3.4 Censos de población y vivienda

Es necesario definir las variables del país con los que se desea trabajar. De acuerdo a esto, como primer paso se debe tener acceso al censo del país, para ello puede acceder desde el siguiente enlace https://redatam.org/en/microdata en el cual dispondrá de un archivo .zip con los microdatos del país. Ahora bien, para leer el conjunto de datos, es necesario emplear la función redatam.open de la librería redatam, la cual depende directamente del diccionario censal del software REDATAM, este es un archivo con extensión dicx y que debe encontrarse en la carpeta sobre los datos que se están leyendo. Así, es como se crea un objeto dentro de R que hace la respectiva unión del diccionario con los microdatos de la base de datos censal. La siguiente sintaxis muestra la lectura del diccionario en R y los cálculos iniciales

# https://redatamr.ideasybits.com/
library(redatam)
RepDoma <-  redatam.open("cpv2010dom-cde.dicX")

CONTEOS <- redatam.query(RepDoma,
                      "freq PROVIC.IDPROVI
                         by VIVIENDA.ZONA
                         by PERSONA.P27
                         by PERSONA.P29
                         by PERSONA.ANEST", tot.omit = FALSE)

Después de realizar algunas validaciones se estandarizan las variables como muestra el siguiente código.

CONTEOS <- readRDS(file = "Recursos/Día1/Sesion2/Data/CONTEOS.RDS")
# Eliminando totales de la tabla
CONTEOS2 <- CONTEOS %>% filter_at(vars(matches("_label")),all_vars(. !=  "__tot__"))

censo_mrp <- CONTEOS2 %>%
  transmute(dam = str_pad(
              string = IDPROVI1_value,
              width = 2,
              pad = "0"
            ),
            area = case_when(ZONA2_value == 1 ~ "1", # 1 = Urbana
                             TRUE ~ "0"),
            sexo = as.character(P273_value),
            edad = case_when(
              P294_value  %in% 0:14 ~ "1", # 0 a 14
              P294_value  %in% 15:29 ~ "2", # 15 a 29
              P294_value  %in% 30:44 ~ "3", # 30 a 44
              P294_value  %in% 45:64 ~ "4", # 45 a 64
              TRUE ~ "5"), # 65 o mas

            anoest = case_when(
              P294_value < 5| is.na(ANEST5_value) ~ "98",     # No aplica
              ANEST5_value == 99 ~ "99", #NS/NR
              ANEST5_value %in% 0 ~ "1",  # Sin educacion
              ANEST5_value %in% c(1:6) ~ "2",  # 1-6
              ANEST5_value %in% c(7:12) ~ "3",  # 7-12
              ANEST5_value > 12 ~ "4" ,  # 12 o mas
              TRUE ~ "Error"
            ),
            value) %>%
  group_by(dam, area, sexo, edad,anoest) %>%
  summarise(n = sum(value), .groups = "drop")

A partir de la base estandarizada es posible construir algunas covariables para la dam.

censo_mrp <- readRDS("Recursos/Día1/Sesion2/Data/censo_mrp_dam.rds")
tasa_censo <- model.matrix(dam ~ -1 +.,
                           data = censo_mrp %>% select(-n)) %>% 
  data.frame() %>%
  mutate(dam = censo_mrp$dam, 
         n = censo_mrp$n) %>% 
  group_by(dam) %>%
  summarise_all(~weighted.mean(x = .,w = n)) %>%
  select(-area0, -anoest98,-anoest98,-n)
tba(tasa_censo)

dam	area1	sexo2	edad2	edad3	edad4	edad5	anoest2	anoest3	anoest4	anoest99
01	1.0000	0.5224	0.2781	0.2117	0.1808	0.0725	0.2000	0.3680	0.2286	0.0193
02	0.7718	0.4733	0.2773	0.1831	0.1531	0.0634	0.3350	0.2771	0.0540	0.0065
03	0.7128	0.4804	0.2643	0.1572	0.1489	0.0718	0.3470	0.2542	0.0493	0.0055
04	0.8345	0.4826	0.2756	0.1738	0.1454	0.0638	0.3169	0.2948	0.0827	0.0082
05	0.5977	0.4849	0.2509	0.1752	0.1748	0.0899	0.3471	0.3252	0.0625	0.0052
06	0.6626	0.4909	0.2671	0.1988	0.1736	0.0786	0.3140	0.3383	0.1038	0.0087
07	0.4828	0.4768	0.2380	0.1431	0.1527	0.0788	0.3287	0.1949	0.0315	0.0037
08	0.5144	0.4610	0.2648	0.1728	0.1625	0.0845	0.3822	0.2730	0.0440	0.0035
09	0.4535	0.4889	0.2733	0.2084	0.1694	0.0764	0.3125	0.3699	0.0840	0.0078
10	0.7996	0.4865	0.2658	0.1648	0.1418	0.0665	0.3214	0.2603	0.0485	0.0052
11	0.7784	0.4766	0.3001	0.2393	0.1250	0.0430	0.2986	0.3722	0.0650	0.0076
12	0.9425	0.5059	0.2821	0.2061	0.1466	0.0515	0.2810	0.3955	0.0794	0.0080
13	0.4696	0.4885	0.2762	0.2049	0.1606	0.0719	0.3142	0.3582	0.0781	0.0070
14	0.5252	0.4855	0.2700	0.1929	0.1729	0.0731	0.3258	0.3517	0.0765	0.0079
15	0.5312	0.4718	0.2685	0.1984	0.1764	0.0798	0.3103	0.3318	0.0519	0.0048
16	0.6441	0.4651	0.2738	0.1932	0.1334	0.0459	0.2589	0.2403	0.0316	0.0028
17	0.6810	0.5047	0.2665	0.1984	0.1549	0.0646	0.3707	0.3252	0.0460	0.0052
18	0.5839	0.4895	0.2699	0.2126	0.1689	0.0703	0.2875	0.3940	0.0727	0.0067
19	0.2891	0.4902	0.2568	0.2001	0.1839	0.0954	0.3037	0.3483	0.1097	0.0078
20	0.4354	0.4837	0.2811	0.2007	0.1554	0.0628	0.3080	0.3691	0.0595	0.0059
21	0.5186	0.4996	0.2807	0.1956	0.1451	0.0507	0.2931	0.3782	0.0783	0.0082
22	0.6009	0.4725	0.2559	0.1698	0.1695	0.0891	0.3482	0.2674	0.0642	0.0075
23	0.8408	0.5063	0.2861	0.1974	0.1522	0.0572	0.2840	0.4022	0.0817	0.0077
24	0.5628	0.4827	0.2754	0.1871	0.1662	0.0743	0.3198	0.3320	0.1000	0.0089
25	0.7561	0.5017	0.2795	0.2221	0.1583	0.0649	0.2843	0.3727	0.1106	0.0102
26	0.4795	0.4776	0.2632	0.1821	0.1770	0.1038	0.3340	0.3156	0.0767	0.0074
27	0.7917	0.4785	0.2810	0.2098	0.1501	0.0681	0.3121	0.3151	0.0817	0.0074
28	0.6797	0.4949	0.2690	0.2028	0.1597	0.0655	0.2883	0.3819	0.0855	0.0101
29	0.4939	0.4836	0.2656	0.1718	0.1537	0.0756	0.3438	0.3188	0.0526	0.0056
30	0.7412	0.4902	0.2722	0.1855	0.1624	0.0775	0.3308	0.3338	0.0696	0.0070
31	0.6292	0.4587	0.2556	0.2037	0.1761	0.0848	0.3785	0.2681	0.0602	0.0050
32	0.8780	0.5098	0.2870	0.2126	0.1502	0.0447	0.2409	0.4005	0.1291	0.0131

Es posible construir a partir de una variable del censo, haciendo que el proceso se hace más corto, para este caso es empleada la variable VIVIENDA.V05, agregada por dam

En el primer bloque que código usando la función redatam.query() se realiza el conteo de viviendas que tienen el piso de tierra. Seguido de esto, eliminamos los registros que no son de interés, por ejemplo, el total en la dam o total nacional, los cuales se identifican dentro de la base con la etiqueta __tot__.

El siguiente paso es contar el número de viviendas por dam que tienen piso de tierra en el censo (Pobx) y el total de viviendas que respondieron a la pregunta (PobT), para finalmente realizar el cociente de estas dos preguntas.

CONTEOS <- redatam.query(RepDoma,
                         "freq PROVIC.IDPROVI
                          by VIVIENDA.V05",
                         tot.omit = FALSE)

PISO <- CONTEOS %>% 
  filter_at(vars(matches("_label")),
            all_vars(!. %in%  c("__tot__","__mv__") ))

tasa_piso <- PISO %>%
  mutate(Pobx = ifelse(V052_value %in% c(7), value, 0),
         PobT = value) %>%
  group_by(
    depto = str_pad(
      string = IDPROVI1_value,
      width = 2,
      pad = "0"
    )
  ) %>%
  summarise(PobT = sum(PobT),
            Pobx = sum(Pobx)) %>% 
  transmute(depto,
            piso_tierra = Pobx/PobT)

La tabla resultante se muestra a continuación.

dam	piso_tierra
02	0.1038
03	0.1435
04	0.0828
05	0.0593
01	0.0033
06	0.0191
08	0.0582
09	0.0365
30	0.0564
10	0.1133
11	0.0089
07	0.3020
12	0.0120
13	0.0214
14	0.0252
28	0.0197
15	0.0926
29	0.0523
16	0.2136
17	0.0257
18	0.0422
24	0.0287
19	0.0155
20	0.0211
21	0.0323
31	0.0734
22	0.1748
23	0.0221
26	0.0357
25	0.0170
32	0.0152
27	0.0620

El proceso se repite con otras preguntas del censo hasta consolidar la tabla siguiente.

predictors_censo_dam <- readRDS("Recursos/Día1/Sesion2/Data/predictors_censo_dam.rds")
tba(predictors_censo_dam)

dam	area1	sexo2	edad2	edad3	edad4	edad5	anoest2	anoest3	anoest4	anoest99	tiene_sanitario	tiene_acueducto	tiene_gas	eliminar_basura	tiene_internet	piso_tierra	material_paredes	material_techo	rezago_escolar	alfabeta	hacinamiento	tasa_desocupacion
02	0.7718	0.4733	0.2773	0.1831	0.1531	0.0634	0.3350	0.2771	0.0540	0.0065	0.1587	0.7424	0.3233	0.1962	0.9594	0.1038	0.1229	0.0489	0.1050	0.7512	0.3066	0.0016
03	0.7128	0.4804	0.2643	0.1572	0.1489	0.0718	0.3470	0.2542	0.0493	0.0055	0.2531	0.6512	0.4074	0.4032	0.9705	0.1435	0.2050	0.0935	0.1047	0.7433	0.2683	0.0008
04	0.8345	0.4826	0.2756	0.1738	0.1454	0.0638	0.3169	0.2948	0.0827	0.0082	0.1426	0.7577	0.3386	0.2966	0.9441	0.0828	0.1261	0.0559	0.1652	0.8083	0.3060	0.0013
05	0.5977	0.4849	0.2509	0.1752	0.1748	0.0899	0.3471	0.3252	0.0625	0.0052	0.0624	0.8704	0.2923	0.3864	0.9466	0.0593	0.0901	0.0339	0.1133	0.8275	0.1455	0.0006
01	1.0000	0.5224	0.2781	0.2117	0.1808	0.0725	0.2000	0.3680	0.2286	0.0193	0.0119	0.7946	0.0673	0.0810	0.6678	0.0033	0.0109	0.0111	0.3694	0.9247	0.1962	0.0066
06	0.6626	0.4909	0.2671	0.1988	0.1736	0.0786	0.3140	0.3383	0.1038	0.0087	0.0656	0.5465	0.2116	0.3791	0.9119	0.0191	0.0955	0.0149	0.1718	0.8580	0.1501	0.0021
08	0.5144	0.4610	0.2648	0.1728	0.1625	0.0845	0.3822	0.2730	0.0440	0.0035	0.2241	0.5158	0.4239	0.4996	0.9655	0.0582	0.2128	0.0240	0.0816	0.7910	0.3178	0.0008
09	0.4535	0.4889	0.2733	0.2084	0.1694	0.0764	0.3125	0.3699	0.0840	0.0078	0.0496	0.6379	0.1732	0.3440	0.9114	0.0365	0.0806	0.0145	0.1391	0.8654	0.1709	0.0013
30	0.7412	0.4902	0.2722	0.1855	0.1624	0.0775	0.3308	0.3338	0.0696	0.0070	0.1346	0.4029	0.2879	0.3509	0.9449	0.0564	0.1727	0.0209	0.1269	0.8358	0.2080	0.0007
10	0.7996	0.4865	0.2658	0.1648	0.1418	0.0665	0.3214	0.2603	0.0485	0.0052	0.1983	0.7116	0.4010	0.3478	0.9788	0.1133	0.1710	0.1151	0.1016	0.7355	0.3088	0.0004
11	0.7784	0.4766	0.3001	0.2393	0.1250	0.0430	0.2986	0.3722	0.0650	0.0076	0.0499	0.1475	0.1943	0.2442	0.9006	0.0089	0.0871	0.0182	0.1158	0.8615	0.3985	0.0028
07	0.4828	0.4768	0.2380	0.1431	0.1527	0.0788	0.3287	0.1949	0.0315	0.0037	0.2423	0.5225	0.6287	0.5988	0.9826	0.3020	0.2668	0.0577	0.0710	0.6320	0.2933	0.0005
12	0.9425	0.5059	0.2821	0.2061	0.1466	0.0515	0.2810	0.3955	0.0794	0.0080	0.0482	0.7438	0.1351	0.1958	0.8864	0.0120	0.0710	0.0404	0.1455	0.8905	0.3271	0.0021
13	0.4696	0.4885	0.2762	0.2049	0.1606	0.0719	0.3142	0.3582	0.0781	0.0070	0.0482	0.4743	0.1600	0.2868	0.9109	0.0214	0.0301	0.0215	0.1327	0.8496	0.1545	0.0024
14	0.5252	0.4855	0.2700	0.1929	0.1729	0.0731	0.3258	0.3517	0.0765	0.0079	0.0914	0.6197	0.2136	0.4319	0.9307	0.0252	0.1265	0.0256	0.1335	0.8534	0.1747	0.0011
28	0.6797	0.4949	0.2690	0.2028	0.1597	0.0655	0.2883	0.3819	0.0855	0.0101	0.0385	0.7019	0.1433	0.1773	0.8864	0.0197	0.0217	0.0151	0.1560	0.8700	0.1483	0.0015
15	0.5312	0.4718	0.2685	0.1984	0.1764	0.0798	0.3103	0.3318	0.0519	0.0048	0.0963	0.8061	0.3138	0.4871	0.9562	0.0926	0.0724	0.0409	0.0894	0.7713	0.1734	0.0007
29	0.4939	0.4836	0.2656	0.1718	0.1537	0.0756	0.3438	0.3188	0.0526	0.0056	0.1584	0.3967	0.3666	0.5787	0.9690	0.0523	0.2579	0.0166	0.1000	0.8193	0.1801	0.0015
16	0.6441	0.4651	0.2738	0.1932	0.1334	0.0459	0.2589	0.2403	0.0316	0.0028	0.2475	0.6564	0.4743	0.4722	0.9689	0.2136	0.1851	0.1202	0.0647	0.6170	0.3718	0.0002
17	0.6810	0.5047	0.2665	0.1984	0.1549	0.0646	0.3707	0.3252	0.0460	0.0052	0.0597	0.6812	0.2013	0.2577	0.9238	0.0257	0.1211	0.0286	0.0852	0.8494	0.2445	0.0012
18	0.5839	0.4895	0.2699	0.2126	0.1689	0.0703	0.2875	0.3940	0.0727	0.0067	0.0508	0.6276	0.2385	0.2723	0.8766	0.0422	0.1088	0.0321	0.1231	0.8535	0.1761	0.0029
24	0.5628	0.4827	0.2754	0.1871	0.1662	0.0743	0.3198	0.3320	0.1000	0.0089	0.0888	0.5112	0.2304	0.4438	0.9395	0.0287	0.1069	0.0106	0.1725	0.8535	0.1312	0.0014
19	0.2891	0.4902	0.2568	0.2001	0.1839	0.0954	0.3037	0.3483	0.1097	0.0078	0.0336	0.3167	0.2653	0.5648	0.9315	0.0155	0.0943	0.0099	0.1731	0.8522	0.1199	0.0006
20	0.4354	0.4837	0.2811	0.2007	0.1554	0.0628	0.3080	0.3691	0.0595	0.0059	0.1084	0.5409	0.2254	0.4523	0.9463	0.0211	0.1233	0.0342	0.1070	0.8418	0.2265	0.0009
21	0.5186	0.4996	0.2807	0.1956	0.1451	0.0507	0.2931	0.3782	0.0783	0.0082	0.0598	0.6674	0.1860	0.3141	0.9105	0.0323	0.0689	0.0185	0.1483	0.8755	0.2328	0.0047
31	0.6292	0.4587	0.2556	0.2037	0.1761	0.0848	0.3785	0.2681	0.0602	0.0050	0.0938	0.8112	0.3792	0.3025	0.9654	0.0734	0.1714	0.0277	0.1021	0.7747	0.2180	0.0005
22	0.6009	0.4725	0.2559	0.1698	0.1695	0.0891	0.3482	0.2674	0.0642	0.0075	0.1496	0.7350	0.3965	0.3638	0.9565	0.1748	0.2050	0.0633	0.1236	0.7571	0.2152	0.0019
23	0.8408	0.5063	0.2861	0.1974	0.1522	0.0572	0.2840	0.4022	0.0817	0.0077	0.1011	0.6079	0.1780	0.2227	0.8981	0.0221	0.0610	0.0161	0.1481	0.8904	0.2771	0.0023
26	0.4795	0.4776	0.2632	0.1821	0.1770	0.1038	0.3340	0.3156	0.0767	0.0074	0.0542	0.7367	0.2924	0.4135	0.9223	0.0357	0.0765	0.0414	0.1274	0.8042	0.1157	0.0005
25	0.7561	0.5017	0.2795	0.2221	0.1583	0.0649	0.2843	0.3727	0.1106	0.0102	0.0246	0.8397	0.1335	0.1783	0.8308	0.0170	0.0179	0.0176	0.1831	0.8801	0.1668	0.0062
32	0.8780	0.5098	0.2870	0.2126	0.1502	0.0447	0.2409	0.4005	0.1291	0.0131	0.0348	0.6973	0.0795	0.2003	0.8280	0.0152	0.0365	0.0146	0.2311	0.9110	0.2110	0.0188
27	0.7917	0.4785	0.2810	0.2098	0.1501	0.0681	0.3121	0.3151	0.0817	0.0074	0.0623	0.8198	0.2460	0.1664	0.9299	0.0620	0.0491	0.0277	0.1404	0.7995	0.1739	0.0010

3.4.1 Mapas de las variables con información censal.

temp2 <- inner_join(shape["dam"], predictors_censo_dam) 
for(ii in names(predictors_censo_dam[,-1])){
  plot(
    temp2[ii], 
       key.pos = 4, 
       breaks = quantile(temp2[[ii]]))
}