PROBLEMA

Una empresa inmobiliaria líder en una gran ciudad está buscando comprender en profundidad el mercado de viviendas urbanas para tomar decisiones estratégicas más informadas. La empresa posee una base de datos extensa que contiene información detallada sobre diversas propiedades residenciales disponibles en el mercado. A continuación se realiza una descripción de esta data:

str(vivienda)
## Classes 'spec_tbl_df', 'tbl_df', 'tbl' and 'data.frame': 8322 obs. of  13 variables:
##  $ id          : num  1147 1169 1350 5992 1212 ...
##  $ zona        : chr  "Zona Oriente" "Zona Oriente" "Zona Oriente" "Zona Sur" ...
##  $ piso        : chr  NA NA NA "02" ...
##  $ estrato     : num  3 3 3 4 5 5 4 5 5 5 ...
##  $ preciom     : num  250 320 350 400 260 240 220 310 320 780 ...
##  $ areaconst   : num  70 120 220 280 90 87 52 137 150 380 ...
##  $ parqueaderos: num  1 1 2 3 1 1 2 2 2 2 ...
##  $ banios      : num  3 2 2 5 2 3 2 3 4 3 ...
##  $ habitaciones: num  6 3 4 3 3 3 3 4 6 3 ...
##  $ tipo        : chr  "Casa" "Casa" "Casa" "Casa" ...
##  $ barrio      : chr  "20 de julio" "20 de julio" "20 de julio" "3 de julio" ...
##  $ longitud    : num  -76.5 -76.5 -76.5 -76.5 -76.5 ...
##  $ latitud     : num  3.43 3.43 3.44 3.44 3.46 ...
##  - attr(*, "spec")=List of 3
##   ..$ cols   :List of 13
##   .. ..$ id          : list()
##   .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
##   .. ..$ zona        : list()
##   .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
##   .. ..$ piso        : list()
##   .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
##   .. ..$ estrato     : list()
##   .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
##   .. ..$ preciom     : list()
##   .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
##   .. ..$ areaconst   : list()
##   .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
##   .. ..$ parqueaderos: list()
##   .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
##   .. ..$ banios      : list()
##   .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
##   .. ..$ habitaciones: list()
##   .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
##   .. ..$ tipo        : list()
##   .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
##   .. ..$ barrio      : list()
##   .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
##   .. ..$ longitud    : list()
##   .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
##   .. ..$ latitud     : list()
##   .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
##   ..$ default: list()
##   .. ..- attr(*, "class")= chr [1:2] "collector_guess" "collector"
##   ..$ delim  : chr ";"
##   ..- attr(*, "class")= chr "col_spec"
##  - attr(*, "problems")=<externalptr>

La base de datos consta de 13 variables y 8322 observaciones. De estas 13 variables, 4 son de naturaleza cualitativa, mientras que las restantes son de carácter cuantitativo. A continuación, se presenta un resumen estadístico fundamental de la información contenida en la base de datos.

summary(vivienda)
##        id           zona               piso              estrato     
##  Min.   :   1   Length:8322        Length:8322        Min.   :3.000  
##  1st Qu.:2080   Class :character   Class :character   1st Qu.:4.000  
##  Median :4160   Mode  :character   Mode  :character   Median :5.000  
##  Mean   :4160                                         Mean   :4.634  
##  3rd Qu.:6240                                         3rd Qu.:5.000  
##  Max.   :8319                                         Max.   :6.000  
##  NA's   :3                                            NA's   :3      
##     preciom         areaconst       parqueaderos        banios      
##  Min.   :  58.0   Min.   :  30.0   Min.   : 1.000   Min.   : 0.000  
##  1st Qu.: 220.0   1st Qu.:  80.0   1st Qu.: 1.000   1st Qu.: 2.000  
##  Median : 330.0   Median : 123.0   Median : 2.000   Median : 3.000  
##  Mean   : 433.9   Mean   : 174.9   Mean   : 1.835   Mean   : 3.111  
##  3rd Qu.: 540.0   3rd Qu.: 229.0   3rd Qu.: 2.000   3rd Qu.: 4.000  
##  Max.   :1999.0   Max.   :1745.0   Max.   :10.000   Max.   :10.000  
##  NA's   :2        NA's   :3        NA's   :1605     NA's   :3       
##   habitaciones        tipo              barrio             longitud     
##  Min.   : 0.000   Length:8322        Length:8322        Min.   :-76.59  
##  1st Qu.: 3.000   Class :character   Class :character   1st Qu.:-76.54  
##  Median : 3.000   Mode  :character   Mode  :character   Median :-76.53  
##  Mean   : 3.605                                         Mean   :-76.53  
##  3rd Qu.: 4.000                                         3rd Qu.:-76.52  
##  Max.   :10.000                                         Max.   :-76.46  
##  NA's   :3                                              NA's   :3       
##     latitud     
##  Min.   :3.333  
##  1st Qu.:3.381  
##  Median :3.416  
##  Mean   :3.418  
##  3rd Qu.:3.452  
##  Max.   :3.498  
##  NA's   :3

RETO PRINCIPAL

Realizar un análisis integral y multidimensional de la base de datos para obtener una comprensión del mercado inmobiliario urbano. Se requiere aplicar diversas técnicas de análisis de datos.

Dentro de estas técnicas vamos a empezar realizando un

Análisis de componentes principales.

El análisis de componentes principales (PCA) es una técnica útil para reducir la dimensionalidad de un conjunto de datos. Esto puede ser útil para visualizar los datos y identificar patrones y relaciones que podrían no ser evidentes en el conjunto de datos original.

Para reducir la dimensionalidad de los datos y comprender las características clave que influyen en la variación de precios y preferencias del mercado inmobiliario urbano.

Limpieza y Preprocesamiento de Datos:

md.pattern(vivienda)

##      preciom id zona estrato areaconst banios habitaciones tipo barrio longitud
## 4808       1  1    1       1         1      1            1    1      1        1
## 1909       1  1    1       1         1      1            1    1      1        1
## 876        1  1    1       1         1      1            1    1      1        1
## 726        1  1    1       1         1      1            1    1      1        1
## 1          1  0    0       0         0      0            0    0      0        0
## 2          0  0    0       0         0      0            0    0      0        0
##            2  3    3       3         3      3            3    3      3        3
##      latitud parqueaderos piso     
## 4808       1            1    1    0
## 1909       1            1    0    1
## 876        1            0    1    1
## 726        1            0    0    2
## 1          0            0    0   12
## 2          0            0    0   13
##            3         1605 2638 4275

Debido a que el conjunto de datos tenía datos faltantes en todas las variables como se puede observar al ejecutar la función md.pattern, se decidió eliminar aquellos registros con valores vacios. Esto se hizo con el fin de evitar sesgos en los resultados de los análisis.

vivienda2 = na.omit(vivienda)
md.pattern(vivienda2)
##  /\     /\
## {  `---'  }
## {  O   O  }
## ==>  V <==  No need for mice. This data set is completely observed.
##  \  \|/  /
##   `-----'

##      id zona piso estrato preciom areaconst parqueaderos banios habitaciones
## 4808  1    1    1       1       1         1            1      1            1
##       0    0    0       0       0         0            0      0            0
##      tipo barrio longitud latitud  
## 4808    1      1        1       1 0
##         0      0        0       0 0

Como se puede observar en los datos, la variable piso se encuentra como cualitativa sin embargo, la podemos transformar en una variable cuantitativa de la siguiente manera:

library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.2     ✔ readr     2.1.4
## ✔ forcats   1.0.0     ✔ stringr   1.5.0
## ✔ ggplot2   3.4.3     ✔ tibble    3.2.1
## ✔ lubridate 1.9.2     ✔ tidyr     1.3.0
## ✔ purrr     1.0.2     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks mice::filter(), stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
vivienda2$piso = as.numeric(vivienda2$piso)

#Por ultimo nos vamos a quedar con las variables cualitativas: piso, estrato, precio, area, 
#parqueaderos, baños y cantidad de habitaciones.

viviendax = vivienda2[3:9]
print(viviendax)
## # A tibble: 4,808 × 7
##     piso estrato preciom areaconst parqueaderos banios habitaciones
##    <dbl>   <dbl>   <dbl>     <dbl>        <dbl>  <dbl>        <dbl>
##  1     2       4     400       280            3      5            3
##  2     1       5     260        90            1      2            3
##  3     1       5     240        87            1      3            3
##  4     1       4     220        52            2      2            3
##  5     1       5     310       137            2      3            4
##  6     2       5     320       150            2      4            6
##  7     2       5     780       380            2      3            3
##  8     2       4     625       355            3      5            5
##  9     2       5     750       237            2      6            6
## 10     2       6     520        98            2      2            2
## # ℹ 4,798 more rows

Antes de realizar un PCA, es una práctica común estandarizar los datos para que todas las variables tengan la misma escala, posterior a ello realizarmos el PCA y por ultimo vamos a utilizar gráficos para su visualización.

library(factoextra)
## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa
library(ggplot2)
library(rlang)
## 
## Attaching package: 'rlang'
## The following objects are masked from 'package:purrr':
## 
##     %@%, flatten, flatten_chr, flatten_dbl, flatten_int, flatten_lgl,
##     flatten_raw, invoke, splice
viviendax_estandarizado = scale(viviendax)
resultado_pca = prcomp(viviendax_estandarizado)
plot(resultado_pca)

summary(resultado_pca)
## Importance of components:
##                           PC1    PC2    PC3     PC4    PC5     PC6     PC7
## Standard deviation     1.8934 1.1661 0.8997 0.69087 0.5850 0.49468 0.42590
## Proportion of Variance 0.5121 0.1943 0.1157 0.06819 0.0489 0.03496 0.02591
## Cumulative Proportion  0.5121 0.7064 0.8220 0.89023 0.9391 0.97409 1.00000
fviz_pca_var(resultado_pca, col.var = "contrib", gradient.cols = c("#FF7F00",  "#034D94"), repel = TRUE)

fviz_pca(resultado_pca, label = "var", col.var = "contrib", gradient.cols = c("#FF7F00",  "#034D94"))

El primer componente principal explica el 51,2 % de la variabilidad contenida en la base de datos. Los tres primeros componentes principales, en conjunto, explican el 82,2 % de la variabilidad de los datos.

En el plano de componentes principales, el primer componente principal está asociado a la variable piso, el segundo componente principal esta asociado con las variables parqueaderos, precio y estrato y el tercer componente principal está asociado a características de la infraestructura, como baños, área y habitaciones.

Análisis de conglomerados.

El análisis de conglomerados es una técnica estadística que se utiliza para agrupar objetos similares entre sí. En R, existen varios métodos de análisis de conglomerados disponibles, entre los que se incluyen:

k-means: Este método divide los datos en k grupos de tamaño igual, minimizando la suma de las distancias entre cada objeto y el centroide de su grupo.

install.packages("cluster")
## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.3'
## (as 'lib' is unspecified)
install.packages("stats")
## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.3'
## (as 'lib' is unspecified)
## Warning: package 'stats' is a base package, and should not be updated
install.packages("silhoutte")
## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.3'
## (as 'lib' is unspecified)
## Warning: package 'silhoutte' is not available for this version of R
## 
## A version of this package for your version of R might be available elsewhere,
## see the ideas at
## https://cran.r-project.org/doc/manuals/r-patched/R-admin.html#Installing-packages
library(cluster)
library(stats)

# Estimar el número de grupos
wss = (nrow(viviendax_estandarizado) - 1) * sum(apply(viviendax_estandarizado, 2, var))
for (i in 2:10) {
  wss[i] = sum(kmeans(viviendax_estandarizado, centers = i)$withinss)
}

# Graficar el análisis del codo
plot(1:10, wss, type = "b", xlab = "Número de grupos", ylab = "Suma de las distancias intragrupos")

# Realizar el análisis de conglomerados
kmeans_resultado = kmeans(viviendax_estandarizado, centers = 4)

# Realizar el análisis de conglomerados por Metodo Jerarquico
hclust_resultado = hclust(dist(viviendax_estandarizado), method = "complete")

# Visualizar los resultados
fviz_cluster(kmeans_resultado, data = viviendax_estandarizado)

# Determinar a donde pertenece cada observación
cluster = cutree(hclust_resultado, k = 4)

# Calcular el coeficiente de silhoutte
silhouette = silhouette(cluster, dist(viviendax_estandarizado))

# Promedio del coeficiente de silhoutte
silhouette_promedio = mean(silhouette[, "sil_width"])

# Visualizar los resultados
plot(hclust_resultado, labels = vivienda$N, hang = -1)
## Warning: Unknown or uninitialised column: `N`.

# Imprimir los resultados
cat("Número de grupos óptimo:", which.min(wss), "\n")
## Número de grupos óptimo: 10
cat("Número de grupos identificados:", length(unique(cluster)), "\n")
## Número de grupos identificados: 4
cat("Coeficiente de silhoutte promedio:", silhouette_promedio, "\n")
## Coeficiente de silhoutte promedio: 0.3594099
# Calcular el coeficiente de silhouette para cada observación
#silhouette_resultado <- silhouette(kmeans_resultado$cluster, dist(viviendax_estandarizado))

# Calcular el coeficiente de silhouette promedio
#silhouette_promedio <- mean(silhouette_resultado[, "sil_width"])

# Mostrar el coeficiente de silhouette promedio
#cat("Coeficiente de Silhouette Promedio:", silhouette_promedio, "\n")

# Realizar el análisis de conglomerados
#kmeans_resultado = kmeans(viviendax_estandarizado, centers = 2)

# Visualizar los resultados
#fviz_cluster(kmeans_resultado, data = viviendax_estandarizado)

# Calcular el coeficiente de silhouette para cada observación
#silhouette(kmeans_resultado$cluster, dist(viviendax_estandarizado))

# Calcular el coeficiente de silhouette promedio
#silhouette_promedio <- mean(silhouette_resultado[, "sil_width"])

# Mostrar el coeficiente de silhouette promedio
#cat("Coeficiente de Silhouette Promedio:", silhouette_promedio, "\n")

Análisis de correspondencia

El análisis de correspondencia es una técnica que se utiliza principalmente para analizar tablas de contingencia o tablas de frecuencia que involucran variables categóricas.

Se debe crear una tabla de contingencia, primero necesitamos datos categóricos o variables que puedan ser tabuladas para formar la tabla. Vamos a realizar esta tabla con los datos de

library(ca)

# Tabular las dos variables para crear una tabla de contingencia

tabla_contingencia = table(vivienda2$zona, vivienda2$estrato)

chisq.test(tabla_contingencia)
## Warning in chisq.test(tabla_contingencia): Chi-squared approximation may be
## incorrect
## 
##  Pearson's Chi-squared test
## 
## data:  tabla_contingencia
## X-squared = 2172.8, df = 12, p-value < 2.2e-16
# Mostrar la tabla de contingencia
print(tabla_contingencia)
##               
##                   3    4    5    6
##   Zona Centro    33    3    0    0
##   Zona Norte    141  184  482   79
##   Zona Oeste     19   51  181  502
##   Zona Oriente   94    2    1    0
##   Zona Sur      147  973 1195  721
resultado_ca = ca(tabla_contingencia)

# Visualiza los resultados
summary(resultado_ca)
## 
## Principal inertias (eigenvalues):
## 
##  dim    value      %   cum%   scree plot               
##  1      0.295269  65.3  65.3  ****************         
##  2      0.139191  30.8  96.1  ********                 
##  3      0.017448   3.9 100.0  *                        
##         -------- -----                                 
##  Total: 0.451908 100.0                                 
## 
## 
## Rows:
##     name   mass  qlt  inr     k=1 cor ctr    k=2 cor ctr  
## 1 | ZnCn |    7  991  138 | -2794 936 198 |  675  55  25 |
## 2 | ZnNr |  184  751  100 |  -334 454  70 | -271 297  97 |
## 3 | ZnOs |  157  994  283 |   441 238 103 |  785 755 693 |
## 4 | ZnOr |   20  997  420 | -2964 934 600 |  767  63  85 |
## 5 | ZnSr |  631  843   59 |   116 320  29 | -148 523 100 |
## 
## Columns:
##     name   mass  qlt  inr     k=1 cor ctr    k=2 cor ctr  
## 1 |    3 |   90 1000  572 | -1665 967 847 |  305  32  60 |
## 2 |    4 |  252  761   87 |    90  52   7 | -332 708 200 |
## 3 |    5 |  387  744   68 |    54  36   4 | -238 707 157 |
## 4 |    6 |  271  999  273 |   394 341 142 |  547 658 583 |
plot(resultado_ca)

fviz_screeplot(resultado_ca, addlabels = TRUE, ylim = c(0, 80))+ggtitle("")+
  ylab("Porcentaje de varianza explicado") + xlab("Ejes")

Los resultados de la gráfica anterior indican que el primero componente resumen el 65.3% y los dos finales el 30.8%. Sin embargo, los 2 primero alcanzan a representar el 96.1%