.Rhistory

quant_grey<-'#5C7C94'
quant_orange<-'#F8754D'
quant_red<-'#F44D54'
# Creamos un theme para los gráficos de ggplot2
theme_article_ds<-
theme_bw() +
theme(panel.grid = element_blank(),
axis.text.y = element_blank(),
plot.caption = element_text(hjust = 0, face = 'italic'),
legend.background = element_blank())
# ---- SURVEY DESIGN ----
# Creamos el objeto de diseño muestral para utilizar en los cálculos
lapop_des<-svydesign(ids = ~ upm,
strata = ~ estratopri,
weights = ~ weight1500,
nest = TRUE,
na.action = 'na.exclude',
data = df)
# ---- ANÁLISIS ----
## 1. Participación en protestas
# Debemos construir una sola variable en la base de datos que denote 1 si es que se participó en protest, 0 de otra forma
# De 2010 a 2019 se tiene prot3
# De 2006 a 2008 se tiene dos preguntas diferentes. 2004 no tiene pregunta sobre participación en protesta
# En el script de manipulación, he unificado las variables prot1, prot2 y prot3 en una sola (prot3)
# Por ende, tabulamos esa variable a lo largo del tiempo
prot_time<-
svyby(~ protest,
~ year,
design = lapop_des,
svymean,
na.rm = T,
keep.names = F)
# ANÁLISIS DE DATOS
# Daniel Sánchez
# El Quantificador
list.files()
# ---- LIBRERIAS ----
# Este código es para instalar las librerías que necesite el usuario para compilar el código
if(!require(survey)) install.packages("survey", repos = "http://cran.us.r-project.org")
if(!require(tidyverse)) install.packages("tidyverse", repos = "http://cran.us.r-project.org")
if(!require(patchwork)) install.packages("patchwork", repos = "http://cran.us.r-project.org")
if(!require(openxlsx)) install.packages("openxlsx", repos = "http://cran.us.r-project.org")
if(!require(haven)) install.packages("haven", repos = "http://cran.us.r-project.org")
# ---- DATOS ----
# Cargamos los datos de forma dinámica haciendo source al script de carga de datos
# source('code/protestas_download.R')
# df <- read.csv('data/protests_data.csv') # Esta es la misma base de datos que está subida en nuestro drive. Un error de paquetes no me permite descargar.
load('data/full_lapop_dataset.Rdata')
# Esta base de datos se construye a partir de los datos abiertos que LAPOP provee al público- si quieres observar como se ha construido la base,
# puedes entrar al script 'protestas_data_manipulation.R' y a mi repositorio hbc-v2.
# ---- FORMATOS ----
# Definimos algunos formatos para utilizar después
# Definimos colores en HEX para los gráficos
quant_blue<-'#09A4CC'
quant_grey<-'#5C7C94'
quant_orange<-'#F8754D'
quant_red<-'#F44D54'
# Creamos un theme para los gráficos de ggplot2
theme_article_ds<-
theme_bw() +
theme(panel.grid = element_blank(),
axis.text.y = element_blank(),
plot.caption = element_text(hjust = 0, face = 'italic'),
legend.background = element_blank())
# ---- SURVEY DESIGN ----
# Creamos el objeto de diseño muestral para utilizar en los cálculos
lapop_des<-svydesign(ids = ~ upm,
strata = ~ estratopri,
weights = ~ weight1500,
nest = TRUE,
na.action = 'na.exclude',
data = df)
# ---- ANÁLISIS ----
## 1. Participación en protestas
# Debemos construir una sola variable en la base de datos que denote 1 si es que se participó en protest, 0 de otra forma
# De 2010 a 2019 se tiene prot3
# De 2006 a 2008 se tiene dos preguntas diferentes. 2004 no tiene pregunta sobre participación en protesta
# En el script de manipulación, he unificado las variables prot1, prot2 y prot3 en una sola (prot3)
# Por ende, tabulamos esa variable a lo largo del tiempo
prot_time<-
svyby(~ protest,
~ year,
design = lapop_des,
svymean,
na.rm = T,
keep.names = F)
# ANÁLISIS DE DATOS
# Daniel Sánchez
# El Quantificador
list.files()
# ---- LIBRERIAS ----
# Este código es para instalar las librerías que necesite el usuario para compilar el código
if(!require(survey)) install.packages("survey", repos = "http://cran.us.r-project.org")
if(!require(tidyverse)) install.packages("tidyverse", repos = "http://cran.us.r-project.org")
if(!require(patchwork)) install.packages("patchwork", repos = "http://cran.us.r-project.org")
if(!require(openxlsx)) install.packages("openxlsx", repos = "http://cran.us.r-project.org")
if(!require(haven)) install.packages("haven", repos = "http://cran.us.r-project.org")
# ---- DATOS ----
# Cargamos los datos de forma dinámica haciendo source al script de carga de datos
source('code/protestas_download.R')
# df <- read.csv('data/protests_data.csv') # Esta es la misma base de datos que está subida en nuestro drive. Un error de paquetes no me permite descargar.
# load('data/full_lapop_dataset.Rdata')
# Esta base de datos se construye a partir de los datos abiertos que LAPOP provee al público- si quieres observar como se ha construido la base,
# puedes entrar al script 'protestas_data_manipulation.R' y a mi repositorio hbc-v2.
# ---- FORMATOS ----
# Definimos algunos formatos para utilizar después
# Definimos colores en HEX para los gráficos
quant_blue<-'#09A4CC'
quant_grey<-'#5C7C94'
quant_orange<-'#F8754D'
quant_red<-'#F44D54'
# Creamos un theme para los gráficos de ggplot2
theme_article_ds<-
theme_bw() +
theme(panel.grid = element_blank(),
axis.text.y = element_blank(),
plot.caption = element_text(hjust = 0, face = 'italic'),
legend.background = element_blank())
# ---- SURVEY DESIGN ----
# Creamos el objeto de diseño muestral para utilizar en los cálculos
lapop_des<-svydesign(ids = ~ upm,
strata = ~ estratopri,
weights = ~ weight1500,
nest = TRUE,
na.action = 'na.exclude',
data = df)
# ---- ANÁLISIS ----
## 1. Participación en protestas
# Debemos construir una sola variable en la base de datos que denote 1 si es que se participó en protest, 0 de otra forma
# De 2010 a 2019 se tiene prot3
# De 2006 a 2008 se tiene dos preguntas diferentes. 2004 no tiene pregunta sobre participación en protesta
# En el script de manipulación, he unificado las variables prot1, prot2 y prot3 en una sola (prot3)
# Por ende, tabulamos esa variable a lo largo del tiempo
prot_time<-
svyby(~ protest,
~ year,
design = lapop_des,
svymean,
na.rm = T,
keep.names = F)
# ANÁLISIS DE DATOS
# Daniel Sánchez
# El Quantificador
list.files()
# ---- LIBRERIAS ----
# Este código es para instalar las librerías que necesite el usuario para compilar el código
if(!require(survey)) install.packages("survey", repos = "http://cran.us.r-project.org")
if(!require(tidyverse)) install.packages("tidyverse", repos = "http://cran.us.r-project.org")
if(!require(patchwork)) install.packages("patchwork", repos = "http://cran.us.r-project.org")
if(!require(openxlsx)) install.packages("openxlsx", repos = "http://cran.us.r-project.org")
if(!require(haven)) install.packages("haven", repos = "http://cran.us.r-project.org")
# ---- DATOS ----
# Cargamos los datos de forma dinámica haciendo source al script de carga de datos
source('code/protestas_download.R')
# df <- read.csv('data/protests_data.csv') # Esta es la misma base de datos que está subida en nuestro drive. Un error de paquetes no me permite descargar.
# load('data/full_lapop_dataset.Rdata')
# Esta base de datos se construye a partir de los datos abiertos que LAPOP provee al público- si quieres observar como se ha construido la base,
# puedes entrar al script 'protestas_data_manipulation.R' y a mi repositorio hbc-v2.
# ---- FORMATOS ----
# Definimos algunos formatos para utilizar después
# Definimos colores en HEX para los gráficos
quant_blue<-'#09A4CC'
quant_grey<-'#5C7C94'
quant_orange<-'#F8754D'
quant_red<-'#F44D54'
# Creamos un theme para los gráficos de ggplot2
theme_article_ds<-
theme_bw() +
theme(panel.grid = element_blank(),
axis.text.y = element_blank(),
plot.caption = element_text(hjust = 0, face = 'italic'),
legend.background = element_blank())
# ---- SURVEY DESIGN ----
# Creamos el objeto de diseño muestral para utilizar en los cálculos
lapop_des<-svydesign(ids = ~ upm,
strata = ~ estratopri,
weights = ~ weight1500,
nest = TRUE,
na.action = 'na.exclude',
data = df)
# ---- ANÁLISIS ----
## 1. Participación en protestas
# Debemos construir una sola variable en la base de datos que denote 1 si es que se participó en protest, 0 de otra forma
# De 2010 a 2019 se tiene prot3
# De 2006 a 2008 se tiene dos preguntas diferentes. 2004 no tiene pregunta sobre participación en protesta
# En el script de manipulación, he unificado las variables prot1, prot2 y prot3 en una sola (prot3)
# Por ende, tabulamos esa variable a lo largo del tiempo
prot_time<-
svyby(~ protest,
~ year,
design = lapop_des,
svymean,
na.rm = T,
keep.names = F)
# Creamos una base de datos "tidy" para esto
prot_df<-
prot_time %>%
filter(protest > 0) %>%
as.data.frame()
# Gráfico 1: Participación en Protestas:
# Guardar en un objeto el caption largo:
caption_grafo1<-
'Fuente: El Barómetro de las Américas por el Proyecto de Opinión Pública de América Latina (LAPOP), www.LapopSurveys.org. Las barras representan intervalos de confianza del 95% con errores ajustados por diseño muestral multietapa estratificado. Las líneas punteadas representan protestas de importancia en el país. Las encuestas fueron realizadas de enero a marzo de cada año, excepto la ronda 2016, realizada de noviembre 2016 a enero 2017. Las cifras representan el porcentaje de personas que han protestado en los últimos 12 meses sobre el total de personas en edad de votar (mayores a 16).'
# Ahora si nuestro gráfico
prot_part_graf<-
ggplot(prot_df, aes(x = year, y = protest))+
geom_col(fill = quant_blue,
color = 'black',
width = 0.7)+
geom_vline(xintercept = 0.5, linetype = 'dotted', color = quant_red, size = 1.25)+
geom_vline(xintercept = 3.45, linetype = 'dotted', color = quant_red, size = 1.25)+
geom_vline(xintercept = 5.55, linetype = 'dotted', color = quant_red, size = 1.25)+
geom_vline(xintercept = 7.5, linetype = 'dotted', color = quant_red, size = 1.25)+
geom_errorbar(aes(ymin = protest - 1.96*se,
ymax = protest + 1.96*se),
width = 0.3)+
geom_text(aes(label = round(protest, 4)*100),
size = 4,
vjust = 6.5)+
labs(x = '',
y = '% de personas mayores a 16 que han protestado',
title = 'Participación en protestas del Ecuador 2006-2019',
subtitle = '¿En los últimos 12 meses ha participado en una manifestación o protesta pública?',
caption = str_wrap(caption_grafo1, 205))+
theme_article_ds+
theme(axis.ticks = element_blank())
ggsave("images/graf1-participacion-protestas.png", device = "png", width = 12.5, height = 7, dpi = 900)
# Algunas cifras para el texto:
# Realizamos tabulaciones cruzadas para observar características de los protestantes
lapop_prot_des2 <- subset(lapop_des, protest == 1) # Creamos un diseño de muestra que es solo para quienes responden haber participado en una protesta
# Realizamos tabulaciones de manifestantes:
summ1 <- svyby(formula = ~ age + gndr + ed + econ_sit + unem_total,
by = ~ year + protest,
design = lapop_des,
svymean,
na.rm = T)
# ANÁLISIS DE DATOS
# Daniel Sánchez
# El Quantificador
list.files()
# ---- LIBRERIAS ----
# Este código es para instalar las librerías que necesite el usuario para compilar el código
if(!require(survey)) install.packages("survey", repos = "http://cran.us.r-project.org")
if(!require(tidyverse)) install.packages("tidyverse", repos = "http://cran.us.r-project.org")
if(!require(patchwork)) install.packages("patchwork", repos = "http://cran.us.r-project.org")
if(!require(openxlsx)) install.packages("openxlsx", repos = "http://cran.us.r-project.org")
if(!require(haven)) install.packages("haven", repos = "http://cran.us.r-project.org")
# ---- DATOS ----
# Cargamos los datos de forma dinámica haciendo source al script de carga de datos
source('code/protestas_download.R')
# df <- read.csv('data/protests_data.csv') # Esta es la misma base de datos que está subida en nuestro drive. Un error de paquetes no me permite descargar.
# load('data/full_lapop_dataset.Rdata')
# Esta base de datos se construye a partir de los datos abiertos que LAPOP provee al público- si quieres observar como se ha construido la base,
# puedes entrar al script 'protestas_data_manipulation.R' y a mi repositorio hbc-v2.
# ---- FORMATOS ----
# Definimos algunos formatos para utilizar después
# Definimos colores en HEX para los gráficos
quant_blue<-'#09A4CC'
quant_grey<-'#5C7C94'
quant_orange<-'#F8754D'
quant_red<-'#F44D54'
# Creamos un theme para los gráficos de ggplot2
theme_article_ds<-
theme_bw() +
theme(panel.grid = element_blank(),
axis.text.y = element_blank(),
plot.caption = element_text(hjust = 0, face = 'italic'),
legend.background = element_blank())
# ---- SURVEY DESIGN ----
# Creamos el objeto de diseño muestral para utilizar en los cálculos
lapop_des<-svydesign(ids = ~ upm,
strata = ~ estratopri,
weights = ~ weight1500,
nest = TRUE,
na.action = 'na.exclude',
data = df)
# ---- ANÁLISIS ----
## 1. Participación en protestas
# Debemos construir una sola variable en la base de datos que denote 1 si es que se participó en protest, 0 de otra forma
# De 2010 a 2019 se tiene prot3
# De 2006 a 2008 se tiene dos preguntas diferentes. 2004 no tiene pregunta sobre participación en protesta
# En el script de manipulación, he unificado las variables prot1, prot2 y prot3 en una sola (prot3)
# Por ende, tabulamos esa variable a lo largo del tiempo
prot_time<-
svyby(~ protest,
~ year,
design = lapop_des,
svymean,
na.rm = T,
keep.names = F)
# Creamos una base de datos "tidy" para esto
prot_df<-
prot_time %>%
filter(protest > 0) %>%
as.data.frame()
# Gráfico 1: Participación en Protestas:
# Guardar en un objeto el caption largo:
caption_grafo1<-
'Fuente: El Barómetro de las Américas por el Proyecto de Opinión Pública de América Latina (LAPOP), www.LapopSurveys.org. Las barras representan intervalos de confianza del 95% con errores ajustados por diseño muestral multietapa estratificado. Las líneas punteadas representan protestas de importancia en el país. Las encuestas fueron realizadas de enero a marzo de cada año, excepto la ronda 2016, realizada de noviembre 2016 a enero 2017. Las cifras representan el porcentaje de personas que han protestado en los últimos 12 meses sobre el total de personas en edad de votar (mayores a 16).'
# Ahora si nuestro gráfico
prot_part_graf<-
ggplot(prot_df, aes(x = year, y = protest))+
geom_col(fill = quant_blue,
color = 'black',
width = 0.7)+
geom_vline(xintercept = 0.5, linetype = 'dotted', color = quant_red, size = 1.25)+
geom_vline(xintercept = 3.45, linetype = 'dotted', color = quant_red, size = 1.25)+
geom_vline(xintercept = 5.55, linetype = 'dotted', color = quant_red, size = 1.25)+
geom_vline(xintercept = 7.5, linetype = 'dotted', color = quant_red, size = 1.25)+
geom_errorbar(aes(ymin = protest - 1.96*se,
ymax = protest + 1.96*se),
width = 0.3)+
geom_text(aes(label = round(protest, 4)*100),
size = 4,
vjust = 6.5)+
labs(x = '',
y = '% de personas mayores a 16 que han protestado',
title = 'Participación en protestas del Ecuador 2006-2019',
subtitle = '¿En los últimos 12 meses ha participado en una manifestación o protesta pública?',
caption = str_wrap(caption_grafo1, 205))+
theme_article_ds+
theme(axis.ticks = element_blank())
ggsave("images/graf1-participacion-protestas.png", device = "png", width = 12.5, height = 7, dpi = 900)
# Algunas cifras para el texto:
# Realizamos tabulaciones cruzadas para observar características de los protestantes
lapop_prot_des2 <- subset(lapop_des, protest == 1) # Creamos un diseño de muestra que es solo para quienes responden haber participado en una protesta
# Realizamos tabulaciones de manifestantes:
summ1 <- svyby(formula = ~ age + gndr + ed + econ_sit + unem_total,
by = ~ year + protest,
design = lapop_des,
svymean,
na.rm = T)
summ2 <- svyby(formula = ~ age + gndr + ed + econ_sit + unem_total,
by = ~ protest,
design = lapop_des,
svymean,
na.rm = T)
# Para trabajar con identificación racial, creamos indicador de autoidentificación indígena
df$indg<-ifelse(df$etid == 3,1,0) # Revisar documentación de la base de datos para entender esta parte
# Actualizamos el diseño muestral y la base de datos de protestantes
lapop_des<-svydesign(ids = ~ upm,
strata = ~ estratopri,
weights = ~ weight1500,
nest = TRUE,
na.action = 'na.exclude',
data = df)
lapop_prot_des2 <- subset(lapop_des, protest == 1)
# Actualizamos las tabulaciones
summ1i <- svyby(formula = ~ age + gndr + ed + econ_sit + unem_total + indg + white + as.factor(etid) + pres_aprov_dic + plscr_na,
by = ~ year + protest,
design = lapop_des,
svymean,
na.rm = T)
summ2i <- svyby(formula = ~ age + gndr + ed + econ_sit + unem_total,
by = ~ protest,
design = lapop_des,
svymean,
na.rm = T)
# Grafico 2: Actitudes Políticas
# Tabulamos la variable de apoyo a las protestas en general, y construimos los datos en un formato que pueda entrar a ggplot2
# La variable toma valores de 1 al 10, siendo 10 que más apoyan las protestas en general. Escogemos a quienes responden 1-5
# como la gente que desaprueba el derecho a la protesta.
df$prot_desap<-ifelse(df$e5 > 5, 1, 0)
# Lo mismo con la variable de apoyo a las protestas de quienes hablan en contra del gobierno
df$prot_desap_op<-ifelse(df$d2 > 5, 1, 0)
# Actualizamos diseños muestrales
lapop_des<-svydesign(ids = ~ upm,
strata = ~ estratopri,
weights = ~ weight1500,
nest = TRUE,
na.action = 'na.exclude',
data = df)
lapop_prot_des2 <- subset(lapop_des, protest == 1)
# Hacemos la tabulación a nivel de año
desap_time<-
svyby(~ prot_desap,
~ year,
design = lapop_des,
svymean,
na.rm = T)
desap_op_time<-
svyby(~ prot_desap_op,
~ year,
design = lapop_des,
svymean,
na.rm = T)
# Juntar todo
desap_time_df<-
desap_time %>%
mutate(legend = 'Aprueba las protestas en general') %>%
bind_rows(desap_op_time %>%
rename(prot_desap = prot_desap_op) %>%
mutate(legend = 'Aprueba las protestas de grupos de oposición al gobierno' ))
rownames(desap_time_df)<-NULL
# Tabulaciones
# Job Approval Rating
japrov_time<-svyby(~ pres_aprov_dic,
~ year,
design = lapop_des,
svymean,
na.rm = T)
# Confidence in the president
lapop_des$variables$pres_conf_dic <- as.factor(lapop_des$variables$pres_conf_dic)
pconf_time<-svyby(~ pres_conf_dic,
~ year,
design = lapop_des,
svymean,
na.rm = T)
# Manejo de datos
political_graph_df<-
pconf_time %>%
select(year,
pres_conf_dicYes,
se.pres_conf_dicYes) %>%
rename(perc = pres_conf_dicYes,
se = se.pres_conf_dicYes) %>%
mutate(legend = 'Confía en el Presidente') %>%
filter(year != 2004,
year != 2006)
# Lo mismo pero con el job approval rating
japrov_df_g<-
japrov_time %>%
select(year,
pres_aprov_dicYes,
se.pres_aprov_dicYes) %>%
rename(perc = pres_aprov_dicYes,
se = se.pres_aprov_dicYes) %>%
mutate(legend = 'Aprueba el trabajo del Presidente')
# Unir a todas las bses para hacer el grafico
political_graph_df<-
bind_rows(political_graph_df,
japrov_df_g)
rownames(political_graph_df)<-NULL
# Subgrafico 1: actitudes
protestas_graph<-
ggplot(desap_time_df, aes(x = year, y = prot_desap, color = legend, group = legend))+
geom_line()+
geom_line(aes(x = year, y = prot_desap - 1.96*se), color = quant_grey, linetype = 'dotted')+
geom_line(aes(x = year, y = prot_desap + 1.96*se), color = quant_grey, linetype = 'dotted')+
geom_point()+
scale_color_manual(values = c('#964B00', quant_red),
breaks = c('Aprueba las protestas en general', 'Aprueba las protestas de grupos de oposición al gobierno'))+
labs(x = '',
y = '% de personas que aprueban protestas',
title = 'Actitudes hacia protestas',
subtitle = 'Porcentaje que aprueba la protesta pacífica',
color = '')+
theme_article_ds+
theme(legend.position = c(0.35,0.12),
axis.ticks.x = element_blank(),
axis.text.y = element_text(size = 10))+
scale_y_continuous(breaks = c(0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9),
labels = c(10, 20, 30, 40, 50, 60, 70, 80, 90))
# Subgrafico 2: actitudes politicas
pol_graph<-
ggplot(political_graph_df,
aes(x = year, y = perc, color = legend, group = legend))+
geom_line(size = 0.8)+
scale_color_manual(values = c('#61346B','#BF69C2'),
breaks = c('Confía en el Presidente','Aprueba el trabajo del Presidente'))+
geom_point(size = 2.15)+
geom_line(aes(x = year,
y = perc - 1.96*se),
size = 0.7,
color = 'grey50',
linetype = 'dotted')+
geom_line(aes(x = year,
y = perc + 1.96*se),
size = 0.7,
color = 'grey50',
linetype = 'dotted')+
geom_vline(xintercept = 7.5, color = quant_grey, linetype = 'dotted')+
annotate('label', x = 5, y = 0.4, label = 'Gob. de Correa')+
geom_vline(xintercept = 2.5, color = quant_grey, linetype = 'dotted')+
annotate('label', x = 1.48, y = 0.5, label = 'Gob. de\nGutiérrez-Palacio')+
annotate('label', x = 8.05, y = 0.5, label = 'Gob. de\nMoreno')+
theme_article_ds +
labs(x = '',
y = '% de aprobación',
color = '',
title = 'Actitudes hacia el gobierno',
subtitle = 'Porcentaje que aprueba o confia en el Presidente de la República')+
theme(legend.position = c(0.5,0.12),
axis.ticks.x = element_blank(),
axis.text.y = element_text(size = 10))+
scale_y_continuous(breaks = c(0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9),
labels = c(10, 20, 30, 40, 50, 60, 70, 80, 90))
# Caption largo
caption_grafo2<-
'Fuente: El Barómetro de las Américas por el Proyecto de Opinión Pública de América Latina (LAPOP), www.LapopSurveys.org. Las barras representan intervalos de confianza al 95% con errores ajustados por diseño muestral multietapa y estratificado. Las encuestas fueron realizadas de enero a marzo de cada año excepto la ronda 2016, realizada de noviembre 2016 a enero 2017. Las líneas punteadas en gris representan los límites inferiores y superiores del intervalo de confianza al 95%. El porcentaje que aprueba las protestas se calcula para quienes responden números mayores a 4 (del 1 al 10). El porcentaje que confía en el Presidente se calcula para quienes responden números mayores a 4 (del 1 al 7) mientras que la aprobación se calcula para quienes responden números mayores a 3 (del 1 al 5). Los porcentajes son sobre el total de personas en edad de votar (mayores a 16) del Ecuador.'
# Ahora si se presenta ambos gráficos
grafo2<-
protestas_graph + pol_graph +
plot_layout(ncol = 2) +
plot_annotation(title = 'Actitudes políticas de los ecuatorianos en edad de votar 2006-2019',
caption = str_wrap(caption_grafo2, 210),
theme = theme(plot.caption = element_text(hjust = 0, face = 'italic'),
plot.title = element_text(hjust = 0.5)))
ggsave("images/graf2-politica-y-protestas.png", device = "png", width = 12.5, height = 7, dpi = 900)
# Tabulaciones cruzadas finales para %'s presentados al final y generación de la tabla:
summ3<-
svyby(formula = ~ prot_desap + prot_desap_op,
by = ~ protest + year,
design = lapop_des,
svymean,
na.rm = T)
summ4<-
svyby(formula = ~ prot_desap + prot_desap_op,
by = ~ protest ,
design = lapop_des,
svymean,
na.rm = T)