Economía Aplicada

Pese al título, esta entrada solo pretende intentar explicar las funcionalidades de una data tipo nest . Las próximas líneas presentan un marco de datos, que es una forma tradicional de una base de datos (no requiere explicación) y un nest data, en esta última agrupamos por variable/clase haciendo un collapse o summarise de la data donde variables/clases pasan a ser el id de la data. Posteriormente, las próximas celdas funcionan como lista, por ende, en ella podemos guardar diversos tipos de objetos, sin importar su dimensión y recuperar estos objetos adelante, sin necesidad de crear nuevos objetos y manteniendo una mejor organización.   # Marco de datos + head(iris)   Sepal.Length Sepal.Width Petal.Length Petal.Width Species 1           5.1          3.5           1.4          0.2   setosa 2           4.9          3.0           1.4          0.2   setosa 3           4.7          3.2           1.3          0.2   setosa 4            4.6          3.1           1.5    

En el próximo código se crean las probabilidades de transición de la PET entre tres estados: ocupados, desocupados e inactivos. Note que cargamos todas (18 bases) las ENCFT entre 2014-3 y 2018-4, lo que permite considerar todas las bases dentro de un bucle sin necesidad de repetir el procedimiento base por base. Todas las bases se guardan en un objeto único llamado miembros . rm(list = ls(all.names = TRUE)) library(dplyr) # Dinámina del desempleo setwd("C:/Users/Nery Ramirez/Dropbox/Dinamica ML/Data") # Carga todas las bases miembros <- lapply(Sys.glob("miembros*.txt"), read.delim) bases<-sum(lengths(lengths(miembros))) [1] 18 Podemos verificar la lista miembro, donde hemos cargado todas las bases de datos. Ahora procedemos a crear dos matrices: una para guardar los nombres de las bases con la que trabajamos, lo que nos permitirá leer mejor los resultados ( matrixNombres [18x1] 18 es el número de bases cargadas) y otra donde se