PREGUNTA 1
Paola Morales
2024-06-26
library(rio)
data1=import("C:/Users/Windows 10/Downloads/reporte (1).xlsx")str(data1)## 'data.frame': 197 obs. of 10 variables:
## $ Código : chr "101.0" "102.0" "103.0" "104.0" ...
## $ Provincia : chr "Amazonas, provincia: Chachapoyas" "Amazonas, provincia: Bagua" "Amazonas, provincia: Bongara" "Amazonas, provincia: Condorcanqui" ...
## $ No usa electricidad : num 14763 20313 7689 9853 13112 ...
## $ Sí usa electricidad : num 574 161 124 14 90 65 255 921 16 33 ...
## $ No usa gas (balón GLP): num 4696 10557 3154 8331 6863 ...
## $ Sí usa gas (balón GLP): num 10641 9917 4659 1536 6339 ...
## $ No usa carbón : num 15161 20185 7755 9841 13169 ...
## $ Sí usa carbón : num 176 289 58 26 33 26 335 218 4 4 ...
## $ No usa leña : num 7236 7357 2345 1059 1833 ...
## $ Sí usa leña : num 8101 13117 5468 8808 11369 ...library(readxl)
# Seleccionar las columnas que contienen "Sí" en su nombre
columns_to_keep <- c("Código", "Provincia", grep("Sí", names(data1), value = TRUE))
# Filtrar el DataFrame
filtered_data1 <- data1[, columns_to_keep]
print(filtered_data1)## Código Provincia Sí usa electricidad
## 1 101.0 Amazonas, provincia: Chachapoyas 574
## 2 102.0 Amazonas, provincia: Bagua 161
## 3 103.0 Amazonas, provincia: Bongara 124
## 4 104.0 Amazonas, provincia: Condorcanqui 14
## 5 105.0 Amazonas, provincia: Luya 90
## 6 106.0 Amazonas, provincia: Rodríguez de Mendoza 65
## 7 107.0 Amazonas, provincia: Utcubamba 255
## 8 201.0 Áncash, provincia: Huaraz 921
## 9 202.0 Áncash, provincia: Aija 16
## 10 203.0 Áncash, provincia: Antonio Raymondi 33
## 11 204.0 Áncash, provincia: Asunción 12
## 12 205.0 Áncash, provincia: Bolognesi 81
## 13 206.0 Áncash, provincia: Carhuaz 122
## 14 207.0 Áncash, provincia: Carlos Fermín Fitzcarrald 19
## 15 208.0 Áncash, provincia: Casma 370
## 16 209.0 Áncash, provincia: Corongo 17
## 17 210.0 Áncash, provincia: Huari 123
## 18 211.0 Áncash, provincia: Huarmey 193
## 19 212.0 Áncash, provincia: Huaylas 142
## 20 213.0 Áncash, provincia: Mariscal Luzuriaga 14
## 21 214.0 Áncash, provincia: Ocros 26
## 22 215.0 Áncash, provincia: Pallasca 24
## 23 216.0 Áncash, provincia: Pomabamba 28
## 24 217.0 Áncash, provincia: Recuay 53
## 25 218.0 Áncash, provincia: Santa 4473
## 26 219.0 Áncash, provincia: Sihuas 50
## 27 220.0 Áncash, provincia: Yungay 120
## 28 301.0 Apurímac, provincia: Abancay 490
## 29 302.0 Apurímac, provincia: Andahuaylas 447
## 30 303.0 Apurímac, provincia: Antabamba 31
## 31 304.0 Apurímac, provincia: Aymaraes 69
## 32 305.0 Apurímac, provincia: Cotabambas 197
## 33 306.0 Apurímac, provincia: Chincheros 89
## 34 307.0 Apurímac, provincia: Grau 37
## 35 401.0 Arequipa, provincia: Arequipa 11031
## 36 402.0 Arequipa, provincia: Camaná 537
## 37 403.0 Arequipa, provincia: Caravelí 218
## 38 404.0 Arequipa, provincia: Castilla 110
## 39 405.0 Arequipa, provincia: Caylloma 488
## 40 406.0 Arequipa, provincia: Condesuyos 28
## 41 407.0 Arequipa, provincia: Islay 432
## 42 408.0 Arequipa, provincia: La Unión 34
## 43 501.0 Ayacucho, provincia: Huamanga 1685
## 44 502.0 Ayacucho, provincia: Cangallo 90
## 45 503.0 Ayacucho, provincia: Huanca Sancos 33
## 46 504.0 Ayacucho, provincia: Huanta 369
## 47 505.0 Ayacucho, provincia: La Mar 231
## 48 506.0 Ayacucho, provincia: Lucanas 181
## 49 507.0 Ayacucho, provincia: Parinacochas 67
## 50 508.0 Ayacucho, provincia: Páucar del Sara Sara 45
## 51 509.0 Ayacucho, provincia: Sucre 16
## 52 510.0 Ayacucho, provincia: Víctor Fajardo 80
## 53 511.0 Ayacucho, provincia: Vilcas Huamán 49
## 54 601.0 Cajamarca, provincia: Cajamarca 1513
## 55 602.0 Cajamarca, provincia: Cajabamba 176
## 56 603.0 Cajamarca, provincia: Celendín 181
## 57 604.0 Cajamarca, provincia: Chota 360
## 58 605.0 Cajamarca, provincia: Contumazá 47
## 59 606.0 Cajamarca, provincia: Cutervo 220
## 60 607.0 Cajamarca, provincia: Hualgayoc 189
## 61 608.0 Cajamarca, provincia: Jaén 806
## 62 609.0 Cajamarca, provincia: San Ignacio 143
## 63 610.0 Cajamarca, provincia: San Marcos 105
## 64 611.0 Cajamarca, provincia: San Miguel 89
## 65 612.0 Cajamarca, provincia: San Pablo 21
## 66 613.0 Cajamarca, provincia: Santa Cruz 60
## 67 701.0 Provincia Constitucional del Callao 12109
## 68 801.0 Cusco, provincia: Cusco 3968
## 69 802.0 Cusco, provincia: Acomayo 118
## 70 803.0 Cusco, provincia: Anta 127
## 71 804.0 Cusco, provincia: Calca 112
## 72 805.0 Cusco, provincia: Canas 38
## 73 806.0 Cusco, provincia: Canchis 192
## 74 807.0 Cusco, provincia: Chumbivilcas 182
## 75 808.0 Cusco, provincia: Espinar 150
## 76 809.0 Cusco, provincia: La Convención 482
## 77 810.0 Cusco, provincia: Paruro 35
## 78 811.0 Cusco, provincia: Paucartambo 58
## 79 812.0 Cusco, provincia: Quispicanchi 235
## 80 813.0 Cusco, provincia: Urubamba 132
## 81 901.0 Huancavelica, provincia: Huancavelica 312
## 82 902.0 Huancavelica, provincia: Acobamba 70
## 83 903.0 Huancavelica, provincia: Angaraes 87
## 84 904.0 Huancavelica, provincia: Castrovirreyna 35
## 85 905.0 Huancavelica, provincia: Churcampa 57
## 86 906.0 Huancavelica, provincia: Huaytará 29
## 87 907.0 Huancavelica, provincia: Tayacaja 195
## 88 1001.0 Huánuco, provincia: Huánuco 1817
## 89 1002.0 Huánuco, provincia: Ambo 152
## 90 1003.0 Huánuco, provincia: Dos De Mayo 40
## 91 1004.0 Huánuco, provincia: Huacaybamba 16
## 92 1005.0 Huánuco, provincia: Huamalíes 54
## 93 1006.0 Huánuco, provincia: Leoncio Prado 494
## 94 1007.0 Huánuco, provincia: Marañón 37
## 95 1008.0 Huánuco, provincia: Pachitea 129
## 96 1009.0 Huánuco, provincia: Puerto Inca 53
## 97 1010.0 Huánuco, provincia: Lauricocha 16
## 98 1011.0 Huánuco, provincia: Yarowilca 26
## 99 1101.0 Ica, provincia: Ica 2878
## 100 1102.0 Ica, provincia: Chincha 1814
## 101 1103.0 Ica, provincia: Nazca 1088
## 102 1104.0 Ica, provincia: Palpa 56
## 103 1105.0 Ica, provincia: Pisco 1027
## 104 1201.0 Junín, provincia: Huancayo 3266
## 105 1202.0 Junín, provincia: Concepción 127
## 106 1203.0 Junín, provincia: Chanchamayo 738
## 107 1204.0 Junín, provincia: Jauja 242
## 108 1205.0 Junín, provincia: Junín 38
## 109 1206.0 Junín, provincia: Satipo 367
## 110 1207.0 Junín, provincia: Tarma 388
## 111 1208.0 Junín, provincia: Yauli 452
## 112 1209.0 Junín, provincia: Chupaca 152
## 113 1301.0 La Lbertad, provincia: Trujillo 11014
## 114 1302.0 La Lbertad, provincia: Ascope 721
## 115 1303.0 La Lbertad, provincia: Bolívar 35
## 116 1304.0 La Lbertad, provincia: Chepén 478
## 117 1305.0 La Lbertad, provincia: Julcán 28
## 118 1306.0 La Lbertad, provincia: Otuzco 208
## 119 1307.0 La Lbertad, provincia: Pacasmayo 914
## 120 1308.0 La Lbertad, provincia: Pataz 185
## 121 1309.0 La Lbertad, provincia: Sánchez Carrión 312
## 122 1310.0 La Lbertad, provincia: Santiago de Chuco 81
## 123 1311.0 La Lbertad, provincia: Gran Chimú 74
## 124 1312.0 La Lbertad, provincia: Virú 408
## 125 1401.0 Lambayeque, provincia: Chiclayo 7042
## 126 1402.0 Lambayeque, provincia: Ferreñafe 268
## 127 1403.0 Lambayeque, provincia: Lambayeque 1181
## 128 1501.0 Lima, provincia: Lima 125199
## 129 1502.0 Lima, provincia: Barranca 1140
## 130 1503.0 Lima, provincia: Cajatambo 18
## 131 1504.0 Lima, provincia: Canta 59
## 132 1505.0 Lima, provincia: Cañete 1986
## 133 1506.0 Lima, provincia: Huaral 1662
## 134 1507.0 Lima, provincia: Huarochirí 338
## 135 1508.0 Lima, provincia: Huaura 2745
## 136 1509.0 Lima, provincia: Oyón 58
## 137 1510.0 Lima, provincia: Yauyos 53
## 138 1601.0 Loreto, provincia: Maynas 2835
## 139 1602.0 Loreto, provincia: Alto Amazonas 446
## 140 1603.0 Loreto, provincia: Loreto 97
## 141 1604.0 Loreto, provincia: Mariscal Ramón Castilla 78
## 142 1605.0 Loreto, provincia: Requena 113
## 143 1606.0 Loreto, provincia: Ucayali 94
## 144 1607.0 Loreto, provincia: Datem del Marañón 49
## 145 1608.0 Loreto, provincia: Putumayo 4
## 146 1701.0 Madre de Dios prov. de Tambopata 877
## 147 1702.0 Madre de Dios prov. de Manu 50
## 148 1703.0 Madre de Dios prov. de Tahuamanu 66
## 149 1801.0 Moquegua, provincia: Mariscal Nieto 1155
## 150 1802.0 Moquegua, provincia: General Sánchez Cerro 35
## 151 1803.0 Moquegua, provincia: Ilo 860
## 152 1901.0 Pasco, provincia: Pasco 404
## 153 1902.0 Pasco, provincia: Daniel Alcides Carrión 43
## 154 1903.0 Pasco, provincia: Oxapampa 246
## 155 2001.0 Piura, provincia: Piura 5441
## 156 2002.0 Piura, provincia: Ayabaca 158
## 157 2003.0 Piura, provincia: Huancabamba 228
## 158 2004.0 Piura, provincia: Morropón 603
## 159 2005.0 Piura, provincia: Paita 726
## 160 2006.0 Piura, provincia: Sullana 1767
## 161 2007.0 Piura, provincia: Talara 1059
## 162 2008.0 Piura, provincia: Sechura 375
## 163 2101.0 Puno, provincia: Puno 815
## 164 2102.0 Puno, provincia: Azángaro 196
## 165 2103.0 Puno, provincia: Carabaya 109
## 166 2104.0 Puno, provincia: Chucuito 128
## 167 2105.0 Puno, provincia: El Collao 143
## 168 2106.0 Puno, provincia: Huancané 105
## 169 2107.0 Puno, provincia: Lampa 82
## 170 2108.0 Puno, provincia: Melgar 178
## 171 2109.0 Puno, provincia: Moho 40
## 172 2110.0 Puno, provincia: San Antonio de Putina 126
## 173 2111.0 Puno, provincia: San Román 1644
## 174 2112.0 Puno, provincia: Sandia 79
## 175 2113.0 Puno, provincia: Yunguyo 65
## 176 2201.0 San Martín, provincia: Moyobamba 787
## 177 2202.0 San Martín, provincia: Bellavista 186
## 178 2203.0 San Martín, provincia: El Dorado 84
## 179 2204.0 San Martín, provincia: Huallaga 110
## 180 2205.0 San Martín, provincia: Lamas 381
## 181 2206.0 San Martín, provincia: Mariscal Cáceres 274
## 182 2207.0 San Martín, provincia: Picota 83
## 183 2208.0 San Martín, provincia: Rioja 448
## 184 2209.0 San Martín, provincia: San Martín 1693
## 185 2210.0 San Martín, provincia: Tocache 506
## 186 2301.0 Tacna, provincia: Tacna 2715
## 187 2302.0 Tacna, provincia: Candarave 25
## 188 2303.0 Tacna, provincia: Jorge Basadre 698
## 189 2304.0 Tacna, provincia: Tarata 25
## 190 2401.0 Tumbes, provincia: Tumbes 1506
## 191 2402.0 Tumbes, provincia: Contralmirante Villar 110
## 192 2403.0 Tumbes, provincia: Zarumilla 289
## 193 2501.0 Ucayali, provincia: Coronel Portillo 2017
## 194 2502.0 Ucayali, provincia: Atalaya 87
## 195 2503.0 Ucayali, provincia: Padre Abad 168
## 196 2504.0 Ucayali, provincia: Purús 1
## 197 TOTAL <NA> 253223
## Sí usa gas (balón GLP) Sí usa carbón Sí usa leña
## 1 10641 176 8101
## 2 9917 289 13117
## 3 4659 58 5468
## 4 1536 26 8808
## 5 6339 33 11369
## 6 3781 26 7344
## 7 16078 335 20713
## 8 30307 218 21501
## 9 478 4 1786
## 10 776 4 3576
## 11 787 7 2184
## 12 2408 97 5416
## 13 3614 22 11383
## 14 859 7 4954
## 15 10021 189 7151
## 16 510 7 1882
## 17 3527 30 14431
## 18 7350 198 2684
## 19 5599 32 11351
## 20 560 6 5939
## 21 653 14 2240
## 22 802 63 6305
## 23 1072 13 6653
## 24 1838 18 4373
## 25 111257 1424 15566
## 26 1235 15 7167
## 27 4790 40 12745
## 28 24149 159 17410
## 29 16340 106 32798
## 30 1486 13 3159
## 31 4173 33 7561
## 32 5051 105 9752
## 33 3157 35 12289
## 34 2088 20 6228
## 35 305020 1385 29231
## 36 16702 70 2697
## 37 10537 56 2402
## 38 7942 60 5322
## 39 23328 137 9675
## 40 3111 12 2486
## 41 14388 51 2616
## 42 1785 18 3686
## 43 54658 326 37592
## 44 3793 43 9283
## 45 1488 12 2552
## 46 13678 68 18016
## 47 8378 44 16016
## 48 7784 78 13201
## 49 4748 38 4891
## 50 1565 13 2566
## 51 1228 9 2895
## 52 2561 17 6423
## 53 1528 13 5696
## 54 55831 991 53369
## 55 6724 34 17790
## 56 6299 106 20364
## 57 13889 589 37302
## 58 3081 31 6774
## 59 11372 342 30545
## 60 5871 199 21832
## 61 32703 597 27581
## 62 13614 139 29531
## 63 4825 48 13077
## 64 3463 48 13835
## 65 1431 11 6000
## 66 2876 101 10103
## 67 231363 2212 5806
## 68 115560 2756 15036
## 69 2757 42 6314
## 70 7704 105 13844
## 71 8488 135 13461
## 72 2211 32 2102
## 73 18212 395 15428
## 74 6727 100 10536
## 75 10593 53 2217
## 76 21308 167 30059
## 77 2529 56 7367
## 78 3481 63 10564
## 79 11125 456 16731
## 80 9165 118 10643
## 81 17022 123 17788
## 82 3417 47 9792
## 83 4076 23 10556
## 84 1605 23 4086
## 85 2133 17 8821
## 86 1808 30 4811
## 87 6667 49 21426
## 88 54165 732 33513
## 89 7303 48 11095
## 90 2246 29 8271
## 91 478 4 4128
## 92 2708 48 13495
## 93 22915 367 16536
## 94 1834 25 6358
## 95 4828 28 11499
## 96 4089 58 5746
## 97 760 43 3755
## 98 638 24 5933
## 99 83660 870 15197
## 100 46211 217 8993
## 101 15670 216 4078
## 102 2735 29 1966
## 103 31368 193 6650
## 104 128168 1171 39767
## 105 7842 66 11215
## 106 27129 267 21399
## 107 14867 100 16047
## 108 5402 110 1978
## 109 17819 382 38371
## 110 20843 303 12124
## 111 9086 56 975
## 112 9880 107 9138
## 113 228445 2718 28827
## 114 27273 191 6203
## 115 775 5 3679
## 116 17608 671 7225
## 117 3524 34 8207
## 118 5238 792 20543
## 119 25066 584 7703
## 120 6014 36 14951
## 121 12691 912 32222
## 122 2587 1950 11022
## 123 3368 13 6369
## 124 16469 122 10444
## 125 188870 19763 20911
## 126 16413 1724 11671
## 127 47709 10244 32040
## 128 1838168 24420 43904
## 129 36278 318 6625
## 130 609 19 1898
## 131 2615 26 1880
## 132 59624 711 14105
## 133 44190 875 11358
## 134 12151 289 7423
## 135 56121 1051 11687
## 136 2746 923 2053
## 137 2657 16 5492
## 138 68689 20179 32500
## 139 13622 2272 17605
## 140 3236 1150 10891
## 141 2708 321 8812
## 142 2741 1015 10354
## 143 3781 287 9582
## 144 2255 141 8778
## 145 427 24 1447
## 146 25588 6626 2990
## 147 3214 708 1982
## 148 2145 954 637
## 149 22561 146 7275
## 150 1981 14 5249
## 151 22269 83 657
## 152 25640 328 9014
## 153 3112 244 7490
## 154 12791 120 14088
## 155 147390 29288 58210
## 156 8635 1067 27359
## 157 7220 481 28455
## 158 24943 2877 27993
## 159 27302 9665 3838
## 160 61501 22802 12948
## 161 33251 6134 585
## 162 14810 4650 6588
## 163 48611 293 19821
## 164 15275 121 5222
## 165 8844 272 13122
## 166 14034 310 12410
## 167 13694 154 4969
## 168 11505 122 8501
## 169 7401 55 3463
## 170 12164 79 1777
## 171 2351 21 5572
## 172 6884 45 1781
## 173 78984 613 16424
## 174 7432 79 16754
## 175 7660 85 9459
## 176 22112 270 18753
## 177 7404 123 9890
## 178 3704 90 7585
## 179 4622 33 5530
## 180 10975 237 16835
## 181 10953 163 9970
## 182 5977 154 7461
## 183 21761 243 19974
## 184 42260 1061 15204
## 185 12041 106 10010
## 186 85374 1843 12399
## 187 708 11 2249
## 188 1751 43 1253
## 189 633 6 2140
## 190 38232 1846 4993
## 191 4756 920 1055
## 192 12107 294 2390
## 193 73151 7339 29621
## 194 3814 250 9142
## 195 10056 292 8047
## 196 116 88 510
## 197 5761001 219647 2282423names(filtered_data1)## [1] "Código" "Provincia" "Sí usa electricidad"
## [4] "Sí usa gas (balón GLP)" "Sí usa carbón" "Sí usa leña"# Instalar y cargar el paquete necesario
library(polycor)
# Supongamos que `filtered_data1` es tu DataFrame filtrado
# Convertir variables de tipo carácter a factores
filtered_data1[] <- lapply(filtered_data1, function(x) {
if (is.character(x)) as.factor(x) else x
})
# Verificar si hay alguna variable no numérica o factor
sapply(filtered_data1, class)## Código Provincia Sí usa electricidad
## "factor" "factor" "numeric"
## Sí usa gas (balón GLP) Sí usa carbón Sí usa leña
## "numeric" "numeric" "numeric"# Eliminar la columna "Código"
filtered_data1 <- filtered_data1[ , !(names(filtered_data1) %in% "Código")]
# Eliminar la fila "TOTAL"
# Suponiendo que la fila "TOTAL" es la última fila del dataframe
filtered_data1 <- filtered_data1[-nrow(filtered_data1), ]
# Mostrar los primeros datos para verificar los cambios
head(filtered_data1)## Provincia Sí usa electricidad
## 1 Amazonas, provincia: Chachapoyas 574
## 2 Amazonas, provincia: Bagua 161
## 3 Amazonas, provincia: Bongara 124
## 4 Amazonas, provincia: Condorcanqui 14
## 5 Amazonas, provincia: Luya 90
## 6 Amazonas, provincia: Rodríguez de Mendoza 65
## Sí usa gas (balón GLP) Sí usa carbón Sí usa leña
## 1 10641 176 8101
## 2 9917 289 13117
## 3 4659 58 5468
## 4 1536 26 8808
## 5 6339 33 11369
## 6 3781 26 7344dontselect=c("Código","Provincia")
select=setdiff(names(filtered_data1),dontselect)
theData=filtered_data1[,select]
# usaremos:
library(magrittr)
head(filtered_data1,10)%>%
rmarkdown::paged_table()library(polycor)
corMatrix= polycor::hetcor(filtered_data1)$correlationslibrary(ggcorrplot)## Cargando paquete requerido: ggplot2ggcorrplot(corMatrix)
library(psych)##
## Adjuntando el paquete: 'psych'## The following objects are masked from 'package:ggplot2':
##
## %+%, alpha## The following object is masked from 'package:polycor':
##
## polyserialpsych::KMO(corMatrix) ## Kaiser-Meyer-Olkin factor adequacy
## Call: psych::KMO(r = corMatrix)
## Overall MSA = 0.56
## MSA for each item =
## Provincia Sí usa electricidad Sí usa gas (balón GLP)
## 0.42 0.52 0.53
## Sí usa carbón Sí usa leña
## 0.80 0.50# Eliminar la columna "Provincia" de la matriz de correlación
corMatrix_SP <- corMatrix[ , !(colnames(corMatrix) %in% "Provincia")]
# Cargar el paquete psych si no está cargado
if(!require(psych)) install.packages("psych")
library(psych)
# Aplicar el test de KMO en la nueva matriz de correlación
kmo_result <- KMO(corMatrix_SP)
# Mostrar el resultado del test de KMO
print(kmo_result)## Kaiser-Meyer-Olkin factor adequacy
## Call: KMO(r = corMatrix_SP)
## Overall MSA = 0.19
## MSA for each item =
## Sí usa electricidad Sí usa gas (balón GLP) Sí usa carbón
## 0.29 0.29 0.09
## Sí usa leña
## 0.02cortest.bartlett(corMatrix,n=nrow(filtered_data1))$p.value>0.05## [1] FALSElibrary(matrixcalc)
is.singular.matrix(corMatrix)## [1] FALSE# Supongamos que `filtered_data1` es tu DataFrame
# Eliminar la columna 'Provincia'
filtered_data1 <- subset(filtered_data1, select = -Provincia)
# Mostrar el DataFrame actualizado
print(filtered_data1)## Sí usa electricidad Sí usa gas (balón GLP) Sí usa carbón Sí usa leña
## 1 574 10641 176 8101
## 2 161 9917 289 13117
## 3 124 4659 58 5468
## 4 14 1536 26 8808
## 5 90 6339 33 11369
## 6 65 3781 26 7344
## 7 255 16078 335 20713
## 8 921 30307 218 21501
## 9 16 478 4 1786
## 10 33 776 4 3576
## 11 12 787 7 2184
## 12 81 2408 97 5416
## 13 122 3614 22 11383
## 14 19 859 7 4954
## 15 370 10021 189 7151
## 16 17 510 7 1882
## 17 123 3527 30 14431
## 18 193 7350 198 2684
## 19 142 5599 32 11351
## 20 14 560 6 5939
## 21 26 653 14 2240
## 22 24 802 63 6305
## 23 28 1072 13 6653
## 24 53 1838 18 4373
## 25 4473 111257 1424 15566
## 26 50 1235 15 7167
## 27 120 4790 40 12745
## 28 490 24149 159 17410
## 29 447 16340 106 32798
## 30 31 1486 13 3159
## 31 69 4173 33 7561
## 32 197 5051 105 9752
## 33 89 3157 35 12289
## 34 37 2088 20 6228
## 35 11031 305020 1385 29231
## 36 537 16702 70 2697
## 37 218 10537 56 2402
## 38 110 7942 60 5322
## 39 488 23328 137 9675
## 40 28 3111 12 2486
## 41 432 14388 51 2616
## 42 34 1785 18 3686
## 43 1685 54658 326 37592
## 44 90 3793 43 9283
## 45 33 1488 12 2552
## 46 369 13678 68 18016
## 47 231 8378 44 16016
## 48 181 7784 78 13201
## 49 67 4748 38 4891
## 50 45 1565 13 2566
## 51 16 1228 9 2895
## 52 80 2561 17 6423
## 53 49 1528 13 5696
## 54 1513 55831 991 53369
## 55 176 6724 34 17790
## 56 181 6299 106 20364
## 57 360 13889 589 37302
## 58 47 3081 31 6774
## 59 220 11372 342 30545
## 60 189 5871 199 21832
## 61 806 32703 597 27581
## 62 143 13614 139 29531
## 63 105 4825 48 13077
## 64 89 3463 48 13835
## 65 21 1431 11 6000
## 66 60 2876 101 10103
## 67 12109 231363 2212 5806
## 68 3968 115560 2756 15036
## 69 118 2757 42 6314
## 70 127 7704 105 13844
## 71 112 8488 135 13461
## 72 38 2211 32 2102
## 73 192 18212 395 15428
## 74 182 6727 100 10536
## 75 150 10593 53 2217
## 76 482 21308 167 30059
## 77 35 2529 56 7367
## 78 58 3481 63 10564
## 79 235 11125 456 16731
## 80 132 9165 118 10643
## 81 312 17022 123 17788
## 82 70 3417 47 9792
## 83 87 4076 23 10556
## 84 35 1605 23 4086
## 85 57 2133 17 8821
## 86 29 1808 30 4811
## 87 195 6667 49 21426
## 88 1817 54165 732 33513
## 89 152 7303 48 11095
## 90 40 2246 29 8271
## 91 16 478 4 4128
## 92 54 2708 48 13495
## 93 494 22915 367 16536
## 94 37 1834 25 6358
## 95 129 4828 28 11499
## 96 53 4089 58 5746
## 97 16 760 43 3755
## 98 26 638 24 5933
## 99 2878 83660 870 15197
## 100 1814 46211 217 8993
## 101 1088 15670 216 4078
## 102 56 2735 29 1966
## 103 1027 31368 193 6650
## 104 3266 128168 1171 39767
## 105 127 7842 66 11215
## 106 738 27129 267 21399
## 107 242 14867 100 16047
## 108 38 5402 110 1978
## 109 367 17819 382 38371
## 110 388 20843 303 12124
## 111 452 9086 56 975
## 112 152 9880 107 9138
## 113 11014 228445 2718 28827
## 114 721 27273 191 6203
## 115 35 775 5 3679
## 116 478 17608 671 7225
## 117 28 3524 34 8207
## 118 208 5238 792 20543
## 119 914 25066 584 7703
## 120 185 6014 36 14951
## 121 312 12691 912 32222
## 122 81 2587 1950 11022
## 123 74 3368 13 6369
## 124 408 16469 122 10444
## 125 7042 188870 19763 20911
## 126 268 16413 1724 11671
## 127 1181 47709 10244 32040
## 128 125199 1838168 24420 43904
## 129 1140 36278 318 6625
## 130 18 609 19 1898
## 131 59 2615 26 1880
## 132 1986 59624 711 14105
## 133 1662 44190 875 11358
## 134 338 12151 289 7423
## 135 2745 56121 1051 11687
## 136 58 2746 923 2053
## 137 53 2657 16 5492
## 138 2835 68689 20179 32500
## 139 446 13622 2272 17605
## 140 97 3236 1150 10891
## 141 78 2708 321 8812
## 142 113 2741 1015 10354
## 143 94 3781 287 9582
## 144 49 2255 141 8778
## 145 4 427 24 1447
## 146 877 25588 6626 2990
## 147 50 3214 708 1982
## 148 66 2145 954 637
## 149 1155 22561 146 7275
## 150 35 1981 14 5249
## 151 860 22269 83 657
## 152 404 25640 328 9014
## 153 43 3112 244 7490
## 154 246 12791 120 14088
## 155 5441 147390 29288 58210
## 156 158 8635 1067 27359
## 157 228 7220 481 28455
## 158 603 24943 2877 27993
## 159 726 27302 9665 3838
## 160 1767 61501 22802 12948
## 161 1059 33251 6134 585
## 162 375 14810 4650 6588
## 163 815 48611 293 19821
## 164 196 15275 121 5222
## 165 109 8844 272 13122
## 166 128 14034 310 12410
## 167 143 13694 154 4969
## 168 105 11505 122 8501
## 169 82 7401 55 3463
## 170 178 12164 79 1777
## 171 40 2351 21 5572
## 172 126 6884 45 1781
## 173 1644 78984 613 16424
## 174 79 7432 79 16754
## 175 65 7660 85 9459
## 176 787 22112 270 18753
## 177 186 7404 123 9890
## 178 84 3704 90 7585
## 179 110 4622 33 5530
## 180 381 10975 237 16835
## 181 274 10953 163 9970
## 182 83 5977 154 7461
## 183 448 21761 243 19974
## 184 1693 42260 1061 15204
## 185 506 12041 106 10010
## 186 2715 85374 1843 12399
## 187 25 708 11 2249
## 188 698 1751 43 1253
## 189 25 633 6 2140
## 190 1506 38232 1846 4993
## 191 110 4756 920 1055
## 192 289 12107 294 2390
## 193 2017 73151 7339 29621
## 194 87 3814 250 9142
## 195 168 10056 292 8047
## 196 1 116 88 510fa.parallel(filtered_data1, fa = 'fa',correct = T,plot = F)## Warning in fa.stats(r = r, f = f, phi = phi, n.obs = n.obs, np.obs = np.obs, :
## The estimated weights for the factor scores are probably incorrect. Try a
## different factor score estimation method.## Warning in fac(r = r, nfactors = nfactors, n.obs = n.obs, rotate = rotate, : An
## ultra-Heywood case was detected. Examine the results carefully## Parallel analysis suggests that the number of factors = 2 and the number of components = NAlibrary(GPArotation)##
## Adjuntando el paquete: 'GPArotation'## The following objects are masked from 'package:psych':
##
## equamax, variminresfa <- fa(filtered_data1,
nfactors = 2,
cor = 'mixed',
rotate = "varimax", #oblimin?
fm="minres")
print(resfa$loadings)##
## Loadings:
## MR1 MR2
## Sí usa electricidad 0.968 0.242
## Sí usa gas (balón GLP) 0.942 0.330
## Sí usa carbón 0.365 0.554
## Sí usa leña 0.130 0.667
##
## MR1 MR2
## SS loadings 1.974 0.919
## Proportion Var 0.494 0.230
## Cumulative Var 0.494 0.723print(resfa$loadings,cutoff = 0.5)##
## Loadings:
## MR1 MR2
## Sí usa electricidad 0.968
## Sí usa gas (balón GLP) 0.942
## Sí usa carbón 0.554
## Sí usa leña 0.667
##
## MR1 MR2
## SS loadings 1.974 0.919
## Proportion Var 0.494 0.230
## Cumulative Var 0.494 0.723sort(resfa$communality)## Sí usa carbón Sí usa leña Sí usa electricidad
## 0.4403367 0.4614097 0.9956021
## Sí usa gas (balón GLP)
## 0.9957009sort(resfa$complexity)## Sí usa leña Sí usa electricidad Sí usa gas (balón GLP)
## 1.075937 1.123976 1.242461
## Sí usa carbón
## 1.731230