cod_variable ==  'No lo aceptan'] <- '8'
tab_f$cod_variable[tab_f$cod_variable ==  'No me alcanza el puntaje de la ficha de protección social'] <- '9'
tab_f$cod_variable[tab_f$cod_variable ==  'No me alcanza el puntaje de la ficha de protección social'] <- '9'
tab_f$cod_variable[tab_f$cod_variable ==  'No me alcanza el puntaje de la ficha de protección social'] <- '9'
tab_f$cod_variable[tab_f$cod_variable ==  'No sabe o no responde'] <- '10'
tab_f$cod_variable[tab_f$cod_variable ==  'No sabe o no responde'] <- '10'
tab_f$cod_variable[tab_f$cod_variable ==  'No sabe o no responde'] <- '10'
tab_f$cod_variable[tab_f$cod_variable ==  'No sabe o no responde'] <- '10'
tab_f$cod_variable[tab_f$cod_variable ==  'No veo utilidad en que asista a esta edad'] <- '11'
tab_f$cod_variable[tab_f$cod_variable ==  'No veo utilidad en que asista a esta edad'] <- '11'
tab_f$cod_variable[tab_f$cod_variable ==  'Otra razón'] <- '12'
tab_f$cod_variable[tab_f$cod_variable ==  'Otra razón'] <- '12'
tab_f$cod_variable[tab_f$cod_variable ==  'Se enfermaría mucho'] <- '13'
tab_f$cod_variable[tab_f$cod_variable ==  'Se enfermaría mucho'] <- '13'
tab_f$cod_variable[tab_f$cod_variable ==  'Tiene una discapacidad o requiere un establecimiento especial'] <- '14'
tab_f$cod_variable[tab_f$cod_variable ==  'Tiene una discapacidad o requiere un establecimiento especial'] <- '14'
tab_f$cod_variable[tab_f$cod_variable ==  'Tiene una discapacidad o requiere un establecimiento especial'] <- '14'
tab_f$cod_variable[tab_f$cod_variable ==  'Tiene una discapacidad o requiere un establecimiento especial'] <- '14'
tab_f$cod_variable[tab_f$cod_variable ==  'Tiene una discapacidad o requiere un establecimiento especial'] <- '14'

tab_f <- tab_f[tab_f$Razon != 0, ]

datatable(tab_f, 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 = 'tabla_ytotcor_e5a'),
          list(extend='pdf',
            filename= 'tabla_ytotcor_e5a')),
          text = 'Download')), scrollX = TRUE))

3 MIGRACIÓN

3.1 Generamos la tabla de contingencia

ab <- casen_2011

b <- ab$comuna
c <- ab$e4
d <- ab$r2p_cod
e <- ab$sexo
f <- ab$e1

cross_tab =  xtabs(ab$expc_full ~   unlist(b) + unlist(c)  + unlist(d) + unlist(e) ,aggregate(ab$expc_full ~  unlist(b) + unlist(c) + unlist(d) + unlist(e) ,ab,mean))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2011"

names(d)[1] <- "comuna"
names(d)[2] <- "Razon"
names(d)[3] <- "Origen"
names(d)[4] <- "Sexo"

names(d)[5] <- "Frecuencia"
names(d)[6] <- "Año"

d_2011 <- d

ab <- casen_2013

b <- ab$comuna
c <- ab$e4
d <- ab$r2_p_cod 
e <- ab$sexo
f <- ab$e1

cross_tab =  xtabs(ab$expc ~   unlist(b) + unlist(c)  + unlist(d) + unlist(e) ,aggregate(ab$expc ~  unlist(b) + unlist(c) + unlist(d) + unlist(e) ,ab,mean)) 
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2013"

names(d)[1] <- "comuna"
names(d)[2] <- "Razon"
names(d)[3] <- "Origen"
names(d)[4] <- "Sexo"

names(d)[5] <- "Frecuencia"
names(d)[6] <- "Año"
d_2013 <- d

ab <- casen_2015

b <- ab$comuna 
c <- ab$e4 
d <- ab$r2espp_cod 
e <- ab$sexo 
f <- ab$e1 

 cross_tab =  xtabs(ab$expc_todas ~   unlist(b) + unlist(c)  + unlist(d) + unlist(e) ,aggregate(ab$expc_todas ~  unlist(b) + unlist(c) + unlist(d) + unlist(e) ,ab,mean))
 tabla <- as.data.frame(cross_tab)
 d <-tabla[!(tabla$Freq == 0),] 
 d$anio <- "2015"

 names(d)[1] <- "comuna"
 names(d)[2] <- "Razon" 
 names(d)[3] <- "Origen" 
 names(d)[4] <- "Sexo" 
  
 names(d)[5] <- "Frecuencia" 
 names(d)[6] <- "Año" 

d_2015 <- d 

ab <- casen_2017

b <- ab$comuna
c <- ab$e4
d <- ab$r2_p_cod
e <- ab$sexo
f <- ab$e1

cross_tab =  xtabs(ab$expc~   unlist(b) + unlist(c)  + unlist(d) + unlist(e) ,aggregate(ab$expc ~  unlist(b) + unlist(c) + unlist(d) + unlist(e) ,ab,mean))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2017"

names(d)[1] <- "comuna"
names(d)[2] <- "Razon"
names(d)[3] <- "Origen"
names(d)[4] <- "Sexo"

names(d)[5] <- "Frecuencia"
names(d)[6] <- "Año"

d_2017 <- d

# ab <- casen_2020
# 
# b <- ab$comuna
# c <- ab$e6a
# d <- ab$r2_pais_esp
# e <- ab$sexo
# f <- ab$e1
# 
# cross_tab =  xtabs(ab$expc ~   unlist(b) + unlist(c)  + unlist(d) + unlist(e) ,aggregate(ab$expc ~  unlist(b) + unlist(c) + unlist(d) + unlist(e) ,ab,mean))
# tabla <- as.data.frame(cross_tab)
# d <-tabla[!(tabla$Freq == 0),]
# d$anio <- "2020"
# names(d)[1] <- "comuna"
# names(d)[2] <- "Razon"
# names(d)[3] <- "Origen"
# names(d)[4] <- "Sexo"
# 
# names(d)[6] <- "Frecuencia"
# names(d)[7] <- "Año"
# d_2020 <- d

3.2 Tabla final inmigración homologada