-
Notifications
You must be signed in to change notification settings - Fork 0
/
articulo_proyecto_medea_RMS_final_6.Rmd
1865 lines (1377 loc) · 80.3 KB
/
articulo_proyecto_medea_RMS_final_6.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
---
title: "Efectos de la Privación en la Mortalidad del Municipio de Santander"
author: "Francisco Parra"
date: "6 de Octubre de 2020"
output:
word_document: default
html_document:
df_print: paged
---
# Introducción
Este estudio tiene como objetivo evaluar el efecto de la privación en la mortalidad del municipio de Santander. El estudio es fruto de la participación del Instituto Cantabro de Estadística (ICANE) y el observatorio de salud publica de Canatabria en el proyecto «Mortalidad en áreas pequeñas Españolas y Desigualdades Socioeconómicas y Ambientales» (MEDEA).
MEDEA es un proyecto de investigación coordinado de 10 grupos, que tiene por objetivo describir los patrones geográficos de mortalidad de diversas ciudades de España y relacionarlos con las características socioeconómicas y ambientales. El proyecto se basa en la sección censal como unidad de análisis. Para el estudio de las desigualdades socioeconómicas se han seleccionado diversos indicadores socioeconómicos simples de los Censos de 2001 y 2011 y se ha elaborado un índice de privación útil para el estudio de las desigualdades socioeconómicas en salud (Dominguez-Berjón et all, 2008).
El equipo de Cantabria ha elaborado a su vez un Indicador Multidimensional de Privación que, además de la información censal, incluye otra información socioeconómica sobre vulnerabilidad (Renta Básica de Insercción y Pensiones no contributivas).
El estudio ha sido realizado con R, en una primera parte se relacionan las librerias que se han utilizado, la base de datos y la cartografía utilizada. En una segunda se describe la estimación realizada para el periodo 1997-2015 de la razón de mortalidad suavizada y la probabilidad de Excesos de riesgo para hombres y mujeres. La tercera se dedica al Indicador de Privación Multidimensional de Cantabria. En la cuarta se presentan los efectos de la privación para las causas de muerte más comunes en hombres y mujeres. Comentandose por ultimo los resultados obtenidos.
# Instalación y carga de librerías, base de datos y Cartografía.
## Instalación y carga de librerías
Para poder realizar los modelos de suavización, concretamente el modelo de Besag,York y Molli (modelo BYM), utilizaremos la librería de R "INLA" que debe instalarse mediante la sintaxis:
source("http://www.math.ntnu.no/inla/givemeINLA.R"). Una breve descripción de esta función se puede consultar en el Anexo I.
Debido a que la librería INLA está en continuo desarrollo, se recomienda actualizarla cada vez que ejecutemos la sintaxis. La instrucción para actualizarla es la siguiente: inla.upgrade(testing=TRUE)
```{r carga_librerias_analisis_estadistico}
#install.packages(c("pixmap", "mvtnorm", "numDeriv", "fields","R.utils,"maptools", "spdep", "RColorBrewer", "Hmisc", "gplots")
#install.packages("INLA",repos=c(getOption("repos"),INLA="https://inla.r-inla-download.org/R/stable"), dep=TRUE)
library(INLA)
library(maptools)
library(spdep)
library(RColorBrewer)
library(Hmisc)
library(gplots)
library(DT)
```
## Lectura de los datos y la cartografía
En el siguiente paso abriremos los objetos de R que contienen los valores observados,los valores esperados. El metodo seguido para obtener los valores observados y esperados, se describe en el Anexo II.
```{r include=FALSE}
#load("~/ICANE/medea/Medea III/santander.RData")
library(medear)
load("santander.RData")
resultado=medear::procesa_datos(santander)
str(resultado$Obs)
str(resultado$Exp)
#resultado$Exp[1:16,1,1,1]
#resultado$Exp[1,,1,1]
#resultado$Exp[1,1,1,]
```
Además se importará la cartografía necesaria para calcular la matriz de vecindades y representar gráficamente los mapas.
Leeremos la cartografía y la asignaremos al objeto Carto mediante la siguiente sintaxis:
```{r}
Carto<-rgdal::readOGR("cartografia_santander.shp")
```
Dibujamos la cartografía con sus ejes de coordenadas mediante el siguiente comando:
```{r mapas}
plot(Carto, axes=T)
```
# Construcción de la matriz de vecindad
Para continuar con el análisis, debemos tener un archivo que contenga toda la información de las vecindades entre áreas. Una área se considerará vecina de otra si comparte frontera. Este archivo se ha facilitado con los datos y es el que tiene extensión “.inla”.
Para obtener la información de las vecindades utilizaremos la función poly2nb de la librería maptools.
```{r vecindades}
x.nb<-poly2nb(Carto)
head(x.nb)
```
crearemos la función nb2inla (autor: Carlos Vergara-Hernandez) que permitirá crear un archivo con la información de las vecindades en el formato que precisa la librería INLA.
```{r nb2inla}
nb2inla <-function(file, nb)
{
n<-length(nb)
if(!file.create(file))
{
stop("Cannot open file")
}
txt<-paste(n, "\n", sep="")
cat(txt, file=file, append = TRUE)
for(i in 1:length(nb))
{
txt<-paste(c(i, length(nb[[i]]), nb[[i]]), collapse=" ")
txt<-paste(txt, "\n",sep="")
cat(txt, file=file, append = TRUE)
}
}
```
Finalmente, ejecutando la función nb2inla obtendremos el archivo Santander_nb.inla,con la información sobre las vecindades, que quedará guardado en el directorio de trabajo definido anteriormente
```{r Santander_nb}
nb2inla("Santander_nb.inla", x.nb)
```
# Cálculo de las Razones de Mortalidad Estandarizadas suavizadas (RMEs) y Probabilidades de Exceso de Riesgo (PRP)
Se trata de un estudio ecológico a nivel de área pequeña, por ello ha sido necesario utilizar en el análisis una metodología que tenga en cuenta la estructura espacial de los datos. En concreto el propuesto por Besag,York y Mollie que incluye dos efectos aleatorios: uno recoge la dependencia espacial y el otro la sobredispersión desestructurada (Anexo I).
Para describir la sintaxis hemos tomado como ejemplo “todas las causas” en la ciudad de Santander. Recordemos que el periodo de estudio es 1997-2015.
## Análisis del periodo (Estandarización interna con tasas específicas de referencia media 1997-2015, Hombres)
```{r include=FALSE}
esp=data.frame(Esp=colSums(resultado$Exp[,1,,22]))
obs=data.frame(Obs=colSums(resultado$Obs[,1,,22]))
O=c(obs$Obs)
E=c(esp$Esp)
region <- 1:length(x.nb)
```
```{r include=FALSE}
Datos <- data.frame(region=region, region.struct=region, O=O, E=E)
```
Definimos la fórmula del modelo (formula1) y ejecutamos la función "inla". Así,obtendremos las RME suavizadas para cada sección censal. También obtendremos la probabilidad de que la RMEs sea mayor que 100 (probabilidad de exceso de riesgo) para cada sección censal.
```{r}
sdunif <- "expression:
logdens=log(0.5)-log_precision/2;
return(logdens);"
formula1 <- O ~ f(
region.struct,
model = "bym",
graph = "Santander_nb.inla",
hyper = list(prec.unstruct = list(prior = sdunif), prec.spatial = list(prior = sdunif))
)
resultado.p1 <- inla(formula1, family="poisson", data=Datos, E=E,
control.compute=list(dic=T, cpo=TRUE),
control.predictor=list(compute=TRUE, cdf=c(log(1))),
control.inla=list(strategy="laplace", int.strategy="grid"))
```
```{r}
summary(resultado.p1)
# Las RMEs de cada área las obtenemos mediante la siguiente sintaxis:
RMEs.p1 <- resultado.p1$summary.fitted.values$mean*100
# Para obtener la probabilidad de que la RMEs sea superior a 100 para cadaáreaejecutaremos la siguiente sintaxis:
PRP.p1 <- 1-resultado.p1$summary.linear.predictor[,"0 cdf"]
```
Representaremos la RMEs mediante mapas de septiles (Figura 1) donde los colores verdes representan lasáreas con mayor defecto de mortalidad, mientras que las áreas con mayor exceso de mortalidad son representadas en tonos marrones.
```{r echo=FALSE}
par(mar=c(1,1,1,1))
Cortes <- cut2(RMEs.p1 , g=7)
valores<-as.numeric(Cortes)
mypalette<-brewer.pal(7,"BrBG")
mipaleta<-mypalette[length(mypalette):1]
fgs<-mipaleta[valores]
plot(Carto,col=fgs,border="grey",xlab="",ylab="",axes=F)
title("Figura 1: Mortalidad Total 1997-2015. RME's.Hombres")
legend("bottomright", title="",legend=levels(Cortes),fill=mipaleta,
y.intersp=0.8, cex= 1, bty="n",inset=0.05)
```
Con el objeto de cuantificar la evidencia estadística que proporcionan las estimaciones del riesgo en cada sección censal crearemos mapas de la probabilidad de exceso de riesgo (RMEs>100) (Figura 2). Para representar estas probabilidades en el mapa consideraremos la siguiente segmentación: (0,2; 0,4; 0,6;....). Utilizaremos tonalidades verdes para los riesgos relativos con baja probabilidad de ser superior a 100 (áreas con defecto de riesgo), rojas para los riesgos relativos con alta probabilidad (áreas con exceso de riesgo) y el rango intermedio lo representaremos en amarillo.
```{r echo=FALSE}
par(mar=c(1,1,1,1))
Cortes <- cut(PRP.p1, c(seq(0,1,0.2)), include.lowest=TRUE)
#Cortes <- cut2(PRP.p1,g=5)
valores<-as.numeric(Cortes)
mypalette<-brewer.pal(5,"RdYlGn")
mipaleta<-mypalette[length(mypalette):1]
fgs<-mipaleta[valores]
plot(Carto,col=fgs,border="grey",xlab="",ylab="",axes=F, main="")
title("Figura 2: Mortalidad Total 1997-2015.Probabilidad de exceso de riesgo (RME's>100).Hombres",cex.main = 1,font.main=1)
legend("bottomright", title="",legend=levels(Cortes),fill=mipaleta,y.intersp=0.8, cex= 1, bty="n",inset=0.05)
```
Para observar la forma de la distribución de la RMEs representaremos su función de densidad (Figura nº 3). En su interior se muestran los colores correspondientes a los grupos de valores utilizados en la representación geográfica de las RMEs. La función de densidad permite apreciar con detalle el rango de valores de la RMEs, el cual no es visible en el mapa.
```{r echo=FALSE}
par(mar=c(5,5,5,5))
RR <- RMEs.p1
Cortes <- cut2(RR, g=7, onlycuts=T)
mypalette<-brewer.pal(7,"BrBG")
mipaleta<-mypalette[length(mypalette):1]
aux <- density(RR, na.rm=T, from=min(50,min(RR)), to=max(RR)+50)
n <- length(aux$x)
qx <- aux$x
qy <- aux$y
colores <- as.numeric(cut2(qx, Cortes[c(-1,-8)]))
plot(aux,main="Figura 3. Función de densidad de la RMEs.Hombres", ylab="Densidad",
xlab="RMEs", frame.plot=F, xlim=c(0,max(RR)+100))
for(i in 1:(length(Cortes)-1)){
if(any(colores==i)){segments(qx[colores==i], rep(0,sum(colores==i)),
qx[colores==i],qy[colores==i],lwd=3,col=mipaleta[i])}}
lines(aux)
```
## Análisis del periodo (Estandarización interna con tasas específicas de referencia media 1997-2015, Mujeres)
```{r include=FALSE}
esp=data.frame(Esp=colSums(resultado$Exp[,2,,22]))
obs=data.frame(Obs=colSums(resultado$Obs[,2,,22]))
O=c(obs$Obs)
E=c(esp$Esp)
```
```{r include=FALSE}
Datos <- data.frame(region=region, region.struct=region, O=O, E=E)
```
Definimos la fórmula del modelo (formula1) y ejecutamos la función "inla". Así,obtendremos las RME suavizadas para cada sección censal. También obtendremos la probabilidad de que la RMEs sea mayor que 100 (probabilidad de exceso de riesgo) para cada sección censal. Todos los resultados de este modelo se guardarán en el objeto "resultado.p1".
```{r}
sdunif <- "expression:
logdens=log(0.5)-log_precision/2;
return(logdens);"
formula1 <- O ~ f(
region.struct,
model = "bym",
graph = "Santander_nb.inla",
hyper = list(prec.unstruct = list(prior = sdunif), prec.spatial = list(prior = sdunif))
)
resultado.p1 <- inla(formula1, family="poisson", data=Datos, E=E,
control.compute=list(dic=T, cpo=TRUE),
control.predictor=list(compute=TRUE, cdf=c(log(1))),
control.inla=list(strategy="laplace", int.strategy="grid"))
```
```{r echo=FALSE}
summary(resultado.p1)
# Las RMEs de cada área las obtenemos mediante la siguiente sintaxis:
RMEs.p1 <- resultado.p1$summary.fitted.values$mean*100
# Para obtener la probabilidad de que la RMEs sea superior a 100 para cadaáreaejecutaremos la siguiente sintaxis:
PRP.p1 <- 1-resultado.p1$summary.linear.predictor[,"0 cdf"]
summary(PRP.p1)
```
Representaremos la RMEs mediante mapas de septiles (Figura nº 4) donde los colores verdes representan las áreas con mayor defecto de mortalidad, mientras que lasáreas con mayor exceso de mortalidad son representadas en tonos marrones.
```{r echo=FALSE}
par(mar=c(1,1,1,1))
Cortes <- cut2(RMEs.p1 , g=7)
valores<-as.numeric(Cortes)
mypalette<-brewer.pal(7,"BrBG")
mipaleta<-mypalette[length(mypalette):1]
fgs<-mipaleta[valores]
plot(Carto,col=fgs,border="grey",xlab="",ylab="",axes=F)
title("Figura 4: Mortalidad Total 1997-2015. RME's.Mujeres")
legend("bottomright", title="",legend=levels(Cortes),fill=mipaleta,
y.intersp=0.8, cex= 1, bty="n",inset=0.05)
```
Con el objeto de cuantificar la evidencia estadística que proporcionan las estimaciones del riesgo en cada sección censal crearemos mapas de la probabilidad de exceso de riesgo (RMEs>100) (Figura nº 5).
```{r echo=FALSE}
par(mar=c(1,1,1,1))
Cortes <- cut(PRP.p1, c(seq(0,1,0.2)), include.lowest=TRUE)
#Cortes <- cut2(PRP.p1,g=5)
valores<-as.numeric(Cortes)
mypalette<-brewer.pal(5,"RdYlGn")
mipaleta<-mypalette[length(mypalette):1]
fgs<-mipaleta[valores]
plot(Carto,col=fgs,border="grey",xlab="",ylab="",axes=F, main="")
title("Figura 5: Mortalidad Total 1997-2015.Probabilidad de exceso de riesgo (RME's>100).Mujeres",cex.main = 1,font.main=1)
legend("bottomright", title="",legend=levels(Cortes),fill=mipaleta,
y.intersp=0.8, cex= 1, bty="n",inset=0.05)
```
Para observar la forma de la distribución de la RMEs representaremos su función de densidad (Figura nº 6).
```{r echo=FALSE}
par(mar=c(5,5,5,5))
RR <- RMEs.p1
Cortes <- cut2(RR, g=7, onlycuts=T)
mypalette<-brewer.pal(7,"BrBG")
mipaleta<-mypalette[length(mypalette):1]
aux <- density(RR, na.rm=T, from=min(50,min(RR)), to=max(RR)+50)
n <- length(aux$x)
qx <- aux$x
qy <- aux$y
colores <- as.numeric(cut2(qx, Cortes[c(-1,-8)]))
plot(aux,main="Figura 6.Función de densidad de la RMEs.Mujeres", ylab="Densidad",
xlab="RMEs", frame.plot=F, xlim=c(0,max(RR)+100))
for(i in 1:(length(Cortes)-1)){
if(any(colores==i)){segments(qx[colores==i], rep(0,sum(colores==i)),
qx[colores==i],qy[colores==i],lwd=3,col=mipaleta[i])}}
lines(aux)
```
# Indicador de privación Multidimensional de Cantabria
## Indice de privacion MEDEA
Las etapas seguidas en la construcción del indicador de privación MEDEA (http://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S0213-91112008000300002) fueron las siguientes:
1. Identificación de los indicadores disponibles, asignándolos en nuestro marco conceptual a la dimensión correspondiente. Se valoraron inicialmente las variables censales que podían considerarse candidatas a detectar diferencias socioeconómicas y de privación en el sentido expuesto en la introducción, intentando proporcionar validez de contenido al futuro índice.
2. Estudio de las correlaciones entre los indicadores socioeconómicos.
3. Análisis de las correlaciones entre los indicadores contemplados inicialmente para su posible inclusión en el índice y el análisis dimensional de éstos. Se usó el análisis de componentes principales, con la extracción de distintas componentes, para identificar las variables que podrían combinarse en un índice, estableciendo la estructura de correlaciones entre ellas. La interpretación de los factores se llevó a cabo sobre la solución rotada ortogonalmente según el método varimax.
4. Agregación de los indicadores seleccionados en el primer componente del análisis anterior mediante la extracción de un único eje por componentes principales.
La construcción del índice de privación resulta de la combinación de los siguientes indicadores:
(1) Porcentaje de población en paro.
(2) Porcentaje de asalariados eventuales.
(3) Porcentaje de trabajadores manuales
(4) Porcentaje de población con instrucción insuficiente.
(5) Porcentaje de población juvenil con instrucción insuficiente,
usando como valores de peso los de las saturaciones obtenidas en esta extracción.
## Atlas de la Vulnerabilidad Urbana en España 2001 y 2011
El Atlas de la Vulnerabilidad Urbana en España 2001 y 2011 (Ministerio de Fomento,2015) es una aplicación web que ofrece información estadística a nivel de sección censal y en todos los municipios de España acerca de diversas variables referidas a la vulnerabilidad urbana, generando mapas temáticos de diferentes indicadores. El Atlas se ha realizado a partir de los datos de los Censos de Población y Vivienda del Instituto Nacional de Estadística (INE) de los años 2001 y 2011.
En el atlas se presentan 57 mapas temáticos, correspondientes a 24 Indicadores de Vulnerabilidad Urbana y a 33 variables estadísticas complementarias. Los Indicadores de Vulnerabilidad son datos relativos, expresados mediante porcentajes, y se representan con mapas de coropletas. Las variables estadísticas ofrecen valores absolutos (población, viviendas, etc.), y se representan mediante símbolos que pueden superponerse a las coropletas.
Los mapas de los indicadores de vulnerabilidad urbana se organizan en 4 temas:
Vulnerabilidad Sociodemográfica (5 indicadores y 8 variables),
Vulnerabilidad Socioeconómica (6 indicadores y 10 variables),
Vulnerabilidad Residencial (8 indicadores y 9 variables) y
Vulnerabilidad Subjetiva (5 indicadores y 6 variables, que sólo están disponibles para el Censo de 2001).
De los 24 Indicadores, se consideran Indicadores Básicos de Vulnerabilidad Urbana (IBVU) los siguientes:
Porcentaje de población en paro y Porcentaje de población sin estudios, que son comunes para 2001 y 2011 y Porcentaje de población en viviendas sin servicio o aseo, como indicador de las carencias en las viviendas en 2001, sustituido por el Porcentaje de viviendas en edificios en estado de conservación ruinoso,malo o deficiente para la fecha de referencia de 2011.
Los Indicadores Básicos de Vulnerabilidad Urbana (IBVU) que se han empleado en el Análisis Urbanístico de Barrios Vulnerables en España para la identificación de barrios vulnerables. Estos barrios se identifican cuando estos indicadores superan –en las secciones censales que los componen- unos determinados valores de referencia con respecto a los valores medios nacionales.
El listado de indicadores de vulnerabilidad urbana, según temas, que pueden consultarse en la aplicación web : https://www.mitma.gob.es/areas-de-actividad/arquitectura-vivienda-y-suelo/urbanismo-y-politica-de-suelo/observatorio-de-la-vulnerabilidad-urbana/atlas-de-la-vulnerabilidad-urbana/atlas-de-las-vulnerabilidad-urbana-en-espan%CC%83a
## Indice de Privación Multidimensional de Cantabria
La construcción de un indicador se suele basar en 3 fases:
a) selección de los indicadores o variables a incluir;
b) definición de las dimensiones conceptuales o dominios, medidos por uno o más indicadores, y
c) definición del índice, constituido por varias dimensiones.
La experiencia acumulada en la elaboración de indicadores a niveles censales en España, y la disponibilidad de estadísticos a estos niveles para la ciudad de Santander, determina que en Cantabria optemos por construir un indicador a partir de los siguientes indicadores individuales y dominios:
a) Vulnerabilidad demográfica
Porcentaje de población de 75 años y más.
Porcentaje de hogares unipersonales de mayores de 64 años
Porcentaje de hogares con un adulto y un menor o más.
Porcentaje de población extranjera.
Porcentaje de población extranjera infantil.
b) Vulnerabilidad de vivienda
Porcentaje de viviendas con menos de 30 m²
Superficie media por habitante (m²).
Porcentaje de población en viviendas sin servicio o aseo.
Porcentaje de población en viviendas sin calefación.
Porcentaje viviendas en edificios anteriores a 1951.
Porcentaje de viviendas en alquiler o cesion.
c) Vulnerabilidad social (indicador Medea)
Porcentaje de población en paro.
Porcentaje de asalariados eventuales.
Porcentaje de trabajadores manuales
Porcentaje de población sin estudios.
Porcentaje de población juvenil sin estudios.
d) Pobreza monetaria
Porcentaje de población que cobra la Renta Social Básica
Porcentaje de población que cobra pensiones no contributivas
```{r, include=FALSE}
# Lectura de indicadores elementales
#setwd("Y:/proyecto medea/Medea III")
RentaBasica <-read.csv("RentaBasica.csv",header=TRUE,sep = ";",dec=",")
PNC_2005 <-read.csv("PNC_2005.csv",header=TRUE,sep = ";",dec=",")
Medea <-read.csv("indicador_medea.csv",header=TRUE,sep = ";",dec=",")
sociodemo <-read.csv("Vulnerabilidad_sociodemo.csv",header=TRUE,sep = ";",dec=",")
residencial <-read.csv("Vulnerabilidad_residencial.csv",header=TRUE,sep = ";",dec=",")
pob_m <- read.csv("pob_m_santander.csv",header=TRUE,sep=";")
pob_m[is.na(pob_m)] <- 0
pob_m <- subset(pob_m,pob_m$ano==2005)
pob_h <- read.csv("pob_h_santander.csv",header=TRUE,sep=";")
pob_h[is.na(pob_h)] <- 0
pob_h <- subset(pob_h,pob_h$ano==2005)
```
### Indicador demográfico 2001
Para elaborar el indicador de vivienda se usa el análisis de componentes principales, con la extracción de la primera componente principal, para reducir la dimensión de los indicadores en un solo índice.
La prueba de esfericidad de Bartlett evalúa la aplicabilidad del análisis de componentes principales o factorial de las variables estudiadas. El modelo es significativo (aceptamos la hipótesis nula, H0) cuando se puede aplicar el análisis factorial:
```{r, echo=FALSE, message=FALSE, warning=FALSE}
demo01=sociodemo[1:124,c(2,4,6,8,10)]
bartlett.sphere<-function(data){chi.square=-( (dim(data)[1]-1) - (2*dim(data)[2]-5)/6 )* log(det(cor(data,use='pairwise.complete.obs')));cat('chi.square value ', chi.square , ' on ', (dim(data)[2]^2-dim(data)[2])/2, ' degrees of freedom.' , ' p-value: ', 1-pchisq(chi.square,(dim(data)[2]^2-dim(data)[2])/2))}
bartlett.sphere(data.frame(demo01))
```
como el p-valor de la prueba es menor de 0.05 aceptamos H0 (hipótesis nula), y por tanto se puede aplicar el análisis de componentes principales y factorial.
Calculo los componentes principales basados en la matriz de correlaciones
```{r, echo=FALSE, message=FALSE, warning=FALSE}
indicadores.pc1<-demo01
indicadores.pc1[is.na(indicadores.pc1)]=0
resultados.pc1<-princomp(indicadores.pc1,cor=TRUE)
plot(resultados.pc1,main="Figura 7: Componentes Principales del Indicador de demográfico")
summary(resultados.pc1,loadings=TRUE)
indicador1.01<-data.frame(CODIGO=sociodemo$SECC[1:124],Indice=resultados.pc1$scores[,1:1])
```
En la Figura nº 8 se Cartografían los resultados obtenidos.
```{r echo=FALSE}
par(mar=c(1,1,1,1))
Cortes <- cut2(indicador1.01$Indice , g=7)
valores<-as.numeric(Cortes)
mypalette<-brewer.pal(7,"Reds")
mipaleta<-mypalette[length(mypalette):1]
fgs<-mipaleta[valores]
plot(Carto,col=fgs,border="grey",xlab="",ylab="",axes=F)
title(expression(bold("")), sub = "",cex.main = 1.1,font.main= 1,
col.main= "black")
title(expression(bold("Figura 8. Vulnerabilidad demográfica 2001")), sub = "",cex.main =
1.1,font.main= 1, col.main= "black")
legend("bottomright", title="",legend=levels(Cortes),fill=mipaleta,
y.intersp=0.8, cex= 1, bty="n",inset=0.05)
```
### Indicador demográfico 2011
Para elaborar el indicador de vivienda se usa el análisis de componentes principales, con la extracción de la primera componente principal, para reducir la dimensión de los indicadores en un solo índice.
La prueba de esfericidad de Bartlett evalúa la aplicabilidad del análisis de componentes principales o factorial de las variables estudiadas. El modelo es significativo (aceptamos la hipótesis nula, H0) cuando se puede aplicar el análisis factorial:
```{r, echo=FALSE, message=FALSE, warning=FALSE}
demo11=sociodemo[1:124,c(3,5,7,9,11)]
bartlett.sphere<-function(data){chi.square=-( (dim(data)[1]-1) - (2*dim(data)[2]-5)/6 )* log(det(cor(data,use='pairwise.complete.obs')));cat('chi.square value ', chi.square , ' on ', (dim(data)[2]^2-dim(data)[2])/2, ' degrees of freedom.' , ' p-value: ', 1-pchisq(chi.square,(dim(data)[2]^2-dim(data)[2])/2))}
bartlett.sphere(data.frame(demo11))
```
como el p-valor de la prueba es menor de 0.05 aceptamos H0 (hipótesis nula), y por tanto se puede aplicar el análisis de componentes principales y factorial.
Calculo los componentes principales basados en la matriz de correlaciones
```{r, echo=FALSE, message=FALSE, warning=FALSE}
indicadores.pc1<-demo11
indicadores.pc1[is.na(indicadores.pc1)]=0
resultados.pc1<-princomp(indicadores.pc1,cor=TRUE)
plot(resultados.pc1,main="Figura 9: Componentes Principales del Indicador de demográfico")
summary(resultados.pc1,loadings=TRUE)
indicador1.11<-data.frame(CODIGO=sociodemo$SECC[1:124],Indice=resultados.pc1$scores[,1:1])
```
En la Figura nº 10 se Cartografían los resultados obtenidos.
```{r echo=FALSE}
par(mar=c(1,1,1,1))
Cortes <- cut2(indicador1.11$Indice , g=7)
valores<-as.numeric(Cortes)
mypalette<-brewer.pal(7,"Reds")
mipaleta<-mypalette[length(mypalette):1]
fgs<-mipaleta[valores]
plot(Carto,col=fgs,border="grey",xlab="",ylab="",axes=F)
title(expression(bold("")), sub = "",cex.main = 1.1,font.main= 1,
col.main= "black")
title(expression(bold("Figura 10. Vulnerabilidad demográfica 2011")), sub = "",cex.main =
1.1,font.main= 1, col.main= "black")
legend("bottomright", title="",legend=levels(Cortes),fill=mipaleta,
y.intersp=0.8, cex= 1, bty="n",inset=0.05)
```
### Indicador vivienda 2001
Para elaborar el indicador de vivienda se usa el análisis de componentes principales, con la extracción de la primera componente principal, para reducir la dimensión de los indicadores en un solo índice.
La prueba de esfericidad de Bartlett evalúa la aplicabilidad del análisis de componentes principales o factorial de las variables estudiadas. El modelo es significativo (aceptamos la hipótesis nula, H0) cuando se puede aplicar el análisis factorial:
```{r, echo=FALSE, message=FALSE, warning=FALSE}
residencial01=residencial[,2:6]
bartlett.sphere<-function(data){chi.square=-( (dim(data)[1]-1) - (2*dim(data)[2]-5)/6 )* log(det(cor(data,use='pairwise.complete.obs')));cat('chi.square value ', chi.square , ' on ', (dim(data)[2]^2-dim(data)[2])/2, ' degrees of freedom.' , ' p-value: ', 1-pchisq(chi.square,(dim(data)[2]^2-dim(data)[2])/2))}
bartlett.sphere(data.frame(residencial01))
```
como el p-valor de la prueba es menor de 0.05 aceptamos H0 (hipótesis nula), y por tanto se puede aplicar el análisis de componentes principales y factorial.
Calculo los componentes principales basados en la matriz de correlaciones
```{r, echo=FALSE, message=FALSE, warning=FALSE}
indicadores.pc1<-residencial01
indicadores.pc1[is.na(indicadores.pc1)]=0
resultados.pc1<-princomp(indicadores.pc1,cor=TRUE)
plot(resultados.pc1,main="Figura 11: Componentes Principales del Indicador de Vivienda")
summary(resultados.pc1,loadings=TRUE)
indicador2.01<-data.frame(CODIGO=residencial$SECC,Indice=resultados.pc1$scores[,1:1])
```
En la Figura nº 12 se Cartografían los resultados obtenidos.
```{r echo=FALSE}
par(mar=c(1,1,1,1))
Cortes <- cut2(indicador2.01$Indice , g=7)
valores<-as.numeric(Cortes)
mypalette<-brewer.pal(7,"Reds")
mipaleta<-mypalette[length(mypalette):1]
fgs<-mipaleta[valores]
plot(Carto,col=fgs,border="grey",xlab="",ylab="",axes=F)
title(expression(bold("")), sub = "",cex.main = 1.1,font.main= 1,
col.main= "black")
title(expression(bold("Figura 12. Vulnerabilidad vivienda 2001")), sub = "",cex.main =
1.1,font.main= 1, col.main= "black")
legend("bottomright", title="",legend=levels(Cortes),fill=mipaleta,
y.intersp=0.8, cex= 1, bty="n",inset=0.05)
```
### Indicador vivienda 2011
Para elaborar el indicador de vivienda se usa el análisis de componentes principales, con la extracción de la primera componente principal, para reducir la dimensión de los indicadores en un solo índice.
La prueba de esfericidad de Bartlett evalúa la aplicabilidad del análisis de componentes principales o factorial de las variables estudiadas. El modelo es significativo (aceptamos la hipótesis nula, H0) cuando se puede aplicar el análisis factorial:
```{r, echo=FALSE, message=FALSE, warning=FALSE}
residencial11=residencial[,7:11]
bartlett.sphere<-function(data){chi.square=-( (dim(data)[1]-1) - (2*dim(data)[2]-5)/6 )* log(det(cor(data,use='pairwise.complete.obs')));cat('chi.square value ', chi.square , ' on ', (dim(data)[2]^2-dim(data)[2])/2, ' degrees of freedom.' , ' p-value: ', 1-pchisq(chi.square,(dim(data)[2]^2-dim(data)[2])/2))}
bartlett.sphere(data.frame(residencial11))
```
como el p-valor de la prueba es menor de 0.05 aceptamos H0 (hipótesis nula), y por tanto se puede aplicar el análisis de componentes principales y factorial.
Calculo los componentes principales basados en la matriz de correlaciones
```{r, echo=FALSE, message=FALSE, warning=FALSE}
indicadores.pc1<-residencial11
indicadores.pc1[is.na(indicadores.pc1)]=0
resultados.pc1<-princomp(indicadores.pc1,cor=TRUE)
plot(resultados.pc1,main="Figura 13: Componentes Principales del Indicador de Vivienda")
summary(resultados.pc1,loadings=TRUE)
indicador2.11<-data.frame(CODIGO=residencial$SECC,Indice=resultados.pc1$scores[,1:1])
```
En la Figura nº 14 se Cartografían los resultados obtenidos.
```{r echo=FALSE}
par(mar=c(1,1,1,1))
Cortes <- cut2(indicador2.11$Indice , g=7)
valores<-as.numeric(Cortes)
mypalette<-brewer.pal(7,"Reds")
mipaleta<-mypalette[length(mypalette):1]
fgs<-mipaleta[valores]
plot(Carto,col=fgs,border="grey",xlab="",ylab="",axes=F)
title(expression(bold("")), sub = "",cex.main = 1.1,font.main= 1,
col.main= "black")
title(expression(bold("Figura 14. Vulnerabilidad vivienda 2011")), sub = "",cex.main =
1.1,font.main= 1, col.main= "black")
legend("bottomright", title="",legend=levels(Cortes),fill=mipaleta,
y.intersp=0.8, cex= 1, bty="n",inset=0.05)
```
### Indicador social 2001.
El indicador social es el indicador de privación construido para Medea. En la Figura nº 15 se Cartografían el indicador para 2001.
```{r echo=FALSE}
par(mar=c(1,1,1,1))
Cortes <- cut2(Medea$pr_2001.N.24.15 , g=7)
valores<-as.numeric(Cortes)
mypalette<-brewer.pal(7,"Reds")
mipaleta<-mypalette[length(mypalette):1]
fgs<-mipaleta[valores]
plot(Carto,col=fgs,border="grey",xlab="",ylab="",axes=F)
title(expression(bold("Figura 15. Vulnerabilidad social 2001")), sub = "",cex.main = 1.1,font.main= 1,
col.main= "black")
legend("bottomright", title=" ",legend=levels(Cortes),fill=mipaleta,
y.intersp=0.8, cex= 1, bty="n",inset=0.05)
```
## Indicador social 2011.
El indicador social es el indicador de privación construido para Medea.. En la Figura nº 16 se Cartografían el indicador para 2011.
```{r echo=FALSE}
par(mar=c(1,1,1,1))
Cortes <- cut2(Medea$pr_2011.N.24.15 , g=7)
valores<-as.numeric(Cortes)
mypalette<-brewer.pal(7,"Reds")
mipaleta<-mypalette[length(mypalette):1]
fgs<-mipaleta[valores]
plot(Carto,col=fgs,border="grey",xlab="",ylab="",axes=F)
title(expression(bold("Figura 16. Vulnerabilidad Social 2011")), sub = "",cex.main = 1.1,font.main= 1,
col.main= "black")
legend("bottomright", title=" ",legend=levels(Cortes),fill=mipaleta,
y.intersp=0.8, cex= 1, bty="n",inset=0.05)
```
### Indicador pobreza monetaria 2001
En la figura 17 se representa la población que cobra la Renta Social Básica en julio de 2005 en cada sección censal, que es el único ejercicio para el que hemos podido obtener resultados a nivel de sección censal, en la figura 19 se representa, también para ese mismo ejercicio, la población que percibe pensiones no contributivas al 31 de diciembre de 2005, y en la figura 20 el porcentaje de población que percibe las dos rentas sociales en 2005 en cada sección censal de Santander, que es el indicador con el que se va a aproximar la vulnerabilidad monetaria.
```{r,echo=FALSE, message=FALSE, warning=FALSE}
# Calculamos los indicadores en términos per_capita
pob_2005=data.frame(hombres=rowSums(pob_h[,5:25]),mujeres=rowSums(pob_m[,5:25]))
pob_2005$total=pob_2005$hombres+pob_2005$mujeres
pob_2005$SECC=pob_h[,26]
PNC_2005$PNCpc=PNC_2005$pnc/pob_2005$total
PNC_2005$RSBpc=PNC_2005$rbs/pob_2005$total
PNC_2005$TOTALpc=(PNC_2005$rbs+PNC_2005$pnc)/pob_2005$total
# Representación gráfica Renta Básica
par(mar=c(1,1,1,1))
Cortes <- cut2(PNC_2005$rbs, g=7)
valores<-as.numeric(Cortes)
mypalette<-brewer.pal(7,"Reds")
mipaleta<-mypalette[length(mypalette):1]
fgs<-mipaleta[valores]
plot(Carto,col=fgs,border="grey",xlab="",ylab="",axes=F)
title(expression(bold("Figura 17. Renta Social Básica 2005")), sub = "",cex.main = 1.1,font.main= 1,
col.main= "black")
legend("bottomright", title=" ",legend=levels(Cortes),fill=mipaleta,
y.intersp=0.8, cex= 1, bty="n",inset=0.05)
# Representación gráfica pension contributiva
par(mar=c(1,1,1,1))
Cortes <- cut2(PNC_2005$pnc, g=7)
valores<-as.numeric(Cortes)
mypalette<-brewer.pal(7,"Reds")
mipaleta<-mypalette[length(mypalette):1]
fgs<-mipaleta[valores]
plot(Carto,col=fgs,border="grey",xlab="",ylab="",axes=F)
title(expression(bold("Figura 18. Pensiones no Contributivas 2005")), sub = "",cex.main = 1.1,font.main= 1,
col.main= "black")
legend("bottomright", title=" ",legend=levels(Cortes),fill=mipaleta,
y.intersp=0.8, cex= 1, bty="n",inset=0.05)
# Cartografío Totales per capita
par(mar=c(1,1,1,1))
Cortes <- cut2(PNC_2005$TOTALpc, g=7)
valores<-as.numeric(Cortes)
mypalette<-brewer.pal(7,"Reds")
mipaleta<-mypalette[length(mypalette):1]
fgs<-mipaleta[valores]
plot(Carto,col=fgs,border="grey",xlab="",ylab="",axes=F)
title(expression(bold("Figura 19. Vulnerabilidad monetaria 2005")), sub = "",cex.main = 1.1,font.main= 1,
col.main= "black")
legend("bottomright", title=" ",legend=levels(Cortes),fill=mipaleta,
y.intersp=0.8, cex= 1, bty="n",inset=0.05)
```
## Indicador pobreza monetaria 2011
En la Figura 20 se representa la población que cobra la Renta Social Básica en julio de 2017 en cada sección censal, que es el único ejercicio para el que hemos podido obtener resultados a nivel de sección censal, en la Figura 21 se representa, también para ese mismo ejercicio, la población que percibe pensiones no contributivas al 31 de diciembre de 2017, y en la Figura 22 el porcentaje de población que percibe las dos rentas sociales en 2017 en cada sección censal de Santander, que es el indicador con el que se va a aproximar la vulnerabilidad monetaria.
```{r,echo=FALSE, message=FALSE, warning=FALSE}
# Modifico el seccionado
RentaBasica$CODSEC=ifelse(RentaBasica$CODSEC==3907501011,3907501009,RentaBasica$CODSEC)
RentaBasica$CODSEC=ifelse(RentaBasica$CODSEC==3907502027,3907502014,RentaBasica$CODSEC)
RentaBasica$CODSEC=ifelse(RentaBasica$CODSEC==3907502024,3907502023,RentaBasica$CODSEC)
RentaBasica$CODSEC=ifelse(RentaBasica$CODSEC==3907508014,3907502023,RentaBasica$CODSEC)
RentaBasica$CODSEC=ifelse(RentaBasica$CODSEC==3907504012,3907504010,RentaBasica$CODSEC)
RentaBasica$CODSEC=ifelse(RentaBasica$CODSEC==3907507021,3907504014,RentaBasica$CODSEC)
RentaBasica$CODSEC=ifelse(RentaBasica$CODSEC==3907508001,3907505008,RentaBasica$CODSEC)
RentaBasica$CODSEC=ifelse(RentaBasica$CODSEC==3907508017,3907505008,RentaBasica$CODSEC)
RentaBasica$CODSEC=ifelse(RentaBasica$CODSEC==3907508026,3907505008,RentaBasica$CODSEC)
RentaBasica$CODSEC=ifelse(RentaBasica$CODSEC==3907507015,3907507013,RentaBasica$CODSEC)
RentaBasica$CODSEC=ifelse(RentaBasica$CODSEC==3907507019,3907507017,RentaBasica$CODSEC)
RentaBasica$CODSEC=ifelse(RentaBasica$CODSEC==3907508007,3907508004,RentaBasica$CODSEC)
RentaBasica$CODSEC=ifelse(RentaBasica$CODSEC==3907508018,3907508004,RentaBasica$CODSEC)
RentaBasica$CODSEC=ifelse(RentaBasica$CODSEC==3907508023,3907508004,RentaBasica$CODSEC)
RentaBasica$CODSEC=ifelse(RentaBasica$CODSEC==3907508024,3907508004,RentaBasica$CODSEC)
RentaBasica$CODSEC=ifelse(RentaBasica$CODSEC==3907508028,3907508004,RentaBasica$CODSEC)
RentaBasica$CODSEC=ifelse(RentaBasica$CODSEC==3907508009,3907508008,RentaBasica$CODSEC)
RentaBasica$CODSEC=ifelse(RentaBasica$CODSEC==3907508011,3907508010,RentaBasica$CODSEC)
RentaBasica$CODSEC=ifelse(RentaBasica$CODSEC==3907508012,3907508010,RentaBasica$CODSEC)
RentaBasica$CODSEC=ifelse(RentaBasica$CODSEC==3907508019,3907508010,RentaBasica$CODSEC)
RentaBasica$CODSEC=ifelse(RentaBasica$CODSEC==3907508027,3907508010,RentaBasica$CODSEC)
RentaBasica$CODSEC=ifelse(RentaBasica$CODSEC==3907508022,3907508016,RentaBasica$CODSEC)
RentaBasica$CODSEC=ifelse(RentaBasica$CODSEC==3907508029,3907508020,RentaBasica$CODSEC)
RentaBasica$CODSEC=ifelse(RentaBasica$CODSEC==3907508025,3907508021,RentaBasica$CODSEC)
# obtengo los datos con las nuevas secciones
RBS=tapply(RentaBasica$RBS,RentaBasica$CODSEC,sum)
PNC=tapply(RentaBasica$PNC,RentaBasica$CODSEC,sum)
POB=tapply(RentaBasica$POB,RentaBasica$CODSEC,sum)
SUB=(RBS+PNC)/POB
RentaBasica2=data.frame(RBS,PNC,POB,SUB)
# Cartografío la renta básica
par(mar=c(1,1,1,1))
Cortes <- cut2(RentaBasica2$RBS, g=7)
valores<-as.numeric(Cortes)
mypalette<-brewer.pal(7,"Reds")
mipaleta<-mypalette[length(mypalette):1]
fgs<-mipaleta[valores]
plot(Carto,col=fgs,border="grey",xlab="",ylab="",axes=F)
title(expression(bold("Figura 20. Renta Básica Social 2017")), sub = "",cex.main = 1.1,font.main= 1,
col.main= "black")
legend("bottomright", title=" ",legend=levels(Cortes),fill=mipaleta,
y.intersp=0.8, cex= 1, bty="n",inset=0.05)
#Cartografío Pensiones No Contributivas
par(mar=c(1,1,1,1))
Cortes <- cut2(RentaBasica2$PNC, g=7)
valores<-as.numeric(Cortes)
mypalette<-brewer.pal(7,"Reds")
mipaleta<-mypalette[length(mypalette):1]
fgs<-mipaleta[valores]
plot(Carto,col=fgs,border="grey",xlab="",ylab="",axes=F)
title(expression(bold("Figura 21. Pensiones no Contributivas 2017")), sub = "",cex.main = 1.1,font.main= 1,
col.main= "black")
legend("bottomright", title=" ",legend=levels(Cortes),fill=mipaleta,
y.intersp=0.8, cex= 1, bty="n",inset=0.05)
#Cartografia Renta Básica y PNC sobre Poblacion
par(mar=c(1,1,1,1))
Cortes <- cut2(RentaBasica2$SUB, g=7)
valores<-as.numeric(Cortes)
mypalette<-brewer.pal(7,"Reds")
mipaleta<-mypalette[length(mypalette):1]
fgs<-mipaleta[valores]
plot(Carto,col=fgs,border="grey",xlab="",ylab="",axes=F)
title(expression(bold("Figura 22. Vulnerabilidad monetaria 2017")), sub = "",cex.main = 1.1,font.main= 1,
col.main= "black")
legend("bottomright", title=" ",legend=levels(Cortes),fill=mipaleta,
y.intersp=0.8, cex= 1, bty="n",inset=0.05)
```
### Elaboración del Índice de privación compuesto de Cantabria 2001
Para elaborar el índice de privación Multidimensional que combina las 4 dimensiones analizadas previamente, se usa también el análisis de componentes principales, con la extracción de la primera componente principal para reducir la dimensión de los indicadores en un solo índice
```{r echo=FALSE}
indice01=data.frame(demografico=indicador1.01$Indice,vivienda=indicador2.01$Indice,social=Medea$pr_2001.N.24.15,monetario=PNC_2005$TOTALpc)
cor(indice01)
```
La prueba de esfericidad de Bartlett evalúa la aplicabilidad del análisis de componentes principales o factorial de las variables estudiadas. El modelo es significativo (aceptamos la hipótesis nula, H0) cuando se puede aplicar el análisis factorial:
```{r, echo=FALSE, message=FALSE, warning=FALSE}
bartlett.sphere<-function(data){chi.square=-( (dim(data)[1]-1) - (2*dim(data)[2]-5)/6 )* log(det(cor(data,use='pairwise.complete.obs')));cat('chi.square value ', chi.square , ' on ', (dim(data)[2]^2-dim(data)[2])/2, ' degrees of freedom.' , ' p-value: ', 1-pchisq(chi.square,(dim(data)[2]^2-dim(data)[2])/2))}
bartlett.sphere(data.frame(indice01))
```
como el p-valor de la prueba es menor de 0.05 aceptamos H0 (hipótesis nula), y por tanto se puede aplicar el análisis de componentes principales y factorial.
Calculo los componentes principales basados en la matriz de correlaciones
```{r, echo=FALSE, message=FALSE, warning=FALSE}
indicadores.pc1<-indice01
indicadores.pc1[is.na(indicadores.pc1)]=0
resultados.pc1<-princomp(indicadores.pc1,cor=TRUE)
plot(resultados.pc1,main="Figura 23: Componentes Principales del Indicador multidimensional")
summary(resultados.pc1,loadings=TRUE)
indicador01<-data.frame(CODIGO=residencial$SECC,Indice=resultados.pc1$scores[,1:1])
save(indicador01,file="Privacion_CAN_01.Rdata")
```
En la Figura nº 24 se Cartografían los resultados obtenidos.
```{r,echo=FALSE, message=FALSE, warning=FALSE}
par(mar=c(1,1,1,1))
Cortes <- cut2(indicador01$Indice , g=7)
valores<-as.numeric(Cortes)
mypalette<-brewer.pal(7,"Reds")
mipaleta<-mypalette[length(mypalette):1]
fgs<-mipaleta[valores]
plot(Carto,col=fgs,border="grey",xlab="",ylab="",axes=F)
title(expression(bold("")), sub = "",cex.main = 1.1,font.main= 1,
col.main= "black")
title(expression(bold("Figura 24. Privación Multidimensional 2001")), sub = "",cex.main =
1.1,font.main= 1, col.main= "black")
legend("bottomright", title="",legend=levels(Cortes),fill=mipaleta,
y.intersp=0.8, cex= 1, bty="n",inset=0.05)
```
## Elaboración del Índice de privación Multimensional de Cantabria 2011
Para elaborar el índice de privación Multidimensional que combina las 4 dimensiones analizadas previamente, se usa también el análisis de componentes principales, con la extracción de la primera componente principal para reducir la dimensión de los indicadores en un solo índice
```{r, include=FALSE}
indice11=data.frame(demografico=indicador1.11$Indice,vivienda=indicador2.11$Indice,social=Medea$pr_2011.N.24.15,monetario=SUB)
cor(indice11)
```
La prueba de esfericidad de Bartlett evalúa la aplicabilidad del análisis de componentes principales o factorial de las variables estudiadas. El modelo es significativo (aceptamos la hipótesis nula, H0) cuando se puede aplicar el análisis factorial:
```{r, echo=FALSE, message=FALSE, warning=FALSE}
bartlett.sphere<-function(data){chi.square=-( (dim(data)[1]-1) - (2*dim(data)[2]-5)/6 )* log(det(cor(data,use='pairwise.complete.obs')));cat('chi.square value ', chi.square , ' on ', (dim(data)[2]^2-dim(data)[2])/2, ' degrees of freedom.' , ' p-value: ', 1-pchisq(chi.square,(dim(data)[2]^2-dim(data)[2])/2))}
bartlett.sphere(data.frame(indice11))
```
como el p-valor de la prueba es menor de 0.05 aceptamos H0 (hipótesis nula), y por tanto se puede aplicar el análisis de componentes principales y factorial.
Calculo los componentes principales basados en la matriz de correlaciones
```{r, echo=FALSE, message=FALSE, warning=FALSE}
indicadores.pc1<-indice11
indicadores.pc1[is.na(indicadores.pc1)]=0
resultados.pc1<-princomp(indicadores.pc1,cor=TRUE)
plot(resultados.pc1,main="Figura 25: Componentes Principales del Indicador Multidimensional")
summary(resultados.pc1,loadings=TRUE)
indicador11<-data.frame(CODIGO=residencial$SECC,Indice=resultados.pc1$scores[,1:1])
save(indicador11,file="Privacion_CAN.Rdata")
```
En la Figura nº 26 se Cartografían los resultados obtenidos.
```{r echo=FALSE}
par(mar=c(1,1,1,1))
Cortes <- cut2(-indicador11$Indice, g=7)
valores<-as.numeric(Cortes)
mypalette<-brewer.pal(7,"Reds")
mipaleta<-mypalette[length(mypalette):1]
fgs<-mipaleta[valores]
plot(Carto,col=fgs,border="grey",xlab="",ylab="",axes=F)
title(expression(bold("")), sub = "",cex.main = 1.1,font.main= 1,
col.main= "black")
title(expression(bold("Figura 26. Privación Multidimensional 2011")), sub = "",cex.main =
1.1,font.main= 1, col.main= "black")
legend("bottomright", title="",legend=levels(Cortes),fill=mipaleta,
y.intersp=0.8, cex= 1, bty="n",inset=0.05)
```
# Regresión ecologica INLA
Para realizar la regresión ecológica INLA obtenemos el riesgo de morir asociado a la privación (privación MEDEA 3 y Multidimensional ambas calculadas principalmente con datos del Censo 2011) en el periodo de estudio. Se han tomado los valores esperados calculados a partir de las tasas específicas por edad del periodo 1997-2015. Las tasas específicas se han calculado teniendo en cuenta toda la ciudad de Santander (estandarización interna).
## Resultados hombres
### Privación Medea Media
```{r include=FALSE}
esp=data.frame(Esp=colSums(resultado$Exp[,1,,22]))
obs=data.frame(Obs=colSums(resultado$Obs[,1,,22]))
O=c(obs$Obs)
E=c(esp$Esp)
Privacion=scale((resultado$privacion$privacion_2011+resultado$privacion$privacion_2001)/2)
```
```{r include=FALSE}
Datos <- data.frame(region=region, region.struct=region, O=O, E=E, Privacion=Privacion)
```
Definimos la fórmula del modelo y ejecutamos la función "inla".
```{r}
sdunif <- "expression:
logdens=log(0.5)-log_precision/2;
return(logdens);"
A.orth <- rbind(
c(rep(0, 124), Datos$E),
c(rep(0, 124), Datos$Privacion * E)
)
formula2 <- O ~ Privacion + f(
region.struct,
model = "bym",
graph = "Santander_nb.inla",
hyper = list(
prec.unstruct = list(prior = sdunif),
prec.spatial = list(prior = sdunif)
),
extraconstr = list(A = A.orth, e = rep(0, 2)),
rankdef = 2,
constr = FALSE
)
resultado.p1 <- inla(
formula = formula2,