5 Bivariados

5.1 Descriptivos de migración

	var	label	n	NA.prc	mean	sd	range
5	frecuencia_migrantes	Frecuencia de contacto con [PER/HAI/VEN]	0	100.00	NaN	NA	-Inf (Inf--Inf)
2	contacto_migrantes	Contacto positivo con [PER/HAI/VEN]	0	100.00	NaN	NA	-Inf (Inf--Inf)
8	simpatia_migrantes	Grado de simpatia por [PER/HAI/VEN] que viven en Chile	2610	4.74	2.93	1.14	4 (1-5)
7	perdida_identidad	Grado de acuerdo: Chile pierde su identidad con llegada de [PER/HAI/VEN]	2709	1.13	2.96	1.16	4 (1-5)
3	desempleo_migrantes	Grado de acuerdo: Con llegada de [PER/HAI/VEN] aumenta el desempleo	2709	1.13	3.23	1.15	4 (1-5)
1	confianza_migrantes	Grado de confianza en [PER/HAI/VEN]	2654	3.14	2.53	1.02	4 (1-5)
4	fomentar_migracion	Grado de acuerdo: Fomentar migracion de [PER/HAI/VEN] calificados	2700	1.46	3.30	1.05	4 (1-5)
6	igualdad_migrantes	Grado de acuerdo: Migrantes [PER/HAI/VEN] acceso a salud igualitario	2720	0.73	3.89	0.79	4 (1-5)

Table 5.1: Variables migración ola 5

	var	label	n	NA.prc	mean	sd	range
5	frecuencia_migrantes	Frecuencia de contacto con [PER/HAI/VEN]	2729	0.04	1.85	1.13	4 (1-5)
2	contacto_migrantes	Contacto positivo con [PER/HAI/VEN]	1205	55.86	3.55	0.92	4 (1-5)
8	simpatia_migrantes	Grado de simpatia por [PER/HAI/VEN] que viven en Chile	2564	6.08	2.82	1.08	4 (1-5)
7	perdida_identidad	Grado de acuerdo: Chile pierde su identidad con llegada de [PER/HAI/VEN]	2690	1.47	3.01	1.14	4 (1-5)
3	desempleo_migrantes	Grado de acuerdo: Con llegada de [PER/HAI/VEN] aumenta el desempleo	2708	0.81	3.17	1.15	4 (1-5)
1	confianza_migrantes	Grado de confianza en [PER/HAI/VEN]	2609	4.43	2.58	1.01	4 (1-5)
4	fomentar_migracion	Grado de acuerdo: Fomentar migracion de [PER/HAI/VEN] calificados	2698	1.17	3.33	1.09	4 (1-5)
6	igualdad_migrantes	Grado de acuerdo: Migrantes [PER/HAI/VEN] acceso a salud igualitario	2719	0.40	3.89	0.77	4 (1-5)

Table 5.2: Variables migración ola 6

Figure 5.1: Likerplot desempleo debido a inmigrantes

Figure 5.2: Likerplot pérdida de identidad del país

5.2 Creación de índices

Para realizar los cruces de las subdimensiones de la cohesión social con migración, se construyen índices de los promedios de los indicadores que conforman los constructos validados en la sección anterior.

Note

Si bien, en la sección de análisis de constructos estos se entendieron como factores, para efectos prácticos de difusión se decidió aplicar una construcción de índices, ya que esto permite que los valores se mantengan en la escala original en que fueron medidas las variables, lo cual facilita su interpretación al momento de presentar resultados.

elsoc_5 <- elsoc_5 %>%
  mutate(comportamiento_prosocial = rowMeans(select(., reunion_pub, voluntariado), na.rm = TRUE))

elsoc_5 <- elsoc_5 %>%
  mutate(ayuda_economica = rowMeans(select(., prestar_dinero, ayuda_trabajo), na.rm = TRUE))

elsoc_5 <- elsoc_5 %>%
  mutate(confianza_inter = rowMeans(select(., confianza_gen, altruismo_gen), na.rm = TRUE))

elsoc_6 <- elsoc_6 %>%
  mutate(seguridad_sub = rowMeans(select(., seguridad_sat, seguridad_perc), na.rm = TRUE))

elsoc_6 <- elsoc_6 %>%
  mutate(seguridad_obj = rowMeans(select(., peleas_calle, asaltos, trafico_drogas), na.rm = TRUE))

elsoc_6 <- elsoc_6 %>%
  mutate(
    # Calcular promedio de las variables
    sentido_pertenencia = rowMeans(select(., barrio_ideal, barrio_integracion, barrio_identidad, barrio_pertenencia), na.rm = TRUE))

elsoc_6 <- elsoc_6 %>%
  mutate(satisfaccion_barrio = rowMeans(select(., barrio_amigos, barrio_sociable, barrio_cordial, barrio_colaborador), na.rm = TRUE))

PROBAR subir el valor al momento de recodificar

5.3 Correlaciones

5.3.1 Correlación seguridad

5.3.2 Correlación de Spearman

corrsegmig <- round(cor(seg_mig, use = "pairwise.complete.obs", method = "spearman"), 2)

Figure 5.3: Correlaciones seguridad y migración (Spearman)

La Figure 5.3 refleja las correlaciones de Spearman entre los índices de seguridad y los indicadores de migración. Se observa la mayoría de los indicadores de migración tienen una correlación bastante baja con ambos índices de seguridad. Las asociaciones más altas las tiene la seguridad subjetiva con confianza en migrantes (.14) y con simpatía hacia los migrantes (.10).

5.3.3 Correlaciones policóricas

poly_cor <- polychoric(seg_mig)

Figure 5.4: Correlaciones seguridad y migración

En Figure 5.4 se observa una matriz de correlaciones policóricas. En este caso, la mayoría de las correlaciones son bajas, destacando seguridad subjetiva con desempleo debido a inmigrantes con un -.25, entiéndose que mientras más acuerdo hay con que la llegada de inmigrantes al país causa desempleo, menor es la sensación de seguridad. En la misma lógica se correlacionan seguridad subjetiva con pérdida de identidad, en donde, a menor seguridad subjetiva, mayor acuerdo con que los inmigrantes hacen que Chile pierda identidad.

5.4 Correlación vínculos territoriales

5.4.1 Correlación de Spearman

barrio_mig <- elsoc_6 %>%
  select(sentido_pertenencia, satisfaccion_barrio, frecuencia_migrantes, contacto_migrantes, simpatia_migrantes,
         perdida_identidad, desempleo_migrantes, confianza_migrantes, 
         fomentar_migracion, igualdad_migrantes)

corrbarriomig <- round(cor(barrio_mig, use = "pairwise.complete.obs", , method = "spearman"), 2)

Figure 5.5: Correlaciones territorio y migración

En Figure 5.5 se pueden ver los cruces entre los índices de vinculación territorial con los indicadores de migración. Las correlaciones entre las mediciones de territorio y la migración son en general bajas, siendo satisfacción del barrio con confianza en migrantes la más alta (.12).

5.4.2 Correlaciones policóricas

poly_cor2 <- polychoric(barrio_mig)

Figure 5.6: Correlaciones territorio y migración

En Figure 5.6 se observa la matriz de correlaciones policóricas que contiene los índices de vinculación territorial e indicadores de migración. La mayoría de las correlaciones son bajas. El índice de sentido de pertenencia correlaciona en un -.22 con frecuencia con inmigrantes, entendiéndose que a mayor sentido de pertenencia del barrio, menor se frecuenta con inmigrantes.

5.5 Correlación redes sociales

redes_mig <- elsoc_5 %>%
  select(comportamiento_prosocial, ayuda_economica, confianza_inter, frecuencia_migrantes, contacto_migrantes, simpatia_migrantes,
         perdida_identidad, desempleo_migrantes, confianza_migrantes, 
         fomentar_migracion, igualdad_migrantes)

5.5.1 Correlación de Spearman

corredesmig <- round(cor(redes_mig, use = "pairwise.complete.obs", method = "spearman"), 2)

Figure 5.7: Correlaciones redes sociales y migración (Spearman)

5.5.2 Correlaciones policóricas

poly_cor3 <- polychoric(redes_mig)

Item = frecuencia_migrantes had no variance and was deleted

Item = contacto_migrantes had no variance and was deleted

Warning in polychoric(redes_mig): The items do not have an equal number of
response alternatives, global set to FALSE.

Warning in matpLower(x, nvar, gminx, gmaxx, gminy, gmaxy): 8 cells were
adjusted for 0 values using the correction for continuity. Examine your data
carefully.

Warning in cor.smooth(mat): Matrix was not positive definite, smoothing was
done

Figure 5.8: Correlaciones territorio y migración

En Figure 5.8 se presenta las correlaciones policóricas entre los índices de redes sociales (comportamiento prosocial y ayuda económica) y los indicadores de migración. En la matriz se pueden observar algunas correlaciones moderadas, tal como la asociación entre comportamiento prosocial e igualdad con inmigrantes (-.38). Esto quiere decir que, a mayor comportamiento prosocial, hay un mayor desacuerdo con que los inmigrantes tengan un acceso igualitario a la salud. En la misma lógica se presenta la asociación entre el índice de confianza interpersonal con desempleo debido a inmigrantes (-.30), queriendo decir que a menor confianza interpersonal, hay un mayor acuerdo respecto a la idea de los inmigrantes aumentan el desempleo en el país.

Warning: Removed 28 rows containing missing values or values outside the scale range
(`geom_point()`).

Figure 5.9: Jitter de igualdad en salud con inmigrantes y comportamiento prosocial

En Figure 5.9 se observa la distribución de los valores entre el índice de comportamiento prosocial y el indicador de igualdad en salud con inmigrantes. La densidad de las respuestas se concentra mayoritariamente en la parte inferior derecha del gráfico, lo que indica una asociación negativa entre las dos variables. Se puede interpretar que, cuando las personas no han cometido actos a favor del vínculo social, están de acuerdo con que los inmigrantes tengan acceso a la salud de la misma forma que los chilenos.

6 Moderación de correlaciones (género y nivel educacional)

En orden de encontrar asociaciones con mayor efecto y que, en consecuencia, puedan ser insumos relevantes para el segundo foro, se aplican las mismas correlaciones que en el punto anterior, pero esta vez filtrando por género (hombre/mujer) y nivel educacional(universitario/no universitario).

6.1 Seguridad por género

seguridad_genero <- elsoc_6 %>%
  select(sexo, seguridad_obj, seguridad_sub, frecuencia_migrantes, contacto_migrantes, simpatia_migrantes,
         perdida_identidad, desempleo_migrantes, confianza_migrantes, 
         fomentar_migracion, igualdad_migrantes)

seguridad_hombres <- seguridad_genero %>%
  filter(sexo==0)

seguridad_mujeres <- seguridad_genero %>%
  filter(sexo==1)

seguridad_hombres <- seguridad_hombres %>%
  select(-c(sexo))

seguridad_mujeres <- seguridad_mujeres %>%
  select(-c(sexo))

poly_cor4 <- polychoric(seguridad_hombres)
poly_cor5 <- polychoric(seguridad_mujeres)

Figure 6.1: Correlaciones seguridad y migración (hombres)

Correlaciones relevantes: Seguridad objetiva y frencuencia con inmigrantes (-.28). Seguridad objetiva y contacto con inmigrantes (-.27) Seguridad subjetiva con fomentar la migración legal (-26).

Figure 6.2: Correlaciones seguridad y migración (mujeres)

Correlaciones relevantes: Seguridad objetiva y frencuencia con inmigrantes (-.28).

6.2 Seguridad por educación

seguridad_educ <- elsoc_6 %>%
  select(educacion, seguridad_obj, seguridad_sub, frecuencia_migrantes, contacto_migrantes, simpatia_migrantes,
         perdida_identidad, desempleo_migrantes, confianza_migrantes, 
         fomentar_migracion, igualdad_migrantes)

seguridad_titulo <- seguridad_educ %>%
  filter(educacion==1)

seguridad_notitulo <- seguridad_educ %>%
  filter(educacion==0)

seguridad_titulo <- seguridad_titulo %>%
  select(-c(educacion))

seguridad_notitulo <- seguridad_notitulo %>%
  select(-c(educacion))

poly_cor6 <- polychoric(seguridad_titulo)
poly_cor7 <- polychoric(seguridad_notitulo)

Figure 6.3: Correlaciones seguridad y migración (titulados)

Correlaciones relevantes: Seguridad subjetiva y desempleo debido a inmigrantes (-.30. Seguridad objetiva y frecuencia inmigrantes (-.29).

Figure 6.4: Correlaciones seguridad y migración (no titulados)

Correlaciones relevantes: Seguridad objetiva y frecuencia inmigrantes (-.28).

6.3 Vínculos territoriales por género

barrio_genero <- elsoc_6 %>%
  select(sexo, sentido_pertenencia, satisfaccion_barrio, frecuencia_migrantes, contacto_migrantes,     simpatia_migrantes, perdida_identidad, desempleo_migrantes, confianza_migrantes, 
         fomentar_migracion, igualdad_migrantes)

barrio_hombres <- barrio_genero %>%
  filter(sexo==0)

barrio_mujeres <- barrio_genero %>%
  filter(sexo==1)

barrio_hombres <- barrio_hombres %>%
  select(-c(sexo))

barrio_mujeres <- barrio_mujeres %>%
  select(-c(sexo))

poly_cor8 <- polychoric(barrio_hombres)
poly_cor9 <- polychoric(barrio_mujeres)

Figure 6.5: Correlaciones barrio y migración (hombres)

Correlaciones relevantes: Sentido de pertenencia y frecuencia con inmigrantes (-.25).

Figure 6.6: Correlaciones barrio y migración (mujeres)

Correlaciones relevantes: Sentido de pertenencia y frecuencia con inmigrantes (-.21).

6.4 Vínculos territoriales por educación

barrio_educ <- elsoc_6 %>%
  select(educacion, sentido_pertenencia, satisfaccion_barrio, frecuencia_migrantes, contacto_migrantes, simpatia_migrantes,
         perdida_identidad, desempleo_migrantes, confianza_migrantes, 
         fomentar_migracion, igualdad_migrantes)

barrio_titulo <- barrio_educ %>%
  filter(educacion==1)

barrio_notitulo <- barrio_educ %>%
  filter(educacion==0)

barrio_titulo <- barrio_titulo %>%
  select(-c(educacion))

barrio_notitulo <- barrio_notitulo %>%
  select(-c(educacion))

poly_cor10 <- polychoric(barrio_titulo)

Warning in cor.smooth(mat): Matrix was not positive definite, smoothing was
done

poly_cor11 <- polychoric(barrio_notitulo)

Figure 6.7: Correlaciones barrio y migración (titulados)

Correlaciones relevantes: Satisfacción con el barrio y desempleo debido a inmigrantes (-.29). Satisfacción con el barrio y pérdida de identidad del país debido a inmigrantes (-.26). Sentido de pertenencia y desempleo debido a inmigrantes (-.25).

Figure 6.8: Correlaciones barrio y migración (no titulados)

Correlaciones relevantes: Sentido de pertenencia y frecuencia con inmigrantes (-.23). ## Redes por género

redes_genero <- elsoc_5 %>%
  select(sexo, comportamiento_prosocial, ayuda_economica, confianza_inter, frecuencia_migrantes, contacto_migrantes, simpatia_migrantes,
         perdida_identidad, desempleo_migrantes, confianza_migrantes, 
         fomentar_migracion, igualdad_migrantes)

redes_hombres <- redes_genero %>%
  filter(sexo==0)

redes_mujeres <- redes_genero %>%
  filter(sexo==1)

redes_hombres <- redes_hombres %>%
  select(-c(sexo))

redes_mujeres <- redes_mujeres %>%
  select(-c(sexo))

poly_cor12 <- polychoric(redes_hombres)

Item = frecuencia_migrantes had no variance and was deleted

Item = contacto_migrantes had no variance and was deleted

Warning in polychoric(redes_hombres): The items do not have an equal number of
response alternatives, global set to FALSE.

Warning in matpLower(x, nvar, gminx, gmaxx, gminy, gmaxy): 12 cells were
adjusted for 0 values using the correction for continuity. Examine your data
carefully.

Warning in cor.smooth(mat): Matrix was not positive definite, smoothing was
done

poly_cor13 <- polychoric(redes_mujeres)

Item = frecuencia_migrantes had no variance and was deleted
Item = contacto_migrantes had no variance and was deleted

Warning in polychoric(redes_mujeres): The items do not have an equal number of
response alternatives, global set to FALSE.

Warning in matpLower(x, nvar, gminx, gmaxx, gminy, gmaxy): 9 cells were
adjusted for 0 values using the correction for continuity. Examine your data
carefully.

Warning in cor.smooth(mat): Matrix was not positive definite, smoothing was
done

Figure 6.9: Correlaciones redes sociales y migración (hombres)

Correlaciones relevantes: Comportamiento prosocial y acceso igualitario a salud con inmigrantes (-.35). Comportamiento prosocial y desempleo debido a inmigrantes (-.29). Confianza interpersonal y desempleo debido a inmigrantes (-.29). Ayuda económica y fomentar la migración legal (-.28).

Figure 6.10: Correlaciones redes y migración (mujeres)

Correlaciones relevantes: Comportamiento prosocial y acceso igualitario a salud con inmigrantes (-.40). Comportamiento prosocial y desempleo debido a inmigrantes (-.38). Confianza interpersonal y desempleo debido a inmigrantes (-.31). Ayuda económica y desempleo debido a inmigrantes (-.31).

6.5 Redes por educación

redes_educ <- elsoc_5 %>%
  select(educacion, comportamiento_prosocial, ayuda_economica, confianza_inter, frecuencia_migrantes, contacto_migrantes, simpatia_migrantes,
         perdida_identidad, desempleo_migrantes, confianza_migrantes, 
         fomentar_migracion, igualdad_migrantes)

redes_titulo <- redes_educ %>%
  filter(educacion==1)

redes_notitulo <- redes_educ %>%
  filter(educacion==0)

redes_titulo <- redes_titulo %>%
  select(-c(educacion))

redes_notitulo <- redes_notitulo %>%
  select(-c(educacion))

poly_cor14 <- polychoric(redes_titulo)

Item = frecuencia_migrantes had no variance and was deleted

Item = contacto_migrantes had no variance and was deleted

Warning in polychoric(redes_titulo): The items do not have an equal number of
response alternatives, global set to FALSE.

Warning in matpLower(x, nvar, gminx, gmaxx, gminy, gmaxy): 17 cells were
adjusted for 0 values using the correction for continuity. Examine your data
carefully.

Warning in cor.smooth(mat): Matrix was not positive definite, smoothing was
done

poly_cor15 <- polychoric(redes_notitulo)

Item = frecuencia_migrantes had no variance and was deleted
Item = contacto_migrantes had no variance and was deleted

Warning in polychoric(redes_notitulo): The items do not have an equal number of
response alternatives, global set to FALSE.

Warning in matpLower(x, nvar, gminx, gmaxx, gminy, gmaxy): 8 cells were
adjusted for 0 values using the correction for continuity. Examine your data
carefully.

Warning in cor.smooth(mat): Matrix was not positive definite, smoothing was
done

Figure 6.11: Correlaciones redes y migración (titulados)

Correlaciones relevantes: Ayuda económica y confianza en inmigrantes (-.32). Comportamiento prosocial e igualdad en acceso a la salud con inmigrantes (-.31).

Figure 6.12: Correlaciones redes y migración (no titulados)

Correlaciones relevantes: Comportamiento prosocial e igualdad en acceso a la salud con inmigrantes (-.40). Comportamiento prosocial y desempleo debido a inmigrantes (-.36). Confianza interpersonal y desempleo debido a inmigrantes (-.31).

7 Visualizaciones

elsoc_5_graph <- elsoc_5 %>%
  mutate(comportamiento_prosocial = rowMeans(select(., reunion_pub, voluntariado), na.rm = TRUE))

elsoc_5_graph <- elsoc_5_graph %>%
  mutate(comportamiento_prosocial = case_when(
    comportamiento_prosocial <= 1.5 ~ 1,
    comportamiento_prosocial >= 2   ~ 0
  ))

elsoc_5_graph <- elsoc_5_graph %>%
  mutate(ayuda_economica = rowMeans(select(., prestar_dinero, ayuda_trabajo), na.rm = TRUE))

elsoc_5_graph <- elsoc_5_graph %>%
  mutate(ayuda_economica = case_when(
    ayuda_economica <= 1.5 ~ 1,
    ayuda_economica >= 2   ~ 0
  ))

elsoc_5_graph <- elsoc_5_graph %>%
  mutate(confianza_inter = rowMeans(select(., confianza_gen, altruismo_gen), na.rm = TRUE))

elsoc_5_graph <- elsoc_5_graph %>%
  mutate(confianza_inter = case_when(
    confianza_inter <= 1.5 ~ 1,
    confianza_inter >= 2   ~ 0
  ))

elsoc_6_graph <- elsoc_6 %>%
  mutate(seguridad_sub = rowMeans(select(., seguridad_sat, seguridad_perc), na.rm = TRUE))

elsoc_6_graph <- elsoc_6_graph %>%
  mutate(seguridad_sub = case_when(
    seguridad_sub <= 2.5 ~ 1,
    seguridad_sub >= 3   ~ 0
  ))

elsoc_6_graph <- elsoc_6_graph %>%
  mutate(seguridad_obj = rowMeans(select(., peleas_calle, asaltos, trafico_drogas), na.rm = TRUE))

elsoc_6_graph <- elsoc_6_graph %>%
  mutate(seguridad_obj = case_when(
    seguridad_obj <= 2.5 ~ 1,
    seguridad_obj >= 3   ~ 0
  ))

elsoc_6_graph <- elsoc_6_graph %>%
  mutate(
    # Calcular promedio de las variables
    sentido_pertenencia = rowMeans(select(., barrio_ideal, barrio_integracion, barrio_identidad, barrio_pertenencia), na.rm = TRUE))

elsoc_6_graph <- elsoc_6_graph %>%
  mutate(sentido_pertenencia = case_when(
    sentido_pertenencia <= 2.5 ~ 1,
    sentido_pertenencia >= 3   ~ 0
  ))

elsoc_6_graph <- elsoc_6_graph %>%
  mutate(satisfaccion_barrio = rowMeans(select(., barrio_amigos, barrio_sociable, barrio_cordial, barrio_colaborador), na.rm = TRUE))

elsoc_6_graph <- elsoc_6_graph %>%
  mutate(satisfaccion_barrio = case_when(
    satisfaccion_barrio <= 2.5 ~ 1,
    satisfaccion_barrio >= 3   ~ 0
  ))

7.1 Gráficos migración

elsoc_5_graph <- elsoc_5_graph %>%
  mutate(desempleo_migrantes = case_when(
    desempleo_migrantes <= 2 ~ 1,
    desempleo_migrantes == 3  ~ 2,
    desempleo_migrantes >= 4 ~ 3
  ))

elsoc_5_graph <- elsoc_5_graph %>%
  mutate(contacto_migrantes = case_when(
    contacto_migrantes <= 2 ~ 1,
    contacto_migrantes == 3  ~ 2,
    contacto_migrantes >= 4 ~ 3
  ))

elsoc_5_graph <- elsoc_5_graph %>%
  mutate(simpatia_migrantes = case_when(
    simpatia_migrantes <= 2 ~ 1,
    simpatia_migrantes == 3  ~ 2,
    simpatia_migrantes >= 4 ~ 3
  ))

elsoc_5_graph <- elsoc_5_graph %>%
  mutate(igualdad_migrantes = case_when(
    igualdad_migrantes <= 2 ~ 1,
    igualdad_migrantes == 3  ~ 2,
    igualdad_migrantes >= 4 ~ 3
  ))

elsoc_5_graph <- elsoc_5_graph %>%
  mutate(perdida_identidad = case_when(
    perdida_identidad <= 2 ~ 1,
    perdida_identidad == 3  ~ 2,
    perdida_identidad >= 4 ~ 3
  ))

elsoc_6_graph <- elsoc_6_graph %>%
  mutate(desempleo_migrantes = case_when(
    desempleo_migrantes <= 2 ~ 1,
    desempleo_migrantes == 3  ~ 2,
    desempleo_migrantes >= 4 ~ 3
  ))

elsoc_6_graph <- elsoc_6_graph %>%
  mutate(contacto_migrantes = case_when(
    contacto_migrantes <= 2 ~ 1,
    contacto_migrantes == 3  ~ 2,
    contacto_migrantes >= 4 ~ 3
  ))

elsoc_6_graph <- elsoc_6_graph %>%
  mutate(simpatia_migrantes = case_when(
    simpatia_migrantes <= 2 ~ 1,
    simpatia_migrantes == 3  ~ 2,
    simpatia_migrantes >= 4 ~ 3
  ))

elsoc_6_graph <- elsoc_6_graph %>%
  mutate(igualdad_migrantes = case_when(
    igualdad_migrantes <= 2 ~ 1,
    igualdad_migrantes == 3  ~ 2,
    igualdad_migrantes >= 4 ~ 3
  ))

elsoc_6_graph <- elsoc_6_graph %>%
  mutate(perdida_identidad = case_when(
    perdida_identidad <= 2 ~ 1,
    perdida_identidad == 3  ~ 2,
    perdida_identidad >= 4 ~ 3
  ))

Scale for fill is already present.
Adding another scale for fill, which will replace the existing scale.

7.2 Seguridad transversal

Figure 7.2: Asociación entre percepción de desempleo y seguridad subjetiva

Figure 7.3: Asociación entre percepción de pérdida de identidad y seguridad objetiva

7.3 Vínculos territoriales transversal

Figure 7.4: Asociación entre percepción de pérdida de identidad y satisfacción con el barrio

Figure 7.5: Asociación entre percepción de pérdida de identidad y sentido de pertenencia

7.4 Redes sociales transversal

Figure 7.6: Asociación entre percepción de desempleo y comportamiento prosocial

Figure 7.7: Asociación entre percepción de desempleo debido a inmigrantes y confianza interpersonal

Figure 7.8: Asociación entre percepción de pérdida de identidad y ayuda económica

7.5 Seguridad por género

seguridad_genero <- elsoc_6_graph %>%
  select(sexo, seguridad_obj, seguridad_sub, contacto_migrantes, simpatia_migrantes,
         perdida_identidad, desempleo_migrantes, igualdad_migrantes)

seguridad_hombres <- seguridad_genero %>%
  filter(sexo==0)

seguridad_mujeres <- seguridad_genero %>%
  filter(sexo==1)

seguridad_hombres <- seguridad_hombres %>%
  select(-c(sexo))

seguridad_mujeres <- seguridad_mujeres %>%
  select(-c(sexo))

seg_interact <- a / b
seg_interact

7.6 Seguridad por educación

seguridad_educ <- elsoc_6_graph %>%
  select(educacion, seguridad_obj, seguridad_sub, contacto_migrantes, simpatia_migrantes,
         perdida_identidad, desempleo_migrantes, igualdad_migrantes)

seguridad_titulo <- seguridad_educ %>%
  filter(educacion==1)

seguridad_notitulo <- seguridad_educ %>%
  filter(educacion==0)

seguridad_titulo <- seguridad_titulo %>%
  select(-c(educacion))

seguridad_notitulo <- seguridad_notitulo %>%
  select(-c(educacion))

seg_interact_ed <- d / c
seg_interact_ed

7.7 Vínculos territoriales por género

barrio_genero <- elsoc_6_graph %>%
  select(sexo, sentido_pertenencia, satisfaccion_barrio, contacto_migrantes, simpatia_migrantes,
         perdida_identidad, desempleo_migrantes, igualdad_migrantes)

barrio_hombres <- barrio_genero %>%
  filter(sexo==0)

barrio_mujeres <- barrio_genero %>%
  filter(sexo==1)

barrio_hombres <- barrio_hombres %>%
  select(-c(sexo))

barrio_mujeres <- barrio_mujeres %>%
  select(-c(sexo))

barrio_interact <- e / f
barrio_interact

7.8 Vínculos territoriales por educación

barrio_educ <- elsoc_6_graph %>%
  select(educacion, sentido_pertenencia, satisfaccion_barrio, contacto_migrantes, simpatia_migrantes,
         perdida_identidad, desempleo_migrantes, igualdad_migrantes)

barrio_titulo <- barrio_educ %>%
  filter(educacion==1)

barrio_notitulo <- barrio_educ %>%
  filter(educacion==0)

barrio_titulo <- barrio_titulo %>%
  select(-c(educacion))

barrio_notitulo <- barrio_notitulo %>%
  select(-c(educacion))

barrio_interact_ed <- g / h
barrio_interact_ed

7.9 Redes sociales por género

redes_genero <- elsoc_5_graph %>%
  select(sexo, comportamiento_prosocial, ayuda_economica, confianza_inter, contacto_migrantes, simpatia_migrantes, perdida_identidad, desempleo_migrantes, igualdad_migrantes)

redes_hombres <- redes_genero %>%
  filter(sexo==0)

redes_mujeres <- redes_genero %>%
  filter(sexo==1)

redes_hombres <- redes_hombres %>%
  select(-c(sexo))

redes_mujeres <- redes_mujeres %>%
  select(-c(sexo))

redes_interact <- i / j
redes_interact