ENOE 2015 Segundo Trimestre

El uso de la ENOE del Segundo (o Tercer) Trimestre se justifica por dar una mejor estimación de la población a mitad de año.

sdemt <- 
  foreign::read.dbf(
    here::here("data/SDEMT215.dbf"), 
    as.is = TRUE
  ) %>% 
  as_tibble() %>% 
  janitor::clean_names()

EIC 2015

Una forma sencilla de trabajar las bases de la Encuesta Intercensal es sólo leer las columnas que contienen la información esencial, esto se puede hacer con ayuda del descriptor de archivos. En este caso, las variables necesarias son EDAD, FACTOR, ALFABET, ASISTEN y NIVACAD; ENT es necesaria para poder unir las bases de las dos entidades.

⊕Leer sólo las columnas necesarias ahorra memoria RAM. Además, hacer uso de la función purrr::map_df evita tener que almacenar en dos variables distintas cada archivo y unir las bases posteriormente.

eic15 <-
  map_df(
    str_c("data/TR_PERSONA", c(12,25), ".CSV"),
    ~ read_csv(
      here::here(.x), 
      col_types = cols_only(
        ENT = col_character(),
        EDAD = col_double(),
        FACTOR = col_double(),
        ALFABET = col_double(),
        ASISTEN = col_double(),
        NIVACAD = col_double()
      )
    )
  ) %>% 
  janitor::clean_names()

Unión de Bases

Para trabajar con la base de la ENOE, es necesario filtrar de acuerdo con la condición de residencia (C_RES) a aquellos entrevistados que son residentes habituales o residentes nuevos, de esta manera se obtiene la población reportada oficialmente.

⊕Sólo necesitamos a la población de 5 años y más, para ello se filtra la edad (EDA) hasta el valor 97, el cual está definido para agrupar a las personas de 97 y más años.

sdem_5m <- 
  sdemt %>% 
  mutate(eda = as.double(eda), cs_p13_1 = as.numeric(cs_p13_1)) %>% 
  filter(
    ent %in% c("12","25"), 
    c_res != 2, 
    between(eda, 5, 97)
  ) %>% 
  transmute(
    ent, 
    factor = fac, 
    edad = eda,
    alfabet = recode(cs_p12, "1"="Si", "2"="No", "9"="No especificado"), 
    asisten = recode(cs_p17, "1"="Si", "2"="No", "9"="No especificado"), 
    nivacad = case_when(
      cs_p13_1 <= 1 ~ "Ninguno/Preescolar",
      cs_p13_1 <= 3 ~ "Básica",
      cs_p13_1 == 4 ~ "Media Superior",
      cs_p13_1 <= 7 ~ "Superior",
      cs_p13_1 <= 9 ~ "Posgrado"
    )
  )

⊕Para la EIC, se filtra la edad (EDAD) hasta el valor 110, el cual está definido para agrupar a las personas de 110 y más años.

eic15_5m <- 
  eic15 %>% 
  filter(between(edad, 5, 110)) %>% 
  mutate(
    alfabet = recode(alfabet, "5"="Si", "7"="No", "9"="No especificado"), 
    asisten = recode(asisten, "5"="Si", "7"="No", "9"="No especificado"),
    nivacad = case_when(
      nivacad <= 1 ~ "Ninguno/Preescolar",
      nivacad <= 3 ~ "Básica",
      nivacad <= 5 ~ "Media Superior",
      nivacad <= 11 ~ "Superior",
      nivacad <= 14 ~ "Posgrado"
    )
  )

escol <- bind_rows(enoe = sdem_5m, eic = eic15_5m, .id = "encuesta")

Tasa de alfabetización

La tasa de alfabetización es el porcentaje de la población que sabe leer o escribir después de determinada edad. En este caso, la población mayor a los 5 años.

talf <- 
  escol %>% 
  group_by(encuesta, ent) %>% 
  summarise(
    talf = sum(factor[alfabet=="Si"])/sum(factor)
  )

Tabla 1.
Tasa de alfabetismo, por encuesta.
Fuente: Elaboración propia

Como se puede observar, la tasa es menor en Guerrero, en promedio de las dos encuestas, el 85.31% es alfabeta, mientras que en Sinaloa este porcentaje es del 93.25%. Esta diferencia sorprende poco, pues las condiciones socio-económicas de la zona sur del país suelen ser diferentes que en la región norte.

Tasa bruta de asistencia escolar

Se entiende como tasa bruta de asistencia escolar, a la presencia que tiene la población en algún grado o nivel de educación de la enseñanza formal.

tasi <-
  escol %>% 
  group_by(encuesta, ent) %>% 
  summarise(
    tasi = sum(factor[asisten=="Si"])/sum(factor)
  )

Tabla 2.
Tasa bruta de asistencia escolar, por encuesta.
Fuente: Elaboración propia

Como se mencionó en clase, esta tasa es poco significativa, pues realmente no refleja las condiciones educativas al tomar como referencia el tamaño potencial de la población que conceptualmente puede estar cursando algún nivel educativo.

Esto se puede ver en la Tabla 2, pues la diferencia es mínima entre estas dos entidades.

Tasa neta de asistencia escolar

Por otro lado, la tasa neta de asistencia escolar, se refiere a la presencia que tiene la población en edad normativa en el nivel o grado de estudios que le corresponde a la edad.

tnas <- 
  escol %>% 
  filter(edad > 5, edad < 24) %>% 
  mutate(
    gedad = chop(edad, breaks = c(6,12,15,18,24), labels = lbl_discrete())
  ) %>%
  group_by(encuesta, ent, gedad) %>% 
  summarise(
    tnas = sum(factor[asisten=="Si"])/sum(factor)
  )

Tabla 3.
Tasa neta de asistencia escolar, por encuesta.
Fuente: Elaboración propia

En el caso de México, la educación básica empieza con la escuela primaria a partir de los 6 años (generalmente) y termina con la escuela secundaria a los 14 años. Estas dos forman parte del núcleo obligatorio, sin embargo, aún existen regiones en donde esta educación no es accesible y/o hay niños en situación de calle o abandono, por ello las tasas son muy altas pero no son completas.

Después del núcleo básico, se encuentra la educación de nivel medio-superior, la cual por decreto del ex presidente Felipe Calderón en el año 2012 pasó a ser obligatoria. Esto con el objetivo de que, a mediano plazo, México alcance una tasa neta de asistencia escolar similar a la que se tiene en otros países.

Como se puede apreciar en el cuadro, el nivel de asistencia presenta una disminución considerable respecto a la presente en los dos anteriores niveles. En el caso de Guerrero esta tasa es menor que en Sinaloa, por una diferencia promedio de casi 8 puntos porcentuales entre las entidades.

Finalmente, en la educación superior, el contraste con las etapas iniciales es muy grande; en Guerrero la tasa promedio entre encuestas llega a ser casi del 30%, mientras que en Sinaloa el índice es cercano al 48%.

Este último resultado ayuda a comprender porque la primer tasa no es significativa, y a resaltar nuevamente las diferencias que existen entre las dos regiones a las que pertenecen estos estados.

Nivel de Educación

nivedu <- 
  escol %>% 
  filter(edad >= 15) %>% 
  count(encuesta, ent, nivacad, nivacad, wt = factor)

Tabla 4.
Población de acuerdo al último nivel educativo aprobado.
Fuente: Elaboración propia

Como se puede observar en la Tabla 4. la población de cada entidad se distribuye de manera similar en la educación básica y media-superior, sin embargo, la diferencia se amplía cuando se observa el nivel superior y de posgrado en los cuales Sinaloa destaca por una mayor población preparada escolarmente, además de una menor población que no aprobó/asistió a la educación básica.