-
Notifications
You must be signed in to change notification settings - Fork 0
/
Seminario_C.Rmd
1049 lines (787 loc) · 47.9 KB
/
Seminario_C.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
---
title: "Necesidad de Atención Psicológica en España"
subtitle: "Fuentes de datos Biomédicas y Web semántica, Grado de Ingeniería de la Salud"
author: "**Lorena Calvo Pérez, Julia Arellano Atienza, Mario Díaz Sutil**"
date: "`r Sys.Date()`"
output:
html_document:
toc: true
toc_float: true
---
```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```
# **Introducción**
La necesidad de atención psicológica es definida como la demanda de servicios o intervenciones psicológicas que una persona puede tener debido a problemas emocionales, mentales o de comportamiento.
Esta necesidad puede surgir a partir de una variedad de situaciones y condiciones, y la atención psicológica puede ser buscada para abordar problemas como el estrés, la ansiedad, la depresión, los trastornos del estado de ánimo, las dificultades en las relaciones, traumas, entre otros.
En este caso nos centraremos en estudiar como diferentes factores como el salario o la temperatura media afecta a la NAT.
Para medir la necesidad de atención psiscológica utilizamos el número de visitas al psicólogo, la disponibillidad de psicólogos y la población.
La Necesidad de atención psicológica se calcula con la siguiente fórmula:\
$$\text{NAT} = \frac{\text{Nº Visitas}}{\text{NºPsicólogos} \times \text{Población}} \times 100.000$$
## **Objetivos**
Los objetivos planteados para desarrollar en el estudio son los siguientes:
1. Visualizar la necesidad de atención psicológica por Comunidades Autónomas
2. Estudiar como afecta la temperatura sobre la necesidad de atención psicológica
3. Estudiar como afecta el salario sobre la necesidad de atención psicológica
## **Información sobre el tema**
El cambio climático es un problema que puede causar múltiples efectos. En nuestro estudio queremos ver si realmente el aumento de la temperatura media global puede poner en riesgo la salud mental de la población.
Como se puede ver existen númerosos estudios que muestran una relación entre los efectos mentales y la temperatura.
En el siguiente [estudio](https://www.pnas.org/doi/full/10.1073/pnas.1801528115), los resultados obtenidos son:
![Resultados del estudio](IMAGES/Temperatura%20.png)
Además, también hemos visto un [estudio](https://www.somospacientes.com/noticias/sanidad/estudio-sobre-las-necesidades-de-atencion-psicologica-en-la-sanidad-publica/) relacionado con la necesidad de atención psicologica del SNS.En el que se muestra que en España se necesitan más *psicologos*.
Unicamente, el médico de atención primaria envia al paciente a psicología cuando su cuadro clinico se agrava.
# **Materiales y Métodos**
## **Materiales**
URLs de los distintos datos usados:
- [Psicólogos_2021](https://datos.gob.es/es/catalogo/ea0010587-tasa-de-psicologos-por-100-000-habitantes-por-comunidades-y-ciudades-autonomas-de-colegiacion-y-situacion-laboral-identificador-api-tpx-sociedad_2589-salud_2590-epsc_5623-a2021_8678-l0-s05006-px1)
- [Psicólogos_2022](https://datos.gob.es/es/catalogo/ea0010587-tasa-de-psicologos-por-100-000-habitantes-por-comunidades-y-ciudades-autonomas-de-colegiacion-y-situacion-laboral-identificador-api-tpx-sociedad_2589-salud_2590-epsc_5623-a2022_9766-l0-s05006-px)
- [Población](https://datos.gob.es/es/catalogo/ea0010587-poblacion-por-nacionalidad-sexo-y-comunidad-autonoma-epa-identificador-api-4927)
- [Visitas_2021](https://datos.gob.es/es/catalogo/ea0010587-visitas-a-otros-profesionales-sanitarios-en-los-ultimos-12-meses-segun-tipo-de-profesional-sanitario-por-sexo-y-comunidad-autonoma-poblacion-de-15-y-mas-anos-identificador-api-t15-p420-a2019-p02-l0-01050-px1)
- [Visitas_2022](https://datos.gob.es/es/catalogo/ea0010587-visitas-a-otros-profesionales-sanitarios-en-los-ultimos-12-meses-segun-tipo-de-profesional-sanitario-por-sexo-y-comunidad-autonoma-poblacion-de-15-y-mas-anos-identificador-api-t15-p420-a2019-p05-l0-01038-px1)
- [Salarios](https://datos.gob.es/es/catalogo/ea0010587-salarios-medios-por-tipo-de-jornada-comunidad-autonoma-y-decil-epa-identificador-api-13930)
## **Carga de librerías**
```{r, message=FALSE, warning=FALSE}
library(climaemet)
library(tibble)
library(tidyverse)
library(rjson)
library(tidyjson)
library(readr)
library(ggplot2)
library(mapSpain)
library(sf)
library(cowplot)
library(visreg)
library(DT)
```
## **Acceso a climaemet**
API necesaria para poder acceder a los datos de climaemet.
```{r, message=FALSE, warning=FALSE}
aemet_api_key("eyJhbGciOiJIUzI1NiJ9.eyJzdWIiOiJqYWExMDE4QGFsdS51YnUuZXMiLCJqdGkiOiJkZTE4NmIwZC02ZTc1LTRmYmYtOGE4ZS1kYThiNzhkYjM5NWYiLCJpc3MiOiJBRU1FVCIsImlhdCI6MTY5OTI2NzY1NywidXNlcklkIjoiZGUxODZiMGQtNmU3NS00ZmJmLThhOGUtZGE4Yjc4ZGIzOTVmIiwicm9sZSI6IiJ9.Im8N73nz9TkoDv1I7_fmIf7FSgfyQGsTrwuYGrl3k9g", install = FALSE)
```
Podemos ver las estaciones meteorológicas de las que dispone climaemet de datos y las provincias a las que pertenecen dichas estaciones. Además, observamos el nº de estaciones por provincia.
```{r, message=FALSE, warning=FALSE}
stations <- aemet_stations()
stations
```
```{r, message=FALSE, warning=FALSE}
table(stations$provincia)
```
## **Carga de datos**
### **Carga de datos de climaemet**
```{r, message=FALSE, warning=FALSE}
# Obtención de las Tª diaras por estaciones aemet:
observaciones_diarias <-aemet_daily_period_all(start = 2021, end = 2022)
```
### **Carga de datos JSON**
```{r eval=FALSE}
#Carga de datos de la población json no coindiden los atributos
poblacion_json <- fromJSON(file ="DATA/poblacion.json")
poblacion_json %>%
spread_all() %>%
gather_object() %>%
json_types() %>%
count(name, type)
poblacion_Data<- poblacion_json %>%
enter_object(Data) %>%
gather_array() %>%
spread_all()
poblacion_MetaData<- poblacion_json %>%
enter_object(MetaData) %>%
gather_array() %>%
spread_all()
poblacion_json_union<- cbind(poblacion_Metadata,poblacion_Data)
#CARGA de datos psicologos.json
psicologos_json_2021 <- fromJSON(file ="DATA/tasa_psicologos_2021.json")
#Identificacion de arrays
psicologos_json_2021 %>%
spread_all() %>%
gather_object() %>%
json_types() %>%
count(name, type)
#obtenemos la columna data
psicologos_json_2021_Data<- psicologos_json_2021 %>%
enter_object(Data) %>%
gather_array() %>%
spread_all() %>%
select(Valor)
#obtenemos la columna metadata
psicologos_json_2021_Metadata<- psicologos_json_2021 %>%
enter_object(MetaData) %>%
gather_array() %>%
spread_all() %>%
select(-document.id, - array.index)
#union de columnas
psicologos_json_2021_union<- cbind(psicologos_json_2021_Metadata,psicologos_json_2021_Data)
```
![**Tabla_psicologos.json**](IMAGES/tabla_psicologos.jpg)
![**Tabla_psicologos.csv**](IMAGES/tabla_psicologos_json.jpg)
Como se visualiza en las tablas, al intentar cargar los datos json, nos encontramos 2 objetos de tipo arrays (Data y Metadata). En el objeto Data se localizan los valores , mientras que en el objeto Metadata se localizan las varibles.Al combinar todo vemos que los filas combinadas no son las correctas en consecuencia, que las variables no coinciden con sus valores.
En conclusión, utilizamos csv para cargar nuestros datos de forma correcta.
### **Carga de datos csv**
```{r, message=FALSE, warning=FALSE}
# Carga csv de psicologos
psicologos_2021 <- read_delim("DATA/psicologos2021.csv", delim = ";", escape_double = FALSE, trim_ws = TRUE)
psicologos_2022 <- read_delim("DATA/psicologos2022.csv", delim = ";", escape_double = FALSE, trim_ws = TRUE)
# Carga csv de visitas
visitas_2021 <- read_delim("DATA/visitas_2021.csv", delim = ";", escape_double = FALSE, trim_ws = TRUE)
visitas_2022 <- read_delim("DATA/visitas_2022.csv", delim = ";", escape_double = FALSE, trim_ws = TRUE)
# Carga de datos Población.csv
poblacion <- read_delim("DATA/poblacion_CA_años.csv", delim = ";", escape_double = FALSE, trim_ws = TRUE)
# Carga de datos de salarios .csv:
salarios <- read_delim("DATA/salarios_CCAA.csv", delim = ";", escape_double = FALSE, trim_ws = TRUE)
```
## **Trabajando con los datos**
### **Obtención de la Temperatura Media**
Para la obtención de la *temperatura media*, se han creado una columna de años y y otra columna de comunidades. Esta última se utilizó para agrupar los datos mostrados en provincias en comunidades. Tras ello, hemos calculado la temperatura media por comunidad.
```{r, message=FALSE, warning=FALSE}
# Temperatura de las provincias
temp_provincias <- observaciones_diarias %>%
mutate(years=lubridate::year(fecha))%>%
group_by (years,provincia) %>%
summarise(
tmedia = mean(tmed, na.rm = TRUE)
)
# Creacion de una columna con las comunidades autonomas
temp_con_CCAA <- temp_provincias %>%
mutate(CCAA = case_when(
provincia %in% c("BURGOS", "AVILA", "LEON", "SALAMANCA", "SEGOVIA", "SORIA", "VALLADOLID" ,"PALENCIA" ,"ZAMORA") ~ "CASTILLA Y LEON",
provincia %in% c("ALBACETE", "CIUDAD REAL", "CUENCA", "GUADALAJARA", "TOLEDO") ~ "CASTILLA-LA MANCHA",
provincia %in% c("ALMERIA", "CADIZ", "CORDOBA", "GRANADA", "HUELVA", "JAEN", "MALAGA", "SEVILLA") ~ "ANDALUCIA",
provincia %in% c("HUESCA", "ZARAGOZA", "TERUEL") ~ "ARAGON",
provincia == "ASTURIAS" ~ "ASTURIAS",
provincia == "CANTABRIA" ~ "CANTABRIA",
provincia == "ILLES BALEARS" ~ "BALEARES",
provincia %in% c("STA. CRUZ DE TENERIFE", "LAS PALMAS") ~ "CANARIAS",
provincia == "LA RIOJA" ~ "LA RIOJA",
provincia %in% c("ARABA/ALAVA", "GIPUZKOA", "BIZKAIA") ~ "PAIS VASCO",
provincia %in% c("BARCELONA", "GIRONA", "LLEIDA", "TARRAGONA") ~ "CATALUÑA",
provincia %in% c("ALICANTE", "CASTELLON", "VALENCIA") ~ "COMUNIDAD VALENCIANA",
provincia %in% c("BADAJOZ", "CACERES") ~ "EXTREMADURA",
provincia %in% c("A CORUÑA", "LUGO", "OURENSE", "PONTEVEDRA") ~ "GALICIA",
provincia == "MADRID" ~ "COMUNIDAD DE MADRID",
provincia == "MURCIA" ~ "MURCIA",
provincia == "NAVARRA" ~ "NAVARRA",
provincia == "CEUTA" ~ "CEUTA",
provincia == "MELILLA" ~ "MELILLA",
))
# TABLA FINAL Tª
tmed_CCAA<- temp_con_CCAA %>%
group_by(CCAA,years) %>%
summarise(
tmedia = mean(tmedia, na.rm = TRUE)) %>%
arrange(years)
datatable(tmed_CCAA)
```
**Nota:** Temperatura media por Comunidades Autónomas
### **Obtención de los psicólogos**
Los datos de *psicólogos* utilizados se encontraban en distintos conjuntos de datos. Inicialmente, se creo una columna CCAA en cada uno de los conjuntos para estandarizar los nombres de las comunidades autónomas. Tras ello, se combinaron los conjutos y se seleccionaron aquellos útiles para el estudio.
```{r, message=FALSE, warning=FALSE}
psicologos_2021 <- psicologos_2021 %>%
mutate(CCAA = factor(`Comunidades y Ciudades Autónomas`,
levels = c("01 Andalucía", "02 Aragón",
"03 Asturias, Principado de", "04 Balears, Illes",
"05 Canarias",
"06 Cantabria",
"07 Castilla y León", "08 Castilla - La Mancha",
"09 Cataluña", "10 Comunitat Valenciana",
"11 Extremadura", "12 Galicia",
"13 Madrid, Comunidad de", "14 Murcia, Región de",
"15 Navarra, Comunidad Foral de",
"16 País Vasco", "17 Rioja, La", "18 Ceuta",
"19 Melilla"),
labels = c("ANDALUCIA", "ARAGON", "ASTURIAS",
"BALEARES", "CANARIAS", "CANTABRIA",
"CASTILLA Y LEON", "CASTILLA-LA MANCHA", "CATALUÑA",
"COMUNIDAD VALENCIANA", "EXTREMADURA",
"GALICIA", "COMUNIDAD DE MADRID", "MURCIA",
"NAVARRA", "PAIS VASCO", "LA RIOJA", "CEUTA", "MELILLA")))
psicologos_2022 <- psicologos_2022 %>%
mutate(CCAA = factor(`Comunidades y Ciudades Autónomas`,
levels = c("Andalucía", "Aragón",
"Asturias, Principado de", "Balears, Illes",
"Canarias",
"Cantabria",
"Castilla-La Mancha", "Castilla y León",
"Cataluña", "Ceuta", "Comunidad Valenciana",
"Extremadura", "Galicia",
"Madrid, Comunidad de", "Melilla", "Murcia, Región de",
"Navarra, Comunidad Foral de",
"País Vasco", "Rioja, La"
),
labels = c("ANDALUCIA", "ARAGON", "ASTURIAS",
"BALEARES", "CANARIAS", "CANTABRIA",
"CASTILLA-LA MANCHA", "CASTILLA Y LEON", "CATALUÑA",
"CEUTA", "COMUNIDAD VALENCIANA", "EXTREMADURA",
"GALICIA", "COMUNIDAD DE MADRID", "MELILLA", "MURCIA",
"NAVARRA", "PAIS VASCO", "LA RIOJA")))
# Psicologos completos
psicologos <- psicologos_2021 %>%
mutate(years = 2021) %>%
full_join(.,
psicologos_2022 %>%
mutate(years = 2022) ) %>%
drop_na() %>%
filter(`Situación laboral`== "Colegiados no jubilados") %>%
group_by(CCAA, years) %>%
mutate(Total_ind_ps=Total/10^5) %>%
select(Total_ind_ps)
# La columan de Total_ps está en formato numérico
datatable(psicologos)
```
**Nota:** Nº de psicólogos por Comunidades Autónomas
### **Obtención de las visitas**
Los datos de **visitas** utilizados se encontraban en distintos conjuntos de datos.Inicialmente, se creo una columna CCAA en cada uno de los conjuntos para estandarizar los nombres de las comunidades autónomas. Tras ello, se combinaron los conjuntos y se seleccionaron aquellos útiles para el estudio.
```{r, message=FALSE, warning=FALSE}
visitas_2021 <- visitas_2021 %>%
mutate(Total_v = as.numeric(gsub(',', '.', gsub('\\.', '', .$Total))))
visitas_2022 <- visitas_2022 %>%
mutate(Total_v = as.numeric(gsub(',', '.', gsub('\\.', '', .$Total))))
levels(factor(visitas_2021$`Comunidades y Ciudades Autónomas`))
levels(factor(visitas_2022$`Comunidades y Ciudades Autónomas`))
visitas_2021 <- visitas_2021 %>%
mutate(CCAA = factor(`Comunidades y Ciudades Autónomas`,
levels = c("Andalucía", "Aragón",
"Asturias (Principado de)", "Balears (Illes)",
"Canarias",
"Cantabria",
"Castilla-La Mancha", "Castilla y León",
"Cataluña", "Ceuta (Ciudad Autónoma de)",
"Comunitat Valenciana",
"Extremadura", "Galicia",
"Madrid (Comunidad de)",
"Melilla (Ciudad Autónoma de)", "Murcia (Región de)",
"Navarra (Comunidad Foral de)",
"País Vasco", "Rioja (La)"
),
labels = c("ANDALUCIA", "ARAGON", "ASTURIAS",
"BALEARES", "CANARIAS", "CANTABRIA",
"CASTILLA-LA MANCHA", "CASTILLA Y LEON", "CATALUÑA",
"CEUTA", "COMUNIDAD VALENCIANA", "EXTREMADURA",
"GALICIA", "COMUNIDAD DE MADRID", "MELILLA", "MURCIA",
"NAVARRA", "PAIS VASCO", "LA RIOJA")))
visitas_2022 <- visitas_2022 %>%
mutate(CCAA = factor(`Comunidades y Ciudades Autónomas`,
levels = c("01 Andalucía", "02 Aragón",
"03 Asturias, Principado de", "04 Balears, Illes",
"05 Canarias",
"06 Cantabria",
"07 Castilla y León", "08 Castilla - La Mancha",
"09 Cataluña", "10 Comunitat Valenciana",
"11 Extremadura", "12 Galicia",
"13 Madrid, Comunidad de", "14 Murcia, Región de",
"15 Navarra, Comunidad Foral de",
"16 País Vasco", "17 Rioja, La", "18 Ceuta",
"19 Melilla"),
labels = c("ANDALUCIA", "ARAGON", "ASTURIAS",
"BALEARES", "CANARIAS", "CANTABRIA",
"CASTILLA Y LEON", "CASTILLA-LA MANCHA", "CATALUÑA",
"COMUNIDAD VALENCIANA", "EXTREMADURA",
"GALICIA", "COMUNIDAD DE MADRID", "MURCIA",
"NAVARRA", "PAIS VASCO", "LA RIOJA", "CEUTA", "MELILLA")))
#Visitas finales
visitas<- visitas_2021%>%
mutate(years = 2021) %>%
full_join(.,
visitas_2022%>%
mutate(years = 2022) ) %>%
drop_na() %>%
filter(`Tipo de profesional` == "Psicólogo, psicoterapeuta o psiquiatra" &
`Sí o no` == "Sí" & Sexo == "Ambos sexos") %>%
group_by(CCAA, years) %>%
select(Total_v)
datatable(visitas)
```
**Nota:** Nº de visitas por Comunidades Autónomas
### **Obtención del salario**
Para la obtención de los datos de *salario* utilizados. Se crea una columna para transformar los salarios de tipo **character** a tipo **númerico**. Tras ello, se creo otra columna CCAA para estandarizar los nombres de las comunidades autónomas. Después , se combinaron los conjutos y se seleccionaron aquellos útiles para el estudio.
```{r, message=FALSE, warning=FALSE}
salarios <- salarios %>%
mutate(Total_s = as.numeric(gsub(',', '.', gsub('\\.', '', .$Total))))
# Es necesario aplicar un mutate sobre salarios para que tenga los mismos levels que el resto de tablas
salarios <- salarios %>%
mutate(CCAA = factor(`Comunidades y Ciudades Autonómas`,
levels = c("01 Andalucía", "02 Aragón",
"03 Asturias, Principado de", "04 Balears, Illes",
"05 Canarias",
"06 Cantabria",
"07 Castilla y León", "08 Castilla - La Mancha",
"09 Cataluña", "10 Comunitat Valenciana",
"11 Extremadura", "12 Galicia",
"13 Madrid, Comunidad de", "14 Murcia, Región de",
"15 Navarra, Comunidad Foral de",
"16 País Vasco", "17 Rioja, La", "18 Ceuta",
"19 Melilla", "Total Nacional"),
labels = c("ANDALUCIA", "ARAGON", "ASTURIAS",
"BALEARES", "CANARIAS", "CANTABRIA",
"CASTILLA Y LEON", "CASTILLA-LA MANCHA", "CATALUÑA",
"COMUNIDAD VALENCIANA", "EXTREMADURA",
"GALICIA", "COMUNIDAD DE MADRID", "MURCIA",
"NAVARRA", "PAIS VASCO", "LA RIOJA", "CEUTA", "MELILLA",
"TOTAL NACIONAL")))
levels(factor(salarios$CCAA))
# Salarios completos
salarios_final <- salarios %>%
drop_na() %>%
rename(years = Periodo)%>%
filter(`Tipo de jornada` == "Total" &
Decil == "Total decil" &
years %in% c(2021,2022) &
CCAA != "TOTAL NACIONAL" ) %>%
group_by(CCAA, years) %>%
select(Total_s) %>%
arrange(years)
datatable(salarios_final)
```
**Nota:** Salarios mensuales por Comunidades Autónomas
### **Obtención de la población**
Para la obtención de los datos de *población* utilizados.Se crean una columna para transformar la población de tipo **character** a tipo **númerico**. Tras ello, se creo una columna CCAA para estandarizar los nombres de las comunidades autónomas.Además, se combinaron los conjutos y se seleccionaron aquellos útiles para el estudio.
```{r, message=FALSE, warning=FALSE}
poblacion <- poblacion %>%
mutate(Total_pob = as.numeric(gsub(',', '.', gsub('\\.', '', .$Total))))
# Es necesario aplicar un mutate sobre poblacion para que tenga los mismos levels que el resto de tablas:
poblacion <- poblacion %>%
mutate(CCAA = factor(`Comunidades y Ciudades Autónomas`,
levels = c("01 Andalucía", "02 Aragón",
"03 Asturias, Principado de", "04 Balears, Illes",
"05 Canarias",
"06 Cantabria",
"07 Castilla y León", "08 Castilla - La Mancha",
"09 Cataluña", "10 Comunitat Valenciana",
"11 Extremadura", "12 Galicia",
"13 Madrid, Comunidad de", "14 Murcia, Región de",
"15 Navarra, Comunidad Foral de",
"16 País Vasco", "17 Rioja, La", "18 Ceuta",
"19 Melilla", "Total Nacional"),
labels = c("ANDALUCIA", "ARAGON", "ASTURIAS",
"BALEARES", "CANARIAS", "CANTABRIA",
"CASTILLA Y LEON", "CASTILLA-LA MANCHA", "CATALUÑA",
"COMUNIDAD VALENCIANA", "EXTREMADURA",
"GALICIA", "COMUNIDAD DE MADRID", "MURCIA",
"NAVARRA", "PAIS VASCO", "LA RIOJA", "CEUTA", "MELILLA",
"TOTAL NACIONAL")))
#Población completa
poblacion_final <- poblacion %>%
drop_na() %>%
rename(years=Periodo)%>%
filter(Sexo == "Ambos sexos" &
Nacionalidad == "Total" &
years %in% c(2021,2022) &
CCAA != "TOTAL NACIONAL" ) %>%
group_by(CCAA,years) %>%
select(Total_pob) %>%
arrange(years)
datatable(poblacion_final)
```
**Nota:** Población por Comunidades Autónomas
## **Obtención de la tabla final**
A través de la unión de las diferentes tablas obtenidas (tmed_CCAA,salarios_final,poblacion_final y psicologos) mediante los atributos comunes, el 'CCAA' y 'years' , construimos la tabla final con los datos de interés. Por otro lado, hemos creado un total de 3 columnas nuevas,las cuales son:
- **iniciales_CCAA** : contiene las abreviaturas para identificar a las CCAA.
- **Total_ps** : contiene la cantidad de psicologos por cada CCAA.
- **NAT** : contiene los valores de la necesidad de atención psicológica por cada comunidad.
```{r, message=FALSE, warning=FALSE}
# OBTENCIÓN DE LA TABLA FINAL:
tabla_final<- tmed_CCAA %>%
full_join(.,salarios_final) %>%
full_join(.,psicologos) %>%
full_join(.,poblacion_final) %>%
mutate(.,Total_ps=Total_ind_ps*(Total_pob*10^3)) %>%
full_join(.,visitas) %>%
mutate(.,NAT=as.integer(Total_v*10^6/(Total_ps*(Total_pob*10^3))*10^5)) %>%
mutate(.,iniciales_CCAA = factor(CCAA,
levels=c("ANDALUCIA", "ARAGON", "ASTURIAS",
"BALEARES", "CANARIAS", "CANTABRIA",
"CASTILLA Y LEON", "CASTILLA-LA MANCHA", "CATALUÑA",
"COMUNIDAD VALENCIANA", "EXTREMADURA",
"GALICIA", "COMUNIDAD DE MADRID", "MURCIA",
"NAVARRA", "PAIS VASCO", "LA RIOJA", "CEUTA", "MELILLA"),
labels = c("An","Ar","As","Bl","Cs","Ca","CyL","Cm","Ct","Cv","Ex",
"Ga","M","Mu","Na","Pv","R","Ce","Ml" ))) %>%
select(.,iniciales_CCAA,everything())
datatable(tabla_final)
```
# **Análisis de nuestros datos**
## **Gráficos**
### **Visualización del salario medio en España por CCAA**
A continuación se pueden observar los salarios medios entre las diferentes CCAA, tanto en 2021 como 2022.
```{r, message=FALSE, warning=FALSE}
#SALARIO 2021
Salario_2021 <- tabla_final %>%
filter(years == 2021) %>%
mutate(.,ccaa.shortname.es = factor(CCAA,
levels=c("ANDALUCIA", "ARAGON", "ASTURIAS",
"BALEARES", "CANARIAS", "CANTABRIA",
"CASTILLA Y LEON", "CASTILLA-LA MANCHA", "CATALUÑA",
"COMUNIDAD VALENCIANA", "EXTREMADURA",
"GALICIA", "COMUNIDAD DE MADRID", "MURCIA",
"NAVARRA", "PAIS VASCO", "LA RIOJA", "CEUTA", "MELILLA"),
labels = c("Andalucía", "Aragón",
"Asturias", "Baleares ",
"Canarias",
"Cantabria",
"Castilla y León","Castilla-La Mancha",
"Cataluña", "Comunidad Valenciana",
"Extremadura", "Galicia",
"Madrid", "Murcia",
"Navarra",
"País Vasco", "La Rioja" ,"Ceuta","Melilla"
)))
CCAA_sf <- esp_get_ccaa()
CCAA_sf <- merge(CCAA_sf, Salario_2021, by = "ccaa.shortname.es")
Can <- esp_get_can_box()
Salario_21_graf <- ggplot(CCAA_sf) +
geom_sf(aes(fill = Total_s),
color = "black",
linewidth = .3
) +
geom_sf(data = Can, color = "black") +
geom_sf_label(aes(label = Total_s),
fill = "white", alpha = 0.5,
size = 3,
label.size = 0
) +
scale_fill_gradientn(
colors = hcl.colors(7, "Greens", rev = TRUE),
n.breaks = 7,
labels = function(x) sprintf("%1.0f", x),
limits = c(min(CCAA_sf$Total_s), 3000),
guide = guide_legend(title = "Salario 2021")
) +
theme_void() +
theme(legend.position = c(0.1, 0.6))
#Salario 2022
Salario_2022 <- tabla_final %>%
filter(years == 2022) %>%
mutate(.,ccaa.shortname.es = factor(CCAA,
levels=c("ANDALUCIA", "ARAGON", "ASTURIAS",
"BALEARES", "CANARIAS", "CANTABRIA",
"CASTILLA Y LEON", "CASTILLA-LA MANCHA", "CATALUÑA",
"COMUNIDAD VALENCIANA", "EXTREMADURA",
"GALICIA", "COMUNIDAD DE MADRID", "MURCIA",
"NAVARRA", "PAIS VASCO", "LA RIOJA", "CEUTA", "MELILLA"),
labels = c("Andalucía", "Aragón",
"Asturias", "Baleares ",
"Canarias",
"Cantabria",
"Castilla y León","Castilla-La Mancha",
"Cataluña", "Comunidad Valenciana",
"Extremadura", "Galicia",
"Madrid", "Murcia",
"Navarra",
"País Vasco", "La Rioja" ,"Ceuta","Melilla"
)))
CCAA_sf <- esp_get_ccaa()
CCAA_sf <- merge(CCAA_sf, Salario_2022, by = "ccaa.shortname.es")
Can <- esp_get_can_box()
Salario_22_graf <- ggplot(CCAA_sf) +
geom_sf(aes(fill = Total_s),
color = "black",
linewidth = .3
) +
geom_sf(data = Can, color = "black") +
geom_sf_label(aes(label = Total_s),
fill = "white", alpha = 0.5,
size = 3,
label.size = 0
) +
scale_fill_gradientn(
colors = hcl.colors(7, "Purples", rev = TRUE),
n.breaks = 7,
labels = function(x) sprintf("%1.0f", x),
limits = c(min(CCAA_sf$Total_s), 3000),
guide = guide_legend(title = "Salario 2022")
) +
theme_void() +
theme(legend.position = c(0.1, 0.6))
# Gráficos combinados:
plot_grid(Salario_21_graf, Salario_22_graf, ncol = 2, align = 'v', axis = 'tb', labels = c("SALARIO 2021", "SALARIO 2022") )
```
**Conclusiones**
Se puede apreciar una notable diferencia de los salarios entre un año y otro, siendo superiores los salarios de 2022.Por otro lado se observa un patrón de salarios en el cual Madrid, EL País Vasco, Navarra y Cataluña contienen en ambos años salafrios superiores al resto de España.
### **Visualización de la temperatura media en España por CCAA**
A continuación se puede observar la temperatura media entre las diferentes CCAA, tanto en 2021 como 2022.
```{r, message=FALSE, warning=FALSE}
# Temperatura
#Temperatura 2021
Temperatura_2021 <- tabla_final %>%
filter(years == 2021) %>%
mutate(.,ccaa.shortname.es = factor(CCAA,
levels=c("ANDALUCIA", "ARAGON", "ASTURIAS",
"BALEARES", "CANARIAS", "CANTABRIA",
"CASTILLA Y LEON", "CASTILLA-LA MANCHA", "CATALUÑA",
"COMUNIDAD VALENCIANA", "EXTREMADURA",
"GALICIA", "COMUNIDAD DE MADRID", "MURCIA",
"NAVARRA", "PAIS VASCO", "LA RIOJA", "CEUTA", "MELILLA"),
labels = c("Andalucía", "Aragón",
"Asturias", "Baleares ",
"Canarias",
"Cantabria",
"Castilla y León","Castilla-La Mancha",
"Cataluña", "Comunidad Valenciana",
"Extremadura", "Galicia",
"Madrid", "Murcia",
"Navarra",
"País Vasco", "La Rioja" ,"Ceuta","Melilla"
))) %>%
mutate(., tmedia = round(tmedia, 3))
CCAA_sf <- esp_get_ccaa()
CCAA_sf <- merge(CCAA_sf, Temperatura_2021, by = "ccaa.shortname.es")
Can <- esp_get_can_box()
Temperatura_21_graf <- ggplot(CCAA_sf) +
geom_sf(aes(fill = tmedia),
color = "black",
linewidth = .3
) +
geom_sf(data = Can, color = "black") +
geom_sf_label(aes(label = tmedia),
fill = "white", alpha = 0.5,
size = 3,
label.size = 0
) +
scale_fill_gradientn(
colors = hcl.colors(7, "Oranges", rev = TRUE),
n.breaks = 7,
labels = function(x) sprintf("%1.0f", x),
limits = c(min(CCAA_sf$tmedia), 21),
guide = guide_legend(title = "Temperatura 2021")
) +
theme_void() +
theme(legend.position = c(0.1, 0.6))
#Temperatura 2022
Temperatura_2022 <- tabla_final %>%
filter(years == 2022) %>%
mutate(.,ccaa.shortname.es = factor(CCAA,
levels=c("ANDALUCIA", "ARAGON", "ASTURIAS",
"BALEARES", "CANARIAS", "CANTABRIA",
"CASTILLA Y LEON", "CASTILLA-LA MANCHA", "CATALUÑA",
"COMUNIDAD VALENCIANA", "EXTREMADURA",
"GALICIA", "COMUNIDAD DE MADRID", "MURCIA",
"NAVARRA", "PAIS VASCO", "LA RIOJA", "CEUTA", "MELILLA"),
labels = c("Andalucía", "Aragón",
"Asturias", "Baleares ",
"Canarias",
"Cantabria",
"Castilla y León","Castilla-La Mancha",
"Cataluña", "Comunidad Valenciana",
"Extremadura", "Galicia",
"Madrid", "Murcia",
"Navarra",
"País Vasco", "La Rioja" ,"Ceuta","Melilla"
))) %>%
mutate(., tmedia = round(tmedia, 3))
CCAA_sf <- esp_get_ccaa()
CCAA_sf <- merge(CCAA_sf, Temperatura_2022, by = "ccaa.shortname.es")
Can <- esp_get_can_box()
Temperatura_22_graf <- ggplot(CCAA_sf) +
geom_sf(aes(fill = tmedia),
color = "black",
linewidth = .3
) +
geom_sf(data = Can, color = "black") +
geom_sf_label(aes(label = tmedia),
fill = "white", alpha = 0.5,
size = 3,
label.size = 0
) +
scale_fill_gradientn(
colors = hcl.colors(7, "Reds", rev = TRUE),
n.breaks = 7,
labels = function(x) sprintf("%1.0f", x),
limits = c(min(CCAA_sf$tmedia), 22),
guide = guide_legend(title = "Temperatura 2022")
) +
theme_void() +
theme(legend.position = c(0.1, 0.6))
# Gráficos combinados:
Temperatura_21_22 <- plot_grid(Temperatura_21_graf, Temperatura_22_graf, ncol = 2, align = 'v', axis = 'tb', labels = c("TEMPERATURA 2021", "TEMPERATURA 2022") )
Temperatura_21_22
```
**Conclusiones**
Se puede apreciar en zonas como el sur peninsular y las CCAA de la zona mediterránea presentan una mayor temperatura media que las zonas del Norte. Por otro lado la diferencia observada entre 2021 y 2022, es que se ha producido una subida de temperatura de 1 grado en toda España.
## **Gráficos de dispersión**
### **NAT vs Temperatura media**
En este gráfico de dispersión vamos a visulizar como afecta la temperatura media de cada una de las CCAA en la necesidad de atención psicológica.
```{r, message=FALSE, warning=FALSE}
NAT_vs_tmedia <- tabla_final %>%
filter(.,NAT<50000) %>%
ggplot(.,mapping=aes(x=tmedia,y=NAT))+
geom_point(aes(colour=factor(years),shape=factor(years)))+
geom_smooth()+
labs(x="Temperatura Media(ºC)",y="Necesidad de Atención Psicológica",
subtitle = "Relación entre la Temperatura Media y la NAT")+
theme_bw()
NAT_vs_tmedia
```
**Conclusiones**
De forma general se aprecia que a partir de una temperatura media superior a 18ºC, comienza a crecer de forma exponencial la necesidad de atención psicológica. Análogamente, podemos ver que ante valores de temperatura inferiores a 15ºC también se observa un ligero aumento de la NAT, pero mucho más suavizada.
Por otro lado, ante unos valores de temperatura intermedios (menos extremos) la NAT disminuye, manteniéndose aproxiamdamente en un valor constante.
En general, en el 2021 hubo una mayor necesidad de atención psicológica que en 2022 y esto pudo deberse a la post-pandemia. Podemos llegar a la conclusion de que mayores temperaturas pueden ocasionar mayor cantidad de estrés y con ello mayor NAT.
### **NAT vs salario**
En este gráfico de dispersión vamos a visulizar como afecta el salario medio de cada una de las CCAA en la necesidad de atención psicológica.
```{r, message=FALSE, warning=FALSE}
NAT_vs_salario <- tabla_final %>%
filter(.,NAT<50000) %>%
ggplot(.,mapping=aes(x=Total_s,y=NAT))+
geom_point(aes(colour=factor(years),shape=factor(years)))+
geom_smooth()+
labs(x="Salario",y="Necesidad de Atención Psicológica",
subtitle = "Relación entre el salario y la NAT")+
theme_bw()
NAT_vs_salario
```
**Conclusiones**
Ante valores bajos de salario, la NAT no es muy elevada, probablemente debido a que dicho salario no es destinado para esa necesidad . Podemos determinar que para el mismo rango de salarios, la NAT es superior en 2021 que en 2022.
Por otro lado, conforme aumenta el salario ,hasta 2200€, aumenta el valor de la NAT paulatinamente.
De forma muy clara, se observa que ante salarios más elevados (a partir de 2200€) la NAT disminuye, llegando incluso a ser nula.
## **Gráfico de barras**
### **NAT VS CCAA**
En este gráfico de dispersión vamos a visulizar como afecta el salario medio de cada una de las CCAA en la necesidad de atención psicológica.
```{r, message=FALSE, warning=FALSE}
NAT_vs_CCAA <- tabla_final %>%
ggplot(., aes(x = reorder(iniciales_CCAA, desc(NAT)), y = NAT, fill = factor(years))) +
geom_bar(stat = "identity", color = "black") +
labs(
title = "NAT por Comunidad Autónoma",
x = "Comunidad Autónoma",
y = "Necesidad de Atención Psicológica"
) +
theme(axis.text.x = element_text(angle = 90, hjust = 1)) +
facet_wrap(facets = vars(years), nrow = 1)
NAT_vs_CCAA
```
**Conclusiones**
Podemos aprecir que los valores de NAT han sido más elevados generalemnte en 2021 que en 2022. Al igual que la CCAA con más NAT ha sido tanto en 2021 como en 2022 Ceuta y detrás de esta Melilla. La CCAA siguen la misma tendencia de NAT en ambos años, pero con valores generalemnte inferiores
## **Visualización de la NAT en cada CCAA de España**
A continuación se puede observar la necesidad de atención psicológica entre las diferentes CCAA, tanto en 2021 como 2022.
```{r, message=FALSE, warning=FALSE}
# NAT 2021
NAT_2021 <- tabla_final %>%
filter(years == 2021) %>%
mutate(.,ccaa.shortname.es = factor(CCAA,
levels=c("ANDALUCIA", "ARAGON", "ASTURIAS",
"BALEARES", "CANARIAS", "CANTABRIA",
"CASTILLA Y LEON", "CASTILLA-LA MANCHA", "CATALUÑA",
"COMUNIDAD VALENCIANA", "EXTREMADURA",
"GALICIA", "COMUNIDAD DE MADRID", "MURCIA",
"NAVARRA", "PAIS VASCO", "LA RIOJA", "CEUTA", "MELILLA"),
labels = c("Andalucía", "Aragón",
"Asturias", "Baleares ",
"Canarias",
"Cantabria",
"Castilla y León","Castilla-La Mancha",
"Cataluña", "Comunidad Valenciana",
"Extremadura", "Galicia",
"Madrid", "Murcia",
"Navarra",
"País Vasco", "La Rioja" ,"Ceuta","Melilla"
)))
CCAA_sf <- esp_get_ccaa()
CCAA_sf <- merge(CCAA_sf, NAT_2021, by = "ccaa.shortname.es")
Can <- esp_get_can_box()
NAT_21_graf <- ggplot(CCAA_sf) +
geom_sf(aes(fill = NAT),
color = "black",
linewidth = .3
) +
geom_sf(data = Can, color = "black") +
geom_sf_label(aes(label = NAT),
fill = "white", alpha = 0.5,
size = 3,
label.size = 0
) +
scale_fill_gradientn(
colors = hcl.colors(7, "Blues", rev = TRUE),
n.breaks = 7,
labels = function(x) sprintf("%1.0f", x),
limits = c(min(CCAA_sf$NAT), 13000),
guide = guide_legend(title = "NAT 2021")
) +
theme_void() +
theme(legend.position = c(0.1, 0.6))
# NAT 2022
NAT_2022 <- tabla_final %>%
filter(years == 2022) %>%
mutate(.,ccaa.shortname.es = factor(CCAA,
levels=c("ANDALUCIA", "ARAGON", "ASTURIAS",
"BALEARES", "CANARIAS", "CANTABRIA",
"CASTILLA Y LEON", "CASTILLA-LA MANCHA", "CATALUÑA",
"COMUNIDAD VALENCIANA", "EXTREMADURA",
"GALICIA", "COMUNIDAD DE MADRID", "MURCIA",
"NAVARRA", "PAIS VASCO", "LA RIOJA", "CEUTA", "MELILLA"),
labels = c("Andalucía", "Aragón",
"Asturias", "Baleares ",
"Canarias",
"Cantabria",
"Castilla y León","Castilla-La Mancha",
"Cataluña", "Comunidad Valenciana",
"Extremadura", "Galicia",
"Madrid", "Murcia",
"Navarra",
"País Vasco", "La Rioja" ,"Ceuta","Melilla"
)))
CCAA_sf <- esp_get_ccaa()
CCAA_sf <- merge(CCAA_sf, NAT_2022, by = "ccaa.shortname.es")
Can <- esp_get_can_box()
NAT_22_graf <- ggplot(CCAA_sf) +
geom_sf(aes(fill = NAT),
color = "black",
linewidth = .3
) +
geom_sf(data = Can, color = "black") +
geom_sf_label(aes(label = NAT),
fill = "white", alpha = 0.5,
size = 3,
label.size = 0
) +
scale_fill_gradientn(
colors = hcl.colors(7, "Reds", rev = TRUE),
n.breaks = 7,
labels = function(x) sprintf("%1.0f", x),
limits = c(min(CCAA_sf$NAT), 5000),
guide = guide_legend(title = "NAT 2022")
) +
theme_void() +
theme(legend.position = c(0.1, 0.6))
# Gráficos combinados:
library(cowplot)
X11()
NAT_21_22 <- plot_grid(NAT_21_graf, NAT_22_graf, ncol = 2, align = 'v', axis = 'tb', labels = c("NAT 2021", "NAT 2022") )
NAT_21_22
```
**Conclusiones**
En 2021, podemos apreciar que en las zonas del norte y centro peninsular, así como Ceuta y Melilla, la NAT es más elevada que en el resto de las CCAA. En 2022, generalmente los valores de NAT son más bajo, exluyendo algunas CCAA como La Rioja, Cantabria, Navarra, Ceuta y Melilla.
En conclusión, podemos determinar que en el 2021 hay mucha más NAT que en el 2022, esto puede ser debido a la post-pandemia, salarios inferiores, temperaturas mas bajas.
## **Análisis de la regresión lineal**
Procedemos a crear un modelo lineal donde la variable de respuesta es **'NAT'** (necesidad de atención psicológica) y las variables predictoras son **'tmedia'** (temperatura media) y **'Total_s'** (salario medio). También, analizaremos la interacción entre **'tmedia'** y **'Total_s'**
Este modelo (**'Modelo'**) es ajustado utilizando la tabla final (**'tabla_final'**).
```{r, message=FALSE, warning=FALSE}
Modelo <- lm(NAT ~ tmedia*Total_s, data = tabla_final)
summary(Modelo)
```
- **COEFICIENTES**: