En este cuaderno vamos a procesar un conjunto de datos para posteriormente analizar la existencia del llamado “ascensor social” en España a partir de los microdatos de la Encuesta de Condiciones de Vida (ECV) del año 2019. Dicho análisis nos sirve como excusa para tratar de mostrar en qué consiste una regresión logística y cómo llevarla a cabo en R.

En primer lugar, debemos definir qué es eso del “ascensor social” y cómo vamos a tratar de analizarlo nosostros. Éste se define como la posibilidad de ascender o descender de clase social. Aunque podemos considerar que la pertenencia a una determinada clase social - si es que éstas existen de forma estanca y perfectamente distinguible - se explica por una combinación de aspectos: nivel económico, cultural, de estudios, etc, nosotros nos vamos a centrar simplemente en el nivel económico.

Para ello, usaremos datos transversales de la ECV del año 2019. Este es el último año - hasta la fecha (2021) - que la ECV ha contado con el modulo temático Transmisión intergeneracional de la pobreza - batería de preguntas que nos permiten realizar el análisis deseado.

Los microdatos de la ECV 2019 pueden descargarse en el siguiente link: https://www.ine.es/dyngs/INEbase/es/operacion.htm?c=Estadistica_C&cid=1254736176807&menu=resultados&idp=1254735976608#!tabs-1254736195153. Dichos microdatos están formados por cuatro archivos:

Para poder unir los ficheros contamos con una variable de identificación por fichero. Las variables de identificación de los ficheros de hogares (DB030 y HB030) son idénticas; lo mismo para las variables de identificación de los ficheros de personas (RB030 y PB030). Éstas últimas se componen del identificador del hogar y el nº de orden, a dos dígitos, de la persona dentro del hogar.

Asimismo, al descargarse los microdatos, en la misma carpeta comprimida, encontramos un documento Word que contiene la explicación de todas las variables de la encuesta.

¿Cómo determinamos si una persona ha mejorado o no su situación económica?

Para responder a esta pregunta vamos a utilizar las respuestas de los encuestados a dos cuestiones concretas:

  • Situación económica del hogar cuando el adulto era adolescente. Las opciones de respuesta son:
  1. Muy mala
  2. Mala
  3. Moderadamente mala
  4. Moderadamente buena
  5. Buena
  6. Muy buena

Esta pregunta pertenece al módulo Trasmisión intergeneracional de la pobreza y, por tanto, se encuentra en el fichero P. Es la pregunta PT190.

  • Capacidad del hogar para llegar a fin de mes. Cuyas opciones de respuesta son:
  1. Con mucha dificultad.
  2. Con dificultad.
  3. Con cierta dificultad.
  4. Con cierta facilidad.
  5. Con facilidad.
  6. Con mucha facilidad.
  7. Esta pregunta se refiere al hogar y se encuentra, específicamente, en el fichero H. Es la HS120.

Como vemos, las preguntas no son idénticas, ni siquiera sus opciones de respuesta lo son. Pero sí resultan muy similares y podemos utizarlas como proxy para determinar si una persona ha mejorado o no su situación económica.

Vamos a superponer, pues, lo siguiente: una persona ha mejorado su situación económica, es decir, ha logrado subir en el ascensor social, si ha mejorado en el número de su respuesta de la pregunta 1 a la 2. Por ejemplo: una persona que responde Muy mala (opción 1) en la pregunta 1, y Con cierta dificultad (opción 3) en la segunda pregunta, aunque su situación econónomica siga sin calificarla de “buena”, sí que ha mejorado. Por el contrario si el número de la respuesta es el mismo o menor en la pregunta 2 que en la 1, dicha persona no habrá mejorado.

De esta manera, clasificaremos a los encuestados en dos categorías: 1) Personas que han mejorado - han subido con el ascensor social; 2) Personas que no han mejorado - no han subido con el ascensor social. Dicha sencilla categorización puede resultar simplista, pero nos permitirá llevar a cabo una regresión logística binaria, la más sencilla y, por ello, la más fácil de entender y realizar.

Esta variable binaria será la variable dependiente de nuestra regresión logística.

Procesamos el dataset para adaptarlo a lo de arriba

# Librería tratamiento dataframes
library(dplyr)
library(readr)


# Microdatos
# Fichero Personas
datos_Fichero_P <- read.csv("/Users/davpero/Desktop/Trial/esudb19p.csv", sep = ",")
# Fichero Hogares
datos_Fichero_H <- read.csv("/Users/davpero/Desktop/Trial/esudb19h.csv", sep = ",")

Vamos a crear una variable en el conjunto de datos datos_Fichero_P que sea igual a la variable identificadora del hogar HB030. Para ello, debemos quitar los dos últimos dígitos a la variable PB030. De esta forma, tendremos dos variables identificadoras idénticas que nos permitirán realizar la unión entre tablas.

# Para quitar los dos últimos dígitos dividimos entre 100, quedándonos solo con la parte entera:
datos_Fichero_P$HB030 <- datos_Fichero_P$PB030 %/% 100

# unión de dataframes usando las variables HB030
datos_conjuntos <- merge(x = datos_Fichero_P, y = datos_Fichero_H, by = "HB030")

cat("El número de filas del dataframe datos_conjuntos es", nrow(datos_conjuntos), "y el de columnas es", ncol(datos_conjuntos))

Como vemos, tenemos un nuevo dataframe cuyo número de filas es igual al número de filas del fichero P (el más grande, ya que hay más personas que hogares), y cuyo número de columnas es igual a la suma de las variables de los ficheros P y H.

A continuación, creamos la variable MSE (Mejora_Situación_Económica). Dicha variable tendrá valor 1 si la situación económica de cada persona ha mejorado con los años y valor 0, si no lo ha hecho:

datos_conjuntos$MSE <- ifelse(datos_conjuntos$PT190 < datos_conjuntos$HS120, 1, 0)

cat("El número de personas que han mejorado su situación económica es de", nrow(filter(datos_conjuntos, MSE == 1)), ". Mientras que el resto,", nrow(filter(datos_conjuntos, MSE == 0)), ", no han mejorado su situación económica. \n")


cat("El número de valores missing de la variables MSE es", sum(is.na(datos_conjuntos$MSE)), "La grandísima mayoría -", sum(is.na(datos_conjuntos$PT190)), "- se deben a los valores missing que presentaba la variable PT190.")


# Creamos un pequeño dataset con las variables que vamos a utilizar:
datos1 <- datos_conjuntos[, c("MSE", "PB040", "PB190", "PE040", "PB140")]

Ahora convertimos el Nivel de estudios (variable PE040) a 3 clases: 0,1,2. Estas corresponde con nivel bajo, medio, alto. Haremos lo mismo con Estado civil (PB190) que le daremos un valor 1 si el individuo está casado y 0 en caso contrario. Por último también vamos a incluir la variable Año de Nacimiento (PB140) en el dataset.

datos1 <- datos1 %>%
  mutate(PE040 = case_when(
    PE040 == 100 ~ 0, # Educacion primaria nivel bajo
    PE040 == 200 ~ 0, # Educacion media hasta abajo
    PE040 == 300 ~ 1,
    PE040 == 353 ~ 1,
    PE040 == 344 ~ 1,
    PE040 == 354 ~ 1,
    PE040 == 400 ~ 1,
    PE040 == 450 ~ 1,
    PE040 == 500 ~ 2, # Educación superior
    TRUE ~ PE040
  ))


# Cambiamos el nombre de las variables para que quede más claro lo que vamos a hacer:
datos1 <- rename(datos1, Factor_de_elevacion = PB040, Estado_civil = PB190, Ano_Nacimiento = PB140, Nivel_Estudios = PE040)

# Recodificamos la variable Estado_civil: todas las categorias diferentes a 2, recibiran el valor 0; y la categoria 2 (Casado), el valor 1
datos1$Estado_civil <- ifelse(datos1$Estado_civil != 2, 0, 1)



# Omitimos las observaciones con NA
datos1 <- na.omit(datos1)


# Convertir a factor
datos1$Estado_civil <- factor(datos1$Estado_civil)
datos1$MSE <- factor(datos1$MSE)
datos1$Nivel_Estudios <- factor(datos1$Nivel_Estudios)


# Creamos excel con datos
library("writexl")
write_xlsx(datos1, "../../../files/ECV.xlsx")

Este dataset será el que se proporcione para el estudiante para hacer sus análisis. Lo podemos encontrar en: ECV.xlsx.

Back to top