Nuevamente la librería survey.
Ahora bien, surge una segunda pregunta: ¿el dato se puede obtener por sexo y por entidad? Sí, si se puede, pero la siguiente pregunta en el argot de los estadísticos es “¿si da la muestra para tales resultados?”.
Si nos vamos a los documentos de la encuesta podemos ver en la nota técnica lo siguiente:
Características metodológicas de la ENUT 2019
Unidad de análisis: Hogares e integrantes del hogar de 12 años y más.
Población objetivo: Población de 12 años y más.
Instrumento de captación: Cuestionario de preguntas predefinidas sobre actividades de uso del tiempo.
Método de captación: Entrevista directa a cada uno de los integrantes de 12 años y más en el hogar mediante dispositivo móvil.
Periodo de levantamiento: Del 21 de octubre al 01 de diciembre de 2019.
Desglose geográfico Nacional: por tamaño de localidad (10 mil y más habitantes, y menos de 10,000 habitantes) y entidad federativa.
Tamaño de la muestra: 26 631 viviendas y 71 404 personas de 12 años y más que representan 33.2 millones de viviendas y 101.1 millones de personas. Adicional, 1 798 viviendas en localidades de predominio de población hablante de lengua indígena.
Diseño de la muestra: Probabilístico, estratificado, por conglomerados.
Ahora revisando el Diseño Muestral en lo referente al marco nos dice lo siguiente:
“El diseño muestral de la ENUT 2019 se caracteriza por ser probabilístico, por lo cual los resultados obtenidos de la encuesta se generalizan a toda la población, a su vez es bietapico, estratificado y por conglomerados, donde las unidades de observación son los hogares y las personas de 12 o más de edad.
La submuestra para la ENUT 2019 se seleccionó a partir de la muestra maestra 2012 del Instituto, esta muestra maestra se diseñó y seleccionó del Marco Maestro de Muestreo 2012 (MMM) el cual se conformó de conglomerados de viviendas llamados Unidades Primarias de Muestreo (UPM), construidos a partir de la información cartográfica y demográfica que se obtuvo del Censo de Población y Vivienda 2010. La muestra maestra permite la selección de submuestras para todas las encuestas en viviendas que realiza el Instituto; su diseño es probabilístico, estratificado, unietápico y por conglomerados, pues es en ellos donde se seleccionaron, en una segunda etapa, las viviendas que integran las submuestras de las diferentes encuestas…”
Sin embargo, al entrar más a detalle al documento sin duda hay que tener conocimientos básicos de muestreo, no obstante, lo que puede ayudarnos a contestar si la muestra da para el desglose que se pide esta en la sección 12. Homologación de la Semaforización para los Umbrales de Indicadores de precisión estadística.
“Para facilitar la interpretación de las precisiones estadísticas de la información pública en tabulados, el Comité de Aseguramiento de la Calidad, en la cuarta sesión celebrada el 1 de noviembre de 2018, aprobaron los siguientes umbrales y especificaciones para la publicación en los tabulados los CV (coeficientes de variación), así como su semaforización de estos”.
|
Interpretación |
Semaforización |
Viviendas/Hogares/Otras unidades diferentes a las económicas DGES/DGEGSPJ
|
|
Alta |
Blanco |
[0%,
15%) |
|
Moderada |
Amarillo |
[15%, 30%) |
|
Baja |
Naranja
oscuro |
>=30% |
Umbrales aprobados para el reporte de la precisión de acuerdo con el coeficiente de variación en los tabulados de resultados de los proyectos con muestreo probabilístico (acuerdo CAC-007/01/2018).
Por otro lado, si revisamos los cuadros que están en la página del Instituto vemos este coloreado y las leyendas que especifica este documento.
Dicho lo anterior tenemos que usar otra librería y no solo expandir la cifra sino calcular sus precisiones estadísticas. En artículos anteriores se explicó la librería de R llamada survey, entonces vamos a instalarla con las bondades que nos ofrece Posit RStudio.
Un
aspecto que le pone un poco de complejidad a esta consulta es que el dato entidad
federativa (ENT) está en otro conjunto de datos, para lograr esto podemos
recordar un tema de la teoría de conjuntos.
https://programacionymas.com/blog/como-funciona-inner-left-right-full-join
Para
este caso vamos a usar un left join donde en el lado izquierdo quedará el
conjunto de datos del sociodemográfico, aunque en el estricto sentido con un
inner join sería suficiente ya que es ilógico que existan residentes en hogares
sin su correspondiente vivienda.
Verbo
join de dplyr
Vamos a describir el código:
Aquí
es donde por medio de las llaves (columnas UPM y VIV_SEL) que
unen a los dos conjuntos de datos se puede traer la columna de entidad (ENT),
el primer conjunto de datos (residentes de los hogares) es dfSDEnut2019
que son los datos de la izquierda (left) y el segundo (viviendas) es dfVivEnut2019
que en este caso es el lado derecho (right), para evitar traernos todas
las columnas de ambos conjuntos de datos agregamos la instrucción select
que para el caso de las columnas EST_DIS y UPM_DIS al estar en
ambos conjuntos de datos el dataframe resultante discrimina cada columna
repetida agregando un .x refiriéndose a la tabla de la izquierda y un .y
para el conjunto de datos de la izquierda.
Resumiendo,
la instrucción left_join trae todas las filas del conjunto de datos de la
izquierda y las filas coincidentes del conjunto de datos de la derecha.
Con
esto ya tenemos un conjunto de datos más manejable y con la información
necesaria.
Como
se describe en pasados artículos del blog vamos a usar la librería survey
y para ello necesitamos crear variables dicotómicas, estas variables tienen
valores de 1 y 0 donde 1 es cuando se cumple determinada condición y 0 el caso
contrario.
Para
este fin utilizamos la instrucción ifelse() donde como primer argumento
ponemos la condición (la cual es un poco extenso debido a lo complejo de la
consulta) una buena práctica es relacionar las condiciones para darle significado
a lo que estamos buscando, además que pudiera fallar la misma debido a la
prioridad de los operadores lógicos y relacionales y por ello además de buena
práctica resulta necesario el uso de paréntesis. Si se cumple la condición la
variable toma el valor de 1 caso contrario sería un 0, la variable nueva se
define después del signo de pesos ($) y para este caso se le ha nombrado MAgsNAUnioEmb.
Creación
de la variable dicotómica y el cálculo de sus precisiones.
Para ejemplificar vamos a calcular el número de mujeres de Aguascalientes de 15 a 24 años que no asisten a la escuela porque se unieron (casaron) o se embarazaron como se acaba de ejemplificar ahora vamos a hacer cálculos sobre ella.
Una vez creada la
variable, por medio del comando svydesign() se crea el diseño usando las
variables de diseño (UPM_DIS.x y EST_DIS.x), se indica el dataframe así
como el ponderador (factor de expansión). Después por medio del comando svytotal()
usando la variable dicotómica y el diseño muestral. Para el caso del
coeficiente de variación es la función cv() y como parámetro el comando
que calculo la cifra expandida dicho resultado lo multiplicamos por 100 para
ver ese dato o celda futura de una hoja en MS Excel tendrá un umbral de calidad
como se mencionó anteriormente. Por último, se calcula el error estándar (SE())
y los límites inferiores y superiores (confint()).
A continuación parte del código y ejecución de este script.
Se puede deducir que podemos hacer los mismo 63 veces más variando el sexo y la entidad, pero la verdad sería riesgoso y poco óptimo por lo que vamos a utilizar un comando nuevo para resolver esto de manera más fácil.
Hasta el siguiente post.
Miguel Araujo.
Comentarios
Publicar un comentario