https://github.com/alburezg/alap2022_taller_parentesco

Materiales para el taller "Demografía del parentesco: introducción a temas y método", X Congreso ALAP, Valparaiso, Chile

https://github.com/alburezg/alap2022_taller_parentesco

Repository

Materiales para el taller "Demografía del parentesco: introducción a temas y método", X Congreso ALAP, Valparaiso, Chile

https://github.com/alburezg/ALAP2022_taller_parentesco/blob/main/

Demografa del parentesco: introduccin a temas y mtodos
================
Facilitador: Diego Alburez-Gutierrez (MPIDR);
Pre-evento del X Congreso ALAP; Valparaso, Chile - 6 Dic 2022

  - [Primera parte: Introduccin a la Demografa del
    Parentesco](#primera-parte-introduccin-a-la-demografa-del-parentesco)
  - [Segunda parte: modelos de parentesco en
    R](#segunda-parte-modelos-de-parentesco-en-r)
      - [1. Instalacin](#1-instalacin)
      - [2. Cmo descargar datos de Naciones Unidas para este
        taller](#2-cmo-descargar-datos-de-naciones-unidas-para-este-taller)
      - [3. La funcin `kin()`](#3-la-funcin-kin)
      - [4. Demostracin: tamao de redes familiares en Guatemala
        (poblaciones
        estables)](#4-demostracin-tamao-de-redes-familiares-en-guatemala-poblaciones-estables)
      - [5. Vieta y extensiones](#5-vieta-y-extensiones)
  - [Ejercicios](#ejercicios)
      - [Ejercicio 1: Parentesco en Amrica Latina (poblaciones
        estables)](#ejercicio-1-parentesco-en-amrica-latina-poblaciones-estables)
      - [Ejercicio 2: Abuelos en poblaciones no
        estables](#ejercicio-2-abuelos-en-poblaciones-no-estables)
      - [Ejercicio 3. Parientes vivos y
        muertos](#ejercicio-3-parientes-vivos-y-muertos)
      - [Ejercicio 4. Edad promedio de los
        parientes](#ejercicio-4-edad-promedio-de-los-parientes)
      - [Ejercicio 5. Madres](#ejercicio-5-madres)
      - [Ejercicio 6. Generacin
        Sandwich](#ejercicio-6-generacin-sandwich)
      - [Session info](#session-info)
      - [References](#references)





# Primera parte: Introduccin a la Demografa del Parentesco

Las diapositivas para la primera parte del minicurso estn disponibles
[aqu](diapositivas/alap_presentacion_parentesco.pdf).

# Segunda parte: modelos de parentesco en R



## 1\. Instalacin

### 1.1 Instalacin de DemoKin

Instale el paquete `DemoKin` [desde
GitHub](https://github.com/IvanWilli/DemoKin) (puede tomar \~1 minuto).

``` r
# remove.packages("DemoKin")
# install.packages("devtools")
devtools::install_github("IvanWilli/DemoKin", build_vignettes = TRUE)
```

### 1\. 2. Otros paquetes

Cargue algunos paquetes que usaremos para este minicurso:

> Nota si alguen paquete no est instalados en su computadora, instlelo
> usando el comando `install.packages("dplyr")`, etc.

``` r
library(DemoKin)
library(dplyr)
library(tidyr)
library(purrr)
library(ggplot2)
library(fields)
```

### 1.3. Defina algunas funciones para los ejercicios

Una funcin para descargar datos de Naciones Unidas (UNWPP2022) usando
el API:



MOSTRAR CODIGO



``` r
get_UNWPP_inputs <- function(countries, my_startyr, my_endyr, variant = "Median"){

  print("Getting API ready...")
  print("Make sure you have a working internet connection!")
  # Get data from UN using API
  
  base_url <- 'https://population.un.org/dataportalapi/api/v1'
  
  # First, identify which indicator codes we want to use
  
  target <- paste0(base_url,'/indicators/?format=csv')
  codes <- read.csv(target, sep='|', skip=1) 
  
  qx_code <- codes$Id[codes$ShortName == "qx1"]
  asfr_code <- codes$Id[codes$ShortName == "ASFR1"]
  
  # Get location codes
  
  target <- paste0(base_url, '/locations?sort=id&format=csv')
  df_locations <- read.csv(target, sep='|', skip=1)
  
  # find the codes for countries
  
  my_location <- 
    df_locations %>% 
    filter( Name %in% countries) %>% 
    pull(Id) %>% 
    paste(collapse = ",")
  
  # Get px values
  
  print(paste0("Getting mortality data for ", paste(countries, collapse = ", ")))
  
  my_indicator <- qx_code
  my_location  <- my_location
  
  target <- paste0(base_url,
                   '/data/indicators/',my_indicator,
                   '/locations/',my_location,
                   '/start/',my_startyr,
                   '/end/',my_endyr,
                   '/?format=csv')
  
  px <- 
    read.csv(target, sep='|', skip=1) %>% 
    filter(Variant %in% variant) %>% 
    filter(Sex == "Female") %>% 
    mutate(px = 1- Value) %>% 
    select(Location, Time = TimeLabel, age = AgeStart, px)
  
  # ASFR
  
  print(paste0("Getting fertility data for ", paste(countries, collapse = ", ")))
  
  my_indicator <- asfr_code
  
  target <- paste0(base_url,
                   '/data/indicators/',my_indicator,
                   '/locations/',my_location,
                   '/start/',my_startyr,
                   '/end/',my_endyr,
                   '/?format=csv')
  
  asfr <- 
    read.csv(target, sep='|', skip=1) %>% 
    filter(Variant %in% variant) %>% 
    select(Location, Time = TimeLabel, age = AgeStart, ASFR = Value) %>% 
    mutate(ASFR = ASFR/1000)
  
  data <- 
    left_join(px, asfr, by = c("Location", "Time", "age")) %>% 
    mutate(ASFR = replace(ASFR,is.na(ASFR),0)) 
  
  data
}
```





Una funcin para mostrar nombre de parientes en espaol (con una ligera
modificain respecto a `DemoKin::rename_kin`:



MOSTRAR CODIGO



``` r
# A small hack on the existing rename_kin function to make sure it keeps all columns
rename_kin2 <- function (df, consolidate_column = "no") {
  stopifnot(`Argument 'consolidate_column' should be 'no' or a valid column name` = consolidate_column %in% 
    c("no", colnames(df)))
  if (consolidate_column == "no") {
    relatives <- c("Primos por tia mayor", "Primos por tia menor", 
      "Hija", "Nieta", "Bisnieta", 
      "Bisabuela", "Abuela", "Madre", "Sobrinas por hermana mayor", 
      "Sobrinas por hermana menor", "Tia mayor que madre", 
      "Tia menor que madre", "Hermana mayor", "Hermana menor")
    names(relatives) <- c("coa", "cya", "d", "gd", "ggd", 
      "ggm", "gm", "m", "nos", "nys", "oa", "ya", "os", 
      "ys")
  }
  else {
    consolidate_vec <- c("c", "c", "d", "gd", "ggd", "ggm", 
      "gm", "m", "n", "n", "a", "a", "s", "s")
    names(consolidate_vec) <- c("coa", "cya", "d", "gd", 
      "ggd", "ggm", "gm", "m", "nos", "nys", "oa", "ya", 
      "os", "ys")
    relatives <- c("Primas", "Hijas", "Nietas", 
      "Bisnietas", "Bisabuelas", "Abuelas", 
      "Madres", "Sobrinas", "Tias", "Hermanas")
    names(relatives) <- unique(consolidate_vec)
    df <- as.data.frame(df)
    df$count <- df[, consolidate_column]
    df <- df %>% dplyr::mutate(kin = consolidate_vec[kin]) %>% 
      dplyr::group_by(age_focal, kin, Location) %>% 
      dplyr::summarise(
        count = sum(count)
        , Location = unique(Location)
        ) %>% 
      dplyr::ungroup()
  }
  df$kin <- relatives[df$kin]
  df
}
```





Una funcin que nos permite aproximar parientes masculinos y femeninos
usando factores GKP:



MOSTRAR CODIGO



``` r
# A function to apply GKP factors to a female-only population to approximate kin counts for a two-sex population by multiplying daughters by 2, granddaughters by 4, etc. 
approx_two_sex <- function(df){
      factors <- c("coa" = 8, "cya" = 8, "d" = 2, "gd" = 4, "ggd" = 8, "ggm" = 8, "gm" = 4, "m" = 2, "nos" = 4, "nys" = 4, "oa" = 4, "ya" = 4, "os" = 2, "ys" = 2)

df <- as.data.frame(df)
factors_vec <- factors[df$kin]
df$count_living <- df$count_living*factors_vec
df$count_dead <- df$count_dead*factors_vec
drop <- c("mean_age", "sd_age", "count_cum_dead", "mean_age_lost")
print("Note: approx_two_sex only keeps columns with data on kin counts!")
print(paste0("Dropping columns: ", paste(drop, collapse = ", ")))
df[,!(names(df) %in% drop)]
}
```





## 2\. Cmo descargar datos de Naciones Unidas para este taller

Vamos a usar el API del [World Population
Prospects 2022](https://population.un.org/wpp/) para descargar los datos
que necesitamos para DemoKin.

Para esto, usaremos la funcin `get_UNWPP_inputs` (definida arriba).
**Nota: Necesita estar conectado a internet para usar esta funcin\!**
Para este ejemplo, usemos datos de Guatemala:

``` r
# pick countries
countries <- c("Guatemala")

# Year range

my_startyr   <- 1950
my_endyr     <- 2020

data <- get_UNWPP_inputs(
  countries = countries
  , my_startyr = my_startyr
  , my_endyr = my_endyr
  )
```

    ## [1] "Getting API ready..."
    ## [1] "Make sure you have a working internet connection!"
    ## [1] "Getting mortality data for Guatemala"
    ## [1] "Getting fertility data for Guatemala"

### 2\. Visualizar los datos

Primero, transformamos los datos a matrices, el formato que DemoKin
requiere:

``` r
gt_px <- 
  data %>% 
  select(Time, age, px) %>%
  pivot_wider(names_from = Time, values_from = px) %>%
  select(-age) %>% 
  as.matrix()

gt_asfr <- 
  data %>% 
  select(Time, age, ASFR) %>%
  pivot_wider(names_from = Time, values_from = ASFR) %>%
  select(-age) %>% 
  as.matrix()
```

#### 2.1. `px` matriz; probabilidades de supervicencia por edad (argumento *U* en DemoKin)

As se ven los datos:

``` r
gt_px[1:4, 1:4]
```

    ##           1950      1951      1952      1953
    ## [1,] 0.8357549 0.8365911 0.8383111 0.8401224
    ## [2,] 0.9579989 0.9569656 0.9574153 0.9584632
    ## [3,] 0.9765789 0.9764353 0.9767937 0.9773143
    ## [4,] 0.9785723 0.9792318 0.9796995 0.9799887

Grafiquemos sobre tiempo y edad:

``` r
image.plot(
  x = as.numeric(colnames(gt_px))
  , y = 0:nrow(gt_px)
  , z = t(as.matrix(gt_px))
  , xlab = "Ao"
  , ylab = "Probabilidad de supervivencia"
  )
```

![](README_files/figure-gfm/unnamed-chunk-9-1.png)

#### 2.2. `gt_asfr` matriz; tasas especficas de fecundidad (argumento *f* en DemoKin)

As se ven los datos:

``` r
gt_asfr[15:20, 1:4]
```

    ##          1950     1951     1952     1953
    ## [1,] 0.000000 0.000000 0.000000 0.000000
    ## [2,] 0.066347 0.065141 0.064820 0.064491
    ## [3,] 0.121295 0.118319 0.117414 0.116737
    ## [4,] 0.177313 0.175192 0.174600 0.174613
    ## [5,] 0.228124 0.229831 0.230589 0.232388
    ## [6,] 0.260996 0.268618 0.271522 0.275600

Grafiquemos sobre tiempo y edad:

``` r
image.plot(
  x = as.numeric(colnames(gt_asfr))
  , y = 0:nrow(gt_asfr)
  , z = t(as.matrix(gt_asfr))
  , xlab = "Ao"
  , ylab = "Tasa de fecundidad (f)"
  )
```

![](README_files/figure-gfm/unnamed-chunk-11-1.png)

## 3\. La funcin `kin()`

`DemoKin` permite calcular el nmero de parientes de Focal y la
distribucin etaria de estos parientes (bajo distintas premisas). Esto
incluye parientes vivos y muertos. La funcin `DemoKin::kin()` se
encarga de implemetar los modelos de parentesco. Este es un ejemplo, en
este caso asumiendo estabilidad demogrfica (ver el parmetro
`time_invariant = TRUE`):

``` r
# First, get vectors for a given year
gt_surv_2015 <- gt_px[,"2015"]
gt_asfr_2015 <- gt_asfr[,"2015"]
# Run kinship models
gt_2015 <- kin(U = gt_surv_2015, f = gt_asfr_2015, time_invariant = TRUE)
```

### 3.1. Argumentos de la funcin

  - **U** numrico. Un vector o matriz con probabilidades de
    supervivencia, las edades son files y las columnas aos (si es
    matriz).
  - **f** numrico. Igual que `U` pero para tasas de fecundidad
  - **time\_invariant** lgico. Asumir tasas estables? Default TRUE.
  - **output\_kin** caracter. Tipo de pariente a estimar: m para
    madre, d para hija, 

### 3.2. Tipos de parientes

El argumento `output_kin` usa cdigos nicos para diferenciar tipos de
parientes. Note que los cdigos en `DemoKin` son distintos a los usados
por Caswell (2019). Esta es la equivalencia de los cdigos:

``` r
demokin_codes()
```

    ##    DemoKin Caswell                      Label
    ## 1      coa       t    Cousins from older aunt
    ## 2      cya       v  Cousins from younger aunt
    ## 3        d       a                   Daughter
    ## 4       gd       b             Grand-daughter
    ## 5      ggd       c       Great-grand-daughter
    ## 6      ggm       h          Great-grandmother
    ## 7       gm       g                Grandmother
    ## 8        m       d                     Mother
    ## 9      nos       p   Nieces from older sister
    ## 10     nys       q Nieces from younger sister
    ## 11      oa       r     Aunt older than mother
    ## 12      ya       s   Aunt younger than mother
    ## 13      os       m               Older sister
    ## 14      ys       n             Younger sister

### 3.4. Valor

`DemoKin::kin()` produce una lista con dos data frames: `kin_full` y
`kin_summary`.

``` r
str(gt_2015)
```

    ## List of 2
    ##  $ kin_full   : tibble[,7] [142,814 x 7] (S3: tbl_df/tbl/data.frame)
    ##   ..$ year     : logi [1:142814] NA NA NA NA NA NA ...
    ##   ..$ cohort   : logi [1:142814] NA NA NA NA NA NA ...
    ##   ..$ age_focal: int [1:142814] 0 1 2 3 4 5 6 7 8 9 ...
    ##   ..$ kin      : chr [1:142814] "d" "d" "d" "d" ...
    ##   ..$ age_kin  : int [1:142814] 0 0 0 0 0 0 0 0 0 0 ...
    ##   ..$ living   : num [1:142814] 0 0 0 0 0 0 0 0 0 0 ...
    ##   ..$ dead     : num [1:142814] 0 0 0 0 0 0 0 0 0 0 ...
    ##  $ kin_summary: tibble[,10] [1,414 x 10] (S3: tbl_df/tbl/data.frame)
    ##   ..$ age_focal     : int [1:1414] 0 0 0 0 0 0 0 0 0 0 ...
    ##   ..$ kin           : chr [1:1414] "coa" "cya" "d" "gd" ...
    ##   ..$ year          : logi [1:1414] NA NA NA NA NA NA ...
    ##   ..$ cohort        : logi [1:1414] NA NA NA NA NA NA ...
    ##   ..$ count_living  : num [1:1414] 0.635 0.22 0 0 0 ...
    ##   ..$ mean_age      : num [1:1414] 11.47 5.75 NaN NaN NaN ...
    ##   ..$ sd_age        : num [1:1414] 8.39 5.01 NaN NaN NaN ...
    ##   ..$ count_dead    : num [1:1414] 0 0 0 0 0 0 0 0 0 0 ...
    ##   ..$ count_cum_dead: num [1:1414] 0 0 0 0 0 0 0 0 0 0 ...
    ##   ..$ mean_age_lost : num [1:1414] NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ...

#### `kin_full`

Esta data frame contiene el nmero esperado de parientes por tipo de
pariente, ao/cohorte, edad de Focal y edad del pariente.

``` r
head(gt_2015$kin_full)
```

    ## # A tibble: 6 x 7
    ##   year  cohort age_focal kin   age_kin living  dead
    ##                 
    ## 1 NA    NA             0 d           0      0     0
    ## 2 NA    NA             1 d           0      0     0
    ## 3 NA    NA             2 d           0      0     0
    ## 4 NA    NA             3 d           0      0     0
    ## 5 NA    NA             4 d           0      0     0
    ## 6 NA    NA             5 d           0      0     0

#### `kin_summary`

Esta es una data frame que resume el contenido de `kin_full`. Para
producirla, sumamos los valores a lo largo de todas las edades de los
parientes. Esto produce una data frame con el nmero esperado de
parientes por ao/cohorte y edad de Focal (pero *no* por edad del
pariente).

As derivamos `kin_summary`:



MOSTRAR CODIGO



``` r
kin_by_age_focal <- 
  gt_2015$kin_full %>% 
  group_by(cohort, kin, age_focal) %>% 
  summarise(count = sum(living)) %>% 
  ungroup()

# Check that they are identical (for living kin only here)

kin_by_age_focal %>% 
  select(cohort, kin, age_focal, count) %>% 
  identical(
    gt_2015$kin_summary %>% 
      select(cohort, kin, age_focal, count = count_living) %>% 
      arrange(cohort, kin, age_focal)
  )
```

    ## [1] TRUE





## 4\. Demostracin: tamao de redes familiares en Guatemala (poblaciones estables)

Asumamos una poblacin femenina matrilineal sin migracin cuyos miembros
experimentan las tasas de mortalidad y fecundidad de Guatemala
(reportadas para 2015) a lo largo de su vida (es decir, una poblacin
estable). Preguntamos:

> Cmo podemos caracterizar la estructura familiar (redes de parentesco)
> de un miembro promedio de esta poblacion (llamada Focal)?

Para este ejercicio usaremos los datos de Guatemala que hemos venido
trabajando.

``` r
# First, get vectors for a given year
gt_surv_2015 <- gt_px[,"2015"]
gt_asfr_2015 <- gt_asfr[,"2015"]
# Run kinship models
gt_2015 <- kin(U = gt_surv_2015, f = gt_asfr_2015, time_invariant = TRUE)
```

### 4.1. Diagrama de parentesco al estilo Keyfitz

Usamos la funcin `plot_diagram` para visualizar el nmero implcito de
parientes de Focal cuando ella tiene 35 aos (Keyfitz and Caswell 2005):

``` r
gt_2015$kin_summary %>% 
  filter(age_focal == 35) %>% 
  select(kin, count = count_living) %>% 
  plot_diagram(rounding = 2)
```

![](README_files/figure-gfm/unnamed-chunk-18-1.png)

### 4.2. Parentela viva

Ahora podemos mostrar la variacin en el nmero esperado de hijas,
hermanas, primas, etc. de Focal a lo largo de su vida. Usamos la funcin
`DemoKin::rename_kin()` para mostrar los nombres de cada tipo de
pariente (en lugar de los cdigos de parentesco).

``` r
gt_2015$kin_summary %>%
  rename_kin() %>% 
  ggplot() +
  geom_line(aes(age_focal, count_living))  +
  geom_vline(xintercept = 35, color=2)+
  theme_bw() +
  labs(x = "Edad de Focal") +
  facet_wrap(~kin)
```

![](README_files/figure-gfm/unnamed-chunk-19-1.png)

Podemos mostrar todo en una grfica para visualizar el tamao absoluto
de las redes familiares femeninas de Focal:

``` r
counts <- 
  gt_2015$kin_summary %>%
  group_by(age_focal) %>% 
  summarise(count = sum(count_living)) %>% 
  ungroup()

gt_2015$kin_summary %>%
  select(age_focal, kin, count_living) %>% 
  rename_kin(., consolidate_column = "count_living") %>%
  ggplot(aes(x = age_focal, y = count)) +
  geom_area(aes(fill = kin), colour = "black") +
  geom_line(data = counts, size = 2) +
  labs(x = "Edad de Focal", y = "Nmero de parientes con vida") +
  coord_cartesian(ylim = c(0, 8.5)) +
  theme_bw() +
  theme(legend.position = "bottom")
```

![](README_files/figure-gfm/unnamed-chunk-20-1.png)

### 4.3. Distribucin etaria de la parentela con vida

Qu edad tienen los parientes de Focal? Usamos la data frame `kin_full`
para mostrar la distribucin etaria de los parientes de Focal a lo largo
de la vida de Focal. Por ejemplo, esta es la edad de los parientes de
Focal cuando ella tiene 35 aos:

``` r
gt_2015$kin_full %>%
  DemoKin::rename_kin() %>%
  filter(age_focal == 35) %>%
  ggplot() +
  geom_line(aes(age_kin, living)) +
  geom_vline(xintercept = 35, color=2) +
  labs(y = "Nmero de parientes con vida") +
  theme_bw() +
  facet_wrap(~kin)
```

![](README_files/figure-gfm/unnamed-chunk-21-1.png)

### 4.4. Prdidas familiares

Nos hemos enfocados en parentela vivo, pero qu hay de los pariente que
han muerto ya? La funcin `kin` tambin incluye informacin sobre
muertes de parientes experimentadas por Focal.

Exploremos primero el nmero de prdidas familiares que Focal
experimenta a cada edad de su vida. Es decir, el nmero de parientes
cuya prdida es sufrida por Focal cuando Focal tiene 0,1,2, aos.

``` r
loss1 <- 
  gt_2015$kin_summary %>%
  filter(age_focal>0) %>%
  group_by(age_focal) %>% 
  summarise(count = sum(count_dead)) %>% 
  ungroup()

gt_2015$kin_summary %>%
  filter(age_focal>0) %>%
  group_by(age_focal, kin) %>% 
  summarise(count = sum(count_dead)) %>% 
  ungroup() %>% 
  rename_kin(., consolidate_column = "count") %>% 
  ggplot(aes(x = age_focal, y = count)) +
  geom_area(aes(fill = kin), colour = "black") +
  geom_line(data = loss1, size = 2) +
  labs(x = "Edad de Focal", y = "Numero de muertes en la familia experimentadas cada anio") +
  theme_bw() +
  theme(legend.position = "bottom")
```

    ## `summarise()` has grouped output by 'age_focal'. You can override using the
    ## `.groups` argument.

![](README_files/figure-gfm/unnamed-chunk-22-1.png)

La suma de estos valores equivale al nmero acumulado de prdidas
familiares experimentado por Focal cuando ella tiene 0,1,2, aos.

``` r
loss2 <- 
  gt_2015$kin_summary %>%
  group_by(age_focal) %>% 
  summarise(count = sum(count_cum_dead)) %>% 
  ungroup()


gt_2015$kin_summary %>%
  group_by(age_focal, kin) %>% 
  summarise(count = sum(count_cum_dead)) %>% 
  ungroup() %>% 
  rename_kin(., consolidate = "count") %>% 
  ggplot(aes(x = age_focal, y = count)) +
  geom_area(aes(fill = kin), colour = "black") +
  geom_line(data = loss2, size = 2) +
  labs(x = "Edad de Focal", y = "Number of kin deaths experienced (cumulative)") +
  theme_bw() +
  theme(legend.position = "bottom")
```

    ## `summarise()` has grouped output by 'age_focal'. You can override using the
    ## `.groups` argument.

![](README_files/figure-gfm/unnamed-chunk-23-1.png)

Por ejemplo, cuando Focal alcanza los 15, 50 y 65 aos de edad, habr
perdido un promedio de 0.6, 2.8, 4.2 parientes.

## 5\. Vieta y extensiones

Para ms detalles sobre `DemoKin`, incluyendo una extensin a
poblaciones no estables, y modelos multi-state, ver
`vignette("Reference", package = "DemoKin")`. Si la vieta no carga,
intente instalar el paquete as:
`devtools::install_github("IvanWilli/DemoKin", build_vignettes = TRUE)`.

Para una descripcin detallada de los modelos de parentesco, ver:

  - poblaciones estables (Caswell 2019),
  - modelos multistate (Caswell 2020),
  - poblaciones no estables (Caswell and Song 2021), and
  - modelos con dos sexos (Caswell 2022).

# Ejercicios

## Ejercicio 1: Parentesco en Amrica Latina (poblaciones estables)

Cmo varan las estructuras de parentesco en varios paises de Amrica
Latina? Que tan comn es experimentar una prdida familiar, y como se
distribuyen estas prdidas familiares a lo largo de la vida?

Primero descargamos los datos necesarios usando el API de Naciones
Unidas:

``` r
# pick countries
countries <- c("Argentina", "Haiti", "Chile", "Guatemala")

# Year range

my_startyr   <- 2022
my_endyr     <- my_startyr

data <- get_UNWPP_inputs(
  countries = countries
  , my_startyr = my_startyr
  , my_endyr = my_endyr
  )
```

    ## [1] "Getting API ready..."
    ## [1] "Make sure you have a working internet connection!"
    ## [1] "Getting mortality data for Argentina, Haiti, Chile, Guatemala"
    ## [1] "Getting fertility data for Argentina, Haiti, Chile, Guatemala"

Corramos los modelos de parentesco para estos pases, asumiendo una
poblacin estable femenina.

``` r
period_kin <- 
  data %>%
  split(list(.$Location)) %>%
  map_df(function(X){
    print(paste(unique(X$Location), unique(X$Time)))
    kin(X$px, X$ASFR)$kin_summary %>%
      mutate(Location = unique(X$Location))
  })
```

    ## [1] "Argentina 2022"
    ## [1] "Chile 2022"
    ## [1] "Guatemala 2022"
    ## [1] "Haiti 2022"

Ahora podemos visualizar algunos la estructura de parentesco en estos
pases. Comenzamos con la estructura familiar:

``` r
period_kin %>% 
  approx_two_sex() %>% 
  select(age_focal, kin, count = count_living, Location) %>% 
  rename_kin2(consolidate_column = "count") %>%
  ggplot(aes(x = age_focal, y = count)) +
  geom_area(aes(fill = kin), colour = "black") +
  labs(x = "Edad de Focal", y = "Nmero de parientes con vida") +
  facet_wrap(~Location) +
  theme_bw() +
  theme(legend.position = "bottom")
```

    ## [1] "Note: approx_two_sex only keeps columns with data on kin counts!"
    ## [1] "Dropping columns: mean_age, sd_age, count_cum_dead, mean_age_lost"

    ## `summarise()` has grouped output by 'age_focal', 'kin'. You can override using
    ## the `.groups` argument.

![](README_files/figure-gfm/unnamed-chunk-26-1.png)

Cuntas prdidas familiares experimenta una persona a la edad exacta x
en distintos paises de LATAM?

``` r
exact_death <- 
  period_kin %>% 
  approx_two_sex() %>% 
    rename_kin2(consolidate_column = "count_dead")
```

    ## [1] "Note: approx_two_sex only keeps columns with data on kin counts!"
    ## [1] "Dropping columns: mean_age, sd_age, count_cum_dead, mean_age_lost"

    ## `summarise()` has grouped output by 'age_focal', 'kin'. You can override using
    ## the `.groups` argument.

``` r
exact_death %>% 
  ggplot(aes(x = age_focal, y = count)) +
  geom_area(aes(fill = kin), colour = "black") +
  facet_wrap(~Location) +
  labs(x = "Edad de Focal", y = "Perdidas familiares experimentadas en cada edad") +
  theme_bw() +
  theme(legend.position = "bottom")
```

![](README_files/figure-gfm/unnamed-chunk-27-1.png)

Para visualiar el nmero acumulado de prdidas familiares:

``` r
cum_death <-
  period_kin %>% 
  approx_two_sex() %>% 
  # We estimate the cummulative number of kin deaths by hand
  group_by(Location, kin) %>% 
  arrange(age_focal) %>% 
  mutate(count_cum_dead = cumsum(count_dead)) %>% 
  ungroup() %>% 
  rename_kin2(consolidate_column = "count_cum_dead")
```

    ## [1] "Note: approx_two_sex only keeps columns with data on kin counts!"
    ## [1] "Dropping columns: mean_age, sd_age, count_cum_dead, mean_age_lost"

    ## `summarise()` has grouped output by 'age_focal', 'kin'. You can override using
    ## the `.groups` argument.

``` r
cum_death %>% 
  ggplot(aes(x = age_focal, y = count)) +
  geom_area(aes(fill = kin), colour = "black") +
  facet_wrap(~Location) +
  labs(x = "Edad de Focal", y = "Numero acumulado de perdidas familiares") +
  theme_bw() +
  theme(legend.position = "bottom")
```

![](README_files/figure-gfm/unnamed-chunk-28-1.png)

Finalmente, graficamos los resultados sin diferenciar el numero de
parientes y comparamos los resultados para cada pais en una misma
grfica:

``` r
exact_line <-
  exact_death %>% 
  filter(age_focal>0) %>%
  group_by(Location, age_focal) %>% 
  summarise(count = sum(count)) %>% 
  ungroup() %>% 
  mutate(variable = "A cada edad")
```

    ## `summarise()` has grouped output by 'Location'. You can override using the
    ## `.groups` argument.

``` r
cum_line <-
  cum_death %>% 
  filter(age_focal>0) %>%
  group_by(Location, age_focal) %>% 
  summarise(count = sum(count)) %>% 
  ungroup() %>% 
  mutate(variable = "Acumulado")
```

    ## `summarise()` has grouped output by 'Location'. You can override using the
    ## `.groups` argument.

``` r
exact_line %>% 
  bind_rows(cum_line) %>% 
  ggplot(aes(x = age_focal, y = count, colour = Location, shape = Location)) +
  geom_point(
    size = 4
    , data = . %>% filter(age_focal %in% seq(0,100,20))
    ) +
  geom_line(size = 1) +
  labs(x = "Edad de Focal", y = "Numero de perdidas familiares experimentadas") +
  facet_wrap(~variable, scales = "free") +
  theme_bw() +
  theme(legend.position = "bottom")
```

![](README_files/figure-gfm/unnamed-chunk-29-1.png)

## Ejercicio 2: Abuelos en poblaciones no estables

``` r
# pick countries
countries <- c("Argentina", "Haiti", "Chile", "Guatemala")

# Year range

my_startyr   <- 1950
my_endyr     <- 2020

data <- get_UNWPP_inputs(
  countries = countries
  , my_startyr = my_startyr
  , my_endyr = my_endyr
  )
```

    ## [1] "Getting API ready..."
    ## [1] "Make sure you have a working internet connection!"
    ## [1] "Getting mortality data for Argentina, Haiti, Chile, Guatemala"
    ## [1] "Getting fertility data for Argentina, Haiti, Chile, Guatemala"

Explorar cambios a traves del tiempo en una perspectiva de periodo. En
este ejemplo, vamos a usar un modelo que no asume estabilidad de tasas
demogrficas. Los modelos dinmicos (es decir, no estables) tardan ms
tiempo en correr.

``` r
# period data for decennial years
period_kin_temp <- 
  data %>%
  split(list(.$Location)) %>%
  map_df(function(X){
    print(unique(X$Location))
    U <-
      X %>%
      select(Time, age, px) %>%
      pivot_wider(names_from = Time, values_from = px) %>%
      select(-age) %>% as.matrix()
    f <- X %>%
      select(Time, age, ASFR) %>%
      mutate(ASFR = ASFR/1000) %>% 
      pivot_wider(names_from = Time, values_from = ASFR) %>%
      select(-age) %>% as.matrix()
    kin(U, f, time_invariant = FALSE, output_kin = c("gm"), output_period = seq(1950, 2020, 10))$kin_summary %>%
      mutate(Location = unique(X$Location),  .before = 1)
  })
```

    ## [1] "Argentina"

    ## Stable assumption was made for calculating pi on each year because no input data.

    ## Warning: replacing previous import 'lifecycle::last_warnings' by
    ## 'rlang::last_warnings' when loading 'hms'

    ## Assuming stable population before 1950.

    ## [1] "Chile"

    ## Stable assumption was made for calculating pi on each year because no input data.

    ## Assuming stable population before 1950.

    ## [1] "Guatemala"

    ## Stable assumption was made for calculating pi on each year because no input data.
    ## Assuming stable population before 1950.

    ## [1] "Haiti"

    ## Stable assumption was made for calculating pi on each year because no input data.
    ## Assuming stable population before 1950.

``` r
# Aproximemos valores para dos sexos usando GKP factors:

period_kin <- 
  period_kin_temp %>% 
    approx_two_sex()
```

    ## [1] "Note: approx_two_sex only keeps columns with data on kin counts!"
    ## [1] "Dropping columns: mean_age, sd_age, count_cum_dead, mean_age_lost"

Ahora podemos graficar cambio a travel del tiempo, por ejemplo, en el
numero promedio de abuelos que tiene un nio recin nacido:

``` r
period_kin %>% 
  filter(age_focal %in% 0) %>% 
  select(Location, kin, year, age_focal, count_living) %>% 
  ggplot(aes(year,count_living,color=Location, shape = Location)) +
  geom_line(size = 1) + 
  geom_point(size = 4) +
  labs(x = "Ao", y = "Nmero de abuelos vivos al nacer") +
  theme_bw() +
  theme(legend.position = "bottom") 
```

![](README_files/figure-gfm/unnamed-chunk-32-1.png)

Finalmente, que tan comn es perder a un abuelo y a qu edad se
experimenta la prdida de un abuelo en los distintos paises? Cmo ha
cambiado esto a travs del tiempo?

``` r
period_kin %>% 
  filter(
    between(age_focal, 1, 50)
    , year %in% c(1950, 1980, 2020)
    ) %>% 
  mutate(year = as.factor(year)) %>% 
  ggplot(aes(x = age_focal, y = count_dead, colour = year, group = year, shape = year)) +
  geom_line(size = 1) + 
  geom_point(size = 4, data = . %>% filter(age_focal %in% c(1, seq(0, 50, 10)))) +
  labs(x = "Edad de Focal", y = "Nmero de abuelos que mueren a cada edad", shape = "Ao", colour = "Ao") +
  facet_wrap(~Location) +
  theme_bw() +
  theme(legend.position = "bottom") 
```

![](README_files/figure-gfm/unnamed-chunk-33-1.png)

## Ejercicio 3. Parientes vivos y muertos

Use `DemoKin` (asumiendo una poblacin estable femenina con las tasas
argentinas de 2010) para explorar el nmero de parientes vivos y muertos
de Focal (un miembro promedio de la poblacin).

**Responda**: Cuntos hijos tiene Focal a sus 65 aos?

``` r
# Escriba su cdigo aqu
```

**Responda**: Cuntos hijos ha perdido Focal al cumplir 65 aos (en
total)?

``` r
# Escriba su cdigo aqu
```

## Ejercicio 4. Edad promedio de los parientes

La funcin `DemoKin::kin` provee informacin sobre la edad promedio de
los parientes de Focal (en las columnas `kin_summary$mean_age` y
`kin_summary$$sd_age`). Por ejemplo, esta es la edad promedio de las
hermanas de Focal:

``` r
gt_2015$kin_summary %>%  
  filter(kin %in% c("os", "ys")) %>% 
  rename_kin() %>% 
  select(kin, age_focal, mean_age, sd_age) %>% 
  pivot_longer(mean_age:sd_age) %>% 
  ggplot(aes(x = age_focal, y = value, colour = kin)) +
  geom_line() +
  facet_wrap(~name, scales = "free") +
  labs(y = "Edad promedio de hermanas") +
  theme_bw()
```

    ## Warning: Removed 1 row(s) containing missing values (geom_path).

![](README_files/figure-gfm/unnamed-chunk-36-1.png)

**Instrucciones**

Use DemoKin, asumiendo una poblacin estable femenina con las tasas
argentinas de 2010. Estime la edad promedio y la desviacin estndar de
las hermanas de Focal **a mano** (es decir, a partir de los datos en la
data frame `kin_full`). Grafique por separado para (1) hermanas menores
y mayores y (2) para todas las hermanas juntas.

Primero, la edad promedio de hermanas menores y mayores por separado:

``` r
# Escriba su cdigo aqu
```

Segundo, la edad promedio de todas las hermanas sin importar su paridad:

``` r
# Escriba su cdigo aqu
```

## Ejercicio 5. Madres

Cul es la probabilidad de que Focal (una mujer Argentina promedio)
tenga una madre con vida, a lo largo de la vida de Focal?

**Instrucciones**

Use DemoKin, asumiendo una poblacin estable femenina con las tasas
argentinas de 2010, para obtener
![M\_1(a)](https://latex.codecogs.com/png.latex?M_1%28a%29 "M_1(a)"), la
probabilidad de que Focal tenga una madre con vida a la edad
![a](https://latex.codecogs.com/png.latex?a "a") de Focal en una
poblacin estable. Si Focal sobrevive,
![M\_1{(a)}](https://latex.codecogs.com/png.latex?M_1%7B%28a%29%7D
"M_1{(a)}") es anloga a la probabilidad de sobrevivor en una tabla de
mortalidad: deber ser 1 cuando
![a](https://latex.codecogs.com/png.latex?a "a") es 0 (la madre esta
viva al dar a luz) y luego disminuye de forma monotnica hasta llegar a
0.

**Responda:** Cul es la probabilidad de que la madre de Focal sobreviva
hasta el cumpleaos 70 de Focal?

``` r
# Escriba su cdigo aqu
```

## Ejercicio 6. Generacin Sandwich

La Generacin Sandwich se refiere a personas que se encuentran
ensanguchadas entre padres mayores e hijos jvenes que requiren
cuidado y atencin. Asumimos que esto representa una doble carga de
cuidado hacia miembros de ambas generaciones. En demografa, este es un
proceso intergeneracional que depende de la posicin genealgica de un
individuo respecto a la generacin superior e inferior.

En este ejercicio, una persona estar ensanguchada si tiene al menos un
hijo de edad ![15](https://latex.codecogs.com/png.latex?15 "15") o menor
y (al mismo tiempo) un padre que morir en los prximos
![5](https://latex.codecogs.com/png.latex?5 "5") aos.
AlburezGutierrez, Mason, y Zagheni (2021) defineron la probabilidad
de que Focal estuviera ensanguchada a la edad
![a](https://latex.codecogs.com/png.latex?a "a") en una poblacin
estable as:

  
![
S(a) = \\underbrace{\\left(1 - \\prod\_{x=1}^{15} \[1 -
m\_{a-x})\] \\right)}\_{\\substack{\\text{fecundidad en los}\\\\
\\text{$15$ anios antes de edad 'a'}}} \\times
\\underbrace{M\_1(a)}\_{\\substack{\\text{Prob. que madre de Focal}\\\\
\\text{este viva cuando Focal tiene 'a' anios}}} \\times
\\underbrace{\\left(1-
\\frac{M\_1(a+5)}{M\_1(a)}\\right)}\_{\\substack{\\text{Prob. que madre
de Focal}\\\\ \\text{muera en proximos $5$ anios}}}

](https://latex.codecogs.com/png.latex?%0AS%28a%29%20%3D%20%5Cunderbrace%7B%5Cleft%281%20-%20%5Cprod_%7Bx%3D1%7D%5E%7B15%7D%20%5B1%20-%20m_%7Ba-x%7D%29%5D%20%5Cright%29%7D_%7B%5Csubstack%7B%5Ctext%7Bfecundidad%20en%20los%7D%5C%5C%20%5Ctext%7B%2415%24%20anios%20antes%20de%20edad%20%27a%27%7D%7D%7D%20%5Ctimes%20%5Cunderbrace%7BM_1%28a%29%7D_%7B%5Csubstack%7B%5Ctext%7BProb.%20que%20madre%20de%20Focal%7D%5C%5C%20%5Ctext%7Beste%20viva%20cuando%20Focal%20tiene%20%27a%27%20anios%7D%7D%7D%20%5Ctimes%20%20%5Cunderbrace%7B%5Cleft%281-%20%20%5Cfrac%7BM_1%28a%2B5%29%7D%7BM_1%28a%29%7D%5Cright%29%7D_%7B%5Csubstack%7B%5Ctext%7BProb.%20que%20madre%20de%20Focal%7D%5C%5C%20%5Ctext%7Bmuera%20en%20proximos%20%245%24%20anios%7D%7D%7D%20%20%20%20%0A
"
S(a) = \\underbrace{\\left(1 - \\prod_{x=1}^{15} [1 - m_{a-x})] \\right)}_{\\substack{\\text{fecundidad en los}\\\\ \\text{$15$ anios antes de edad 'a'}}} \\times \\underbrace{M_1(a)}_{\\substack{\\text{Prob. que madre de Focal}\\\\ \\text{este viva cuando Focal tiene 'a' anios}}} \\times  \\underbrace{\\left(1-  \\frac{M_1(a+5)}{M_1(a)}\\right)}_{\\substack{\\text{Prob. que madre de Focal}\\\\ \\text{muera en proximos $5$ anios}}}    
")  

donde

  - ![m\_{a-x}](https://latex.codecogs.com/png.latex?m_%7Ba-x%7D
    "m_{a-x}") es la fecunidad en la edad
    ![a-x](https://latex.codecogs.com/png.latex?a-x "a-x") y
  - ![M\_1(a)](https://latex.codecogs.com/png.latex?M_1%28a%29 "M_1(a)")
    es la probabilidad de tener una madre viva a la edad
    ![a](https://latex.codecogs.com/png.latex?a "a") en una poblacin
    estable.

Este clculo se refiere a una mujer promedio en una poblacin femenina
estable e ignora la mortalidad infantil.

**Instrucciones**

Use DemoKin para estimar la probabilidad de que Focal est ensanguchada,
![S(a)](https://latex.codecogs.com/png.latex?S%28a%29 "S(a)"), entre las
edades 15 y 70. Asuma una poblacin femenina estable usando las tasas de
Argentina.

**Responda:** A qu edad es ms probable que Focal est ensanguchada?

``` r
# Escriba su cdigo aqu
```

## Session info

``` r
sessionInfo()
```

    ## R version 4.0.2 (2020-06-22)
    ## Platform: x86_64-w64-mingw32/x64 (64-bit)
    ## Running under: Windows 10 x64 (build 19044)
    ## 
    ## Matrix products: default
    ## 
    ## locale:
    ## [1] LC_COLLATE=English_United Kingdom.1252 
    ## [2] LC_CTYPE=English_United Kingdom.1252   
    ## [3] LC_MONETARY=English_United Kingdom.1252
    ## [4] LC_NUMERIC=C                           
    ## [5] LC_TIME=English_United Kingdom.1252    
    ## 
    ## attached base packages:
    ## [1] grid      stats     graphics  grDevices utils     datasets  methods  
    ## [8] base     
    ## 
    ## other attached packages:
    ## [1] fields_11.6     spam_2.6-0      dotCall64_1.0-1 ggplot2_3.3.3  
    ## [5] purrr_0.3.4     tidyr_1.1.3     dplyr_1.0.5     DemoKin_1.0.0  
    ## 
    ## loaded via a namespace (and not attached):
    ##  [1] highr_0.8         pillar_1.5.1      compiler_4.0.2    prettyunits_1.1.1
    ##  [5] progress_1.2.2    tools_4.0.2       digest_0.6.28     evaluate_0.17    
    ##  [9] lifecycle_1.0.0   tibble_3.1.0      gtable_0.3.0      pkgconfig_2.0.3  
    ## [13] rlang_1.0.2       igraph_1.2.6      cli_3.2.0         DBI_1.1.1        
    ## [17] rstudioapi_0.13   yaml_2.2.1        xfun_0.21         fastmap_1.1.0    
    ## [21] withr_2.5.0       stringr_1.4.0     knitr_1.31        hms_1.0.0        
    ## [25] maps_3.3.0        generics_0.1.0    vctrs_0.4.1       tidyselect_1.1.0 
    ## [29] glue_1.6.2        R6_2.5.0          fansi_0.4.2       rmarkdown_2.7    
    ## [33] farver_2.1.0      magrittr_2.0.1    scales_1.1.1      ellipsis_0.3.2   
    ## [37] htmltools_0.5.2   assertthat_0.2.1  colorspace_2.0-0  labeling_0.4.2   
    ## [41] utf8_1.2.1        stringi_1.5.3     munsell_0.5.0     crayon_1.4.1

## References





AlburezGutierrez, Diego, Carl Mason, and Emilio Zagheni. 2021. The
Sandwich Generation Revisited: Global Demographic Drivers of Care
Time Demands. *Population and Development Review* 47 (4): 9971023.
.





Caswell, Hal. 2019. The Formal Demography of Kinship: A Matrix
Formulation. *Demographic Research* 41 (September): 679712.
.





. 2020. The Formal Demography of Kinship II: Multistate Models,
Parity, and Sibship. *Demographic Research* 42 (June): 10971146.
.





. 2022. The Formal Demography of Kinship IV: Two-Sex Models and
Their Approximations. *Demographic Research* 47 (September): 35996.
.





Caswell, Hal, and Xi Song. 2021. The Formal Demography of Kinship. III.
Kinship Dynamics with Time-Varying Demographic Rates. *Demographic
Research* 45: 51746.





Keyfitz, Nathan, and Hal Caswell. 2005. *Applied Mathematical
Demography*. New York: Springer.

Owner

GitHub Events