Análisis de Redes Ego-céntricas

Descriptivos y Distancia Sociodemográfica en ELSOC 2017-2019

R
Networks
Ego networks
Homophily
Author

Roberto Cantillan

Published

August 9, 2023

Introducción

Este documento analiza en detalle las redes ego-céntricas utilizando datos de ELSOC 2017 (w2) y 2019 (w4). Construiremos una base de datos que integra información de egos (encuestados) y sus alteri (contactos mencionados), calculando posteriormente medidas de distancia sociodemográfica entre ellos.

Figure 1: Egonetwork

Preparación del Entorno

Primero cargaremos las librerías necesarias. El siguiente código utiliza pacman::p_load(), que tiene la ventaja de instalar los paquetes si no están presentes y luego cargarlos. Cada paquete cumple una función específica:

pacman::p_load(tidyverse,sjlabelled,sjPlot,vcd,texreg,ordinal, 
               egor,haven,car,dplyr,stargazer,janitor,gridExtra,
               ggeffects, kableExtra, questionr, JWileymisc, httr,
               utils, plotly)

Carga de Datos

A continuación, cargamos las bases de datos de ELSOC. Estos archivos contienen la información de las olas 2017 y 2019. El formato .RData mantiene la estructura original de los datos, incluyendo etiquetas y metadatos:

#ELSOC 2017
url <- "https://github.com/rcantillan/ricantillan.rbind.io/raw/main/dat/ELSOC/ELSOC_W02_v3.00_R.RData"
response <- GET(url)
local_path <- "ELSOC_W02_v3.00_R.RData"
writeBin(response$content, local_path)
load("ELSOC_W02_v3.00_R.RData")

Preparación de datos

Este paso es crucial para el análisis de redes. Utilizamos rename() para estandarizar el nombre de la variable identificadora en ambas bases de datos. El prefijo ‘.’ en .egoID sigue las convenciones del paquete egor para variables identificadoras:

a <- elsoc_2017 %>% rename(.egoID = idencuesta)

Construcción de Base de Datos de Alteri

Ahora comenzamos la parte más compleja: la construcción de la base de datos de alteri. Para cada alter (contacto mencionado por el ego), necesitamos extraer múltiples características.

Primer Alter

El siguiente código extrae la información del primer alter mencionado por cada ego. Analicemos cada variable seleccionada:

  • alter_sexo: Género del contacto (1=Hombre, 2=Mujer)
  • alter_edad: Edad en años
  • alter_rel: Tipo de relación con ego (1=Familiar, 2=Amigo, etc.)
  • alter_tiempo: Duración de la relación
  • alter_barrio: Si vive en el mismo barrio que ego
  • alter_educ: Nivel educativo
  • alter_relig: Afiliación religiosa
  • alter_ideol: Orientación política
alter_1 <- a %>%
        dplyr::select(.egoID, 
                      alter_sexo=r13_sexo_01,     # Recodificamos nombre de variable
                      alter_edad=r13_edad_01,      # para mantener consistencia
                      alter_rel=r13_relacion_01,   # Los sufijos _01 indican
                      alter_tiempo=r13_tiempo_01,  # que corresponden al
                      alter_barrio=r13_barrio_01,  # primer alter mencionado
                      alter_educ=r13_educ_01,      
                      alter_relig=r13_relig_01,    
                      alter_ideol=r13_ideol_01)

Resto de Alteri

Repetimos el mismo proceso para los alteri 2 al 5. La única diferencia es el sufijo en los nombres de las variables originales (_02, _03, etc.). Este código es repetitivo pero necesario para mantener la claridad en la estructura de los datos:

# Segundo alter - sufijo _02 en variables originales
alter_2 <- a %>%
        dplyr::select(.egoID, 
                      alter_sexo=r13_sexo_02, 
                      alter_edad=r13_edad_02, 
                      alter_rel=r13_relacion_02,
                      alter_tiempo=r13_tiempo_02,
                      alter_barrio=r13_barrio_02, 
                      alter_educ=r13_educ_02, 
                      alter_relig=r13_relig_02, 
                      alter_ideol=r13_ideol_02)

# Tercer alter - sufijo _03
alter_3 <- a %>%
        dplyr::select(.egoID, 
                      alter_sexo=r13_sexo_03, 
                      alter_edad=r13_edad_03, 
                      alter_rel=r13_relacion_03,
                      alter_tiempo=r13_tiempo_03,
                      alter_barrio=r13_barrio_03, 
                      alter_educ=r13_educ_03, 
                      alter_relig=r13_relig_03, 
                      alter_ideol=r13_ideol_03)

# Cuarto alter - sufijo _04
alter_4 <- a %>%
        dplyr::select(.egoID, 
                      alter_sexo=r13_sexo_04, 
                      alter_edad=r13_edad_04, 
                      alter_rel=r13_relacion_04,
                      alter_tiempo=r13_tiempo_04, 
                      alter_barrio=r13_barrio_04, 
                      alter_educ=r13_educ_04, 
                      alter_relig=r13_relig_04, 
                      alter_ideol=r13_ideol_04)

# Quinto alter - sufijo _05
alter_5 <- a %>%
        dplyr::select(.egoID, 
                      alter_sexo=r13_sexo_05, 
                      alter_edad=r13_edad_05, 
                      alter_rel=r13_relacion_05,
                      alter_tiempo=r13_tiempo_05, 
                      alter_barrio=r13_barrio_05, 
                      alter_educ=r13_educ_05, 
                      alter_relig=r13_relig_05, 
                      alter_ideol=r13_ideol_05)

Identificación de Alteri

Para mantener el orden de los alteri en nuestra base de datos, creamos una variable numérica que identifica la posición en que fue mencionado cada alter. Esto es crucial para análisis posteriores que consideren el orden de mención:

# Asignamos números identificadores secuenciales
alter_1$n <- 1  # Primer alter mencionado
alter_2$n <- 2  # Segundo alter
alter_3$n <- 3  # Tercer alter
alter_4$n <- 4  # Cuarto alter
alter_5$n <- 5  # Quinto alter

Creación de Base de Datos en Formato Long

Finalmente, combinamos todos los datos de alteri en un único conjunto de datos en formato longitudinal. Este paso es crucial porque:

  1. Permite un análisis más eficiente
  2. Facilita la comparación entre alteri
  3. Es el formato requerido por muchas funciones de análisis de redes
# Combinamos todas las bases de datos de alteri
alteris <- rbind(alter_1, alter_2, alter_3, alter_4, alter_5)

# Ordenamos por ID de ego para mantener la estructura jerárquica
alteris <- arrange(alteris, .egoID)

# Creamos un identificador único para cada alter
alteris <- rowid_to_column(alteris, var = ".altID")

# Convertimos a tibble para mejor manipulación
alteris <- as_tibble(alteris)

Recodificación de Variables

Recodificación de Atributos de Alteri

A continuación, transformamos las variables categóricas de los alteri para facilitar el análisis. Utilizamos la función factor para convertir las variables en factores y Recode del paquete car para recodificar los valores. Esta recodificación es crucial para:

  1. Simplificar categorías
  2. Manejar valores perdidos
  3. Crear categorías interpretables
# Recodificamos nivel educativo
# 1 = básica, 2 = media, 3 = técnica, 4 = universitaria
alteris$alter_educ <- factor(Recode(alteris$alter_educ,
                                   "1=1;2:3=2;4=3;5=4;-999=NA"))

# Recodificamos religión
# 1-5 representan diferentes afiliaciones religiosas
alteris$alter_relig <- factor(Recode(alteris$alter_relig,
                                    "1=1;2=2;3=3;4=4;5=5;-999=NA"))

# Recodificamos ideología política
# 1-6 representan el espectro político de izquierda a derecha
alteris$alter_ideol <- factor(Recode(alteris$alter_ideol,
                                    "1=1;2=2;3=3;4=4;5=5;6=6;-999=NA"))

# Recodificamos edad en grupos etarios
# 1 = 0-18, 2 = 19-29, 3 = 30-40, 4 = 41-51, 5 = 52-62, 6 = 63+
alteris$alter_edad <- factor(Recode(alteris$alter_edad,
                                   "0:18=1;19:29=2;30:40=3;41:51=4;52:62=5;63:100=6"))

# Recodificamos sexo (1 = hombre, 2 = mujer)
alteris$alter_sexo <- factor(Recode(alteris$alter_sexo,
                                   "1=1;2=2"))

Preparación de Datos de Ego

Ahora creamos un dataset con la información de los egos (encuestados). Seleccionamos variables equivalentes a las que tenemos para los alteri para poder hacer comparaciones directas:

# Seleccionamos y renombramos variables de ego
egos <- a %>%
       dplyr::select(.egoID,                # ID del encuestado
                     ego_sexo = m0_sexo,    # Sexo del encuestado
                     ego_edad = m0_edad,    # Edad del encuestado
                     ego_ideol = c15,       # Ideología política
                     ego_educ = m01,        # Nivel educativo
                     ego_relig = m38)       # Religión

# Convertimos a tibble para mejor manipulación
egos <- as_tibble(egos)

Recodificación de Variables de Ego

Al igual que con los alteri, recodificamos las variables de los egos para asegurar la comparabilidad:

# Recodificamos nivel educativo
# Agrupamos en 4 niveles: básica, media, técnica, universitaria
egos$ego_educ <- factor(Recode(egos$ego_educ,
                              "1:3=1;4:5=2;6:7=3;8:10=4;-999:-888=NA"))

# Recodificamos religión
# Agrupamos en 5 categorías principales
egos$ego_relig <- factor(Recode(egos$ego_relig,
                               "1=1;2=2;9=3;7:8=4;3:6=5;-999:-888=NA"))

# Recodificamos ideología política
# Escala de 1-6 donde 1 = extrema izquierda, 6 = extrema derecha
egos$ego_ideol <- factor(Recode(egos$ego_ideol,
                               "9:10=1;6:8=2;5=3;2:4=4;0:1=5;11:12=6;-999:-888=NA"))

# Recodificamos edad en los mismos grupos que los alteri
egos$ego_edad <- factor(Recode(egos$ego_edad,
                              "18=1;19:29=2;30:40=3;41:51=4;52:62=5;63:100=6"))

# Recodificamos sexo (1 = hombre, 2 = mujer)
egos$ego_sexo <- factor(Recode(egos$ego_sexo,
                              "1=1;2=2"))

Unión de Datos de Ego y Alteri

Combinamos las bases de datos de egos y alteri mediante un left join, lo que nos permite mantener todos los alteri y sus correspondientes egos:

# Unimos las bases de datos usando el ID de ego como llave
obs <- left_join(alteris, egos, by = ".egoID")

# Creamos un indicador de caso
obs$case <- 1

# Recodificamos valores perdidos
obs[obs == "-999"] <- NA
obs[obs == "-888"] <- NA

Análisis Descriptivos

Descriptivos (alter)

Observamos la frecuencia de las categorias de los atributos de alteris.

kbl(freq(obs$alter_educ)) %>%kable_paper()
n % val%
1 1362 11.0 17.8
2 3543 28.7 46.2
3 1042 8.4 13.6
4 1719 13.9 22.4
NA 4699 38.0 NA 
kbl(freq(obs$alter_relig))%>%kable_paper()
n % val%
1 4907 39.7 60.8
2 1407 11.4 17.4
3 1128 9.1 14.0
4 251 2.0 3.1
5 373 3.0 4.6
NA 4299 34.8 NA 
kbl(freq(obs$alter_ideol))%>%kable_paper()
n % val%
1 786 6.4 11.1
2 191 1.5 2.7
3 382 3.1 5.4
4 303 2.5 4.3
5 759 6.1 10.7
6 4644 37.6 65.7
NA 5300 42.9 NA 
kbl(freq(obs$alter_edad)) %>%kable_paper()
n % val%
1 349 2.8 4.3
2 1477 11.9 18.3
3 1875 15.2 23.2
4 1713 13.9 21.2
5 1466 11.9 18.2
6 1186 9.6 14.7
NA 4299 34.8 NA 
kbl(freq(obs$alter_sexo)) %>%kable_paper()
n % val%
1 3388 27.4 42
2 4678 37.8 58
NA 4299 34.8 NA

Descriptivos (ego)

Observamos la frecuencia de las categorias de los atributos sociodemográficos de ego.

kbl(freq(obs$ego_educ)) %>%kable_paper()
n % val%
2985 24.1 24.1
5225 42.3 42.3
2010 16.3 16.3
2145 17.3 17.3 
kbl(freq(obs$ego_relig))%>%kable_paper()
n % val%
1 6915 55.9 56.1
2 2495 20.2 20.2
3 1055 8.5 8.6
4 485 3.9 3.9
5 1380 11.2 11.2
NA 35 0.3 NA 
kbl(freq(obs$ego_ideol))%>%kable_paper()
n % val%
1 915 7.4 7.5
2 1090 8.8 8.9
3 2350 19.0 19.2
4 1380 11.2 11.3
5 1075 8.7 8.8
6 5400 43.7 44.2
NA 155 1.3 NA 
kbl(freq(obs$ego_edad)) %>%kable_paper()
n % val%
10 0.1 0.1
1865 15.1 15.1
2530 20.5 20.5
2720 22.0 22.0
2870 23.2 23.2
2370 19.2 19.2 
kbl(freq(obs$ego_sexo)) %>%kable_paper()
n % val%
4755 38.5 38.5
7610 61.5 61.5

Las tablas muestran la distribución de frecuencias para cada característica sociodemográfica. Las columnas representan: 1. La categoría de la variable 2. La frecuencia absoluta (número de casos) 3. El porcentaje del total

Esta información nos permite entender la composición de la muestra tanto a nivel de egos como de alteri, y será fundamental para los análisis posteriores de homofilia y distancia social.

Análisis de Homofilia Educativa

Examinamos la homofilia educativa mediante una tabla cruzada entre los niveles educativos de egos y alteri. Primero recodificamos las etiquetas para mejor interpretación:

# Recodificamos etiquetas educativas
obs <- obs %>%
  dplyr::mutate(
    ego_educ = case_when(
      ego_educ == 1 ~ "básico",
      ego_educ == 2 ~ "media",
      ego_educ == 3 ~ "técnica",
      TRUE ~ "universit."
    )
  ) %>%
  dplyr::mutate(
    alter_educ = case_when(
      alter_educ == 1 ~ "básico",
      alter_educ == 2 ~ "media",
      alter_educ == 3 ~ "técnica",
      TRUE ~ "universit."
    )
  )

# Creamos tabla cruzada con porcentajes
table_cont <- sjPlot::tab_xtab(
  var.row = obs$ego_educ,
  var.col = obs$alter_educ,
  title = "Homofilia Educativa en Redes Personales",
  show.row.prc = TRUE,
  show.summary = TRUE,
  show.col.prc = TRUE,
  use.viewer = FALSE
)
table_cont
Homofilia Educativa en Redes Personales
ego_educ alter_educ Total
básico media técnica universit.
básico 570
19.1 %
41.9 %		 825
27.6 %
23.3 %		 89
3 %
8.5 %		 1501
50.3 %
23.4 %		 2985
100 %
24.1 %
media 622
11.9 %
45.7 %		 1881
36 %
53.1 %		 336
6.4 %
32.2 %		 2386
45.7 %
37.2 %		 5225
100 %
42.3 %
técnica 116
5.8 %
8.5 %		 481
23.9 %
13.6 %		 389
19.4 %
37.3 %		 1024
50.9 %
16 %		 2010
100 %
16.3 %
universit. 54
2.5 %
4 %		 356
16.6 %
10 %		 228
10.6 %
21.9 %		 1507
70.3 %
23.5 %		 2145
100 %
17.3 %
Total 1362
11 %
100 %		 3543
28.7 %
100 %		 1042
8.4 %
100 %		 6418
51.9 %
100 %		 12365
100 %
100 %
χ2=1202.528 · df=9 · Cramer's V=0.180 · p=0.000

Visualización de Homofilia Educativa

Creamos un heatmap para visualizar los patrones de homofilia educativa:

# Preparamos datos para el heatmap
table <- as.data.frame(prop.table(table(obs$ego_educ, obs$alter_educ)))
colnames(table) <- c("Ego_educ", "Alter_educ", "Prop")

# Formateamos la proporción para mostrar porcentaje con 2 decimales
table$tooltip_text <- sprintf(
  "Ego: %s<br>Alter: %s<br>Proporción: %.2f%%", 
  table$Ego_educ, 
  table$Alter_educ, 
  table$Prop * 100
)

# Creamos el heatmap
p <- ggplot(table, aes(Ego_educ, Alter_educ)) +
  geom_tile(aes(fill = Prop, text = tooltip_text)) +  # Añadimos el texto para el tooltip
  scale_fill_gradient(low = "white", high = "black") +
  theme_minimal() +
  labs(
    title = "Heatmap de Homofilia Educativa",
    x = "Nivel Educativo de Ego",
    y = "Nivel Educativo de Alter",
    fill = "Proporción"
  )

# Convertimos a plotly especificando qué variables mostrar en el tooltip
ggplotly(p, tooltip = "text")

Análisis de Relaciones por Tipo

Calculamos promedios de tiempo de relación según el tipo de vínculo:

obs %>%
  summarise(
    mean.clo.esp = mean(alter_tiempo[alter_rel == "1"], na.rm = TRUE),
    mean.clo.hijo = mean(alter_tiempo[alter_rel == "2"], na.rm = TRUE),
    mean.clo.pari = mean(alter_tiempo[alter_rel == "3"], na.rm = TRUE),
    mean.clo.amig = mean(alter_tiempo[alter_rel == "4"], na.rm = TRUE),
    mean.clo.otro = mean(alter_tiempo[alter_rel == "5"], na.rm = TRUE),
    count.par.barr = sum((alter_rel == "3" & alter_barrio == "1"), na.rm = TRUE)
  ) %>%
  kbl() %>%
  kable_paper()
mean.clo.esp mean.clo.hijo mean.clo.pari mean.clo.amig mean.clo.otro count.par.barr
4.498406 4.91511 4.877932 4.075097 3.67823 1215

Cálculo de Distancias Sociodemográficas

Creación de Vectores de Distancia

Calculamos medidas de distancia sociodemográfica entre ego y alter. Un valor de 1 indica diferencia en el atributo:

# Calculamos distancias para cada dimensión
obs$sexo_dist <- ifelse(obs$alter_sexo == obs$ego_sexo, 0, 1)
obs$edad_dist <- ifelse(obs$alter_edad == obs$ego_edad, 0, 1)
obs$educ_dist <- ifelse(obs$alter_educ == obs$ego_educ, 0, 1)
obs$ideol_dist <- ifelse(obs$alter_ideol == obs$ego_ideol, 0, 1)
obs$relig_dist <- ifelse(obs$alter_relig == obs$ego_relig, 0, 1)

Resumen de Distancias

Finalmente, presentamos un resumen de las distancias sociodemográficas:

# Creamos tabla resumen de distancias
kbl(egltable(
  c("sexo_dist", "edad_dist", "educ_dist", "ideol_dist", "relig_dist"),
  data = obs,
  strict = TRUE
)) %>%
  kable_paper()
M (SD)
sexo_dist 0.36 (0.48)
edad_dist 0.65 (0.48)
educ_dist 0.65 (0.48)
ideol_dist 0.55 (0.50)
relig_dist 0.38 (0.49)

Esta tabla final muestra el porcentaje de díadas ego-alter que presentan diferencias en cada dimensión sociodemográfica, permitiéndonos evaluar los patrones de homofilia en diferentes características.

Bibliografía.

  • Bargsted Valdés, M. A., Espinoza, V., & Plaza, A. (2020). Pautas de Homofilia en Chile. Papers. Revista de Sociologia, 105(4), 583. https://doi.org/10.5565/rev/papers.2617

  • Smith, J. A., McPherson, M., & Smith-Lovin, L. (2014). Social Distance in the United States: Sex, Race, Religion, Age, and Education Homophily among Confidants, 1985 to 2004. American Sociological Review, 79(3), 432–456. https://doi.org/10.1177/0003122414531776