Introducción
## Column 1
TEMA
El Índice de Desarrollo Humano según la situación política y económica en los países del mundo.
PREGUNTA DE INVESTIGACIÓN
¿Cuáles son los factores que influyen en el Índice de Desarrollo Humano en los países del mundo?
HIPÓTESIS
El Índice de Desarrollo Humano se ve afectado directamente por causas domésticas estatales, la economía y la calidad de servicios.
## Column 2
FACTIBILIDAD Y LIMITACIONES
El desarrollo de la presente investigación es factible porque mediante una gran cantidad de datos se ejemplifica la situación política en el Índide de Desarrollo Humano del país expicando, de esta manera, la influencia de las caractrísticas políticas en el desarrollo del país. Sin embargo, utilizar el Índice de Desarrollo Humano tiene sus limitaciones:
- Simplifica la realidad al combinar diferentes aspectos del desarrollo humano en un solo índice.
- No refleja el impacto medioambiental de las actividades económicas y sociales del país.
- No refleja la distribución del ingreso del país.
- No considera los factores sociales y políticos del país.
- No considera la calidad de los servicios de salud y educación
VARIABLES
Todas las variables que serán utilizadas para nuestro proyecto estadístico están estructuradas como: variable numérica contínua.
Variable dependiente
- Índice de Desarrollo Humano (HDI)
Variables independientes
- Índice de Corrupción (Corruption)
- Índice de Libertad Política (Accountability)
- Índice de Estabilidad Política (Stability)
- Índice de Efectividad de Gobierno (Effectiveness)
- Índice de Calidad Regulatoria de Gobierno (Reg_Quality)
- Índice de Confianza en las Normas (Law)
- Índice de Democracia (StateDemo)
- Índice de Desigualdad Económica (Ec_Inequality)
Descripción de la variable central
## Column 1
MEDIDAS DE TENDENCIA CENTRAL
| Estadística | Valor |
|---|---|
| Min | 0.3940000 |
| Media | 0.7186139 |
| Mediana | 0.7350000 |
| Max | 0.9620000 |
| Rango | 0.5680000 |
| SD | 0.1558054 |
BOXPLOT
## Column 2
GRÁFICO DE BARRAS
Diagramas de dispersión y Correlación I
##Column 1
GRAFICO DE DISPERSIÓN 1
CORRELACIÓN
Pearson's product-moment correlation
data: idh$HDI and idh$Corruption
t = 14.27, df = 156, p-value < 2.2e-16
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
0.6757189 0.8130796
sample estimates:
cor
0.7524685 El diagrama de dispersión muestra una fuerte correlación positiva y un comportamiento normal del marco muestral. El p-value es pequeño. Asimismo, la Correlación de Pearson mide 0.75, es decir, según el Criterio de Cohen la correlación es grande. Entonces, podemos concluir que el uso de la variable Corruption es viable para nuestro modelo.
##Column 2
GRAFICO DE DISPERSIÓN 2
CORRELACIÓN
Pearson's product-moment correlation
data: idh$HDI and idh$Accountability
t = 10.634, df = 156, p-value < 2.2e-16
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
0.5475573 0.7304737
sample estimates:
cor
0.648273 El diagrama de dispersión muestra una fuerte correlación positiva y un comportamiento normal del marco muestral. El p-value es pequeño. Asimismo, la Correlación de Pearson mide 0.64, es decir, según el Criterio de Cohen la correlación es grande. Entonces, podemos concluir que el uso de la variable Accountability es viable para nuestro modelo.
##Column 3
GRAFICO DE DISPERSIÓN 3
CORRELACIÓN
Pearson's product-moment correlation
data: idh$HDI and idh$Stability
t = 11.68, df = 156, p-value < 2.2e-16
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
0.5897683 0.7582848
sample estimates:
cor
0.6830124 El diagrama de dispersión muestra una fuerte correlación positiva y un comportamiento normal del marco muestral. El p-value es pequeño. Asimismo, la Correlación de Pearson mide 0.68, es decir, según el Criterio de Cohen la correlación es grande. Entonces, podemos concluir que el uso de la variable Stability es viable para nuestro modelo.
##Column 4
GRAFICO DE DISPERSIÓN 4
CORRELACIÓN
Pearson's product-moment correlation
data: idh$HDI and idh$Effectiveness
t = 18.121, df = 156, p-value < 2.2e-16
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
0.7656551 0.8679228
sample estimates:
cor
0.8233627 El diagrama de dispersión muestra una fuerte correlación positiva y un comportamiento normal del marco muestral. El p-value es pequeño. Asimismo, la Correlación de Pearson mide 0.82, es decir, según el Criterio de Cohen la correlación es grande. Entonces, podemos concluir que el uso de la variable Effectiveness es viable para nuestro modelo.
Diagramas de dispersión y Correlación II
##Column 1
GRAFICO DE DISPERSIÓN 5
CORRELACIÓN
Pearson's product-moment correlation
data: idh$HDI and idh$Reg_Quality
t = 18.069, df = 156, p-value < 2.2e-16
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
0.7646725 0.8673368
sample estimates:
cor
0.8225978 El diagrama de dispersión muestra una fuerte correlación positiva y un comportamiento normal del marco muestral. El p-value es pequeño. Asimismo, la Correlación de Pearson mide 0.82, es decir, según el Criterio de Cohen la correlación es grande. Entonces, podemos concluir que el uso de la variable Reg_Quality es viable para nuestro modelo.
##Column 2
GRAFICO DE DISPERSIÓN 6
CORRELACIÓN
Pearson's product-moment correlation
data: idh$HDI and idh$Law
t = 16.024, df = 156, p-value < 2.2e-16
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
0.7214223 0.8412576
sample estimates:
cor
0.7887189 El diagrama de dispersión muestra una fuerte correlación positiva y un comportamiento normal del marco muestral. El p-value es pequeño. Asimismo, la Correlación de Pearson mide 0.78, es decir, según el Criterio de Cohen la correlación es grande. Entonces, podemos concluir que el uso de la variable Law es viable para nuestro modelo.
##Column 3
GRAFICO DE DISPERSIÓN 7
CORRELACIÓN
Pearson's product-moment correlation
data: idh$HDI and idh$StateDemo
t = -22.756, df = 156, p-value < 2.2e-16
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
-0.9084292 -0.8347510
sample estimates:
cor
-0.8766326 El diagrama de dispersión muestra una fuerte correlación negativa y un comportamiento normal del marco muestral. El p-value es pequeño. Asimismo, la Correlación de Pearson mide -0.87, es decir, según el Criterio de Cohen la correlación es grande. Entonces, podemos concluir que el uso de la variable Reg_Quality es viable para nuestro modelo.
##Column 4
GRAFICO DE DISPERSIÓN 8
CORRELACIÓN
Pearson's product-moment correlation
data: idh$HDI and idh$Ec_Inequality
t = -25.041, df = 156, p-value < 2.2e-16
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
-0.9221571 -0.8587066
sample estimates:
cor
-0.8948646 El diagrama de dispersión muestra una fuerte correlación negativa y un comportamiento normal del marco muestral. El p-value es pequeño. Asimismo, la Correlación de Pearson mide -0.89, es decir, según el Criterio de Cohen la correlación es grande. Entonces, podemos concluir que el uso de la variable Ec_Inequality es viable para nuestro modelo.
Modelo de Regresión Gaussiana
## Column 2
COMPARACIÓN DE MODELOS
| IDH (I) | IDH (II) | IDH (III) | IDH (IV) | |
|---|---|---|---|---|
| (Intercept) | 0.460*** | 0.521*** | 0.898*** | 1.319*** |
| [0.419, 0.501] | [0.483, 0.559] | [0.822, 0.974] | [1.183, 1.456] | |
| Corruption | 0.005*** | -0.001 | -0.001 | -0.002* |
| [0.003, 0.006] | [-0.003, 0.001] | [-0.003, 0.001] | [-0.003, 0.000] | |
| Accountability | 0.000 | 0.000 | 0.000 | -0.001** |
| [-0.001, 0.001] | [-0.001, 0.001] | [-0.001, 0.000] | [-0.002, 0.000] | |
| Stability | 0.001* | 0.001 | 0.000 | -0.001** |
| [0.000, 0.002] | [0.000, 0.002] | [0.000, 0.001] | [-0.002, 0.000] | |
| Effectiveness | 0.002** | 0.001 | 0.001 | |
| [0.001, 0.004] | [0.000, 0.002] | [-0.001, 0.002] | ||
| Reg_Quality | 0.002** | 0.002** | 0.001* | |
| [0.001, 0.004] | [0.000, 0.003] | [0.000, 0.002] | ||
| Law | 0.000 | 0.000 | ||
| [-0.002, 0.001] | [-0.002, 0.001] | |||
| Ec_Inequality | -0.046*** | -0.029*** | ||
| [-0.054, -0.038] | [-0.037, -0.020] | |||
| StateDemo | -0.005*** | |||
| [-0.007, -0.004] | ||||
| Num.Obs. | 158 | 158 | 158 | 158 |
| R2 | 0.581 | 0.704 | 0.837 | 0.877 |
| R2 Adj. | 0.573 | 0.695 | 0.830 | 0.870 |
| AIC | -267.6 | -318.6 | -408.9 | -451.3 |
| BIC | -252.3 | -297.2 | -381.3 | -420.7 |
| Log.Lik. | 138.789 | 166.319 | 213.453 | 235.650 |
| F | 71.201 | 72.420 | 110.189 | 132.884 |
| RMSE | 0.10 | 0.08 | 0.06 | 0.05 |
| + p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001 |
TEST ANOVA
| Res.Df | RSS | Df | Sum of Sq | F | Pr(>F) |
|---|---|---|---|---|---|
| 154 | 1.5966384 | NA | NA | NA | NA |
| 152 | 1.1268336 | 2 | 0.4698048 | 74.70515 | 0 |
| 150 | 0.6205043 | 2 | 0.5063294 | 80.51303 | 0 |
| 149 | 0.4685147 | 1 | 0.1519896 | 48.33670 | 0 |
Se elige el modelo de regresión 4 porque tiene menor F y un p-valor 0.
## Column 1
GRÁFICO
Diagnósticos del modelo de regresión 4 Parte I
##Column 1
LINEALIDAD
Hay una buena linealidad por lo que el modelo sirve para explicar las variables.
##Column 2
HOMOCEDASTICIDAD
TEST DE BREUSCH-PAGAN
| BP | df | p.value | |
|---|---|---|---|
| BP | 20.64439 | 8 | 0.0081545 |
El estadístico de BP sale 20.64439 con un p-valor 0.0081545, de ahí se acepta que el modelo demuestre homocedasticidad.
## Column 2
NORMALIDAD DE RESIDUOS
TEST DE SHAPIRO
| SW | p.value | |
|---|---|---|
| W | 0.9917036 | 0.4915532 |
El p-value demuestra que hay buena normalidad de los residuos.
Diagnósticos del modelo de regresión 4 Parte II
## Column 1
NO MULTICOLINEALIDAD
| VIF | |
|---|---|
| Corruption | 10.918606 |
| Accountability | 4.023009 |
| Stability | 5.563491 |
| Effectiveness | 14.038546 |
| Law | 19.356272 |
| Ec_Inequality | 4.681464 |
| Reg_Quality | 12.252619 |
| StateDemo | 16.160514 |
La presencia de multicolinealidad en algunas variables sí perjudica el calculo de HDI, pero no evita calcular bien el efecto de cada regresor.
## Column 2
VALORES INFLUYENTES
ÍNDICE DE COOK
| cook.d | hat |
|---|---|
Ninguna fila aparece en el resultado, por lo que no está afectando los cálculos de la regresión.
Modelos de clusterización I
## Column 1
PAM
Número de clusters
## Column 2
AGNES
Número de clusters
## Column 3
DIANA
Número de clusters
Modelos de clusterización II
## Column 1
PAM
Silhoutte
Datos mal clusterizados
[1] "Botswana" "Guatemala" "Romania" "Senegal" ## Column 2
AGNES
Silhoutte
Datos mal clusterizados
[1] "Algeria" "Austria" "Bangladesh" "Egypt"
[5] "India" "Japan" "Kazakhstan" "Kyrgyzstan"
[9] "Moldova" "Mongolia" "North Macedonia" "Uruguay" ## Column 3
DIANA
Silhoutte
Datos mal clusterizados
[1] "Namibia"Conclusiones
## Column 1
Tras analizar los datos y examinar la relación entre el Índice de Desarrollo Humano (IDH) y factores como causas domésticas estatales, la economía y la calidad de servicios, se pueden extraer varias conclusiones significativas.
En primer lugar, la influencia de las causas domésticas estatales se refleja de manera evidente en el IDH de los países. La estabilidad política, la efectividad del gobierno y la calidad regulatoria son elementos clave que contribuyen al desarrollo humano. Países con instituciones políticas sólidas tienden a exhibir IDH más altos, demostrando que la gobernabilidad interna desempeña un papel crucial en el bienestar de la población.
En segundo lugar, la relación entre la economía y el IDH es notable. Los países con un sólido desempeño económico tienden a tener un IDH más elevado. La distribución equitativa de la riqueza, junto con políticas económicas efectivas, puede generar condiciones propicias para el desarrollo humano sostenible.
En conjunto, la evidencia respalda la hipótesis de que el Índice de Desarrollo Humano se ve afectado directamente por causas domésticas estatales, la economía y la calidad de servicios. Estos hallazgos subrayan la importancia de abordar aspectos políticos, económicos y sociales de manera integral para lograr un desarrollo humano sostenible y equitativo a nivel global.