E-I index ELSOC 2017-2019 manual
redesLab
agosto 30, 2021
En el presente documento se realiza un trabajo de datos para construir una base en formato long con la encuesta COES en su ola w2 y ola w4. Adicionalmente, se analizan datos panel con el modelo within-between (Bell & Jhones, 2014; Bell et al. 2019), ideales para el análisis de estructuras jerárquicas de datos, incluidos los datos datos de series de tiempo (de corte transversal), y de tipo panel.
El objetivo es explorar potenciales relaciones entre indicadores de homofilia y algunos indicadores de comportamiento cívico. El análisis de datos es realizado con el paquete panelr, diseñado para entorno R, el cual tiene como base el paquete lm4. Se prefiere el primero puesto que se reducen sustantivamente procedimientos y lineas de códigos y se obtienen los mismos resultados que si se realizará con el pquete lm4.
Para revisar la base teórica del E-I index revisar el siguiente link
Las bases de datos y la documentación pueden ser descargadas desde el siguiente link
1 Cargar librerias y bbdd
pacman::p_load(ggplot2,
ggthemes,
tidyverse,
sjlabelled,
sjPlot,
car,
vcd,
texreg,
ordinal,
nnet,
MASS,
mlogit,
matrixStats,
expss,
sjlabelled,
sjmisc,
tidyverse,
weights,
survey)2 Cargamos data
load("C:/Users/rober/Downloads/ELSOC_W02_v3.00_R.RData")
load("C:/Users/rober/Downloads/ELSOC_W04_v2.01_R.RData")3 Subset 2017
# Armar BBDD 2019
ego2017 <- elsoc_2017 %>%
dplyr::select(idencuesta,
sexo=m0_sexo,
sexoalter01=r13_sexo_01,
sexoalter02=r13_sexo_02,
sexoalter03=r13_sexo_03,
sexoalter04=r13_sexo_04,
sexoalter05=r13_sexo_05,
edad=m0_edad,
edadalter01=r13_edad_01,
edadalter02=r13_edad_02,
edadalter03=r13_edad_03,
edadalter04=r13_edad_04,
edadalter05=r13_edad_05,
relig=m38,
religalter01=r13_relig_01,
religalter02=r13_relig_02,
religalter03=r13_relig_03,
religalter04=r13_relig_04,
religalter05=r13_relig_05,
educ=m01,
educalter01=r13_educ_01,
educalter02=r13_educ_02,
educalter03=r13_educ_03,
educalter04=r13_educ_04,
educalter05=r13_educ_05,
ideol=c15,
ideolalter01=r13_ideol_01,
ideolalter02=r13_ideol_02,
ideolalter03=r13_ideol_03,
ideolalter04=r13_ideol_04,
ideolalter05=r13_ideol_05,
c08_01,
c08_02,
c08_03,
c08_04,
ponderador01) 4 Revisar BBDD
ego2017 <- data.frame(ego2017)
#head(ego2017)
dim(ego2017)## [1] 2473 36# Definir NA's
ego2017[ego2017=="-999"] <- NA
ego2017[ego2017=="-888"] <- NA5 Recod variables 2017
5.1 Sexo
sexolab<-c("hombre","mujer")
ego2017$sexo_h<-factor(Recode(ego2017$sexo,"1=1;2=2;-888=NA;-999=NA"),labels=sexolab)
ego2017$alterSexo1<-factor(Recode(ego2017$sexoalter01,"1=1;2=2;-888=NA;-999=NA"),labels=sexolab)
ego2017$alterSexo2<-factor(Recode(ego2017$sexoalter02,"1=1;2=2;-888=NA;-999=NA"),labels=sexolab)
ego2017$alterSexo3<-factor(Recode(ego2017$sexoalter03,"1=1;2=2;-888=NA;-999=NA"),labels=sexolab)
ego2017$alterSexo4<-factor(Recode(ego2017$sexoalter04,"1=1;2=2;-888=NA;-999=NA"),labels=sexolab)
ego2017$alterSexo5<-factor(Recode(ego2017$sexoalter05,"1=1;2=2;-888=NA;-999=NA"),labels=sexolab)
with(ego2017, summary(cbind(alterSexo1,alterSexo2,alterSexo3,alterSexo4,alterSexo5)))## alterSexo1 alterSexo2 alterSexo3 alterSexo4
## Min. :1.000 Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:1.000 1st Qu.:1.000 1st Qu.:1.000 1st Qu.:1.000
## Median :2.000 Median :2.000 Median :2.000 Median :2.000
## Mean :1.617 Mean :1.583 Mean :1.552 Mean :1.546
## 3rd Qu.:2.000 3rd Qu.:2.000 3rd Qu.:2.000 3rd Qu.:2.000
## Max. :2.000 Max. :2.000 Max. :2.000 Max. :2.000
## NA's :1 NA's :372 NA's :864 NA's :1370
## alterSexo5
## Min. :1.000
## 1st Qu.:1.000
## Median :2.000
## Mean :1.557
## 3rd Qu.:2.000
## Max. :2.000
## NA's :16925.2 Edad
edadlab <- c("18-24", "25-34", "35-44", "45-54", "55-64", ">65")
ego2017$edadR<-factor(Recode(ego2017$edad,"lo:24=1;25:34=2;35:44=3;45:54=4;55:64=5;65:hi=6"),labels=edadlab)
ego2017$alterAge1<-factor(Recode(ego2017$edadalter01,"lo:24=1;25:34=2;35:44=3;45:54=4;55:64=5;65:hi=6"),labels=edadlab)
ego2017$alterAge2<-factor(Recode(ego2017$edadalter02,"lo:24=1;25:34=2;35:44=3;45:54=4;55:64=5;65:hi=6"),labels=edadlab)
ego2017$alterAge3<-factor(Recode(ego2017$edadalter03,"lo:24=1;25:34=2;35:44=3;45:54=4;55:64=5;65:hi=6"),labels=edadlab)
ego2017$alterAge4<-factor(Recode(ego2017$edadalter04,"lo:24=1;25:34=2;35:44=3;45:54=4;55:64=5;65:hi=6"),labels=edadlab)
ego2017$alterAge5<-factor(Recode(ego2017$edadalter05,"lo:24=1;25:34=2;35:44=3;45:54=4;55:64=5;65:hi=6"),labels=edadlab)
with(ego2017, summary(cbind(alterAge1,alterAge2,alterAge3,alterAge4,alterAge5)))## alterAge1 alterAge2 alterAge3 alterAge4 alterAge5
## Min. :1.000 Min. :1.000 Min. :1.000 Min. :1.000 Min. :1.00
## 1st Qu.:2.000 1st Qu.:2.000 1st Qu.:2.000 1st Qu.:2.000 1st Qu.:2.00
## Median :4.000 Median :3.000 Median :3.000 Median :3.000 Median :3.00
## Mean :3.607 Mean :3.376 Mean :3.328 Mean :3.312 Mean :3.37
## 3rd Qu.:5.000 3rd Qu.:5.000 3rd Qu.:5.000 3rd Qu.:5.000 3rd Qu.:5.00
## Max. :6.000 Max. :6.000 Max. :6.000 Max. :6.000 Max. :6.00
## NA's :1 NA's :372 NA's :864 NA's :1370 NA's :16925.3 Religión
rellab = c("Catolico","Evangelico","Otra Religion","no religioso")
ego2017$religid<-factor(Recode(ego2017$relig,"1=1;2=2;3:6=3;7:9=4;-999:-888=4"),labels=rellab)
ego2017$alterRelig1<-factor(Recode(ego2017$religalter01,"1=1;2=2;3:4=4;5=3;-999:-888=4"),labels=rellab)
ego2017$alterRelig2<-factor(Recode(ego2017$religalter02,"1=1;2=2;3:4=4;5=3;-999:-888=4"),labels=rellab)
ego2017$alterRelig3<-factor(Recode(ego2017$religalter03,"1=1;2=2;3:4=4;5=3;-999:-888=4"),labels=rellab)
ego2017$alterRelig4<-factor(Recode(ego2017$religalter04,"1=1;2=2;3:4=4;5=3;-999:-888=4"),labels=rellab)
ego2017$alterRelig5<-factor(Recode(ego2017$religalter05,"1=1;2=2;3:4=4;5=3;-999:-888=4"),labels=rellab)
with(ego2017, summary(cbind(alterRelig1,alterRelig2,alterRelig3,alterRelig4,alterRelig5)))## alterRelig1 alterRelig2 alterRelig3 alterRelig4
## Min. :1.000 Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:1.000 1st Qu.:1.000 1st Qu.:1.000 1st Qu.:1.000
## Median :1.000 Median :1.000 Median :1.000 Median :1.000
## Mean :1.747 Mean :1.762 Mean :1.836 Mean :1.784
## 3rd Qu.:2.000 3rd Qu.:2.000 3rd Qu.:2.000 3rd Qu.:2.000
## Max. :4.000 Max. :4.000 Max. :4.000 Max. :4.000
## NA's :1 NA's :372 NA's :864 NA's :1370
## alterRelig5
## Min. :1.000
## 1st Qu.:1.000
## Median :1.000
## Mean :1.809
## 3rd Qu.:2.000
## Max. :4.000
## NA's :16925.4 Educación
edulab = c("Basica", "Media", "Sup. Tecnica", "Sup. Univ")
ego2017$educaF<-factor(Recode(ego2017$educ,"1:3=1;4:5=2;6:7=3;8:10=4;-888=NA;-999=NA"),labels=edulab)
ego2017$alterEduca1<-factor(Recode(ego2017$educalter01,"1=1;2:3=2;4=3;5=4;-888=NA;-999=NA"),labels=edulab)
ego2017$alterEduca2<-factor(Recode(ego2017$educalter02,"1=1;2:3=2;4=3;5=4;-888=NA;-999=NA"),labels=edulab)
ego2017$alterEduca3<-factor(Recode(ego2017$educalter03,"1=1;2:3=2;4=3;5=4;-888=NA;-999=NA"),labels=edulab)
ego2017$alterEduca4<-factor(Recode(ego2017$educalter04,"1=1;2:3=2;4=3;5=4;-888=NA;-999=NA"),labels=edulab)
ego2017$alterEduca5<-factor(Recode(ego2017$educalter05,"1=1;2:3=2;4=3;5=4;-888=NA;-999=NA"),labels=edulab)
with(ego2017, summary(cbind(alterEduca1,alterEduca2,alterEduca3,alterEduca4,alterEduca5)))## alterEduca1 alterEduca2 alterEduca3 alterEduca4
## Min. :1.000 Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:2.000 1st Qu.:2.000 1st Qu.:2.000 1st Qu.:2.000
## Median :2.000 Median :2.000 Median :2.000 Median :2.000
## Mean :2.344 Mean :2.394 Mean :2.438 Mean :2.489
## 3rd Qu.:3.000 3rd Qu.:3.000 3rd Qu.:3.000 3rd Qu.:4.000
## Max. :4.000 Max. :4.000 Max. :4.000 Max. :4.000
## NA's :142 NA's :481 NA's :940 NA's :1412
## alterEduca5
## Min. :1.000
## 1st Qu.:2.000
## Median :2.000
## Mean :2.454
## 3rd Qu.:3.000
## Max. :4.000
## NA's :17245.5 Posición Política
pollab <- c("Izq", "Centro", "Der", "Ind/Ninguno", "NA")
ego2017$izqderR<-factor(Recode(ego2017$ideol,"0:3=1;4:6=2;7:10=3;11:12=4;NA=5"),labels=pollab)
ego2017$alterPospol1=factor(Recode(ego2017$ideolalter01,"1:2=3;3=2;4:5=1;6=4;NA=5"),labels=pollab)
ego2017$alterPospol2=factor(Recode(ego2017$ideolalter02,"1:2=3;3=2;4:5=1;6=4;NA=5"),labels=pollab)
ego2017$alterPospol3=factor(Recode(ego2017$ideolalter03,"1:2=3;3=2;4:5=1;6=4;NA=5"),labels=pollab)
ego2017$alterPospol4=factor(Recode(ego2017$ideolalter04,"1:2=3;3=2;4:5=1;6=4;NA=5"),labels=pollab)
ego2017$alterPospol5=factor(Recode(ego2017$ideolalter05,"1:2=3;3=2;4:5=1;6=4;NA=5"),labels=pollab)
with(ego2017,summary(cbind(alterPospol1,alterPospol2,alterPospol3,alterPospol4,alterPospol5)))## alterPospol1 alterPospol2 alterPospol3 alterPospol4 alterPospol5
## Min. :1.00 Min. :1.000 Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:3.00 1st Qu.:3.000 1st Qu.:4.000 1st Qu.:4.000 1st Qu.:4.000
## Median :4.00 Median :4.000 Median :4.000 Median :5.000 Median :5.000
## Mean :3.58 Mean :3.747 Mean :4.013 Mean :4.318 Mean :4.493
## 3rd Qu.:4.00 3rd Qu.:5.000 3rd Qu.:5.000 3rd Qu.:5.000 3rd Qu.:5.000
## Max. :5.00 Max. :5.000 Max. :5.000 Max. :5.000 Max. :5.0005.6 Tamaño de la red
ego2017$tamred = as.numeric(!is.na(ego2017$sexoalter01)) +
as.numeric(!is.na(ego2017$sexoalter02)) +
as.numeric(!is.na(ego2017$sexoalter03)) +
as.numeric(!is.na(ego2017$sexoalter04)) +
as.numeric(!is.na(ego2017$sexoalter05))
print(prop.table(table(ego2017$tamred)), 2)##
## 0 1 2 3 4 5
## 0.0004 0.1500 0.1989 0.2046 0.1302 0.3158table(ego2017$tamred)##
## 0 1 2 3 4 5
## 1 371 492 506 322 781#Delete 1 persona with degree=0
ego2017$tamred[ego2017$tamred==0] <- NA
summary(ego2017$tamred)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 1.000 2.000 3.000 3.263 5.000 5.000 16 Plot tamred
6.1 posición política de alteres segun tamaño de la red de ego.
ego2017$alterPospol1t<-Recode(ego2017$alterPospol1,"1:2=3;3=2;4:5=1;6:5=4")
ego2017$alterPospol2t<-Recode(ego2017$alterPospol2,"1:2=3;3=2;4:5=1;6:5=4")
ego2017$alterPospol3t<-Recode(ego2017$alterPospol3,"1:2=3;3=2;4:5=1;6:5=4")
ego2017$alterPospol4t<-Recode(ego2017$alterPospol4,"1:2=3;3=2;4:5=1;6:5=4")
ego2017$alterPospol5t<-Recode(ego2017$alterPospol5,"1:2=3;3=2;4:5=1;6:5=4")
Tpospol1=with(ego2017,table(tamred,alterPospol1t))
Tpospol2=with(ego2017,table(tamred,alterPospol2t))
Tpospol3=with(ego2017,table(tamred,alterPospol3t))
Tpospol4=with(ego2017,table(tamred,alterPospol4t))
Tpospol5=with(ego2017,table(tamred,alterPospol5t))
Hpospol=Tpospol1+Tpospol2+Tpospol3+Tpospol4+Tpospol5
Hpospol=round(Hpospol, 0)
dimnames(Hpospol)=list(tamred= c("1", "2", "3", "4","5"),
alter = c("Izq", "Centro", "Der", "Ind/Ns", "NA"))
hom_tam<-as.data.frame(round(prop.table(Hpospol,1),2))
ggplot(data=hom_tam, aes(x=tamred, y=Freq, fill=alter),
weight = ponderador01) +
geom_bar(position = 'dodge', stat='identity') +
labs(title="Posición política Alter", x="Tamaño de la red", y="")+
scale_fill_grey()+
scale_y_continuous(limits = c(0, 1))
6.2 Homofilia por posición política
library(car)
#rec
ego2017$izqderRx<-Recode(ego2017$ideol,"0:3=1;3:6=2;7:10=3;11:12=4;-999:-888=NA")
ego2017$alterPospol1x=Recode(ego2017$ideolalter01,"1:2=3;3=2;4:5=1;6=4;-999:-888=NA")
ego2017$alterPospol2x=Recode(ego2017$ideolalter02,"1:2=3;3=2;4:5=1;6=4;-999:-888=NA")
ego2017$alterPospol3x=Recode(ego2017$ideolalter03,"1:2=3;3=2;4:5=1;6=4;-999:-888=NA")
ego2017$alterPospol4x=Recode(ego2017$ideolalter04,"1:2=3;3=2;4:5=1;6=4;-999:-888=NA")
ego2017$alterPospol5x=Recode(ego2017$ideolalter05,"1:2=3;3=2;4:5=1;6=4;-999:-888=NA")
Tpospol1=with(ego2017,table(izqderRx,alterPospol1x))
Tpospol2=with(ego2017,table(izqderRx,alterPospol2x))
Tpospol3=with(ego2017,table(izqderRx,alterPospol3x))
Tpospol4=with(ego2017,table(izqderRx,alterPospol4x))
Tpospol5=with(ego2017,table(izqderRx,alterPospol5x))
Hpospol=Tpospol1+Tpospol2+Tpospol3+Tpospol4+Tpospol5
Hpospol=round(Hpospol, 0)
dimnames(Hpospol)=list(ego=c("Izq", "Centro", "Der", "Ind/Ns"),
alter=c("Izq", "Centro", "Der", "Ind/Ns"))
round(prop.table(Hpospol,1),2)## alter
## ego Izq Centro Der Ind/Ns
## Izq 0.41 0.04 0.10 0.45
## Centro 0.14 0.10 0.14 0.61
## Der 0.12 0.07 0.39 0.42
## Ind/Ns 0.05 0.02 0.06 0.87qq3<-as.data.frame(round(prop.table(Hpospol,1),2))
ggplot(data=qq3, aes(x=ego, y=Freq, fill=alter), weight = ponderador01) +
geom_bar(position = 'dodge', stat='identity') +
labs(title="Díadas Políticas", x="Posición Política de Ego", y="")+
scale_fill_grey()+
scale_y_continuous(limits = c(0, 1))
7 Cálculo E-I homofilia por posición política (ELSOC 2017)
7.1 Indice E-I de Krackhardt y Stern (1988).
Creamos los alteres como externos (con otras categorías distinta a la del ego) o como internos (misma categoría que el ego). Los valores de -1 implican perfecta homofilia y los valores de +1 corresponden a perfecta heterofilia.
7.1.1 EI posición política
ego2017$pospol_alt1_clasif<-ifelse(ego2017$izqderR==ego2017$alterPospol1,"External", "Internal")
ego2017$pospol_alt2_clasif<-ifelse(ego2017$izqderR==ego2017$alterPospol2,"External", "Internal")
ego2017$pospol_alt3_clasif<-ifelse(ego2017$izqderR==ego2017$alterPospol3,"External", "Internal")
ego2017$pospol_alt4_clasif<-ifelse(ego2017$izqderR==ego2017$alterPospol4,"External", "Internal")
ego2017$pospol_alt5_clasif<-ifelse(ego2017$izqderR==ego2017$alterPospol5,"External", "Internal")
#Ahora se agrega la información sobre los tipos de vínculos
ego2017$pospol_external<-count_row_if(criterion = "External",
ego2017$pospol_alt1_clasif,
ego2017$pospol_alt2_clasif,
ego2017$pospol_alt3_clasif,
ego2017$pospol_alt4_clasif,
ego2017$pospol_alt5_clasif)
ego2017$pospol_internal<-count_row_if(criterion = "Internal",
ego2017$pospol_alt1_clasif,
ego2017$pospol_alt2_clasif,
ego2017$pospol_alt3_clasif,
ego2017$pospol_alt4_clasif,
ego2017$pospol_alt5_clasif)
#Finalmente, calculamos el indicador EI
ego2017$EI_index_pospol<-(ego2017$pospol_external-ego2017$pospol_internal)/
(ego2017$pospol_external+ego2017$pospol_internal)
summary(ego2017$EI_index_pospol)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## -1.000 -1.000 -0.600 -0.423 -0.200 1.0007.1.2 EI religión
ego2017$alterRelig1_clasif<-ifelse(ego2017$religid==ego2017$alterRelig1,"External","Internal")
ego2017$alterRelig2_clasif<-ifelse(ego2017$religid==ego2017$alterRelig2,"External","Internal")
ego2017$alterRelig3_clasif<-ifelse(ego2017$religid==ego2017$alterRelig3,"External","Internal")
ego2017$alterRelig4_clasif<-ifelse(ego2017$religid==ego2017$alterRelig4,"External","Internal")
ego2017$alterRelig5_clasif<-ifelse(ego2017$religid==ego2017$alterRelig5,"External","Internal")
#Ahora se agrega la información sobre los tipos de vínculos
ego2017$relig_external<-count_row_if(criterion = "External",
ego2017$alterRelig1_clasif,
ego2017$alterRelig2_clasif,
ego2017$alterRelig3_clasif,
ego2017$alterRelig4_clasif,
ego2017$alterRelig5_clasif)
ego2017$relig_internal<-count_row_if(criterion = "Internal",
ego2017$alterRelig1_clasif,
ego2017$alterRelig2_clasif,
ego2017$alterRelig3_clasif,
ego2017$alterRelig4_clasif,
ego2017$alterRelig5_clasif)
#Finalmente, calculamos el indicador EI
ego2017$EI_index_relig<-(ego2017$relig_external-ego2017$relig_internal)/
(ego2017$relig_external+ego2017$relig_internal)
summary(ego2017$EI_index_relig)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## -1.0000 -0.3333 0.6000 0.2776 1.0000 1.0000 87.1.3 EI educación
ego2017$alterEduca1_clasif<-ifelse(ego2017$educaF==ego2017$alterEduca1,"External","Internal")
ego2017$alterEduca2_clasif<-ifelse(ego2017$educaF==ego2017$alterEduca2,"External","Internal")
ego2017$alterEduca3_clasif<-ifelse(ego2017$educaF==ego2017$alterEduca3,"External","Internal")
ego2017$alterEduca4_clasif<-ifelse(ego2017$educaF==ego2017$alterEduca4,"External","Internal")
ego2017$alterEduca5_clasif<-ifelse(ego2017$educaF==ego2017$alterEduca5,"External","Internal")
#Ahora se agrega la información sobre los tipos de vínculos
ego2017$educ_external<-count_row_if(criterion = "External",
ego2017$alterEduca1_clasif,
ego2017$alterEduca2_clasif,
ego2017$alterEduca3_clasif,
ego2017$alterEduca4_clasif,
ego2017$alterEduca5_clasif)
ego2017$educ_internal<-count_row_if(criterion = "Internal",
ego2017$alterEduca1_clasif,
ego2017$alterEduca2_clasif,
ego2017$alterEduca3_clasif,
ego2017$alterEduca4_clasif,
ego2017$alterEduca5_clasif)
#Finalmente, calculamos el indicador EI
ego2017$EI_index_educ<-(ego2017$educ_external-ego2017$educ_internal)/
(ego2017$educ_external+ego2017$educ_internal)
summary(ego2017$EI_index_educ)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## -1.00000 -1.00000 0.00000 -0.03621 0.60000 1.00000 597.2 EI Sexo
ego2017$alterSexo1_clasif<-ifelse(ego2017$sexo_h==ego2017$alterSexo1,"External","Internal")
ego2017$alterSexo2_clasif<-ifelse(ego2017$sexo_h==ego2017$alterSexo2,"External","Internal")
ego2017$alterSexo3_clasif<-ifelse(ego2017$sexo_h==ego2017$alterSexo3,"External","Internal")
ego2017$alterSexo4_clasif<-ifelse(ego2017$sexo_h==ego2017$alterSexo4,"External","Internal")
ego2017$alterSexo5_clasif<-ifelse(ego2017$sexo_h==ego2017$alterSexo5,"External","Internal")
#Ahora se agrega la información sobre los tipos de vínculos
ego2017$sexo_external<-count_row_if(criterion = "External",
ego2017$alterSexo1_clasif,
ego2017$alterSexo2_clasif,
ego2017$alterSexo3_clasif,
ego2017$alterSexo4_clasif,
ego2017$alterSexo5_clasif)
ego2017$sexo_internal<-count_row_if(criterion = "Internal",
ego2017$alterSexo1_clasif,
ego2017$alterSexo2_clasif,
ego2017$alterSexo3_clasif,
ego2017$alterSexo4_clasif,
ego2017$alterSexo5_clasif)
#Finalmente, calculamos el indicador EI
ego2017$EI_index_sexo<-(ego2017$sexo_external-ego2017$sexo_internal)/
(ego2017$sexo_external+ego2017$sexo_internal)
summary(ego2017$EI_index_sexo)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## -1.0000 -0.2000 0.3333 0.2583 1.0000 1.0000 17.2.1 EI edad
ego2017$alterAge1_clasif<-ifelse(ego2017$edadR==ego2017$alterAge1,"External","Internal")
ego2017$alterAge2_clasif<-ifelse(ego2017$edadR==ego2017$alterAge2,"External","Internal")
ego2017$alterAge3_clasif<-ifelse(ego2017$edadR==ego2017$alterAge3,"External","Internal")
ego2017$alterAge4_clasif<-ifelse(ego2017$edadR==ego2017$alterAge4,"External","Internal")
ego2017$alterAge5_clasif<-ifelse(ego2017$edadR==ego2017$alterAge5,"External","Internal")
#Ahora se agrega la información sobre los tipos de vínculos
ego2017$age_external<-count_row_if(criterion = "External",
ego2017$alterAge1_clasif,
ego2017$alterAge2_clasif,
ego2017$alterAge3_clasif,
ego2017$alterAge4_clasif,
ego2017$alterAge5_clasif)
ego2017$age_internal<-count_row_if(criterion = "Internal",
ego2017$alterAge1_clasif,
ego2017$alterAge2_clasif,
ego2017$alterAge3_clasif,
ego2017$alterAge4_clasif,
ego2017$alterAge5_clasif)
#Finalmente, calculamos el indicador EI
ego2017$EI_index_age<-(ego2017$age_external-ego2017$age_internal)/
(ego2017$age_external+ego2017$age_internal)
summary(ego2017$EI_index_age)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## -1.0000 -1.0000 -0.3333 -0.3214 0.0000 1.0000 1## Ploteamos
pp<-ggplot(data=ego2017) +
geom_histogram(mapping = aes(x = EI_Index_pospol),
binwidth = 0.22,
weight="ponderador01") +
labs(title = "Distribución de homofilia política en las redes personales",
subtitle = "E-I homophily (Krackhardt & Stern, 1988)",
caption = "Fuente de datos: ELSOC COES 2017",
x = "", y = "")## Warning: Ignoring unknown parameters: weight8 Subset 2019
# Armar BBDD 2019
ego2019 <- elsoc_2019 %>%
dplyr::select(idencuesta,
sexo=m0_sexo,
sexoalter01=r13_sexo_01,
sexoalter02=r13_sexo_02,
sexoalter03=r13_sexo_03,
sexoalter04=r13_sexo_04,
sexoalter05=r13_sexo_05,
edad=m0_edad,
edadalter01=r13_edad_01,
edadalter02=r13_edad_02,
edadalter03=r13_edad_03,
edadalter04=r13_edad_04,
edadalter05=r13_edad_05,
relig=m38,
religalter01=r13_relig_01,
religalter02=r13_relig_02,
religalter03=r13_relig_03,
religalter04=r13_relig_04,
religalter05=r13_relig_05,
educ=m01,
educalter01=r13_educ_01,
educalter02=r13_educ_02,
educalter03=r13_educ_03,
educalter04=r13_educ_04,
educalter05=r13_educ_05,
ideol=c15,
ideolalter01=r13_ideol_01,
ideolalter02=r13_ideol_02,
ideolalter03=r13_ideol_03,
ideolalter04=r13_ideol_04,
ideolalter05=r13_ideol_05,
c08_01,
c08_02,
c08_03,
c08_04,
ponderador01) 9 Revisar BBDD
ego2019 <- data.frame(ego2019)
#head(ego2019)
dim(ego2019)## [1] 3417 36# Definir NA's
ego2019[ego2019=="-999"] <- NA
ego2019[ego2019=="-888"] <- NA10 Recod variables 2019
10.1 Sexo
sexolab<-c("hombre","mujer")
ego2019$sexo_h<-factor(Recode(ego2019$sexo,"1=1;2=2;-888=NA;-999=NA"),labels=sexolab)
ego2019$alterSexo1<-factor(Recode(ego2019$sexoalter01,"1=1;2=2;-888=NA;-999=NA"),labels=sexolab)
ego2019$alterSexo2<-factor(Recode(ego2019$sexoalter02,"1=1;2=2;-888=NA;-999=NA"),labels=sexolab)
ego2019$alterSexo3<-factor(Recode(ego2019$sexoalter03,"1=1;2=2;-888=NA;-999=NA"),labels=sexolab)
ego2019$alterSexo4<-factor(Recode(ego2019$sexoalter04,"1=1;2=2;-888=NA;-999=NA"),labels=sexolab)
ego2019$alterSexo5<-factor(Recode(ego2019$sexoalter05,"1=1;2=2;-888=NA;-999=NA"),labels=sexolab)
with(ego2019, summary(cbind(alterSexo1,alterSexo2,alterSexo3,alterSexo4,alterSexo5)))## alterSexo1 alterSexo2 alterSexo3 alterSexo4
## Min. :1.000 Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:1.000 1st Qu.:1.000 1st Qu.:1.000 1st Qu.:1.000
## Median :2.000 Median :2.000 Median :2.000 Median :2.000
## Mean :1.617 Mean :1.611 Mean :1.603 Mean :1.593
## 3rd Qu.:2.000 3rd Qu.:2.000 3rd Qu.:2.000 3rd Qu.:2.000
## Max. :2.000 Max. :2.000 Max. :2.000 Max. :2.000
## NA's :26 NA's :1236 NA's :2071 NA's :2670
## alterSexo5
## Min. :1.000
## 1st Qu.:1.000
## Median :2.000
## Mean :1.587
## 3rd Qu.:2.000
## Max. :2.000
## NA's :292010.2 Edad
edadlab <- c("18-24", "25-34", "35-44", "45-54", "55-64", ">65")
ego2019$edadR<-factor(Recode(ego2019$edad,"lo:24=1;25:34=2;35:44=3;45:54=4;55:64=5;65:hi=6"),labels=edadlab)
ego2019$alterAge1<-factor(Recode(ego2019$edadalter01,"lo:24=1;25:34=2;35:44=3;45:54=4;55:64=5;65:hi=6"),labels=edadlab)
ego2019$alterAge2<-factor(Recode(ego2019$edadalter02,"lo:24=1;25:34=2;35:44=3;45:54=4;55:64=5;65:hi=6"),labels=edadlab)
ego2019$alterAge3<-factor(Recode(ego2019$edadalter03,"lo:24=1;25:34=2;35:44=3;45:54=4;55:64=5;65:hi=6"),labels=edadlab)
ego2019$alterAge4<-factor(Recode(ego2019$edadalter04,"lo:24=1;25:34=2;35:44=3;45:54=4;55:64=5;65:hi=6"),labels=edadlab)
ego2019$alterAge5<-factor(Recode(ego2019$edadalter05,"lo:24=1;25:34=2;35:44=3;45:54=4;55:64=5;65:hi=6"),labels=edadlab)
with(ego2019, summary(cbind(alterAge1,alterAge2,alterAge3,alterAge4,alterAge5)))## alterAge1 alterAge2 alterAge3 alterAge4
## Min. :1.000 Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:2.000 1st Qu.:2.000 1st Qu.:2.000 1st Qu.:2.000
## Median :4.000 Median :4.000 Median :3.000 Median :3.000
## Mean :3.652 Mean :3.553 Mean :3.494 Mean :3.464
## 3rd Qu.:5.000 3rd Qu.:5.000 3rd Qu.:5.000 3rd Qu.:5.000
## Max. :6.000 Max. :6.000 Max. :6.000 Max. :6.000
## NA's :50 NA's :1249 NA's :2075 NA's :2675
## alterAge5
## Min. :1.000
## 1st Qu.:2.000
## Median :3.000
## Mean :3.502
## 3rd Qu.:5.000
## Max. :6.000
## NA's :292310.3 Religión
rellab = c("Catolico","Evangelico","Otra Religion","no religioso")
ego2019$religid<-factor(Recode(ego2019$relig,"1=1;2=2;3:6=3;7:9=4;-999:-888=4"),labels=rellab)
ego2019$alterRelig1<-factor(Recode(ego2019$religalter01,"1=1;2=2;3:4=4;5=3;-999:-888=4"),labels=rellab)
ego2019$alterRelig2<-factor(Recode(ego2019$religalter02,"1=1;2=2;3:4=4;5=3;-999:-888=4"),labels=rellab)
ego2019$alterRelig3<-factor(Recode(ego2019$religalter03,"1=1;2=2;3:4=4;5=3;-999:-888=4"),labels=rellab)
ego2019$alterRelig4<-factor(Recode(ego2019$religalter04,"1=1;2=2;3:4=4;5=3;-999:-888=4"),labels=rellab)
ego2019$alterRelig5<-factor(Recode(ego2019$religalter05,"1=1;2=2;3:4=4;5=3;-999:-888=4"),labels=rellab)
with(ego2019, summary(cbind(alterRelig1,alterRelig2,alterRelig3,alterRelig4,alterRelig5)))## alterRelig1 alterRelig2 alterRelig3 alterRelig4 alterRelig5
## Min. :1.000 Min. :1.000 Min. :1.000 Min. :1.0 Min. :1.000
## 1st Qu.:1.000 1st Qu.:1.000 1st Qu.:1.000 1st Qu.:1.0 1st Qu.:1.000
## Median :1.000 Median :1.000 Median :1.000 Median :1.0 Median :1.000
## Mean :1.751 Mean :1.813 Mean :1.848 Mean :1.8 Mean :1.852
## 3rd Qu.:2.000 3rd Qu.:2.000 3rd Qu.:2.000 3rd Qu.:2.0 3rd Qu.:2.000
## Max. :4.000 Max. :4.000 Max. :4.000 Max. :4.0 Max. :4.000
## NA's :185 NA's :1335 NA's :2118 NA's :2706 NA's :294410.4 Educación
edulab = c("Basica", "Media", "Sup. Tecnica", "Sup. Univ")
ego2019$educaF<-factor(Recode(ego2019$educ,"1:3=1;4:5=2;6:7=3;8:10=4;-888=NA;-999=NA"),labels=edulab)
ego2019$alterEduca1<-factor(Recode(ego2019$educalter01,"1=1;2:3=2;4=3;5=4;-888=NA;-999=NA"),labels=edulab)
ego2019$alterEduca2<-factor(Recode(ego2019$educalter02,"1=1;2:3=2;4=3;5=4;-888=NA;-999=NA"),labels=edulab)
ego2019$alterEduca3<-factor(Recode(ego2019$educalter03,"1=1;2:3=2;4=3;5=4;-888=NA;-999=NA"),labels=edulab)
ego2019$alterEduca4<-factor(Recode(ego2019$educalter04,"1=1;2:3=2;4=3;5=4;-888=NA;-999=NA"),labels=edulab)
ego2019$alterEduca5<-factor(Recode(ego2019$educalter05,"1=1;2:3=2;4=3;5=4;-888=NA;-999=NA"),labels=edulab)
with(ego2019, summary(cbind(alterEduca1,alterEduca2,alterEduca3,alterEduca4,alterEduca5)))## alterEduca1 alterEduca2 alterEduca3 alterEduca4
## Min. :1.000 Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:2.000 1st Qu.:2.000 1st Qu.:2.000 1st Qu.:2.000
## Median :2.000 Median :2.000 Median :2.000 Median :2.000
## Mean :2.439 Mean :2.542 Mean :2.611 Mean :2.713
## 3rd Qu.:3.000 3rd Qu.:4.000 3rd Qu.:4.000 3rd Qu.:4.000
## Max. :4.000 Max. :4.000 Max. :4.000 Max. :4.000
## NA's :207 NA's :1354 NA's :2133 NA's :2713
## alterEduca5
## Min. :1.000
## 1st Qu.:2.000
## Median :2.000
## Mean :2.687
## 3rd Qu.:4.000
## Max. :4.000
## NA's :294810.5 Posición Política
pollab <- c("Izq", "Centro", "Der", "Ind/Ninguno", "NA")
ego2019$izqderR<-factor(Recode(ego2019$ideol,"0:3=1;4:6=2;7:10=3;11:12=4;NA=5"),labels=pollab)
ego2019$alterPospol1=factor(Recode(ego2019$ideolalter01,"1:2=3;3=2;4:5=1;6=4;NA=5"),labels=pollab)
ego2019$alterPospol2=factor(Recode(ego2019$ideolalter02,"1:2=3;3=2;4:5=1;6=4;NA=5"),labels=pollab)
ego2019$alterPospol3=factor(Recode(ego2019$ideolalter03,"1:2=3;3=2;4:5=1;6=4;NA=5"),labels=pollab)
ego2019$alterPospol4=factor(Recode(ego2019$ideolalter04,"1:2=3;3=2;4:5=1;6=4;NA=5"),labels=pollab)
ego2019$alterPospol5=factor(Recode(ego2019$ideolalter05,"1:2=3;3=2;4:5=1;6=4;NA=5"),labels=pollab)
with(ego2019,summary(cbind(alterPospol1,alterPospol2,alterPospol3,alterPospol4,alterPospol5)))## alterPospol1 alterPospol2 alterPospol3 alterPospol4 alterPospol5
## Min. :1.00 Min. :1.000 Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:3.00 1st Qu.:3.000 1st Qu.:4.000 1st Qu.:5.000 1st Qu.:5.000
## Median :4.00 Median :4.000 Median :5.000 Median :5.000 Median :5.000
## Mean :3.39 Mean :3.904 Mean :4.262 Mean :4.576 Mean :4.726
## 3rd Qu.:4.00 3rd Qu.:5.000 3rd Qu.:5.000 3rd Qu.:5.000 3rd Qu.:5.000
## Max. :5.00 Max. :5.000 Max. :5.000 Max. :5.000 Max. :5.00010.6 Tamaño de la red
ego2019$tamred = as.numeric(!is.na(ego2019$sexoalter01)) +
as.numeric(!is.na(ego2019$sexoalter02)) +
as.numeric(!is.na(ego2019$sexoalter03)) +
as.numeric(!is.na(ego2019$sexoalter04)) +
as.numeric(!is.na(ego2019$sexoalter05))
print(prop.table(table(ego2019$tamred)), 2)##
## 0 1 2 3 4 5
## 0.0076 0.3541 0.2438 0.1762 0.0732 0.1452table(ego2019$tamred)##
## 0 1 2 3 4 5
## 26 1210 833 602 250 496#Delete 1 persona with degree=0
ego2019$tamred[ego2019$tamred==0] <- NA
summary(ego2019$tamred)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 1.000 1.000 2.000 2.407 3.000 5.000 2610.7 Homofilia por posición política
library(car)
#rec
ego2019$izqderRx<-Recode(ego2019$ideol,"0:3=1;3:6=2;7:10=3;11:12=4;-999:-888=NA")
ego2019$alterPospol1x=Recode(ego2019$ideolalter01,"1:2=3;3=2;4:5=1;6=4;-999:-888=NA")
ego2019$alterPospol2x=Recode(ego2019$ideolalter02,"1:2=3;3=2;4:5=1;6=4;-999:-888=NA")
ego2019$alterPospol3x=Recode(ego2019$ideolalter03,"1:2=3;3=2;4:5=1;6=4;-999:-888=NA")
ego2019$alterPospol4x=Recode(ego2019$ideolalter04,"1:2=3;3=2;4:5=1;6=4;-999:-888=NA")
ego2019$alterPospol5x=Recode(ego2019$ideolalter05,"1:2=3;3=2;4:5=1;6=4;-999:-888=NA")
Tpospol1=with(ego2019,table(izqderRx,alterPospol1x))
Tpospol2=with(ego2019,table(izqderRx,alterPospol2x))
Tpospol3=with(ego2019,table(izqderRx,alterPospol3x))
Tpospol4=with(ego2019,table(izqderRx,alterPospol4x))
Tpospol5=with(ego2019,table(izqderRx,alterPospol5x))
Hpospol=Tpospol1+Tpospol2+Tpospol3+Tpospol4+Tpospol5
Hpospol=round(Hpospol, 0)
dimnames(Hpospol)=list(ego=c("Izq", "Centro", "Der", "Ind/Ns"),
alter=c("Izq", "Centro", "Der", "Ind/Ns"))
round(prop.table(Hpospol,1),2)## alter
## ego Izq Centro Der Ind/Ns
## Izq 0.54 0.06 0.10 0.30
## Centro 0.21 0.13 0.16 0.50
## Der 0.13 0.05 0.54 0.28
## Ind/Ns 0.06 0.01 0.04 0.88qq3<-as.data.frame(round(prop.table(Hpospol,1),2))
ggplot(data=qq3, aes(x=ego, y=Freq, fill=alter), weight = ponderador01) +
geom_bar(position = 'dodge', stat='identity') +
labs(title="Díadas Políticas", x="Posición Política de Ego", y="")+
scale_fill_grey()+
scale_y_continuous(limits = c(0, 1))
11 Cálculo E-I homofilia por posición política (ELSOC 2019)
11.1 Indice E-I de Krackhardt y Stern (1988).
Creamos los alteres como externos (con otras categorías distinta a la del ego) o como internos (misma categoría que el ego). Los valores de -1 implican perfecta homofilia y los valores de +1 corresponden a perfecta heterofilia.
11.1.1 EI posición política
ego2019$pospol_alt1_clasif<-ifelse(ego2019$izqderR==ego2019$alterPospol1,"External", "Internal")
ego2019$pospol_alt2_clasif<-ifelse(ego2019$izqderR==ego2019$alterPospol2,"External", "Internal")
ego2019$pospol_alt3_clasif<-ifelse(ego2019$izqderR==ego2019$alterPospol3,"External", "Internal")
ego2019$pospol_alt4_clasif<-ifelse(ego2019$izqderR==ego2019$alterPospol4,"External", "Internal")
ego2019$pospol_alt5_clasif<-ifelse(ego2019$izqderR==ego2019$alterPospol5,"External", "Internal")
#Ahora se agrega la información sobre los tipos de vínculos
ego2019$pospol_external<-count_row_if(criterion = "External",
ego2019$pospol_alt1_clasif,
ego2019$pospol_alt2_clasif,
ego2019$pospol_alt3_clasif,
ego2019$pospol_alt4_clasif,
ego2019$pospol_alt5_clasif)
ego2019$pospol_internal<-count_row_if(criterion = "Internal",
ego2019$pospol_alt1_clasif,
ego2019$pospol_alt2_clasif,
ego2019$pospol_alt3_clasif,
ego2019$pospol_alt4_clasif,
ego2019$pospol_alt5_clasif)
#Finalmente, calculamos el indicador EI
ego2019$EI_index_pospol<-(ego2019$pospol_external-ego2019$pospol_internal)/
(ego2019$pospol_external+ego2019$pospol_internal)
summary(ego2019$EI_index_pospol)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## -1.0000 -1.0000 -0.6000 -0.5741 -0.2000 1.000011.1.2 EI religión
ego2019$alterRelig1_clasif<-ifelse(ego2019$religid==ego2019$alterRelig1,"External","Internal")
ego2019$alterRelig2_clasif<-ifelse(ego2019$religid==ego2019$alterRelig2,"External","Internal")
ego2019$alterRelig3_clasif<-ifelse(ego2019$religid==ego2019$alterRelig3,"External","Internal")
ego2019$alterRelig4_clasif<-ifelse(ego2019$religid==ego2019$alterRelig4,"External","Internal")
ego2019$alterRelig5_clasif<-ifelse(ego2019$religid==ego2019$alterRelig5,"External","Internal")
#Ahora se agrega la información sobre los tipos de vínculos
ego2019$relig_external<-count_row_if(criterion = "External",
ego2019$alterRelig1_clasif,
ego2019$alterRelig2_clasif,
ego2019$alterRelig3_clasif,
ego2019$alterRelig4_clasif,
ego2019$alterRelig5_clasif)
ego2019$relig_internal<-count_row_if(criterion = "Internal",
ego2019$alterRelig1_clasif,
ego2019$alterRelig2_clasif,
ego2019$alterRelig3_clasif,
ego2019$alterRelig4_clasif,
ego2019$alterRelig5_clasif)
#Finalmente, calculamos el indicador EI
ego2019$EI_index_relig<-(ego2019$relig_external-ego2019$relig_internal)/
(ego2019$relig_external+ego2019$relig_internal)
summary(ego2019$EI_index_relig)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## -1.0 -1.0 1.0 0.3 1.0 1.0 12011.1.3 EI educación
ego2019$alterEduca1_clasif<-ifelse(ego2019$educaF==ego2019$alterEduca1,"External","Internal")
ego2019$alterEduca2_clasif<-ifelse(ego2019$educaF==ego2019$alterEduca2,"External","Internal")
ego2019$alterEduca3_clasif<-ifelse(ego2019$educaF==ego2019$alterEduca3,"External","Internal")
ego2019$alterEduca4_clasif<-ifelse(ego2019$educaF==ego2019$alterEduca4,"External","Internal")
ego2019$alterEduca5_clasif<-ifelse(ego2019$educaF==ego2019$alterEduca5,"External","Internal")
#Ahora se agrega la información sobre los tipos de vínculos
ego2019$educ_external<-count_row_if(criterion = "External",
ego2019$alterEduca1_clasif,
ego2019$alterEduca2_clasif,
ego2019$alterEduca3_clasif,
ego2019$alterEduca4_clasif,
ego2019$alterEduca5_clasif)
ego2019$educ_internal<-count_row_if(criterion = "Internal",
ego2019$alterEduca1_clasif,
ego2019$alterEduca2_clasif,
ego2019$alterEduca3_clasif,
ego2019$alterEduca4_clasif,
ego2019$alterEduca5_clasif)
#Finalmente, calculamos el indicador EI
ego2019$EI_index_educ<-(ego2019$educ_external-ego2019$educ_internal)/
(ego2019$educ_external+ego2019$educ_internal)
summary(ego2019$EI_index_educ)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## -1.00000 -1.00000 0.00000 -0.01573 1.00000 1.00000 13911.2 EI Sexo
ego2019$alterSexo1_clasif<-ifelse(ego2019$sexo_h==ego2019$alterSexo1,"External","Internal")
ego2019$alterSexo2_clasif<-ifelse(ego2019$sexo_h==ego2019$alterSexo2,"External","Internal")
ego2019$alterSexo3_clasif<-ifelse(ego2019$sexo_h==ego2019$alterSexo3,"External","Internal")
ego2019$alterSexo4_clasif<-ifelse(ego2019$sexo_h==ego2019$alterSexo4,"External","Internal")
ego2019$alterSexo5_clasif<-ifelse(ego2019$sexo_h==ego2019$alterSexo5,"External","Internal")
#Ahora se agrega la información sobre los tipos de vínculos
ego2019$sexo_external<-count_row_if(criterion = "External",
ego2019$alterSexo1_clasif,
ego2019$alterSexo2_clasif,
ego2019$alterSexo3_clasif,
ego2019$alterSexo4_clasif,
ego2019$alterSexo5_clasif)
ego2019$sexo_internal<-count_row_if(criterion = "Internal",
ego2019$alterSexo1_clasif,
ego2019$alterSexo2_clasif,
ego2019$alterSexo3_clasif,
ego2019$alterSexo4_clasif,
ego2019$alterSexo5_clasif)
#Finalmente, calculamos el indicador EI
ego2019$EI_index_sexo<-(ego2019$sexo_external-ego2019$sexo_internal)/
(ego2019$sexo_external+ego2019$sexo_internal)
summary(ego2019$EI_index_sexo)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## -1.0000 -0.3333 0.3333 0.2557 1.0000 1.0000 2611.2.1 EI edad
ego2019$alterAge1_clasif<-ifelse(ego2019$edadR==ego2019$alterAge1,"External","Internal")
ego2019$alterAge2_clasif<-ifelse(ego2019$edadR==ego2019$alterAge2,"External","Internal")
ego2019$alterAge3_clasif<-ifelse(ego2019$edadR==ego2019$alterAge3,"External","Internal")
ego2019$alterAge4_clasif<-ifelse(ego2019$edadR==ego2019$alterAge4,"External","Internal")
ego2019$alterAge5_clasif<-ifelse(ego2019$edadR==ego2019$alterAge5,"External","Internal")
#Ahora se agrega la información sobre los tipos de vínculos
ego2019$age_external<-count_row_if(criterion = "External",
ego2019$alterAge1_clasif,
ego2019$alterAge2_clasif,
ego2019$alterAge3_clasif,
ego2019$alterAge4_clasif,
ego2019$alterAge5_clasif)
ego2019$age_internal<-count_row_if(criterion = "Internal",
ego2019$alterAge1_clasif,
ego2019$alterAge2_clasif,
ego2019$alterAge3_clasif,
ego2019$alterAge4_clasif,
ego2019$alterAge5_clasif)
#Finalmente, calculamos el indicador EI
ego2019$EI_index_age<-(ego2019$age_external-ego2019$age_internal)/
(ego2019$age_external+ego2019$age_internal)
summary(ego2019$EI_index_age)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## -1.0000 -1.0000 -0.3333 -0.2561 0.3333 1.0000 38## Ploteamos
pp<-ggplot(data=ego2019) +
geom_histogram(mapping = aes(x = EI_Index_pospol),
binwidth = 0.22,
weight="ponderador01") +
labs(title = "Distribución de homofilia política en las redes personales",
subtitle = "E-I homophily (Krackhardt & Stern, 1988)",
caption = "Fuente de datos: ELSOC COES 2019",
x = "", y = "")## Warning: Ignoring unknown parameters: weight12 Construir índice de activismo
ego2017<-ego2017%>%
mutate(act=(c08_01+c08_02+c08_03+c08_04)/4)
ego2019<-ego2019%>%
mutate(act=(c08_01+c08_02+c08_03+c08_04)/4)13 Construir data frame en formato Long.
a<-ego2017%>%
dplyr::select(idencuesta,
sexo,
edad,
educ,
act,
EI_index_pospol,
EI_index_relig,
EI_index_educ,
EI_index_sexo,
EI_index_age,
ponderador01)
b<-ego2019%>%
dplyr::select(idencuesta,
sexo,
edad,
educ,
act,
EI_index_pospol,
EI_index_relig,
EI_index_educ,
EI_index_sexo,
EI_index_age,
ponderador01)
# Generar identificador de ola y setear bases
a$ola<-1
b$ola<-2
elsoc_w1w3<-rbind(a,b)
elsoc_w1w3<-arrange(elsoc_w1w3, idencuesta)
# Guardar base en formato long
save(elsoc_w1w3, file = "elsoc_longEI.RData")t<-wtd.t.test(x=elsoc_w1w3$EI_index_age[elsoc_w1w3$ola=="1"],
y=elsoc_w1w3$EI_index_age[elsoc_w1w3$ola=="2"],
weight= elsoc_w1w3$ponderador01[elsoc_w1w3$ola=="1"],
weighty=elsoc_w1w3$ponderador01[elsoc_w1w3$ola=="2"],
samedata=T,alternative="two.tailed")## Warning in wtd.t.test(x = elsoc_w1w3$EI_index_age[elsoc_w1w3$ola == "1"], :
## Treating data for x and y separately because they are of different lengthst## $test
## [1] "Two Sample Weighted T-Test (Welch)"
##
## $coefficients
## t.value df p.value
## -3.680118e+00 5.750903e+03 2.352598e-04
##
## $additional
## Difference Mean.x Mean.y Std. Err
## -0.06914113 -0.28794669 -0.21880557 0.01878775#?wtd.t.test14 Análisis panel (within-between) longitudinal (ejemplo)
library(panelr)## Loading required package: lme4##
## Attaching package: 'lme4'## The following object is masked from 'package:expss':
##
## dummy## The following objects are masked from 'package:ordinal':
##
## ranef, VarCorr##
## Attaching package: 'panelr'## The following object is masked from 'package:stats':
##
## filterelsoc_w1w3<-panel_data(data=elsoc_w1w3, id = idencuesta, wave = ola)
elsoc_w1w3<-complete_data(data = elsoc_w1w3, min.waves = 2)
# Modelos within-between---------------------
modelo1 <- wbm(EI_index_pospol~act|sexo+edad+educ,data=elsoc_w1w3)
summary(modelo1)## MODEL INFO:
## Entities: 1848
## Time periods: 1-2
## Dependent variable: EI_index_pospol
## Model type: Linear mixed effects
## Specification: within-between
##
## MODEL FIT:
## AIC = 6883.04, BIC = 6932.76
## Pseudo-R² (fixed effects) = 0.01
## Pseudo-R² (total) = 0.1
## Entity ICC = 0.1
##
## WITHIN EFFECTS:
## -------------------------------------------------
## Est. S.E. t val. d.f. p
## --------- ------ ------ -------- --------- ------
## act 0.07 0.03 2.28 1847.22 0.02
## -------------------------------------------------
##
## BETWEEN EFFECTS:
## ----------------------------------------------------------
## Est. S.E. t val. d.f. p
## ----------------- ------- ------ -------- --------- ------
## (Intercept) -0.66 0.07 -9.08 1929.20 0.00
## imean(act) 0.05 0.02 2.25 1891.44 0.02
## sexo 0.06 0.02 2.64 1881.77 0.01
## edad 0.00 0.00 0.15 1913.93 0.88
## educ -0.00 0.01 -0.09 2208.49 0.92
## ----------------------------------------------------------
##
## p values calculated using Satterthwaite d.f.
##
## RANDOM EFFECTS:
## --------------------------------------
## Group Parameter Std. Dev.
## ------------ ------------- -----------
## idencuesta (Intercept) 0.1904
## Residual 0.5804
## --------------------------------------