Trabajo final enRedados

Camila Andrea Lira Davila

2022-11-23

Predicción del desempeño de una persona con condición de discapacidad empleando la regresión logística ordinal y la regresión lineal múltiple - Planteamiento de la pregunta de investigación

¿De qué manera los factores contextuales determinan el desempeño de una persona con condición de discapacidad?

Presentación y análisis de resultados

Activamos las librerías

library(car)
library(dslabs)
library(dplyr)
library(DescTools)#para el pseudo R2
library(ggfortify)
library(haven)
library(lmtest)#para usar breusch pagan
library(MASS)
library(nortest)#para usar Kolmogorov-Smirnov
library(patchwork)
library(performance)
library(rio)
library(see)
library(tidyverse)

Limpieza de la data

bd=import("Base de Datos II Estudio Nacional de la Discapacidad.sav")
#filtramos la data para personas mayores de 18
bd_1=bd%>%filter(edad > 18)
#seleccionamos solo las variables que vamos a usar
data.1<- bd_1[,c("y1","des_puntaje_adulto","educc","sexo","edad","h4","h9","zona","fa1","fa2","fa3","fa4","fa5","fa6","fa7","fa8","fa9","fa10","fa11","fa12","s8_1","h4","disc_adulto","ytot","yaut","n57_1","d1","d2","d3","d4","d5","d6","d7","d10","d11","d12","d13","d14","d15","d16","d19","d20","d21","d22","d23","d24","d25","d26","d27","d28","d29","d34","d35","d36","c4")]
#filtramos la data para personas que tienen condición de discapacidad
data=data.1 %>% filter(disc_adulto == "1")

Recodificación de variables

1. Pertenencia a una comunidad indígena

table(data$h9)
## 
##    1    2    3    4    5    6    9   10   96 
##   35   16    1  154    1    1   12 2386    2
data$n57_1=as.numeric(data$n57_1)
summary(data$n57_1)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##      NA      NA      NA     NaN      NA      NA    2608
class(data$h9)
## [1] "numeric"
data$h9=as.numeric(data$h9)
data$indigena <- car::recode(data$h9, "1=1; 2=1; 3=1; 4=1; 5=1; 6=1; 7=1; 8=1; 9=1; 10=0; else = NA")
table(data$indigena)
## 
##    0    1 
## 2386  220

2. Nivel de Educación

data$educc=as.numeric(data$educc)
data$educacion <- car::recode(data$educc, "0=0; 1=1; 2=2; 3=3; 4=4; 5=5; 6=6; else = NA")
table(data$educacion)
## 
##   0   1   2   3   4   5   6 
## 191 669 411 397 584 119 235
class(data$educacion)
## [1] "numeric"

3. Variable pertenencia a zona rural o urbana

table(data$zona)
## 
##    1    2 
## 2171  437
#urbano=1;  rural=2
data$zona <- car::recode(data$zona, "1=0; 2=1")
table(data$sexo)
## 
##    1    2 
##  801 1807
# urbano=0; rural=1

4. Variable sexo

table(data$sexo)
## 
##    1    2 
##  801 1807
#1=hombre; 2=mujer
data$sexo <- car::recode(data$sexo, "1=0; 2=1")
table(data$sexo)
## 
##    0    1 
##  801 1807
#ahora hombre=0 y mujer=1

5. Variable estado civil casado

data$h4=as.numeric(data$h4)
data$casado <- car::recode(data$h4, "1=1; 2=2; 3=2; 4=2; 5=2; 6=2; 7=2; else = NA")
table(data$casado)
## 
##    1    2 
##  914 1694
class(data$casado)
## [1] "numeric"
#1=casado; 2=no casado

Elaboración de indicadores

6.Indicador de movilidad

table(data$d1)
## 
##   1   2   3   4   5 
## 621 644 685 473 185
data$d1=as.numeric(data$d1)
data$d1 <- car::recode(data$d1, " 1=1; 2=2; 3=3; 4=4; 5=5; else = NA")
table(data$d1)
## 
##   1   2   3   4   5 
## 621 644 685 473 185
table(data$d2)
## 
##   1   2   3   4   5  88 
## 619 525 665 492 306   1
data$d2=as.numeric(data$d2)
data$d2 <- car::recode(data$d2, " 1=1; 2=2; 3=3; 4=4; 5=5; else = NA")
table(data$d2)
## 
##   1   2   3   4   5 
## 619 525 665 492 306
table(data$d3)
## 
##   1   2   3   4   5 
## 998 527 521 346 216
data$d3=as.numeric(data$d3)
data$d3 <- car::recode(data$d3, " 1=1; 2=2; 3=3; 4=4; 5=5; else = NA")
table(data$d3)
## 
##   1   2   3   4   5 
## 998 527 521 346 216
table(data$d4)
## 
##    1    2    3    4    5   88   96 
## 1042  531  480  337  216    1    1
data$d4=as.numeric(data$d4)
data$d4 <- car::recode(data$d4, " 1=1; 2=2; 3=3; 4=4; 5=5; else = NA")
table(data$d4)
## 
##    1    2    3    4    5 
## 1042  531  480  337  216
table(data$d5)
## 
##   1   2   3   4   5  88 
## 483 434 488 552 634  17
data$d5=as.numeric(data$d5)
data$d5 <- car::recode(data$d5, " 1=1; 2=2; 3=3; 4=4; 5=5; else = NA")
table(data$d5)
## 
##   1   2   3   4   5 
## 483 434 488 552 634
table(data$d6)
## 
##   1   2   3   4   5  88  96  99 
## 225 271 414 565 999 129   2   3
data$d6=as.numeric(data$d6)
data$d6 <- car::recode(data$d6, " 1=1; 2=2; 3=3; 4=4; 5=5; else = NA")
table(data$d6)
## 
##   1   2   3   4   5 
## 225 271 414 565 999
table(data$d7)
## 
##   1   2   3   4   5  88  96 
## 862 518 520 407 286  12   3
data$d7=as.numeric(data$d7)
data$d7 <- car::recode(data$d7, " 1=1; 2=2; 3=3; 4=4; 5=5; else = NA")
table(data$d7)
## 
##   1   2   3   4   5 
## 862 518 520 407 286
#lo estandarizamos del 0 al 5
data$movilidad=data$d1+data$d2+data$d3+data$d4+data$d5+data$d6+data$d7
summary(data$movilidad)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##    7.00   13.00   19.00   19.47   25.00   35.00     149
data$movilidad=(((data$d1+data$d2+data$d3+data$d4+data$d5+data$d6+data$d7)-7)*5/28)
summary(data$movilidad)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##   0.000   1.071   2.143   2.226   3.214   5.000     149

7. Indicador cuidado personal

table(data$d10)
## 
##    1    2    3    4    5 
## 1654  414  290  149  101
data$d10=as.numeric(data$d10)
data$d10 <- car::recode(data$d10, " 1=1; 2=2; 3=3; 4=4; 5=5; else = NA")
table(data$d10)
## 
##    1    2    3    4    5 
## 1654  414  290  149  101
table(data$d11)
## 
##    1    2    3    4    5   96 
## 2115  251  136   60   45    1
data$d11=as.numeric(data$d11)
data$d11 <- car::recode(data$d11, " 1=1; 2=2; 3=3; 4=4; 5=5; else = NA")
table(data$d11)
## 
##    1    2    3    4    5 
## 2115  251  136   60   45
table(data$d12)
## 
##    1    2    3    4    5   88   96 
## 2020  259  161   85   80    1    2
data$d12=as.numeric(data$d12)
data$d12 <- car::recode(data$d12, " 1=1; 2=2; 3=3; 4=4; 5=5; else = NA")
table(data$d12)
## 
##    1    2    3    4    5 
## 2020  259  161   85   80
table(data$d13)
## 
##    1    2    3    4    5   88   96   99 
## 1083  394  391  309  415    9    4    3
data$d13=as.numeric(data$d13)
data$d13 <- car::recode(data$d13, " 1=1; 2=2; 3=3; 4=4; 5=5; else = NA")
table(data$d13)
## 
##    1    2    3    4    5 
## 1083  394  391  309  415
table(data$d14)
## 
##    1    2    3    4    5   88   96 
## 1449  506  336  161  150    5    1
data$d14=as.numeric(data$d14)
data$d14 <- car::recode(data$d14, " 1=1; 2=2; 3=3; 4=4; 5=5; else = NA")
table(data$d14)
## 
##    1    2    3    4    5 
## 1449  506  336  161  150
data$cuidadopersonal=data$d10+data$d11+data$d12+data$d13+data$d14
summary(data$cuidadopersonal)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##   5.000   5.000   7.000   8.802  10.000  25.000      23
data$cuidadopersonal=(((data$d10+data$d11+data$d12+data$d13+data$d14)-5)*5/20)
summary(data$cuidadopersonal)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##  0.0000  0.0000  0.5000  0.9506  1.2500  5.0000      23

8. Dolor

table(data$d19)
## 
##   1   2   3   4   5  88 
## 240 494 792 750 329   3
data$d19=as.numeric(data$d19)
data$dolor <- car::recode(data$d19, "0=0; 1=1; 2=2; 3=3; 4=4; 5=5; else = NA")
table(data$dolor)
## 
##   1   2   3   4   5 
## 240 494 792 750 329

9.Indicador de cognición

table(data$d34)
## 
##   1   2   3   4   5  88  99 
## 686 867 638 287 124   5   1
data$d34=as.numeric(data$d34)
data$d34 <- car::recode(data$d34, " 1=1; 2=2; 3=3; 4=4; 5=5; else = NA")
table(data$d34)
## 
##   1   2   3   4   5 
## 686 867 638 287 124
table(data$d36)
## 
##    1    2    3    4    5   88   96   99 
## 1215  746  370  158  104   11    2    2
data$d36=as.numeric(data$d36)
data$d36 <- car::recode(data$d36, " 1=1; 2=2; 3=3; 4=4; 5=5; else = NA")
table(data$d36)
## 
##    1    2    3    4    5 
## 1215  746  370  158  104
table(data$d35)
## 
##    1    2    3    4    5   88   99 
## 1138  765  413  185  100    6    1
data$d35=as.numeric(data$d35)
data$d35 <- car::recode(data$d35, " 1=1; 2=2; 3=3; 4=4; 5=5; else = NA")
table(data$d35)
## 
##    1    2    3    4    5 
## 1138  765  413  185  100
data$cognicion=data$d34+data$d35+data$d36
summary(data$cognicion)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##   3.000   4.000   6.000   6.235   8.000  15.000      19
data$cognicion=(((data$d34+data$d35+data$d36)-3)*5/12)
summary(data$cognicion)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##  0.0000  0.4167  1.2500  1.3480  2.0833  5.0000      19

10. Indicador relaciones interpersonales

table(data$d26)
## 
##    1    2    3    4    5   88   99 
## 1912  369  197   81   41    7    1
data$d26=as.numeric(data$d26)
data$d26 <- car::recode(data$d26, " 1=1; 2=2; 3=3; 4=4; 5=5; else = NA")
table(data$d26)
## 
##    1    2    3    4    5 
## 1912  369  197   81   41
table(data$d27)
## 
##    1    2    3    4    5   88   99 
## 1859  383  198   71   58   34    5
data$d27=as.numeric(data$d27)
data$d27 <- car::recode(data$d27, " 1=1; 2=2; 3=3; 4=4; 5=5; else = NA")
table(data$d27)
## 
##    1    2    3    4    5 
## 1859  383  198   71   58
table(data$d28)
## 
##    1    2    3    4    5   88   96   99 
## 1815  380  190   76   75   61    1   10
data$d28=as.numeric(data$d28)
data$d28 <- car::recode(data$d28, " 1=1; 2=2; 3=3; 4=4; 5=5; else = NA")
table(data$d28)
## 
##    1    2    3    4    5 
## 1815  380  190   76   75
table(data$d29)
## 
##    1    2    3    4    5   88   96   99 
## 1346  225  182  114  280  362    2   97
data$d29=as.numeric(data$d29)
data$d29 <- car::recode(data$d29, " 1=1; 2=2; 3=3; 4=4; 5=5; else = NA")
table(data$d29)
## 
##    1    2    3    4    5 
## 1346  225  182  114  280
data$relacionesinterpersonales=data$d26+data$d27+data$d28+data$d29
summary(data$relacionesinterpersonales)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##   4.000   4.000   5.000   6.408   8.000  20.000     504
data$relacionesinterpersonales=(((data$d26+data$d27+data$d28+data$d29)-4)*5/16)
summary(data$relacionesinterpersonales)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##  0.0000  0.0000  0.3125  0.7526  1.2500  5.0000     504

11. Indicador de vision

table(data$d15)
## 
##    1    2    3    4    5   88 
## 1109  502  538  315  141    3
data$d15=as.numeric(data$d15)
data$d15 <- car::recode(data$d15, "0=0; 1=1; 2=2; 3=3; 4=4; 5=5; else = NA")

table(data$d16)
## 
##    1    2    3    4    5   88 
## 1289  540  431  246   99    3
data$d16=as.numeric(data$d16)
data$d16 <- car::recode(data$d16, "0=0; 1=1; 2=2; 3=3; 4=4; 5=5; else = NA")

data$vision=data$d15+data$d16
summary(data$vision)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##   2.000   2.000   4.000   4.159   6.000  10.000       3
data$vision=(((data$d15+data$d16)-2)*5/8)
summary(data$vision)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##   0.000   0.000   1.250   1.349   2.500   5.000       3

Indicador de sueño y energia

table(data$d20)
## 
##   1   2   3   4   5  88 
## 760 518 684 488 157   1
data$d20=as.numeric(data$d20)
data$d20 <- car::recode(data$d20, " 1=1; 2=2; 3=3; 4=4; 5=5; else = NA")
table(data$d20)
## 
##   1   2   3   4   5 
## 760 518 684 488 157
table(data$d21)
## 
##   1   2   3   4   5  88 
## 358 662 848 543 191   6
data$d21=as.numeric(data$d21)
data$d21 <- car::recode(data$d21, " 1=1; 2=2; 3=3; 4=4; 5=5; else = NA")
table(data$d21)
## 
##   1   2   3   4   5 
## 358 662 848 543 191
data$sueño_energia=data$d20+data$d21
summary(data$sueño_energia)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##   2.000   4.000   5.000   5.352   7.000  10.000       7
data$sueno_energia=(((data$d20+data$d21)-2)*5/8)
summary(data$sueno_energia)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##   0.000   1.250   1.875   2.095   3.125   5.000       7

13. Indicador de emocion

table(data$d24)
## 
##   1   2   3   4   5  88 
## 456 696 710 519 221   6
data$d24=as.numeric(data$d24)
data$d24 <- car::recode(data$d24, " 1=1; 2=2; 3=3; 4=4; 5=5; else = NA")
table(data$d24)
## 
##   1   2   3   4   5 
## 456 696 710 519 221
table(data$d25)
## 
##   1   2   3   4   5  88 
## 399 663 746 560 234   6
data$d25=as.numeric(data$d25)
data$d25 <- car::recode(data$d25, " 1=1; 2=2; 3=3; 4=4; 5=5; else = NA")
table(data$d25)
## 
##   1   2   3   4   5 
## 399 663 746 560 234
data$emocion=data$d24+data$d25
summary(data$emocion)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##   2.000   4.000   6.000   5.585   8.000  10.000       7
data$emocion=(((data$d24+data$d25)-2)*5/8)
summary(data$emocion)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##    0.00    1.25    2.50    2.24    3.75    5.00       7

14.Indicador de factores ambientales

data$fa1=as.numeric(data$fa1)
data$fa1 <- car::recode(data$fa1, " 1=5; 2=4; 3=3; 4=2; 5=1; else = NA")
table(data$fa1)
## 
##   1   2   3   4   5 
## 576 348 309 439 913
data$fa2=as.numeric(data$fa2)
data$fa2 <- car::recode(data$fa2, " 1=5; 2=4; 3=3; 4=2; 5=1; else = NA")
table(data$fa2)
## 
##   1   2   3   4   5 
## 325 270 599 363 819
data$fa3=as.numeric(data$fa3)
data$fa3 <- car::recode(data$fa3, " 1=5; 2=4; 3=3; 4=2; 5=1; else = NA")
table(data$fa3)
## 
##    1    2    3    4    5 
##  287  235  407  351 1203
data$fa4=as.numeric(data$fa4)
data$fa4 <- car::recode(data$fa4, " 1=5; 2=4; 3=3; 4=2; 5=1; else = NA")
table(data$fa4)
## 
##   1   2   3   4   5 
## 169 136 516 200 941
data$fa5=as.numeric(data$fa5)
data$fa5 <- car::recode(data$fa5, " 1=5; 2=4; 3=3; 4=2; 5=1; else = NA")
table(data$fa5)
## 
##   1   2   3   4   5 
## 588 363 280 357 924
data$fa6=as.numeric(data$fa6)
data$fa6 <- car::recode(data$fa6, " 1=5; 2=4; 3=3; 4=2; 5=1; else = NA")
table(data$fa6)
## 
##    1    2    3    4    5 
##  191  227  219  310 1652
data$fa7=as.numeric(data$fa7)
data$fa7 <- car::recode(data$fa7, " 1=5; 2=4; 3=3; 4=2; 5=1; else = NA")
table(data$fa7)
## 
##    1    2    3    4    5 
##  199  273  345  346 1435
data$fa8=as.numeric(data$fa8)
data$fa8 <- car::recode(data$fa8, " 1=5; 2=4; 3=3; 4=2; 5=1; else = NA")
table(data$fa8)
## 
##    1    2    3    4    5 
##   79  160  314  292 1755
data$fa9=as.numeric(data$fa9)
data$fa9 <- car::recode(data$fa9, " 1=5; 2=4; 3=3; 4=2; 5=1; else = NA")
table(data$fa9)
## 
##    1    2    3    4    5 
##  230  298  403  306 1364
data$fa10=as.numeric(data$fa10)
data$fa10 <- car::recode(data$fa10, "1=5; 2=4; 3=3; 4=2; 5=1; else = NA")
table(data$fa10)
## 
##   1   2   3   4   5 
## 538 453 485 269 815
# sumatoria
data$factores_ambientales.1=data$fa1+data$fa2+data$fa3+data$fa4+data$fa5+data$fa6+data$fa7+data$fa8+data$fa9+data$fa10
summary(data$factores_ambientales.1)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##   10.00   31.00   38.00   37.24   44.00   50.00     801
#estandarización del indicador de 0 a 5
data$factores_ambientales=(((data$fa1+data$fa2+data$fa3+data$fa4+data$fa5+data$fa6+data$fa7+data$fa8+data$fa9+data$fa10)-10)*5/40)
summary(data$factores_ambientales)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##   0.000   2.625   3.500   3.405   4.250   5.000     801

variable dependiente: nivel de ingresos

data$nivel_ingreso=
  cut(data$ytot, 
  breaks=c(0,400000,700000,1050000,3000000), 
  labels=c("bajo","medio-bajo","medio-alto","alto"))
table(data$nivel_ingreso)
## 
##       bajo medio-bajo medio-alto       alto 
##       1958        190         51         31
data$nivel_ingreso=as.factor(data$nivel_ingreso)

Modelo de regresión lineal

modelo=polr(nivel_ingreso ~ indigena + edad + educacion + sexo + casado + zona + movilidad + cuidadopersonal + dolor + cognicion + relacionesinterpersonales + vision + sueno_energia + emocion + factores_ambientales, data = data, Hess=TRUE)
summary(modelo)
## Call:
## polr(formula = nivel_ingreso ~ indigena + edad + educacion + 
##     sexo + casado + zona + movilidad + cuidadopersonal + dolor + 
##     cognicion + relacionesinterpersonales + vision + sueno_energia + 
##     emocion + factores_ambientales, data = data, Hess = TRUE)
## 
## Coefficients:
##                               Value Std. Error  t value
## indigena                  -0.477661   0.396659 -1.20421
## edad                      -0.002794   0.006506 -0.42943
## educacion                  0.881550   0.073585 11.97996
## sexo                      -0.625348   0.198080 -3.15704
## casado                    -0.497518   0.199632 -2.49218
## zona                      -0.539634   0.404743 -1.33328
## movilidad                 -0.073592   0.109805 -0.67020
## cuidadopersonal           -0.004039   0.137491 -0.02938
## dolor                      0.003375   0.098460  0.03428
## cognicion                  0.005601   0.100084  0.05596
## relacionesinterpersonales  0.078112   0.111720  0.69918
## vision                    -0.109533   0.080286 -1.36428
## sueno_energia              0.055844   0.095260  0.58623
## emocion                   -0.080237   0.086599 -0.92653
## factores_ambientales       0.067276   0.097656  0.68890
## 
## Intercepts:
##                       Value   Std. Error t value
## bajo|medio-bajo        3.7002  0.7884     4.6934
## medio-bajo|medio-alto  5.2801  0.8029     6.5760
## medio-alto|alto        6.2091  0.8196     7.5759
## 
## Residual Deviance: 955.4771 
## AIC: 991.4771 
## (1320 observations deleted due to missingness)
PseudoR2(modelo, which = c("Nagelkerke"))
## Nagelkerke 
##  0.3210301
summary_table <- coef(summary(modelo))
summary_table
##                                  Value  Std. Error     t value
## indigena                  -0.477661159 0.396658950 -1.20421122
## edad                      -0.002793808 0.006505892 -0.42942729
## educacion                  0.881550413 0.073585446 11.97995615
## sexo                      -0.625347524 0.198080062 -3.15704426
## casado                    -0.497518440 0.199631834 -2.49217988
## zona                      -0.539634270 0.404743181 -1.33327575
## movilidad                 -0.073592114 0.109805419 -0.67020475
## cuidadopersonal           -0.004038830 0.137490822 -0.02937527
## dolor                      0.003375025 0.098460095  0.03427810
## cognicion                  0.005601086 0.100083818  0.05596396
## relacionesinterpersonales  0.078112499 0.111719791  0.69918229
## vision                    -0.109533277 0.080286485 -1.36428039
## sueno_energia              0.055844235 0.095260324  0.58622764
## emocion                   -0.080236700 0.086598811 -0.92653351
## factores_ambientales       0.067275539 0.097656158  0.68890217
## bajo|medio-bajo            3.700198074 0.788386615  4.69338013
## medio-bajo|medio-alto      5.280142042 0.802936327  6.57604080
## medio-alto|alto            6.209149050 0.819590867  7.57591293
pval <- pnorm(abs(summary_table[, "t value"]),lower.tail = FALSE)* 2
pval
##                  indigena                      edad                 educacion 
##              2.285080e-01              6.676123e-01              4.525630e-33 
##                      sexo                    casado                      zona 
##              1.593772e-03              1.269617e-02              1.824413e-01 
##                 movilidad           cuidadopersonal                     dolor 
##              5.027273e-01              9.765653e-01              9.726554e-01 
##                 cognicion relacionesinterpersonales                    vision 
##              9.553705e-01              4.844381e-01              1.724793e-01 
##             sueno_energia                   emocion      factores_ambientales 
##              5.577226e-01              3.541688e-01              4.908848e-01 
##           bajo|medio-bajo     medio-bajo|medio-alto           medio-alto|alto 
##              2.687275e-06              4.831400e-11              3.566109e-14
summary_table <- cbind(summary_table, "p value" = pval)
summary_table
##                                  Value  Std. Error     t value      p value
## indigena                  -0.477661159 0.396658950 -1.20421122 2.285080e-01
## edad                      -0.002793808 0.006505892 -0.42942729 6.676123e-01
## educacion                  0.881550413 0.073585446 11.97995615 4.525630e-33
## sexo                      -0.625347524 0.198080062 -3.15704426 1.593772e-03
## casado                    -0.497518440 0.199631834 -2.49217988 1.269617e-02
## zona                      -0.539634270 0.404743181 -1.33327575 1.824413e-01
## movilidad                 -0.073592114 0.109805419 -0.67020475 5.027273e-01
## cuidadopersonal           -0.004038830 0.137490822 -0.02937527 9.765653e-01
## dolor                      0.003375025 0.098460095  0.03427810 9.726554e-01
## cognicion                  0.005601086 0.100083818  0.05596396 9.553705e-01
## relacionesinterpersonales  0.078112499 0.111719791  0.69918229 4.844381e-01
## vision                    -0.109533277 0.080286485 -1.36428039 1.724793e-01
## sueno_energia              0.055844235 0.095260324  0.58622764 5.577226e-01
## emocion                   -0.080236700 0.086598811 -0.92653351 3.541688e-01
## factores_ambientales       0.067275539 0.097656158  0.68890217 4.908848e-01
## bajo|medio-bajo            3.700198074 0.788386615  4.69338013 2.687275e-06
## medio-bajo|medio-alto      5.280142042 0.802936327  6.57604080 4.831400e-11
## medio-alto|alto            6.209149050 0.819590867  7.57591293 3.566109e-14
exp(coef(modelo))
##                  indigena                      edad                 educacion 
##                 0.6202323                 0.9972101                 2.4146405 
##                      sexo                    casado                      zona 
##                 0.5350754                 0.6080377                 0.5829614 
##                 movilidad           cuidadopersonal                     dolor 
##                 0.9290506                 0.9959693                 1.0033807 
##                 cognicion relacionesinterpersonales                    vision 
##                 1.0056168                 1.0812443                 0.8962523 
##             sueno_energia                   emocion      factores_ambientales 
##                 1.0574330                 0.9228979                 1.0695902
coef(summary(modelo))
##                                  Value  Std. Error     t value
## indigena                  -0.477661159 0.396658950 -1.20421122
## edad                      -0.002793808 0.006505892 -0.42942729
## educacion                  0.881550413 0.073585446 11.97995615
## sexo                      -0.625347524 0.198080062 -3.15704426
## casado                    -0.497518440 0.199631834 -2.49217988
## zona                      -0.539634270 0.404743181 -1.33327575
## movilidad                 -0.073592114 0.109805419 -0.67020475
## cuidadopersonal           -0.004038830 0.137490822 -0.02937527
## dolor                      0.003375025 0.098460095  0.03427810
## cognicion                  0.005601086 0.100083818  0.05596396
## relacionesinterpersonales  0.078112499 0.111719791  0.69918229
## vision                    -0.109533277 0.080286485 -1.36428039
## sueno_energia              0.055844235 0.095260324  0.58622764
## emocion                   -0.080236700 0.086598811 -0.92653351
## factores_ambientales       0.067275539 0.097656158  0.68890217
## bajo|medio-bajo            3.700198074 0.788386615  4.69338013
## medio-bajo|medio-alto      5.280142042 0.802936327  6.57604080
## medio-alto|alto            6.209149050 0.819590867  7.57591293

coeficientes negativos

#variable pertenencia a una comunidad indígena
1/exp(-0.477661159)
## [1] 1.612299
#variable edad
1/exp(-0.002793808)
## [1] 1.002798
#variable sexo
1/exp(-0.625347524)
## [1] 1.868895
#variable casado
1/exp(-0.497518440)
## [1] 1.644635
#variable zona en la que reside
1/exp(-0.539634270)
## [1] 1.715379
#indicador de movilidad
1/exp(-0.073592114)
## [1] 1.076368
#indicador de cuidado personal
1/exp(-0.004038830)
## [1] 1.004047
#indicador de vision
1/exp(-0.109533277)
## [1] 1.115757
#indicador de emocion
1/exp(-0.080236700)
## [1] 1.083544

Probabilidad en porcentaje para los coeficiente negativos

#variable pertenencia a una comunidad indígena
1-exp(-0.477661159)*100
## [1] -61.02323
#variable edad
1-exp(-0.002793808)*100
## [1] -98.72101
#variable sexo
1-exp(-0.625347524)*100
## [1] -52.50754
#variable casado
1-exp(-0.497518440)*100
## [1] -59.80377
#variable zona en la que reside
1-exp(-0.539634270)*100
## [1] -57.29614
#indicador de movilidad
1-exp(-0.073592114)*100
## [1] -91.90506
#indicador de cuidado personal
1-exp(-0.004038830)*100
## [1] -98.59693
#indicador de vision
1-exp(-0.109533277)*100
## [1] -88.62523
#indicador de emocion
1-exp(-0.080236700)*100
## [1] -91.28979

primer corte: ecuación 1

num_1 = exp(3.700198074 - ((-0.477661159* ##) + (-0.002793808* ##)+ (0.881550413* ##) + (-0.625347524* ##) + (-0.497518440* ##)+(-0.539634270* ##)+(-0.073592114* ##) + (-0.004038830 * ##) + (0.003375025* ##) + (0.005601086* ##) + (0.078112499* ##) + (-0.109533277* ##) + (0.055844235* ##) + (-0.080236700* ##) + (0.067275539* ##)))

A continuación, se va a estimar la probabilidad de que una persona en situación de discapacidad tenga un nivel de salario bajo segun las sigueintes características

  1. no pertenezca a una comunidad indígena
  2. 40 años de edad
  3. secundaria completa
  4. resida en una zona urbana
  5. indicador de movilidad presente un puntaje 0 (nada problemático)
  6. indicador de cuidado personal presente un puntaje de 3
  7. indicador de dolor presente un puntaje 0 (nada problemático)
  8. indicador de cognición presente un puntaje 0 (nada problemático)
  9. indicador de relaciones interpersonales presente un puntaje 2 (poco problemático)
  10. indicador de visión presente un puntake 5 (extremadamente problemático
  11. indicador de sueño y energía pesente un valor 2 (poco problemático)
  12. indicador de emoción presente un valor 2 (poco problemático)
  13. indicador de factores ambientales sea 4 (medianamente problemático)
  14. hombre
  15. casado num_1 = exp(3.700198074 - ((-0.477661159* ##) + (-0.002793808* ##)+ (0.881550413* ##) + (-0.625347524* ##) + (-0.497518440* ##)+(-0.539634270* ##)+(-0.073592114* ##) + (-0.004038830 * ##) + (0.003375025* ##) + (0.005601086* ##) + (0.078112499* ##) + (-0.109533277* ##) + (0.055844235* ##) + (-0.080236700* ##) + (0.067275539* ##))) denom_1 = 1 + num_1 p_menorigual_muybajo= num_1/denom_1 p_menorigual_muybajo
num_1 = exp(3.700198074 - ((-0.477661159*0) + (-0.002793808*40)+ (0.881550413*4) + (-0.625347524*0) + (-0.497518440*1)+(-0.539634270*0)+(-0.073592114*0) + (-0.004038830 *3) + (0.003375025*0) + (0.005601086*0) + (0.078112499*2) + (-0.109533277*5) + (0.055844235*2) + (-0.080236700*2) + (0.067275539*4)))
denom_1 = 1 + num_1
p_menorigual_muybajo= num_1/denom_1
p_menorigual_muybajo
## [1] 0.7244229

segundo corte

num_1 = exp(5.280142042 - ((-0.477661159* ##) + (-0.002793808* ##)+ (0.881550413* ##) + (-0.625347524* ##) + (-0.497518440* ##)+(-0.539634270* ##)+(-0.073592114* ##) + (-0.004038830 * ##) + (0.003375025* ##) + (0.005601086* ##) + (0.078112499* ##) + (-0.109533277* ##) + (0.055844235* ##) + (-0.080236700* ##) + (0.067275539* ##)))

denom_2 = 1 + num_2 p_menorigual_muybajo= num_2/denom_2 p_menorigual_muybajo

tercer corte

num_1 = exp(6.209149050 - ((-0.477661159* ##) + (-0.002793808* ##)+ (0.881550413* ##) + (-0.625347524* ##) + (-0.497518440* ##)+(-0.539634270* ##)+(-0.073592114* ##) + (-0.004038830 * ##) + (0.003375025* ##) + (0.005601086* ##) + (0.078112499* ##) + (-0.109533277* ##) + (0.055844235* ##) + (-0.080236700* ##) + (0.067275539* ##)))

denom_3 = 1 + num_3 p_menorigual_muybajo= num_3/denom_3 p_menorigual_muybajo

Probabilidad en porcentaje para los coeficientes posivitivos

head(modelo$fitted.values)
##         bajo  medio-bajo  medio-alto         alto
## 1  0.9377384 0.048769546 0.008119571 0.0053724889
## 3  0.7793808 0.165523173 0.032585686 0.0225103490
## 5  0.9901522 0.007803301 0.001236035 0.0008084676
## 6  0.9914891 0.006745859 0.001067215 0.0006978499
## 8  0.4853001 0.335404343 0.099866845 0.0794287228
## 11 0.9752559 0.019545001 0.003139259 0.0020598427