Análisis demográfico con censosbo • censosbo

Introducción

Esta vignette muestra cómo usar censosbo para análisis demográficos con los datos reales del CPV-2024. Los ejemplos descargan datos del departamento de Beni (~12 MB), que se guarda en caché local tras la primera descarga.

# Descargar datos de Beni con las variables de interés
personas <- get_personas_2024(
  departamento = "Beni",
  variables    = c("p25_sexo", "p26_edad", "nivel_edu",
                   "p40_lee", "p32_pueblo_per")
) |>
  collect() |>
  etiquetar_valores()
#> ℹ Descargando persona_dep08.parquet (~12 MB)...
#> ✔ Descargado persona_dep08.parquet [539ms]
#> 
#> ℹ No toda la población respondió estas variables:
#>   nivel_edu: personas de 19 años o más
#>   p40_lee: personas de 5 años o más
#> ℹ Un porcentaje sobre el total de filas usaría un denominador mayor que ese
#>   universo; filtra por el universo antes de calcularlo.
#> ℹ El universo de cada variable está en `codebook(variable)$universo`.

nrow(personas)
#> [1] 488260

Pirámide de edades

piramide <- personas |>
  filter(!is.na(p26_edad), !is.na(p25_sexo)) |>
  mutate(
    grupo_edad = cut(
      p26_edad,
      breaks = c(0, 4, 9, 14, 19, 24, 29, 34, 39, 44, 49,
                 54, 59, 64, 69, 74, 200),
      labels = c("0-4","5-9","10-14","15-19","20-24","25-29",
                 "30-34","35-39","40-44","45-49","50-54",
                 "55-59","60-64","65-69","70-74","75+"),
      right = TRUE
    ),
    n_pir = ifelse(p25_sexo == "Mujer", -1L, 1L)
  ) |>
  count(grupo_edad, p25_sexo, wt = n_pir)

ggplot(piramide, aes(x = grupo_edad, y = n, fill = p25_sexo)) +
  geom_col(width = 0.8) +
  coord_flip() +
  scale_fill_manual(values = c("Mujer" = "#F4C430", "Hombre" = "#003087")) +
  scale_y_continuous(labels = function(x) {
    formatC(abs(x), format = "d", big.mark = ".", decimal.mark = ",")
  }) +
  labs(
    title    = "Pirámide poblacional — Beni, CPV-2024",
    subtitle = "Distribución por edad y sexo",
    x = "Grupo de edad", y = "Número de personas", fill = NULL,
    caption  = "Fuente: INE Bolivia, CPV-2024"
  ) +
  theme_minimal(base_size = 12) +
  theme(legend.position = "bottom")

Nivel educativo por sexo

# `nivel_edu` es una derivada del INE calculada sobre la población de 19 años o
# más (ver codebook("nivel_edu")$universo), así que ese es el universo real del
# gráfico aunque se filtre por una edad menor.
edu_sexo <- personas |>
  filter(!is.na(nivel_edu), !is.na(p25_sexo), p26_edad >= 19) |>
  count(nivel_edu, p25_sexo) |>
  group_by(p25_sexo) |>
  mutate(pct = n / sum(n) * 100)

ggplot(edu_sexo, aes(x = nivel_edu, y = pct, fill = p25_sexo)) +
  geom_col(position = "dodge") +
  scale_fill_manual(values = c("Mujer" = "#F4C430", "Hombre" = "#003087")) +
  labs(
    title   = "Nivel educativo por sexo (19+ años) — Beni, CPV-2024",
    x       = "Nivel educativo",
    y       = "Porcentaje (%)",
    fill    = NULL,
    caption = "Fuente: INE Bolivia, CPV-2024"
  ) +
  theme_minimal(base_size = 12) +
  theme(legend.position = "bottom", axis.text.x = element_text(angle = 15, hjust = 1))

Alfabetismo por sexo

# `p40_lee` se preguntó a las personas de 5 años o más
# (codebook("p40_lee")$universo). Aquí se usa 15+, el umbral con el que se publican
# las tasas oficiales de alfabetismo, para que la cifra sea comparable con ellas.
alfa <- personas |>
  filter(!is.na(p40_lee), !is.na(p25_sexo), p26_edad >= 15) |>
  count(p25_sexo, p40_lee) |>
  group_by(p25_sexo) |>
  mutate(pct = n / sum(n) * 100)

ggplot(alfa, aes(x = p25_sexo, y = pct, fill = p40_lee)) +
  geom_col() +
  scale_fill_manual(
    values   = c("Sí" = "#003087", "No" = "#d73027", "Sin especificar" = "grey80")
  ) +
  labs(
    title   = "Alfabetismo (15+ años) por sexo — Beni, CPV-2024",
    x       = "Sexo",
    y       = "Porcentaje (%)",
    fill    = "Sabe leer y escribir",
    caption = "Fuente: INE Bolivia, CPV-2024"
  ) +
  theme_minimal(base_size = 12) +
  theme(legend.position = "bottom")

El denominador de la tasa oficial

La distribución de arriba usa como denominador todas las personas de 15 años o más, incluidas las que no declararon si sabían leer. Eso no es lo que hace el INE, y la diferencia se nota: a nivel nacional son 80.297 registros con p40_lee = 9 (Sin especificar) sobre 8.301.489 personas de 15+.

lee <- get_personas_2024(variables = c("p26_edad", "p40_lee")) |>
  filter(p26_edad >= 15) |>
  count(p40_lee) |>
  collect()

alfabetos <- lee$n[lee$p40_lee == 1]

# Dividiendo entre todas las personas de 15+: 94,94%
100 * alfabetos / sum(lee$n)

# Excluyendo a quienes no declararon: 95,86%, casi un punto más
100 * alfabetos / sum(lee$n[lee$p40_lee %in% c(1, 2)])

El tabulado oficial publica 95,8633%. Excluir a los no declarados llega a 95,8630% y explica prácticamente toda la brecha; el resto (0,0003 puntos) viene de algún filtro adicional del universo metodológico del INE que no está documentado en el diccionario.

La lección es general y no se limita al alfabetismo: una tasa oficial no es dividir una categoría entre todas las filas disponibles. Antes de citar una cifra como oficial hay que revisar qué códigos de no respuesta lleva la variable (codebook_valores("p40_lee")) y decidir explícitamente si entran en el denominador. censosbo entrega los microdatos tal como los publicó el INE y no impone esa decisión.

Auto-identificación con pueblos indígenas

ind <- personas |>
  filter(!is.na(p32_pueblo_per)) |>
  count(p32_pueblo_per) |>
  mutate(pct = n / sum(n) * 100)

ggplot(ind, aes(x = reorder(p32_pueblo_per, pct), y = pct)) +
  geom_col(fill = "#003087") +
  geom_text(aes(label = paste0(round(pct, 1), "%")), hjust = -0.1, size = 3.5) +
  coord_flip() +
  ylim(0, 100) +
  labs(
    title   = "Auto-identificación con pueblos indígenas — Beni, CPV-2024",
    x       = NULL,
    y       = "Porcentaje (%)",
    caption = "Fuente: INE Bolivia, CPV-2024"
  ) +
  theme_minimal(base_size = 12)

Comparación nacional por departamento

El siguiente ejemplo descarga los nueve departamentos (~282 MB en total). Ejecuta en tu sesión de R cuando necesites datos nacionales.

# Edad promedio por departamento (todos los datos del país)
edad_dep <- get_personas_2024(variables = c("idep", "p26_edad")) |>
  filter(!is.na(p26_edad)) |>
  group_by(idep) |>
  summarise(edad_promedio = mean(p26_edad, na.rm = TRUE), .groups = "drop") |>
  collect() |>
  left_join(departamentos(), by = "idep") |>
  arrange(edad_promedio)

ggplot(edad_dep, aes(x = reorder(nombre_dep, edad_promedio), y = edad_promedio)) +
  geom_col(fill = "#003087") +
  geom_text(aes(label = round(edad_promedio, 1)), hjust = -0.1, size = 3.5) +
  coord_flip() +
  ylim(0, 35) +
  labs(
    title   = "Edad promedio por departamento — Bolivia, CPV-2024",
    x       = NULL,
    y       = "Edad promedio (años)",
    caption = "Fuente: INE Bolivia, CPV-2024"
  ) +
  theme_minimal()