get_estimation_mean() : permite estimar la media de una variable numérica o la proporción de una variable categórica.
get_estimation_median(): permite estimar la mediana de una variable numérica.
get_estimation_mean() : permite estimar la media de una variable numérica o la proporción de una variable categórica.
get_estimation_median(): permite estimar la mediana de una variable numérica.
get_estimation_mean() : permite estimar la media de una variable numérica o la proporción de una variable categórica.
get_estimation_median(): permite estimar la mediana de una variable numérica.
Estimo la proporción de personas empleadas que están subempleadas y/o no aportan a la seguridad social. Ver código
library(ech); library(dplyr) # cargo paquetesload("data/ech19.RData") # cargo los datosech19 <- underemployment(ech19) # calculo la variable desempleoech19 <- employment_restrictions(ech19) # calculo la variable empleo con restricciones# estimo la proporcion de personas empleadas con restriccionesget_estimation_mean(ech19, variable = "employment_restrictions", level = "i", ids = "upm", estrato = "estrato")
# A tibble: 4 x 4 employment_restrictions estimacion estimacion_low estimacion_upp <fct> <dbl> <dbl> <dbl>1 "Sin restricciones" 0.723 0.718 0.728 2 "Restriccion por no aporte" 0.181 0.177 0.185 3 "Restriccion por subempleo" 0.0285 0.0269 0.03014 "Restriccion por subempleo y no apor… 0.0673 0.0646 0.0699
Chequeo resultados con datos del OS-MIDES
El paquete ech trae cuatro funciones para calcular variables educativas:
El paquete ech trae cuatro funciones para calcular variables educativas:
level_completion(): permite calcular la completitud según niveles de educación. Crea un grupo de variables dicotómicas que establecen la completitud de primaria, ciclo basico, bachillerato y nivel terciario.
El paquete ech trae cuatro funciones para calcular variables educativas:
level_completion(): permite calcular la completitud según niveles de educación. Crea un grupo de variables dicotómicas que establecen la completitud de primaria, ciclo basico, bachillerato y nivel terciario.
level_education(): permite calcular el máximo nivel educativo alcanzado.
level_education(): permite calcular el máximo nivel educativo alcanzado.
years_of_schooling(): permite calcular el acumulado de años de educación.
Las variables educativas se relacionan con la edad de las personas, por lo tanto, conviene realizar las estimaciones considerando diferentes tramos de edad.
age_group(): permite crear una variable con grupos de edad.
Preguntas de la encuesta que relevan asistencia a un centro de estudio
Descripción | Variable | Códigos |
---|---|---|
Asiste a preescolar | 193 | 1 Asiste; 2 Asistió; 3 Nunca asistió |
Asistencia a educación primaria | e197 | 1 Asiste; 2 Sí, asistió; 3 No asistió |
Asistencia a educación media | e201 | 1 Asiste; 2 Sí, asistió; 3 No asistió |
Asistencia a educación técnica | e212 | 1 Asiste; 2 Sí, asistió; 3 No asistió |
Asistencia a magisterio o profesorado | e215 | 1 Asiste; 2 Sí, asistió; 3 No asistió |
Asistencia a universidad o similar | e218 | 1 Asiste; 2 Sí, asistió; 3 No asistió |
Asistencia a terciario no universitario | e221 | 1 Asiste; 2 Sí, asistió; 3 No asistió |
Asistencia a postgrado | e224 | 1 Asiste actualmente; 2 Sí, asistió; 3 No asistió |
# Asistencia actual a un centro educativo y edad categorizadaech19 <- ech19 %>% mutate(asistencia_actual = case_when((e193 == 1 | e197 == 1 | (e201 == 1 & e27 > 10) | e212 == 1 | (e215 == 1 & e27 > 17) | (e218 == 1 & e27 > 17) | (e221 == 1 & e27 > 17) | (e224 == 1 & e27 > 17)) ~ 1, TRUE ~ 0), edad_tramos = cut(e27, c(0,4,11,17,29, max(e27)), include.lowest = TRUE, labels = c("0-4", "5-11", "12-17", "18-29", "30+")))ech19 %>% group_by(edad_tramos, asistencia_actual) %>% summarise(total = n())
# A tibble: 10 x 3# Groups: edad_tramos [5] edad_tramos asistencia_actual total <fct> <dbl> <int> 1 0-4 0 3480 2 0-4 1 2208 3 5-11 0 65 4 5-11 1 9302 5 12-17 0 631 6 12-17 1 8703 7 18-29 0 10557 8 18-29 1 6071 9 30+ 0 6521510 30+ 1 1639
Ahora lo calculamos usando el paquete ech.
ech19 <- age_groups(ech19)ech19 <- enrolled_school(ech19)ech19 %>% group_by(age_groups, school_enrollment) %>% filter(school_enrollment == 1) %>% summarise(total = n())
# A tibble: 5 x 3# Groups: age_groups [5] age_groups school_enrollment total <int+lbl> <dbl+lbl> <int>1 1 1 [Si] 22082 2 1 [Si] 93023 3 1 [Si] 87034 4 1 [Si] 47475 5 1 [Si] 2963
Estimo la proporción de personas que asisten actualmente a un centro educativo formal por tramo de edad según departamento.
# usando age_groupstabla_asiste <- get_estimation_mean(ech19, variable = "school_enrollment", by.x = "age_groups", by.y = "dpto", level = "i") %>% filter(school_enrollment == "Si")
get_estimation_mean( data = ech::toy_ech_2018, # data.frame variable = NULL, # variable a estimar by.x = NULL, # variable de cruce by.y = NULL, # variable de cruce domain = NULL, # dominio o subpoblacion level = NULL, # nivel hogares o personas ids = NULL, # upms numero = "numero", # identificador hogar estrato = NULL, # estrato pesoano = "pesoano", # ponderador name = "estimacion" # etiqueta)
Estimo la proporción de personas entre 12 y 17 años que asisten actualmente a un centro educativo formal según departamento.
# usando age_groupsget_estimation_mean(ech19, variable = "school_enrollment", by.x = "dpto", domain = "age_groups == 3", level = "i") %>% filter(school_enrollment == "Si")
# A tibble: 19 x 5# Groups: dpto [19] dpto school_enrollment estimacion estimacion_low estimacion_upp <fct> <fct> <dbl> <dbl> <dbl> 1 Montevideo Si 0.945 0.935 0.954 2 Artigas Si 0.895 0.859 0.932 3 Canelones Si 0.931 0.917 0.944 4 Cerro Largo Si 0.926 0.895 0.957 5 Colonia Si 0.940 0.914 0.966 6 Durazno Si 0.939 0.906 0.972 7 Flores Si 0.960 0.922 0.998 8 Florida Si 0.869 0.815 0.923 9 Lavalleja Si 0.933 0.894 0.97210 Maldonado Si 0.941 0.920 0.96311 Paysandú Si 0.945 0.924 0.96712 Río Negro Si 0.965 0.935 0.99513 Rivera Si 0.919 0.886 0.95114 Rocha Si 0.925 0.895 0.95515 Salto Si 0.868 0.834 0.90116 San José Si 0.936 0.912 0.96117 Soriano Si 0.899 0.861 0.93718 Tacuarembó Si 0.896 0.859 0.93319 Treinta y Tres Si 0.926 0.882 0.970
Estimo la proporción de personas entre 12 y 17 años que asisten actualmente a un centro educativo formal según departamento.
# usando edadget_estimation_mean(ech19, variable = "school_enrollment", by.x = "dpto", domain = "e27 > 11 & e27 < 18", level = "i") %>% filter(school_enrollment == "Si")
# A tibble: 19 x 5# Groups: dpto [19] dpto school_enrollment estimacion estimacion_low estimacion_upp <fct> <fct> <dbl> <dbl> <dbl> 1 Montevideo Si 0.945 0.935 0.954 2 Artigas Si 0.895 0.859 0.932 3 Canelones Si 0.931 0.917 0.944 4 Cerro Largo Si 0.926 0.895 0.957 5 Colonia Si 0.940 0.914 0.966 6 Durazno Si 0.939 0.906 0.972 7 Flores Si 0.960 0.922 0.998 8 Florida Si 0.869 0.815 0.923 9 Lavalleja Si 0.933 0.894 0.97210 Maldonado Si 0.941 0.920 0.96311 Paysandú Si 0.945 0.924 0.96712 Río Negro Si 0.965 0.935 0.99513 Rivera Si 0.919 0.886 0.95114 Rocha Si 0.925 0.895 0.95515 Salto Si 0.868 0.834 0.90116 San José Si 0.936 0.912 0.96117 Soriano Si 0.899 0.861 0.93718 Tacuarembó Si 0.896 0.859 0.93319 Treinta y Tres Si 0.926 0.882 0.970
Estimar los años de educación según sexo para personas mayores de 24 años. Comparar con OTU
Estimar el máximo nivel educativo alcanzado para una subpoblación, personas mayores de 24 años. Comparar con OTU
Calcular las variables de completitud de cada nivel de enseñanza. Para calcular la completitud en el nivel terciario definir la cantidad de años aprobados que consideramos completan el nivel igual a 2, luego repetir para n=4.
Estimar la completitud en primaria y ciclo báscio para personas mayores de 15 años; la completitud en bachillerato para las personas mayores de 17 años y la completitud en el nivel terciario para las personas mayores de 24 años.
Comparar resultados con los publicados por OTU
Descripción | Variable |
---|---|
e197 | asiste a primaria |
e197_1 | primaria completa |
e201 | asiste a secundaria |
e51_4 | años aprobados en ciclo básico |
e51_5 | años aprobados en bachillerato |
e51_6 | años aprobados en bachillerato técnico |
e51_7 | años aprobados en educación técnico |
e51_7_1 | requisitos para educación técnica |
e51_8 | años aprobados en magisterio/profesorado |
e51_9 | años aprobados en universidad o similar |
e51_10 | años aprobados en terciaria (no universitaria) |
e212 | asiste a educación técnica (no universitaria) |
e215 | asiste a magisterio |
e218 | asiste a universidad |
e221 | asiste a terciaria |
Defino terciaria completa si completó al menos 4 años
ech19 <- ech19 %>% mutate(primaria_completa = ifelse(e197 == 2 & e197_1 == 1, 1, 0), baja_secundaria_completa = ifelse(e201 %in% 1:2 & e51_4 == 3, 1, 0), alta_secundaria_completa = ifelse(e201 %in% 1:2 & (e51_5 == 3 | e51_6 == 3), 1, 0), terciaria_completa = ifelse((e212 %in% 1:2 & e51_7_1 == 1 & e51_7 >= 3) | (e215 %in% 1:2 & e51_8 >= 3) | (e218 %in% 1:2 & e51_9 >= 3) | (e221 %in% 1:2 & e51_10 >= 3), 1, 0)
Observa cómo cambia esta estimación si en trabajo se incluyen a quienes realizan los quehaceres del hogar y a quienes buscan trabajo:
Calcula la variable clima educativo del hogar como el promedio de años de educación de las personas mayores de edad.
Keyboard shortcuts
↑, ←, Pg Up, k | Go to previous slide |
↓, →, Pg Dn, Space, j | Go to next slide |
Home | Go to first slide |
End | Go to last slide |
Number + Return | Go to specific slide |
b / m / f | Toggle blackout / mirrored / fullscreen mode |
c | Clone slideshow |
p | Toggle presenter mode |
t | Restart the presentation timer |
?, h | Toggle this help |
Esc | Back to slideshow |