La Unidad de Métodos y Acceso a Datos (UMAD) (FCS-UdelaR) a partir del Observatorio Uruguay busca aportar a la difusión de conocimiento respecto a temas de interés general sobre la realidad social, económica y política del Uruguay. Esta serie de documentos tiene como objetivo presentar indicadores clave para el análisis de tendencias históricas del país que esperamos sean de utilidad para las comunidades académicas, los tomadores de decisión y los formadores de opinión, así como el público en general. Se presentan aquí indicadores sobre familia y composición de los hogares en el Uruguay durante las últimas décadas.

Composición y estructura de los hogares

Tipo de hogar

Siguiendo la definición del Instituto Nacional de Estadística, el concepto de hogar particular alude a la persona o conjunto de personas, unidas o no por relaciones de parentesco, que residen en una misma vivienda y comparten, al menos, los gastos de alimentación. Por su parte, la definición de familia refiere al conjunto de personas que conforma un hogar y en que al menos dos de sus integrantes tienen una relación de parentesco y/o consanguinidad. A través del análisis de los hogares es posible aproximarse a la noción de familia, resultando relevante comprender la composición del hogar y los procesos y dinámicas que se producen en los mismos.

La clasificación de los hogares según el tipo refleja la composición de los hogares según la relación de parentesco de sus integrantes.

Hogar unipersonal: integrado por una sola persona.
Hogar biparental con hijos: integrado por el padre y la madre (pareja unida o casada legalmente) y uno o más hijos.
Pareja sin hijos: integrado por la pareja unida o casada legalmente sin hijos.
Hogar monoparental femenino: integrado por la madre y uno o más hijos.
Hogar monoparental masculino: integrado por el padre y uno o más hijos.
Hogar extendido o compuesto con núcleo monoparental: constituido por un hogar monoparental que incluyen uno o más parientes o no parientes del jefe de hogar.
Hogar extendido o compuesto con núcleo biparental: constituido por un hogar con núcleo biparental que incluyen uno o más parientes o no parientes del jefe de hogar.
Hogar sin núcleo: integrado por individuos no emparentados entre ellos.

En 2023 se observa que 34.3% de los hogares están compuestos por una pareja con hijos/as, 17.2% son unipersonales, 18.1% compuestos por una preja sin hijos/as y 11.1% son monoparentales femeninos. En una menor proporción se encuentran los otros tipos de hogares.

Distribución porcentual de los hogares según tipo de hogar

Total país, 2006 - 2023

Gráfico

Tabla

Ficha Técnica

Definición: Distribución porcentual de los hogares según tipo de hogar

Forma de cálculo: Para cada tipo de hogar se calcula: (Cantidad de hogares por tipo de hogar/ Cantidad total de hogares) *100. Clasificación de hogares: Hogar unipersonal: integrado por una sola persona. Hogar biparental con hijos: integrado por el padre y la madre (pareja unida o casada legalmente) y uno o más hijos. Pareja sin hijos: integrado por la pareja unida o casada legalmente sin hijos. Hogar monoparental femenino: integrado por la madre y uno o más hijos. Hogar monoparental masculino: integrado por el padre y uno o más hijos. Hogar extendido o compuesto con núcleo monoparental: constituido por un hogar monoparental que incluyen uno o más parientes o no parientes del jefe de hogar. Hogar extendido o compuesto con núcleo biparental: constituido por un hogar con núcleo biparental que incluyen uno o más parientes o no parientes del jefe de hogar. Hogar sin núcleo: integrado por individuos no emparentados entre ellos.

Advertencia: Desde marzo de 2020 hasta junio de 2021 se interrumpió el relevamiento presencial y se aplicó de manera telefónica un cuestionario restringido con el objetivo de continuar publicando los indicadores de ingresos y mercado de trabajo. En ese período la encuesta pasó a ser de paneles rotativos elegidos al azar a partir de los casos respondentes del año anterior. En julio de 2021 el INE retomó la realización de encuestas presenciales, pero introdujo un cambio metodológico, ya que la ECH pasa a ser una encuesta de panel rotativo con periodicidad mensual compuesta por seis paneles o grupos de rotación, cada uno de los cuales es una muestra representativa de la población. Con esta nueva metodología, cada hogar seleccionado participa durante seis meses de la ECH. Considerando que en la base 2021 hay hogares que presentan más de un jefe y otros en los que no hay ninguno, el indicador para 2021 se presenta para todos los hogares que presentan uno y solo un jefe. A partir de 2022 el indicador se calcula a partir de la base de implantación anual.

Código en R

### Estimación de valores 2022 ###

# Para sintaxix de años anteriores consultar: 
# https://osf.io/dyzg8/files/osfstorage#

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de paquetes ###

# Instalar si es necesario:
#install.packages("rio")
#install.packages("srvyr")
#install.packages("tidyverse")

library(rio)
library(srvyr)
library(tidyverse)


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Descarga bases ECH 2022 (INE) de repositorio UMAD-FCS ###

#download.file(
#  url = "https://osf.io/download/rehz2/", 
#  destfile = "Base anual 2022.Rdata"
#)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de bases ###

#load("Base anual 2022.Rdata")

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #


### Generación de nuevas variables ###

# Sexo
base <- base %>% dplyr::mutate(bc_pe2 = e26)

#Tipo de hogar

base <- base %>% dplyr::mutate(bc_pe4 = case_when(e30==1 ~ 1, e30==2 ~ 2, e30 ==3|e30==4|e30==5 ~ 3, e30==6|e30==7 ~ 4, e30==8|e30==9|e30==10|e30==11|e30==12 ~ 5, e30==13 ~ 6, e30==14 ~ 7))

base <- base %>% dplyr::mutate(jefe = case_when(bc_pe4==1 ~ 1, bc_pe4!=1 ~ 0))
base <- base %>% dplyr::mutate(esposo_companero = case_when(bc_pe4==2 ~ 1, bc_pe4!=2 ~ 0))
base <- base %>% dplyr::mutate(hijos = case_when(bc_pe4==3 ~ 1, bc_pe4!=3 ~ 0))
base <- base %>% dplyr::mutate(otro_pariente = case_when(bc_pe4==4|bc_pe4==5 ~ 1, bc_pe4!=4&bc_pe4!=5 ~ 0))
base <- base %>% dplyr::mutate(otro_nopariente = case_when(bc_pe4==6 ~ 1, bc_pe4!=6 ~ 0))
base <- base %>% dplyr::mutate(servicio_domestico = case_when(bc_pe4==7 ~ 1, bc_pe4!=7 ~ 0))
base <- base %>% dplyr::mutate(jefatura_femenina = case_when(bc_pe4==1&bc_pe2==2 ~ 1, bc_pe4!=1|bc_pe2!=2 ~ 0))
base <- base %>% group_by(bc_correlat) %>% mutate(sumjefe=sum(jefe)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumesposo_companero=sum(esposo_companero)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumhijo=sum(hijos)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumotro_pariente=sum(otro_pariente)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumno_pariente=sum(otro_nopariente)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumservicio_domestico=sum(servicio_domestico)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumjefatura_femenina=sum(jefatura_femenina)) %>% as.data.frame()


#Constuyendo tipo de hogar#

#1.UNIPERSONAL 
#2. PAREJA SIN HIJOS
#3. BIPARENTAL 
#4. MONOPARENTAL FEMENINO 
#5. MONOPARENTAL MASCULINO 
#6. EXTENDIDO O COMPUESTO 
#7. EXTENDIDO O COMPUESTO CON NÚCLEO MONOPARENTAL
#8. SIN NÚCLEO CONYUGAL

base <- base %>% dplyr::mutate(tipo_hogar = case_when(sumesposo_companero==0 & sumhijo==0 & sumno_pariente==0 & sumotro_pariente==0 ~ 1,                              sumesposo_companero>=1 & sumhijo==0 & sumotro_pariente==0 & sumno_pariente==0 ~ 2,                                (sumesposo_companero>=1 & sumhijo>=1)& sumotro_pariente==0 & sumno_pariente==0 ~ 3,                                sumesposo_companero==0 & sumhijo>=1 & sumotro_pariente==0 & sumjefatura_femenina==1 & sumno_pariente==0 ~ 4,                                sumesposo_companero==0 & sumhijo>=1 & sumotro_pariente==0 & sumjefatura_femenina==0 & sumno_pariente==0 ~ 5,      ((sumotro_pariente>=1 | sumno_pariente>=1)&(sumesposo_companero>=1 | sumhijo>=1)&sumjefatura_femenina==0)|((sumotro_pariente>=1 | sumno_pariente>=1)&sumesposo_companero>0&sumjefatura_femenina==1)|((sumotro_pariente>=1 | sumno_pariente>=1)&sumhijo==0&sumjefatura_femenina==1&sumesposo_companero>=1) ~ 6,(sumesposo_companero==0 &sumhijo>0&sumjefatura_femenina==1&sumotro_pariente>=1) | (sumesposo_companero==0 &sumhijo>0&sumjefatura_femenina==1&sumno_pariente>=1) ~ 7,(sumotro_pariente >=1 | sumno_pariente >=1) & (sumesposo_companero==0 & sumhijo==0) ~ 8))

base <- base %>% dplyr::mutate(tipo_hogar1 = case_when(tipo_hogar==1 ~ 1)) base <- base %>% dplyr::mutate(tipo_hogar2 = case_when(tipo_hogar==2 ~ 1))
base <- base %>% dplyr::mutate(tipo_hogar3 = case_when(tipo_hogar==3 ~ 1)) base <- base %>% dplyr::mutate(tipo_hogar4 = case_when(tipo_hogar==4 ~ 1)) base <- base %>% dplyr::mutate(tipo_hogar5 = case_when(tipo_hogar==5 ~ 1)) base <- base %>% dplyr::mutate(tipo_hogar6 = case_when(tipo_hogar==6 ~ 1)) base <- base %>% dplyr::mutate(tipo_hogar7 = case_when(tipo_hogar==7 ~ 1))
base <- base %>% dplyr::mutate(tipo_hogar8 = case_when(tipo_hogar==8 ~ 1))
base <- mutate_at(base, c("tipo_hogar1", "tipo_hogar2", "tipo_hogar3", "tipo_hogar4", "tipo_hogar5","tipo_hogar6", "tipo_hogar7", "tipo_hogar8"), ~replace(., is.na(.), 0))

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #
### Bases a nivel hogar ###                               

base_h <- base %>% distinct(ID, .keep_all = TRUE)


### Información de muestreo ###

base_h_svy         <- srvyr::as_survey_design(base_h, ids = bc_correlat, weights = w_ano)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Estimación de indicadores 2022 ###


### Distribución porcentual de los hogares según tipo de hogar

## Total país

base_h_svy_1 <- base_h_svy %>%
  filter(tipo_hogar>0)

var_int <- c("tipo_hogar1", "tipo_hogar2", "tipo_hogar3", "tipo_hogar4", "tipo_hogar5", "tipo_hogar6", "tipo_hogar7", "tipo_hogar8")
a_ano <- sapply(base_h_svy_1$variables %>% select(var_int), function(x){
  base_h_svy_1 %>%
    srvyr::summarise(stat = srvyr::survey_mean(x, na.rm = TRUE)) 
})

c_ano <- matrix(,8,1)
for (i in 1:8) {
  c_ano[i,1] <- c(as.numeric(c(a_ano[1,i])))
}

rownames(c_ano) <- c("Unipersonal",
                     "Pareja sin hijos",
                     "Biparental",
                     "Monoparental femenino",
                     "Monoparental masculino",
                     "Extendido o compuesto",
                     "Extendido con núcleo monoparental",
                     "Sin núcleo")
colnames(c_ano)<- c("Total")
estimacion2022 <- c_ano

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

Fuente: Unidad de Métodos y Acceso a Datos (UMAD), Facultad de Ciencias Sociales (FCS-UdelaR), a partir de la ECH del Instituto Nacional de Estadística (INE) compatibilizada por el Instituto de Economía (IECON) (2019) y ECH - INE, 2020-2022.

Notas: La transparencia de colores representa cambios metodológicos en el relevamiento de las ECH. La línea se discontinúa en aquellos años en que ocurre el cambio (ver Ficha Técnica)

Al analizar la distribución de los hogares según quintil de ingresos se encuentran diferencias marcadas. Es posible observar que a medida que aumentan los ingresos de los hogares aumenta el porcentaje de hogares unipersonales y de pareja sin hijos, mientras disminuye el porcentaje de hogares biparentales, monoparentales femeninos y extendidos o compuestos (con o sin núcleo monoparental).

Distribución porcentual de los hogares según tipo de hogar, por quintil de ingresos

Total país, 2023

Gráfico

Tabla

Ficha Técnica

Definición: Distribución porcentual de los hogares según tipo de hogar

Forma de cálculo: Para cada tipo de hogar se calcula: (Cantidad de hogares por tipo de hogar/ Cantidad total de hogares) *100. Clasificación de hogares: Hogar unipersonal: integrado por una sola persona. Hogar biparental con hijos: integrado por el padre y la madre (pareja unida o casada legalmente) y uno o más hijos. Pareja sin hijos: integrado por la pareja unida o casada legalmente sin hijos. Hogar monoparental femenino: integrado por la madre y uno o más hijos. Hogar monoparental masculino: integrado por el padre y uno o más hijos. Hogar extendido o compuesto con núcleo monoparental: constituido por un hogar monoparental que incluyen uno o más parientes o no parientes del jefe de hogar. Hogar extendido o compuesto con núcleo biparental: constituido por un hogar con núcleo biparental que incluyen uno o más parientes o no parientes del jefe de hogar. Hogar sin núcleo: integrado por individuos no emparentados entre ellos.

Advertencia: Desde marzo de 2020 hasta junio de 2021 se interrumpió el relevamiento presencial y se aplicó de manera telefónica un cuestionario restringido con el objetivo de continuar publicando los indicadores de ingresos y mercado de trabajo. En ese período la encuesta pasó a ser de paneles rotativos elegidos al azar a partir de los casos respondentes del año anterior. En julio de 2021 el INE retomó la realización de encuestas presenciales, pero introdujo un cambio metodológico, ya que la ECH pasa a ser una encuesta de panel rotativo con periodicidad mensual compuesta por seis paneles o grupos de rotación, cada uno de los cuales es una muestra representativa de la población. Con esta nueva metodología, cada hogar seleccionado participa durante seis meses de la ECH. Considerando que en la base 2021 hay hogares que presentan más de un jefe y otros en los que no hay ninguno, el indicador para 2021 se presenta para todos los hogares que presentan uno y solo un jefe. A partir de 2022 el indicador se calcula a partir de la base de implantación anual.

Código en R

### Estimación de valores 2022 ###

# Para sintaxix de años anteriores consultar: 
# https://osf.io/dyzg8/files/osfstorage#

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de paquetes ###

# Instalar si es necesario:
#install.packages("rio")
#install.packages("srvyr")
#install.packages("tidyverse")

library(rio)
library(srvyr)
library(tidyverse)


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Descarga bases ECH 2022 (INE) de repositorio UMAD-FCS ###

#download.file(
#  url = "https://osf.io/download/rehz2/", 
#  destfile = "Base anual 2022.Rdata"
#)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de bases ###

#load("Base anual 2022.Rdata")


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #


### Me quedo con los hogares donde hay uno y solo un jefe
base <- base %>% dplyr::mutate(bc_correlat = ID)

### Generación de nuevas variables ###

# Ingresos
base <- base %>% dplyr::mutate(y_pc       =  ht11 / HT19 )                      #Ingreso per-cápita
base <- base %>% dplyr::mutate(y_pc_svl   =  (ht11 - ht13) / HT19)              #Ingreso per-cápita sin valor locativo

# Quintil de ingresos
base_h <- base %>% distinct(ID, .keep_all = TRUE)
base_h <- base_h %>% dplyr::mutate(quintilesy = statar::xtile(y_pc, n=5, wt = w_ano))
base_h <- base_h[,c("ID","quintilesy")]
base <- merge(base, base_h, by = "ID")

# Sexo
base <- base %>% dplyr::mutate(bc_pe2 = e26)

#Tipo de hogar
base <- base %>% dplyr::mutate(bc_pe4 = case_when(e30==1 ~ 1, e30==2 ~ 2, e30 ==3|e30==4|e30==5 ~ 3, e30==6|e30==7 ~ 4, e30==8|e30==9|e30==10|e30==11|e30==12 ~ 5, e30==13 ~ 6, e30==14 ~ 7))

base <- base %>% dplyr::mutate(jefe = case_when(bc_pe4==1 ~ 1, bc_pe4!=1 ~ 0))
base <- base %>% dplyr::mutate(esposo_companero = case_when(bc_pe4==2 ~ 1, bc_pe4!=2 ~ 0))
base <- base %>% dplyr::mutate(hijos = case_when(bc_pe4==3 ~ 1, bc_pe4!=3 ~ 0))
base <- base %>% dplyr::mutate(otro_pariente = case_when(bc_pe4==4|bc_pe4==5 ~ 1, bc_pe4!=4&bc_pe4!=5 ~ 0))
base <- base %>% dplyr::mutate(otro_nopariente = case_when(bc_pe4==6 ~ 1, bc_pe4!=6 ~ 0))
base <- base %>% dplyr::mutate(servicio_domestico = case_when(bc_pe4==7 ~ 1, bc_pe4!=7 ~ 0))
base <- base %>% dplyr::mutate(jefatura_femenina = case_when(bc_pe4==1&bc_pe2==2 ~ 1, bc_pe4!=1|bc_pe2!=2 ~ 0))
base <- base %>% group_by(bc_correlat) %>% mutate(sumjefe=sum(jefe)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumesposo_companero=sum(esposo_companero)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumhijo=sum(hijos)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumotro_pariente=sum(otro_pariente)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumno_pariente=sum(otro_nopariente)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumservicio_domestico=sum(servicio_domestico)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumjefatura_femenina=sum(jefatura_femenina)) %>% as.data.frame()


#Constuyendo tipo de hogar#

#1.UNIPERSONAL 
#2. PAREJA SIN HIJOS
#3. BIPARENTAL 
#4. MONOPARENTAL FEMENINO 
#5. MONOPARENTAL MASCULINO 
#6. EXTENDIDO O COMPUESTO 
#7. EXTENDIDO O COMPUESTO CON NÚCLEO MONOPARENTAL
#8. SIN NÚCLEO CONYUGAL

base <- base %>% dplyr::mutate(tipo_hogar = case_when(sumesposo_companero==0 & sumhijo==0 & sumno_pariente==0 & sumotro_pariente==0 ~ 1,                              sumesposo_companero>=1 & sumhijo==0 & sumotro_pariente==0 & sumno_pariente==0 ~ 2,                                (sumesposo_companero>=1 & sumhijo>=1)& sumotro_pariente==0 & sumno_pariente==0 ~ 3,                                sumesposo_companero==0 & sumhijo>=1 & sumotro_pariente==0 & sumjefatura_femenina==1 & sumno_pariente==0 ~ 4,                                sumesposo_companero==0 & sumhijo>=1 & sumotro_pariente==0 & sumjefatura_femenina==0 & sumno_pariente==0 ~ 5,      ((sumotro_pariente>=1 | sumno_pariente>=1)&(sumesposo_companero>=1 | sumhijo>=1)&sumjefatura_femenina==0)|((sumotro_pariente>=1 | sumno_pariente>=1)&sumesposo_companero>0&sumjefatura_femenina==1)|((sumotro_pariente>=1 | sumno_pariente>=1)&sumhijo==0&sumjefatura_femenina==1&sumesposo_companero>=1) ~ 6,(sumesposo_companero==0 &sumhijo>0&sumjefatura_femenina==1&sumotro_pariente>=1) | (sumesposo_companero==0 &sumhijo>0&sumjefatura_femenina==1&sumno_pariente>=1) ~ 7,(sumotro_pariente >=1 | sumno_pariente >=1) & (sumesposo_companero==0 & sumhijo==0) ~ 8))

base <- base %>% dplyr::mutate(tipo_hogar1 = case_when(tipo_hogar==1 ~ 1)) base <- base %>% dplyr::mutate(tipo_hogar2 = case_when(tipo_hogar==2 ~ 1))
base <- base %>% dplyr::mutate(tipo_hogar3 = case_when(tipo_hogar==3 ~ 1)) base <- base %>% dplyr::mutate(tipo_hogar4 = case_when(tipo_hogar==4 ~ 1)) base <- base %>% dplyr::mutate(tipo_hogar5 = case_when(tipo_hogar==5 ~ 1)) base <- base %>% dplyr::mutate(tipo_hogar6 = case_when(tipo_hogar==6 ~ 1)) base <- base %>% dplyr::mutate(tipo_hogar7 = case_when(tipo_hogar==7 ~ 1))
base <- base %>% dplyr::mutate(tipo_hogar8 = case_when(tipo_hogar==8 ~ 1))
base <- mutate_at(base, c("tipo_hogar1", "tipo_hogar2", "tipo_hogar3", "tipo_hogar4", "tipo_hogar5","tipo_hogar6", "tipo_hogar7", "tipo_hogar8"), ~replace(., is.na(.), 0))

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #
### Bases a nivel hogar ###                               

base_h <- base %>% distinct(ID, .keep_all = TRUE)


### Información de muestreo ###

base_h_svy         <- srvyr::as_survey_design(base_h, ids = bc_correlat, weights = w_ano)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Estimación de indicadores 2022 ###


### Distribución porcentual de los hogares según tipo de hogar

## Total país

base_h_svy_1 <- base_h_svy %>%
  filter(tipo_hogar>0)

var_int <- c("tipo_hogar1", "tipo_hogar2", "tipo_hogar3", "tipo_hogar4", "tipo_hogar5", "tipo_hogar6", "tipo_hogar7", "tipo_hogar8")
# Quintil de ingreso del hogar
a_quintil <- function(y) {
  base <- subset(base_h_svy_1, quintilesy == y) 
  resultados  <-  sapply(base$variables %>% select(var_int), function(x){
    base %>%
      srvyr::summarise(stat1 = srvyr::survey_mean(x, na.rm = TRUE))
    
  })
  y <- as.numeric(resultados[1,])
}

a_e_quintil = matrix(, nrow = 8, ncol = 5)

for(i in 1:5){
  a_e_quintil[,i] <- a_quintil(y = i)
}

c_quintil <- as.data.frame(a_e_quintil)
rownames(c_quintil) <- c("Unipersonal",
                     "Pareja sin hijos",
                     "Biparental",
                     "Monoparental femenino",
                     "Monoparental masculino",
                     "Extendido o compuesto",
                     "Extendido con núcleo monoparental",
                     "Sin núcleo")
colnames(c_quintil)<- c("Quintil 1",
                        "Quintil 2",
                        "Quintil 3",
                        "Quintil 4",
                        "Quintil 5")
estimacion2022 <- c_quintil

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

Notas: La transparencia de colores representa cambios metodológicos en el relevamiento de las ECH. La línea se discontinúa en aquellos años en que ocurre el cambio (ver Ficha Técnica)

En el siguiente gráfico puede observarse que en 2023 la mayoría de hogares en los que residen menores de 18 años son biparentales (62.1%), seguido de hogares monoparentales femeninos (14.3%) y de extendidos o compuestos (11.7%).

Distribución porcentual de hogares con menores de 18 años según tipo de hogar

Total país, 2006 - 2023

Gráfico

Tabla

Ficha Técnica

Definición: Distribución porcentual de hogares con menores de 18 años según tipo de hogar

Forma de cálculo: Para cada tipo de hogar se calcula: (Cantidad de hogares con menores de 18 años por tipo de hogar/ Cantidad total de hogares con menores de 18 años) *100. Clasificación de hogares: Hogar unipersonal: integrado por una sola persona. Hogar biparental con hijos: integrado por el padre y la madre (pareja unida o casada legalmente) y uno o más hijos. Pareja sin hijos: integrado por la pareja unida o casada legalmente sin hijos. Hogar monoparental femenino: integrado por la madre y uno o más hijos. Hogar monoparental masculino: integrado por el padre y uno o más hijos. Hogar extendido o compuesto con núcleo monoparental: constituido por un hogar monoparental que incluyen uno o más parientes o no parientes del jefe de hogar. Hogar extendido o compuesto con núcleo biparental: constituido por un hogar con núcleo biparental que incluyen uno o más parientes o no parientes del jefe de hogar. Hogar sin núcleo: integrado por individuos no emparentados entre ellos.

Advertencia: Desde marzo de 2020 hasta junio de 2021 se interrumpió el relevamiento presencial y se aplicó de manera telefónica un cuestionario restringido con el objetivo de continuar publicando los indicadores de ingresos y mercado de trabajo. En ese período la encuesta pasó a ser de paneles rotativos elegidos al azar a partir de los casos respondentes del año anterior. En julio de 2021 el INE retomó la realización de encuestas presenciales, pero introdujo un cambio metodológico, ya que la ECH pasa a ser una encuesta de panel rotativo con periodicidad mensual compuesta por seis paneles o grupos de rotación, cada uno de los cuales es una muestra representativa de la población. Con esta nueva metodología, cada hogar seleccionado participa durante seis meses de la ECH. Considerando que en la base 2021 hay hogares que presentan más de un jefe y otros en los que no hay ninguno, el indicador para 2021 se presenta para todos los hogares que presentan uno y solo un jefe. A partir de 2022 el indicador se calcula a partir de la base de implantación anual.

Código en R

### Estimación de valores 2022 ###

# Para sintaxix de años anteriores consultar: 
# https://osf.io/dyzg8/files/osfstorage#

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de paquetes ###

# Instalar si es necesario:
#install.packages("rio")
#install.packages("srvyr")
#install.packages("tidyverse")

library(rio)
library(srvyr)
library(tidyverse)


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Descarga bases ECH 2022 (INE) de repositorio UMAD-FCS ###

#download.file(
#  url = "https://osf.io/download/rehz2/", 
#  destfile = "Base anual 2022.Rdata"
#)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de bases ###

#load("Base anual 2022.Rdata")


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #


### Generación de nuevas variables ###

# Sexo
base <- base %>% dplyr::mutate(bc_pe2 = e26)


#Tipo de hogar
base <- base %>% dplyr::mutate(bc_pe4 = case_when(e30==1 ~ 1, e30==2 ~ 2, e30 ==3|e30==4|e30==5 ~ 3, e30==6|e30==7 ~ 4, e30==8|e30==9|e30==10|e30==11|e30==12 ~ 5, e30==13 ~ 6, e30==14 ~ 7))

base <- base %>% dplyr::mutate(jefe = case_when(bc_pe4==1 ~ 1, bc_pe4!=1 ~ 0))
base <- base %>% dplyr::mutate(esposo_companero = case_when(bc_pe4==2 ~ 1, bc_pe4!=2 ~ 0))
base <- base %>% dplyr::mutate(hijos = case_when(bc_pe4==3 ~ 1, bc_pe4!=3 ~ 0))
base <- base %>% dplyr::mutate(otro_pariente = case_when(bc_pe4==4|bc_pe4==5 ~ 1, bc_pe4!=4&bc_pe4!=5 ~ 0))
base <- base %>% dplyr::mutate(otro_nopariente = case_when(bc_pe4==6 ~ 1, bc_pe4!=6 ~ 0))
base <- base %>% dplyr::mutate(servicio_domestico = case_when(bc_pe4==7 ~ 1, bc_pe4!=7 ~ 0))
base <- base %>% dplyr::mutate(jefatura_femenina = case_when(bc_pe4==1&bc_pe2==2 ~ 1, bc_pe4!=1|bc_pe2!=2 ~ 0))
base <- base %>% group_by(bc_correlat) %>% mutate(sumjefe=sum(jefe)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumesposo_companero=sum(esposo_companero)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumhijo=sum(hijos)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumotro_pariente=sum(otro_pariente)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumno_pariente=sum(otro_nopariente)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumservicio_domestico=sum(servicio_domestico)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumjefatura_femenina=sum(jefatura_femenina)) %>% as.data.frame()


#Constuyendo tipo de hogar#

#1.UNIPERSONAL 
#2. PAREJA SIN HIJOS
#3. BIPARENTAL 
#4. MONOPARENTAL FEMENINO 
#5. MONOPARENTAL MASCULINO 
#6. EXTENDIDO O COMPUESTO 
#7. EXTENDIDO O COMPUESTO CON NÚCLEO MONOPARENTAL
#8. SIN NÚCLEO CONYUGAL

base <- base %>% dplyr::mutate(tipo_hogar = case_when(sumesposo_companero==0 & sumhijo==0 & sumno_pariente==0 & sumotro_pariente==0 ~ 1,                              sumesposo_companero>=1 & sumhijo==0 & sumotro_pariente==0 & sumno_pariente==0 ~ 2,                                (sumesposo_companero>=1 & sumhijo>=1)& sumotro_pariente==0 & sumno_pariente==0 ~ 3,                                sumesposo_companero==0 & sumhijo>=1 & sumotro_pariente==0 & sumjefatura_femenina==1 & sumno_pariente==0 ~ 4,                                sumesposo_companero==0 & sumhijo>=1 & sumotro_pariente==0 & sumjefatura_femenina==0 & sumno_pariente==0 ~ 5,      ((sumotro_pariente>=1 | sumno_pariente>=1)&(sumesposo_companero>=1 | sumhijo>=1)&sumjefatura_femenina==0)|((sumotro_pariente>=1 | sumno_pariente>=1)&sumesposo_companero>0&sumjefatura_femenina==1)|((sumotro_pariente>=1 | sumno_pariente>=1)&sumhijo==0&sumjefatura_femenina==1&sumesposo_companero>=1) ~ 6,(sumesposo_companero==0 &sumhijo>0&sumjefatura_femenina==1&sumotro_pariente>=1) | (sumesposo_companero==0 &sumhijo>0&sumjefatura_femenina==1&sumno_pariente>=1) ~ 7,(sumotro_pariente >=1 | sumno_pariente >=1) & (sumesposo_companero==0 & sumhijo==0) ~ 8))

base <- base %>% dplyr::mutate(tipo_hogar1 = case_when(tipo_hogar==1 ~ 1)) base <- base %>% dplyr::mutate(tipo_hogar2 = case_when(tipo_hogar==2 ~ 1))
base <- base %>% dplyr::mutate(tipo_hogar3 = case_when(tipo_hogar==3 ~ 1)) base <- base %>% dplyr::mutate(tipo_hogar4 = case_when(tipo_hogar==4 ~ 1)) base <- base %>% dplyr::mutate(tipo_hogar5 = case_when(tipo_hogar==5 ~ 1)) base <- base %>% dplyr::mutate(tipo_hogar6 = case_when(tipo_hogar==6 ~ 1)) base <- base %>% dplyr::mutate(tipo_hogar7 = case_when(tipo_hogar==7 ~ 1))
base <- base %>% dplyr::mutate(tipo_hogar8 = case_when(tipo_hogar==8 ~ 1))
base <- mutate_at(base, c("tipo_hogar1", "tipo_hogar2", "tipo_hogar3", "tipo_hogar4", "tipo_hogar5","tipo_hogar6", "tipo_hogar7", "tipo_hogar8"), ~replace(., is.na(.), 0))



# Renombro edad
base <- base %>% dplyr::mutate(bc_pe3 = e27)


base <- base %>% dplyr::mutate(men18 = case_when(bc_pe3<18 ~ 1, bc_pe3>=18 ~ 0)) 
base <- base %>% group_by(bc_correlat) %>% mutate(men18h=max(men18)) %>% as.data.frame()

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Bases menores de 18 ###                                
base_men <- base %>%  filter(men18h >0)

### Bases a nivel hogar ###                               

base_h <- base %>% distinct(ID, .keep_all = TRUE)
base_h_men <- sem2_men %>% distinct(ID, .keep_all = TRUE)

### Información de muestreo ###

base_h_svy         <- srvyr::as_survey_design(base_h, ids = ID, weights = w_ano)
base_h_men_svy         <- srvyr::as_survey_design(base_h_men, ids = ID, weights = w_ano)


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Estimación de indicadores 2022 ###


### Distribución porcentual de hogares con menores según tipo de hogar

## Total país

base_h_men_svy_1 <- base_h_men_svy %>%
  filter(tipo_hogar>0)


# Total

var_int <- c("tipo_hogar1", "tipo_hogar2", "tipo_hogar3", "tipo_hogar4", "tipo_hogar5", "tipo_hogar6", "tipo_hogar7", "tipo_hogar8")
a_ano <- sapply(base_h_men_svy_1$variables %>% select(var_int), function(x){
  base_h_men_svy_1 %>%
    srvyr::summarise(stat = srvyr::survey_mean(x, na.rm = TRUE)) 
})

c_ano <- matrix(,8,1)
for (i in 1:8) {
  c_ano[i,1] <- c(as.numeric(c(a_ano[1,i])))
}

rownames(c_ano) <- c("Unipersonal",
                     "Pareja sin hijos",
                     "Biparental",
                     "Monoparental femenino",
                     "Monoparental masculino",
                     "Extendido o compuesto",
                     "Extendido con núcleo monoparental",
                     "Sin núcleo")
colnames(c_ano)<- c("Total")
estimacion2022 <- c_ano

Notas: La transparencia de colores representa cambios metodológicos en el relevamiento de las ECH. La línea se discontinúa en aquellos años en que ocurre el cambio (ver Ficha Técnica)

Al analizar la distribución de los hogares con menores de 18 años según quintil de ingresos se encuentran algunas diferencias a destacar. Es posible observar que a medida que aumentan los ingresos de los hogares aumenta el porcentaje de hogares biparentales, pasando de 52% en los hogares del Quintil 1 a 82% en los del Quintil 5. Por su parte, los hogares monoparentales femeninos y los extendidos o compuestos (con o sin núcleo monoparental) disminuyen su porcentaje a medida que aumenta el quintil de ingresos.

Distribución porcentual de los hogares con menores de 18 años según tipo de hogar, por quintil de ingresos

Total país, 2023

Gráfico

Tabla

Ficha Técnica

Definición: Distribución porcentual de hogares con menores de 18 años según tipo de hogar

Forma de cálculo: Para cada tipo de hogar se calcula: (Cantidad de hogares con menores de 18 años por tipo de hogar/ Cantidad total de hogares con menores de 18 años) *100. Clasificación de hogares: Hogar unipersonal: integrado por una sola persona. Hogar biparental con hijos: integrado por el padre y la madre (pareja unida o casada legalmente) y uno o más hijos. Pareja sin hijos: integrado por la pareja unida o casada legalmente sin hijos. Hogar monoparental femenino: integrado por la madre y uno o más hijos. Hogar monoparental masculino: integrado por el padre y uno o más hijos. Hogar extendido o compuesto con núcleo monoparental: constituido por un hogar monoparental que incluyen uno o más parientes o no parientes del jefe de hogar. Hogar extendido o compuesto con núcleo biparental: constituido por un hogar con núcleo biparental que incluyen uno o más parientes o no parientes del jefe de hogar. Hogar sin núcleo: integrado por individuos no emparentados entre ellos.

Advertencia: Desde marzo de 2020 hasta junio de 2021 se interrumpió el relevamiento presencial y se aplicó de manera telefónica un cuestionario restringido con el objetivo de continuar publicando los indicadores de ingresos y mercado de trabajo. En ese período la encuesta pasó a ser de paneles rotativos elegidos al azar a partir de los casos respondentes del año anterior. En julio de 2021 el INE retomó la realización de encuestas presenciales, pero introdujo un cambio metodológico, ya que la ECH pasa a ser una encuesta de panel rotativo con periodicidad mensual compuesta por seis paneles o grupos de rotación, cada uno de los cuales es una muestra representativa de la población. Con esta nueva metodología, cada hogar seleccionado participa durante seis meses de la ECH. Considerando que en la base 2021 hay hogares que presentan más de un jefe y otros en los que no hay ninguno, el indicador para 2021 se presenta para todos los hogares que presentan uno y solo un jefe. A partir de 2022 el indicador se calcula a partir de la base de implantación anual.

Código en R

### Estimación de valores 2022 ###

# Para sintaxix de años anteriores consultar: 
# https://osf.io/dyzg8/files/osfstorage#

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de paquetes ###

# Instalar si es necesario:
#install.packages("rio")
#install.packages("srvyr")
#install.packages("tidyverse")

library(rio)
library(srvyr)
library(tidyverse)


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Descarga bases ECH 2022 (INE) de repositorio UMAD-FCS ###

#download.file(
#  url = "https://osf.io/download/rehz2/", 
#  destfile = "Base anual 2022.Rdata"
#)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de bases ###

#load("Base anual 2022.Rdata")


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #


### Generación de nuevas variables ###

# Ingresos
base <- base %>% dplyr::mutate(y_pc       =  ht11 / HT19 )                      #Ingreso per-cápita
base <- base %>% dplyr::mutate(y_pc_svl   =  (ht11 - ht13) / HT19)              #Ingreso per-cápita sin valor locativo

# Quintil de ingresos
base_h <- base %>% distinct(ID, .keep_all = TRUE)
base_h <- base_h %>% dplyr::mutate(quintilesy = statar::xtile(y_pc, n=5, wt = w_ano))
base_h <- base_h[,c("ID","quintilesy")]
base <- merge(base, base_h, by = "ID")   

# Renombro edad
base <- base %>% dplyr::mutate(bc_pe3 = e27)

# Sexo
base <- base %>% dplyr::mutate(bc_pe2 = e26)

#Tipo de hogar
base <- base %>% dplyr::mutate(bc_pe4 = case_when(e30==1 ~ 1, e30==2 ~ 2, e30 ==3|e30==4|e30==5 ~ 3, e30==6|e30==7 ~ 4, e30==8|e30==9|e30==10|e30==11|e30==12 ~ 5, e30==13 ~ 6, e30==14 ~ 7))

base <- base %>% dplyr::mutate(jefe = case_when(bc_pe4==1 ~ 1, bc_pe4!=1 ~ 0))
base <- base %>% dplyr::mutate(esposo_companero = case_when(bc_pe4==2 ~ 1, bc_pe4!=2 ~ 0))
base <- base %>% dplyr::mutate(hijos = case_when(bc_pe4==3 ~ 1, bc_pe4!=3 ~ 0))
base <- base %>% dplyr::mutate(otro_pariente = case_when(bc_pe4==4|bc_pe4==5 ~ 1, bc_pe4!=4&bc_pe4!=5 ~ 0))
base <- base %>% dplyr::mutate(otro_nopariente = case_when(bc_pe4==6 ~ 1, bc_pe4!=6 ~ 0))
base <- base %>% dplyr::mutate(servicio_domestico = case_when(bc_pe4==7 ~ 1, bc_pe4!=7 ~ 0))
base <- base %>% dplyr::mutate(jefatura_femenina = case_when(bc_pe4==1&bc_pe2==2 ~ 1, bc_pe4!=1|bc_pe2!=2 ~ 0))
base <- base %>% group_by(bc_correlat) %>% mutate(sumjefe=sum(jefe)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumesposo_companero=sum(esposo_companero)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumhijo=sum(hijos)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumotro_pariente=sum(otro_pariente)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumno_pariente=sum(otro_nopariente)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumservicio_domestico=sum(servicio_domestico)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumjefatura_femenina=sum(jefatura_femenina)) %>% as.data.frame()


#Constuyendo tipo de hogar#

#1.UNIPERSONAL 
#2. PAREJA SIN HIJOS
#3. BIPARENTAL 
#4. MONOPARENTAL FEMENINO 
#5. MONOPARENTAL MASCULINO 
#6. EXTENDIDO O COMPUESTO 
#7. EXTENDIDO O COMPUESTO CON NÚCLEO MONOPARENTAL
#8. SIN NÚCLEO CONYUGAL

base <- base %>% dplyr::mutate(tipo_hogar = case_when(sumesposo_companero==0 & sumhijo==0 & sumno_pariente==0 & sumotro_pariente==0 ~ 1,                              sumesposo_companero>=1 & sumhijo==0 & sumotro_pariente==0 & sumno_pariente==0 ~ 2,                                (sumesposo_companero>=1 & sumhijo>=1)& sumotro_pariente==0 & sumno_pariente==0 ~ 3,                                sumesposo_companero==0 & sumhijo>=1 & sumotro_pariente==0 & sumjefatura_femenina==1 & sumno_pariente==0 ~ 4,                                sumesposo_companero==0 & sumhijo>=1 & sumotro_pariente==0 & sumjefatura_femenina==0 & sumno_pariente==0 ~ 5,      ((sumotro_pariente>=1 | sumno_pariente>=1)&(sumesposo_companero>=1 | sumhijo>=1)&sumjefatura_femenina==0)|((sumotro_pariente>=1 | sumno_pariente>=1)&sumesposo_companero>0&sumjefatura_femenina==1)|((sumotro_pariente>=1 | sumno_pariente>=1)&sumhijo==0&sumjefatura_femenina==1&sumesposo_companero>=1) ~ 6,(sumesposo_companero==0 &sumhijo>0&sumjefatura_femenina==1&sumotro_pariente>=1) | (sumesposo_companero==0 &sumhijo>0&sumjefatura_femenina==1&sumno_pariente>=1) ~ 7,(sumotro_pariente >=1 | sumno_pariente >=1) & (sumesposo_companero==0 & sumhijo==0) ~ 8))

base <- base %>% dplyr::mutate(tipo_hogar1 = case_when(tipo_hogar==1 ~ 1)) base <- base %>% dplyr::mutate(tipo_hogar2 = case_when(tipo_hogar==2 ~ 1))
base <- base %>% dplyr::mutate(tipo_hogar3 = case_when(tipo_hogar==3 ~ 1)) base <- base %>% dplyr::mutate(tipo_hogar4 = case_when(tipo_hogar==4 ~ 1)) base <- base %>% dplyr::mutate(tipo_hogar5 = case_when(tipo_hogar==5 ~ 1)) base <- base %>% dplyr::mutate(tipo_hogar6 = case_when(tipo_hogar==6 ~ 1)) base <- base %>% dplyr::mutate(tipo_hogar7 = case_when(tipo_hogar==7 ~ 1))
base <- base %>% dplyr::mutate(tipo_hogar8 = case_when(tipo_hogar==8 ~ 1))
base <- mutate_at(base, c("tipo_hogar1", "tipo_hogar2", "tipo_hogar3", "tipo_hogar4", "tipo_hogar5","tipo_hogar6", "tipo_hogar7", "tipo_hogar8"), ~replace(., is.na(.), 0))



base <- base %>% dplyr::mutate(men18 = case_when(bc_pe3<18 ~ 1, bc_pe3>=18 ~ 0)) 
base <- base %>% group_by(bc_correlat) %>% mutate(men18h=max(men18)) %>% as.data.frame()

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Bases menores de 18 ###                                
base_men <- base %>%  filter(men18h >0)

### Bases a nivel hogar ###                               

base_h <- base %>% distinct(ID, .keep_all = TRUE)
base_h_men <- sem2_men %>% distinct(ID, .keep_all = TRUE)


### Información de muestreo ###

base_h_svy <- srvyr::as_survey_design(base_h, ids = ID, weights = w_ano)
base_h_men_svy <- srvyr::as_survey_design(base_h_men, ids = ID, weights = w_ano)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Estimación de indicadores 2022 ###


### Distribución porcentual de hogares con menores según tipo de hogar

## Total país

base_h_men_svy_1 <- base_h_men_svy %>%
  filter(tipo_hogar>0)


# Total

var_int <- c("tipo_hogar1", "tipo_hogar2", "tipo_hogar3", "tipo_hogar4", "tipo_hogar5", "tipo_hogar6", "tipo_hogar7", "tipo_hogar8")
# Quintil de ingreso del hogar
a_quintil <- function(y) {
  base <- subset(base_h_men_svy_1, quintilesy == y) 
  resultados  <-  sapply(base$variables %>% select(var_int), function(x){
    base %>%
      srvyr::summarise(stat1 = srvyr::survey_mean(x, na.rm = TRUE))
    
  })
  y <- as.numeric(resultados[1,])
}

a_e_quintil = matrix(, nrow = 8, ncol = 5)

for(i in 1:5){
  a_e_quintil[,i] <- a_quintil(y = i)
}


c_quintil <- as.data.frame(a_e_quintil)
rownames(c_quintil) <- c("Unipersonal",
                     "Pareja sin hijos",
                     "Biparental",
                     "Monoparental femenino",
                     "Monoparental masculino",
                     "Extendido o compuesto",
                     "Extendido con núcleo monoparental",
                     "Sin núcleo")
colnames(c_quintil)<- c("Quintil 1", 
                        "Quintil 2", 
                        "Quintil 3",
                        "Quintil 4",
                        "Quintil 5")
estimacion2022 <- c_quintil

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

Notas: La transparencia de colores representa cambios metodológicos en el relevamiento de las ECH. La línea se discontinúa en aquellos años en que ocurre el cambio (ver Ficha Técnica)

En el siguiente gráfico puede observarse que en 2023 la mayoría de hogares en los que residen menores de 15 años son biparentales (62.9%), seguido de hogares monoparentales femeninos (13.6%) y de extendidos o compuestos (12%).

Distribución porcentual de hogares con menores de 15 años según tipo de hogar

Total país, 2006 - 2023

Gráfico

Tabla

Ficha Técnica

Definición: Distribución porcentual de hogares con menores de 15 años según tipo de hogar

Forma de cálculo: Para cada tipo de hogar se calcula: (Cantidad de hogares con menores de 15 años por tipo de hogar/ Cantidad total de hogares con menores de 15 años) *100. Clasificación de hogares: Hogar unipersonal: integrado por una sola persona. Hogar biparental con hijos: integrado por el padre y la madre (pareja unida o casada legalmente) y uno o más hijos. Pareja sin hijos: integrado por la pareja unida o casada legalmente sin hijos. Hogar monoparental femenino: integrado por la madre y uno o más hijos. Hogar monoparental masculino: integrado por el padre y uno o más hijos. Hogar extendido o compuesto con núcleo monoparental: constituido por un hogar monoparental que incluyen uno o más parientes o no parientes del jefe de hogar. Hogar extendido o compuesto con núcleo biparental: constituido por un hogar con núcleo biparental que incluyen uno o más parientes o no parientes del jefe de hogar. Hogar sin núcleo: integrado por individuos no emparentados entre ellos.

Advertencia: Desde marzo de 2020 hasta junio de 2021 se interrumpió el relevamiento presencial y se aplicó de manera telefónica un cuestionario restringido con el objetivo de continuar publicando los indicadores de ingresos y mercado de trabajo. En ese período la encuesta pasó a ser de paneles rotativos elegidos al azar a partir de los casos respondentes del año anterior. En julio de 2021 el INE retomó la realización de encuestas presenciales, pero introdujo un cambio metodológico, ya que la ECH pasa a ser una encuesta de panel rotativo con periodicidad mensual compuesta por seis paneles o grupos de rotación, cada uno de los cuales es una muestra representativa de la población. Con esta nueva metodología, cada hogar seleccionado participa durante seis meses de la ECH. Considerando que en la base 2021 hay hogares que presentan más de un jefe y otros en los que no hay ninguno, el indicador para 2021 se presenta para todos los hogares que presentan uno y solo un jefe. A partir de 2022 el indicador se calcula a partir de la base de implantación anual.

Código en R

### Estimación de valores 2022 ###

# Para sintaxix de años anteriores consultar: 
# https://osf.io/dyzg8/files/osfstorage#

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de paquetes ###

# Instalar si es necesario:
#install.packages("rio")
#install.packages("srvyr")
#install.packages("tidyverse")

library(rio)
library(srvyr)
library(tidyverse)


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Descarga bases ECH 2022 (INE) de repositorio UMAD-FCS ###

#download.file(
#  url = "https://osf.io/download/rehz2/", 
#  destfile = "Base anual 2022.Rdata"
#)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de bases ###

#load("Base anual 2022.Rdata")


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #


### Generación de nuevas variables ###

# Renombro edad
base <- base %>% dplyr::mutate(bc_pe3 = e27)

# Sexo
base <- base %>% dplyr::mutate(bc_pe2 = e26)


#Tipo de hogar
base <- base %>% dplyr::mutate(bc_pe4 = case_when(e30==1 ~ 1, e30==2 ~ 2, e30 ==3|e30==4|e30==5 ~ 3, e30==6|e30==7 ~ 4, e30==8|e30==9|e30==10|e30==11|e30==12 ~ 5, e30==13 ~ 6, e30==14 ~ 7))

base <- base %>% dplyr::mutate(jefe = case_when(bc_pe4==1 ~ 1, bc_pe4!=1 ~ 0))
base <- base %>% dplyr::mutate(esposo_companero = case_when(bc_pe4==2 ~ 1, bc_pe4!=2 ~ 0))
base <- base %>% dplyr::mutate(hijos = case_when(bc_pe4==3 ~ 1, bc_pe4!=3 ~ 0))
base <- base %>% dplyr::mutate(otro_pariente = case_when(bc_pe4==4|bc_pe4==5 ~ 1, bc_pe4!=4&bc_pe4!=5 ~ 0))
base <- base %>% dplyr::mutate(otro_nopariente = case_when(bc_pe4==6 ~ 1, bc_pe4!=6 ~ 0))
base <- base %>% dplyr::mutate(servicio_domestico = case_when(bc_pe4==7 ~ 1, bc_pe4!=7 ~ 0))
base <- base %>% dplyr::mutate(jefatura_femenina = case_when(bc_pe4==1&bc_pe2==2 ~ 1, bc_pe4!=1|bc_pe2!=2 ~ 0))
base <- base %>% group_by(bc_correlat) %>% mutate(sumjefe=sum(jefe)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumesposo_companero=sum(esposo_companero)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumhijo=sum(hijos)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumotro_pariente=sum(otro_pariente)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumno_pariente=sum(otro_nopariente)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumservicio_domestico=sum(servicio_domestico)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumjefatura_femenina=sum(jefatura_femenina)) %>% as.data.frame()


#Constuyendo tipo de hogar#

#1.UNIPERSONAL 
#2. PAREJA SIN HIJOS
#3. BIPARENTAL 
#4. MONOPARENTAL FEMENINO 
#5. MONOPARENTAL MASCULINO 
#6. EXTENDIDO O COMPUESTO 
#7. EXTENDIDO O COMPUESTO CON NÚCLEO MONOPARENTAL
#8. SIN NÚCLEO CONYUGAL

base <- base %>% dplyr::mutate(tipo_hogar = case_when(sumesposo_companero==0 & sumhijo==0 & sumno_pariente==0 & sumotro_pariente==0 ~ 1,                              sumesposo_companero>=1 & sumhijo==0 & sumotro_pariente==0 & sumno_pariente==0 ~ 2,                                (sumesposo_companero>=1 & sumhijo>=1)& sumotro_pariente==0 & sumno_pariente==0 ~ 3,                                sumesposo_companero==0 & sumhijo>=1 & sumotro_pariente==0 & sumjefatura_femenina==1 & sumno_pariente==0 ~ 4,                                sumesposo_companero==0 & sumhijo>=1 & sumotro_pariente==0 & sumjefatura_femenina==0 & sumno_pariente==0 ~ 5,      ((sumotro_pariente>=1 | sumno_pariente>=1)&(sumesposo_companero>=1 | sumhijo>=1)&sumjefatura_femenina==0)|((sumotro_pariente>=1 | sumno_pariente>=1)&sumesposo_companero>0&sumjefatura_femenina==1)|((sumotro_pariente>=1 | sumno_pariente>=1)&sumhijo==0&sumjefatura_femenina==1&sumesposo_companero>=1) ~ 6,(sumesposo_companero==0 &sumhijo>0&sumjefatura_femenina==1&sumotro_pariente>=1) | (sumesposo_companero==0 &sumhijo>0&sumjefatura_femenina==1&sumno_pariente>=1) ~ 7,(sumotro_pariente >=1 | sumno_pariente >=1) & (sumesposo_companero==0 & sumhijo==0) ~ 8))

base <- base %>% dplyr::mutate(tipo_hogar1 = case_when(tipo_hogar==1 ~ 1)) base <- base %>% dplyr::mutate(tipo_hogar2 = case_when(tipo_hogar==2 ~ 1))
base <- base %>% dplyr::mutate(tipo_hogar3 = case_when(tipo_hogar==3 ~ 1)) base <- base %>% dplyr::mutate(tipo_hogar4 = case_when(tipo_hogar==4 ~ 1)) base <- base %>% dplyr::mutate(tipo_hogar5 = case_when(tipo_hogar==5 ~ 1)) base <- base %>% dplyr::mutate(tipo_hogar6 = case_when(tipo_hogar==6 ~ 1)) base <- base %>% dplyr::mutate(tipo_hogar7 = case_when(tipo_hogar==7 ~ 1))
base <- base %>% dplyr::mutate(tipo_hogar8 = case_when(tipo_hogar==8 ~ 1))
base <- mutate_at(base, c("tipo_hogar1", "tipo_hogar2", "tipo_hogar3", "tipo_hogar4", "tipo_hogar5","tipo_hogar6", "tipo_hogar7", "tipo_hogar8"), ~replace(., is.na(.), 0))


###Menores de 15 
base <- base %>% dplyr::mutate(men15 = case_when(bc_pe3<15 ~ 1, bc_pe3>=15 ~ 0)) 
base <- base %>% group_by(bc_correlat) %>% mutate(men15h=max(men15)) %>% as.data.frame()
base_men15 <- base_men15 %>%  filter(men15h >0)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Bases a nivel hogar ###                               

base_h <- base %>% distinct(ID, .keep_all = TRUE)

### Información de muestreo ###

base_h_svy <- srvyr::as_survey_design(base_h, ids = ID, weights = w_ano)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Estimación de indicadores 2022 ###


### Distribución porcentual de hogares con menores de 15 años según tipo de hogar

##Total país
base_h_svy_1_men <- base_h_svy %>%
  filter(men15h==1 & tipo_hogar>0)

##Total

var_int <- c("tipo_hogar1", "tipo_hogar2", "tipo_hogar3", "tipo_hogar4", "tipo_hogar5", "tipo_hogar6", "tipo_hogar7", "tipo_hogar8")
a_ano <- sapply(base_h_svy_1_men$variables %>% select(var_int), function(x){
  base_h_svy_1_men %>%
    srvyr::summarise(stat = srvyr::survey_mean(x, na.rm = TRUE)) 
})

c_ano <- matrix(,8,1)
for (i in 1:8) {
  c_ano[i,1] <- c(as.numeric(c(a_ano[1,i])))
}

rownames(c_ano) <- c("Unipersonal",
                     "Pareja sin hijos",
                     "Biparental",
                     "Monoparental femenino",
                     "Monoparental masculino",
                     "Extendido o compuesto",
                     "Extendido con núcleo monoparental",
                     "Sin núcleo")
colnames(c_ano)<- c("Total")
estimacion2022 <- c_ano

Notas: La transparencia de colores representa cambios metodológicos en el relevamiento de las ECH. La línea se discontinúa en aquellos años en que ocurre el cambio (ver Ficha Técnica)

Al analizar la distribución de los hogares con menores de 15 años según quintil de ingresos se encuentran algunas diferencias a destacar. Es posible observar que a medida que aumentan los ingresos de los hogares aumenta el porcentaje de hogares biparentales, pasando de 52% en los hogares del Quintil 1 a 85% en los del Quintil 5. Por su parte, los hogares monoparentales femeninos y los extendidos o compuestos (con o sin núcleo monoparental) disminuyen su porcentaje a medida que aumenta el quintil de ingresos.

Distribución porcentual de los hogares con menores de 15 años según tipo de hogar, por quintil de ingresos

Total país, 2023

Gráfico

Tabla

Ficha Técnica

Definición: Distribución porcentual de hogares con menores de 15 años según tipo de hogar

Forma de cálculo: Para cada tipo de hogar se calcula: (Cantidad de hogares con menores de 15 años por tipo de hogar/ Cantidad total de hogares con menores de 15 años) *100. Clasificación de hogares: Hogar unipersonal: integrado por una sola persona. Hogar biparental con hijos: integrado por el padre y la madre (pareja unida o casada legalmente) y uno o más hijos. Pareja sin hijos: integrado por la pareja unida o casada legalmente sin hijos. Hogar monoparental femenino: integrado por la madre y uno o más hijos. Hogar monoparental masculino: integrado por el padre y uno o más hijos. Hogar extendido o compuesto con núcleo monoparental: constituido por un hogar monoparental que incluyen uno o más parientes o no parientes del jefe de hogar. Hogar extendido o compuesto con núcleo biparental: constituido por un hogar con núcleo biparental que incluyen uno o más parientes o no parientes del jefe de hogar. Hogar sin núcleo: integrado por individuos no emparentados entre ellos.

Advertencia: Desde marzo de 2020 hasta junio de 2021 se interrumpió el relevamiento presencial y se aplicó de manera telefónica un cuestionario restringido con el objetivo de continuar publicando los indicadores de ingresos y mercado de trabajo. En ese período la encuesta pasó a ser de paneles rotativos elegidos al azar a partir de los casos respondentes del año anterior. En julio de 2021 el INE retomó la realización de encuestas presenciales, pero introdujo un cambio metodológico, ya que la ECH pasa a ser una encuesta de panel rotativo con periodicidad mensual compuesta por seis paneles o grupos de rotación, cada uno de los cuales es una muestra representativa de la población. Con esta nueva metodología, cada hogar seleccionado participa durante seis meses de la ECH. Considerando que en la base 2021 hay hogares que presentan más de un jefe y otros en los que no hay ninguno, el indicador para 2021 se presenta para todos los hogares que presentan uno y solo un jefe. A partir de 2022 el indicador se calcula a partir de la base de implantación anual.

Código en R

### Estimación de valores 2022 ###

# Para sintaxix de años anteriores consultar: 
# https://osf.io/dyzg8/files/osfstorage#

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de paquetes ###

# Instalar si es necesario:
#install.packages("rio")
#install.packages("srvyr")
#install.packages("tidyverse")

library(rio)
library(srvyr)
library(tidyverse)


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Descarga bases ECH 2022 (INE) de repositorio UMAD-FCS ###

#download.file(
#  url = "https://osf.io/download/rehz2/", 
#  destfile = "Base anual 2022.Rdata"
#)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de bases ###

#load("Base anual 2022.Rdata")


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #


### Me quedo con los hogares donde hay uno y solo un jefe
base <- base %>% dplyr::mutate(bc_correlat = ID)

### Generación de nuevas variables ###

# Ingresos
base <- base %>% dplyr::mutate(y_pc       =  ht11 / HT19 )                      #Ingreso per-cápita
base <- base %>% dplyr::mutate(y_pc_svl   =  (ht11 - ht13) / HT19)              #Ingreso per-cápita sin valor locativo

# Quintil de ingresos
base_h <- base %>% distinct(numero, .keep_all = TRUE)
base_h <- base_h %>% dplyr::mutate(quintilesy = statar::xtile(y_pc, n=5, wt = w_ano))
base_h <- base_h[,c("numero","quintilesy")]
base <- merge(base, base_h, by = "ID")

# Renombro edad
base <- base %>% dplyr::mutate(bc_pe3 = e27)

# Sexo
base <- base %>% dplyr::mutate(bc_pe2 = e26)

#Tipo de hogar
base <- base %>% dplyr::mutate(bc_pe4 = case_when(e30==1 ~ 1, e30==2 ~ 2, e30 ==3|e30==4|e30==5 ~ 3, e30==6|e30==7 ~ 4, 
                                                  e30==8|e30==9|e30==10|e30==11|e30==12 ~ 5, e30==13 ~ 6, e30==14 ~ 7))
base <- base %>% dplyr::mutate(jefe = case_when(bc_pe4==1 ~ 1, bc_pe4!=1 ~ 0))
base <- base %>% dplyr::mutate(esposo_companero = case_when(bc_pe4==2 ~ 1, bc_pe4!=2 ~ 0))
base <- base %>% dplyr::mutate(hijos = case_when(bc_pe4==3 ~ 1, bc_pe4!=3 ~ 0))
base <- base %>% dplyr::mutate(otro_pariente = case_when(bc_pe4==4|bc_pe4==5 ~ 1, bc_pe4!=4&bc_pe4!=5 ~ 0))
base <- base %>% dplyr::mutate(otro_nopariente = case_when(bc_pe4==6 ~ 1, bc_pe4!=6 ~ 0))
base <- base %>% dplyr::mutate(servicio_domestico = case_when(bc_pe4==7 ~ 1, bc_pe4!=7 ~ 0))
base <- base %>% dplyr::mutate(jefatura_femenina = case_when(bc_pe4==1&bc_pe2==2 ~ 1, bc_pe4!=1|bc_pe2!=2 ~ 0))

base <- base %>% group_by(bc_correlat) %>% mutate(sumjefe=sum(jefe)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumesposo_companero=sum(esposo_companero)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumhijo=sum(hijos)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumotro_pariente=sum(otro_pariente)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumno_pariente=sum(otro_nopariente)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumservicio_domestico=sum(servicio_domestico)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumjefatura_femenina=sum(jefatura_femenina)) %>% as.data.frame()

#Constuyendo tipo de hogar#

#1.UNIPERSONAL 
#2. PAREJA SIN HIJOS
#3. BIPARENTAL 
#4. MONOPARENTAL FEMENINO 
#5. MONOPARENTAL MASCULINO 
#6. EXTENDIDO O COMPUESTO 
#7. EXTENDIDO O COMPUESTO CON NÚCLEO MONOPARENTAL
#8. SIN NÚCLEO CONYUGAL

base <- base %>% dplyr::mutate(tipo_hogar = case_when(sumesposo_companero==0 & sumhijo==0 & sumno_pariente==0 & sumotro_pariente==0 ~ 1, 
                                                      sumesposo_companero>=1 & sumhijo==0 & sumotro_pariente==0 & sumno_pariente==0 ~ 2, 
                                                      (sumesposo_companero>=1 & sumhijo>=1)& sumotro_pariente==0 & sumno_pariente==0 ~ 3, 
                                                      sumesposo_companero==0 & sumhijo>=1 & sumotro_pariente==0 & sumjefatura_femenina==1 & sumno_pariente==0 ~ 4, 
                                                      sumesposo_companero==0 & sumhijo>=1 & sumotro_pariente==0 & sumjefatura_femenina==0 & sumno_pariente==0 ~ 5, 
                                                      ((sumotro_pariente>=1 | sumno_pariente>=1)&(sumesposo_companero>=1 | sumhijo>=1)&sumjefatura_femenina==0)|((sumotro_pariente>=1 | sumno_pariente>=1)&sumesposo_companero>0&sumjefatura_femenina==1)|((sumotro_pariente>=1 | sumno_pariente>=1)&sumhijo==0&sumjefatura_femenina==1&sumesposo_companero>=1) ~ 6, 
                                                      (sumesposo_companero==0 &sumhijo>0&sumjefatura_femenina==1&sumotro_pariente>=1) | (sumesposo_companero==0 &sumhijo>0&sumjefatura_femenina==1&sumno_pariente>=1) ~ 7,
                                                      (sumotro_pariente >=1 | sumno_pariente >=1) & (sumesposo_companero==0 & sumhijo==0) ~ 8))

base <- base %>% dplyr::mutate(tipo_hogar1 = case_when(tipo_hogar==1 ~ 1)) 
base <- base %>% dplyr::mutate(tipo_hogar2 = case_when(tipo_hogar==2 ~ 1))
base <- base %>% dplyr::mutate(tipo_hogar3 = case_when(tipo_hogar==3 ~ 1)) 
base <- base %>% dplyr::mutate(tipo_hogar4 = case_when(tipo_hogar==4 ~ 1)) 
base <- base %>% dplyr::mutate(tipo_hogar5 = case_when(tipo_hogar==5 ~ 1)) 
base <- base %>% dplyr::mutate(tipo_hogar6 = case_when(tipo_hogar==6 ~ 1)) 
base <- base %>% dplyr::mutate(tipo_hogar7 = case_when(tipo_hogar==7 ~ 1))
base <- base %>% dplyr::mutate(tipo_hogar8 = case_when(tipo_hogar==8 ~ 1))
base <- mutate_at(base, c("tipo_hogar1", "tipo_hogar2", "tipo_hogar3", "tipo_hogar4", "tipo_hogar5","tipo_hogar6", "tipo_hogar7", "tipo_hogar8"), ~replace(., is.na(.), 0))




###Menores de 15 
base <- base %>% dplyr::mutate(men15 = case_when(bc_pe3<15 ~ 1, bc_pe3>=15 ~ 0)) 
base <- base %>% group_by(bc_correlat) %>% mutate(men15h=max(men15)) %>% as.data.frame()

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #
### Bases a nivel hogar ###                               

base_h <- base %>% distinct(ID, .keep_all = TRUE)


### Información de muestreo ###

base_h_svy         <- srvyr::as_survey_design(base_h, ids = ID, weights = w_ano)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Estimación de indicadores 2022 ###


### Distribución porcentual de hogares con menores de 15 años según tipo de hogar y quintil de ingresos

##Total país
base_h_men_svy_1 <- base_h_svy %>%
  filter(men15h==1 & tipo_hogar>0)

# Total

var_int <- c("tipo_hogar1", "tipo_hogar2", "tipo_hogar3", "tipo_hogar4", "tipo_hogar5", "tipo_hogar6", "tipo_hogar7", "tipo_hogar8")
# Quintil de ingreso del hogar
a_quintil <- function(y) {
  base <- subset(base_h_men_svy_1, quintilesy == y) 
  resultados  <-  sapply(base$variables %>% select(var_int), function(x){
    base %>%
      srvyr::summarise(stat1 = srvyr::survey_mean(x, na.rm = TRUE))
    
  })
  y <- as.numeric(resultados[1,])
}

a_e_quintil = matrix(, nrow = 8, ncol = 5)

for(i in 1:5){
  a_e_quintil[,i] <- a_quintil(y = i)
}


c_quintil <- as.data.frame(a_e_quintil)
rownames(c_quintil) <- c("Unipersonal",
                         "Pareja sin hijos",
                         "Biparental",
                         "Monoparental femenino",
                         "Monoparental masculino",
                         "Extendido o compuesto",
                         "Extendido con núcleo monoparental",
                         "Sin núcleo")
colnames(c_quintil)<- c("Quintil 1", 
                        "Quintil 2", 
                        "Quintil 3",
                        "Quintil 4",
                        "Quintil 5")
estimacion2022 <- c_quintil

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

Notas: La transparencia de colores representa cambios metodológicos en el relevamiento de las ECH. La línea se discontinúa en aquellos años en que ocurre el cambio (ver Ficha Técnica)

Modelo de proveedor

El indicador de modelo de proveedor económico en hogares biparentales, como aproximación a la división sexual del trabajo, permite conocer la extensión de la jornada de trabajo remunerado de ambos miembros de la pareja¹.

Se definen las categorías de la siguiente manera:

Modelo de proveedor tradicional: pareja donde sólo el varón trabaja en el mercado laboral y la mujer es inactiva o desempleada.
Modelo de proveedor modificado: pareja donde ambos trabajan para el mercado pero el varón trabaja a tiempo completo y la mujer a tiempo parcial.
Modelo de doble carrera: pareja donde ambos trabajan remuneradamente, ambos a tiempo completo o ambos a tiempo parcial.
Modelo de inversión de roles: pareja donde sólo la mujer trabaja para el mercado laboral y el varón es inactivo o desocupado.
Modelo de inversión de roles modificado: el varón ocupado a tiempo parcial y mujer ocupada a tiempo completo.
Modelo residual: ambos no trabajan (desocupados o inactivos).

A partir del gráfico es posible observar que entre 2006 y 2023 se produce una disminución del porcentaje de hogares con modelo de proveedor tradicional y, como contracara, un aumento del porcentaje de hogares con modelo de doble carrera.

Distribución porcentual de los hogares biparentales según modelo de proveedor económico

Total país, 2006 - 2023

Gráfico

Tabla

Ficha Técnica

Definición: Distribución porcentual de los hogares biparentales con pareja heterosexual según modelo de pareja

Forma de cálculo: Para cada modelo se calcula: (Cantidad de hogares buparentales por modelo de pareja/ Cantidad total de hogares biparentales) *100. Los modelo de pareja se clasifican en: Modelo de proveedor tradicional: pareja donde sólo el varón trabaja en el mercado laboral y la mujer es inactiva o desempleada. Modelo de proveedor modificado: pareja donde ambos trabajan para el mercado pero el varón trabaja a tiempo completo y la mujer a tiempo parcial. Modelo de doble carrera: pareja donde ambos trabajan remuneradamente, ambos a tiempo completo o ambos a tiempo parcial. Modelo de inversión de roles: pareja donde sólo la mujer trabaja para el mercado laboral y el varón es inactivo o desocupado. Modelo de inversión de roles modificado: el varón ocupado a tiempo parcial y mujer ocupada a tiempo completo. Modelo residual: ambos no trabajan (desocupados o inactivos).

Advertencia: Desde marzo de 2020 hasta junio de 2021 se interrumpió el relevamiento presencial y se aplicó de manera telefónica un cuestionario restringido con el objetivo de continuar publicando los indicadores de ingresos y mercado de trabajo. En ese período la encuesta pasó a ser de paneles rotativos elegidos al azar a partir de los casos respondentes del año anterior. En julio de 2021 el INE retomó la realización de encuestas presenciales, pero introdujo un cambio metodológico, ya que la ECH pasa a ser una encuesta de panel rotativo con periodicidad mensual compuesta por seis paneles o grupos de rotación, cada uno de los cuales es una muestra representativa de la población. Con esta nueva metodología, cada hogar seleccionado participa durante seis meses de la ECH. Considerando que en la base 2021 hay hogares que presentan más de un jefe y otros en los que no hay ninguno, el indicador para 2021 se presenta para todos los hogares que presentan uno y solo un jefe. A partir de 2022 el indicador se calcula a partir de la base de implantación anual.

Código en R

### Estimación de valores 2022 ###

# Para sintaxix de años anteriores consultar: 
# https://osf.io/dyzg8/files/osfstorage#

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de paquetes ###

# Instalar si es necesario:
#install.packages("rio")
#install.packages("srvyr")
#install.packages("tidyverse")

library(rio)
library(srvyr)
library(tidyverse)


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Descarga bases ECH 2022 (INE) de repositorio UMAD-FCS ###

#download.file(
#  url = "https://osf.io/download/rehz2/", 
#  destfile = "Base anual 2022.Rdata"
#)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de bases ###

#load("Base anual 2022.Rdata")

#Renombro sexo
base <- base %>% dplyr::mutate(bc_pe2 = e26)

#Jefe
base <- base %>% dplyr::mutate(jefe = case_when(e30==1 ~ 1, e30!=1 ~ 0))
base <- base %>% dplyr::mutate(esposo_companero = case_when(e30==2 ~ 1, e30!=2 ~ 0))

base <- base %>% group_by(bc_correlat) %>% mutate(sumesposo_companero=sum(esposo_companero)) %>% as.data.frame()

### Modelo de pareja
base <- base %>% dplyr::mutate(bc_pobp = POBPCOAC)
base <- base %>% dplyr::mutate(bc_horas = f85+f98)
base <- base %>% dplyr::mutate(bc_horas_1 = f85)

#generamos la variable que identifica hogares en donde hay una pareja 

base <- base %>% dplyr::mutate(biparentales = case_when(sumesposo_companero>0 ~ 1, sumesposo_companero==0 ~ 0))

#Nos quedamos solo con los hogares biparentales*


#generamos variables a nivel agregado
#Primero generamos variable a nivel personas*

#JEFE Ocupado tiempo completo_varón*
base <- base %>% dplyr::mutate(jefeocup_tc_v = case_when(bc_pobp==2 & (bc_horas>39 | bc_horas_1>39) & jefe==1 & bc_pe2==1&biparentales==1 ~ 1))

#JEFE Ocupado tiempo completo_mujer*
base <- base %>% dplyr::mutate(jefeocup_tc_m = case_when(bc_pobp==2 & (bc_horas>39 | bc_horas_1>39) & jefe==1 & bc_pe2==2&biparentales==1 ~ 1))

#CONYUGE Ocupado tiempo completo*
base <- base %>% dplyr::mutate(conyocup_tc_v = case_when(bc_pobp==2 & (bc_horas>39 | bc_horas_1>39) & esposo_companero==1 & bc_pe2==1&biparentales==1 ~ 1))
base <- base %>% dplyr::mutate(conyocup_tc_m = case_when(bc_pobp==2 & (bc_horas>39 | bc_horas_1>39) & esposo_companero==1 & bc_pe2==2&biparentales==1 ~ 1))

#JEFE Ocupado medio tiempo_varón*
base <- base %>% dplyr::mutate(jefeocup_mt_v = case_when(bc_pobp==2 & bc_horas<40 & jefe==1 & bc_pe2==1&biparentales==1 ~ 1))

#JEFE Ocupado medio tiempo_mujer*
base <- base %>% dplyr::mutate(jefeocup_mt_m = case_when(bc_pobp==2 & bc_horas<40& jefe==1 & bc_pe2==2&biparentales==1 ~ 1))

#CONYUGE Ocupado medio tiempo_varón*
base <- base %>% dplyr::mutate(conyocup_mt_v = case_when(bc_pobp==2 & bc_horas<40& esposo_companero==1 & bc_pe2==1&biparentales==1 ~ 1))

#CONYUGE Ocupado medio tiempo_mujer*
base <- base %>% dplyr::mutate(conyocup_mt_m = case_when(bc_pobp==2 & bc_horas<40& esposo_companero==1 & bc_pe2==2&biparentales==1 ~ 1))

#JEFE Inactivo o desempleado_varón*
base <- base %>% dplyr::mutate(jefeinact_desoc_v = case_when(bc_pobp>2 & bc_pobp<12 & jefe==1 & bc_pe2==1&biparentales==1 ~ 1))

#JEFE Inactivo o desempleado_mujer*
base <- base %>% dplyr::mutate(jefeinact_desoc_m = case_when(bc_pobp>2 & bc_pobp<12 & jefe==1 & bc_pe2==2&biparentales==1 ~ 1))

#CONYUGE Inactivo o desempleado_varón*
base <- base %>% dplyr::mutate(conyinact_desoc_v = case_when(bc_pobp>2 & bc_pobp<12 & esposo_companero==1 & bc_pe2==1&biparentales==1 ~ 1))

#CONYUGE Inactivo o desempleado_mujer*
base <- base %>% dplyr::mutate(conyinact_desoc_m = case_when(bc_pobp>2 & bc_pobp<12 & esposo_companero==1 & bc_pe2==2&biparentales==1 ~ 1))

base <- mutate_at(base, c("jefeocup_tc_v", "jefeocup_tc_m", "conyocup_tc_v", "conyocup_tc_m", "jefeocup_mt_v", "jefeocup_mt_m", 
                          "conyocup_mt_v", "conyocup_mt_m", "jefeinact_desoc_v", "jefeinact_desoc_m", "conyinact_desoc_v", "conyinact_desoc_m"), ~replace(., is.na(.), 0))

#### Segundo, variables agregadas a nivel hogar
base <- base %>% group_by(bc_correlat) %>% mutate(sumjefeocup_tc_m=sum(jefeocup_tc_m)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumjefeocup_tc_v=sum(jefeocup_tc_v)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumconyocup_tc_m=sum(conyocup_tc_m)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumconyocup_tc_v=sum(conyocup_tc_v)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumjefeocup_mt_m=sum(jefeocup_mt_m)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumjefeocup_mt_v=sum(jefeocup_mt_v)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumconyocup_mt_v=sum(conyocup_mt_v)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumconyocup_mt_m=sum(conyocup_mt_m)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat)  %>% mutate(sumjefeinact_desoc_m=sum(jefeinact_desoc_m)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumjefeinact_desoc_v=sum(jefeinact_desoc_v)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumconyinact_desoc_m=sum(conyinact_desoc_m)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumconyinact_desoc_v=sum(conyinact_desoc_v)) %>% as.data.frame()

#### Generamos la variable de modelos de pareja con las categorías de arriba
#1. PROVEEDOR TRADICIONAL (solo hombre trabaja, mujer inactiva o desempleada)*
#2 PROVEEDOR MODIFICADO: pareja donde ambos trabajan para el mercado pero el hombre trabaja a tiempo completo y la mujer a tiempo parcial. 
#3. DOBLE CARRERA:  pareja donde ambos trabajan para el mercado, ambos a tiempo completo o ambos a tiempo parcial. 
#4. INVERSIÓN DE ROLES: pareja donde sÓlo la mujer trabaja para el mercado y el hombre es inactivo o desocupado. 
#5. INVERSIÓN DE ROLES MODIFICADO: ambos trabajan en el mercado laboral pero hombre ocupado a tiempo parcial y mujer ocupada a tiempo completo.
#6. MODELO RESIDUAL: Ambos no trabajan (desocupados o inactivos)

base <- base %>% dplyr::mutate(modelo_pareja = case_when(((sumjefeocup_tc_v==1 & sumconyinact_desoc_m==1)|(sumconyocup_tc_v==1 & sumjefeinact_desoc_m==1)|(sumjefeocup_mt_v==1 & sumconyinact_desoc_m==1)|(sumconyocup_mt_v==1 & sumjefeinact_desoc_m==1))&biparentales==1 ~ 1, 
                                                         ((sumjefeocup_tc_v==1 & sumconyocup_mt_m==1) | (sumconyocup_tc_v==1 & sumjefeocup_mt_m==1))&biparentales==1 ~ 2,
                                                         ((sumjefeocup_tc_v==1 & sumconyocup_tc_m==1) | (sumjefeocup_tc_m==1 & sumconyocup_tc_v==1)| (sumjefeocup_mt_m==1 & sumconyocup_mt_v==1) | (sumjefeocup_mt_v==1 & sumconyocup_mt_m==1))&biparentales==1 ~3,
                                                         ((sumjefeocup_tc_m==1 & sumconyinact_desoc_v==1) | (sumconyocup_tc_m==1 & sumjefeinact_desoc_v==1)| (sumjefeocup_mt_m==1 & sumconyinact_desoc_v==1) | (sumconyocup_mt_m==1 & sumjefeinact_desoc_v==1))&biparentales==1 ~4,
                                                         ((sumjefeocup_tc_m==1 & sumconyocup_mt_v==1) | (sumconyocup_tc_m==1 & sumjefeocup_mt_v==1))&biparentales==1 ~ 5, 
                                                         ((sumjefeinact_desoc_m==1 & sumconyinact_desoc_v==1) | (sumjefeinact_desoc_v==1 & sumconyinact_desoc_m==1))&biparentales==1 ~6))

base <- base %>% dplyr::mutate(modelo_pareja1 = case_when(modelo_pareja==1 ~ 1, modelo_pareja!=1 ~ 0)) 
base <- base %>% dplyr::mutate(modelo_pareja2 = case_when(modelo_pareja==2 ~ 1, modelo_pareja!=2 ~ 0)) 
base <- base %>% dplyr::mutate(modelo_pareja3 = case_when(modelo_pareja==3 ~ 1, modelo_pareja!=3 ~ 0)) 
base <- base %>% dplyr::mutate(modelo_pareja4 = case_when(modelo_pareja==4 ~ 1, modelo_pareja!=4 ~ 0)) 
base <- base %>% dplyr::mutate(modelo_pareja5 = case_when(modelo_pareja==5 ~ 1, modelo_pareja!=5 ~ 0)) 
base <- base %>% dplyr::mutate(modelo_pareja6 = case_when(modelo_pareja==6 ~ 1, modelo_pareja!=6 ~ 0)) 
base <- mutate_at(base, c("modelo_pareja1", "modelo_pareja2", "modelo_pareja3", "modelo_pareja4", "modelo_pareja5","modelo_pareja6"), ~replace(., is.na(.), 0))

### Bases a nivel hogar ###                               

base_h <- base %>% distinct(ID, .keep_all = TRUE)


### Información de muestreo ###

base_h_svy         <- srvyr::as_survey_design(base_h, ids = ID, weights = w_ano)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Estimación de indicadores 2022 ###


### Distribución porcentual de hogares biparentales según modelo de proveedor

##Total país

base_h_svy_1 <- base_h_svy %>%
  filter(modelo_pareja>0)

# Total

var_int <- c("modelo_pareja1", "modelo_pareja2", "modelo_pareja3", "modelo_pareja4", "modelo_pareja5", "modelo_pareja6")
a_ano <- sapply(base_h_svy_1$variables %>% select(all_of(var_int)), function(x){
  base_h_svy_1 %>%
    srvyr::summarise(stat = srvyr::survey_mean(x, na.rm = TRUE)) 
})

c_ano <- matrix(,6,1)
for (i in 1:6) {
  c_ano[i,1] <- c(as.numeric(c(a_ano[1,i])))
}

colnames(c_ano) <- c("VALOR")
rownames(c_quintil) <-   c("Proveedor tradicional",
                           "Proveedor modificado",
                           "Doble carrera",
                           "Inversión de roles",
                           "Inversión de roles modificado",
                           "Residual" )
estimacion2022 <- c_ano

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

Notas: La transparencia de colores representa cambios metodológicos en el relevamiento de las ECH. La línea se discontinúa en aquellos años en que ocurre el cambio (ver Ficha Técnica)

Considerando el modelo de proveedor de los hogares según el quintil de ingresos hay dos aspectos a destacar. Por un lado, el porcentaje de hogares con modelo de proveedor tradicional disminuye a medida que aumentan los ingresos de los hogares, pasando de 42.8% en los hogares del primer quintil de ingresos a 12.2% en los del quinto quintil. Del otro lado, los hogares con modelo de doble carrera aumentan el porcentaje conforme aumenta el quintil de ingresos (19% en el primer quintil y 39.1% en el quinto quintil).

Distribución porcentual de los hogares biparentales según modelo de proveedor económico, por quintil de ingresos

Total país, 2023

Gráfico

Tabla

Ficha Técnica

Definición: Distribución porcentual de los hogares biparentales con pareja heterosexual según modelo de pareja

Forma de cálculo: Para cada modelo se calcula: (Cantidad de hogares buparentales por modelo de pareja/ Cantidad total de hogares biparentales) *100. Los modelo de pareja se clasifican en: Modelo de proveedor tradicional: pareja donde sólo el varón trabaja en el mercado laboral y la mujer es inactiva o desempleada. Modelo de proveedor modificado: pareja donde ambos trabajan para el mercado pero el varón trabaja a tiempo completo y la mujer a tiempo parcial. Modelo de doble carrera: pareja donde ambos trabajan remuneradamente, ambos a tiempo completo o ambos a tiempo parcial. Modelo de inversión de roles: pareja donde sólo la mujer trabaja para el mercado laboral y el varón es inactivo o desocupado. Modelo de inversión de roles modificado: el varón ocupado a tiempo parcial y mujer ocupada a tiempo completo. Modelo residual: ambos no trabajan (desocupados o inactivos).

Advertencia: Desde marzo de 2020 hasta junio de 2021 se interrumpió el relevamiento presencial y se aplicó de manera telefónica un cuestionario restringido con el objetivo de continuar publicando los indicadores de ingresos y mercado de trabajo. En ese período la encuesta pasó a ser de paneles rotativos elegidos al azar a partir de los casos respondentes del año anterior. En julio de 2021 el INE retomó la realización de encuestas presenciales, pero introdujo un cambio metodológico, ya que la ECH pasa a ser una encuesta de panel rotativo con periodicidad mensual compuesta por seis paneles o grupos de rotación, cada uno de los cuales es una muestra representativa de la población. Con esta nueva metodología, cada hogar seleccionado participa durante seis meses de la ECH. Considerando que en la base 2021 hay hogares que presentan más de un jefe y otros en los que no hay ninguno, el indicador para 2021 se presenta para todos los hogares que presentan uno y solo un jefe. A partir de 2022 el indicador se calcula a partir de la base de implantación anual.

Código en R

### Estimación de valores 2022 ###

# Para sintaxix de años anteriores consultar: 
# https://osf.io/dyzg8/files/osfstorage#

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de paquetes ###

# Instalar si es necesario:
#install.packages("rio")
#install.packages("srvyr")
#install.packages("tidyverse")

library(rio)
library(srvyr)
library(tidyverse)


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Descarga bases ECH 2022 (INE) de repositorio UMAD-FCS ###

#download.file(
#  url = "https://osf.io/download/rehz2/", 
#  destfile = "Base anual 2022.Rdata"
#)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de bases ###

#load("Base anual 2022.Rdata")


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #


base <- base %>% dplyr::mutate(bc_correlat = ID)


### Generación de nuevas variables ###

# Ingresos
base <- base %>% dplyr::mutate(y_pc       =  ht11 / HT19 )                      #Ingreso per-cápita
base <- base %>% dplyr::mutate(y_pc_svl   =  (ht11 - ht13) / HT19)              #Ingreso per-cápita sin valor locativo

# Quintil de ingresos
base_h <- base %>% distinct(ID, .keep_all = TRUE)
base_h <- base_h %>% dplyr::mutate(quintilesy = statar::xtile(y_pc, n=5, wt = w_ano))
base_h <- base_h[,c("ID","quintilesy")]
base <- merge(base, base_h, by = "ID")

### Modelo de pareja
base <- base %>% dplyr::mutate(bc_pobp = POBPCOAC)
base <- base %>% dplyr::mutate(bc_horas = f85+f98)
base <- base %>% dplyr::mutate(bc_horas_1 = f85)

# Sexo
base <- base %>% dplyr::mutate(bc_pe2 = e26)


# Relación de parentesco
base <- base %>% dplyr::mutate(bc_pe4 = case_when(e30==1 ~ 1, e30==2 ~ 2, e30 ==3|e30==4|e30==5 ~ 3, e30==6|e30==7 ~ 4, 
                                                e30==8|e30==9|e30==10|e30==11|e30==12 ~ 5, e30==13 ~ 6, e30==14 ~ 7))

base <- base %>% dplyr::mutate(jefe = case_when(bc_pe4==1 ~ 1, bc_pe4!=1 ~ 0))
base <- base %>% dplyr::mutate(esposo_companero = case_when(bc_pe4==2 ~ 1, bc_pe4!=2 ~ 0))

base <- base %>% group_by(bc_correlat) %>% mutate(sumesposo_companero=sum(esposo_companero)) %>% as.data.frame()


#generamos la variable que identifica hogares en donde hay una pareja 

base <- base %>% dplyr::mutate(biparentales = case_when(sumesposo_companero>0 ~ 1, sumesposo_companero==0 ~ 0))

#Nos quedamos solo con los hogares biparentales*


#generamos variables a nivel agregado
#Primero generamos variable a nivel personas*

#JEFE Ocupado tiempo completo_varón*
base <- base %>% dplyr::mutate(jefeocup_tc_v = case_when(bc_pobp==2 & (bc_horas>39 | bc_horas_1>39) & jefe==1 & bc_pe2==1&biparentales==1 ~ 1))

#JEFE Ocupado tiempo completo_mujer*
base <- base %>% dplyr::mutate(jefeocup_tc_m = case_when(bc_pobp==2 & (bc_horas>39 | bc_horas_1>39) & jefe==1 & bc_pe2==2&biparentales==1 ~ 1))

#CONYUGE Ocupado tiempo completo*
base <- base %>% dplyr::mutate(conyocup_tc_v = case_when(bc_pobp==2 & (bc_horas>39 | bc_horas_1>39) & esposo_companero==1 & bc_pe2==1&biparentales==1 ~ 1))

base <- base %>% dplyr::mutate(conyocup_tc_m = case_when(bc_pobp==2 & (bc_horas>39 | bc_horas_1>39) & esposo_companero==1 & bc_pe2==2&biparentales==1 ~ 1))

#JEFE Ocupado medio tiempo_varón*
base <- base %>% dplyr::mutate(jefeocup_mt_v = case_when(bc_pobp==2 & bc_horas<40 & jefe==1 & bc_pe2==1&biparentales==1 ~ 1))

#JEFE Ocupado medio tiempo_mujer*
base <- base %>% dplyr::mutate(jefeocup_mt_m = case_when(bc_pobp==2 & bc_horas<40& jefe==1 & bc_pe2==2&biparentales==1 ~ 1))

#CONYUGE Ocupado medio tiempo_varón*
base <- base %>% dplyr::mutate(conyocup_mt_v = case_when(bc_pobp==2 & bc_horas<40& esposo_companero==1 & bc_pe2==1&biparentales==1 ~ 1))

#CONYUGE Ocupado medio tiempo_mujer*
base <- base %>% dplyr::mutate(conyocup_mt_m = case_when(bc_pobp==2 & bc_horas<40& esposo_companero==1 & bc_pe2==2&biparentales==1 ~ 1))

#JEFE Inactivo o desempleado_varón*
base <- base %>% dplyr::mutate(jefeinact_desoc_v = case_when(bc_pobp>2 & bc_pobp<12 & jefe==1 & bc_pe2==1&biparentales==1 ~ 1))

#JEFE Inactivo o desempleado_mujer*
base <- base %>% dplyr::mutate(jefeinact_desoc_m = case_when(bc_pobp>2 & bc_pobp<12 & jefe==1 & bc_pe2==2&biparentales==1 ~ 1))

#CONYUGE Inactivo o desempleado_varón*
base <- base %>% dplyr::mutate(conyinact_desoc_v = case_when(bc_pobp>2 & bc_pobp<12 & esposo_companero==1 & bc_pe2==1&biparentales==1 ~ 1))

#CONYUGE Inactivo o desempleado_mujer*
base <- base %>% dplyr::mutate(conyinact_desoc_m = case_when(bc_pobp>2 & bc_pobp<12 & esposo_companero==1 & bc_pe2==2&biparentales==1 ~ 1))


base <- mutate_at(base, c("jefeocup_tc_v", "jefeocup_tc_m", "conyocup_tc_v", "conyocup_tc_m", "jefeocup_mt_v", "jefeocup_mt_m", 
                          "conyocup_mt_v", "conyocup_mt_m", "jefeinact_desoc_v", "jefeinact_desoc_m", "conyinact_desoc_v", "conyinact_desoc_m"), ~replace(., is.na(.), 0))

#### Segundo, variables agregadas a nivel hogar
base <- base %>% group_by(bc_correlat) %>% mutate(sumjefeocup_tc_m=sum(jefeocup_tc_m)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumjefeocup_tc_v=sum(jefeocup_tc_v)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumconyocup_tc_m=sum(conyocup_tc_m)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumconyocup_tc_v=sum(conyocup_tc_v)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumjefeocup_mt_m=sum(jefeocup_mt_m)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumjefeocup_mt_v=sum(jefeocup_mt_v)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumconyocup_mt_v=sum(conyocup_mt_v)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumconyocup_mt_m=sum(conyocup_mt_m)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat)  %>% mutate(sumjefeinact_desoc_m=sum(jefeinact_desoc_m)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumjefeinact_desoc_v=sum(jefeinact_desoc_v)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumconyinact_desoc_m=sum(conyinact_desoc_m)) %>% as.data.frame()
base <- base %>% group_by(bc_correlat) %>% mutate(sumconyinact_desoc_v=sum(conyinact_desoc_v)) %>% as.data.frame()


#### Generamos la variable de modelos de pareja con las categorías de arriba
#1. PROVEEDOR TRADICIONAL (solo hombre trabaja, mujer inactiva o desempleada)*
#2 PROVEEDOR MODIFICADO: pareja donde ambos trabajan para el mercado pero el hombre trabaja a tiempo completo y la mujer a tiempo parcial. 
#3. DOBLE CARRERA:  pareja donde ambos trabajan para el mercado, ambos a tiempo completo o ambos a tiempo parcial. 
#4. INVERSIÓN DE ROLES: pareja donde sÓlo la mujer trabaja para el mercado y el hombre es inactivo o desocupado. 
#5. INVERSIÓN DE ROLES MODIFICADO: ambos trabajan en el mercado laboral pero hombre ocupado a tiempo parcial y mujer ocupada a tiempo completo.
#6. MODELO RESIDUAL: Ambos no trabajan (desocupados o inactivos)

base <- base %>% dplyr::mutate(modelo_pareja = case_when(((sumjefeocup_tc_v==1 & sumconyinact_desoc_m==1)|(sumconyocup_tc_v==1 & sumjefeinact_desoc_m==1)|(sumjefeocup_mt_v==1 & sumconyinact_desoc_m==1)|(sumconyocup_mt_v==1 & sumjefeinact_desoc_m==1))&biparentales==1 ~ 1, 
                                                         ((sumjefeocup_tc_v==1 & sumconyocup_mt_m==1) | (sumconyocup_tc_v==1 & sumjefeocup_mt_m==1))&biparentales==1 ~ 2,
                                                         ((sumjefeocup_tc_v==1 & sumconyocup_tc_m==1) | (sumjefeocup_tc_m==1 & sumconyocup_tc_v==1)| (sumjefeocup_mt_m==1 & sumconyocup_mt_v==1) | (sumjefeocup_mt_v==1 & sumconyocup_mt_m==1))&biparentales==1 ~3,
                                                         ((sumjefeocup_tc_m==1 & sumconyinact_desoc_v==1) | (sumconyocup_tc_m==1 & sumjefeinact_desoc_v==1)| (sumjefeocup_mt_m==1 & sumconyinact_desoc_v==1) | (sumconyocup_mt_m==1 & sumjefeinact_desoc_v==1))&biparentales==1 ~4,
                                                         ((sumjefeocup_tc_m==1 & sumconyocup_mt_v==1) | (sumconyocup_tc_m==1 & sumjefeocup_mt_v==1))&biparentales==1 ~ 5, 
                                                         ((sumjefeinact_desoc_m==1 & sumconyinact_desoc_v==1) | (sumjefeinact_desoc_v==1 & sumconyinact_desoc_m==1))&biparentales==1 ~6))

base <- base %>% dplyr::mutate(modelo_pareja1 = case_when(modelo_pareja==1 ~ 1, modelo_pareja!=1 ~ 0)) 
base <- base %>% dplyr::mutate(modelo_pareja2 = case_when(modelo_pareja==2 ~ 1, modelo_pareja!=2 ~ 0)) 
base <- base %>% dplyr::mutate(modelo_pareja3 = case_when(modelo_pareja==3 ~ 1, modelo_pareja!=3 ~ 0)) 
base <- base %>% dplyr::mutate(modelo_pareja4 = case_when(modelo_pareja==4 ~ 1, modelo_pareja!=4 ~ 0)) 
base <- base %>% dplyr::mutate(modelo_pareja5 = case_when(modelo_pareja==5 ~ 1, modelo_pareja!=5 ~ 0)) 
base <- base %>% dplyr::mutate(modelo_pareja6 = case_when(modelo_pareja==6 ~ 1, modelo_pareja!=6 ~ 0)) 
base <- mutate_at(base, c("modelo_pareja1", "modelo_pareja2", "modelo_pareja3", "modelo_pareja4", "modelo_pareja5","modelo_pareja6"), ~replace(., is.na(.), 0))

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #
### Bases a nivel hogar ###                               
base_h <- base %>% distinct(ID, .keep_all = TRUE)


### Información de muestreo ###

base_h_svy         <- srvyr::as_survey_design(base_h, ids = ID, weights = w_ano)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Estimación de indicadores 2022 ###


### Distribución porcentual de los hogares biparentales según modelo de pareja

## Total país

base_h_svy_1 <- base_h_svy %>%
  filter(modelo_pareja>0)

# Quintil de ingresos

var_int <- c("modelo_pareja1", "modelo_pareja2", "modelo_pareja3", "modelo_pareja4", "modelo_pareja5", "modelo_pareja6")
a_quintil <- function(y) {
  base <- subset(base_h_svy_1, quintilesy == y) 
  resultados  <-  sapply(base$variables %>% select(var_int), function(x){
    base %>%
      srvyr::summarise(stat1 = srvyr::survey_mean(x, na.rm = TRUE))
    
  })
  y <- as.numeric(resultados[1,])
}

a_e_quintil = matrix(, nrow = 6, ncol = 5)

for(i in 1:5){
  a_e_quintil[,i] <- a_quintil(y = i)
}


c_quintil <- as.data.frame(a_e_quintil)

rownames(c_quintil) <-   c("Proveedor tradicional",
                           "Proveedor modificado",
                           "Doble carrera",
                           "Inversión de roles",
                           "Inversión de roles modificado",
                           "Residual" )

colnames(c_quintil)<- c("Quintil 1",
                        "Quintil 2",
                        "Quintil 3",
                        "Quintil 4",
                        "Quintil 5")
estimacion2022 <- c_quintil


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

Notas: La transparencia de colores representa cambios metodológicos en el relevamiento de las ECH. La línea se discontinúa en aquellos años en que ocurre el cambio (ver Ficha Técnica)

Estado civil

El análisis del estado civil de las personas permite conocer aspectos vinculados a la nupcialidad, viudez, separaciones, así como dinámicas de la organización familiar. Las personas se clasifican en varias categorías: solteros, casados, unión libre, viudos, divorciados y separados.

En el siguiente gráfico se observa que mientras el porcentaje de personas solteras, divorciadas o separadas y viudas se mantiene relativamente estable en el período presentado, el porcentaje de personas casadas disminuye en 11 puntos porcentuales, mientras el porcentaje de personas en unión libre aumenta en similar magnitud.

Distribución porcentual de las personas según estado conyugal

Total país, 2006 - 2023

Gráfico

Tabla

Ficha Técnica

Definición: Distribución porcentual de las personas según estado conyugal

Forma de cálculo: Para cada estado civil se calcula: (Cantidad de personas de 14 años o más por estado civil/Cantidad total de personas de 14 años o más)*100. Las personas se clasifican en varias categorías: solteros, casados, unión libre, viudos, divorciados y separados.

Advertencia: Desde marzo de 2020 hasta junio de 2021 se interrumpió el relevamiento presencial y se aplicó de manera telefónica un cuestionario restringido con el objetivo de continuar publicando los indicadores de ingresos y mercado de trabajo. En ese período la encuesta pasó a ser de paneles rotativos elegidos al azar a partir de los casos respondentes del año anterior. En julio de 2021 el INE retomó la realización de encuestas presenciales, pero introdujo un cambio metodológico, ya que la ECH pasa a ser una encuesta de panel rotativo con periodicidad mensual compuesta por seis paneles o grupos de rotación, cada uno de los cuales es una muestra representativa de la población. Con esta nueva metodología, cada hogar seleccionado participa durante seis meses de la ECH. Considerando que en la base 2021 hay hogares que presentan más de un jefe y otros en los que no hay ninguno, el indicador para 2021 se presenta para las personas que viven en hogares que presentan uno y solo un jefe. El estado de conyugal de las personas no se releva a partir de marzo de 2020 ni durante el primer semestre de 2021. A partir del segundo semestre del 2021 se vuelve a relevar. Por lo tanto, no se presente el valor de este indicador para 2020 y para 2021 el valor corresponde al segundo semestre. A partir de 2022 el indicador se calcula a partir de la base de implantación anual.

Código en R

### Estimación de valores 2022 ###

# Para sintaxix de años anteriores consultar: 
# https://osf.io/dyzg8/files/osfstorage#

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de paquetes ###

# Instalar si es necesario:
#install.packages("rio")
#install.packages("srvyr")
#install.packages("tidyverse")

library(rio)
library(srvyr)
library(tidyverse)


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Descarga bases ECH 2022 (INE) de repositorio UMAD-FCS ###

#download.file(
#  url = "https://osf.io/download/rehz2/", 
#  destfile = "Base anual 2022.Rdata"
#)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de bases ###

#load("Base anual 2022.Rdata")

####Renombro edad
base <- base %>% dplyr::mutate(bc_pe3 =e27)
                               
####Estado civil
base <- base %>% dplyr::mutate(bc_pe5 = case_when(e35==2 | e35==3 | e35==6 | e35==7 ~ 1, 
                                                    e35==4 | e35==5 ~ 2,
                                                    e35==0 & (e36==1 | e36==2 | e36==3) ~ 3,
                                                    e35==0 & (e36==4 | e36==6) ~ 4,
                                                    e35==0 & e36==5 ~ 5)) 

base <- base %>% dplyr::mutate(estado_civil1 = case_when(bc_pe5==1 ~ 1, bc_pe5!=1 ~ 0)) 
base <- base %>% dplyr::mutate(estado_civil2 = case_when(bc_pe5==2 ~ 1, bc_pe5!=2 ~ 0)) 
base <- base %>% dplyr::mutate(estado_civil3 = case_when(bc_pe5==3 ~ 1, bc_pe5!=3 ~ 0)) 
base <- base %>% dplyr::mutate(estado_civil4 = case_when(bc_pe5==4 ~ 1, bc_pe5!=4 ~ 0)) 
base <- base %>% dplyr::mutate(estado_civil5 = case_when(bc_pe5==5 ~ 1, bc_pe5!=5 ~ 0)) 
base <- mutate_at(base, c("estado_civil1", "estado_civil2", "estado_civil3", "estado_civil4", "estado_civil5"), ~replace(., is.na(.), 0))


### Información de muestreo ###

base_svy         <- srvyr::as_survey_design(base, ids = ID, weights = w_ano)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Estimación de indicadores 2022 ###


### Distribución porcentual de las personas según estado conyugal

##Total país

base_svy_1 <- base_svy %>%
  filter(bc_pe3>=14 & bc_pe5>0)

# Total

var_int <- c("estado_civil1", "estado_civil2", "estado_civil3", "estado_civil4", "estado_civil5")
a_ano <- sapply(base_svy_1$variables %>% select(all_of(var_int)), function(x){
  base_svy_1 %>%
    srvyr::summarise(stat = srvyr::survey_mean(x, na.rm = TRUE)) 
})

c_ano <- matrix(,6,1)
for (i in 1:6) {
  c_ano[i,1] <- c(as.numeric(c(a_ano[1,i])))
}

colnames(c_ano) <- c("VALOR")
rownames(c_quintil) <-   c("Unión libre)", 
                           "Casada/o",
                           "Divorciada/o o serparada/o",
                           "Viuda/o",
                           "Soltera/o"))
estimacion2022 <- c_ano



# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

Notas: La transparencia de colores representa cambios metodológicos en el relevamiento de las ECH. La línea se discontinúa en aquellos años en que ocurre el cambio (ver Ficha Técnica)

Jefatura del hogar

La jefatura de hogar es utilizada para identificar una persona de referencia en las Encuestas Continuas de Hogares para designar el parentesco con el resto de las personas integrantes del hogar. Ante esta pregunta, las interpretaciones que pueden dar los/as encuestados/as son diversas, resultando complejo delimitar el concepto de jefatura. A pesar de esta limitación, el análisis de la jefatura del hogar según sexo resulta un indicador relevante para aproximarnos a la organización familiar y las dinámicas de género en los hogares.

Es posible observar que el porcentaje de hogares con jefatura femenina aumenta 22 puntos porcentuales entre 2006 y 2023, pasando de 33.2% a 54.7%. Por su parte, puede verse que en el localidades mayores a 5.000 habitantes es donde el porcentaje de hogares con jefatura femenina es mayor, seguido por las localidades menores de 5.000 habitabtes y, luego, el área rural dispersa.

Distribución porcentual de los hogares según sexo del jefe/a

Total país, 2006 - 2023

Gráfico

Tabla

Ficha Técnica

Definición: Distribución porcentual de los hogares según sexo del jefe/a

Forma de cálculo: Para cada sexo se calcula: (Cantidad de hogares por sexo del jefe/ Cantidad total de hogares) *100

Advertencia: Desde marzo de 2020 hasta junio de 2021 se interrumpió el relevamiento presencial y se aplicó de manera telefónica un cuestionario restringido con el objetivo de continuar publicando los indicadores de ingresos y mercado de trabajo. En ese período la encuesta pasó a ser de paneles rotativos elegidos al azar a partir de los casos respondentes del año anterior. En julio de 2021 el INE retomó la realización de encuestas presenciales, pero introdujo un cambio metodológico, ya que la ECH pasa a ser una encuesta de panel rotativo con periodicidad mensual compuesta por seis paneles o grupos de rotación, cada uno de los cuales es una muestra representativa de la población. Con esta nueva metodología, cada hogar seleccionado participa durante seis meses de la ECH. Considerando que en la base 2021 hay hogares que presentan más de un jefe y otros en los que no hay ninguno, el indicador para 2021 se presenta para todos los hogares que presentan uno y solo un jefe.A partir de 2022 el indicador se calcula a partir de la base de implantación anual.

Código en R

### Estimación de valores 2022 ###

# Para sintaxix de años anteriores consultar: 
# https://osf.io/dyzg8/files/osfstorage#

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de paquetes ###

# Instalar si es necesario:
#install.packages("rio")
#install.packages("srvyr")
#install.packages("tidyverse")

library(rio)
library(srvyr)
library(tidyverse)


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Descarga bases ECH 2022 (INE) de repositorio UMAD-FCS ###

#download.file(
#  url = "https://osf.io/download/rehz2/", 
#  destfile = "Base anual 2022.Rdata"
#)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de bases ###

#load("Base anual 2022.Rdata")


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #


base <- base %>% dplyr::mutate(bc_correlat = ID)
base <- base %>% dplyr::mutate(jefe = case_when(e30==1 ~ 1, e30!=1 ~ 0))


### Generación de nuevas variables ###

# Sexo
base <- base %>% dplyr::mutate(bc_pe2 = e26)


# Sexo del jefe/a de hogar
base <- base[order(as.numeric(base$ID), base$e30, decreasing = FALSE), ]
base_h <- base %>% distinct(ID, .keep_all = TRUE)
base_h <- base_h %>% dplyr::mutate(sexojefe = case_when(e30 == 1 & e26 == 1 ~ 1,e30 == 1 & e26 == 2 ~ 2,e30 != 1 ~ 99))
base_h <- base_h %>% dplyr::mutate(sexojefe1 = case_when(sexojefe==1 ~ 1, sexojefe!=1 ~ 0))
base_h <- base_h %>% dplyr::mutate(sexojefe2 = case_when(sexojefe==2 ~ 1, sexojefe!=2 ~ 0))

base_h <- base_h[,c("ID","sexojefe")]
base <- merge(base, base_h, by = "ID")

base <- base %>% dplyr::mutate(sexojefe1 = case_when(sexojefe==1 ~ 1, sexojefe!=1 ~ 0))
base <- base %>% dplyr::mutate(sexojefe2 = case_when(sexojefe==2 ~ 1, sexojefe!=2 ~ 0))

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Bases a nivel hogar ###                               

base_h <- base %>% distinct(ID, .keep_all = TRUE)


### Información de muestreo ###

base_h_svy         <- srvyr::as_survey_design(base_h, ids = ID, weights = w_ano)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Estimación de indicadores 2022 ###


### Distribución porcentual de los hogares según sexo del jefe/a del hogar

## Total país

# Total

var_int <- c("sexojefe1", "sexojefe2")
a_ano <- sapply(base_h_svy$variables %>% select(var_int), function(x){
  base_h_svy %>%
    srvyr::summarise(stat = srvyr::survey_mean(x, na.rm = TRUE)) 
})

c_ano <- matrix(,2,1)
for (i in 1:2) {
  c_ano[i,1] <- c(as.numeric(c(a_ano[1,i])))
}


rownames(c_ano) <-    c("Varón",
                        "Mujer")

colnames(c_ano)<- c("Total")
estimacion2022 <- c_ano

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

Notas: La transparencia de colores representa cambios metodológicos en el relevamiento de las ECH. La línea se discontinúa en aquellos años en que ocurre el cambio (ver Ficha Técnica)

Porcentaje de los hogares con jefatura femenina, según región de residencia

Total país, 2006 - 2023

Gráfico

Tabla

Ficha Técnica

Definición: Distribución porcentual de los hogares según sexo del jefe/a

Forma de cálculo: Para cada sexo se calcula: (Cantidad de hogares por sexo del jefe/ Cantidad total de hogares) *100

Advertencia: Desde marzo de 2020 hasta junio de 2021 se interrumpió el relevamiento presencial y se aplicó de manera telefónica un cuestionario restringido con el objetivo de continuar publicando los indicadores de ingresos y mercado de trabajo. En ese período la encuesta pasó a ser de paneles rotativos elegidos al azar a partir de los casos respondentes del año anterior. En julio de 2021 el INE retomó la realización de encuestas presenciales, pero introdujo un cambio metodológico, ya que la ECH pasa a ser una encuesta de panel rotativo con periodicidad mensual compuesta por seis paneles o grupos de rotación, cada uno de los cuales es una muestra representativa de la población. Con esta nueva metodología, cada hogar seleccionado participa durante seis meses de la ECH. Considerando que en la base 2021 hay hogares que presentan más de un jefe y otros en los que no hay ninguno, el indicador para 2021 se presenta para todos los hogares que presentan uno y solo un jefe.A partir de 2022 el indicador se calcula a partir de la base de implantación anual.

Código en R

### Estimación de valores 2022 ###

# Para sintaxix de años anteriores consultar: 
# https://osf.io/dyzg8/files/osfstorage#

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de paquetes ###

# Instalar si es necesario:
#install.packages("rio")
#install.packages("srvyr")
#install.packages("tidyverse")

library(rio)
library(srvyr)
library(tidyverse)


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Descarga bases ECH 2022 (INE) de repositorio UMAD-FCS ###

#download.file(
#  url = "https://osf.io/download/rehz2/", 
#  destfile = "Base anual 2022.Rdata"
#)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de bases ###

#load("Base anual 2022.Rdata")

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #


base <- base %>% dplyr::mutate(bc_correlat = ID)
base <- base %>% dplyr::mutate(jefe = case_when(e30==1 ~ 1, e30!=1 ~ 0))


### Generación de nuevas variables ###

# Región
base <- base %>% dplyr::mutate(bd_region = case_when(region_4 == 1 |region_4 == 2 ~ 1,
                                                     region_4 == 3 ~ 2,
                                                     region_4 == 4 ~ 3))


# Sexo
base <- base %>% dplyr::mutate(bc_pe2 = e26)


# Sexo del jefe/a de hogar
base <- base[order(as.numeric(base$ID), base$e30, decreasing = FALSE), ]
base_h <- base %>% distinct(ID, .keep_all = TRUE)
base_h <- base_h %>% dplyr::mutate(sexojefe = case_when(e30 == 1 & e26 == 1 ~ 1, e30 == 1 & e26 == 2 ~ 2, e30 != 1 ~ 99))
base_h <- base_h %>% dplyr::mutate(sexojefe1 = case_when(sexojefe==1 ~ 1, sexojefe!=1 ~ 0))
base_h <- base_h %>% dplyr::mutate(sexojefe2 = case_when(sexojefe==2 ~ 1, sexojefe!=2 ~ 0))

base_h <- base_h[,c("ID","sexojefe")]
base <- merge(base, base_h, by = "ID")

base <- base %>% dplyr::mutate(sexojefe1 = case_when(sexojefe==1 ~ 1, sexojefe!=1 ~ 0))
base <- base %>% dplyr::mutate(sexojefe2 = case_when(sexojefe==2 ~ 1, sexojefe!=2 ~ 0))

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #
### Bases a nivel hogar ###                               

base_h <- base %>% distinct(ID, .keep_all = TRUE)


### Información de muestreo ###

base_h_svy <- srvyr::as_survey_design(base_h, ids = ID, weights = w_ano)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Estimación de indicadores 2022 ###


### Porcentaje de  hogares con jefatura femenina según región de residencia

## Total país
var_int <- c("sexojefe1", "sexojefe2")

a_ano <- sapply(base_h_svy$variables %>% select(var_int), function(x){
  base_h_svy %>%
    srvyr::summarise(stat = srvyr::survey_mean(x, na.rm = TRUE)) 
})

c_ano <- matrix(,2,1)
for (i in 1:2) {
  c_ano[i,1] <- c(as.numeric(c(a_ano[1,i])))
}

# Región

a_reg <- function(y) {
  base <- subset(base_h_svy, bd_region == y) 
  resultados  <-  sapply(base$variables %>% select(var_int), function(x){
    base %>%
      srvyr::summarise(stat1 = srvyr::survey_mean(x, na.rm = TRUE))
    
  })
  y <- as.numeric(resultados[1,])
}

a_e_reg = matrix(, nrow = 2, ncol = 3)

for(i in 1:3){
  a_e_reg[,i] <- a_reg(y = i)
}

c_reg <- as.data.frame(a_e_reg[2,1:3])
c_reg <- as.data.frame(c(c_reg, c_ano[2]))

colnames(c_reg) <-    c("Mujer")
rownames(c_reg)<- c("Urbano (Más de 5.000 habitantes)",
                    "Urbano (Menos de 5.000 habitantes)",
                    "Rural disperso", 
                    "Total país")
estimacion2022 <- c_reg


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

Notas: La transparencia de colores representa cambios metodológicos en el relevamiento de las ECH. La línea se discontinúa en aquellos años en que ocurre el cambio (ver Ficha Técnica)

Edad de integrantes

El siguiente indicador permite conocer la composición de los hogares según las edades de sus integrantes, en particular, de niños y niñas entre 0 y 17 años, resultando relevante para conocer la carga de cuidados en los hogares, el número de personas en edad escolar, entre otros.

El porcentaje de hogares en los que residen menores entre 0 y 17 años tiene una leve disminución en el período. Sin embargo, se observa una tendencia contraria para los hogares con jefatura masculina y femenina, disminuyendo el porcentaje de hogares con menores en el primer caso y aumentando en el segundo. Por su parte, a medida que aumenta el quintil de ingresos, disminuye el porcentaje de hogares con menores entre 0 y 17 años.

Porcentaje de hogares en los que residen menores entre 0 y 17 años de edad, según sexo del jefe/a del hogar

Total país, 2006 - 2023

Gráfico

Tabla

Ficha Técnica

Definición: Porcentaje de hogares en los que residen menores entre 0 y 17 años de edad

Forma de cálculo: (Cantidad de hogares con menores entre 0 y 17 años/cantidad total de hogares)*100

Advertencia: Desde marzo de 2020 hasta junio de 2021 se interrumpió el relevamiento presencial y se aplicó de manera telefónica un cuestionario restringido con el objetivo de continuar publicando los indicadores de ingresos y mercado de trabajo. En ese período la encuesta pasó a ser de paneles rotativos elegidos al azar a partir de los casos respondentes del año anterior. En julio de 2021 el INE retomó la realización de encuestas presenciales, pero introdujo un cambio metodológico, ya que la ECH pasa a ser una encuesta de panel rotativo con periodicidad mensual compuesta por seis paneles o grupos de rotación, cada uno de los cuales es una muestra representativa de la población. Con esta nueva metodología, cada hogar seleccionado participa durante seis meses de la ECH. Considerando que en la base 2021 hay hogares que presentan más de un jefe y otros en los que no hay ninguno, el indicador para 2021 se presenta para todos los hogares que presentan uno y solo un jefe. A partir de 2022 el indicador se calcula a partir de la base de implantación anual.

Código en R

### Estimación de valores 2022 ###

# Para sintaxix de años anteriores consultar: 
# https://osf.io/dyzg8/files/osfstorage#

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de paquetes ###

# Instalar si es necesario:
#install.packages("rio")
#install.packages("srvyr")
#install.packages("tidyverse")

library(rio)
library(srvyr)
library(tidyverse)


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Descarga bases ECH 2022 (INE) de repositorio UMAD-FCS ###

#download.file(
#  url = "https://osf.io/download/rehz2/", 
#  destfile = "Base anual 2022.Rdata"
#)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de bases ###

#load("Base anual 2022.Rdata")


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

base <- base %>% dplyr::mutate(bc_correlat = ID)
base <- base %>% dplyr::mutate(jefe = case_when(e30==1 ~ 1, e30!=1 ~ 0))


### Generación de nuevas variables ###

# Sexo
base <- base %>% dplyr::mutate(bc_pe2 = e26)

# Sexo del jefe/a de hogar
base <- base[order(as.numeric(base$ID), base$e30, decreasing = FALSE), ]
base_h <- base %>% distinct(ID, .keep_all = TRUE)
base_h <- base_h %>% dplyr::mutate(sexojefe = case_when(e30 == 1 & e26 == 1 ~ 1, e30 == 1 & e26 == 2 ~ 2, e30 != 1 ~ 99))
base_h <- base_h %>% dplyr::mutate(sexojefe1 = case_when(sexojefe==1 ~ 1, sexojefe!=1 ~ 0))
base_h <- base_h %>% dplyr::mutate(sexojefe2 = case_when(sexojefe==2 ~ 1, sexojefe!=2 ~ 0))

base_h <- base_h[,c("ID","sexojefe")]
base <- merge(base, base_h, by = "ID")

base <- base %>% dplyr::mutate(sexojefe1 = case_when(sexojefe==1 ~ 1, sexojefe!=1 ~ 0))
base <- base %>% dplyr::mutate(sexojefe2 = case_when(sexojefe==2 ~ 1, sexojefe!=2 ~ 0))

# Renombro edad
base <- base %>% dplyr::mutate(bc_pe3 = e27)

base <- base %>% dplyr::mutate(men18 = case_when(bc_pe3<18 ~ 1, bc_pe3>=18 ~ 0)) 
base <- base %>% group_by(bc_correlat) %>% mutate(men18h=max(men18)) %>% as.data.frame()




# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Bases a nivel hogar ###                               

base_h <- base %>% distinct(ID, .keep_all = TRUE)


### Información de muestreo ###

base_h_svy <- srvyr::as_survey_design(base_h, ids = ID, weights = w_ano)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Estimación de indicadores 2022 ###


### Porcentaje de hogares en los que residen menores entre 0 y 17 años de edad

## Total país
base_h_svy <- base_h_svy %>% dplyr::mutate(menorH=men18h)

a_ano <- base_h_svy %>%
  srvyr::summarise(colname = srvyr::survey_mean(menorH))
a_ano <- as.numeric(a_ano$colname)

c_ano <- a_ano


# Sexo del jefe

a_jefe <- function(x) {
  x <- base_h_svy %>%
    filter(sexojefe == x) %>%
    srvyr::summarise(colname = srvyr::survey_mean(menorH))
  x <- mean(x$colname)
}       

a_e_jefe <- numeric()

for(i in 1:2){
  a_e_jefe[i] <- a_jefe(x = i)
}         

c_jefe <- as.data.frame(a_e_jefe)
c_jefe <- as.data.frame(rbind(c_jefe, c_ano))

colnames(c_jefe) <-    c("Hogares con menores entre 0 y 17 años")
rownames(c_jefe)<- c("Varones", "Mujeres","Total")
estimacion2022 <- c_jefe

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

Notas: La transparencia de colores representa cambios metodológicos en el relevamiento de las ECH. La línea se discontinúa en aquellos años en que ocurre el cambio (ver Ficha Técnica)

Porcentaje de hogares en los que residen menores entre 0 y 17 años de edad, según quintil de ingresos

Total país, 2006 - 2023

Gráfico

Tabla

Ficha Técnica

Definición: Porcentaje de hogares en los que residen menores entre 0 y 17 años de edad

Forma de cálculo: (Cantidad de hogares con menores entre 0 y 17 años/cantidad total de hogares)*100

Advertencia: Desde marzo de 2020 hasta junio de 2021 se interrumpió el relevamiento presencial y se aplicó de manera telefónica un cuestionario restringido con el objetivo de continuar publicando los indicadores de ingresos y mercado de trabajo. En ese período la encuesta pasó a ser de paneles rotativos elegidos al azar a partir de los casos respondentes del año anterior. En julio de 2021 el INE retomó la realización de encuestas presenciales, pero introdujo un cambio metodológico, ya que la ECH pasa a ser una encuesta de panel rotativo con periodicidad mensual compuesta por seis paneles o grupos de rotación, cada uno de los cuales es una muestra representativa de la población. Con esta nueva metodología, cada hogar seleccionado participa durante seis meses de la ECH. Considerando que en la base 2021 hay hogares que presentan más de un jefe y otros en los que no hay ninguno, el indicador para 2021 se presenta para todos los hogares que presentan uno y solo un jefe. A partir de 2022 el indicador se calcula a partir de la base de implantación anual.

Código en R

### Estimación de valores 2022 ###

# Para sintaxix de años anteriores consultar: 
# https://osf.io/dyzg8/files/osfstorage#

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de paquetes ###

# Instalar si es necesario:
#install.packages("rio")
#install.packages("srvyr")
#install.packages("tidyverse")

library(rio)
library(srvyr)
library(tidyverse)


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Descarga bases ECH 2022 (INE) de repositorio UMAD-FCS ###

#download.file(
#  url = "https://osf.io/download/rehz2/", 
#  destfile = "Base anual 2022.Rdata"
#)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de bases ###

#load("Base anual 2022.Rdata")


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #


base <- base %>% dplyr::mutate(bc_correlat = ID)
base <- base %>% dplyr::mutate(jefe = case_when(e30==1 ~ 1, e30!=1 ~ 0))


### Generación de nuevas variables ###


# Ingresos
base <- base %>% dplyr::mutate(y_pc       =  ht11 / HT19 )                      #Ingreso per-cápita
base <- base %>% dplyr::mutate(y_pc_svl   =  (ht11 - ht13) / HT19)              #Ingreso per-cápita sin valor locativo

# Quintil de ingresos
base_h <- base %>% distinct(ID, .keep_all = TRUE)
base_h <- base_h %>% dplyr::mutate(quintilesy = statar::xtile(y_pc, n=5, wt = w_ano))
base_h <- base_h[,c("ID","quintilesy")]
base <- merge(base, base_h, by = "ID")

# Renombro edad
base <- base %>% dplyr::mutate(bc_pe3 = e27)

base <- base %>% dplyr::mutate(men18 = case_when(bc_pe3<18 ~ 1, bc_pe3>=18 ~ 0)) 
base <- base %>% group_by(bc_correlat) %>% mutate(men18h=max(men18)) %>% as.data.frame()




# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #
### Bases a nivel hogar ###                               

base_h <- base %>% distinct(ID, .keep_all = TRUE)


### Información de muestreo ###

base_h_svy <- srvyr::as_survey_design(base_h, ids = ID, weights = w_ano)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Estimación de indicadores 2022 ###


### Porcentaje de hogares en los que residen menores entre 0 y 17 años de edad, según quintil

base_h_svy <- base_h_svy %>% dplyr::mutate(menorH=men18h)

# Quintil de ingreso del hogar

a_quintil <- function(x) {
  x <- base_h_svy %>%
    filter(quintilesy == x) %>%
    srvyr::summarise(colname = srvyr::survey_mean(menorH))
  x <- mean(x$colname)
}       

a_e_quintil <- numeric()

for(i in 1:5){
  a_e_quintil[i] <- a_quintil(x = i)
}         

c_quintil <- as.data.frame(a_e_quintil)
colnames(c_quintil) <-    c("Hogares con menores entre 0 y 17 años")
rownames(c_quintil)<- c("Quintil 1", 
                        "Quintil 2",
                        "Quintil 3",
                        "Quintil 4",
                        "Quintil 5")
estimacion2022 <- c_quintil


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

Notas: La transparencia de colores representa cambios metodológicos en el relevamiento de las ECH. La línea se discontinúa en aquellos años en que ocurre el cambio (ver Ficha Técnica)

El siguiente indicador permite conocer la composición de los hogares según las edades de sus integrantes, en particular, de personas mayores de 64 años, resultando relevante para conocer la carga de cuidados en los hogares, el número de personas en edad jubilatoria, entre otras.

El porcentaje de hogares con mayores presenta una leve disminución en el período 2006-2023. Por un lado, puede verse que esta disminución es más marcada para los hogares con jefatura femenina. Por otro, en los quintiles de ingresos más bajos es donde este porcentaje es menor, encontrándose un porcentaje similar en los quiniles 3, 4 y 5.

Porcentaje de hogares en los que residen mayores de 64 años de edad, según sexo del jefe/a del hogar

Total país, 2006 - 2023

Gráfico

Tabla

Ficha Técnica

Definición: Porcentaje de hogares en los que residen mayores de 64 años de edad

Forma de cálculo: (Cantidad de hogares con mayores de 64 años/cantidad total de hogares)*100

Advertencia: Desde marzo de 2020 hasta junio de 2021 se interrumpió el relevamiento presencial y se aplicó de manera telefónica un cuestionario restringido con el objetivo de continuar publicando los indicadores de ingresos y mercado de trabajo. En ese período la encuesta pasó a ser de paneles rotativos elegidos al azar a partir de los casos respondentes del año anterior. En julio de 2021 el INE retomó la realización de encuestas presenciales, pero introdujo un cambio metodológico, ya que la ECH pasa a ser una encuesta de panel rotativo con periodicidad mensual compuesta por seis paneles o grupos de rotación, cada uno de los cuales es una muestra representativa de la población. Con esta nueva metodología, cada hogar seleccionado participa durante seis meses de la ECH. Considerando que en la base 2021 hay hogares que presentan más de un jefe y otros en los que no hay ninguno, el indicador para 2021 se presenta para todos los hogares que presentan uno y solo un jefe. A partir de 2022 el indicador se calcula a partir de la base de implantación anual.

Código en R

### Estimación de valores 2022 ###

# Para sintaxix de años anteriores consultar: 
# https://osf.io/dyzg8/files/osfstorage#

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de paquetes ###

# Instalar si es necesario:
#install.packages("rio")
#install.packages("srvyr")
#install.packages("tidyverse")

library(rio)
library(srvyr)
library(tidyverse)


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Descarga bases ECH 2022 (INE) de repositorio UMAD-FCS ###

#download.file(
#  url = "https://osf.io/download/rehz2/", 
#  destfile = "Base anual 2022.Rdata"
#)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de bases ###

#load("Base anual 2022.Rdata")


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #


### Me quedo con los hogares donde hay uno y solo un jefe
base <- base %>% dplyr::mutate(bc_correlat = ID)
base <- base %>% dplyr::mutate(jefe = case_when(e30==1 ~ 1, e30!=1 ~ 0))

### Generación de nuevas variables ###

# Sexo
base <- base %>% dplyr::mutate(bc_pe2 = e26)


# Sexo del jefe/a de hogar
base <- base[order(as.numeric(base$ID), base$e30, decreasing = FALSE), ]
base_h <- base %>% distinct(ID, .keep_all = TRUE)
base_h <- base_h %>% dplyr::mutate(sexojefe = case_when(e30 == 1 & e26 == 1 ~ 1,
                                                        e30 == 1 & e26 == 2 ~ 2,
                                                        e30 != 1 ~ 99))
base_h <- base_h %>% dplyr::mutate(sexojefe1 = case_when(sexojefe==1 ~ 1, sexojefe!=1 ~ 0))
base_h <- base_h %>% dplyr::mutate(sexojefe2 = case_when(sexojefe==2 ~ 1, sexojefe!=2 ~ 0))

base_h <- base_h[,c("ID","sexojefe")]
base <- merge(base, base_h, by = "ID")

base <- base %>% dplyr::mutate(sexojefe1 = case_when(sexojefe==1 ~ 1, sexojefe!=1 ~ 0))
base <- base %>% dplyr::mutate(sexojefe2 = case_when(sexojefe==2 ~ 1, sexojefe!=2 ~ 0))

# Renombro edad
base <- base %>% dplyr::mutate(bc_pe3 = e27)

###Mayores de 64  
base <- base %>% dplyr::mutate(may64 = case_when(bc_pe3>64 ~ 1, bc_pe3<=64 ~ 0)) 
base <- base %>% group_by(bc_correlat) %>% mutate(may64h=max(may64)) %>% as.data.frame()

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Bases a nivel hogar ###                               

base_h <- base %>% distinct(ID, .keep_all = TRUE)


### Información de muestreo ###

base_h_svy <- srvyr::as_survey_design(base_h, ids = ID, weights = w_ano)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Estimación de indicadores 2022 ###


### Porcentaje de hogares en los que residen mayores de 64 años

## Total país

a_ano <- base_h_svy %>%
  srvyr::summarise(colname = srvyr::survey_mean(may64h))
a_ano <- as.numeric(a_ano$colname)

c_ano <- a_ano


# Sexo del jefe

a_jefe <- function(x) {
  x <- base_h_svy %>%
    filter(sexojefe == x) %>%
    srvyr::summarise(colname = srvyr::survey_mean(may64h))
  x <- mean(x$colname)
}       

a_e_jefe <- numeric()

for(i in 1:2){
  a_e_jefe[i] <- a_jefe(x = i)
}         

c_jefe <- as.data.frame(a_e_jefe)
c_jefe <- as.data.frame(c(c_jefe,c_ano))

colnames(c_jefe) <-    c("Hogares con mayores de 64 años")
rownames(c_jefe)<- c("Varones", "Mujeres", "Total")
estimacion2022 <- c_jefe

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

Notas: La transparencia de colores representa cambios metodológicos en el relevamiento de las ECH. La línea se discontinúa en aquellos años en que ocurre el cambio (ver Ficha Técnica)

Porcentaje de hogares en los que residen mayores de 64 años de edad, según quintil de ingresos

Total país, 2006 - 2023

Gráfico

Tabla

Ficha Técnica

Definición: Porcentaje de hogares en los que residen mayores de 64 años de edad

Forma de cálculo: (Cantidad de hogares con mayores de 64 años/cantidad total de hogares)*100

Advertencia: Desde marzo de 2020 hasta junio de 2021 se interrumpió el relevamiento presencial y se aplicó de manera telefónica un cuestionario restringido con el objetivo de continuar publicando los indicadores de ingresos y mercado de trabajo. En ese período la encuesta pasó a ser de paneles rotativos elegidos al azar a partir de los casos respondentes del año anterior. En julio de 2021 el INE retomó la realización de encuestas presenciales, pero introdujo un cambio metodológico, ya que la ECH pasa a ser una encuesta de panel rotativo con periodicidad mensual compuesta por seis paneles o grupos de rotación, cada uno de los cuales es una muestra representativa de la población. Con esta nueva metodología, cada hogar seleccionado participa durante seis meses de la ECH. Considerando que en la base 2021 hay hogares que presentan más de un jefe y otros en los que no hay ninguno, el indicador para 2021 se presenta para todos los hogares que presentan uno y solo un jefe. A partir de 2022 el indicador se calcula a partir de la base de implantación anual.

Código en R

### Estimación de valores 2022 ###

# Para sintaxix de años anteriores consultar: 
# https://osf.io/dyzg8/files/osfstorage#

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de paquetes ###

# Instalar si es necesario:
#install.packages("rio")
#install.packages("srvyr")
#install.packages("tidyverse")

library(rio)
library(srvyr)
library(tidyverse)


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Descarga bases ECH 2022 (INE) de repositorio UMAD-FCS ###

#download.file(
#  url = "https://osf.io/download/rehz2/", 
#  destfile = "Base anual 2022.Rdata"
#)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de bases ###

#load("Base anual 2022.Rdata")


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #


### Me quedo con los hogares donde hay uno y solo un jefe
base <- base %>% dplyr::mutate(bc_correlat = ID)
base <- base %>% dplyr::mutate(jefe = case_when(e30==1 ~ 1, e30!=1 ~ 0))

### Generación de nuevas variables ###

# Ingresos
base <- base %>% dplyr::mutate(y_pc       =  ht11 / HT19 )                      #Ingreso per-cápita
base <- base %>% dplyr::mutate(y_pc_svl   =  (ht11 - ht13) / HT19)              #Ingreso per-cápita sin valor locativo

# Quintil de ingresos
base_h <- base %>% distinct(ID, .keep_all = TRUE)
base_h <- base_h %>% dplyr::mutate(quintilesy = statar::xtile(y_pc, n=5, wt = w_ano))
base_h <- base_h[,c("ID","quintilesy")]
base <- merge(base, base_h, by = "ID")   

# Renombro edad
base <- base %>% dplyr::mutate(bc_pe3 = e27)


###Mayores de 64  
base <- base %>% dplyr::mutate(may64 = case_when(bc_pe3>64 ~ 1, bc_pe3<=64 ~ 0)) 
base <- base %>% group_by(bc_correlat) %>% mutate(may64h=max(may64)) %>% as.data.frame()

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #
### Bases a nivel hogar ###                               

base_h <- base %>% distinct(ID, .keep_all = TRUE)


### Información de muestreo ###

base_h_svy <- srvyr::as_survey_design(base_h, ids = ID, weights = w_ano)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Estimación de indicadores 2022 ###


### Porcentaje de hogares en los que residen mayores de 64 años

## Total país

# Quintil de ingreso del hogar
a_quintil <- function(x) {
  x <- base_h_svy %>%
    filter(quintilesy == x) %>%
    srvyr::summarise(colname = srvyr::survey_mean(may64h))
  x <- mean(x$colname)
}       

a_e_quintil <- numeric()

for(i in 1:5){
  a_e_quintil[i] <- a_quintil(x = i)
}         

c_quintil <- as.data.frame(a_e_quintil)
colnames(c_quintil) <-    c("Hogares con mayores de 64 años")
rownames(c_quintil)<- c("Quintil 1", 
                        "Quintil 2",
                        "Quintil 3",
                        "Quintil 4",
                        "Quintil 5")
estimacion2022 <- c_quintil


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

Notas: La transparencia de colores representa cambios metodológicos en el relevamiento de las ECH. La línea se discontinúa en aquellos años en que ocurre el cambio (ver Ficha Técnica)

Salida de hogar de origen

La salida del hogar de origen representa uno de los eventos de transición a la adultez, marcando la conformación de un hogar propio.

Es posible observar que el porcentaje de adolescentes y jóvenes que nunca se fueron de su hogar de origen alcanza el 62% tanto en 2008 como en 2013 y asciende a 66% en 2018. Por su parte, 29%, 28% y 24% se fueron de su hogar de origen y no retornaron en 2008, 2013 y 2018, respectivamente. Por último, 10% de adolescentes y jóvenes se fueron de su hogar de origen y volvieron, para los tres años considerados.

Al analizar este porcentaje según sexo, se observa que el porcentaje de mujeres que se fueron de su hogar de origen y no volvieron es mayor que el porcentaje de varones para los tres años. En 2018, 28.5% de mujeres adolescentes y jóvenes se fueron de su hogar de origen sin haber vuelto, mientras para los varones este porcentaje desciende a 19.5%.

Porcentaje de jóvenes y adolescentes que se fueron de su hogar de origen

País urbano, 2008 , 2013 y 2018

Gráfico

Tabla

Ficha Técnica

Definición: Porcentaje de jóvenes y adolescentes, según si se fueron de su hogar de origen. Se considera se su fueron y volvieron, se fueron y no volvieron o si no se fueron.

Forma de cálculo: (Cantidad de jóvenes y adolescentes según si se fueron de su hogar de origen/cantidad de jóvenes y adolescentes)*100

Fuente: Unidad de Métodos y Acceso a Datos (UMAD), Facultad de Ciencias Sociales (FCS-UdelaR), a partir de la ENAJ del Instituto Nacional de Estadística (INE) (2008, 2013 y 2018)

Porcentaje de jóvenes y adolescentes que se fueron de su hogar de origen, según sexo

País urbano, 2008 , 2013 y 2018

Gráfico

Tabla

Ficha Técnica

Definición: Porcentaje de jóvenes y adolescentes, según si se fueron de su hogar de origen. Se considera se su fueron y volvieron, se fueron y no volvieron o si no se fueron.

Forma de cálculo: (Cantidad de jóvenes y adolescentes según si se fueron de su hogar de origen/cantidad de jóvenes y adolescentes)*100

Fuente: Unidad de Métodos y Acceso a Datos (UMAD), Facultad de Ciencias Sociales (FCS-UdelaR), a partir de la ENAJ del Instituto Nacional de Estadística (INE) (2008, 2013 y 2018)

Planificación familiar

Adecuación a preferencias

El concepto de planificación familiar se asocia a los derechos de salud sexual y reproductiva. Los beneficios de la planificación familiar se vinculan con la reducción de embarazos no deseados, de muerte materna, la mejora de la salud infantil y de la calidad y nivel de vida de las personas, entre otros.

El siguiente indicador da cuenta del grado de cumplimiento de las preferencias reproductivas, vinculado a si deseaban o no tener hijos y el momento. Es posible observar que 7% de las personas que ellas o sus parejas quedaron embarazadas no querían tener hijos/as, en el entorno de 30% quería más adelante y casi 65% quería en ese momento. No se observan grandes diferencias según sexo.

Porcentaje de personas entre 15 y 44 años de edad que en su primer embarazo o el de su pareja querían tener un hijo en ese momento, querían más adelante o no querían, según sexo

País urbano, 2015

Gráfico

Tabla

Ficha Técnica

Definición: Porcentaje de personas que en su primer embarazo o el de su pareja querían tener un hijo en ese momento, querían más adelante o no querían

Forma de cálculo: (Cantidad de personas según si en su primer embarazo querían tener hijos, no querían o querían más adelante/cantidad de personas que quedaron o sus parejas embarazadas)*100

Fuente: Unidad de Métodos y Acceso a Datos (UMAD), Facultad de Ciencias Sociales (FCS-UdelaR), a partir de la ENCOR del Instituto Nacional de Estadística (INE) (2015)

Este indicador da cuenta del grado de cumplimiento de las preferencias reproductivas, vinculado a la cantidad de hijos tenidos y deseados. Es posible observar que la mitad de las personas manifiestan haber tenido la cantidad de hijos/as que deseaban.

Porcentaje de personas según cantidad de hijos tenidos y deseados, según sexo

País urbano, 2015

Gráfico

Tabla

Ficha Técnica

Definición: Porcentaje de personas según cantidad de hijos tenidos y deseados

Forma de cálculo: (Cantidad de personas que tuvieron o no la cantidad deseada de hijos/cantidad de personas que tuvieron hijos)*100

Fuente: Unidad de Métodos y Acceso a Datos (UMAD), Facultad de Ciencias Sociales (FCS-UdelaR), a partir de la ENCOR del Instituto Nacional de Estadística (INE) (2015)

Este indicador da cuenta del grado de cumplimiento de las preferencias reproductivas, vinculado al momento en que tuvieron el primer hijo y en que hubiesen preferido tenerlo. Puede verse que 40% de las personas tuvieron su primer hijo/a a la edad que deseaban tenerlo (este porcentaje es de 39% para las mujeres y 44% para los varones). Cabe destacar que mientras 37% de los varones tuvieron su primer hijo antes de lo que querían, este porcentaje aumenta a 47% para el caso de las mujeres.

Porcentaje de personas según edad a la que tuvieron primer hijo y a la que le hubiese gustado tener, según sexo

País urbano, 2015

Gráfico

Tabla

Ficha Técnica

Definición: Porcentaje de personas según edad a la que tuvieron primer hijo y a la que le hubiese gustado tener

Forma de cálculo: (Cantidad de personas según si edad a la que tuvieron hijos es la que le hubiese gustado tener/cantidad de personas que tuvieron hijos)*100

Fuente: Unidad de Métodos y Acceso a Datos (UMAD), Facultad de Ciencias Sociales (FCS-UdelaR), a partir de la ENCOR del Instituto Nacional de Estadística (INE) (2015)

Fecundidad adolescente

La tasa específica de fecundidad adolescente es un indicador que da cuenta de la evolución del embarazo adolescente. Este indicador presenta una disminución de 10 puntos porcentuales entre 1996 y 2013, pasado de 70,5 a 60,9 cada mil mujeres entre 15 y 19 años. A partir de dicho año y hasta 2021, se asiste a una disminución marcada y sostenida, alcanzando en 2022 el valor de 23 cada mil mujeres entre 15 y 19 años de edad.

Tasa específica de fecundidad adolescente

Total país, 1996 - 2022

Gráfico

Tabla

Ficha Técnica

Definición: Tasa específica de fecundidad adolescente

Forma de cálculo: Nacimientos por cada 1000 adolescentes (entre 15 y 19 años de edad)

Fuente: Unidad de Métodos y Acceso a Datos (UMAD), Facultad de Ciencias Sociales (FCS-UdelaR), a partir de MSP y Proyecciones de Población

Violencia de género

Prevalencia en la familia

La violencia de género se ha conceptualizado como toda forma de violencia dirigida hacia las mujeres por el hecho de ser mujeres. La ONU (1993)² la define como diferentes actos violentos, o amenazas de dichos actos ejercidos contra las mujeres por el hecho de serlo, que generan o pueden generar un daño físico, sexual o psicológico. A partir de la convención interamericana para prevenir, sancionar y erradicar la violencia contra la mujer “Convención de Belem do Pará” se define la violencia de género como “cualquier acción o conducta, basada en su género, que cause muerte, daño o sufrimiento físico, sexual o psicológico a la mujer, tanto en el ámbito público como en el privado” (Convención Belém Do Pará, 1994)³. Existen diferentes criterios para clasificar la violencia. Dos criterios relevantes son el espacio donde se produce (ámbito privado, laboral, educativo, social, entre otros) y el tipo de violencia que se ejerce (psicológica, física, sexual, entre otras).

Los siguientes indicadores permiten conocer la prevalencia de diferentes tipos de violencia por parte de la familia en diferentes etapas del ciclo vital: aquellas situaciones vividas antes de los 15 años, en la actualidad o aquellas vividas a partir de los 65 años de edad. A su vez, se presenta la violencia vivida por parte de la pareja o expareja. En los indicadores se incluye la violencia física, psicológica, sexual, digital y económica.

34.2% de las mujeres 15 años o más manifestaron haber vivido situaciones de violencia de género por parte de la familia en la infancia en 2013, prevalencia que asciende a 38.4% en 2019, observándose que el tipo de violencia que presenta una mayor prevalencia es la violencia física, seguido de la psicológica y, por último, la sexual.

Prevalencia de violencia basada en género por parte de la familia en la infancia

País urbano, 2013 y 2019

Gráfico

Tabla

Ficha Técnica

Definición: Porcentaje de mujeres de 15 años o más que vivieron situaciones de violencia en la infancia por parte de la familia

Forma de cálculo: (Cantidad de mujeres de 15 años o más que vivieron situaciones de violencia en la infancia/cantidad total de mujeres de 15 años o más)*100

Fuente: Unidad de Métodos y Acceso a Datos (UMAD), Facultad de Ciencias Sociales (FCS-UdelaR), a partir de la ENVBGG del Instituto Nacional de Estadística (INE) (2013 y 2019)

En el entorno del 20% de las mujeres de 15 años o más vivieron situaciones de violencia por parte de su familia actual en los últimos 12 meses, observando que en prácticamente todos los casos se vivió violencia psicológica.

Prevalencia de violencia basada en género por parte de la familia actual

País urbano, 2013 y 2019

Gráfico

Tabla

Ficha Técnica

Definición: Porcentaje de mujeres de 15 años o más que vivieron situaciones de violencia por parte de la familia actual

Forma de cálculo: (Cantidad de mujeres de 15 años o más que vivieron situaciones de violencia por parte de la familia actual/cantidad total de mujeres de 15 años o más)*100

Fuente: Unidad de Métodos y Acceso a Datos (UMAD), Facultad de Ciencias Sociales (FCS-UdelaR), a partir de la ENVBGG del Instituto Nacional de Estadística (INE) (2013 y 2019)

En el siguiente gráfico puede observarse que 9.5% de las mujeres de 65 años o más vivieron violencia de género en los últimos 12 meses en 2013, porcentaje que asciende a 10.5% en 2019.

Prevalencia de violencia basada en género de mujeres de 65 años o más por parte de la familia

País urbano, 2013 y 2019

Gráfico

Tabla

Ficha Técnica

Definición: Porcentaje de mujeres de 65 años o más que vivieron situaciones de violencia por parte de la familia

Forma de cálculo: (Cantidad de mujeres de 65 años o más que vivieron situaciones de violencia por parte de la familia/cantidad total de mujeres de 65 años o más)*100

Fuente: Unidad de Métodos y Acceso a Datos (UMAD), Facultad de Ciencias Sociales (FCS-UdelaR), a partir de la ENVBGG del Instituto Nacional de Estadística (INE) (2013 y 2019)

Prevalencia en la pareja

La violencia de género por parte de la pareja o expareja en los últimos 12 meses alcanza a 23.7% y 20.5% de las mujeres de 15 años o más que tienen o han tenido pareja en 2013 y 2019, respectivamente. En este caso, el tipo de violencia con una mayor prevalencia es la violencia psicológica.

Prevalencia de violencia basada en género por parte de la pareja o expareja, en los últimos 12 meses

País urbano, 2013 y 2019

Gráfico

Tabla

Ficha Técnica

Definición: Porcentaje de mujeres de 15 años o más que vivieron situaciones de violencia por parte su pareja o expareja en los últimos 12 meses

Forma de cálculo: (Cantidad de mujeres de 15 años o más que vivieron situaciones de violencia por parte du su pareja o expareja en los últimos 12 meses/cantidad total de mujeres de 15 años o más que tienen o han tenido pareja)*100

Fuente: Unidad de Métodos y Acceso a Datos (UMAD), Facultad de Ciencias Sociales (FCS-UdelaR), a partir de la ENVBGG del Instituto Nacional de Estadística (INE) (2013 y 2019)

Por su parte, puede observarse que del total de mujeres de 15 años o más que tienen o han tenido pareja, 45.4% y 48.7% (en 2013 y 2019, respectivamente) vivieron violencia de género por parte de la pareja o expareja a lo largo de toda la vida. El tipo de violencia con una mayor prevalencia es la violencia psicológica.

Prevalencia de violencia basada en género por parte de la pareja o expareja, a lo largo de toda la vida

País urbano, 2013 y 2019

Gráfico

Tabla

Ficha Técnica

Definición: Porcentaje de mujeres de 15 años o más que vivieron situaciones de violencia por parte su pareja o expareja a lo largo de la vida

Forma de cálculo: (Cantidad de mujeres de 15 años o más que vivieron situaciones de violencia por parte du su pareja o expareja a lo largo de toda la vida/cantidad total de mujeres de 15 años o más que tienen o han tenido pareja)*100

Fuente: Unidad de Métodos y Acceso a Datos (UMAD), Facultad de Ciencias Sociales (FCS-UdelaR), a partir de la ENVBGG del Instituto Nacional de Estadística (INE) (2013 y 2019)

Cuidados y educación

Participación en cuidados

Se definen los cuidados como las actividades que se realizan con el fin de ayudar a una persona en situación de dependencia en el desarrollo de su vida diaria. Implica cuidados materiales o económicos y psicológicos, involucrando vínculos afectivos. Las actividades de cuidado pueden realizarse de forma remunerada o no remunerada, en el marco de la familia o por fuera (Letablier, 2001⁴; Aguirre et al, 2014⁵).

La organización social del cuidado refiere a la forma de distribuir las actividades de cuidados de las personas en situación de dependencia en una sociedad, interviniendo cuatro actores en la provisión de los cuidados: familia, Estado, mercado y comunidad. Según cómo se estructura la organización del cuidado es posible diferenciar regímenes de bienestar familistas, cuando la responsabilidad principal por la provisión de cuidados recae en las familias, y desfamiliarizados, cuando hay una delegación sustancial de las actividades de cuidado en el Estado y el mercado (Aguirre, 2008⁶).

Por su parte, se presentan indicadores de asistencia a la educación inicial, preescolar y escolar, comprendiéndose como un factor fundamental en la integración social de los niños y niñas y su desarrollo.

Los siguientes indicadores dan cuenta de la tasa de participación de mujeres y varones entre 14 y 49 años de edad según presencia de menores en el hogar. Es posible observar que la brecha en la tasa de participación entre mujeres y varones aumenta cuando conviven con niños de menor edad, encontrándose una mayor brecha para mujeres y varones que viven con niños/as de 0 a 3 años. Sin embargo, cabe mencionar que la brecha se reduce entre 2006 y 2023 para los tres tramos de edad considerados.

Tasa de participación de mujeres y varones entre 14 y 49 años según presencia de menores en el hogar

Total país, 2006 - 2023

Gráfico

Tabla

Ficha Técnica

Definición: Proporción de la población entre 14 y 49 años de edad que se encuentran económicamente activos (se encuentran ocupados o buscando activamente empleo) en hogares donde hay menores entre 0 y 3, entre 0 y 6 o entre 0 y 12 años.

Forma de cálculo: (Cantidad de mujeres y varones económicamente activos entre 14 y 49 años de edad con menores en el hogar/Cantidad de mujeres y varones entre 14 y 49 años de edad con menores en el hogar)*100

Advertencia: Desde marzo de 2020 hasta junio de 2021 se interrumpió el relevamiento presencial y se aplicó de manera telefónica un cuestionario restringido con el objetivo de continuar publicando los indicadores de ingresos y mercado de trabajo. En ese período la encuesta pasó a ser de paneles rotativos elegidos al azar a partir de los casos respondentes del año anterior. En julio de 2021 el INE retomó la realización de encuestas presenciales, pero introdujo un cambio metodológico, ya que la ECH pasa a ser una encuesta de panel rotativo con periodicidad mensual compuesta por seis paneles o grupos de rotación, cada uno de los cuales es una muestra representativa de la población. Con esta nueva metodología, cada hogar seleccionado participa durante seis meses de la ECH. A partir de 2022 el indicador se calcula a partir de la base de implantación anual.

Código en R

### Estimación de valores 2022 ###

# Para sintaxix de años anteriores consultar: 
# https://osf.io/dyzg8/files/osfstorage#

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de paquetes ###

# Instalar si es necesario:
#install.packages("rio")
#install.packages("srvyr")
#install.packages("tidyverse")

library(rio)
library(srvyr)
library(tidyverse)


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Descarga bases ECH 2022 (INE) de repositorio UMAD-FCS ###

#download.file(
#  url = "https://osf.io/download/rehz2/", 
#  destfile = "Base anual 2022.Rdata"
#)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de bases ###

#load("Base anual 2022.Rdata")


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #


base <- base %>% dplyr::mutate(bc_correlat = ID)
base <- base %>% dplyr::mutate(jefe = case_when(e30==1 ~ 1, e30!=1 ~ 0))


### Generación de nuevas variables ###

# Renombro edad

base <- base %>% dplyr::mutate(bc_pe3 = e27)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #
### Menores de 4 en el hogar
base <- base %>% dplyr::mutate(menor4 = case_when(bc_pe3<4 ~ 1, bc_pe3>=4 ~ 0))
base <- base %>% group_by(bc_correlat) %>% mutate(menor4H=max(menor4)) %>% as.data.frame()

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #
### Menores de 7 en el hogar
base <- base %>% dplyr::mutate(menor7 = case_when(bc_pe3<7 ~ 1, bc_pe3>=7 ~ 0))
base <- base %>% group_by(bc_correlat) %>% mutate(menor7H=max(menor7)) %>% as.data.frame()

### Menores de 13 en el hogar
base <- base %>% dplyr::mutate(menor13 = case_when(bc_pe3<13 ~ 1, bc_pe3>=13 ~ 0))
base <- base %>% group_by(bc_correlat) %>% mutate(menor13H=max(menor13)) %>% as.data.frame()

# Sexo
base <- base %>% dplyr::mutate(bc_pe2 = e26)

##Condición de actividad
base <- base %>% dplyr::mutate(bc_pobp = POBPCOAC)

###Activos
base <- base %>% dplyr::mutate(activos1 = case_when(bc_pe2==1&bc_pobp>5 ~ 0, bc_pobp>=2&bc_pobp<=5&bc_pe2==1 ~ 1))
base <- base %>% dplyr::mutate(activos2 = case_when(bc_pe2==2&bc_pobp>5 ~ 0, bc_pobp>=2&bc_pobp<=5&bc_pe2==2 ~ 1))

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #
### Bases a nivel hogar ###                               

base_h <- base %>% distinct(ID, .keep_all = TRUE)


### Información de muestreo ###
base_h_svy <- srvyr::as_survey_design(base_h, ids = ID, weights = w_ano)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Estimación de indicadores 2022 ###


### Tasa de participación de mujeres y varones entre 14 y 49 años de edad, según presencia de menores en el hogar

## Sin menores

base_svy_1 <- base_svy %>%
  filter(menor13H == 0 & (bc_pe3>13 | bc_pe3<50))

var_int <- c("activos1", "activos2")

a_ano <- sapply(base_svy_1$variables %>% select(var_int), function(x){
  base_svy_1 %>%
    srvyr::summarise(stat = srvyr::survey_mean(x, na.rm = TRUE)) 
})

c_ano_sin <- matrix(,2,1)
for (i in 1:2) {
  c_ano_sin[i,1] <- c(as.numeric(c(a_ano[1,i])))
}


##Con menores de 0 a 13
base_svy_1 <- base_svy %>%
  filter(menor13H == 1 & (bc_pe3>13 | bc_pe3<50))


var_int <- c("activos1", "activos2")
a_ano <- sapply(base_svy_1$variables %>% select(var_int), function(x){
  base_svy_1 %>%
    srvyr::summarise(stat = srvyr::survey_mean(x, na.rm = TRUE)) 
})

c_ano_0a13 <- matrix(,2,1)
for (i in 1:2) {
  c_ano_0a13[i,1] <- c(as.numeric(c(a_ano[1,i])))
}


##Con menores de 0 a 4

base_svy_1 <- base_svy %>%
  filter(menor4H==1 & (bc_pe3>13 | bc_pe3<50))


# Total

var_int <- c("activos1", "activos2")
a_ano <- sapply(base_svy_1$variables %>% select(var_int), function(x){
  base_svy_1 %>%
    srvyr::summarise(stat = srvyr::survey_mean(x, na.rm = TRUE)) 
})

c_ano_0a4 <- matrix(,2,1)
for (i in 1:2) {
  c_ano_0a4[i,1] <- c(as.numeric(c(a_ano[1,i])))
}

## Con menores entre 0 y 6

base_svy_1 <- base_svy %>%
  filter(menor7H==1 & (bc_pe3>13 | bc_pe3<50))

var_int <- c("activos1", "activos2")
a_ano <- sapply(base_svy_1$variables %>% select(var_int), function(x){
  base_svy_1 %>%
    srvyr::summarise(stat = srvyr::survey_mean(x, na.rm = TRUE)) 
})

c_ano_0a6 <- matrix(,2,1)
for (i in 1:2) {
  c_ano_0a6[i,1] <- c(as.numeric(c(a_ano[1,i])))
}

c_ano <- cbind(c_ano_0a4, c_ano_0a6, c_ano_0a13, c_ano_sin)

rownames(c_ano) <-    c("Varones", "Mujeres")
colnames(c_ano)<- c("Entre 0 y 3","Entre 0 y 6", "Entre 0 y 12", "Sin menores entre 0 y 12")
estimacion2022 <- c_ano

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

Notas: La transparencia de colores representa cambios metodológicos en el relevamiento de las ECH. La línea se discontinúa en aquellos años en que ocurre el cambio (ver Ficha Técnica)

Los siguientes indicadores reflejan la distribución de las tareas de cuidados entre personas familiares o no familiares, pudiendo comprender las diferencias por sexo y rol de parentesco, tanto cotidianamente como cuando surgen emergentes que es necesario atender.

Al analizar la participación de las personas en los cuidados de los niños/as fuera del horario escolar, se observa que quien tiene una mayor participación son las madres, alcanzando casi al 100%, tanto en 2013 como en 2018. En segundo lugar, le siguen los padres, aumentando su participación desde 60.6% en 2013 a 79.7% en 2018. En tercer lugar, la participación de las/os abuelas/os se ubica en el entorno de 40%. En menor medida se encuentran otros parientes y no parientes, hermanos/as y personas remuneradas.

Participación de personas en el cuidado de niños/as fuera del horario escolar

País urbano, 2013 y 2018

Gráfico

Tabla

Ficha Técnica

Definición: Porcentaje de personas que particidan en las actividades de cuidados de niños/as fuera del horario escolar

Forma de cálculo: Para cada persona que participa en los cuidados se calcula: (Cantidad de niños/as según personas que participan en los cuidados fuera del hoario escolar/cantidad de niños/as)*100

Fuente: Unidad de Métodos y Acceso a Datos (UMAD), Facultad de Ciencias Sociales (FCS-UdelaR), a partir de la ENDIS del Instituto Nacional de Estadística (INE) (2013 y 2018)

Cuando los niños/as enferman quienes principalmente se encargan del cuidado son las madres, con una participación de 93%. Los padres, por su parte, participan en un 55%. En tercer lugar, le siguien las/os abuelas/os, con una participación que desciende de 46.6% en 2013 a 31.6% en 2018.

Personas que participan en el cuidado de niños/as cuando enferman

País urbano, 2013 y 2018

Gráfico

Tabla

Ficha Técnica

Definición: Porcentaje de personas que particidan en las actividades de cuidados de niños/as cuando enferman

Forma de cálculo: Para cada persona que participa en los cuidados se calcula: (Cantidad de niños/as según personas que participan en los cuidados cuando enferman/cantidad de niños/as)*100

Fuente: Unidad de Métodos y Acceso a Datos (UMAD), Facultad de Ciencias Sociales (FCS-UdelaR), a partir de la ENDIS del Instituto Nacional de Estadística (INE) (2013 y 2018)

La tasa de participación de las mujeres en las actividades de cuidados es mayor que la de los varones para todas las subpoblaciones consideradas. La tasa más alta se alcanza para el cuidado de niños/as de 0 a 3 años de edad, alcanzando el 90% para las mujeres y 68% para los varones.

Tasa de participación en las actividades de cuidados dentro del hogar

País urbano, 2013

Gráfico

Tabla

Ficha Técnica

Definición: Porcentaje de personas de 14 años o más que particidan en las actividades de cuidados dentro del hogar

Fuente: Unidad de Métodos y Acceso a Datos (UMAD), Facultad de Ciencias Sociales (FCS-UdelaR), a partir de la EUT del Instituto Nacional de Estadística (INE) (2013)

Asistencia a centros educativos

Los siguientes indicadores dan cuenta de la asistencia a centros de cuidado y educación por parte de niños y niñas entre 0 y 5 años de edad. Es posible observar que tanto la asistencia de niños/as entre 0 y 2 años como entre 3 y 5 años aumenta en los períodos considerados. En el caso de los niños/as de 0 a 2 años puede verse que el porcentaje de asistencia pasa de 27.1% en 2012 a 47.3% en 2023 Por su parte, el porcentaje de asistencia de niños/as de 3 a 5 años aumenta de 55.7% en 1990 a 94.8% en 2023.

Tasa de asistencia a la educación inicial de niños/as de 0 a 2 años

Total país, 2012 - 2023

Gráfico

Tabla

Ficha Técnica

Definición: Porcentaje de niños/as entre 0 y 2 años que asisten a centros de educación inicial

Forma de cálculo: (Cantidad de niños/as de 0 a 2 años que asisten a centros de educación inicial/cantidad total de niños/as de 0 a 2 años)*100

Advertencia: Debido a los cambios en la forma de relevamiento en el módulo de educación en las ECH 2020 y 2021, este indicador se presenta hasta 2019 y se continúa en 2022, no siendo comparable con la serie anterior.

Código en R

### Estimación de valores 2022 ###

# Para sintaxix de años anteriores consultar: 
# https://osf.io/dyzg8/files/osfstorage#

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de paquetes ###

# Instalar si es necesario:
#install.packages("rio")
#install.packages("srvyr")
#install.packages("tidyverse")

library(rio)
library(srvyr)
library(tidyverse)


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Descarga bases ECH 2022 (INE) de repositorio UMAD-FCS ###

#download.file(
#  url = "https://osf.io/download/rehz2/", 
#  destfile = "Base anual 2022.Rdata"
#)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de bases ###

#load("Base anual 2022.Rdata")


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #


base <- base %>% dplyr::mutate(bc_correlat = ID)

### Generación de nuevas variables ###

# Renombro edad
base <- base %>% dplyr::mutate(bc_pe3 = e27)

#Asistencia a centros educativos
base <- base %>% dplyr::mutate(asiste = case_when(e49==3 ~ 1, e49!=3 ~ 0)) 

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #


### Información de muestreo ###

base_svy <- srvyr::as_survey_design(base, ids = ID, weights = w_ano)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Estimación de indicadores 2022 ###


### Tasa de asistencia a la educación inicial de niños/as de 0 a 2 años

# Total país

c_ano <- base_svy %>%
  srvyr::filter(bc_pe3<3) %>%
  srvyr::summarise(colname = srvyr::survey_mean(asiste))
c_ano <- as.numeric(c_ano$colname)
estimacion2022 <- c_ano

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

Notas: La transparencia de colores representa cambios metodológicos en el relevamiento de las ECH. La línea se discontinúa en aquellos años en que ocurre el cambio (ver Ficha Técnica)

Tasa de asistencia a la educación de niños/as de 3 a 5 años

País urbano, 1990 - 2023

Gráfico

Tabla

Ficha Técnica

Definición: Porcentaje de niños/as entre 3 y 5 años que asisten a centros educativos o de cuidado infantil

Forma de cálculo: (Cantidad de niños/as de 3 a 5 años que asisten a centro educativo o de cuidado infantil/cantidad total de niños/as de 3 a 5 años)*100

Advertencia: Debido a los cambios en la forma de relevamiento en el módulo de educación en las ECH 2020 y 2021, este indicador se presenta hasta 2019 y se continúa en 2022, no siendo comparable con la serie anterior.

Código en R

### Estimación de valores 2022 ###

# Para sintaxix de años anteriores consultar: 
# https://osf.io/dyzg8/files/osfstorage#

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de paquetes ###

# Instalar si es necesario:
#install.packages("rio")
#install.packages("srvyr")
#install.packages("tidyverse")

library(rio)
library(srvyr)
library(tidyverse)


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Descarga bases ECH 2022 (INE) de repositorio UMAD-FCS ###

#download.file(
#  url = "https://osf.io/download/rehz2/", 
#  destfile = "Base anual 2022.Rdata"
#)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de bases ###

#load("Base anual 2022.Rdata")


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #


base <- base %>% dplyr::mutate(bc_correlat = ID)

### Generación de nuevas variables ###

# Renombro edad
base <- base %>% dplyr::mutate(bc_pe3 = e27)

#Asistencia a centros educativos
base <- base %>% dplyr::mutate(asiste = case_when(e49==3 ~ 1, e49!=3 ~ 0)) 

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #


### Información de muestreo ###

base_svy <- srvyr::as_survey_design(base, ids = ID, weights = w_ano)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Estimación de indicadores 2022 ###


### Tasa de asistencia a la educación inicial de niños/as de 0 a 2 años

# Total país

c_ano <- base_svy %>%
  srvyr::filter(bc_pe3>2&bc_pe3<6) %>%
  srvyr::summarise(colname = srvyr::survey_mean(asiste))
c_ano <- as.numeric(c_ano$colname)
estimacion2022 <- c_ano

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

Notas: La transparencia de colores representa cambios metodológicos en el relevamiento de las ECH. La línea se discontinúa en aquellos años en que ocurre el cambio (ver Ficha Técnica)

Salud infantil

La salud infantil refiere a la posibilidad de que los niños y niñas puedan satisfacer sus necesidades, desarrollar su potencial y sus capacidades. Es un aspecto fundamental que contribuye al bienestar y desarrollo integral de niños y niñas.

Lactancia

El indicador refleja el porcentaje de niños que en sus primeros 6 meses reciben lactancia exclusiva, recomendado por la OMS para la buena nutrición de los bebés en los primeros años de vida. Se puede observar que el porcentaje de niños/as que recibieron lactancia exclusiva hasta los 6 meses pasó de 50% en 2013 a 57% en 2018, no encontrándose diferencias sustanciales entre Montevideo y el Interior del país.

Porcentaje de niños lactantes que reciben lactancia exclusiva durante los primeros 6 meses

País urbano, 2013 y 2018

Gráfico

Tabla

Ficha Técnica

Definición: Porcentaje de niños lactantes que reciben lactancia exclusiva durante los primeros 6 meses

Forma de cálculo: (Cantidad de niños/as de 0 a 3 años que reciben o recibieron lactancia exclusiva durante los primeros 6 meses/cantidad de niños/as de 0 a 3 años de edad)

Fuente: Unidad de Métodos y Acceso a Datos (UMAD), Facultad de Ciencias Sociales (FCS-UdelaR), a partir de la ENDIS del Instituto Nacional de Estadística (INE) (2013 y 2018)

Peso al nacer

El indicador refleja el porcentaje de niños con bajo peso al nacer, es decir, por debajo de 2500 g. Es un indicador sumamente relevante en tanto repercute en el desarrollo y crecimiento satisfactorios, observándose que el mismo se ubica en el entorno del 7%.

Porcentaje de nacidos vivos con bajo peso al nacer

País urbano, 2013 y 2018

Gráfico

Tabla

Ficha Técnica

Definición: Porcentaje de nacidos vivos que pesaron menos de 2500 gms al nacer

Forma de cálculo: (Cantidad de niños/as de 0 a 3 años que pesaron menos de 2500 gms al nacer/cantidad de niños/as de 0 a 3 años de edad)*100

Fuente: Unidad de Métodos y Acceso a Datos (UMAD), Facultad de Ciencias Sociales (FCS-UdelaR), a partir de la ENDIS del Instituto Nacional de Estadística (INE) (2013 y 2018)

El indicador refleja el porcentaje de niños con peso elevado al nacer, es decir, por encima de 4000 g. Es un indicador relevante en tanto puede ocasionar problemas en la salud durante y después del parto. Este indicador presenta una disminución en 2018 (8%) respecto a 2013 (11%).

Porcentaje de nacidos vivos con macrosomía

País urbano, 2013 y 2018

Gráfico

Tabla

Ficha Técnica

Definición: Porcentaje de nacidos vivos que pesaron más de 4000 gms al nacer

Forma de cálculo: (Cantidad de niños/as de 0 a 3 años que pesaron más de 4000 gms al nacer/cantidad de niños/as de 0 a 3 años de edad)*100

Fuente: Unidad de Métodos y Acceso a Datos (UMAD), Facultad de Ciencias Sociales (FCS-UdelaR), a partir de la ENDIS del Instituto Nacional de Estadística (INE) (2013 y 2018)

Cobertura de salud

El siguiente indicador da cuenta del porcentaje de niños y niñas que no tienen ningún tipo de cobertura en salud. Por un lado, puede verse que el porcentaje de niños/as sin cobertura es mayor a medida que aumenta el tramo de edad considerado, en particular, hasta 2010. A su vez, se observa una disminunción marcada de los niños/as sin cobertura de salud para los tres tramos de edad considerados a lo largo del período, llegando a niveles menores al 1% a partir de 2013. En el segundo semestre de 2021, el valor del indicador se ubica levamente por encima del 1% y, luego, vuelve a descender levemente.

Porcentaje de niños entre 0 y 17 años sin cobertura de salud

País urbano, 1991 - 2023

Gráfico

Tabla

Ficha Técnica

Definición: Porcentaje de niños entre 0 y 17 años sin cobertura de salud

Forma de cálculo: (Cantidad de niños/as de 0 a 17 años que no tienen cobertura de salud/cantidad de niños/as de 0 a 17 años de edad)*100

Advertencia: Desde marzo de 2020 hasta junio de 2021 se interrumpió el relevamiento presencial y se aplicó de manera telefónica un cuestionario restringido con el objetivo de continuar publicando los indicadores de ingresos y mercado de trabajo. En ese período la encuesta pasó a ser de paneles rotativos elegidos al azar a partir de los casos respondentes del año anterior. En julio de 2021 el INE retomó la realización de encuestas presenciales, pero introdujo un cambio metodológico, ya que la ECH pasa a ser una encuesta de panel rotativo con periodicidad mensual compuesta por seis paneles o grupos de rotación, cada uno de los cuales es una muestra representativa de la población. Con esta nueva metodología, cada hogar seleccionado participa durante seis meses de la ECH. A partir de 2020 cambia el modo de relevar cobertura de salud. Antes de esta fecha se les consultaba a los/as encuestados por cobertura en cada uno de los prestadores posibles. Durante el 2020 y el primer semestre de 2021, se relevó únicamente el principal prestador de salud. En el segundo semestre de 2021 se relevó el prestador principal y secundario, hecho que habilita reconstruir un indicador más próximo al calculado antes de 2019. Para 2021, este indicador se calcula únicamente a partir de la implantación de modalidad panel del segundo semestre de 2021. Dados los cambios metodológicos en la formulación de las preguntas, no se incorpora a la serie el año 2020 y tampoco se considera la información del primer semestre de 2021. A partir de 2022 el indicador se calcula a partir de la base de implantación anual.

Código en R

### Estimación de valores 2022 ###

# Para sintaxix de años anteriores consultar: 
# https://osf.io/dyzg8/files/osfstorage#

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de paquetes ###

# Instalar si es necesario:
#install.packages("rio")
#install.packages("srvyr")
#install.packages("tidyverse")

library(rio)
library(srvyr)
library(tidyverse)


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Descarga bases ECH 2022 (INE) de repositorio UMAD-FCS ###

#download.file(
#  url = "https://osf.io/download/rehz2/", 
#  destfile = "Base anual 2022.Rdata"
#)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Carga de bases ###

#load("Base anual 2022.Rdata")


# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

base <- base %>% dplyr::mutate(bc_correlat = ID)


### Generación de nuevas variables ###

# Renombro edad

base <- base %>% dplyr::mutate(bc_pe3 = e27)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #
###Cobertura de salud
base <- base %>% dplyr::mutate(nocobert=case_when(e45_cv==7 ~ 1, e45_cv!=7 ~ 0)) 

# Región
base <- base %>% dplyr::mutate(bd_region = case_when(region_4 == 1 | region_4 == 2 ~ 1,
                                                     region_4 == 3 ~ 2,
                                                     region_4 == 4 ~ 3))

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Información de muestreo ###

base_svy <- srvyr::as_survey_design(base, ids = ID, weights = w_ano)

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

### Estimación de indicadores 2022 ###


### Porcentaje de niños entre 0 y 17 años sin cobertura de salud

## Entre 0 y 5

a_ano <- base_svy %>%
  filter(bd_region == 1 & bc_pe3< 6) %>%
  srvyr::summarise(colname = srvyr::survey_mean(nocobert))
a_ano_0a6 <- as.numeric(a_ano$colname)

##Entre 6 y 12

a_ano <- base_svy %>%
  filter(bd_region == 1 & bc_pe3> 5 & bc_pe3<13) %>%
  srvyr::summarise(colname = srvyr::survey_mean(nocobert))
a_ano_6a12 <- as.numeric(a_ano$colname)

##Entre 13 y 17

a_ano <- base_svy %>%
  filter(bd_region == 1 & bc_pe3> 12 & bc_pe3<18) %>%
  srvyr::summarise(colname = srvyr::survey_mean(nocobert))
a_ano_13a17 <- as.numeric(a_ano$colname)



c_ano <- cbind(a_ano_0a6, a_ano_6a12, a_ano_13a17)

rownames(c_ano) <-    c("Sin cobertura de salud")
colnames(c_ano)<- c("Entre 0 y 5","Entre 6 y 12", "Entre 13 y 17")
estimacion2022 <- c_ano

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ #

Notas: La transparencia de colores representa cambios metodológicos en el relevamiento de las ECH. La línea se discontinúa en aquellos años en que ocurre el cambio (ver Ficha Técnica)

Mortalidad

El siguiente indicador da cuenta de la cantidad de defunciones de menores de 1 año y menores de 5 años cada 1000 habitantes. Es posible observar que desde 1984 hasta 2021 ambas tasas se han reducido sustancialmente. La tasa de mortalidad para niños/as menores de 1 año pasa de 30,1 a 6,3 en el período considerado, mientras la tasa de mortalidad para niños/as menores de 5 años pasa de 34,1 a 7,5.

Tasa de mortalidad infantil (menores de 1 año y de 5 años)

Total país, 1984 - 2022

Gráfico

Tabla

Ficha Técnica

Definición: Tasa de mortalidad infantil (menores de 1 año y menores de 5 años)

Forma de cálculo: Defunciones de menores (de 1 año y de 5 años) por cada 1000 menores (de 1 año y de 5 años)

Fuente: Unidad de Métodos y Acceso a Datos (UMAD), Facultad de Ciencias Sociales (FCS-UdelaR), a partir de estadísticas vitales del MSP

Referencias

Contacto

Si tiene consultas, sugerencias, comentarios o encontró algún error en este documento, le agradecemos que se contacte con nosotros/as.

Contacto: umad@cienciassociales.edu.uy

Salvador y Pradere (2009) “Análisis de las trayectorias familiares y laborales desde una perspectiva de género y generaciones”, Proyecto G/INE/UNIFEM/UNFPA.↩︎
ONU (1993). Declaración sobre la eliminación de la violencia contra la mujer. Asamblea General, Naciones Unidas. Distr. General A/RES/48/104. Disponible en: https://www.acnur.org/fileadmin/Documentos/BDL/2002/1286.pdf?file=fileadmin/Documentos/BDL/2002/1286 ↩︎
Convención Belém do Pará (1994). Convención interamericana para prevenir, sancionar y erradicar la violencia contra la mujer. Disponible en: https://www.oas.org/juridico/spanish/tratados/a-61.html ↩︎
Letablier, Marie-Thérèse (2001). Le travail centré sur autrui e sa conceptualisation en Europe. En Travail, genre et societés. Dossier: Femmes providentielles, enfants et parents à charge, Nº 6, Paris: L’ Harmattan, pp. 19-41↩︎
Aguirre, Rosario, Batthyány, Karina, Genta, Natalia y Perrotta, Valentina (2014). Los cuidados en la agenda de investigación y en las políticas públicas en Uruguay. Íconos. Revista de Ciencias Sociales. Nº 50, septiembre 2014, pp. 43-60. Quito: Facultad Latinoamericana de Ciencias Sociales-Sede Académica de Ecuador. Disponible en: https://www.redalyc.org/pdf/509/50931716003.pdf ↩︎
Aguirre, Rosario (2008). La necesaria redefinición de la noción de trabajo. Problemas conceptuales y metodológicos. Aportes para el Estado y la Administración Gubernamental, Año 14, Nº 25, Buenos Aires. Disponible en: https://www.asociacionag.org.ar/pdfaportes/25/02.pdf ↩︎

Familia y composición de los hogares

Composición y estructura de los hogares

Tipo de hogar

Distribución porcentual de los hogares según tipo de hogar

Total país, 2006 - 2023

Gráfico

Tabla

Ficha Técnica

Código en R

Distribución porcentual de los hogares según tipo de hogar, por quintil de ingresos

Total país, 2023

Gráfico

Tabla

Ficha Técnica

Código en R

Distribución porcentual de hogares con menores de 18 años según tipo de hogar

Total país, 2006 - 2023

Gráfico

Tabla

Ficha Técnica

Código en R

Distribución porcentual de los hogares con menores de 18 años según tipo de hogar, por quintil de ingresos

Total país, 2023

Gráfico

Tabla

Ficha Técnica

Código en R

Distribución porcentual de hogares con menores de 15 años según tipo de hogar

Total país, 2006 - 2023

Gráfico

Tabla

Ficha Técnica

Código en R

Distribución porcentual de los hogares con menores de 15 años según tipo de hogar, por quintil de ingresos

Total país, 2023

Gráfico

Tabla

Ficha Técnica

Código en R

Modelo de proveedor

Distribución porcentual de los hogares biparentales según modelo de proveedor económico

Total país, 2006 - 2023

Gráfico

Tabla

Ficha Técnica

Código en R

Distribución porcentual de los hogares biparentales según modelo de proveedor económico, por quintil de ingresos

Total país, 2023

Gráfico

Tabla

Ficha Técnica

Código en R

Estado civil

Distribución porcentual de las personas según estado conyugal

Total país, 2006 - 2023

Gráfico

Tabla

Ficha Técnica

Código en R

Jefatura del hogar

Distribución porcentual de los hogares según sexo del jefe/a

Total país, 2006 - 2023

Gráfico

Tabla

Ficha Técnica

Código en R

Porcentaje de los hogares con jefatura femenina, según región de residencia

Total país, 2006 - 2023

Gráfico

Tabla

Ficha Técnica

Código en R

Edad de integrantes

Porcentaje de hogares en los que residen menores entre 0 y 17 años de edad, según sexo del jefe/a del hogar

Total país, 2006 - 2023

Gráfico

Tabla

Ficha Técnica

Código en R

Porcentaje de hogares en los que residen menores entre 0 y 17 años de edad, según quintil de ingresos