Actividad 1: Evaluación del mercado inmobiliario
Christian Camilo Vega Preciado
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. Se requiere realizar un análisis holístico de estos datos para identificar patrones, relaciones y segmentaciones relevantes que permitan mejorar la toma de decisiones en cuanto a la compra, venta y valoración de propiedades.
Base de datos
Para el análisis del caso, se cuenta con una base de datos que contiene 8322 registros y 13 variables. Estos datos fueron obtenidos de la plataforma web OLX mediante un procedimiento de webscraping.
El conjunto de datos contiene las siguientes variables:
data(vivienda)
print(colnames(vivienda))## [1] "id" "zona" "piso" "estrato" "preciom"
## [6] "areaconst" "parqueaderos" "banios" "habitaciones" "tipo"
## [11] "barrio" "longitud" "latitud"A continuación, se pueden observar la cantidad total de registros y cinco registros tomados de forma aleatoria:
print(nrow(vivienda))## [1] 8322head(vivienda,5)## # A tibble: 5 × 13
## id zona piso estrato preciom areaconst parqueaderos banios habitaciones
## <dbl> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1147 Zona O… <NA> 3 250 70 1 3 6
## 2 1169 Zona O… <NA> 3 320 120 1 2 3
## 3 1350 Zona O… <NA> 3 350 220 2 2 4
## 4 5992 Zona S… 02 4 400 280 3 5 3
## 5 1212 Zona N… 01 5 260 90 1 2 3
## # ℹ 4 more variables: tipo <chr>, barrio <chr>, longitud <dbl>, latitud <dbl>Despues verificamos los valores nulos en el conjunto de datos:
datos_faltantes <- sapply(vivienda, function(x) sum(is.na(x)))
print(datos_faltantes)## id zona piso estrato preciom areaconst
## 3 3 2638 3 2 3
## parqueaderos banios habitaciones tipo barrio longitud
## 1605 3 3 3 3 3
## latitud
## 3Es notable que las variables “piso” y “parqueaderos” muestran la mayor cantidad de valores nulos. Debido a esta situación, se tomará la decisión de reemplazar estos datos faltantes utilizando la media, mediana o moda, dependiendo de la naturaleza de las variables y la distribución de los datos.
Imputación de datos faltantes
Para realizar la imputación de datos faltantes, se iniciará creando una copia de la base de datos vivienda.
copia_vivienda <- data.frame(vivienda)Se eliminan los datos faltantes de las variables “id”, “zona”, “estrato”, “preciom”, “areaconst”, “banios”, “habitaciones”, “tipo”, “barrio”, “longitud” y “latitud”, lo que resulta en una reducción de registros de 8322 a 8319 en total.
copia_vivienda <- vivienda %>%
filter(rowSums(is.na(.) & colnames(vivienda) %in% c("id", "zona", "estrato", "preciom", "areaconst", "banios", "habitaciones", "tipo", "barrio", "longitud", "latitud")) <= 3)
print(nrow(copia_vivienda))## [1] 8319En este momento, se puede observar que las únicas variables con datos faltantes son “piso” y “parqueaderos”.
datos_faltantes <- sapply(copia_vivienda, function(x) sum(is.na(x)))
print(datos_faltantes)## id zona piso estrato preciom areaconst
## 0 0 2635 0 0 0
## parqueaderos banios habitaciones tipo barrio longitud
## 1602 0 0 0 0 0
## latitud
## 0Se procede a graficar la variable “piso” para observar el comportamiento de los datos.
# Crear una copia del dataframe copia_vivienda
copia_vivienda_piso <- copia_vivienda
# Eliminar filas con valores nulos en la variable "piso" en la copia
copia_vivienda_piso <- copia_vivienda_piso[!is.na(copia_vivienda_piso$piso), ]
# Crear gráfico de barras para mostrar la distribución de valores de la variable "piso"
ggplot(copia_vivienda_piso, aes(x = factor(piso))) +
geom_bar(fill = "blue", color = "black") +
labs(title = "Distribución de valores de la variable Piso sin datos nulos",
x = "Piso", y = "Frecuencia")
Se repite el procedimiento para la variable “parqueaderos”.
# Crear una copia del dataframe copia_vivienda
copia_vivienda_parqueaderos <- copia_vivienda
# Eliminar filas con valores nulos en la variable "parqueaderos" en la copia
copia_vivienda_parqueaderos <- copia_vivienda_parqueaderos[!is.na(copia_vivienda_parqueaderos$parqueaderos), ]
# Crear gráfico de barras para mostrar la distribución de valores de la variable "parqueaderos"
ggplot(copia_vivienda_parqueaderos, aes(x = factor(parqueaderos))) +
geom_bar(fill = "blue", color = "black") +
labs(title = "Distribución de valores de la variable Parqueaderos sin datos nulos",
x = "Parqueaderos", y = "Frecuencia")
Estas gráficas nos indican que la distribución de datos para las variables “piso” y “parqueadero” no parece ser homogénea. Por lo tanto, resulta conveniente utilizar la mediana como estrategia de imputación para los valores nulos en estas variables.
#Se convierten las varibles a tipo numérico
copia_vivienda_piso$piso <- as.numeric(copia_vivienda_piso$piso)
copia_vivienda_parqueaderos$parqueaderos <- as.numeric(copia_vivienda_parqueaderos$parqueaderos)
# Obtener la mediana de la variable 'piso' en copia_vivienda_piso
mediana_piso <- median(copia_vivienda_piso$piso, na.rm = TRUE)
cat("La mediana de la variable 'piso' es:", mediana_piso, "\n")## La mediana de la variable 'piso' es: 3# Obtener la mediana de la variable 'parqueaderos' en copia_vivienda_parqueaderos
mediana_parqueaderos <- median(copia_vivienda_parqueaderos$parqueaderos, na.rm = TRUE)
cat("La mediana de la variable 'parqueaderos' es:", mediana_parqueaderos, "\n")## La mediana de la variable 'parqueaderos' es: 2Luego procedemos a realizar la correspondiente imputación de las medianas en las variables “piso” y “parqueadero” del conjunto de datos vivienda.
# Imputar la mediana en valores nulos de la variable 'piso'
copia_vivienda$piso[is.na(copia_vivienda$piso)] <- mediana_piso
# Imputar la mediana en valores nulos de la variable 'parqueaderos'
copia_vivienda$parqueaderos[is.na(copia_vivienda$parqueaderos)] <- mediana_parqueaderosFinalmente, podemos observar que ya no existen datos faltantes en el conjunto de datos.
datos_faltantes <- sapply(copia_vivienda, function(x) sum(is.na(x)))
print(datos_faltantes)## id zona piso estrato preciom areaconst
## 0 0 0 0 0 0
## parqueaderos banios habitaciones tipo barrio longitud
## 0 0 0 0 0 0
## latitud
## 0Análisis de Componentes Principales
Para llevar a cabo el análisis de componentes principales, se considerarán dos enfoques. En el primero, se empleará la base de datos original, con la excepción de eliminar los tres valores faltantes presentes en la mayoría de las variables. Además, se excluirán las variables “piso” y “parqueaderos” debido a su alta proporción de datos faltantes. En el segundo enfoque, se utilizará la base de datos en la que se han imputado los valores faltantes, lo que permitirá incluir las variables “piso” y “parqueadero” en el análisis. Posteriormente, se llevará a cabo una comparación entre ambos enfoques.
Enfoque 1
Para dar inicio al análisis bajo el enfoque 1, procederemos creando una copia inicial de la base de datos original. En esta copia, se han excluido los tres datos faltantes presentes en la mayoría de las variables, además de omitir las variables “piso” y “parqueaderos”.
#Copia de la base de datos Vivienda
vivienda_apc1 <- data.frame(vivienda)
#Eliminación de valores nulos
vivienda_apc1 <- vivienda_apc1 %>%
filter(rowSums(is.na(.) & colnames(vivienda) %in% c("id", "zona", "estrato", "preciom", "areaconst", "banios", "habitaciones", "tipo", "barrio", "longitud", "latitud")) <= 3)Para llevar a cabo el análisis de componentes principales, se eligen las variables numéricas relevantes: estrato, preciom, areaconst, banios y habitaciones. Posteriormente, se estandarizan estas variables y finalmente, se procede a aplicar el análisis de componentes principales.
#Selección de variables
vivienda_apc1 <- vivienda_apc1 %>% select(estrato, preciom, areaconst, banios, habitaciones)
#Estandarización de las variables
vivienda_apc1_standar <- scale(vivienda_apc1)
#Visualización de una muestra de la variables estandarizadas
head(vivienda_apc1_standar, 6)## estrato preciom areaconst banios habitaciones
## [1,] -1.5872276 -0.5595498 -0.7339949 -0.07793773 1.6406840
## [2,] -1.5872276 -0.3465670 -0.3842568 -0.77811479 -0.4147626
## [3,] -1.5872276 -0.2552886 0.3152194 -0.77811479 0.2703863
## [4,] -0.6156201 -0.1031580 0.7349051 1.32241640 -0.4147626
## [5,] 0.3559875 -0.5291236 -0.5940997 -0.77811479 -0.4147626
## [6,] 0.3559875 -0.5899759 -0.6150839 -0.07793773 -0.4147626#Aplicación análisis de componentes principales
prcomp(vivienda_apc1_standar)## Standard deviations (1, .., p=5):
## [1] 1.7126464 1.0901014 0.6673458 0.4916079 0.4375986
##
## Rotation (n x k) = (5 x 5):
## PC1 PC2 PC3 PC4 PC5
## estrato 0.3300032 -0.6744363 0.4208934 -0.4795545 0.1706159
## preciom 0.5068715 -0.2807656 -0.3015468 0.2213868 -0.7240921
## areaconst 0.4940473 0.1638135 -0.6525373 -0.2984641 0.4628138
## banios 0.5189619 0.1092831 0.3767649 0.6647648 0.3672488
## habitaciones 0.3475270 0.6538568 0.4051685 -0.4359154 -0.3122700Luego se procede a elegir el número de componentes principales.
res_pca1 <- prcomp(vivienda_apc1_standar)
fviz_eig(res_pca1, addlabels = TRUE)
Después de realizar el análisis de componentes principales y visualizar los valores propios, se tiene:
PC1, 58.7% de la varianza: Esto indica que la primera componente principal está capturando la mayor parte de la variabilidad en los datos. Esta componente está influenciada principalmente por las variables originales de manera ponderada. Podría representar una medida general de la calidad de la vivienda, ya que las variables que contribuyen a esta componente podrían estar relacionadas con características importantes.
PC2, 23.8% de la varianza: La segunda componente principal captura la siguiente porción significativa de la variabilidad. En esta componente podría estar relacionada con atributos diferentes de las viviendas, que son menos correlacionados con la primera componente.
PC3, 8.9% de la varianza: La tercera componente principal explica menos varianza que las anteriores, pero aún así contribuye significativamente a la explicación total. Puede representar características adicionales que no se han capturado completamente en las dos primeras componentes.
PC4 y PC5: Estas componentes explican menos varianza, pero aún son relevantes. Pueden capturar características más específicas o menos comunes de las viviendas.
fviz_pca_var(res_pca1,
col.var = "contrib", # Color by contributions to the PC
gradient.cols = c("#FF7F00", "#034D94"),
repel = TRUE # Avoid text overlapping
)
#Contribución de cada variable a las dos primeras componentes principales
fviz_contrib(res_pca1, choice = "var", axes = 1:2)
Enfoque 2
Para comenzar el análisis bajo el enfoque 2, utilizamos la base de datos en la cual se realizaron las imputaciones de las variables “piso” y “parqueadero”. En este paso, crearemos una copia inicial de la base de datos imputada.
vivienda_apc2 <- data.frame(copia_vivienda)Para llevar a cabo el análisis de componentes principales, se eligen las variables numéricas: piso, estrato, preciom, areaconst, parqueaderos, banios y habitaciones. Posteriormente, se estandarizan estas variables y, finalmente, se procede a aplicar el análisis de componentes principales.
#Selección de variables
vivienda_apc2 <- vivienda_apc2 %>% select(piso, estrato, preciom, areaconst, parqueaderos, banios, habitaciones)
#Convertir el tipo de variable a numérico
vivienda_apc2 <- as.data.frame(sapply(vivienda_apc2, as.numeric))
#Estandarización de las variables
vivienda_apc2_standar <- scale(vivienda_apc2)
#Visualización de una muestra de la variables estandarizadas
head(vivienda_apc2_standar, 6)## piso estrato preciom areaconst parqueaderos banios
## [1,] -0.2404274 -1.5872276 -0.5595498 -0.7339949 -0.8559050 -0.07793773
## [2,] -0.2404274 -1.5872276 -0.3465670 -0.3842568 -0.8559050 -0.77811479
## [3,] -0.2404274 -1.5872276 -0.2552886 0.3152194 0.1313764 -0.77811479
## [4,] -0.6968663 -0.6156201 -0.1031580 0.7349051 1.1186578 1.32241640
## [5,] -1.1533052 0.3559875 -0.5291236 -0.5940997 -0.8559050 -0.77811479
## [6,] -1.1533052 0.3559875 -0.5899759 -0.6150839 -0.8559050 -0.07793773
## habitaciones
## [1,] 1.6406840
## [2,] -0.4147626
## [3,] 0.2703863
## [4,] -0.4147626
## [5,] -0.4147626
## [6,] -0.4147626#Aplicación análisis de componentes principales
prcomp(vivienda_apc2_standar)## Standard deviations (1, .., p=7):
## [1] 1.8385954 1.1603844 0.9276396 0.7780337 0.6212816 0.4863003 0.4298193
##
## Rotation (n x k) = (7 x 7):
## PC1 PC2 PC3 PC4 PC5
## piso 0.07820537 -0.53833904 0.80303018 0.230767191 0.06335882
## estrato -0.29847212 -0.56678057 -0.21388245 -0.503426517 -0.21796659
## preciom -0.47672915 -0.23936735 -0.09848379 0.005491477 0.26737464
## areaconst -0.45813886 0.16341550 0.04338272 0.100107471 0.72651103
## parqueaderos -0.39292003 -0.08882333 -0.21594585 0.761690315 -0.42620446
## banios -0.46921624 0.07808766 0.21363305 -0.277837217 -0.28204678
## habitaciones -0.30510062 0.53940916 0.45336963 -0.160906583 -0.29659420
## PC6 PC7
## piso 0.02915528 -0.03316114
## estrato 0.44609210 -0.20972032
## preciom -0.16744812 0.77857261
## areaconst 0.18527565 -0.43514968
## parqueaderos 0.11074572 -0.13040193
## banios -0.69895443 -0.28778144
## habitaciones 0.48680997 0.24405809Luego se procede a elegir el número de componentes principales.
res_pca2 <- prcomp(vivienda_apc2_standar)
fviz_eig(res_pca2, addlabels = TRUE)
Después de completar el análisis de componentes principales y examinar los valores propios, se obtuvo lo siguiente:
PC1, 48.3% de la varianza: La primera componente principal explica una proporción significativa de la variabilidad total en los datos, alrededor del 48.3%. Esto sugiere que esta componente captura patrones generales que son comunes entre las variables originales. Las variables que contribuyen más a esta componente podrían estar relacionadas con características fundamentales de las viviendas, que tienen un impacto considerable en su descripción general.
PC2, 19.2% de la varianza: La segunda componente principal explica alrededor del 19.2% de la variabilidad total. Esta componente puede estar relacionada con aspectos distintos de las viviendas que tienen menos correlación con la primera componente. PC2 puede destacar atributos secundarios o complementarios que influyen en las propiedades de las viviendas.
PC3, 12.3% de la varianza: Con alrededor del 12.3% de la variabilidad explicada por la tercera componente principal, esta componente podría identificar características adicionales que no se han capturado plenamente en las dos primeras componentes. PC3 puede resaltar aspectos específicos de las viviendas que contribuyen a su descripción única.
PC4, 8.6% de la varianza: La cuarta componente principal explica aproximadamente el 8.6% de la variabilidad total. Aunque su contribución es menor, esta componente sigue siendo relevante. Puede representar características más especializadas o menos comunes en las viviendas, que no se resaltaron de manera prominente en las componentes anteriores.
PC5, PC6 y PC7: Estas componentes explican menos varianza, pero aún son relevantes. Pueden capturar características más específicas o menos comunes de las viviendas.
fviz_pca_var(res_pca2,
col.var = "contrib", # Color by contributions to the PC
gradient.cols = c("#FF7F00", "#034D94"),
repel = TRUE # Avoid text overlapping
)
#Contribución de cada variable a las dos primeras componentes principales
fviz_contrib(res_pca2, choice = "var", axes = 1:2)
Análisis de Conglomerados
En el análisis de conglomerados, se tendrán en cuenta los resultados obtenidos en los enfoques uno y dos del análisis de componentes principales. Por lo cual, serán excluidas las variables “piso” y “parqueadero” del análisis, por lo cual se trabajará solo con las variables “estrato”, “precio”, “área construida”, “baños” y “habitaciones”.
Se procede a crear una copia de la base de datos original, se realiza la limpieza de los datos nulos y luego se procede a seleccionar las variables descritas anteriormente.
#Copia de la base de datos Vivienda
vivienda_conglomerados <- data.frame(vivienda)
#Eliminación de valores nulos
vivienda_conglomerados <- vivienda_conglomerados %>%
filter(rowSums(is.na(.) & colnames(vivienda) %in% c("id", "zona", "estrato", "preciom", "areaconst", "banios", "habitaciones", "tipo", "barrio", "longitud", "latitud")) <= 3)
#Selección de variables
vivienda_conglomerados <- vivienda_conglomerados %>% select(estrato, preciom, areaconst, banios, habitaciones)
#Estandarización de las variables
vivienda_conglomerados_standar <- scale(vivienda_conglomerados)
#Visualización de una muestra de la variables estandarizadas
head(vivienda_conglomerados_standar, 6)## estrato preciom areaconst banios habitaciones
## [1,] -1.5872276 -0.5595498 -0.7339949 -0.07793773 1.6406840
## [2,] -1.5872276 -0.3465670 -0.3842568 -0.77811479 -0.4147626
## [3,] -1.5872276 -0.2552886 0.3152194 -0.77811479 0.2703863
## [4,] -0.6156201 -0.1031580 0.7349051 1.32241640 -0.4147626
## [5,] 0.3559875 -0.5291236 -0.5940997 -0.77811479 -0.4147626
## [6,] 0.3559875 -0.5899759 -0.6150839 -0.07793773 -0.4147626Luego se procede a determinar el número óptimo de clústeres para el estudio.
# Cálculo de la inercia para diferentes valores de k
valores_inercia <- numeric(length = 10) # Probar hasta 10 clústeres
for (k in 1:10) {
kmeans_result <- kmeans(vivienda_conglomerados_standar, centers = k)
valores_inercia[k] <- kmeans_result$tot.withinss
}
# Gráfico de la curva de inercia
plot(1:10, valores_inercia, type = "b", pch = 19, frame = FALSE, xlab = "Número de clústeres (k)", ylab = "Inercia")
Después de analizar el gráfico de la curva de inercia y aplicar el Método del Codo (Elbow Method), se determinó que el número óptimo de clústeres es 3.
A continuación, se procede a crear y analizar los clústeres utilizando el algoritmo de k-means con 3 clústeres.
#Aplicar K-Means con 3 Clústeres
num_clusters <- 3
kmeans_result <- kmeans(vivienda_conglomerados_standar, centers = num_clusters)
#Explorar los Resultados
vivienda_conglomerados$cluster <- kmeans_result$cluster
# Visualizamos la distribución de las viviendas en cada clúster
table(vivienda_conglomerados$cluster)##
## 1 2 3
## 3476 1813 3030# Realizar análisis de varianza (ANOVA) para cada variable
for (variable in c("estrato", "preciom", "areaconst", "banios", "habitaciones")) {
anova_result <- aov(vivienda_conglomerados[[variable]] ~ vivienda_conglomerados$cluster)
print(paste("Variable:", variable))
print(summary(anova_result))
}## [1] "Variable: estrato"
## Df Sum Sq Mean Sq F value Pr(>F)
## vivienda_conglomerados$cluster 1 4443 4443 8458 <2e-16 ***
## Residuals 8317 4368 1
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## [1] "Variable: preciom"
## Df Sum Sq Mean Sq F value Pr(>F)
## vivienda_conglomerados$cluster 1 58324319 58324319 577.3 <2e-16 ***
## Residuals 8317 840191850 101021
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## [1] "Variable: areaconst"
## Df Sum Sq Mean Sq F value Pr(>F)
## vivienda_conglomerados$cluster 1 1324758 1324758 65.32 7.27e-16 ***
## Residuals 8317 168684692 20282
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## [1] "Variable: banios"
## Df Sum Sq Mean Sq F value Pr(>F)
## vivienda_conglomerados$cluster 1 1060 1060.1 554.3 <2e-16 ***
## Residuals 8317 15907 1.9
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## [1] "Variable: habitaciones"
## Df Sum Sq Mean Sq F value Pr(>F)
## vivienda_conglomerados$cluster 1 13 13.425 6.306 0.0121 *
## Residuals 8317 17706 2.129
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1# Visualizar las diferencias en las variables entre clústeres
for (variable in c("estrato", "preciom", "areaconst", "banios", "habitaciones")) {
ggplot(vivienda_conglomerados, aes(x = factor(cluster), y = .data[[variable]])) +
geom_boxplot() +
labs(title = paste("Boxplot de", variable), x = "Clúster", y = variable)
}Análisis de Correspondencia
Para el análisis de correspondencia, se tendrán en cuenta las variables ‘tipo de vivienda’, ‘zona’ y ‘barrio’ de la base de datos ‘vivienda’.
Para iniciar, se crea una copia de la base de datos y se seleccionan las variables de interés mencionadas previamente.
#Copia de la base de datos Vivienda
vivienda_correspondencia <- data.frame(vivienda)
#Selección de variables
vivienda_correspondencia <- vivienda_correspondencia %>% select(zona, tipo, barrio)
#Eliminación de valores nulos
vivienda_correspondencia <- vivienda_correspondencia %>%
filter(rowSums(is.na(.) & colnames(vivienda_correspondencia) %in% c( "zona", "tipo", "barrio")) <= 3)str(vivienda_correspondencia)## 'data.frame': 8322 obs. of 3 variables:
## $ zona : chr "Zona Oriente" "Zona Oriente" "Zona Oriente" "Zona Sur" ...
## $ tipo : chr "Casa" "Casa" "Casa" "Casa" ...
## $ barrio: chr "20 de julio" "20 de julio" "20 de julio" "3 de julio" ...# Realiza el análisis de correspondencia múltiple (MCA)
mca_result <- MCA(vivienda_correspondencia, graph = FALSE)
# Muestra un resumen del resultado del análisis
summary(mca_result)##
## Call:
## MCA(X = vivienda_correspondencia, graph = FALSE)
##
##
## Eigenvalues
## Dim.1 Dim.2 Dim.3 Dim.4 Dim.5 Dim.6 Dim.7
## Variance 1.000 0.711 0.660 0.651 0.623 0.444 0.333
## % of var. 0.677 0.481 0.447 0.441 0.422 0.301 0.226
## Cumulative % of var. 0.677 1.159 1.606 2.047 2.469 2.769 2.995
## Dim.8 Dim.9 Dim.10 Dim.11 Dim.12 Dim.13 Dim.14
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 3.221 3.447 3.672 3.898 4.124 4.350 4.575
## Dim.15 Dim.16 Dim.17 Dim.18 Dim.19 Dim.20 Dim.21
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 4.801 5.027 5.252 5.478 5.704 5.930 6.155
## Dim.22 Dim.23 Dim.24 Dim.25 Dim.26 Dim.27 Dim.28
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 6.381 6.607 6.833 7.058 7.284 7.510 7.736
## Dim.29 Dim.30 Dim.31 Dim.32 Dim.33 Dim.34 Dim.35
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 7.961 8.187 8.413 8.638 8.864 9.090 9.316
## Dim.36 Dim.37 Dim.38 Dim.39 Dim.40 Dim.41 Dim.42
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 9.541 9.767 9.993 10.219 10.444 10.670 10.896
## Dim.43 Dim.44 Dim.45 Dim.46 Dim.47 Dim.48 Dim.49
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 11.122 11.347 11.573 11.799 12.024 12.250 12.476
## Dim.50 Dim.51 Dim.52 Dim.53 Dim.54 Dim.55 Dim.56
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 12.702 12.927 13.153 13.379 13.605 13.830 14.056
## Dim.57 Dim.58 Dim.59 Dim.60 Dim.61 Dim.62 Dim.63
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 14.282 14.508 14.733 14.959 15.185 15.410 15.636
## Dim.64 Dim.65 Dim.66 Dim.67 Dim.68 Dim.69 Dim.70
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 15.862 16.088 16.313 16.539 16.765 16.991 17.216
## Dim.71 Dim.72 Dim.73 Dim.74 Dim.75 Dim.76 Dim.77
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 17.442 17.668 17.894 18.119 18.345 18.571 18.796
## Dim.78 Dim.79 Dim.80 Dim.81 Dim.82 Dim.83 Dim.84
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 19.022 19.248 19.474 19.699 19.925 20.151 20.377
## Dim.85 Dim.86 Dim.87 Dim.88 Dim.89 Dim.90 Dim.91
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 20.602 20.828 21.054 21.280 21.505 21.731 21.957
## Dim.92 Dim.93 Dim.94 Dim.95 Dim.96 Dim.97 Dim.98
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 22.182 22.408 22.634 22.860 23.085 23.311 23.537
## Dim.99 Dim.100 Dim.101 Dim.102 Dim.103 Dim.104 Dim.105
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 23.763 23.988 24.214 24.440 24.666 24.891 25.117
## Dim.106 Dim.107 Dim.108 Dim.109 Dim.110 Dim.111 Dim.112
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 25.343 25.568 25.794 26.020 26.246 26.471 26.697
## Dim.113 Dim.114 Dim.115 Dim.116 Dim.117 Dim.118 Dim.119
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 26.923 27.149 27.374 27.600 27.826 28.052 28.277
## Dim.120 Dim.121 Dim.122 Dim.123 Dim.124 Dim.125 Dim.126
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 28.503 28.729 28.954 29.180 29.406 29.632 29.857
## Dim.127 Dim.128 Dim.129 Dim.130 Dim.131 Dim.132 Dim.133
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 30.083 30.309 30.535 30.760 30.986 31.212 31.438
## Dim.134 Dim.135 Dim.136 Dim.137 Dim.138 Dim.139 Dim.140
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 31.663 31.889 32.115 32.341 32.566 32.792 33.018
## Dim.141 Dim.142 Dim.143 Dim.144 Dim.145 Dim.146 Dim.147
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 33.243 33.469 33.695 33.921 34.146 34.372 34.598
## Dim.148 Dim.149 Dim.150 Dim.151 Dim.152 Dim.153 Dim.154
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 34.824 35.049 35.275 35.501 35.727 35.952 36.178
## Dim.155 Dim.156 Dim.157 Dim.158 Dim.159 Dim.160 Dim.161
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 36.404 36.629 36.855 37.081 37.307 37.532 37.758
## Dim.162 Dim.163 Dim.164 Dim.165 Dim.166 Dim.167 Dim.168
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 37.984 38.210 38.435 38.661 38.887 39.113 39.338
## Dim.169 Dim.170 Dim.171 Dim.172 Dim.173 Dim.174 Dim.175
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 39.564 39.790 40.015 40.241 40.467 40.693 40.918
## Dim.176 Dim.177 Dim.178 Dim.179 Dim.180 Dim.181 Dim.182
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 41.144 41.370 41.596 41.821 42.047 42.273 42.499
## Dim.183 Dim.184 Dim.185 Dim.186 Dim.187 Dim.188 Dim.189
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 42.724 42.950 43.176 43.401 43.627 43.853 44.079
## Dim.190 Dim.191 Dim.192 Dim.193 Dim.194 Dim.195 Dim.196
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 44.304 44.530 44.756 44.982 45.207 45.433 45.659
## Dim.197 Dim.198 Dim.199 Dim.200 Dim.201 Dim.202 Dim.203
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 45.885 46.110 46.336 46.562 46.787 47.013 47.239
## Dim.204 Dim.205 Dim.206 Dim.207 Dim.208 Dim.209 Dim.210
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 47.465 47.690 47.916 48.142 48.368 48.593 48.819
## Dim.211 Dim.212 Dim.213 Dim.214 Dim.215 Dim.216 Dim.217
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 49.045 49.271 49.496 49.722 49.948 50.173 50.399
## Dim.218 Dim.219 Dim.220 Dim.221 Dim.222 Dim.223 Dim.224
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 50.625 50.851 51.076 51.302 51.528 51.754 51.979
## Dim.225 Dim.226 Dim.227 Dim.228 Dim.229 Dim.230 Dim.231
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 52.205 52.431 52.657 52.882 53.108 53.334 53.559
## Dim.232 Dim.233 Dim.234 Dim.235 Dim.236 Dim.237 Dim.238
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 53.785 54.011 54.237 54.462 54.688 54.914 55.140
## Dim.239 Dim.240 Dim.241 Dim.242 Dim.243 Dim.244 Dim.245
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 55.365 55.591 55.817 56.043 56.268 56.494 56.720
## Dim.246 Dim.247 Dim.248 Dim.249 Dim.250 Dim.251 Dim.252
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 56.945 57.171 57.397 57.623 57.848 58.074 58.300
## Dim.253 Dim.254 Dim.255 Dim.256 Dim.257 Dim.258 Dim.259
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 58.526 58.751 58.977 59.203 59.429 59.654 59.880
## Dim.260 Dim.261 Dim.262 Dim.263 Dim.264 Dim.265 Dim.266
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 60.106 60.331 60.557 60.783 61.009 61.234 61.460
## Dim.267 Dim.268 Dim.269 Dim.270 Dim.271 Dim.272 Dim.273
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 61.686 61.912 62.137 62.363 62.589 62.815 63.040
## Dim.274 Dim.275 Dim.276 Dim.277 Dim.278 Dim.279 Dim.280
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 63.266 63.492 63.717 63.943 64.169 64.395 64.620
## Dim.281 Dim.282 Dim.283 Dim.284 Dim.285 Dim.286 Dim.287
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 64.846 65.072 65.298 65.523 65.749 65.975 66.201
## Dim.288 Dim.289 Dim.290 Dim.291 Dim.292 Dim.293 Dim.294
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 66.426 66.652 66.878 67.103 67.329 67.555 67.781
## Dim.295 Dim.296 Dim.297 Dim.298 Dim.299 Dim.300 Dim.301
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 68.006 68.232 68.458 68.684 68.909 69.135 69.361
## Dim.302 Dim.303 Dim.304 Dim.305 Dim.306 Dim.307 Dim.308
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 69.587 69.812 70.038 70.264 70.489 70.715 70.941
## Dim.309 Dim.310 Dim.311 Dim.312 Dim.313 Dim.314 Dim.315
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 71.167 71.392 71.618 71.844 72.070 72.295 72.521
## Dim.316 Dim.317 Dim.318 Dim.319 Dim.320 Dim.321 Dim.322
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 72.747 72.973 73.198 73.424 73.650 73.875 74.101
## Dim.323 Dim.324 Dim.325 Dim.326 Dim.327 Dim.328 Dim.329
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 74.327 74.553 74.778 75.004 75.230 75.456 75.681
## Dim.330 Dim.331 Dim.332 Dim.333 Dim.334 Dim.335 Dim.336
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 75.907 76.133 76.359 76.584 76.810 77.036 77.261
## Dim.337 Dim.338 Dim.339 Dim.340 Dim.341 Dim.342 Dim.343
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 77.487 77.713 77.939 78.164 78.390 78.616 78.842
## Dim.344 Dim.345 Dim.346 Dim.347 Dim.348 Dim.349 Dim.350
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 79.067 79.293 79.519 79.745 79.970 80.196 80.422
## Dim.351 Dim.352 Dim.353 Dim.354 Dim.355 Dim.356 Dim.357
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 80.648 80.873 81.099 81.325 81.550 81.776 82.002
## Dim.358 Dim.359 Dim.360 Dim.361 Dim.362 Dim.363 Dim.364
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 82.228 82.453 82.679 82.905 83.131 83.356 83.582
## Dim.365 Dim.366 Dim.367 Dim.368 Dim.369 Dim.370 Dim.371
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 83.808 84.034 84.259 84.485 84.711 84.936 85.162
## Dim.372 Dim.373 Dim.374 Dim.375 Dim.376 Dim.377 Dim.378
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 85.388 85.614 85.839 86.065 86.291 86.517 86.742
## Dim.379 Dim.380 Dim.381 Dim.382 Dim.383 Dim.384 Dim.385
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 86.968 87.194 87.420 87.645 87.871 88.097 88.322
## Dim.386 Dim.387 Dim.388 Dim.389 Dim.390 Dim.391 Dim.392
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 88.548 88.774 89.000 89.225 89.451 89.677 89.903
## Dim.393 Dim.394 Dim.395 Dim.396 Dim.397 Dim.398 Dim.399
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 90.128 90.354 90.580 90.806 91.031 91.257 91.483
## Dim.400 Dim.401 Dim.402 Dim.403 Dim.404 Dim.405 Dim.406
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 91.708 91.934 92.160 92.386 92.611 92.837 93.063
## Dim.407 Dim.408 Dim.409 Dim.410 Dim.411 Dim.412 Dim.413
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 93.289 93.514 93.740 93.966 94.192 94.417 94.643
## Dim.414 Dim.415 Dim.416 Dim.417 Dim.418 Dim.419 Dim.420
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 94.869 95.094 95.320 95.546 95.772 95.997 96.223
## Dim.421 Dim.422 Dim.423 Dim.424 Dim.425 Dim.426 Dim.427
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 96.449 96.675 96.900 97.126 97.352 97.578 97.803
## Dim.428 Dim.429 Dim.430 Dim.431 Dim.432 Dim.433 Dim.434
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.226 0.226 0.226 0.226 0.226 0.226 0.226
## Cumulative % of var. 98.029 98.255 98.480 98.706 98.932 99.158 99.383
## Dim.435 Dim.436 Dim.437 Dim.438 Dim.439 Dim.440 Dim.441
## Variance 0.333 0.333 0.161 0.046 0.018 0.012 0.006
## % of var. 0.226 0.226 0.109 0.031 0.012 0.008 0.004
## Cumulative % of var. 99.609 99.835 99.944 99.975 99.988 99.996 100.000
## Dim.442 Dim.443
## Variance 0.000 0.000
## % of var. 0.000 0.000
## Cumulative % of var. 100.000 100.000
##
## Individuals (the 10 first)
## Dim.1 ctr cos2 Dim.2 ctr cos2 Dim.3 ctr
## 1 | -0.019 0.000 0.000 | 2.718 0.125 0.008 | 0.909 0.015
## 2 | -0.019 0.000 0.000 | 2.718 0.125 0.008 | 0.909 0.015
## 3 | -0.019 0.000 0.000 | 2.718 0.125 0.008 | 0.909 0.015
## 4 | -0.019 0.000 0.000 | 0.680 0.008 0.000 | -0.637 0.007
## 5 | -0.019 0.000 0.000 | -0.199 0.001 0.002 | 1.319 0.032
## 6 | -0.019 0.000 0.000 | -0.199 0.001 0.002 | 1.319 0.032
## 7 | -0.019 0.000 0.000 | -0.199 0.001 0.002 | 1.319 0.032
## 8 | -0.019 0.000 0.000 | -0.199 0.001 0.002 | 1.319 0.032
## 9 | -0.019 0.000 0.000 | 0.268 0.001 0.004 | 1.325 0.032
## 10 | -0.019 0.000 0.000 | 0.268 0.001 0.004 | 1.325 0.032
## cos2
## 1 0.001 |
## 2 0.001 |
## 3 0.001 |
## 4 0.000 |
## 5 0.094 |
## 6 0.094 |
## 7 0.094 |
## 8 0.094 |
## 9 0.093 |
## 10 0.093 |
##
## Categories (the 10 first)
## Dim.1 ctr cos2 v.test Dim.2 ctr cos2
## Zona Centro | -0.019 0.000 0.000 -0.213 | 2.006 2.810 0.061
## Zona Norte | -0.019 0.003 0.000 -0.949 | -0.057 0.035 0.001
## Zona Oeste | -0.019 0.002 0.000 -0.710 | -1.726 20.094 0.501
## Zona Oriente | -0.019 0.001 0.000 -0.364 | 2.929 16.962 0.378
## Zona Sur | -0.019 0.007 0.000 -1.986 | 0.190 0.964 0.048
## zona.NA | 52.659 33.321 1.000 91.220 | 0.000 0.000 0.000
## Apartamento | -0.019 0.007 0.001 -2.179 | -0.457 5.995 0.330
## Casa | -0.019 0.005 0.000 -1.376 | 0.724 9.499 0.330
## tipo.NA | 52.659 33.321 1.000 91.220 | 0.000 0.000 0.000
## 20 de julio | -0.019 0.000 0.000 -0.033 | 3.224 0.176 0.004
## v.test Dim.3 ctr cos2 v.test
## Zona Centro 22.501 | 0.239 0.043 0.001 2.686 |
## Zona Norte -2.831 | 1.602 29.908 0.770 80.046 |
## Zona Oeste -64.547 | 0.157 0.178 0.004 5.857 |
## Zona Oriente 56.064 | 1.089 2.523 0.052 20.836 |
## Zona Sur 19.898 | -0.778 17.346 0.795 -81.337 |
## zona.NA 0.000 | 0.000 0.000 0.000 0.000 |
## Apartamento -52.426 | -0.006 0.001 0.000 -0.648 |
## Casa 52.435 | 0.009 0.002 0.000 0.649 |
## tipo.NA 0.000 | 0.000 0.000 0.000 0.000 |
## 20 de julio 5.584 | 1.119 0.023 0.000 1.939 |
##
## Categorical variables (eta2)
## Dim.1 Dim.2 Dim.3
## zona | 1.000 0.872 0.990 |
## tipo | 1.000 0.330 0.000 |
## barrio | 1.000 0.931 0.990 |# Gráfico de inercia (varianza explicada por cada dimensión)
barplot(mca_result$eig[, "eigenvalue"], main = "Gráfico de Inercia")
# Gráfico de coordenadas de las categorías en las dos primeras dimensiones
plot.MCA(mca_result, invisible = "ind", cex = 0.8)
# Gráfico de las contribuciones de las categorías a las dimensiones
fviz_contrib(mca_result, choice = "ind", axes = 1:2)