Skip to contents

Compatibilidad con encuestas internacionales (ES)

Source: vignettes/international-surveys-es.Rmd
international-surveys-es.Rmd

Introduccion

La clase Survey y el pipeline de steps (step_compute, step_recode, step_rename, step_remove, step_join) de metasurvey son agnosticos respecto a la encuesta: funcionan con cualquier dato tabular. Esta vigneta demuestra la compatibilidad con 7 encuestas de hogares de 6 paises, utilizando datos reales incluidos en los paquetes cuando es posible.

Para cada encuesta mostramos el flujo completo: cargar datos, crear un Survey, aplicar steps, estimar con workflow() y empaquetar el pipeline como Recipe.

Matriz de compatibilidad

Funcionalidad ECH EPH CASEN PNADc CPS ENIGH DHS
step_compute ✓ ✓ ✓ ✓ ✓ ✓ ✓
step_recode ✓ ✓ ✓ ✓ ✓ ✓ ✓
step_rename ✓ ✓ ✓ ✓ ✓ ✓ ✓
step_remove ✓ ✓ ✓ ✓ ✓ ✓ ✓
add_weight ✓ ✓ ✓ ✓ ✓ ✓ ✓
strata N/A N/A ✓ ✓ N/A ✓ ✓
psu N/A N/A ✓ ✓ N/A ✓ ✓
add_replicate ✓ N/A N/A ✓ ✓ N/A N/A
workflow ✓ ✓ ✓ ✓ ✓ ✓ ✓
Recipe ✓ ✓ ✓ ✓ ✓ ✓ ✓

Instalacion de paquetes complementarios

La mayoria de los paquetes estan en CRAN. El paquete casen solo esta disponible desde GitHub. Los paquetes faltantes se instalan automaticamente al construir esta vigneta, pero tambien se pueden instalar manualmente:

# Paquetes de CRAN
install.packages(c("eph", "PNADcIBGE", "ipumsr", "rdhs"))

# Paquetes solo en GitHub
# install.packages("remotes")
remotes::install_github("pachadotdev/casen")

ECH – Uruguay

La ECH (Encuesta Continua de Hogares) es la encuesta principal para la que se construyo metasurvey. Una muestra viene incluida en el paquete.

library(metasurvey)
library(data.table)

dt_ech <- fread(
  system.file("extdata", "ech_2023_sample.csv", package = "metasurvey")
)

svy_ech <- Survey$new(
  data    = dt_ech,
  edition = "2023",
  type    = "ech",
  psu     = NULL,
  engine  = "data.table",
  weight  = add_weight(annual = "W_ANO")
)

svy_ech <- svy_ech |>
  step_recode(labor_status,
    POBPCOAC == 2 ~ "Employed",
    POBPCOAC %in% 3:5 ~ "Unemployed",
    POBPCOAC %in% c(6:10, 1) ~ "Inactive or under 14",
    comment = "Estado de actividad segun OIT"
  ) |>
  step_compute(
    income_pc = HT11 / nper,
    comment = "Ingreso per capita del hogar"
  ) |>
  bake_steps()

workflow(
  list(svy_ech),
  survey::svymean(~HT11, na.rm = TRUE),
  estimation_type = "annual"
)
#>                     stat    value       se         cv confint_lower
#>                   <char>    <num>    <num>      <num>         <num>
#> 1: survey::svymean: HT11 107869.1 3473.836 0.03220417      101060.5
#>    confint_upper
#>            <num>
#> 1:      114677.7

Para el pipeline completo de la ECH, ver vignette("ech-case-study").

EPH – Argentina

La EPH (Encuesta Permanente de Hogares) es la encuesta trimestral de fuerza laboral de Argentina. El paquete eph (CRAN, GitHub) incluye una base de juguete.

library(eph)

data("toybase_individual_2016_04", package = "eph")
dt_eph <- data.table(toybase_individual_2016_04)

svy_eph <- Survey$new(
  data    = dt_eph,
  edition = "201604",
  type    = "eph",
  psu     = NULL,
  engine  = "data.table",
  weight  = add_weight(quarterly = "PONDERA")
)

svy_eph <- svy_eph |>
  step_recode(labor_status,
    ESTADO == 1 ~ "Employed",
    ESTADO == 2 ~ "Unemployed",
    ESTADO == 3 ~ "Inactive",
    .default = NA_character_,
    comment = "Estado de actividad (INDEC)"
  ) |>
  step_recode(sex,
    CH04 == 1 ~ "Male",
    CH04 == 2 ~ "Female",
    .default = NA_character_,
    comment = "Sexo (CH04)"
  ) |>
  step_compute(
    employed = ifelse(ESTADO == 1, 1L, 0L),
    comment = "Indicador de empleo"
  ) |>
  bake_steps()

# Tasa de empleo
workflow(
  list(svy_eph),
  survey::svymean(~employed, na.rm = TRUE),
  estimation_type = "quarterly"
)
#>                         stat     value         se         cv confint_lower
#>                       <char>     <num>      <num>      <num>         <num>
#> 1: survey::svymean: employed 0.4378169 0.01668347 0.03810603     0.4051179
#>    confint_upper
#>            <num>
#> 1:     0.4705159

Para descargar microdatos reales de la EPH: eph::get_microdata(year = 2023, period = 3, type = "individual").

CASEN – Chile

La CASEN (Encuesta de Caracterizacion Socioeconomica Nacional) es la principal encuesta socioeconomica de Chile. Utiliza muestreo estratificado por conglomerados. El paquete casen (GitHub) incluye una muestra de la region de Los Rios.

Instalar con remotes::install_github("pachadotdev/casen").

# Requiere: remotes::install_github("pachadotdev/casen")
data("casen_2017_los_rios")
dt_casen <- data.table(casen_2017_los_rios)

svy_casen <- Survey$new(
  data    = dt_casen,
  edition = "2017",
  type    = "casen",
  psu     = "varunit",
  strata  = "varstrat",
  engine  = "data.table",
  weight  = add_weight(annual = "expc")
)

svy_casen <- svy_casen |>
  step_recode(sex,
    sexo == 1 ~ "Male",
    sexo == 2 ~ "Female",
    .default = NA_character_,
    comment = "Sexo (codebook MDS)"
  ) |>
  step_recode(poverty_status,
    pobreza == 1 ~ "Extreme poverty",
    pobreza == 2 ~ "Non-extreme poverty",
    pobreza == 3 ~ "Not poor",
    .default = NA_character_,
    comment = "Situacion de pobreza"
  ) |>
  step_compute(
    log_income = log(ytotcorh + 1),
    comment = "Log del ingreso del hogar"
  ) |>
  bake_steps()

# Ingreso medio del hogar
workflow(
  list(svy_casen),
  survey::svymean(~ytotcorh, na.rm = TRUE),
  estimation_type = "annual"
)

Para los microdatos completos de la CASEN: descargar_casen_github(2017, tempdir()) del paquete casen.

PNADc – Brasil

La PNADc (Pesquisa Nacional por Amostra de Domicilios Continua) es la encuesta trimestral de fuerza laboral de Brasil, con muestreo estratificado por conglomerados. El paquete PNADcIBGE (CRAN) incluye microdatos de ejemplo.

library(PNADcIBGE)

dt_pnadc <- data.table(read_pnadc(
  microdata = system.file("extdata", "exampledata.txt", package = "PNADcIBGE"),
  input_txt = system.file("extdata", "input_example.txt", package = "PNADcIBGE")
))

svy_pnadc <- Survey$new(
  data    = dt_pnadc,
  edition = "202301",
  type    = "pnadc",
  psu     = "UPA",
  strata  = "Estrato",
  engine  = "data.table",
  weight  = add_weight(quarterly = "V1028")
)

svy_pnadc <- svy_pnadc |>
  step_recode(sex,
    V2007 == 1 ~ "Male",
    V2007 == 2 ~ "Female",
    .default = NA_character_,
    comment = "Sexo (V2007)"
  ) |>
  step_compute(
    age = as.integer(V2009),
    comment = "Edad en anios"
  ) |>
  bake_steps()

workflow(
  list(svy_pnadc),
  survey::svymean(~age, na.rm = TRUE),
  estimation_type = "quarterly"
)
#>                    stat    value       se         cv confint_lower
#>                  <char>    <num>    <num>      <num>         <num>
#> 1: survey::svymean: age 35.55343 0.856023 0.02407708      33.87566
#>    confint_upper
#>            <num>
#> 1:      37.23121

Para microdatos reales de la PNADc: PNADcIBGE::get_pnadc(year = 2023, quarter = 1). La descarga es de aproximadamente 200 MB.

CPS – Estados Unidos

La CPS (Current Population Survey) es la encuesta mensual de fuerza laboral de Estados Unidos. El paquete ipumsr (CRAN, GitHub) incluye un extracto de CPS.

library(ipumsr)

ddi <- read_ipums_ddi(
  system.file("extdata", "cps_00160.xml", package = "ipumsr")
)
dt_cps <- data.table(read_ipums_micro(ddi, verbose = FALSE))

svy_cps <- Survey$new(
  data    = dt_cps,
  edition = "2011",
  type    = "cps",
  psu     = NULL,
  engine  = "data.table",
  weight  = add_weight(annual = "ASECWT")
)

svy_cps <- svy_cps |>
  step_recode(health_status,
    HEALTH == 1 ~ "Excellent",
    HEALTH == 2 ~ "Very good",
    HEALTH == 3 ~ "Good",
    HEALTH == 4 ~ "Fair",
    HEALTH == 5 ~ "Poor",
    .default = NA_character_,
    comment = "Estado de salud autopercibido"
  ) |>
  step_compute(
    log_income = log(INCTOT + 1),
    comment = "Log del ingreso total"
  ) |>
  bake_steps()

workflow(
  list(svy_cps),
  survey::svymean(~INCTOT, na.rm = TRUE),
  estimation_type = "annual"
)
#>                       stat     value      se         cv confint_lower
#>                     <char>     <num>   <num>      <num>         <num>
#> 1: survey::svymean: INCTOT 191645236 4277528 0.02232004     183261435
#>    confint_upper
#>            <num>
#> 1:     200029038

Los datos de IPUMS requieren una cuenta gratuita en https://cps.ipums.org. El archivo DDI XML proporciona metadatos de variables para el etiquetado.

ENIGH – Mexico

La ENIGH (Encuesta Nacional de Ingresos y Gastos de los Hogares) es la encuesta de ingresos y gastos de Mexico. No existe un paquete de R dedicado; los datos estan disponibles en INEGI. A continuacion se presenta un ejemplo sintetico que replica la estructura real.

set.seed(42)
dt_enigh <- data.table(
  id = 1:200,
  upm = rep(1:40, each = 5),
  est_dis = rep(1:10, each = 20),
  factor = runif(200, 100, 500),
  sexo_jefe = sample(1:2, 200, replace = TRUE),
  edad_jefe = sample(18:80, 200, replace = TRUE),
  ing_cor = rlnorm(200, 10, 1),
  tam_hog = sample(1:8, 200, replace = TRUE)
)

svy_enigh <- Survey$new(
  data    = dt_enigh,
  edition = "2022",
  type    = "enigh",
  psu     = "upm",
  strata  = "est_dis",
  engine  = "data.table",
  weight  = add_weight(annual = "factor")
)

svy_enigh <- svy_enigh |>
  step_recode(sex_head,
    sexo_jefe == 1 ~ "Male",
    sexo_jefe == 2 ~ "Female",
    .default = NA_character_,
    comment = "Sexo del jefe de hogar"
  ) |>
  step_compute(
    income_pc = ing_cor / tam_hog,
    comment = "Ingreso per capita del hogar"
  ) |>
  bake_steps()

workflow(
  list(svy_enigh),
  survey::svymean(~income_pc, na.rm = TRUE),
  estimation_type = "annual"
)
#>                          stat    value       se        cv confint_lower
#>                        <char>    <num>    <num>     <num>         <num>
#> 1: survey::svymean: income_pc 11928.34 1473.022 0.1234893      9041.267
#>    confint_upper
#>            <num>
#> 1:      14815.41

DHS – Internacional

El programa DHS (Demographic and Health Surveys) cubre mas de 90 paises. El paquete rdhs (CRAN, GitHub) proporciona acceso a la API. Los datasets modelo (sin necesidad de autenticacion) estan disponibles en https://dhsprogram.com/data/model-datasets.cfm.

library(haven)

# Descargar el modelo Individual Recode (sin credenciales)
tf <- tempfile(fileext = ".zip")
download.file(
  "https://dhsprogram.com/data/model_data/dhs/zzir62dt.zip",
  tf,
  mode = "wb", quiet = TRUE
)
td <- tempdir()
unzip(tf, exdir = td)
dta_file <- list.files(td,
  pattern = "\\.DTA$", full.names = TRUE,
  ignore.case = TRUE
)
dt_dhs <- data.table(read_dta(dta_file[1]))

# Los ponderadores DHS deben dividirse por 1.000.000
dt_dhs[, wt := as.numeric(v005) / 1e6]

svy_dhs <- Survey$new(
  data    = dt_dhs,
  edition = "2020",
  type    = "dhs",
  psu     = "v001",
  strata  = "v023",
  engine  = "data.table",
  weight  = add_weight(annual = "wt")
)

svy_dhs <- svy_dhs |>
  step_recode(education,
    v106 == 0 ~ "No education",
    v106 == 1 ~ "Primary",
    v106 == 2 ~ "Secondary",
    v106 == 3 ~ "Higher",
    .default = NA_character_,
    comment = "Nivel educativo (v106)"
  ) |>
  step_compute(
    children = as.numeric(v201),
    comment = "Hijos nacidos vivos"
  ) |>
  bake_steps()

workflow(
  list(svy_dhs),
  survey::svymean(~children, na.rm = TRUE),
  estimation_type = "annual"
)

Los datos de DHS requieren registro en https://dhsprogram.com. El paquete rdhs gestiona la autenticacion con la API. Los ponderadores (v005) deben dividirse por 1.000.000 antes de usarlos.

Portabilidad de recipes

La misma estructura Recipe funciona independientemente de la encuesta de origen:

set.seed(42)
dt_demo <- data.table(
  id     = 1:100,
  age    = sample(18:65, 100, replace = TRUE),
  income = round(runif(100, 1000, 5000), 2),
  w      = round(runif(100, 0.5, 2), 4)
)

svy_demo <- Survey$new(
  data    = dt_demo,
  edition = "2023",
  type    = "demo",
  psu     = NULL,
  engine  = "data.table",
  weight  = add_weight(annual = "w")
)

svy_demo <- svy_demo |>
  step_compute(indicator = ifelse(age > 30, 1L, 0L)) |>
  step_recode(age_group,
    age < 30 ~ "Young",
    age >= 30 ~ "Adult",
    .default = NA_character_
  )

my_recipe <- steps_to_recipe(
  name        = "Demo Indicators",
  user        = "Research Team",
  svy         = svy_demo,
  description = "Indicadores demograficos reutilizables",
  steps       = get_steps(svy_demo),
  topic       = "demographics"
)

doc <- my_recipe$doc()
cat("Entradas:", paste(doc$input_variables, collapse = ", "), "\n")
#> Entradas: age
cat("Salidas:", paste(doc$output_variables, collapse = ", "), "\n")
#> Salidas: indicator, age_group

Los recipes capturan que transformaciones aplicar, no de que encuesta provienen. Un recipe construido para la EPH puede adaptarse para la PNADc simplemente renombrando variables.

Proximos pasos