Soluciones TP Final

Cargamos las librerías y el dataset:

library(tidyverse)

df <- read_csv('../tp/Individual_t414.csv')
#Acomodamos las etiquetas de la variable sexo y cat_ocup
df <- df %>%
        mutate(ch04 = case_when(ch04 != 'Mujer' ~ "Hombre",
                                ch04 == 'Mujer' ~ "Mujer"),
               cat_ocup = str_replace_all(cat_ocup,"[^[:graph:]]", " ")
        )

Consigna 1.

Calcular las tasas de actividad, empleo y desempleo según sexo, para jóvenes entre 18 y 35 años. El resultado final debe ser una tabla o dataframe que contenga los tres indicadores. ¿Qué puede observar en las distribuciones obtenidas?

Tasas_ej_1 <- df %>% 
        filter(ch06 >= 18  & ch06<= 35) %>% 
        group_by(ch04) %>% 
        summarise(Poblacion         = sum(pondera),
                  Ocupados          = sum(pondera[estado == 'Ocupado']),
                  Desocupados       = sum(pondera[estado == 'Desocupado']),
                  PEA               = Ocupados + Desocupados,
                  'Tasa Actividad'                  = PEA/Poblacion,
                  'Tasa Empleo'                     = Ocupados/Poblacion,
                  'Tasa Desocupacion'               = Desocupados/PEA) %>% 
        select(-c(2:5))
Tasas_ej_1

Consigna 2

Calcular el salario promedio por sexo, para dos grupos de edad: 18 a 35 años y 36 a 70 años. ¿Qué conclusión puede extraer de los datos obtenidos?

Salarios_ej_2 <- df %>%
        mutate(gr_edad=ifelse(ch06 >=18 & ch06<=35, '18-35', 
                              ifelse(ch06 >= 36 & ch06<=70,'36-70',NA))) %>%
        filter(estado=='Ocupado' & cat_ocup=='Obrero o empleado') %>%
        group_by(gr_edad, ch04) %>%
        summarise(n=n(),
                  p21=mean(p21)) %>%
        drop_na()
Salarios_ej_2

Consigna 3

Graficar la distribución del ingreso por ocupación principal según categoría ocupacional. Generar un histograma y un boxplot. Haga una breve interpretación de los resultados.

df %>%
        filter(estado=='Ocupado' & p21 >0) %>%
        select(cat_ocup, p21) %>%
        ggplot() +
                geom_histogram(aes(x=p21), bins=50) +
                facet_wrap(~cat_ocup)

df %>%
        filter(estado=='Ocupado' & (p21 > 0 & p21 < 20000)) %>%
        ggplot() +
        geom_boxplot(aes(x=cat_ocup, fill=cat_ocup, y=p21))