Econometria.files.wordpress.com



El R Base contiene la útil función sample en la que se pueden obtener muestras aleatorias con o sin reemplazo de manera sencilla.Cargamos el dataset crimtab:crime<-data.frame(crimtab)dim(crime)## [1] 924 3Como podemos ver, el dataset crime contiene 924 filas y 3 columnas. Seleccionamos una muestra de 30 casos sin reemplazo:#Selección de la muestra#Tama?o de la muestran<-30muestramia<- sample(1:nrow(crime),size=n,replace=FALSE)muestramia## [1] 64 658 551 887 546 509 639 654 328 659 453 258 279 550 876 676 121## [18] 170 695 610 55 824 138 96 3 266 256 776 445 638#Asignar los elementos de la muestra al data frame de datoscrimemuestramia<- crime[muestramia, ]head(crimemuestramia)## Var1 Var2 Freq## 64 11.5 144.78 0## 658 12.1 180.34 4## 551 9.8 175.26 0## 887 9.8 195.58 0## 546 13.5 172.72 0## 509 9.8 172.72 0El paquete dplyr también permite obtener muestras. Este paquete es sumamente útil para el tratamiento de datos, adicionalmente contiene una función para obtener muestras simples de un data frame:library(dplyr)#Muestra sin reemplazocrimemuestramia2<- crime %>% sample_n(size=n,replace=FALSE)head(crimemuestramia2)## Var1 Var2 Freq## 252 13.5 154.94 0## 537 12.6 172.72 5## 203 12.8 152.4 0## 119 12.8 147.32 0## 702 12.3 182.88 0## 649 11.2 180.34 0#Muestra con pesoscrimemuestramia3<- crime %>% sample_n(size=n,weight=Freq)head(crimemuestramia3)## Var1 Var2 Freq## 314 11.3 160.02 24## 402 11.7 165.1 37## 177 10.2 152.4 2## 616 12.1 177.8 10## 486 11.7 170.18 45## 625 13 177.8 1#Muestra con una proporción de casoscrimemuestramia4<- crime %>% sample_frac(0.05)head(crimemuestramia4);dim(crimemuestramia4)## Var1 Var2 Freq## 260 10.1 157.48 0## 409 12.4 165.1 2## 137 10.4 149.86 1## 473 10.4 170.18 0## 259 10 157.48 2## 279 12 157.48 1## [1] 46 3Selección de muestras sistemáticas (paquete SamplingUtil)Para el ejemplo del muestreo sistemático utilizaremos la función sys.sample del paquete SamplingUtil.Para instalar este paquete, se debe inicialmente instalar el paquete devtools ya que no se encuentra en CRAN. Las instrucciones son las siguientes:Instalar devtools:install.packages("devtools")Cargar libreria: library(devtools)Instalar SamplingUtils:install_github("DFJL/SamplingUtil")De esta manera podemos proceder a generar la muestra sistemática:#Cargar libreria:library(SamplingUtil)muestrasis<- sys.sample(N=nrow(crime),n=30)muestrasis## [1] 12 42 72 102 132 162 192 222 252 282 312 342 372 402 432 462 492## [18] 522 552 582 612 642 672 702 732 762 792 822 852 882#Asignar los elementos de la muestra al data frame de datoscrimemuestrasis<- crime[muestrasis, ]head(crimemuestrasis)## Var1 Var2 Freq## 12 10.5 142.24 0## 42 13.5 142.24 0## 72 12.3 144.78 0## 102 11.1 147.32 0## 132 9.9 149.86 0## 162 12.9 149.86 0Tama?os de muestreo aleatorio simplesAccedemos la data de la ENAHO 2013 y empleamos la función nsize() incluída en el paquete o variable continua se utilizará la Cantidad de personas del hogar (TamHog), para el ejemplo de proporciones, se creará la variable Proporción de Hogares Unipersonales.#Generando df de ENAHO2013 a nivel de hogardf<- ENAHO2013 %>% #Define nuevo data frame mutate(TamHog=as.numeric(TamHog), #Convierte TamHog a numérica phu=ifelse(TamHog>1,0,1)) %>% #Crea variable de prop Hog. Unipersonales. select(FACTOR:ZONA,TamHog,phu,-REGION) %>% #Selecciona variables de interés. group_by(SEGMENTO,CUESTIONARIO,HOGAR,ZONA) %>% #Genera esquema de agrupación. summarise(TamHog=mean(TamHog), #Cálculo de variables sumarizadas. phu=mean(phu)) %>% mutate(id=paste0(SEGMENTO,CUESTIONARIO,HOGAR,ZONA)) #Genera id único para uso posterior.Error relativo para variables continuas.Calculo del tama?o de muestra para que el error relativo no supere el 5%, con un alpha de 5%.#Cálculo del tama?o de muestra con error relativo#Error relativor<-0.05nsizeR<- nsize(x=df$TamHog,r=r,alpha=0.05)nsizeR## $n0## [1] 782## ## $n_adjust## [1] 731Error absoluto para variables continuas.#Cálculo del tama?o de muestra con error absoluto#Igualar el error absoluto con el error relativoabs<-mean(df$TamHog)*rnsizeA<- nsize(x=df$TamHog,abs=abs,alpha=0.05)nsizeA## $n0## [1] 782## ## $n_adjust## [1] 731Error relativo para variables dicotómicas.#Cálculo de tama?o de muestra para proporciónnsizeP<- nsize(x=df$phu,abs=0.02,alpha=0.05)nsizeP## $n0## [1] 924## ## $n_adjust## [1] 854Tama?os de muestra estratificadosAsignación proporcional.#Cálculo de las proporciones por estratoEstratos<- df %>% select(ZONA,TamHog) %>% group_by(ZONA) %>% summarise(n=n(), s=sd(TamHog)) %>% mutate(p=n/sum(n))Estratos## Source: local data frame [2 x 4]## ## ZONA n s p## 1 Urbana 4790 3.149710 0.4269543## 2 Rural 6429 1.945832 0.5730457#Asignación de la muestra proporcional a los estratosnsizeProp<-nstrata(n=nsizeR[[2]],wh=Estratos[,4],method="proportional")nsizeProp## p## 1 313## 2 419Asignación óptima.#Asignación de la muestra óptima a los estratos#Costo de entrevista por estratoch<-c(5,10)nsizeOpt<-nstrata(n=nsizeR[[2]],wh=Estratos[,4],sh=Estratos[,3],ch,method="optimal")nsizeOpt## p## 1 461## 2 271Asignación de Neyman.#Asignación de la muestra óptima a los estratos(asume costos iguales)nsizeNeyman<-nstrata(n=nsizeR[[2]],wh=Estratos[,4],sh=Estratos[,3],method="neyman")nsizeNeyman## p## 1 400## 2 332ElevadoresCálculo de intervalos de confianza asumiendo MASEn R existen múltiples posibilidades de calcular los intervalos de confianza. Se utilizará el paquete DescTools para este propósito .Este paquete contiene muchas funciones misceláneas de las tareas estadísticas típicas.Calcularemos el intervalo de confianza para la media del Tama?o del hogar, con el tama?o de muestra obtenida en el ejercicio anterior y posteriormente se comparará el error obtenido (suponiendo que el valor verdadero es el de total de la encuesta)#Muestra sin reemplazomuestra<- data.frame(df) %>% sample_n(size=nsizeR[[2]],replace=FALSE)crimemuestramia2<- crime %>% sample_n(size=n,replace=FALSE)#Carga de paquete DescToolslibrary(DescTools)#Intervalos de confianza 95% clásicosICTamHog<- MeanCI(x=muestra$TamHog, trim = 0,conf.level = 0.95, na.rm = FALSE)ICTamHog## mean lwr.ci upr.ci ## 3.393981 3.277623 3.510339#Media del total de la encuestamean(df$TamHog)## [1] 3.547134#Diferencia relativadifR<-paste0(abs(round((ICTamHog[1]-mean(df$TamHog))/mean(df$TamHog),3))*100,"%")De esta manera, con este ejercicio comprobamos que el valor estimado cumple con los requisitos del error relativo deseado en el cálculo del tama?o muestral, ya que la diferencia fue de 4.3% inferior al 5 % deseado.Selección de muestra con ppt (Paquete pps)Hemos abarcado aspectos básicos del muestreo de elementos. A partir de ahora veremos algunos ejemplos de muestreo complejo.Existen diversos paquetes para selecciones de muestras complejas en R, como el sampling o el samplingbook. En este caso se utilizará el pps que se concentra en muestreo mediante ppt y permite la selección sistemática estratificada.En el siguiente ejercicio se seleccionará una muestra de UPM utilizando como tama?o la cantidad de hogares, estratificada por Zona, utilizando como base el tama?o de muestra ya calculado para la variable Tama?o del hogar.Se debe obtener una muestra proporcional para cada estrato y seleccionar en cada conglomerado una submuestra de 5 hogares.#Generar el dataframe de UPMS y su respectivo tama?oUPMs<- df %>% mutate(TamHog=as.numeric(TamHog)) %>% select(SEGMENTO,ZONA,TamHog) %>% group_by(ZONA,SEGMENTO) %>% summarise(Mta=n()) %>% arrange(desc(ZONA),SEGMENTO)head(UPMs)## Source: local data frame [6 x 3]## Groups: ZONA## ## ZONA SEGMENTO Mta## 1 Urbana 2 7## 2 Urbana 4 9## 3 Urbana 5 9## 4 Urbana 8 13## 5 Urbana 9 10## 6 Urbana 10 9#Se asigna proporcionalmente la muestra a cada estrato#Recordemos la distribución proporcional de los estratos:nsizeProp## p## 1 313## 2 419#Cálculo del número de UPMs por estratob<-5aurbano<- ceiling(nsizeProp[1,1]/b)arural<- ceiling(nsizeProp[2,1]/b)#Unir en un solo objeto para facilitar input de funciónasizeppt<-rbind(aurbano,arural)asizeppt## [,1]## aurbano 63## arural 84#Selección de la muestra con PPT(sistemática)library(pps)muestrappt<-ppssstrat(sizes=UPMs$Mta,stratum=UPMs$ZONA,n=asizeppt[,1])muestraUPMs<-UPMs[muestrappt,]#Muestra de la selecciónhead(muestraUPMs)## Source: local data frame [6 x 3]## Groups: ZONA## ## ZONA SEGMENTO Mta## 1 Urbana 10 9## 2 Urbana 25 8## 3 Urbana 44 9## 4 Urbana 58 13## 5 Urbana 82 11## 6 Urbana 97 9tail(muestraUPMs)## Source: local data frame [6 x 3]## Groups: ZONA## ## ZONA SEGMENTO Mta## 1 Rural 1083 10## 2 Rural 1101 10## 3 Rural 1114 14## 4 Rural 1125 10## 5 Rural 1135 11## 6 Rural 1146 11#Verificar selección por estratoFreq(muestraUPMs$ZONA)## level freq perc cumfreq cumperc## 1 Urbana 63 0.429 63 0.429## 2 Rural 84 0.571 147 1.000#Procedimiento para seleccionar submuestras en cada cluster de tama?o fijo#Listado de segmentos seleccionadossegs<- unique(muestraUPMs$SEGMENTO)sample<- list()#Identifica el número de columna del id(se requiere para el ciclo)idcolnum<-which( colnames(df)=="id" )#Ciclo para seleccionar la muestra en cada segmentofor(i in 1:length(segs)){ subsample<-data.frame(df[which(df$SEGMENTO==segs[i]),]) sample[[i]]<-sys.sample(nrow(subsample),b) #Previene de los números que se pasan del total del segmento #if(sample[[i]][b]>nrow(subsample)){ # sample[[i]][b]<-1 # } #Asigna en cada elemento de las submuestras los elem. seleccionados sample[[i]]<-subsample[unlist(sample[[i]]),idcolnum] }#Genera el data frame de ids seleccionados(ya que estaban en una lista)sampledf<-data.frame(id=unlist(sample))#Uniendo el data frame de datos con la muestra seleccionada mendiante la llave creadamuestrappt<-inner_join(unique(sampledf),unique(df),by="id")#Verificar el procedimientohead(muestrappt)## id SEGMENTO CUESTIONARIO HOGAR ZONA TamHog phu## 1 3111Rural 3 11 1 Rural 6 0## 2 1011Urbana 10 1 1 Urbana 2 0## 3 1021Urbana 10 2 1 Urbana 6 0## 4 1031Urbana 10 3 1 Urbana 2 0## 5 1041Urbana 10 4 1 Urbana 5 0## 6 1051Urbana 10 5 1 Urbana 3 0Freq(muestrappt$ZONA)## level freq perc cumfreq cumperc## 1 Urbana 317 0.428 317 0.428## 2 Rural 424 0.572 741 1.000Dise?os de muestreo Complejos (paquete survey)Un paquete robusto para el cálculo correcto de estadísticos en dise?os complejos es el survey.A continuación se ejemplifica la función svydesign, la cuál establece los diferentes parámetros para poder calcular los errores muestrales adecuadamente.Inicialmente utilizaremos la muestra con ppt seleccionada en el ejercicio anterior.#Generar probabilidades#Recordemos las medidas de tama?o por UPM:UPMs## Source: local data frame [1,119 x 3]## Groups: ZONA## ## ZONA SEGMENTO Mta## 1 Urbana 2 7## 2 Urbana 4 9## 3 Urbana 5 9## 4 Urbana 8 13## 5 Urbana 9 10## 6 Urbana 10 9## 7 Urbana 11 12## 8 Urbana 12 9## 9 Urbana 16 6## 10 Urbana 18 8## .. ... ... ...#Cálculo de prob en Primera etapa#Estrato UrbanoUPMU<- UPMs %>% filter(ZONA=="Urbana") %>% group_by(ZONA) %>% mutate(fa=Mta/(sum(Mta)/aurbano), fb=b/Mta)#Estrato RuralUPMR<- UPMs %>% filter(ZONA=="Rural") %>% group_by(ZONA) %>% mutate(fa=Mta/(sum(Mta)/arural), fb=b/Mta)#Unir ambos estratosUPMs <- rbind(UPMU,UPMR)#Incluir probabilidades en data frame de muestramuestrappt2<- left_join(muestrappt,UPMs,by=c("SEGMENTO","ZONA"))#Cargar paquete de muestreo complejolibrary(survey)#Establecer el dise?o muestraldesign1<-svydesign(data=muestrappt2,id=~SEGMENTO+id, strata=~ZONA,pps="brewer",prob=~fa+fb)#Resumen del dise?osummary(design1)## Stratified 2 - level Cluster Sampling design (with replacement)## With (151, 741) clusters.## svydesign(data = muestrappt2, id = ~SEGMENTO + id, strata = ~ZONA, ## pps = "brewer", prob = ~fa + fb)## Probabilities:## Min. 1st Qu. Median Mean 3rd Qu. Max. ## 0.06533 0.06533 0.06533 0.06551 0.06576 0.06576 ## First-level Stratum Sizes: ## Rural Urbana## obs 424 317## design.PSU 88 63## actual.PSU 88 63## Data variables:## [1] "SEGMENTO" "ZONA" "id" "CUESTIONARIO"## [5] "HOGAR" "TamHog" "phu" "Mta" ## [9] "fa" "fb"Estadísticos en dise?os muestrales complejos#Calculando estadísticos de TamHogTamHogmc<- svymean(~TamHog,design=design1,deff=TRUE)#Media del Tama?o del hogarTamHogmc## mean SE DEff## TamHog 3.45115 0.10447 1.1018#Efecto del dise?odeff(TamHogmc)## TamHog ## 1.101787#Intervalo de confianzaconfint(TamHogmc)## 2.5 % 97.5 %## TamHog 3.246387 3.655921#Coeficiente de variacióncv(TamHogmc)## TamHog## TamHog 0.03027248#Diferencia relativadifRc<-paste0(abs(round((TamHogmc[1]-mean(df$TamHog))/mean(df$TamHog),3))*100,"%")De esta manera, con este ejercicio comprobamos que el valor estimado cumple con los requisitos del error relativo deseado en el cálculo del tama?o muestral, ya que la diferencia fue de 2.7% inferior al 5 % deseado.Ejemplo con dise?o complejo realFinalmente, se desarrollará un ejemplo con un dise?o complejo real,utilizando la ENAHO 2012.El dise?o muestral se detalla a continuación:Dise?o muestral: dise?o probabilístico, estratificado y bietápico. En la primera etapa se seleccionaron segmentos censales o unidades primarias de muestreo (UPM) con probabilidad proporcional al tama?o (PPT), y en la segunda etapa se seleccionaron las viviendas o unidades secundarias de muestreo (USM) con probabilidades iguales de selección dentro de cada segmento, mediante muestreo sistemático con arranque aleatorio.Dominios de estudio: las seis regiones de planificación y las zonas urbana y rural.#Objetos para generar variables(debido a que el Dataframe de ENAHO2012 tiene las labels del SPSS y no los valores)profesionales<- c("Profesionales científicos e intelectuales")tecnicos<- c("Técnicos y profesionales de nivel medio")#Generando df de ENAHO2012 a nivel de hogardf12<- ENAHO2012 %>% #Define nuevo data frame mutate(pobre=ifelse(np=="No pobre",0,1), #Crea variable de pobreza. Profesional=ifelse(OcupFuerzaTrab==profesionales,1,0), #Crea flag de Profesional. Tecnico=ifelse(OcupFuerzaTrab==tecnicos,1,0)) %>% #Crea flag de tecnico. select(FACTOR:ZONA,pobre,Profesional,Tecnico,ipcn) %>% #Selecciona variables de interés. group_by(SEGMENTO,CUESTIONARIO,HOGAR,ZONA,REGION) %>% #Genera esquema de agrupación. summarise(Factor=mean(FACTOR), pobre=mean(pobre), Profesionales=sum(Profesional), Tecnicos=sum(Tecnico), Ingreso=mean(ipcn)) %>% mutate(id=paste0(SEGMENTO,CUESTIONARIO,HOGAR,ZONA,REGION)) #Genera id único para uso posterior.#Establecer el dise?o muestraldesign2<-svydesign(data=df12,id=~SEGMENTO+id, strata=~REGION+ZONA,pps="brewer",weights=~Factor)summary(design2)## Stratified 2 - level Cluster Sampling design (with replacement)## With (1120, 11374) clusters.## svydesign(data = df12, id = ~SEGMENTO + id, strata = ~REGION + ## ZONA, pps = "brewer", weights = ~Factor)## Probabilities:## Min. 1st Qu. Median Mean 3rd Qu. Max. ## 0.001403 0.008065 0.015380 0.016030 0.021280 0.062500 ## First-level Stratum Sizes: ## Central Chorotega Pacífico Central Brunca Huetar Atlántica## obs 4940 1220 1144 1598 1218## design.PSU 468 116 124 160 128## actual.PSU 468 116 124 160 128## Huetar Norte## obs 1254## design.PSU 124## actual.PSU 124## Data variables:## [1] "SEGMENTO" "CUESTIONARIO" "HOGAR" "ZONA" ## [5] "REGION" "Factor" "pobre" "Profesionales"## [9] "Tecnicos" "Ingreso" "id"#Calculando estadísticos de Pobreza por hogar nacionales#Porcentaje de pobrezapobremc<- svymean(~pobre,design=design2,deff=TRUE,na.rm=TRUE)#Media de pobrezapobremc## mean SE DEff## pobre 0.2067336 0.0063786 2.836#Efecto del dise?odeff(pobremc)## pobre ## 2.835952#Intervalo de confianzaconfint(pobremc)## 2.5 % 97.5 %## pobre 0.1942318 0.2192355#Coeficiente de variacióncv(pobremc)## pobre## pobre 0.0308542#Total de pobrespobretmc<-svytotal(~pobre,design=design2, deff=TRUE,na.rm=TRUE)pobretmc## total SE DEff## pobre 279514 10334 4.0715#Efecto del dise?odeff(pobretmc)## pobre ## 4.071516#Intervalo de confianzaconfint(pobretmc)## 2.5 % 97.5 %## pobre 259260.8 299767.2#Coeficiente de variacióncv(pobretmc)## pobre## pobre 0.03696945#Estimación de quantiles(Ingreso per cápita)ingresoq<- svyquantile(~Ingreso,quantile= seq(0.2,1,0.2),design=design2, deff=TRUE,na.rm=TRUE)ingresoq## 0.2 0.4 0.6 0.8 1## Ingreso 85889.4 149602.9 245042.2 433385 13059042#Cálculo de razón(Profesionales/Técnicos)ptratio<- svyratio(~Profesionales, ~Tecnicos, design=design2, deff=TRUE,na.rm=TRUE)ptratio## Ratio estimator: svyratio.survey.design2(~Profesionales, ~Tecnicos, design = design2, ## deff = TRUE, na.rm = TRUE)## Ratios=## Tecnicos## Profesionales 1.257501## SEs=## Tecnicos## Profesionales 0.1431679#Efecto del dise?odeff(ptratio)## [1] 2.278801#Intervalo de confianzaconfint(ptratio)## 2.5 % 97.5 %## Profesionales/Tecnicos 0.9768973 1.538105#Coeficiente de variacióncv(ptratio)## Tecnicos## Profesionales 0.1138511#Estimaciones por estrato(Zona)pobremZ<-svyby(~pobre, ~ZONA, design2, svymean,deff=TRUE,na.rm=TRUE)#Media de pobreza por zonapobremZ## ZONA pobre se DEff.pobre## Urbana Urbana 0.1834762 0.008193071 2.200074## Rural Rural 0.2714831 0.007898585 2.071340#Efecto del dise?odeff(pobremZ)## [1] 2.200074 2.071340#Intervalo de confianzaconfint(pobremZ)## 2.5 % 97.5 %## Urbana 0.1674180 0.1995343## Rural 0.2560022 0.2869640#Coeficiente de variacióncv(pobremZ)## Urbana Rural ## 0.04465469 0.02909420#Estimaciones por estrato(Región)pobremR<-svyby(~pobre,~REGION, design2, svymean,deff=TRUE,na.rm=TRUE)#Media de pobreza por zonapobremR## REGION pobre se DEff.pobre## Central Central 0.1613506 0.008443248 2.602328## Chorotega Chorotega 0.3356425 0.018022067 1.795762## Pacífico Central Pacífico Central 0.2688588 0.022885659 3.090166## Brunca Brunca 0.3332134 0.021407389 3.339586## Huetar Atlántica Huetar Atlántica 0.2480790 0.020845431 2.861739## Huetar Norte Huetar Norte 0.2320398 0.017439694 2.156538#Efecto del dise?odeff(pobremR)## [1] 2.602328 1.795762 3.090166 3.339586 2.861739 2.156538#Intervalo de confianzaconfint(pobremR)## 2.5 % 97.5 %## Central 0.1448021 0.1778990## Chorotega 0.3003199 0.3709651## Pacífico Central 0.2240038 0.3137139## Brunca 0.2912557 0.3751712## Huetar Atlántica 0.2072227 0.2889353## Huetar Norte 0.1978586 0.2662210#Coeficiente de variacióncv(pobremR)## Central Chorotega Pacífico Central Brunca ## 0.05232859 0.05369424 0.08512146 0.06424527 ## Huetar Atlántica Huetar Norte ## 0.08402738 0.07515820#Estimaciones combinadaspobremZR<-svyby(~pobre,~REGION+ZONA, design2, svymean,deff=TRUE,na.rm=TRUE)Costa Rica:Estimaciones de pobreza por estrato Región Zona % Pobreza SE DEFF Central Urbana 15.80 0.96 1.80 Chorotega Urbana 31.03 2.43 1.66 Pacífico Central Urbana 27.58 3.20 2.26 Brunca Urbana 27.95 4.03 3.21 Huetar Atlántica Urbana 22.27 3.34 1.92 Huetar Norte Urbana 18.05 2.15 1.81 Central Rural 18.34 0.95 1.44 Chorotega Rural 36.56 2.62 1.86 Pacífico Central Rural 25.54 2.62 2.61 Brunca Rural 37.56 1.97 2.02 Huetar Atlántica Rural 28.35 1.68 1.31 Huetar Norte Rural 26.00 2.34 1.95 Fuente:ENAHO 2012,INEC Resumen de las funciones más relevantes utilizadasPaqueteTipoFunciónBaseSelección de muestrasample(x=data, size=n, replace = FALSE, prob = NULL)dplyrSelección de muestrasample_n(tbl=dataframe, size=n, replace = FALSE, weight = NULL, .env = parent.frame())SamplingUtilSelección de muestra(sistemática)sys.sample(N=Total, n=muestra)SamplingUtilTama?o de muestransize(x=data, r = error_relativo, abs = error_absoluto, alpha = 0.05)SamplingUtilTama?o de muestra(Estratificada)nstrata(n=tama?o muestra, wh=vector pesos, sh = vector desviaciones, ch = vector de costos, method = c("proportional","optimal", "neyman")DescToolsIntervalos de ConfianzaMeanCI(variable=df$variable,conf.level = 0.95, na.rm = FALSE)ppsSelección PPT sistemáticappssstrat(UPMs$Mta,UPMs$Estrato,asize=Tama?o muestra por Estrato)surveyConfiguración de dise?o complejosvydesign(data=dataframe,id=~ID_Etapa_1+...+ID_Etapa i,strata=~Estrato_1+...+Estrato_n,pps="brewer",prob=~fa+...+fk)+weights=Factor ExpansiónsurveyEstimación compleja(media)svymean(~variable,dise?o,deff=TRUE,na.rm=TRUE)surveyEstimación compleja(estratos)svyby(~variable,~Estrato 1+...+Estrato_n,dise?o,c(svymean,svyratio,svytotal),deff=TRUE,na.rm=TRUE)surveyEstimación compleja(cuantiles)svyquantile(~variable,quantile= vector de valores,dise?o, deff=TRUE,na.rm=TRUE)surveyEstimación compleja(razones)svyratio(~denominador,~numerador,dise?o, deff=TRUE,na.rm=TRUE)surveyEstimación compleja(totales)svytotal(~variable,dise?o, deff=TRUE,na.rm=TRUE)surveyEstimación compleja(Intervalo)confint(Objeto de svymean,svyratio,svytotal)surveyEstimación compleja(Coeficiente de variación)cv(Objeto de svymean,svyratio,svytotal)surveyEstimación compleja(Efecto del dise?o)deff(Objeto de svymean,svyratio,svytotal)Repositorio del tutorialVer el código original para reproducir todos los ejercicios de este tutorial.Sesión de RsessionInfo()## R version 3.1.1 (2014-07-10)## Platform: x86_64-w64-mingw32/x64 (64-bit)## ## locale:## [1] LC_COLLATE=Spanish_Spain.1252 LC_CTYPE=Spanish_Spain.1252 ## [3] LC_MONETARY=Spanish_Spain.1252 LC_NUMERIC=C ## [5] LC_TIME=Spanish_Spain.1252 ## ## attached base packages:## [1] grid stats graphics grDevices utils datasets methods ## [8] base ## ## other attached packages:## [1] ggplot2_1.0.0.99 tidyr_0.1 stargazer_5.1 ## [4] survey_3.30-3 pps_0.94 DescTools_0.99.8.1## [7] SamplingUtil_0.1.9 dplyr_0.3.0.2 ## ## loaded via a namespace (and not attached):## [1] assertthat_0.1 boot_1.3-11 colorspace_1.2-4 ## [4] DBI_0.3.1 digest_0.6.4 evaluate_0.5.5 ## [7] formatR_1.0 gtable_0.1.2 htmltools_0.2.6 ## [10] knitr_1.7 knitrBootstrap_1.0.0 labeling_0.2 ## [13] lazyeval_0.1.9 magrittr_1.0.1 markdown_0.7.4 ## [16] MASS_7.3-33 mime_0.2 munsell_0.4.2 ## [19] parallel_3.1.1 plyr_1.8.1 proto_0.3-10 ## [22] Rcpp_0.11.2 reshape2_1.4 rmarkdown_0.3.3 ## [25] scales_0.2.4 stringr_0.6.2 tcltk_3.1.1 ## [28] tools_3.1.1 yaml_2.1.13Referencias[1]. ................
................

In order to avoid copyright disputes, this page is only a partial summary.

Google Online Preview   Download