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 guardan los coeficientes (resultFinalDesempleo
[36x1]).
La idea
general, como estamos trabajando con 3 estados, es tener 4 matrices 3x3, como explicamos
adelante, convertirlas en vector y terminar con una matriz 36x18. Ahora creamos
un for anidado, donde la general es para cada par de base
levantadas en periodos continuos, se crean 4 matrices 3x3 para capturar las
probabilidades de transición de un estado a otro.
La
primera parte del bucle anidado [for (jbase
in 1:(bases-1)){]
permite cargar las bases de forma continuas (ejemplo: 2014-1 y 2014-2), note
que va desde la primera base hasta la penúltima, porque dentro se obtiene la
segunda base como el índice del bucle más 1 [[[jbase+1]]], a estas bases la llamamos base 1
y base 2.
Posteriormente,
combinando los nombres de casa encuesta (data1 y data2) se crea un vector [1x1]
conteniendo la combinación de nombre de las encuestas correspondientes ("20143-20144").
(Perdonando
por no usar mutate de tidyverse, dicho procedimiento se hace de la
manera tradicional utilizando el operador
$) ahora se crea una variable cualitativa con la información
de los tres estados. Note que solo debemos indicarle a la variable dicotómica de
ocupados (1=ocupados) cuales son los inactivos del mercado laboral:
0 =
empleados
1=desempleado
2=inactivos
table(data1$stado1)
0
1 2
8963
509 10755
Aunque
solo se utiliza una vez, posteriormente de deja en comentario una parte donde se
pretende validar visualmente si no se había cometido algún error con los códigos,
al programar tareas este paso es sumamente importante, porque evita cometer
errores graves. Aunque lo mejor siempre es tratar de establecer algún procedimiento
de validación.
Luego creamos
la base3 combinando base1 y base2 por el [by="ID_PERSONA"], posteriormente nos quedamos solo
con las personas con edad de trabajar en la primera encuesta [dplyr::filter(PET.x==1)].
Luego
se crean 4 matrices [3x3] que se resetean con cada vuelta del bucle:
MatrixMarkPro: guarda probabilidades de
transición sin considerar el factor de expansión.
MatrixMarkPer: guarda el número de personas según
la condición de transferencia entre un estado y otro, sin considerar el factor
de expansión.
MatrixMarkProW: guarda probabilidades de transición considerando el factor de expansión.
MatrixMarkPerW: guarda el número de personas según
la condición de transferencia entre un estado y otro, considerando el factor de
expansión.
Finalmente
usamos un for doble o
anidado, dentro del for anterior, para completar estas matrices, note que la
idea es muy sencilla, recorriendo el número de estados en cada bucle [0:sk] para crear probabilidades para construir
la primera matriz, en la posición [1,1] estamos verificando la probabilidad de
que un individuo este en el estado cero y continúe en ese estado, porque estos
son los dos primeros valores que asumen los índices del bucle.
for (s1 in
0:sk) {
for (s2 in 0:sk) {
# sin factor de expansión
MatrixMarkPro[s1+1,s2+1] <- sum(stado1==s1 &
stado2==s2)/sum(stado1==s1)
MatrixMarkPer[s1+1,s2+1] <- sum(stado1==s1 & stado2==s2)
# Usando factor de expansión
MatrixMarkProW[s1+1,s2+1] <-
sum(FACTOR_EXPANSION.x[stado1==s1 & stado2==s2])/sum(FACTOR_EXPANSION.x[stado1==s1])
MatrixMarkPerW[s1+1,s2+1] <-
sum(FACTOR_EXPANSION.x[stado1==s1 & stado2==s2])
}
}
Asignémosle
valores a los índices del bucle en la primera y segunda corrida del bucle, para
plantearlo más claro:
|
Corrida 1 del blucle
S1 = 0
S2 = 0
Por tanto, estamos verificando la
probabilidad [en la matriz MatrixMarkPro]
de permanecer en el estado cero (de permanecer empleados).
Para ello sumamos la cantidad de
individuos que tienen este estado en ambas bases [sum(stado1==0 & stado2==0)]
y se divide entre el total de PET con
el estado 0 en la primera encuesta [sum(stado1==0)].
En el caso de contar personas, solo
eliminamos la división entre sum(stado1==0)
de la cantidad de personas que pasa de un estado a otro.
Por último, para considerar el factor de
expansión repetimos el ejercicio anterior, pero sumando en vez de estados (un
1 por cada observación) se suma el factor de expansión correspondiente.
|
Corrida 2 del blucle
S1 = 0
S2 = 1
Por tanto, estamos verificando la
probabilidad [en la matriz MatrixMarkPro]
de pasar del estado 0 al 1, empleado a desempleado.
Para ello sumamos la cantidad de
individuos que tienen el estado cero en la base 0 y 1 en la base 1 [sum(stado1==0 & stado2==1)]
y se divide entre el total de PET con
el estado 0 en la primera encuesta [sum(stado1==0)].
En el caso de contar personas, solo
eliminamos la división entre sum(stado1==0)
de la cantidad de personas que pasa de un estado a otro.
Por último, para considerar el factor de
expansión repetimos el ejercicio anterior, pero sumando en vez de estados (un
1 por cada observación) se suma el factor de expansión correspondiente.
|
Las
matrices creadas en el paso anterior se transforman en vectores de forma que
podemos colocar una matriz debajo de otra, correspondiendo cada observación a
los coeficientes estimados para base de datos, con el fin de poder organizar
todas las matrices en una tabla plana:
> MatrixMarkPro
[,1] [,2] [,3]
[1,]
0.95254403 0.01190476 0.03555121
[2,]
0.30352304 0.42005420 0.27642276
[3,]
0.07665222 0.01814735 0.90520043
> as.vector(MatrixMarkPro)
[1]
0.95254403 0.30352304 0.07665222 0.01190476 ...
L hubiese sido mucho más eficiente
guardar estas matrices en una lista y luego convertirlas en una tabla plana, es
bien fácil usando la función apply, hace el código más corto y entendible y mantiene
disponible toda la información generada. Esto lo vi luego de crear el programa
y me dio flojera corregirlo.
# ::::::::::::::::::::::::::::::::::::::::::
# NOTA: correr el bucle anidado desde aquí
# ::::::::::::::::::::::::::::::::::::::::::
matrixNombres <-c()
skk <- 3 #considerados estados
resultFinalDesempleo <- matrix(NA, nrow=1,
ncol=skk*skk*4)
for (jbase in 1:(bases-1)){
data1 <- as.data.frame(miembros[[jbase]])
data2 <- as.data.frame(miembros[[jbase+1]])
namess<-paste("d",data1$TRIMESTRE[1],data2$TRIMESTRE[2],sep
= "_")
# crea tres estados 0=empleado; 1=empleado
3=inactivo
data1$stado1 <- data1$DESOCUPADO
data1$stado1[data1$PEA==0]<-2
data2$stado2 <- data2$DESOCUPADO
data2$stado2[data2$PEA==0]<-2
# Validar
# View(cbind(esta=data1$stado1,
desocupa=data1$DESOCUPADO, pea=data1$PEA, data2$stado2, data2$DESOCUPADO,
data2$PEA))
# https://rpubs.com/williamsurles/293454
data3 <-
inner_join(data1,data2,by="ID_PERSONA") %>%
dplyr::filter(PET.x==1)
attach(data3)
# :::::::::::::: Automatico
sk<-skk -1
#length(table(t1)) #Estados:
Emmpelo, desempleo
MatrixMarkPro <- matrix(NA, sk+1, sk+1) #
Probabilidades
MatrixMarkPer <- matrix(NA, sk+1, sk+1) #
Cuenta personas
MatrixMarkProW <- matrix(NA, sk+1, sk+1) # Probabilidades
MatrixMarkPerW <- matrix(NA, sk+1, sk+1) #
Cuenta personas
for (s1 in 0:sk) {
for (s2 in
0:sk) {
MatrixMarkPro[s1+1,s2+1] <-
sum(stado1==s1 & stado2==s2)/sum(stado1==s1)
MatrixMarkPer[s1+1,s2+1] <-
sum(stado1==s1 & stado2==s2)
# Usando
factor de expansión
MatrixMarkProW[s1+1,s2+1] <- sum(FACTOR_EXPANSION.x[stado1==s1 &
stado2==s2])/sum(FACTOR_EXPANSION.x[stado1==s1])
MatrixMarkPerW[s1+1,s2+1] <- sum(FACTOR_EXPANSION.x[stado1==s1 &
stado2==s2])
}
} #Cierra creación de matrices para el periodo
dinamicaMatrix <- c(as.vector(MatrixMarkPro),
as.vector(MatrixMarkPer),
as.vector(MatrixMarkProW),
as.vector(MatrixMarkPerW))
resultFinalDesempleo <-
rbind(resultFinalDesempleo,dinamicaMatrix)
matrixNombres<-c(matrixNombres,paste(data1$TRIMESTRE[1],data2$TRIMESTRE[1],sep
= "-"))
print(paste(data1$TRIMESTRE[1],data2$TRIMESTRE[1],sep
= "-"))
}
#Cierra el bucle de cargar base de datos
Resultados
En el
caso de las probabilidades de transición obtenidas para el periodo [1]
"20183-20184" y colocadas debajo, se verifica que en el periodo un
95% de las personas que estaban ocupadas permaneció ocupada pera el periodo
siguiente, el 1.15% paso a ser desempleado y 3.3% paso a estar inactivo. El 45%
de los desempleados continúo desempleado, el 29% paso a estar inactiva y el 26%
encontró empleo. El 90% de los inactivos continuaron en la misma posición y
7.4% encontró trabajo, 2% comenzó a buscar empleo.
|
> MatrixMarkPro
[,1] [,2] [,3]
[1,]
0.95254403 0.01190476 0.03555121
[2,]
0.30352304 0.42005420 0.27642276
[3,]
0.07665222 0.01814735 0.90520043
|
>
MatrixMarkProW
[,1] [,2] [,3]
[1,]
0.95516926 0.01152740 0.03330334
[2,]
0.26040401 0.45056803 0.28902796
[3,]
0.07445017 0.01930278 0.90624705
|
Graficando
las columnas de esta matriz de resultados fines, podemos estudiar la evolución histórica
de las matrices de transición (L lo
siento por no terminar el proceso en R). Se observa como durante el perioro la probabilidad de permanecer empleado se ha incrementado, mientras se reduce la probabiildad de perder el empleo o quedar desempleado.
