El uso de este paquete se mostrara a partir de los datos de ejemplo. Vamos a leer un subconjunto de la encuesta CASEN que corresponde a las comunas con representatividad comunal en la Region de los Rios. Estos datos se incluyen, a modo de demostracion, con el paquete casen, no asi las encuestas completas que deben ser descargadas y se provee una funcion para hacerlo.
## # A tibble: 8,055 x 7
## expc varstrat varunit ytotcorh sexo comuna pobreza
## <dbl> <dbl> <dbl> <dbl> <dbl+lbl> <dbl+lbl> <dbl+lbl>
## 1 53 141283 1.41e10 959765 2 [Mujer] 14101 [Valdiv… 3 [No pobres]
## 2 53 141283 1.41e10 959765 2 [Mujer] 14101 [Valdiv… 3 [No pobres]
## 3 53 141283 1.41e10 959765 2 [Mujer] 14101 [Valdiv… 3 [No pobres]
## 4 105 141283 1.41e10 283273 2 [Mujer] 14101 [Valdiv… 2 [Pobres no ext…
## 5 105 141283 1.41e10 283273 1 [Hombr… 14101 [Valdiv… 2 [Pobres no ext…
## 6 105 141283 1.41e10 283273 2 [Mujer] 14101 [Valdiv… 2 [Pobres no ext…
## 7 105 141283 1.41e10 353083 2 [Mujer] 14101 [Valdiv… 3 [No pobres]
## 8 105 141283 1.41e10 260000 2 [Mujer] 14101 [Valdiv… 2 [Pobres no ext…
## 9 105 141283 1.41e10 260000 2 [Mujer] 14101 [Valdiv… 2 [Pobres no ext…
## 10 105 141283 1.41e10 260000 1 [Hombr… 14101 [Valdiv… 2 [Pobres no ext…
## # … with 8,045 more rows
Para descargar la encuesta CASEN es posible hacerlo desde el sitio web del Ministerio de Desarrollo Social (oficial) o desde GitHub (no oficial).
No se daran ejemplos con la encuesta casen completa ya que CRAN limita el tiempo en segundos que puede tomar un ejemplo.
# todos los anios disponibles en carpeta casen-formato-spss
descargar_casen_mds("casen-formato-spss")
# solo anio 2017 en carpeta casen-formato-spss
descargar_casen_mds(2017, "casen-formato-spss")
# leer encuesta CASEN en formato SAV (SPSS)
# (se debe descomprimir con winRAR u otro)
library(haven)
read_sav("casen-formato-spss/2017.sav")
En la misma linea de la seccion anterior, es posible descargar la encuesta CASEN en formato R.
El valor agregado del paquete CASEN es que entrega una forma facil de hacer calculos tomando en cuenta, ademas del disenio complejo, los grados de libertad.
En el contexto de muestreo bietapico, el calculo de los grados de libertad es un tema no resuelto, pero el paquete casen utiliza la siguiente definicion del INE: “Los grados de libertad corresponden a la diferencia entre el numero de conglomerados no vacios (con presencia de la variable de interes) y el numero de estratos no vacios”.
En dominios de estimacion pequenios la perdida de grados de libertad se vuelve bastante relevante. Esto es muy importante cuando se hacen calculos agrupando por region, sexo, region y sexo, entre otras.
Al usar la funcion svyby
del paquete survey, la funcion no calcula correctamente los grados de libertad de cada dominio, sino que considera un valor fijo para todos los dominios. Las funciones del paquete casen usan esta funcion pero incluyen una serie de pasos programados para usar los grados de libertad adecuados para cada dominio de estimacion.
# disenio complejo a partir de los datos de ejemplo
cd <- configuracion_disenio(casen_2017_los_rios, "ytotcorh", c("comuna", "sexo"), "expc")
cd$disenio
## Stratified 1 - level Cluster Sampling design (with replacement)
## With (67) clusters.
## Called via srvyr
## Sampling variables:
## - ids: varunit
## - strata: varstrat
## - weights: expc
## Data variables: ytotcorh (dbl), comuna (dbl+lbl), sexo (dbl+lbl), expc (dbl),
## varunit (dbl), varstrat (dbl)
## # A tibble: 12 x 2
## comuna sexo
## <dbl+lbl> <dbl+lbl>
## 1 14101 [Valdivia] 2 [Mujer]
## 2 14101 [Valdivia] 1 [Hombre]
## 3 14104 [Los Lagos] 1 [Hombre]
## 4 14104 [Los Lagos] 2 [Mujer]
## 5 14107 [Paillaco] 1 [Hombre]
## 6 14107 [Paillaco] 2 [Mujer]
## 7 14108 [Panguipulli] 2 [Mujer]
## 8 14108 [Panguipulli] 1 [Hombre]
## 9 14201 [La Unión] 1 [Hombre]
## 10 14201 [La Unión] 2 [Mujer]
## 11 14204 [Río Bueno] 1 [Hombre]
## 12 14204 [Río Bueno] 2 [Mujer]
La funcion estadistica_descriptiva()
toma en cuenta el disenio complejo y los grados de libertad. Puedo agrupar por una o mas variables y la funcion entrega, ademas del promedio, el intervalo de confianza.
## # A tibble: 12 x 7
## comuna_etiqueta sexo_etiqueta comuna_codigo sexo_codigo media_ytotcorh
## <chr> <chr> <chr> <chr> <dbl>
## 1 Valdivia Mujer 14101 2 1262564.
## 2 Valdivia Hombre 14101 1 1347409.
## 3 Los Lagos Hombre 14104 1 718525.
## 4 Los Lagos Mujer 14104 2 730578.
## 5 Paillaco Hombre 14107 1 707612.
## 6 Paillaco Mujer 14107 2 689113.
## 7 Panguipulli Mujer 14108 2 631138.
## 8 Panguipulli Hombre 14108 1 684710.
## 9 La Unión Hombre 14201 1 804543.
## 10 La Unión Mujer 14201 2 751564.
## 11 Río Bueno Hombre 14204 1 772788.
## 12 Río Bueno Mujer 14204 2 713756.
## # … with 2 more variables: media_ytotcorh_inf <dbl>, media_ytotcorh_sup <dbl>
## Warning in vcov.svyquantile(X[[i]], ...): Only diagonal of vcov() available
## Warning in vcov.svyquantile(X[[i]], ...): Only diagonal of vcov() available
## Warning in vcov.svyquantile(X[[i]], ...): Only diagonal of vcov() available
## Warning in vcov.svyquantile(X[[i]], ...): Only diagonal of vcov() available
## Warning in vcov.svyquantile(X[[i]], ...): Only diagonal of vcov() available
## Warning in vcov.svyquantile(X[[i]], ...): Only diagonal of vcov() available
## Warning in vcov.svyquantile(X[[i]], ...): Only diagonal of vcov() available
## Warning in vcov.svyquantile(X[[i]], ...): Only diagonal of vcov() available
## Warning in vcov.svyquantile(X[[i]], ...): Only diagonal of vcov() available
## Warning in vcov.svyquantile(X[[i]], ...): Only diagonal of vcov() available
## Warning in vcov.svyquantile(X[[i]], ...): Only diagonal of vcov() available
## Warning in vcov.svyquantile(X[[i]], ...): Only diagonal of vcov() available
## # A tibble: 12 x 7
## comuna_etiqueta sexo_etiqueta comuna_codigo sexo_codigo mediana_ytotcorh
## <chr> <chr> <chr> <chr> <dbl>
## 1 Valdivia Mujer 14101 2 900000
## 2 Valdivia Hombre 14101 1 914376.
## 3 Los Lagos Hombre 14104 1 612354.
## 4 Los Lagos Mujer 14104 2 635936
## 5 Paillaco Hombre 14107 1 553684
## 6 Paillaco Mujer 14107 2 532639.
## 7 Panguipulli Mujer 14108 2 532261.
## 8 Panguipulli Hombre 14108 1 559715.
## 9 La Unión Hombre 14201 1 622461
## 10 La Unión Mujer 14201 2 567739.
## 11 Río Bueno Hombre 14204 1 696373.
## 12 Río Bueno Mujer 14204 2 631806
## # … with 2 more variables: mediana_ytotcorh_inf <dbl>,
## # mediana_ytotcorh_sup <dbl>
## # A tibble: 12 x 7
## percentil comuna_etiqueta sexo_etiqueta comuna_codigo sexo_codigo
## <dbl> <chr> <chr> <chr> <chr>
## 1 0.7 Valdivia Mujer 14101 2
## 2 0.7 Valdivia Hombre 14101 1
## 3 0.7 Los Lagos Hombre 14104 1
## 4 0.7 Los Lagos Mujer 14104 2
## 5 0.7 Paillaco Hombre 14107 1
## 6 0.7 Paillaco Mujer 14107 2
## 7 0.7 Panguipulli Mujer 14108 2
## 8 0.7 Panguipulli Hombre 14108 1
## 9 0.7 La Unión Hombre 14201 1
## 10 0.7 La Unión Mujer 14201 2
## 11 0.7 Río Bueno Hombre 14204 1
## 12 0.7 Río Bueno Mujer 14204 2
## # … with 2 more variables: mediana_ytotcorh <dbl>,
## # mediana_ytotcorh_err_est <dbl>
Las funciones de casen
estan pensadas para usarse en conjunto con las de dplyr
. Un ejemplo simple de esto es el calculo del porcentaje de hogares pobres.
Veamos el caso puntual de las funciones mutate
y filter
de dplyr.
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
# convierto pobreza a una variable binaria
casen_2017_los_rios %>%
mutate(pobreza = ifelse(pobreza <= 2, 1, 0)) %>%
configuracion_disenio("pobreza", "comuna", "expc") %>%
media_agrupada()
## # A tibble: 6 x 5
## comuna_etiqueta comuna_codigo media_pobreza media_pobreza_inf media_pobreza_s…
## <chr> <chr> <dbl> <dbl> <dbl>
## 1 Valdivia 14101 0.0753 0.0513 0.0993
## 2 Los Lagos 14104 0.156 0.104 0.209
## 3 Paillaco 14107 0.209 -0.0754 0.494
## 4 Panguipulli 14108 0.133 0.0928 0.173
## 5 La Unión 14201 0.132 0.0656 0.198
## 6 Río Bueno 14204 0.170 0.0736 0.266
El paquete casen provee dos funciones para sacar el maximo partido a las funciones de R tomando en cuenta el disenio complejo y los grados de libertad.
Ajuste del modelo:
# modelo: ytotcorh = b0 + b1 comuna + b2 sexo + e
mod <- modelo_lineal_generalizado(cd, "ytotcorh ~ comuna + sexo")
summary(mod)
##
## Call:
## svyglm(formula = stats::as.formula(modelo), design = disenio$disenio)
##
## Survey design:
## Called via srvyr
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 55655084.7 13884444.7 4.008 0.000192 ***
## comuna -3860.7 977.4 -3.950 0.000232 ***
## sexo -58713.5 23514.9 -2.497 0.015672 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for gaussian family taken to be 1.491064e+12)
##
## Number of Fisher Scoring iterations: 2
Ademas de dplyr, casen se integra perfectamente con los paquetes del Tidyverse y otros paquetes afines.
Por ejemplo, el paquete broom permite obtener una tabla con los intervalos de confianza para los betas estimados del modelo.
## Loading required package: grid
## Loading required package: Matrix
## Loading required package: survival
##
## Attaching package: 'survey'
## The following object is masked from 'package:graphics':
##
## dotchart
##
## Attaching package: 'janitor'
## The following objects are masked from 'package:stats':
##
## chisq.test, fisher.test
# usamos ddf y degf del paquete survey para hacer el mismo calculo
# que realiza Stata
mod_conf <- confint_tidy(mod, ddf = degf(cd$disenio))
mod_conf
## # A tibble: 3 x 2
## conf.low conf.high
## <dbl> <dbl>
## 1 27830036. 83480134.
## 2 -5820. -1902.
## 3 -105838. -11589.
Lo anterior se puede ordenar y presentar los betas junto con los intervalos de confianza.
# ordenamos la salida del modelo
mod_betas <- tidy(mod)
# pegamos las columnas
mod_betas <- bind_cols(mod_betas, mod_conf)
# ordenamos los nombres de las columnas
mod_betas <- clean_names(mod_betas)
mod_betas
## # A tibble: 3 x 7
## term estimate std_error statistic p_value conf_low conf_high
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 (Intercept) 55655085. 13884445. 4.01 0.000192 27830036. 83480134.
## 2 comuna -3861. 977. -3.95 0.000232 -5820. -1902.
## 3 sexo -58714. 23515. -2.50 0.0157 -105838. -11589.
El paquete casen provee un conjunto de datos con la correspondencia de los codigos de comunas.
Veamos como convertir los codigos de la encuesta CASEN 1990 a codigos SUBDERE 2017.
## # A tibble: 323 x 4
## # Groups: codigo_casen, codigo_subdere_2017 [323]
## valido_desde valido_hasta codigo_casen codigo_subdere_2017
## <dbl> <dbl> <int> <chr>
## 1 1990 2017 11201 11201
## 2 1990 2003 5605 05602
## 3 1990 2003 13504 13502
## 4 1990 2003 3304 03302
## 5 1990 2003 1307 01107
## 6 1990 2003 10402 10202
## 7 1990 2003 4104 04103
## 8 1990 2003 9101 09201
## 9 1990 2003 2301 02101
## 10 1990 2003 8204 08302
## # … with 313 more rows