Flujo de análisis de datos 1: Ajustando
Juan Carlos Castillo / jc-castillo.com
26 mayo, 2019
A continuación se presenta un ejemplo de flujo de análisis utilizando R / RStudio. Este flujo corresponde a la primera parte de ajuste de los datos, y más adelante se presentaran flujos de descripción y de modelamiento.
Actualmente existe mucha literatura y tutoriales sobre esto, pero en general se abordan aspectos del análisis por separado y con una profundidad y complejidad que en ocasiones es una barrera para utilizar los recursos de R de una manera más pragmática para análisis y reporte de datos.
El flujo presentado acá proviene de mi experiencia personal analizando datos y enseñando a hacerlo, y se orienta por la reproducibilidad y la parsimonia En relación a la reproducibilidad, se trata de siempre tener en mente que el código y reporte tienen que ser entendidos por otros y por mí mismo en el futuro. Y la parsimonia es parte de esto: la menor cantidad de recursos posibles para hacer lo más posible, y buscar las funciones más intuitivas.
1 Librerías y datos
1.1 Librerías
El procedimiento de análisis en R requiere usualmente cargar librerías, que son un conjunto de funciones para análisis específicos. Las librerías para análisis básicos vienen pre-instaladas, y para funciones más específicas hay que instalarla (en caso de no estar ya instalada), y si ya está instalada se carga. Ejemplo, la librería dplyr
Para hacer más expedito este procedimiento se recomienda utilizar la librería pacman, que sirve para instalar y cargar de manera expedita otras librerías. También se recomienda comentar luego de cada librería para qué se va a utilizar, para llevar un registro 1
pacman::p_load(haven, # abrir bases de datos en otros formatos
dplyr, # data management
car, # recode
sjmisc # descriptivos
)Recomendación general: cargar en el preámbulo las librerías que más se utilizan durante el análisis. Si alguna función de una librería se utiliza pocas veces, es mejor utilizar una segunda forma de acceder a las funciones sin necesidad de cargar la librería. Por ejemplo, si quiero utilizar la función para recodificar rec de la librería sjmisc:
En este caso, la lógica es librería::función, y no se requiere cargar la librería pero sí debe estar previamente instalada.
1.2 Abrir base de datos
En caso que las bases estén en formatos separados por comas u otro separador (tabulaciones, espacios):
Si se encuentran en un formato estándar tipo spss, stata, sas, se recomienda utilizar las funciones respectivas de la librería haven. En este caso, la base de datos a utilizar (ELSOC) se encuentra en formato Stata, y utilizamos la función read_dta. Se da la ruta al archivo local, en este caso la llamamos directamente de la web
Y realizamos un chequeo básico de la lectura de datos: nombres de las variables y tamaño de la base en términos de casos y variables (en este ejemplo, 2984 casos y 374 variables).
## [1] 2984 374Y si se quiere revisar en formato de planilla de datos:
2 Ajuste y generación de variables
Esta parte inicial del análisis es usualmente la más tediosa y la más larga, y consiste en dejar los datos listos para ser analizados. Los procedimientos usuales son selección y renombramiento de las variables, identificación de casos perdidos, recodificaciones y generación de índices simples.
2.1 Selección y renombre de variables
Este paso es opcional y consiste en crear un subset de datos para continuar con los análisis, en lugar de hacerlo con la base completa. Para ello:
- Primero, se identifica el nombre de las variables. Esto aparece en el libro de códigos y/o en el cuestionario, o también se puede hacer buscando en la base de datos mediante alguna palabra clave asociada a la pregunta. Por ejemplo, si queremos buscar variables asociadas a educación, utilizamos la función
find_var, desjmisc(entrega nombre de la variable en columna var.name)
## col.nr var.name var.label
## 1 197 d2_02 Es justo que las personas de altos ingresos tengan una mejor educacion para sus
## 2 204 d5_02 Tener un buen nivel de educacion
## 3 242 f5_07 Que estudiantes tiren piedras a Carabineros en una marcha por la educacion del p
## 4 275 m1 Cual es su nivel educacional? Indique el tipo de estudio actual (si estudia actu
## 5 295 m20 Cual es el nivel educacional del principal sostenedor del hogar?
## 6 302 m27 Cual es/fue el nivel educacional de su padre?
## 7 303 m28 Cual es/fue el nivel educacional de su madre?- En segundo lugar se crea un subset que contiene solo las variables que se van a utilizar en el análisis, mediante la función
selectdedplyr. Con esta función se puede además en un paso otorgar un nombre más sustantivo a la variable, que facilite su posterior utilización. En este caso, daremos el nombre sstatus a la variable de estatus subjetivo d1_01, ingreso a m30, educación a m1, sexo se queda con su nombre y nhogar (número de personas del hogar) también. Este subset puede cambiar posteriormente, solo agregar/quitar variables y correr el código nuevamente
data_n <- data %>% select(sstatus = d1_01, ingreso_monto=m29monto, ingreso_rango=m30,educacion=m1,sexo, nhogar)
summary(data_n)## sstatus ingreso_monto ingreso_rango educacion sexo nhogar
## Min. : 0.00 Min. :0.000e+00 Min. : 1.00 Min. : 1.000 Min. :1.000 Min. : 1.00
## 1st Qu.: 3.00 1st Qu.:1.000e+05 1st Qu.: 4.00 1st Qu.: 4.000 1st Qu.:1.000 1st Qu.: 2.00
## Median : 5.00 Median :3.300e+05 Median : 9.00 Median : 5.000 Median :2.000 Median : 3.00
## Mean : 4.68 Mean :1.945e+06 Mean :28.65 Mean : 5.327 Mean :1.606 Mean : 3.09
## 3rd Qu.: 5.00 3rd Qu.:6.000e+05 3rd Qu.:20.00 3rd Qu.: 7.000 3rd Qu.:2.000 3rd Qu.: 4.00
## Max. :99.00 Max. :4.000e+09 Max. :99.00 Max. :99.000 Max. :2.000 Max. :15.00
## NA's :23502.2 Recodificación de variables
Introducción
En el caso de trabajar con R, el ajuste de las variables pasa por atender el distinto tipo de estructura, usualmente numérico (vector) o variable categórica (factor). Esta definición establece diferencias claras; por ejemplo, no se puede hacer un promedio con un factor, y los vectores númericos no tienen etiquetas. Dado que el límite entre lo categórico y lo continuo muchas veces es más relativo en ciencias sociales, para algunas operaciones resulta más eficiente contar con variables numéricas que puedan tener etiquetas, y que luego puedan ser transformadas a factor para operaciones específicas. En R este formato intermedio se denomina “vector atómico” o “vector etiquetado”.
En primer lugar revisaremos la estructura de las variables de la base de datos con el comando str (estructura)
## Classes 'tbl_df', 'tbl' and 'data.frame': 2984 obs. of 6 variables:
## $ sstatus : 'haven_labelled' num 5 5 3 6 4 5 4 6 7 4 ...
## ..- attr(*, "label")= chr "Donde se ubicaria usted en la sociedad chilena?"
## ..- attr(*, "format.stata")= chr "%17.0g"
## ..- attr(*, "labels")= Named num 0 10 88 99
## .. ..- attr(*, "names")= chr "El nivel mas bajo" "El nivel mas alto" "No sabe" "No responde"
## $ ingreso_monto: num 3e+05 5e+05 9e+00 8e+00 9e+00 8e+00 9e+00 5e+05 9e+00 3e+05 ...
## ..- attr(*, "label")= chr "En el mes pasado, cual fue el ingreso total de su hogar? (Considere los ingresos"
## ..- attr(*, "format.stata")= chr "%10.0g"
## $ ingreso_rango: 'haven_labelled' num NA NA 7 12 7 7 12 NA 13 NA ...
## ..- attr(*, "label")= chr "A continuacion le presentamos un listado de rangos de ingreso. Podria usted indi"
## ..- attr(*, "format.stata")= chr "%45.0g"
## ..- attr(*, "labels")= Named num 1 2 3 4 5 6 7 8 9 10 ...
## .. ..- attr(*, "names")= chr "Menos de $220.000 mensuales liquidos" "De $220.001 a $280.000 mensuales liquidos" "De $280.001 a $330.000 mensuales liquidos" "De $330.001 a $380.000 mensuales liquidos" ...
## $ educacion : 'haven_labelled' num 2 4 4 8 5 4 3 5 6 5 ...
## ..- attr(*, "label")= chr "Cual es su nivel educacional? Indique el tipo de estudio actual (si estudia actu"
## ..- attr(*, "format.stata")= chr "%43.0g"
## ..- attr(*, "labels")= Named num 1 2 3 4 5 6 7 8 9 10 ...
## .. ..- attr(*, "names")= chr "Sin estudios" "Educacion Basica o Preparatoria incompleta" "Educacion Basica o Preparatoria completa" "Educacion Media o Humanidades incompleta" ...
## $ sexo : 'haven_labelled' num 2 2 2 1 1 1 1 2 2 1 ...
## ..- attr(*, "label")= chr "Sexo del entrevistado"
## ..- attr(*, "format.stata")= chr "%9.0g"
## ..- attr(*, "labels")= Named num 1 2
## .. ..- attr(*, "names")= chr "Hombre" "Mujer"
## $ nhogar : num 4 2 6 1 1 1 1 2 3 4 ...
## ..- attr(*, "label")= chr "Numero de miembros del hogar"
## ..- attr(*, "format.stata")= chr "%9.0g"En este caso, vemos que las cuatro vectores se definen como “haven_labelled”, que hace referencia a vectores numéricos etiquetados. Esto ocurre en el proceso de conversión mediante el paquete haven, que transforma de esta manera a los valores numéricos con etiqueta que vienen de Stata.
Los vectores que que aparecen aquí se caracterizan por una serie de atributos (attr):
- label: etiqueta de la variable
- format.stata: formato de la etiqueta de la variable
- labels: niveles de respuesta de la variable (values) que están numerados
- names: nombre de las etiquetas de los valores.
Estos atributos luego van a facilitar algunas operaciones de recodificación y de descripción de los datos.
Proceso de recodificación
Para que esto sea lo más claro y reproducible posible, se recomienda hacer este procedimiento variable por variable, con la siguiente secuencia: - descripción inicial - transformaciones necesarias - descripción y chequeo final.
Si bien hay una serie de librerías de R asociadas a esto, optamos por la librería sjmisc (cargada en el inicio), en primer lugar para minimizar el número de librerías y funciones asociadas, en segundo lugar por su versatilidad en el uso de etiquetas, y finalmente por su compatibilidad con dplyr. La librería sjmisc también tiene una hoja resumen que se puede encontrar aquí.
- Variable dependiente: Estatus subjetivo
Descripción inicial de la variable:
##
## # Donde se ubicaria usted en la sociedad chilena? (x) <numeric>
## # total N=2984 valid N=2984 mean=4.68 sd=5.58
##
## val label frq raw.prc valid.prc cum.prc
## 0 El nivel mas bajo 46 1.54 1.54 1.54
## 1 1 90 3.02 3.02 4.56
## 2 2 210 7.04 7.04 11.60
## 3 3 440 14.75 14.75 26.34
## 4 4 682 22.86 22.86 49.20
## 5 5 987 33.08 33.08 82.27
## 6 6 329 11.03 11.03 93.30
## 7 7 122 4.09 4.09 97.39
## 8 8 40 1.34 1.34 98.73
## 9 9 4 0.13 0.13 98.86
## 10 El nivel mas alto 22 0.74 0.74 99.60
## 88 No sabe 11 0.37 0.37 99.97
## 99 No responde 1 0.03 0.03 100.00
## NA NA 0 0.00 NA NAVemos que los valores 88 y 99 corresponde recodificarlos a valores perdidos, que en el caso de R se define como NA. Lo hacemos mediante la funcion recode de la librería car (Nota: dplyr, sjmisc y otras librerías tienen su propia versión de recodificación, pero la de car es más intuitiva)
##
## # Donde se ubicaria usted en la sociedad chilena? (x) <numeric>
## # total N=2984 valid N=2972 mean=4.34 sd=1.58
##
## val label frq raw.prc valid.prc cum.prc
## 0 El nivel mas bajo 46 1.54 1.55 1.55
## 1 1 90 3.02 3.03 4.58
## 2 2 210 7.04 7.07 11.64
## 3 3 440 14.75 14.80 26.45
## 4 4 682 22.86 22.95 49.39
## 5 5 987 33.08 33.21 82.60
## 6 6 329 11.03 11.07 93.67
## 7 7 122 4.09 4.10 97.78
## 8 8 40 1.34 1.35 99.13
## 9 9 4 0.13 0.13 99.26
## 10 El nivel mas alto 22 0.74 0.74 100.00
## 88 No sabe 0 0.00 0.00 100.00
## 99 No responde 0 0.00 0.00 100.00
## NA NA 12 0.40 NA NA- Variable indepediente Ingreso
Esta variable en general tiene dos formas de preguntarse: en el monto directo en pesos, o en rangos de ingreso. Hay una tercera variante donde se pregunta por el monto directo, y quienes no responden luego se les pregunta por el rango. Este último es el caso de ELSOC. Como estas variables en general tienen muchos datos perdidos, para poder aprovechar la información lo ideal es combinarlas. Una posibilidad es la siguiente:
1 - crear una variable de ingresos en pesos a partir de la pregunta de rangos, mediante la imputación del promedio del rango 2 - combinar las variables de ingreso (ing_comb) 3 - para tener mayor sensibilidad a las implicancias del ingreso, crear una variable de ingreso equivalente por hogar, dividiendo la variable de ingreso por el número de personas del hogar.
ingreso_monto:
##
## # En el mes pasado, cual fue el ingreso total de su hogar? (Considere los ingresos (x) <numeric>
## # total N=2984 valid N=2984 mean=1945485.61 sd=73385240.89
##
## val frq raw.prc valid.prc cum.prc
## 0 8 0.27 0.27 0.27
## 8 410 13.74 13.74 14.01
## 9 224 7.51 7.51 21.51
## 20000 1 0.03 0.03 21.55
## 21000 1 0.03 0.03 21.58
## 24000 1 0.03 0.03 21.62
## 25000 1 0.03 0.03 21.65
## 30000 3 0.10 0.10 21.75
## 40000 2 0.07 0.07 21.82
## 50000 6 0.20 0.20 22.02
## 55000 2 0.07 0.07 22.08
## 60000 7 0.23 0.23 22.32
## 70000 2 0.07 0.07 22.39
## 76000 1 0.03 0.03 22.42
## 80000 4 0.13 0.13 22.55
## 81000 1 0.03 0.03 22.59
## 83000 1 0.03 0.03 22.62
## 86000 2 0.07 0.07 22.69
## 87000 1 0.03 0.03 22.72
## 88000 1 0.03 0.03 22.75
## 89000 13 0.44 0.44 23.19
## 89265 1 0.03 0.03 23.22
## 89400 1 0.03 0.03 23.26
## 89740 1 0.03 0.03 23.29
## 89900 1 0.03 0.03 23.32
## 90000 11 0.37 0.37 23.69
## 93000 2 0.07 0.07 23.76
## 96000 1 0.03 0.03 23.79
## 97000 2 0.07 0.07 23.86
## 98000 2 0.07 0.07 23.93
## 1e+05 34 1.14 1.14 25.07
## 110000 3 0.10 0.10 25.17
## 115000 1 0.03 0.03 25.20
## 116940 1 0.03 0.03 25.23
## 117000 2 0.07 0.07 25.30
## 118000 1 0.03 0.03 25.34
## 119000 1 0.03 0.03 25.37
## 120000 29 0.97 0.97 26.34
## 122000 1 0.03 0.03 26.37
## 125000 3 0.10 0.10 26.47
## 130000 11 0.37 0.37 26.84
## 136000 1 0.03 0.03 26.88
## 140000 5 0.17 0.17 27.04
## 141000 1 0.03 0.03 27.08
## 147000 1 0.03 0.03 27.11
## 148000 1 0.03 0.03 27.14
## 150000 37 1.24 1.24 28.38
## 154000 1 0.03 0.03 28.42
## 155000 1 0.03 0.03 28.45
## 160000 15 0.50 0.50 28.95
## 170000 5 0.17 0.17 29.12
## 173000 1 0.03 0.03 29.16
## 176000 1 0.03 0.03 29.19
## 178000 1 0.03 0.03 29.22
## 180000 23 0.77 0.77 29.99
## 186000 2 0.07 0.07 30.06
## 190000 9 0.30 0.30 30.36
## 2e+05 117 3.92 3.92 34.28
## 200008 1 0.03 0.03 34.32
## 208000 1 0.03 0.03 34.35
## 210000 5 0.17 0.17 34.52
## 212000 1 0.03 0.03 34.55
## 213000 1 0.03 0.03 34.58
## 215000 2 0.07 0.07 34.65
## 216000 1 0.03 0.03 34.68
## 220000 11 0.37 0.37 35.05
## 221000 1 0.03 0.03 35.09
## 225000 1 0.03 0.03 35.12
## 230000 8 0.27 0.27 35.39
## 235000 3 0.10 0.10 35.49
## 236000 1 0.03 0.03 35.52
## 240000 19 0.64 0.64 36.16
## 241000 1 0.03 0.03 36.19
## 244000 1 0.03 0.03 36.23
## 245000 2 0.07 0.07 36.29
## 250000 114 3.82 3.82 40.11
## 257000 4 0.13 0.13 40.25
## 257500 1 0.03 0.03 40.28
## 258000 3 0.10 0.10 40.38
## 260000 12 0.40 0.40 40.78
## 265000 2 0.07 0.07 40.85
## 266000 1 0.03 0.03 40.88
## 268000 1 0.03 0.03 40.92
## 270000 18 0.60 0.60 41.52
## 275000 2 0.07 0.07 41.59
## 280000 30 1.01 1.01 42.59
## 285000 1 0.03 0.03 42.63
## 289000 2 0.07 0.07 42.69
## 290000 4 0.13 0.13 42.83
## 3e+05 189 6.33 6.33 49.16
## 310000 5 0.17 0.17 49.33
## 318000 1 0.03 0.03 49.36
## 320000 17 0.57 0.57 49.93
## 330000 10 0.34 0.34 50.27
## 333000 1 0.03 0.03 50.30
## 340000 5 0.17 0.17 50.47
## 350000 77 2.58 2.58 53.05
## 354000 1 0.03 0.03 53.08
## 360000 8 0.27 0.27 53.35
## 370000 6 0.20 0.20 53.55
## 375000 1 0.03 0.03 53.59
## 380000 17 0.57 0.57 54.16
## 390000 2 0.07 0.07 54.22
## 397000 1 0.03 0.03 54.26
## 4e+05 187 6.27 6.27 60.52
## 420000 6 0.20 0.20 60.72
## 421000 1 0.03 0.03 60.76
## 430000 6 0.20 0.20 60.96
## 438000 1 0.03 0.03 60.99
## 440000 2 0.07 0.07 61.06
## 445000 1 0.03 0.03 61.09
## 450000 66 2.21 2.21 63.30
## 460000 2 0.07 0.07 63.37
## 465000 1 0.03 0.03 63.40
## 470000 6 0.20 0.20 63.61
## 480000 17 0.57 0.57 64.18
## 490000 2 0.07 0.07 64.24
## 496000 1 0.03 0.03 64.28
## 5e+05 205 6.87 6.87 71.15
## 510000 1 0.03 0.03 71.18
## 520000 3 0.10 0.10 71.28
## 522000 1 0.03 0.03 71.31
## 540000 5 0.17 0.17 71.48
## 550000 31 1.04 1.04 72.52
## 560000 2 0.07 0.07 72.59
## 570000 2 0.07 0.07 72.65
## 580000 11 0.37 0.37 73.02
## 585000 1 0.03 0.03 73.06
## 588000 1 0.03 0.03 73.09
## 590000 1 0.03 0.03 73.12
## 6e+05 134 4.49 4.49 77.61
## 613000 1 0.03 0.03 77.65
## 620000 2 0.07 0.07 77.71
## 630000 2 0.07 0.07 77.78
## 650000 27 0.90 0.90 78.69
## 660000 1 0.03 0.03 78.72
## 665000 1 0.03 0.03 78.75
## 665001 1 0.03 0.03 78.79
## 680000 3 0.10 0.10 78.89
## 690000 1 0.03 0.03 78.92
## 7e+05 101 3.38 3.38 82.31
## 720000 1 0.03 0.03 82.34
## 730000 1 0.03 0.03 82.37
## 737000 1 0.03 0.03 82.41
## 740000 2 0.07 0.07 82.47
## 750000 17 0.57 0.57 83.04
## 760000 2 0.07 0.07 83.11
## 770000 1 0.03 0.03 83.14
## 775000 1 0.03 0.03 83.18
## 780000 2 0.07 0.07 83.24
## 8e+05 110 3.69 3.69 86.93
## 850000 10 0.34 0.34 87.27
## 860000 1 0.03 0.03 87.30
## 890000 1 0.03 0.03 87.33
## 9e+05 42 1.41 1.41 88.74
## 930000 1 0.03 0.03 88.77
## 950000 5 0.17 0.17 88.94
## 970000 1 0.03 0.03 88.97
## 980000 1 0.03 0.03 89.01
## 1e+06 82 2.75 2.75 91.76
## 1050000 1 0.03 0.03 91.79
## 1100000 8 0.27 0.27 92.06
## 1150000 1 0.03 0.03 92.09
## 1190000 1 0.03 0.03 92.12
## 1200000 35 1.17 1.17 93.30
## 1250000 1 0.03 0.03 93.33
## 1300000 15 0.50 0.50 93.83
## 1350000 1 0.03 0.03 93.87
## 1400000 12 0.40 0.40 94.27
## 1460000 1 0.03 0.03 94.30
## 1470000 1 0.03 0.03 94.34
## 1500000 35 1.17 1.17 95.51
## 1600000 16 0.54 0.54 96.05
## 1700000 1 0.03 0.03 96.08
## 1800000 15 0.50 0.50 96.58
## 1900000 1 0.03 0.03 96.62
## 2e+06 30 1.01 1.01 97.62
## 2200000 3 0.10 0.10 97.72
## 2300000 1 0.03 0.03 97.75
## 2400000 3 0.10 0.10 97.86
## 2500000 16 0.54 0.54 98.39
## 2800000 1 0.03 0.03 98.42
## 3e+06 17 0.57 0.57 98.99
## 3500000 4 0.13 0.13 99.13
## 4e+06 7 0.23 0.23 99.36
## 4400000 1 0.03 0.03 99.40
## 5e+06 4 0.13 0.13 99.53
## 5500000 2 0.07 0.07 99.60
## 6e+06 3 0.10 0.10 99.70
## 8e+06 2 0.07 0.07 99.77
## 8500000 1 0.03 0.03 99.80
## 1e+07 2 0.07 0.07 99.87
## 2.3e+07 1 0.03 0.03 99.90
## 1.04e+08 1 0.03 0.03 99.93
## 2.5e+08 1 0.03 0.03 99.97
## 4e+09 1 0.03 0.03 100.00
## <NA> 0 0.00 NA NARecodificar 0, 8 y 9 como perdidos:
data_n$ingreso_monto <- recode(data_n$ingreso_monto, "c(0,8,9)=NA")
frq(data_n$ingreso_monto) # check ok##
## # En el mes pasado, cual fue el ingreso total de su hogar? (Considere los ingresos (x) <numeric>
## # total N=2984 valid N=2342 mean=2478788.96 sd=82830978.38
##
## val frq raw.prc valid.prc cum.prc
## 20000 1 0.03 0.04 0.04
## 21000 1 0.03 0.04 0.09
## 24000 1 0.03 0.04 0.13
## 25000 1 0.03 0.04 0.17
## 30000 3 0.10 0.13 0.30
## 40000 2 0.07 0.09 0.38
## 50000 6 0.20 0.26 0.64
## 55000 2 0.07 0.09 0.73
## 60000 7 0.23 0.30 1.02
## 70000 2 0.07 0.09 1.11
## 76000 1 0.03 0.04 1.15
## 80000 4 0.13 0.17 1.32
## 81000 1 0.03 0.04 1.37
## 83000 1 0.03 0.04 1.41
## 86000 2 0.07 0.09 1.49
## 87000 1 0.03 0.04 1.54
## 88000 1 0.03 0.04 1.58
## 89000 13 0.44 0.56 2.13
## 89265 1 0.03 0.04 2.18
## 89400 1 0.03 0.04 2.22
## 89740 1 0.03 0.04 2.26
## 89900 1 0.03 0.04 2.31
## 90000 11 0.37 0.47 2.78
## 93000 2 0.07 0.09 2.86
## 96000 1 0.03 0.04 2.90
## 97000 2 0.07 0.09 2.99
## 98000 2 0.07 0.09 3.07
## 1e+05 34 1.14 1.45 4.53
## 110000 3 0.10 0.13 4.65
## 115000 1 0.03 0.04 4.70
## 116940 1 0.03 0.04 4.74
## 117000 2 0.07 0.09 4.82
## 118000 1 0.03 0.04 4.87
## 119000 1 0.03 0.04 4.91
## 120000 29 0.97 1.24 6.15
## 122000 1 0.03 0.04 6.19
## 125000 3 0.10 0.13 6.32
## 130000 11 0.37 0.47 6.79
## 136000 1 0.03 0.04 6.83
## 140000 5 0.17 0.21 7.05
## 141000 1 0.03 0.04 7.09
## 147000 1 0.03 0.04 7.13
## 148000 1 0.03 0.04 7.17
## 150000 37 1.24 1.58 8.75
## 154000 1 0.03 0.04 8.80
## 155000 1 0.03 0.04 8.84
## 160000 15 0.50 0.64 9.48
## 170000 5 0.17 0.21 9.69
## 173000 1 0.03 0.04 9.74
## 176000 1 0.03 0.04 9.78
## 178000 1 0.03 0.04 9.82
## 180000 23 0.77 0.98 10.80
## 186000 2 0.07 0.09 10.89
## 190000 9 0.30 0.38 11.27
## 2e+05 117 3.92 5.00 16.27
## 200008 1 0.03 0.04 16.31
## 208000 1 0.03 0.04 16.35
## 210000 5 0.17 0.21 16.57
## 212000 1 0.03 0.04 16.61
## 213000 1 0.03 0.04 16.65
## 215000 2 0.07 0.09 16.74
## 216000 1 0.03 0.04 16.78
## 220000 11 0.37 0.47 17.25
## 221000 1 0.03 0.04 17.29
## 225000 1 0.03 0.04 17.34
## 230000 8 0.27 0.34 17.68
## 235000 3 0.10 0.13 17.81
## 236000 1 0.03 0.04 17.85
## 240000 19 0.64 0.81 18.66
## 241000 1 0.03 0.04 18.70
## 244000 1 0.03 0.04 18.74
## 245000 2 0.07 0.09 18.83
## 250000 114 3.82 4.87 23.70
## 257000 4 0.13 0.17 23.87
## 257500 1 0.03 0.04 23.91
## 258000 3 0.10 0.13 24.04
## 260000 12 0.40 0.51 24.55
## 265000 2 0.07 0.09 24.64
## 266000 1 0.03 0.04 24.68
## 268000 1 0.03 0.04 24.72
## 270000 18 0.60 0.77 25.49
## 275000 2 0.07 0.09 25.58
## 280000 30 1.01 1.28 26.86
## 285000 1 0.03 0.04 26.90
## 289000 2 0.07 0.09 26.99
## 290000 4 0.13 0.17 27.16
## 3e+05 189 6.33 8.07 35.23
## 310000 5 0.17 0.21 35.44
## 318000 1 0.03 0.04 35.48
## 320000 17 0.57 0.73 36.21
## 330000 10 0.34 0.43 36.64
## 333000 1 0.03 0.04 36.68
## 340000 5 0.17 0.21 36.89
## 350000 77 2.58 3.29 40.18
## 354000 1 0.03 0.04 40.22
## 360000 8 0.27 0.34 40.56
## 370000 6 0.20 0.26 40.82
## 375000 1 0.03 0.04 40.86
## 380000 17 0.57 0.73 41.59
## 390000 2 0.07 0.09 41.67
## 397000 1 0.03 0.04 41.72
## 4e+05 187 6.27 7.98 49.70
## 420000 6 0.20 0.26 49.96
## 421000 1 0.03 0.04 50.00
## 430000 6 0.20 0.26 50.26
## 438000 1 0.03 0.04 50.30
## 440000 2 0.07 0.09 50.38
## 445000 1 0.03 0.04 50.43
## 450000 66 2.21 2.82 53.25
## 460000 2 0.07 0.09 53.33
## 465000 1 0.03 0.04 53.37
## 470000 6 0.20 0.26 53.63
## 480000 17 0.57 0.73 54.36
## 490000 2 0.07 0.09 54.44
## 496000 1 0.03 0.04 54.48
## 5e+05 205 6.87 8.75 63.24
## 510000 1 0.03 0.04 63.28
## 520000 3 0.10 0.13 63.41
## 522000 1 0.03 0.04 63.45
## 540000 5 0.17 0.21 63.66
## 550000 31 1.04 1.32 64.99
## 560000 2 0.07 0.09 65.07
## 570000 2 0.07 0.09 65.16
## 580000 11 0.37 0.47 65.63
## 585000 1 0.03 0.04 65.67
## 588000 1 0.03 0.04 65.71
## 590000 1 0.03 0.04 65.76
## 6e+05 134 4.49 5.72 71.48
## 613000 1 0.03 0.04 71.52
## 620000 2 0.07 0.09 71.61
## 630000 2 0.07 0.09 71.69
## 650000 27 0.90 1.15 72.84
## 660000 1 0.03 0.04 72.89
## 665000 1 0.03 0.04 72.93
## 665001 1 0.03 0.04 72.97
## 680000 3 0.10 0.13 73.10
## 690000 1 0.03 0.04 73.14
## 7e+05 101 3.38 4.31 77.46
## 720000 1 0.03 0.04 77.50
## 730000 1 0.03 0.04 77.54
## 737000 1 0.03 0.04 77.58
## 740000 2 0.07 0.09 77.67
## 750000 17 0.57 0.73 78.39
## 760000 2 0.07 0.09 78.48
## 770000 1 0.03 0.04 78.52
## 775000 1 0.03 0.04 78.57
## 780000 2 0.07 0.09 78.65
## 8e+05 110 3.69 4.70 83.35
## 850000 10 0.34 0.43 83.77
## 860000 1 0.03 0.04 83.82
## 890000 1 0.03 0.04 83.86
## 9e+05 42 1.41 1.79 85.65
## 930000 1 0.03 0.04 85.70
## 950000 5 0.17 0.21 85.91
## 970000 1 0.03 0.04 85.95
## 980000 1 0.03 0.04 85.99
## 1e+06 82 2.75 3.50 89.50
## 1050000 1 0.03 0.04 89.54
## 1100000 8 0.27 0.34 89.88
## 1150000 1 0.03 0.04 89.92
## 1190000 1 0.03 0.04 89.97
## 1200000 35 1.17 1.49 91.46
## 1250000 1 0.03 0.04 91.50
## 1300000 15 0.50 0.64 92.14
## 1350000 1 0.03 0.04 92.19
## 1400000 12 0.40 0.51 92.70
## 1460000 1 0.03 0.04 92.74
## 1470000 1 0.03 0.04 92.78
## 1500000 35 1.17 1.49 94.28
## 1600000 16 0.54 0.68 94.96
## 1700000 1 0.03 0.04 95.00
## 1800000 15 0.50 0.64 95.64
## 1900000 1 0.03 0.04 95.69
## 2e+06 30 1.01 1.28 96.97
## 2200000 3 0.10 0.13 97.10
## 2300000 1 0.03 0.04 97.14
## 2400000 3 0.10 0.13 97.27
## 2500000 16 0.54 0.68 97.95
## 2800000 1 0.03 0.04 97.99
## 3e+06 17 0.57 0.73 98.72
## 3500000 4 0.13 0.17 98.89
## 4e+06 7 0.23 0.30 99.19
## 4400000 1 0.03 0.04 99.23
## 5e+06 4 0.13 0.17 99.40
## 5500000 2 0.07 0.09 99.49
## 6e+06 3 0.10 0.13 99.62
## 8e+06 2 0.07 0.09 99.70
## 8500000 1 0.03 0.04 99.74
## 1e+07 2 0.07 0.09 99.83
## 2.3e+07 1 0.03 0.04 99.87
## 1.04e+08 1 0.03 0.04 99.91
## 2.5e+08 1 0.03 0.04 99.96
## 4e+09 1 0.03 0.04 100.00
## <NA> 642 21.51 NA NAEsta variable queda con 642 NA, de los que se espera rescatar información mediante la variable de ingreso_rango
ingreso_rango
##
## # A continuacion le presentamos un listado de rangos de ingreso. Podria usted indi (x) <numeric>
## # total N=2984 valid N=634 mean=28.65 sd=38.07
##
## val label frq raw.prc valid.prc cum.prc
## 1 Menos de $220.000 mensuales liquidos 51 1.71 8.04 8.04
## 2 De $220.001 a $280.000 mensuales liquidos 44 1.47 6.94 14.98
## 3 De $280.001 a $330.000 mensuales liquidos 39 1.31 6.15 21.14
## 4 De $330.001 a $380.000 mensuales liquidos 39 1.31 6.15 27.29
## 5 De $380.001 a $420.000 mensuales liquidos 37 1.24 5.84 33.12
## 6 De $420.001 a $470.000 mensuales liquidos 37 1.24 5.84 38.96
## 7 De $470.001 a $510.000 mensuales liquidos 41 1.37 6.47 45.43
## 8 De $510.001 a $560.000 mensuales liquidos 22 0.74 3.47 48.90
## 9 De $560.001 a $610.000 mensuales liquidos 26 0.87 4.10 53.00
## 10 De $610.001 a $670.000 mensuales liquidos 17 0.57 2.68 55.68
## 11 De $670.001 a $730.000 mensuales liquidos 19 0.64 3.00 58.68
## 12 De $730.001 a $800.000 mensuales liquidos 19 0.64 3.00 61.67
## 13 De $800.001 a $890.000 mensuales liquidos 12 0.40 1.89 63.56
## 14 De $890.001 a $980.000 mensuales liquidos 14 0.47 2.21 65.77
## 15 De $980.001 a $1.100.000 mensuales liquidos 21 0.70 3.31 69.09
## 16 De $1.100.001 a $1.260.000 mensuales liquidos 13 0.44 2.05 71.14
## 17 De $1.260.001 a $1.490.000 mensuales liquidos 5 0.17 0.79 71.92
## 18 De $1.490.001 a $1.850.000 mensuales liquidos 10 0.34 1.58 73.50
## 19 De $1.850.001 a $2.700.000 mensuales liquidos 8 0.27 1.26 74.76
## 20 Mas de $2.700.000 mensuales liquidos 7 0.23 1.10 75.87
## 88 No sabe 49 1.64 7.73 83.60
## 99 No responde 104 3.49 16.40 100.00
## NA NA 2350 78.75 NA NARecodificación: imputación del promedio del rango. Se genera una variable nueva (ingreso_rango_prom) para luego poder comparar con la original:
data_n$ingreso_rango_prom <- recode(data_n$ingreso_rango,"
1=110000;
2=250000;
3=305000;
4=325000;
5=400000;
6=445000;
7=490000;
8=535000;
9=585000;
10=640000;
11=700000;
12=765000;
13=845000;
14=935000;
15=995000;
16=1180000;
17=1375000;
18=1670000;
19=2275000;
20=3500000;
c(88,99)=NA
")
frq(data_n$ingreso_rango_prom)##
## # A continuacion le presentamos un listado de rangos de ingreso. Podria usted indi (x) <numeric>
## # total N=2984 valid N=481 mean=590374.22 sd=527060.41
##
## val label frq raw.prc valid.prc cum.prc
## 1 Menos de $220.000 mensuales liquidos 0 0.00 0.00 0.00
## 2 De $220.001 a $280.000 mensuales liquidos 0 0.00 0.00 0.00
## 3 De $280.001 a $330.000 mensuales liquidos 0 0.00 0.00 0.00
## 4 De $330.001 a $380.000 mensuales liquidos 0 0.00 0.00 0.00
## 5 De $380.001 a $420.000 mensuales liquidos 0 0.00 0.00 0.00
## 6 De $420.001 a $470.000 mensuales liquidos 0 0.00 0.00 0.00
## 7 De $470.001 a $510.000 mensuales liquidos 0 0.00 0.00 0.00
## 8 De $510.001 a $560.000 mensuales liquidos 0 0.00 0.00 0.00
## 9 De $560.001 a $610.000 mensuales liquidos 0 0.00 0.00 0.00
## 10 De $610.001 a $670.000 mensuales liquidos 0 0.00 0.00 0.00
## 11 De $670.001 a $730.000 mensuales liquidos 0 0.00 0.00 0.00
## 12 De $730.001 a $800.000 mensuales liquidos 0 0.00 0.00 0.00
## 13 De $800.001 a $890.000 mensuales liquidos 0 0.00 0.00 0.00
## 14 De $890.001 a $980.000 mensuales liquidos 0 0.00 0.00 0.00
## 15 De $980.001 a $1.100.000 mensuales liquidos 0 0.00 0.00 0.00
## 16 De $1.100.001 a $1.260.000 mensuales liquidos 0 0.00 0.00 0.00
## 17 De $1.260.001 a $1.490.000 mensuales liquidos 0 0.00 0.00 0.00
## 18 De $1.490.001 a $1.850.000 mensuales liquidos 0 0.00 0.00 0.00
## 19 De $1.850.001 a $2.700.000 mensuales liquidos 0 0.00 0.00 0.00
## 20 Mas de $2.700.000 mensuales liquidos 0 0.00 0.00 0.00
## 88 No sabe 0 0.00 0.00 0.00
## 99 No responde 0 0.00 0.00 0.00
## 110000 110000 51 1.71 10.60 10.60
## 250000 250000 44 1.47 9.15 19.75
## 305000 305000 39 1.31 8.11 27.86
## 325000 325000 39 1.31 8.11 35.97
## 400000 4e+05 37 1.24 7.69 43.66
## 445000 445000 37 1.24 7.69 51.35
## 490000 490000 41 1.37 8.52 59.88
## 535000 535000 22 0.74 4.57 64.45
## 585000 585000 26 0.87 5.41 69.85
## 640000 640000 17 0.57 3.53 73.39
## 700000 7e+05 19 0.64 3.95 77.34
## 765000 765000 19 0.64 3.95 81.29
## 845000 845000 12 0.40 2.49 83.78
## 935000 935000 14 0.47 2.91 86.69
## 995000 995000 21 0.70 4.37 91.06
## 1180000 1180000 13 0.44 2.70 93.76
## 1375000 1375000 5 0.17 1.04 94.80
## 1670000 1670000 10 0.34 2.08 96.88
## 2275000 2275000 8 0.27 1.66 98.54
## 3500000 3500000 7 0.23 1.46 100.00
## NA NA 2503 83.88 NA NAOk, pero vemos que quedaron las etiquetas asociadas a los valores de la variable original; esto en general no es problema para los modelos pero si para descriptivos, así que mejor se borran con drop_labels, de sjlabelled
data_n$ingreso_rango_prom <- sjlabelled::drop_labels(data_n$ingreso_rango_prom)
frq(data_n$ingreso_rango_prom)##
## # A continuacion le presentamos un listado de rangos de ingreso. Podria usted indi (x) <numeric>
## # total N=2984 valid N=481 mean=590374.22 sd=527060.41
##
## val frq raw.prc valid.prc cum.prc
## 110000 51 1.71 10.60 10.60
## 250000 44 1.47 9.15 19.75
## 305000 39 1.31 8.11 27.86
## 325000 39 1.31 8.11 35.97
## 4e+05 37 1.24 7.69 43.66
## 445000 37 1.24 7.69 51.35
## 490000 41 1.37 8.52 59.88
## 535000 22 0.74 4.57 64.45
## 585000 26 0.87 5.41 69.85
## 640000 17 0.57 3.53 73.39
## 7e+05 19 0.64 3.95 77.34
## 765000 19 0.64 3.95 81.29
## 845000 12 0.40 2.49 83.78
## 935000 14 0.47 2.91 86.69
## 995000 21 0.70 4.37 91.06
## 1180000 13 0.44 2.70 93.76
## 1375000 5 0.17 1.04 94.80
## 1670000 10 0.34 2.08 96.88
## 2275000 8 0.27 1.66 98.54
## 3500000 7 0.23 1.46 100.00
## <NA> 2503 83.88 NA NAAhora como tercer paso, combinamos ambas variables con rowSums (sumar las dos variables en una tercera). Al sumar ambas con rowSums, las que tienen doble missing quedan con valor 0, por lo tanto luego los 0 se recodifican a NA
##
## # A continuacion le presentamos un listado de rangos de ingreso. Podria usted indi (x) <numeric>
## # total N=2984 valid N=481 mean=590374.22 sd=527060.41
##
## val frq raw.prc valid.prc cum.prc
## 110000 51 1.71 10.60 10.60
## 250000 44 1.47 9.15 19.75
## 305000 39 1.31 8.11 27.86
## 325000 39 1.31 8.11 35.97
## 4e+05 37 1.24 7.69 43.66
## 445000 37 1.24 7.69 51.35
## 490000 41 1.37 8.52 59.88
## 535000 22 0.74 4.57 64.45
## 585000 26 0.87 5.41 69.85
## 640000 17 0.57 3.53 73.39
## 7e+05 19 0.64 3.95 77.34
## 765000 19 0.64 3.95 81.29
## 845000 12 0.40 2.49 83.78
## 935000 14 0.47 2.91 86.69
## 995000 21 0.70 4.37 91.06
## 1180000 13 0.44 2.70 93.76
## 1375000 5 0.17 1.04 94.80
## 1670000 10 0.34 2.08 96.88
## 2275000 8 0.27 1.66 98.54
## 3500000 7 0.23 1.46 100.00
## <NA> 2503 83.88 NA NAdata_n <- data_n %>% mutate(ing_comb = rowSums(select(., "ingreso_monto", "ingreso_rango_prom"),na.rm = TRUE))
data_n$ing_comb=recode(data_n$ing_comb, "0=NA")
names(data_n)## [1] "sstatus" "ingreso_monto" "ingreso_rango" "educacion" "sexo" "nhogar" "ingreso_rango_prom" "ing_comb"## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 2.000e+04 2.800e+05 4.450e+05 2.157e+06 7.000e+05 4.000e+09 161Con esto disminuimos los missings de ingreso a solo 161. Ahora nos queda solamente dividir esta variable por el numero de integrantes del hogar:
##
## # Numero de miembros del hogar (x) <numeric>
## # total N=2984 valid N=2984 mean=3.09 sd=1.57
##
## val frq raw.prc valid.prc cum.prc
## 1 439 14.71 14.71 14.71
## 2 764 25.60 25.60 40.32
## 3 701 23.49 23.49 63.81
## 4 589 19.74 19.74 83.55
## 5 295 9.89 9.89 93.43
## 6 116 3.89 3.89 97.32
## 7 44 1.47 1.47 98.79
## 8 24 0.80 0.80 99.60
## 9 5 0.17 0.17 99.77
## 10 3 0.10 0.10 99.87
## 11 2 0.07 0.07 99.93
## 13 1 0.03 0.03 99.97
## 15 1 0.03 0.03 100.00
## <NA> 0 0.00 NA NANo se detectan missins, así que se procede:
## [1] "sstatus" "ingreso_monto" "ingreso_rango" "educacion" "sexo" "nhogar" "ingreso_rango_prom" "ing_comb"Generación de ingreso por categorías (quintiles/deciles)
Para quintiles vamos a crear una variable llamada quint, aplicando la función ntile a la variable de ingreso inc_comb_eq
##
## # x <integer>
## # total N=2984 valid N=2823 mean=3.00 sd=1.41
##
## val frq raw.prc valid.prc cum.prc
## 1 565 18.93 20.01 20.01
## 2 565 18.93 20.01 40.03
## 3 564 18.90 19.98 60.01
## 4 565 18.93 20.01 80.02
## 5 564 18.90 19.98 100.00
## <NA> 161 5.40 NA NAY para deciles:
##
## # x <integer>
## # total N=2984 valid N=2823 mean=5.50 sd=2.87
##
## val frq raw.prc valid.prc cum.prc
## 1 283 9.48 10.02 10.02
## 2 282 9.45 9.99 20.01
## 3 282 9.45 9.99 30.00
## 4 283 9.48 10.02 40.03
## 5 282 9.45 9.99 50.02
## 6 282 9.45 9.99 60.01
## 7 283 9.48 10.02 70.03
## 8 282 9.45 9.99 80.02
## 9 282 9.45 9.99 90.01
## 10 282 9.45 9.99 100.00
## <NA> 161 5.40 NA NApacman::p_load(library1,library2...)↩