In danimedi/residentado_peru: What the Package Does (One Line, Title Case)

knitr::opts_chunk$set(echo = TRUE)
source("functions_by_gender.R")

Tendencias por género de los ingresantes a especialidades médicas en el Perú

Daniel Medina-Neira, Napoleon Medina-Neira

load(here::here("data/peru_residentado.rda"))
dat <- peru_residentado
# gender 0 and 1 (1 = F, 0 = M) to M and F
dat$gender <- ifelse(dat$gender, "female", "male")

Introducción

\% de especialistas 2018

round(20117/43805*100, 2)

Resultados

Asignación de género

cantidad de ingresantes (número y proporción):

sum( !is.na(dat[, "gender"]) )
100-round(mean( is.na(dat[, "gender"]) )*100, 2)

cantidad de postulantes (número y proporción):

sum( !is.na(dat[dat$ingreso == 1, "gender"]) )
100-round(mean( is.na(dat[dat$ingreso == 1, "gender"]) )*100, 2)

Ingresantes a residencias por género

Figura 1

source("functions_by_gender.R")
give_timeline(column = "gender", years = 2013:2020, top = 2, ylim = c(0,3500))

en cifras exactas:

#postulations
table( dat[ dat$year == 2013, "gender"] ) # 2013
table( dat[ dat$year == 2014, "gender"] ) # 2014
table( dat[ dat$year == 2015, "gender"] ) # 2015
table( dat[ dat$year == 2016, "gender"] ) # 2016
table( dat[ dat$year == 2017, "gender"] ) # 2017
table( dat[ dat$year == 2018, "gender"] ) # 2018
table( dat[ dat$year == 2019, "gender"] ) # 2019
table( dat[ dat$year == 2020, "gender"] ) # 2020

#enters
table( dat[ (dat$year == 2016) & (dat$ingreso == 1), "gender"] ) # 2016
table( dat[ (dat$year == 2017) & (dat$ingreso == 1), "gender"] ) # 2017
table( dat[ (dat$year == 2018) & (dat$ingreso == 1), "gender"] ) # 2018
table( dat[ (dat$year == 2019) & (dat$ingreso == 1), "gender"] ) # 2019
table( dat[ (dat$year == 2020) & (dat$ingreso == 1), "gender"] ) # 2020

Especialidades por género, postulantes e ingresantes

Primeras gráficas el total de postulantes, mostrando la cantidad de ingresantes Segudas gráficas lo mismo, pero por género Tabla de lo anterior

give_bars(column = "especialidad_subespecialidad_postulantes", years = 2013:2020)
give_sep_bars("especialidad_subespecialidad_postulantes", "gender", top = 20, years = 2016:2020, adj = 10)
ent_post_spec_by_gender(top = 15, years = 2016:2020)

Ingresantes a especialidades a través del tiempo

Línea de tiempo de 30 especialidades, en el artículo solo se muestran las 15 primeras

par(mfrow = c(4,4))
timelines_by("gender", "especialidad_subespecialidad_ingresantes",
             top_column = 2, top_by = 30, 2016:2020, ylim = c(0,150))

cálculos de cuántas veces más

tab1 <- give_sep_bars_enters_table("especialidad_subespecialidad_ingresantes", "gender", top = 30, years = 2016:2020)
ratios_m_f1 <- lapply(tab1,
                       function(x) {round( as.matrix(x[,"male"]/x[,"female"]), 2 )} )
ratios_f_m1 <- lapply(tab1,
                      function(x) {round( as.matrix(x[,"female"]/x[,"male"]), 2 )} )

round(sort(rowMeans(as.data.frame(ratios_m_f1)))) # more males
round(sort(rowMeans(as.data.frame(ratios_f_m1)))) # more females