Se realiza una análisis de correlación, regresión lineal con variables categóricas y cuantitativas. Con sus respectivos supuestos, tomando como base las variables de la base WHO.
Por medio de este análisis se pretende cargar un conjunto de datos relacionado con la salud e incluir datos de Colombia y años específicos, calcular la matriz de correlación entre las variables numéricas y crear gráficos para visualizar esta matriz de correlación.
library(readxl)
## Warning: package 'readxl' was built under R version 4.3.3
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.0 ✔ tibble 3.2.1
## ✔ lubridate 1.9.3 ✔ tidyr 1.3.1
## ✔ purrr 1.0.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(readr)
WHO <- read_csv("WHO.csv")
## Rows: 1647 Columns: 24
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (3): Country, Cod, Status
## dbl (21): Year, Life.expectancy, Adult.mortality, Infant.deaths, Alcohol, Pe...
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
WHO$Population=WHO$Population/1000000
WHO=subset(WHO, Status=="Developing")
WHO=subset(WHO, Country=="Colombia")
WHO=subset(WHO, Year %in% 2010:2015)
En este grafico podemos identificar la correlacion entre las diferentes variables.
#### Grafico
x <- WHO[sapply(WHO, is.numeric)]
names(x)
## [1] "Year" "Life.expectancy" "Adult.mortality"
## [4] "Infant.deaths" "Alcohol" "Percentage.expenditure"
## [7] "Hepatitis.B" "Measles" "BMI"
## [10] "Polio" "Total.expenditure" "Diphteria"
## [13] "HIV.AIDS" "GDP" "Population"
## [16] "Thinness.10.19.years" "Thinness.5.9.years" "HDI"
## [19] "Schooling" "Homicides" "Fertility"
columna_a_eliminar <- "Thinness.5.9.years"
x <- x[, -which(names(x) == columna_a_eliminar)]
columna_a_eliminar <- "Total.expenditure"
x <- x[, -which(names(x) == columna_a_eliminar)]
y=data.frame(cor(x))
library(ggcorrplot)
## Warning: package 'ggcorrplot' was built under R version 4.3.3
ggcorrplot(y)
ggcorrplot(y,
hc.order = TRUE,
type = "lower",
lab = TRUE)
Se eligen las siguientes variables para el análisis de la relación entre la esperanza de vida (Life.expectancy) y la fertilidad (Fertility) utilizando el conjunto de datos WHO.
ggplot(WHO, aes(x=WHO$Life.expectancy, y=WHO$Fertility))+
geom_point()
## Warning: Use of `WHO$Life.expectancy` is discouraged.
## ℹ Use `Life.expectancy` instead.
## Warning: Use of `WHO$Fertility` is discouraged.
## ℹ Use `Fertility` instead.
cor(WHO$Life.expectancy, WHO$Fertility, use = "complete.obs")
## [1] -0.9989132
El coeficiente de correlación calculado entre la esperanza de vida y la fertilidad es de aproximadamente 0.9989. Este valor cercano a 1 indica una correlación positiva muy fuerte entre estas dos variables en los datos proporcionados
cor.test(WHO$Life.expectancy, WHO$Fertility)
##
## Pearson's product-moment correlation
##
## data: WHO$Life.expectancy and WHO$Fertility
## t = -42.863, df = 4, p-value = 1.771e-06
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## -0.9998869 -0.9896006
## sample estimates:
## cor
## -0.9989132
names(WHO)
## [1] "Country" "Cod" "Year"
## [4] "Status" "Life.expectancy" "Adult.mortality"
## [7] "Infant.deaths" "Alcohol" "Percentage.expenditure"
## [10] "Hepatitis.B" "Measles" "BMI"
## [13] "Polio" "Total.expenditure" "Diphteria"
## [16] "HIV.AIDS" "GDP" "Population"
## [19] "Thinness.10.19.years" "Thinness.5.9.years" "HDI"
## [22] "Schooling" "Homicides" "Fertility"
El valor p es muy pequeño, aproximadamente 1.771e-06, no hay evidencia suficiente para rechazar la hipótesis nula de la correlación entre la esperanza de vida y la fertilidad es igual a cero. En otras palabras, hay una correlación significativa entre estas dos variables.
modelo1 <- lm(Life.expectancy ~ Fertility, WHO )
summary(modelo1)
##
## Call:
## lm(formula = Life.expectancy ~ Fertility, data = WHO)
##
## Residuals:
## 1 2 3 4 5 6
## 0.0093362 0.0009629 -0.0114104 -0.0277837 0.0296341 -0.0007392
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 91.4527 0.3609 253.38 1.46e-09 ***
## Fertility -7.9791 0.1862 -42.86 1.77e-06 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.02162 on 4 degrees of freedom
## Multiple R-squared: 0.9978, Adjusted R-squared: 0.9973
## F-statistic: 1837 on 1 and 4 DF, p-value: 1.771e-06
La variable predictora es la fertilidad y la variable de respuesta es la esperanza de vida el coeficiente estimado es -7.9791, lo que significa que por cada unidad de aumento en la fertilidad, la esperanza de vida disminuye aproximadamente en 7.9791 años. La negatividad del coeficiente indica una relación negativa entre la fertilidad y la esperanza de vida en el modelo.
plot(modelo1)
Test de normalidad de Shapiro-Wilk.
shapiro.test(modelo1$residuals)
##
## Shapiro-Wilk normality test
##
## data: modelo1$residuals
## W = 0.98436, p-value = 0.9711
valor p es 0.9711, mayor que 0.05, no hay suficiente evidencia para rechazar la hipótesis nula de normalidad Por lo tanto, se podría decir que los residuos del modelo siguen una distribución normal.
library(nortest)
lillie.test(modelo1$residuals)
##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: modelo1$residuals
## D = 0.15142, p-value = 0.9368
r/ Valor de p ≥ 0.05: No hay suficiente evidencia para rechazar la hipótesis nula de normalidad. Los datos podrían seguir una distribución normal.
H0: La variable aleatoria X sigue una distribución normal. H1: La variable aleatoria X no sigue una distribución normal.
Varianza constante test de Kolmogorov-Smirnov para evaluar si una muestra de datos sigue una distribución normal.
library(lmtest)
## Warning: package 'lmtest' was built under R version 4.3.3
## Loading required package: zoo
## Warning: package 'zoo' was built under R version 4.3.3
##
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
bptest(modelo1)
##
## studentized Breusch-Pagan test
##
## data: modelo1
## BP = 0.88171, df = 1, p-value = 0.3477
Valor de p ≥ 0.05: No hay suficiente evidencia para rechazar la hipótesis nula de homocedasticidad. Los residuos tienen una varianza constante y el modelo de regresión es apropiado en ese sentido
Hipótesis nula (H0): Los errores tienen una varianza constante (homocedasticidad) Hipótesis alternativa (H1): Los errores no tienen una varianza constante (heterocedasticidad).
Predicción de la expectativa de vida
predict(modelo1)
## 1 2 3 4 5 6
## 75.41466 75.65404 75.89341 76.13278 76.29237 76.53174
Multicolinealidad
library(readr)
WHO2 <- read_csv("WHO.csv")
## Rows: 1647 Columns: 24
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (3): Country, Cod, Status
## dbl (21): Year, Life.expectancy, Adult.mortality, Infant.deaths, Alcohol, Pe...
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
WHO2$Population=WHO2$Population/1000000
WHO2=subset(WHO2, Status=="Developed")
model1 <- lm(Life.expectancy ~ Adult.mortality+Thinness.10.19.years, WHO2)
summary(model1)
##
## Call:
## lm(formula = Life.expectancy ~ Adult.mortality + Thinness.10.19.years,
## data = WHO2)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.37577 -0.38429 0.04403 0.40377 1.98903
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 86.694608 0.129540 669.250 < 2e-16 ***
## Adult.mortality -0.075672 0.001781 -42.494 < 2e-16 ***
## Thinness.10.19.years -0.405871 0.067237 -6.036 4.91e-09 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.7871 on 284 degrees of freedom
## (82 observations deleted due to missingness)
## Multiple R-squared: 0.9191, Adjusted R-squared: 0.9185
## F-statistic: 1613 on 2 and 284 DF, p-value: < 2.2e-16
El coef. de Adult.mortality es -0.075672, por lo que en promedio, por cada aumento unitario en la tasa de mortalidad adulta, la esperanza de vida disminuye en aproximadamente 0.076 años.
El coef. de Thinness.10.19.years es -0.405871, por lo que en promedio, por cada aumento unitario en la delgadez en adolescentes de 10 a 19 años, la esperanza de vida disminuye en aproximadamente 0.406 años.
El modelo sugiere que tanto la tasa de mortalidad adulta como la delgadez en adolescentes de 10 a 19 años tienen una relación significativa y negativa con la esperanza de vida en los países desarrollados. Esto significa que a medida que aumentan la tasa de mortalidad adulta y la delgadez en adolescentes, la esperanza de vida tiende a disminuir.
cor(WHO2[c("Life.expectancy", "Adult.mortality", "Thinness.10.19.years")], use = "complete.obs")
## Life.expectancy Adult.mortality Thinness.10.19.years
## Life.expectancy 1.0000000 -0.9532561 -0.6360629
## Adult.mortality -0.9532561 1.0000000 0.5801929
## Thinness.10.19.years -0.6360629 0.5801929 1.0000000
La correlación entre la esperanza de vida y la mortalidad adulta es fuertemente negativa, con un valor de -0.9532561. Esto indica que a medida que aumenta la tasa de mortalidad adulta, la esperanza de vida tiende a disminuir. Esta correlación es esperada, ya que es común que los países con tasas de mortalidad más altas tengan una esperanza de vida más baja.
La correlación entre la esperanza de vida y la delgadez en adolescentes de 10 a 19 años es negativa pero menos fuerte, con un valor de -0.6360629. Esto sugiere que hay una asociación, aunque más débil, entre la delgadez en adolescentes y la esperanza de vida. Esta correlación puede deberse a diversos factores, como la nutrición y el acceso a la atención médica en diferentes países.
La correlación entre la mortalidad adulta y la delgadez en adolescentes es positiva, con un valor de 0.5801929. Esto sugiere que en los países donde hay una alta tasa de mortalidad adulta, también puede haber una mayor delgadez en adolescentes. Sin embargo, la correlación no es tan fuerte como en el caso de la mortalidad adulta y la esperanza de vida.
Factor de Inflación de la Varianza
library(car)
## Warning: package 'car' was built under R version 4.3.3
## Loading required package: carData
## Warning: package 'carData' was built under R version 4.3.3
##
## Attaching package: 'car'
## The following object is masked from 'package:dplyr':
##
## recode
## The following object is masked from 'package:purrr':
##
## some
vif(model1)#
## Adult.mortality Thinness.10.19.years
## 1.50744 1.50744
Un VIF de alrededor de 1.51 no sugiere una alta multicolinealidad entre estas dos variables independientes en tu modelo. Generalmente, un VIF menor a 5 o 10 indica que la multicolinealidad no es un problema significativo.
# Variable categórica
WHO3 <- read_csv("WHO.csv")
## Rows: 1647 Columns: 24
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (3): Country, Cod, Status
## dbl (21): Year, Life.expectancy, Adult.mortality, Infant.deaths, Alcohol, Pe...
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
WHO3=subset(WHO3, Year ==2015)
model2=lm(HDI ~ Schooling+
as.factor(Status), WHO3)
summary(model2)
##
## Call:
## lm(formula = HDI ~ Schooling + as.factor(Status), data = WHO3)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.163588 -0.041157 0.001901 0.035355 0.165432
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.409757 0.023543 17.405 < 2e-16 ***
## Schooling 0.039993 0.001808 22.118 < 2e-16 ***
## as.factor(Status)Developing -0.057140 0.013600 -4.201 4.24e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.05984 on 173 degrees of freedom
## (7 observations deleted due to missingness)
## Multiple R-squared: 0.8513, Adjusted R-squared: 0.8496
## F-statistic: 495.3 on 2 and 173 DF, p-value: < 2.2e-16
Escolaridad Por cada unidad adicional de años de escolaridad, se espera un aumento significativo en el HDI de aproximadamente 0.039993 unidades. Esto sugiere que la educación juega un papel importante en el desarrollo humano, y cuanto más tiempo permanezcan las personas en la escuela, mayor será el indice de desarrollo humano.
Los países en vía de desarrollo tienen un HDI estimado 0.057140 unidades más bajo en comparación con los países desarrollados, manteniendo constante el nivel de escolaridad. Esto sugiere que el estatus de desarrollo de un país también influye en su Índice de Desarrollo Humano, con los países desarrollados generalmente teniendo un HDI más alto en comparación con los países en vía de desarrollo.
Supuestos Normalidad
shapiro.test(model2$residuals)
##
## Shapiro-Wilk normality test
##
## data: model2$residuals
## W = 0.9964, p-value = 0.9531
Un valor de p de 0.9531 es alto,No se rechaza la hipótesis nula (H0), indica que no hay suficiente evidencia para afirmar que los residuos no provienen de una distribución normal. Por lo tanto, podemos asumir razonablemente que los residuos se distribuyen normalmente.
PREDICCION
predict(model2)
## 1 2 3 4 5 6 7 8
## 0.4965918 0.5525822 0.7405498 0.7765437 0.7445492 0.8165368 0.7205533 0.9216690
## 9 10 11 12 13 14 15 16
## 0.8936738 0.7805430 0.4685966 0.8776765 0.4925925 0.4086069 0.5605808 0.8816758
## 17 18 19 20 21 22 23 24
## 0.7245526 0.7965402 0.7125547 0.8405327 0.7725443 0.7005567 0.6565643 0.7725443
## 25 26 27 28 29 30 31 32
## 0.7125547 0.4765952 0.7205533 0.5205877 0.9336669 0.9456648 0.8216862 0.6605636
## 33 34 36 37 38 40 41 42
## 0.5525822 0.5965746 0.6045732 0.6765608 0.5445835 0.7045560 0.8085382 0.8856752
## 43 44 45 46 47 48 49 50
## 0.9176697 0.9736600 0.5165884 0.9096710 0.6645629 0.6685622 0.6885588 0.6365677
## 51 52 53 54 55 56 57 58
## 0.5085897 0.7976903 0.9176697 0.4565987 0.9056717 0.7845423 0.8696779 0.6725615
## 59 60 61 62 63 64 65 66
## 0.6765608 0.9216690 0.8605292 0.6285691 0.4565987 0.4885932 0.4685966 0.5725787
## 67 68 69 70 71 72 73 74
## 0.8336841 0.7005567 0.6045732 0.6885588 0.6045732 0.8576800 0.5605808 0.8816758
## 75 76 77 78 79 80 81 82
## 0.6685622 0.6045732 0.9016724 0.7445492 0.6165712 0.8976731 0.9296676 0.8176868
## 83 84 85 86 87 88 89 90
## 0.7365505 0.7645457 0.9096710 0.8205361 0.6045732 0.7845423 0.5405842 0.6685622
## 92 93 94 95 96 98 99 100
## 0.6365677 0.5565815 0.6925581 0.5285863 0.6445663 0.7885416 0.5965746 0.9296676
## 101 102 103 104 105 106 107 108
## 0.8896745 0.9216690 0.5525822 0.8165368 0.5965746 0.6045732 0.6965574 0.7365505
## 109 110 111 112 113 114 115 116
## 0.4446007 0.8576800 0.5485829 0.8045388 0.7565471 0.4925925 0.5245870 0.7165540
## 117 118 119 120 121 122 123 124
## 0.5285863 0.7605464 0.6205705 0.4246042 0.5925753 0.6125718 0.8936738 0.9096710
## 125 126 127 128 129 130 131 132
## 0.5405842 0.9056717 0.7325512 0.5565815 0.7485485 0.7165540 0.7245526 0.5245870
## 133 135 136 137 138 139 140 141
## 0.8936738 0.7736944 0.6925581 0.7445492 0.8456820 0.8325340 0.5125890 0.7325512
## 142 143 144 145 146 147 149 150
## 0.4965918 0.4685966 0.8696779 0.5685794 0.4885932 0.6165712 0.7925409 0.5445835
## 151 152 153 154 155 156 157 158
## 0.5765780 0.6885588 0.9096710 0.8896745 0.9056717 0.6125718 0.7325512 0.5565815
## 159 160 161 162 163 164 165 166
## 0.4446007 0.5405842 0.6565643 0.7725443 0.7445492 0.5325856 0.8005395 0.7845423
## 167 168 169 170 171 172 173 174
## 0.6325684 0.7217033 0.5845767 0.5805774 0.8045388 0.7005567 0.9416655 0.8085382
## 176 177 178 179 180 181 182 183
## 0.7565471 0.6725615 0.6245698 0.7645457 0.4725959 0.7565471 0.6285691 0.6805602
z=predict(model2)
z=data.frame(z)
head(z, 50)
## z
## 1 0.4965918
## 2 0.5525822
## 3 0.7405498
## 4 0.7765437
## 5 0.7445492
## 6 0.8165368
## 7 0.7205533
## 8 0.9216690
## 9 0.8936738
## 10 0.7805430
## 11 0.4685966
## 12 0.8776765
## 13 0.4925925
## 14 0.4086069
## 15 0.5605808
## 16 0.8816758
## 17 0.7245526
## 18 0.7965402
## 19 0.7125547
## 20 0.8405327
## 21 0.7725443
## 22 0.7005567
## 23 0.6565643
## 24 0.7725443
## 25 0.7125547
## 26 0.4765952
## 27 0.7205533
## 28 0.5205877
## 29 0.9336669
## 30 0.9456648
## 31 0.8216862
## 32 0.6605636
## 33 0.5525822
## 34 0.5965746
## 36 0.6045732
## 37 0.6765608
## 38 0.5445835
## 40 0.7045560
## 41 0.8085382
## 42 0.8856752
## 43 0.9176697
## 44 0.9736600
## 45 0.5165884
## 46 0.9096710
## 47 0.6645629
## 48 0.6685622
## 49 0.6885588
## 50 0.6365677
## 51 0.5085897
## 52 0.7976903
Los resultados que listamos son las primeras 50 predicciones del modelo l2 para la variable de respuesta HDI (Índice de Desarrollo Humano).