Trabajo Integrador para los modulos III, IV y V
Javier Perez IbaƱez
ModelizaciĆ³n de datos con EPH.
El objetivo de este trabajo es lograr presentar dos modelos que puedan predecir una variable objetivo propuesta desde la diplomatura. El dataset con el que se trabajĆ³ esta compuesto por un subconjuto de datos de la EPH correspondientes al segundo cuatrimestre 2020. La variable dependiente o objetivo es P21: Ingreso de la ocupaciĆ³n principal. En busca de cumplir el objetivo previamente planteando se dividiĆ³ el trabajo en dos secciones. En la primera parte realizaremos un anĆ”lisis exploratorio de las variables incluidas en el dataste. En la segunda secciĆ³n presentaremos los modelos, compararemos los resultados y justificaremos la elecciĆ³n de uno de ellos.
1 - Wrangeling y exploraciĆ³n del datase
library(tidyverse)
library(caret)
library(ggplot2)
library(ggthemes)
library(GGally)
library(ggridges)
options(scipen=999)Base<-read.csv("01_2020_II_eph_ocupados.csv")
Base<- Base %>%
mutate(NIVEL_ED = case_when( NIVEL_ED == "Primaria completa"~ "Primaria comp.",
NIVEL_ED == "Primaria incompleta (incluye educacion especial)"~"Primaria incom",
NIVEL_ED == "Secundaria completa" ~ "Secundaria comp.",
NIVEL_ED == "Secundaria incompleta" ~ "Secundaria incom",
NIVEL_ED == "Superior universitaria completa" ~"Sup. universitaria comp.",
NIVEL_ED == "Superior universitaria incompleta"~ "Sup. universitaria incom.",
NIVEL_ED == "Sin instruccion" ~ "Sin instruccion")) %>%
mutate( NIVEL_ED = fct_relevel(NIVEL_ED, c("Sin instruccion","Primaria incom","Primaria comp.","Secundaria incom","Secundaria comp.", "Sup. universitaria incom.","Sup. universitaria comp."))) %>%
mutate( CH03 = fct_relevel(CH03, c("Jefe/a","Conyuge / Pareja", "Hijo/a Hijastro/a", "Yerno/Nuera", "Nietro/a", "Madre/Padre","Suegro/a","Hermano/a","Otros Familiares", "No familiares"))) %>%
mutate(CH07 = str_replace(CH07, "[?]","")) %>%
mutate(PP04A = str_replace(PP04A, "...","")) %>%
mutate(CATEGORIA = str_replace_all(CATEGORIA, "ĆĀ³", "Ć³")) %>%
mutate(CATEGORIA = str_replace_all(CATEGORIA, "ĆĀ©", "Ć©")) %>%
mutate(CALIFICACION = str_replace_all(CALIFICACION, "ĆĀ©", "Ć©")) %>%
mutate( P21 = str_replace_all(P21, "-9", "0" )) %>%
mutate( P21 = as.integer(P21))La variable objetivo propuesta es el Ingreso de la ocupaciĆ³n principal. SegĆŗn esto corresponde a ingresos laborales provenientes de la ocupaciĆ³n principal( dando cuenta que pueda haber otras ocupaciones del tipo secundaria) hubieren generado ingresos en el mes de referencia. Esto por tanto excluye a todo ingreso no-laboral tal como jubilaciones/pensiones, rentas de la propiedad derivadas de la producciĆ³n, rentas de la propiedad derivadas de inversiones financieras y transferencias. Esta variable es cuantitativa del tipo continuo. El mĆ”ximo registro de nuestra variable objetivo es de 545.000 pesos y su mĆnimo es 0. La media de la distribuciĆ³n es 23.759, la mediana 00.000 y la desviaciĆ³n estĆ”ndar es 24.436. Este anĆ”lisis explotarlo de la distribuciĆ³n variable dependiente puede verse en el grĆ”fico 0 y nos permite concluir que: a- Muchos valores se encuentran localizados sobre la cola izquierda de la distribuciĆ³n, sobre todo sobre la categorĆa ā0 ingresosā que concentran el 16% de los casos. Desde la media a la izquierda todos los valores se encuentran a un desviĆ³ estĆ”ndar. b- A su vez, sobre la cola derecha de la distribuciĆ³n los valores mĆ”ximos se encuentran mĆ”s dispersos. A 1 desviĆ³ estĆ”ndar se encuentran el 88% de los casos y a 2 el 96%. el 4% restante
Histograma_p21<- ggplot(Base, aes( x = P21))+
geom_histogram(fill= "#393B45")+
geom_vline(aes(xintercept = mean(P21), colour = "Media"),linetype= "dashed", size = 0.9)+
geom_vline(aes(xintercept = median(P21), colour = "Mediana"),linetype= "dashed", size = 0.9)+
scale_color_manual(values = c("Media" = "#F3B54A", "Mediana" = "#6E7889"))+
theme_few()+
labs( x = "Ingreso de la ocupaciĆ³n principal", y = " ", title = 0 )+
theme(legend.title = element_blank())
Histograma_p21
summary(Base$P21)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0 6000 20000 23759 35000 545000quantile(Base$P21, prob=seq(0, 1, length = 101))## 0% 1% 2% 3% 4% 5% 6% 7% 8% 9% 10%
## 0 0 0 0 0 0 0 0 0 0 0
## 11% 12% 13% 14% 15% 16% 17% 18% 19% 20% 21%
## 0 0 0 0 0 0 600 2000 3000 3600 4000
## 22% 23% 24% 25% 26% 27% 28% 29% 30% 31% 32%
## 5000 5000 6000 6000 7000 8000 8000 8500 9000 10000 10000
## 33% 34% 35% 36% 37% 38% 39% 40% 41% 42% 43%
## 10000 10700 12000 12000 12800 13500 14956 15000 15000 15000 15000
## 44% 45% 46% 47% 48% 49% 50% 51% 52% 53% 54%
## 16000 17000 18000 18000 19000 20000 20000 20000 20000 20000 21600
## 55% 56% 57% 58% 59% 60% 61% 62% 63% 64% 65%
## 22410 23000 25000 25000 25000 25000 25000 26000 27000 28000 28000
## 66% 67% 68% 69% 70% 71% 72% 73% 74% 75% 76%
## 30000 30000 30000 30000 30000 30000 31000 32000 35000 35000 35000
## 77% 78% 79% 80% 81% 82% 83% 84% 85% 86% 87%
## 35000 36000 38000 39000 40000 40000 40000 40000 42000 45000 45000
## 88% 89% 90% 91% 92% 93% 94% 95% 96% 97% 98%
## 46000 50000 50000 50000 52000 58000 60000 60000 70000 75000 85000
## 99% 100%
## 100000 545000var(Base$P21)## [1] 597164562sd(Base$P21)## [1] 24436.95Las variables predictoras o independientes para este parcial son 11, 9 categorĆas y solo 2 cuantitativas. A continuaciĆ³n se elaboraron 6 grĆ”ficos que muestran la relaciĆ³n entre ellas en busca y la variable que se prentende explicar. Dado los casos extremos existente en la variable P21, se dejaron afuera los registros mayores a 100.000 pesos en busca de mejorar la visualizaciĆ³n de la informaciĆ³n.
a<-Base %>%
filter(P21 <= 100000) %>%
ggplot(aes( x = NIVEL_ED, y = P21, fill= NIVEL_ED))+
geom_boxplot()+
scale_x_discrete(guide = guide_axis(n.dodge=2))+
scale_fill_manual(values=c("#6ec6ca", #1
"#217CA3", #2
'#5A4E4D', #3
'#E69F00', #4
"#D46c4e", #5
"#f9ad6a", #6
"#DDD8c4", #7
"#a3c9a8", #8
"#69a297", #9
"#50808e" #10
))+
theme_few()+
labs( x = " ",y= "P21: Ingreso de la ocupaciĆ³n principal", title = 1)+
theme(legend.position = "none")
a
b<- Base %>% filter(P21 <= 100000) %>%
ggplot ()+
geom_density_ridges(aes(x= P21, y = CH03, fill= CH03)) +
theme_ridges() +
scale_fill_manual(values=c("#6ec6ca", #1
"#217CA3", #2
'#5A4E4D', #3
'#E69F00', #4
"#D46c4e", #5
"#f9ad6a", #6
"#DDD8c4", #7
"#a3c9a8", #8
"#69a297", #9
"#50808e" #10
))+
labs( x ="P21: Ingreso de la ocupaciĆ³n principal", y= "", title = 2)+
theme(legend.position = "none")
b
c<- Base %>% filter(P21 <= 100000) %>%
ggplot(aes(y= P21, x= CH04, fill = CH04))+
geom_violin(width=1.4)+
geom_boxplot(width=0.6, color="black", alpha = 0.1)+
theme_few()+
scale_fill_manual(values=c( '#5A4E4D', #3
'#E69F00', #4
"#D46c4e", #5
"#f9ad6a", #6
"#DDD8c4", #7
"#a3c9a8", #8
"#69a297", #9
"#50808e" #10
))+
labs( x ="", y= "P21: Ingreso de la ocupaciĆ³n principal", title = 3)+
theme(legend.position = "none")
c
d<-Base %>% filter(P21 <= 100000) %>%
ggplot(aes(y= P21, x= CH06, color = CH07))+
geom_point()+
geom_smooth(method=lm, color = "black" )+
theme_few()+
scale_color_manual(values=c('#5A4E4D', #3
'#E69F00', #4
"#D46c4e", #5
"#f9ad6a", #6
"#DDD8c4", #7
"#a3c9a8", #8
"#69a297", #9
"#50808e" #10
))+
labs( x = "Edad" , y= "P21: Ingreso de la ocupaciĆ³n principal" ,title = 4)+
theme(legend.position = "bottom", legend.title = element_blank())
d
e<- Base %>% filter( P21 <= 100000, CAT_OCUP != "Trabajador familiar sin remuneracion") %>%
ggplot(aes(y = P21, x = CAT_OCUP, fill= CALIFICACION))+
geom_bar(position = "dodge",
stat = "summary",
fun = "mean")+
theme_few()+
scale_fill_manual(values=c('#5A4E4D', #3
'#E69F00', #4
"#D46c4e", #5
"#f9ad6a", #6
"#DDD8c4", #7
"#a3c9a8", #8
"#69a297", #9
"#50808e" #10
))+
labs( x ="", y= "P21: Ingreso de la ocupaciĆ³n principal" ,title = 5)+
theme(legend.position = "bottom", legend.title = element_blank())
e
f<- Base %>% filter(P21 <= 100000, PP3E_TOT <= 100) %>%
ggplot(aes(y= P21, x=PP3E_TOT, color = PP04A))+
geom_point()+
geom_smooth(method=lm )+
theme_few()+
scale_color_manual(values=c("#6ec6ca", #1
"#217CA3", #2
'#5A4E4D', #3
'#E69F00', #4
"#D46c4e", #5
"#f9ad6a", #6
"#DDD8c4", #7
"#a3c9a8", #8
"#69a297", #9
"#50808e" #10
))+
labs( x ="Horas trabajadas", y= "P21: Ingreso de la ocupaciĆ³n principal", title = 6)+
theme(legend.position = "bottom", legend.title = element_blank())
f
### 2 - ModelizaciĆ³n de datos