Para
ilustrar los siguientes ejemplos se utiliza las siguientes bases de miembros
simuladas. Los códigos de simulación se anexan al final de la presente entrada.
Son dos bases ejemplos: una con información sobre los miembros y otra de las
viviendas. Como siempre, el primer paso es estudiar nuestra base de datos.
data_miembros
# A tibble: 14 x 6
hogar_id
edad sexo zona empleo ing_lab_h
<int> <int> <chr>
<chr> <int> <dbl>
1
1 33 M Rural
1 286.
2
1 34 F Rural
1 199.
3
1 34 M Rural
0 0
4
1 17 M Rural
NA 0
5
1 35 M Rural
0 0
6
1 35 M Rural
1 87.8
7
2 13 F Urbana
NA 0
8
2 7 F Urbana
NA 0
9
2 33 F Urbana
1 94.2
10 3
29 F Urbana 1
257.
11 3
17 M Urbana NA
0
12 4
18 M Rural 1
477.
13 5
12 M Urbana NA
0
14 5
22 F Urbana 0
0
data_vivienda
hogar_id
pared estufa habitaciones
1 1
Block 0 3
2 2 Madera 0
1
3 3
Block 1 3
4 4
Block 1 2
5 5
Block 1 1
1.
Agregando información a nivel de
miembros
Podemos
contabilizar la cantidad de miembros por cada hogar combinando las funciones
group_by+summarise. Summarise hace un collapse de la base de datos a nivel de los
miembros identificados.
data_miembros
|>
group_by(hogar_id) |>
summarise(n()) |>
dplyr::select(`n()`)
# A tibble: 5 x 1
`n()`
<int>
1 6
2 3
3 2
4 1
5 2
Note
que al final se usa la función n() para contabilizar la cantidad de
miembros y solo aparece esta variable en la data final. En caso que quisiéramos
poner esta variable delante de la base de miembros, usaríamos mutate.
data_miembros
|>
group_by(hogar_id) |>
mutate(miembro = 1:n())
# A tibble: 14 x 7
# Groups: hogar_id [5]
hogar_id
edad sexo zona empleo ing_lab_h miembro
<int> <int> <chr>
<chr> <int> <dbl> <int>
1
1 33 M Rural
1 286. 1
2
1 34 F Rural
1 199. 2
3
1 34 M Rural
0 0 3
4
1 17 M Rural
NA 0 4
5
1 35 M Rural
0 0 5
6
1 35 M Rural
1 87.8 6
7
2 13 F Urbana
NA 0 1
8
2 7 F Urbana
NA 0 2
9
2 33 F Urbana
1 94.2 3
10 3
29 F Urbana 1
257. 1
11 3
17 M Urbana NA
0 2
12 4
18 M Rural 1
477. 1
13 5
12 M Urbana NA
0 1
14 5
22 F Urbana 0
0 2
Note que
podemos contabilizar otras características de los miembros. Podemos contar el número
de miembros y trabajadores de cada hogar, sumando las variables de empleo. Al
ser binaria (0,1), la suma de esta indica la cantidad de observaciones que
cumplen dichas características. Esto se cumple con cualquier condición lógica,
siempre que sumemos estos vectores, obtendremos la cantidad de elementos que
cumplen dichas condiciones. Finalmente, podemos verificar que podemos crear
nuevas variables usando las variables previamente creadas. Puntualmente, se
crea la variable percent_trab que indica que porcentaje de los
miembros de cada hogar esta trabajando.
data_miembros
|>
group_by(hogar_id) |>
summarise(miembro = max(1:n()),
trabajo_hogar =
sum(as.numeric(empleo), na.rm=TRUE),
porcent_trab=
trabajo_hogar/miembro)
# A tibble: 5 x 4
hogar_id miembro trabajo_hogar porcent_trab
<int> <int> <dbl> <dbl>
1 1
6 3 0.5
2 2
3 1 0.333
3 3
2 1 0.5
4 4
1 1 1
5 5
2 0 0
Adicionalmente,
podemos agregar la edad promedio y la edad mínima de cada hogar.
data_miembros
|>
group_by(hogar_id) |>
mutate(edad_m =
mean(edad),
edad_min =
min(edad))
# A tibble: 14 x 8
# Groups: hogar_id [5]
hogar_id
edad sexo zona empleo ing_lab_h edad_m edad_min
<int> <int> <chr>
<chr> <int> <dbl> <dbl>
<int>
1
1 33 M Rural
1 286. 31.3
17
2
1 34 F Rural
1 199. 31.3
17
3
1 34 M Rural
0 0
31.3 17
4
1 17 M Rural
NA 0 31.3
17
5
1 35 M Rural
0 0 31.3
17
6
1 35 M Rural
1 87.8 31.3
17
7
2 13 F Urbana
NA 0
17.7 7
8
2 7 F Urbana
NA 0 17.7
7
9
2 33 F Urbana
1 94.2 17.7
7
10 3
29 F Urbana 1
257. 23 17
11 3
17 M Urbana NA
0 23 17
12 4
18 M Rural 1
477. 18 18
13 5
12 M Urbana NA
0 17 12
14 5
22 F Urbana 0
0 17 12
2.
Estimar la incidencia de la pobreza
monetaria
Ahora
se muestra un ejemplo de como estimar la pobreza monetaria. Asumiendo una línea
de pobreza de 5,000RD$, como tenemos el ingreso por hora, necesitamos estimar los
salarios el ingreso mensual ing_t_h y luego dividiendo ese ingreso
entre el total de miembros, obtenemos el ingreso per cápita del hogar para
finalmente obtener una variable binaria que verifica si este ingreso per cápita
está por encima o por debajo de la línea de pobreza.
data_pobre <-
data_miembros |>
group_by(hogar_id) |>
mutate(miembro = max(1:n()),
ing_t_h = sum(ing_lab_h)*8*23.8,
ing_pc_h = ing_t_h/max(1:n()),
pobres = (ing_pc_h < 5000)*1)
data_pobre
# A tibble: 12 x 9
# Groups: hogar_id [4]
hogar_id
edad sexo empleo ing_lab_h
miembro ing_t_h ing_pc_h pobres
<int> <int> <chr> <int> <dbl> <int>
<dbl> <dbl> <dbl>
1
1 30 M 1
428. 2 81554.
40777. 0
2
1 18 M 0
0 2
81554. 40777. 0
3
2 16 F NA 0
6 206198. 34366. 0
4
2 27 F 1
409. 6 206198. 34366.
0
5
2 26 M 1
452. 6 206198. 34366.
0
6
2 10 F NA 0
6 206198. 34366. 0
7
2 8 M NA 0
6 206198. 34366. 0
8
2 27 M 1
222. 6 206198. 34366.
0
9
3 10 F NA
0 3
0 0 1
10 3
6 F NA 0
3 0 0
1
11 3
11 M NA 0
3 0 0
1
12 4
11 F NA 0
1 0 0
1
Ahora,
como tenemos la variable pobre, podemos obtener la incidencia de la pobreza y
la cantidad de personas pobres.
data_pobre |>
ungroup() |>
summarise(num_pob = sum(pobres),
por_pobr = mean(pobres))
# A tibble: 1 x 2
num_pob por_pobr
<dbl> <dbl>
1 4
0.333
Ahora,
podemos segmentar la según una categoría determinada. Esto lo hacemos en los
casos donde necesitamos obtener incidencia de la pobreza por grupos específicos
de mi población. Según los datos el 50% de las mujeres está en condición de
pobreza, frente a un 17% en caso de los hombres.
data_pobre |>
group_by(sexo) |>
summarise(num_pob = sum(pobres),
por_pobr = mean(pobres))
# A tibble: 2 x 3
sexo
num_pob por_pobr
<chr>
<dbl> <dbl>
1 F 3
0.5
2 M 1
0.167
3.
Combinando data
Finalmente,
dado que tememos una basa de vivienda donde obtenemos información sobre las características
de esta, podemos estar interesados en estimar que porcentaje de mi población vive
en casa con paredes de zinc. En tal sentido necesitamos llevar esta información
a la base de miembros, o por el contrario llevar el numero de miembros de cada
vivienda a la base de viviendas. Ambas opciones pueden hacerse mediante un join usando el id del hogar como llave. Esto es
especialmente útil cuando necesitamos combinar información contenida en
distintas bases de datos.
Alt. 1. Llevo la información de la data de
vivienda a la data de miembros y luego contabilizo mis datos.
left_join(data_1,
data_2, by="id")
Noten
como opera la función, vamos a pesar la información referida en la data_2,
sobre la data_1 (que esta a la izquierda), usando el id como identificador. Por
ejemplo, para el id 1 le vamos a colocar el material de la vivienda.
left_join(data_miembros,
data_vivienda, by="hogar_id")
# A tibble: 14 x 7
hogar_id
edad sexo zona empleo ing_lab_h pared
<int> <int> <chr>
<chr> <int> <dbl> <chr>
1
1 33 M Rural
1 286. Block
2
1 34 F Rural
1 199. Block
3
1 34 M Rural
0 0 Block
4
1 17 M Rural
NA 0 Block
5
1 35 M Rural
0 0 Block
6
1 35 M Rural
1 87.8 Block
7
2 13 F Urbana
NA 0 Madera
8
2 7 F Urbana
NA 0 Madera
9
2 33 F Urbana
1 94.2 Madera
10 3
29 F Urbana 1
257. Block
11 3
17 M Urbana NA
0 Block
12 4
18 M Rural 1
477. Block
13 5
12 M Urbana NA
0 Block
14 5
22 F Urbana 0
0 Block
Ahora,
como tememos la información de la pared en la base de miembros, podemos obtener
el porcentaje de individuos que viven en casas con un determinado tipo de
material (si quisiéramos saber el porcentaje de vivienda, repetimos este
proceso en la base de viviendas). [Nota: tenga pendiente que ahora con esta
base podemos obtener cualquier información adicional sobre el perfil de la población
según el material de la vivienda].
left_join(data_miembros,
data_vivienda, by="hogar_id") |>
group_by(pared) |>
summarise(num_v = n()) |>
mutate(percent = num_v/sum(num_v))
# A tibble: 2 x 3
pared
num_v percent
<chr>
<int> <dbl>
1 Block 11
0.786
2 Madera 3
0.214
Alt. 2. Llevo información de la data de
miembros a la data de vivienda. Por tanto, debo antes de, agregar la data de
miembros para poder pasar la data. Primero hacemos esta agregación y obtenemos el
numero de miembros por hogar.
data_miembros
|>
group_by(hogar_id) |>
summarise(n())
# A tibble: 5 x 2
hogar_id `n()`
<int> <int>
1 1
6
2 2
3
3 3
2
4 4
1
5 5
2
Luego
anexamos estas cantidades en al base de viviendas usando el mismo left join.
left_join(data_vivienda,
data_miembros |>
group_by(hogar_id) |> summarise(n()),
by="hogar_id")
hogar_id
pared n()
1 1
Block 6
2 2 Madera 3
3 3
Block 2
4 4
Block 1
5 5
Block 2
Ahora
con esta base podemos calcular los porcentajes anteriores, solo debemos sumar
las frecuencias de los miembros del hogar, contenida en la data anterior.
left_join(data_vivienda,
data_miembros |>
group_by(hogar_id) |> summarise(n()),
by="hogar_id") |>
group_by(pared) |>
summarise(num_v = sum(`n()`))
# A tibble: 2 x 2
pared
num_v
<chr>
<int>
1 Block 11
2 Madera 3
4.
Porcentaje de personas por sexo según
rango de edad
De las
herramientas vistas hasta aquí, primero se recodifica la variable edad por rangos
usando la función cut. Posteriormente es cuestión de
contabilizar categorías y obtener las frecuencias relativas.
left_join(data_miembros, data_vivienda,
by="hogar_id") |>
mutate(r_edad = cut(edad,
seq(0,100,20))) |>
group_by(r_edad, sexo) |>
summarise(num_v = n()) |>
mutate(percent =
num_v/sum(num_v))
# A tibble: 4 x 4
# Groups: r_edad [2]
r_edad sexo
num_v percent
<fct> <chr> <int> <dbl>
1 (0,20] F 2
0.333
2 (0,20] M 4
0.667
3 (20,40] F 4 0.5
4 (20,40] M 4 0.5
Ahora
se agrega la opción pivot_inder que se utiliza para convertir una
data de formato long a wide. Ahora se lleva cada sexo a una
columna para obtener mejor representación de la información.
left_join(data_miembros, data_vivienda,
by="hogar_id") |>
mutate(r_edad = cut(edad,
seq(0,100,10))) |>
group_by(r_edad, sexo) |>
summarise(num_v = n()) |>
mutate(percent =
num_v/sum(num_v)) |>
dplyr::select(-num_v) |>
pivot_wider(names_from = sexo,
values_from = percent)
# A tibble: 4 x 3
# Groups: r_edad [4]
r_edad F
M
<fct> <dbl>
<dbl>
1 (0,10] 1 NA
2 (10,20] 0.2 0.8
3 (20,30] 1 NA
4 (30,40] 0.333 0.667
5.
Data simulada
# simulando datos de miembros
set.seed(20)
library(tidyverse)
#simula data
# Define number of households and members per household
num_hogares <-
5
max_miembros <-
6
num_miembro_hogar
<- sample(1:max_miembros, num_hogares, replace = TRUE)
hogar_id <-
rep(1:num_hogares, num_miembro_hogar)
data_miembros
<- data.frame(hogar_id=hogar_id)
n<-nrow(data_miembros)
data_miembros$edad
<- sample(5:35, n, replace = TRUE)
data_miembros$sexo
<- sample(c("M", "F"), n, replace = TRUE)
data_miembros$zona
<- ifelse(hogar_id %in% sample(1:num_hogares, round(num_hogares*0.3)),
"Rural", "Urbana")
# Simulate employment status for each adult
data_miembros
<- data_miembros |>
mutate(
ramdon_var = runif(n, min = 0, max = 1),
empleo = case_when(
edad >= 18 &
ramdon_var>0.4~ "1",
edad >= 18 &
ramdon_var<0.4~ "0",
TRUE ~ NA_character_
),
empleo = as.integer(empleo),
ing_lab_h = case_when(
empleo == 1 ~ runif(n, min = 85, max =
500),
empleo == 0 ~ 0,
TRUE ~ 0
)
) |>
as.tibble() |>
dplyr::select(-ramdon_var)
# simulando
datos de viviendas
data_vivienda <- data.frame(hogar_id=1:num_hogares)
data_vivienda$pared <- sample(c("Madera",
"Concreto", "Block"), num_hogares, replace = TRUE)
data_vivienda$estufa <- sample(c(0,
1), num_hogares, replace = TRUE)
data_vivienda$habitaciones
<- sample(c(1:3), num_hogares,
replace = TRUE)
