Recodificación de variables usando dplyr en R

Una base de datos suele tener diversos tipos de variables del tipo cualitativo y cuantitativo. En función del tipo de variables aplicamos diversos tipos de herramientas estadísticas para el análisis de datos. Por ejemplo, el estudio de la independencia entre dos variables depende de la forma de la misma:

* Dos variables cuantitativas: análisis de regresión o correlación

* Una variable cuantitativa y una cualitativa: test de media o comparación de media.

-          * Dos variables cualitativas: test chi-cuadrado.

Por tanto, pueden existir casos donde estemos interesados en recodificar una de estas variables para aplicar algún tipo de análisis, como convertir una variable cuantitativa en cualitativa o transformar una variable cualitativa para recalificar grupos. Por ejemplo agregar edades por rango: 0-10, 11-20, 21-30, …; o reagrupar grupos dentro de una variable cualitativa, ejemplo, agrupar los estudiantes de economía y contabilidad como miembros de la facultad de económicas.

Para ilustrar estos ejemplos, simulamos la siguiente base de datos:

set.seed(1)  # Para reproducibilidad
library(tidyverse)
 
# Simulación de datos
data_simulada <- tibble(
  edad = sample(0:90, 100, replace = TRUE),
  sexo = sample(c("Masculino", "Femenino"), 100, replace = TRUE),
  ingresos = round(rnorm(100, mean = 30000, sd = 10000), 2),
  zona_residencia = sample(c("a", "b", "c"), 100, replace = TRUE))
 
# A tibble: 100 × 4
    edad sexo      ingresos zona_residencia
   <int> <chr>        <dbl> <chr>         
 1     7 Femenino    13113. a             
 2    24 Masculino   14276. a              
 3    19 Femenino    25950. a             
 4    83 Masculino   33193. a             
 5     4 Masculino   30404. c             
 6    73 Femenino    26100. a             
 7    19 Masculino   11808. c             
 8    54 Masculino   36592. b             
 9    55 Femenino    34596. c             
10    78 Femenino    46166. C

 1.       Análisis de correlación para estudiar dependencia entre dos variables cuantitativas:

 ggplot(data_simulada, aes(x = edad, y = ingresos)) +
  geom_point(alpha = 0.6) +
  geom_smooth(method = "lm", color = "blue", se = FALSE) +
  labs(x = "Edad", y = "Ingresos", title = "Relación entre Edad e Ingresos") +
  theme_minimal()

 2.       Tabla de comparación de promedios, para estudiar independencia entre una variable cualitativa y otra cuantitativa:

 data_simulada |>
  group_by(sexo) |>
  summarize(ingreso_promedio = mean(ingresos, na.rm = TRUE))
 
# A tibble: 2 × 2
  sexo      ingreso_promedio
  <chr>                <dbl>
1 Femenino            29794.
2 Masculino           29546.

 3.       Recodification de variables.

 Ahora, queremos estudiar la relación entre edad e ingreso vista en el apartado 1, pero con el fin estudiar la independencia a partir del ejemplo visto en el apartado 2. Es decir, necesitamos convertir una variable cuantitativa en cualitativa para realizar algún tipo de análisis. Un primer ejemplo de este tipo de análisis es transformar una variable cuantitativa en grupos específicos, con el objetivo de resaltar clúster de observaciones con algún objetivo.

 3.1. Recodificar una variable cuantitativa, creando grupos arbitrarios.

 Según edad, por ejemplo, podemos crear grupos segmentarlo según edad del trabajador.

 data_simulada |>
  mutate(grupo_edad = case_when(
    edad >= 0 & edad <= 14 ~ "0-14",
    edad >= 15 & edad <= 64 ~ "15-64",
    edad > 65 ~ ">65",
    TRUE ~ NA_character_  # Manejo de posibles NA
  )) |>
  group_by(grupo_edad) |>
  summarise(media = mean(ingresos))
 
# A tibble: 3 × 2
  grupo_edad  media
  <chr>       <dbl>
1 0-14       29160.
2 15-64      28094.
3 >65        32791

Otro ejemplo de este tipo de recodificación es crear una variable con distintos niveles de ingresos: bajo, medio, alto. Podemos ahora obtener edad promedio según nivel de ingresos.

 data_simulada %>%
  mutate(
    nivel_ingreso = case_when(
      ingresos < 20000 ~ "Bajo",
      ingresos >= 20000 & ingresos < 40000 ~ "Medio",
      ingresos >= 40000 ~ "Alto"
    )
  ) |> 
  group_by(nivel_ingreso) |>
  summarize(edad_m_ing = mean(edad, na.rm = TRUE))
 
# A tibble: 3 × 2
  nivel_ingreso edad_m_ing
  <chr>              <dbl>
1 Alto                51.6
2 Bajo                44.7
3 Medio               42.1

 3.2. Recodificar una variable cuantitativa, creando grupos estadísticos: quintiles.

 Ahora, si quisiéramos agrupar los ingresos, no tenemos de antemano una segmentación por grupos que sea representativa como la edad[1]. En estos casos, donde no tenemos una segmentación orientada a caracterizar una población, podemos optar por grupos estadísticos, como los percentiles.

 Por ejemplo: podemos ver la edad promedio pro percentil de ingresos.

 data_simulada |>
  mutate(quintil_ingresos = ntile(ingresos, 5)) |>  # Dividir ingresos en 5 quintiles
  group_by(quintil_ingresos) |>
  summarize(edad_promedio = mean(edad, na.rm = TRUE))
 
# A tibble: 5 × 2
  quintil_ingresos edad_promedio
             <int>         <dbl>
1                1          44.1
2                2          43.8
3                3          41.8
4                4          44.4
5                5          59.2

 ·         mutate(quintil_ingresos = ntile(ingresos, 5)): Crea una nueva columna quintil_ingresos que divide ingresos en 5 grupos de igual tamaño.

·         group_by(quintil_ingresos): Agrupa los datos por cada quintil de ingresos.

·         summarize(edad_promedio = mean(edad, na.rm = TRUE)): Calcula la edad promedio dentro de cada quintil.

 3.3. Recodificar una variable cualitativa para crear una variable binaria.

Este ejemplo aplica para variables cuantitativas, al recodificar una variable para crear un grupo que sea igual a 1. Por ejemplo, podemos querer que menores de edad sean 1, o que mujeres sean menores a 1.

Recodificar Sexo a Valores Binarios. Convertimos sexo en variables binarias, codificando "Masculino" como 1 y "Femenino" como 0. Al grupo base se coloca el valor de 1.

 data_simulada %>%
  mutate(hombre_binario = if_else(sexo == "Masculino", 1, 0)) |> 
  group_by(hombre_binario) |>
  summarize(edad_sexo = mean(ingresos, na.rm = TRUE))
 
# A tibble: 2 × 2
  hombre_binario edad_sexo
           <dbl>     <dbl>
1              0    28807.
2              1    29658.

 3.4. Recodificar una variable cualitativa para recalificar grupos.

 Finalmente, recodificamos una variable cualitativa como zona, para verificar que la zona a y b sean consideradas como zona rural y c como urbana. Esto se hace para obtener un grupo cuya calificación sean mas familiar para el lector, o este mas acorde como los objetivos de la investigación. Primero creamos la variable en la base de datos, mediante una recodificación de la variable zona, usando case_when para crear la nueva columna zona en la que las categorías "a" y "b" se recodifican como "Rural" y "c" como "Urbana":

 data_simulada |>
  mutate(zona = case_when(
    zona_residencia %in% c("a", "b") ~ "Rural",
    zona_residencia == "c" ~ "Urbana"
  ))
 
# A tibble: 100 × 5
    edad sexo      ingresos zona_residencia zona 
   <int> <chr>        <dbl> <chr>           <chr>
 1     7 Femenino    13113. a               Rural
 2    24 Masculino   14276. a               Rural
 3    19 Femenino    25950. a               Rural
 4    83 Masculino   33193. a               Rural
 5     4 Masculino   30404. c               Urbana
 6    73 Femenino    26100. a               Rural
 7    19 Masculino   11808. c               Urbana
 8    54 Masculino   36592. b               Rural
 9    55 Femenino    34596. c               Urbana
10    78 Femenino    46166. c               Urbana
# ℹ 90 more rows
# ℹ Use `print(n = ...)` to see more rows

Ahora calculamos el ingreso promedio por la zona de residencia.

 data_simulada |>
  mutate(zona = case_when(
    zona_residencia %in% c("a", "b") ~ "Rural",
    zona_residencia == "c" ~ "Urbana"
  ))   |>
  group_by(zona) |>
  summarize(ingreso_promedio = mean(ingresos, na.rm = TRUE))
 
# A tibble: 2 × 2
  zona   ingreso_promedio
  <chr>             <dbl>
1 Rural            29684.
2 Urbana           28133.

---

[1] Salvo en el caso de la pobreza, que podemos agrupar según la línea de pobreza.