Práctica.qmd

---
title: "Práctica EPH"
subtitle: "Núcleo de Innovación Social & RLadies Buenos Aires"
author: "Betsy Cohen & Andrea Gómez Vargas"
date: "2023-09-07"
format: 
   html:
     df-print: kable
---

# Ejercicios de Práctica

En este taller vamos a aprender a:

1.  Cargar los datos directamente desde nuestra consola de R usando el paquete `{eph}`
2.  Manipularlos usando `dplyr` de `{tidyverse}` para observar indicadores básicos de trabajo
3.  Construir una tabla usando la librería de gramática de tablas `{gt}`

> [Descarga la práctica guiada en .Rmd](https://drive.google.com/drive/folders/1lWlTc6u-uhUWE5VcuCQRysoSNDmV5HGi?usp=sharing)

# Antes de arrancar

Para poder trabajar ordenadamente te recomendamos:

Tener instaladas las librerías que vamos a usar con la función `install.packages()`: `{tidyerse}`,`{gt}`,`{gtExtras}`, `{Janitor}` & `{eph}`

```{r echo=TRUE, message=FALSE, warning=FALSE}
# install.packages("tidyverse")
# install.packages("gt")
# install.packages("gtExtras")
# install.packages("janitor")
# install.packages("eph")
```

Una buena práctica siempre que trabajes con **encuestas** es tener a mano:

-   Los cuestionarios (te van a permitir entender bien la estructura y pases)
-   [El registro de diseño](https://www.indec.gob.ar/ftp/cuadros/menusuperior/eph/EPH_registro_1T2022.pdf): donde tenes la referencia del código de pregunta, estructura y en caso que corresponda las categorías posibles que tiene que adoptar.
-   Definiciones operacionales que realiza INDEC sobre condición de actividad, subocupación horaria y categoría ocupacional disponible [aquí](https://www.indec.gob.ar/ftp/cuadros/menusuperior/eph/EPH_Conceptos.pdf)

## Setup librerías

El primer paso es llamar a las librerías que vamos a usar que por lo general siempre las colocamos al principio de nuestro script

```{r message=FALSE, warning=FALSE}
library(tidyverse) # para manipular los datos
library(eph) # para levantar los datos de la encuesta 
library(janitor) # nos permite limpiar y acomodar facilmente los nombres de las variables (entre otras cosas)
library(gt) # para hermosear nuestras tablas
library(gtExtras) # para hermosear todavía más nuestras tablas 
```

# Obtener datos

Vamos a arrancar descargando los datos con la función `get_microdata()`. En este caso vamos a descargar los resultados de la base de individuos del primer trimestre de 2022. Si quisieramos especificar una serie de variables en particular con las cuales vamos a trabajar

> TIP: Para revisar los parámetros de una función siempre podemos consultar la la ayuda de R posicionándonos sobre la función y presionando la tecla F1.

```{r getdata}
ind_2023_1 <- get_microdata(
  year = 2023,
  period = 1,
  type = "individual",
  vars = "all")

```

En caso que no quieras o puedas usar este paquete podes descargar las bases de microdatos en el sitio del indec en la sección Bases de datos y descargar [EPH continua](https://www.indec.gob.ar/indec/web/Institucional-Indec-BasesDeDatos)

Vamos a reproducir la tabla 1.1 del [Informe de Mercado de trabajo del primer trimestre 2023](https://www.indec.gob.ar/uploads/informesdeprensa/mercado_trabajo_eph_1trim234267B9F5D1.pdf):

# Definiciones Básicas

Antes de cálcular los indicadores tengamos en cuenta las siguientes definiciones de lo que vamos a calcular:

-   **Población:** es el total de unidades al que expande la muestra.
-   **Población Ocupada:** conjunto de personas que tienen por lo menos una ocupación
-   **Población Desocupada:** personas que, no teniendo ocupación, están buscando activamente trabajo y están disponibles para trabajar.
-   **Población Economicamente Activa**(PEA): la integran las personas que tienen una ocupación o que, sin tenerla, la están buscando activamente. Está compuesta por la población ocupada más la población desocupada.
-   **Población Ocupada demandante de empleo:** población ocupada que busca activamente otra ocupación.
-   **Población Subocupada:** se refiere a la subocupación por insuficiencia de horas, visible u horaria, y comprende a las personas ocupadas que trabajan menos de 35 horas semanales por causas involuntarias y que están dispuestas a trabajar más horas.
    -   **Población Subocupada demandante**: población subocupada (por causas involuntarias y dispuesta a trabajar más horas) que además busca activamente otra ocupación.
    -   **Población Subocupada no demandante**: población subocupada (por causas involuntarias y dispuesta a trabajar más horas) que no está en la búsqueda activa de otra ocupación.

> Tanto la ocupación como la desocupación constituyen lo que se denomina **condición de actividad** que define la situación en que se encuentran las personas con respecto a su participación o no en la actividad económica.

# Manos al código

Primero creamos una tabla con los siguientes indicadores de resumen (tomamos de base las definiciones mencionadas anteriormente):

-   Población
-   Ocupados
-   Desocupados
-   Población Economicamente Activa (PEA)
-   Ocupados demandantes
-   Subocupados (demandantes, no demandantes y total)

Estos niveles nos van a permitir calcular las tasas de forma sencilla.

> Para obtener cualquier tasa necesitamos crear un numerador y un denominador. Por ejemplo: $\text{Tasa de empleo = } Ocupados/Población$.

Al ser una muestra en la EPH trabajamos con el total expandido por su ponderador, en este caso lo encontramos en la variable **PONDERA**.

## Variables de la Base EPH

Para hacer la tabla vamos a trabajar con las siguientes variables de la base EPH:

-   PONDERA: Es el factor de expansión para cada unidad de análisis
-   ESTADO: Indica la condición de actividad y puede tomar los valores:
    -   0 = Entrevista individual no realizada (no respuesta al cuestionario individual)
    -   1 = Ocupado
    -   2 = Desocupado
    -   3 = Inactivo
    -   4 = Menor de 10 años
-   PP03J: Es la pregunta: *Aparte de este/os trabajo/s, ¿estuvo buscando algún empleo / ocupación /actividad?*, que toma los valores:
    -   1 = Sí
    -   2 = No
    -   9 = Ns/Nr
-   INTENSI: Refiere a la intensidad de la carga horaria laboral y cuyas categorías son:
    -   1 = Subocupado por insuficiencia horaria
    -   2 = Ocupado pleno
    -   3 = Sobreocupado
    -   4 = Ocupado que no trabajó en la semana
    -   9 = Ns/Nr

# Tabla resumen

Con la función `summarise` del paquete `{tidyerse}` podemos realizar distintas operaciones de resumen sobre las variables de nuestro análisis con la base que estamos trabajando:

```{r}
tabla_1 <- ind_2023_1 |> 
  summarise(Poblacion          = sum(PONDERA),
            Ocupacion          = sum(PONDERA[ESTADO == 1]),
            Desocupacion       = sum(PONDERA[ESTADO == 2]),
            PEA                = Ocupacion + Desocupacion,
            Ocupacion_demandate = sum(PONDERA[ESTADO == 1 & PP03J ==1]),
            Suboc_demandante   = sum(PONDERA[ESTADO == 1 & INTENSI ==1 & PP03J==1]),
            Suboc_no_demand    = sum(PONDERA[ESTADO == 1 & INTENSI ==1 & PP03J %in% c(2,9)]),
            Subocupacion       = Suboc_demandante + Suboc_no_demand)

tabla_1
```

Ahora vamos a calcular las tasas creando una serie de nuevas columnas, usando la función `mutate`

```{r}
tabla_1 <- tabla_1 |> 
  mutate('Actividad'                  = PEA/Poblacion,
         'Empleo'                     = Ocupacion/Poblacion,
         'Desocupación'               = Desocupacion/PEA,
         'Ocupación demandante'       = Ocupacion_demandate/PEA,
         'Subocupación'               = Subocupacion/PEA,
         'Subocupación demandante'    = Suboc_demandante/PEA,
         'Subocupación no demandante' = Suboc_no_demand/PEA)

tabla_1
```

Y ahora nos vamos a quedar solamente con las variables de las tasas seleccionándolas con la función `select`

```{r}
tabla_1 <- tabla_1 |> 
  select(Actividad:'Subocupación no demandante') |> 
  mutate(ANO4 = 2023,
         TRIMESTRE = 1) |> 
  relocate(c(ANO4,TRIMESTRE), .before = 'Actividad')

tabla_1
```

Ahora repetimos la operación con lo datos de 2022

```{r}

# obtener los datos
ind_2022 <- get_microdata(
  year = 2022,
  period = c(1:4), # le decimos que traiga todos
  type = "individual",
  vars = "all")


tabla_2 <- ind_2022 |> 
  group_by(ANO4,TRIMESTRE) |> 
  summarise(Poblacion          = sum(PONDERA),
            Ocupacion          = sum(PONDERA[ESTADO == 1]),
            Desocupacion       = sum(PONDERA[ESTADO == 2]),
            PEA                = Ocupacion + Desocupacion,
            Ocupacion_demandate = sum(PONDERA[ESTADO == 1 & PP03J ==1]),
            Suboc_demandante   = sum(PONDERA[ESTADO == 1 & INTENSI ==1 & PP03J==1]),
            Suboc_no_demand    = sum(PONDERA[ESTADO == 1 & INTENSI ==1 & PP03J %in% c(2,9)]),
            Subocupacion       = Suboc_demandante + Suboc_no_demand) |> 
  mutate('Actividad'                  = PEA/Poblacion,
         'Empleo'                     = Ocupacion/Poblacion,
         'Desocupación'               = Desocupacion/PEA,
         'Ocupación demandante'       = Ocupacion_demandate/PEA,
         'Subocupación'               = Subocupacion/PEA,
         'Subocupación demandante'    = Suboc_demandante/PEA,
         'Subocupación no demandante' = Suboc_no_demand/PEA) |> 
  select(ANO4,TRIMESTRE,Actividad:'Subocupación no demandante') |> 
  as_tibble()


tabla_2


```

Unimos ambas tablas usando la función `bind_rows`

```{r}
tabla_3 <- bind_rows(tabla_1,tabla_2)

tabla_3
```

Ya tenemos los datos que necesitamos pero parece que la tabla estuviera "acostada". Para que se ponga de pie o estire a lo largo vamos a usar la función `pivot_longer`

```{r}
tabla_3 <- tabla_3 |> 
  pivot_longer(cols = -c(ANO4,TRIMESTRE), #Las columnas que queremos estirar en este caso son todas excepto el año y el trimestre
               names_to = "Tasas", # El nombre que le queremos poner
               values_to = "Valor") # el valor en cuestión que hay que repartir


tabla_3

```

Vamos multiplicar por 100 el valor de la tasa ya que por lo general se expresa de esta forma, el cual redondeamos a un decimal.

```{r}
tabla_3 <- tabla_3 |> 
  mutate(Valor = round(Valor*100,1))

tabla_3
```

Ahora vamos a crear una variable que combina el año y trimestre, desechando año y trimestre como variables por separado y vamos a "estirar" la tabla colocando al 1er trimestre de 2021 al final, tal cual se presenta en el reporte de INDEC

```{r}
#('Actividad','Empleo','Desocupación','Ocupación demandante','Subocupación','Subocupación demandante','Subocupación no demandante')

tabla_3 <- tabla_3 |> 
  mutate(ano_trimestre = paste(ANO4,TRIMESTRE)) |> # creamos la variable que concatena las etiquetas año y trimestre
  select(-c(ANO4,TRIMESTRE)) |> # eliminamos las variables originales de año y trimestre
  pivot_wider(names_from = c("ano_trimestre"), values_from = Valor) |> # estiramos la variable que creamos
  relocate("2023 1",.after = "2022 4" ) # ubicamos al 1er trimestre de 2023 al final de la tabla

tabla_3
  
```

> Las funciones `pivot_longer` y `pivot_wider` nos ayudan a estirar y alargar los datos para saber más sobre ellas te recomendamos la lectura de [esta viñeta](https://tidyr.tidyverse.org/articles/pivot.html) donde vas a encontrar varios ejemplos.

# Comunicación del dato

Ahora vamos a darle un poco de estilo y color con el paquete de "gramática de tablas" `{gt}`

```{r message=FALSE, warning=FALSE}

tabla_4 <- tabla_3 |> 
  gt() |> 
  # ponemos un título y subtitulo
  tab_header(
    title = md("**Principales tasas del mercado de trabajo. Total 31 aglomerados urbanos.**"),
    subtitle = "Primer trimestre 2022-primer trimestre 2023") |> 
  # Elegimos una tipografía y tamaños
  opt_table_font(
    font = list(
      google_font(name = "Montserrat"),
      labels = list(
        title = list(weight = "bold", size = 9),
        header = list(weight = "bold", size = 8),
        footnote = list(weight = "bold", size = 8),
        source = list(weight = "bold", size = 8)
      )
    )
  ) |> 
  # centramos las columnas del cuerpo
  cols_align(
    align = "center",
    columns = 2:6
  ) |> 
  # creamos una cabecera que agrupe cada año
  gt::tab_spanner(
    label = "2022",
    columns = starts_with("2022")
  ) |> 
  gt::tab_spanner(
    label = "2023",
    columns = starts_with("2023")
  ) |> 
  # cambiamos las etiquetas de las columnas
  cols_label("2022 1" = "1er Trimestre",
             "2022 2" = "2do Trimestre",
             "2022 3" = "3er Trimestre",
             "2022 4" = "4to Trimestre",
             "2023 1" = "1er Trimestre") |>
  #agregamos un pié con la fuente y una aclaración indicando que nuestros datos están ponderados
  tab_source_note('Fuente: INDEC, Encuesta Permanente de Hogares.') |> 
  tab_footnote("Datos ponderados.")
  
tabla_4  

```

# Licencia

Este taller está a disposición del público bajo licencias de código abierto. Toda la documentación y los materiales publicados están disponibles bajo una licencia **CC BY-SA-NC**.

A continuación, puedes leer más sobre la [licencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional](https://creativecommons.org/licenses/by-nc-sa/4.0/).

![Licencia de Creative Commons](https://i.creativecommons.org/l/by-nc-sa/4.0/88x31.png){width="20%" fig-align="left"}