🧪 Taller semana 10: reporte de terreno con códigos de disposición en R

Autor/a

Gabriel Sotomayor

Descarga: 📄 base cdf_casen2024_simulada.rds

La base

Es una base simulada: ningún registro corresponde a una vivienda real. Emula la base de disposición final de casos de la Casen 2024, con una fila por vivienda seleccionada. Se construyó para que reproduzca las cifras publicadas en el Documento metodológico del proceso estadístico Casen 2024 del Observatorio Social: el total de viviendas seleccionadas, las viviendas logradas y las tasas por región y área, el avance semanal y la duración de la entrevista. El resto (fechas de cada caso, visitas, encuestadoras, UPM y códigos detallados) se simuló.

La base viene en formato .rds y sus variables tienen etiquetas: el código de disposición final trae la glosa de cada código, y la región y el área sus nombres.

Variable Descripción
folio Identificador de la vivienda (ficticio)
region Región, numerada de norte a sur (1 = Arica y Parinacota, 16 = Magallanes)
area Urbano o Rural
cod_upm Unidad primaria de muestreo (ficticia)
cdf Código de disposición final
fecha_cdf, semana Fecha del resultado final y semana de terreno (viernes a jueves, desde el 1 de noviembre de 2024)
n_visitas Visitas realizadas hasta cerrar el caso
id_encuestador Encuestadora que cerró el caso (ficticia)
n_personas, duracion_min Solo para entrevistas logradas: integrantes del hogar y duración en minutos

Las viviendas sin gestión (códigos 510 y 520) no tienen fecha, visitas ni encuestadora.

Paso 0. Antes del taller

  1. Instalar R (CRAN) y RStudio Desktop (posit.co).
  2. Instalar los paquetes en la consola de R:
install.packages(c("haven", "dplyr", "ggplot2", "ggrepel"))
  1. Crear un proyecto de RStudio: File > New Project > New Directory > New Project, con un nombre como taller10. RStudio crea una carpeta con un archivo .Rproj; trabajar dentro del proyecto hace que R encuentre los archivos de esa carpeta sin escribir rutas completas.
  2. Descargar la base y guardarla en la carpeta del proyecto. Abrir el proyecto (doble clic en el archivo .Rproj) y crear un script nuevo (File > New File > R Script) para ir copiando el código de esta guía.

Si algo falla, vengan igual: se puede trabajar en parejas.

Paso 1. Cargar y mirar la base

library(haven)
library(dplyr)
library(ggplot2)
library(ggrepel)

base <- readRDS("cdf_casen2024_simulada.rds")
glimpse(base)
Rows: 112,448
Columns: 11
$ folio          <dbl> 100001, 100002, 100003, 100004, 100005, 100006, 100007,…
$ region         <int+lbl> 6, 3, 14, 16, 7, 16, 7, 10, 8, 1, 7, 7, 5, 5, 14, 1…
$ area           <int+lbl> 1, 1, 2, 1, 1, 1, 1, 2, 1, 1, 1, 1, 1, 1, 1, 1, 1, …
$ cod_upm        <dbl> 61129, 30564, 140598, 160027, 70592, 160028, 70886, 100…
$ cdf            <int+lbl> 110, 110, 110, 110, 110, 224, 110, 110, 110, 110, 1…
$ fecha_cdf      <date> 2024-11-01, 2024-11-15, 2024-12-06, 2024-12-07, 2025-0…
$ semana         <int> 1, 3, 6, 6, 12, 2, 12, 3, 8, 3, 7, 5, 1, 12, 3, 1, 2, 6…
$ n_visitas      <int> 1, 4, 3, 1, 1, 4, 1, 1, 1, 4, 2, 1, 6, 2, 3, 3, 3, 3, 1…
$ id_encuestador <chr> "ENC0337", "ENC0378", "ENC0937", "ENC1456", "ENC1259", …
$ n_personas     <int> 1, 3, 1, 4, 3, NA, 3, 2, 5, 4, 1, 4, 1, 2, 4, 2, 2, NA,…
$ duracion_min   <int> 36, 51, 34, 101, 57, NA, 51, 102, 116, 60, 61, 19, 44, …

La función as_factor() de haven muestra las etiquetas en vez de los números:

base |>
  count(cdf = as_factor(cdf))
cdf n
110. Entrevista completa 77618
211. Se rechazó la entrevista 8552
212. Se interrumpió la entrevista 1204
223. Se impidió acceso a la vivienda 2839
224. Vivienda ocupada sin moradores presentes 8446
225. Informante no ubicable o no puede atender 3411
231. Muerte del informante 22
232. Informante impedido físico o mental para contestar 174
233. Problemas de idioma 37
236. Otra razón, elegible 176
317. Área peligrosa o de difícil acceso 655
318. No fue posible localizar la dirección 888
390. Otra razón, elegibilidad desconocida 753
451. Empresa, oficina de gobierno u otra organización 223
452. Institución (hospital, cárcel, asilo, etc.) 56
453. Dormitorio colectivo 50
454. Vivienda en demolición, incendiada o destruida 321
461. Vivienda particular desocupada 3465
462. Vivienda de veraneo o de uso temporal 1375
463. Otra razón, no elegible 495
510. Asignada sin gestión 361
520. No asignada 1327

Paso 2. Agrupar los códigos

Cada código se asigna a una categoría según el esquema de la clase:

Categoría Códigos
Entrevistada (E) 110
Rechazo (R) 211, 212
No contacto (NC) 223, 224, 225
Otras no entrevistadas (O) 231, 232, 233, 236
Elegibilidad desconocida (ED) 317, 318, 390
No elegible (NE) 451 a 463
Sin gestión (SG) 510, 520 
base <- base |>
  mutate(grupo = case_when(
    cdf == 110                     ~ "E",
    cdf %in% c(211, 212)           ~ "R",
    cdf %in% c(223, 224, 225)      ~ "NC",
    cdf %in% c(231, 232, 233, 236) ~ "O",
    cdf %in% c(317, 318, 390)      ~ "ED",
    cdf >= 451 & cdf <= 463        ~ "NE",
    cdf %in% c(510, 520)           ~ "SG"
  ))

Paso 3. La tabla de disposición final

base |>
  count(grupo) |>
  mutate(porcentaje = round(100 * n / sum(n), 1))
grupo n porcentaje
E 77618 69.0
ED 2296 2.0
NC 14696 13.1
NE 5985 5.3
O 409 0.4
R 9756 8.7
SG 1688 1.5

Paso 4. Las tasas nacionales

Primero se cuentan las categorías en una sola fila, y después se calculan las tasas:

conteo <- base |>
  summarise(
    total = n(),
    E  = sum(grupo == "E"),
    R  = sum(grupo == "R"),
    NC = sum(grupo == "NC"),
    O  = sum(grupo == "O"),
    ED = sum(grupo == "ED"),
    NE = sum(grupo == "NE")
  )

conteo |>
  transmute(
    respuesta    = round(E / (E + R + NC + O + ED), 3),
    contacto     = round((E + R + O) / (E + R + NC + O + ED), 3),
    cooperacion  = round(E / (E + R + O), 3),
    rechazo      = round(R / (E + R + NC + O + ED), 3),
    elegibilidad = round((E + R + NC + O) / total, 3)
  )
respuesta contacto cooperacion rechazo elegibilidad
0.741 0.838 0.884 0.093 0.911

Son las cifras nacionales publicadas para la Casen 2024.

Ahora las tres versiones de la tasa de respuesta de AAPOR. La e se estima como la proporción de elegibles entre los casos cuya elegibilidad se conoce:

conteo |>
  transmute(
    e   = round((E + R + NC + O) / (E + R + NC + O + NE), 3),
    RR1 = round(E / (E + R + NC + O + ED), 3),
    RR3 = round(E / (E + R + NC + O + e * ED), 3),
    RR5 = round(E / (E + R + NC + O), 3)
  )
e RR1 RR3 RR5
0.945 0.741 0.742 0.757

¿Cuánto cambia la tasa según el supuesto sobre los casos de elegibilidad desconocida? ¿Por qué en este caso la diferencia es pequeña?

Paso 5. Tasas por área y región

El mismo cálculo, agrupado. Con as_factor() la tabla muestra los nombres de las regiones:

tasas_region <- base |>
  group_by(region = as_factor(region)) |>
  summarise(
    E  = sum(grupo == "E"),
    R  = sum(grupo == "R"),
    NC = sum(grupo == "NC"),
    O  = sum(grupo == "O"),
    ED = sum(grupo == "ED")
  ) |>
  mutate(
    respuesta   = round(100 * E / (E + R + NC + O + ED), 1),
    contacto    = round(100 * (E + R + O) / (E + R + NC + O + ED), 1),
    cooperacion = round(100 * E / (E + R + O), 1),
    rechazo     = round(100 * R / (E + R + NC + O + ED), 1)
  )

tasas_region
region E R NC O ED respuesta contacto cooperacion rechazo
Arica y Parinacota 2753 447 363 12 56 75.8 88.5 85.7 12.3
Tarapacá 3055 311 961 29 151 67.8 75.3 90.0 6.9
Antofagasta 3401 424 982 27 153 68.2 77.2 88.3 8.5
Atacama 3214 391 850 11 133 69.9 78.6 88.9 8.5
Coquimbo 3583 599 391 13 61 77.1 90.3 85.4 12.9
Valparaíso 8345 1009 1347 54 210 76.1 85.8 88.7 9.2
Metropolitana 13787 3165 3634 90 568 64.9 80.2 80.9 14.9
O’Higgins 5264 314 824 16 129 80.4 85.4 94.1 4.8
Maule 5469 547 690 15 108 80.1 88.3 90.7 8.0
Ñuble 3469 306 442 28 69 80.4 88.2 91.2 7.1
Biobío 8060 759 1208 38 189 78.6 86.4 91.0 7.4
La Araucanía 5447 437 1086 18 170 76.1 82.5 92.3 6.1
Los Ríos 3414 326 466 15 73 79.5 87.4 90.9 7.6
Los Lagos 4263 398 535 29 83 80.3 88.4 90.9 7.5
Aysén 1751 122 231 3 36 81.7 87.5 93.3 5.7
Magallanes 2343 201 686 11 107 70.0 76.3 91.7 6.0

Repitan el cálculo agrupando por as_factor(area). Después grafiquen contacto contra cooperación. geom_text_repel(), del paquete ggrepel, evita que los nombres se superpongan:

ggplot(tasas_region, aes(contacto, cooperacion, label = region)) +
  geom_point(color = "#0A3564", size = 2.5) +
  geom_text_repel(size = 3) +
  labs(x = "Tasa de contacto (%)", y = "Tasa de cooperación (%)") +
  theme_minimal()

¿En qué regiones el problema es encontrar a las personas, y en cuáles convencerlas?

Paso 6. El avance del terreno

Las entrevistas logradas por semana y su acumulado, comparados con la muestra objetivo de 74.668 viviendas:

avance <- base |>
  filter(grupo == "E") |>
  count(semana) |>
  mutate(acumulado = cumsum(n))

ggplot(avance, aes(semana, acumulado)) +
  geom_line(color = "#0A3564") +
  geom_point(color = "#0A3564", size = 2.5) +
  geom_hline(yintercept = 74668, linetype = "dashed") +
  labs(x = "Semana de terreno", y = "Entrevistas logradas acumuladas") +
  theme_minimal()

Y dos indicadores de esfuerzo:

# Promedio de visitas según el resultado final
base |>
  filter(grupo != "SG") |>
  group_by(grupo) |>
  summarise(visitas_promedio = round(mean(n_visitas), 2))
grupo visitas_promedio
E 2.06
ED 2.61
NC 4.57
NE 1.37
O 1.89
R 3.00 
# Encuestadoras activas por semana (con al menos una entrevista lograda)
base |>
  filter(grupo == "E") |>
  group_by(semana) |>
  summarise(activas = n_distinct(id_encuestador))
semana activas
1 1256
2 1132
3 1049
4 987
5 938
6 901
7 820
8 646
9 665
10 680
11 656
12 619
13 556
14 436

¿En qué semana se alcanzó la muestra objetivo? ¿Qué pasa con el número de encuestadoras activas a medida que avanza el terreno? ¿Cuánto esfuerzo consumieron los casos que nunca se lograron?

Paso 7. Indicadores por encuestadora

El monitoreo también mira a cada encuestadora. Como ejemplo, la tasa de cooperación de cada una en todo el terreno. Se consideran solo las que cerraron al menos 30 casos, porque con pocos casos una tasa varía mucho por azar:

por_encuestadora <- base |>
  filter(grupo != "SG") |>
  group_by(region = as_factor(region), id_encuestador) |>
  summarise(
    casos = n(),
    E = sum(grupo == "E"),
    R = sum(grupo == "R"),
    O = sum(grupo == "O"),
    .groups = "drop"
  ) |>
  filter(casos >= 30) |>
  mutate(cooperacion = round(100 * E / (E + R + O), 1))

nrow(por_encuestadora)
[1] 1198

Cada encuestadora trabaja en una sola región, así que conviene compararla con las demás de su región. Un gráfico de cajas por región muestra la distribución: la caja va del percentil 25 al 75, y los puntos sueltos son las encuestadoras que se alejan más de 1,5 veces el rango intercuartílico.

ggplot(por_encuestadora, aes(cooperacion, region)) +
  geom_boxplot(color = "#0A3564", outlier.size = 2) +
  scale_y_discrete(limits = rev) +
  labs(x = "Tasa de cooperación por encuestadora (%)", y = NULL) +
  theme_minimal()

La misma regla permite listar a las encuestadoras atípicas por abajo dentro de su región:

por_encuestadora |>
  group_by(region) |>
  mutate(limite = round(quantile(cooperacion, 0.25) - 1.5 * IQR(cooperacion), 1)) |>
  filter(cooperacion < limite) |>
  select(region, id_encuestador, casos, cooperacion, limite)
region id_encuestador casos cooperacion limite
Tarapacá ENC1690 36 78.3 78.7
Tarapacá ENC1702 40 76.0 78.7
Atacama ENC1609 65 72.7 78.3
Coquimbo ENC1600 32 69.2 75.6
Coquimbo ENC1652 32 64.3 75.6
Coquimbo ENC1671 51 74.4 75.6
Valparaíso ENC1439 115 78.4 78.9
Valparaíso ENC1534 60 74.5 78.9
Valparaíso ENC1592 74 74.5 78.9
Metropolitana ENC1602 75 60.9 64.9
Metropolitana ENC1606 74 57.8 64.9
O’Higgins ENC0479 49 82.9 84.4
O’Higgins ENC1595 67 81.6 84.4
Maule ENC1502 93 78.8 81.0
Ñuble ENC1721 60 79.2 79.5
Biobío ENC0093 32 79.3 80.4
Biobío ENC1587 53 76.2 80.4
La Araucanía ENC1424 31 82.1 82.5
La Araucanía ENC1683 38 73.1 82.5
La Araucanía ENC1703 59 79.4 82.5
Los Lagos ENC1550 64 78.0 79.3
Aysén ENC1201 33 77.4 87.4

¿Cuántas encuestadoras quedan marcadas? Con más de mil encuestadoras, ¿cuántas esperarían marcar solo por azar? ¿Qué otra información necesitarían para decidir si una de ellas tiene un problema real?

Fuentes

  • AAPOR (2023). Standard Definitions: Final Dispositions of Case Codes and Outcome Rates for Surveys (10.ª ed.).
  • Observatorio Social, Ministerio de Desarrollo Social y Familia (2026). Documento metodológico del proceso estadístico Casen 2024. Tablas 20 a 23, gráficos 2 y 3, y Anexo 1.