Disparidad Étnica y alfabetismo en el Ecuador

Estadística

Ciencias Sociales

Análisis del analfabetismo y etnia usando datos de ENEMDU 2018-2024.

Author

Mayari Tapia

Published

December 31, 2024

Contexto del Estudio

Este análisis busca examinar las disparidades étnicas en los niveles de educación en Ecuador, utilizando datos tabulados (en Excel) de la Encuesta Nacional de Empleo, Desempleo y Subempleo (ENEMDU) para el período 2018-2024.

Metodología

Fuente de datos: Tabulados anuales ENEMDU 2024 (INEC)

Período de estudio: 2018-2024

Grupos étnicos analizados: Indígena, Afroecuatoriano, Montubio, Mestizo, Blanco.

Herramientas: R, tidyverse, ggplot2 y readxl.

1. Instalación y Carga de Paquetes

Code

# Verificar e instalar paquetes si es necesario
if (!require("tidyverse")) install.packages("tidyverse")
if (!require("readxl")) install.packages("readxl")
if (!require("dplyr")) install.packages("dplyr")
if (!require("survey")) install.packages("survey")
if (!require("ggplot2")) install.packages("ggplot2")

# Cargar las librerías
library(tidyverse)
library(readxl)
library(dplyr)
library(survey)
library(ggplot2)

2. Carga de Datos ENEMDU

Code

# NOTA: Actualiza estas rutas con las ubicaciones reales de tus archivos

# Datos de Educación
educacion1 <- read_excel("data/ENEMDU_2024_Educacion.xlsx", 
                         sheet = "3. Características", 
                         range = "A9:N69")
View(educacion1)

# Confirmar carga
cat("Datos cargados exitosamente:\n")

Datos cargados exitosamente:

Code

cat("  Educación:", nrow(educacion1), "filas,", ncol(educacion1), "columnas\n")

  Educación: 60 filas, 14 columnas

3. Preparación de Datos

Code

# Renombrar columnas del dataset de educación
df_educacion <- educacion1 %>% 
  rename(
    Periodo = 1,
    Indicadores = 2
  )

# Definir grupos étnicos para el análisis
columnas_etnia <- c("Indígena", "Afroecuatoriano", "Montubio", "Mestizo", "Blanco")

4. Filtración y selección de datos

Code

# Filtrar solo datos de analfabetismo
df_analfabetismo <- df_educacion %>%
  filter(Indicadores == "Tasa de analfabetismo") %>%
  select(Periodo, all_of(columnas_etnia))

# Transformar a formato largo
df_etnia_largo <- df_analfabetismo %>%
  pivot_longer(
    cols = all_of(columnas_etnia),
    names_to = "Grupo_Etnico",
    values_to = "Tasa_Analfabetismo"
  )

# Convertir periodo a factor
df_etnia_largo$Periodo <- as.factor(df_etnia_largo$Periodo)

# Mostrar resultados
head(df_etnia_largo)

# A tibble: 6 × 3
  Periodo Grupo_Etnico    Tasa_Analfabetismo
  <fct>   <chr>                        <dbl>
1 2018    Indígena                    0.194 
2 2018    Afroecuatoriano             0.0693
3 2018    Montubio                    0.159 
4 2018    Mestizo                     0.0479
5 2018    Blanco                      0.0457
6 2019    Indígena                    0.193

5. Gráfico de Disparidad Étnica

Code

ggplot(df_etnia_largo, aes(x = Grupo_Etnico, y = Tasa_Analfabetismo)) +
  geom_boxplot(aes(fill = Grupo_Etnico), alpha = 0.7, outlier.shape = NA) +
  geom_point(aes(color = Periodo),
             position = position_jitterdodge(jitter.width = 0.2, dodge.width = 0.8),
             size = 3) +
  labs(
    title = "Disparidad Étnica en la Tasa de Analfabetismo",
    subtitle = "Distribución histórica por grupo étnico (2018-2024)",
    y = "Tasa de Analfabetismo (%)",
    x = "Grupo Étnico",
    fill = "Grupo Étnico",
    color = "Periodo"
  ) +
  scale_fill_brewer(palette = "Pastel2") +
  scale_color_brewer(palette = "Dark2") +
  theme_minimal() +
  theme(
    axis.text.x = element_text(angle = 45, hjust = 1, size = 10),
    plot.title = element_text(face = "bold", size = 16),
    plot.subtitle = element_text(size = 12)
  )

6. Algunos análisis

En casi todos los grupos, las cajas (que representan el promedio y la dispersión) son bastante estrechas. Esto indica que no ha habido una mejora significativa en 6 años. El problema es estructural y las soluciones actuales no están logrando reducir las tasas de forma acelerada.
Se observa una dispersión mayor en el grupo indígena. Los puntos de 2021 y 2022 (morado y rosa) muestran una ligera caída, pero los puntos de 2023 y 2024 vuelven a subir a los niveles más altos. Esto podría sugerir que factores externos (como la pandemia o crisis económicas) golpean mucho más fuerte a estas comunidades.
La población Indígena y Montubia son los grupos más vulnerables. La tasa de analfabetismo en la población indígena oscila entre el 16% y casi el 20%, lo que representa una cifra hasta 4 veces mayor que la de los grupos Mestizo o Blanco.
La población Mestiza y Blanca presentan las tasas más bajas y estables (por debajo del 5%). Esto sugiere que las políticas educativas históricas han beneficiado desproporcionadamente a los centros urbanos o grupos no minoritarios.
En los Blancos es curioso notar un “valor atípico” (outlier) hacia abajo en 2024 (punto amarillo). Esto podría deberse a un cambio en la recolección de datos o un avance muy puntual en ese año para ese grupo.

Nota final: Si bien se pudo lograr algunas inferencias con los datos mas actuales que ofrece el INEC, valdria la pena expandir la base de datos con la que se trabajo, con datos antiguos de las mismas variables en un futuro para una comprension mas completa y extendida.

--- title: "Disparidad Étnica y alfabetismo en el Ecuador" author: "Mayari Tapia" date: "2025" image: "grafico_analfabetismo.png" # Para la miniatura de la galería description: "Análisis del analfabetismo y etnia usando datos de ENEMDU 2018-2024." categories: [R, Estadística, Ciencias Sociales] format: html: code-fold: true # Esto permite ocultar/mostrar el código con un clic code-tools: true # Agrega un menú para ver el código fuente completo toc: true # Tabla de contenidos lateral para navegar el paso a paso toc-depth: 3 code-copy: true # Permite que la gente copie tu código fácilmente highlight-style: ayu # Estilo de colores profesional para el código --- ## Contexto del Estudio Este análisis busca examinar las disparidades étnicas en los niveles de educación en Ecuador, utilizando datos tabulados (en Excel) de la Encuesta Nacional de Empleo, Desempleo y Subempleo (ENEMDU) para el período 2018-2024. #### Metodología Fuente de datos: Tabulados anuales ENEMDU 2024 (INEC) Período de estudio: 2018-2024 Grupos étnicos analizados: Indígena, Afroecuatoriano, Montubio, Mestizo, Blanco. Herramientas: R, tidyverse, ggplot2 y readxl. ##### 1. Instalación y Carga de Paquetes ```{r} # Verificar e instalar paquetes si es necesario if (!require("tidyverse")) install.packages("tidyverse") if (!require("readxl")) install.packages("readxl") if (!require("dplyr")) install.packages("dplyr") if (!require("survey")) install.packages("survey") if (!require("ggplot2")) install.packages("ggplot2") # Cargar las librerías library(tidyverse) library(readxl) library(dplyr) library(survey) library(ggplot2) ``` ##### 2. Carga de Datos ENEMDU ```{r} # NOTA: Actualiza estas rutas con las ubicaciones reales de tus archivos # Datos de Educación educacion1 <- read_excel("data/ENEMDU_2024_Educacion.xlsx", sheet = "3. Características", range = "A9:N69") View(educacion1) # Confirmar carga cat("Datos cargados exitosamente:\n") cat(" Educación:", nrow(educacion1), "filas,", ncol(educacion1), "columnas\n") ``` ##### 3. Preparación de Datos ```{r} # Renombrar columnas del dataset de educación df_educacion <- educacion1 %>% rename( Periodo = 1, Indicadores = 2 ) # Definir grupos étnicos para el análisis columnas_etnia <- c("Indígena", "Afroecuatoriano", "Montubio", "Mestizo", "Blanco") ``` ##### 4. Filtración y selección de datos ```{r} # Filtrar solo datos de analfabetismo df_analfabetismo <- df_educacion %>% filter(Indicadores == "Tasa de analfabetismo") %>% select(Periodo, all_of(columnas_etnia)) # Transformar a formato largo df_etnia_largo <- df_analfabetismo %>% pivot_longer( cols = all_of(columnas_etnia), names_to = "Grupo_Etnico", values_to = "Tasa_Analfabetismo" ) # Convertir periodo a factor df_etnia_largo$Periodo <- as.factor(df_etnia_largo$Periodo) # Mostrar resultados head(df_etnia_largo) ``` ##### 5. Gráfico de Disparidad Étnica ```{r} ggplot(df_etnia_largo, aes(x = Grupo_Etnico, y = Tasa_Analfabetismo)) + geom_boxplot(aes(fill = Grupo_Etnico), alpha = 0.7, outlier.shape = NA) + geom_point(aes(color = Periodo), position = position_jitterdodge(jitter.width = 0.2, dodge.width = 0.8), size = 3) + labs( title = "Disparidad Étnica en la Tasa de Analfabetismo", subtitle = "Distribución histórica por grupo étnico (2018-2024)", y = "Tasa de Analfabetismo (%)", x = "Grupo Étnico", fill = "Grupo Étnico", color = "Periodo" ) + scale_fill_brewer(palette = "Pastel2") + scale_color_brewer(palette = "Dark2") + theme_minimal() + theme( axis.text.x = element_text(angle = 45, hjust = 1, size = 10), plot.title = element_text(face = "bold", size = 16), plot.subtitle = element_text(size = 12) ) ``` ##### 6. Algunos análisis - En casi todos los grupos, las cajas (que representan el promedio y la dispersión) son bastante estrechas. Esto indica que no ha habido una mejora significativa en 6 años. El problema es estructural y las soluciones actuales no están logrando reducir las tasas de forma acelerada. - Se observa una dispersión mayor en el grupo indígena. Los puntos de 2021 y 2022 (morado y rosa) muestran una ligera caída, pero los puntos de 2023 y 2024 vuelven a subir a los niveles más altos. Esto podría sugerir que factores externos (como la pandemia o crisis económicas) golpean mucho más fuerte a estas comunidades. - La población Indígena y Montubia son los grupos más vulnerables. La tasa de analfabetismo en la población indígena oscila entre el 16% y casi el 20%, lo que representa una cifra hasta 4 veces mayor que la de los grupos Mestizo o Blanco. - La población Mestiza y Blanca presentan las tasas más bajas y estables (por debajo del 5%). Esto sugiere que las políticas educativas históricas han beneficiado desproporcionadamente a los centros urbanos o grupos no minoritarios. - En los Blancos es curioso notar un "valor atípico" (outlier) hacia abajo en 2024 (punto amarillo). Esto podría deberse a un cambio en la recolección de datos o un avance muy puntual en ese año para ese grupo. Nota final: Si bien se pudo lograr algunas inferencias con los datos mas actuales que ofrece el INEC, valdria la pena expandir la base de datos con la que se trabajo, con datos antiguos de las mismas variables en un futuro para una comprension mas completa y extendida.