Tec & Soc. - Procesando datos de encuestas Con R

El presente documento es un material de taller pensado para profesionales de las ciencias sociales y público interesado. Se procura aquí presentar de manera introductoria una serie de procedimientos asociados al procesamiento de encuestas con R.

Una versión de este documento fue presentada en un Taller abierto del NIS el 16 de septiembre de 2022 y grabada en vivo para que todos y todas puedan replicar la experiencia código a código.

Code

library(vembedr)
embed_url("https://www.youtube.com/watch?v=mVqxiFUI6xA&ab_channel=ColegiodeSoci%C3%B3logxsBsAs") %>%
  use_align("center")%>%
  use_bs_responsive()

Las diapositivas utilizadas en la primera parte del encuentro pueden encontrarse aquí.

Contenidos

Veremos aquí:

Carga de datos de un formulario drive y transformación.
Análisis preliminar/exploratorio.
Visualización.
Recomendaciones profesionales: skimr, esquisser y janitor.

Carga de datos

Los datos de trabajo pertenecen a una sub-muestra de una encuesta realizada por los Colegios Profesionales de Buenos Aires y el NIS a comienzos de la pandemia, los mismos son 100% anónimos y fueron recabados por medio de un formulario Google.

Comenzamos cargando en R las respuestas de drive (previamente debemos compartirlo como público en la web, en formato csv) y creamos el objeto muestra1.

Code

muestra1<-read.csv("https://docs.google.com/spreadsheets/d/e/2PACX-1vTbdWYdjYhfvt8quj9A5LpIEhH-sSKwxTsG8lKLLK_E_C5r1tkqFNdQNSAdzXvgthWCrFDn7oiN3-9P/pub?gid=346447959&single=true&output=csv",encoding = "UTF-8")

Exploramos con funciones base de R nuestros datos (todavía no estamos usando paquetes).

Indagamos acerca de la clase de nuestros datos:

Code

class(muestra1)

[1] "data.frame"

Consultamos la dimensión del conjunto de datos, filas y columnas:

Code

dim(muestra1)

[1] 627  24

Y podríamos seguir así…pero no, cargamos el (muy genial) paquete skimr el cual nos ayudará a crear un primer resumen de las características de nuestro set de datos (tengamos presente que para correr un paquete primero hay que instalarlo).

Code

#install.packages("skimr") #lo grisado no se ejecuta
library(skimr)
skim(muestra1)

Data summary
Name	muestra1
Number of rows	627
Number of columns	24
_______________________
Column type frequency:
character	19
numeric	5
________________________
Group variables	None

Variable type: character

skim_variable	complete_rate	min	max	empty	n_unique
Marca.temporal	1	17	19	0	622
X.Estás.haciendo.cuarentena.	1	2	2	0	2
Te.identificas.como.	1	0	6	9	3
X.En.qué.provincia.vivís.actualmente.	1	0	31	9	18
X.Cuál.es.el.máximo.nivel.educativo.que.completaste.	1	0	36	9	9
X.Cuál.es.tu.principal.ocupación.	1	0	156	9	11
X.Estas.trabajando.desde.tu.casa.bajo.alguna.modalidad.de.tele.trabajo..home.office..	1	0	29	119	4
X.Tenes.hijos.en.edad.escolar.	1	0	49	9	5
X.Estás.viviendo.con.ellos.durante.esta.cuarentena.	1	0	68	310	4
De.la.siguiente.lista..Cuáles.son.tus.tres.principales.medios.para.informarte.sobre.los.asuntos.del.país.y.la.circunstancia.del.coronavirus.	1	0	151	9	246
X.Te.gustaría.nombrar.algún.otro.medio.que.estés.usando.	1	0	125	224	119
X.Cambiaste.la.forma.en.que.te.informas.desde.que.comenzó.la.cuarentena.	1	0	2	9	3
X.Cómo.cambió.la.forma.en.que.te.informaste	1	0	626	426	201
X.Recibiste.noticias..información.relacionada.al.coronavirus.y.o.la.cuarentena.que.resultaron.ser.falsas.	1	0	5	9	4
X.Recordas.a.través.de.qué.medio.recibiste.esa.información.falsa.	1	0	152	159	103
X.Crees.que.las.noticias.falsas.o.fake.news.están.influyendo.en.el.comportamiento.de.las.personas.	1	0	5	9	4
X.Cómo.crees.que.influyen.las.noticias.falsas.o.fake.news.están.influyendo.en.el.comportamiento.de.las.personas.	1	0	909	212	400
X.Cuál.es.la.ocupación.de.la.persona.que.realiza.el.principal.aporte.económico.	1	0	167	9	11
Ante.una.emergencia.médica..problema.de.salud..a.dónde.acudis.primero.	1	0	116	12	20

Variable type: numeric

skim_variable	n_missing	complete_rate	mean	sd	p0	p25	p50	p75	p100	hist
X.Cuántos.años.tenés.	9	0.99	42.48	13.65	18	32	40	53	82	▅▇▅▃▁
X.En.qué.medida.te.sentís.informado.a.acerca.de.las.medidas.de.prevención.del.Coronavirus.	9	0.99	4.28	0.79	1	4	4	5	5	▁▁▂▆▇
X.Cuál.es.tu.opinión.acerca.de.lo.que.comunican.los.medios.de.comunicación.argentinos.sobre.el.Coronavirus.	9	0.99	3.34	0.89	1	3	3	4	5	▁▂▇▆▂
X.Cuántas.personas.viven.en.tu.hogar.incluyéndote.a.vos.	9	0.99	3.54	20.97	0	2	2	4	522	▇▁▁▁▁
X.y.cuántas.realizan.algún.tipo.de.aporte.económico.	9	0.99	1.78	0.81	0	1	2	2	5	▆▇▂▁▁

Un resumen de nuestros datos con dos líneas de código, genial no? Este tipo de paquetes y funciones caracterizan a R, existen muchos desarrollos de la comunidad que pueden ayudarnos en nuestra labor diaria. Lo importante es conocerlos y contar con el criterio de saber en qué momento y cómo usarlos.

Limpieza de datos

Como hemos visto, tenemos una muestra de respondentes y la propuesta es ahora presentar algunos cálculos de estadística descriptiva y generar visualizaciones, ya que una parte importante de nuestro trabajo con encuestas tiene que ver con armar gráficos que reflejen el comportamiento de variables.

Ahora bien, antes de avanzar precisamos hacerle algunos ajustes a nuestros datos.

Para llevar adelante este proceso vamos a cargar dos paquetes muy útiles para transformar datos -tidyverse- y normalizar fechas -lubridate-.

Code

#install.packages("tidyverse")
library(tidyverse)
#install.packages("lubridate")
library(lubridate)

Creamos el objeto muestra2, son nuestros datos de partida con fechas normalizadas y espacios en blanco reemplazados por NAs (mejora el procesamiento). Lo hacemos mediante las siguientes transformaciones:

Code

muestra2<-muestra1%>% #pipe de tidyverse
  mutate(Marca.temporal=sub(" .*", "", Marca.temporal))%>%
  #transformamos nuestros datos
  mutate(Marca.temporal=dmy(Marca.temporal))%>% #formateamos fecha
  mutate_if(is.character, list(~na_if(.,"")))

Primeras preguntas

Dado el ajuste rápido de nuestros datos, queremos conocer más sobre el proceso de campo del formulario, por ejemplo: entre qué fechas tuvo lugar y cuántos respondentes tuvo por día?

Veamos qué podemos decir con nuestro objeto muestra2:

Code

respuestas <- muestra2%>%
  group_by(Marca.temporal)%>% #agrupamos por fecha
  count() #contamos respuestas por fecha

respuestas

# A tibble: 25 x 2
# Groups:   Marca.temporal [25]
   Marca.temporal     n
   <date>         <int>
 1 2020-03-31         2
 2 2020-04-06       367
 3 2020-04-07       116
 4 2020-04-08        50
 5 2020-04-09        23
 6 2020-04-10        27
 7 2020-04-11         5
 8 2020-04-12         2
 9 2020-04-13         4
10 2020-04-14         3
# ... with 15 more rows

Graficamos las respuestas por día con ggplot2, una librería R que sirve para hacer gráficos. Viene con el paquete tidyverse que ya tenemos activado.

Veamos como opera la lógica de estos gráficos en la práctica:

Code

respuestas%>% #nuestro objeto
  ggplot() + #declara la funcion para graficar el objeto
  aes(x = Marca.temporal, y = n) + #idicamos las variables a graficar
  geom_line(size = 0.5) #una geometria que la exprese, en este caso es una linea

Vemos que el momento de nuestro campo tuvo un período de actividad desde finales de marzo y durante todo abril, luego registró respuestas esporádicas (por error).

Repitamos el ejercicio poniendo nuestra atención en el lapso temporal en el que se registró la mayor cantidad de respuestas basándonos en la referencia visual que creamos.

Code

respuestas%>%
  filter(!Marca.temporal>="2020-05-01")%>% #excluimos mayo 2020 en adelante
  ggplot() + #declara la funcion para graficar el objeto
  aes(x = Marca.temporal, y = n) + #una geometria que la exprese, en este caso es una linea
  geom_line(size = 0.9) #aumentamos la linea

Presentamos ahora una tecnología facilitadora del proceso que acabamos de realizar.

Gráficos con la librería Esquisse

Antes de contarles qué hace, veamos cómo funciona:

Code

#install.packages("esquisse")
library(esquisse)
# grisamos nuestro codigo como un machete.
# lo a ctivamos para consulta 
# respuestas%>%
#   esquisser()

Importante: se recomienda ver el video del inicio para acompañar la explicación acerca de como funciona esquisse.

Esquisse ayuda a explorar y visualizar nuestros datos de forma interactiva. El paquete crea gráficos ggplot de manera ágil por medio de una interfaz basada en arrastrar, soltar y filtrar para luego exportar los resultados como .png, .jpg o recuperar el código.

Plantea dos utilidades principales:

EDA al instante: aunque ggplot es muy rápido y fácil de usar, esquisse permite explorar visualmente los datos en todos los ángulos con una variedad de tipos de gráficos, filtros, agrupaciones, etc.
Conocer ggplot : con este paquete se puede crear rápidamente un gráfico, mirar el código, hacer un cambio, ver cómo eso impactó en el código y repetir.

Como se distribuye la variable edad de nuestra muestra? lo exploramos con esquisse.

Code

# muestra2%>%
#   esquisser()

# Cod: ejemplo
  ggplot(muestra2) +
  aes(x = X.Cuántos.años.tenés.) +
  geom_histogram(bins = 10L, fill = "#46337E") +
  labs(
    x = "años",
    y = "n respondentes",
    title = "Distribucion de la variable edad",
    subtitle = "datos de muestra"
  ) +
  theme_light()

Calculemos porcentuales

El paquete janitor es otro aliado imprescindible ya que suma una una gama extra de funcionalidades a la hora de limpiar datos, entre las más destacables: genera nombres de columnas legibles, elimina columnas y filas vacías y encuentra valores duplicados. Aquí la usaremos para un proceso muy específico que es la creación de tablas de frecuencias y porcentuales.

Code

#install.packages("janitor")
library(janitor)

cuarentena<-muestra2%>%
    tabyl(X.Estás.haciendo.cuarentena.)

print(cuarentena)

 X.Estás.haciendo.cuarentena.   n    percent
                           No   9 0.01435407
                           Sí 618 0.98564593

El recorte de nuestra muestra indica que casi el 99% estaba haciendo cuarentena al momento de responder el formulario.

Crucemos ahora estos datos con la variable de tenencia de hijos en edad escolar, para crear una tabla de doble entrada.

Code

cruce <- muestra2 %>%
  rename(hace_home=X.Estas.trabajando.desde.tu.casa.bajo.alguna.modalidad.de.tele.trabajo..home.office..)%>%
  tabyl(X.Tenes.hijos.en.edad.escolar., 
        hace_home,
        show_na = FALSE)%>%
  adorn_percentages("row")

cruce

                    X.Tenes.hijos.en.edad.escolar.        No        Sí
                                No, no tengo hijos 0.2154472 0.7276423
                   Sí, tengo hijos en edad escolar 0.2352941 0.6993464
 Sí, tengo hijos pero aún no están en edad escolar 0.3000000 0.7000000
    Sí, tengo hijos pero ya no tienen edad escolar 0.2323232 0.7373737
 Siempre trabajo desde mi casa
                    0.05691057
                    0.06535948
                    0.00000000
                    0.03030303

Code

# y si lo esquisiamos (?
# cruce%>%
#   esquisser() #que pasa?

Asi como los estamos exportando no podemos graficarlos con ggplot ya que se multiplican las columnas con información. Para evitar que esto pase, un procedimiento habitual es volver a transformar nuestros datos en un par clave-valor.

Code

cruce2 <- cruce%>%
  gather('hace_home', 'pct', c(2:4))%>% #reune varias columnas para convertirlas en un par clave-valor
  mutate(pct=round(pct*100, 1))# formateamos porcentaje

head(cruce2)

                     X.Tenes.hijos.en.edad.escolar. hace_home  pct
1                                No, no tengo hijos        No 21.5
2                   Sí, tengo hijos en edad escolar        No 23.5
3 Sí, tengo hijos pero aún no están en edad escolar        No 30.0
4    Sí, tengo hijos pero ya no tienen edad escolar        No 23.2
5                                No, no tengo hijos        Sí 72.8
6                   Sí, tengo hijos en edad escolar        Sí 69.9

Code

#checkeamos
# cruce2%>%
#   esquisser()

Con nuestro datos transformados podríamos generar un gráfico de base similar a este:

Code

ggplot(cruce2) +
 aes(x = X.Tenes.hijos.en.edad.escolar., y = pct, fill = hace_home) +
 geom_col() +
 scale_fill_hue(direction = 1) +
  theme(axis.text.x = element_text(angle = 45))

Procesando variable de escala Likert

O casi. Transformamos la pregunta: en qué medida te sentís informado a acerca de las medidas de prevención del Coronavirus, con una escala de 1 a 5, donde 1 es nada informado/a y 5 es muy informado/a.

Code

muestra3<-muestra1%>%
  rename(informa=X.En.qué.medida.te.sentís.informado.a.acerca.de.las.medidas.de.prevención.del.Coronavirus.)%>%
  tabyl(informa, 
        show_na = FALSE)

muestra3<-muestra3%>%
  mutate(percent=round(percent*100,1))%>%
  mutate(informa=case_when(informa==1~"1 nada informado/a",
                           informa==2~"2 un poco informado/a",
                           informa==3~"3 informado/a",
                           informa==4~"4 bastante informado/a",
                           informa==5~"5 muy informado/a"))%>%
  mutate(informa=as.factor(informa))

#repetimos el esquisseo (??
# muestra3%>%
#   esquisser()

Ejemplo: monitor socioeconómico

Es un tablero creado completamente en R que extrae los microdatos de la Encuesta Permanente de Hogares (INDEC), los procesa y visualiza de manera dinámica para conocer más sobre la coyuntura e historia reciente del mercado de trabajo y condiciones de vida en Argentina.

Se trata de un proyecto en progreso del NIS que da cuenta de cómo podemos usar las nuevas herramientas de análisis y programación para automatizar y comunicar nuestro trabajo.

Bonus

La lógica de visualización no es solo para datos, ubicando puntos en los ejes x e y también podremos dibujar:

Code

seq(-2,2, by = 0.01) %>% 
  expand.grid(x=., y=.) %>% 
  ggplot(aes(x = x^3 - sin(y), y = y^3 - cos(x)))+
  geom_point(alpha = 0.05, 
             color = "#5E17EB", shape = 20, size = 0)+ #https://www.color-hex.com/
  theme_void()+
  coord_polar()+
  labs(subtitle = "Llegamos al final de esta experiencia, gracias por participar")

Hasta la próxima!

Reuse

https://creativecommons.org/licenses/by/4.0/

Citation

BibTeX citation:

@online{damian orden2022,
  author = {Damian Orden, Pedro},
  title = {Procesando Datos de Encuestas {Con} {R}},
  date = {2022-10-07},
  url = {https://tecysoc.netlify.app/posts/encuestas},
  langid = {en}
}

For attribution, please cite this work as:

Damian Orden, Pedro. 2022. “Procesando Datos de Encuestas Con R.” October 7, 2022. https://tecysoc.netlify.app/posts/encuestas.