-
Notifications
You must be signed in to change notification settings - Fork 0
Commit
This commit does not belong to any branch on this repository, and may belong to a fork outside of the repository.
- Loading branch information
Showing
5 changed files
with
770 additions
and
693 deletions.
There are no files selected for viewing
This file contains bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
| Original file line number | Diff line number | Diff line change |
|---|---|---|
| @@ -1,244 +1,94 @@ | ||
| #-------------------------------------------------------# | ||
| # Rastreador de crecimiento inclusivo ---- | ||
| # Ultima fecha de modificacion: 18 de septiembre 2023 | ||
| # Organizar base de datos del metaanalisis | ||
| #-------------------------------------------------------# | ||
|
|
||
| #--------------------------# | ||
| # packages ----ccc | ||
| #--------------------------# | ||
|
|
||
| rm(list=ls()) | ||
| pacman::p_load(tidyverse, glue, janitor) | ||
| # .rs.restartR() | ||
|
|
||
| #--------------------------# | ||
| # paths ---- | ||
| #--------------------------# | ||
|
|
||
| # datos_ori <- "C:/Users/User/Dropbox/Meta-análisis ALMPs conponente género_PNUD&ILO/1. Papers used/Tables and papers from ALMP and Informality meta-analysis" | ||
| datos_ori <- "01_Datos_originales" | ||
| datos <- "02_Datos" | ||
| options(scipen = 999) | ||
| mes <- "Julio" | ||
|
|
||
| #-------------------------------------------------------# | ||
| # 1. Abrir datos ---- | ||
| #-------------------------------------------------------# | ||
|
|
||
| # Abrimos excel original del metaanalisis | ||
| meta <- readxl::read_excel(glue("{datos_ori}/Matriz/[{mes}-2023] Matriz_Meta-analisis_ALMP_Informalidad.xlsx")) %>% | ||
| clean_names() %>% | ||
| # Renombrar columnas | ||
| rename( | ||
| # Empleo | ||
| out_employment = measured_outcomes, out_employment_w = x15, out_employment_m = x16, out_employment_y = x17, | ||
| # Ingresos | ||
| out_earnings = x18, out_earnings_w = x19, out_earnings_m = x20, out_earnings_y = x21, | ||
| # Horas trabajadas | ||
| out_hours = x22, out_hours_w = x23, out_hours_m = x24, out_hours_y = x25, | ||
| # Empleo formal | ||
| out_formal_em = x26, out_formal_em_w = x27, out_formal_em_m = x28, out_formal_em_y = x29, | ||
| # Ingreso formal | ||
| out_formal_ear = x30, out_formal_ear_w = x31, out_formal_ear_m = x32, out_formal_ear_y = x33, | ||
| # Ingreso informal | ||
| out_informal_ear = x34, out_informal_ear_w = x35, out_informal_ear_m = x36, out_informal_ear_y = x37, | ||
| # Empleo informal | ||
| out_informal_em = x38, out_informal_em_w = x39, out_informal_em_m = x40, out_informal_em_y = x41, | ||
| # Duracion de la politica | ||
| effect_short_run = effect_of_the_policy, effect_long_run = x43, | ||
| productivity = x44, | ||
| # Muestra | ||
| sample_universe = sample, sample_size = x51, sample_demographics = x52, sample_age = x53, | ||
| id = no, title = title_of_the_paper, | ||
| # URL evaluacion | ||
| url = link_source, | ||
| # Abstract y link al programa | ||
| abstract = abstract_es, url_prog = link_of_the_program, url_prog_d = link_related_to_program | ||
| ) %>% | ||
| drop_na(title) | ||
|
|
||
| # Variables de interes | ||
| meta_sample <- meta %>% | ||
| drop_na(outcome_variable, data) %>% | ||
| dplyr::select(id, title, year, type_of_policy, country, name_of_the_program, policy_evaluated, | ||
| starts_with("out"), type_of_impact_evaluation, abstract, starts_with("url")) %>% | ||
| # Correccion en la dummy del link del programa | ||
| # Solo se consideran links al programa si esta dummy indica que el link esta asociado al programa | ||
| # Hay casos en los que los programas cambian y el link corresponde al nuevo programa | ||
| mutate(url_prog_d = ifelse(is.na(url_prog_d), 0, 1), | ||
| url_prog = ifelse(url_prog_d == 1, url_prog, NA)) | ||
|
|
||
| colSums(is.na(meta_sample)) | ||
|
|
||
| #-------------------------------------------------------# | ||
| # 2. Estadisticas pais ---- | ||
| #-------------------------------------------------------# | ||
|
|
||
| #--------------------------# | ||
| # A. Por tipo de politica ---- | ||
| # ALMP - Informalidad | ||
| #--------------------------# | ||
|
|
||
| meta_policy <- meta_sample %>% | ||
| # Quitar el signo a los no significativos | ||
| mutate(across(.cols = starts_with("out_"), gsub, pattern = "\\\\.*", replacement = "")) %>% | ||
| mutate(across(.cols = starts_with("out_"), gsub, pattern = "/.*", replacement = "")) %>% | ||
| # Solo politica, pais y resultados | ||
| dplyr::select(type_of_policy, country, starts_with("out_")) %>% | ||
| # Pasar de wide a long | ||
| pivot_longer(cols = starts_with("out_"), names_to = "type_outcome", values_to = "value_outcome") %>% | ||
| # Renombrar signos | ||
| mutate(across(.cols = value_outcome, ~replace(., value_outcome == '+', 'positive'))) %>% | ||
| mutate(across(.cols = value_outcome, ~replace(., value_outcome == '-', 'negative'))) %>% | ||
| mutate(across(.cols = value_outcome, ~replace(., value_outcome == '−', 'negative'))) %>% | ||
| drop_na(value_outcome) %>% | ||
| # Contar tipo de resultados por politica y pais | ||
| count(country, type_of_policy, type_outcome, value_outcome) %>% | ||
| # Sin distinguir por grupo poblacional (genero, edad) | ||
| dplyr::filter(!str_detect(type_outcome, '_m|_w|_y')) | ||
|
|
||
| #--------------------------# | ||
| # B. Por tipo de programa ---- | ||
| # Jovenes en Accion, SARE, ProEmpleo etc | ||
| #--------------------------# | ||
|
|
||
| meta_prog <- meta_sample %>% | ||
| # Quitar el signo a los no significativos | ||
| mutate(across(.cols = starts_with("out_"), gsub, pattern = "\\\\.*", replacement = "")) %>% | ||
| mutate(across(.cols = starts_with("out_"), gsub, pattern = "/.*", replacement = "")) %>% | ||
| # Solo pais, programa y resultados | ||
| dplyr::select(country, name_of_the_program, starts_with("out_")) %>% | ||
| # Pasar de wide a long | ||
| pivot_longer(cols = starts_with("out_"), names_to = "type_outcome", values_to = "value_outcome") %>% | ||
| # Renombrar signos | ||
| mutate(across(.cols = value_outcome, ~replace(., value_outcome == '+', 'positive'))) %>% | ||
| mutate(across(.cols = value_outcome, ~replace(., value_outcome == '-', 'negative'))) %>% | ||
| mutate(across(.cols = value_outcome, ~replace(., value_outcome == '−', 'negative'))) %>% | ||
| # Solo observaciones con resultados reportados | ||
| drop_na(value_outcome) %>% | ||
| # Contar tipo de resultados por programa y pais | ||
| count(country, name_of_the_program, type_outcome, value_outcome) %>% | ||
| # Sin distinguir por grupo poblacional (genero, edad) | ||
| dplyr::filter(!str_detect(type_outcome, '_m|_w|_y')) | ||
|
|
||
| # Numero de programas por pais | ||
| num_country <- meta_prog %>% distinct(country, name_of_the_program) | ||
| num_country %>% count(country) | ||
|
|
||
| # Corregimos siglas en los programas | ||
| meta_prog$name_of_the_program[meta_prog$name_of_the_program == "PANES" & meta_prog$country == "Uruguay"] <- "Plan de Atención Nacional a la Emergencia Social" | ||
| meta_prog$name_of_the_program[meta_prog$name_of_the_program == "PRODIAT" & meta_prog$country == "Mexico"] <- "Programa para el Desarrollo de las Industrias de Alta Tecnología" | ||
| meta_prog$name_of_the_program[meta_prog$name_of_the_program == "PROBECAT" & meta_prog$country == "Mexico"] <- "Programa de Becas de Capacitacion para Trabajadores Desempleados" | ||
| meta_prog$name_of_the_program[meta_prog$name_of_the_program == "PROBECAT/SICAT" & meta_prog$country == "Mexico"] <- "Programa de Becas de Capacitacion para Trabajadores Desempleados (PROBECAT) y Sistema de Capacitación para el Trabajo (SICAT)" | ||
| meta_prog$name_of_the_program[meta_prog$name_of_the_program == "PRONATEC" & meta_prog$country == "Brazil"] <- "Programa Nacional de Enseñanza Técnica y Empleo (PRONATEC)" | ||
| meta_prog$name_of_the_program[meta_prog$name_of_the_program == "PLANE" & meta_prog$country == "Bolivia"] <- "Plan Nacional de Empleo de Emergencia" | ||
| meta_prog$name_of_the_program[meta_prog$name_of_the_program == "REPRO" & meta_prog$country == "Argentina"] <- "Programa de Recuperación y Sostenimiento Productivo" | ||
|
|
||
| #--------------------------# | ||
| # C. Por tipo de programa (con URL y abstract) ---- | ||
| #--------------------------# | ||
|
|
||
| meta_link <- meta_sample %>% | ||
| # Quitar el signo a los no significativos | ||
| mutate(across(.cols = starts_with("out_"), gsub, pattern = "\\\\.*", replacement = "")) %>% | ||
| mutate(across(.cols = starts_with("out_"), gsub, pattern = "/.*", replacement = "")) %>% | ||
| # Solo pais, programa y resultados | ||
| dplyr::select(country, name_of_the_program, abstract, starts_with('url'), starts_with("out_")) %>% | ||
| # Pasar de wide a long | ||
| pivot_longer(cols = starts_with("out_"), names_to = "type_outcome", values_to = "value_outcome") %>% | ||
| # Renombrar signos | ||
| mutate(across(.cols = value_outcome, ~replace(., value_outcome == '+', 'positive'))) %>% | ||
| mutate(across(.cols = value_outcome, ~replace(., value_outcome == '-', 'negative'))) %>% | ||
| mutate(across(.cols = value_outcome, ~replace(., value_outcome == '−', 'negative'))) %>% | ||
| # Solo observaciones con resultados reportados | ||
| drop_na(value_outcome) %>% | ||
| # Contar tipo de resultados por programa y pais | ||
| count(country, name_of_the_program, abstract, url, url_prog, url_prog_d, type_outcome, value_outcome) %>% | ||
| # Sin distinguir por grupo poblacional (genero, edad) | ||
| dplyr::filter(!str_detect(type_outcome, '_m|_w|_y')) %>% | ||
| # Un mismo programa puede ser evaluado varias veces y tener resultados distintos | ||
| # Es importante citar la evaluacion que reporta X resultado | ||
| group_by(country, name_of_the_program, abstract, url_prog, url_prog_d, type_outcome, value_outcome) %>% | ||
| summarise(url = paste0(url, collapse = "; "), | ||
| # abstract = paste0(abstract, collapse = "; "), | ||
| # url_prog = paste0(url_prog, collapse = "; "), | ||
| # url_prog_d = paste0(url_prog_d, collapse = "; "), | ||
| n = sum(n, na.rm = T)) %>% | ||
| ungroup() | ||
|
|
||
| # Corregimos siglas en los programas | ||
| meta_link$name_of_the_program[meta_link$name_of_the_program == "PANES" & meta_link$country == "Uruguay"] <- "Plan de Atención Nacional a la Emergencia Social" | ||
| meta_link$name_of_the_program[meta_link$name_of_the_program == "PRODIAT" & meta_link$country == "Mexico"] <- "Programa para el Desarrollo de las Industrias de Alta Tecnología" | ||
| meta_link$name_of_the_program[meta_link$name_of_the_program == "PROBECAT" & meta_link$country == "Mexico"] <- "Programa de Becas de Capacitacion para Trabajadores Desempleados" | ||
| meta_link$name_of_the_program[meta_link$name_of_the_program == "PROBECAT/SICAT" & meta_link$country == "Mexico"] <- "Programa de Becas de Capacitacion para Trabajadores Desempleados (PROBECAT) y Sistema de Capacitación para el Trabajo (SICAT)" | ||
| meta_link$name_of_the_program[meta_link$name_of_the_program == "PRONATEC" & meta_link$country == "Brazil"] <- "Programa Nacional de Enseñanza Técnica y Empleo (PRONATEC)" | ||
| meta_link$name_of_the_program[meta_link$name_of_the_program == "PLANE" & meta_link$country == "Bolivia"] <- "Plan Nacional de Empleo de Emergencia" | ||
| meta_link$name_of_the_program[meta_link$name_of_the_program == "REPRO" & meta_link$country == "Argentina"] <- "Programa de Recuperación y Sostenimiento Productivo" | ||
|
|
||
| # Las bases con y sin url son identicas en los outcomes; exportamos solo la que incluye url's | ||
| all(meta_prog$name_of_the_program == meta_link$name_of_the_program) | ||
| all(meta_prog$n == meta_link$n) | ||
| all(meta_prog$country == meta_link$country) | ||
|
|
||
| #--------------------------# | ||
| # D. Demografia -por tipo de programa (con URL y abstract) ---- | ||
| # Incluimos outcomes de programas orientados a jovenes y mujeres en la categoria general | ||
| #--------------------------# | ||
|
|
||
| meta_link_d <- meta_sample %>% | ||
| # Quitar el signo a los no significativos | ||
| mutate(across(.cols = starts_with("out_"), gsub, pattern = "\\\\.*", replacement = "")) %>% | ||
| mutate(across(.cols = starts_with("out_"), gsub, pattern = "/.*", replacement = "")) %>% | ||
| # Solo pais, programa y resultados | ||
| dplyr::select(country, name_of_the_program, abstract, starts_with('url'), starts_with("out_")) %>% | ||
| # Pasar de wide a long | ||
| pivot_longer(cols = starts_with("out_"), names_to = "type_outcome", values_to = "value_outcome") %>% | ||
| # Renombrar signos | ||
| mutate(across(.cols = value_outcome, ~replace(., value_outcome == '+', 'positive'))) %>% | ||
| mutate(across(.cols = value_outcome, ~replace(., value_outcome == '-', 'negative'))) %>% | ||
| mutate(across(.cols = value_outcome, ~replace(., value_outcome == '−', 'negative'))) %>% | ||
| # Solo observaciones con resultados reportados | ||
| drop_na(value_outcome) %>% | ||
| # Contar tipo de resultados por programa y pais | ||
| count(country, name_of_the_program, abstract, url, url_prog, url_prog_d, type_outcome, value_outcome) %>% | ||
| # Incluir a jovenes | ||
| mutate(type_outcome = gsub("_y", "", type_outcome)) %>% | ||
| # Incluir a mujeres solo si el programa es enfocado en ellas | ||
| # (para evitar reportar efectos heterogeneos de genero sin considerar hombres) | ||
| mutate(type_outcome = ifelse(str_detect(abstract, "mujer"), gsub("_w", "", type_outcome), type_outcome)) %>% | ||
| # Sin distinguir por grupo poblacional (genero, edad) | ||
| dplyr::filter(!str_detect(type_outcome, '_m|_w|_y')) %>% | ||
| # Un mismo programa puede ser evaluado varias veces y tener resultados distintos | ||
| # Es importante citar la evaluacion que reporta X resultado | ||
| group_by(country, name_of_the_program, abstract, url_prog, url_prog_d, type_outcome, value_outcome) %>% | ||
| summarise(url = paste0(unique(url), collapse = "; "), | ||
| # abstract = paste0(abstract, collapse = "; "), | ||
| # url_prog = paste0(url_prog, collapse = "; "), | ||
| # url_prog_d = paste0(url_prog_d, collapse = "; "), | ||
| n = sum(n, na.rm = T)) %>% | ||
| ungroup() | ||
|
|
||
| # Corregimos siglas en los programas | ||
| meta_link_d$name_of_the_program[meta_link_d$name_of_the_program == "PANES" & meta_link_d$country == "Uruguay"] <- "Plan de Atención Nacional a la Emergencia Social" | ||
| meta_link_d$name_of_the_program[meta_link_d$name_of_the_program == "PRODIAT" & meta_link_d$country == "Mexico"] <- "Programa para el Desarrollo de las Industrias de Alta Tecnología" | ||
| meta_link_d$name_of_the_program[meta_link_d$name_of_the_program == "PROBECAT" & meta_link_d$country == "Mexico"] <- "Programa de Becas de Capacitacion para Trabajadores Desempleados" | ||
| meta_link_d$name_of_the_program[meta_link_d$name_of_the_program == "PROBECAT/SICAT" & meta_link_d$country == "Mexico"] <- "Programa de Becas de Capacitacion para Trabajadores Desempleados (PROBECAT) y Sistema de Capacitación para el Trabajo (SICAT)" | ||
| meta_link_d$name_of_the_program[meta_link_d$name_of_the_program == "PRONATEC" & meta_link_d$country == "Brazil"] <- "Programa Nacional de Enseñanza Técnica y Empleo (PRONATEC)" | ||
| meta_link_d$name_of_the_program[meta_link_d$name_of_the_program == "PLANE" & meta_link_d$country == "Bolivia"] <- "Plan Nacional de Empleo de Emergencia" | ||
| meta_link_d$name_of_the_program[meta_link_d$name_of_the_program == "REPRO" & meta_link_d$country == "Argentina"] <- "Programa de Recuperación y Sostenimiento Productivo" | ||
|
|
||
| # Numero de programas por pais | ||
| num_country <- meta_link_d %>% distinct(country, name_of_the_program) | ||
| num_country %>% count(country) | ||
|
|
||
| #--------------------------# | ||
| # E. Exportar ---- | ||
| #--------------------------# | ||
|
|
||
| saveRDS(meta_policy, glue('{datos}/Matriz/base_pais_tipo_politica.rds')) | ||
| saveRDS(meta_link, glue('{datos}/Matriz/base_pais_tipo_programa.rds')) | ||
| saveRDS(meta_link_d, glue('{datos}/Matriz/base_pais_tipo_programa_demografia.rds')) | ||
|
|
||
|
|
||
|
|
||
| #-------------------------------------------------------# | ||
| # ODS Cadenas de Valor ---- | ||
| # Ultima fecha de modificacion: 20 de sept, 2023 | ||
| # Organizar base de datos de empresas | ||
| #-------------------------------------------------------# | ||
|
|
||
| #--------------------------# | ||
| # packages ---- | ||
| #--------------------------# | ||
|
|
||
| rm(list=ls()) | ||
| pacman::p_load(tidyverse, glue, janitor) | ||
| # .rs.restartR() | ||
|
|
||
| #--------------------------# | ||
| # paths ---- | ||
| #--------------------------# | ||
|
|
||
| datos_ori <- "01_Datos_originales" | ||
| datos <- "02_Datos" | ||
| options(scipen = 999) | ||
| # mes <- "Junio" | ||
| mes <- "Ago" | ||
| currentyear <- 2023 | ||
|
|
||
| #-------------------------------------------------------# | ||
| # 1. Abrir datos ---- | ||
| #-------------------------------------------------------# | ||
|
|
||
| #--------------------------# | ||
| # A. Nivel Pais ---- | ||
| #--------------------------# | ||
|
|
||
| # Abrimos excel original del empresas | ||
| data_res <- readxl::read_excel(glue("{datos_ori}/Matriz Seguimiento ODS CV {mes} {currentyear} Compilada.xlsx"), | ||
| sheet = 'Tabla dinamica resumen') %>% | ||
| clean_names() | ||
|
|
||
| # Identificar periodo de analisis | ||
| period <- data_res %>% | ||
| dplyr::filter(programa_ods_cadenas_de_valor == "Periodo Reporte") %>% | ||
| dplyr::select(x2) %>% | ||
| as.character() | ||
|
|
||
| # Organizar resumen de datos a nivel pais | ||
| data_res <- data_res %>% | ||
| # Clean dataset and set column names | ||
| drop_na(x3) %>% row_to_names(row_number = 1) %>% clean_names() %>% | ||
| # Renombrar variables | ||
| rename(country = row_labels, | ||
| num_empresas = sum_of_numero_de_empresas_participantes, | ||
| num_hombres = sum_of_participantes_hombres, | ||
| num_mujeres = sum_of_participantes_mujeres, | ||
| num_total_personas = sum_of_total_personas_participantes) %>% | ||
| mutate(country = ifelse(country == "Grand Total", "Total", country), | ||
| across(.cols = starts_with('num'), ~as.numeric(.x)), | ||
| period = period, year = currentyear) | ||
|
|
||
| # Corregir nombres de paises | ||
| data_res$country[data_res$country == 'Mexico'] <- 'México' | ||
| data_res$country[data_res$country == 'Peru'] <- 'Perú' | ||
|
|
||
| #--------------------------# | ||
| # B. Nivel empresas ---- | ||
| #--------------------------# | ||
|
|
||
| data_all <- readxl::read_excel(glue("{datos_ori}/Matriz Seguimiento ODS CV {mes} {currentyear} Compilada.xlsx"), | ||
| sheet = 'Matriz resultados Compilada') %>% | ||
| # Clean dataset and set column names | ||
| drop_na(`...3`) %>% row_to_names(row_number = 1) %>% clean_names() %>% | ||
| # Renombrar variables | ||
| rename(country = pais, | ||
| num_empresas = numero_de_empresas_participantes, | ||
| num_total_personas = total_personas_participantes, | ||
| num_hombres = participantes_hombres, | ||
| num_mujeres = participantes_mujeres, | ||
| act_econ = actividad_economica, | ||
| aliado = contraparte_aliado, | ||
| links = links_relevantes) %>% | ||
| mutate(period = period, year = currentyear) | ||
|
|
||
| # Hay que split los links porque son mas de uno | ||
|
|
||
| # Corregir nombres de paises | ||
| data_all$country[data_all$country == 'Mexico'] <- 'México' | ||
| data_all$country[data_all$country == 'Peru'] <- 'Perú' | ||
|
|
||
| #--------------------------# | ||
| # C. Exportar bases ---- | ||
| #--------------------------# | ||
|
|
||
| saveRDS(data_res, glue("{datos}/datos_pais_{str_to_lower(mes)}_{currentyear}.rds")) | ||
| saveRDS(data_all, glue("{datos}/datos_pais_empresa_{str_to_lower(mes)}_{currentyear}.rds")) | ||
| # data_cv <- data_res %>% left_join(data_all, by = "country") |
Oops, something went wrong.