diff --git a/README.md b/README.md index 25c5905..c5961cd 100644 --- a/README.md +++ b/README.md @@ -1,6 +1,5 @@ [![R-CMD-check](https://github.com/r-lib/usethis/actions/workflows/R-CMD-check.yaml/badge.svg)](https://github.com/r-lib/usethis/actions/workflows/R-CMD-check.yaml) - # Índice de Marginación en México ## Introducción @@ -9,7 +8,7 @@ El Índice de Marginación es una herramienta que evalúa las condiciones de car ## Metodología de Estimación -El Índice de Marginación a nivel estatal se basa en datos del Censo de Población y Vivienda 2020, Censo de Población y Vivienda 2010 y la Encuesta Intercensal 2015, utilizando nueve indicadores socioeconómicos. Se emplea el Método de Distancia `DP2` para comparaciones temporales y espaciales, asegurando robustez estadística y comparabilidad a lo largo del tiempo y entre regiones. +El Índice de Marginación a nivel estatal se basa en datos del Censo de Población y Vivienda 2020, Censo de Población y Vivienda 2010 y la Encuesta Intercensal 2015, utilizando nueve indicadores socioeconómicos. Se emplea el Método de Distancia `DP2` para comparaciones temporales y espaciales, asegurando robustez estadística y comparabilidad a lo largo del tiempo y entre regiones. ## Beneficios del Método DP2 @@ -19,10 +18,10 @@ El Método DP2 permite comparaciones precisas entre diferentes niveles geográfi Este proyecto contiene los siguientes archivos y directorios principales: -- **_bookdown.yml**: Archivo de configuración de `bookdown`.\ +- **\_bookdown.yml**: Archivo de configuración de `bookdown`.\ - **index.Rmd**: El archivo principal del libro.\ - **01-Indicadores.Rmd**, **02-Datos.Rmd**, etc.: Archivos de contenido del libro, uno por capítulo.\ -- **_output.yml**: Archivo de configuración de salida.\ +- **\_output.yml**: Archivo de configuración de salida.\ - **docs/**: Directorio donde se generarán los archivos HTML del libro.\ - **README.md**: Este archivo. @@ -35,12 +34,10 @@ Para compilar este libro necesitas tener instalados los siguientes programas y p - Paquete `bookdown`: Puedes instalarlo desde CRAN ejecutando `install.packages("bookdown")` - **Nota**: la paquetería `r paste("p2distance (>= ", packageVersion('p2distance'), ")", sep = "")`, no se encuentra actualizada dentro del `CRAN` pero se encuentra dentro de sus repositorios. -```` -```{r} +```{{r}} install.packages("https://cran.r-project.org/src/contrib/Archive/p2distance/p2distance_1.0.1.tar.gz") ``` -```` ### Bookdown -**Enlace**: https://dvillasanao.github.io/IME_2010_2020/ +**Enlace**: diff --git a/Scripts DP2.Rmd b/Scripts DP2.Rmd deleted file mode 100644 index a9039ec..0000000 --- a/Scripts DP2.Rmd +++ /dev/null @@ -1,130 +0,0 @@ ---- -title: "Índice de marginación a nivel estatal 2010 - 2020" -author: "Diana Villasana Ocampo" -site: bookdown::bookdown_site -documentclass: book -bibliography: [book.bib, packages.bib] -url: https://github.com/dvillasanao/IME_2010_2020 -cover-image: https://raw.githubusercontent.com/mxabierto/assets/master/img/logos/conapo.png -description: | - This is a minimal example of using the bookdown package to write a book. - The HTML output format for this example is bookdown::bs4_book, - set in the _output.yml file. -biblio-style: apalike -csl: chicago-fullnote-bibliography.csl ---- - -# Índice de marginación a nivel estatal {.unlisted .unnumbered} - -Placeholder - - - - - - -# Indicadores simples {.unlisted .unnumbered} - -Placeholder - - -### Porcentaje de población analfabeta de 15 años o más $(I_{1}^{i})$ {-} -### Porcentaje de población de 15 años o más sin educación básica $(I_{2}^{i})$ {-} -### Porcentaje de ocupantes en viviendas particulares sin drenaje ni sanitario $(I_{3}^{i})$ {-} -### Porcentaje de ocupantes en viviendas particulares sin energía eléctrica $(I_{4}^{i})$ {-} -### Porcentaje de ocupantes en viviendas particulares sin agua entubada $(I_{5}^{i})$ {-} -### Porcentaje de ocupantes en viviendas particulares con piso de tierra $(I_{6}^{i})$ {-} -### Porcentaje de ocupantes en viviendas particulares con hacinamiento $(I_{7}^{i})$ {-} -### Porcentaje de población en localidades con menos de cinco mil habitantes $(I_{8}^{i})$ {-} -### Porcentaje de población ocupada con ingresos de hasta dos salarios mínimos $(I_{9}^{i})$ {-} - - - - -# Base de datos {.unlisted .unnumbered} - -Placeholder - - - - - - -# Análisis de correlaciones {.unlisted .unnumbered} - -Placeholder - - - - - - -# Método de Distancias $DP2$ {.unlisted .unnumbered} - -Placeholder - - -## Base de referencia {-} -## Método de Distancia $DP_{2}$ {-} - - - - -# Método de estratificación {.unlisted .unnumbered} - -Placeholder - - -### Método de estratificación de Dalenius & Hodges {-} -## Número óptimo de clases del método de Dalenius & Hodge {-} -#### Número óptimo de clases {-} -### Límites de los estratos {-} - - - - -# Índice normalizado {.unlisted .unnumbered} - -Placeholder - - -## Desviación estándar de los indicadores simples {-} -## Escenarios extremos {-} -## Índice normalizado {-} - - - - -# Validación de datos {.unlisted .unnumbered} - -Placeholder - - -## Orden de entrada de las variables {-} -## Coeficiente de correlación {-} -## Factor de corrector {-} -## Coeficiente de Discriminación {-} -## “Cantidad de Información Global de Ivanovic Pena Relativa Individual” {-} - - - - -# Resumen {.unlisted .unnumbered} - -Placeholder - - -## Mapa a nivel estatal {.unnumbered} -## Comparación en el tiempo {.unnumbered} - - - - -# Referencias {.unlisted .unnumbered} - -Placeholder - - - - - diff --git a/Scripts-DP2.html b/Scripts-DP2.html deleted file mode 100644 index da5625a..0000000 --- a/Scripts-DP2.html +++ /dev/null @@ -1,305 +0,0 @@ - - - - - - - Índice de marginación a nivel estatal 2010 - 2020 - - - - - - - - https://github.com/dvillasanao/IME_2010_2020" /> - https://github.com/dvillasanao/IME_2010_2020/https://raw.githubusercontent.com/mxabierto/assets/master/img/logos/conapo.png" /> - - - - - - - https://github.com/dvillasanao/IME_2010_2020/https://raw.githubusercontent.com/mxabierto/assets/master/img/logos/conapo.png" /> - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
- - - - -
-
- Skip to main content - -
-

- Índice de marginación a nivel estatal 2010 - 2020 -

- -
- - -
- -
- - -
-

Índice de marginación a nivel estatal

-

Placeholder

- -
-
-

Indicadores simples

-

Placeholder

-
-

Porcentaje de población analfabeta de 15 años o más \((I_{1}^{i})\)

-
-
-

Porcentaje de población de 15 años o más sin educación básica \((I_{2}^{i})\)

-
-
-

Porcentaje de ocupantes en viviendas particulares sin drenaje ni sanitario \((I_{3}^{i})\)

-
-
-

Porcentaje de ocupantes en viviendas particulares sin energía eléctrica \((I_{4}^{i})\)

-
-
-

Porcentaje de ocupantes en viviendas particulares sin agua entubada \((I_{5}^{i})\)

-
-
-

Porcentaje de ocupantes en viviendas particulares con piso de tierra \((I_{6}^{i})\)

-
-
-

Porcentaje de ocupantes en viviendas particulares con hacinamiento \((I_{7}^{i})\)

-
-
-

Porcentaje de población en localidades con menos de cinco mil habitantes \((I_{8}^{i})\)

-
-
-

Porcentaje de población ocupada con ingresos de hasta dos salarios mínimos \((I_{9}^{i})\)

- -
-
-
-

Base de datos

-

Placeholder

- -
-
-

Análisis de correlaciones

-

Placeholder

- -
-
-

Método de Distancias \(DP2\)

-

Placeholder

-
-

Base de referencia

-
-
-

Método de Distancia \(DP_{2}\)

- -
-
-
-

Método de estratificación

-

Placeholder

-
-

Método de estratificación de Dalenius & Hodges

-
-
-

Número óptimo de clases del método de Dalenius & Hodge

-
-

Número óptimo de clases

-
-
-

Límites de los estratos

- -
-
-
-
-

Índice normalizado

-

Placeholder

-
-

Desviación estándar de los indicadores simples

-
-
-

Escenarios extremos

-
-
-

Índice normalizado

- -
-
-
-

Validación de datos

-

Placeholder

-
-

Orden de entrada de las variables

-
-
-

Coeficiente de correlación

-
-
-

Factor de corrector

-
-
-

Coeficiente de Discriminación

-
-
-

“Cantidad de Información Global de Ivanovic Pena Relativa Individual”

- -
-
-
-

Resumen

-

Placeholder

-
-

Mapa a nivel estatal

-
-
-

Comparación en el tiempo

- -
-
-
-

Referencias

-

Placeholder

- -
- -
- -
- -
- -
-
- - - - - - - - - - diff --git a/docs/base-de-datos.html b/docs/base-de-datos.html index fa5d24f..8d7f1c6 100644 --- a/docs/base-de-datos.html +++ b/docs/base-de-datos.html @@ -109,7 +109,7 @@

Base de datos dplyr::mutate(ANIO = as.factor(.$ANIO))) }
-
+
diff --git a/docs/index.html b/docs/index.html index e456243..cc8bcf6 100644 --- a/docs/index.html +++ b/docs/index.html @@ -77,14 +77,14 @@

  • Resumen
  • Referencias
    • -
    + +

    View book source

    Índice de marginación a nivel estatal -

    El índice de marginación del Consejo Nacional de Población (CONAPO) celebra 30 años desde su primera publicación en 1990, originalmente en conjunto con la Comisión Nacional del Agua. A lo largo de tres décadas, este índice ha demostrado ser una herramienta crucial para programas y políticas públicas enfocadas en la identificación de poblaciones objetivo y la asignación de subsidios.

    Historia y Evolución:

    @@ -107,9 +107,9 @@

    Índice de marginación a nivel estatalDatos abiertos de México datos.gob.mx

    Publicación Índice De Marginación Por Entidad Federativa Y Municipio 2020.

    Índice de marginación a nivel municipal Bookdown
    Índice de marginación a nivel localidad Bookdown
    Índice de marginación a nivel AGEB Bookdown
    Índice de marginación a nivel Colonia Bookdown

    -
    +
    -

    +
    @@ -191,23 +191,21 @@

    Índice de marginación a nivel estatal32

    -
    Nacional: Población y unidades geograficas según el grado de marginación, 2010-2020
    +
     -
    -
    -
    -
    diff --git "a/docs/m\303\251todo-de-distancias-dp2.html" "b/docs/m\303\251todo-de-distancias-dp2.html" index 58e46a0..ffc55e8 100644 --- "a/docs/m\303\251todo-de-distancias-dp2.html" +++ "b/docs/m\303\251todo-de-distancias-dp2.html" @@ -123,7 +123,7 @@

    Base de referencia-85.5702744072091), # PO2SM nm = c("ANALF", "SBASC", "OVSDE", "OVSEE", "OVSAE", "VHAC", "OVPT","PL.5000", "PO2SM"))) }

    -
    +
    @@ -186,7 +186,7 @@

    Método de Distancia \(DP_{2}\)
     iteration <- lapply(1:3, function(x) get(paste0("ind_", tablas[x]))[["iteration"]])
    -
    +

    diff --git "a/docs/m\303\251todo-de-estratificaci\303\263n.html" "b/docs/m\303\251todo-de-estratificaci\303\263n.html" index 0b3ae14..f19a6af 100644 --- "a/docs/m\303\251todo-de-estratificaci\303\263n.html" +++ "b/docs/m\303\251todo-de-estratificaci\303\263n.html" @@ -138,7 +138,7 @@

    Número óptimo de clases del método de Dalenius & Hodgeend.time <- Sys.time() time.taken <- round(end.time - start.time, 2) time.taken -#> Time difference of 0.14 secs +#> Time difference of 0.15 secs

    Número óptimo de clases

    @@ -150,7 +150,7 @@

    Número óptimo de clasesas.data.frame() %>% slice(which.min(.$CV)) }

    -
    +

    @@ -237,7 +237,7 @@

    Límites de los estratoslimites <- data.frame("2010" = c(min(DP2_2010$IM_2010), strata.DP2_2010$bh, max(DP2_2010$IM_2010)), "2015" = c(min(DP2_2015$IM_2015), strata.DP2_2015$bh, max(DP2_2015$IM_2015)), "2020" = c(min(DP2_2020$IM_2020), strata.DP2_2020$bh, max(DP2_2020$IM_2020))) -
    +

    diff --git a/docs/resumen.html b/docs/resumen.html index 7afde35..2833a29 100644 --- a/docs/resumen.html +++ b/docs/resumen.html @@ -81,7 +81,7 @@

    Resumen

    El índice de marginación permite clasificar las entidades federativas según el impacto global de las carencias que sufre la población debido a la falta de acceso a la educación, la residencia en viviendas inadecuadas, los bajos ingresos monetarios y la falta de servicios de salud, equipamientos e infraestructura adecuada en las localidades. Estas condiciones crean una estructura precaria de oportunidades que obstruye el pleno desarrollo del potencial humano.

    -
    +
    diff --git a/docs/search.json b/docs/search.json index e1aca96..285f66e 100644 --- a/docs/search.json +++ b/docs/search.json @@ -1 +1 @@ -[{"path":"index.html","id":"índice-de-marginación-a-nivel-estatal","chapter":"Índice de marginación a nivel estatal","heading":"Índice de marginación a nivel estatal","text":"El índice de marginación del Consejo Nacional de Población (CONAPO) celebra 30 años desde su primera publicación en 1990, originalmente en conjunto con la Comisión Nacional del Agua. lo largo de tres décadas, este índice ha demostrado ser una herramienta crucial para programas y políticas públicas enfocadas en la identificación de poblaciones objetivo y la asignación de subsidios.Historia y Evolución:Décadas de 1970 y 1980: Inicios de ejercicios de medición de aspectos relacionados con la desigualdad.Décadas de 1970 y 1980: Inicios de ejercicios de medición de aspectos relacionados con la desigualdad.1990: Primera publicación oficial del índice, utilizando el Análisis de Componentes Principales (ACP). Este método permitió simplificar la información en un indicador sintético pero carecía de comparabilidad temporal.1990: Primera publicación oficial del índice, utilizando el Análisis de Componentes Principales (ACP). Este método permitió simplificar la información en un indicador sintético pero carecía de comparabilidad temporal.Demanda de Comparabilidad: La necesidad de comparabilidad en el tiempo llevó una revisión metodológica, impulsada por usuarios académicos y gubernamentales.Demanda de Comparabilidad: La necesidad de comparabilidad en el tiempo llevó una revisión metodológica, impulsada por usuarios académicos y gubernamentales.Cambio Metodológico:Nueva Técnica: Se adoptó la técnica de Distancias Ponderadas al Cuadrado para las estimaciones de 2020. Esta técnica garantiza la comparabilidad temporal y mejora el procesamiento de datos, elevando la calidad de los resultados.Ajustes en Indicadores: Se realizaron ajustes para alinear las estimaciones con las recomendaciones de organismos nacionales e internacionales.Método de Estratificación: Se mantuvo la técnica de estratificación de Dalenius y Hodges para el cálculo de los estratos del índice.Impacto y Futuro:El objetivo principal de este índice es proporcionar información objetiva y cuantitativa sobre las disparidades socioeconómicas entre las entidades federativas, de manera que se pueda orientar la toma de decisiones y la asignación de recursos para reducir la marginación y promover un desarrollo más equitativo en el país. La información proporcionada por el índice de marginación permite identificar las entidades federativas con mayores niveles de marginación y desigualdad, así como aquellas que presentan avances y mejoras en su desarrollo socioeconómico. Esto facilita la identificación de buenas prácticas y la generación de estrategias de intervención focalizadas en áreas específicas.Base de datos de los tres años se encuentran disponibles en la página oficial de CONAPODatos abiertos de México datos.gob.mxPublicación Índice De Marginación Por Entidad Federativa Y Municipio 2020.Índice de marginación nivel municipal BookdownÍndice de marginación nivel localidad BookdownÍndice de marginación nivel AGEB BookdownÍndice de marginación nivel Colonia Bookdown","code":""},{"path":"indicadores-simples.html","id":"indicadores-simples","chapter":"Indicadores simples","heading":"Indicadores simples","text":"El índice de marginación considera cuatro dimensiones estructurales, identifica nueve formas de exclusión y mide su intensidad espacial como porcentaje de la población que participa del disfrute de bienes y servicios esenciales para el desarrollo de sus capacidades básicas. continuación pueden verse las nueve formas de exclusión social de origen estructural que capta el índice de marginación, así como los indicadores utilizados.","code":""},{"path":"indicadores-simples.html","id":"porcentaje-de-población-analfabeta-de-15-años-o-más-i_1i","chapter":"Indicadores simples","heading":"Porcentaje de población analfabeta de 15 años o más \\((I_{1}^{i})\\)","text":"El indicador se obtiene dividiendo el monto de población de 15 años o más que declaró saber leer y escribir un recado, entre la diferencia de la población total de 15 años o más y aquellos que especificaron su condición de alfabetismo:\\[I_{1}^{}=\\frac{PAN_{15+}^{}}{P_{15+}^{}- PNEALF_{15+}^{}}×100\\]donde:\\(PAN_{15+}^{}\\): es la población de 15 años o más analfabeta,\\(P_{15+}^{}\\): es la población total de 15 años o más, y\\(PNEALF_{15+}^{}\\): es la población de 15 años o más que especificó su condición de alfabetismo.","code":""},{"path":"indicadores-simples.html","id":"porcentaje-de-población-de-15-años-o-más-sin-educación-básica-i_2i","chapter":"Indicadores simples","heading":"Porcentaje de población de 15 años o más sin educación básica \\((I_{2}^{i})\\)","text":"El indicador mide la magnitud de la población sin educación básica completa. Su cálculo se realiza en dos etapas. En la primera, la población que especificó su último grado aprobado en secundaria o en estudios técnicos o comerciales con primaria terminada, se distribuye entre la población que aprobó entre uno y dos grados en estos mismos niveles educativos, aplicando la siguiente fórmula:\\[{PSI}_{15+}^{}={PSCI}_{15+}^+\\left[\\frac{{PSCI}_{15+}^}{{PSCI}_{15+}^+{PSCC}_{15+}^}\\times{PNEGS}_{15+}^\\right]\\]donde:\\(P{SI}_{15+}^{}\\): es la población de 15 años o más que aprobó entre el primer y segundo grado de secundaria o estudios técnicos o comerciales con primaria terminada con los especificados de estos niveles educativos ya distribuidos,\\({PSCI}_{15+}^{}\\): es la población de 15 años o más que declaró haber aprobado entre el primer y segundo grado de secundaria o estudios técnicos o comerciales con primaria terminada,\\({PSCC}_{15+}^{}\\): es la población de 15 años o más que cursó el tercer grado en secundaria o tres o cuatro grados en estudios técnicos o comerciales con primaria terminada, y\\({PNEGS}_{15+}^{}\\): es la población de 15 años o más que especificó su último grado cursado en secundaria o en estudios técnicos o comerciales con primaria terminada.Con el dato de la población con estudios truncos en secundaria o en estudios técnicos o comerciales con primaria terminada, se procedió calcular el indicador de porcentaje de población sin educación básica. Este porcentaje se calcula dividiendo la población de 15 años o más sin educación básica, entre la diferencia de la población total de 15 años o más y aquellos que especificaron su nivel educativo:\\[I_{2}^{}=\\frac{{PSIN}_{15+}^+{PPI}_{15+}^+{PSI}_{15+}^}{P_{15+}^-{PNEIN}_{15+}^}\\times100\\]donde:\\({PSIN}_{15+}^{}\\): es la población de 15 años o más sin instrucción,\\({PPI}_{15+}^{}\\): es la población de 15 años o más con algún grado en educación primaria,\\({PSI}_{15+}^{}\\): es la población de 15 años o más con nivel incompleto de secundaria o estudios técnicos o comerciales con primaria terminada,\\(P_{15+}^{}\\): es la población total de 15 años o más, y\\({PNEIN}_{15+}^{}\\): es la población de 15 años o más que especificó su nivel de instrucción.","code":""},{"path":"indicadores-simples.html","id":"porcentaje-de-ocupantes-en-viviendas-particulares-sin-drenaje-ni-sanitario-i_3i","chapter":"Indicadores simples","heading":"Porcentaje de ocupantes en viviendas particulares sin drenaje ni sanitario \\((I_{3}^{i})\\)","text":"Este porcentaje se obtiene al dividir el número de ocupantes de viviendas particulares sin drenaje ni sanitario, entre el número de ocupantes en viviendas particulares, menos el número de ocupantes de viviendas particulares en donde se especificó la disponibilidad de drenaje ni sanitario:\\[I_{3}^{}=\\frac{{OVSDS}^{}}{{OVP}^{}-{ONEDS}^{}}\\times100\\]donde:\\({OVSDS}^{}\\): son los ocupantes de viviendas particulares sin disponibilidad de drenaje ni sanitario,\\({OVP}^{}\\): es el total de ocupantes en viviendas particulares, y\\({ONEDS}^{}\\): son los ocupantes de viviendas particulares en donde se especificó la disponibilidad de drenaje ni sanitario.","code":""},{"path":"indicadores-simples.html","id":"porcentaje-de-ocupantes-en-viviendas-particulares-sin-energía-eléctrica-i_4i","chapter":"Indicadores simples","heading":"Porcentaje de ocupantes en viviendas particulares sin energía eléctrica \\((I_{4}^{i})\\)","text":"Este indicador se obtiene al dividir el número de ocupantes de viviendas particulares sin disponibilidad de energía eléctrica, entre el número de ocupantes en viviendas particulares menos el número de ocupantes de viviendas particulares en donde se especificó la existencia de luz eléctrica:\\[I_{4}^{}=\\frac{{OSEE}^}{{OVP}^{}-{ONEEE}^{}}\\times100\\]\ndonde:\\({OVSDS}^{}\\): son los ocupantes de viviendas particulares sin disponibilidad de drenaje ni sanitario,\\({OVP}^{}\\): es el total de ocupantes en viviendas particulares, y\\({ONEDS}^{}\\): son los ocupantes de viviendas particulares en donde se especificó la disponibilidad de drenaje ni sanitario.","code":""},{"path":"indicadores-simples.html","id":"porcentaje-de-ocupantes-en-viviendas-particulares-sin-agua-entubada-i_5i","chapter":"Indicadores simples","heading":"Porcentaje de ocupantes en viviendas particulares sin agua entubada \\((I_{5}^{i})\\)","text":"Para obtener este indicador se divide el número de ocupantes en viviendas particulares que disponen de agua entubada, entre la diferencia del total de ocupantes en viviendas particulares y el total de ocupantes en viviendas en donde se especificó la disponibilidad de agua entubada:\\[I_{5}^{}=\\frac{{OSAE}^}{{OVP}^-{ONEAE}^}\\times100\\]donde:\\({OSAE}^{}\\): son los ocupantes de viviendas particulares sin disponibilidad de agua entubada,\\({OVP}^{}\\): es el total de ocupantes en viviendas particulares, y\\({ONEAE}^{}\\): son los ocupantes de viviendas particulares en donde se especificó la disponibilidad de agua entubada.","code":""},{"path":"indicadores-simples.html","id":"porcentaje-de-ocupantes-en-viviendas-particulares-con-piso-de-tierra-i_6i","chapter":"Indicadores simples","heading":"Porcentaje de ocupantes en viviendas particulares con piso de tierra \\((I_{6}^{i})\\)","text":"En este indicador se identifican los ocupantes de viviendas particulares con piso de tierra y se divide entre el total de ocupantes en viviendas particulares, menos el número de ocupantes de viviendas particulares en donde se especificó el material predominante en pisos:\\[I_{6}^{}=\\frac{{OPT}^}{{OVP}^-{ONEMP}^}\\times100\\]donde:\\({OPT}^{}\\): son los ocupantes de viviendas particulares con piso de tierra,\\({OVP}^{}\\): es el total de ocupantes en viviendas particulares, y\\({ONEMP}^{}\\): son los ocupantes de viviendas particulares en las que se especificó el material predominante en pisos.","code":""},{"path":"indicadores-simples.html","id":"porcentaje-de-ocupantes-en-viviendas-particulares-con-hacinamiento-i_7i","chapter":"Indicadores simples","heading":"Porcentaje de ocupantes en viviendas particulares con hacinamiento \\((I_{7}^{i})\\)","text":"El procedimiento para el cálculo de este indicador constó de dos etapas. Primero, en cada vivienda particular habitada se dividió el número de ocupantes entre el número de cuartos dormitorio, para identificar las viviendas con hacinamiento:\\[VHAC=\\frac{OVP}{CDVP}\\]\ndonde:\\(VHAC\\): es la vivienda con hacinamiento,\\(OVP\\): es el número de ocupantes que residen habitualmente una vivienda particular, y\\(CDVP\\): es el número de cuartos dormitorio en una vivienda particular.En la segunda fase de cálculo, se dividió el número de ocupantes en viviendas particulares con hacinamiento, entre el total de ocupantes en viviendas particulares habitadas menos el número de ocupantes en viviendas particulares habitadas donde se especificó el número de cuartos dormitorio:\\[I_{7}^{}=\\frac{O{VHAC}^}{{OVP}^-{ONECD}^}\\times100\\]donde:\\({OVHAC}^{}\\): son los ocupantes en viviendas particulares con hacinamiento,\\({OVP}^{}\\): es el total de ocupantes en viviendas particulares, y\\({ONECD}^{}\\): son los ocupantes en viviendas particulares en donde se especificó el número de cuartos dormitorio.","code":""},{"path":"indicadores-simples.html","id":"porcentaje-de-población-en-localidades-con-menos-de-cinco-mil-habitantes-i_8i","chapter":"Indicadores simples","heading":"Porcentaje de población en localidades con menos de cinco mil habitantes \\((I_{8}^{i})\\)","text":"Este indicador se obtiene al dividir la suma de la población que habita en localidades con menos de cinco mil habitantes, entre la población total:\\[I_{8}^{}=\\frac{\\text{PL.5M}^{}}{{P}^}\\times100\\]donde:\\(\\text{PL.5M}^{}\\): es la población en localidades con menos de cinco mil habitantes, y\\(P^{}\\): es la población total.","code":""},{"path":"indicadores-simples.html","id":"porcentaje-de-población-ocupada-con-ingresos-de-hasta-dos-salarios-mínimos-i_9i","chapter":"Indicadores simples","heading":"Porcentaje de población ocupada con ingresos de hasta dos salarios mínimos \\((I_{9}^{i})\\)","text":"En este indicador se identificó la población ocupada que recibe ingresos por trabajo, más aquella población ocupada que percibe hasta dos salarios mínimos, dividiéndose entre el total de la población ocupada:\\[I_{9}^{}=\\frac{{P2SM}^{}}{{PO}^}\\times100\\]donde:\\({P2SM}^{}\\): es la población ocupada que recibe ingresos por trabajo o que sólo percibe hasta dos salarios mínimos, y\\({PO}^{}\\): es el total de población ocupada.Indicadores simples","code":"\nIndicadores <- c(\n 'Porcentaje de población de 15 años o más analfabeta', \n 'Porcentaje de población de 15 años o más sin educación básica',\n 'Porcentaje de ocupantes en viviendas sin drenaje ni excusado',\n 'Porcentaje de ocupantes en viviendas sin energía eléctrica', \n 'Porcentaje de ocupantes en viviendas sin agua entubada', \n 'Porcentaje de viviendas con algún nivel de hacinamiento',\n 'Porcentaje de ocupantes en viviendas con piso de tierra',\n 'Porcentaje de población en localidades con menos de 5 000 habitantes', \n 'Porcentaje de población ocupada con ingresos de hasta 2 salarios mínimos'\n )"},{"path":"base-de-datos.html","id":"base-de-datos","chapter":"Base de datos","heading":"Base de datos","text":"Se define un vector llamado tablas que contiene los años 2010, 2015 y 2020 como cadenas de texto. Este vector se utilizará para iterar y cargar las bases de datos correspondientes esos años.Definición de tablasSe carga la base de datos para los 3 añosDentro del iterador (), para cada año se construye el nombre del archivo de datos:Obtención de la tabla: get(paste0(\"tabla_\",)) obtiene la tabla cargada previamente (donde el nombre de cada tabla cargada es tabla_2010, tabla_2015, etc.).Renombrando de la columna: rename(\"ANIO\" = \"AÑO\") cambia el nombre de la columna AÑO ANIO.Filtrado de datos: filter(NOM_ENT != \"Nacional\") elimina las filas donde la columna NOM_ENT tiene el valor “Nacional”.Conversión de la columna factor: dplyr::mutate(ANIO = .factor(.$ANIO)) convierte la columna ANIO en un factor.","code":"\ntablas <- c(\"2010\", \"2015\", \"2020\")\nfor(i in tablas){\nload(file = paste0(here::here(),\"/Bases/IME_\", i, \".RData\"))\n}\n\n##Se cambia el nombre de la columna AÑO, para evitar problemas de puntuación\n## Se cambia la variable año a factor\nfor(i in tablas){\nassign(paste0(\"tabla_\",i), get(paste0(\"tabla_\",i)) %>% \n rename(\"ANIO\" = \"AÑO\") %>%\n filter(NOM_ENT != \"Nacional\") %>%\n dplyr::mutate(ANIO = as.factor(.$ANIO)))\n}"},{"path":"análisis-de-correlaciones.html","id":"análisis-de-correlaciones","chapter":"Análisis de correlaciones","heading":"Análisis de correlaciones","text":"La función corrplot en R es utilizada para crear matrices de correlación visualmente atractivas y fáciles de interpretar. Esta función es parte del paquete corrplot, que proporciona herramientas para visualizar y analizar matrices de correlación.La matriz de correlación es una tabla que muestra las correlaciones entre pares de variables. En análisis de datos, la correlación se utiliza para medir la relación entre dos variables. Puede ser útil para comprender cómo se relacionan diferentes variables entre sí y cómo afectan otras variables en un conjunto de datos.\n","code":"\ncol2 <- colorRampPalette(c(\"#67001F\", \"#B2182B\", \"#D6604D\", \"#F4A582\", \"#FDDBC7\", \"#FFFFFF\", \"#D1E5F0\", \"#92C5DE\",\"#4393C3\", \"#2166AC\", \"#053061\"))\npar(mfrow = c(2, 2), family = 'Montserrat Medium', mar = c(0.5, 0, 0, 0), cex.main = 3, col.main = \"#053061\")\n#Análisis de correlaciones\np <- lapply(1:3, function(i){ \n x <- cor(get(paste0(\"tabla_\",tablas[i]))[,5:13]) \n corrplot(x,\n title = paste(tablas[i]),\n type = \"upper\",\n method = \"color\",\n col = col2(100),\n tl.col = \"blue4\",\n tl.offset = 0.1,\n tl.cex = 3,\n tl.srt = 90,\n cl.align.text = \"c\",\n number.cex = 1.5,\n cl.cex = 2,\n addCoef.col = \"white\", # Add coefficient of correlation\n mar = c(0, 0, 2.5, 0))\n}\n)"},{"path":"método-de-distancias-dp2.html","id":"método-de-distancias-dp2","chapter":"Método de Distancias \\(DP2\\)","heading":"Método de Distancias \\(DP2\\)","text":"José Bernardo Pena Trapero: Problemas de la medición del bienestar y conceptos afines (1977)Los métodos de distancias son enfoques utilizados para medir el bienestar o la calidad de vida de las personas través de la comparación de diferentes dimensiones o indicadores. Estos métodos se basan en la idea de que el bienestar se puede evaluar considerando la distancia o diferencia entre los individuos en términos de ciertos atributos o variables relevantes.\nLa Distancia \\(DP_{2}\\), es un indicador sintético, definido por el profesor J. Bernardo Pena Trapero, basado en el concepto de distancia, construido, como su nombre indica para medir distancias entre unidades geográficas, o bien, también se puede aplicar comparaciones tanto cronológicas como interespaciales.DefiniciónSean:\\(\\:\\:\\circ\\:r\\), el número de entidades;\\(\\:\\:\\circ\\:n\\), el número de variables;\\(\\:\\:\\circ\\:x_{ij}\\), el valor de la variable j en la entidad \\(\\);\\(\\:\\:\\circ\\:\\sigma_{j}\\), La Desviación Típica de la variable \\(j\\);\\(\\:\\:\\circ\\:R^{2}_{,-1,...,1}\\) el Coeficiente de Determinación en la Regresión de \\(X_{}\\) sobre \\(X_{-1},X_{-2},...,X_{1}\\).Se define la \\(Distancia-P_{2}\\) de la forma:\\[\\begin{align}\nDP_{2}=\\sum^{n}_{=1}\\frac{d_{}}{\\sigma_{}}(1-R^{2}_{,-1,...,1})\\:\\:;\\;\\;con \\:\\:R^{2}_{1}=0\n\\end{align}\\]Donde:\\(\\:\\:\\circ\\:d_{} = d_{}(r,*) = |x_{ri}-x_{*}|\\) |: es la distancia de la j-ésima variable de la entidad federativa o municipio \\(r\\) con respecto la base de referencia \\(x_{*}=(x_{*1}, x_{*2},..., x_{*n})\\). Tomando como punto de referencia el valor mínimo de la variable, siendo esta la peor situación teórica,\\(\\:\\:\\circ\\:\\sigma_{}\\) : es la desviación estándar de la variable \\(𝑗\\),\\(\\:\\:\\circ\\:R^{2}_{,-1,...,1}\\): es el coeficiente de determinación de la regresión del indicador parcial \\(𝑗\\) con respecto los otros indicadores \\((𝑗−1,𝑗−2,…,1)\\). Esta expresión es parte de la varianza del indicador parcial \\(I_{j}\\) que se explica linealmente por el resto de los indicadores parciales,\\(\\:\\:\\circ\\:(1-R^{2}_{,-1,...,1})\\)): es el factor corrector que evita la duplicidad, al eliminar la información parcial de los indicadores ya contenidos en los indicadores precedentes, y\\(\\:\\:\\circ\\:R^{2}_{1}=0\\); porque la primera componente aporta toda la información y al existir un componente previo su ponderación es la unidad.El \\(DP_{2}\\) cumple con las siguientes propiedades: negatividad, homogeneidad, conmutatividad, desigualdad triangular, existencia y determinación, monotonía, unicidad, transitividad, duplicidad de información, invariancia al cambio de origen y/o de escala en las unidades y exhaustividad.El orden de entrada de las variablesPara asegurar las propiedades del indicador sintético, un aumento en los indicadores simples implica un aumento en la carencia de los servicios, lo que implicaría una disminución de la calidad de vida, por lo que se multiplica cada indicador por -1, de esta forma, un aumento en la variable supone una mejora en la calidad de vida.","code":"\n# Se multiplica por -1, debido a que son indicadores de carencia \nfor(i in tablas){ \n assign(paste0(\"DP2_datos_\", i), (-1 * get(paste0(\"tabla_\", i))[5:13])) \n}"},{"path":"método-de-distancias-dp2.html","id":"base-de-referencia","chapter":"Método de Distancias \\(DP2\\)","heading":"Base de referencia","text":"Se define al valor de referencia para cada uno de los indicadores parciales, con la finalidad de hacer comparaciones entre las diferentes unidades espaciales (Entidades Federativas). Siendo este el valor mínimo de cada indicador simple como referencia, representado como la “situación deseada”. Como resultado, un valor alto implicaría una distancia alejada con respecto una situación teórica “situación deseada”. Por lo tanto \\(d_{ij}\\) mide la distancia entre el indicador parcial \\(j\\) en la entidad \\(\\) y su valor de referencia.Se toma como base de referencia el valor del mínimo del 2010 - 2020, ya que este tipo de cambio permite la comparabilidad en el tiempo.","code":"\n#Base de referencia 2010 - 2020\nfor(i in tablas){\nassign(paste0(\"minRV_\", i), setNames(c(-17.9063062676492, # ANALF\n -60.1276776392954, # SBASC\n -19.8442777580699, # OVSDE\n -4.93236362397464, # OVSEE\n -29.7931507393921, # OVSAE\n -53.8984835976862, # VHAC\n -19.6138807443748, # OVPT\n -61.5084790431887, # PL.5000\n -85.5702744072091), # PO2SM\n nm = c(\"ANALF\", \"SBASC\", \"OVSDE\", \"OVSEE\", \"OVSAE\", \"VHAC\", \"OVPT\",\"PL.5000\", \"PO2SM\")))\n}"},{"path":"método-de-distancias-dp2.html","id":"método-de-distancia-dp_2","chapter":"Método de Distancias \\(DP2\\)","heading":"Método de Distancia \\(DP_{2}\\)","text":"Utilizando paquetería p2distance, se crean objetos con nombres dinámicos (ind_i) donde es cada elemento de los años de observación.p2distance: Función que calcula las distancias DP2.matriz: Datos de entrada, convertidos matriz.reference_vector: Vector de referencia para el cálculo de distancias.iterations: Número de iteraciones para el cálculo.Total de iteracionesSe anexan los resultados obtenidos las bases de datos original","code":"\nrequire(p2distance)\n##Calculo del Método de Distancias DP2\nfor(i in tablas){\nassign(paste0(\"ind_\",i), p2distance(matriz = as.matrix(get(paste0(\"DP2_datos_\", i))), \n reference_vector = get(paste0(\"minRV_\", i)), \n iterations = 50))\n}\niteration <- lapply(1:3, function(x) get(paste0(\"ind_\", tablas[x]))[[\"iteration\"]])\nfor(i in tablas){\nassign(paste0(\"DP2_\",i), cbind(get(paste0(\"tabla_\",i)), get(paste0(\"ind_\",i))[[\"p2distance\"]]))\n}\n\n# Se cambian los nombres de las columnas \nfor(i in 1:3){\n columns = get(paste0(\"DP2_\",tablas[i]))\n colnames(columns) = c(\"CVE_ENT\", \"NOM_ENT\", \"POB_TOT\", \"ANIO\",\n \"ANALF\", \"SBASC\", \"OVSDE\", \"OVSEE\", \"OVSAE\", \"VHAC\", \"OVPT\", \"PL.5000\", \"PO2SM\",\n paste0(\"IM_\", tablas[i]))\n assign(paste0(\"DP2_\",tablas[i]), columns)\n rm(columns)\n}"},{"path":"método-de-estratificación.html","id":"método-de-estratificación","chapter":"Método de estratificación","heading":"Método de estratificación","text":"","code":""},{"path":"método-de-estratificación.html","id":"método-de-estratificación-de-dalenius-hodges","chapter":"Método de estratificación","heading":"Método de estratificación de Dalenius & Hodges","text":"strata.cumrootf: cumulative root frequency method Dalenius Hodges (1959).Con la obtención del índice de marginación través del método DP2, los valores se clasificaron en cinco categorías ordinales con el método de Dalenius y Hodges (1959), para obtener el grado de marginación. Este método forma estratos de manera que la varianza sea mínima al interior de cada estrato y máxima entre cada uno de ellos, es decir, son lo más homogéneos posibles. Este procedimiento utiliza la raíz de las frecuencias acumuladas para la construcción de los estratos, por lo que se lleva cabo para la división de la población en el estrato L. Esta es una solución aproximada de Dalenius y Hodges (1959) las ecuaciones de Dalenius (1950). De acuerdo con Gunning y Horgan (2004), el límite superior de cada estrato se determinó con la siguiente expresión:\\[Q = \\frac{1}{L}\\sum^{J}_{=1}{\\sqrt{f_{}}}\\]Sea un conjunto de estratos determinados por su límite superior,\\[Q,\\ 2Q,\\ \\ldots,\\ \\left(L-1\\right)Q,\\ (L)Q.\\]\ndonde:\\(\\circ \\:J\\): es el número de clases dentro del grupo de la variable ordenada X,\\(\\circ \\:f_{}\\ \\(1,\\ \\ldots, J)\\): es la frecuencia en cada clase \\(J\\), y\\(\\circ \\:L\\): es el número de estratos.La eficiencia del método de la raíz de las frecuencias acumuladas depende principalmente del número de clases dentro del grupo de la variable ordenada. Sin embargo, hay un procedimiento estándar sobre cómo elegir el mejor valor para el número de clases, siendo esto una limitante del método de Dalenius y Hodges. Para medir el efecto del número de clases en la varianza de cada estrato se recurrió un método iterativo para obtener un criterio de agrupación óptimo.Para establecer los límites de los estratos \\((b_{1},\\ \\ldots,\\ b_{L})\\) que minimicen la varianza del estimador, se utiliza la asignación de Neyman para determinar el tamaño de muestra óptimo. Sea la varianza del estimador:\\[V\\left({\\bar{x}}_{st}\\right)=\\ \\sum_{h}\\left(\\frac{N_h}{N}\\right)^2\\frac{S_h^2}{n_h}\\ \\]\ndonde:\\(\\circ \\: S_{h}^{2}\\): es la varianza poblacional en el estrato \\(h\\),\\(\\circ \\:n_{h}\\): es el tamaño de muestra en el estrato \\(h\\) utilizada por la asignación de Neyman, y\n\\(\\circ \\:N_{h}\\): es el total de elementos en el estrato \\(h\\), sea \\(N=\\sum_{h=1}^{L}{N_{h}}\\).Si se asume que la distribución dentro de cada estrato se distribuye aproximadamente de manera uniforme, los límites se obtienen tomando intervalos iguales en la función de la raíz de las frecuencias acumuladas. Los límites se resuelven de manera iterativa:\\[\\frac{S_h^2+(b_h-{\\bar{X}}_h)2}{S_h}=\\frac{S_{h+1}^2+(b_h-{\\bar{X}}_{h+1})2}{S_{h+1}}\\ para\\ h=1,\\ \\ldots.\\ ,\\ L-1\\]\ndonde:\\(\\circ \\: b_{h}\\): es el límite superior en el estrato \\(h\\),\\(\\circ \\: {\\bar{X}}_{h}\\): es la media poblacional en el estrato \\(h\\), y\\(\\circ \\: S_{h}^{2}\\): es la varianza poblacional en el estrato \\(h\\).El requisito de precisión, generalmente se establece cuando el coeficiente de variación sea igual un nivel especificado entre 1 y 10 por ciento (Hidiroglou y Kozak, 2018).","code":""},{"path":"método-de-estratificación.html","id":"número-óptimo-de-clases-del-método-de-dalenius-hodge","chapter":"Método de estratificación","heading":"Número óptimo de clases del método de Dalenius & Hodge","text":"alloc lista que especifica el esquema de asignación. La lista debe contener 3 números para los 3 exponentes q1, q2 y q3 en el esquema de asignación general (ver paquete de stratification). El valor predeterminado es la asignación de Neyman (q1 = q3 = 0.5 y q2 = 0)continuación, se realiza un análisis de estratificación sobre los diferentes años, usando la función strata.cumrootf(), almacenando los resultados de errores estándar, medias y varianzas en matrices que luego se guardan en listas.","code":"\nstart.time <- Sys.time()\nDH_Entidad <- list()\nstderr <- list()\nmean <- list()\nvar <- list()\nfor(j in 1:3){\ni <- 1\n sd <- matrix(NA, nrow = 28, ncol = 3)\n meanh <- matrix(NA, nrow = 28, ncol = 6)\n varh <- matrix(NA, nrow = 28, ncol = 6)\n for(n in seq(5, nrow(get(paste0(\"DP2_\", tablas[j]))), 1)){\n DH_Entidad[[paste(tablas[j])]][[n]] <- strata.cumrootf(x = get(paste0(\"DP2_\", tablas[j]))[,14], CV = 0.05, Ls = 5, alloc = c(0.5, 0, 0.5), nclass = n)\n cum <- DH_Entidad[[paste(tablas[j])]][[n]]\n sd[i,] <- c(n, cum$stderr, cum$CV)\n meanh[i,] <- c(n, cum$meanh)\n varh[i,] <- c(n, cum$varh)\n i <- i + 1\n}\n stderr[[j]] <- sd\n mean[[j]] <- meanh\n var[[j]] <- varh\n}\n\nfor(i in 1:3){\n colnames(stderr[[i]]) <- c(\"n\", \"sderr\", \"CV\")\n}\n\nend.time <- Sys.time()\ntime.taken <- round(end.time - start.time, 2)\ntime.taken\n#> Time difference of 0.14 secs"},{"path":"método-de-estratificación.html","id":"número-óptimo-de-clases","chapter":"Método de estratificación","heading":"Número óptimo de clases","text":"Se toma cada matriz resultante de errores estándar de la lista stderr, y luego selecciona la fila que tiene el coeficiente de variación (CV) más bajo. Estos resultados se almacenan en la lista min.strata, la cual contendrá los data.frames correspondientes las filas con el menor CVpara cada uno de los tres conjuntos de datos en stderr.\nSe toman en cuenta el número de clases que salen del los resultados del método iterativo. Utilizando la función strata.cumrootf() de la paquetería stratification con parámetros específicos y el número de clases (nclass) obtenido de min.strata.\n- CV = 0.05: Establece el coeficiente de variación.\n- Ls = 5: Establece el número de estratos.\n- alloc = c(0.5, 0, 0.5): Define la asignación para la estratificación.\n- nclass = min.strata[[]][,1]: Establece el número de clases utilizando el primer valor de la fila con el menor CV en min.strata.Se agregan los datos la base original.","code":"\nmin.strata <- NULL\nfor(i in 1:3){\n min.strata[[i]] <- stderr[[i]] %>%\n as.data.frame() %>% \n slice(which.min(.$CV))\n}\nfor(i in 1:3){\n assign(paste0(\"strata.DP2_\",tablas[i]), strata.cumrootf(get(paste0(\"DP2_\",tablas[i]))[,14],\n CV = 0.05,\n Ls = 5,\n alloc = c(0.5, 0, 0.5), \n nclass = min.strata[[i]][,1]))\n}\n##Se agrega a la base DP2\nfor(i in 1:3){\n assign(paste0(\"DP2_\",tablas[i]), data.frame(get(paste0(\"DP2_\", tablas[i])),\n get(paste0(\"strata.DP2_\", tablas[i]))[[\"stratumID\"]]))\n}\n\n# Se cambian los nombres de las columnas \nfor(i in 1:3){\n columns = get(paste0(\"DP2_\",tablas[i]))\n colnames(columns) = c(\"CVE_ENT\", \"NOM_ENT\", \"POB_TOT\", \"ANIO\",\n \"ANALF\", \"SBASC\", \"OVSDE\", \"OVSEE\", \"OVSAE\", \"VHAC\", \"OVPT\", \"PL.5000\", \"PO2SM\",\n paste0(\"IM_\",tablas[i]), paste0(\"GM_\",tablas[i]))\n assign(paste0(\"DP2_\",tablas[i]), columns)\n rm(columns)\n}\n\n# Se cambian los levels a los grados de marginación correspondientes\nfor(i in tablas){\n niveles = get(paste0(\"DP2_\",i)) \n levels(niveles[,15]) = c(\"Muy alto\", \"Alto\", \"Medio\", \"Bajo\", \"Muy bajo\")\n assign(paste0(\"DP2_\",i), niveles)\n}"},{"path":"método-de-estratificación.html","id":"límites-de-los-estratos","chapter":"Método de estratificación","heading":"Límites de los estratos","text":"Se crea un data frame llamado limites que contiene los límites de ciertos intervalos para los años 2010, 2015 y 2020. Cada columna contiene una combinación de:\n- El valor mínimo del índice de marginación (IM:) para el año correspondiente.\n- Los valores de los límites de los estratos (bh) calculados previamente.\n- El valor máximo del índice de marginación (IM_) para el año correspondiente.","code":"\nlimites <- data.frame(\"2010\" = c(min(DP2_2010$IM_2010), strata.DP2_2010$bh, max(DP2_2010$IM_2010)),\n \"2015\" = c(min(DP2_2015$IM_2015), strata.DP2_2015$bh, max(DP2_2015$IM_2015)),\n \"2020\" = c(min(DP2_2020$IM_2020), strata.DP2_2020$bh, max(DP2_2020$IM_2020)))"},{"path":"índice-normalizado.html","id":"índice-normalizado","chapter":"Índice normalizado","heading":"Índice normalizado","text":"Otra forma de apreciar el índice de marginación es normalizando sus valores para ver objetivamente la evolución de cada unidad territorial (Somarriba et al. 2013). La normalización se realiza utilizando un cambio de escala conocido como normalización mínima-máxima. Con este procedimiento el índice de marginación se escala valores relativos con un rango de entre cero y uno, lo cual permite su comparación numérica y le da una propiedad adicional al índice de marginación. Al mismo tiempo, la normalización determina el mismo sentido que el índice obtenido por el método DP2, donde los valores cercanos cero implican mayor marginación.El proceso de normalización consiste en:\\[{DP}_2normalizado=\\frac{{DP}_2^-\\min({DP}_2)}{\\max({DP}_2)-\\min({DP}_2)},\\]\ndonde:\\(\\circ \\: {DP}_{2}^{}\\): es el valor del índice de marginación del estado o municipio \\(\\),\\(\\circ \\: min ({DP}_{2})\\): es el valor mínimo o peor escenario que puede tomar el índice, y\\(\\circ \\: max ({DP}_{2})\\): es el valor máximo u objetivo que puede tomar el índice.","code":""},{"path":"índice-normalizado.html","id":"desviación-estándar-de-los-indicadores-simples","chapter":"Índice normalizado","heading":"Desviación estándar de los indicadores simples","text":"Varianza muestral insesgadaEstimado insesgado de la varianza poblacional\\[s^{2} = \\frac{1}{n-1}\\left(x_{}-\\bar{x}\\right)^{2} = \\frac{\\sum_{=1}^{n}(x_{}^{2})}{n-1} - \\frac{\\sum_{=1}^{n}(x_{})^{2}}{(n-1)\\: n } = \\left(\\frac{n-1}{n}\\right)s_{n}^{2} \\]\nSe calcula la desviación estándar muestral y su inversa para un conjunto de indicadores simples. Para cada elemento:\n- Extrae las columnas 5 13 del data frame correspondiente (DP2_).\n- Calcula la desviación estándar para cada una de estas columnas.\n- Ajusta la desviación estándar para obtener la desviación estándar muestral.\n- Calcula la inversa de la desviación estándar muestral.\n- Almacena los resultados en un data frame dentro de la lista desvest.","code":"\n# Desviación estándar de los indicadores\ndesvest <- NULL\nfor(i in 1:3){\ndesvest[[i]] <- as.matrix(apply(get(paste0(\"DP2_\", tablas[i]))[5:13], MARGIN = 2, sd)) %>%\n as.data.frame() %>%\n rename(\"desvest\" = \"V1\") %>%\n dplyr::mutate(sd_muestral = .$desvest * (sqrt((dim(get(paste0(\"DP2_\",tablas[i]))[5:13])[1] - 1)/dim(get(paste0(\"DP2_\",tablas[i]))[5:13])[1]))) %>%\n dplyr::mutate(desvest.inversa = 1/(.$sd_muestral))\n}"},{"path":"índice-normalizado.html","id":"escenarios-extremos","chapter":"Índice normalizado","heading":"Escenarios extremos","text":"Para este tipo de cálculo es necesario conocer los puntos más extremos que puede tomar el índice en el año de observación. De antemano, se sabe que cada indicador simple toma valores de cero 100 y, además, el método DP2 ya proporcionó el orden de entrada de las variables. Usando estos criterios se estiman los puntos focales extremos que puede tomar el índice de marginación. Se sabe que la peor situación es cuando una unidad de análisis toca todos y cada uno de los valores mínimos del vector base de referencia común, esto sería el peor escenario de marginación y tomaría un valor de cero. En sentido contrario, el valor máximo sería la situación con la menor marginación.Escenarios del mínimo y máximo valor en el índice DP2Se calculan los valores mínimo y máximo del índice DP2 para diferentes escenarios y años. Para cada elemento, se calcula:\n- Valor mínimo: Calcula la diferencia absoluta entre minRV_2010 y vector_minimo, ajusta con la inversa de la desviación estándar muestral y los factores de corrección, y suma las filas para obtener el DP2.\n- Valor máximo: Calcula la diferencia absoluta entre minRV_2010 y un vector de ceros (vector_maximo), ajusta con la inversa de la desviación estándar muestral y los factores de corrección, y suma las filas para obtener el DP2.","code":"\nminimo <- NULL\nmaximo <- NULL\n## Mínimo valor del DP2\nfor(i in 1:3){\nvector_minimo <- minRV_2010 \ntabla <- abs(vector_minimo - minRV_2010) * desvest[[i]][[\"desvest.inversa\"]] *\n get(paste0(\"ind_\", tablas[i]))[[\"correction_factors\"]][names(DP2_2020[5:13])] %>%\n t() %>%\n as.data.frame() \nminimo[[i]] <- data.frame(AÑO = paste(tablas[i]), Escenario = \"Mínimo\", tabla, DP2 = rowSums(tabla))\n \n## Máximo valor del DP2 \nvector_maximo <- rep(0, 9) # Cuando los indicadores valen cero \ntabla <- abs(vector_maximo - minRV_2010) * desvest[[i]][[\"desvest.inversa\"]] *\n get(paste0(\"ind_\", tablas[i]))[[\"correction_factors\"]][names(DP2_2020[5:13])] %>%\n t() %>%\n as.data.frame() \n\nmaximo [[i]] <- data.frame(AÑO = paste(tablas[i]), Escenario = \"Máximo\", tabla, DP2 = rowSums(tabla))\n}"},{"path":"índice-normalizado.html","id":"índice-normalizado-1","chapter":"Índice normalizado","heading":"Índice normalizado","text":"Se guarda la base de datos con el índice normalizadoSe calcula un nuevo indicador denominado `IMN para cada año, normalizando el índice DP2 entre sus valores mínimos y máximos.<>","code":"\nfor(i in 1:3){\nmin_DP2 <- minimo[[i]][[\"DP2\"]]\nmax_DP2 <- maximo[[i]][[\"DP2\"]]\nassign(paste0(\"DP2_\",tablas[i]), get(paste0(\"DP2_\", tablas[i])) %>%\n dplyr::mutate(IMN = (get(paste0(\"IM_\", tablas[i])) - min_DP2)/(max_DP2 - min_DP2)))\n}\n#Tabla final\nfor(i in tablas){\nsave(get(paste0(\"DP2_\",i)), file = paste0(here::here(), \"/Output/IME_\", i, \".RData\"))\n}"},{"path":"validación-de-datos.html","id":"validación-de-datos","chapter":"Validación de datos","heading":"Validación de datos","text":"Se crea en una lista que contiene el resumen del método DP2 para todos los años","code":"\nfor(i in tablas){\nList_DP2 <- mget(paste0(\"ind_\", tablas))\n}"},{"path":"validación-de-datos.html","id":"orden-de-entrada-de-las-variables","chapter":"Validación de datos","heading":"Orden de entrada de las variables","text":"Se crea un data.frame de acuerdo al orden de importancia de las variables para todos los años\nDependiendo del proceso, el DP2 adoptará diferentes valores. Por lo tanto, es importante que el método de como resultado un orden de entrada único de los indicadores parciales.","code":"\nVariables_sort <- NULL\nfor(i in 1:3){\nVariables_sort[i] <- as.data.frame(lapply(List_DP2, function(x) get(paste0(\"ind_\", tablas[i]))$variables_sort))\n}\n\nVariables_sort <- do.call(cbind.data.frame, Variables_sort)\ncolnames(Variables_sort) <- c(\"2010\", \"2015\", \"2020\")"},{"path":"validación-de-datos.html","id":"coeficiente-de-correlación","chapter":"Validación de datos","heading":"Coeficiente de correlación","text":"El coeficiente de correlación es una medida que se utiliza para jerarquizar los indicadores simples de acuerdo con el grado de correlación absoluta con respecto al indicador sintético resultante, es decir, ayuda visualizar que variable tiene un mejor o peor apego con el fenómeno.Se crea un data.frame de acuerdo la correlación de cada variable con el indicador sintético (DP2) para todos los años","code":"\ncor.coeff <- NULL\ncor.coeff <- lapply(1:3, function(i) data.frame(rownames(get(paste0(\"ind_\",tablas[i]))[[\"cor.coeff\"]]),\n get(paste0(\"ind_\",tablas[i]))$cor.coeff))\ncor.coeff <- do.call(cbind.data.frame, cor.coeff)\ncolnames(cor.coeff) <- c(\"Ind_2010\", \"2010\", \"Ind_2015\", \"2015\", \"Ind_2020\", \"2020\")"},{"path":"validación-de-datos.html","id":"factor-de-corrector","chapter":"Validación de datos","heading":"Factor de corrector","text":"El factor corrector, como se mencionó anteriormente, indica la proporción de información con la que contribuye el indicador simple al nuevo índice sintético, además, evita la duplicidad e incorpora información útil que retiene cada indicador simple.Se crea un data.frame de acuerdo al factor corrector de cada indicador parcial para todos los años","code":"\ncorrection_factors <- NULL\nfor(i in 1:3){\ncorrection_factors[i] <- as.data.frame(lapply(List_DP2, function(x) get(paste0(\"ind_\",tablas[i]))$correction_factors))\n}\n###Intetar de pegar el nombre de la columna \ncorrection_factors <- do.call(cbind.data.frame, c(Variables_sort, correction_factors)) %>%\n subset(., select = c(1, 4, 2, 5, 3, 6))\ncolnames(correction_factors) <- c(\"Ind_2010\", \"2010\", \"Ind_2015\", \"2015\", \"Ind_2020\", \"2020\")"},{"path":"validación-de-datos.html","id":"coeficiente-de-discriminación","chapter":"Validación de datos","heading":"Coeficiente de Discriminación","text":"El coeficiente de discriminación de Ivanovic mide el poder discriminante de la variable \\(j\\) en el conjunto de observaciones \\(\\).\\[CD_{j}=\\frac{2}{m\\left(m-1\\right)}\\sum_{,l>}^{k_{j}}m_{ij}m_{lj}\\left|\\frac{x_{ij}-x_{lj}}{{\\overline{X}}_{}}\\right|\\]donde:\\(\\circ\\:m_{ij}\\): El número de observaciones de la variable \\(x_{j}\\)\\(\\circ\\:k_{j}\\): El número de diferentes valores que toma \\(x_{}\\) en el conjunto \\(j\\).Esta medida está comprendida entre \\([0, 2]\\). Si una variable toma el mismo valor para todos los estados, el CD vale cero, indicando que posee un valor nulo de poder discriminante. Por el contrario, si una variable toma el valor teórico de máximo poder discriminante, el discriminante de la variable es total.Se crea un data.frame de acuerdo al Coeficiente de discriminación (CD) de cada indicador parcial para todos los años","code":"\ndiscrimination_coefficient <- NULL\ndiscrimination_coefficient <- lapply(1:3, function(i) data.frame(names(get(paste0(\"ind_\",tablas[i]))[[\"discrimination.coefficient\"]]),\n get(paste0(\"ind_\",tablas[i]))$discrimination.coefficient))\n\ndiscrimination_coefficient <- do.call(cbind.data.frame, discrimination_coefficient)\ncolnames(discrimination_coefficient) <- c(\"Ind_2010\", \"2010\", \"Ind_2015\", \"2015\", \"Ind_2020\", \"2020\")"},{"path":"validación-de-datos.html","id":"cantidad-de-información-global-de-ivanovic-pena-relativa-individual","chapter":"Validación de datos","heading":"“Cantidad de Información Global de Ivanovic Pena Relativa Individual”","text":"\\[\\alpha_{}=\\frac{CD_{}\\left(1-R^{2}_{,-1,...,1} \\right)}{\\sum_{=1}^{n}CD_{} \\left(1-R^{2}_{,-1,...,1} \\right)}\\]\nEsta medida, comprendida entre 0 y 1, combina la información útil y el poder discriminante de cada indicador simple y mide la cantidad de información (combinada) relativa que aporta individualmente cada indicador simple, cuando entra de forma ordenada formar parte del indicador sintético DP2. La suma de todos los valores de \\(\\alpha_{}\\) es la unidad. [Zarsosa 1996, págs 158-174]","code":"\n## son 9 indicadores simples\nalpha <- NULL\nfor(i in 1:3){\nalpha[[i]] <- sapply(1:length(Indicadores), function(x)(get(paste0(\"ind_\",tablas[i]))[[\"correction_factors\"]][x] * get(paste0(\"ind_\",tablas[i]))[[\"discrimination.coefficient\"]][x]) / sum(get(paste0(\"ind_\",tablas[i]))[[\"correction_factors\"]] * get(paste0(\"ind_\",tablas[i]))[[\"discrimination.coefficient\"]]))\n}"},{"path":"resumen.html","id":"resumen","chapter":"Resumen","heading":"Resumen","text":"El índice de marginación permite clasificar las entidades federativas según el impacto global de las carencias que sufre la población debido la falta de acceso la educación, la residencia en viviendas inadecuadas, los bajos ingresos monetarios y la falta de servicios de salud, equipamientos e infraestructura adecuada en las localidades. Estas condiciones crean una estructura precaria de oportunidades que obstruye el pleno desarrollo del potencial humano.La tabla presenta una comparación temporal del grado de marginación nivel estatal en México, desagregada por el grado de marginación para los años 2010, 2015 y 2020.Observaciones Clave1.- Incremento en la Población de Grado Alto y Muy Alto:\nHay un aumento constante en la población en grados de marginación Alto y Muy Alto de 2010 2020. En 2010, 10 estados representaban el 33.6% de la población en estas categorías. Para 2015, este número aumentó 11 estados, abarcando el 34.5% de la población. En 2020, 12 estados, con el 35.2% de la población, vivían en condiciones de marginación alta y muy alta.2.- Disminución en Grados Bajo y Muy Bajo:\nLa población en grados de marginación Bajo y Muy Bajo muestra una tendencia la baja. En 2010, el 53.1% de la población residía en 15 estados con grados de marginación bajo y muy bajo. Para 2015, esta proporción disminuyó 13 estados con el 49.3% de la población. En 2020, el 46.9% de la población vivía en 12 estados con grados de marginación bajo y muy bajo.3.- Estabilidad en Grado Muy Alto: La población en el grado de marginación Muy Alto se mantuvo constante en los estados de Oaxaca, Guerrero y Chiapas durante los tres años. Sin embargo, hubo mejoras significativas en el bienestar de las personas en Oaxaca y Chiapas, según el índice de marginación.","code":""},{"path":"resumen.html","id":"mapa-a-nivel-estatal","chapter":"Resumen","heading":"Mapa a nivel estatal","text":"","code":""},{"path":"resumen.html","id":"comparación-en-el-tiempo","chapter":"Resumen","heading":"Comparación en el tiempo","text":"\n","code":""},{"path":"referencias.html","id":"referencias","chapter":"Referencias","heading":"Referencias","text":"Dalenius, T. (1950). problem optimum stratification. Scandinavian Actuarial J., 3-4, 203-13. Recuperado de: https://doi.org/10.1080/03461238.1950.10432042\n__________ y Hodges, J. L., Jr. (1959). Minimum variance stratification. Journal American Statistical Association, 54, 88-101.\nGunning, P. y Horgan, J. M. (2004). new algorithm construction stratum boundaries skewed populations. Survey Methodology, 30 (2), 159–166.Pena Trapero, J. B. (1977). Problemas de la medición del bienestar y conceptos afines. Una aplicación al Caso Español. . N. E: Madrid.Somarriba, N. y Pena, B. (2009). Synthetic Indicators Quality Life Europe. Social Indicators Research. Recuperado de: https://doi.org/10.1007/s11205-008-9356-y\n__________, Zarzosa, P. y Pena, T. (2013). La calidad de vida en la Unión Europea. Un análisis temporal por medio de indicadores sintéticos. Congreso de la Asociación Española de Ciencia Regional. XXXIX Reunión de Estudios Regionales. Smart regions smarter growth strategy: new challenges Regional Policy potentials cities overcome worldwide economic crisis. Recuperado de: https://old.reunionesdeestudiosregionales.org/Oviedo2013/htdocs/pdf/p851.pdfZarzosa, P. (1996). Aproximación la medición del bienestar social. Secretario de Publicaciones: Valladolid.\n__________. (2009). Estimación de la pobreza en las comunidades autónomas españolas, mediante la distancia DP2 de Pena. Estudios de Economía Aplicada, 27 (2), 397–416.\n__________. (2012). Social Welfare Spain Crisis: Territorial Chronological Analysis. International Journal Advances Management Economics 1 (4), 165-171.\n__________ y Somarriba, N. (2013). Assessment Social Welfare Spain: Territorial Analysis Using Synthetic Welfare Indicator. Social Indicators Research, 111, 1-23.","code":"\nsesion_info <- devtools::session_info()"}] +[{"path":"index.html","id":"índice-de-marginación-a-nivel-estatal","chapter":"Índice de marginación a nivel estatal","heading":"Índice de marginación a nivel estatal","text":"El índice de marginación del Consejo Nacional de Población (CONAPO) celebra 30 años desde su primera publicación en 1990, originalmente en conjunto con la Comisión Nacional del Agua. lo largo de tres décadas, este índice ha demostrado ser una herramienta crucial para programas y políticas públicas enfocadas en la identificación de poblaciones objetivo y la asignación de subsidios.Historia y Evolución:Décadas de 1970 y 1980: Inicios de ejercicios de medición de aspectos relacionados con la desigualdad.Décadas de 1970 y 1980: Inicios de ejercicios de medición de aspectos relacionados con la desigualdad.1990: Primera publicación oficial del índice, utilizando el Análisis de Componentes Principales (ACP). Este método permitió simplificar la información en un indicador sintético pero carecía de comparabilidad temporal.1990: Primera publicación oficial del índice, utilizando el Análisis de Componentes Principales (ACP). Este método permitió simplificar la información en un indicador sintético pero carecía de comparabilidad temporal.Demanda de Comparabilidad: La necesidad de comparabilidad en el tiempo llevó una revisión metodológica, impulsada por usuarios académicos y gubernamentales.Demanda de Comparabilidad: La necesidad de comparabilidad en el tiempo llevó una revisión metodológica, impulsada por usuarios académicos y gubernamentales.Cambio Metodológico:Nueva Técnica: Se adoptó la técnica de Distancias Ponderadas al Cuadrado para las estimaciones de 2020. Esta técnica garantiza la comparabilidad temporal y mejora el procesamiento de datos, elevando la calidad de los resultados.Ajustes en Indicadores: Se realizaron ajustes para alinear las estimaciones con las recomendaciones de organismos nacionales e internacionales.Método de Estratificación: Se mantuvo la técnica de estratificación de Dalenius y Hodges para el cálculo de los estratos del índice.Impacto y Futuro:El objetivo principal de este índice es proporcionar información objetiva y cuantitativa sobre las disparidades socioeconómicas entre las entidades federativas, de manera que se pueda orientar la toma de decisiones y la asignación de recursos para reducir la marginación y promover un desarrollo más equitativo en el país. La información proporcionada por el índice de marginación permite identificar las entidades federativas con mayores niveles de marginación y desigualdad, así como aquellas que presentan avances y mejoras en su desarrollo socioeconómico. Esto facilita la identificación de buenas prácticas y la generación de estrategias de intervención focalizadas en áreas específicas.Base de datos de los tres años se encuentran disponibles en la página oficial de CONAPODatos abiertos de México datos.gob.mxPublicación Índice De Marginación Por Entidad Federativa Y Municipio 2020.Índice de marginación nivel municipal BookdownÍndice de marginación nivel localidad BookdownÍndice de marginación nivel AGEB BookdownÍndice de marginación nivel Colonia Bookdown","code":""},{"path":"indicadores-simples.html","id":"indicadores-simples","chapter":"Indicadores simples","heading":"Indicadores simples","text":"El índice de marginación considera cuatro dimensiones estructurales, identifica nueve formas de exclusión y mide su intensidad espacial como porcentaje de la población que participa del disfrute de bienes y servicios esenciales para el desarrollo de sus capacidades básicas. continuación pueden verse las nueve formas de exclusión social de origen estructural que capta el índice de marginación, así como los indicadores utilizados.","code":""},{"path":"indicadores-simples.html","id":"porcentaje-de-población-analfabeta-de-15-años-o-más-i_1i","chapter":"Indicadores simples","heading":"Porcentaje de población analfabeta de 15 años o más \\((I_{1}^{i})\\)","text":"El indicador se obtiene dividiendo el monto de población de 15 años o más que declaró saber leer y escribir un recado, entre la diferencia de la población total de 15 años o más y aquellos que especificaron su condición de alfabetismo:\\[I_{1}^{}=\\frac{PAN_{15+}^{}}{P_{15+}^{}- PNEALF_{15+}^{}}×100\\]donde:\\(PAN_{15+}^{}\\): es la población de 15 años o más analfabeta,\\(P_{15+}^{}\\): es la población total de 15 años o más, y\\(PNEALF_{15+}^{}\\): es la población de 15 años o más que especificó su condición de alfabetismo.","code":""},{"path":"indicadores-simples.html","id":"porcentaje-de-población-de-15-años-o-más-sin-educación-básica-i_2i","chapter":"Indicadores simples","heading":"Porcentaje de población de 15 años o más sin educación básica \\((I_{2}^{i})\\)","text":"El indicador mide la magnitud de la población sin educación básica completa. Su cálculo se realiza en dos etapas. En la primera, la población que especificó su último grado aprobado en secundaria o en estudios técnicos o comerciales con primaria terminada, se distribuye entre la población que aprobó entre uno y dos grados en estos mismos niveles educativos, aplicando la siguiente fórmula:\\[{PSI}_{15+}^{}={PSCI}_{15+}^+\\left[\\frac{{PSCI}_{15+}^}{{PSCI}_{15+}^+{PSCC}_{15+}^}\\times{PNEGS}_{15+}^\\right]\\]donde:\\(P{SI}_{15+}^{}\\): es la población de 15 años o más que aprobó entre el primer y segundo grado de secundaria o estudios técnicos o comerciales con primaria terminada con los especificados de estos niveles educativos ya distribuidos,\\({PSCI}_{15+}^{}\\): es la población de 15 años o más que declaró haber aprobado entre el primer y segundo grado de secundaria o estudios técnicos o comerciales con primaria terminada,\\({PSCC}_{15+}^{}\\): es la población de 15 años o más que cursó el tercer grado en secundaria o tres o cuatro grados en estudios técnicos o comerciales con primaria terminada, y\\({PNEGS}_{15+}^{}\\): es la población de 15 años o más que especificó su último grado cursado en secundaria o en estudios técnicos o comerciales con primaria terminada.Con el dato de la población con estudios truncos en secundaria o en estudios técnicos o comerciales con primaria terminada, se procedió calcular el indicador de porcentaje de población sin educación básica. Este porcentaje se calcula dividiendo la población de 15 años o más sin educación básica, entre la diferencia de la población total de 15 años o más y aquellos que especificaron su nivel educativo:\\[I_{2}^{}=\\frac{{PSIN}_{15+}^+{PPI}_{15+}^+{PSI}_{15+}^}{P_{15+}^-{PNEIN}_{15+}^}\\times100\\]donde:\\({PSIN}_{15+}^{}\\): es la población de 15 años o más sin instrucción,\\({PPI}_{15+}^{}\\): es la población de 15 años o más con algún grado en educación primaria,\\({PSI}_{15+}^{}\\): es la población de 15 años o más con nivel incompleto de secundaria o estudios técnicos o comerciales con primaria terminada,\\(P_{15+}^{}\\): es la población total de 15 años o más, y\\({PNEIN}_{15+}^{}\\): es la población de 15 años o más que especificó su nivel de instrucción.","code":""},{"path":"indicadores-simples.html","id":"porcentaje-de-ocupantes-en-viviendas-particulares-sin-drenaje-ni-sanitario-i_3i","chapter":"Indicadores simples","heading":"Porcentaje de ocupantes en viviendas particulares sin drenaje ni sanitario \\((I_{3}^{i})\\)","text":"Este porcentaje se obtiene al dividir el número de ocupantes de viviendas particulares sin drenaje ni sanitario, entre el número de ocupantes en viviendas particulares, menos el número de ocupantes de viviendas particulares en donde se especificó la disponibilidad de drenaje ni sanitario:\\[I_{3}^{}=\\frac{{OVSDS}^{}}{{OVP}^{}-{ONEDS}^{}}\\times100\\]donde:\\({OVSDS}^{}\\): son los ocupantes de viviendas particulares sin disponibilidad de drenaje ni sanitario,\\({OVP}^{}\\): es el total de ocupantes en viviendas particulares, y\\({ONEDS}^{}\\): son los ocupantes de viviendas particulares en donde se especificó la disponibilidad de drenaje ni sanitario.","code":""},{"path":"indicadores-simples.html","id":"porcentaje-de-ocupantes-en-viviendas-particulares-sin-energía-eléctrica-i_4i","chapter":"Indicadores simples","heading":"Porcentaje de ocupantes en viviendas particulares sin energía eléctrica \\((I_{4}^{i})\\)","text":"Este indicador se obtiene al dividir el número de ocupantes de viviendas particulares sin disponibilidad de energía eléctrica, entre el número de ocupantes en viviendas particulares menos el número de ocupantes de viviendas particulares en donde se especificó la existencia de luz eléctrica:\\[I_{4}^{}=\\frac{{OSEE}^}{{OVP}^{}-{ONEEE}^{}}\\times100\\]\ndonde:\\({OVSDS}^{}\\): son los ocupantes de viviendas particulares sin disponibilidad de drenaje ni sanitario,\\({OVP}^{}\\): es el total de ocupantes en viviendas particulares, y\\({ONEDS}^{}\\): son los ocupantes de viviendas particulares en donde se especificó la disponibilidad de drenaje ni sanitario.","code":""},{"path":"indicadores-simples.html","id":"porcentaje-de-ocupantes-en-viviendas-particulares-sin-agua-entubada-i_5i","chapter":"Indicadores simples","heading":"Porcentaje de ocupantes en viviendas particulares sin agua entubada \\((I_{5}^{i})\\)","text":"Para obtener este indicador se divide el número de ocupantes en viviendas particulares que disponen de agua entubada, entre la diferencia del total de ocupantes en viviendas particulares y el total de ocupantes en viviendas en donde se especificó la disponibilidad de agua entubada:\\[I_{5}^{}=\\frac{{OSAE}^}{{OVP}^-{ONEAE}^}\\times100\\]donde:\\({OSAE}^{}\\): son los ocupantes de viviendas particulares sin disponibilidad de agua entubada,\\({OVP}^{}\\): es el total de ocupantes en viviendas particulares, y\\({ONEAE}^{}\\): son los ocupantes de viviendas particulares en donde se especificó la disponibilidad de agua entubada.","code":""},{"path":"indicadores-simples.html","id":"porcentaje-de-ocupantes-en-viviendas-particulares-con-piso-de-tierra-i_6i","chapter":"Indicadores simples","heading":"Porcentaje de ocupantes en viviendas particulares con piso de tierra \\((I_{6}^{i})\\)","text":"En este indicador se identifican los ocupantes de viviendas particulares con piso de tierra y se divide entre el total de ocupantes en viviendas particulares, menos el número de ocupantes de viviendas particulares en donde se especificó el material predominante en pisos:\\[I_{6}^{}=\\frac{{OPT}^}{{OVP}^-{ONEMP}^}\\times100\\]donde:\\({OPT}^{}\\): son los ocupantes de viviendas particulares con piso de tierra,\\({OVP}^{}\\): es el total de ocupantes en viviendas particulares, y\\({ONEMP}^{}\\): son los ocupantes de viviendas particulares en las que se especificó el material predominante en pisos.","code":""},{"path":"indicadores-simples.html","id":"porcentaje-de-ocupantes-en-viviendas-particulares-con-hacinamiento-i_7i","chapter":"Indicadores simples","heading":"Porcentaje de ocupantes en viviendas particulares con hacinamiento \\((I_{7}^{i})\\)","text":"El procedimiento para el cálculo de este indicador constó de dos etapas. Primero, en cada vivienda particular habitada se dividió el número de ocupantes entre el número de cuartos dormitorio, para identificar las viviendas con hacinamiento:\\[VHAC=\\frac{OVP}{CDVP}\\]\ndonde:\\(VHAC\\): es la vivienda con hacinamiento,\\(OVP\\): es el número de ocupantes que residen habitualmente una vivienda particular, y\\(CDVP\\): es el número de cuartos dormitorio en una vivienda particular.En la segunda fase de cálculo, se dividió el número de ocupantes en viviendas particulares con hacinamiento, entre el total de ocupantes en viviendas particulares habitadas menos el número de ocupantes en viviendas particulares habitadas donde se especificó el número de cuartos dormitorio:\\[I_{7}^{}=\\frac{O{VHAC}^}{{OVP}^-{ONECD}^}\\times100\\]donde:\\({OVHAC}^{}\\): son los ocupantes en viviendas particulares con hacinamiento,\\({OVP}^{}\\): es el total de ocupantes en viviendas particulares, y\\({ONECD}^{}\\): son los ocupantes en viviendas particulares en donde se especificó el número de cuartos dormitorio.","code":""},{"path":"indicadores-simples.html","id":"porcentaje-de-población-en-localidades-con-menos-de-cinco-mil-habitantes-i_8i","chapter":"Indicadores simples","heading":"Porcentaje de población en localidades con menos de cinco mil habitantes \\((I_{8}^{i})\\)","text":"Este indicador se obtiene al dividir la suma de la población que habita en localidades con menos de cinco mil habitantes, entre la población total:\\[I_{8}^{}=\\frac{\\text{PL.5M}^{}}{{P}^}\\times100\\]donde:\\(\\text{PL.5M}^{}\\): es la población en localidades con menos de cinco mil habitantes, y\\(P^{}\\): es la población total.","code":""},{"path":"indicadores-simples.html","id":"porcentaje-de-población-ocupada-con-ingresos-de-hasta-dos-salarios-mínimos-i_9i","chapter":"Indicadores simples","heading":"Porcentaje de población ocupada con ingresos de hasta dos salarios mínimos \\((I_{9}^{i})\\)","text":"En este indicador se identificó la población ocupada que recibe ingresos por trabajo, más aquella población ocupada que percibe hasta dos salarios mínimos, dividiéndose entre el total de la población ocupada:\\[I_{9}^{}=\\frac{{P2SM}^{}}{{PO}^}\\times100\\]donde:\\({P2SM}^{}\\): es la población ocupada que recibe ingresos por trabajo o que sólo percibe hasta dos salarios mínimos, y\\({PO}^{}\\): es el total de población ocupada.Indicadores simples","code":"\nIndicadores <- c(\n 'Porcentaje de población de 15 años o más analfabeta', \n 'Porcentaje de población de 15 años o más sin educación básica',\n 'Porcentaje de ocupantes en viviendas sin drenaje ni excusado',\n 'Porcentaje de ocupantes en viviendas sin energía eléctrica', \n 'Porcentaje de ocupantes en viviendas sin agua entubada', \n 'Porcentaje de viviendas con algún nivel de hacinamiento',\n 'Porcentaje de ocupantes en viviendas con piso de tierra',\n 'Porcentaje de población en localidades con menos de 5 000 habitantes', \n 'Porcentaje de población ocupada con ingresos de hasta 2 salarios mínimos'\n )"},{"path":"base-de-datos.html","id":"base-de-datos","chapter":"Base de datos","heading":"Base de datos","text":"Se define un vector llamado tablas que contiene los años 2010, 2015 y 2020 como cadenas de texto. Este vector se utilizará para iterar y cargar las bases de datos correspondientes esos años.Definición de tablasSe carga la base de datos para los 3 añosDentro del iterador (), para cada año se construye el nombre del archivo de datos:Obtención de la tabla: get(paste0(\"tabla_\",)) obtiene la tabla cargada previamente (donde el nombre de cada tabla cargada es tabla_2010, tabla_2015, etc.).Renombrando de la columna: rename(\"ANIO\" = \"AÑO\") cambia el nombre de la columna AÑO ANIO.Filtrado de datos: filter(NOM_ENT != \"Nacional\") elimina las filas donde la columna NOM_ENT tiene el valor “Nacional”.Conversión de la columna factor: dplyr::mutate(ANIO = .factor(.$ANIO)) convierte la columna ANIO en un factor.","code":"\ntablas <- c(\"2010\", \"2015\", \"2020\")\nfor(i in tablas){\nload(file = paste0(here::here(),\"/Bases/IME_\", i, \".RData\"))\n}\n\n##Se cambia el nombre de la columna AÑO, para evitar problemas de puntuación\n## Se cambia la variable año a factor\nfor(i in tablas){\nassign(paste0(\"tabla_\",i), get(paste0(\"tabla_\",i)) %>% \n rename(\"ANIO\" = \"AÑO\") %>%\n filter(NOM_ENT != \"Nacional\") %>%\n dplyr::mutate(ANIO = as.factor(.$ANIO)))\n}"},{"path":"análisis-de-correlaciones.html","id":"análisis-de-correlaciones","chapter":"Análisis de correlaciones","heading":"Análisis de correlaciones","text":"La función corrplot en R es utilizada para crear matrices de correlación visualmente atractivas y fáciles de interpretar. Esta función es parte del paquete corrplot, que proporciona herramientas para visualizar y analizar matrices de correlación.La matriz de correlación es una tabla que muestra las correlaciones entre pares de variables. En análisis de datos, la correlación se utiliza para medir la relación entre dos variables. Puede ser útil para comprender cómo se relacionan diferentes variables entre sí y cómo afectan otras variables en un conjunto de datos.\n","code":"\ncol2 <- colorRampPalette(c(\"#67001F\", \"#B2182B\", \"#D6604D\", \"#F4A582\", \"#FDDBC7\", \"#FFFFFF\", \"#D1E5F0\", \"#92C5DE\",\"#4393C3\", \"#2166AC\", \"#053061\"))\npar(mfrow = c(2, 2), family = 'Montserrat Medium', mar = c(0.5, 0, 0, 0), cex.main = 3, col.main = \"#053061\")\n#Análisis de correlaciones\np <- lapply(1:3, function(i){ \n x <- cor(get(paste0(\"tabla_\",tablas[i]))[,5:13]) \n corrplot(x,\n title = paste(tablas[i]),\n type = \"upper\",\n method = \"color\",\n col = col2(100),\n tl.col = \"blue4\",\n tl.offset = 0.1,\n tl.cex = 3,\n tl.srt = 90,\n cl.align.text = \"c\",\n number.cex = 1.5,\n cl.cex = 2,\n addCoef.col = \"white\", # Add coefficient of correlation\n mar = c(0, 0, 2.5, 0))\n}\n)"},{"path":"método-de-distancias-dp2.html","id":"método-de-distancias-dp2","chapter":"Método de Distancias \\(DP2\\)","heading":"Método de Distancias \\(DP2\\)","text":"José Bernardo Pena Trapero: Problemas de la medición del bienestar y conceptos afines (1977)Los métodos de distancias son enfoques utilizados para medir el bienestar o la calidad de vida de las personas través de la comparación de diferentes dimensiones o indicadores. Estos métodos se basan en la idea de que el bienestar se puede evaluar considerando la distancia o diferencia entre los individuos en términos de ciertos atributos o variables relevantes.\nLa Distancia \\(DP_{2}\\), es un indicador sintético, definido por el profesor J. Bernardo Pena Trapero, basado en el concepto de distancia, construido, como su nombre indica para medir distancias entre unidades geográficas, o bien, también se puede aplicar comparaciones tanto cronológicas como interespaciales.DefiniciónSean:\\(\\:\\:\\circ\\:r\\), el número de entidades;\\(\\:\\:\\circ\\:n\\), el número de variables;\\(\\:\\:\\circ\\:x_{ij}\\), el valor de la variable j en la entidad \\(\\);\\(\\:\\:\\circ\\:\\sigma_{j}\\), La Desviación Típica de la variable \\(j\\);\\(\\:\\:\\circ\\:R^{2}_{,-1,...,1}\\) el Coeficiente de Determinación en la Regresión de \\(X_{}\\) sobre \\(X_{-1},X_{-2},...,X_{1}\\).Se define la \\(Distancia-P_{2}\\) de la forma:\\[\\begin{align}\nDP_{2}=\\sum^{n}_{=1}\\frac{d_{}}{\\sigma_{}}(1-R^{2}_{,-1,...,1})\\:\\:;\\;\\;con \\:\\:R^{2}_{1}=0\n\\end{align}\\]Donde:\\(\\:\\:\\circ\\:d_{} = d_{}(r,*) = |x_{ri}-x_{*}|\\) |: es la distancia de la j-ésima variable de la entidad federativa o municipio \\(r\\) con respecto la base de referencia \\(x_{*}=(x_{*1}, x_{*2},..., x_{*n})\\). Tomando como punto de referencia el valor mínimo de la variable, siendo esta la peor situación teórica,\\(\\:\\:\\circ\\:\\sigma_{}\\) : es la desviación estándar de la variable \\(𝑗\\),\\(\\:\\:\\circ\\:R^{2}_{,-1,...,1}\\): es el coeficiente de determinación de la regresión del indicador parcial \\(𝑗\\) con respecto los otros indicadores \\((𝑗−1,𝑗−2,…,1)\\). Esta expresión es parte de la varianza del indicador parcial \\(I_{j}\\) que se explica linealmente por el resto de los indicadores parciales,\\(\\:\\:\\circ\\:(1-R^{2}_{,-1,...,1})\\)): es el factor corrector que evita la duplicidad, al eliminar la información parcial de los indicadores ya contenidos en los indicadores precedentes, y\\(\\:\\:\\circ\\:R^{2}_{1}=0\\); porque la primera componente aporta toda la información y al existir un componente previo su ponderación es la unidad.El \\(DP_{2}\\) cumple con las siguientes propiedades: negatividad, homogeneidad, conmutatividad, desigualdad triangular, existencia y determinación, monotonía, unicidad, transitividad, duplicidad de información, invariancia al cambio de origen y/o de escala en las unidades y exhaustividad.El orden de entrada de las variablesPara asegurar las propiedades del indicador sintético, un aumento en los indicadores simples implica un aumento en la carencia de los servicios, lo que implicaría una disminución de la calidad de vida, por lo que se multiplica cada indicador por -1, de esta forma, un aumento en la variable supone una mejora en la calidad de vida.","code":"\n# Se multiplica por -1, debido a que son indicadores de carencia \nfor(i in tablas){ \n assign(paste0(\"DP2_datos_\", i), (-1 * get(paste0(\"tabla_\", i))[5:13])) \n}"},{"path":"método-de-distancias-dp2.html","id":"base-de-referencia","chapter":"Método de Distancias \\(DP2\\)","heading":"Base de referencia","text":"Se define al valor de referencia para cada uno de los indicadores parciales, con la finalidad de hacer comparaciones entre las diferentes unidades espaciales (Entidades Federativas). Siendo este el valor mínimo de cada indicador simple como referencia, representado como la “situación deseada”. Como resultado, un valor alto implicaría una distancia alejada con respecto una situación teórica “situación deseada”. Por lo tanto \\(d_{ij}\\) mide la distancia entre el indicador parcial \\(j\\) en la entidad \\(\\) y su valor de referencia.Se toma como base de referencia el valor del mínimo del 2010 - 2020, ya que este tipo de cambio permite la comparabilidad en el tiempo.","code":"\n#Base de referencia 2010 - 2020\nfor(i in tablas){\nassign(paste0(\"minRV_\", i), setNames(c(-17.9063062676492, # ANALF\n -60.1276776392954, # SBASC\n -19.8442777580699, # OVSDE\n -4.93236362397464, # OVSEE\n -29.7931507393921, # OVSAE\n -53.8984835976862, # VHAC\n -19.6138807443748, # OVPT\n -61.5084790431887, # PL.5000\n -85.5702744072091), # PO2SM\n nm = c(\"ANALF\", \"SBASC\", \"OVSDE\", \"OVSEE\", \"OVSAE\", \"VHAC\", \"OVPT\",\"PL.5000\", \"PO2SM\")))\n}"},{"path":"método-de-distancias-dp2.html","id":"método-de-distancia-dp_2","chapter":"Método de Distancias \\(DP2\\)","heading":"Método de Distancia \\(DP_{2}\\)","text":"Utilizando paquetería p2distance, se crean objetos con nombres dinámicos (ind_i) donde es cada elemento de los años de observación.p2distance: Función que calcula las distancias DP2.matriz: Datos de entrada, convertidos matriz.reference_vector: Vector de referencia para el cálculo de distancias.iterations: Número de iteraciones para el cálculo.Total de iteracionesSe anexan los resultados obtenidos las bases de datos original","code":"\nrequire(p2distance)\n##Calculo del Método de Distancias DP2\nfor(i in tablas){\nassign(paste0(\"ind_\",i), p2distance(matriz = as.matrix(get(paste0(\"DP2_datos_\", i))), \n reference_vector = get(paste0(\"minRV_\", i)), \n iterations = 50))\n}\niteration <- lapply(1:3, function(x) get(paste0(\"ind_\", tablas[x]))[[\"iteration\"]])\nfor(i in tablas){\nassign(paste0(\"DP2_\",i), cbind(get(paste0(\"tabla_\",i)), get(paste0(\"ind_\",i))[[\"p2distance\"]]))\n}\n\n# Se cambian los nombres de las columnas \nfor(i in 1:3){\n columns = get(paste0(\"DP2_\",tablas[i]))\n colnames(columns) = c(\"CVE_ENT\", \"NOM_ENT\", \"POB_TOT\", \"ANIO\",\n \"ANALF\", \"SBASC\", \"OVSDE\", \"OVSEE\", \"OVSAE\", \"VHAC\", \"OVPT\", \"PL.5000\", \"PO2SM\",\n paste0(\"IM_\", tablas[i]))\n assign(paste0(\"DP2_\",tablas[i]), columns)\n rm(columns)\n}"},{"path":"método-de-estratificación.html","id":"método-de-estratificación","chapter":"Método de estratificación","heading":"Método de estratificación","text":"","code":""},{"path":"método-de-estratificación.html","id":"método-de-estratificación-de-dalenius-hodges","chapter":"Método de estratificación","heading":"Método de estratificación de Dalenius & Hodges","text":"strata.cumrootf: cumulative root frequency method Dalenius Hodges (1959).Con la obtención del índice de marginación través del método DP2, los valores se clasificaron en cinco categorías ordinales con el método de Dalenius y Hodges (1959), para obtener el grado de marginación. Este método forma estratos de manera que la varianza sea mínima al interior de cada estrato y máxima entre cada uno de ellos, es decir, son lo más homogéneos posibles. Este procedimiento utiliza la raíz de las frecuencias acumuladas para la construcción de los estratos, por lo que se lleva cabo para la división de la población en el estrato L. Esta es una solución aproximada de Dalenius y Hodges (1959) las ecuaciones de Dalenius (1950). De acuerdo con Gunning y Horgan (2004), el límite superior de cada estrato se determinó con la siguiente expresión:\\[Q = \\frac{1}{L}\\sum^{J}_{=1}{\\sqrt{f_{}}}\\]Sea un conjunto de estratos determinados por su límite superior,\\[Q,\\ 2Q,\\ \\ldots,\\ \\left(L-1\\right)Q,\\ (L)Q.\\]\ndonde:\\(\\circ \\:J\\): es el número de clases dentro del grupo de la variable ordenada X,\\(\\circ \\:f_{}\\ \\(1,\\ \\ldots, J)\\): es la frecuencia en cada clase \\(J\\), y\\(\\circ \\:L\\): es el número de estratos.La eficiencia del método de la raíz de las frecuencias acumuladas depende principalmente del número de clases dentro del grupo de la variable ordenada. Sin embargo, hay un procedimiento estándar sobre cómo elegir el mejor valor para el número de clases, siendo esto una limitante del método de Dalenius y Hodges. Para medir el efecto del número de clases en la varianza de cada estrato se recurrió un método iterativo para obtener un criterio de agrupación óptimo.Para establecer los límites de los estratos \\((b_{1},\\ \\ldots,\\ b_{L})\\) que minimicen la varianza del estimador, se utiliza la asignación de Neyman para determinar el tamaño de muestra óptimo. Sea la varianza del estimador:\\[V\\left({\\bar{x}}_{st}\\right)=\\ \\sum_{h}\\left(\\frac{N_h}{N}\\right)^2\\frac{S_h^2}{n_h}\\ \\]\ndonde:\\(\\circ \\: S_{h}^{2}\\): es la varianza poblacional en el estrato \\(h\\),\\(\\circ \\:n_{h}\\): es el tamaño de muestra en el estrato \\(h\\) utilizada por la asignación de Neyman, y\n\\(\\circ \\:N_{h}\\): es el total de elementos en el estrato \\(h\\), sea \\(N=\\sum_{h=1}^{L}{N_{h}}\\).Si se asume que la distribución dentro de cada estrato se distribuye aproximadamente de manera uniforme, los límites se obtienen tomando intervalos iguales en la función de la raíz de las frecuencias acumuladas. Los límites se resuelven de manera iterativa:\\[\\frac{S_h^2+(b_h-{\\bar{X}}_h)2}{S_h}=\\frac{S_{h+1}^2+(b_h-{\\bar{X}}_{h+1})2}{S_{h+1}}\\ para\\ h=1,\\ \\ldots.\\ ,\\ L-1\\]\ndonde:\\(\\circ \\: b_{h}\\): es el límite superior en el estrato \\(h\\),\\(\\circ \\: {\\bar{X}}_{h}\\): es la media poblacional en el estrato \\(h\\), y\\(\\circ \\: S_{h}^{2}\\): es la varianza poblacional en el estrato \\(h\\).El requisito de precisión, generalmente se establece cuando el coeficiente de variación sea igual un nivel especificado entre 1 y 10 por ciento (Hidiroglou y Kozak, 2018).","code":""},{"path":"método-de-estratificación.html","id":"número-óptimo-de-clases-del-método-de-dalenius-hodge","chapter":"Método de estratificación","heading":"Número óptimo de clases del método de Dalenius & Hodge","text":"alloc lista que especifica el esquema de asignación. La lista debe contener 3 números para los 3 exponentes q1, q2 y q3 en el esquema de asignación general (ver paquete de stratification). El valor predeterminado es la asignación de Neyman (q1 = q3 = 0.5 y q2 = 0)continuación, se realiza un análisis de estratificación sobre los diferentes años, usando la función strata.cumrootf(), almacenando los resultados de errores estándar, medias y varianzas en matrices que luego se guardan en listas.","code":"\nstart.time <- Sys.time()\nDH_Entidad <- list()\nstderr <- list()\nmean <- list()\nvar <- list()\nfor(j in 1:3){\ni <- 1\n sd <- matrix(NA, nrow = 28, ncol = 3)\n meanh <- matrix(NA, nrow = 28, ncol = 6)\n varh <- matrix(NA, nrow = 28, ncol = 6)\n for(n in seq(5, nrow(get(paste0(\"DP2_\", tablas[j]))), 1)){\n DH_Entidad[[paste(tablas[j])]][[n]] <- strata.cumrootf(x = get(paste0(\"DP2_\", tablas[j]))[,14], CV = 0.05, Ls = 5, alloc = c(0.5, 0, 0.5), nclass = n)\n cum <- DH_Entidad[[paste(tablas[j])]][[n]]\n sd[i,] <- c(n, cum$stderr, cum$CV)\n meanh[i,] <- c(n, cum$meanh)\n varh[i,] <- c(n, cum$varh)\n i <- i + 1\n}\n stderr[[j]] <- sd\n mean[[j]] <- meanh\n var[[j]] <- varh\n}\n\nfor(i in 1:3){\n colnames(stderr[[i]]) <- c(\"n\", \"sderr\", \"CV\")\n}\n\nend.time <- Sys.time()\ntime.taken <- round(end.time - start.time, 2)\ntime.taken\n#> Time difference of 0.15 secs"},{"path":"método-de-estratificación.html","id":"número-óptimo-de-clases","chapter":"Método de estratificación","heading":"Número óptimo de clases","text":"Se toma cada matriz resultante de errores estándar de la lista stderr, y luego selecciona la fila que tiene el coeficiente de variación (CV) más bajo. Estos resultados se almacenan en la lista min.strata, la cual contendrá los data.frames correspondientes las filas con el menor CVpara cada uno de los tres conjuntos de datos en stderr.\nSe toman en cuenta el número de clases que salen del los resultados del método iterativo. Utilizando la función strata.cumrootf() de la paquetería stratification con parámetros específicos y el número de clases (nclass) obtenido de min.strata.\n- CV = 0.05: Establece el coeficiente de variación.\n- Ls = 5: Establece el número de estratos.\n- alloc = c(0.5, 0, 0.5): Define la asignación para la estratificación.\n- nclass = min.strata[[]][,1]: Establece el número de clases utilizando el primer valor de la fila con el menor CV en min.strata.Se agregan los datos la base original.","code":"\nmin.strata <- NULL\nfor(i in 1:3){\n min.strata[[i]] <- stderr[[i]] %>%\n as.data.frame() %>% \n slice(which.min(.$CV))\n}\nfor(i in 1:3){\n assign(paste0(\"strata.DP2_\",tablas[i]), strata.cumrootf(get(paste0(\"DP2_\",tablas[i]))[,14],\n CV = 0.05,\n Ls = 5,\n alloc = c(0.5, 0, 0.5), \n nclass = min.strata[[i]][,1]))\n}\n##Se agrega a la base DP2\nfor(i in 1:3){\n assign(paste0(\"DP2_\",tablas[i]), data.frame(get(paste0(\"DP2_\", tablas[i])),\n get(paste0(\"strata.DP2_\", tablas[i]))[[\"stratumID\"]]))\n}\n\n# Se cambian los nombres de las columnas \nfor(i in 1:3){\n columns = get(paste0(\"DP2_\",tablas[i]))\n colnames(columns) = c(\"CVE_ENT\", \"NOM_ENT\", \"POB_TOT\", \"ANIO\",\n \"ANALF\", \"SBASC\", \"OVSDE\", \"OVSEE\", \"OVSAE\", \"VHAC\", \"OVPT\", \"PL.5000\", \"PO2SM\",\n paste0(\"IM_\",tablas[i]), paste0(\"GM_\",tablas[i]))\n assign(paste0(\"DP2_\",tablas[i]), columns)\n rm(columns)\n}\n\n# Se cambian los levels a los grados de marginación correspondientes\nfor(i in tablas){\n niveles = get(paste0(\"DP2_\",i)) \n levels(niveles[,15]) = c(\"Muy alto\", \"Alto\", \"Medio\", \"Bajo\", \"Muy bajo\")\n assign(paste0(\"DP2_\",i), niveles)\n}"},{"path":"método-de-estratificación.html","id":"límites-de-los-estratos","chapter":"Método de estratificación","heading":"Límites de los estratos","text":"Se crea un data frame llamado limites que contiene los límites de ciertos intervalos para los años 2010, 2015 y 2020. Cada columna contiene una combinación de:\n- El valor mínimo del índice de marginación (IM:) para el año correspondiente.\n- Los valores de los límites de los estratos (bh) calculados previamente.\n- El valor máximo del índice de marginación (IM_) para el año correspondiente.","code":"\nlimites <- data.frame(\"2010\" = c(min(DP2_2010$IM_2010), strata.DP2_2010$bh, max(DP2_2010$IM_2010)),\n \"2015\" = c(min(DP2_2015$IM_2015), strata.DP2_2015$bh, max(DP2_2015$IM_2015)),\n \"2020\" = c(min(DP2_2020$IM_2020), strata.DP2_2020$bh, max(DP2_2020$IM_2020)))"},{"path":"índice-normalizado.html","id":"índice-normalizado","chapter":"Índice normalizado","heading":"Índice normalizado","text":"Otra forma de apreciar el índice de marginación es normalizando sus valores para ver objetivamente la evolución de cada unidad territorial (Somarriba et al. 2013). La normalización se realiza utilizando un cambio de escala conocido como normalización mínima-máxima. Con este procedimiento el índice de marginación se escala valores relativos con un rango de entre cero y uno, lo cual permite su comparación numérica y le da una propiedad adicional al índice de marginación. Al mismo tiempo, la normalización determina el mismo sentido que el índice obtenido por el método DP2, donde los valores cercanos cero implican mayor marginación.El proceso de normalización consiste en:\\[{DP}_2normalizado=\\frac{{DP}_2^-\\min({DP}_2)}{\\max({DP}_2)-\\min({DP}_2)},\\]\ndonde:\\(\\circ \\: {DP}_{2}^{}\\): es el valor del índice de marginación del estado o municipio \\(\\),\\(\\circ \\: min ({DP}_{2})\\): es el valor mínimo o peor escenario que puede tomar el índice, y\\(\\circ \\: max ({DP}_{2})\\): es el valor máximo u objetivo que puede tomar el índice.","code":""},{"path":"índice-normalizado.html","id":"desviación-estándar-de-los-indicadores-simples","chapter":"Índice normalizado","heading":"Desviación estándar de los indicadores simples","text":"Varianza muestral insesgadaEstimado insesgado de la varianza poblacional\\[s^{2} = \\frac{1}{n-1}\\left(x_{}-\\bar{x}\\right)^{2} = \\frac{\\sum_{=1}^{n}(x_{}^{2})}{n-1} - \\frac{\\sum_{=1}^{n}(x_{})^{2}}{(n-1)\\: n } = \\left(\\frac{n-1}{n}\\right)s_{n}^{2} \\]\nSe calcula la desviación estándar muestral y su inversa para un conjunto de indicadores simples. Para cada elemento:\n- Extrae las columnas 5 13 del data frame correspondiente (DP2_).\n- Calcula la desviación estándar para cada una de estas columnas.\n- Ajusta la desviación estándar para obtener la desviación estándar muestral.\n- Calcula la inversa de la desviación estándar muestral.\n- Almacena los resultados en un data frame dentro de la lista desvest.","code":"\n# Desviación estándar de los indicadores\ndesvest <- NULL\nfor(i in 1:3){\ndesvest[[i]] <- as.matrix(apply(get(paste0(\"DP2_\", tablas[i]))[5:13], MARGIN = 2, sd)) %>%\n as.data.frame() %>%\n rename(\"desvest\" = \"V1\") %>%\n dplyr::mutate(sd_muestral = .$desvest * (sqrt((dim(get(paste0(\"DP2_\",tablas[i]))[5:13])[1] - 1)/dim(get(paste0(\"DP2_\",tablas[i]))[5:13])[1]))) %>%\n dplyr::mutate(desvest.inversa = 1/(.$sd_muestral))\n}"},{"path":"índice-normalizado.html","id":"escenarios-extremos","chapter":"Índice normalizado","heading":"Escenarios extremos","text":"Para este tipo de cálculo es necesario conocer los puntos más extremos que puede tomar el índice en el año de observación. De antemano, se sabe que cada indicador simple toma valores de cero 100 y, además, el método DP2 ya proporcionó el orden de entrada de las variables. Usando estos criterios se estiman los puntos focales extremos que puede tomar el índice de marginación. Se sabe que la peor situación es cuando una unidad de análisis toca todos y cada uno de los valores mínimos del vector base de referencia común, esto sería el peor escenario de marginación y tomaría un valor de cero. En sentido contrario, el valor máximo sería la situación con la menor marginación.Escenarios del mínimo y máximo valor en el índice DP2Se calculan los valores mínimo y máximo del índice DP2 para diferentes escenarios y años. Para cada elemento, se calcula:\n- Valor mínimo: Calcula la diferencia absoluta entre minRV_2010 y vector_minimo, ajusta con la inversa de la desviación estándar muestral y los factores de corrección, y suma las filas para obtener el DP2.\n- Valor máximo: Calcula la diferencia absoluta entre minRV_2010 y un vector de ceros (vector_maximo), ajusta con la inversa de la desviación estándar muestral y los factores de corrección, y suma las filas para obtener el DP2.","code":"\nminimo <- NULL\nmaximo <- NULL\n## Mínimo valor del DP2\nfor(i in 1:3){\nvector_minimo <- minRV_2010 \ntabla <- abs(vector_minimo - minRV_2010) * desvest[[i]][[\"desvest.inversa\"]] *\n get(paste0(\"ind_\", tablas[i]))[[\"correction_factors\"]][names(DP2_2020[5:13])] %>%\n t() %>%\n as.data.frame() \nminimo[[i]] <- data.frame(AÑO = paste(tablas[i]), Escenario = \"Mínimo\", tabla, DP2 = rowSums(tabla))\n \n## Máximo valor del DP2 \nvector_maximo <- rep(0, 9) # Cuando los indicadores valen cero \ntabla <- abs(vector_maximo - minRV_2010) * desvest[[i]][[\"desvest.inversa\"]] *\n get(paste0(\"ind_\", tablas[i]))[[\"correction_factors\"]][names(DP2_2020[5:13])] %>%\n t() %>%\n as.data.frame() \n\nmaximo [[i]] <- data.frame(AÑO = paste(tablas[i]), Escenario = \"Máximo\", tabla, DP2 = rowSums(tabla))\n}"},{"path":"índice-normalizado.html","id":"índice-normalizado-1","chapter":"Índice normalizado","heading":"Índice normalizado","text":"Se guarda la base de datos con el índice normalizadoSe calcula un nuevo indicador denominado `IMN para cada año, normalizando el índice DP2 entre sus valores mínimos y máximos.<>","code":"\nfor(i in 1:3){\nmin_DP2 <- minimo[[i]][[\"DP2\"]]\nmax_DP2 <- maximo[[i]][[\"DP2\"]]\nassign(paste0(\"DP2_\",tablas[i]), get(paste0(\"DP2_\", tablas[i])) %>%\n dplyr::mutate(IMN = (get(paste0(\"IM_\", tablas[i])) - min_DP2)/(max_DP2 - min_DP2)))\n}\n#Tabla final\nfor(i in tablas){\nsave(get(paste0(\"DP2_\",i)), file = paste0(here::here(), \"/Output/IME_\", i, \".RData\"))\n}"},{"path":"validación-de-datos.html","id":"validación-de-datos","chapter":"Validación de datos","heading":"Validación de datos","text":"Se crea en una lista que contiene el resumen del método DP2 para todos los años","code":"\nfor(i in tablas){\nList_DP2 <- mget(paste0(\"ind_\", tablas))\n}"},{"path":"validación-de-datos.html","id":"orden-de-entrada-de-las-variables","chapter":"Validación de datos","heading":"Orden de entrada de las variables","text":"Se crea un data.frame de acuerdo al orden de importancia de las variables para todos los años\nDependiendo del proceso, el DP2 adoptará diferentes valores. Por lo tanto, es importante que el método de como resultado un orden de entrada único de los indicadores parciales.","code":"\nVariables_sort <- NULL\nfor(i in 1:3){\nVariables_sort[i] <- as.data.frame(lapply(List_DP2, function(x) get(paste0(\"ind_\", tablas[i]))$variables_sort))\n}\n\nVariables_sort <- do.call(cbind.data.frame, Variables_sort)\ncolnames(Variables_sort) <- c(\"2010\", \"2015\", \"2020\")"},{"path":"validación-de-datos.html","id":"coeficiente-de-correlación","chapter":"Validación de datos","heading":"Coeficiente de correlación","text":"El coeficiente de correlación es una medida que se utiliza para jerarquizar los indicadores simples de acuerdo con el grado de correlación absoluta con respecto al indicador sintético resultante, es decir, ayuda visualizar que variable tiene un mejor o peor apego con el fenómeno.Se crea un data.frame de acuerdo la correlación de cada variable con el indicador sintético (DP2) para todos los años","code":"\ncor.coeff <- NULL\ncor.coeff <- lapply(1:3, function(i) data.frame(rownames(get(paste0(\"ind_\",tablas[i]))[[\"cor.coeff\"]]),\n get(paste0(\"ind_\",tablas[i]))$cor.coeff))\ncor.coeff <- do.call(cbind.data.frame, cor.coeff)\ncolnames(cor.coeff) <- c(\"Ind_2010\", \"2010\", \"Ind_2015\", \"2015\", \"Ind_2020\", \"2020\")"},{"path":"validación-de-datos.html","id":"factor-de-corrector","chapter":"Validación de datos","heading":"Factor de corrector","text":"El factor corrector, como se mencionó anteriormente, indica la proporción de información con la que contribuye el indicador simple al nuevo índice sintético, además, evita la duplicidad e incorpora información útil que retiene cada indicador simple.Se crea un data.frame de acuerdo al factor corrector de cada indicador parcial para todos los años","code":"\ncorrection_factors <- NULL\nfor(i in 1:3){\ncorrection_factors[i] <- as.data.frame(lapply(List_DP2, function(x) get(paste0(\"ind_\",tablas[i]))$correction_factors))\n}\n###Intetar de pegar el nombre de la columna \ncorrection_factors <- do.call(cbind.data.frame, c(Variables_sort, correction_factors)) %>%\n subset(., select = c(1, 4, 2, 5, 3, 6))\ncolnames(correction_factors) <- c(\"Ind_2010\", \"2010\", \"Ind_2015\", \"2015\", \"Ind_2020\", \"2020\")"},{"path":"validación-de-datos.html","id":"coeficiente-de-discriminación","chapter":"Validación de datos","heading":"Coeficiente de Discriminación","text":"El coeficiente de discriminación de Ivanovic mide el poder discriminante de la variable \\(j\\) en el conjunto de observaciones \\(\\).\\[CD_{j}=\\frac{2}{m\\left(m-1\\right)}\\sum_{,l>}^{k_{j}}m_{ij}m_{lj}\\left|\\frac{x_{ij}-x_{lj}}{{\\overline{X}}_{}}\\right|\\]donde:\\(\\circ\\:m_{ij}\\): El número de observaciones de la variable \\(x_{j}\\)\\(\\circ\\:k_{j}\\): El número de diferentes valores que toma \\(x_{}\\) en el conjunto \\(j\\).Esta medida está comprendida entre \\([0, 2]\\). Si una variable toma el mismo valor para todos los estados, el CD vale cero, indicando que posee un valor nulo de poder discriminante. Por el contrario, si una variable toma el valor teórico de máximo poder discriminante, el discriminante de la variable es total.Se crea un data.frame de acuerdo al Coeficiente de discriminación (CD) de cada indicador parcial para todos los años","code":"\ndiscrimination_coefficient <- NULL\ndiscrimination_coefficient <- lapply(1:3, function(i) data.frame(names(get(paste0(\"ind_\",tablas[i]))[[\"discrimination.coefficient\"]]),\n get(paste0(\"ind_\",tablas[i]))$discrimination.coefficient))\n\ndiscrimination_coefficient <- do.call(cbind.data.frame, discrimination_coefficient)\ncolnames(discrimination_coefficient) <- c(\"Ind_2010\", \"2010\", \"Ind_2015\", \"2015\", \"Ind_2020\", \"2020\")"},{"path":"validación-de-datos.html","id":"cantidad-de-información-global-de-ivanovic-pena-relativa-individual","chapter":"Validación de datos","heading":"“Cantidad de Información Global de Ivanovic Pena Relativa Individual”","text":"\\[\\alpha_{}=\\frac{CD_{}\\left(1-R^{2}_{,-1,...,1} \\right)}{\\sum_{=1}^{n}CD_{} \\left(1-R^{2}_{,-1,...,1} \\right)}\\]\nEsta medida, comprendida entre 0 y 1, combina la información útil y el poder discriminante de cada indicador simple y mide la cantidad de información (combinada) relativa que aporta individualmente cada indicador simple, cuando entra de forma ordenada formar parte del indicador sintético DP2. La suma de todos los valores de \\(\\alpha_{}\\) es la unidad. [Zarsosa 1996, págs 158-174]","code":"\n## son 9 indicadores simples\nalpha <- NULL\nfor(i in 1:3){\nalpha[[i]] <- sapply(1:length(Indicadores), function(x)(get(paste0(\"ind_\",tablas[i]))[[\"correction_factors\"]][x] * get(paste0(\"ind_\",tablas[i]))[[\"discrimination.coefficient\"]][x]) / sum(get(paste0(\"ind_\",tablas[i]))[[\"correction_factors\"]] * get(paste0(\"ind_\",tablas[i]))[[\"discrimination.coefficient\"]]))\n}"},{"path":"resumen.html","id":"resumen","chapter":"Resumen","heading":"Resumen","text":"El índice de marginación permite clasificar las entidades federativas según el impacto global de las carencias que sufre la población debido la falta de acceso la educación, la residencia en viviendas inadecuadas, los bajos ingresos monetarios y la falta de servicios de salud, equipamientos e infraestructura adecuada en las localidades. Estas condiciones crean una estructura precaria de oportunidades que obstruye el pleno desarrollo del potencial humano.La tabla presenta una comparación temporal del grado de marginación nivel estatal en México, desagregada por el grado de marginación para los años 2010, 2015 y 2020.Observaciones Clave1.- Incremento en la Población de Grado Alto y Muy Alto:\nHay un aumento constante en la población en grados de marginación Alto y Muy Alto de 2010 2020. En 2010, 10 estados representaban el 33.6% de la población en estas categorías. Para 2015, este número aumentó 11 estados, abarcando el 34.5% de la población. En 2020, 12 estados, con el 35.2% de la población, vivían en condiciones de marginación alta y muy alta.2.- Disminución en Grados Bajo y Muy Bajo:\nLa población en grados de marginación Bajo y Muy Bajo muestra una tendencia la baja. En 2010, el 53.1% de la población residía en 15 estados con grados de marginación bajo y muy bajo. Para 2015, esta proporción disminuyó 13 estados con el 49.3% de la población. En 2020, el 46.9% de la población vivía en 12 estados con grados de marginación bajo y muy bajo.3.- Estabilidad en Grado Muy Alto: La población en el grado de marginación Muy Alto se mantuvo constante en los estados de Oaxaca, Guerrero y Chiapas durante los tres años. Sin embargo, hubo mejoras significativas en el bienestar de las personas en Oaxaca y Chiapas, según el índice de marginación.","code":""},{"path":"resumen.html","id":"mapa-a-nivel-estatal","chapter":"Resumen","heading":"Mapa a nivel estatal","text":"","code":""},{"path":"resumen.html","id":"comparación-en-el-tiempo","chapter":"Resumen","heading":"Comparación en el tiempo","text":"\n","code":""},{"path":"referencias.html","id":"referencias","chapter":"Referencias","heading":"Referencias","text":"Dalenius, T. (1950). problem optimum stratification. Scandinavian Actuarial J., 3-4, 203-13. Recuperado de: https://doi.org/10.1080/03461238.1950.10432042\n__________ y Hodges, J. L., Jr. (1959). Minimum variance stratification. Journal American Statistical Association, 54, 88-101.\nGunning, P. y Horgan, J. M. (2004). new algorithm construction stratum boundaries skewed populations. Survey Methodology, 30 (2), 159–166.Pena Trapero, J. B. (1977). Problemas de la medición del bienestar y conceptos afines. Una aplicación al Caso Español. . N. E: Madrid.Somarriba, N. y Pena, B. (2009). Synthetic Indicators Quality Life Europe. Social Indicators Research. Recuperado de: https://doi.org/10.1007/s11205-008-9356-y\n__________, Zarzosa, P. y Pena, T. (2013). La calidad de vida en la Unión Europea. Un análisis temporal por medio de indicadores sintéticos. Congreso de la Asociación Española de Ciencia Regional. XXXIX Reunión de Estudios Regionales. Smart regions smarter growth strategy: new challenges Regional Policy potentials cities overcome worldwide economic crisis. Recuperado de: https://old.reunionesdeestudiosregionales.org/Oviedo2013/htdocs/pdf/p851.pdfZarzosa, P. (1996). Aproximación la medición del bienestar social. Secretario de Publicaciones: Valladolid.\n__________. (2009). Estimación de la pobreza en las comunidades autónomas españolas, mediante la distancia DP2 de Pena. Estudios de Economía Aplicada, 27 (2), 397–416.\n__________. (2012). Social Welfare Spain Crisis: Territorial Chronological Analysis. International Journal Advances Management Economics 1 (4), 165-171.\n__________ y Somarriba, N. (2013). Assessment Social Welfare Spain: Territorial Analysis Using Synthetic Welfare Indicator. Social Indicators Research, 111, 1-23.","code":"\nsesion_info <- devtools::session_info()"}] diff --git "a/docs/validaci\303\263n-de-datos.html" "b/docs/validaci\303\263n-de-datos.html" index 7cc8120..0361ee3 100644 --- "a/docs/validaci\303\263n-de-datos.html" +++ "b/docs/validaci\303\263n-de-datos.html" @@ -98,7 +98,7 @@

    Orden de entrada de las variables Variables_sort <- do.call(cbind.data.frame, Variables_sort) colnames(Variables_sort) <- c("2010", "2015", "2020") -
    +

    @@ -172,7 +172,7 @@

    Coeficiente de correlaciónget(paste0("ind_",tablas[i]))$cor.coeff)) cor.coeff <- do.call(cbind.data.frame, cor.coeff) colnames(cor.coeff) <- c("Ind_2010", "2010", "Ind_2015", "2015", "Ind_2020", "2020") -
    +

    @@ -279,7 +279,7 @@

    Factor de correctorcorrection_factors <- do.call(cbind.data.frame, c(Variables_sort, correction_factors)) %>% subset(., select = c(1, 4, 2, 5, 3, 6)) colnames(correction_factors) <- c("Ind_2010", "2010", "Ind_2015", "2015", "Ind_2020", "2020") -
    +

    @@ -388,7 +388,7 @@

    Coeficiente de Discriminacióndiscrimination_coefficient <- do.call(cbind.data.frame, discrimination_coefficient) colnames(discrimination_coefficient) <- c("Ind_2010", "2010", "Ind_2015", "2015", "Ind_2020", "2020") -
    +

    @@ -492,7 +492,7 @@

    “Cantidad de Información Global de Ivanovic Pena Relativa Individual”for(i in 1:3){ alpha[[i]] <- sapply(1:length(Indicadores), function(x)(get(paste0("ind_",tablas[i]))[["correction_factors"]][x] * get(paste0("ind_",tablas[i]))[["discrimination.coefficient"]][x]) / sum(get(paste0("ind_",tablas[i]))[["correction_factors"]] * get(paste0("ind_",tablas[i]))[["discrimination.coefficient"]])) } -
    +

    diff --git "a/docs/\303\255ndice-normalizado.html" "b/docs/\303\255ndice-normalizado.html" index 4c3d317..bfecd53 100644 --- "a/docs/\303\255ndice-normalizado.html" +++ "b/docs/\303\255ndice-normalizado.html" @@ -106,7 +106,7 @@

    Desviación estándar de los indicadores simples dplyr::mutate(sd_muestral = .$desvest * (sqrt((dim(get(paste0("DP2_",tablas[i]))[5:13])[1] - 1)/dim(get(paste0("DP2_",tablas[i]))[5:13])[1]))) %>% dplyr::mutate(desvest.inversa = 1/(.$sd_muestral)) } -
    +

    @@ -222,7 +222,7 @@

    Índice normalizadodplyr::mutate(IMN = (get(paste0("IM_", tablas[i])) - min_DP2)/(max_DP2 - min_DP2))) }
    -
    +