CASO 1 - WHO

1.Objetivo

Seleccionar un año específico de la base de datos y mínimo seis (6) variables, entre ellas la variable Status, para realizar un análisis descriptivo según el contexto.

2.Contexto

La base de datos permite analizar el comportamiento de los países en vía de desarrollo y desarrollados frente al consumo de alcohol, por otra parte, en este contexto es interesante revisar cómo puede influir en cuanto a la fertilidad.

3. Argumentos de selección de variables

Consecuente al anterior punto, se hace necesario incluir las siguientes variables para el análisis:

  1. Año
  2. País
  3. Status
  4. Consumo de alcohol
  5. PIB
  6. Fertilidad
  7. Expectativa de vida
library(readr)
library(tidyverse)
library(dplyr)
library(gapminder)
library(choroplethr)
library(choroplethrMaps)
library(patchwork)

# Cargue BD ---------------------------------------------------------------
WHO1 <- read_csv("Datos/WHO.csv")

min(WHO1$Year)
## [1] 2010
max(WHO1$Year)
## [1] 2018
WHO2010 <- filter (WHO1, Year==2010)
WHO2018 <- filter (WHO1, Year==2018)

Como punto de partida para el análisis de la base de datos, podemos encontrar que la base se encuentra en el periodo comprendido entre los años 2010 y 2018.

#Grafico participación países en desarrollo vs Desarrollados

##2010
# Grafico de circulo o pastel
#2010
plotdata <- WHO2010 %>%
  count(Status) %>%
  arrange(desc(Status)) %>%
  mutate(prop = round(n*100/sum(n), 1),
         lab.ypos = cumsum(prop) - 0.5*prop)
plotdata$label <- paste0(plotdata$Status, "\n",
                         round(plotdata$prop), "%")
# create plot  
graph1<-ggplot(plotdata, 
       aes(x = "", 
           y = prop, 
           fill = Status)) +
  geom_bar(width = 1, 
           stat = "identity", 
           color = "black") +
  geom_text(aes(y = lab.ypos, label = label), 
            color = "black") +
  coord_polar("y", 
              start = 0, 
              direction = -1) +
  theme_void() +
  theme(legend.position = "FALSE") +
  labs(title = "Participacion por Status 2010")
##

#2018
plotdata <- WHO2018 %>%
  count(Status) %>%
  arrange(desc(Status)) %>%
  mutate(prop = round(n*100/sum(n), 1),
         lab.ypos = cumsum(prop) - 0.5*prop)
plotdata$label <- paste0(plotdata$Status, "\n",
                         round(plotdata$prop), "%")
# create plot  
graph2<-ggplot(plotdata, 
       aes(x = "", 
           y = prop, 
           fill = Status)) +
  geom_bar(width = 1, 
           stat = "identity", 
           color = "black") +
  geom_text(aes(y = lab.ypos, label = label), 
            color = "black") +
  coord_polar("y", 
              start = 0, 
              direction = -1) +
  theme_void() +
  theme(legend.position = "FALSE") +
  labs(title = "Participacion por status 2018")

graph1+graph2

El análisis lo podemos iniciar comparando el porcentaje de paises de en desarrollo vs los paises desarrollados, en el primer y último año de la base de datos. Es interesante concluir que no existe una variación y que los porcentajes son practicamente iguales, más allá del crecimiento económico, desarrollo tecnológico que se haya presentado.

#Consumo promedio todos los años menos 2018
WHOAÑOS <- filter(WHO1, Year!=2018)

group_by(WHOAÑOS , Status)%>%
  summarise(Promedio=mean(Alcohol,na.rm = T))
## # A tibble: 2 × 2
##   Status     Promedio
##   <chr>         <dbl>
## 1 Developed      9.23
## 2 Developing     3.58
#Consumo año 2018
group_by(WHO2018 , Status)%>%
  summarise(Promedio=mean(Alcohol,na.rm = T))
## # A tibble: 2 × 2
##   Status     Promedio
##   <chr>         <dbl>
## 1 Developed      9.04
## 2 Developing     3.53

Se puede comparar el consumo de alcohol en un promedio histórico y se logra observar una leve disminución así:

-Una disminución de 0.19 per cápita, pasando de un promedio de consumo de alcohol de 9.23 en el periodo comprendido entre los años 2010 y 2017 a 9.04 en el 2018, para el segmento de paises desarrollados.

-Por otra parte, aunque con una disminución en el consumo más leve, se logra observar una diferencia de 0.05 per cápita, pasando de un promedio de consumo de alcohol de 3.58 en el periodo comprendido entre los años 2010 y 2017 a 3.53 en el 2018, para el segmento de paises en vía de desarrollo.

#Nivel de PIB

group_by(WHO1 , Status)%>%
  summarise(Promedio=mean(GDP,na.rm = T), Desvstand=sd(GDP,na.rm=T))
## # A tibble: 2 × 3
##   Status     Promedio Desvstand
##   <chr>         <dbl>     <dbl>
## 1 Developed    37762.    23014.
## 2 Developing    6242.     9228.

Como se puede inferir, el PIB promedio de los países desarrollados es superior a los países en vía de desarrollo.

Para el año 2018, el ranking de los 10 países con mayor consumo de alcohol es el siguiente:

#Ranking

Ranking <-select(WHO2018, Country,Status,Fertility, Alcohol) %>% 
  arrange(-Alcohol) %>% 
  filter(Alcohol >=11.2 & Alcohol <20)
Ranking
## # A tibble: 9 × 4
##   Country        Status     Fertility Alcohol
##   <chr>          <chr>          <dbl>   <dbl>
## 1 Czech Republic Developed       1.57    12.9
## 2 Latvia         Developed       1.57    12.6
## 3 Uganda         Developing      5.41    12.2
## 4 Austria        Developed       1.52    11.8
## 5 Lithuania      Developed       1.67    11.5
## 6 Bulgaria       Developed       1.59    11.4
## 7 France         Developed       1.97    11.2
## 8 Estonia        Developed       1.66    11.2
## 9 Ireland        Developed       1.98    11.2
group_by(WHO2018 , Status)%>%
  summarise(Promedio=mean(Fertility,na.rm = T))
## # A tibble: 2 × 2
##   Status     Promedio
##   <chr>         <dbl>
## 1 Developed      1.66
## 2 Developing     3.03

En esta tabla lo que dimensiona es la relación entre consumo de alcohol frente al Status del país, que en primera instancia en los países desarrollado es consecuente. Por otra parte, uno de los países con mayor consumo de alcohol es Uganda el cual se encuentra en vía de desarrolla y resalta por su alto grado de fertilidad.

4. Gráfico

plotdata <- WHO1 %>%
  filter(Year==2018) %>% 
  rename(region=Country, value=Alcohol) %>% 
  mutate(region = tolower(region))
  
country_choropleth(plotdata)+
  scale_fill_brewer(palette="YlOrRd") +
  labs(title = "Paises clasificados por consumo de alcohol",
       subtitle = "Año 2018",
       fill = "Escala de consumo")

En el anterior gráfico se logra apreciar una escala de los países con mayor y menor consumo de alcohol.

5. Tabla

#Media de PIB, Expectativa de Vida, Consumo de Acohol, Fertilidad para países en desarrollo y desarrollados

group_by(WHO1 , Status)%>%
  summarise(PromPIB=mean(GDP,na.rm = T), 
            PromEV=mean(Life.expectancy,na.rm=T),
            PromCA=mean(Alcohol,na.rm=T),
            PromFert=mean(Fertility,na.rm=T))
## # A tibble: 2 × 5
##   Status     PromPIB PromEV PromCA PromFert
##   <chr>        <dbl>  <dbl>  <dbl>    <dbl>
## 1 Developed   37762.   80.0   9.21     1.66
## 2 Developing   6242.   68.5   3.57     3.19

CASO 2 - ANÁLISIS DE CORRELACIÓN

library(readxl)
library(tidyverse)
library(dplyr)
library(ggcorrplot)
library(ggplot2)
library(visreg)
library(nortest)
library(lmtest)
library(gapminder)
library(tidyverse)
library(car)

WHO2 <- read_csv("Datos/WHO.csv")
WHO2018 <- filter (WHO2, Year==2018)

Análisis de correlación Alcohol vs Expectativa de vida

ggplot(WHO2018, aes(x=WHO2018$Alcohol, y=WHO2018$Life.expectancy))+
  geom_point()+
    labs(x = "Consumo de alcohol", 
       y = "Expectativa de vida", 
       title  = "Análisis de correlación")

cor(WHO2018$Alcohol, WHO2018$Life.expectancy, use='complete.obs')
## [1] 0.4130172

Análisis de correlación Alcohol vs PIB

ggplot(WHO2018, aes(x=WHO2018$Alcohol, y=WHO2018$GDP))+
  geom_point()+
    labs(x = "Consumo de alcohol", 
       y = "PIB", 
       title  = "Análisis de correlación")

cor(WHO2018$Alcohol, WHO2018$Life.expectancy, use='complete.obs')
## [1] 0.4130172
ggplot(WHO2018, aes(x=WHO2018$Alcohol, y=WHO2018$Fertility))+
  geom_point()+
    labs(x = "Consumo de alcohol", 
       y = "Fertilidad", 
       title  = "Análisis de correlación")

cor(WHO2018$Alcohol, WHO2018$Life.expectancy, use='complete.obs')
## [1] 0.4130172

Elaboración del modelo

Se elabora un modelo con Expectativa de vida como variable dependiente, y Alcohol, PIB, Fertilidad y Homicidios como variables independientes.

modelo <- lm(WHO2018$Life.expectancy ~ WHO2018$Alcohol + 
                WHO2018$GDP + WHO2018$Fertility + WHO2018$Homicides  , WHO2018 )
summary(modelo)
## 
## Call:
## lm(formula = WHO2018$Life.expectancy ~ WHO2018$Alcohol + WHO2018$GDP + 
##     WHO2018$Fertility + WHO2018$Homicides, data = WHO2018)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -13.6305  -1.7116   0.2498   2.2741   9.3309 
## 
## Coefficients:
##                     Estimate Std. Error t value Pr(>|t|)    
## (Intercept)        8.239e+01  9.802e-01  84.059  < 2e-16 ***
## WHO2018$Alcohol   -4.093e-02  8.147e-02  -0.502  0.61603    
## WHO2018$GDP        1.178e-04  1.626e-05   7.244  1.5e-11 ***
## WHO2018$Fertility -4.084e+00  2.475e-01 -16.501  < 2e-16 ***
## WHO2018$Homicides -6.507e-02  2.379e-02  -2.735  0.00691 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.5 on 168 degrees of freedom
##   (10 observations deleted due to missingness)
## Multiple R-squared:  0.7877, Adjusted R-squared:  0.7826 
## F-statistic: 155.8 on 4 and 168 DF,  p-value: < 2.2e-16
B0<-modelo$coefficients[1]
B1<-modelo$coefficients[2]
B2<-modelo$coefficients[3]
B3<-modelo$coefficients[4]
B4<-modelo$coefficients[5]

La ecuación del modelo es:

EV = 82.3910275 + -0.0409331X + 1.1775487^{-4}Y + -4.0844834Z + -0.0650699W

Donde:

EV: Expectativa de vida

X : Alcohol

Y : PIB

Z : Fertilidad

W : Homicidios

Del modelo podemos inferir que la variable Alcohol no es significativa para la determinación de la Expectativa de vida.

Analisis correlacionado entre las variables númericas

Base <- WHO2018 %>% select(Life.expectancy,
         Alcohol: Measles, Polio:Population, 
         Homicides:Fertility)

Base1 <- cor(Base, use='complete.obs')

ggcorrplot(Base1)

ggcorrplot(Base1, 
           hc.order = TRUE, 
           type = "lower",
           lab = TRUE)

En este apartado se elabora un modelo con Alcohol como variable dependiente, y Expectativa de vida, PIB, Población, Homicidios y Fertilidad como variables independientes.

data <- data.frame(Base)

WHO_lm <- lm(  Alcohol ~ Life.expectancy + GDP + Population + 
               Homicides + Fertility, data = data)
summary(WHO_lm)
## 
## Call:
## lm(formula = Alcohol ~ Life.expectancy + GDP + Population + Homicides + 
##     Fertility, data = data)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -7.7873 -2.0989 -0.2951  1.8867 14.5396 
## 
## Coefficients:
##                   Estimate Std. Error t value Pr(>|t|)    
## (Intercept)      9.145e+00  6.080e+00   1.504  0.13443    
## Life.expectancy -3.806e-02  7.323e-02  -0.520  0.60395    
## GDP              6.873e-05  1.687e-05   4.075 7.09e-05 ***
## Population      -6.320e-10  1.679e-09  -0.376  0.70707    
## Homicides        1.411e-02  2.311e-02   0.611  0.54235    
## Fertility       -9.759e-01  3.745e-01  -2.606  0.00999 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.32 on 167 degrees of freedom
##   (10 observations deleted due to missingness)
## Multiple R-squared:  0.2653, Adjusted R-squared:  0.2433 
## F-statistic: 12.06 on 5 and 167 DF,  p-value: 5.55e-10

A continuación, se grafican las lineas del modelo para PIB y Fertilidad, dado que son las variables mas significativas

visreg(WHO_lm, "GDP", gg = TRUE)

visreg(WHO_lm, "Fertility", gg = TRUE)

plot(WHO_lm)

Supuestos

Normalidad

H0 : La distribución es normal

H1 : La distribución no es normal

El valor-P es menor a 0.05 por lo que podemos decir que nuestros datos no siguen una distribución normal.

# Normalidad
shapiro.test(WHO_lm$residuals )
## 
##  Shapiro-Wilk normality test
## 
## data:  WHO_lm$residuals
## W = 0.97369, p-value = 0.002286

Varianza Constante

H0:los errores tienen varianza constante.

H1:los errores no tienen varianza constante.

Se observa que el valor-P es mayor a 0.05, por lo tanto, hay evidencias para decir que n se cumple la homocedasticidad de los errores

# Varianza constante
bptest(WHO_lm)
## 
##  studentized Breusch-Pagan test
## 
## data:  WHO_lm
## BP = 2.0819, df = 5, p-value = 0.8377

Multicolinealidad

Vemos que los VIF de todas las variables, son muy pequeños, eso indica que no hay un problema de colinealidad entre las variables.

# Multicolinealidad
vif(WHO_lm)
## Life.expectancy             GDP      Population       Homicides       Fertility 
##        4.714634        1.796677        1.017322        1.128673        3.464510

Variable Categorica

# Variable categórica
modelo3 <- lm(WHO2018$Life.expectancy ~ WHO2018$Alcohol + 
                WHO2018$GDP + as.factor(WHO2018$Status), WHO2018)
summary(modelo3)
## 
## Call:
## lm(formula = WHO2018$Life.expectancy ~ WHO2018$Alcohol + WHO2018$GDP + 
##     as.factor(WHO2018$Status), data = WHO2018)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -15.771  -2.720   1.085   3.842   9.271 
## 
## Coefficients:
##                                       Estimate Std. Error t value Pr(>|t|)    
## (Intercept)                          7.294e+01  1.924e+00  37.908  < 2e-16 ***
## WHO2018$Alcohol                      1.352e-01  1.370e-01   0.987  0.32496    
## WHO2018$GDP                          1.594e-04  3.025e-05   5.269 4.07e-07 ***
## as.factor(WHO2018$Status)Developing -4.560e+00  1.598e+00  -2.853  0.00486 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 5.515 on 172 degrees of freedom
##   (7 observations deleted due to missingness)
## Multiple R-squared:  0.4632, Adjusted R-squared:  0.4538 
## F-statistic: 49.47 on 3 and 172 DF,  p-value: < 2.2e-16