R aplicado a la ECH
Setiembre 2020
Gabriela Mathieu
Creative Commons Attribution 4.0 International License
¿Qué haremos hoy?
- Repaso
¿Qué haremos hoy?
- Repaso
- Subempleo y empleo con restricciones: estimaciones
¿Qué haremos hoy?
- Repaso
- Subempleo y empleo con restricciones: estimaciones
- Funciones educativas
¿Qué haremos hoy?
- Repaso
- Subempleo y empleo con restricciones: estimaciones
- Funciones educativas
- Educación: cálculo de variables y estimación de indicadores
¿Qué haremos hoy?
- Repaso
- Subempleo y empleo con restricciones: estimaciones
- Funciones educativas
- Educación: cálculo de variables y estimación de indicadores
- Ejercicios
ech
Funciones de estimación
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.
Funciones de estimación
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_total(): permite estimar el total de una variable numérica.
Funciones de estimación
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_total(): permite estimar el total de una variable numérica.
- setdesign(): define el diseño de muestra. Se usa al interior de estas funciones get_estimation*().
ech::get_estimation_mean()
Empleo con restricciones
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 0.0699Chequeo resultados con datos del OS-MIDES
Funciones educativas
El paquete ech trae cuatro funciones para calcular variables educativas:
- enrolled_school(): permite calcular la asistencia a un centro de educación formal.
Funciones educativas
El paquete ech trae cuatro funciones para calcular variables educativas:
- enrolled_school(): permite calcular la asistencia a un centro de educación formal.
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.
- Para el nivel terciario se incluye un parámetro n para definir los años de educación terciaria que se consideran necesarios para haber completado ese nivel.
- Dado que la educación terciaria se compone de diferentes carreras de variada duración no es posible establecer un cantidad de años determinada para considerar que ha completado ese nivel.
Funciones educativas
El paquete ech trae cuatro funciones para calcular variables educativas:
- enrolled_school(): permite calcular la asistencia a un centro de educación formal.
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.
- Para el nivel terciario se incluye un parámetro n para definir los años de educación terciaria que se consideran necesarios para haber completado ese nivel.
- Dado que la educación terciaria se compone de diferentes carreras de variada duración no es posible establecer un cantidad de años determinada para considerar que ha completado ese nivel.
Funciones educativas
level_education(): permite calcular el máximo nivel educativo alcanzado.
- Sin instrucción
- Primaria
- Secundaria
- UTU
- Magisterio o profesorado
- Universidad o similar
Funciones educativas
level_education(): permite calcular el máximo nivel educativo alcanzado.
- Sin instrucción
- Primaria
- Secundaria
- UTU
- Magisterio o profesorado
- Universidad o similar
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.
Asistencia
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
# 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 1639ech::enrolled_school()
Asistencia
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] 2963Estimación de asistencia actual por tramos de edad
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")Estimación de una proporción o media
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)Estimación de asistencia actual para una subpoblación
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 0.970Estimación de asistencia actual para una subpoblación
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 0.970Ejercicio
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
Nivel de educación completado
| 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 |
Nivel completado
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)Ejercicio
- Estima la proporción de jóvenes que estudian o trabajan según sexo. Categorías: "Estudia o trabaja","Busca trabajo","Realiza quehaceres del hogar","Ninguna de las anteriores"
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.