Exploración de la base
Row {data-height = 500}
ENTREGA 3: Creación del dashboard o tablero de control.
El presente trabajo de análisis estadístico tiene como objetivo investigar una serie de variables que pueden explicar los factores de influencia en relación a la votación por el candidato Pedro Castillo de Perú Libre en la Segunda Vuelta Electoral de las últimas elecciones generales en Perú del 2021.
- Grafica/tabla que describa la variable central
- Grafica/tabla que describa la variable central y sus relaciones con las demas variables:
- modelos de asociación / correlación
- modelos de regresión/factorización
- modelos de clusterización
Estructura de la base unificada
'data.frame': 196 obs. of 11 variables:
$ Ubigeo : num 10200 10300 10100 10400 10500 10600 10700 60200 60100 60300 ...
$
Provincia: chr "BAGUA" "BONGARÁ" "CHACHAPOYAS" "CONDORCANQUI" ...
$ VOTOS : num 24971 8374 15561 13060 12528 ...
$ POBLATOTAL : num 98110 29335 58773 75888 50827 ...
$ POBLA_80 : num 1217 655 1362 175 1560 ...
$ IVIA : num 52 51 40 69 58 59 53 65 45 71 ...
$ IDE : num 64.9 71.6 76.7 40.9 70.5 ...
$ POBLAPOBRE : num 34.8 33.2 22 56.8 48.1 ...
$ POBLAXPOBRE : num 23.1 10.7 11.7 38.1 25 ...
$ POBLAOCU : num 26886 11213 25569 8563 16076 ...
$ DEVENGADO : num 5798 2107 19970 2652 3006 ...Resumen de la base unificada
Ubigeo \r\n Provincia VOTOS POBLATOTAL
Min. : 10100 Length:196 Min. : 825 Min. : 4997
1st Qu.: 50775 Class :character 1st Qu.: 8796 1st Qu.: 31953
Median :105600 Mode :character Median : 19866 Median : 67956
Mean :114595 Mean : 44654 Mean : 175477
3rd Qu.:170225 3rd Qu.: 39756 3rd Qu.: 136629
Max. :250400 Max. :1938450 Max. :10204814
POBLA_80 IVIA IDE POBLAPOBRE
Min. : 32 Min. :12.00 Min. :40.88 Min. : 3.106
1st Qu.: 739 1st Qu.:37.75 1st Qu.:65.75 1st Qu.:21.970
Median : 1330 Median :54.00 Median :69.74 Median :33.057
Mean : 3206 Mean :49.71 Mean :69.06 Mean :32.027
3rd Qu.: 2366 3rd Qu.:64.00 3rd Qu.:74.61 3rd Qu.:43.805
Max. :194084 Max. :79.00 Max. :83.32 Max. :67.307
POBLAXPOBRE POBLAOCU DEVENGADO
Min. : 0.00217 Min. : 867 Min. : 1519
1st Qu.: 3.48562 1st Qu.: 9519 1st Qu.: 2812
Median :11.98624 Median : 22456 Median : 3591
Mean :13.39464 Mean : 67090 Mean : 4527
3rd Qu.:20.55554 3rd Qu.: 43788 3rd Qu.: 5661
Max. :48.66587 Max. :4444364 Max. :19970 Row {data-height = 500}
Presentación de la base unificada
Por un lado, en esta presentación se observa las variables de análisis en donde destaca la variable VOTOS, la cual representa a los votos obtenidos por provincia, del candidato Pedro Castillo. Por otro lado, aparecen las variables independientes: POBLAXPOBRE, la cual hace referencia a la población en condición pobre extremo; POBLAPOBRE, la cual refiere a la población en condición pobre; IVIA, la cual refiere al índice de inseguridad alimentaria; IDE, la cual refiere a la densidad del Estado; POBLAOCU, la cual refiere a la población ocupada; y, finalmente, DEVENGADO, la cual tiene que ver con el presupuesto devengado por provincia. Además, se coloca dos variables potenciales que pueden funcionar como variables de control: POBLATOTAL (población total) y POBLA_80 (población mayor de 80 años).
Exploración univariada y bivariada
Row
Descripción de la variable dependiente
Se observa que la concentración de votos a nivel provincial tiene un promedio bastante bajo. Sin embargo, se observa valores atípicos de mayor recurrencia en las grandes urbes: probablemente el valor atípico que se observa en la gráfica sea Lima por su densidad poblacional.
Gráfico de caja y bigotes para la variable dependiente
Row
Descripción de las correlaciones
Se observa una correlación bastante endeble en relación a algunas variables como POBLAPOBRE o POBLAXPOBRE, por ejemplo. Caso que puede contradecir ha algunas hipótesis que sostienen que las provincias más pobres votaron por el candidato Castillo.
Matriz de correlaciones
Modelos de regresión
Row
Modelo de regresión lineal múltiple (Gauss)
Se opta por este modelo debido a que nuestra variable dependiente (VOTOS) ostenta un carácter numérico continuo. En esa línea, se plantearán tres modelos anidados que posteriormente serán comparados.
Row
MODELO 1
| apropiacion (I) | |
|---|---|
| (Intercept) | 17927.844*** |
| (4039.183) | |
| POBLAPOBRE | −211.157+ |
| (113.252) | |
| POBLATOTAL | 0.191*** |
| (0.002) | |
| Num.Obs. | 196 |
| R2 | 0.975 |
| R2 Adj. | 0.975 |
| AIC | 4496.7 |
| BIC | 4509.8 |
| Log.Lik. | −2244.355 |
| F | 3760.140 |
| RMSE | 22739.32 |
| + p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001 |
Interpretación del modelo 1
Hipótesis: El número de votos a Pedro Castillo se encuentra influenciado por la cantidad de población pobre en cada provincia, controlado por la población total
Al probar esta hipótesis vemos…
La variable POBLAPOBRE tiene signo negativo, es decir, tiene una relaciòn inversa con la variable VOTOS.
La magnitud del efecto de la variable POBLAPOBRE es de −211.157+ lo que indica cuànto varìa la variable dependiente cundo aumenta en una unidad controlado por la poblaciòn total.
La variable POBLAPOBRE no es signficativa
Row
MODELO 2
| apropiacion (I) | |
|---|---|
| (Intercept) | 23774.663*** |
| (5485.861) | |
| POBLAPOBRE | 83.914 |
| (219.402) | |
| IVIA | −304.856 |
| (194.408) | |
| POBLATOTAL | 0.190*** |
| (0.002) | |
| Num.Obs. | 196 |
| R2 | 0.975 |
| R2 Adj. | 0.975 |
| AIC | 4496.2 |
| BIC | 4512.6 |
| Log.Lik. | −2243.108 |
| F | 2526.530 |
| RMSE | 22595.09 |
| + p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001 |
Interpretación del modelo 2
Hipotesis: El número de votos a Pedro Castillo se encuentra influenciado por la cantidad de población pobre y el Índice de Vulnerabilidad a la Inseguridad Alimentaria en cada provincia, controlado por la población total.
Concentràndonos en la variable IVIA al probar esta hipótesis vemos…
La variable IVIA tiene signo negativo, es decir, tiene una relaciòn inversa con la variable VOTOS.
La magnitud del efecto de la variable IVIA es de −304.856 lo que indica cuànto varìa la variable dependiente cundo aumenta en una unidad controlado por la poblaciòn total.
La variable IVIA no es signficativa
Modelos de regresión: Comparación
Row
Resumen de modelos
| apropiacion (I) | apropiacion (II) | |
|---|---|---|
| (Intercept) | 17927.844*** | 23774.663*** |
| (4039.183) | (5485.861) | |
| POBLAPOBRE | −211.157+ | 83.914 |
| (113.252) | (219.402) | |
| POBLATOTAL | 0.191*** | 0.190*** |
| (0.002) | (0.002) | |
| IVIA | −304.856 | |
| (194.408) | ||
| Num.Obs. | 196 | 196 |
| R2 | 0.975 | 0.975 |
| R2 Adj. | 0.975 | 0.975 |
| AIC | 4496.7 | 4496.2 |
| BIC | 4509.8 | 4512.6 |
| Log.Lik. | −2244.355 | −2243.108 |
| F | 3760.140 | 2526.530 |
| RMSE | 22739.32 | 22595.09 |
| + p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001 |
Comparación de efectos
Row
Comparación modelos
| Res.Df | RSS | Df | Sum of Sq | F | Pr(>F) |
|---|---|---|---|---|---|
| 193 | 101347016477 | NA | NA | NA | NA |
| 192 | 100065446812 | 1 | 1281569664 | 2.459004 | 0.1184994 |
Anàlisis
Es evidente que el modelo 2 es un mejor modelo que el modelo 1 con valor de AIC de 4496.2, el cual es menor al del otro modelo. Tambièn se constata que ambos modelos tienen un buen rango de explicaciòn mayor al 95%, sin embargo, se observa que tanto la variable POBLAPOBRE como la variable IVIA, pese a ser variables de expliaciòn de ìndices de calidad de vida, no son significativas para los modelos. Esto contradice la hipòtesis general y al entendimiento general de la sociedad sobre la idea de que los votantes de Pedro Castillo pertenecen al grupo de personas con menor calidad de vida,
Conglomerados
Row {data-height= 300}
PAM: Número de clusters
PAM: Clusterizaciòn
Provincias mal clusterizadas
[1] "118" "126" "140" "160" "164" "184" "44" "57" "86" "89" "90" Row {data-height= 20}
Se observa que el nùmero de clusters sugeridos para el anàlisis PAM son 4. En ese sentido, el algoritmo detecta que puede haber cuatro formas de agrupación porque encuentra mayor similitud o menor distancia entre las variables independientes.
Row {data-height= 300}
AGNES: Número de clusters
AGNES: Dendograma
AGNES: Clusterización
Pronvincias mal clusterizadas
[1] "12" "121" "127" "128" "129" "145" "149" "153" "164" "167" "181" "182"
[13] "192" "24" "28" "35" "5" "61" "66" "80" Row {data-height= 20}
La estrategia aglomerativa de Agnes sugiere, de nuevo, 4 cluster para el anàlisis. En ese sentido, el algoritmo detecta que puede haber cuatro formas de agrupación porque encuentra mayor similitud o menor distancia entre las variables independientes.
Row {data-height= 300}
DIANA: Número de clusters
DIANA: Dendograma
DIANA: Clusterización
Pronvincias mal clusterizadas
[1] "9"Row {data-height= 20}
El nùmero de clsuters sugeridos por el algoritmo Diana es 3. En ese sentido, el algoritmo detecta que puede haber tres formas de agrupación porque encuentra mayor similitud o menor distancia entre las variables independientes. Cabe señalar que este modelo vizualmente sugiere una mejor clusterización.
Row {data-height= 300}
Row {data-height= 50}
Análisis: En general nuestras variables independientes son óptimas para realizar un proceso de clauzterización. En esa línea, se constata que el mejor modelo para la agrupación de datos es Diana porque presenta un proceso acotado en 3 clusters y, además, presenta menores valores perdidos. Según nuestro nuestro análisis el único error o provincia mal clausterizada con Diana sería la provincia 9, la cual es Cajamarca.