Skip to contents

Paneles Rotativos y PoolSurvey (ES)

Source: vignettes/panel-analysis-es.Rmd
panel-analysis-es.Rmd

Introducción

Muchas encuestas de hogares nacionales utilizan diseños de panel rotativo, donde una muestra de encuestados es entrevistada en una ola inicial (implantación) y luego se les da seguimiento durante períodos sucesivos. La ECH de Uruguay, por ejemplo, entrevista a cada hogar una vez y luego realiza un seguimiento mensual durante el resto del año.

metasurvey proporciona dos clases para este tipo de diseño:

  • RotativePanelSurvey – un panel con una encuesta de implantación y una lista de encuestas de seguimiento
  • PoolSurvey – una colección de encuestas agrupadas para realizar estimaciones combinadas entre períodos

Creación de un RotativePanelSurvey

Un RotativePanelSurvey requiere un Survey de implantación y uno o más objetos Survey de seguimiento.

library(metasurvey)
library(data.table)
set_use_copy(TRUE)

set.seed(42)
n <- 100

make_survey <- function(edition) {
  dt <- data.table(
    id       = 1:n,
    age      = sample(18:80, n, replace = TRUE),
    income   = round(runif(n, 5000, 80000)),
    employed = sample(0:1, n, replace = TRUE),
    w        = round(runif(n, 0.5, 3.0), 4)
  )
  Survey$new(
    data = dt, edition = edition, type = "ech",
    psu = NULL, engine = "data.table",
    weight = add_weight(annual = "w")
  )
}

# Implantation: 2023 wave 1
impl <- make_survey("2023")

# Follow-ups: waves 2 through 4
fu_2 <- make_survey("2023")
fu_3 <- make_survey("2023")
fu_4 <- make_survey("2023")

panel <- RotativePanelSurvey$new(
  implantation   = impl,
  follow_up      = list(fu_2, fu_3, fu_4),
  type           = "ech",
  default_engine = "data.table",
  steps          = list(),
  recipes        = list(),
  workflows      = list(),
  design         = NULL
)

Acceso a los componentes del panel

Utilice get_implantation() y get_follow_up() para obtener las encuestas individuales:

# Implantation survey
imp <- get_implantation(panel)
class(imp)
#> [1] "Survey" "R6"
head(get_data(imp), 3)
#>       id   age income employed      w
#>    <int> <int>  <num>    <int>  <num>
#> 1:     1    66  21287        1 1.6114
#> 2:     2    54  21243        0 0.6510
#> 3:     3    18  34171        1 1.3188
# Follow-up surveys
follow_ups <- get_follow_up(panel)
cat("Number of follow-ups:", length(follow_ups), "\n")
#> Number of follow-ups: 3

Aplicación de pasos a los componentes del panel

Aplique transformaciones a componentes individuales del panel. Las mismas funciones de pasos funcionan tanto en la encuesta de implantación como en las de seguimiento:

# Transform the implantation survey
panel$implantation <- step_compute(panel$implantation,
  income_k = income / 1000,
  comment = "Income in thousands"
)

# Apply the same step to each follow-up
panel$follow_up <- lapply(panel$follow_up, function(svy) {
  step_compute(svy, income_k = income / 1000, comment = "Income in thousands")
})

Estimación sobre componentes del panel

Utilice workflow() sobre los componentes individuales del panel para realizar análisis de corte transversal o de series de tiempo.

Análisis de corte transversal (Implantación) 

result_impl <- workflow(
  list(panel$implantation),
  survey::svymean(~income, na.rm = TRUE),
  estimation_type = "annual"
)

result_impl
#>                       stat    value       se         cv confint_lower
#>                     <char>    <num>    <num>      <num>         <num>
#> 1: survey::svymean: income 43742.45 2420.706 0.05533997      38997.96
#>    confint_upper
#>            <num>
#> 1:      48486.95

Comparación entre seguimientos 

results <- rbindlist(lapply(seq_along(panel$follow_up), function(i) {
  r <- workflow(
    list(panel$follow_up[[i]]),
    survey::svymean(~income, na.rm = TRUE),
    estimation_type = "annual"
  )
  r$period <- panel$follow_up[[i]]$edition
  r
}))

results[, .(period, stat, value, se, cv)]
#>    period                    stat    value       se         cv
#>     <num>                  <char>    <num>    <num>      <num>
#> 1:   2023 survey::svymean: income 41537.99 2328.715 0.05606230
#> 2:   2023 survey::svymean: income 42809.39 2383.860 0.05568546
#> 3:   2023 survey::svymean: income 41314.46 2232.803 0.05404409

PoolSurvey: Estimación combinada

Un PoolSurvey agrupa múltiples encuestas para realizar estimaciones combinadas. Esto resulta útil cuando se desea agregar datos mensuales en estimaciones trimestrales o anuales, o cuando combinar encuestas reduce la variabilidad muestral.

El constructor recibe una lista anidada: list(estimation_type = list(group = list(surveys))).

s1 <- make_survey("2023")
s2 <- make_survey("2023")
s3 <- make_survey("2023")

pool <- PoolSurvey$new(
  list(annual = list("q1" = list(s1, s2, s3)))
)

class(pool)
#> [1] "PoolSurvey" "R6"

Estimación agrupada 

pool_result <- workflow(
  pool,
  survey::svymean(~income, na.rm = TRUE),
  estimation_type = "annual"
)

pool_result
#>                       stat    value       se         cv confint_lower
#>                     <char>    <num>    <num>      <num>         <num>
#> 1: survey::svymean: income 44574.23 2226.844 0.04995811      40209.69
#> 2: survey::svymean: income 44341.53 2407.912 0.05430377      39622.10
#> 3: survey::svymean: income 41293.92 2239.968 0.05424451      36903.66
#>    confint_upper period   type variance
#>            <num>  <num> <char>    <num>
#> 1:      48938.76   2023     q1  4958836
#> 2:      49060.95   2023     q1  5798041
#> 3:      45684.18   2023     q1  5017458

Múltiples grupos

Es posible organizar las encuestas en múltiples grupos:

s4 <- make_survey("2023")
s5 <- make_survey("2023")
s6 <- make_survey("2023")

pool_semester <- PoolSurvey$new(
  list(annual = list(
    "q1" = list(s1, s2, s3),
    "q2" = list(s4, s5, s6)
  ))
)

result_semester <- workflow(
  pool_semester,
  survey::svymean(~income, na.rm = TRUE),
  estimation_type = "annual"
)

result_semester
#>                       stat    value       se         cv confint_lower
#>                     <char>    <num>    <num>      <num>         <num>
#> 1: survey::svymean: income 44574.23 2226.844 0.04995811      40209.69
#> 2: survey::svymean: income 44341.53 2407.912 0.05430377      39622.10
#> 3: survey::svymean: income 41293.92 2239.968 0.05424451      36903.66
#> 4: survey::svymean: income 41760.06 2296.170 0.05498485      37259.64
#> 5: survey::svymean: income 48051.67 2374.145 0.04940816      43398.43
#> 6: survey::svymean: income 42721.21 2276.767 0.05329359      38258.83
#>    confint_upper period   type variance
#>            <num>  <num> <char>    <num>
#> 1:      48938.76   2023     q1  4958836
#> 2:      49060.95   2023     q1  5798041
#> 3:      45684.18   2023     q1  5017458
#> 4:      46260.47   2023     q2  5272399
#> 5:      52704.90   2023     q2  5636562
#> 6:      47183.59   2023     q2  5183666

Extracción de encuestas desde paneles

Utilice extract_surveys() para seleccionar períodos específicos de un RotativePanelSurvey:

# Extract specific follow-ups by index
first_two <- extract_surveys(panel, index = 1:2)
class(first_two)
#> [1] "list"
# Extract by month (requires Date-format editions)
march_data <- extract_surveys(panel, monthly = 3)

Patrones temporales

metasurvey proporciona utilidades para trabajar con las fechas de edición de las encuestas:

# Extract periodicity from edition strings
extract_time_pattern("2023")
#> $year
#> [1] 2023
#> 
#> $periodicity
#> [1] "Annual"
extract_time_pattern("2023-06")
#> $year
#> [1] 2023
#> 
#> $month
#> [1] 6
#> 
#> $periodicity
#> [1] "Monthly"
# Validate edition format
validate_time_pattern(svy_type = "ech", svy_edition = "2023")
#> $svy_type
#> [1] "ech"
#> 
#> $svy_edition
#> [1] 2023
#> 
#> $svy_periodicity
#> [1] "Annual"
# Group dates by period
dates <- as.Date(c(
  "2023-01-15", "2023-03-20", "2023-06-10",
  "2023-09-05", "2023-11-30"
))
group_dates(dates, type = "quarterly")
#> 2023-01-15 2023-03-20 2023-06-10 2023-09-05 2023-11-30 
#>          1          1          2          3          4
group_dates(dates, type = "biannual")
#> 2023-01-15 2023-03-20 2023-06-10 2023-09-05 2023-11-30 
#>          1          1          1          2          2

Carga de datos de panel desde archivos

En la práctica, los datos de panel se cargan desde archivos utilizando load_panel_survey():

panel <- load_panel_survey(
  path_implantation = "data/ECH_implantacion_2023.csv",
  path_follow_up = "data/seguimiento/",
  svy_type = "ech",
  svy_weight_implantation = add_weight(annual = "pesoano"),
  svy_weight_follow_up = add_weight(monthly = "pesomes")
)

# Access components
imp <- get_implantation(panel)
fups <- get_follow_up(panel)

Pesos replicados bootstrap

Para encuestas que proveen pesos replicados bootstrap (como la ECH), utilice add_replicate() dentro de add_weight() para configurar la estimación robusta de la varianza:

panel <- load_panel_survey(
  path_implantation = "data/ECH_implantacion_2023.csv",
  path_follow_up = "data/seguimiento/",
  svy_type = "ech",
  svy_weight_implantation = add_weight(
    annual = add_replicate(
      weight = "pesoano",
      replicate_pattern = "wr\\d+",
      replicate_path = "data/pesos_replicados_anual.csv",
      replicate_id = c("numero" = "numero"),
      replicate_type = "bootstrap"
    )
  ),
  svy_weight_follow_up = add_weight(monthly = "pesomes")
)

Cuando se configuran pesos replicados, workflow() utiliza automáticamente survey::svrepdesign() para la estimación de la varianza en lugar del enfoque estándar de linealización de Taylor.

Buenas prácticas

  1. Establezca la periodicidad en cada encuesta componente antes de construir el panel
  2. Aplique las transformaciones de manera uniforme – asegúrese de que los mismos pasos se apliquen a las encuestas de implantación y de seguimiento para garantizar la comparabilidad
  3. Utilice PoolSurvey cuando combine encuestas para reducir la varianza o para agregaciones trimestrales/anuales
  4. Valide los resultados – compare las estimaciones agrupadas con las estimaciones directas para verificar la consistencia
  5. Utilice pesos replicados bootstrap cuando estén disponibles para una estimación más robusta de la varianza

Próximos pasos