Un análisis de las defunciones en República Dominicana

Defunciones por sexo

Aspectos relevantes sobre el gráfico

Esta visualización tiene de interesante el hecho de se utiliza el paquetes patchwork, que permite combinar varios gráficos en uno usando el operador aritmético de suma +. Simplemente hay que crear dos objetos con gráficos y sumarlos.

# gráfico de defunciones totales  por sexo 
p_def_sexo <- defunciones %>%
  filter(ano_def %in% 2001:2019,
         sexo != "No declarado") %>%
  group_by(sexo) %>%
  count() %>%
  ggplot(
    aes(x = sexo, y = n, fill = sexo)) +
  geom_col(alpha = 0.7, show.legend = FALSE) +
  scale_y_continuous(labels = scales::comma) +
  geom_text(
    aes(x = sexo, y = (n + 13000),
        label = format(n, big.mark = ",")),
    size = 5
    ) +
  theme(axis.text.y = element_blank()) +
  labs(x = "", y = "") +
  my_fill_pal

# gráfico de la volución de defunciones por sexo
p_def_sexo_long <- defunciones %>%
  filter(ano_def >= 2001, ano_def != 9999,
         sexo != "No declarado") %>%
  group_by(ano_def, sexo) %>%
  count() %>%
  ggplot(aes(x = ano_def, y = n, color = sexo)) +
  geom_line(size = 1, show.legend = FALSE) +
  geom_point(size = 2, show.legend = FALSE) +
  scale_x_continuous(breaks = seq(2003, 2019, 3)) +
  my_color_pal +
  theme(
    legend.position = 'bottom'
  ) +
  scale_y_continuous(labels = scales::comma) +
  labs(
    x = '',
    y = '',
    color = ''
  )
    
p_def_sexo + p_def_sexo_long

Descripción

• En el período 2001 - 2018 fallecieron 380,151 hombres y 260,866 mujeres
• La cantidad de hombres fallecidos supera en 119,285 personas a la de mujeres
• La diferencia entre la cantidad de hombre fallecidos representa el 45.7% del total de mujeres que murieron
• La brecha entre la cantidad de de fallecimientos según sexo va en aumento
• La pendiente de la curva de mujeres fallecidas es menos inclinada que la de hombres

Defunciones por provincias

Aspectos relevantes sobre el gráfico

El próximo es un gráficos de mosaicos, en el que cada fila representa una provincia y cada columna un año. Este tipo de visualización es muy común y le lleva ventajas a los mapas, por poner un ejemplo, en el sentido de que permite hacer visualizaciones longitudinales o multivariantes en una sola figura.

Para lograr esta visualización fue necesario descargar las proyecciones de población para los años que estamos analizando, hacer un join con la data de las defunciones y calcular la cantidad de defunciones por cada 1,000 habitantes por año.

En este caso hay que crear una paleta de color para el heat map. Esta que uso aquí la tomé de una contribución compartida por Adrianne Basey para los retos semanales de visualizaciones de la comunidad de R en twitter.

# Paleta de colores para el heat map
my.colors <- colorRampPalette(
    c("#f0ffff","#d0e9fb","#6ea6f0",
      "#fbe204","#ffad00", "#fc2500",
      "#7f0d00"),
    bias = 2.4)

# Gráfico de las defunción por cada 1000 habitantes,
# por provincias
defunciones %>%
  filter(
    ano_def %in% 2001:2018,
    !prov_res %in% c("Extranjero",
                     "Provincia no especificada")) %>%
  count(ano_def ,prov_res, name = "defunciones") %>%
  left_join(
    poblacion_prov %>%
      filter(sexo == "total") %>%
      rename(provincia = region) %>%
      select(-sexo) %>%
      mutate(year = as.numeric(year)),
    by = c("ano_def" = "year",
           "prov_res" = "provincia")) %>%
  mutate(
    tasa_def = defunciones/(poblacion/1000),
    prov_res = fct_reorder(prov_res, tasa_def, .desc = F)) %>% 
  ggplot(
    aes(y = prov_res, fill = tasa_def, x = ano_def)) +
  geom_tile(width = .9, height = .9) +
  scale_x_continuous(expand = c(0, 0)) +
  scale_fill_gradientn(colors = my.colors(18),
                       na.value = "white") +
  labs(
    x = '',
    y = 'Provincia',
    fill = "Defunciones / 1000 hab"
  ) +
  theme(
    legend.position = 'bottom',
    axis.text.y = element_text(size = 8)
  ) 

Descripción

• El Distrito Nacional y Hermanas Mirabal son las provincias con mayor cantidad de defunciones por habitante
• En provincias como Dajabón, Puerto Plata y Monteplata la cantidad de defunciones por habitante ha ido en aumento

Defunciones por edad

Aspectos generales sobre la visualización

Otra visualización similar a la última se puede lograr con la geometría geom_raster() de ggplot2. Está geometría hace casi lo mismo que geom_tile() y geom_rect(), pero es más útil cuando hay muchos rectángulos de la misma dimensión. La combinación de la edad de fallecimiento y los años contemplados en el período de análisis nos lleva a manejar cerca de 1,800 rectángulos, justificando en uso de geom_raster().

 defunciones %>%
  filter(edad_fal < 98, ano_def %in% 2001:2019,
         sexo != "No declarado") %>%
  group_by(ano_def) %>%
  count(edad_fal, sexo) %>% 
  ggplot(aes(x = ano_def, y = edad_fal, fill = n)) +
  geom_raster() +
  facet_grid(~sexo) +
  scale_fill_viridis_c(option = "A", direction = -1) +
  labs(
    x = "Año de defunción",
    y = "Edad en años cumplidos",
    fill = "Defunciones"
  )

Ahora una animación de distribución acumulada de las defunciones en la que se puede verificar que las personas se están muriendo más viejas en al pricipio del período. Aquí me hubiese gustado calcular las tasas de mortalidad por edad pero no fue posible por la forma en la que se publican las proyecciones de población. Sería útil si la ONE también publica las proyecciones de población en un formato similar al que ha publicado las estadísticas de defunciones, nacimientos, matrimonios y divorcios.

p <-  defunciones %>%
  filter(edad_fal < 99, sexo != "No declarado", ano_def %in% 2001:2019) %>%
  ggplot(aes(x = edad_fal, col = ano_def, group = ano_def)) +
  stat_ecdf(size = 1) +
  facet_wrap(~sexo) +
  scale_color_gradientn(colours = rainbow(10)) +
  transition_time(ano_def) +
  ease_aes('linear') +
  shadow_mark(colour = "grey70") +
  labs(
    title = 'Año: {as.integer(frame_time)}',
    color = "Año",
    x = "Edad",
    y ='Distribución') 
  
animate(p)

defunciones %>%
  filter(ano_def > 2000, ano_def != 9999,
         !is.na(edad_decenal),
         sexo != "No declarado") %>%
  group_by(ano_def, edad_decenal) %>%
  count(sexo) %>%
  ggplot(
    aes(x = ano_def,
        y = n,
        fill = edad_decenal)) +
  geom_bar(
    stat = "identity",
    position = "fill", color = "grey") +
  scale_x_continuous(
    breaks = seq(2001, 2018, by = 4)) +
  theme(
    legend.position = 'bottom',
    plot.title = element_text(size = 12),
    plot.subtitle = element_text(size = 10)) +
  guides(fill = guide_legend(nrow =2)) +
  facet_wrap(~sexo) +
  labs(fill = "",
       x = "",
       y = "",
       title = "Distribución de las defunciones por grupos decenales de edad",
       subtitle = "2011 - 2018") +
  scale_fill_brewer(palette = "Spectral")

Descripción

• Gran parte de las defunciones de ambos sexos se concentran en niños menores de un año.
• La edad promedio de defunción ha aumentado en las últimas décadas.
• Los hombres se empiezan a morir más jóvenes que las mujeres (En el 2018, el 50% de los hombres murió con edad de 60 años o más, mientras que 50% de las mujeres falleció con edades superiores a los 70 años)