Entrega 4

1. Presentación: objetivo de la investigación, base de datos y variables

1.1 Objetivo de la investigación

El objetivo principal del trabajo es examinar a nivel provincial la relación entre el IDH (variable dependiente) y una serie de variables independientes, las cuales están asociadas a la capacidad estatal.

Es relevante abordar el trabajo de manera cuantitativa, pues la relación entre las variables nos ayudará a identificar patrones y tendencias que pueden influir en la implementación de políticas públicas y en la toma de decisiones del gobierno peruano. Asimismo, creemos que esta relación tiene un aporte académico importante, ya que puede sentar la base para futuras investigaciones académicas.

Para llegar a este objetivo, hemos aplicado una serie de técnicas que permiten medir las variables independientes y la relación que guardan con la variable dependiente. Estas mediciones fueron aplicadas con la ayuda de modelos lineales y análisis de conglomerados.

La presente entrega se estructura de la siguiente manera: 1) presentación de la base de datos, 2) los resultados del modelo de regresión lineal y 3) los resultados de aplicación de la técnica de conglomerados.

Tomando esto en cuenta, se subirá el documento a Github para posteriormente crear un póster con información completa del trabajo.

1.2 Base de datos

El proceso de construcción de la base de datos partió desde un planteamiento teórico hacia la operacionalización de las variables y la recolección de datos desde fuentes diversas.

Primero, partimos por definir el Índice de Desarrollo Humano (IDH), los datos se recolectaron de la medición del INEI (2019).

Luego, pasamos a definir capacidad estatal, y dividir el concepto en dimensiones que a su vez agrupan a un grupo de variables operacionadas; las cuales se seleccionaron porque tenían una relación estrecha con la variable de interés según la revisión de la literatura académica.

La dimensión 1 fue “distribución territorial y legibilidad estatal”, que incluía las variables: cantidad de población (INEI, 2017), extensión territorial (INEI, 2013), densidad de población (división entre las dos anteriores) y cantidad de distritos (OpenDatasSoft, 2023).

La dimensión 2 fue la “capacidad coercitiva del Estado” que incluía las variables: cantidad de dependencias judiciales (portal del Poder Judicial, 2021), cantidad de comisarías (RENAMU, 2018), número de policías por comisarías (INEI, 2017) y promedio de patrullaje por día (INEI, 2020).

La dimensión 3 fue la “capacidad fiscal del Estado” que incluía las variables: la recaudación tributaria (CEPLAN, 2020), el Presupuesto Institucional Modificado (Portal Amigable, 2022) y gasto presupuestario (CEPLAN, 2020).

La dimensión 4 es la “capacidad administrativa y provisión de servicios desde el Estado”, la cual incluye variables relacionadas al sector educación como el número de locales públicos educativos que cuentan con internet y computadoras funcionales (Censo Escolar, 2017), el porcentaje de locales educativos en buen estado (CEPLAN, 2020) y el porcentaje de satisfacción con los servicios educativos (ENAHO, 2022); las variables relacionadas al sector salud (CEPLAN, 2020) son cantidad de hospitales, cantidad de profesionales de la salud y cantidad de personas que no tienen seguro.

Por último, se uieron los datos en una sola base de datos, que tenía como unidad de análisis a las provincias del Perú.

El Repositorio de la base de datos es: https://docs.google.com/spreadsheets/d/1zhSUOzPt8TH9mXuZzWsrpLYthjWWgJDs/edit?rtpof=true

1.2.1 Visualización de la base de datos

library(rio)

## Warning: package 'rio' was built under R version 4.2.3

library(DT)

## Warning: package 'DT' was built under R version 4.2.3

data= import("Base_de_datos_F5.xlsx")
datatable(data)

2. Modelo de regresión lineal multiple

2.1 Cargar librerías

library(rmdformats)

## Warning: package 'rmdformats' was built under R version 4.2.2

library(DescTools)

## Warning: package 'DescTools' was built under R version 4.2.1

library(nortest)
library(ggplot2)

## Warning: package 'ggplot2' was built under R version 4.2.3

library(stargazer)

## 
## Please cite as:

##  Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Summary Statistics Tables.

##  R package version 5.2.3. https://CRAN.R-project.org/package=stargazer

library(modelsummary)

## Warning: package 'modelsummary' was built under R version 4.2.3

## 
## Attaching package: 'modelsummary'

## The following objects are masked from 'package:DescTools':
## 
##     Format, Mean, Median, N, SD, Var

library(dplyr)

## Warning: package 'dplyr' was built under R version 4.2.3

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

library(magrittr)

## Warning: package 'magrittr' was built under R version 4.2.1

library(BBmisc)

## Warning: package 'BBmisc' was built under R version 4.2.3

## 
## Attaching package: 'BBmisc'

## The following objects are masked from 'package:dplyr':
## 
##     coalesce, collapse, symdiff

## The following object is masked from 'package:DescTools':
## 
##     %nin%

## The following object is masked from 'package:base':
## 
##     isFALSE

library(knitr)

## Warning: package 'knitr' was built under R version 4.2.1

library(kableExtra)

## Warning: package 'kableExtra' was built under R version 4.2.3

## 
## Attaching package: 'kableExtra'

## The following object is masked from 'package:dplyr':
## 
##     group_rows

library(car)

## Warning: package 'car' was built under R version 4.2.1

## Loading required package: carData

## Warning: package 'carData' was built under R version 4.2.1

## 
## Attaching package: 'car'

## The following object is masked from 'package:dplyr':
## 
##     recode

## The following object is masked from 'package:DescTools':
## 
##     Recode

2.2 Base de datos: limpieza de valores perdidos (NA’s)

Visualización de la base de datos:

str(data)

## 'data.frame':    196 obs. of  12 variables:
##  $ PROVINCIA   : chr  "CONDORCANQUI" "BONGARA" "RODRIGUEZ DE MENDOZA" "LUYA" ...
##  $ DEPARTAMENTO: chr  "AMAZONAS" "AMAZONAS" "AMAZONAS" "AMAZONAS" ...
##  $ idh         : num  0.254 0.413 0.366 0.341 0.543 ...
##  $ DISTRITOS   : num  3 12 12 23 21 6 7 2 7 9 ...
##  $ PIM         : num  133.9 25.9 50.1 77 395.2 ...
##  $ PATRULLAJE  : num  4 6 3 5 2 4 2 4 8 1 ...
##  $ COMISARIAS  : num  6 6 6 11 8 7 8 1 6 1 ...
##  $ JUDICIAL    : num  3 3 3 3 11 9 10 1 2 2 ...
##  $ EDUCONEC    : num  11 23 6 30 32 41 62 7 4 7 ...
##  $ ESTADOLOCAL : num  15.2 12.9 16.3 11.1 21.7 16.9 15.9 13 9.6 28.1 ...
##  $ HOSPITAL    : num  15 36 41 62 51 90 123 3 158 10 ...
##  $ NOSEGUROS   : num  14969 7952 13968 295 2560 ...

Comprobación de la existencia de valores perdidos:

any(is.na(data))

## [1] TRUE

sum(is.na(data$PATRULLAJE))

## [1] 6

data[!complete.cases(data[,-1]),]%>%kbl()%>%
  kable_styling(bootstrap_options = "striped", font_size = 10)

	PROVINCIA	DEPARTAMENTO	idh	DISTRITOS	PIM	PATRULLAJE	COMISARIAS	JUDICIAL	EDUCONEC	ESTADOLOCAL	HOSPITAL	NOSEGUROS
128	CAJATAMBO	LIMA	0.3845	5	30.79828	NA	1	2	3	6.3	8	2261
131	YAUYOS	LIMA	0.4466	33	56.52597	NA	4	3	42	18.8	39	6439
136	CANTA	LIMA	0.5684	7	62.06808	NA	2	1	77	16.9	31	1957
138	PUTUMAYO	LORETO	0.3989	4	22.09124	NA	1	2	1	0.0	25	6264
147	MANU	MADRE DE DIOS	0.5945	4	40.38689	NA	4	4	3	16.5	79	208312
179	BELLAVISTA	SAN MARTIN	0.4195	6	98.98334	NA	3	3	27	7.7	39	6587

Limpieza de la base de datos:

datos=data[complete.cases(data[,-1]),] 
row.names(datos)=NULL
any(is.na(datos))

## [1] FALSE

Base de datos limpia

str(datos)

## 'data.frame':    190 obs. of  12 variables:
##  $ PROVINCIA   : chr  "CONDORCANQUI" "BONGARA" "RODRIGUEZ DE MENDOZA" "LUYA" ...
##  $ DEPARTAMENTO: chr  "AMAZONAS" "AMAZONAS" "AMAZONAS" "AMAZONAS" ...
##  $ idh         : num  0.254 0.413 0.366 0.341 0.543 ...
##  $ DISTRITOS   : num  3 12 12 23 21 6 7 2 7 9 ...
##  $ PIM         : num  133.9 25.9 50.1 77 395.2 ...
##  $ PATRULLAJE  : num  4 6 3 5 2 4 2 4 8 1 ...
##  $ COMISARIAS  : num  6 6 6 11 8 7 8 1 6 1 ...
##  $ JUDICIAL    : num  3 3 3 3 11 9 10 1 2 2 ...
##  $ EDUCONEC    : num  11 23 6 30 32 41 62 7 4 7 ...
##  $ ESTADOLOCAL : num  15.2 12.9 16.3 11.1 21.7 16.9 15.9 13 9.6 28.1 ...
##  $ HOSPITAL    : num  15 36 41 62 51 90 123 3 158 10 ...
##  $ NOSEGUROS   : num  14969 7952 13968 295 2560 ...

2.2 Creación del modelo de regresion lineal multiple

Modelo 5

Tras un examen de la correlación entre todas las variables independientes y la dependiente, se econotró que solo 5 variables tenian una correlación fuerte y significativa. En consecuencia, se procedió a formular una ecuación en base a dichas variables.

La ecuación indica que el Indice de Desarrollo Humano (IDH) se explica por las variables Presupuesto Institucional Modificado (PIM), cantidad de dependencias judiciales (JUDICIAL), porcentaje de locales educativos en buen estado (ESTADOLOCAL), número de locales públicos educativos que cuentan con internet y computadoras funcionales (EDUCONEC) y cantidad de personas que no tienen seguro (NOSEGUROS).

IDH = C + αPIM + βJUDICIAL + δESTADOLOCAL + θEDUCONEC + φ*NOSEGUROS + ε

modelo5 = lm(idh~PIM+ JUDICIAL + ESTADOLOCAL+ EDUCONEC + NOSEGUROS, datos)

summary(modelo5)

## 
## Call:
## lm(formula = idh ~ PIM + JUDICIAL + ESTADOLOCAL + EDUCONEC + 
##     NOSEGUROS, data = datos)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -0.21575 -0.06293 -0.01817  0.05402  0.27490 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  3.782e-01  1.843e-02  20.520  < 2e-16 ***
## PIM          2.024e-04  3.228e-05   6.268 2.54e-09 ***
## JUDICIAL     1.207e-03  6.247e-04   1.932   0.0549 .  
## ESTADOLOCAL  1.668e-03  8.815e-04   1.892   0.0601 .  
## EDUCONEC    -4.452e-04  3.032e-04  -1.469   0.1437    
## NOSEGUROS    9.185e-08  4.251e-08   2.161   0.0320 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.09966 on 184 degrees of freedom
## Multiple R-squared:  0.2755, Adjusted R-squared:  0.2558 
## F-statistic:    14 on 5 and 184 DF,  p-value: 1.353e-11

Se puede ver que el modelo explica el 25 % de los datos. Ademas, en cuanto a la significancia y el valor de los coeficientes tenemos lo siguiente. Primero, en la dimensión de capacidad fiscal, se encontró que el Presupuesto Institucional Modificado (PIM) tiene un efecto positivo, y es significativo al 0.05. Segundo, en la capacidad coercitiva, se encontró que la cantidad de dependencias judiciales(JUDICIAL) influye de manera positiva, y es significativo solo al 0.1. Asimismo, el porcentaje de locales educativos en buen estado (ESTADOLOCAL) está relacionada inversamente, y es significativo al 0.1. Por último, en temas de salud, la cantidad de personas que no tienen seguro (NOSEGUROS) se relaciona positivamente y es significativo al 0.05. La única variable no significativa es el número de locales públicos educativos que cuentan con internet y computadoras funcionales (EDUCONEC); por ende, no será incluido en la ecuación final.

Al final, la ecuación quedaría con los siguientes parámetros y el valor de la constante:

IDH = 3.843e-01 + 1.991e-10PIM+1.127e-3JUDICIAL + 1.485e-03ESTADOLOCAL + 5.473e-08NOSEGUROS + ε

2.3 Calculamos los diagnósticos de la regresión

1. Linealidad

plot(modelo5,1) #Se espera que la línea roja tienda a la horizontal

mean(modelo5$residuals) # Se espera que el promedio de los residuos sea cercano a 0

## [1] -2.90666e-19

En base al resultado visual obtenido se asume la relación lineal entre las variables. La relación es lineal porque en el gráfico la línea roja tienda a la horizontal y con el test, se obtiene 1.923924e-19, un valor muy cercano a 0. Esto significa que el promedio de los residuos sea cercano a 0. A partir de ello, se declara que es factible poder explicar las mismas variables del caso con datos diferentes en próximos estudios.

2. Homocedasticidad

library(base)
plot(modelo5,3) # Se espera que la línea roja debe tender a horizontal.

library(lmtest)

## Warning: package 'lmtest' was built under R version 4.2.3

## Loading required package: zoo

## Warning: package 'zoo' was built under R version 4.2.1

## 
## Attaching package: 'zoo'

## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric

bptest(modelo5) #H0 = Modelo homocedástico, buscamos que sea mayor a 0.05

## 
##  studentized Breusch-Pagan test
## 
## data:  modelo5
## BP = 6.666, df = 5, p-value = 0.2467

Se asume que la dispersión de los errores de la estimación (idh) mantiene una variación constante. Por un lado, la gráfica nos indica que al analizar las raíces de los errores estandarizados versus los valores estimados, la distancia de los puntos a la línea de referencia es similar. En complemento a ello, se realizó el test de Breusch-Pagan que da como resultado 5.8148, por ende, rechazamos que el modelo muestre homocedasticidad (p-value = 0.3247). La presencia de heterocedasticidad afecta el cálculo de los p-values, afectando directamente la validez de todo el modelo.

3. Normalidad de residuos

plot(modelo5,2) # En este caso la expectativa es que los puntos se acerquen lo más posible a la línea oblicua del gráfico que representa una distribución normal

shapiro.test(modelo5$residuals) #H0= Hay normalidad

## 
##  Shapiro-Wilk normality test
## 
## data:  modelo5$residuals
## W = 0.97066, p-value = 0.0005081

El Q-Q plot refleja que hay indicios de falta de normalidad en los residuos (aquellos de mayor valor), corroborado también por el test de hipótesis de Shapiro Wilk (p-value = 0.0009552). En consecuencia, la falta de normalidad limita la capacidad de hacer inferencias, pues, los estimadores tienden a no ser eficientes.

4. No multicolinealidad

VIF(modelo5) #>5 es problemático

##         PIM    JUDICIAL ESTADOLOCAL    EDUCONEC   NOSEGUROS 
##    1.379543   22.880821    1.027414   24.526092    1.013596

Se asume que hay multicolinealidad cuando los predictores tienen una correlación muy alta entre sí. En este caso, los resultados muestra valores mayores a 5 para las variables administración de justicia (JUDICIAL) y Número de locales públicos educativos que cuentan con internet y computadoras funcionales (EDUCONEC). Lo cual es problemático porque, a aunque no perjuda el calculo de las aproximaciones, si evita calcular el efecto de cada regresor.

5. Valores influyentes

plot(modelo5,5) #miramos valores fuera de las lineas punteadas

## Warning in sqrt(crit * p * (1 - hh)/hh): Se han producido NaNs

## Warning in sqrt(crit * p * (1 - hh)/hh): Se han producido NaNs

checModelo5=as.data.frame(influence.measures(modelo5)$is.inf)
checModelo5[checModelo5$cook.d & checModelo5$hat,] #visualizamos valores

##     dfb.1_ dfb.PIM dfb.JUDI dfb.ESTA dfb.EDUC dfb.NOSE dffit cov.r cook.d  hat
## 134  FALSE    TRUE     TRUE    FALSE     TRUE    FALSE  TRUE  TRUE   TRUE TRUE
## 146  FALSE   FALSE    FALSE    FALSE    FALSE     TRUE  TRUE  TRUE   TRUE TRUE

Se supone que hay casos particulares, que tienen la capacidad de trastocar lo que el modelo representa; entonces, se debe detectarlo y suprimirlo para mejorar el modelo. En este caso, la gráfica muestra que existen valores fuera de las lineas punteadas; este es la fila 134 y 146. Estas dos filaa están afectando los cálculos de la regresión (sin él habría otro resultado).

2.4 Conclusiones: interpretación del modelo

La ecuación:

IDH = 3.843e-01 + 1.991e-10PIM+1.127e-3JUDICIAL + 1.485e-03ESTADOLOCAL - 4.087e-04EDUCONEC + 5.473e-08*NOSEGUROS + ε

La relación entre la capacidad estatal y el desarrollo humano es positiva, significativa, pero de poco impacto. Dado que el Índice de Desarrollo Humano (IDH) se basa en tres dimensiones: la esperanza de vida al nacer, el acceso a la educación y el ingreso per cápita.

La relación se explica porque la capacidad estatal, en sus diferentes dimensiones, posibilita la generación de condiciones básicas y necesaria para que las personas puedan desarrollar sus potencialidades. Es decir, se establece un piso, una infraestructura estatal, para el desarrollo humano.

Entonces, se establece dos escenarios. Primero, si se cuenta con poca capacidad estatal, las personas no cuentan con desarrollo humano. Segundo, una mayor capacidad estatal crea condiciones para que las personas tengan desarrollo humano. Además, encontramos algunas variables que no influyen en el desarrollo humano, sino que se mantienen constante, independientemente de la provincia que sea.

El desarrollo estatal se debe dar en diferentes dimensiones para así garantizar de manera completa el desarrollo humano.

Primero, en la capacidad coercitiva, se encontró que la administración de justicia influye de manera positiva porque garantiza las mínimas condiciones del Estado de Derecho; es decir, una amplia población tiene el acceso a un sistema de justicia que responda a sus intereses y les brinde protección legal.

Segundo, en la dimensión de capacidad fiscal, se encontró que el Presupuesto Institucional Modificado (PIM) tiene un efecto positivo. Esto debido a que el gobierno puede administrar y gastar estos recursos de manera responsable y sostenible para satisfacer las necesidades de la sociedad.

Tercero, en la dimensión administrativa y provisión de servicios públicos, tanto la educación y la salud tienen una relación directa. En educación, el porcentaje de locales educativos en buen estado, impacta positivamente en Desarrollo Humano debido a que el Estado cumple con su responsabilidad de proporcionar y mantener instalaciones educativas adecuadas y seguras para los estudiantes. Asimismo, el número de locales públicos educativos que cuentan con internet y computadoras funcionales, es algo indispensable para el desarrollo humano. Por último, en temas de salud, la cantidad de personas que no tienen seguro se relaciona positivamente con el Desarrollo Humano. Sin ser un contrasentido, implica que las personas pobres cuentan con seguro SIS, pero no con la infraestructura hospitalaria adecuada.

Por tanto, la capacidad estatal influye en el desarrollo humano porque garantiza lo mínimo y necesario para que las personas puedan desarrollarse en diferentes dimensiones como la administración de justicia, presupuesto para los gobiernos, e infraestructura para brindar servicios públicos de educación y salud.

3. Clusterización

3.1 Limpieza de Base de datos

3.1.1 Limpieza de NA’s y eliminación de variable NOSEGUROS

any(is.na(data))

## [1] TRUE

sum(is.na(data$PATRULLAJE)) #ubicación de los NA's

## [1] 6

datitos <- data[,apply(data,2,function(x) !any(is.na(x)))]#eliminar columnas con N.A

#Verificando NA's elimandos 
any(is.na(datitos))

## [1] FALSE

¿Por que eliminar la variable NOSEGUROS?

Cuando dos variables tienen una correlación negativa, es más probable que los casos que tienen valores altos en una variable tengan valores bajos en la otra variable, lo que puede dificultar la identificación de grupos homogéneos o la asignación adecuada de casos a grupos.

Por lo tanto, como se ve en la imgen de arriba la variable NOSEGUROS nos proporciona 4 correlaciones negativas los que dificulta que los casos puedan agruparse, es decir que los casos que tengan caracteristicas similares se puedan ver afectados por correlaciones negativas, creando mas de 7 grupos. De tal manera, que hemos decidido eliminar la variable NOSEGUROS para disminuir el impacto de la correlacion negativa en la agrupacion de casos.

datitos <- datitos[,-11 ] #ELIMINAR NOSEGUROS

3.1.2 Eliminación de casos atípicos

Se decidió eliminar la provincia Lima porque mostraba valores atípicos que sesgaban los resultados.

datitos <- datitos[-137, ] #ELIMINAR LIMA DATO ATIPICO
#datitos<- datitos [-42, ] #ELIMINAR AREQUIPA DATO ATIPICO

nrow(datitos) #PARA SABER CUANTOS FILAS TENGO DESPUES DE ELIMINAR LIMA

## [1] 195

library(BBmisc)

3.2 Transformacion de la data : Estandarizacion

Dado que tenemos diferentes unidades en cada variable, lo que debemos hacer transformar los datitos en una unidad estandar para evitar confundir a los algoritmos de conglomeración.

3.2.1 Creacion de Boxplot para la visualizacion de la dispersion de las variables indepedientes

boxplot(normalize(datitos[,c(3:10)],method='range',range=c(0,10)))

boxplot(normalize(datitos[,c(3:10)],method='standardize'))

3.2.2 Codigos para estandarizar datitos :

datitos[,c(3:10)]=normalize(datitos[,c(3:10)],method='range',range=c(0,10))

3.2.3 Correlaciones :

cor(datitos[,c(3:10)])

##                    idh   DISTRITOS        PIM COMISARIAS   JUDICIAL   EDUCONEC
## idh         1.00000000  0.12529894 0.45766872  0.2143446 0.52052725 0.41557993
## DISTRITOS   0.12529894  1.00000000 0.31689325  0.3193807 0.32895039 0.41987184
## PIM         0.45766872  0.31689325 1.00000000  0.4509536 0.93189836 0.87445998
## COMISARIAS  0.21434461  0.31938066 0.45095359  1.0000000 0.46731993 0.56586534
## JUDICIAL    0.52052725  0.32895039 0.93189836  0.4673199 1.00000000 0.85004933
## EDUCONEC    0.41557993  0.41987184 0.87445998  0.5658653 0.85004933 1.00000000
## ESTADOLOCAL 0.14364847 -0.01830878 0.07844603  0.1401182 0.07893006 0.05935721
## HOSPITAL    0.03935239  0.06188039 0.12099363  0.3185607 0.09523026 0.13209339
##             ESTADOLOCAL    HOSPITAL
## idh          0.14364847  0.03935239
## DISTRITOS   -0.01830878  0.06188039
## PIM          0.07844603  0.12099363
## COMISARIAS   0.14011822  0.31856065
## JUDICIAL     0.07893006  0.09523026
## EDUCONEC     0.05935721  0.13209339
## ESTADOLOCAL  1.00000000 -0.03578671
## HOSPITAL    -0.03578671  1.00000000

Observacion: Debido a que , tanto en clase como en el material de consulta no se explica como invetir un rango en el caso de que salga una correlacion negativa se decidio realizar el analisis de todas formas a pesar de ese detalle. De igual forma se elimino la variable NOSEGUROS para lograr disminuir un poco el impacto de correlaciones negativas en el analsis conglomerado.

3.4. Preparación de los datos para clusterizacion

dataClus=datitos[,c(3:10)] 
row.names(dataClus)=datitos$PROVINCIA

str(dataClus)

## 'data.frame':    195 obs. of  8 variables:
##  $ idh        : num  0.716 4.082 3.1 2.565 6.822 ...
##  $ DISTRITOS  : num  0.606 3.333 3.333 6.667 6.061 ...
##  $ PIM        : num  0.79 0.128 0.277 0.441 2.39 ...
##  $ COMISARIAS : num  1.15 1.15 1.15 2.12 1.54 ...
##  $ JUDICIAL   : num  0.175 0.175 0.175 0.175 0.877 ...
##  $ EDUCONEC   : num  0.287 0.63 0.143 0.831 0.888 ...
##  $ ESTADOLOCAL: num  2.77 2.35 2.97 2.03 3.96 ...
##  $ HOSPITAL   : num  0.179 0.492 0.566 0.879 0.715 ...

library(cluster)
g.dist = daisy(dataClus, metric="gower")

3.5. La tecnica de jerarquizacion

3.5.1 Jerarquizacion aglomerativa

PASO 1: Decidir linkages

Linkage tipo SINGLE.

Linkage tipo COMPLETE.

Linkage tipo AVERAGE

USAR WARD.D para disminuir el efecto de las correlaciones negativas que en este caso son pocas

PASO 2: Cantidad de clusters - uso del estadistico gap

## PARA JERARQUICO
library(factoextra)

## Warning: package 'factoextra' was built under R version 4.2.3

## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa

fviz_nbclust(dataClus, hcut,diss=g.dist,method = "gap_stat",k.max = 10,verbose = F,hc_func = "agnes")

PASO 3: Clusterizar vía AGNES

set.seed(123)

res.agnes<- hcut(g.dist, k = 4,hc_func='agnes',hc_method = "ward.D")

dataClus$agnes=res.agnes$cluster

# ver

head(dataClus,15)%>%kbl()%>%kable_styling()

	idh	DISTRITOS	PIM	COMISARIAS	JUDICIAL	EDUCONEC	ESTADOLOCAL	HOSPITAL	agnes
CONDORCANQUI	0.7157939	0.6060606	0.7896620	1.1538462	0.1754386	0.2865330	2.773723	0.1788376	1
BONGARA	4.0815034	3.3333333	0.1277931	1.1538462	0.1754386	0.6303725	2.354015	0.4918033	1
RODRIGUEZ DE MENDOZA	3.0996622	3.3333333	0.2765346	1.1538462	0.1754386	0.1432665	2.974453	0.5663189	1
LUYA	2.5654561	6.6666667	0.4409641	2.1153846	0.1754386	0.8309456	2.025547	0.8792846	1
CHACHAPOYAS	6.8222128	6.0606061	2.3896123	1.5384615	0.8771930	0.8882521	3.959854	0.7153502	2
BAGUA	5.0971284	1.5151515	1.3144633	1.3461538	0.7017544	1.1461318	3.083942	1.2965723	2
UTCUBAMBA	5.2892736	1.8181818	1.3441005	1.5384615	0.7894737	1.7478510	2.901460	1.7883756	2
ASUNCION	3.5768581	0.3030303	0.2168198	0.1923077	0.0000000	0.1719198	2.372263	0.0000000	1
CORONGO	3.5620777	1.8181818	0.1490388	1.1538462	0.0877193	0.0859599	1.751825	2.3099851	1
AIJA	3.1608953	2.4242424	0.1321368	0.1923077	0.0877193	0.1719198	5.127737	0.1043219	1
MARISCAL LUZURIAGA	1.1929899	2.1212121	0.2368046	0.0000000	0.0877193	0.6303725	2.317518	0.4769001	1
OCROS	5.1921453	2.7272727	0.0463804	0.3846154	0.0877193	0.1432665	4.762774	0.3278689	1
ANTONIO RAIMONDI	2.0418074	1.5151515	0.1448019	0.1923077	0.0877193	0.3724928	2.043796	0.1490313	1
CARLOS FERMIN FITZCARRALD	1.8243243	0.6060606	0.2298101	0.5769231	0.0877193	0.4011461	2.755475	0.3427720	1
POMABAMBA	2.5844595	0.9090909	0.4528819	3.0769231	0.0877193	0.5730659	3.229927	1.9225037	1

fviz_dend(res.agnes, cex = 0.7, horiz = T,main = "")

## Warning: The `<scale>` argument of `guides()` cannot be `FALSE`. Use "none" instead as
## of ggplot2 3.3.4.
## ℹ The deprecated feature was likely used in the factoextra package.
##   Please report the issue at <https://github.com/kassambara/factoextra/issues>.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

PASO 4 : Evaluando el uso del AGNES

fviz_silhouette(res.agnes,print.summary = F)

silAGNES=data.frame(res.agnes$silinfo$widths)
silAGNES$PROVINCIAS=row.names(silAGNES)
poorAGNES=silAGNES[silAGNES$sil_width<0,'PROVINCIAS']%>%sort()
poorAGNES

## [1] "ABANCAY"               "CANCHIS"               "JUNIN"                
## [4] "LAMBAYEQUE"            "OXAPAMPA"              "SAN ANTONIO DE PUTINA"
## [7] "SATIPO"                "SECHURA"               "YAUYOS"

ME SALEN MENOS PROVINCIAS CLUSTERIZADAS

PASO 5 : Verificando etiquetas de cluster

aggregate(.~ agnes, data=dataClus,mean)

##   agnes      idh DISTRITOS        PIM COMISARIAS   JUDICIAL   EDUCONEC
## 1     1 3.029510  2.416405  0.6205071   1.042772  0.2313975  0.8922043
## 2     2 7.061711  2.473920  1.0831273   1.125473  0.7937877  1.2692001
## 3     3 7.508322  3.404635  5.0773425   1.798643  4.0041280  4.2406877
## 4     4 9.495355  8.484848 10.0000000  10.000000 10.0000000 10.0000000
##   ESTADOLOCAL  HOSPITAL
## 1    2.796061 0.6782209
## 2    3.470145 0.6542718
## 3    2.872477 0.8152889
## 4    6.222628 2.1460507

falta ordenar de menor a mayor

PASO 6 : Guardemos la columna de AGNES en la data integrada, y eliminemosla de dataClus.

datitos$agnespoor=datitos$PROVINCIA%in%poorAGNES
datitos$agnes=as.ordered(dataClus$agnes)
dataClus$agnes=NULL

PASO 5: Visualizacion comparativa

# k es la cantidad de dimensiones
proyeccion = cmdscale(g.dist, k=2,add = T) 
head(proyeccion$points,20)

##                                   [,1]         [,2]
## CONDORCANQUI              -0.161080846 -0.007152285
## BONGARA                   -0.068269064  0.050314825
## RODRIGUEZ DE MENDOZA      -0.096529897  0.060617701
## LUYA                      -0.062681844  0.192334221
## CHACHAPOYAS                0.148082852  0.025744830
## BAGUA                      0.011756664 -0.020787106
## UTCUBAMBA                  0.046222351  0.010711536
## ASUNCION                  -0.150961333 -0.055339234
## CORONGO                   -0.115149082  0.028251120
## AIJA                      -0.123891620 -0.039486308
## MARISCAL LUZURIAGA        -0.160196857  0.028410410
## OCROS                     -0.053086509 -0.080562203
## ANTONIO RAIMONDI          -0.170344755 -0.002343503
## CARLOS FERMIN FITZCARRALD -0.171651558 -0.028564731
## POMABAMBA                 -0.110633037  0.029293476
## RECUAY                    -0.077676498  0.012583886
## PALLASCA                  -0.116396641  0.011230511
## SIHUAS                    -0.124096003 -0.001183863
## BOLOGNESI                 -0.031834594 -0.020170156
## HUARMEY                   -0.007104257 -0.136863656

PASO 6: Recuperar las coordenadas

# data frame prep:
datitos$dim1 <- proyeccion$points[,1]
datitos$dim2 <- proyeccion$points[,2]

library(ggrepel)

## Warning: package 'ggrepel' was built under R version 4.2.3

base= ggplot(datitos,aes(x=dim1, y=dim2,label=row.names(dataClus))) 
base + geom_text_repel(size=2, max.overlaps = 50,min.segment.length = unit(0, 'lines'))

## 3.6. Grafica de AGNES

# solo paises mal clusterizados
AGNESlabels=ifelse(datitos$agnespoor,datitos$PROVINCIA,'')

agnesPlot=base + geom_point(size=3, 
                            aes(color=as.factor(agnes))) +
          labs(title = "AGNES") 
# hacer notorios los paises mal clusterizados
agnesPlot + geom_text_repel(size=2,
                            aes(label=AGNESlabels),
                            max.overlaps = 50,
                            min.segment.length = unit(0, 'lines'))

options(max.print = 5000) #codigo para copiar data en chat gpt

datitos_ordenado <- arrange(datitos,agnes) #codigo para ordenar segun la columna agnes

head(datitos_ordenado,195)%>%kbl()%>%kable_styling()

PROVINCIA	DEPARTAMENTO	idh	DISTRITOS	PIM	COMISARIAS	JUDICIAL	EDUCONEC	ESTADOLOCAL	HOSPITAL	agnespoor	agnes	dim1	dim2
CONDORCANQUI	AMAZONAS	0.7157939	0.6060606	0.7896620	1.1538462	0.1754386	0.2865330	2.7737226	0.1788376	FALSE	1	-0.1610808	-0.0071523
BONGARA	AMAZONAS	4.0815034	3.3333333	0.1277931	1.1538462	0.1754386	0.6303725	2.3540146	0.4918033	FALSE	1	-0.0682691	0.0503148
RODRIGUEZ DE MENDOZA	AMAZONAS	3.0996622	3.3333333	0.2765346	1.1538462	0.1754386	0.1432665	2.9744526	0.5663189	FALSE	1	-0.0965299	0.0606177
LUYA	AMAZONAS	2.5654561	6.6666667	0.4409641	2.1153846	0.1754386	0.8309456	2.0255474	0.8792846	FALSE	1	-0.0626818	0.1923342
ASUNCION	ANCASH	3.5768581	0.3030303	0.2168198	0.1923077	0.0000000	0.1719198	2.3722628	0.0000000	FALSE	1	-0.1509613	-0.0553392
CORONGO	ANCASH	3.5620777	1.8181818	0.1490388	1.1538462	0.0877193	0.0859599	1.7518248	2.3099851	FALSE	1	-0.1151491	0.0282511
AIJA	ANCASH	3.1608953	2.4242424	0.1321368	0.1923077	0.0877193	0.1719198	5.1277372	0.1043219	FALSE	1	-0.1238916	-0.0394863
MARISCAL LUZURIAGA	ANCASH	1.1929899	2.1212121	0.2368046	0.0000000	0.0877193	0.6303725	2.3175182	0.4769001	FALSE	1	-0.1601969	0.0284104
OCROS	ANCASH	5.1921453	2.7272727	0.0463804	0.3846154	0.0877193	0.1432665	4.7627737	0.3278689	FALSE	1	-0.0530865	-0.0805622
ANTONIO RAIMONDI	ANCASH	2.0418074	1.5151515	0.1448019	0.1923077	0.0877193	0.3724928	2.0437956	0.1490313	FALSE	1	-0.1703448	-0.0023435
CARLOS FERMIN FITZCARRALD	ANCASH	1.8243243	0.6060606	0.2298101	0.5769231	0.0877193	0.4011461	2.7554745	0.3427720	FALSE	1	-0.1716516	-0.0285647
POMABAMBA	ANCASH	2.5844595	0.9090909	0.4528819	3.0769231	0.0877193	0.5730659	3.2299270	1.9225037	FALSE	1	-0.1106330	0.0292935
RECUAY	ANCASH	4.3750000	2.7272727	0.3329852	0.7692308	0.0877193	0.6590258	2.0802920	0.1639344	FALSE	1	-0.0776765	0.0125839
PALLASCA	ANCASH	2.2719595	3.0303030	0.2565646	1.5384615	0.0877193	0.4871060	8.3029197	0.2682563	FALSE	1	-0.1163966	0.0112305
SIHUAS	ANCASH	1.9995777	2.7272727	0.4422655	0.1923077	0.0877193	0.7449857	5.2737226	0.2831595	FALSE	1	-0.1240960	-0.0011839
BOLOGNESI	ANCASH	4.9303209	4.2424242	0.2742019	0.7692308	0.0877193	0.4871060	5.1459854	0.2980626	FALSE	1	-0.0318346	-0.0201702
CARHUAZ	ANCASH	4.9303209	3.0303030	0.4580900	1.7307692	0.2631579	1.0601719	3.7226277	0.2980626	FALSE	1	-0.0133324	0.0079296
YUNGAY	ANCASH	2.4535473	2.1212121	0.5191531	0.7692308	0.2631579	1.0601719	2.4452555	0.4172876	FALSE	1	-0.1131249	0.0398181
HUARI	ANCASH	4.3179899	4.5454545	0.8921134	1.3461538	0.7017544	1.8051576	2.4817518	0.9090909	FALSE	1	0.0258211	0.1182009
HUAYLAS	ANCASH	3.9273649	2.7272727	0.6602628	1.3461538	0.5263158	1.0028653	3.5036496	0.8196721	FALSE	1	-0.0374249	0.0351314
ANTABAMBA	APURIMAC	2.1853885	1.8181818	0.2905860	0.5769231	0.1754386	0.1719198	1.9343066	0.3576751	FALSE	1	-0.1561344	0.0173817
GRAU	APURIMAC	1.7926520	3.9393939	0.3162009	0.9615385	0.3508772	0.3438395	2.6642336	0.2086438	FALSE	1	-0.1155821	0.0907998
AYMARAES	APURIMAC	2.8610642	4.8484848	0.4255899	0.9615385	0.2631579	0.6017192	1.3321168	0.8047690	FALSE	1	-0.0881363	0.1385809
CHINCHEROS	APURIMAC	2.6330236	3.0303030	0.8023143	1.5384615	0.3508772	1.6905444	5.2737226	0.5216095	FALSE	1	-0.0407856	0.0668034
COTABAMBAS	APURIMAC	3.2200169	1.5151515	0.6622204	0.3846154	0.1754386	0.8022923	2.1532847	0.1043219	FALSE	1	-0.1220544	-0.0028680
ANDAHUAYLAS	APURIMAC	4.2715372	5.7575758	2.2244796	2.3076923	1.1403509	1.8624642	1.7700730	1.6989568	FALSE	1	0.1013235	0.2066587
LA UNION	AREQUIPA	2.9201858	3.0303030	0.2784061	1.1538462	0.0877193	0.0573066	2.0802920	0.8643815	FALSE	1	-0.1086978	0.0763203
HUANCA SANCOS	AYACUCHO	3.4459459	0.9090909	0.0842842	1.3461538	0.0877193	0.0573066	4.2700730	1.2816692	FALSE	1	-0.1133979	-0.0478012
SUCRE	AYACUCHO	3.5451858	3.0303030	0.1438827	0.3846154	0.0877193	0.2292264	1.4781022	0.2682563	FALSE	1	-0.1156574	0.0448717
PAUCAR DEL SARA SARA	AYACUCHO	4.5586993	2.7272727	0.1923300	1.1538462	0.0877193	0.3438395	2.6277372	0.5365127	FALSE	1	-0.0662714	0.0047060
VILCAS HUAMAN	AYACUCHO	1.9995777	2.1212121	0.2843927	0.5769231	0.1754386	0.4297994	3.9598540	0.3278689	FALSE	1	-0.1409480	-0.0086451
VICTOR FAJARDO	AYACUCHO	3.2896959	3.3333333	0.2029076	0.7692308	0.1754386	0.5444126	3.3759124	0.4321908	FALSE	1	-0.0935955	0.0406712
CANGALLO	AYACUCHO	2.3163007	1.5151515	0.7096341	0.9615385	0.2631579	0.3438395	4.5802920	0.1192250	FALSE	1	-0.1276057	-0.0325827
PARINACOCHAS	AYACUCHO	4.1765203	2.1212121	0.6611664	0.1923077	0.1754386	0.6590258	4.0145985	0.1937407	FALSE	1	-0.0811622	-0.0462044
LUCANAS	AYACUCHO	4.3454392	6.0606061	1.0681195	1.7307692	0.3508772	2.2636103	2.6277372	0.8494784	FALSE	1	0.0477016	0.1594788
LA MAR	AYACUCHO	2.3859797	3.0303030	1.6608297	3.0769231	0.9649123	0.9169054	2.2810219	1.6840537	FALSE	1	-0.0141507	0.1589529
HUANTA	AYACUCHO	3.5874155	3.3333333	1.2222589	1.9230769	0.4385965	1.6332378	1.5693431	1.6542474	FALSE	1	-0.0043836	0.1511492
SAN PABLO	CAJAMARCA	1.9636824	0.9090909	0.2237823	0.1923077	0.0877193	0.4871060	3.2116788	0.1788376	FALSE	1	-0.1699526	-0.0393744
CONTUMAZA	CAJAMARCA	4.2757601	2.1212121	0.3029804	0.5769231	0.1754386	0.6876791	2.1532847	0.1192250	FALSE	1	-0.0916226	-0.0129905
SANTA CRUZ	CAJAMARCA	3.6190878	3.0303030	0.4124047	1.7307692	0.1754386	0.7736390	2.7737226	0.5663189	FALSE	1	-0.0663958	0.0654078
SAN MARCOS	CAJAMARCA	2.5211149	1.8181818	0.3638959	0.7692308	0.0877193	0.8022923	1.8065693	0.2980626	FALSE	1	-0.1371687	0.0287286
SAN MIGUEL	CAJAMARCA	3.1904561	3.6363636	0.3807627	2.5000000	0.1754386	1.0028653	3.2846715	0.6855440	FALSE	1	-0.0534479	0.1029702
CAJABAMBA	CAJAMARCA	2.7618243	1.8181818	0.4424907	1.1538462	0.3508772	1.0601719	2.5729927	0.4023845	FALSE	1	-0.1042968	0.0301688
CELENDIN	CAJAMARCA	2.1832770	3.3333333	0.5603409	1.7307692	0.2631579	1.0601719	4.5620438	0.5067064	FALSE	1	-0.0725754	0.0748041
HUALGAYOC	CAJAMARCA	3.1608953	0.6060606	0.8039114	0.1923077	0.2631579	1.4040115	1.6058394	0.1043219	FALSE	1	-0.1143846	0.0016246
CUTERVO	CAJAMARCA	2.8547297	4.2424242	1.6154540	2.3076923	0.4385965	3.2951289	3.4124088	0.6408346	FALSE	1	0.0440082	0.1846301
CHOTA	CAJAMARCA	2.9750845	5.4545455	1.5398389	1.5384615	0.8771930	2.0916905	0.4927007	0.7302534	FALSE	1	0.0199915	0.2218207
SAN IGNACIO	CAJAMARCA	2.9581926	1.8181818	1.4328678	1.1538462	0.4385965	1.3467049	1.1496350	1.2816692	FALSE	1	-0.0595370	0.0861447
CANAS	CUSCO	0.7854730	2.1212121	0.3598636	1.7307692	0.0877193	0.8022923	4.0145985	0.3278689	FALSE	1	-0.1279227	0.0280960
ACOMAYO	CUSCO	1.6490709	1.8181818	0.2454131	0.9615385	0.1754386	0.9169054	1.9160584	0.1192250	FALSE	1	-0.1454823	0.0358284
PARURO	CUSCO	0.6081081	2.4242424	0.3156149	0.5769231	0.0877193	0.5157593	4.1788321	0.4769001	FALSE	1	-0.1468867	0.0068185
PAUCARTAMBO	CUSCO	0.4814189	1.5151515	0.5965065	0.7692308	0.0877193	0.7449857	1.3321168	0.1639344	FALSE	1	-0.1664824	0.0312740
ANTA	CUSCO	3.6929899	2.4242424	0.3768853	1.7307692	0.2631579	0.9742120	2.1167883	0.2384501	FALSE	1	-0.0747819	0.0501428
CHUMBIVILCAS	CUSCO	2.4831081	2.1212121	0.6804206	0.9615385	0.2631579	0.9455587	1.9708029	0.7749627	FALSE	1	-0.1068003	0.0597169
ESPINAR	CUSCO	5.1478041	2.1212121	0.5286237	0.3846154	0.2631579	0.6303725	2.1350365	0.2533532	FALSE	1	-0.0588109	-0.0400416
CALCA	CUSCO	3.5831926	2.1212121	0.5394774	0.9615385	0.3508772	1.0601719	1.4051095	0.4918033	FALSE	1	-0.0864888	0.0417004
QUISPICANCHI	CUSCO	2.6815878	3.3333333	0.7025591	2.3076923	0.5263158	1.6332378	1.4598540	0.3278689	FALSE	1	-0.0461406	0.1512634
ANGARAES	HUANCAVELICA	2.2445101	3.3333333	0.9350058	0.7692308	0.2631579	0.9455587	1.0401460	0.7153502	FALSE	1	-0.0935834	0.1205239
TAYACAJA	HUANCAVELICA	3.0468750	6.0606061	1.3767937	1.5384615	0.3508772	2.2349570	1.6240876	1.3859911	FALSE	1	0.0153651	0.2277823
ACOBAMBA	HUANCAVELICA	1.8813345	2.1212121	0.5030636	0.5769231	0.3508772	0.6876791	2.4452555	0.8047690	FALSE	1	-0.1278586	0.0398970
CHURCAMPA	HUANCAVELICA	2.1326014	3.0303030	0.4805321	0.1923077	0.0877193	0.8309456	2.6094891	0.2682563	FALSE	1	-0.1234362	0.0603019
HUAYTARA	HUANCAVELICA	3.8386824	4.5454545	0.4033391	0.5769231	0.1754386	0.3151862	2.9197080	0.5663189	FALSE	1	-0.0715572	0.0624422
CASTROVIRREYNA	HUANCAVELICA	3.7119932	3.6363636	0.3776384	1.3461538	0.2631579	0.5730659	5.2554745	0.4470939	FALSE	1	-0.0567783	0.0234253
HUANCAVELICA	HUANCAVELICA	4.3686655	5.4545455	3.1903856	0.9615385	1.5789474	2.2922636	3.4124088	0.5514158	FALSE	1	0.1272399	0.1354304
HUACAYBAMBA	HUANUCO	2.0882601	0.9090909	0.1558767	0.9615385	0.3508772	0.2578797	3.1569343	0.6110283	FALSE	1	-0.1496374	-0.0199851
YAROWILCA	HUANUCO	1.7124155	2.1212121	0.2025994	0.1923077	0.0877193	0.3151862	2.6642336	0.2831595	FALSE	1	-0.1601809	0.0115324
LAURICOCHA	HUANUCO	4.2820946	1.8181818	0.1612975	0.7692308	0.0877193	0.2005731	3.4306569	0.4172876	FALSE	1	-0.0954306	-0.0511095
MARAÑON	HUANUCO	2.3184122	1.2121212	0.2250995	0.7692308	0.0877193	0.2578797	3.3211679	0.3427720	FALSE	1	-0.1543948	-0.0289895
DOS DE MAYO	HUANUCO	3.4923986	2.4242424	0.5538057	0.1923077	0.0877193	0.4871060	1.5145985	0.8792846	FALSE	1	-0.1092544	0.0382057
PUERTO INCA	HUANUCO	3.5409628	1.2121212	0.3137495	0.9615385	0.0877193	0.3724928	5.7116788	0.5365127	FALSE	1	-0.1116782	-0.0786840
PACHITEA	HUANUCO	1.1296453	0.9090909	0.3339622	1.1538462	0.0877193	0.5730659	4.2153285	0.2086438	FALSE	1	-0.1576959	-0.0380977
HUAMALIES	HUANUCO	3.3467061	3.0303030	0.4949560	0.3846154	0.0877193	0.8022923	4.1058394	0.2831595	FALSE	1	-0.0900987	0.0130451
AMBO	HUANUCO	3.2896959	2.1212121	0.4530070	0.5769231	0.2631579	0.7163324	2.4087591	0.4918033	FALSE	1	-0.1084146	0.0172010
CONCEPCION	JUNIN	4.9472128	4.2424242	0.4520838	0.9615385	0.2631579	1.6905444	2.0437956	0.5365127	FALSE	1	0.0005404	0.0734113
BOLIVAR	LA LIBERTAD	1.5920608	1.5151515	0.1243206	0.5769231	0.0877193	0.3151862	3.1934307	0.0894188	FALSE	1	-0.1666957	-0.0208596
JULCAN	LA LIBERTAD	0.0000000	0.9090909	0.3013936	0.7692308	0.0000000	0.4011461	1.9525547	0.1490313	FALSE	1	-0.1903495	-0.0047588
GRAN CHIMU	LA LIBERTAD	3.2263514	0.9090909	0.2805360	1.3461538	0.0877193	0.3724928	2.1532847	0.3725782	FALSE	1	-0.1327384	-0.0088759
SANTIAGO DE CHUCO	LA LIBERTAD	2.8040541	2.1212121	0.4838657	0.9615385	0.0877193	0.8595989	2.4452555	0.4172876	FALSE	1	-0.1141563	0.0353158
PATAZ	LA LIBERTAD	3.6592061	3.6363636	0.7918411	2.5000000	0.0877193	1.5472779	3.3029197	1.4008942	FALSE	1	-0.0102189	0.1185870
OTUZCO	LA LIBERTAD	1.2394426	2.7272727	0.6119930	0.3846154	0.2631579	1.5759312	3.0839416	0.1043219	FALSE	1	-0.1058443	0.0610324
SANCHEZ CARRION	LA LIBERTAD	1.4083615	2.1212121	1.0762831	0.5769231	0.4385965	1.6332378	1.4598540	0.6557377	FALSE	1	-0.0938467	0.0875520
FERREÑAFE	LAMBAYEQUE	4.2947635	1.5151515	0.7788514	0.1923077	0.2631579	1.2034384	2.2080292	0.1788376	FALSE	1	-0.0744323	-0.0241813
LAMBAYEQUE	LAMBAYEQUE	5.4476351	3.3333333	1.6298049	2.6923077	0.8771930	6.2177650	1.0218978	0.9388972	TRUE	1	0.1615209	0.1461696
CAJATAMBO	LIMA	3.4818412	1.2121212	0.1580285	0.1923077	0.0877193	0.0573066	1.1496350	0.0745156	FALSE	1	-0.1536460	-0.0248174
PUTUMAYO	LORETO	3.7858953	0.9090909	0.1046997	0.1923077	0.0877193	0.0000000	0.0000000	0.3278689	FALSE	1	-0.1544582	-0.0377108
REQUENA	LORETO	3.3319257	3.0303030	0.6620637	1.9230769	0.0877193	0.2005731	2.1350365	0.5216095	FALSE	1	-0.0823254	0.0846941
LORETO	LORETO	3.0384291	1.2121212	0.7905659	1.1538462	0.2631579	0.5730659	2.1897810	10.0000000	FALSE	1	-0.1583748	0.0313649
MARISCAL RAMON CASTILLA	LORETO	2.7871622	0.9090909	0.5022235	0.7692308	0.0877193	0.8882521	4.0510949	0.5216095	FALSE	1	-0.1247725	-0.0376408
UCAYALI	LORETO	3.8112331	1.5151515	0.9201091	0.7692308	0.1754386	0.6017192	3.4854015	0.8345753	FALSE	1	-0.0823791	-0.0258132
DATEM DEL MARAÑON	LORETO	2.1157095	1.5151515	0.9052260	0.9615385	0.1754386	0.0573066	1.2773723	0.8941878	FALSE	1	-0.1376963	0.0423931
ALTO AMAZONAS	LORETO	4.5650338	1.8181818	1.9133444	0.3846154	0.3508772	1.3180516	2.0255474	1.5648286	FALSE	1	-0.0099615	0.0208126
DANIEL ALCIDES CARRION	PASCO	3.1756757	1.2121212	0.8074821	2.8846154	0.1754386	1.2320917	2.6824818	2.7272727	FALSE	1	-0.0707736	0.0568754
AYABACA	PIURA	0.6376689	2.7272727	2.0777788	2.1153846	0.1754386	1.5186246	4.1240876	1.2071535	FALSE	1	-0.0299611	0.1159155
HUANCABAMBA	PIURA	0.9543919	2.1212121	2.2617323	0.1923077	0.3508772	1.5472779	3.0474453	0.1490313	FALSE	1	-0.0702157	0.0579269
MORROPON	PIURA	4.4826858	2.7272727	1.8586377	2.8846154	0.4385965	2.6361032	1.6605839	0.1937407	FALSE	1	0.0536779	0.1153504
MOHO	PUNO	1.2816723	0.9090909	0.1757201	0.3846154	0.0877193	0.5157593	1.1861314	0.5961252	FALSE	1	-0.1834136	0.0060669
YUNGUYO	PUNO	3.1862331	1.8181818	0.3627328	0.9615385	0.0877193	1.0601719	1.1313869	0.2086438	FALSE	1	-0.1175918	0.0333922
LAMPA	PUNO	4.4594595	2.7272727	0.4227216	0.7692308	0.0877193	0.8595989	4.0328467	1.3412817	FALSE	1	-0.0469450	-0.0072791
HUANCANE	PUNO	2.0692568	2.1212121	0.6641216	1.5384615	0.2631579	1.1174785	4.2883212	1.0283159	FALSE	1	-0.0857177	0.0383745
SANDIA	PUNO	3.9717061	2.7272727	0.4063151	0.7692308	0.0877193	0.8882521	4.8905109	0.5216095	FALSE	1	-0.0661063	-0.0178186
MELGAR	PUNO	4.4298986	2.4242424	0.7066764	0.9615385	0.1754386	1.6045845	2.8467153	2.2503726	FALSE	1	-0.0252635	0.0356503
CARABAYA	PUNO	2.5506757	2.7272727	0.7239634	2.8846154	0.0877193	1.2320917	3.9781022	0.6706408	FALSE	1	-0.0606822	0.0820685
EL COLLAO	PUNO	3.3720439	1.2121212	0.8964926	0.1923077	0.1754386	0.8882521	1.4781022	0.3576751	FALSE	1	-0.1164351	0.0012803
CHUCUITO	PUNO	2.6520270	1.8181818	0.8388069	3.0769231	0.2631579	2.0916905	3.4489051	2.5186289	FALSE	1	-0.0395586	0.0942000
AZANGARO	PUNO	2.1009291	4.2424242	1.3545234	0.9615385	0.5263158	2.2922636	0.9854015	0.6110283	FALSE	1	-0.0264771	0.1888878
HUALLAGA	SAN MARTIN	3.9843750	1.5151515	0.4687620	0.7692308	0.0877193	0.4584527	6.3868613	0.8345753	FALSE	1	-0.0885673	-0.0840057
PICOTA	SAN MARTIN	4.6283784	2.7272727	0.0859949	0.7692308	0.0877193	0.5157593	2.4270073	0.1937407	FALSE	1	-0.0733762	-0.0063833
EL DORADO	SAN MARTIN	2.3500845	1.2121212	0.0740539	0.5769231	0.0877193	0.6590258	1.1861314	0.7004471	FALSE	1	-0.1589313	0.0148887
BELLAVISTA	SAN MARTIN	4.2208615	1.5151515	0.5756478	0.5769231	0.1754386	0.7449857	1.4051095	0.5365127	FALSE	1	-0.0941842	-0.0130598
MARISCAL CACERES	SAN MARTIN	4.7972973	1.2121212	0.7228186	0.5769231	0.5263158	0.8022923	2.6094891	0.2533532	FALSE	1	-0.0603694	-0.0597148
LAMAS	SAN MARTIN	3.0553209	3.0303030	0.5412644	0.5769231	0.2631579	1.0601719	3.8868613	0.2384501	FALSE	1	-0.0834538	0.0323457
TARATA	TACNA	4.4594595	2.1212121	0.0758040	0.9615385	0.0877193	0.2292264	2.8467153	0.1639344	FALSE	1	-0.0879843	-0.0329955
CANDARAVE	TACNA	3.1271115	1.2121212	0.0706072	1.3461538	0.0000000	0.5157593	1.6423358	0.3129657	FALSE	1	-0.1357006	0.0073230
PURUS	UCAYALI	2.7195946	0.0000000	0.1868693	0.1923077	0.0877193	0.0000000	1.3138686	0.0894188	FALSE	1	-0.1826085	-0.0208274
ATALAYA	UCAYALI	2.2550676	0.9090909	0.6956571	0.5769231	0.0877193	0.1432665	5.4927007	0.4619970	FALSE	1	-0.1452874	-0.0673132
PADRE ABAD	UCAYALI	4.6241554	1.8181818	1.5423307	0.1923077	0.0877193	0.5730659	3.3576642	0.3278689	FALSE	1	-0.0508622	-0.0437343
CHACHAPOYAS	AMAZONAS	6.8222128	6.0606061	2.3896123	1.5384615	0.8771930	0.8882521	3.9598540	0.7153502	FALSE	2	0.1480829	0.0257448
BAGUA	AMAZONAS	5.0971284	1.5151515	1.3144633	1.3461538	0.7017544	1.1461318	3.0839416	1.2965723	FALSE	2	0.0117567	-0.0207871
UTCUBAMBA	AMAZONAS	5.2892736	1.8181818	1.3441005	1.5384615	0.7894737	1.7478510	2.9014599	1.7883756	FALSE	2	0.0462224	0.0107115
HUARMEY	ANCASH	7.4936655	1.2121212	0.2161151	0.9615385	0.2631579	0.2578797	1.8795620	0.5812221	FALSE	2	-0.0071043	-0.1368637
CASMA	ANCASH	7.1304899	0.9090909	0.3159000	0.3846154	0.3508772	0.3151862	1.6423358	0.1490313	FALSE	2	-0.0269145	-0.1466982
HUARAZ	ANCASH	7.2402872	3.3333333	3.2880486	0.5769231	3.2456140	1.6618911	2.9379562	0.8643815	FALSE	2	0.2108605	-0.0125296
CONDESUYOS	AREQUIPA	7.6435811	2.1212121	0.5081338	0.5769231	0.0877193	0.2005731	1.4963504	0.6408346	FALSE	2	0.0022009	-0.1070999
CASTILLA	AREQUIPA	7.3184122	3.9393939	0.6143852	0.3846154	0.1754386	0.5157593	1.8065693	0.1490313	FALSE	2	0.0248030	-0.0448626
CARAVELI	AREQUIPA	8.3804899	3.6363636	0.2471948	0.3846154	0.1754386	0.6876791	1.8795620	0.5514158	FALSE	2	0.0386694	-0.0739105
ISLAY	AREQUIPA	8.6845439	1.5151515	0.7066489	0.7692308	0.5263158	1.0028653	5.1459854	0.2086438	FALSE	2	0.0567107	-0.2049163
CAMANA	AREQUIPA	8.5409628	2.1212121	0.7429314	3.8461538	0.7017544	1.0028653	6.1678832	1.6095380	FALSE	2	0.1219647	-0.1392381
CAYLLOMA	AREQUIPA	7.7956081	5.7575758	1.2728146	1.3461538	0.5263158	1.1461318	2.3175182	0.4769001	FALSE	2	0.1156799	0.0161580
JAEN	CAJAMARCA	5.8023649	3.3333333	1.9425682	1.3461538	1.3157895	3.8968481	4.2153285	0.2682563	FALSE	2	0.1570701	0.0303968
URUBAMBA	CUSCO	6.7229730	1.8181818	0.3934424	1.1538462	0.7017544	1.3753582	1.9708029	0.2086438	FALSE	2	0.0253720	-0.0712663
CANCHIS	CUSCO	5.2491554	2.1212121	1.1941971	0.7692308	0.6140351	1.3180516	1.6788321	0.1937407	TRUE	2	-0.0041818	-0.0044205
LA CONVENCION	CUSCO	4.8754223	3.9393939	1.6439002	0.5769231	1.1403509	2.0916905	4.6532847	0.2980626	FALSE	2	0.0738153	0.0348330
LEONCIO PRADO	HUANUCO	5.9206081	2.7272727	1.3311975	1.1538462	1.3157895	1.3467049	1.1313869	0.3129657	FALSE	2	0.0579266	0.0176059
PALPA	ICA	8.1925676	1.2121212	0.4365651	0.9615385	0.0877193	0.4297994	3.9416058	0.2980626	FALSE	2	0.0120977	-0.1955207
NASCA	ICA	8.2981419	1.2121212	0.5300680	0.7692308	0.8771930	1.0888252	4.0510949	0.6855440	FALSE	2	0.0584859	-0.1805214
PISCO	ICA	7.4852196	2.1212121	0.8649492	0.3846154	0.8771930	1.5472779	2.9197080	0.3725782	FALSE	2	0.0668168	-0.1015592
CHINCHA	ICA	7.7850507	3.0303030	1.3431221	5.3846154	1.5789474	2.3782235	4.6167883	1.3263785	FALSE	2	0.2132257	-0.0290864
JUNIN	JUNIN	4.4742399	0.9090909	0.2927763	0.3846154	0.2631579	0.8309456	10.0000000	0.2831595	TRUE	2	-0.1039103	-0.1506997
YAULI	JUNIN	8.8112331	2.7272727	0.2286483	0.3846154	0.2631579	0.9169054	4.2518248	0.2980626	FALSE	2	0.0474471	-0.1582655
CHUPACA	JUNIN	6.1380912	2.4242424	0.3999545	0.5769231	0.2631579	1.0888252	2.3722628	0.6259314	FALSE	2	-0.0057911	-0.0486813
JAUJA	JUNIN	5.9332770	10.0000000	0.8899343	2.6923077	0.2631579	2.8653295	4.4343066	1.3561848	FALSE	2	0.1462688	0.1107724
TARMA	JUNIN	5.4455236	2.4242424	1.1612054	0.7692308	0.7894737	1.5186246	4.9817518	0.9538003	FALSE	2	0.0431731	-0.0438130
CHANCHAMAYO	JUNIN	5.4687500	1.5151515	1.5121624	1.9230769	1.3157895	1.6905444	3.1204380	0.9687034	FALSE	2	0.0690579	-0.0096158
SATIPO	JUNIN	3.6782095	2.4242424	1.8983150	0.5769231	0.8771930	1.4040115	4.2153285	1.9225037	TRUE	2	0.0046526	0.0363702
CHEPEN	LA LIBERTAD	7.1600507	0.6060606	0.5486172	0.9615385	0.2631579	1.5472779	2.0072993	1.0283159	FALSE	2	0.0255616	-0.1048682
VIRU	LA LIBERTAD	5.9248311	0.6060606	0.7997214	0.7692308	0.3508772	0.6590258	4.7992701	0.2533532	FALSE	2	-0.0233592	-0.1500661
PACASMAYO	LA LIBERTAD	7.5929054	1.2121212	0.5811607	0.5769231	0.3508772	1.4326648	6.0036496	0.1639344	FALSE	2	0.0421905	-0.2014728
ASCOPE	LA LIBERTAD	7.7132601	2.1212121	0.6345086	2.3076923	0.8771930	1.5759312	2.9197080	0.3129657	FALSE	2	0.0905580	-0.0738526
CAÑETE	LIMA	9.8184122	4.5454545	2.2936847	0.5769231	2.2807018	1.2320917	4.2518248	0.2235469	FALSE	2	0.2039159	-0.0790849
OYON	LIMA	7.5464527	1.5151515	0.1606239	1.3461538	0.1754386	0.6590258	0.5474453	1.8181818	FALSE	2	0.0110403	-0.0951078
YAUYOS	LIMA	4.7930743	9.6969697	0.3156053	0.7692308	0.1754386	1.1747851	3.4306569	0.5365127	TRUE	2	-0.0059744	0.0803514
HUAROCHIRI	LIMA	7.0164696	9.3939394	0.8338487	0.1923077	2.2807018	1.4040115	3.1569343	0.1341282	FALSE	2	0.1437468	0.0077190
BARRANCA	LIMA	8.6803209	1.2121212	1.1044422	0.9615385	0.9649123	1.5472779	3.8686131	0.6557377	FALSE	2	0.0978490	-0.1583108
HUARAL	LIMA	8.7119932	3.3333333	1.3386804	1.3461538	0.9649123	1.6332378	2.5364964	1.0730253	FALSE	2	0.1443768	-0.0298282
HUAURA	LIMA	9.1089527	3.3333333	2.4273604	1.5384615	1.9298246	2.2349570	3.5583942	1.0730253	FALSE	2	0.2319494	-0.0300899
CANTA	LIMA	7.3648649	1.8181818	0.3495496	0.3846154	0.0000000	2.1776504	3.0839416	0.4172876	FALSE	2	0.0408718	-0.1133247
TAHUAMANU	MADRE DE DIOS	8.9695946	0.6060606	0.2553673	0.1923077	0.2631579	0.1146132	8.1569343	0.1788376	FALSE	2	0.0041724	-0.3053877
MANU	MADRE DE DIOS	7.9159628	0.9090909	0.2167568	0.7692308	0.2631579	0.0573066	3.0109489	1.1326379	FALSE	2	0.0043843	-0.1757260
TAMBOPATA	MADRE DE DIOS	8.4227196	0.6060606	2.4704569	1.3461538	1.9298246	1.0601719	7.3722628	0.8792846	FALSE	2	0.1659537	-0.2071911
GENERAL SANCHEZ CERRO	MOQUEGUA	6.5730574	3.0303030	0.4432868	0.9615385	0.1754386	0.4584527	2.7372263	0.5514158	FALSE	2	0.0067569	-0.0501265
ILO	MOQUEGUA	9.8437500	0.6060606	0.7928416	2.5000000	0.9649123	0.9742120	2.7189781	1.0432191	FALSE	2	0.0923129	-0.1403786
MARISCAL NIETO	MOQUEGUA	10.0000000	1.8181818	2.1836978	1.3461538	1.3157895	1.5472779	1.4781022	0.2235469	FALSE	2	0.1429332	-0.0893730
OXAPAMPA	PASCO	4.3961149	2.1212121	1.6500073	1.9230769	0.4385965	1.4613181	4.0510949	0.7302534	TRUE	2	0.0150968	0.0230339
PASCO	PASCO	6.8813345	3.6363636	2.3677807	0.9615385	1.4035088	2.5501433	2.3722628	0.1639344	FALSE	2	0.1622314	0.0210588
SECHURA	PIURA	5.2301520	1.5151515	0.0000000	1.1538462	0.1754386	0.9169054	1.8613139	0.2980626	TRUE	2	-0.0578393	-0.0463599
PAITA	PIURA	6.9277872	1.8181818	1.6437453	0.9615385	0.3508772	1.1461318	2.5364964	0.6706408	FALSE	2	0.0531555	-0.0701880
TALARA	PIURA	7.7048142	1.5151515	0.9545931	1.1538462	1.0526316	0.9455587	4.2700730	0.2384501	FALSE	2	0.0689489	-0.1564462
SAN ANTONIO DE PUTINA	PUNO	5.9184966	1.2121212	0.2705909	0.5769231	0.1754386	0.4297994	2.3905109	0.1192250	TRUE	2	-0.0561982	-0.1093105
SAN ROMAN	PUNO	7.1579392	1.2121212	2.0914792	0.7692308	1.7543860	2.4068768	3.6131387	0.6408346	FALSE	2	0.1421678	-0.1020074
TOCACHE	SAN MARTIN	6.0388514	1.5151515	0.9420943	1.3461538	0.3508772	1.0888252	1.7700730	0.5812221	FALSE	2	0.0034807	-0.0443836
RIOJA	SAN MARTIN	5.2533784	2.4242424	0.8416762	1.1538462	0.7017544	1.9197708	4.2335766	0.6110283	FALSE	2	0.0337115	-0.0184016
MOYOBAMBA	SAN MARTIN	5.6735642	1.5151515	2.4799069	1.3461538	1.1403509	1.6332378	3.4306569	0.8792846	FALSE	2	0.0876015	-0.0318564
SAN MARTIN	SAN MARTIN	8.1904561	3.9393939	2.5157490	1.3461538	1.6666667	1.9770774	2.6277372	0.9538003	FALSE	2	0.2070880	0.0053759
JORGE BASADRE	TACNA	9.7276182	0.6060606	0.1829486	0.9615385	0.0000000	0.2005731	2.2810219	0.9836066	FALSE	2	0.0093451	-0.1874005
CONTRALMIRANTE VILLAR	TUMBES	6.8538851	0.6060606	0.2692679	0.1923077	0.2631579	0.6017192	4.7810219	1.1922504	FALSE	2	-0.0087357	-0.1878742
ZARUMILLA	TUMBES	6.1127534	0.9090909	0.4052380	0.5769231	0.4385965	0.3438395	3.1021898	0.1937407	FALSE	2	-0.0400808	-0.1338336
TUMBES	TUMBES	7.8230574	1.5151515	2.6821262	1.9230769	2.0175439	1.9484241	4.9452555	0.5514158	FALSE	2	0.1944668	-0.1159684
SANTA	ANCASH	8.3530405	2.4242424	3.1640823	3.4615385	4.4736842	3.5816619	2.2445255	0.8047690	FALSE	3	0.3121786	0.0061132
ABANCAY	APURIMAC	6.3703547	2.4242424	2.4979682	1.7307692	1.8421053	1.9770774	1.2956204	0.9836066	TRUE	3	0.1481596	0.0368652
HUAMANGA	AYACUCHO	5.6967905	4.5454545	3.9521263	0.7692308	2.8947368	3.8108883	3.2116788	0.5514158	FALSE	3	0.2355437	0.0936466
CAJAMARCA	CAJAMARCA	6.6680743	3.3333333	4.0985441	2.3076923	3.2456140	4.8424069	6.2408759	1.1475410	FALSE	3	0.3328072	0.0269458
PROV, CONSTITUCIONAL DEL CALLAO	CALLAO	8.8809122	1.5151515	7.6740478	0.0000000	6.5789474	6.1031519	2.9014599	0.2384501	FALSE	3	0.3924062	-0.1231639
CUSCO	CUSCO	9.4108953	2.1212121	7.0441163	1.1538462	5.6140351	2.9512894	2.5182482	0.7600596	FALSE	3	0.3531879	-0.0570713
HUANUCO	HUANUCO	6.5266047	3.6363636	4.0528655	0.7692308	2.6315789	2.9226361	2.9744526	0.9388972	FALSE	3	0.2349061	0.0432199
ICA	ICA	8.8703547	3.9393939	3.8854928	0.7692308	3.0701754	3.6962751	1.3686131	0.6110283	FALSE	3	0.2981092	0.0249510
HUANCAYO	JUNIN	7.5274493	8.1818182	5.6806701	1.5384615	5.0877193	4.9283668	0.9671533	1.6095380	FALSE	3	0.4322030	0.1707246
TRUJILLO	LA LIBERTAD	8.8745777	3.0303030	6.7379135	3.4615385	7.3684211	6.1318052	1.6423358	1.2667660	FALSE	3	0.4747959	0.0715498
CHICLAYO	LAMBAYEQUE	7.5717905	5.7575758	6.5705548	0.9615385	7.1052632	5.7020057	2.0072993	0.1043219	FALSE	3	0.4256322	0.1007723
MAYNAS	LORETO	7.2677365	3.0303030	6.9426535	3.0769231	2.7192982	5.0429799	4.3065693	0.4619970	FALSE	3	0.3648828	0.0165479
SULLANA	PIURA	6.8116554	2.1212121	2.7382198	2.1153846	2.1052632	4.0401146	2.0620438	1.1773472	FALSE	3	0.2200220	0.0289301
PIURA	PIURA	7.3754223	2.7272727	8.1490762	1.5384615	5.5263158	6.6475645	5.8941606	0.4321908	FALSE	3	0.4277960	-0.0463117
PUNO	PUNO	6.8201014	4.2424242	3.5838275	2.5000000	1.9298246	3.5816619	2.4270073	1.5052161	FALSE	3	0.2688662	0.1071990
TACNA	TACNA	8.1989020	3.0303030	4.3472132	2.5000000	3.0701754	3.2951289	5.0000000	0.9836066	FALSE	3	0.3293176	-0.0257969
CORONEL PORTILLO	UCAYALI	6.4168074	1.8181818	5.1954510	1.9230769	2.8070175	2.8366762	1.7700730	0.2831595	FALSE	3	0.2260151	0.0208606
AREQUIPA	AREQUIPA	9.4953547	8.4848485	10.0000000	10.0000000	10.0000000	10.0000000	6.2226277	2.1460507	FALSE	4	0.7663069	0.0891304

library(openxlsx)

## Warning: package 'openxlsx' was built under R version 4.2.1

write.xlsx(datitos_ordenado, file = "~/ENTREGA 4/datitos_ordenado (1).xlsx" )

## Warning in file.create(to[okay]): cannot create file '~/ENTREGA
## 4/datitos_ordenado (1).xlsx', reason 'No such file or directory'

3.7. Conclusiones

Para interpretar cada clúster en el resultado de la jerarquización aglomerativa con k=4, considerando las variables estandarizadas (idh, distritos, pim, comisarias, judicial, educonec, estadolocal y hospital), podemos analizar las características de las provincias en cada clúster:

Cluster 1: Este clúster está compuesto por una amplia variedad de provincias, abarcando diferentes regiones del país. Se caracteriza por tener valores bajos en las variables analizadas. Las provincias de este clúster se encuentran en un nivel bajo de desarrollo humano y presentan pocos distritos, presupuesto institucional, comisarías, dependencias judiciales, colegios con acceso a internet, locales educativos en buen estado y hospitales. Estas provincias podrían requerir una mayor inversión y desarrollo en diversos aspectos para mejorar su calidad de vida y bienestar.

Cluster 2: Este clúster está conformado por provincias que presentan valores moderados en las variables analizadas. Las provincias en este clúster muestran un nivel intermedio de desarrollo humano y cuentan con una cantidad moderada de distritos, presupuesto institucional, comisarías, dependencias judiciales, colegios con acceso a internet, locales educativos en buen estado y hospitales. Aunque no tienen los niveles más altos en estas variables, muestran un nivel de desarrollo aceptable y podrían beneficiarse de inversiones adicionales para mejorar aún más.

Cluster 3: Este clúster está compuesto por provincias que presentan valores altos en las variables analizadas. Las provincias en este clúster se destacan por tener un alto nivel de desarrollo humano y contar con un mayor número de distritos, presupuesto institucional, comisarías, dependencias judiciales, colegios con acceso a internet, locales educativos en buen estado y hospitales. Estas provincias muestran un mayor nivel de desarrollo en comparación con los clústeres anteriores y tienen una infraestructura institucional y social más sólida.

Cluster 4: Este clúster está compuesto por una única provincia, Arequipa. Esta provincia se distingue de las demás al tener los valores más altos en las variables analizadas. Arequipa muestra un nivel de desarrollo humano muy alto y cuenta con una mayor cantidad de distritos, presupuesto institucional, comisarías, dependencias judiciales, colegios con acceso a internet, locales educativos en buen estado y hospitales. Es considerada una de las provincias más desarrolladas en el país.

Es importante tener en cuenta que esta interpretación se basa únicamente en los resultados de la jerarquización aglomerativa y en las variables proporcionadas. Para obtener una comprensión más completa del desarrollo y las características de cada provincia, es necesario realizar análisis más detallados y considerar otras variables relevantes.

Los valores que se encuentran dentro de cada clúster son los siguientes:

Cluster 1: “ANDAHUAYLAS”, “ANTABAMBA”, “AYMARAES”, “CHINCHEROS”, “COTABAMBAS”, “GRAU”, “ACOBAMBA”, “ACOMAYO”, “AIJA”, “ALTO AMAZONAS”, “AMBO”, “ANGARAES”, “ANTA”, “ANTONIO RAIMONDI”, “ASUNCION”, “ATALAYA”, “AYABACA”, “AZANGARO”, “BELLAVISTA”, “BOLIVAR”, “BOLOGNESI”, “BONGARA”, “CAJABAMBA”, “CAJATAMBO”, “CALCA”, “CANAS”, “CANDARAVE”, “CANGALLO”, “CARABAYA”, “CARHUAZ”, “CARLOS FERMIN FITZCARRALD”, “CASTROVIRREYNA”, “CELENDIN”, “CHOTA”, “CHUCUITO”, “CHUMBIVILCAS”, “CHURCAMPA”, “CONCEPCION”, “CONDORCANQUI”, “CONTUMAZA”, “CORONGO”, “CUTERVO”, “DANIEL ALCIDES CARRION”, “DATEM DEL MARAÑON”, “DOS DE MAYO”, “EL COLLAO”, “EL DORADO”, “ESPINAR”, “FERREÑAFE”, “GRAN CHIMU”, “HUACAYBAMBA”, “HUALGAYOC”, “HUALLAGA”, “HUAMALIES”, “HUANCA SANCOS”, “HUANCABAMBA”, “HUANCANE”, “HUANCAVELICA”, “HUANTA”, “HUARI”, “HUAYLAS”, “HUAYTARA”, “JULCAN”, “LA MAR”, “LA UNION”, “LAMAS”, “LAMBAYEQUE”, “LAMPA”, “LAURICOCHA”, “LORETO”, “LUCANAS”, “LUYA”, “MARAÑON”, “MARISCAL CACERES”, “MARISCAL LUZURIAGA”, “MARISCAL RAMON CASTILLA”, “MELGAR”, “MOHO”, “MORROPON”, “OCROS”, “OTUZCO”, “PACHITEA”, “PADRE ABAD”, “PALLASCA”, “PARINACOCHAS”, “PARURO”, “PATAZ”, “PAUCAR DEL SARA SARA”, “PAUCARTAMBO”, “PICOTA”, “POMABAMBA”, “PUERTO INCA”, “PURUS”, “PUTUMAYO”, “QUISPICANCHI”, “RECUAY”, “REQUENA”, “RODRIGUEZ DE MENDOZA”, “SAN IGNACIO”, “SAN MARCOS”, “SAN MIGUEL”, “SAN PABLO”, “SANCHEZ CARRION”, “SANDIA”, “SANTA CRUZ”, “SANTIAGO DE CHUCO”, “SIHUAS”, “SUCRE”, “TARATA”, “TAYACAJA”, “UCAYALI”, “VICTOR FAJARDO”, “VILCAS HUAMAN”, “YAROWILCA”, “YUNGAY”, “YUNGUYO”.

Cluster 2: “ASCOPE”, “BAGUA”, “BARRANCA”, “CAMANA”, “CANCHIS”, “CANTA”, “CAÑETE”, “CARAVELI”, “CASMA”, “CASTILLA”, “CAYLLOMA”, “CHACHAPOYAS”, “CHANCHAMAYO”, “CHEPEN”, “CHINCHA”, “CHUPACA”, “CONDESUYOS”, “CONTRALMIRANTE VILLAR”, “GENERAL SANCHEZ CERRO”, “HUARAL”, “HUARAZ”, “HUARMEY”, “HUAROCHIRI”, “HUAURA”, “ILO”, “ISLAY”, “JAEN”, “JAUJA”, “JORGE BASADRE”, “JUNIN”, “LA CONVENCION”, “LEONCIO PRADO”, “MANU”, “MARISCAL NIETO”, “MOYOBAMBA”, “NASCA”, “OXAPAMPA”, “OYON”, “PACASMAYO”, “PAITA”, “PALPA”, “PASCO”, “PISCO”, “RIOJA”, “SAN ANTONIO DE PUTINA”, “SAN MARTIN”, “SAN ROMAN”, “SATIPO”, “SECHURA”, “TAHUAMANU”, “TALARA”, “TAMBOPATA”, “TARMA”, “TOCACHE”, “TUMBES”, “URUBAMBA”, “UTCUBAMBA”, “VIRU”, “YAULI”, “YAUYOS”, “ZARUMILLA”.

Cluster 3

“ABANCAY”, “CAJAMARCA”, “CHICLAYO”, “CORONEL PORTILLO”, “CUSCO”, “HUAMANGA”, “HUANCAYO”, “HUANUCO”, “ICA”, “MAYNAS”, “PIURA”, “CALLAO”, “PUNO”, “SANTA”, “SULLANA”, “TACNA”, “TRUJILLO”.

Cluster 4: “AREQUIPA”.

4. Bibliografía

Augusto, María Claudia, Eduardo Dargent y Stephanie Rousseau. “Más allá de la capacidad estatal: sociedad civil e implementación de políticas a nivel subnacional en Cusco y San Martín (Perú)”. Colombia Internacional, (90): 99-125.

Bersch, Katherine, Sergio Praza y Mathew Taylor (2017) “Bureaucratic Capacity and Political Autonomy within National States: Mapping the Archipielago of Excelence in Brazil”. En Centeno, Miguel, Atul Kohli y Deborah Yashar, States in the Developing World. Cambridge: Cambridge University Press, pp. 157-183.

Boone, Catherine (2012). Política territorial y el alcance del Estado: Irregularidad por diseño. Revista Ciencia Política 32(3): 623-641.

Censo Escolar - ESCALE - Unidad de Estadística Educativa. (2017). Gob.pe. http://escale.minedu.gob.pe/censo-escolar/-/document_library_display/oJ44/view/4028089;jsessionid=c01263291652b023a5c6c74fe1e2

CEPLAN (2020).Informe Nacional del Perú 2020: la protección de la Vida en la Emergencia y después. https://www.ceplan.gob.pe/informe-nacional/

Cerna, Diego, Luis García, Félix Puémape, Mauricio Rentería, Lucila Rozas y Paolo Sosa (2017). Acá no hay ventanillas. La burocracia de la calle en los programas sociales. Lima: IEP.

Constitución Política del Perú (1993). Constitución Política del Perú 1993. El Peruano.

Cutillas, E. (2017). Distribución mundial de la población con discapacidades en relación con los patrones geográficos del desarrollo humano. Documents d’anàlisi geogràfica, 63(1), 0029-53.

Dammert, L. (2007). Perspectivas y dilemas de la seguridad ciudadana en América Latina (Vol. 2). Flacso-Sede Ecuador.

Dargent, Eduardo, Andreas Feldman y Juan Pablo Luna (2017). Greater State Capacity, Lesser Stateness: Lessons from the Peruvian Commodity Boom. Politics & Society 54(1): 3-34

Evans, Peter, Evelyne Huber y John Stephens (2017). “The Political Foundations of State Efectiveness”. En Centeno, Miguel, Atul Kohli y Deborah Yashar, States in the Developing World. Cambridge: Cambridge University Press, pp. 380-408.

Fukuyama, F. (2004). State Building. Governance and World Order in the Twenty-First Century, Profile Books, Londres

Fukuyama, Francis (2004). La construcción del Estado: Hacia un nuevo orden mundial en el siglo XXI. Barcelona: Ediciones B.

Herbst, Jeffrey I. (2000). States and Power in Africa: Comparative lessons in authority and control. New Jersey: Princeton University Press.

INEI (2013). “Territorios y suelos”. En Perú: Anuario de Estadísticas Ambientales 2013. https://www.inei.gob.pe/media/MenuRecursivo/publicaciones_digitales/Est/Lib1140/cap01.pdf

INEI (2017). Censo Nacional de Comisarias (CENACOM). https://www.datitosabiertos.gob.pe/dataset/censo-nacional-de-comisarias-cenacom-2017-instituto-nacional-de-estad%C3%ADstica-e-inform%C3%A1tica

INEI (2020). Registro Nacional de Municipalidades (RENAMU). https://www.datitosabiertos.gob.pe/dataset/registro-nacional-de-municipalidades-renamu-2020-instituto-nacional-de-estad%C3%ADstica-e

Kurtz, Marcus (2013) Latin American State Building in Comparative Perspective: Social Foundations of Instiutional Order. New York: Cambridge University Press.

Migdal, J. S. (1988). Strong societies and weak states: state-society relations and state capabilities in the Third World. Princeton University Press.

Ministerio de Economía y Finanzas. (2020). Guía de Orientación del Ciudadano del Proyecto de Ley del Presupuesto Público 2021. https://www.gob.pe/institucion/mef/campa%C3%B1as/2181-guia-deorientacion-del-ciudadano-del-proyecto-de-ley-del-presupuesto-publico-2021 Ministerio de Economía y Finanzas. (2020). Guía de Orientación del Ciudadano del Proyecto de Ley del Presupuesto Público 2021. https://www.gob.pe/institucion/mef/campa%C3%B1as/2181-guia-deorientacion-del-ciudadano-del-proyecto-de-ley-del-presupuesto-publico-2021 OpenDataSoft (2023). Distritos del Perú. https://bogota-laburbano.opendatasoft.com/explore/dataset/distritos-peru/table/

Peña, C. (2022). Infraestructura educativa y cierre de brechas. Revista Idep. https://revistas.idep.edu.co/index.php/mau/article/view/2751/2206

Poder Judicial (2021). Mapas y dependencias judiciales a nivel nacional por distrito judicial. https://www.pj.gob.pe/wps/wcm/connect/0657f40046813a98bdb3bd76dd7c9e83/Mapasdependenciasdic2021.pdf?MOD=AJPERES&CACHEID=0657f4004613a98bdb3bd76dd7c9e83

Pol Ulecia, M. A. (2008). Desarrollo Humano y territorio: Una aproximación metodológica. Universidad de Alicante.

Schwab, K. (2017). La cuarta revolución industrial. Debate

Scott, J. C. (1998). “Cities, People, and Language”. En Seeing like a state: How certain schemes to improve the human condition have failed. Yale University Press.

Solís, R., Sánchez, S. E., Carrión, M., Samatelo, E., Rodríguez-Zubiate, R., & Rodríguez, M. (2009). Cobertura de seguros de salud en relación con el uso de servicios médicos, condiciones de vida y percepción de la salud en Lima, Perú. Revista Peruana de Medicina Experimental y Salud Publica, 26(2), 136-144.

Sullivan, Heather (2018). Sticks, Stones, and Broken Bones: Protest Violence and the State. Journal of Conflict Resolution 63 (3): 700-726.

Taylor, Brian. (2011). State Building in Putin’s Russia. Policing and Coercion after Communism. New York, NY.: Cambridge University Press.

Tilly, C. (1991). War and state power. Middle East Report, 38-40.

Trinidad, R. (2003). La tecnología¿ solución para mejorar la calidad educativa rural? Un análisis del Proyecto de Educación a Distancia (EDIST). IEP.

Universidad del Pacífico (2020). Reporte del Índice de Desarrollo Humano distrital del Perú 2019 del Programa de las Naciones Unidas para el Desarrollo -PNUD. https://www.up.edu.pe/egp/programas-especializacion_copy(1)/SiteAssets/Lists/Observatorio/AllItems/Informe%20de%20Evidencia%20IDH%202019.pdf

Yufra, S., & Huerta, P. E. (2019). Reto de la Igualdad: Una lectura de las dinámicas territoriales en el Perú. Lima: Programa de las Naciones Unidas para el Desarrollo. https://www.undp.org/sites/g/files/zskgke326/files/migration/pe/896b1c8abc283aa2909892ebcc0201997a3bcf200795a9baa7e50855128b271a.pdf

Ziblatt, Daniel (2004). “Rethinking the origins of Federalism: Puzzle, Theory and Evidence from Nineteenth-Century Europe”. World Politics 57: 70-98.