1406
Valentina Nauchi
2024-06-14
setwd("C:/Trabajo grupal Tucaloza y Valentini/F00017014-Latinobarometro_2023_Rdata_v1_0 (1)")#Exportamos la data
library(rio)
data1 = import("Latinobarometro2023.rdata")data1$idenpa=as.factor(data1$idenpa)
data1$idenpa=factor(data1$idenpa,
levels = levels(data1$idenpa),
labels = c("Argentina", "Bolivia", "Brasil", "Colombia", "Costa Rica" , "Chile" , "Ecuador", "El Salvador", "Guatemala", "Honduras", "México", "Nicaragua", "Panamá", "Paraguay", "Perú", "Uruguay", "Venezuela"),
ordered = F)Filtramos para tener solamente los datos de PERÚ
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionperu <- data1 %>%
filter(idenpa=="Perú")names(peru)=gsub(pattern = "NUMENTRE",
replacement = "NumEntre",x = names(peru))Ahora: Renombramos las variables y nos quedamos con los datos de nuestro interés
#VARIABLES INDEPENDIENTES Satisfacción con la democracia
names(peru)=gsub(pattern = "P11STGBS.A",
replacement = "satis_dem",
x = names(peru))table(peru$satis_dem)##
## -2 -1 1 2 3 4
## 4 12 46 49 577 512library(dplyr)
peru = peru %>%
filter(satis_dem %in% c(1,2,3,4))table(peru$satis_dem)##
## 1 2 3 4
## 46 49 577 512Creencias
names(peru)=gsub(pattern = "P10STGB",
replacement = "creencias",
x = names(peru))library(dplyr)
peru = peru %>%
filter(creenciasS %in% c(1,2,3))#VARIABLES DE CONTROL #ETNIA
names(peru)=gsub(pattern = "S7",
replacement = "etnia",
x = names(peru))library(dplyr)
peru = peru %>%
filter(etnia %in% c(2,3,4,6))
table(peru$etnia)##
## 2 3 4 6
## 30 80 857 61#CLASE SOCIAL - ESTRATO
names(peru)=gsub(pattern = "S2",
replacement = "estrato",
x = names(peru))library(dplyr)
peru = peru %>%
filter(estrato %in% c(1,2,3,4,5))
table(peru$estrato)##
## 1 2 3 4 5
## 22 58 428 332 171#PARTIDO POLITICO - FAMPART #En el caso de esta variable, al tener muchas categorías lo que estamos haciendo es separar los datos en “Si se identidifica con un partido político” = 1, “No se identifica con ningún partido político” = 0
names(peru)=gsub(pattern = "fampart",
replacement = "partido_pol",
x = names(peru))table(peru$partido_pol)##
## 0 20 30 40 50 60 70 80 98
## 821 15 8 34 29 89 11 2 2library(dplyr)
peru = peru %>%
filter(partido_pol %in% c(0,20,30,40,50,60,70,80,98))table(peru$partido_pol)##
## 0 20 30 40 50 60 70 80 98
## 821 15 8 34 29 89 11 2 2Ya que esta variable tiene muchas categorías, haremos una condición: Si pertene a un partido político será 1 de lo contrario será 0
peru$partido_pol <- ifelse(peru$partido_pol != 0, 1, 0)
table(peru$partido_pol)##
## 0 1
## 821 190#VARIABLE DEPENDIENTE - CONFIANZA EN LAS INSTITUCIONES
names(peru)=gsub(pattern = "P13ST.D",
replacement = "Congreso",
x = names(peru))names(peru)=gsub(pattern = "P13ST.E",
replacement = "Gobierno",
x = names(peru))names(peru)=gsub(pattern = "P13ST.G",
replacement = "Partidos_Politicos",
x = names(peru))names(peru)=gsub(pattern = "P13ST.I",
replacement = "Presidente",
x = names(peru))#DATOS PERDIDOS
total_na <- sum(is.na(peru))
print(paste("Total de valores NA:", total_na))## [1] "Total de valores NA: 0"table(peru$Congreso)##
## -2 1 2 3 4
## 1 11 42 248 709library(dplyr)
peru = peru %>%
filter(Congreso %in% c(1,2,3,4))
table(peru$Congreso)##
## 1 2 3 4
## 11 42 248 709table(peru$Gobierno)##
## -1 1 2 3 4
## 1 16 80 298 615library(dplyr)
peru = peru %>%
filter(Gobierno %in% c(1,2,3,4))
table(peru$Gobierno)##
## 1 2 3 4
## 16 80 298 615table(peru$Partidos_Politicos)##
## -1 1 2 3 4
## 1 19 61 266 662library(dplyr)
peru = peru %>%
filter(Partidos_Politicos %in% c(1,2,3,4))
table(peru$Partidos_Politicos)##
## 1 2 3 4
## 19 61 266 662table(peru$Presidente)##
## -1 1 2 3 4
## 2 17 110 266 613library(dplyr)
peru = peru %>%
filter(Presidente %in% c(1,2,3,4))
table(peru$Presidente)##
## 1 2 3 4
## 17 110 266 613library(writexl)
MIPAIS <- peru [,c("numentre","satis_dem", "creenciasS", "etnia", "estrato", "partido_pol", "Congreso", "Gobierno", "Partidos_Politicos", "Presidente")]#EFA 2
names(MIPAIS)## [1] "numentre" "satis_dem" "creenciasS"
## [4] "etnia" "estrato" "partido_pol"
## [7] "Congreso" "Gobierno" "Partidos_Politicos"
## [10] "Presidente"dontselect=c("numentre","satis_dem","creenciasS","etnia","estrato", "partido_pol")
select=setdiff(names(MIPAIS),dontselect)
DF=MIPAIS[,select]
# usaremos:
library(magrittr)
head(DF,10)%>%
rmarkdown::paged_table()#Calculemos las correlaciones entre todas las variables
DF$Congreso= as.numeric(DF$Congreso)
DF$Gobierno= as.numeric(DF$Gobierno)
DF$Partidos_Politicos= as.numeric(DF$Partidos_Politicos)
DF$Presidente= as.numeric(DF$Presidente)library(polycor)corMatrix=polycor::hetcor(DF)$correlationsround(corMatrix,2)## Congreso Gobierno Partidos_Politicos Presidente
## Congreso 1.00 0.59 0.46 0.45
## Gobierno 0.59 1.00 0.45 0.64
## Partidos_Politicos 0.46 0.45 1.00 0.37
## Presidente 0.45 0.64 0.37 1.00library(ggcorrplot)## Loading required package: ggplot2ggcorrplot(corMatrix)
library(psych)##
## Attaching package: 'psych'## The following objects are masked from 'package:ggplot2':
##
## %+%, alpha## The following object is masked from 'package:polycor':
##
## polyserialpsych::KMO(corMatrix) ## Kaiser-Meyer-Olkin factor adequacy
## Call: psych::KMO(r = corMatrix)
## Overall MSA = 0.75
## MSA for each item =
## Congreso Gobierno Partidos_Politicos Presidente
## 0.78 0.70 0.84 0.74cortest.bartlett(corMatrix,n=nrow(DF))$p.value>0.05## [1] FALSElibrary(matrixcalc)
is.singular.matrix(corMatrix)## [1] FALSEfa.parallel(DF, fa = 'fa',correct = T,plot = F)## Parallel analysis suggests that the number of factors = 2 and the number of components = NAlibrary(GPArotation)##
## Attaching package: 'GPArotation'## The following objects are masked from 'package:psych':
##
## equamax, variminresfa <- fa(DF,
nfactors = 1,
cor = 'mixed',
rotate = "varimax", #oblimin?
fm="minres")
print(resfa$loadings)##
## Loadings:
## MR1
## Congreso 0.811
## Gobierno 0.923
## Partidos_Politicos 0.676
## Presidente 0.773
##
## MR1
## SS loadings 2.562
## Proportion Var 0.641sort(resfa$communality)## Partidos_Politicos Presidente Congreso Gobierno
## 0.4568818 0.5971540 0.6571722 0.8510519regresFactors=as.data.frame(resfa$scores)%>%head()MIPAIS$confianza_instituciones <- resfa$scores
head(MIPAIS)## numentre satis_dem creenciasS etnia estrato partido_pol Congreso Gobierno
## 15605 541 3 1 4 3 0 3 3
## 15606 904 3 1 4 3 1 3 3
## 15607 853 4 2 4 5 0 4 4
## 15609 32 4 1 3 4 0 4 4
## 15610 854 4 1 4 5 1 4 4
## 15611 94 4 1 4 3 0 4 4
## Partidos_Politicos Presidente MR1
## 15605 3 3 -0.9947508
## 15606 3 3 -0.9947508
## 15607 4 4 0.8399561
## 15609 4 4 0.8399561
## 15610 4 4 0.8399561
## 15611 4 4 0.8399561names(MIPAIS)=gsub(pattern = "confianza_instituciones",
replacement = "conf_inst",
x = names(MIPAIS))#Rescale confianza en las instituciones
range(MIPAIS$conf_inst, na.rm = TRUE)## [1] -4.6641645 0.8399561MIPAIS$confianza <- cut(
MIPAIS$conf_inst,
breaks = 10, # Dividir en 10 categorías
labels = 1:10, # Etiquetar las categorías del 1 al 10
include.lowest = TRUE # Incluir el valor mínimo en la primera categoría
)
# Convertir a numérica si es necesario
MIPAIS$confianza <- as.numeric(as.character(MIPAIS$confianza))
# Verificar los primeros registros para asegurarse de que la recategorización funcionó
head(MIPAIS[, c("conf_inst", "confianza")])## MR1 confianza
## 15605 -0.9947508 7
## 15606 -0.9947508 7
## 15607 0.8399561 10
## 15609 0.8399561 10
## 15610 0.8399561 10
## 15611 0.8399561 10table(MIPAIS$confianza)##
## 1 2 3 4 5 6 7 8 9 10
## 5 1 5 22 26 37 121 105 151 533#Crear una columna que indique: Si el puntaje es >=7 sí confia (1) de lo contrario no confía (0)
MIPAIS$confia <- ifelse(MIPAIS$confianza >= 7, "1", "0")
head(MIPAIS[, c("confianza", "confia")])## confianza confia
## 15605 7 1
## 15606 7 1
## 15607 10 1
## 15609 10 1
## 15610 10 1
## 15611 10 1library(writexl) write_xlsx(MIPAIS, “MiPais-Completo.xlsx”)
library(writexl)
DATAFINAL <- MIPAIS [,c("numentre","satis_dem", "creenciasS", "etnia", "estrato", "partido_pol", "confianza", "confia")]Descargamos nuestra data final para realizar nuestras regresiones
write_xlsx(DATAFINAL, "perufinal.xlsx")#REGRESIÓN LINEAL MULTIPLE
library(rio)
PERU= import("perufinal.xlsx")str(PERU)## 'data.frame': 1006 obs. of 8 variables:
## $ numentre : num 541 904 853 32 854 ...
## $ satis_dem : num 3 3 4 4 4 4 3 3 2 4 ...
## $ creenciasS : num 1 1 2 1 1 1 2 3 1 1 ...
## $ etnia : num 4 4 4 3 4 4 3 4 4 4 ...
## $ estrato : num 3 3 5 4 5 3 4 4 3 4 ...
## $ partido_pol: num 0 1 0 0 1 0 0 0 0 1 ...
## $ confianza : num 7 7 10 10 10 10 7 6 7 10 ...
## $ confia : chr "1" "1" "1" "1" ...#Hacemos un summary de nuestra variable de interes “Confianza”
summary(PERU$confianza)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 8.000 10.000 8.785 10.000 10.000library(DescTools)##
## Attaching package: 'DescTools'## The following objects are masked from 'package:psych':
##
## AUC, ICC, SDallStats=c(summary(PERU$confianza),
sd=sd(PERU$confianza),
skew=Skew(PERU$confianza),
kurt=Kurt(PERU$confianza),
cv=CoefVar(PERU$confianza))
allStats## Min. 1st Qu. Median Mean 3rd Qu. Max. sd
## 1.0000000 8.0000000 10.0000000 8.7852883 10.0000000 10.0000000 1.7056016
## skew kurt cv
## -1.6113072 2.5934197 0.1941429library(ggplot2)
base=ggplot(data=PERU,
aes(x=confianza))
histogram= base + geom_histogram(aes(y = after_stat(density)),
colour = 1, fill = "pink",bins=10) +
stat_function(fun = dnorm,
args = list(mean = allStats['Mean'],
sd = allStats['sd']),col='red')
histogram
#PARA CORRELACIÓN, VERIFICAMOS QUE NUESTRAS VARIABLES SEAN NUMERICAS
#SATISFACCIÓN DE LA DEMOCRACIA
PERU$satis_dem=as.numeric(PERU$satis_dem)
class(PERU$satis_dem)## [1] "numeric"#HACEMOS EL CORTEST
library(ggplot2)
cor_test_result <- cor.test(PERU$confianza, PERU$satis_dem)
cor_test_result##
## Pearson's product-moment correlation
##
## data: PERU$confianza and PERU$satis_dem
## t = 12.425, df = 1004, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.3102457 0.4174425
## sample estimates:
## cor
## 0.3650534#CREENCIAS
PERU$creenciasS = as.numeric(PERU$creenciasS) #Ya es numérica #realizamos el cortest
library(ggplot2)
cor_test_result2 <- cor.test(PERU$confianza, PERU$creenciasS)
cor_test_result2##
## Pearson's product-moment correlation
##
## data: PERU$confianza and PERU$creenciasS
## t = 3.4981, df = 1004, p-value = 0.0004891
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.04825259 0.17038541
## sample estimates:
## cor
## 0.1097332library(corrplot)## corrplot 0.92 loaded# Selecciona las columnas específicas
selected_columns <- PERU[, c("satis_dem", "confianza", "creenciasS")]
# Asegúrate de que todas las columnas seleccionadas sean numéricas
selected_columns <- selected_columns[, sapply(selected_columns, is.numeric)]
# Calcula la matriz de correlación para las columnas seleccionadas
cor_matrix <- cor(selected_columns, use = "complete.obs")
# Muestra la matriz de correlación
print(cor_matrix)## satis_dem confianza creenciasS
## satis_dem 1.0000000 0.3650534 0.1224376
## confianza 0.3650534 1.0000000 0.1097332
## creenciasS 0.1224376 0.1097332 1.0000000# Opcional: Visualiza la matriz de correlación usando corrplot
corrplot(cor_matrix, method = "color", tl.col = "black", tl.srt = 45)
#GRAFICOS DE CORRELACIÓN CON ANOVA
Tenemos 1 variable dependiente que es CONFIANZA EN LAS INSTITUCIOENS, y las dos variables independientes son CATEGORICAS, CREENCIAS Y SATIS_DEM. En ese caso utilizaremos, un prueba de ANOVA para ver la diferencia de medias entre los grupos.
# ANOVA para satisfacción con la democracia
anova_satis_dem <- aov(confianza ~ satis_dem, data = PERU)
summary(anova_satis_dem)## Df Sum Sq Mean Sq F value Pr(>F)
## satis_dem 1 389.6 389.6 154.4 <2e-16 ***
## Residuals 1004 2534.0 2.5
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1anova_creenciasS <- aov(confianza ~ creenciasS, data = PERU)
summary(anova_creenciasS)## Df Sum Sq Mean Sq F value Pr(>F)
## creenciasS 1 35.2 35.20 12.24 0.000489 ***
## Residuals 1004 2888.4 2.88
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1#PARA GRAFICOS
# Calcular las medias y errores estándar
df_summary_satis <- PERU %>%
group_by(satis_dem) %>%
summarise(
mean_confianza = mean(confianza, na.rm = TRUE),
se_confianza = sd(confianza, na.rm = TRUE) / sqrt(n())
)
df_summary_creencias <- PERU %>%
group_by(creenciasS) %>%
summarise(
mean_confianza = mean(confianza, na.rm = TRUE),
se_confianza = sd(confianza, na.rm = TRUE) / sqrt(n())
)# Gráfico de barras para satisfacción con la democracia
ggplot(df_summary_satis, aes(x = satis_dem, y = mean_confianza)) +
geom_bar(stat = "identity", fill = "skyblue") +
geom_errorbar(aes(ymin = mean_confianza - se_confianza, ymax = mean_confianza + se_confianza), width = 0.2) +
theme_minimal() +
labs(title = "Media de la Confianza por Satisfacción con la Democracia",
x = "Satisfacción con la Democracia",
y = "Media de la Confianza")+scale_y_continuous(limits = c(0, max(df_summary_satis$mean_confianza + df_summary_satis$se_confianza) * 1.1))
# Gráfico de barras para creencias
ggplot(df_summary_creencias, aes(x = creenciasS, y = mean_confianza)) +
geom_bar(stat = "identity", fill = "pink") +
geom_errorbar(aes(ymin = mean_confianza - se_confianza, ymax = mean_confianza + se_confianza), width = 0.2) +
theme_minimal() +
labs(title = "Media de la Confianza por Creencias",
x = "Creencias",
y = "Media de la Confianza")+scale_y_continuous(limits = c(0, max(df_summary_creencias$mean_confianza + df_summary_creencias$se_confianza) * 1.1))
# hipotesis en R
modelo1=formula(confianza~ satis_dem + etnia + estrato + partido_pol + creenciasS)reg1=lm(modelo1,data=PERU)#LINEALIDAD
# linea roja debe tender a horizontal
plot(reg1, 1)
#HOMOCEDASTICIDAD
# linea roja debe tender a horizontal
plot(reg1, 3)
library(lmtest)## Loading required package: zoo##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric# null: modelo homocedastico
resBP=bptest(reg1)
data.frame(list('BP'=resBP$statistic,
'df'=resBP$parameter,
"p-value"=resBP$p.value))## BP df p.value
## BP 57.79099 5 3.473757e-11#NORMALIDAD DE RESIDUOS
# puntos cerca a la diagonal?
plot(reg1, 2)
#NULL: Datos se distribuyen de manera normal
resSW=shapiro.test(reg1$residuals)
data.frame(list('SW'=resSW$statistic,
"p-value"=resSW$p.value))## SW p.value
## W 0.898673 3.125903e-25#NO MULTUCOLINEALIDAD
library(DescTools)
# > 5 es problematico
VIF(reg1) ## satis_dem etnia estrato partido_pol creenciasS
## 1.032962 1.001280 1.012560 1.013156 1.020213#VALORES INFLUYENTES
plot(reg1, 5)
checkReg2=as.data.frame(influence.measures(reg1)$is.inf)
checkReg2[checkReg2$cook.d & checkReg2$hat,c('cook.d','hat')]## [1] cook.d hat
## <0 rows> (or 0-length row.names)Lo que queremos ver en esta regresión es que tanto influyen las variables independientes en la confianza en las instituciones. Entonces tomaremos satis_dem , creenciasS, etnia, estrato, partido_pol
str(PERU)## 'data.frame': 1006 obs. of 8 variables:
## $ numentre : num 541 904 853 32 854 ...
## $ satis_dem : num 3 3 4 4 4 4 3 3 2 4 ...
## $ creenciasS : num 1 1 2 1 1 1 2 3 1 1 ...
## $ etnia : num 4 4 4 3 4 4 3 4 4 4 ...
## $ estrato : num 3 3 5 4 5 3 4 4 3 4 ...
## $ partido_pol: num 0 1 0 0 1 0 0 0 0 1 ...
## $ confianza : num 7 7 10 10 10 10 7 6 7 10 ...
## $ confia : chr "1" "1" "1" "1" ...PERU=PERU[complete.cases(PERU),]seleccion=c("satis_dem","creenciasS","etnia","estrato",
"partido_pol","confia")
PERU[,seleccion]=lapply(PERU[,seleccion],as.factor)peruStats=summary(PERU[,-1])
peruStats## satis_dem creenciasS etnia estrato partido_pol confianza confia
## 1: 40 1:542 2: 29 1: 22 0:816 Min. : 1.000 0: 96
## 2: 43 2:181 3: 77 2: 58 1:190 1st Qu.: 8.000 1:910
## 3:505 3:283 4:839 3:427 Median :10.000
## 4:418 6: 61 4:329 Mean : 8.785
## 5:170 3rd Qu.:10.000
## Max. :10.000reg1=lm(modelo1,data=PERU)
summary(reg1)##
## Call:
## lm(formula = modelo1, data = PERU)
##
## Residuals:
## Min 1Q Median 3Q Max
## -7.6057 -0.7557 0.4547 0.9859 3.9543
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 6.29898 0.48945 12.869 < 2e-16 ***
## satis_dem2 1.11424 0.35044 3.180 0.00152 **
## satis_dem3 1.78623 0.26359 6.777 2.11e-11 ***
## satis_dem4 2.54067 0.26630 9.540 < 2e-16 ***
## etnia3 -0.04476 0.34650 -0.129 0.89723
## etnia4 -0.25325 0.29869 -0.848 0.39672
## etnia6 -0.37025 0.35650 -1.039 0.29925
## estrato2 0.42585 0.39641 1.074 0.28296
## estrato3 0.60415 0.34846 1.734 0.08327 .
## estrato4 0.73248 0.35156 2.084 0.03746 *
## estrato5 1.01927 0.35963 2.834 0.00469 **
## partido_pol1 -0.30476 0.12819 -2.377 0.01763 *
## creenciasS2 0.13631 0.13590 1.003 0.31610
## creenciasS3 0.22642 0.11698 1.936 0.05321 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.575 on 992 degrees of freedom
## Multiple R-squared: 0.1579, Adjusted R-squared: 0.1468
## F-statistic: 14.31 on 13 and 992 DF, p-value: < 2.2e-16library(ggplot2)
library(broom)
library(dotwhisker)
model_tidy <- tidy(reg1)
dwplot(model_tidy) +
theme_minimal() +
labs(title = "Coeficientes del Modelo de Regresión",
x = "Estimación",
y = "Predictor")
#REGRESIÓN LOGÍSTICA
#DICOTOMIZANDO LA SATISFACCIÓN A SATISFECHO Y NO SATISFECHO
library(dplyr)
# Suponiendo que tu data frame se llama peru_data
PERU <- PERU %>%
mutate(satisdem_dic = if_else(satis_dem %in% c(3, 4), 1, 0))
# Ver los primeros registros para verificar
head(PERU)## numentre satis_dem creenciasS etnia estrato partido_pol confianza confia
## 1 541 3 1 4 3 0 7 1
## 2 904 3 1 4 3 1 7 1
## 3 853 4 2 4 5 0 10 1
## 4 32 4 1 3 4 0 10 1
## 5 854 4 1 4 5 1 10 1
## 6 94 4 1 4 3 0 10 1
## satisdem_dic
## 1 1
## 2 1
## 3 1
## 4 1
## 5 1
## 6 1table(PERU$satisdem_dic)##
## 0 1
## 83 923#DICOTOMIZANDO ESTRATO A CLASE ALTA Y CLASE BAJA Si es Clase Alta = 1 y si es Clase Baja=0
table(PERU$estrato)##
## 1 2 3 4 5
## 22 58 427 329 170PERU <- PERU %>%
mutate(estrato_dic = if_else(estrato %in% c(1,2), 1, 0))
table(PERU$estrato_dic)##
## 0 1
## 926 80#DICOTOMIZANDO CREENCIAS Si cree que la democracia es la mejor forma de gobierno será 1 de lo contrario será 0
table(PERU$creenciasS)##
## 1 2 3
## 542 181 283PERU <- PERU %>%
mutate(creencias_dic = if_else(creenciasS %in% c(1), 1, 0))
table(PERU$creencias_dic)##
## 0 1
## 464 542#ETNIA LA DEJAREMOS COMO TAL
table(PERU$etnia)##
## 2 3 4 6
## 29 77 839 61PERU$etnia = as.factor(PERU$etnia)library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ lubridate 1.9.3 ✔ tibble 3.2.1
## ✔ purrr 1.0.2 ✔ tidyr 1.3.0
## ✔ readr 2.1.4
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ psych::%+%() masks ggplot2::%+%()
## ✖ psych::alpha() masks ggplot2::alpha()
## ✖ tidyr::extract() masks magrittr::extract()
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ✖ purrr::set_names() masks magrittr::set_names()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(car)## Loading required package: carData
##
## Attaching package: 'car'
##
## The following object is masked from 'package:purrr':
##
## some
##
## The following object is masked from 'package:DescTools':
##
## Recode
##
## The following object is masked from 'package:psych':
##
## logit
##
## The following object is masked from 'package:dplyr':
##
## recode#CORRELACION ENTRE LAS VARIABLES
#HAREMOS CHI CUADRADO
# Convertir las variables a factores
PERU$confia <- as.factor(PERU$confia)
PERU$satisdem_dic <- as.factor(PERU$satisdem_dic)
PERU$creencias_dic <- as.factor(PERU$creencias_dic)
# Tabla de contingencia y prueba de Chi-cuadrado para satisfacción con la democracia
tabla_satisfaccion <- table(PERU$confia, PERU$satisdem_dic)
chi_satisfaccion <- chisq.test(tabla_satisfaccion)
chi_satisfaccion##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: tabla_satisfaccion
## X-squared = 58.318, df = 1, p-value = 2.229e-14# Tabla de contingencia y prueba de Chi-cuadrado para creencias
tabla_creencias <- table(PERU$confia, PERU$creencias_dic)
chi_creencias <- chisq.test(tabla_creencias)
chi_creencias##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: tabla_creencias
## X-squared = 6.4288, df = 1, p-value = 0.01123# Resultados para satisfacción con la democracia
print(chi_satisfaccion)##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: tabla_satisfaccion
## X-squared = 58.318, df = 1, p-value = 2.229e-14# Resultados para creencias
print(chi_creencias)##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: tabla_creencias
## X-squared = 6.4288, df = 1, p-value = 0.01123Interptetamos -> Rechazamos la hipótesis nula (No hay asociación) y concluimos que existe una asociación significativa entre las variables. GRAFICAMOS…
# Convertir tabla de contingencia en un dataframe
df_satis_dem <- as.data.frame(tabla_satisfaccion)
colnames(df_satis_dem) <- c("Satisfaccion", "Confianza", "Frecuencia")
# Gráfico de barras apiladas
ggplot(df_satis_dem, aes(x = Satisfaccion, y = Frecuencia, fill = Confianza)) +
geom_bar(stat = "identity") +
theme_minimal() +
labs(title = "Distribución de Confianza por Satisfacción con la Democracia",
x = "Satisfacción con la Democracia",
y = "Frecuencia") +
scale_fill_manual(values = c("red", "skyblue")) # Ajustar colores si es necesario
# Convertir tabla de contingencia en un dataframe
df_creencias <- as.data.frame(tabla_creencias)
colnames(df_creencias) <- c("Creencias", "Confianza", "Frecuencia")
# Gráfico de barras apiladas
ggplot(df_creencias, aes(x = Creencias, y = Frecuencia, fill = Confianza)) +
geom_bar(stat = "identity") +
theme_minimal() +
labs(title = "Distribución de Confianza por Creencias",
x = "Creencias",
y = "Frecuencia") +
scale_fill_manual(values = c("red", "skyblue")) # Ajustar colores si es necesario
library(car)
modelo <- glm(confia ~ satisdem_dic + creencias_dic + estrato_dic + partido_pol + etnia,
data = PERU, family = binomial)
# Resumen del modelo
summary(modelo)##
## Call:
## glm(formula = confia ~ satisdem_dic + creencias_dic + estrato_dic +
## partido_pol + etnia, family = binomial, data = PERU)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 1.28926 0.70961 1.817 0.0692 .
## satisdem_dic1 1.74946 0.27164 6.440 1.19e-10 ***
## creencias_dic1 -0.51558 0.23513 -2.193 0.0283 *
## estrato_dic -0.37807 0.35136 -1.076 0.2819
## partido_pol1 -0.44057 0.25622 -1.720 0.0855 .
## etnia3 0.82849 0.88494 0.936 0.3492
## etnia4 -0.08836 0.65895 -0.134 0.8933
## etnia6 -0.62450 0.74287 -0.841 0.4005
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 633.62 on 1005 degrees of freedom
## Residual deviance: 576.68 on 998 degrees of freedom
## AIC: 592.68
##
## Number of Fisher Scoring iterations: 6exp(coef(modelo))## (Intercept) satisdem_dic1 creencias_dic1 estrato_dic partido_pol1
## 3.6300860 5.7515002 0.5971561 0.6851843 0.6436711
## etnia3 etnia4 etnia6
## 2.2898589 0.9154348 0.5355268#PARA LA ETNIA
dep=PERU$confia # a la fila
ind=PERU$etnia # a la columna
volsexTable=table(dep,ind,dnn = c('confia','etnia'))
library(kableExtra)##
## Attaching package: 'kableExtra'## The following object is masked from 'package:dplyr':
##
## group_rows### suma por fila y columna
addmargins(volsexTable)%>%
kable(caption = "Tabla de Contingencia: 'Confía' y 'Etnia'")%>%
kableExtra::kable_styling(full_width = F)| 2 | 3 | 4 | 6 | Sum | |
|---|---|---|---|---|---|
| 0 | 3 | 3 | 80 | 10 | 96 |
| 1 | 26 | 74 | 759 | 51 | 910 |
| Sum | 29 | 77 | 839 | 61 | 1006 |
2: BLACK 3: INDIGENOUS 4: MESTIZO 6: WHITE
#EFECTOS MARGINALES
library(margins)
library(kableExtra)
marginalsData=summary(margins(modelo))
marginalsData%>% kable(caption = "Efectos Marginales Promedio (AME)") %>%kableExtra::kable_styling(full_width = T)| factor | AME | SE | z | p | lower | upper |
|---|---|---|---|---|---|---|
| creencias_dic1 | -0.0399902 | 0.0177454 | -2.2535533 | 0.0242243 | -0.0747705 | -0.0052099 |
| estrato_dic | -0.0300457 | 0.0279291 | -1.0757842 | 0.2820238 | -0.0847858 | 0.0246944 |
| etnia3 | 0.0462369 | 0.0543686 | 0.8504334 | 0.3950842 | -0.0603237 | 0.1527975 |
| etnia4 | -0.0068898 | 0.0498555 | -0.1381959 | 0.8900856 | -0.1046048 | 0.0908251 |
| etnia6 | -0.0591058 | 0.0645573 | -0.9155552 | 0.3599002 | -0.1856357 | 0.0674242 |
| partido_pol1 | -0.0384315 | 0.0243821 | -1.5762134 | 0.1149766 | -0.0862196 | 0.0093567 |
| satisdem_dic1 | 0.2328349 | 0.0503720 | 4.6223065 | 0.0000038 | 0.1341075 | 0.3315622 |
library(ggplot2)
base= ggplot(marginalsData,aes(x=factor, y=AME)) + geom_point()
base + geom_errorbar(aes(ymin=lower, ymax=upper))
#SI EL COVARIADO INCLUYE A CERO NO SERÁ SIGNIFICATIVO
#CLUSTERIZACIÓN