if (!require("pacman")) install.packages("pacman") # instala pacman si se requiereCargando paquete requerido: pacmanpacman::p_load(tidyverse,
readxl,writexl,googlesheets4, # importar hojas de cálculo
haven, foreign, # importación de dta y sab
sjlabelled, # etiquetas
janitor, skimr, # limpieza y tabulados
dataMaid, DataExplorer, SmartEDA) # paquetes EDAconcentradohogar <- haven::read_dta("datos/concentradohogar.dta")Podemos ver que los objetos “data.frame”(spoiler, ya hablaremos de ellos)
class(concentradohogar$sexo_jefe)[1] "character"Para que se vea mejor nuestro tabulado, sería bueno que nuestras variables tuvieran etiqueta. Para ello utilizaremos el paquete “sjlabelled”
etiqueta_sex<-c("Hombre", "Mujer")
concentradohogar<-concentradohogar %>%
mutate(sexo_jefe=as_numeric(sexo_jefe)) %>% # para quitar el "string"
sjlabelled::set_labels(sexo_jefe, labels=etiqueta_sex) Etiquetemos también la variable “clase_hog”. Podemos checar cómo está estructurada esta base acá https://www.inegi.org.mx/rnm/index.php/catalog/685/data-dictionary
concentradohogar<-concentradohogar %>%
mutate(clase_hog=as_numeric(clase_hog)) %>% # para quitar el "string"
sjlabelled::set_labels(clase_hog, labels=c("unipersonal",
"nuclear",
"ampliado",
"compuesto",
"corresidente")) table(concentradohogar$sexo_jefe)
1 2
61905 28197 table(sjlabelled::as_label(concentradohogar$sexo_jefe))
Hombre Mujer
61905 28197 La variable nominal “sexo_jefe”, se captura con “1” para hombres y con un “2” para mujeres en la base de datos. Podemos establecer una operación de igual y además sumar los casos que cumplan con esta condición:
concentradohogar %>%
dplyr::count(sexo_jefe==2) # cuentan los casos que cumplen con la condición "sexo_jefe==2"# A tibble: 2 × 2
`sexo_jefe == 2` n
<lgl> <int>
1 FALSE 61905
2 TRUE 28197Esto es a lo que nos referimos con contar frecuencias. Podemos contar casos que cumplan con una operación de igualdad.
concentradohogar %>%
with(
table(sexo_jefe)
)sexo_jefe
1 2
61905 28197 etiqueta_sex<-c("Hombre", "Mujer")
concentradohogar<-concentradohogar %>%
mutate(sexo_jefe=as_numeric(sexo_jefe)) %>% # para quitar el "string"
sjlabelled::set_labels(sexo_jefe, labels=etiqueta_sex) concentradohogar<-concentradohogar %>%
mutate(clase_hog=as_numeric(clase_hog)) %>% # para quitar el "string"
sjlabelled::set_labels(clase_hog, labels=c("unipersonal",
"nuclear",
"ampliado",
"compuesto",
"corresidente")) Con “tabyl()”” de “janitor””
concentradohogar %>%
dplyr::mutate(sexo_jefe=as_label(sexo_jefe)) %>%
janitor::tabyl(sexo_jefe) sexo_jefe n percent
Hombre 61905 0.6870547
Mujer 28197 0.3129453Para ver que esto es una distribución de frecuencias sería muy útil ver la proporción total, ello se realiza agregando un elemento más en nuestro código con una “tubería”:
concentradohogar %>%
dplyr::mutate(sexo_jefe=as_label(sexo_jefe)) %>%
janitor::tabyl(sexo_jefe) %>%
janitor::adorn_totals() sexo_jefe n percent
Hombre 61905 0.6870547
Mujer 28197 0.3129453
Total 90102 1.0000000Hoy revisamos algunos tipos de variables
class(concentradohogar$sexo_jefe) # variable sin etiqueta[1] "numeric"class(as_label(concentradohogar$sexo_jefe)) # variable con etiqueta[1] "factor"class(as_label(concentradohogar$educa_jefe)) # variable ordinal[1] "character"class(concentradohogar$ing_cor) # variable de intervalo/razón[1] "numeric"En general, tendremos variables de factor que podrían ser consideradas como cualitativas y numéricas. Aunque en realidad, R tiene muchas formas de almacenamiento. Como mostramos con el comando “glimpse()” en la práctica anterior, podemos revisar una variable en específico:
dplyr::glimpse(concentradohogar$sexo_jefe) num [1:90102] 2 1 1 1 1 1 2 2 2 1 ...
- attr(*, "labels")= Named num [1:2] 1 2
..- attr(*, "names")= chr [1:2] "Hombre" "Mujer"
- attr(*, "label")= chr "Sexo del jefe del hogar"concentradohogar %>% mutate(sexo_jefe=as_label(sexo_jefe)) %>% # cambia los valores de la variable a sus etiquetas
tabyl(sexo_jefe) %>% # para hacer la tabla
adorn_totals() %>% # añade totales
adorn_pct_formatting() # nos da porcentaje en lugar de proporción sexo_jefe n percent
Hombre 61905 68.7%
Mujer 28197 31.3%
Total 90102 100.0%La tubería o “pipe” %>% nos permite ir agregando elementos de manera sencilla nuestros comandos. En este caso decimos que dentro del objeto haga el cambio, luego la tabla, que le ponga porcentajes y finalmente que nos dé los totales. El total del 100% no aparece, por un elemento propio del programa.
Son variables que dan cuenta de cualidades o condiciones a través de categorías que guardan un orden entre sí.
Vamos a darle una “ojeada” a esta variable
glimpse(concentradohogar$educa_jefe) chr [1:90102] "03" "08" "10" "11" "08" "08" "10" "06" "10" "04" "06" "08" ...
- attr(*, "label")= chr "Educación formal del jefe del hogar"
- attr(*, "format.stata")= chr "%2s"Etiquetemos también nuestra variable ordinal
concentradohogar <-concentradohogar %>%
mutate(educa_jefe=as.numeric(educa_jefe)) %>%
set_labels(educa_jefe,
labels=c("Sin instrucción",
"Preescolar",
"Primaria incompleta",
"Primaria completa",
"Secundaria incompleta",
"Secundaria completa",
"Preparatoria incompleta",
"Preparatoria completa",
"Profesional incompleta",
"Profesional completa",
"Posgrado"))Hoy hacemos la tabla, con las etiquetas y vemos que se ve más bonita:
concentradohogar %>%
mutate(educa_jefe=as_label(educa_jefe)) %>%
tabyl(educa_jefe) educa_jefe n percent
Sin instrucción 5495 0.060986438
Preescolar 32 0.000355153
Primaria incompleta 13328 0.147921245
Primaria completa 14928 0.165678897
Secundaria incompleta 2728 0.030276797
Secundaria completa 24581 0.272813034
Preparatoria incompleta 3032 0.033650751
Preparatoria completa 11782 0.130762913
Profesional incompleta 2645 0.029355619
Profesional completa 9788 0.108632439
Posgrado 1763 0.019566713Para que no nos salgan las categorías sin datos podemos poner una opción dentro del comando “tabyl()”
concentradohogar %>%
mutate(educa_jefe=as_label(educa_jefe)) %>%
tabyl(educa_jefe, show_missing_levels=F ) %>% # esta opción elimina los valores con 0
adorn_totals() educa_jefe n percent
Sin instrucción 5495 0.060986438
Preescolar 32 0.000355153
Primaria incompleta 13328 0.147921245
Primaria completa 14928 0.165678897
Secundaria incompleta 2728 0.030276797
Secundaria completa 24581 0.272813034
Preparatoria incompleta 3032 0.033650751
Preparatoria completa 11782 0.130762913
Profesional incompleta 2645 0.029355619
Profesional completa 9788 0.108632439
Posgrado 1763 0.019566713
Total 90102 1.000000000Las tablas de doble entrada tiene su nombre porque en las columnas entran los valores de una variable categórica, y en las filas de una segunda. Basicamente es como hacer un conteo de todas las combinaciones posibles entre los valores de una variable con la otra.
Por ejemplo, si quisiéramos combinar las dos variables que ya estudiamos lo podemos hacer, con una tabla de doble entrada:
concentradohogar %>%
mutate(clase_hog=as_label(clase_hog)) %>%
mutate(sexo_jefe=as_label(sexo_jefe)) %>% # para que las lea como factor
tabyl(clase_hog, sexo_jefe, show_missing_levels=F ) %>% # incluimos aquí
adorn_totals() clase_hog Hombre Mujer
unipersonal 6519 5367
nuclear 41919 13621
ampliado 12898 8888
compuesto 372 211
corresidente 197 110
Total 61905 28197Observamos que en cada celda confluyen los casos que comparten las mismas características:
concentradohogar %>%
count(clase_hog==1 & sexo_jefe==1) # nos da la segunda celda de la izquierda# A tibble: 2 × 2
`clase_hog == 1 & sexo_jefe == 1` n
<lgl> <int>
1 FALSE 83583
2 TRUE 6519De esta manera se colocan todos los datos. Si observa al poner la función “adorn_totals()” lo agregó como una nueva fila de totales, pero también podemos pedirle que agregue una columna de totales.
concentradohogar %>%
mutate(clase_hog=as_label(clase_hog)) %>%
mutate(sexo_jefe=as_label(sexo_jefe)) %>% # para que las lea como factor
tabyl(clase_hog, sexo_jefe, show_missing_levels=F ) %>% # incluimos aquí dos variables
adorn_totals("col") clase_hog Hombre Mujer Total
unipersonal 6519 5367 11886
nuclear 41919 13621 55540
ampliado 12898 8888 21786
compuesto 372 211 583
corresidente 197 110 307O bien agregar los dos, introduciendo en el argumento “c(”col”, “row”)” un vector de caracteres de las dos opciones requeridas:
concentradohogar %>%
mutate(clase_hog=as_label(clase_hog)) %>%
mutate(sexo_jefe=as_label(sexo_jefe)) %>% # para que las lea como factor
tabyl(clase_hog, sexo_jefe, show_missing_levels=F ) %>% # incluimos aquí dos variable
adorn_totals(c("col", "row")) clase_hog Hombre Mujer Total
unipersonal 6519 5367 11886
nuclear 41919 13621 55540
ampliado 12898 8888 21786
compuesto 372 211 583
corresidente 197 110 307
Total 61905 28197 90102Del mismo modo, podemos calcular los porcentajes. Pero los podemos calcular de tres formas. Uno es que lo calculemos para los totales calculados para las filas, para las columnas o para el gran total poblacional.
Para columnas tenemos el siguiente código y los siguientes resultados:
concentradohogar %>%
mutate(clase_hog=as_label(clase_hog)) %>%
mutate(sexo_jefe=as_label(sexo_jefe)) %>% # para que las lea como factor
tabyl(clase_hog, sexo_jefe, show_missing_levels=F ) %>% # incluimos aquí dos variable
adorn_totals(c("col", "row")) %>%
adorn_percentages("col") %>% # Divide los valores entre el total de la columna
adorn_pct_formatting() # lo vuelve porcentaje clase_hog Hombre Mujer Total
unipersonal 10.5% 19.0% 13.2%
nuclear 67.7% 48.3% 61.6%
ampliado 20.8% 31.5% 24.2%
compuesto 0.6% 0.7% 0.6%
corresidente 0.3% 0.4% 0.3%
Total 100.0% 100.0% 100.0%Cuando se hagan cuadros de distribuciones (que todas sus partes suman 100), los porcentajes pueden ser una gran ayuda para la interpretación, sobre todos cuando se comparar poblaciones de categorías de diferente tamaño. Por lo general, queremos que los cuadros nos den información de donde están los totales y su 100%, de esta manera el lector se puede guiar de porcentaje con respecto a qué está leyendo. En este caso, vemos que el 100% es común en la última fila.
Veamos la diferencia de cómo podemos leer la misma celda, pero hoy, hemos calculado los porcentajes a nivel de fila:
concentradohogar %>%
mutate(clase_hog=as_label(clase_hog)) %>%
mutate(sexo_jefe=as_label(sexo_jefe)) %>% # para que las lea como factor
tabyl(clase_hog, sexo_jefe, show_missing_levels=F ) %>% # incluimos aquí dos variable
adorn_totals(c("col", "row")) %>%
adorn_percentages("row") %>% # Divide los valores entre el total de la fila
adorn_pct_formatting() # lo vuelve porcentaje clase_hog Hombre Mujer Total
unipersonal 54.8% 45.2% 100.0%
nuclear 75.5% 24.5% 100.0%
ampliado 59.2% 40.8% 100.0%
compuesto 63.8% 36.2% 100.0%
corresidente 64.2% 35.8% 100.0%
Total 68.7% 31.3% 100.0%Finalmente, podemos calcular los porcentajes con referencia a la población total en análisis. Es decir la celda en la esquina inferior derecha de nuestra tabla original.
concentradohogar %>%
mutate(clase_hog=as_label(clase_hog)) %>%
mutate(sexo_jefe=as_label(sexo_jefe)) %>% # para que las lea como factor
tabyl(clase_hog, sexo_jefe, show_missing_levels=F ) %>% # incluimos aquí dos variable
adorn_totals(c("col", "row")) %>%
adorn_percentages("all") %>% # Divide los valores entre el total de la población
adorn_pct_formatting() # lo vuelve porcentaje clase_hog Hombre Mujer Total
unipersonal 7.2% 6.0% 13.2%
nuclear 46.5% 15.1% 61.6%
ampliado 14.3% 9.9% 24.2%
compuesto 0.4% 0.2% 0.6%
corresidente 0.2% 0.1% 0.3%
Total 68.7% 31.3% 100.0%