4 Clasificación por nivel socio-económico (Metodología AIM)

Como analistas de datos nos encontramos trabajando constantemente con formas de clasificación social, siendo la clasificación por nivel socio-económico la principal de ellas.

Existen diversas maneras de generar estas clasificaciones. Una de ellas es la que propone la Asociación de Investigadores de Mercado y Opinión Pública (AIM). Tal asociación propone dos caminos para su construcción: 1) utilizando el nivel de ingreso, más el nivel educacional y ocupación del jefe de hogar; y 2) a falta del ingreso, utilizar un proxy mediante la cantidad de bienes que posee el jefe de hogar, sumado a su nivel educacional y su ocupación.

Para más información sobre el método ingrese aquí

Para más información sobre el manual ingrese aquí

En Datavoz contamos con dos archivos que contienen las categorías estandarizadas para cada una de las formas de construcción.

Archivos
Ingresos
Bienes

4.1 Construcción con ingreso

4.1.1 a. cargar nuestros datos

# cargar datos estandarizados de clasificación
t_ing <- readRDS("BBDD/GSE_2019_ingresos.rds")

# cargar df de datos a trabajar
library(haven)

df <- read_sav("BBDD/220208-Base GPS-Derechos-Digitales-ponderadores.sav")

4.1.2 b. recodificar nuestras variables

Para lograr trabajar con la metodología propuesta por la AIM, debemos recodificar nuestras variables de ocupación, nivel educacional e ingresos, en función de las categorías estandarizadas del .RDS "t_ing"

b.1) ocupación

La ocupación responde a la siguiente distribución:

Ocupación*	Codificación
Trabajadores no calificados	1
Oficiales, Operarios y Artesanos	2
Vendedores, operadores de máquinas, agricultores, trabajadores calificados, sin dato	3
Empleados de Oficina	4
Técnicos y Profesionales de Nivel Medio	5
Directivos y Profesionales de Nivel Alto	6

*Nota: ocupaciones creadas en df a CIUO-88.

En este sentido, para nuestra df de ejemplo, recodificaremos de la siguiente manera la variable S6_B, que contiene los valores de ocupación utilizados en el cuestionario original.

# recodificar ocupacion
df <- df %>% mutate(ocup = case_when(S6_B == 1 ~ 1,
                                         S6_B == 2 ~ 2,
                                         S6_B %in% c(3,4,5,10) ~ 3,
                                         S6_B == 6 ~ 4,
                                         S6_B == 7 ~ 5,
                                         S6_B %in% c(8,9) ~ 6))

b.2) nivel educacional

Para el caso del nivel educacional, debemos mantener la distribución:

Nivel educacional	Codificación
Básica completa o menos	1
Media incompleta	2
Media completa	3
Técnica incompleta o completa, Univ. incompleta	4
Universitaria completa o más	5

# recodificar n. educ
df <- df %>% mutate(educ = case_when(educ_rec %in% c(1,2) ~ 1,
                                         educ_rec == 3 ~ 2,
                                         educ_rec %in% c(4,5) ~ 3,
                                         educ_rec %in% c(6,7,8) ~ 4,
                                         educ_rec %in% c(9,10) ~ 5))

b.3) tramo de ingresos

# colapsar todas las variables de ingreso en una nueva variable
df <- df %>% mutate(tramo = coalesce(S8_1,S8_2,S8_3,S8_4,S8_5,S8_6,S8_7))

b.4) homologar variables

Luego de haber recodificado nuestras variables, tendremos que homologarlas a la naturaleza de las variables de "t_ing" para evitar conflictos al momento de unir ambas dfs de datos.

# homologar variables
df$educ<-as.double(df$educ)
df$ocup<-as.double(df$ocup)
df$tramo<-as.character(df$tramo)

4.1.3 c. integrar la variable gse y generar recodificación

Como hemos homologado las variables, podemos unir ambas dfs de datos con total seguridad.

# unir categorías de gse en nuestra df de datos
df <- left_join(df,t_ing,by=c("educ","ocup","tramo")) ###Tienen que tener la misma clase###

# recodificar gse
df <-df %>% mutate(gse_rec = case_when(gse %in% c("AB","C1a","C1b") ~ "Alto (AB+C1a+C1b)",
                                           gse %in% c("C2","C3") ~ "Medio (C2+C3)",
                                           gse %in% c("D","E") ~ "Bajo (D+E)",
                                           TRUE ~ "Sin información"))

Al realizar los pasos anteriores deberíamos contar con las siguientes variables y el gse construido

4.1.4 **d) exportar BBDD con clasificación socioeconómica

### OJO: quitar comentarios para guardar ###
# write_sav(base,                                                 # BBDD
#          "220209 Base GPS-Derechos Digitales-ponderadores.sav") # Nombre

4.2 Construcción sin ingreso (proxy)

4.2.1 a. Cargar nuestros datos

# cargar datos estandarizados de clasificación
t_bienes <- readRDS("BBDD/GSE_2019_bienes.rds")

# cargar df de datos a trabajar
library(haven)

load("BBDD/Mallplaza_Pond.Rdata")
df <- mallplaza

4.2.2 b. recodificar nuestras variables

Para lograr trabajar con la metodología propuesta por la AIM, debemos recodificar nuestras variables de ocupación, nivel educacional y aquellas que repsondan a los bienes del jefe del hogar. Todo esto en función de las categorías estandarizadas del .RDS "t_bienes"

b.1) ocupación

La ocupación responde a la siguiente distribución:

Ocupación*	Codificación
Trabajadores no calificados	1
Oficiales, Operarios y Artesanos	2
Vendedores, operadores de máquinas, agricultores, trabajadores calificados, sin dato	3
Empleados de Oficina	4
Técnicos y Profesionales de Nivel Medio	5
Directivos y Profesionales de Nivel Alto	6

*Nota: ocupaciones creadas en df a CIUO-88.

En este sentido, para nuestra df de ejemplo, recodificaremos de la siguiente manera la variable F_7, que contiene los valores de ocupación utilizados en el cuestionario original.

# recodificar ocupacion
#Las dos útlimas líneas imputan educacion a 6 casos sin info
df <- df %>% mutate(ocup = case_when(F_7 == 1 ~ 1,
                                         F_7 == 2 ~ 2,
                                         F_7 %in% c(3,4,5,10) ~ 3,
                                         F_7 == 6 ~ 4,
                                         F_7 == 7 ~ 5,
                                         F_7 %in% c(8,9) ~ 6,
                                         F_7==99 & F_4<10~3,
                                         F_7==99 & F_4==10~8))

b.2) nivel educacional

Para el caso del nivel educacional, debemos mantener la distribución:

Nivel educacional	Codificación
Básica completa o menos	1
Media incompleta	2
Media completa	3
Técnica incompleta o completa, Univ. incompleta	4
Universitaria completa o más	5

#Educacion jefe de hogar (f5=1 es jefe de hogar, f6 es educacion jefe de hogar)
# "si F_5=1 pegame los valores de F_4, sino pegame los valores de F_6"
df<- df %>% mutate(ed_jh=ifelse(F_5==1, F_4, F_6))


#Quedan 5 casos sin información. 2 adultos jóvenes que reportan educacion propia
#   pero no son jefes de hogares, y tres >55 años que no reportan nada.
#   Les imputamos valores:

df<- df %>% mutate(ed_jh=ifelse(ed_jh==99, F_4, ed_jh))

df<- df %>% mutate(ed_jh=ifelse(ed_jh==99, 9, ed_jh))

# recodificar
df <- df %>% mutate(educ = case_when(ed_jh %in% c(1,2) ~ 1,
                                         ed_jh == 3 ~ 2,
                                         ed_jh %in% c(4,5) ~ 3,
                                         ed_jh %in% c(6,7,8) ~ 4,
                                         ed_jh %in% c(9,10) ~ 5))

b.3) bienes

Para el caso de los bienes del jefe de hogar, debemos mantener la distribución:

Variables proxy de ingreso	Tiene	No tiene
Isapre PSH	1	0
Línea de crédito PSH	1	0
Celular con contrato PSH	1	0
Vehículo laboral o particular PSH	1	0
Total bienes que tiene PSH	4	0

# reocodificacion de bienes
# "bien1 = si F_11_1 es igual a 1, pegame un 1, de lo contrario un 0"
df<- df %>% mutate(bien1=ifelse(F_11_1==1, 1, 0))
df<- df %>% mutate(bien2=ifelse(F_11_2==1, 1, 0))
df<- df %>% mutate(bien3=ifelse(F_11_3==1, 1, 0))
df<- df %>% mutate(bien4=ifelse(F_11_4==1, 1, 0))

# crear variable con el total de bienes
df$bienes<- rowSums(subset(df, select=c("bien1", "bien2", "bien3", "bien4")))

b.4) homologar variables

####HOMOLOGAR CLASE DE VARIABLE
df$educ<-as.double(df$educ)
df$ocup<-as.double(df$ocup)
df$bienes<-as.character(df$bienes)

4.2.3 c. integrar la variable gse y generar recodificación

# # unir categorías de gse en nuestra df de datos
df<-left_join(df,t_bienes,by=c("educ","bienes","ocup"))

# recodificar gse
df <-df %>% mutate(gse_rec = case_when(gse %in% c("AB","C1a","C1b") ~ "Alto (AB+C1a+C1b)",
                                           gse %in% c("C2","C3") ~ "Medio (C2+C3)",
                                           gse %in% c("D","E") ~ "Bajo (D+E)",
                                           TRUE ~ "Sin información"))

Al realizar los pasos anteriores deberíamos contar con las siguientes variables y el gse construido

4.2.4 d. exportar BBDD con clasificación socioeconómica

### OJO: quitar comentarios para guardar ###
# save(df,                           # BBDD
#      file="MPlaza_pond_gse.Rdata") # Nombre

library(tidyverse)