R desde cero (vol. I)

Datos

CIS

Una introducción práctica a R: operaciones básicas, objetos, vectores, paquetes y cómo cargar y preparar datos reales del CIS.

Published

October 15, 2021

(realizado junto a Ángel del Fresno Díaz)

Esta entrada es el punto de partida de una serie pensada para quien empieza en R desde cero. No asumimos ningún conocimiento previo de programación, pero sí de estadística básica. La idea es que al final de los dos volúmenes seas capaz de cargar datos reales, limpiarlos y hacer los análisis más habituales en ciencias sociales.

Trabajaremos con una encuesta del CIS sobre opinión pública y política fiscal, así que lo primero que hay que hacer es descargarla.

0. Descargar los datos del CIS

El Centro de Investigaciones Sociológicas pone a disposición pública sus encuestas en formato SPSS (.sav). Para esta entrada necesitas el estudio 3242 (Opinión pública y política fiscal).

Los pasos son:

Ve a https://www.cis.es/catalogo-de-estudios y busca el número 3242.
En la ficha del estudio, descarga el fichero de microdatos en formato SPSS (.sav).
Crea una carpeta en tu ordenador — por ejemplo C:/MiProyectoR/datos/ — y guarda ahí el archivo.
Renómbralo CISPF.sav para que coincida con el código de esta entrada.

Una vez descargado, abre RStudio y asegúrate de que tu directorio de trabajo apunta a esa carpeta. Puedes hacerlo de dos formas:

# Opción 1: manualmente con setwd()
setwd("C:/MiProyectoR/datos/")

# Opción 2: desde el menú de RStudio
# Session → Set Working Directory → Choose Directory

Con eso ya tienes el escenario preparado.

1. Operaciones básicas

R funciona como una calculadora muy potente. Las operaciones aritméticas habituales:

2 + 2   # Suma
3 - 5   # Resta
4 * 5   # Multiplicación
5 / 8   # División

R también evalúa expresiones lógicas y devuelve TRUE o FALSE. Esto tiene mucha utilidad práctica más adelante, por ejemplo para filtrar datos:

6 < 4   # FALSE
6 > 4   # TRUE

Un error clásico al empezar es olvidar los paréntesis en operaciones compuestas:

10 + 10 + 10 / 3   # Incorrecto: divide solo el último 10
(10 + 10 + 10) / 3 # Correcto: divide la suma

Algunas funciones matemáticas útiles:

sqrt(4)    # Raíz cuadrada → 2
abs(-5)    # Valor absoluto → 5
round(1.216, digits = 2)  # Redondear a 2 decimales → 1.22

2. Objetos y vectores

En R todo se guarda como un objeto usando el operador de asignación <-. Una vez creado, el objeto queda disponible en el entorno de trabajo (panel Environment de RStudio):

Objeto <- 1
Luna   <- 99

Objeto  # Muestra en consola: [1] 1

Un vector es una colección de valores del mismo tipo — lo que en estadística llamaríamos una variable. Se crea con la función c() (combine):

X1 <- c(1, 2, 3, 4, 5, 6, 7, 8, 9)
X2 <- c(1, 2, 1, 2, 1, 2, 1, 2, 1)

R distingue mayúsculas y minúsculas, así que X1 y x1 son objetos distintos. Para verificar qué tipo de objeto tienes:

is.vector(X1)      # TRUE
is.factor(X1)      # FALSE
is.data.frame(X1)  # FALSE

Funciones descriptivas básicas sobre un vector:

mean(X1)  # Media
sd(X1)    # Desviación típica

2.1. De vectores a base de datos

Combinamos vectores con cbind() para crear una matriz, y la convertimos en un data frame (base de datos) con as.data.frame():

Matriz <- cbind(X1, X2)
Datos  <- as.data.frame(Matriz)

print(Datos)  # Dos columnas: X1 y X2

Un data frame es la estructura de datos más habitual en R: filas son observaciones, columnas son variables.

3. Paquetes

R base ya incluye muchas funciones, pero su potencia real viene de los paquetes: colecciones de funciones adicionales creadas por la comunidad. El proceso es siempre el mismo: instalar una vez y cargar en cada sesión.

install.packages("pacman")  # Solo la primera vez
library(pacman)             # Cargar en cada sesión

El paquete pacman tiene la función p_load(), que instala automáticamente si el paquete no está disponible y lo carga en un solo paso:

p_load(
  foreign,    # leer ficheros de SPSS, Stata, SAS...
  haven,      # alternativa moderna a foreign
  dplyr,      # manipulación de datos
  labelled,   # manejo de variables con etiquetas (datos de encuesta)
  ggplot2,    # gráficos
  psych,      # estadísticos descriptivos
  sjmisc,     # tablas descriptivas
  naniar,     # tratamiento de valores perdidos
  install = TRUE
)

Para saber si una función existe en tu sesión actual:

exists("p_load")  # TRUE si está cargada

4. Cargar los datos del CIS

Con los paquetes cargados, leemos el archivo .sav que descargamos al principio. La función read_sav() del paquete haven es la opción recomendada para datos en formato SPSS:

CISPF <- read_sav("CISPF.sav")

Si setwd() apunta a la carpeta donde está el archivo, basta con el nombre del fichero. Si no, pon la ruta completa:

# Con ruta completa (adapta a tu caso)
CISPF <- read_sav("C:/MiProyectoR/datos/CISPF.sav")

Las variables que usaremos a lo largo de los dos volúmenes son:

Variable	Descripción	Escala
`SEXO`	Género del entrevistado	Factor (1=H, 2=M)
`EDAD`	Edad	Numérica
`ESCAFELI`	Felicidad subjetiva	0–10
`ESCACONFIANZA`	Confianza generalizada	0–10
`P4_1`–`P4_6`	Virtudes cívicas	0–10 c/u
`ESCAIMPUESTOS`	Actitud hacia los impuestos	0–10
`DESIGUALDAD`	Percepción de desigualdad	1–3
`INTERVENESTADO`	Preferencia de intervención del Estado	1–4
`ESCAPOSICION`	Creencias meritocráticas	0–10
`ESCIDEOL`	Autoubicación ideológica	1–10
`CLASESUB`	Clase social subjetiva	Factor
`INGREHOG`	Ingresos del hogar	1–11
`NIVELESTENTREV`	Nivel de estudios	1–14

5. Tratamiento de los datos

Los datos del CIS vienen en formato labelled — un tipo especial de SPSS donde los valores numéricos llevan etiquetas de texto adjuntas. Antes de trabajar con ellos hay que convertirlos a tipos que R entienda bien: numérico o factor.

5.1. Convertir tipos de variable

Para variables categóricas (género, clase social…) usamos to_factor():

CISPF$SEXO     <- to_factor(CISPF$SEXO)
CISPF$P7       <- to_factor(CISPF$P7)
CISPF$INTERVENESTADO <- to_factor(CISPF$INTERVENESTADO)
CISPF$CLASESUB <- to_factor(CISPF$CLASESUB)

Para variables numéricas (escalas, edades, ingresos…) usamos as.numeric():

CISPF$EDAD           <- as.numeric(CISPF$EDAD)
CISPF$ESCAFELI       <- as.numeric(CISPF$ESCAFELI)
CISPF$ESCACONFIANZA  <- as.numeric(CISPF$ESCACONFIANZA)
CISPF$P4_1  <- as.numeric(CISPF$P4_1)
CISPF$P4_2  <- as.numeric(CISPF$P4_2)
CISPF$P4_3  <- as.numeric(CISPF$P4_3)
CISPF$P4_4  <- as.numeric(CISPF$P4_4)
CISPF$P4_5  <- as.numeric(CISPF$P4_5)
CISPF$P4_6  <- as.numeric(CISPF$P4_6)
CISPF$ESCAIMPUESTOS  <- as.numeric(CISPF$ESCAIMPUESTOS)
CISPF$DESIGUALDAD    <- as.numeric(CISPF$DESIGUALDAD)
CISPF$ESCAPOSICION   <- as.numeric(CISPF$ESCAPOSICION)
CISPF$ESCIDEOL       <- as.numeric(CISPF$ESCIDEOL)
CISPF$INGREHOG       <- as.numeric(CISPF$INGREHOG)
CISPF$NIVELESTENTREV <- as.numeric(CISPF$NIVELESTENTREV)

Una alternativa más rápida si quieres convertir todo a numérico de golpe (y luego reconvertir los factores uno a uno):

val_labels(CISPF) <- NULL  # elimina todas las etiquetas
# A partir de aquí todo es numérico; reconvertir factores manualmente
CISPF$SEXO     <- to_factor(CISPF$SEXO)
CISPF$CLASESUB <- to_factor(CISPF$CLASESUB)
# ... etc.

5.2. Valores perdidos

En el CIS los valores 98 y 99 codifican “No sabe” y “No contesta”. Son valores que no deben entrar en los análisis, así que los reemplazamos por NA (la forma en que R representa datos ausentes).

La forma manual con na_if():

CISPF$ESCAFELI      <- na_if(CISPF$ESCAFELI, 98)
CISPF$ESCAFELI      <- na_if(CISPF$ESCAFELI, 99)
CISPF$ESCACONFIANZA <- na_if(CISPF$ESCACONFIANZA, 98)
CISPF$ESCACONFIANZA <- na_if(CISPF$ESCACONFIANZA, 99)
# ... repetir para cada variable

La forma más compacta con replace_with_na() del paquete naniar:

CISPF <- CISPF %>%
  replace_with_na(replace = list(
    ESCAFELI       = c(98, 99),
    ESCACONFIANZA  = c(98, 99),
    P4_1 = c(98, 99), P4_2 = c(98, 99), P4_3 = c(98, 99),
    P4_4 = c(98, 99), P4_5 = c(98, 99), P4_6 = c(98, 99),
    ESCAIMPUESTOS  = c(98, 99),
    ESCAPOSICION   = c(98, 99),
    CLASESUB       = c(8, 9),
    ESCIDEOL       = c(97, 98, 99),
    DESIGUALDAD    = c(8, 9),
    INTERVENESTADO = c(8, 9),
    NIVELESTENTREV = c(16, 98, 99),
    INGREHOG       = c(98, 99)
  ))

5.3. Recodificación

Algunas variables están codificadas de forma inversa a como nos interesa interpretarlas. Por ejemplo, ESCAPOSICION mide meritocracia donde 0 = “todo depende del esfuerzo” y 10 = “todo depende del origen familiar”. La invertimos para que puntuaciones altas signifiquen mayor creencia meritocrática:

CISPF$ESCAPOSICION <- dplyr::recode(CISPF$ESCAPOSICION,
  `0` = 10L, `1` = 9L, `2` = 8L, `3` = 7L, `4` = 6L,
  `5` = 5L,  `6` = 4L, `7` = 3L, `8` = 2L, `9` = 1L, `10` = 0L)

CISPF$ESCAIMPUESTOS <- dplyr::recode(CISPF$ESCAIMPUESTOS,
  `0` = 10L, `1` = 9L, `2` = 8L, `3` = 7L, `4` = 6L,
  `5` = 5L,  `6` = 4L, `7` = 3L, `8` = 2L, `9` = 1L, `10` = 0L)

CISPF$ESCAIMPUESTOS <- as.numeric(CISPF$ESCAIMPUESTOS)
CISPF$ESCAPOSICION  <- as.numeric(CISPF$ESCAPOSICION)

6. Crear una base de datos de trabajo

Lo habitual es quedarse solo con las variables que van a usarse en el análisis y darles nombres más manejables. Con subset() seleccionamos columnas y con rename() las renombramos:

Data <- subset(CISPF, select = c(
  SEXO, EDAD, ESCAFELI, P4_1, P4_2, P4_3, P4_4, P4_5, P4_6,
  ESCACONFIANZA, ESCAIMPUESTOS, DESIGUALDAD, ESCAPOSICION,
  ESCIDEOL, CLASESUB, INGREHOG, NIVELESTENTREV
))

Data <- dplyr::rename(Data,
  genero       = SEXO,
  edad         = EDAD,
  felicidad    = ESCAFELI,
  solidaridad  = P4_1,
  voto         = P4_2,
  no_evasion   = P4_3,
  obediencia   = P4_4,
  tolerancia   = P4_5,
  honestidad   = P4_6,
  confianza    = ESCACONFIANZA,
  acimp        = ESCAIMPUESTOS,
  desigualdad  = DESIGUALDAD,
  meritocracia = ESCAPOSICION,
  ideologia    = ESCIDEOL,
  ingresos     = INGREHOG,
  clase        = CLASESUB,
  estudios     = NIVELESTENTREV
)

Podemos echar un primer vistazo al resultado:

summary(Data)

7. Guardar la sesión

Si quieres retomar el trabajo más adelante sin tener que volver a cargar y limpiar los datos, puedes guardar el objeto Data o toda la sesión:

# Guardar solo el objeto Data
save(Data, file = "Data_limpia.RData")

# Guardar toda la sesión (todos los objetos del entorno)
save.image("sesion_completa.RData")

# Para cargar en otra sesión:
load("Data_limpia.RData")

En el volumen II usamos esta base ya preparada para hacer los análisis: descriptivos, comparación de medias, correlaciones, ANOVA, regresión lineal, moderación y mediación.