Aquí dejo la presentación
En esta liga puedes descarga el proyecto de trabajo. De esta manera no tendremos problemas con las rutas relativas.
if (!require("pacman")) install.packages("pacman") # instala pacman si se requiereLoading required package: pacmanpacman::p_load(tidyverse,
haven,
sjlabelled,
pollster,
janitor) #carga los paquetes necesarios a <- 2
b <- c("a", "b")
c <- c(NA, T, F,2)
NA==F[1] NAsum(NA, T, F, 2)[1] NAsum(c)[1] NAsum(c, na.rm=T)[1] 3Vamos a fusionar la ENOE, se ha descargado desde INEGI su versión .dta
vivt223 <- haven::read_dta("data_t4/2023trim2_dta/VIVT223.dta")
hogt223 <- haven::read_dta("data_t4/2023trim2_dta/HOGT223.dta")
sdemt223 <- haven::read_dta("data_t4/2023trim2_dta/SDEMT223.dta")
coe1t223 <- haven::read_dta("data_t4/2023trim2_dta/COE1T223.dta")
coe2t223 <- haven::read_dta("data_t4/2023trim2_dta/COE2T223.dta")Estas dos tablas sólo son para mayores de 12 años
coet223 <- coe1t223 %>%
dplyr::inner_join(coe2t223)Joining with `by = join_by(cd_a, ent, con, upm, d_sem, n_pro_viv, v_sel, n_hog,
h_mud, n_ent, per, n_ren, eda, n_inf, ur, tipo, mes_cal, fac_tri, fac_men)`Hay tres opciones más de join
help("mutate-joins")idviv <- c("tipo", "mes_cal", "cd_a", "ent", "con", "v_sel")
idhog <- c(idviv, "n_hog", "h_mud")
idsdem <- c(idhog, "n_ren" )No queremos viviendas vacías
enoe0<-vivt223 %>%
dplyr::inner_join(hogt223, by=idviv)
dim(enoe0)[1] 151329 56Revisemos esta base
names(enoe0) [1] "loc.x" "mun.x" "est.x" "est_d_tri.x" "est_d_men.x"
[6] "ageb.x" "t_loc_tri.x" "t_loc_men.x" "cd_a" "ent"
[11] "con" "upm.x" "d_sem.x" "n_pro_viv.x" "v_sel"
[16] "n_ent.x" "per.x" "p1" "p2" "p3"
[21] "ur.x" "tipo" "mes_cal" "fac_tri.x" "fac_men.x"
[26] "loc.y" "mun.y" "est.y" "est_d_tri.y" "est_d_men.y"
[31] "ageb.y" "t_loc_tri.y" "t_loc_men.y" "upm.y" "d_sem.y"
[36] "n_pro_viv.y" "n_hog" "h_mud" "n_ent.y" "per.y"
[41] "r_pre" "p_dia" "p_mes" "p_anio" "r_def"
[46] "d_dia" "d_mes" "d_anio" "e_obs" "p4_1"
[51] "p4_2" "inf" "ur.y" "tipolev" "fac_tri.y"
[56] "fac_men.y" enoe0 %>%
count(fac_tri.x==fac_tri.y)# A tibble: 2 × 2
`fac_tri.x == fac_tri.y` n
<lgl> <int>
1 FALSE 135
2 TRUE 151194¿Por qué pasa esto?
No hay hogares en esas viviendas, hay valores en la base x, pero no en la base y
enoe0 %>%
dplyr::filter(!fac_tri.x==fac_tri.y) %>%
janitor::tabyl(fac_tri.x, fac_tri.y) fac_tri.x 0
12 1
20 2
21 1
22 2
24 1
28 1
32 1
33 1
34 1
36 1
39 3
43 1
44 1
47 1
48 1
49 1
52 3
64 1
65 1
66 2
68 2
69 2
70 2
71 1
74 1
76 1
78 1
79 1
83 1
85 2
88 2
90 1
93 2
98 1
100 1
101 2
103 1
107 1
111 1
118 1
123 1
126 2
130 1
134 4
136 2
142 2
143 1
147 2
149 1
151 1
152 1
161 1
162 1
163 1
166 2
167 1
168 1
172 1
189 1
191 1
194 1
198 1
199 3
201 1
202 1
203 1
217 2
221 1
227 1
232 1
243 2
255 1
261 1
264 1
267 2
282 2
301 2
328 1
344 1
361 1
381 1
398 1
404 1
416 1
428 1
485 1
492 4
495 3
529 2
549 1
643 1
709 1
785 1
827 1
872 1
1136 1
1237 1
1302 2
4275 1Obviamente, vamos quedarnos con la información.
enoe0<-enoe0 %>%
dplyr::select(-ends_with(".y")) %>% # quita las variables que terminan con .y
dplyr::rename_at(vars(ends_with(".x")), ~ stringr::str_remove(.x, ".x")) # renombra todas las variables que terminan en .x quitándoles el sufijoHoy pegaremos de manera similar a los individuos, pero primero nos vamos a quedar con quiénes tienen resultados definitivos de entrevistas completas
enoe0 %>%
count(as_label(r_def))# A tibble: 14 × 2
`as_label(r_def)` n
<fct> <int>
1 Entrevista completa 125951
2 Nadie en el momento de la entrevista 4876
3 Ausente temporal 1659
4 Se negó a dar información 5441
5 Informante inadecuado 201
6 Otro motivo 2496
7 Adecuada para habitarse 5751
8 De uso temporal 3489
9 Inadecuada para habitarse 322
10 De uso temporal para fines diferentes de habitación 481
11 Demolida 80
12 Uso permanente para fines diferentes a los de habitación 262
13 El hogar se mudó 79
14 Entrevista suspendida 241sdemt223 %>%
count(as_label(c_res))# A tibble: 3 × 2
`as_label(c_res)` n
<fct> <int>
1 Residente habitual 418269
2 Ausente definitivo 7406
3 Nuevo residente 5474enoe0 <- enoe0 %>%
filter(r_def==0) #entrevista completa
sdemt223 <- sdemt223 %>%
filter(r_def==0) %>%
filter(!c_res==2) # residente que no es ausenteenoe1<-enoe0 %>%
dplyr::left_join(sdemt223, by=idhog) %>%
dplyr::select(-ends_with(".y")) %>% # quita las variables que terminan con .y
dplyr::rename_at(vars(ends_with(".x")), ~ stringr::str_remove(.x, ".x")) Warning: `cd_a` and `cd_a` have conflicting value labels.
ℹ Labels for these values will be taken from `cd_a`.
✖ Values: 1dim(enoe1)[1] 422778 129Ya tenemos lista una base de individuos que podemos pegar con nuestra base de coe. Pero revisemos que este cuestionario tiene preguntas simulares a la cuestionario de otras tablas
intersect(names(enoe1), names(coet223)) [1] "cd_a" "ent" "con" "upm" "d_sem" "n_pro_viv"
[7] "v_sel" "n_ent" "per" "p1" "p3" "ur"
[13] "tipo" "mes_cal" "fac_tri" "fac_men" "n_hog" "h_mud"
[19] "r_def" "p4_1" "p4_2" "n_ren" "eda" coet223<- coet223 %>%
dplyr::rename_at(vars(p1, p3, p4_1, p4_2), ~ paste0(.x, "coe") )%>%
dplyr::select(-ends_with(".y")) %>% # quita las variables que terminan con .y
dplyr::rename_at(vars(ends_with(".x")), ~ stringr::str_remove(.x, ".x"))
names(coet223) [1] "r_def" "cd_a" "ent" "con" "upm" "d_sem"
[7] "n_pro_viv" "v_sel" "n_hog" "h_mud" "n_ent" "per"
[13] "n_ren" "eda" "n_inf" "p1coe" "p1a1" "p1a2"
[19] "p1a3" "p1b" "p1c" "p1d" "p1e" "p2_1"
[25] "p2_2" "p2_3" "p2_4" "p2_9" "p2a_dia" "p2a_sem"
[31] "p2a_mes" "p2a_anio" "p2b_dia" "p2b_sem" "p2b_mes" "p2b_anio"
[37] "p2b" "p2c" "p2d1" "p2d2" "p2d3" "p2d4"
[43] "p2d5" "p2d6" "p2d7" "p2d8" "p2d9" "p2d10"
[49] "p2d11" "p2d99" "p2e" "p2f" "p2g1" "p2g2"
[55] "p2h1" "p2h2" "p2h3" "p2h4" "p2h9" "p2i"
[61] "p2j" "p2k_anio" "p2k_mes" "p2k" "p3coe" "p3a"
[67] "p3b" "p3c1" "p3c2" "p3c3" "p3c4" "p3c9"
[73] "p3d" "p3e" "p3f1" "p3f2" "p3g1_1" "p3g1_2"
[79] "p3g2_1" "p3g2_2" "p3g3_1" "p3g3_2" "p3g4_1" "p3g4_2"
[85] "p3g9" "p3g_tot" "p3h" "p3i" "p3j1" "p3j2"
[91] "p3k1" "p3k2" "p3k3" "p3k4" "p3k5" "p3k9"
[97] "p3l" "p4" "p4_1coe" "p4_2coe" "p4_3" "p4a"
[103] "p4a_1" "p4b" "p4c" "p4d1" "p4d2" "p4d3"
[109] "p4e" "p4f" "p4g" "p4h" "p4i" "p4i_1"
[115] "p5" "p5a" "p5b_hlu" "p5b_mlu" "p5b_hma" "p5b_mma"
[121] "p5b_hmi" "p5b_mmi" "p5b_hju" "p5b_mju" "p5b_hvi" "p5b_mvi"
[127] "p5b_hsa" "p5b_msa" "p5b_hdo" "p5b_mdo" "p5b_thrs" "p5b_tdia"
[133] "p5c" "p5d1" "p5d_hlu" "p5d_mlu" "p5d_hma" "p5d_mma"
[139] "p5d_hmi" "p5d_mmi" "p5d_hju" "p5d_mju" "p5d_hvi" "p5d_mvi"
[145] "p5d_hsa" "p5d_msa" "p5d_hdo" "p5d_mdo" "p5d_thrs" "p5d_tdia"
[151] "p5e" "p5f1" "p5f2" "p5f3" "p5f4" "p5f5"
[157] "p5f6" "p5f7" "p5f8" "p5f9" "p5f10" "p5f11"
[163] "p5f12" "p5f13" "p5f14" "p5f15" "p5f99" "ur"
[169] "tipo" "mes_cal" "fac_tri" "fac_men" "p6_1" "p6_2"
[175] "p6_3" "p6_4" "p6_5" "p6_6" "p6_7" "p6_8"
[181] "p6_9" "p6_10" "p6_99" "p6a1" "p6a2" "p6a3"
[187] "p6a4" "p6a9" "p6b1" "p6b2" "p6c" "p6d"
[193] "p6e" "p6e_c" "p6f" "p6f_c" "p6g" "p6h"
[199] "p6h_c" "p6i" "p6i_c" "p7" "p7a" "p7b"
[205] "p7c" "p8_1" "p8_2" "p8_3" "p8_4" "p8_9"
[211] "p8a" "p9_1" "p9_h1" "p9_m1" "p9_2" "p9_h2"
[217] "p9_m2" "p9_3" "p9_h3" "p9_m3" "p9_4" "p9_h4"
[223] "p9_m4" "p9_5" "p9_h5" "p9_m5" "p9_6" "p9_h6"
[229] "p9_m6" "p9_7" "p9_h7" "p9_m7" "p9_8" "p9_h8"
[235] "p9_m8" Base final:
enoet223 <- enoe1 %>%
left_join(coet223)Joining with `by = join_by(cd_a, ent, con, upm, d_sem, n_pro_viv, v_sel, n_ent,
per, ur, tipo, mes_cal, fac_tri, fac_men, n_hog, h_mud, r_def, n_ren, eda)`dim(enoet223)[1] 422778 345Vamos a quitar algunos objetos para mejorar nuestro uso de memoria
rm(vivt223, hogt223, coe1t223, coe2t223, coet223, enoe0, enoe1)
gc() used (Mb) gc trigger (Mb) limit (Mb) max used (Mb)
Ncells 1152198 61.6 1997454 106.7 NA 1997454 106.7
Vcells 196127078 1496.4 540486262 4123.6 16384 450328647 3435.8## Sin expansión
enoet223 %>%
filter(eda>14 & eda<99) %>%
mutate(clase1=as_label(clase1)) %>%
janitor::tabyl(clase1) clase1 n percent
No aplica 0 0.00000
Población económicamente activa 201003 0.60978
Población no económicamente activa 128629 0.39022## Con expansión
enoet223 %>%
filter(eda>14 & eda<99) %>% # este el filtro que usa inegi para sus tabulados
mutate(clase1=as_label(clase1)) %>%
pollster::topline(clase1, weight = fac_tri)# A tibble: 2 × 5
Response Frequency Percent `Valid Percent` `Cumulative Percent`
<fct> <dbl> <dbl> <dbl> <dbl>
1 Población económicamen… 60216432 60.2 60.2 60.2
2 Población no económica… 39834351 39.8 39.8 100 Siempre checa que tus tabulados sean como los de INEGI de tu variable a estudiar
De doble entrada
## Sin expansión
enoet223 %>%
filter(eda>14 & eda<99) %>%
mutate(clase1=as_label(clase1)) %>%
mutate(clase2=as_label(clase2)) %>%
janitor::tabyl(clase1, clase2) clase1 No aplica Población ocupada
No aplica 0 0
Población económicamente activa 0 195374
Población no económicamente activa 0 0
Población desocupada Disponibles No disponibles
0 0 0
5629 0 0
0 16467 112162## Con expansión
enoet223 %>%
filter(eda>14 & eda<99) %>% # este el filtro que usa inegi para sus tabulados
mutate(clase1=as_label(clase1)) %>%
mutate(clase2=as_label(clase2)) %>%
pollster::crosstab(clase1, clase2, weight = fac_tri)# A tibble: 2 × 6
clase1 `Población ocupada` `Población desocupada` Disponibles `No disponibles`
<fct> <dbl> <dbl> <dbl> <dbl>
1 Pobla… 97.2 2.81 0 0
2 Pobla… 0 0 13.0 87.0
# ℹ 1 more variable: n <dbl>Para los ingresos, INEGI publica los válidos, es decir los mayores a cero.
enoet223 %>%
filter(eda>14 & eda<99) %>%
filter(ing_x_hrs>0) %>% # ojo
summarise(promedio=weighted.mean(ing_x_hrs, w = fac_tri))# A tibble: 1 × 1
promedio
<dbl>
1 54.4El panel rotativo. Para hacer un ejemplo vamos a pegar únicamente el cuestionario sociodemográfico. Y sólo podemos pegar las entrevistas cara a cara
Vamos a trabajar con el panel que inicia el t222 y termina en t2 de 2023. Para que no sea tan pesado el ambiente aprovechamos y hacermos más filtros incluyendo el número de entrevista correspondiente.
sdemt222 <- read_dta("data_t4/anterior/SDEMT222.dta") %>%
filter(tipo==1) %>% # sólo cara cara
filter(r_def==0) %>% # sólo completa
filter(!c_res==2) %>% #no ausentes definitivos
filter(n_ent==1) %>%
mutate(trim="t222") %>%
mutate_at(vars(cs_p20a_1, cs_p20a_c,
cs_p20b_1, cs_p20b_c,
cs_p20c_1), ~ as.numeric(.x))
sdemt322 <- read_dta("data_t4/anterior/SDEMT322.dta") %>%
filter(tipo==1) %>% # sólo cara cara
filter(r_def==0) %>% # sólo completa
filter(!c_res==2) %>% #no ausentes definitivos
filter(n_ent==2) %>%
mutate(trim="t322")
sdemt422 <- read_dta("data_t4/anterior/SDEMT422.dta") %>%
filter(tipo==1) %>% # sólo cara cara
filter(r_def==0) %>% # sólo completa
filter(!c_res==2) %>% #no ausentes definitivos
filter(n_ent==3) %>%
mutate(trim="t422")
sdemt123 <- read_dta("data_t4/anterior/SDEMT123.dta")%>%
filter(tipo==1) %>% # sólo cara cara
filter(r_def==0) %>% # sólo completa
filter(!c_res==2) %>% #no ausentes definitivos
filter(n_ent==4) %>%
mutate(trim="t123")
sdemt223<-sdemt223 %>%
filter(tipo==1) %>%
filter(n_ent==5) %>%
mutate(trim="t223") Vamos a hacer el panel hoy
panel<- dplyr::bind_rows(sdemt222, # había un conflicto en cs_p20*
sdemt322,
sdemt422,
sdemt123,
sdemt223)Warning: `..1$tcco` and `..2$tcco` have conflicting value labels.
ℹ Labels for these values will be taken from `..1$tcco`.
✖ Values: 2Warning: `..1$tcco` and `..3$tcco` have conflicting value labels.
ℹ Labels for these values will be taken from `..1$tcco`.
✖ Values: 2Warning: `..1$cd_a` and `..4$cd_a` have conflicting value labels.
ℹ Labels for these values will be taken from `..1$cd_a`.
✖ Values: 81, 82, 83, 84, 85, and 86Warning: `..1$tcco` and `..4$tcco` have conflicting value labels.
ℹ Labels for these values will be taken from `..1$tcco`.
✖ Values: 2Warning: `..1$tcco` and `..5$tcco` have conflicting value labels.
ℹ Labels for these values will be taken from `..1$tcco`.
✖ Values: 2Los warnigns son solo de las etiquetas que son diferentes
panel %>%
mutate(n_ent=as_label(n_ent)) %>%
tabyl(n_ent) n_ent n percent
Primera entrevista 80588 0.2039748
Segunda entrevista 79861 0.2021347
Tercera entrevista 79046 0.2000719
Cuarta entrevista 77951 0.1973003
Quinta entrevista 77642 0.1965182Vamos a revisar los id
panel %>%
janitor::get_dupes(cd_a, ent, con, v_sel, n_hog, h_mud, n_ren, n_ent)No duplicate combinations found of: cd_a, ent, con, v_sel, n_hog, h_mud, n_ren, n_ent# A tibble: 0 × 116
# ℹ 116 variables: cd_a <dbl+lbl>, ent <dbl+lbl>, con <dbl>, v_sel <dbl+lbl>,
# n_hog <dbl+lbl>, h_mud <dbl+lbl>, n_ren <dbl+lbl>, n_ent <dbl+lbl>,
# dupe_count <int>, r_def <dbl+lbl>, loc <dbl>, mun <dbl>, est <dbl>,
# est_d_tri <dbl>, est_d_men <dbl>, ageb <dbl>, t_loc_tri <dbl+lbl>,
# t_loc_men <dbl+lbl>, upm <dbl>, d_sem <dbl+lbl>, n_pro_viv <dbl>,
# per <dbl+lbl>, c_res <dbl+lbl>, par_c <dbl>, sex <dbl+lbl>, eda <dbl>,
# nac_dia <dbl+lbl>, nac_mes <dbl+lbl>, nac_anio <dbl>, l_nac_c <dbl+lbl>, …panel %>%
janitor::get_dupes(cd_a, ent, con, v_sel, n_hog, h_mud, n_ren) %>%
tabyl(dupe_count) dupe_count n percent
2 15820 0.04118279
3 21696 0.05647926
4 37980 0.09886995
5 308645 0.80346800Vamos a verificar con la edad si se trata de los mismos individuos
panel<-panel %>%
mutate(edad_min=min(eda),
edad_max=max(eda),
.by = c(cd_a, ent, con, v_sel, n_hog, h_mud, n_ren)) %>%
mutate(diff_eda=edad_max-edad_min)
panel %>%
tabyl(diff_eda) diff_eda n percent
0 39524 0.10003847
1 349991 0.88585581
2 5573 0.01410572Vamos a hacer una variable que nos diga cuántas entrevista tiene cada individuo:
panel<-panel %>%
mutate(total_n=sum(tipo),
.by = c(cd_a, ent, con, v_sel, n_hog, h_mud, n_ren))
panel<-panel %>%
filter(total_n==5)No vamos a trabajar con toda la base, sino con la variable clase 2
panel_corto<-panel %>%
select(cd_a, ent, con, v_sel, n_hog, h_mud, n_ren, n_ent, clase2) %>%
tidyr::pivot_wider(values_from = clase2,
names_from = n_ent,
names_prefix = "clase2_")panel_corto %>%
filter(clase2_1>0) %>%
mutate_at(vars(starts_with("clase2")), ~ as_label(.x)) %>%
tabyl(clase2_1, clase2_2, show_missing_levels = F) clase2_1 Población ocupada Población desocupada Disponibles
Población ocupada 24497 429 609
Población desocupada 455 155 70
Disponibles 880 103 528
No disponibles 2167 183 1655
No disponibles
2699
206
1903
14471Para incluir más variables, debemos de considerar cuáles cambian en el tiempo:
panel_corto<-panel %>%
select(cd_a, ent, con, v_sel, n_hog, h_mud, n_ren, n_ent, eda, clase2) %>%
mutate(clase2=as_label(clase2)) %>%
tidyr::pivot_wider(values_from = c(clase2, eda),
names_from = n_ent,
names_glue = "{.value}_{n_ent}") # esto hace que la variables de -value vayan primeronames(panel_corto) [1] "cd_a" "ent" "con" "v_sel" "n_hog" "h_mud"
[7] "n_ren" "clase2_1" "clase2_2" "clase2_3" "clase2_4" "clase2_5"
[13] "eda_1" "eda_2" "eda_3" "eda_4" "eda_5" ¿Qué pasa con los factores de expansión?
¿Cómo calcularías cuál es porcentaje de atrición?
¿Qué pasa con el COE que cambia en t1?