Diagnóstico y análisis socio-empresarial del comercio autónomo en el sector alimenticio en el oriente Antioqueño.

Authors

Laura Valentina Velásquez Gómez

Danna Catalina Amézquita Borja

Resumen

Este documento tiene como propósito presentar de manera adecuada un proyecto centrado en el diagnóstico y análisis socioempresarial del comercio autónomo en el sector alimenticio en el Oriente Antioqueño. Se utilizará la base de datos de empresas dedicadas al procesamiento de alimentos registradas en la Cámara de Comercio del Oriente Antioqueño (CCOA), la cual recopila información desde el año 2019 hasta el año 2023.

En el transcurso de este informe, se expondrán resultados correspondientes a variables univariadas, permitiendo así una comprensión más detallada del comportamiento de dichas variables. Estos resultados servirán como base para la formulación de un análisis multivariado en el futuro, con el fin de cumplir de manera efectiva con los objetivos propuestos en el presente documento.

Introducción

La camara de comercio regula y ofrece apoyo a diversas empresas dedicadas al sector de alimentos, entre ellas incluye a las que lo producen, procesan, comercializan y/o ofrecen cualquier tipo de servicio relacionado a esto.

Entre las regulaciones se encuentra el registro legal de estas empresas, en el que se emite una matricula o licencia de funcionamiento a operar en el que autoriza a la empresa para que empiecen a operar comercialmente, para esto la camra de comercio verifica ciertos requisitos legales y administrativos, además de recopilar la informacion financiera durante cierto periodo de tiempo, en este caso desde el 2019 al 2023.

La población que será analizada principalmente seran las personas naturales, sin embargo también se mostrará algunas diferencias y reaciones con las personas juridicás para dejar clara la diferencia en el comportamiento de estas y algunas posibles relaciones.

Marco conceptual

Marco de antecedentes

Se encontraron diversos estudios en los cuales se analizó el estado empresarial del sector alimenticio tanto en Antioquia como en Colombia en general. El primer estudio a tener en cuenta es “DIAGNÓSTICO DEL ESTADO ACTUAL DE LAS AGROINDUSTRIAS Y EMPRENDIMIENTOS DEL MUNICIPIO DE SONSÓN”, seleccionado debido a su acercamiento a los emprendimientos en uno de los municipios de Antioquia. En este se destaca la persistencia de los emprendedores locales. Se propone continuar apoyándolos con formación para formalizar sus empresas y cumplir requisitos comerciales. Se identificaron encadenamientos agroindustriales, y se sugiere reactivar industrias sin uso, como cárnicos y lácteos. A pesar de la falta del Registro INVIMA en algunas empresas, se busca asesorar para evitar futuros problemas. La pandemia no impidió la participación en formaciones virtuales y eventos presenciales con protocolos de bioseguridad. Aunque el micrositio web está en desarrollo, se espera su presentación durante este periodo de gobierno.

El segundo estudio es “Análisis del desempeño financiero de empresas innovadoras del sector Alimentos y Bebidas en Colombia”, el cual nos ayudó a comprender más a profundidad la situación financiera del sector alimenticio en Colombia y poder guiarnos activamente en el desarrollo del análisis financiero. En este se mencionan aspectos importantes, como que entre 2000 y 2008, el sector de alimentos y bebidas en Colombia experimentó un crecimiento en ventas, activos y utilidades. Las empresas innovadoras mostraron un mayor crecimiento en ventas y activos, pero tuvieron una caída en 2004, afectando las utilidades. La eficiencia de las innovadoras dependió del uso eficiente de activos, mientras que las no innovadoras se centraron en el manejo de costos. Aunque las innovadoras tuvieron un EVA promedio superior, ingresaron a una franja negativa después de 2004, mientras que las no innovadoras mantuvieron un EVA negativo constante. El EVA del sector se explicó por el rendimiento del activo neto operacional, vinculado al riesgo país. A pesar de contribuir al conocimiento financiero, el estudio tiene limitaciones en la consideración de otras características diferenciadoras en futuras investigaciones.

Marco teórico

El Oriente Antioqueño se destaca como una región prometedora para la inversión en el sector alimenticio, respaldada por diversos factores como su estratégica ubicación, crecimiento demográfico y dinamismo económico.

Desde una perspectiva social y cultural, la región exhibe una arraigada tradición culinaria, enfocada en la preferencia por productos frescos y locales. Además, la creciente conciencia sobre salud y alimentación saludable impulsa la demanda de productos orgánicos y artesanales. La población local, caracterizada por su espíritu emprendedor, muestra disposición a probar nuevas experiencias gastronómicas.

En cuanto a la dimensión poblacional, el crecimiento sostenido de la población amplía el mercado potencial para las empresas del sector alimenticio. La tendencia hacia la urbanización abre oportunidades para la distribución y comercialización de alimentos, especialmente considerando la presencia de una población joven y diversa que favorece la innovación y diversificación de la oferta.

En el ámbito político, el gobierno colombiano respalda el desarrollo del sector agroindustrial mediante políticas públicas, incentivos fiscales y programas de apoyo a las PYMES.

En el aspecto económico, la diversificación económica del Oriente Antioqueño, con un destacado sector industrial y comercial, se ve respaldada por una infraestructura vial y de transporte en constante desarrollo. El crecimiento sostenido del PIB per cápita indica un aumento del poder adquisitivo de la población.

El análisis de la fase de producción de alimentos se enfoca en identificar la demanda de productos, evaluar la rentabilidad y comparar márgenes de ganancia para determinar las áreas con mayor potencial.

El análisis integral de estos aspectos permitirá determinar la viabilidad del Comercio del Oriente Antioqueño como una atractiva opción de inversión en el sector alimenticio.

Definiciones importantes

Activos: Son los recursos económicos que posee una empresa, como efectivo, cuentas por cobrar, inventarios, maquinaria y equipos. Se clasifican en activos corrientes (a corto plazo) y activos no corrientes (a largo plazo).
Pasivos: Son las obligaciones que una empresa tiene con terceros, como proveedores, bancos, empleados y el gobierno. Representan los recursos financieros que la empresa debe a otros y que tendrá que pagar en el futuro.
Patrimonio: Es la diferencia entre los activos y los pasivos de una empresa. Representa el valor neto de la empresa. Se calcula como el total de activos menos el total de pasivos.
Utilidades: Son las ganancias que obtiene una empresa después de descontar los costos y gastos de operación. También se les conoce como beneficios o ganancias netas.
Sector alimenticio: Es el conjunto de actividades económicas que se relacionan con la producción, transformación, distribución y comercialización de alimentos. Abarca desde la agricultura y la ganadería hasta la industria alimentaria y el comercio minorista.

Planteamiento del problema

Considerando los aspectos sociales, culturales, poblacionales, políticos, económicos y éticos: ¿Es el comercio del Oriente Antioqueño una buena opción de inversión en el sector alimenticio si se desea invertir en una empresa en nacimiento o crecimiento?¿Se puede confiar en el progreso de los proyectos que se han ido consolidando y construyendo en los últimos 5 años?

Objetivos

General

Analizar la fase de producción de alimentos gestionada por emprendedores individuales para identificar las oportunidades de inversión con mayor relevancia en el Oriente Antioqueño. Este análisis se basará en los datos recopilados durante los últimos cuatro años.

Específicos

Identificar los tipos de alimentos con mayor demanda y potencial de crecimiento en la región.
Evaluar la rentabilidad y viabilidad económica de las actividades comerciales individuales en el sector alimentario.
Establecer comparativas entre los márgenes de ganancia y retorno de inversión de los diferentes campos del sector alimenticio.

Justificación

El principal propósito de este proyecto es la observación y el análisis de una base de datos para relacionar y procesar información (considerada valiosa), mientras que se busca una solución u optimización de alguna técnica empleada ,que no se haya contemplado disponer en el contexto de las variables implicadas. Se investigó la base de datos de las empresas que se dedican a procesar alimentos registradas en la Cámara de Comercio del Oriente Antioqueño (CCOA) en pro del análisis empresarial previo y a futuro del cómo podían surgir, potencializarse o verse afectadas por diversos factores todas aquellas personas naturales registradas que cuentan con algún tipo de vínculo empresarial o que refieren emprendimientos propios; esto con el propósito de hallar patrones en las pérdidas y ganancias, en la ubicación geográfica de su negocio, ingresos, tipos de activos y pasivos que poseen, entre otros, para luego tratar de relacionar o descartar la relación que existe entre sí.

Adicionalmente, es importante resaltar que se realizó un estudio con esta base de datos específica, ya que toma variables tanto cuantitativas como cualitativas relacionadas con actividades económicas y factores que las rodean, y que, a su vez, resultaron mutuamente interesantes para trabajar, pues al tratar asuntos económicos de la mano de más características importantes financieras o no financieras, se logre evidenciar particularmente una tendencia a dependencia y significancia o imparcialidad y despreciabilidad.

Personas juridicas y naturales

Diagnóstico inicial de variables

Variables e individuos

Dada la naturaleza de nuestro proyecto, nos enfocaremos en colaborar con individuos considerados como personas naturales, excluyendo la participación de grandes empresas, esto con el fin de llevar a cabo un análisis cuantitativo y cualitativo en simultáneo; se determinó que resultaba más factible caracterizar ciertas cualidades en las personas naturales como género o estrato social, que, en comparación con las personas jurídicas, no aplicaban o no brindaban una información categórica útil para el estudio.

En lo concerniente a las variables, se prescindirá de aquellas que contengan información temporal como lo son cualquier tipo de fechas, así como de aquellas que simplemente reproduzcan datos ya existentes como nombre 1 y 2, apellido 1 y 2. Asimismo, se excluirán aquellas variables que posean información trivial, tal como aquellas en las que todos los individuos presenten valores nulos o aquellas con una cantidad significativa de datos faltantes.

En la tabla a continuación se muestran las variables que se utilizaran a lo largo del proyecto.

Ver código

suppressWarnings({
suppressMessages({
  
library(knitr)
library(kableExtra)
  
})
})

tabla <- data.frame(
  Identificador = c("RAZON SOCIAL", "GENERO", "EMPREN.SOCIAL", "NACIONALIDAD", 
                    "DIR.COMERCIAL", "MUN.COMERCIAL", "CATEGORIA", 
                    "ACTIVIDAD_ECONOMICA_PRINCIPAL", "DOS_O_MAS_ACT_ECON", 
                    "CANT.MUJERES", "ING.TAM.EMPRESARIAL", "UBICACION", "PERSONAL", 
                    "ACTIVO.CORRIENTE", "ACTIVO.TOTAL", "PASIVO.TOTAL", 
                    "PATRIMONIO", "PASIVO+PATRIM", "ING.OPERACIONES", 
                    "GAS.OPERACIONALES", "GAS.NO.OPERAC", "COS.VEN", 
                    "GAS.IMP", "UTIL.OPERACIONAL", "UTIL.NETA", "CANT.EST.BD", 
                    "ACTI 2019", "ACTI 2020", "ACTI 2021", "ACTI 2022", 
                    "ACTI 2023"),
  Tipo = c("Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa", 
           "Cualitativa", "Cualitativa", "Cualitativa", 
           "Cualitativa", "Cualitativa", "Cuantitativa", 
           "Cuantitativa", "Cualitativa", "Cuantitativa", 
           "Cuantitativa", "Cuantitativa", "Cuantitativa", 
           "Cuantitativa", "Cuantitativa", "Cuantitativa", 
           "Cuantitativa", "Cuantitativa", "Cuantitativa", 
           "Cuantitativa", "Cuantitativa", "Cuantitativa", 
           "Cualitativa", "Cuantitativa", "Cuantitativa", 
           "Cuantitativa", "Cuantitativa", "Cuantitativa"),
  Descripción = c("Tipo de persona", "Masculino o Femenino", 
                  "Si aspira a convertise en una franquicia o no", 
                  "Nacionalidad", "Dirección donde se realiza la actividad comercial", 
                  "Municipio donde se realiza la actividad comercial", 
                  "Actividad comercial general", 
                  "Subdivición de la categoría, es más específica con la actividad", 
                  "Si tiene dos o más actividades económicas", 
                  "Cantidad de mujeres que trabajan en", "Ingresos", 
                  "Estrato socioeconómico", "Cantidad de personas en total", 
                  "Activo corriente", 
                  "Activo que incluye los activos corriente, no corriente, fijo, valorizado y otros.", 
                  "Pasivo que incluye el pasivo a largo plazo y el corriente.", 
                  "Patrimonio", "La suma del patrimonio y el pasivo total", 
                  "Ingresos que dejan las operaciones", "Gastos operacionales", 
                  "Gastos adicionales sin incluir los impuestos", 
                  "Costo total", "Gastos en impuestos", 
                  "Utilidad operacional", "Utilidad neta", 
                  "Cantidad de establecimientos físicos", 
                  "Activos del 2019", "Activos del 2020", 
                  "Activos del 2021", "Activos del 2022", "Activos del 2023")
)

tabla %>%
  kable("html", col.names = c("Identificador", "Tipo", "Descripción")) %>%
  kable_styling(full_width = FALSE)

Identificador	Tipo	Descripción
RAZON SOCIAL	Cualitativa	Tipo de persona
GENERO	Cualitativa	Masculino o Femenino
EMPREN.SOCIAL	Cualitativa	Si aspira a convertise en una franquicia o no
NACIONALIDAD	Cualitativa	Nacionalidad
DIR.COMERCIAL	Cualitativa	Dirección donde se realiza la actividad comercial
MUN.COMERCIAL	Cualitativa	Municipio donde se realiza la actividad comercial
CATEGORIA	Cualitativa	Actividad comercial general
ACTIVIDAD_ECONOMICA_PRINCIPAL	Cualitativa	Subdivición de la categoría, es más específica con la actividad
DOS_O_MAS_ACT_ECON	Cualitativa	Si tiene dos o más actividades económicas
CANT.MUJERES	Cuantitativa	Cantidad de mujeres que trabajan en
ING.TAM.EMPRESARIAL	Cuantitativa	Ingresos
UBICACION	Cualitativa	Estrato socioeconómico
PERSONAL	Cuantitativa	Cantidad de personas en total
ACTIVO.CORRIENTE	Cuantitativa	Activo corriente
ACTIVO.TOTAL	Cuantitativa	Activo que incluye los activos corriente, no corriente, fijo, valorizado y otros.
PASIVO.TOTAL	Cuantitativa	Pasivo que incluye el pasivo a largo plazo y el corriente.
PATRIMONIO	Cuantitativa	Patrimonio
PASIVO+PATRIM	Cuantitativa	La suma del patrimonio y el pasivo total
ING.OPERACIONES	Cuantitativa	Ingresos que dejan las operaciones
GAS.OPERACIONALES	Cuantitativa	Gastos operacionales
GAS.NO.OPERAC	Cuantitativa	Gastos adicionales sin incluir los impuestos
COS.VEN	Cuantitativa	Costo total
GAS.IMP	Cuantitativa	Gastos en impuestos
UTIL.OPERACIONAL	Cuantitativa	Utilidad operacional
UTIL.NETA	Cuantitativa	Utilidad neta
CANT.EST.BD	Cualitativa	Cantidad de establecimientos físicos
ACTI 2019	Cuantitativa	Activos del 2019
ACTI 2020	Cuantitativa	Activos del 2020
ACTI 2021	Cuantitativa	Activos del 2021
ACTI 2022	Cuantitativa	Activos del 2022
ACTI 2023	Cuantitativa	Activos del 2023

Resumen comportamiento variables

Ver código

# Seleccionamos el archivo CSV 

ruta_archivo <- file.choose()



# Carga el archivo CSV

datos <- read.csv(ruta_archivo, sep = ";")

Tabla con los primeros individuos

RAZON_SOCIAL	GENERO	EMPREN-SOCIAL	NACIONALIDAD	DIR-COMERCIAL	MUN-COMERCIAL	CATEGORIA	ACTIVIDAD_ECONOMICA_PRINCIPAL	DOS_O_MAS_ACT_ECON	CANT-MUJERES	CANT-MUJERES-CAR-DIR	PORCENT-PART-MUJ	ING-TAM-EMPRESARIAL	ESTRATO	PERSONAL	ACTIVO-CORRIENTE	ACTIVO-NO-CORRIENTE	ACTIVO-TOTAL	PASIVO-CORRIENTE	PASIVO-LRG-PLAZO	PASIVO-TOTAL	PATRIMONIO	PASIVO+PATRIM	ING-OPERACIONES	ING-NO-OPERACIONALES	GAS-OPERACIONALES	GAS-NO-OPERAC	COS-VEN	UTIL-OPERACIONAL	UTIL-NETA	CANT-EST-BD	ACTIV_2019	ACTIV_2020	ACTIV_2021	ACTIV_2022	ACTIV_2023
NATURAL	F	N	COLOMBIANA	URBANO	05674-SAN VICENTE FERRER	AGROPECUARIA	AGRICULTURA	DOS_O_MAS	0	0	0	72.850.000,00	6	0	3.000.000,00	0	3.000.000,00	0	0	0	3.000.000,00	3.000.000,00	72.850.000,00	0	0	0	0	0	0	1	0	0	3.000.000,00	3.000.000,00	3.000.000,00
JURIDICA	N/A	N	N/A	RURAL	05318-GUARNE	AGROPECUARIA	AGRICULTURA	DOS_O_MAS	0	1	67	0	6	0	45.000.000,00	0	45.000.000,00	0	0	0	45.000.000,00	45.000.000,00	0	0	0	0	0	0	0	N/A	0	0	0	0	45.000.000,00
JURIDICA	N/A	N	N/A	URBANO	05318-GUARNE	AGROPECUARIA	AGRICULTURA	DOS_O_MAS	1	0	0	0	1	4	1.861.528.809,00	757.378.707,00	2.618.907.516,00	89.558.669,00	3.458.640.558,00	3.548.199.227,00	-929.291.711,00	2.618.907.516,00	0	1.284,00	914.712.722,00	57.575.144,00	0	-972.286.582,00	-972.286.582,00	N/A	0	0	200.000.000,00	1.132.046.196,00	2.618.907.516,00
JURIDICA	N/A	N	N/A	URBANO	05607-EL RETIRO	AGROPECUARIA	AGRICULTURA	DOS_O_MAS	3	1	90	601.391.125,00	6	3	639.061.000,00	0	639.061.000,00	502.500.000,00	0	502.500.000,00	136.561.000,00	639.061.000,00	601.391.125,00	130.740,00	433.449.000,00	49.892.000,00	65.901.874,00	0	0	N/A	462.690.000,00	515.642.000,00	589.890.442,00	571.723.175,00	639.061.000,00
JURIDICA	N/A	N	N/A	RURAL	05318-GUARNE	AGROPECUARIA	AGRICULTURA	DOS_O_MAS	0	0	60	0	1	0	10.000.000,00	0	10.000.000,00	0	0	0	10.000.000,00	10.000.000,00	0	0	0	0	0	0	0	1	0	0	0	0	10.000.000,00
NATURAL	F	S	COLOMBIANA	RURAL	05148-CARMEN DE VIBORAL	AGROPECUARIA	AGRICULTURA	DOS_O_MAS	0	0	0	0	5	0	2.000.000,00	0	2.000.000,00	0	0	0	2.000.000,00	2.000.000,00	0	0	0	0	0	0	0	1	0	0	0	0	2.000.000,00

Resumen Básico de las variables

Ver código

suppressWarnings({

suppressMessages({
  
library(plotly)
library(readxl)
library(dplyr)
  
})

})

# Desactivar notación científica
options(scipen = 999)

# Especifica la ruta del archivo Excel
archivo_excel <- "C:/Users/catam/OneDrive/Escritorio/catval.xlsx"

# Leer los datos desde Excel sin especificar col_types
datos <- read_excel(archivo_excel)

# Función para limpiar y convertir las columnas a numéricas
clean_and_convert <- function(df) {
  df[] <- lapply(df, function(column) {
    if (is.character(column)) {
      column <- gsub(",", "", column) # Eliminar comas
      column <- gsub(" ", "", column) # Eliminar espacios
      column <- as.numeric(column)    # Convertir a numérico
    }
    return(column)
  })
  return(df)
}

# Aplicar la función a las columnas numéricas
# Identifica las columnas que deberían ser numéricas (aquí se asume que las columnas de la 14 a la 37 deberían ser numéricas)
columnas_numericas <- c(14,17:37)
datos[, columnas_numericas] <- clean_and_convert(datos[, columnas_numericas])


# COLUMNAS QUE NECESITAMOS CONVERTIR A CATEGORÍAS:

datos$`CANT-EST-BD` <- as.factor(datos$`CANT-EST-BD`)
datos$GENERO <- as.factor(datos$GENERO)
datos$RAZON_SOCIAL <- as.factor(datos$RAZON_SOCIAL)
datos$`EMPREN-SOCIAL` <- as.factor(datos$`EMPREN-SOCIAL`)
datos$NACIONALIDAD<- as.factor(datos$NACIONALIDAD)
datos$`DIR-COMERCIAL` <- as.factor(datos$`DIR-COMERCIAL`)
datos$`MUN-COMERCIAL` <- as.factor(datos$`MUN-COMERCIAL`)
datos$CATEGORIA <- as.factor(datos$CATEGORIA)
datos$ACTIVIDAD_ECONOMICA_PRINCIPAL <- as.factor(datos$ACTIVIDAD_ECONOMICA_PRINCIPAL)
datos$DOS_O_MAS_ACT_ECON <- as.factor(datos$DOS_O_MAS_ACT_ECON)
datos$`CANT-MUJERES` <- as.factor(datos$`CANT-MUJERES`)
datos$`CANT-MUJERES-CAR-DIR` <- as.factor(datos$`CANT-MUJERES-CAR-DIR`)
datos$`PORCENT-PART-MUJ` <- as.factor(datos$`PORCENT-PART-MUJ`)
datos$ESTRATO <- as.factor(datos$ESTRATO)
datos$PERSONAL <- as.factor(datos$PERSONAL)


# Muestra el resumen de los datos importados
summary(datos)

   RAZON_SOCIAL GENERO    EMPREN-SOCIAL       NACIONALIDAD DIR-COMERCIAL
 JURIDICA:199   F  :286   N:737         ALEMANA     :  1   RURAL :195   
 NATURAL :594   M  :308   S: 56         COLOMBIANA  :587   URBANO:598   
                N/A:199                 FRANCESA    :  1                
                                        GUATEMANTECA:  1                
                                        N/A         :199                
                                        VENEZOLANA  :  4                
                                                                        
                   MUN-COMERCIAL                               CATEGORIA  
 05615 - RIONEGRO         :223   ELABORACION DE PRODUCTOS DE CONSUMO:630  
 05440 - MARINILLA        : 94   HOTELERÍA Y TURISMO                : 77  
 05318 - GUARNE           : 77   COMERCIO                           : 48  
 05148 - CARMEN DE VIBORAL: 76   AGROPECUARIA                       : 19  
 05376 - LA CEJA          : 74   RECREACION                         :  7  
 05607 - EL RETIRO        : 33   INVESTIGACION                      :  3  
 (Other)                  :216   (Other)                            :  9  
        ACTIVIDAD_ECONOMICA_PRINCIPAL                        DOS_O_MAS_ACT_ECON
 ELABORACION PANADERIA :261           DOS O MÁS ACTIVIDADES ECONOMICAS:525     
 PRODUCTOS ALIMENTICIOS: 84           N/A                             :268     
 PROCESADOS ANIMALES   : 83                                                    
 ELABORACION DE COMIDA : 60                                                    
 EXPENDIO DE COMIDAS   : 38                                                    
 POR MENOR             : 36                                                    
 (Other)               :231                                                    
    CANT-EST-BD   CANT-MUJERES CANT-MUJERES-CAR-DIR PORCENT-PART-MUJ
 cero     :141   0      :547   0      :708          0      :704     
 dos_o_mas: 24   1      :112   1      : 60          100    : 28     
 uno      :628   2      : 53   2      : 11          50     : 17     
                 3      : 28   3      :  5          1      :  7     
                 4      : 12   4      :  4          60     :  5     
                 5      :  6   5      :  3          30     :  4     
                 (Other): 35   (Other):  2          (Other): 28     
 ING-TAM-EMPRESARIAL    ESTRATO    PERSONAL   ACTIVO-CORRIENTE     
 Min.   :           0   1:496   0      :454   Min.   :          0  
 1st Qu.:           1   2: 20   1      :118   1st Qu.:    1950000  
 Median :    12000000   3: 11   2      : 73   Median :    5000000  
 Mean   :   925095888   4: 22   3      : 37   Mean   :  221088078  
 3rd Qu.:    60000000   5:162   4      : 25   3rd Qu.:   13415870  
 Max.   :188173212000   6: 82   5      : 20   Max.   :45846364000  
                                (Other): 66                        
 ACTIVO-NO-CORRIENTE     ACTIVO-TOTAL          PASIVO-CORRIENTE      
 Min.   :           0   Min.   :           0   Min.   :           0  
 1st Qu.:           0   1st Qu.:     2100000   1st Qu.:           0  
 Median :           0   Median :     5500000   Median :           0  
 Mean   :   526817359   Mean   :   747920724   Mean   :   277429720  
 3rd Qu.:           0   3rd Qu.:    15010000   3rd Qu.:           0  
 Max.   :341101547000   Max.   :386947911000   Max.   :139537308000  
                                                                     
 PASIVO-LRG-PLAZO        PASIVO-TOTAL            PATRIMONIO          
 Min.   :           0   Min.   :           0   Min.   :  -929291711  
 1st Qu.:           0   1st Qu.:           0   1st Qu.:     1600000  
 Median :           0   Median :           0   Median :     4500000  
 Mean   :   234771833   Mean   :   512206145   Mean   :   235707336  
 3rd Qu.:           0   3rd Qu.:           0   3rd Qu.:    12560000  
 Max.   :140334116000   Max.   :279871424000   Max.   :107076487000  
                                                                     
 PASIVO+PATRIM          ING-OPERACIONES        ING-NO-OPERACIONALES
 Min.   :           0   Min.   :           0   Min.   :         0  
 1st Qu.:     2100000   1st Qu.:           1   1st Qu.:         0  
 Median :     5375000   Median :    12000000   Median :         0  
 Mean   :   747794621   Mean   :   925095888   Mean   :   7869396  
 3rd Qu.:    15010000   3rd Qu.:    60000000   3rd Qu.:         0  
 Max.   :386947911000   Max.   :188173212000   Max.   :1548471000  
                                                                   
 GAS-OPERACIONALES     GAS-NO-OPERAC           COS-VEN            
 Min.   :  -50439000   Min.   :-402723000   Min.   : -3704547000  
 1st Qu.:          0   1st Qu.:         0   1st Qu.:           0  
 Median :          0   Median :         0   Median :           0  
 Mean   :  122804722   Mean   :  15150428   Mean   :   697551736  
 3rd Qu.:          0   3rd Qu.:         0   3rd Qu.:           0  
 Max.   :21148524146   Max.   :3256925000   Max.   :185624779000  
                                                                  
    GAS-IMP           UTIL-OPERACIONAL       UTIL-NETA          
 Min.   :         0   Min.   :-972286582   Min.   :-1563062000  
 1st Qu.:         0   1st Qu.:         0   1st Qu.:          0  
 Median :         0   Median :         0   Median :          0  
 Mean   :   6646098   Mean   :  16827244   Mean   :    2531860  
 3rd Qu.:         0   3rd Qu.:         0   3rd Qu.:          0  
 Max.   :1649028000   Max.   :3656830739   Max.   : 1713918000  
                                                                
   ACTIV_2019           ACTIV_2020            ACTIV_2021         
 Min.   :         0   Min.   :          0   Min.   :          0  
 1st Qu.:         0   1st Qu.:          0   1st Qu.:          0  
 Median :         0   Median :          0   Median :    1700000  
 Mean   :  77282965   Mean   :  159579975   Mean   :  195138061  
 3rd Qu.:   2610000   3rd Qu.:    5000000   3rd Qu.:    9054000  
 Max.   :8664805786   Max.   :31332606000   Max.   :29068555000  
                                                                 
   ACTIV_2022             ACTIV_2023          
 Min.   :           0   Min.   :           0  
 1st Qu.:      600000   1st Qu.:     2010000  
 Median :     3100000   Median :     5375000  
 Mean   :   392384069   Mean   :   747820011  
 3rd Qu.:    10800000   3rd Qu.:    15010000  
 Max.   :122291864000   Max.   :386947911000

Análisis univariado

Histogramas sobre variables cualitativas

Ver código

fig <- plot_ly(datos, x=~RAZON_SOCIAL, type='histogram',  marker = list(color = 'purple'))

fig <- fig %>% layout(title = "RAZON SOCIAL",

                      xaxis=list((title="Actividad")),

                      yaxis=list(title='Frec. abs.'))

fig

En razón social de la base de datos original se encontraban los nombres particulares de cada empresa que recibía una matrícula, esto lo cambiamos por personas naturales o personas jurídicas para poder hacer un análisis adecuado, pues al categorizarlas así, era más sencillo explicar qué tantas empresas eran PYMES, y cuáles eran empresas ya consolidadas con anterioridad en el mercado antioqueño; este se hizo dependiendo de si el nombre terminaba en S.A.S o si solamente se identificaba con su nombre tal y como aparece en la cédula.

Ver código

fig <- plot_ly(datos, x=~GENERO, type='histogram',  marker = list(color = 'purple'))

fig <- fig %>% layout(title = "GÉNERO",

                      xaxis=list((title="Actividad")),

                      yaxis=list(title='Frec. abs.'))

fig

Ver código

fig <- plot_ly(datos, x=~NACIONALIDAD, type='histogram',  marker = list(color = 'purple'))

fig <- fig %>% layout(title = "NACIONALIDAD",

                      xaxis=list((title="Actividad")),

                      yaxis=list(title='Frec. abs.'))

fig

Cómo podemos notar, en las variables Género y Nacionalidad la cantidad de individuos que tiene N/A es exactamente la misma que las personas jurídicas, por tanto decidimos no eliminarlo.

Ver código

fig <- plot_ly(datos, x=~`MUN-COMERCIAL`, type='histogram',  marker = list(color = 'purple'))

fig <- fig %>% layout(title = "MUNICIPIO COMERCIAL",

                      xaxis=list((title="Actividad")),

                      yaxis=list(title='Frec. abs.'))

fig

Ver código

fig <- plot_ly(datos, x=~`DIR-COMERCIAL`, type='histogram',  marker = list(color = 'purple'))

fig <- fig %>% layout(title = "DIRECCIÓN COMERCIAL",

                      xaxis=list((title="Actividad")),

                      yaxis=list(title='Frec. abs.'))

fig

En estas dos variables cambiamos las direcciones exactas de los lugares por una clasificación de zona rural o zona urbana, para realizar esto nos guiamos de mapas, las iniciales de las dirrecciones (tales como cra, av, vda, etc), además en la gráfica de los municipios se puede notar que hay una gran concentración de estos establecimientos en Rionegro, que en su mayoría es urbano, y notamos que en general, las empresas se concentran en estas zonas.

Ver código

fig <- plot_ly(datos, x=~ESTRATO, type='histogram',  marker = list(color = 'purple'))

fig <- fig %>% layout(title = "ESTRATO",

                      xaxis=list((title="Actividad")),

                      yaxis=list(title='Frec. abs.'))

fig

En el caso de los estratos, vimos que era fácil identificar que había una mayor cantidad de empresas con estrato 1, lo que se puede interpretar como que son empresas locales o unipersonales.

Ver código

fig <- plot_ly(datos, x=~CATEGORIA, type='histogram',  marker = list(color = 'purple'))

fig <- fig %>% layout(title = "CATEGORIA",

                      xaxis=list((title="Actividad")),

                      yaxis=list(title='Frec. abs.'))

fig

Inicialmente, la variable CATEGORÍA no existía, nos guiamos de las variables CIIU-1, CIIU-2, CIIU-3 Y CIIU-4 (tratando de pluralizar cada una de estas) que, según la cámara de comercio, exigen al momento de declarar y que también indican a qué operación comercial específica se dedica la empresa y/o establecimiento, pues en varios casos se desarrolla más de una actividad, como por ejemplo: algunos restaurantes no sólo elaboran productos alimenticios (CIIU-1), si no que también los distribuyen (CIIU-2) y ofrecen ventas al por mayor (CIIU-4). Esta recategorización la vinculamos a algunos códigos claves en la base de datos de la CC. Generamos esta nueva variable condicionada por las letras que aparecen al comienzo de cada CIIU, que indican el tipo general de cada empresa (el MACROSECTOR), para analizarlo mejor y a su vez determinar mejor a qué tipo de población general nos enfrentábamos y sus razones.

Ver código

fig <- plot_ly(datos, x=~DOS_O_MAS_ACT_ECON, type='histogram',  marker = list(color = 'purple'))

fig <- fig %>% layout(title = "DOS O MÁS ACTIVIDADES ECONÓMICAS",

                      xaxis=list((title="Actividad")),

                      yaxis=list(title='Frec. abs.'))

fig

En esta variable particularmente, tratamos de ubicar aquellas empresas que únicamente se dedicaban a una actividad económica y aquellas que tenían dos o más de ellas, la razón principal es que en cuánto al CIIU 3 y 4 habían muchísimas empresas que en realidad sólo se dedicaban a una o máximo dos actividades económicas.

Ver código

fig <- plot_ly(datos, x=~ACTIVIDAD_ECONOMICA_PRINCIPAL, type='histogram',  marker = list(color = 'purple'))

fig <- fig %>% layout(title = "ACTIVIDAD ECONÓMICA PRINCIPAL",

                      xaxis=list((title="Actividad")),

                      yaxis=list(title='Frec. abs.'))

fig

Dentro de los macrosectores presentados anteriormente, hay otras divisiones específicas que detallan mejor cada actividad económica de cada empresa (teniendo en cuenta su macrosector).

Ver código

fig <- plot_ly(datos, x=~PERSONAL, type='histogram',  marker = list(color = 'purple'))

fig <- fig %>% layout(title = "PERSONAL",

                      xaxis=list((title="Personal")),

                      yaxis=list(title='Frec. abs.'))

fig

Como podemos notar una gran cantidad de empresas registran tener 0 personas bajo su cargo, esto se puede dar dado a que muchas de éstas pueden ser emprendimientos unipersonales (una sola persona es responsable de todas las decisiones, operaciones y en general de toda la administración del negocio).

Ver código

fig <- plot_ly(datos, x=~`CANT-MUJERES`, type='histogram',  marker = list(color = 'purple'))

fig <- fig %>% layout(title = "CANTIDAD DE MUJERES",

                      xaxis=list((title="A")),

                      yaxis=list(title='Frec. abs.'))

fig

Ver código

fig <- plot_ly(datos, x=~`CANT-MUJERES-CAR-DIR`, type='histogram',  marker = list(color = 'purple'))

fig <- fig %>% layout(title = "MUJERES EN CARGOS DIRECTIVOS",

                      xaxis=list((title="Cantidad de mujeres")),

                      yaxis=list(title='Frec. abs.'))

fig

Ver código

fig <- plot_ly(datos, x=~`PORCENT-PART-MUJ`, type='histogram',  marker = list(color = 'purple'))

fig <- fig %>% layout(title = "PORCENTAJE DE PARTICIPACIÓN FEMENINA",

                      xaxis=list((title="% Participación")),

                      yaxis=list(title='Frec. abs.'))

fig

A pesar de que en la variable de Género no tuvieramos una diferencia tan significativa entre Femenino y Masculino, podemos ver que en estas últimas tres variables (Cantidad de mujeres, Mujeres en cargos directivos y Porcentaje de Participación femenina) es bastante baja, lo que analizaremos más adelante en relación al tipo de comercio, ingreso, etc

Ver código

fig <- plot_ly(datos, x=~`EMPREN-SOCIAL`, type='histogram',  marker = list(color = 'purple'))

fig <- fig %>% layout(title = "ASPIRA O NO A FRANQUICIA",

                      xaxis=list((title="Franquiciado")),

                      yaxis=list(title='Frec. abs.'))

fig

En esta variable hicimos una recategorización acerca de si la empresa aspira o no a franquiciada (en Colombia, una franquicia suele ser asociada a si desea expandirse nacional o internacionalmente y modelar su idea de negocio con el fin de expansión a corto o mediano plazo), lo que nos inidca que la mayoría de empresas únicamente están interesadas en mantenser locales en el oriente Antioqueño.

Ver código

fig <- plot_ly(datos, x=~`CANT-EST-BD`, type='histogram',  marker = list(color = 'purple'))

fig <- fig %>% layout(title = "ESTABLECIMIENTOS FÍSICOS",

                      xaxis=list((title="Actividad")),

                      yaxis=list(title='Frec. abs.'))

fig

De las 793 empresas y/o emprendimientos registrados, solo 141 no cuentan con un establecimiento físico, lo que significa que pueden ser emprendimientos que no requieren de atención al cliente frecuente o que solo requieren de distribución.

Diagramas sobre variables cuantitativas

Ver código

# Creación del gráfico de caja y bigotes con ajustes de visualización
fig <- plot_ly(
  data = datos, 
  y = ~`ING-TAM-EMPRESARIAL`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = 'purple'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "Distribución de los Ingresos", 
  yaxis = list(
    title = "Ingresos (COP)",    # Etiqueta del eje Y con formato en COP
    zeroline = FALSE,
    tickprefix = "$",           # Prefijo de pesos colombianos
    tickformat = ",.0f"        # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'ACTIVO-TOTAL'
fig <- plot_ly(
  data = datos, 
  y = ~`ACTIVO-TOTAL`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = 'purple'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "ACTIVO TOTAL", 
  yaxis = list(
    title = "Activo Total (COP)",  # Etiqueta del eje Y con formato en COP
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'ACTIVO-CORRIENTE'
fig <- plot_ly(
  data = datos, 
  y = ~`ACTIVO-CORRIENTE`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = 'purple'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "ACTIVO CORRIENTE", 
  yaxis = list(
    title = "Activo Corriente (COP)",  # Etiqueta del eje Y con formato en COP
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'PASIVO-TOTAL'
fig <- plot_ly(
  data = datos, 
  y = ~`PASIVO-TOTAL`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = 'purple'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "PASIVO TOTAL", 
  yaxis = list(
    title = "Pasivo Total (COP)",  # Etiqueta del eje Y con formato en COP
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'PATRIMONIO'
fig <- plot_ly(
  data = datos, 
  y = ~PATRIMONIO,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = 'purple'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "PATRIMONIO", 
  yaxis = list(
    title = "Patrimonio (COP)",  # Etiqueta del eje Y con formato en COP
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'ING-OPERACIONES'
fig <- plot_ly(
  data = datos, 
  y = ~`ING-OPERACIONES`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = 'purple'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "INGRESOS OPERACIONALES", 
  yaxis = list(
    title = "Ingresos Operacionales (COP)",  # Etiqueta del eje Y con formato en COP
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'GAS-OPERACIONALES'
fig <- plot_ly(
  data = datos, 
  y = ~`GAS-OPERACIONALES`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = 'purple'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "GASTOS OPERACIONALES", 
  yaxis = list(
    title = "Gastos Operacionales (COP)",  # Etiqueta del eje Y con formato en COP
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'GAS-NO-OPERAC'
fig <- plot_ly(
  data = datos, 
  y = ~`GAS-NO-OPERAC`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = 'purple'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "GASTOS NO OPERACIONALES", 
  yaxis = list(
    title = "Gastos No Operacionales (COP)",  # Etiqueta del eje Y con formato en COP
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'COS-VEN'
fig <- plot_ly(
  data = datos, 
  y = ~`COS-VEN`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = 'purple'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "GASTOS", 
  yaxis = list(
    title = "Gastos (COP)",  # Etiqueta del eje Y con formato en COP
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'GAS-IMP'
fig <- plot_ly(
  data = datos, 
  y = ~`GAS-IMP`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = 'purple'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "GASTO EN IMPUESTOS", 
  yaxis = list(
    title = "Gasto en Impuestos (COP)",  # Etiqueta del eje Y con formato en COP
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'UTIL-OPERACIONAL'
fig <- plot_ly(
  data = datos, 
  y = ~`UTIL-OPERACIONAL`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = 'purple'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "UTILIDAD OPERACIONAL", 
  yaxis = list(
    title = "Utilidad Operacional (COP)",  # Etiqueta del eje Y con formato en COP
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'UTIL-NETA'
fig <- plot_ly(
  data = datos, 
  y = ~`UTIL-NETA`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = 'purple'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "UTILIDAD NETA", 
  yaxis = list(
    title = "Utilidad Neta (COP)",  # Etiqueta del eje Y con formato en COP
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'ACTIV_2019'
fig <- plot_ly(
  data = datos, 
  y = ~`ACTIV_2019`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = 'purple'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "ACTIVOS 2019", 
  yaxis = list(
    title = "Activos 2019 (COP)",  # Etiqueta del eje Y con formato en COP
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'ACTIV_2020'
fig <- plot_ly(
  data = datos, 
  y = ~`ACTIV_2020`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = 'purple'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "ACTIVOS 2020", 
  yaxis = list(
    title = "Activos 2020 (COP)",  # Etiqueta del eje Y con formato en COP
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'ACTIV_2021'
fig <- plot_ly(
  data = datos, 
  y = ~`ACTIV_2021`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = 'purple'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "ACTIVOS 2021", 
  yaxis = list(
    title = "Activos 2021 (COP)", # Etiqueta del eje Y
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'ACTIV-2022'
fig <- plot_ly(
  data = datos, 
  y = ~`ACTIV_2022`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = 'purple'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "ACTIVOS 2022", 
  yaxis = list(
    title = "Activos 2022 (COP)", 
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'ACTIV-2023'
fig <- plot_ly(
  data = datos, 
  y = ~`ACTIV_2023`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = 'purple'), # Color de los puntos de datos
  line = list(color = 'black'))  # Color de las líneas de las cajas


# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "ACTIVOS 2023", 
  yaxis = list(
    title = "Activos 2023 (COP)", 
    zeroline = FALSE,
    tickprefix = "",             # Prefijo vacío si no deseas ningún símbolo
    ticksuffix = "B",            # Sufijo para billones
    tickformat = ",.1f"          # Formato de los ticks (1 decimal)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Análisis bivariado

Para realizar el análisis bivariado, optamos por revisar las varianzas, correlaciones y demás medidas estadísticas que podrían ayudarnos a dar un vistazo más global a nuestra base de datos:

Ver código

suppressWarnings({
suppressMessages({
  
library(knitr)
library(kableExtra)
  
})
})


# Calcular la matriz de varianzas y covarianzas poblacional
n <- nrow(datos)
matriz_cov <- var(datos[, c(14, 17:37)]) * (n - 1) / n

# Crear la tabla en HTML y mostrarla en el Viewer
kable(matriz_cov, digits = 2, format = "html") %>%
  kable_styling(full_width = F) %>%
  scroll_box(width = "800px", height = "500px") %>%
  as.character() %>%
  htmltools::HTML() %>%
  htmltools::browsable()

	ING-TAM-EMPRESARIAL	ACTIVO-CORRIENTE	ACTIVO-NO-CORRIENTE	ACTIVO-TOTAL	PASIVO-CORRIENTE	PASIVO-LRG-PLAZO	PASIVO-TOTAL	PATRIMONIO	PASIVO+PATRIM	ING-OPERACIONES	ING-NO-OPERACIONALES	GAS-OPERACIONALES	GAS-NO-OPERAC	COS-VEN	GAS-IMP	UTIL-OPERACIONAL	UTIL-NETA	ACTIV_2019	ACTIV_2020	ACTIV_2021	ACTIV_2022	ACTIV_2023
ING-TAM-EMPRESARIAL	64654261018221715456	14989580900437821440	83063833492260716544	98053400798892933120	35943897292587687936	35109934523863203840	71053827614056611840	26999579821037760512	98053517456634200064	64654261018221715456	547483418749453760	3595018295191505408	1030812481182242176	59554605191633567744	500795339165746944	526822047503734272	-148049836110863968	792188376472389504	4832467854238955520	5507867501367943168	35297869394038775808	98053458231000760320
ACTIVO-CORRIENTE	14989580900437821440	4090322870922880512	20278658801469734912	24368978338497040384	8826418623538010112	8569498505857320960	17395916121425063936	6973063804833391616	24368993608115904512	14989580900437821440	109730388973705440	575383684351823680	260142103374024544	13811784884357466112	116005396962412912	112997436997619936	-60520390727177936	343436225104147648	1533970861123548160	1737109021995517696	9004962509424740352	24368987953220280320
ACTIVO-NO-CORRIENTE	83063833492260716544	20278658801469734912	146999345643685527552	167277996448732872704	60416239652250853376	60602237386459226112	121018474620137291786	46259525640088444938	167278062882195505152	83063833492260716544	623368042372728320	591112770440238720	1444869960350200832	81632414114376925184	721649531688583936	97147471062014912	-656711266281957504	118000177067851696	830093836140056960	1568535702808941312	53521126716475539456	167278049504988823552
ACTIVO-TOTAL	98053400798892933120	24368978338497040384	167277996448732872704	191646963468591661066	69242654086054461440	69171732322930081792	138414382984512045066	53232585881279971338	191647045173601042442	98053400798892933120	733098311037428992	1166494719437435136	1705011832100773888	95444188638044504064	837654830402120832	210144649486620288	-717231692249910784	461435252708797184	2364062307238216704	3305641791988486656	62526083319148273664	191647026141110534144
PASIVO-CORRIENTE	35943897292587687936	8826418623538010112	60416239652250853376	69242654086054461440	25141074252855205888	25015618734197874688	50156691715399491584	19085964379134201856	69242689070886723584	35943897292587687936	272614829466246528	524374977870532800	627421428058944768	35037976330987192320	304359430344961664	84275735139020224	-254561020387483936	77642872527806048	908137638551863168	1242907445393383424	22669162233361240064	69242682025635471360
PASIVO-LRG-PLAZO	35109934523863203840	8569498505857320960	60602237386459226112	69171732322930081792	25015618734197874688	25088854787575476224	50104472443734204416	19067261579810463744	69171761928457592832	35109934523863203840	264787181515704160	386082291349837824	614700340513622528	34360966099693375488	300140280653357056	58456990954351160	-265829246235385344	55303682622247816	585924754414528256	887620686359792896	22340292469329784832	69171755966324178944
PASIVO-TOTAL	71053827614056611840	17395916121425063936	121018474620137291786	138414382984512045066	50156691715399491584	50104472443734204416	100261161813385478144	38153224880253640704	138414447575450861578	71053827614056611840	537401974847002752	910456705317170560	1242121699003796736	69398939227611955200	604499680480282624	142732649580850832	-520390277492983040	132946205485684112	1494061669209462528	2130527246040965120	45009452914412707840	138414434567949615104
PATRIMONIO	26999579821037760512	6973063804833391616	46259525640088444938	53232585881279971338	19085964379134201856	19067261579810463744	38153224880253640704	15079362695128920064	53232602994437087232	26999579821037760512	195696393193927520	256038892153130272	462890242841924672	26045254446088159232	233155198064144672	67412109545549952	-196841402999568704	328489588317098496	870001775043004544	1175115948564747008	17516633224220196864	53232596969631760384
PASIVO+PATRIM	98053517456634200064	24368993608115904512	167278062882195505152	191647045173601042442	69242689070886723584	69171761928457592832	138414447575450861578	53232602994437087232	191647139473048797184	98053517456634200064	733099303395024256	1166510205530961408	1705013742621269760	95444276601693503498	837655668497720576	210146771459366848	-717231372973773952	461444998353787904	2364082430816380416	3305666399562345472	62526132800115408896	191647120443760115722
ING-OPERACIONES	64654261018221715456	14989580900437821440	83063833492260716544	98053400798892933120	35943897292587687936	35109934523863203840	71053827614056611840	26999579821037760512	98053517456634200064	64654261018221715456	547483418749453760	3595018295191505408	1030812481182242176	59554605191633567744	500795339165746944	526822047503734272	-148049836110863968	792188376472389504	4832467854238955520	5507867501367943168	35297869394038775808	98053458231000760320
ING-NO-OPERACIONALES	547483418749453760	109730388973705440	623368042372728320	733098311037428992	272614829466246528	264787181515704160	537401974847002752	195696393193927520	733099303395024256	547483418749453760	6756953928459890	40360006153942424	7558339290728099	501794084231917504	4440482408398533	5852938405761286	1409846671960618	4927971006691181	31484316668403128	36865709982077992	259679870441528480	733099103590440576
GAS-OPERACIONALES	3595018295191505408	575383684351823680	591112770440238720	1166494719437435136	524374977870532800	386082291349837824	910456705317170560	256038892153130272	1166510205530961408	3595018295191505408	40360006153942424	1077319838070754304	39104572050073008	2473705937638964224	20946127947109580	79549334829772512	36391244127383224	103383017572037040	611373507594444928	637187282245518720	887490748130197376	1166506036505419008
GAS-NO-OPERAC	1030812481182242176	260142103374024544	1444869960350200832	1705011832100773888	627421428058944768	614700340513622528	1242121699003796736	462890242841924672	1705013742621269760	1030812481182242176	7558339290728099	39104572050073008	24467303673585720	979759310011621504	8263870377344272	6145128884131491	-7129564394170284	18372580136775828	83166793710405296	101379609152128176	616845944274375168	1705013365504511744
COS-VEN	59554605191633567744	13811784884357466112	81632414114376925184	95444188638044504064	35037976330987192320	34360966099693375488	69398939227611955200	26045254446088159232	95444276601693503498	59554605191633567744	501794084231917504	2473705937638964224	979759310011621504	56493775137190854656	472882342264649920	431450052338086400	-185788727311017440	445247750908815040	3755073278675521536	4341889501003958784	33571946827146313728	95444224212932444160
GAS-IMP	500795339165746944	116005396962412912	721649531688583936	837654830402120832	304359430344961664	300140280653357056	604499680480282624	233155198064144672	837655668497720576	500795339165746944	4440482408398533	20946127947109580	8263870377344272	472882342264649920	4849456870994958	5691714524251682	-726034275954635	10259850686508052	23734292280932160	30093527633534704	285088091222406848	837655499750838272
UTIL-OPERACIONAL	526822047503734272	112997436997619936	97147471062014912	210144649486620288	84275735139020224	58456990954351160	142732649580850832	67412109545549952	210146771459366848	526822047503734272	5852938405761286	79549334829772512	6145128884131491	431450052338086400	5691714524251682	32570515698947324	14196880259993876	37532727094532728	111592820562707504	121347660076644896	160838082371429376	210145198237546848
UTIL-NETA	-148049836110863968	-60520390727177936	-656711266281957504	-717231692249910784	-254561020387483936	-265829246235385344	-520390277492983040	-196841402999568704	-717231372973773952	-148049836110863968	1409846671960618	36391244127383224	-7129564394170284	-185788727311017440	-726034275954635	14196880259993876	14792213867115886	10692217405622230	28073662704330144	23501907317354924	-205192742523716832	-717231521671697664
ACTIV_2019	792188376472389504	343436225104147648	118000177067851696	461435252708797184	77642872527806048	55303682622247816	132946205485684112	328489588317098496	461444998353787904	792188376472389504	4927971006691181	103383017572037040	18372580136775828	445247750908815040	10259850686508052	37532727094532728	10692217405622230	304183682571562240	399039288743840064	464770051080815296	474429583301868928	461442876987243520
ACTIV_2020	4832467854238955520	1533970861123548160	830093836140056960	2364062307238216704	908137638551863168	585924754414528256	1494061669209462528	870001775043004544	2364082430816380416	4832467854238955520	31484316668403128	611373507594444928	83166793710405296	3755073278675521536	23734292280932160	111592820562707504	28073662704330144	399039288743840064	1984495561612012032	2014557711342851584	2363055664277509632	2364078155998122496
ACTIV_2021	5507867501367943168	1737109021995517696	1568535702808941312	3305641791988486656	1242907445393383424	887620686359792896	2130527246040965120	1175115948564747008	3305666399562345472	5507867501367943168	36865709982077992	637187282245518720	101379609152128176	4341889501003958784	30093527633534704	121347660076644896	23501907317354924	464770051080815296	2014557711342851584	2132195979823006464	2765803819764941312	3305661056782542336
ACTIV_2022	35297869394038775808	9004962509424740352	53521126716475539456	62526083319148273664	22669162233361240064	22340292469329784832	45009452914412707840	17516633224220196864	62526132800115408896	35297869394038775808	259679870441528480	887490748130197376	616845944274375168	33571946827146313728	285088091222406848	160838082371429376	-205192742523716832	474429583301868928	2363055664277509632	2765803819764941312	21820003161410461696	62526122455050600458
ACTIV_2023	98053458231000760320	24368987953220280320	167278049504988823552	191647026141110534144	69242682025635471360	69171755966324178944	138414434567949615104	53232596969631760384	191647120443760115722	98053458231000760320	733099103590440576	1166506036505419008	1705013365504511744	95444224212932444160	837655499750838272	210145198237546848	-717231521671697664	461442876987243520	2364078155998122496	3305661056782542336	62526122455050600458	191647102361622216704

La matriz de varianzas y covarianzas no nos fue muy útil al momento de buscar una interpretación sobre las variables, pues, al ser variables relacionadas con millones de pesos y teniendo valores tan atípicos,no fue muy razonable utilizar estos resultados; pero decidimos mostrarla igualmente para mostrar más precisamente el por qué no nos fue útil.

Por otro lado, la correlación entre variables si nos dió información que podíamos interpretar con más facilidad:

Ver código

heatmap(cor(datos[,c(14,17:37)]), 
        Rowv = NA, 
        Colv = NA, 
        col = colorRampPalette(c("#e0bbe4", "#6a0572"))(20), 
        scale = "none", 
        margins = c(5, 5))

El mapa de calor de la matriz de correlaciones nos da un adelanto de los resultados futuros: hay muchas variables que dependen entre sí y no aportan mucho a los ejes.

Ver código

library(knitr)
library(kableExtra)
library(FactoClass)

# Calcular la matriz de correlaciones
matriz_cor <- cor(datos[, c(14, 17:37)])

# Crear la tabla en HTML y mostrarla en el Viewer
kable(matriz_cor, digits = 2, format = "html") %>%
  kable_styling(full_width = F) %>%
  scroll_box(width = "800px", height = "500px") %>%
  as.character() %>%
  htmltools::HTML() %>%
  htmltools::browsable()

	ING-TAM-EMPRESARIAL	ACTIVO-CORRIENTE	ACTIVO-NO-CORRIENTE	ACTIVO-TOTAL	PASIVO-CORRIENTE	PASIVO-LRG-PLAZO	PASIVO-TOTAL	PATRIMONIO	PASIVO+PATRIM	ING-OPERACIONES	ING-NO-OPERACIONALES	GAS-OPERACIONALES	GAS-NO-OPERAC	COS-VEN	GAS-IMP	UTIL-OPERACIONAL	UTIL-NETA	ACTIV_2019	ACTIV_2020	ACTIV_2021	ACTIV_2022	ACTIV_2023
ING-TAM-EMPRESARIAL	1.00	0.92	0.85	0.88	0.89	0.87	0.88	0.86	0.88	1.00	0.83	0.43	0.82	0.99	0.89	0.36	-0.15	0.18	0.43	0.47	0.94	0.88
ACTIVO-CORRIENTE	0.92	1.00	0.83	0.87	0.87	0.85	0.86	0.89	0.87	0.92	0.66	0.27	0.82	0.91	0.82	0.31	-0.25	0.31	0.54	0.59	0.95	0.87
ACTIVO-NO-CORRIENTE	0.85	0.83	1.00	1.00	0.99	1.00	1.00	0.98	1.00	0.85	0.63	0.05	0.76	0.90	0.85	0.04	-0.45	0.02	0.05	0.09	0.95	1.00
ACTIVO-TOTAL	0.88	0.87	1.00	1.00	1.00	1.00	1.00	0.99	1.00	0.88	0.64	0.08	0.79	0.92	0.87	0.08	-0.43	0.06	0.12	0.16	0.97	1.00
PASIVO-CORRIENTE	0.89	0.87	0.99	1.00	1.00	1.00	1.00	0.98	1.00	0.89	0.66	0.10	0.80	0.93	0.87	0.09	-0.42	0.03	0.13	0.17	0.97	1.00
PASIVO-LRG-PLAZO	0.87	0.85	1.00	1.00	1.00	1.00	1.00	0.98	1.00	0.87	0.64	0.07	0.78	0.91	0.86	0.06	-0.44	0.02	0.08	0.12	0.95	1.00
PASIVO-TOTAL	0.88	0.86	1.00	1.00	1.00	1.00	1.00	0.98	1.00	0.88	0.65	0.09	0.79	0.92	0.87	0.08	-0.43	0.02	0.11	0.15	0.96	1.00
PATRIMONIO	0.86	0.89	0.98	0.99	0.98	0.98	0.98	1.00	0.99	0.86	0.61	0.06	0.76	0.89	0.86	0.10	-0.42	0.15	0.16	0.21	0.97	0.99
PASIVO+PATRIM	0.88	0.87	1.00	1.00	1.00	1.00	1.00	0.99	1.00	0.88	0.64	0.08	0.79	0.92	0.87	0.08	-0.43	0.06	0.12	0.16	0.97	1.00
ING-OPERACIONES	1.00	0.92	0.85	0.88	0.89	0.87	0.88	0.86	0.88	1.00	0.83	0.43	0.82	0.99	0.89	0.36	-0.15	0.18	0.43	0.47	0.94	0.88
ING-NO-OPERACIONALES	0.83	0.66	0.63	0.64	0.66	0.64	0.65	0.61	0.64	0.83	1.00	0.47	0.59	0.81	0.78	0.39	0.14	0.11	0.27	0.31	0.68	0.64
GAS-OPERACIONALES	0.43	0.27	0.05	0.08	0.10	0.07	0.09	0.06	0.08	0.43	0.47	1.00	0.24	0.32	0.29	0.42	0.29	0.18	0.42	0.42	0.18	0.08
GAS-NO-OPERAC	0.82	0.82	0.76	0.79	0.80	0.78	0.79	0.76	0.79	0.82	0.59	0.24	1.00	0.83	0.76	0.22	-0.37	0.21	0.38	0.44	0.84	0.79
COS-VEN	0.99	0.91	0.90	0.92	0.93	0.91	0.92	0.89	0.92	0.99	0.81	0.32	0.83	1.00	0.90	0.32	-0.20	0.11	0.35	0.40	0.96	0.92
GAS-IMP	0.89	0.82	0.85	0.87	0.87	0.86	0.87	0.86	0.87	0.89	0.78	0.29	0.76	0.90	1.00	0.45	-0.09	0.27	0.24	0.30	0.88	0.87
UTIL-OPERACIONAL	0.36	0.31	0.04	0.08	0.09	0.06	0.08	0.10	0.08	0.36	0.39	0.42	0.22	0.32	0.45	1.00	0.65	0.38	0.44	0.46	0.19	0.08
UTIL-NETA	-0.15	-0.25	-0.45	-0.43	-0.42	-0.44	-0.43	-0.42	-0.43	-0.15	0.14	0.29	-0.37	-0.20	-0.09	0.65	1.00	0.16	0.16	0.13	-0.36	-0.43
ACTIV_2019	0.18	0.31	0.02	0.06	0.03	0.02	0.02	0.15	0.06	0.18	0.11	0.18	0.21	0.11	0.27	0.38	0.16	1.00	0.51	0.58	0.18	0.06
ACTIV_2020	0.43	0.54	0.05	0.12	0.13	0.08	0.11	0.16	0.12	0.43	0.27	0.42	0.38	0.35	0.24	0.44	0.16	0.51	1.00	0.98	0.36	0.12
ACTIV_2021	0.47	0.59	0.09	0.16	0.17	0.12	0.15	0.21	0.16	0.47	0.31	0.42	0.44	0.40	0.30	0.46	0.13	0.58	0.98	1.00	0.41	0.16
ACTIV_2022	0.94	0.95	0.95	0.97	0.97	0.95	0.96	0.97	0.97	0.94	0.68	0.18	0.84	0.96	0.88	0.19	-0.36	0.18	0.36	0.41	1.00	0.97
ACTIV_2023	0.88	0.87	1.00	1.00	1.00	1.00	1.00	0.99	1.00	0.88	0.64	0.08	0.79	0.92	0.87	0.08	-0.43	0.06	0.12	0.16	0.97	1.00

Es más fácil ver con esta matriz que hay valores con 1.00 que no necesariamente están en la diagonal, eso nos dice mucho sobre nuestros datos; indica una independencia que esperábamos inicialmente, pero que no sabíamos iba a ser un común denominador entre tantas variables.

Ahora, sabiendo esto, procedemos a realizar el análisis de componentes principales, para ver qué variables aportan más.

Análisis de componentes principales (ACP)

Inercia de cada eje

Ver código

suppressWarnings({

suppressMessages({
  
if (!require(FactoMineR))install.packages("FactoMineR")
library(FactoMineR)
  if (!require(factoextra)) install.packages("factoextra")
library(factoextra)
})
})


res.PCA <- PCA(datos, quali.sup = c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11,  
     12, 13, 15, 16), graph = FALSE)

summary(res.PCA)


Call:
PCA(X = datos, quali.sup = c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11,  
     12, 13, 15, 16), graph = FALSE) 


Eigenvalues
                       Dim.1   Dim.2   Dim.3   Dim.4   Dim.5   Dim.6   Dim.7
Variance              14.728   3.548   1.456   0.863   0.520   0.334   0.268
% of var.             66.945  16.129   6.616   3.923   2.362   1.520   1.217
Cumulative % of var.  66.945  83.074  89.690  93.613  95.975  97.496  98.713
                       Dim.8   Dim.9  Dim.10  Dim.11  Dim.12  Dim.13  Dim.14
Variance               0.114   0.062   0.050   0.033   0.011   0.007   0.003
% of var.              0.518   0.283   0.228   0.149   0.051   0.032   0.016
Cumulative % of var.  99.231  99.514  99.742  99.891  99.942  99.974  99.990
                      Dim.15  Dim.16  Dim.17  Dim.18  Dim.19  Dim.20  Dim.21
Variance               0.002   0.000   0.000   0.000   0.000   0.000   0.000
% of var.              0.008   0.002   0.000   0.000   0.000   0.000   0.000
Cumulative % of var.  99.998 100.000 100.000 100.000 100.000 100.000 100.000
                      Dim.22
Variance               0.000
% of var.              0.000
Cumulative % of var. 100.000

Individuals (the 10 first)
                            Dist    Dim.1    ctr   cos2    Dim.2    ctr   cos2
1                       |  0.419 | -0.335  0.001  0.638 | -0.242  0.002  0.333
2                       |  0.541 | -0.216  0.000  0.159 |  0.085  0.000  0.025
3                       |  0.413 | -0.326  0.001  0.624 | -0.242  0.002  0.343
4                       |  9.816 |  0.792  0.005  0.007 | -4.803  0.820  0.239
5                       |  0.924 |  0.093  0.000  0.010 |  0.499  0.009  0.292
6                       |  0.336 | -0.277  0.001  0.680 | -0.112  0.000  0.111
7                       |  0.421 | -0.336  0.001  0.638 | -0.243  0.002  0.333
8                       |  0.397 | -0.321  0.001  0.651 | -0.219  0.002  0.303
9                       |  0.419 | -0.335  0.001  0.638 | -0.242  0.002  0.333
10                      |  0.361 | -0.307  0.001  0.723 | -0.171  0.001  0.226
                           Dim.3    ctr   cos2  
1                       |  0.033  0.000  0.006 |
2                       | -0.317  0.009  0.342 |
3                       |  0.030  0.000  0.005 |
4                       | -5.466  2.588  0.310 |
5                       | -0.527  0.024  0.326 |
6                       | -0.107  0.001  0.101 |
7                       |  0.034  0.000  0.007 |
8                       |  0.009  0.000  0.000 |
9                       |  0.033  0.000  0.006 |
10                      | -0.042  0.000  0.014 |

Variables (the 10 first)
                           Dim.1    ctr   cos2    Dim.2    ctr   cos2    Dim.3
ING-TAM-EMPRESARIAL     |  0.961  6.272  0.924 |  0.198  1.109  0.039 |  0.093
ACTIVO-CORRIENTE        |  0.937  5.966  0.879 |  0.201  1.142  0.041 | -0.184
ACTIVO-NO-CORRIENTE     |  0.953  6.165  0.908 | -0.286  2.308  0.082 |  0.032
ACTIVO-TOTAL            |  0.971  6.408  0.944 | -0.221  1.379  0.049 |  0.001
PASIVO-CORRIENTE        |  0.975  6.448  0.950 | -0.212  1.271  0.045 |  0.022
PASIVO-LRG-PLAZO        |  0.963  6.302  0.928 | -0.255  1.831  0.065 |  0.028
PASIVO-TOTAL            |  0.970  6.388  0.941 | -0.234  1.541  0.055 |  0.025
PATRIMONIO              |  0.962  6.287  0.926 | -0.186  0.971  0.034 | -0.061
PASIVO+PATRIM           |  0.971  6.408  0.944 | -0.221  1.379  0.049 |  0.001
ING-OPERACIONES         |  0.961  6.272  0.924 |  0.198  1.109  0.039 |  0.093
                           ctr   cos2  
ING-TAM-EMPRESARIAL      0.600  0.009 |
ACTIVO-CORRIENTE         2.326  0.034 |
ACTIVO-NO-CORRIENTE      0.070  0.001 |
ACTIVO-TOTAL             0.000  0.000 |
PASIVO-CORRIENTE         0.032  0.000 |
PASIVO-LRG-PLAZO         0.055  0.001 |
PASIVO-TOTAL             0.043  0.001 |
PATRIMONIO               0.256  0.004 |
PASIVO+PATRIM            0.000  0.000 |
ING-OPERACIONES          0.600  0.009 |

Supplementary categories (the 10 first)
                            Dist    Dim.1   cos2 v.test    Dim.2   cos2 v.test
JURIDICA                |  1.209 |  0.979  0.656  4.156 |  0.671  0.308  5.800
NATURAL                 |  0.405 | -0.328  0.656 -4.156 | -0.225  0.308 -5.800
GENERO_F                |  0.411 | -0.332  0.651 -1.827 | -0.232  0.318 -2.601
GENERO_M                |  0.399 | -0.325  0.661 -1.897 | -0.218  0.299 -2.597
GENERO_N/A              |  1.209 |  0.979  0.656  4.156 |  0.671  0.308  5.800
EMPREN-SOCIAL.N         |  0.031 |  0.025  0.657  0.666 |  0.017  0.314  0.939
EMPREN-SOCIAL.S         |  0.407 | -0.330  0.657 -0.666 | -0.228  0.314 -0.939
NACIONALIDAD_ALEMANA    |  0.421 | -0.337  0.641 -0.088 | -0.242  0.330 -0.128
NACIONALIDAD_COLOMBIANA |  0.405 | -0.328  0.657 -4.060 | -0.225  0.308 -5.662
NACIONALIDAD_FRANCESA   |  0.420 | -0.335  0.638 -0.087 | -0.242  0.332 -0.128
                           Dim.3   cos2 v.test  
JURIDICA                | -0.128  0.011 -1.723 |
NATURAL                 |  0.043  0.011  1.723 |
GENERO_F                |  0.037  0.008  0.652 |
GENERO_M                |  0.048  0.014  0.890 |
GENERO_N/A              | -0.128  0.011 -1.723 |
EMPREN-SOCIAL.N         | -0.003  0.007 -0.217 |
EMPREN-SOCIAL.S         |  0.034  0.007  0.217 |
NACIONALIDAD_ALEMANA    |  0.034  0.006  0.028 |
NACIONALIDAD_COLOMBIANA |  0.043  0.011  1.687 |
NACIONALIDAD_FRANCESA   |  0.033  0.006  0.028 |

Ver código

# Extraer información de las contribuciones
var_contrib <- get_pca_var(res.PCA)

# Crear y mostrar tabla de contribuciones de variables
contrib_table <- var_contrib$contrib
kable(contrib_table, caption = "Contribuciones de las Variables en el PCA")

Contribuciones de las Variables en el PCA
	Dim.1	Dim.2	Dim.3	Dim.4	Dim.5
ING-TAM-EMPRESARIAL	6.2721304	1.1090507	0.5996589	1.6875463	0.0218336
ACTIVO-CORRIENTE	5.9663488	1.1416668	2.3257646	0.0005751	1.3329571
ACTIVO-NO-CORRIENTE	6.1649282	2.3077861	0.0696050	0.4673464	0.0472336
ACTIVO-TOTAL	6.4080039	1.3791470	0.0000683	0.3626772	0.0004696
PASIVO-CORRIENTE	6.4482579	1.2708000	0.0321365	0.0443493	0.0957080
PASIVO-LRG-PLAZO	6.3024288	1.8311301	0.0553478	0.1652813	0.0008740
PASIVO-TOTAL	6.3878048	1.5411108	0.0430375	0.0953729	0.0196361
PATRIMONIO	6.2870966	0.9713784	0.2555018	1.8241711	0.1923583
PASIVO+PATRIM	6.4080079	1.3791313	0.0000683	0.3626763	0.0004701
ING-OPERACIONES	6.2721304	1.1090507	0.5996589	1.6875463	0.0218336
ING-NO-OPERACIONALES	3.7635730	2.0543178	11.8903979	1.9850170	0.5445171
GAS-OPERACIONALES	0.3955625	10.5461444	5.8997316	31.5303469	31.2837569
GAS-NO-OPERAC	4.9519898	0.1970896	2.3224838	1.0229471	0.0950954
COS-VEN	6.4559153	0.2490218	0.6824509	0.7375700	1.2270893
GAS-IMP	5.7101759	0.4323581	2.9104505	4.3870385	1.5986799
UTIL-OPERACIONAL	0.3807946	15.2456405	10.1079678	12.7464263	4.2997268
UTIL-NETA	0.6764792	11.5989736	22.2200630	7.3093776	4.9491140
ACTIV_2019	0.1877067	9.4826663	11.1300762	29.2009068	39.9863796
ACTIV_2020	0.6414300	17.3254999	13.5415673	2.6427503	9.0493436
ACTIV_2021	0.8542669	17.4469893	14.4839664	1.3707184	4.6905157
ACTIV_2022	6.6569622	0.0019101	0.8299286	0.0066831	0.5419375
ACTIV_2023	6.4080061	1.3791366	0.0000682	0.3626759	0.0004701

Ver código

# Extraer información de las distancias
var_distances <- get_pca_var(res.PCA)$cos2

# Crear y mostrar tabla de distancias
distance_table <- var_distances
kable(distance_table, caption = "Distancias de las Variables a los Componentes Principales en el PCA")

Distancias de las Variables a los Componentes Principales en el PCA
	Dim.1	Dim.2	Dim.3	Dim.4	Dim.5
ING-TAM-EMPRESARIAL	0.9237541	0.0393526	0.0087287	0.0145629	0.0001135
ACTIVO-CORRIENTE	0.8787189	0.0405099	0.0338542	0.0000050	0.0069280
ACTIVO-NO-CORRIENTE	0.9079655	0.0818875	0.0010132	0.0040330	0.0002455
ACTIVO-TOTAL	0.9437655	0.0489365	0.0000010	0.0031298	0.0000024
PASIVO-CORRIENTE	0.9496940	0.0450920	0.0004678	0.0003827	0.0004974
PASIVO-LRG-PLAZO	0.9282164	0.0649742	0.0008057	0.0014263	0.0000045
PASIVO-TOTAL	0.9407905	0.0546834	0.0006265	0.0008230	0.0001021
PATRIMONIO	0.9259583	0.0344675	0.0037191	0.0157419	0.0009998
PASIVO+PATRIM	0.9437660	0.0489359	0.0000010	0.0031298	0.0000024
ING-OPERACIONES	0.9237541	0.0393526	0.0087287	0.0145629	0.0001135
ING-NO-OPERACIONALES	0.5542959	0.0728936	0.1730786	0.0171299	0.0028301
GAS-OPERACIONALES	0.0582581	0.3742102	0.0858775	0.2720944	0.1625959
GAS-NO-OPERAC	0.7293249	0.0069934	0.0338065	0.0088276	0.0004943
COS-VEN	0.9508218	0.0088361	0.0099339	0.0063649	0.0063777
GAS-IMP	0.8409899	0.0153414	0.0423650	0.0378584	0.0083091
UTIL-OPERACIONAL	0.0560831	0.5409631	0.1471333	0.1099966	0.0223476
UTIL-NETA	0.0996313	0.4115679	0.3234390	0.0630770	0.0257228
ACTIV_2019	0.0276453	0.3364747	0.1620113	0.2519923	0.2078273
ACTIV_2020	0.0944693	0.6147630	0.1971133	0.0228059	0.0470335
ACTIV_2021	0.1258157	0.6190738	0.2108310	0.0118288	0.0243787
ACTIV_2022	0.9804318	0.0000678	0.0120806	0.0000577	0.0028167
ACTIV_2023	0.9437658	0.0489361	0.0000010	0.0031297	0.0000024

Ver código

var_coords <- get_pca_var(res.PCA)$coord
coords_table <- var_coords
kable(coords_table, caption = "Coordenadas de las Variables en el PCA")

Coordenadas de las Variables en el PCA
	Dim.1	Dim.2	Dim.3	Dim.4	Dim.5
ING-TAM-EMPRESARIAL	0.9611213	0.1983749	0.0934277	-0.1206767	-0.0106527
ACTIVO-CORRIENTE	0.9374001	0.2012707	-0.1839952	0.0022278	-0.0832345
ACTIVO-NO-CORRIENTE	0.9528722	-0.2861599	0.0318305	0.0635060	0.0156683
ACTIVO-TOTAL	0.9714759	-0.2212159	0.0009970	0.0559443	0.0015623
PASIVO-CORRIENTE	0.9745225	-0.2123487	0.0216283	0.0195632	-0.0223033
PASIVO-LRG-PLAZO	0.9634399	-0.2549004	0.0283840	0.0377665	0.0021313
PASIVO-TOTAL	0.9699436	-0.2338449	0.0250292	0.0286885	-0.0101024
PATRIMONIO	0.9622673	-0.1856544	-0.0609846	0.1254666	0.0316192
PASIVO+PATRIM	0.9714762	-0.2212146	0.0009968	0.0559442	0.0015631
ING-OPERACIONES	0.9611213	0.1983749	0.0934277	-0.1206767	-0.0106527
ING-NO-OPERACIONALES	0.7445105	0.2699882	0.4160272	-0.1308813	0.0531987
GAS-OPERACIONALES	0.2413672	0.6117272	0.2930486	-0.5216267	0.4032318
GAS-NO-OPERAC	0.8540052	0.0836263	-0.1838653	-0.0939555	0.0222318
COS-VEN	0.9751009	0.0940004	0.0996688	-0.0797806	-0.0798607
GAS-IMP	0.9170550	0.1238605	0.2058276	0.1945724	0.0911541
UTIL-OPERACIONAL	0.2368187	0.7355019	0.3835796	0.3316574	-0.1494912
UTIL-NETA	-0.3156443	0.6415356	0.5687169	0.2511514	-0.1603833
ACTIV_2019	0.1662687	0.5800644	-0.4025062	0.5019883	0.4558808
ACTIV_2020	0.3073585	0.7840682	-0.4439745	-0.1510162	-0.2168722
ACTIV_2021	0.3547051	0.7868124	-0.4591634	-0.1087601	-0.1561369
ACTIV_2022	0.9901676	-0.0082326	-0.1099117	0.0075943	-0.0530725
ACTIV_2023	0.9714761	-0.2212150	0.0009967	0.0559442	0.0015631

Ver código

library(factoextra)

fviz_screeplot(res.PCA, 
               addlabels = TRUE, 
               ylim = c(0, 100), 
               ggtheme = theme_minimal(), 
               barfill = "purple", 
               barcolor = "black")

Ver código

library(kableExtra)

eig_values <- res.PCA$eig

eig_df <- data.frame(
  Component = 1:nrow(eig_values),
  Eigenvalue = eig_values[, 1],
  Variance_Explained = eig_values[, 2],
  Cumulative_Variance_Explained = eig_values[, 3]
)

kable(eig_df, digits = 2, col.names = c("Componente", "Eigenvalor", "Varianza Explicada (%)", "Varianza Acumulada (%)")) %>%
  kable_styling(full_width = FALSE) %>%
  scroll_box(width = "800px", height = "500px")

	Componente	Eigenvalor	Varianza Explicada (%)	Varianza Acumulada (%)
comp 1	1	14.73	66.95	66.95
comp 2	2	3.55	16.13	83.07
comp 3	3	1.46	6.62	89.69
comp 4	4	0.86	3.92	93.61
comp 5	5	0.52	2.36	95.98
comp 6	6	0.33	1.52	97.50
comp 7	7	0.27	1.22	98.71
comp 8	8	0.11	0.52	99.23
comp 9	9	0.06	0.28	99.51
comp 10	10	0.05	0.23	99.74
comp 11	11	0.03	0.15	99.89
comp 12	12	0.01	0.05	99.94
comp 13	13	0.01	0.03	99.97
comp 14	14	0.00	0.02	99.99
comp 15	15	0.00	0.01	100.00
comp 16	16	0.00	0.00	100.00
comp 17	17	0.00	0.00	100.00
comp 18	18	0.00	0.00	100.00
comp 19	19	0.00	0.00	100.00
comp 20	20	0.00	0.00	100.00
comp 21	21	0.00	0.00	100.00
comp 22	22	0.00	0.00	100.00

Ahora, vemos (en cada columna) la inercia de cada eje, qué tan representativo es cada uno y su acumulativo. Esto nos será útil para visualizar con cuántos ejes vamos a trabajar. En este caso trabajaremos con los tres primeros.

Proyección de las variables en los nuevos ejes

Ver código

plot.PCA(res.PCA,axes=c(1,2),choix='var')

Warning: ggrepel: 7 unlabeled data points (too many overlaps). Consider
increasing max.overlaps

Ver código

plot.PCA(res.PCA,axes=c(2,3),choix='var')

Warning: ggrepel: 11 unlabeled data points (too many overlaps). Consider
increasing max.overlaps

Ver código

plot.PCA(res.PCA,axes=c(1,3),choix='var')

Warning: ggrepel: 11 unlabeled data points (too many overlaps). Consider
increasing max.overlaps

Visualización de categoricas en los nuevos ejes

Ver código

fviz_pca_biplot(res.PCA, label = "none",
                habillage = datos$GENERO,
                addEllipses = TRUE)

Se realizó esta visualización para comprobar que tanto estaban afectando los datos atipicos a nuestro analisis. Como se puede observar las personas juridicas se llevan muy por encima a las personas naturales, por eso casi no se ven las elipses de el genero femenino ni la del masculino.

Dado a que no se puede hacer una analisis correcto por este medio, se realizara un ACP diferente para solo las personas naturales.

Personas naturales

Diagnostico inicial

Ver código

# Seleccionamos el archivo CSV 

ruta_archivo <- file.choose()



# Carga el archivo CSV

datos_nat <- read.csv(ruta_archivo, sep = ";")

RAZON_SOCIAL	GENERO	EMPREN-SOCIAL	NACIONALIDAD	DIR-COMERCIAL	MUN-COMERCIAL	CATEGORIA	ACTIVIDAD_ECONOMICA_PRINCIPAL	DOS_O_MAS_ACT_ECON	CANT-EST-BD	ING-TAM-EMPRESARIAL	ESTRATO	PERSONAL	ACTIVO-CORRIENTE	ACTIVO-TOTAL	PATRIMONIO	PASIVO+PATRIM	ING-OPERACIONES	ACTIV_2019	ACTIV_2020	ACTIV_2021	ACTIV_2022	ACTIV_2023
NATURAL	F	S	COLOMBIANA	RURAL	05148 - CARMEN DE VIBORAL	AGROPECUARIA	AGRICULTURA	DOS O MÁS ACTIVIDADES ECONOMICAS	uno	0	5	0	2000000	2000000	2000000	2000000	0	0	0	0	0	2000000
NATURAL	F	N	COLOMBIANA	URBANO	05674-SAN VICENTE FERRER	AGROPECUARIA	AGRICULTURA	DOS O MÁS ACTIVIDADES ECONOMICAS	uno	72850000	6	0	3000000	3000000	3000000	3000000	72850000	0	0	3000000	3000000	3000000
NATURAL	M	N	COLOMBIANA	RURAL	05541 - EL PENOL	AGROPECUARIA	GANADERÍA	DOS O MÁS ACTIVIDADES ECONOMICAS	uno	0	6	0	1000000	1000000	1000000	1000000	0	0	0	0	0	1000000
NATURAL	M	N	COLOMBIANA	URBANO	05318 - GUARNE	AGROPECUARIA	GANADERÍA	DOS O MÁS ACTIVIDADES ECONOMICAS	uno	170000000	6	3	4200000	4200000	4200000	4200000	170000000	2500000	3100000	3400000	3900000	4200000
NATURAL	F	N	COLOMBIANA	URBANO	05148 - CARMEN DE VIBORAL	AGROPECUARIA	GANADERÍA	DOS O MÁS ACTIVIDADES ECONOMICAS	uno	300	6	0	1000000	1000000	1000000	1000000	300	0	1000000	1100000	1000000	1000000
NATURAL	M	N	COLOMBIANA	URBANO	05440 - MARINILLA	AUDIOVISUAL	OTROS	DOS O MÁS ACTIVIDADES ECONOMICAS	uno	40000000	5	0	3000000	3000000	3000000	3000000	40000000	5500000	3000000	3000000	3000000	3000000

Ver código

suppressWarnings({

suppressMessages({
  
library(plotly)
library(readxl)
library(dplyr)
  
})

})

# Desactivar notación científica
options(scipen = 999)

# Especifica la ruta del archivo Excel
archivo_excel <- "C:/Users/catam/OneDrive/Escritorio/NATURALES.xlsx"

# Leer los datos desde Excel sin especificar col_types
dat_nat <- read_excel(archivo_excel)

# Función para limpiar y convertir las columnas a numéricas
clean_and_convert <- function(df) {
  df[] <- lapply(df, function(column) {
    if (is.character(column)) {
      column <- gsub(",", "", column) # Eliminar comas
      column <- gsub(" ", "", column) # Eliminar espacios
      column <- as.numeric(column)    # Convertir a numérico
    }
    return(column)
  })
  return(df)
}

# Aplicar la función a las columnas numéricas
# Identifica las columnas que deberían ser numéricas (aquí se asume que las columnas de la 14 a la 37 deberían ser numéricas)
columnas_numericas <- c(14,17:37)
dat_nat[, columnas_numericas] <- clean_and_convert(dat_nat[, columnas_numericas])

dat_nat$`CANT-EST-BD` <- as.factor(dat_nat$`CANT-EST-BD`)
dat_nat$GENERO <- as.factor(dat_nat$GENERO)
dat_nat$RAZON_SOCIAL <- as.factor(dat_nat$RAZON_SOCIAL)
dat_nat$`EMPREN-SOCIAL` <- as.factor(dat_nat$`EMPREN-SOCIAL`)
dat_nat$NACIONALIDAD <- as.factor(dat_nat$NACIONALIDAD)
dat_nat$`DIR-COMERCIAL` <- as.factor(dat_nat$`DIR-COMERCIAL`)
dat_nat$`MUN-COMERCIAL` <- as.factor(dat_nat$`MUN-COMERCIAL`)
dat_nat$CATEGORIA <- as.factor(dat_nat$CATEGORIA)
dat_nat$ACTIVIDAD_ECONOMICA_PRINCIPAL <- as.factor(dat_nat$ACTIVIDAD_ECONOMICA_PRINCIPAL)
dat_nat$DOS_O_MAS_ACT_ECON <- as.factor(dat_nat$DOS_O_MAS_ACT_ECON)
dat_nat$`CANT-MUJERES` <- as.factor(dat_nat$`CANT-MUJERES`)
dat_nat$`CANT-MUJERES-CAR-DIR` <- as.factor(dat_nat$`CANT-MUJERES-CAR-DIR`)
dat_nat$`PORCENT-PART-MUJ` <- as.factor(dat_nat$`PORCENT-PART-MUJ`)
dat_nat$ESTRATO <- as.factor(dat_nat$ESTRATO)
dat_nat$PERSONAL <- as.factor(dat_nat$PERSONAL)

# Muestra el resumen de los datos importados
summary(dat_nat)

  RAZON_SOCIAL GENERO  EMPREN-SOCIAL     NACIONALIDAD DIR-COMERCIAL
 NATURAL:594   F:286   N:547         COLOMBIANA:587   RURAL :162   
               M:308   S: 47         OTRO      :  7   URBANO:432   
                                                                   
                                                                   
                                                                   
                                                                   
                                                                   
                   MUN-COMERCIAL                               CATEGORIA  
 05615 - RIONEGRO         :147   ELABORACION DE PRODUCTOS DE CONSUMO:492  
 05440 - MARINILLA        : 76   HOTELERÍA Y TURISMO                : 56  
 05148 - CARMEN DE VIBORAL: 65   COMERCIO                           : 30  
 05376 - LA CEJA          : 54   AGROPECUARIA                       :  5  
 05318 - GUARNE           : 48   RECREACION                         :  4  
 05697 - SANTUARIO        : 24   AUDIOVISUAL                        :  2  
 (Other)                  :180   (Other)                            :  5  
        ACTIVIDAD_ECONOMICA_PRINCIPAL                        DOS_O_MAS_ACT_ECON
 ELABORACION PANADERIA :241           DOS O MÁS ACTIVIDADES ECONOMICAS:363     
 PRODUCTOS ALIMENTICIOS: 62           N/A                             :231     
 PROCESADOS ANIMALES   : 49                                                    
 ELABORACION DE COMIDA : 47                                                    
 PRODUCTOS DE MOLINERIA: 31                                                    
 POR MENOR             : 28                                                    
 (Other)               :136                                                    
    CANT-EST-BD   CANT-MUJERES CANT-MUJERES-CAR-DIR PORCENT-PART-MUJ
 cero     : 48   0      :447   0:594                0:594           
 dos_o_mas: 14   1      : 83                                        
 uno      :532   2      : 37                                        
                 3      : 15                                        
                 4      :  4                                        
                 5      :  3                                        
                 (Other):  5                                        
 ING-TAM-EMPRESARIAL  ESTRATO    PERSONAL   ACTIVO-CORRIENTE   
 Min.   :         0   1:410   0      :381   Min.   :        0  
 1st Qu.:         0   2:  2   1      :100   1st Qu.:  1600000  
 Median :   9300000   3:  1   2      : 52   Median :  3130000  
 Mean   :  49730165   4:  1   3      : 23   Mean   :  8100834  
 3rd Qu.:  36000000   5:128   4      : 15   3rd Qu.:  8242500  
 Max.   :5720881000   6: 52   5      : 10   Max.   :706777000  
                              (Other): 13                      
 ACTIVO-NO-CORRIENTE  ACTIVO-TOTAL       PASIVO-CORRIENTE    PASIVO-LRG-PLAZO 
 Min.   :        0   Min.   :        0   Min.   :        0   Min.   :      0  
 1st Qu.:        0   1st Qu.:  1900000   1st Qu.:        0   1st Qu.:      0  
 Median :        0   Median :  3500000   Median :        0   Median :      0  
 Mean   :  1165711   Mean   :  9278750   Mean   :  1388282   Mean   :  51088  
 3rd Qu.:        0   3rd Qu.:  9000000   3rd Qu.:        0   3rd Qu.:      0  
 Max.   :231266000   Max.   :938043000   Max.   :367530000   Max.   :9587000  
                                                                              
  PASIVO-TOTAL         PATRIMONIO        PASIVO+PATRIM      
 Min.   :        0   Min.   :        0   Min.   :        0  
 1st Qu.:        0   1st Qu.:  1300000   1st Qu.:  1900000  
 Median :        0   Median :  3000000   Median :  3500000  
 Mean   :  1444659   Mean   :  7826271   Mean   :  9278750  
 3rd Qu.:        0   3rd Qu.:  8000000   3rd Qu.:  9000000  
 Max.   :367530000   Max.   :604967325   Max.   :938043000  
                                                            
 ING-OPERACIONES      ING-NO-OPERACIONALES GAS-OPERACIONALES   
 Min.   :         0   Min.   :       0     Min.   :         0  
 1st Qu.:         0   1st Qu.:       0     1st Qu.:         0  
 Median :   9300000   Median :       0     Median :         0  
 Mean   :  49730165   Mean   :   89831     Mean   :   6749619  
 3rd Qu.:  36000000   3rd Qu.:       0     3rd Qu.:         0  
 Max.   :5720881000   Max.   :28358000     Max.   :2351202000  
                                                               
 GAS-NO-OPERAC          COS-VEN              GAS-IMP        
 Min.   :        0   Min.   :         0   Min.   :       0  
 1st Qu.:        0   1st Qu.:         0   1st Qu.:       0  
 Median :        0   Median :         0   Median :       0  
 Mean   :   531234   Mean   :  31938387   Mean   :  226587  
 3rd Qu.:        0   3rd Qu.:         0   3rd Qu.:       0  
 Max.   :121203000   Max.   :7200000000   Max.   :59629000  
                                                            
 UTIL-OPERACIONAL      UTIL-NETA           ACTIV_2019       
 Min.   :-23200000   Min.   :-23200000   Min.   :        0  
 1st Qu.:        0   1st Qu.:        0   1st Qu.:        0  
 Median :        0   Median :        0   Median :        0  
 Mean   :  2253259   Mean   :  1568277   Mean   :  2904919  
 3rd Qu.:        0   3rd Qu.:        0   3rd Qu.:  1737500  
 Max.   :338606000   Max.   :186132000   Max.   :470937000  
                                                            
   ACTIV_2020          ACTIV_2021          ACTIV_2022       
 Min.   :        0   Min.   :        0   Min.   :        0  
 1st Qu.:        0   1st Qu.:        0   1st Qu.:    17750  
 Median :        0   Median :  1185000   Median :  2250000  
 Mean   :  3543864   Mean   :  4338535   Mean   :  6543159  
 3rd Qu.:  3000000   3rd Qu.:  4537500   3rd Qu.:  6011275  
 Max.   :428599117   Max.   :379325000   Max.   :509312000  
                                                            
   ACTIV_2023       
 Min.   :        0  
 1st Qu.:  1800000  
 Median :  3500000  
 Mean   :  9310628  
 3rd Qu.:  8950050  
 Max.   :938043000

En este breve resumen vemos que algunas variables categóricas como la nacionalidad cambió, pues eran muy pocas las personas con nacionalidad extranjera en comparación a las colombianas, la cantidad de mujeres en cargos directivos y el porcentaje de participación de mujeres en estos cargos, por ejemplo, también puede interpretarse con facilidad, pues su único valor es 0. Por otro lado, en cuanto a las variables cuantitativas, vemos que se han reducido de manera evidente algunos valores que antes estaban disparados, como lo son los máximos en Activos, Pasivos, Ingresos, etc. Por supuesto que aún hay valores atípicos, pero no de manera tan drástica como anteriormente. También podemos ver que se siguen presentando varios percentiles de tercer orden en 0, lo que nos puede llegar a decir información a futuro de este grupo de empresarios.

Analisis Univariado

Histogramas sobre variables cualitativas

Ver código

fig <- plot_ly(dat_nat, x=~GENERO, type='histogram',  
               marker = list(color = '#76EEC6'))  
fig <- fig %>% layout(title = "GÉNERO",                        
                      xaxis=list((title="Actividad")),                        
                      yaxis=list(title='Frec. abs.'))  
fig

En cuanto a género, podemos ver una paridad notable, lo que nos sugiere que al momento de responer la encuesta, aquellas mujeres cabezas de emprendimientos o autoras, no se consideraron como cargo directivo al ser únicas dueñas y/o empleadas y que posiblemente las preguntas tenían una redacción confusa.

Ver código

fig <- plot_ly(dat_nat, x=~NACIONALIDAD, type='histogram',  
               marker = list(color = '#76EEC6'))  
fig <- fig %>% layout(title = "NACIONALIDAD",                        
                      xaxis=list((title="Actividad")),                        
                      yaxis=list(title='Frec. abs.'))  
fig

En cuanto a nacionalidad se mantiene que la colombiana es la que predomina.

Ver código

fig <- plot_ly(dat_nat, x=~`MUN-COMERCIAL`, type='histogram',  marker = list(color = '#76EEC6'))  
fig <- fig %>% layout(title = "MUNICIPIO COMERCIAL",                        
                      xaxis=list((title="Actividad")),                        
                      yaxis=list(title='Frec. abs.'))  
fig

Rionegro sigue siendo el que cuenta con más emprendimientos registrados, pero ya vemos municipios como Marinilla, Carmen de Viboral y La Ceja dandonos un poco más de presencia que antes con la base de datos de personas naturales y jurídicas juntas.

Ver código

fig <- plot_ly(dat_nat, x=~`DIR-COMERCIAL`, type='histogram',  marker = list(color = '#76EEC6'))  
fig <- fig %>% layout(title = "DIRECCIÓN COMERCIAL",                        
                      xaxis=list((title="Actividad")),                        
                      yaxis=list(title='Frec. abs.'))  
fig

Se mantiene que las personas naturales siguen optando por dirigir su empresa hacia zonas urbanas, por efectos de comercio y distribución efectiva y accequible.

Ver código

fig <- plot_ly(dat_nat, x=~ESTRATO, type='histogram',  marker = list(color = '#76EEC6'))  
fig <- fig %>% layout(title = "ESTRATO",                        
                      xaxis=list((title="Actividad")),                        
                      yaxis=list(title='Frec. abs.'))  
fig

En el estrato optamos por no agrupar aún la categoría para que se visualizara con facilidad que el estrato 1 es aquel que sobrepasa por mucho a los demás.

Ver código

fig <- plot_ly(dat_nat, x=~CATEGORIA, type='histogram',  marker = list(color = '#76EEC6'))  
fig <- fig %>% layout(title = "CATEGORIA",                        
                      xaxis=list((title="Actividad")),                        
                      yaxis=list(title='Frec. abs.'))  
fig

La elaboración de productos de consumo es la categoría que más eligen los oriente antioqueños interesados en el área de alimentación al momento de empezar su negocio vinculado a los alimentos.

Ver código

fig <- plot_ly(dat_nat, x=~DOS_O_MAS_ACT_ECON, type='histogram',  marker = list(color = '#76EEC6'))  
fig <- fig %>% layout(title = "DOS O MÁS ACTIVIDADES ECONÓMICAS",
                      xaxis=list((title="Actividad")),                        
                      yaxis=list(title='Frec. abs.'))  
fig

Que tengan dos o más actividades económicas nos indica que las personas optan por ofrecer diferentes tipos de servicios en un mismo establecimiento como forma de proyección a futuro de ampliarse como empresa.

Ver código

fig <- plot_ly(dat_nat, x=~ACTIVIDAD_ECONOMICA_PRINCIPAL, type='histogram',  marker = list(color = '#76EEC6'))  
fig <- fig %>% layout(title = "ACTIVIDAD ECONÓMICA PRINCIPAL",                  
                      xaxis=list((title="Actividad")),                        
                      yaxis=list(title='Frec. abs.'))  
fig

En el oriente antioqueño no parecen faltar buenas paanderías y empresas que relacionen su comercio al consumo de productos alimenticios (antes que el expendio de comidas, por ejemplo).

Ver código

fig <- plot_ly(dat_nat, x=~PERSONAL, type='histogram',  marker = list(color = '#76EEC6'))  
fig <- fig %>% layout(title = "PERSONAL",                        
                      xaxis=list((title="Personal")),                        
                      yaxis=list(title='Frec. abs.'))  
fig

Esta variable reafirma que la gran mayoría de individuos de este grupo se caracteriza por tener su propia empresa y dedicarse exclusivamente a ella, sin ningún tipo de apoyo laboral.

Ver código

fig <- plot_ly(dat_nat, x=~`CANT-MUJERES`, type='histogram',  marker = list(color = '#76EEC6'))  
fig <- fig %>% layout(title = "CANTIDAD DE MUJERES",                        
                      xaxis=list((title="A")),                        
                      yaxis=list(title='Frec. abs.'))  
fig

Pocas empresas cuentan con personal femenino en sus empresas, a pesar de que este sector ha sido afianzado con una destreza con las mujeres por el tema de la sazón, el conocimiento y demás tardiciones, no se evidencia que hayan muchas mujeres dentro de estas empresas.

Ver código

fig <- plot_ly(dat_nat, x=~`EMPREN-SOCIAL`, type='histogram',  marker = list(color = '#76EEC6'))  
fig <- fig %>% layout(title = "ASPIRA O NO A FRANQUICIA",                       
                      xaxis=list((title="Franquiciado")),                       
                      yaxis=list(title='Frec. abs.'))  
fig

Las personas naturales no aspiran a adquirir el título de franquiciados en el oriente antioqueño. ¿será que es únicamente en el oriente antioqueño?¿será más psoible que se trate de un común denominador en el país por algún tipo de impedimento económico o consecuencia legal/fiscal como declarantes ante la cámara de comercio?

Ver código

fig <- plot_ly(dat_nat, x=~`CANT-EST-BD`, type='histogram',  marker = list(color = '#76EEC6'))  
fig <- fig %>% layout(title = "ESTABLECIMIENTOS FÍSICOS",                       
                      xaxis=list((title="Actividad")),                        
                      yaxis=list(title='Frec. abs.'))  
fig

De las 594 personas naturales, sólo 48 no cuentan con establecimientos físicos para su negocio. Consideramos esto como una presencia de empresas movidas por redes sociales, incluso voz a voz.

Diagramas variables cuantitativas

Ver código

# Creación del gráfico de caja y bigotes con ajustes de visualización
fig <- plot_ly(
  data = dat_nat, 
  y = ~`ING-TAM-EMPRESARIAL`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = '#54FF9F'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "Distribución de los Ingresos", 
  yaxis = list(
    title = "Ingresos (COP)",    # Etiqueta del eje Y con formato en COP
    zeroline = FALSE,
    tickprefix = "$",           # Prefijo de pesos colombianos
    tickformat = ",.0f"        # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'ACTIVO-TOTAL'
fig <- plot_ly(
  data = dat_nat, 
  y = ~`ACTIVO-TOTAL`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = '#54FF9F'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "ACTIVO TOTAL", 
  yaxis = list(
    title = "Activo Total (COP)",  # Etiqueta del eje Y con formato en COP
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'ACTIVO-CORRIENTE'
fig <- plot_ly(
  data = dat_nat, 
  y = ~`ACTIVO-CORRIENTE`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = '#54FF9F'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "ACTIVO CORRIENTE", 
  yaxis = list(
    title = "Activo Corriente (COP)",  # Etiqueta del eje Y con formato en COP
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'PASIVO-TOTAL'
fig <- plot_ly(
  data = dat_nat, 
  y = ~`PASIVO-TOTAL`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = '#54FF9F'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "PASIVO TOTAL", 
  yaxis = list(
    title = "Pasivo Total (COP)",  # Etiqueta del eje Y con formato en COP
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'PATRIMONIO'
fig <- plot_ly(
  data = dat_nat, 
  y = ~PATRIMONIO,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = '#54FF9F'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "PATRIMONIO", 
  yaxis = list(
    title = "Patrimonio (COP)",  # Etiqueta del eje Y con formato en COP
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'ING-OPERACIONES'
fig <- plot_ly(
  data = dat_nat, 
  y = ~`ING-OPERACIONES`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = '#54FF9F'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "INGRESOS OPERACIONALES", 
  yaxis = list(
    title = "Ingresos Operacionales (COP)",  # Etiqueta del eje Y con formato en COP
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'GAS-OPERACIONALES'
fig <- plot_ly(
  data = dat_nat, 
  y = ~`GAS-OPERACIONALES`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = '#54FF9F'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "GASTOS OPERACIONALES", 
  yaxis = list(
    title = "Gastos Operacionales (COP)",  # Etiqueta del eje Y con formato en COP
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'GAS-NO-OPERAC'
fig <- plot_ly(
  data = dat_nat, 
  y = ~`GAS-NO-OPERAC`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = '#54FF9F'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "GASTOS NO OPERACIONALES", 
  yaxis = list(
    title = "Gastos No Operacionales (COP)",  # Etiqueta del eje Y con formato en COP
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'COS-VEN'
fig <- plot_ly(
  data = dat_nat, 
  y = ~`COS-VEN`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = '#54FF9F'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "GASTOS", 
  yaxis = list(
    title = "Gastos (COP)",  # Etiqueta del eje Y con formato en COP
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'GAS-IMP'
fig <- plot_ly(
  data = dat_nat, 
  y = ~`GAS-IMP`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = '#54FF9F'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "GASTO EN IMPUESTOS", 
  yaxis = list(
    title = "Gasto en Impuestos (COP)",  # Etiqueta del eje Y con formato en COP
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'UTIL-OPERACIONAL'
fig <- plot_ly(
  data = dat_nat, 
  y = ~`UTIL-OPERACIONAL`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = '#54FF9F'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "UTILIDAD OPERACIONAL", 
  yaxis = list(
    title = "Utilidad Operacional (COP)",  # Etiqueta del eje Y con formato en COP
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'UTIL-NETA'
fig <- plot_ly(
  data = dat_nat, 
  y = ~`UTIL-NETA`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = '#54FF9F'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "UTILIDAD NETA", 
  yaxis = list(
    title = "Utilidad Neta (COP)",  # Etiqueta del eje Y con formato en COP
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'ACTIV_2019'
fig <- plot_ly(
  data = dat_nat, 
  y = ~`ACTIV_2019`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = '#54FF9F'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "ACTIVOS 2019", 
  yaxis = list(
    title = "Activos 2019 (COP)",  # Etiqueta del eje Y con formato en COP
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'ACTIV_2020'
fig <- plot_ly(
  data = dat_nat, 
  y = ~`ACTIV_2020`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = '#54FF9F'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "ACTIVOS 2020", 
  yaxis = list(
    title = "Activos 2020 (COP)",  # Etiqueta del eje Y con formato en COP
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'ACTIV_2021'
fig <- plot_ly(
  data = dat_nat, 
  y = ~`ACTIV_2021`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = '#54FF9F'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "ACTIVOS 2021", 
  yaxis = list(
    title = "Activos 2021 (COP)", # Etiqueta del eje Y
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'ACTIV_2022'
fig <- plot_ly(
  data = dat_nat, 
  y = ~`ACTIV_2022`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = '#54FF9F'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "ACTIVOS 2022", 
  yaxis = list(
    title = "Activos 2022 (COP)", 
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Ver código

# Creación del gráfico de caja y bigotes con la variable 'ACTIV_2023'
fig <- plot_ly(
  data = dat_nat, 
  y = ~`ACTIV_2023`,  # Cambiado a 'y' para un gráfico vertical
  type = 'box',
  boxpoints = 'all',           # Muestra todos los puntos de datos
  jitter = 0.3,                # Dispersión de los puntos de datos
  pointpos = -1.8,             # Posición de los puntos de datos
  marker = list(color = '#54FF9F'), # Color de los puntos de datos
  line = list(color = 'black')  # Color de las líneas de las cajas
)

# Ajuste del diseño del gráfico
fig <- fig %>% layout(
  title = "ACTIVOS 2023", 
  yaxis = list(
    title = "Activos 2023 (COP)", 
    zeroline = FALSE,
    tickprefix = "$",             # Prefijo de pesos colombianos
    tickformat = ",.0f"          # Formato de los ticks (sin decimales)
  ),
  showlegend = FALSE            # Ocultar la leyenda si no es necesaria
)

# Mostrar el gráfico
fig

Análisis Bivariado

Ver código

library(knitr)
library(kableExtra)

# Calcular la matriz de varianzas y covarianzas poblacional
n <- nrow(dat_nat)
matriz_cov <- var(dat_nat[, c(14, 17:37)]) * (n - 1) / n

# Crear la tabla en HTML y mostrarla en el Viewer
kable(matriz_cov, digits = 2, format = "html") %>%
  kable_styling(full_width = F) %>%
  scroll_box(width = "800px", height = "500px") %>%
  as.character() %>%
  htmltools::HTML() %>%
  htmltools::browsable()

	ING-TAM-EMPRESARIAL	ACTIVO-CORRIENTE	ACTIVO-NO-CORRIENTE	ACTIVO-TOTAL	PASIVO-CORRIENTE	PASIVO-LRG-PLAZO	PASIVO-TOTAL	PATRIMONIO	PASIVO+PATRIM	ING-OPERACIONES	ING-NO-OPERACIONALES	GAS-OPERACIONALES	GAS-NO-OPERAC	COS-VEN	GAS-IMP	UTIL-OPERACIONAL	UTIL-NETA	ACTIV_2019	ACTIV_2020	ACTIV_2021	ACTIV_2022	ACTIV_2023
ING-TAM-EMPRESARIAL	79755962590880720	9589748815447018	2933323030582967	12522705624239550	3748846376829833	37729060671392	3786371918396448	8736635962153332	12522705624239550	79755962590880720	273890065828773	24055000776705436	1267502088756742	49290439509847368	787656896621527	4731368428725453	2884344772505930	4549368337539057	4235290797541735	3878941329523839	7646194946748332	12473410513109168
ACTIVO-CORRIENTE	9589748815447018	1340626967448089	370350066081253	1710883708269457	466317571564103	6223954686597	472503295793381	1238425432173273	1710883708269457	9589748815447018	33439473906978	2944907931110931	150492646693409	6207749975334722	107423615474756	610927504730282	386095064791959	572058223704747	535057954397609	483497616393315	1067126135040811	1710570188003285
ACTIVO-NO-CORRIENTE	2933323030582967	370350066081253	127549375559037	497914548376526	152280168185259	1545067924841	153819744664780	344097764475510	497914548376526	2933323030582967	10936156414619	974473998831745	53408041356386	1779939973463162	31040505385429	181191344749920	112889716036657	180652944449978	168062502825738	155521889105047	298788058833708	497875705496015
ACTIVO-TOTAL	12522705624239550	1710883708269457	497914548376526	2208729525044617	618585204352568	7768401098065	626312298912223	1582464445176771	2208729525044617	12522705624239550	44374533888972	3919359872071367	203894204084840	7987342997299105	138461355882630	792109379379387	498975586724979	752691933150882	703105229273086	639002931480226	1365880398969327	2208376772808292
PASIVO-CORRIENTE	3748846376829833	466317571564103	152280168185259	618585204352568	236400368420149	655164809624	237050377543404	381544166815211	618585204352568	3748846376829833	17421456373362	1470282905242796	76290807818895	2114524044116003	38906706009549	223691625482773	127784885193353	292742614911829	267618362188301	239992880032093	345864365251349	618539267935040
PASIVO-LRG-PLAZO	37729060671392	6223954686597	1545067924841	7768401098065	655164809624	353421922420	1008320378322	6760479206527	7768401098065	37729060671392	-4588973232	3801090866968	463116850130	30426872449845	485654382770	3405806686707	2828379739725	220690625771	557995244055	552624744448	6125324456613	7765089525066
PASIVO-TOTAL	3786371918396448	472503295793381	153819744664780	626312298912223	237050377543404	1008320378322	238058122022344	388263956747584	626312298912223	3786371918396448	17416392257243	1474048295229030	76751114805711	2144781984441775	39391161904197	227085514201143	130604969816259	292954894814258	268165442091873	240532143877368	351967720898240	626262882308349
PATRIMONIO	8736635962153332	1238425432173273	344097764475510	1582464445176771	381544166815211	6760479206527	388263956747584	1194243952750328	1582464445176771	8736635962153332	26958844148238	2445348973291955	127147243598835	5842787828492433	99071965987900	565025131006007	368374094048851	459734764306389	434942224081689	398490160784375	1013935225686126	1582161358845455
PASIVO+PATRIM	12522705624239550	1710883708269457	497914548376526	2208729525044617	618585204352568	7768401098065	626312298912223	1582464445176771	2208729525044617	12522705624239550	44374533888972	3919359872071367	203894204084840	7987342997299105	138461355882630	792109379379387	498975586724979	752691933150882	703105229273086	639002931480226	1365880398969327	2208376772808292
ING-OPERACIONES	79755962590880720	9589748815447018	2933323030582967	12522705624239550	3748846376829833	37729060671392	3786371918396448	8736635962153332	12522705624239550	79755962590880720	273890065828773	24055000776705436	1267502088756742	49290439509847368	787656896621527	4731368428725453	2884344772505930	4549368337539057	4235290797541735	3878941329523839	7646194946748332	12473410513109168
ING-NO-OPERACIONALES	273890065828773	33439473906978	10936156414619	44374533888972	17421456373362	-4588973232	17416392257243	26958844148238	44374533888972	273890065828773	2397950933692	112690249627873	5738600319412	145107858967776	2826382566600	18066980130709	8745232504462	22306111043586	20353735661065	18140431726809	24150221178654	44371670259669
GAS-OPERACIONALES	24055000776705436	2944907931110931	974473998831745	3919359872071367	1470282905242796	3801090866968	1474048295229030	2445348973291955	3919359872071367	24055000776705436	112690249627873	9474316924845212	493868026886916	13215090108264226	248827858736995	1442105226687469	819291439714843	1850197964940771	1691916044690403	1507773794441183	2178327671585134	3917741622460360
GAS-NO-OPERAC	1267502088756742	150492646693409	53408041356386	203894204084840	76290807818895	463116850130	76751114805711	127147243598835	203894204084840	1267502088756742	5738600319412	493868026886916	32867586249339	694771107639812	12731941970697	75878991383421	43313017569871	95605273726474	88974582932733	80437624965811	113756194815069	203887359442336
COS-VEN	49290439509847368	6207749975334722	1779939973463162	7987342997299105	2114524044116003	30426872449845	2144781984441775	5842787828492433	7987342997299105	49290439509847368	145107858967776	13215090108264226	694771107639812	120415955268986384	488801690612044	2997044016045969	1906063789381821	2532610502834028	2388608227290022	2256194803151507	5099932416306581	7940029480306278
GAS-IMP	787656896621527	107423615474756	31040505385429	138461355882630	38906706009549	485654382770	39391161904197	99071965987900	138461355882630	787656896621527	2826382566600	248827858736995	12731941970697	488801690612044	10342754499536	50588816917306	31541730770734	47178581648204	43493744290840	38611819540820	85479831282826	138454132401475
UTIL-OPERACIONAL	4731368428725453	610927504730282	181191344749920	792109379379387	223691625482773	3405806686707	227085514201143	565025131006007	792109379379387	4731368428725453	18066980130709	1442105226687469	75878991383421	2997044016045969	50588816917306	315690868196409	199131940324286	267759892342657	250215507116890	226198198389969	490089669170257	790507664816337
UTIL-NETA	2884344772505930	386095064791959	112889716036657	498975586724979	127784885193353	2828379739725	130604969816259	368374094048851	498975586724979	2884344772505930	8745232504462	819291439714843	43313017569871	1906063789381821	31541730770734	199131940324286	136897939487832	146907938335467	139419133026791	127270707282384	317926965859610	498812904653486
ACTIV_2019	4549368337539057	572058223704747	180652944449978	752691933150882	292742614911829	220690625771	292954894814258	459734764306389	752691933150882	4549368337539057	22306111043586	1850197964940771	95605273726474	2532610502834028	47178581648204	267759892342657	146907938335467	394308643650304	360270292697603	320323145928330	418063160450628	752387344924201
ACTIV_2020	4235290797541735	535057954397609	168062502825738	703105229273086	267618362188301	557995244055	268165442091873	434942224081689	703105229273086	4235290797541735	20353735661065	1691916044690403	88974582932733	2388608227290022	43493744290840	250215507116890	139419133026791	360270292697603	337116788723459	301908390475272	397382601812417	702694518381257
ACTIV_2021	3878941329523839	483497616393315	155521889105047	639002931480226	239992880032093	552624744448	240532143877368	398490160784375	639002931480226	3878941329523839	18140431726809	1507773794441183	80437624965811	2256194803151507	38611819540820	226198198389969	127270707282384	320323145928330	301908390475272	280156509948048	367487880628638	638346425211009
ACTIV_2022	7646194946748332	1067126135040811	298788058833708	1365880398969327	345864365251349	6125324456613	351967720898240	1013935225686126	1365880398969327	7646194946748332	24150221178654	2178327671585134	113756194815069	5099932416306581	85479831282826	490089669170257	317926965859610	418063160450628	397382601812417	367487880628638	884012143051961	1365161393372083
ACTIV_2023	12473410513109168	1710570188003285	497875705496015	2208376772808292	618539267935040	7765089525066	626262882308349	1582161358845455	2208376772808292	12473410513109168	44371670259669	3917741622460360	203887359442336	7940029480306278	138454132401475	790507664816337	498812904653486	752387344924201	702694518381257	638346425211009	1365161393372083	2209287419976104

Ver código

heatmap(cor(dat_nat[,c(14,17:37)]), 
        Rowv = NA, 
        Colv = NA, 
        col = colorRampPalette(c("#BFEFFF", "turquoise4"))(20), 
        scale = "none", 
        margins = c(5, 5))

Ver código

library(knitr)
library(kableExtra)
library(FactoClass)

# Calcular la matriz de correlaciones
matriz_cor <- cor(dat_nat[, c(14, 17:37)])

# Crear la tabla en HTML y mostrarla en el Viewer
kable(matriz_cor, digits = 2, format = "html") %>%
  kable_styling(full_width = F) %>%
  scroll_box(width = "800px", height = "500px") %>%
  as.character() %>%
  htmltools::HTML() %>%
  htmltools::browsable()

	ING-TAM-EMPRESARIAL	ACTIVO-CORRIENTE	ACTIVO-NO-CORRIENTE	ACTIVO-TOTAL	PASIVO-CORRIENTE	PASIVO-LRG-PLAZO	PASIVO-TOTAL	PATRIMONIO	PASIVO+PATRIM	ING-OPERACIONES	ING-NO-OPERACIONALES	GAS-OPERACIONALES	GAS-NO-OPERAC	COS-VEN	GAS-IMP	UTIL-OPERACIONAL	UTIL-NETA	ACTIV_2019	ACTIV_2020	ACTIV_2021	ACTIV_2022	ACTIV_2023
ING-TAM-EMPRESARIAL	1.00	0.93	0.92	0.94	0.86	0.22	0.87	0.90	0.94	1.00	0.63	0.88	0.78	0.50	0.87	0.94	0.87	0.81	0.82	0.82	0.91	0.94
ACTIVO-CORRIENTE	0.93	1.00	0.90	0.99	0.83	0.29	0.84	0.98	0.99	0.93	0.59	0.83	0.72	0.49	0.91	0.94	0.90	0.79	0.80	0.79	0.98	0.99
ACTIVO-NO-CORRIENTE	0.92	0.90	1.00	0.94	0.88	0.23	0.88	0.88	0.94	0.92	0.63	0.89	0.82	0.45	0.85	0.90	0.85	0.81	0.81	0.82	0.89	0.94
ACTIVO-TOTAL	0.94	0.99	0.94	1.00	0.86	0.28	0.86	0.97	1.00	0.94	0.61	0.86	0.76	0.49	0.92	0.95	0.91	0.81	0.81	0.81	0.98	1.00
PASIVO-CORRIENTE	0.86	0.83	0.88	0.86	1.00	0.07	1.00	0.72	0.86	0.86	0.73	0.98	0.87	0.40	0.79	0.82	0.71	0.96	0.95	0.93	0.76	0.86
PASIVO-LRG-PLAZO	0.22	0.29	0.23	0.28	0.07	1.00	0.11	0.33	0.28	0.22	0.00	0.07	0.14	0.15	0.25	0.32	0.41	0.02	0.05	0.06	0.35	0.28
PASIVO-TOTAL	0.87	0.84	0.88	0.86	1.00	0.11	1.00	0.73	0.86	0.87	0.73	0.98	0.87	0.40	0.79	0.83	0.72	0.96	0.95	0.93	0.77	0.86
PATRIMONIO	0.90	0.98	0.88	0.97	0.72	0.33	0.73	1.00	0.97	0.90	0.50	0.73	0.64	0.49	0.89	0.92	0.91	0.67	0.69	0.69	0.99	0.97
PASIVO+PATRIM	0.94	0.99	0.94	1.00	0.86	0.28	0.86	0.97	1.00	0.94	0.61	0.86	0.76	0.49	0.92	0.95	0.91	0.81	0.81	0.81	0.98	1.00
ING-OPERACIONES	1.00	0.93	0.92	0.94	0.86	0.22	0.87	0.90	0.94	1.00	0.63	0.88	0.78	0.50	0.87	0.94	0.87	0.81	0.82	0.82	0.91	0.94
ING-NO-OPERACIONALES	0.63	0.59	0.63	0.61	0.73	0.00	0.73	0.50	0.61	0.63	1.00	0.75	0.65	0.27	0.57	0.66	0.48	0.73	0.72	0.70	0.52	0.61
GAS-OPERACIONALES	0.88	0.83	0.89	0.86	0.98	0.07	0.98	0.73	0.86	0.88	0.75	1.00	0.89	0.39	0.79	0.83	0.72	0.96	0.95	0.93	0.75	0.86
GAS-NO-OPERAC	0.78	0.72	0.82	0.76	0.87	0.14	0.87	0.64	0.76	0.78	0.65	0.89	1.00	0.35	0.69	0.74	0.65	0.84	0.85	0.84	0.67	0.76
COS-VEN	0.50	0.49	0.45	0.49	0.40	0.15	0.40	0.49	0.49	0.50	0.27	0.39	0.35	1.00	0.44	0.49	0.47	0.37	0.37	0.39	0.49	0.49
GAS-IMP	0.87	0.91	0.85	0.92	0.79	0.25	0.79	0.89	0.92	0.87	0.57	0.79	0.69	0.44	1.00	0.89	0.84	0.74	0.74	0.72	0.89	0.92
UTIL-OPERACIONAL	0.94	0.94	0.90	0.95	0.82	0.32	0.83	0.92	0.95	0.94	0.66	0.83	0.74	0.49	0.89	1.00	0.96	0.76	0.77	0.76	0.93	0.95
UTIL-NETA	0.87	0.90	0.85	0.91	0.71	0.41	0.72	0.91	0.91	0.87	0.48	0.72	0.65	0.47	0.84	0.96	1.00	0.63	0.65	0.65	0.91	0.91
ACTIV_2019	0.81	0.79	0.81	0.81	0.96	0.02	0.96	0.67	0.81	0.81	0.73	0.96	0.84	0.37	0.74	0.76	0.63	1.00	0.99	0.96	0.71	0.81
ACTIV_2020	0.82	0.80	0.81	0.81	0.95	0.05	0.95	0.69	0.81	0.82	0.72	0.95	0.85	0.37	0.74	0.77	0.65	0.99	1.00	0.98	0.73	0.81
ACTIV_2021	0.82	0.79	0.82	0.81	0.93	0.06	0.93	0.69	0.81	0.82	0.70	0.93	0.84	0.39	0.72	0.76	0.65	0.96	0.98	1.00	0.74	0.81
ACTIV_2022	0.91	0.98	0.89	0.98	0.76	0.35	0.77	0.99	0.98	0.91	0.52	0.75	0.67	0.49	0.89	0.93	0.91	0.71	0.73	0.74	1.00	0.98
ACTIV_2023	0.94	0.99	0.94	1.00	0.86	0.28	0.86	0.97	1.00	0.94	0.61	0.86	0.76	0.49	0.92	0.95	0.91	0.81	0.81	0.81	0.98	1.00

ACP

Ver código

library(FactoMineR)
library(knitr)

# Realizar PCA
nat.PCA <- PCA(dat_nat, quali.sup = c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 15, 16), graph = FALSE)

# Resumen del PCA
summary(nat.PCA)


Call:
PCA(X = dat_nat, quali.sup = c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10,  
     11, 12, 13, 15, 16), graph = FALSE) 


Eigenvalues
                       Dim.1   Dim.2   Dim.3   Dim.4   Dim.5   Dim.6   Dim.7
Variance              17.253   1.891   0.780   0.659   0.431   0.273   0.177
% of var.             78.425   8.594   3.546   2.996   1.958   1.239   0.804
Cumulative % of var.  78.425  87.018  90.564  93.560  95.518  96.758  97.561
                       Dim.8   Dim.9  Dim.10  Dim.11  Dim.12  Dim.13  Dim.14
Variance               0.159   0.123   0.113   0.072   0.031   0.014   0.010
% of var.              0.724   0.560   0.512   0.326   0.140   0.063   0.045
Cumulative % of var.  98.285  98.845  99.358  99.683  99.823  99.886  99.932
                      Dim.15  Dim.16  Dim.17  Dim.18  Dim.19  Dim.20  Dim.21
Variance               0.009   0.006   0.000   0.000   0.000   0.000   0.000
% of var.              0.040   0.027   0.001   0.000   0.000   0.000   0.000
Cumulative % of var.  99.971  99.998 100.000 100.000 100.000 100.000 100.000
                      Dim.22
Variance               0.000
% of var.              0.000
Cumulative % of var. 100.000

Individuals (the 10 first)
                         Dist    Dim.1    ctr   cos2    Dim.2    ctr   cos2  
1                    |  0.681 | -0.643  0.004  0.890 | -0.057  0.000  0.007 |
2                    |  0.533 | -0.434  0.002  0.663 | -0.033  0.000  0.004 |
3                    |  0.711 | -0.670  0.004  0.889 | -0.075  0.001  0.011 |
4                    |  0.729 | -0.166  0.000  0.052 | -0.054  0.000  0.006 |
5                    |  0.666 | -0.637  0.004  0.913 | -0.099  0.001  0.022 |
6                    |  0.482 | -0.393  0.002  0.665 | -0.169  0.003  0.122 |
7                    |  0.714 | -0.675  0.004  0.894 | -0.103  0.001  0.021 |
8                    |  0.942 |  0.100  0.000  0.011 |  0.459  0.019  0.238 |
9                    |  0.533 | -0.502  0.002  0.888 | -0.001  0.000  0.000 |
10                   |  0.702 | -0.647  0.004  0.849 | -0.147  0.002  0.044 |
                      Dim.3    ctr   cos2  
1                     0.002  0.000  0.000 |
2                    -0.026  0.000  0.002 |
3                     0.006  0.000  0.000 |
4                    -0.053  0.001  0.005 |
5                     0.010  0.000  0.000 |
6                     0.009  0.000  0.000 |
7                     0.011  0.000  0.000 |
8                    -0.093  0.002  0.010 |
9                    -0.016  0.000  0.001 |
10                    0.019  0.000  0.001 |

Variables (the 10 first)
                        Dim.1    ctr   cos2    Dim.2    ctr   cos2    Dim.3
ING-TAM-EMPRESARIAL  |  0.962  5.359  0.925 |  0.074  0.292  0.006 | -0.049
ACTIVO-CORRIENTE     |  0.962  5.366  0.926 |  0.194  1.986  0.038 | -0.024
ACTIVO-NO-CORRIENTE  |  0.951  5.243  0.905 |  0.037  0.073  0.001 |  0.020
ACTIVO-TOTAL         |  0.978  5.546  0.957 |  0.160  1.351  0.026 | -0.014
PASIVO-CORRIENTE     |  0.930  5.017  0.866 | -0.310  5.087  0.096 |  0.044
PASIVO-LRG-PLAZO     |  0.233  0.315  0.054 |  0.644 21.939  0.415 |  0.501
PASIVO-TOTAL         |  0.936  5.078  0.876 | -0.284  4.274  0.081 |  0.063
PATRIMONIO           |  0.912  4.825  0.832 |  0.344  6.270  0.119 | -0.047
PASIVO+PATRIM        |  0.978  5.546  0.957 |  0.160  1.351  0.026 | -0.014
ING-OPERACIONES      |  0.962  5.359  0.925 |  0.074  0.292  0.006 | -0.049
                        ctr   cos2  
ING-TAM-EMPRESARIAL   0.308  0.002 |
ACTIVO-CORRIENTE      0.073  0.001 |
ACTIVO-NO-CORRIENTE   0.050  0.000 |
ACTIVO-TOTAL          0.024  0.000 |
PASIVO-CORRIENTE      0.245  0.002 |
PASIVO-LRG-PLAZO     32.220  0.251 |
PASIVO-TOTAL          0.506  0.004 |
PATRIMONIO            0.281  0.002 |
PASIVO+PATRIM         0.024  0.000 |
ING-OPERACIONES       0.308  0.002 |

Supplementary categories (the 10 first)
                         Dist    Dim.1   cos2 v.test    Dim.2   cos2 v.test  
NATURAL              |  0.000 |  0.000    NaN    NaN |  0.000    NaN    NaN |
F                    |  0.248 | -0.237  0.907 -1.336 | -0.040  0.026 -0.688 |
M                    |  0.231 |  0.220  0.907  1.336 |  0.037  0.026  0.688 |
EMPREN-SOCIAL.N      |  0.033 |  0.031  0.907  0.626 |  0.005  0.025  0.313 |
EMPREN-SOCIAL.S      |  0.383 | -0.364  0.907 -0.626 | -0.060  0.025 -0.313 |
COLOMBIANA           |  0.007 |  0.006  0.894  0.331 |  0.000  0.004  0.069 |
OTRO                 |  0.547 | -0.517  0.894 -0.331 | -0.036  0.004 -0.069 |
RURAL                |  0.540 | -0.486  0.809 -1.744 |  0.037  0.005  0.401 |
URBANO               |  0.203 |  0.182  0.809  1.744 | -0.014  0.005 -0.401 |
05002 - ABEJORRAL    |  0.413 | -0.399  0.933 -0.321 | -0.029  0.005 -0.071 |
                      Dim.3   cos2 v.test  
NATURAL               0.000    NaN    NaN |
F                     0.043  0.030  1.148 |
M                    -0.040  0.030 -1.148 |
EMPREN-SOCIAL.N       0.000  0.000  0.008 |
EMPREN-SOCIAL.S      -0.001  0.000 -0.008 |
COLOMBIANA            0.000  0.000  0.013 |
OTRO                 -0.004  0.000 -0.013 |
RURAL                 0.000  0.000  0.008 |
URBANO                0.000  0.000 -0.008 |
05002 - ABEJORRAL    -0.008  0.000 -0.029 |

Ver código

# Extraer información de las contribuciones
var_contrib <- get_pca_var(nat.PCA)

# Crear y mostrar tabla de contribuciones de variables
contrib_table <- var_contrib$contrib
kable(contrib_table, caption = "Contribuciones de las Variables en el PCA")

Contribuciones de las Variables en el PCA
	Dim.1	Dim.2	Dim.3	Dim.4	Dim.5
ING-TAM-EMPRESARIAL	5.3587189	0.2916496	0.3075623	0.2458512	0.0035200
ACTIVO-CORRIENTE	5.3661695	1.9857821	0.0728256	1.9021315	0.0086109
ACTIVO-NO-CORRIENTE	5.2432682	0.0726490	0.0504661	0.1491580	0.3341154
ACTIVO-TOTAL	5.5457722	1.3514258	0.0244035	1.3628238	0.0446119
PASIVO-CORRIENTE	5.0167565	5.0866684	0.2445600	0.5591316	0.7926481
PASIVO-LRG-PLAZO	0.3145957	21.9390610	32.2204068	41.2041439	0.0240702
PASIVO-TOTAL	5.0782691	4.2736923	0.5063793	0.9851603	0.7764271
PATRIMONIO	4.8248248	6.2703584	0.2811208	4.1237268	0.0112607
PASIVO+PATRIM	5.5457722	1.3514258	0.0244035	1.3628238	0.0446119
ING-OPERACIONES	5.3587189	0.2916496	0.3075623	0.2458512	0.0035200
ING-NO-OPERACIONALES	2.8109441	7.5463465	0.4305510	0.8172833	83.1168240
GAS-OPERACIONALES	5.0566535	5.0259474	0.2689868	0.3602460	0.2152277
GAS-NO-OPERAC	4.0966348	4.0429825	1.9239189	4.0213688	2.5766553
COS-VEN	1.4452277	2.4311668	62.4408382	32.7582496	0.0508932
GAS-IMP	4.7430186	1.4360080	0.0030795	2.6336869	0.1191147
UTIL-OPERACIONAL	5.2477101	1.8154053	0.0387309	0.1643701	3.9022531
UTIL-NETA	4.4965897	6.7958060	0.1230834	0.3930026	0.2734777
ACTIV_2019	4.6090467	8.2502081	0.1871493	0.7936963	1.8922415
ACTIV_2020	4.6680692	7.1210043	0.3157377	1.1972581	2.5104984
ACTIV_2021	4.6171420	6.3595199	0.1378986	1.3308384	3.2131815
ACTIV_2022	5.0206028	4.9208752	0.0749604	1.9782589	0.0402440
ACTIV_2023	5.5354945	1.3403681	0.0153750	1.4109388	0.0459927

Ver código

# Extraer información de las distancias
var_distances <- get_pca_var(nat.PCA)$cos2

# Crear y mostrar tabla de distancias
distance_table <- var_distances
kable(distance_table, caption = "Distancias de las Variables a los Componentes Principales en el PCA")

Distancias de las Variables a los Componentes Principales en el PCA
	Dim.1	Dim.2	Dim.3	Dim.4	Dim.5
ING-TAM-EMPRESARIAL	0.9245628	0.0055140	0.0023992	0.0016205	0.0000152
ACTIVO-CORRIENTE	0.9258483	0.0375435	0.0005681	0.0125379	0.0000371
ACTIVO-NO-CORRIENTE	0.9046436	0.0013735	0.0003937	0.0009832	0.0014392
ACTIVO-TOTAL	0.9568359	0.0255502	0.0001904	0.0089831	0.0001922
PASIVO-CORRIENTE	0.8655626	0.0961692	0.0019077	0.0036855	0.0034142
PASIVO-LRG-PLAZO	0.0542786	0.4147828	0.2513366	0.2715979	0.0001037
PASIVO-TOTAL	0.8761756	0.0807990	0.0039500	0.0064937	0.0033443
PATRIMONIO	0.8324478	0.1185482	0.0021929	0.0271816	0.0000485
PASIVO+PATRIM	0.9568359	0.0255502	0.0001904	0.0089831	0.0001922
ING-OPERACIONES	0.9245628	0.0055140	0.0023992	0.0016205	0.0000152
ING-NO-OPERACIONALES	0.4849843	0.1426722	0.0033585	0.0053871	0.3580132
GAS-OPERACIONALES	0.8724462	0.0950212	0.0020982	0.0023746	0.0009271
GAS-NO-OPERAC	0.7068100	0.0764372	0.0150076	0.0265069	0.0110986
COS-VEN	0.2493513	0.0459640	0.4870723	0.2159267	0.0002192
GAS-IMP	0.8183334	0.0271494	0.0000240	0.0173600	0.0005131
UTIL-OPERACIONAL	0.9054100	0.0343223	0.0003021	0.0010834	0.0168084
UTIL-NETA	0.7758159	0.1284824	0.0009601	0.0025905	0.0011780
ACTIV_2019	0.7952186	0.1559795	0.0014599	0.0052317	0.0081505
ACTIV_2020	0.8054020	0.1346307	0.0024629	0.0078918	0.0108136
ACTIV_2021	0.7966154	0.1202339	0.0010757	0.0087722	0.0138403
ACTIV_2022	0.8662262	0.0930347	0.0005847	0.0130397	0.0001733
ACTIV_2023	0.9550626	0.0253412	0.0001199	0.0093002	0.0001981

Ver código

var_coords <- get_pca_var(nat.PCA)$coord
coords_table <- var_coords
kable(coords_table, caption = "Coordenadas de las Variables en el PCA")

Coordenadas de las Variables en el PCA
	Dim.1	Dim.2	Dim.3	Dim.4	Dim.5
ING-TAM-EMPRESARIAL	0.9615419	0.0742561	-0.0489811	-0.0402558	-0.0038938
ACTIVO-CORRIENTE	0.9622101	0.1937614	-0.0238344	-0.1119729	-0.0060902
ACTIVO-NO-CORRIENTE	0.9511275	0.0370609	0.0198409	-0.0313557	-0.0379362
ACTIVO-TOTAL	0.9781799	0.1598444	-0.0137971	-0.0947791	-0.0138621
PASIVO-CORRIENTE	0.9303561	-0.3101117	0.0436772	0.0607085	-0.0584313
PASIVO-LRG-PLAZO	0.2329776	0.6440364	0.5013348	0.5211506	0.0101823
PASIVO-TOTAL	0.9360425	-0.2842517	0.0628493	0.0805835	-0.0578303
PATRIMONIO	0.9123857	0.3443084	-0.0468283	-0.1648685	0.0069645
PASIVO+PATRIM	0.9781799	0.1598444	-0.0137971	-0.0947791	-0.0138621
ING-OPERACIONES	0.9615419	0.0742561	-0.0489811	-0.0402558	-0.0038938
ING-NO-OPERACIONALES	0.6964081	-0.3777198	0.0579528	0.0733971	0.5983421
GAS-OPERACIONALES	0.9340483	-0.3082552	0.0458066	0.0487295	-0.0304477
GAS-NO-OPERAC	0.8407199	-0.2764727	0.1225055	0.1628095	-0.1053497
COS-VEN	0.4993509	0.2143921	-0.6979056	0.4646791	0.0148059
GAS-IMP	0.9046178	0.1647706	-0.0049012	-0.1317574	0.0226510
UTIL-OPERACIONAL	0.9515303	0.1852628	0.0173817	-0.0329158	0.1296471
UTIL-NETA	0.8808041	0.3584445	0.0309858	-0.0508968	0.0343215
ACTIV_2019	0.8917503	-0.3949425	0.0382082	0.0723302	-0.0902804
ACTIV_2020	0.8974419	-0.3669205	0.0496279	0.0888355	-0.1039884
ACTIV_2021	0.8925331	-0.3467477	0.0327976	0.0936603	-0.1176448
ACTIV_2022	0.9307127	0.3050159	-0.0241812	-0.1141917	-0.0131661
ACTIV_2023	0.9772731	0.1591891	-0.0109514	-0.0964377	-0.0140750

Ver código

library(factoextra)

fviz_screeplot(nat.PCA, 
               addlabels = TRUE, 
               ylim = c(0, 100), 
               ggtheme = theme_minimal(), 
               barfill = "#54FF9F", 
               barcolor = "black")

Ver código

library(kableExtra)

eig_values_nat <- nat.PCA$eig

eig_df_nat <- data.frame(
  Component = 1:nrow(eig_values_nat),
  Eigenvalue = eig_values_nat[, 1],
  Variance_Explained = eig_values_nat[, 2],
  Cumulative_Variance_Explained = eig_values_nat[, 3]
)

kable(eig_df_nat, digits = 2, col.names = c("Componente", "Eigenvalor", "Varianza Explicada (%)", "Varianza Acumulada (%)")) %>%
  kable_styling(full_width = FALSE) %>%
  scroll_box(width = "800px", height = "500px")

	Componente	Eigenvalor	Varianza Explicada (%)	Varianza Acumulada (%)
comp 1	1	17.25	78.42	78.42
comp 2	2	1.89	8.59	87.02
comp 3	3	0.78	3.55	90.56
comp 4	4	0.66	3.00	93.56
comp 5	5	0.43	1.96	95.52
comp 6	6	0.27	1.24	96.76
comp 7	7	0.18	0.80	97.56
comp 8	8	0.16	0.72	98.29
comp 9	9	0.12	0.56	98.85
comp 10	10	0.11	0.51	99.36
comp 11	11	0.07	0.33	99.68
comp 12	12	0.03	0.14	99.82
comp 13	13	0.01	0.06	99.89
comp 14	14	0.01	0.05	99.93
comp 15	15	0.01	0.04	99.97
comp 16	16	0.01	0.03	100.00
comp 17	17	0.00	0.00	100.00
comp 18	18	0.00	0.00	100.00
comp 19	19	0.00	0.00	100.00
comp 20	20	0.00	0.00	100.00
comp 21	21	0.00	0.00	100.00
comp 22	22	0.00	0.00	100.00

Proyección de las variables en los nuevos ejes

Ver código

plot.PCA(nat.PCA,axes=c(1,2),choix='var')

Warning: ggrepel: 12 unlabeled data points (too many overlaps). Consider
increasing max.overlaps

Ver código

plot.PCA(nat.PCA,axes=c(2,3),choix='var')

Warning: ggrepel: 20 unlabeled data points (too many overlaps). Consider
increasing max.overlaps

Ver código

plot.PCA(nat.PCA,axes=c(1,3),choix='var')

Warning: ggrepel: 20 unlabeled data points (too many overlaps). Consider
increasing max.overlaps

Visualización de categoricas en los nuevos ejes

Ver código

fviz_pca_biplot(nat.PCA, label = "none",                 
                habillage = dat_nat$GENERO,                 
                addEllipses = TRUE)

Ver código

fviz_pca_biplot(nat.PCA, label = "none",                 
                habillage = dat_nat$ESTRATO,                 
                addEllipses = TRUE)

Too few points to calculate an ellipse
Too few points to calculate an ellipse
Too few points to calculate an ellipse

Ver código

fviz_pca_biplot(nat.PCA, label = "none",                 
                habillage = dat_nat$PERSONAL,                 
                addEllipses = TRUE,
                axes = c(2,3))

Too few points to calculate an ellipse
Too few points to calculate an ellipse
Too few points to calculate an ellipse
Too few points to calculate an ellipse
Too few points to calculate an ellipse

Ver código

fviz_pca_biplot(nat.PCA, label = "none",                 
                habillage = dat_nat$CATEGORIA,                 
                addEllipses = TRUE,
                axes = c(2,3))

Too few points to calculate an ellipse
Too few points to calculate an ellipse
Too few points to calculate an ellipse
Too few points to calculate an ellipse

Ver código

fviz_pca_biplot(nat.PCA, label = "none",                 
                habillage = dat_nat$`EMPREN-SOCIAL`,                 
                addEllipses = TRUE,
                axes = c(2,3))

ACS

Ver código

library(dplyr)

# Recategorizar los intervalos 
d_n <- dat_nat %>%
  mutate(
    ACTIV_2023 = case_when(
      ACTIV_2023 < 1000000 ~ "[0 - 1'000.000)",
      ACTIV_2023 >= 1000000 & ACTIV_2023 < 2000000 ~ "[1'000.000 - 2'000.000)",
      ACTIV_2023 >= 2000000 & ACTIV_2023 < 3000000 ~ "[2'000.000 - 3'000.000)",
      ACTIV_2023 >= 3000000 & ACTIV_2023 < 5000000 ~ "[3'000.000 - 5'000.000)",
      ACTIV_2023 >= 5000000 & ACTIV_2023 < 10000000 ~ "[5'000.000 - 10'000.000)",
      ACTIV_2023 >= 10000000 & ACTIV_2023 < 20000000 ~ "[10'000.000 - 20'000.000)",
      ACTIV_2023 >= 20000000 ~ "[20'000.000 - 938'043.000)",
      TRUE ~ as.character(ACTIV_2023)  # Mantener el resto de valores
    ),
    `ING-OPERACIONES` = case_when(
      `ING-OPERACIONES` < 1000000 ~ "[0 - 1'000.000)",
      `ING-OPERACIONES` >= 1000000 & `ING-OPERACIONES` < 5000000 ~ "[1'000.000 - 5'000.000)",
      `ING-OPERACIONES` >= 5000000 & `ING-OPERACIONES` < 15000000 ~ "[5'000.000 - 15'000.000)",
      `ING-OPERACIONES` >= 15000000 & `ING-OPERACIONES` < 50000000 ~ "[15'000.000 - 50'000.000)",
      `ING-OPERACIONES` >= 50000000 ~ "[50'000.000 - 5.720'881.000)",
      TRUE ~ as.character(`ING-OPERACIONES`)  # Mantener el resto de valores
    ),
    ACTIV_2022 = case_when(
      ACTIV_2022 < 1000000 ~ "[0 - 1'000.000)",
      ACTIV_2022 >= 1000000 & ACTIV_2022 < 2000000 ~ "[1'000.000 - 2'000.000)",
      ACTIV_2022 >= 2000000 & ACTIV_2022 < 3000000 ~ "[2'000.000 - 3'000.000)",
      ACTIV_2022 >= 3000000 & ACTIV_2022 < 5000000 ~ "[3'000.000 - 5'000.000)",
      ACTIV_2022 >= 5000000 & ACTIV_2022 < 10000000 ~ "[5'000.000 - 10'000.000)",
      ACTIV_2022 >= 10000000 & ACTIV_2022 < 20000000 ~ "[10'000.000 - 20'000.000)",
      ACTIV_2022 >= 20000000 ~ "[20'000.000 - 509'312.000)",
      TRUE ~ as.character(ACTIV_2022)  # Mantener el resto de valores
    ),
ACTIV_2021 = case_when(
      ACTIV_2021 < 1000000 ~ "[0 - 1'000.000)",
      ACTIV_2021 >= 1000000 & ACTIV_2021 < 2000000 ~ "[1'000.000 - 2'000.000)",
      ACTIV_2021 >= 2000000 & ACTIV_2021 < 3000000 ~ "[2'000.000 - 3'000.000)",
      ACTIV_2021 >= 3000000 & ACTIV_2021 < 5000000 ~ "[3'000.000 - 5'000.000)",
      ACTIV_2021 >= 5000000 & ACTIV_2021 < 10000000 ~ "[5'000.000 - 10'000.000)",
      ACTIV_2021 >= 10000000 & ACTIV_2021 < 20000000 ~ "[10'000.000 - 20'000.000)",
      ACTIV_2021 >= 20000000 ~ "[20'000.000 - 379'325.000)",
      TRUE ~ as.character(ACTIV_2021)  # Mantener el resto de valores
    ),
`ACTIVO-TOTAL` = case_when(
      `ACTIVO-TOTAL` < 1000000 ~ "[0 - 1'000.000)",
      `ACTIVO-TOTAL` >=1000000 & `ACTIVO-TOTAL` < 2000000 ~ 
        "[1'000.000 - 2'000.000)", 
      `ACTIVO-TOTAL` >=2000000 & `ACTIVO-TOTAL` < 3000000 ~ 
        "[2'000.000 - 3'000.000)", 
      `ACTIVO-TOTAL` >=3000000 & `ACTIVO-TOTAL` < 5000000 ~ 
        "[3'000.000 - 5'000.000)", 
      `ACTIVO-TOTAL` >=5000000 & `ACTIVO-TOTAL` < 10000000 ~ 
        "[5'000.000 - 10'000.000)", 
      `ACTIVO-TOTAL` >=10000000 & `ACTIVO-TOTAL` < 20000000 ~ 
        "[10'000.000 - 20'000.000)",`ACTIVO-TOTAL` >=20000000  ~ 
        "[20'000.000 - 938'043.000)" ,    
      TRUE ~ as.character(`ACTIVO-TOTAL`)  # Mantener el resto de valores
    ),
`ACTIVO-CORRIENTE` = case_when(
      `ACTIVO-CORRIENTE` < 1000000 ~ "[0 - 1'000.000)",
      `ACTIVO-CORRIENTE` >= 1000000 & `ACTIVO-CORRIENTE` < 2000000 ~ "[1'000.000 - 2'000.000)",
      `ACTIVO-CORRIENTE` >= 2000000 & `ACTIVO-CORRIENTE` < 3000000 ~ "[2'000.000 - 3'000.000)",
      `ACTIVO-CORRIENTE` >= 3000000 & `ACTIVO-CORRIENTE` < 5000000 ~ "[3'000.000 - 5'000.000)",
      `ACTIVO-CORRIENTE` >= 5000000 & `ACTIVO-CORRIENTE` < 10000000 ~ "[5'000.000 - 10'000.000)",
      `ACTIVO-CORRIENTE` >= 10000000 & `ACTIVO-CORRIENTE` < 20000000 ~ "[10'000.000 - 20'000.000)",
      `ACTIVO-CORRIENTE` >= 20000000 ~ "[20'000.000 - 706'777.000)",
      TRUE ~ as.character(`ACTIVO-CORRIENTE`)  # Mantener el resto de valores
    ),
`PATRIMONIO` = case_when(
      `PATRIMONIO` < 1000000 ~ "[0 - 1'000.000)",
      `PATRIMONIO` >= 1000000 & `PATRIMONIO` < 2000000 ~ "[1'000.000 - 2'000.000)",
      `PATRIMONIO` >= 2000000 & `PATRIMONIO` < 3000000 ~ "[2'000.000 - 3'000.000)",
      `PATRIMONIO` >= 3000000 & `PATRIMONIO` < 5000000 ~ "[3'000.000 - 5'000.000)",
      `PATRIMONIO` >= 5000000 & `PATRIMONIO` < 10000000 ~ "[5'000.000 - 10'000.000)",
      `PATRIMONIO` >= 10000000 & `PATRIMONIO` < 20000000 ~ "[10'000.000 - 20'000.000)",
      `PATRIMONIO` >= 20000000 ~ "[20'000.000 - 604'967.325)",
      TRUE ~ as.character(`PATRIMONIO`)  # Mantener el resto de valores
    ),
`ING-TAM-EMPRESARIAL` = case_when(
      `ING-TAM-EMPRESARIAL` < 1000000 ~ "[0 - 1'000.000)",
      `ING-TAM-EMPRESARIAL` >= 1000000 & `ING-TAM-EMPRESARIAL` < 100000000 ~ "[1'000.000 - 100'000.000)",
      `ING-TAM-EMPRESARIAL` >= 100000000  ~ "[100'000.000 - 5.720'881.000)",
      TRUE ~ as.character(`ING-TAM-EMPRESARIAL`)  # Mantener el resto de valores
    ),
`UTIL-OPERACIONAL` = case_when(
      `UTIL-OPERACIONAL`  < 0 ~ "[-23'200.000 - 0)",
      `UTIL-OPERACIONAL`  >= 0 & `UTIL-OPERACIONAL`  < 1 ~ "0",
      `UTIL-OPERACIONAL`  >= 1  ~ "(0 - 338'606.000]",
      TRUE ~ as.character(`UTIL-OPERACIONAL`)  # Mantener el resto de valores
    ),
`UTIL-NETA` = case_when(
      `UTIL-NETA`  < 0 ~ "[-23'200.000 - 0)",
      `UTIL-NETA`  >= 0 & `UTIL-NETA` < 1 ~ "0",
      `UTIL-NETA`  >= 1  ~ "(0 - 186'132.000]",
      TRUE ~ as.character(`UTIL-NETA`)  # Mantener el resto de valores
    ),
`PASIVO-TOTAL` = case_when(
      `PASIVO-TOTAL`  >= 0 & `PASIVO-TOTAL` < 1 ~ "0",
      `PASIVO-TOTAL` >=1 & `PASIVO-TOTAL` < 1000000 ~ "[0 - 1'000.000)",
      `PASIVO-TOTAL` >= 1000000  ~ "[1'000.000 - 367'530.000)",
      TRUE ~ as.character(`PASIVO-TOTAL`)  # Mantener el resto de valores
    ),
`GAS-OPERACIONALES` = case_when(
      `GAS-OPERACIONALES`  >= 0 & `GAS-OPERACIONALES` < 1 ~ "0",
      `GAS-OPERACIONALES` >=1 & `GAS-OPERACIONALES` < 1000000 ~ "[0 - 1'000.000)",
      `GAS-OPERACIONALES` >= 1000000  ~ "[1'000.000 - 2.351'202.000)",
      TRUE ~ as.character(`GAS-OPERACIONALES`)  # Mantener el resto de valores
    ),
`COS-VEN` = case_when(
      `COS-VEN`  >= 0 & `COS-VEN` < 1 ~ "0",
      `COS-VEN` >=1 & `COS-VEN` < 1000000 ~ "[0 - 1'000.000)",
      `COS-VEN` >= 1000000  ~ "[1'000.000 - 200'000.000)",
      TRUE ~ as.character(`COS-VEN`)  # Mantener el resto de valores
    ),
ACTIV_2019 = case_when(
      ACTIV_2019 >= 0 & `UTIL-NETA` < 1 ~ "0",
      ACTIV_2019 >=1 & ACTIV_2019 < 1000000 ~ "[0 - 1'000.000)",
      ACTIV_2019 >= 1000000  ~ "[1'000.000 - 470'937.000)",
      TRUE ~ as.character(ACTIV_2019)  # Mantener el resto de valores
    ),
ACTIV_2020 = case_when(
      ACTIV_2020  >= 0 & `UTIL-NETA` < 1 ~ "0",
      ACTIV_2020 >=1 & ACTIV_2020 < 1000000 ~ "[0 - 1'000.000)",
      ACTIV_2020 >= 1000000  ~ "[1'000.000 - 428'599.117)",
      TRUE ~ as.character(ACTIV_2020)  # Mantener el resto de valores
    ),
`PASIVO+PATRIM` = case_when(
      `PASIVO+PATRIM` < 1000000 ~ "[0 - 1'000.000)",
      `PASIVO+PATRIM` >=1000000 & `PASIVO+PATRIM` < 2000000 ~ 
        "[1'000.000 - 2'000.000)", 
      `PASIVO+PATRIM` >=2000000 & `PASIVO+PATRIM` < 3000000 ~ 
        "[2'000.000 - 3'000.000)", 
      `PASIVO+PATRIM` >=3000000 & `PASIVO+PATRIM` < 5000000 ~ 
        "[3'000.000 - 5'000.000)", 
      `PASIVO+PATRIM` >=5000000 & `PASIVO+PATRIM` < 10000000 ~ 
        "[5'000.000 - 10'000.000)", 
      `PASIVO+PATRIM` >=10000000 & `PASIVO+PATRIM` < 20000000 ~ 
        "[10'000.000 - 20'000.000)",`PASIVO+PATRIM` >=20000000  ~ 
        "[20'000.000 - 938'043.000)" ,    
      TRUE ~ as.character(`PASIVO+PATRIM`)  # Mantener el resto de valores
    ),

`PASIVO-LRG-PLAZO` = case_when(
      `PASIVO-LRG-PLAZO`  >= 0 & `PASIVO-LRG-PLAZO` < 1 ~ "0",
      `PASIVO-LRG-PLAZO` >=1 & `PASIVO-LRG-PLAZO` < 1000000 ~ "[0 - 1'000.000)",
      `PASIVO-LRG-PLAZO` >= 1000000  ~ "[1'000.000 - 367'530.000)",
      TRUE ~ as.character(`PASIVO-LRG-PLAZO`)  # Mantener el resto de valores
    ),
`ING-NO-OPERACIONALES` = case_when(
      `ING-NO-OPERACIONALES`  >= 0 & `ING-NO-OPERACIONALES` < 1 ~ "0",
      `ING-NO-OPERACIONALES`>=1 & `ING-NO-OPERACIONALES` < 1000000 ~ "[0 - 1'000.000)",
      `ING-NO-OPERACIONALES` >= 1000000  ~ "[1'000.000 - 367'530.000)",
      TRUE ~ as.character(`ING-NO-OPERACIONALES`)  # Mantener el resto de valores
    ),
SUBREGION = case_when(
    `MUN-COMERCIAL` %in% c("05002 - ABEJORRAL", "05756 - SONSON", "05055 - ARGELIA", "05483 - NARIÑO") ~ "Páramo",
    `MUN-COMERCIAL` %in% c("05652 - SAN FRANCISCO", "05660 - SAN LUIS", "05197 - COCORNA") ~ "Bosques",
    `MUN-COMERCIAL` %in% c("05649 - SAN CARLOS", "05313 - GRANADA", "05321 - GUATAPE", "05667 - SAN RAFAEL", "05541 - EL PENOL", "05021 - ALEJANDRIA", "05206 - CONCEPCION") ~ "Embalses",
    TRUE ~ "Valle de San Nicolás"),
CATEGORIA=case_when(
  CATEGORIA %in% c("ELABORACION DE PRODUCTOS DE CONSUMO")~"ELABORACION DE PRODUCTOS DE CONSUMO",
  CATEGORIA %in% c("HOTELERÍA Y TURISMO")~"HOTELERÍA Y TURISMO",
  CATEGORIA %in% c("COMERCIO","AGROPECUARIA","RECREACION","AUDIOVISUAL", "INVESTIGACION", "RECREACION","TERAPEUTICO","TRANSPORTADORA") ~"OTROS"
  ),
 `CANT-MUJERES`=case_when(
   `CANT-MUJERES`%in% c("0")~"0",
   `CANT-MUJERES`%in% c("1","2","3","4","5","6","7","12","35")~"MAYOR A 0"
 ),
  ESTRATO=case_when(
    ESTRATO%in% c("1","2","3")~"BAJO-MEDIO",
    ESTRATO%in% c("4","5","6")~"MEDIO_ALTO "
  ),
  PERSONAL=case_when(
    PERSONAL%in% c("0")~"0",
    PERSONAL%in% c("1","2","3")~"1-3",
    PERSONAL%in% c("4","5","6","7","10","11","20","76")~"4-76"
  )
)

d_n$`CANT-MUJERES` <- as.factor(d_n$`CANT-MUJERES`)
d_n$PERSONAL <- as.factor(d_n$PERSONAL)
d_n$ESTRATO <- as.factor(d_n$ESTRATO)
d_n$CATEGORIA <- as.factor(d_n$CATEGORIA)
d_n$SUBREGION <- as.factor(d_n$SUBREGION)
d_n$`ING-NO-OPERACIONALES` <- as.factor(d_n$`ING-NO-OPERACIONALES`)
d_n$`PASIVO-LRG-PLAZO` <- as.factor(d_n$`PASIVO-LRG-PLAZO`)
d_n$`PASIVO-CORRIENTE` <- as.factor(d_n$`PASIVO-CORRIENTE`)
d_n$`ACTIVO-NO-CORRIENTE` <- as.factor(d_n$`ACTIVO-NO-CORRIENTE`)
d_n$`PASIVO+PATRIM` <- as.factor(d_n$`PASIVO+PATRIM`)
d_n$`ACTIV_2020` <- as.factor(d_n$`ACTIV_2020`)
d_n$`ACTIV_2019` <- as.factor(d_n$`ACTIV_2019`)
d_n$`GAS-IMP` <- as.factor(d_n$`GAS-IMP`)
d_n$`COS-VEN` <- as.factor(d_n$`COS-VEN`)
d_n$`GAS-NO-OPERAC` <- as.factor(d_n$`GAS-NO-OPERAC`)
d_n$`GAS-OPERACIONALES` <- as.factor(d_n$`GAS-OPERACIONALES`)
d_n$`PASIVO-TOTAL` <- as.factor(d_n$`PASIVO-TOTAL`)
d_n$`UTIL-NETA` <- as.factor(d_n$`UTIL-NETA`)
d_n$`UTIL-OPERACIONAL` <- as.factor(d_n$`UTIL-OPERACIONAL`)
d_n$`ING-TAM-EMPRESARIAL` <- as.factor(d_n$`ING-TAM-EMPRESARIAL`)
d_n$`PATRIMONIO` <- as.factor(d_n$`PATRIMONIO`)
d_n$`ACTIVO-CORRIENTE` <- as.factor(d_n$`ACTIVO-CORRIENTE`)
d_n$`ACTIVO-TOTAL` <- as.factor(d_n$`ACTIVO-TOTAL`)
d_n$`ACTIV_2021` <- as.factor(d_n$`ACTIV_2021`)
d_n$`ACTIV_2022` <- as.factor(d_n$`ACTIV_2022`)
d_n$`ING-OPERACIONES` <- as.factor(d_n$`ING-OPERACIONES`)
d_n$`ACTIV_2023` <- as.factor(d_n$`ACTIV_2023`)

dna <- d_n %>%
  select(GENERO, `EMPREN-SOCIAL`,SUBREGION, `DIR-COMERCIAL`, CATEGORIA, `CANT-EST-BD`, `CANT-MUJERES`, `ING-TAM-EMPRESARIAL`, ESTRATO, PERSONAL, `ACTIVO-CORRIENTE`,`PASIVO-LRG-PLAZO`, `PASIVO-TOTAL`, PATRIMONIO, `ING-NO-OPERACIONALES`, `GAS-OPERACIONALES`, `COS-VEN`, `UTIL-NETA`, ACTIV_2019, ACTIV_2020, ACTIV_2021, ACTIV_2022, ACTIV_2023)

summary(dna)

 GENERO  EMPREN-SOCIAL                SUBREGION   DIR-COMERCIAL
 F:286   N:547         Bosques             : 22   RURAL :162   
 M:308   S: 47         Embalses            : 74   URBANO:432   
                       Páramo              : 32                
                       Valle de San Nicolás:466                
                                                               
                                                               
                                                               
                               CATEGORIA      CANT-EST-BD     CANT-MUJERES
 ELABORACION DE PRODUCTOS DE CONSUMO:492   cero     : 48   0        :447  
 HOTELERÍA Y TURISMO                : 56   dos_o_mas: 14   MAYOR A 0:147  
 OTROS                              : 46   uno      :532                  
                                                                          
                                                                          
                                                                          
                                                                          
                    ING-TAM-EMPRESARIAL        ESTRATO    PERSONAL  
 [0 - 1'000.000)              :181      BAJO-MEDIO :413   0   :381  
 [1'000.000 - 100'000.000)    :364      MEDIO_ALTO :181   1-3 :175  
 [100'000.000 - 5.720'881.000): 49                        4-76: 38  
                                                                    
                                                                    
                                                                    
                                                                    
                   ACTIVO-CORRIENTE                  PASIVO-LRG-PLAZO
 [0 - 1'000.000)           : 58     [0 - 1'000.000)          :  9    
 [1'000.000 - 2'000.000)   :115     [1'000.000 - 367'530.000):  8    
 [10'000.000 - 20'000.000) : 97     0                        :577    
 [2'000.000 - 3'000.000)   : 90                                      
 [20'000.000 - 706'777.000): 37                                      
 [3'000.000 - 5'000.000)   : 90                                      
 [5'000.000 - 10'000.000)  :107                                      
                    PASIVO-TOTAL                      PATRIMONIO 
 [0 - 1'000.000)          : 18   [0 - 1'000.000)           : 89  
 [1'000.000 - 367'530.000): 75   [1'000.000 - 2'000.000)   :100  
 0                        :501   [10'000.000 - 20'000.000) : 90  
                                 [2'000.000 - 3'000.000)   : 89  
                                 [20'000.000 - 604'967.325): 35  
                                 [3'000.000 - 5'000.000)   : 88  
                                 [5'000.000 - 10'000.000)  :103  
                ING-NO-OPERACIONALES                   GAS-OPERACIONALES
 [0 - 1'000.000)          :  9       [0 - 1'000.000)            :  4    
 [1'000.000 - 367'530.000):  2       [1'000.000 - 2.351'202.000): 55    
 0                        :583       0                          :535    
                                                                        
                                                                        
                                                                        
                                                                        
                      COS-VEN                UTIL-NETA   ACTIV_2019 ACTIV_2020
 [0 - 1'000.000)          :  8   (0 - 186'132.000]: 52   0:594      0:594     
 [1'000.000 - 200'000.000): 63   [-23'200.000 - 0):  2                        
 0                        :523   0                :540                        
                                                                              
                                                                              
                                                                              
                                                                              
                      ACTIV_2021                       ACTIV_2022 
 [0 - 1'000.000)           :268   [0 - 1'000.000)           :175  
 [1'000.000 - 2'000.000)   : 74   [1'000.000 - 2'000.000)   : 87  
 [10'000.000 - 20'000.000) : 59   [10'000.000 - 20'000.000) : 70  
 [2'000.000 - 3'000.000)   : 52   [2'000.000 - 3'000.000)   : 66  
 [20'000.000 - 379'325.000): 19   [20'000.000 - 509'312.000): 30  
 [3'000.000 - 5'000.000)   : 57   [3'000.000 - 5'000.000)   : 74  
 [5'000.000 - 10'000.000)  : 65   [5'000.000 - 10'000.000)  : 92  
                      ACTIV_2023 
 [0 - 1'000.000)           : 46  
 [1'000.000 - 2'000.000)   :109  
 [10'000.000 - 20'000.000) : 96  
 [2'000.000 - 3'000.000)   : 94  
 [20'000.000 - 938'043.000): 44  
 [3'000.000 - 5'000.000)   : 89  
 [5'000.000 - 10'000.000)  :116

ACM

ACM genero en la industria

Ver código

gen <- dna %>%
  select(GENERO, `CANT-MUJERES`, `ING-TAM-EMPRESARIAL`, PATRIMONIO, `ING-NO-OPERACIONALES`, `COS-VEN`, `UTIL-NETA`)


# Realizar el ACM
acm_gen <- MCA(gen, graph=FALSE)

Ver código

#Benzecri
s <- 7
l <- acm_gen$eig[acm_gen$eig[,1] > 1/s, 1]
tau <- ( s / (s - 1) )^2 * ( l - (1/s) )^2
ptau <- tau / sum( tau ) * 100
barplot(ptau, col="darkred", ylim = c(0,100))+text(ptau, labels = paste(round(ptau,3),"%"), pos=3)

numeric(0)

Ver código

library(knitr)

kable(round(acm_gen$var$contrib, 2), caption = "Contribuciones de las variables") %>%
   kable_styling(full_width = F) %>%
   scroll_box(width="800px", height="500px")

Contribuciones de las variables
	Dim 1	Dim 2	Dim 3	Dim 4	Dim 5
F	0.12	1.25	3.80	16.80	0.00
M	0.12	1.16	3.52	15.60	0.00
CANT-MUJERES_0	1.59	5.32	2.43	0.64	0.48
CANT-MUJERES_MAYOR A 0	4.85	16.19	7.40	1.95	1.47
ING-TAM-EMPRESARIAL_[0 - 1'000.000)	4.12	0.11	21.07	0.00	0.67
ING-TAM-EMPRESARIAL_[1'000.000 - 100'000.000)	0.08	1.59	14.53	0.14	1.17
ING-TAM-EMPRESARIAL_[100'000.000 - 5.720'881.000)	9.94	16.74	2.46	1.26	1.89
PATRIMONIO_[0 - 1'000.000)	0.81	1.55	0.16	7.74	0.66
PATRIMONIO_[1'000.000 - 2'000.000)	0.66	5.63	10.58	0.65	5.95
PATRIMONIO_[10'000.000 - 20'000.000)	0.18	4.13	1.32	1.43	2.64
PATRIMONIO_[2'000.000 - 3'000.000)	0.48	0.85	0.30	9.95	11.57
PATRIMONIO_[20'000.000 - 604'967.325)	7.41	3.17	10.96	0.06	0.00
PATRIMONIO_[3'000.000 - 5'000.000)	0.00	1.05	6.61	0.61	9.19
PATRIMONIO_[5'000.000 - 10'000.000)	0.12	0.00	6.55	17.57	7.95
ING-NO-OPERACIONALES_[0 - 1'000.000)	12.35	14.48	0.85	0.35	2.47
ING-NO-OPERACIONALES_[1'000.000 - 367'530.000)	3.31	11.29	4.60	0.02	1.39
ING-NO-OPERACIONALES_0	0.30	0.08	0.06	0.00	0.02
COS-VEN_[0 - 1'000.000)	0.04	0.45	2.74	24.04	0.08
COS-VEN_[1'000.000 - 200'000.000)	24.38	4.45	0.00	0.00	1.22
COS-VEN_0	2.85	0.66	0.05	0.35	0.18
UTIL-NETA_(0 - 186'132.000]	21.76	4.07	0.01	0.72	6.46
UTIL-NETA_[-23'200.000 - 0)	2.17	5.17	0.01	0.06	44.39
UTIL-NETA_0	2.36	0.58	0.00	0.06	0.15

Ver código

kable(round(acm_gen$var$coord, 2), caption = "Coordenadas de las variables") %>%
   kable_styling(full_width = F) %>%
   scroll_box(width="800px", height="500px")

Coordenadas de las variables
	Dim 1	Dim 2	Dim 3	Dim 4	Dim 5
F	-0.08	0.19	-0.31	0.63	-0.01
M	0.07	-0.17	0.29	-0.59	0.00
CANT-MUJERES_0	-0.23	0.31	0.20	-0.10	-0.08
CANT-MUJERES_MAYOR A 0	0.69	-0.94	-0.60	0.30	0.26
ING-TAM-EMPRESARIAL_[0 - 1'000.000)	-0.57	0.07	0.92	-0.01	0.16
ING-TAM-EMPRESARIAL_[1'000.000 - 100'000.000)	0.05	0.19	-0.54	-0.05	-0.15
ING-TAM-EMPRESARIAL_[100'000.000 - 5.720'881.000)	1.70	-1.66	0.60	0.42	0.51
PATRIMONIO_[0 - 1'000.000)	-0.36	-0.37	0.11	0.77	0.22
PATRIMONIO_[1'000.000 - 2'000.000)	-0.31	0.67	0.88	-0.21	-0.63
PATRIMONIO_[10'000.000 - 20'000.000)	0.17	-0.61	-0.33	-0.33	-0.44
PATRIMONIO_[2'000.000 - 3'000.000)	-0.28	0.28	0.16	0.87	0.93
PATRIMONIO_[20'000.000 - 604'967.325)	1.74	-0.85	1.51	-0.11	-0.01
PATRIMONIO_[3'000.000 - 5'000.000)	-0.02	0.31	-0.74	0.22	-0.83
PATRIMONIO_[5'000.000 - 10'000.000)	0.13	-0.01	-0.68	-1.08	0.71
ING-NO-OPERACIONALES_[0 - 1'000.000)	4.43	3.60	0.83	-0.51	1.35
ING-NO-OPERACIONALES_[1'000.000 - 367'530.000)	4.87	-6.74	4.08	0.25	-2.15
ING-NO-OPERACIONALES_0	-0.09	-0.03	-0.03	0.01	-0.01
COS-VEN_[0 - 1'000.000)	-0.28	0.67	1.58	4.52	-0.26
COS-VEN_[1'000.000 - 200'000.000)	2.35	0.75	0.01	-0.02	-0.36
COS-VEN_0	-0.28	-0.10	-0.02	-0.07	0.05
UTIL-NETA_(0 - 186'132.000]	2.45	0.79	0.03	0.31	-0.91
UTIL-NETA_[-23'200.000 - 0)	3.94	4.56	-0.17	-0.45	12.12
UTIL-NETA_0	-0.25	-0.09	0.00	-0.03	0.04

Ver código

kable(round(acm_gen$eig, 2), caption = "Valores propios (Eigenvalues)") %>%
   kable_styling(full_width = F) %>%
   scroll_box(width="800px", height="500px")

Valores propios (Eigenvalues)
	eigenvalue	percentage of variance	cumulative percentage of variance
dim 1	0.34	15.07	15.07
dim 2	0.19	8.48	23.55
dim 3	0.17	7.62	31.17
dim 4	0.16	7.15	38.32
dim 5	0.16	6.97	45.29
dim 6	0.15	6.52	51.81
dim 7	0.14	6.24	58.05
dim 8	0.14	6.01	64.06
dim 9	0.13	5.89	69.95
dim 10	0.13	5.77	75.72
dim 11	0.13	5.47	81.19
dim 12	0.12	5.07	86.26
dim 13	0.11	4.83	91.08
dim 14	0.09	3.80	94.89
dim 15	0.08	3.39	98.27
dim 16	0.04	1.73	100.00

Ver código

dv_acm_gen <- data.frame(Variable = rownames(acm_gen$var$eta2), 
                     Eje1 = acm_gen$var$eta2[,1],
                     Eje2 = acm_gen$var$eta2[,2])

Valores test,contribución y calidad de representación de las variables con el Eje1:

Ver código

fviz_contrib(acm_gen, choice = "var", axes = 1)+
  theme(axis.text.x = element_text(angle = 90, hjust = 1))

Ver código

fviz_cos2(acm_gen, choice="var",axes=1)+
  theme(axis.text.x = element_text(angle = 90, hjust = 1))

Ver código

# Histograma de correlaciones con los ejes
ggplot(dv_acm_gen, aes(x = reorder(Variable,-Eje1), y = Eje1)) +
  geom_bar(stat = "identity", fill = "steelblue") +
  geom_text(aes(label = round(Eje1, 3)), 
            vjust = -0.5, 
            color = "black", 
            size = 3.5)+
  ylim(c(0,1))+
  labs(title="Correlaciones Eje 1", x="Variables", y="Correlacion")+
  theme(plot.title = element_text(hjust = 0.5, face = "bold"),
        axis.text.x = element_text(angle = 90, hjust = 1))

Ver código

kable(acm_gen[["var"]][["v.test"]][,1], caption = "Valores Test") %>%
  kable_styling(full_width = F) %>%
  scroll_box(width = "800px", height = "500px")

Valores Test
	x
F	-1.8482458
M	1.8482458
CANT-MUJERES_0	-9.6003112
CANT-MUJERES_MAYOR A 0	9.6003112
ING-TAM-EMPRESARIAL_[0 - 1'000.000)	-9.2038508
ING-TAM-EMPRESARIAL_[1'000.000 - 100'000.000)	1.6680164
ING-TAM-EMPRESARIAL_[100'000.000 - 5.720'881.000)	12.4454501
PATRIMONIO_[0 - 1'000.000)	-3.6916824
PATRIMONIO_[1'000.000 - 2'000.000)	-3.3663496
PATRIMONIO_[10'000.000 - 20'000.000)	1.7273556
PATRIMONIO_[2'000.000 - 3'000.000)	-2.8281453
PATRIMONIO_[20'000.000 - 604'967.325)	10.6130899
PATRIMONIO_[3'000.000 - 5'000.000)	-0.2458205
PATRIMONIO_[5'000.000 - 10'000.000)	1.4669938
ING-NO-OPERACIONALES_[0 - 1'000.000)	13.3932143
ING-NO-OPERACIONALES_[1'000.000 - 367'530.000)	6.8922147
ING-NO-OPERACIONALES_0	-15.0968277
COS-VEN_[0 - 1'000.000)	-0.7863824
COS-VEN_[1'000.000 - 200'000.000)	19.7490139
COS-VEN_0	-18.4654779
UTIL-NETA_(0 - 186'132.000]	18.4655133
UTIL-NETA_[-23'200.000 - 0)	5.5791374
UTIL-NETA_0	-19.2780727

Valores test,contribución y calidad de representación de las variables con el Eje2:

Ver código

fviz_contrib(acm_gen, choice = "var", axes = 2)+
  theme(axis.text.x = element_text(angle = 90, hjust = 1))

Ver código

fviz_cos2(acm_gen, choice="var",axes=2)+
  theme(axis.text.x = element_text(angle = 90, hjust = 1))

Ver código

ggplot(dv_acm_gen, aes(x = reorder(Variable,-Eje2), y = Eje2)) +
  geom_bar(stat = "identity", fill = "steelblue") +
  geom_text(aes(label = round(Eje2, 3)), 
            vjust = -0.5, 
            color = "black", 
            size = 3.5)+
  ylim(c(0,1))+
  labs(title="Correlaciones Eje 2", x="Variables", y="Correlacion")+
  theme(plot.title = element_text(hjust = 0.5, face = "bold"),
        axis.text.x = element_text(angle = 90, hjust = 1))

Ver código

kable(acm_gen[["var"]][["v.test"]][,2], caption = "Valores Test") %>%
  kable_styling(full_width = F) %>%
  scroll_box(width = "800px", height = "500px")

Valores Test
	x
F	4.4025703
M	-4.4025703
CANT-MUJERES_0	13.1546798
CANT-MUJERES_MAYOR A 0	-13.1546798
ING-TAM-EMPRESARIAL_[0 - 1'000.000)	1.1523426
ING-TAM-EMPRESARIAL_[1'000.000 - 100'000.000)	5.7521898
ING-TAM-EMPRESARIAL_[100'000.000 - 5.720'881.000)	-12.1127442
PATRIMONIO_[0 - 1'000.000)	-3.8334863
PATRIMONIO_[1'000.000 - 2'000.000)	7.3799054
PATRIMONIO_[10'000.000 - 20'000.000)	-6.2591399
PATRIMONIO_[2'000.000 - 3'000.000)	2.8426533
PATRIMONIO_[20'000.000 - 604'967.325)	-5.2060124
PATRIMONIO_[3'000.000 - 5'000.000)	3.1505846
PATRIMONIO_[5'000.000 - 10'000.000)	-0.1501988
ING-NO-OPERACIONALES_[0 - 1'000.000)	10.8747551
ING-NO-OPERACIONALES_[1'000.000 - 367'530.000)	-9.5431653
ING-NO-OPERACIONALES_0	-5.7529359
COS-VEN_[0 - 1'000.000)	1.9148697
COS-VEN_[1'000.000 - 200'000.000)	6.3270482
COS-VEN_0	-6.6857369
UTIL-NETA_(0 - 186'132.000]	5.9880503
UTIL-NETA_[-23'200.000 - 0)	6.4590516
UTIL-NETA_0	-7.1885059

####Proyección de variables en los Ejes(1,2)

Ver código

fviz_mca_var(acm_gen, axes = c(1, 2),
             choice = "mca.cor", repel = TRUE,
             select.var = list(name = c(colnames(gen))),
             ggtheme = theme_minimal())

ACM capacidad de endeudamiento

Ver código

ende <- dna %>%
  select(`DIR-COMERCIAL`, `CANT-EST-BD`, ESTRATO, PERSONAL, `PASIVO-LRG-PLAZO`, `PASIVO-TOTAL`, `GAS-OPERACIONALES`)


# Realizar el ACM
acm_ende <- MCA(ende, graph=FALSE)

Ver código

#Benzecri
s <- 7
l <- acm_ende$eig[acm_ende$eig[,1] > 1/s, 1]
tau <- ( s / (s - 1) )^2 * ( l - (1/s) )^2
ptau <- tau / sum( tau ) * 100
barplot(ptau, col="darkred", ylim = c(0,100))+text(ptau, labels = paste(round(ptau,3),"%"), pos=3)

numeric(0)

Ver código

library(knitr)

kable(round(acm_ende$var$contrib, 2), caption = "Contribuciones de las variables") %>%
   kable_styling(full_width = F) %>%
   scroll_box(width="800px", height="500px")

Contribuciones de las variables
	Dim 1	Dim 2	Dim 3	Dim 4	Dim 5
RURAL	9.30	0.53	0.74	5.12	0.12
URBANO	3.49	0.20	0.28	1.92	0.04
cero	0.06	14.04	7.87	16.13	1.93
dos_o_mas	2.77	6.14	0.48	18.18	1.38
uno	0.12	0.52	0.53	3.60	0.05
BAJO-MEDIO	1.16	6.66	3.25	2.26	0.28
MEDIO_ALTO	2.65	15.19	7.41	5.16	0.65
PERSONAL_0	8.47	1.95	0.93	0.00	1.37
PERSONAL_1-3	11.15	0.41	2.13	2.68	11.06
PERSONAL_4-76	4.20	9.30	0.01	13.89	11.73
PASIVO-LRG-PLAZO_[0 - 1'000.000)	3.28	12.97	9.61	3.80	36.42
PASIVO-LRG-PLAZO_[1'000.000 - 367'530.000)	8.18	1.80	26.90	9.78	0.19
PASIVO-LRG-PLAZO_0	0.32	0.37	0.05	0.37	0.49
PASIVO-TOTAL_[0 - 1'000.000)	2.99	20.89	19.93	1.16	0.51
PASIVO-TOTAL_[1'000.000 - 367'530.000)	19.32	0.27	4.66	8.80	0.84
PASIVO-TOTAL_0	4.11	1.14	0.00	0.89	0.24
GAS-OPERACIONALES_[0 - 1'000.000)	2.59	7.58	7.46	1.35	32.18
GAS-OPERACIONALES_[1'000.000 - 2.351'202.000)	14.06	0.00	7.37	4.30	0.42
GAS-OPERACIONALES_0	1.80	0.05	0.40	0.59	0.08

Ver código

kable(round(acm_ende$var$coord, 2), caption = "Coordenadas de las variables") %>%
   kable_styling(full_width = F) %>%
   scroll_box(width="800px", height="500px")

Coordenadas de las variables
	Dim 1	Dim 2	Dim 3	Dim 4	Dim 5
RURAL	-0.78	0.17	0.19	-0.46	0.07
URBANO	0.29	-0.06	-0.07	0.17	-0.02
cero	0.11	1.62	1.11	1.51	-0.50
dos_o_mas	1.45	-1.98	-0.51	2.97	0.78
uno	-0.05	-0.09	-0.09	-0.21	0.02
BAJO-MEDIO	0.17	-0.38	-0.24	-0.19	-0.06
MEDIO_ALTO	-0.39	0.87	0.56	0.44	0.15
PERSONAL_0	-0.49	0.21	0.14	-0.01	0.15
PERSONAL_1-3	0.82	-0.14	-0.30	-0.32	-0.62
PERSONAL_4-76	1.09	-1.48	0.04	1.58	1.38
PASIVO-LRG-PLAZO_[0 - 1'000.000)	1.97	3.59	-2.84	-1.70	4.99
PASIVO-LRG-PLAZO_[1'000.000 - 367'530.000)	3.30	1.42	5.04	-2.89	-0.38
PASIVO-LRG-PLAZO_0	-0.08	-0.08	-0.03	0.07	-0.07
PASIVO-TOTAL_[0 - 1'000.000)	1.33	3.22	-2.89	0.66	0.42
PASIVO-TOTAL_[1'000.000 - 367'530.000)	1.66	0.18	0.69	-0.89	0.26
PASIVO-TOTAL_0	-0.30	-0.14	0.00	0.11	-0.05
GAS-OPERACIONALES_[0 - 1'000.000)	2.63	4.12	-3.75	1.51	-7.04
GAS-OPERACIONALES_[1'000.000 - 2.351'202.000)	1.65	-0.02	1.01	0.73	0.22
GAS-OPERACIONALES_0	-0.19	-0.03	-0.08	-0.09	0.03

Ver código

kable(round(acm_ende$eig, 2), caption = "Valores propios (Eigenvalues)") %>%
   kable_styling(full_width = F) %>%
   scroll_box(width="800px", height="500px")

Valores propios (Eigenvalues)
	eigenvalue	percentage of variance	cumulative percentage of variance
dim 1	0.26	14.96	14.96
dim 2	0.22	12.55	27.51
dim 3	0.18	10.61	38.12
dim 4	0.16	9.55	47.67
dim 5	0.15	8.63	56.30
dim 6	0.14	7.89	64.19
dim 7	0.13	7.36	71.56
dim 8	0.13	7.33	78.89
dim 9	0.11	6.21	85.10
dim 10	0.10	5.78	90.88
dim 11	0.08	4.91	95.79
dim 12	0.07	4.21	100.00

Ver código

dv_acm_ende <- data.frame(Variable = rownames(acm_ende$var$eta2), 
                     Eje1 = acm_ende$var$eta2[,1],
                     Eje2 = acm_ende$var$eta2[,2],
                     Eje3 = acm_ende$var$eta2[,3])

Valores test,contribución y calidad de representación de las variables con el Eje1:

Ver código

fviz_contrib(acm_ende, choice = "var", axes = 1)+
  theme(axis.text.x = element_text(angle = 90, hjust = 1))

Ver código

fviz_cos2(acm_ende, choice="var",axes=1)+
  theme(axis.text.x = element_text(angle = 90, hjust = 1))

Ver código

# Histograma de correlaciones con los ejes
ggplot(dv_acm_ende, aes(x = reorder(Variable,-Eje1), y = Eje1)) +
  geom_bar(stat = "identity", fill = "steelblue") +
  geom_text(aes(label = round(Eje1, 3)), 
            vjust = -0.5, 
            color = "black", 
            size = 3.5)+
  ylim(c(0,1))+
  labs(title="Correlaciones Eje 1", x="Variables", y="Correlacion")+
  theme(plot.title = element_text(hjust = 0.5, face = "bold"),
        axis.text.x = element_text(angle = 90, hjust = 1))

Ver código

kable(acm_ende[["var"]][["v.test"]][,1], caption = "Valores Test") %>%
  kable_styling(full_width = F) %>%
  scroll_box(width = "800px", height = "500px")

Valores Test
	x
RURAL	-11.6663044
URBANO	11.6663044
cero	0.8085733
dos_o_mas	5.4966263
uno	-3.4479850
BAJO-MEDIO	6.3672853
MEDIO_ALTO	-6.3672853
PERSONAL_0	-15.8603599
PERSONAL_1-3	12.9735835
PERSONAL_4-76	6.9150502
PASIVO-LRG-PLAZO_[0 - 1'000.000)	5.9538281
PASIVO-LRG-PLAZO_[1'000.000 - 367'530.000)	9.3934118
PASIVO-LRG-PLAZO_0	-10.8558624
PASIVO-TOTAL_[0 - 1'000.000)	5.7318991
PASIVO-TOTAL_[1'000.000 - 367'530.000)	15.3426442
PASIVO-TOTAL_0	-16.7272972
GAS-OPERACIONALES_[0 - 1'000.000)	5.2648923
GAS-OPERACIONALES_[1'000.000 - 2.351'202.000)	12.8427031
GAS-OPERACIONALES_0	-13.8855875

Valores test,contribución y calidad de representación de las variables con el Eje2:

Ver código

fviz_contrib(acm_ende, choice = "var", axes = 2)+
  theme(axis.text.x = element_text(angle = 90, hjust = 1))

Ver código

fviz_cos2(acm_ende, choice="var",axes=2)+
  theme(axis.text.x = element_text(angle = 90, hjust = 1))

Ver código

# Histograma de correlaciones con los ejes
ggplot(dv_acm_ende, aes(x = reorder(Variable,-Eje2), y = Eje2)) +
  geom_bar(stat = "identity", fill = "steelblue") +
  geom_text(aes(label = round(Eje2, 3)), 
            vjust = -0.5, 
            color = "black", 
            size = 3.5)+
  ylim(c(0,1))+
  labs(title="Correlaciones Eje 2", x="Variables", y="Correlacion")+
  theme(plot.title = element_text(hjust = 0.5, face = "bold"),
        axis.text.x = element_text(angle = 90, hjust = 1))

Ver código

kable(acm_ende[["var"]][["v.test"]][,2], caption = "Valores Test") %>%
  kable_styling(full_width = F) %>%
  scroll_box(width = "800px", height = "500px")

Valores Test
	x
RURAL	2.5403346
URBANO	-2.5403346
cero	11.6807595
dos_o_mas	-7.4966312
uno	-6.6924848
BAJO-MEDIO	-13.9672886
MEDIO_ALTO	13.9672886
PERSONAL_0	6.9681773
PERSONAL_1-3	-2.2752660
PERSONAL_4-76	-9.4179263
PASIVO-LRG-PLAZO_[0 - 1'000.000)	10.8453871
PASIVO-LRG-PLAZO_[1'000.000 - 367'530.000)	4.0325691
PASIVO-LRG-PLAZO_0	-10.7335053
PASIVO-TOTAL_[0 - 1'000.000)	13.8704615
PASIVO-TOTAL_[1'000.000 - 367'530.000)	1.6510628
PASIVO-TOTAL_0	-8.0521158
GAS-OPERACIONALES_[0 - 1'000.000)	8.2556982
GAS-OPERACIONALES_[1'000.000 - 2.351'202.000)	-0.1365172
GAS-OPERACIONALES_0	-2.1250915

Valores test,contribución y calidad de representación de las variables con el Eje3:

Ver código

fviz_contrib(acm_ende, choice = "var", axes = 3)+
  theme(axis.text.x = element_text(angle = 90, hjust = 1))

Ver código

fviz_cos2(acm_ende, choice="var",axes=3)+
  theme(axis.text.x = element_text(angle = 90, hjust = 1))

Ver código

# Histograma de correlaciones con los ejes
ggplot(dv_acm_ende, aes(x = reorder(Variable,-Eje3), y = Eje3)) +
  geom_bar(stat = "identity", fill = "steelblue") +
  geom_text(aes(label = round(Eje3, 3)), 
            vjust = -0.5, 
            color = "black", 
            size = 3.5)+
  ylim(c(0,1))+
  labs(title="Correlaciones Eje 3", x="Variables", y="Correlacion")+
  theme(plot.title = element_text(hjust = 0.5, face = "bold"),
        axis.text.x = element_text(angle = 90, hjust = 1))

Ver código

kable(acm_ende[["var"]][["v.test"]][,3], caption = "Valores Test") %>%
  kable_styling(full_width = F) %>%
  scroll_box(width = "800px", height = "500px")

Valores Test
	x
RURAL	2.7733782
URBANO	-2.7733782
cero	8.0378414
dos_o_mas	-1.9176857
uno	-6.2133215
BAJO-MEDIO	-8.9669790
MEDIO_ALTO	8.9669790
PERSONAL_0	4.4159357
PERSONAL_1-3	-4.7762590
PERSONAL_4-76	0.2432656
PASIVO-LRG-PLAZO_[0 - 1'000.000)	-8.5833468
PASIVO-LRG-PLAZO_[1'000.000 - 367'530.000)	14.3454460
PASIVO-LRG-PLAZO_0	-3.6288985
PASIVO-TOTAL_[0 - 1'000.000)	-12.4562263
PASIVO-TOTAL_[1'000.000 - 367'530.000)	6.3417974
PASIVO-TOTAL_0	0.0793832
GAS-OPERACIONALES_[0 - 1'000.000)	-7.5287581
GAS-OPERACIONALES_[1'000.000 - 2.351'202.000)	7.8278020
GAS-OPERACIONALES_0	-5.5273757

####Proyección de variables en los Ejes(1,2)

Ver código

fviz_mca_var(acm_ende, axes = c(1, 2),
             choice = "mca.cor", repel = TRUE,
             select.var = list(name = c(colnames(ende))),
             ggtheme = theme_minimal())

####Proyección de variables en los Ejes(1,3)

Ver código

fviz_mca_var(acm_ende, axes = c(1, 3),
             choice = "mca.cor", repel = TRUE,
             select.var = list(name = c(colnames(ende))),
             ggtheme = theme_minimal())

####Proyección de variables en los Ejes(2,3)

Ver código

fviz_mca_var(acm_ende, axes = c(2, 3),
             choice = "mca.cor", repel = TRUE,
             select.var = list(name = c(colnames(ende))),
             ggtheme = theme_minimal())

ACM Inversión

Ver código

inv <- dna %>%
  select(`EMPREN-SOCIAL`,SUBREGION, `DIR-COMERCIAL`, CATEGORIA, `ING-TAM-EMPRESARIAL`, `ACTIVO-CORRIENTE`, PATRIMONIO, `UTIL-NETA`, ACTIV_2019, ACTIV_2020, ACTIV_2021, ACTIV_2022, ACTIV_2023)


# Realizar el ACM
acm_inv <- MCA(inv, graph=FALSE)

Ver código

#Benzecri
s <- 13
l <- acm_inv$eig[acm_inv$eig[,1] > 1/s, 1]
tau <- ( s / (s - 1) )^2 * ( l - (1/s) )^2
ptau <- tau / sum( tau ) * 100
barplot(ptau, col="darkred", ylim = c(0,100))+text(ptau, labels = paste(round(ptau,3),"%"), pos=3)

numeric(0)

Ver código

library(knitr)

kable(round(acm_inv$var$contrib, 2), caption = "Contribuciones de las variables") %>%
   kable_styling(full_width = F) %>%
   scroll_box(width="800px", height="500px")

Contribuciones de las variables
	Dim 1	Dim 2	Dim 3	Dim 4	Dim 5
EMPREN-SOCIAL.N	0.00	0.03	0.01	0.00	0.00
S	0.00	0.34	0.09	0.04	0.02
Bosques	0.29	0.13	0.10	0.00	0.05
Embalses	0.10	0.10	0.16	0.00	0.00
Páramo	0.01	0.35	0.41	0.06	0.01
Valle de San Nicolás	0.05	0.01	0.15	0.00	0.01
RURAL	0.36	1.19	0.45	0.00	0.00
URBANO	0.13	0.45	0.17	0.00	0.00
ELABORACION DE PRODUCTOS DE CONSUMO	0.05	0.00	0.04	0.00	0.00
HOTELERÍA Y TURISMO	0.48	0.05	0.07	0.00	0.16
OTROS	0.00	0.07	0.12	0.00	0.21
ING-TAM-EMPRESARIAL_[0 - 1'000.000)	0.66	1.78	0.21	0.00	0.00
ING-TAM-EMPRESARIAL_[1'000.000 - 100'000.000)	0.01	0.83	0.00	0.02	0.01
ING-TAM-EMPRESARIAL_[100'000.000 - 5.720'881.000)	3.21	0.01	0.59	0.16	0.03
ACTIVO-CORRIENTE_[0 - 1'000.000)	0.20	0.26	0.19	0.00	0.03
ACTIVO-CORRIENTE_[1'000.000 - 2'000.000)	2.05	5.05	0.27	1.69	5.85
ACTIVO-CORRIENTE_[10'000.000 - 20'000.000)	2.07	0.01	7.42	8.30	0.16
ACTIVO-CORRIENTE_[2'000.000 - 3'000.000)	1.08	1.59	1.52	0.04	14.83
ACTIVO-CORRIENTE_[20'000.000 - 706'777.000)	13.26	1.10	2.15	1.44	0.15
ACTIVO-CORRIENTE_[3'000.000 - 5'000.000)	0.58	2.55	8.29	4.75	2.26
ACTIVO-CORRIENTE_[5'000.000 - 10'000.000)	0.00	9.61	1.39	6.16	0.11
PATRIMONIO_[0 - 1'000.000)	0.15	0.21	0.19	0.00	0.03
PATRIMONIO_[1'000.000 - 2'000.000)	2.07	4.92	0.37	1.67	5.65
PATRIMONIO_[10'000.000 - 20'000.000)	2.04	0.02	7.01	7.88	0.14
PATRIMONIO_[2'000.000 - 3'000.000)	0.93	1.47	1.67	0.02	13.44
PATRIMONIO_[20'000.000 - 604'967.325)	12.74	1.14	2.28	1.62	0.18
PATRIMONIO_[3'000.000 - 5'000.000)	0.51	2.75	7.75	4.43	2.16
PATRIMONIO_[5'000.000 - 10'000.000)	0.01	8.69	1.38	5.66	0.13
UTIL-NETA_(0 - 186'132.000]	1.55	0.00	0.20	0.03	0.03
UTIL-NETA_[-23'200.000 - 0)	0.00	0.02	0.02	0.02	0.17
UTIL-NETA_0	0.15	0.00	0.02	0.00	0.00
ACTIV_2019_0	0.00	0.00	0.00	0.00	0.00
ACTIV_2020_0	0.00	0.00	0.00	0.00	0.00
ACTIV_2021_[0 - 1'000.000)	0.58	0.91	0.43	0.01	0.00
ACTIV_2021_[1'000.000 - 2'000.000)	1.36	2.54	0.02	0.92	2.09
ACTIV_2021_[10'000.000 - 20'000.000)	3.91	0.00	2.87	4.26	0.04
ACTIV_2021_[2'000.000 - 3'000.000)	0.31	0.21	2.08	0.01	8.04
ACTIV_2021_[20'000.000 - 379'325.000)	9.44	0.67	1.97	1.32	0.14
ACTIV_2021_[3'000.000 - 5'000.000)	0.22	3.49	5.23	2.17	1.58
ACTIV_2021_[5'000.000 - 10'000.000)	0.03	7.25	1.23	3.98	0.11
ACTIV_2022_[0 - 1'000.000)	0.54	1.35	0.40	0.01	0.00
ACTIV_2022_[1'000.000 - 2'000.000)	1.66	3.83	0.17	1.40	4.32
ACTIV_2022_[10'000.000 - 20'000.000)	2.55	0.02	5.88	7.37	0.13
ACTIV_2022_[2'000.000 - 3'000.000)	0.67	0.69	1.99	0.00	11.14
ACTIV_2022_[20'000.000 - 509'312.000)	13.47	0.94	2.46	1.59	0.17
ACTIV_2022_[3'000.000 - 5'000.000)	0.40	2.91	7.38	3.82	2.15
ACTIV_2022_[5'000.000 - 10'000.000)	0.00	9.76	1.29	5.74	0.14
ACTIV_2023_[0 - 1'000.000)	0.22	0.37	0.17	0.01	0.03
ACTIV_2023_[1'000.000 - 2'000.000)	2.24	5.22	0.41	1.72	6.73
ACTIV_2023_[10'000.000 - 20'000.000)	1.68	0.00	7.89	8.70	0.16
ACTIV_2023_[2'000.000 - 3'000.000)	1.15	1.77	1.54	0.04	14.72
ACTIV_2023_[20'000.000 - 938'043.000)	14.20	1.15	1.95	1.29	0.16
ACTIV_2023_[3'000.000 - 5'000.000)	0.60	2.40	8.71	5.05	2.22
ACTIV_2023_[5'000.000 - 10'000.000)	0.01	9.82	1.28	6.57	0.12

Ver código

kable(round(acm_inv$eig, 2), caption = "Valores propios (Eigenvalues)") %>%
   kable_styling(full_width = F) %>%
   scroll_box(width="800px", height="500px")

Valores propios (Eigenvalues)
	eigenvalue	percentage of variance	cumulative percentage of variance
dim 1	0.34	10.93	10.93
dim 2	0.33	10.35	21.28
dim 3	0.31	9.78	31.06
dim 4	0.29	9.31	40.37
dim 5	0.28	8.97	49.34
dim 6	0.24	7.75	57.09
dim 7	0.17	5.27	62.36
dim 8	0.09	2.93	65.29
dim 9	0.09	2.83	68.12
dim 10	0.08	2.58	70.70
dim 11	0.08	2.57	73.27
dim 12	0.08	2.38	75.66
dim 13	0.07	2.33	77.98
dim 14	0.07	2.23	80.22
dim 15	0.06	2.05	82.27
dim 16	0.06	1.98	84.25
dim 17	0.06	1.83	86.08
dim 18	0.05	1.74	87.83
dim 19	0.05	1.62	89.44
dim 20	0.05	1.43	90.87
dim 21	0.04	1.18	92.06
dim 22	0.03	1.06	93.12
dim 23	0.03	1.01	94.13
dim 24	0.02	0.75	94.88
dim 25	0.02	0.58	95.46
dim 26	0.02	0.53	95.98
dim 27	0.02	0.50	96.49
dim 28	0.01	0.47	96.95
dim 29	0.01	0.42	97.37
dim 30	0.01	0.39	97.76
dim 31	0.01	0.34	98.09
dim 32	0.01	0.31	98.40
dim 33	0.01	0.28	98.68
dim 34	0.01	0.26	98.94
dim 35	0.01	0.22	99.15
dim 36	0.01	0.21	99.36
dim 37	0.01	0.18	99.55
dim 38	0.01	0.17	99.72
dim 39	0.00	0.13	99.85
dim 40	0.00	0.08	99.93
dim 41	0.00	0.07	100.00

Ver código

kable(round(acm_inv$var$coord, 2), caption = "Coordenadas de las variables") %>%
   kable_styling(full_width = F) %>%
   scroll_box(width="800px", height="500px")

Coordenadas de las variables
	Dim 1	Dim 2	Dim 3	Dim 4	Dim 5
EMPREN-SOCIAL.N	0.00	-0.04	-0.02	-0.01	-0.01
S	-0.01	0.43	0.21	0.14	0.09
Bosques	-0.60	0.39	0.32	-0.04	0.21
Embalses	-0.19	-0.18	0.23	0.01	0.04
Páramo	0.10	0.53	0.55	0.20	0.10
Valle de San Nicolás	0.05	-0.03	-0.09	-0.01	-0.02
RURAL	-0.24	0.43	-0.26	-0.01	-0.02
URBANO	0.09	-0.16	0.10	0.00	0.01
ELABORACION DE PRODUCTOS DE CONSUMO	-0.05	0.00	-0.04	0.00	0.00
HOTELERÍA Y TURISMO	0.48	-0.15	0.17	-0.01	0.25
OTROS	-0.04	0.20	0.25	0.01	-0.31
ING-TAM-EMPRESARIAL_[0 - 1'000.000)	-0.31	0.50	-0.17	0.00	0.02
ING-TAM-EMPRESARIAL_[1'000.000 - 100'000.000)	-0.02	-0.24	0.01	-0.04	-0.02
ING-TAM-EMPRESARIAL_[100'000.000 - 5.720'881.000)	1.32	-0.05	0.53	0.27	0.11
ACTIVO-CORRIENTE_[0 - 1'000.000)	-0.31	0.34	-0.28	0.02	-0.11
ACTIVO-CORRIENTE_[1'000.000 - 2'000.000)	-0.69	1.05	-0.24	0.58	-1.05
ACTIVO-CORRIENTE_[10'000.000 - 20'000.000)	0.75	0.05	-1.35	-1.39	0.19
ACTIVO-CORRIENTE_[2'000.000 - 3'000.000)	-0.56	0.67	0.63	0.10	1.90
ACTIVO-CORRIENTE_[20'000.000 - 706'777.000)	3.09	0.87	1.18	0.94	-0.30
ACTIVO-CORRIENTE_[3'000.000 - 5'000.000)	-0.42	-0.85	1.48	-1.09	-0.74
ACTIVO-CORRIENTE_[5'000.000 - 10'000.000)	-0.02	-1.50	-0.56	1.14	0.15
PATRIMONIO_[0 - 1'000.000)	-0.21	0.24	-0.22	0.02	-0.08
PATRIMONIO_[1'000.000 - 2'000.000)	-0.74	1.11	-0.30	0.62	-1.11
PATRIMONIO_[10'000.000 - 20'000.000)	0.78	0.07	-1.36	-1.41	0.18
PATRIMONIO_[2'000.000 - 3'000.000)	-0.53	0.64	0.67	0.08	1.82
PATRIMONIO_[20'000.000 - 604'967.325)	3.11	0.90	1.24	1.03	-0.34
PATRIMONIO_[3'000.000 - 5'000.000)	-0.39	-0.89	1.45	-1.07	-0.73
PATRIMONIO_[5'000.000 - 10'000.000)	-0.04	-1.46	-0.56	1.12	0.16
UTIL-NETA_(0 - 186'132.000]	0.89	0.04	0.30	0.11	-0.12
UTIL-NETA_[-23'200.000 - 0)	-0.24	-0.47	0.44	0.49	1.35
UTIL-NETA_0	-0.08	0.00	-0.03	-0.01	0.01
ACTIV_2019_0	0.00	0.00	0.00	0.00	0.00
ACTIV_2020_0	0.00	0.00	0.00	0.00	0.00
ACTIV_2021_[0 - 1'000.000)	-0.24	0.29	-0.19	-0.03	-0.02
ACTIV_2021_[1'000.000 - 2'000.000)	-0.70	0.93	-0.08	0.53	-0.79
ACTIV_2021_[10'000.000 - 20'000.000)	1.33	-0.03	-1.08	-1.28	0.12
ACTIV_2021_[2'000.000 - 3'000.000)	-0.40	0.32	0.98	-0.05	1.84
ACTIV_2021_[20'000.000 - 379'325.000)	3.64	0.94	1.57	1.26	-0.40
ACTIV_2021_[3'000.000 - 5'000.000)	-0.32	-1.24	1.48	-0.93	-0.78
ACTIV_2021_[5'000.000 - 10'000.000)	0.12	-1.68	-0.67	1.18	0.19
ACTIV_2022_[0 - 1'000.000)	-0.29	0.44	-0.23	-0.04	0.01
ACTIV_2022_[1'000.000 - 2'000.000)	-0.71	1.05	-0.22	0.60	-1.04
ACTIV_2022_[10'000.000 - 20'000.000)	0.99	-0.07	-1.41	-1.54	0.20
ACTIV_2022_[2'000.000 - 3'000.000)	-0.52	0.51	0.85	0.01	1.92
ACTIV_2022_[20'000.000 - 509'312.000)	3.46	0.89	1.40	1.10	-0.35
ACTIV_2022_[3'000.000 - 5'000.000)	-0.38	-0.99	1.54	-1.08	-0.80
ACTIV_2022_[5'000.000 - 10'000.000)	0.02	-1.63	-0.58	1.19	0.18
ACTIV_2023_[0 - 1'000.000)	-0.36	0.45	-0.30	-0.08	-0.11
ACTIV_2023_[1'000.000 - 2'000.000)	-0.74	1.10	-0.30	0.60	-1.16
ACTIV_2023_[10'000.000 - 20'000.000)	0.68	0.02	-1.40	-1.43	0.19
ACTIV_2023_[2'000.000 - 3'000.000)	-0.57	0.69	0.62	0.10	1.85
ACTIV_2023_[20'000.000 - 938'043.000)	2.93	0.81	1.03	0.82	-0.28
ACTIV_2023_[3'000.000 - 5'000.000)	-0.42	-0.82	1.53	-1.13	-0.74
ACTIV_2023_[5'000.000 - 10'000.000)	-0.05	-1.46	-0.51	1.13	0.15

Ver código

dv_acm_inv <- data.frame(Variable = rownames(acm_inv$var$eta2), 
                     Eje1 = acm_inv$var$eta2[,1],
                     Eje2 = acm_inv$var$eta2[,2],
                     Eje3 = acm_inv$var$eta2[,3],
                     Eje4 = acm_inv$var$eta2[,4],
                     Eje5 = acm_inv$var$eta2[5])

Valores test,contribución y calidad de representación de las variables con el Eje1:

Ver código

fviz_contrib(acm_inv, choice = "var", axes = 1)+
  theme(axis.text.x = element_text(angle = 90, hjust = 1))

Ver código

fviz_cos2(acm_inv, choice="var",axes=1)+
  theme(axis.text.x = element_text(angle = 90, hjust = 1))

Warning: Removed 2 rows containing missing values or values outside the scale range
(`geom_bar()`).

Ver código

# Histograma de correlaciones con los ejes
ggplot(dv_acm_inv, aes(x = reorder(Variable,-Eje1), y = Eje1)) +
  geom_bar(stat = "identity", fill = "steelblue") +
  geom_text(aes(label = round(Eje1, 3)), 
            vjust = -0.5, 
            color = "black", 
            size = 3.5)+
  ylim(c(0,1))+
  labs(title="Correlaciones Eje 1", x="Variables", y="Correlacion")+
  theme(plot.title = element_text(hjust = 0.5, face = "bold"),
        axis.text.x = element_text(angle = 90, hjust = 1))

Ver código

kable(acm_inv[["var"]][["v.test"]][,1], caption = "Valores Test") %>%
  kable_styling(full_width = F) %>%
  scroll_box(width = "800px", height = "500px")

Valores Test
	x
EMPREN-SOCIAL.N	0.1018646
S	-0.1018646
Bosques	-2.8470681
Embalses	-1.7324342
Páramo	0.5667170
Valle de San Nicolás	2.3880016
RURAL	-3.6049331
URBANO	3.6049331
ELABORACION DE PRODUCTOS DE CONSUMO	-2.7233821
HOTELERÍA Y TURISMO	3.7687182
OTROS	-0.2775456
ING-TAM-EMPRESARIAL_[0 - 1'000.000)	-5.0190221
ING-TAM-EMPRESARIAL_[1'000.000 - 100'000.000)	-0.7055347
ING-TAM-EMPRESARIAL_[100'000.000 - 5.720'881.000)	9.6464646
ACTIVO-CORRIENTE_[0 - 1'000.000)	-2.4529676
ACTIVO-CORRIENTE_[1'000.000 - 2'000.000)	-8.2104683
ACTIVO-CORRIENTE_[10'000.000 - 20'000.000)	8.1170098
ACTIVO-CORRIENTE_[2'000.000 - 3'000.000)	-5.8088094
ACTIVO-CORRIENTE_[20'000.000 - 706'777.000)	19.3881284
ACTIVO-CORRIENTE_[3'000.000 - 5'000.000)	-4.2803129
ACTIVO-CORRIENTE_[5'000.000 - 10'000.000)	-0.2508306
PATRIMONIO_[0 - 1'000.000)	-2.1798001
PATRIMONIO_[1'000.000 - 2'000.000)	-8.1294851
PATRIMONIO_[10'000.000 - 20'000.000)	7.9928963
PATRIMONIO_[2'000.000 - 3'000.000)	-5.3876625
PATRIMONIO_[20'000.000 - 604'967.325)	18.9697070
PATRIMONIO_[3'000.000 - 5'000.000)	-4.0058610
PATRIMONIO_[5'000.000 - 10'000.000)	-0.4411748
UTIL-NETA_(0 - 186'132.000]	6.7245524
UTIL-NETA_[-23'200.000 - 0)	-0.3381413
UTIL-NETA_0	-6.5429210
ACTIV_2019_0	NaN
ACTIV_2020_0	NaN
ACTIV_2021_[0 - 1'000.000)	-5.3082587
ACTIV_2021_[1'000.000 - 2'000.000)	-6.4154449
ACTIV_2021_[10'000.000 - 20'000.000)	10.7384435
ACTIV_2021_[2'000.000 - 3'000.000)	-2.9998320
ACTIV_2021_[20'000.000 - 379'325.000)	16.0975240
ACTIV_2021_[3'000.000 - 5'000.000)	-2.5240769
ACTIV_2021_[5'000.000 - 10'000.000)	0.9831042
ACTIV_2022_[0 - 1'000.000)	-4.5275213
ACTIV_2022_[1'000.000 - 2'000.000)	-7.1813243
ACTIV_2022_[10'000.000 - 20'000.000)	8.7710491
ACTIV_2022_[2'000.000 - 3'000.000)	-4.4666235
ACTIV_2022_[20'000.000 - 509'312.000)	19.4185522
ACTIV_2022_[3'000.000 - 5'000.000)	-3.4968763
ACTIV_2022_[5'000.000 - 10'000.000)	0.2245327
ACTIV_2023_[0 - 1'000.000)	-2.5429438
ACTIV_2023_[1'000.000 - 2'000.000)	-8.5431937
ACTIV_2023_[10'000.000 - 20'000.000)	7.3004341
ACTIV_2023_[2'000.000 - 3'000.000)	-6.0154957
ACTIV_2023_[20'000.000 - 938'043.000)	20.1862143
ACTIV_2023_[3'000.000 - 5'000.000)	-4.3334137
ACTIV_2023_[5'000.000 - 10'000.000)	-0.6184558

Valores test,contribución y calidad de representación de las variables con el Eje2:

Ver código

fviz_contrib(acm_inv, choice = "var", axes = 2)+
  theme(axis.text.x = element_text(angle = 90, hjust = 1))

Ver código

fviz_cos2(acm_inv, choice="var",axes=2)+
  theme(axis.text.x = element_text(angle = 90, hjust = 1))

Warning: Removed 2 rows containing missing values or values outside the scale range
(`geom_bar()`).

Ver código

# Histograma de correlaciones con los ejes
ggplot(dv_acm_inv, aes(x = reorder(Variable,-Eje2), y = Eje2)) +
  geom_bar(stat = "identity", fill = "steelblue") +
  geom_text(aes(label = round(Eje2, 3)), 
            vjust = -0.5, 
            color = "black", 
            size = 3.5)+
  ylim(c(0,1))+
  labs(title="Correlaciones Eje 2", x="Variables", y="Correlacion")+
  theme(plot.title = element_text(hjust = 0.5, face = "bold"),
        axis.text.x = element_text(angle = 90, hjust = 1))

Ver código

kable(acm_inv[["var"]][["v.test"]][,2], caption = "Valores Test") %>%
  kable_styling(full_width = F) %>%
  scroll_box(width = "800px", height = "500px")

Valores Test
	x
EMPREN-SOCIAL.N	-3.0493090
S	3.0493090
Bosques	1.8434052
Embalses	-1.6922186
Páramo	3.0594470
Valle de San Nicolás	-1.1674462
RURAL	6.4087728
URBANO	-6.4087728
ELABORACION DE PRODUCTOS DE CONSUMO	-0.1253168
HOTELERÍA Y TURISMO	-1.1397191
OTROS	1.4228043
ING-TAM-EMPRESARIAL_[0 - 1'000.000)	8.0176103
ING-TAM-EMPRESARIAL_[1'000.000 - 100'000.000)	-7.3559167
ING-TAM-EMPRESARIAL_[100'000.000 - 5.720'881.000)	-0.3898221
ACTIVO-CORRIENTE_[0 - 1'000.000)	2.7000602
ACTIVO-CORRIENTE_[1'000.000 - 2'000.000)	12.5562836
ACTIVO-CORRIENTE_[10'000.000 - 20'000.000)	0.4842187
ACTIVO-CORRIENTE_[2'000.000 - 3'000.000)	6.8643469
ACTIVO-CORRIENTE_[20'000.000 - 706'777.000)	5.4330799
ACTIVO-CORRIENTE_[3'000.000 - 5'000.000)	-8.6971421
ACTIVO-CORRIENTE_[5'000.000 - 10'000.000)	-17.1679158
PATRIMONIO_[0 - 1'000.000)	2.4661341
PATRIMONIO_[1'000.000 - 2'000.000)	12.2046044
PATRIMONIO_[10'000.000 - 20'000.000)	0.7258893
PATRIMONIO_[2'000.000 - 3'000.000)	6.5901778
PATRIMONIO_[20'000.000 - 604'967.325)	5.5123844
PATRIMONIO_[3'000.000 - 5'000.000)	-9.0063582
PATRIMONIO_[5'000.000 - 10'000.000)	-16.2648929
UTIL-NETA_(0 - 186'132.000]	0.3188771
UTIL-NETA_[-23'200.000 - 0)	-0.6647736
UTIL-NETA_0	-0.1795411
ACTIV_2019_0	NaN
ACTIV_2020_0	NaN
ACTIV_2021_[0 - 1'000.000)	6.4426381
ACTIV_2021_[1'000.000 - 2'000.000)	8.5386859
ACTIV_2021_[10'000.000 - 20'000.000)	-0.2341884
ACTIV_2021_[2'000.000 - 3'000.000)	2.4104525
ACTIV_2021_[20'000.000 - 379'325.000)	4.1740457
ACTIV_2021_[3'000.000 - 5'000.000)	-9.8572440
ACTIV_2021_[5'000.000 - 10'000.000)	-14.3129253
ACTIV_2022_[0 - 1'000.000)	6.9344062
ACTIV_2022_[1'000.000 - 2'000.000)	10.6180797
ACTIV_2022_[10'000.000 - 20'000.000)	-0.6653121
ACTIV_2022_[2'000.000 - 3'000.000)	4.4231790
ACTIV_2022_[20'000.000 - 509'312.000)	4.9882127
ACTIV_2022_[3'000.000 - 5'000.000)	-9.1371874
ACTIV_2022_[5'000.000 - 10'000.000)	-17.0425199
ACTIV_2023_[0 - 1'000.000)	3.1738189
ACTIV_2023_[1'000.000 - 2'000.000)	12.6787929
ACTIV_2023_[10'000.000 - 20'000.000)	0.2173972
ACTIV_2023_[2'000.000 - 3'000.000)	7.2701515
ACTIV_2023_[20'000.000 - 938'043.000)	5.5979114
ACTIV_2023_[3'000.000 - 5'000.000)	-8.4300628
ACTIV_2023_[5'000.000 - 10'000.000)	-17.5236693

Valores test,contribución y calidad de representación de las variables con el Eje3:

Ver código

fviz_contrib(acm_inv, choice = "var", axes = 3)+
  theme(axis.text.x = element_text(angle = 90, hjust = 1))

Ver código

fviz_cos2(acm_inv, choice="var",axes=3)+
  theme(axis.text.x = element_text(angle = 90, hjust = 1))

Warning: Removed 2 rows containing missing values or values outside the scale range
(`geom_bar()`).

Ver código

# Histograma de correlaciones con los ejes
ggplot(dv_acm_inv, aes(x = reorder(Variable,-Eje3), y = Eje3)) +
  geom_bar(stat = "identity", fill = "steelblue") +
  geom_text(aes(label = round(Eje3, 3)), 
            vjust = -0.5, 
            color = "black", 
            size = 3.5)+
  ylim(c(0,1))+
  labs(title="Correlaciones Eje 3", x="Variables", y="Correlacion")+
  theme(plot.title = element_text(hjust = 0.5, face = "bold"),
        axis.text.x = element_text(angle = 90, hjust = 1))

Ver código

kable(acm_inv[["var"]][["v.test"]][,3], caption = "Valores Test") %>%
  kable_styling(full_width = F) %>%
  scroll_box(width = "800px", height = "500px")

Valores Test
	x
EMPREN-SOCIAL.N	-1.4839022
S	1.4839022
Bosques	1.5464462
Embalses	2.0761508
Páramo	3.1986815
Valle de San Nicolás	-4.1342265
RURAL	-3.8171437
URBANO	3.8171437
ELABORACION DE PRODUCTOS DE CONSUMO	-2.3034424
HOTELERÍA Y TURISMO	1.3547021
OTROS	1.7690395
ING-TAM-EMPRESARIAL_[0 - 1'000.000)	-2.6788722
ING-TAM-EMPRESARIAL_[1'000.000 - 100'000.000)	0.3309632
ING-TAM-EMPRESARIAL_[100'000.000 - 5.720'881.000)	3.8959804
ACTIVO-CORRIENTE_[0 - 1'000.000)	-2.2476809
ACTIVO-CORRIENTE_[1'000.000 - 2'000.000)	-2.8189842
ACTIVO-CORRIENTE_[10'000.000 - 20'000.000)	-14.5183558
ACTIVO-CORRIENTE_[2'000.000 - 3'000.000)	6.5172845
ACTIVO-CORRIENTE_[20'000.000 - 706'777.000)	7.3872407
ACTIVO-CORRIENTE_[3'000.000 - 5'000.000)	15.2440505
ACTIVO-CORRIENTE_[5'000.000 - 10'000.000)	-6.3500344
PATRIMONIO_[0 - 1'000.000)	-2.2939142
PATRIMONIO_[1'000.000 - 2'000.000)	-3.2640929
PATRIMONIO_[10'000.000 - 20'000.000)	-14.0183177
PATRIMONIO_[2'000.000 - 3'000.000)	6.8325732
PATRIMONIO_[20'000.000 - 604'967.325)	7.5836085
PATRIMONIO_[3'000.000 - 5'000.000)	14.7039198
PATRIMONIO_[5'000.000 - 10'000.000)	-6.2905552
UTIL-NETA_(0 - 186'132.000]	2.2571087
UTIL-NETA_[-23'200.000 - 0)	0.6228789
UTIL-NETA_0	-2.3445261
ACTIV_2019_0	NaN
ACTIV_2020_0	NaN
ACTIV_2021_[0 - 1'000.000)	-4.2933695
ACTIV_2021_[1'000.000 - 2'000.000)	-0.6971729
ACTIV_2021_[10'000.000 - 20'000.000)	-8.7027664
ACTIV_2021_[2'000.000 - 3'000.000)	7.3559233
ACTIV_2021_[20'000.000 - 379'325.000)	6.9588349
ACTIV_2021_[3'000.000 - 5'000.000)	11.7271548
ACTIV_2021_[5'000.000 - 10'000.000)	-5.7272423
ACTIV_2022_[0 - 1'000.000)	-3.6654099
ACTIV_2022_[1'000.000 - 2'000.000)	-2.1879638
ACTIV_2022_[10'000.000 - 20'000.000)	-12.5829452
ACTIV_2022_[2'000.000 - 3'000.000)	7.2940846
ACTIV_2022_[20'000.000 - 509'312.000)	7.8402073
ACTIV_2022_[3'000.000 - 5'000.000)	14.1575135
ACTIV_2022_[5'000.000 - 10'000.000)	-6.0338194
ACTIV_2023_[0 - 1'000.000)	-2.0860808
ACTIV_2023_[1'000.000 - 2'000.000)	-3.4483472
ACTIV_2023_[10'000.000 - 20'000.000)	-14.9597017
ACTIV_2023_[2'000.000 - 3'000.000)	6.5967472
ACTIV_2023_[20'000.000 - 938'043.000)	7.0817309
ACTIV_2023_[3'000.000 - 5'000.000)	15.6071418
ACTIV_2023_[5'000.000 - 10'000.000)	-6.1388541

Valores test,contribución y calidad de representación de las variables con el Eje4:

Ver código

fviz_contrib(acm_inv, choice = "var", axes = 4)+
  theme(axis.text.x = element_text(angle = 90, hjust = 1))

Ver código

fviz_cos2(acm_inv, choice="var",axes=4)+
  theme(axis.text.x = element_text(angle = 90, hjust = 1))

Warning: Removed 2 rows containing missing values or values outside the scale range
(`geom_bar()`).

Ver código

# Histograma de correlaciones con los ejes
ggplot(dv_acm_inv, aes(x = reorder(Variable,-Eje4), y = Eje4)) +
  geom_bar(stat = "identity", fill = "steelblue") +
  geom_text(aes(label = round(Eje4, 3)), 
            vjust = -0.5, 
            color = "black", 
            size = 3.5)+
  ylim(c(0,1))+
  labs(title="Correlaciones Eje 4", x="Variables", y="Correlacion")+
  theme(plot.title = element_text(hjust = 0.5, face = "bold"),
        axis.text.x = element_text(angle = 90, hjust = 1))

Ver código

kable(acm_inv[["var"]][["v.test"]][,4], caption = "Valores Test") %>%
  kable_styling(full_width = F) %>%
  scroll_box(width = "800px", height = "500px")

Valores Test
	x
EMPREN-SOCIAL.N	-1.0212458
S	1.0212458
Bosques	-0.2012439
Embalses	0.0563783
Páramo	1.1607908
Valle de San Nicolás	-0.5902291
RURAL	-0.0747335
URBANO	0.0747335
ELABORACION DE PRODUCTOS DE CONSUMO	-0.0248060
HOTELERÍA Y TURISMO	-0.0461147
OTROS	0.0854146
ING-TAM-EMPRESARIAL_[0 - 1'000.000)	-0.0009110
ING-TAM-EMPRESARIAL_[1'000.000 - 100'000.000)	-1.1296826
ING-TAM-EMPRESARIAL_[100'000.000 - 5.720'881.000)	2.0017304
ACTIVO-CORRIENTE_[0 - 1'000.000)	0.1890511
ACTIVO-CORRIENTE_[1'000.000 - 2'000.000)	6.8871921
ACTIVO-CORRIENTE_[10'000.000 - 20'000.000)	-14.9841548
ACTIVO-CORRIENTE_[2'000.000 - 3'000.000)	1.0055286
ACTIVO-CORRIENTE_[20'000.000 - 706'777.000)	5.8896127
ACTIVO-CORRIENTE_[3'000.000 - 5'000.000)	-11.2583270
ACTIVO-CORRIENTE_[5'000.000 - 10'000.000)	13.0473011
PATRIMONIO_[0 - 1'000.000)	0.1802507
PATRIMONIO_[1'000.000 - 2'000.000)	6.7518752
PATRIMONIO_[10'000.000 - 20'000.000)	-14.5040428
PATRIMONIO_[2'000.000 - 3'000.000)	0.7782930
PATRIMONIO_[20'000.000 - 604'967.325)	6.2516304
PATRIMONIO_[3'000.000 - 5'000.000)	-10.8448944
PATRIMONIO_[5'000.000 - 10'000.000)	12.4471410
UTIL-NETA_(0 - 186'132.000]	0.8374651
UTIL-NETA_[-23'200.000 - 0)	0.6925365
UTIL-NETA_0	-0.9628789
ACTIV_2019_0	NaN
ACTIV_2020_0	NaN
ACTIV_2021_[0 - 1'000.000)	-0.6997614
ACTIV_2021_[1'000.000 - 2'000.000)	4.8711092
ACTIV_2021_[10'000.000 - 20'000.000)	-10.3534395
ACTIV_2021_[2'000.000 - 3'000.000)	-0.3976550
ACTIV_2021_[20'000.000 - 379'325.000)	5.5563302
ACTIV_2021_[3'000.000 - 5'000.000)	-7.3658906
ACTIV_2021_[5'000.000 - 10'000.000)	10.0599816
ACTIV_2022_[0 - 1'000.000)	-0.6463244
ACTIV_2022_[1'000.000 - 2'000.000)	6.0857722
ACTIV_2022_[10'000.000 - 20'000.000)	-13.7488118
ACTIV_2022_[2'000.000 - 3'000.000)	0.0844056
ACTIV_2022_[20'000.000 - 509'312.000)	6.1548144
ACTIV_2022_[3'000.000 - 5'000.000)	-9.9453677
ACTIV_2022_[5'000.000 - 10'000.000)	12.3990258
ACTIV_2023_[0 - 1'000.000)	-0.5665378
ACTIV_2023_[1'000.000 - 2'000.000)	6.9108538
ACTIV_2023_[10'000.000 - 20'000.000)	-15.3269912
ACTIV_2023_[2'000.000 - 3'000.000)	1.0789625
ACTIV_2023_[20'000.000 - 938'043.000)	5.6207841
ACTIV_2023_[3'000.000 - 5'000.000)	-11.5938771
ACTIV_2023_[5'000.000 - 10'000.000)	13.5975050

####Proyección de variables en los Ejes(1,2)

Ver código

fviz_mca_var(acm_inv, axes = c(1, 2),
             choice = "mca.cor", repel = TRUE,
             select.var = list(name = c(colnames(inv))),
             ggtheme = theme_minimal())

####Proyección de variables en los Ejes(1,3)

Ver código

fviz_mca_var(acm_inv, axes = c(1, 3),
             choice = "mca.cor", repel = TRUE,
             select.var = list(name = c(colnames(inv))),
             ggtheme = theme_minimal())

####Proyección de variables en los Ejes(1,4)

Ver código

fviz_mca_var(acm_inv, axes = c(1, 4),
             choice = "mca.cor", repel = TRUE,
             select.var = list(name = c(colnames(inv))),
             ggtheme = theme_minimal())

####Proyección de variables en los Ejes(2,3)

Ver código

fviz_mca_var(acm_inv, axes = c(2, 3),
             choice = "mca.cor", repel = TRUE,
             select.var = list(name = c(colnames(inv))),
             ggtheme = theme_minimal())

####Proyección de variables en los Ejes(2,4)

Ver código

fviz_mca_var(acm_inv, axes = c(2, 4),
             choice = "mca.cor", repel = TRUE,
             select.var = list(name = c(colnames(inv))),
             ggtheme = theme_minimal())

####Proyección de variables en los Ejes(3,4)

Ver código

fviz_mca_var(acm_inv, axes = c(3, 4),
             choice = "mca.cor", repel = TRUE,
             select.var = list(name = c(colnames(inv))),
             ggtheme = theme_minimal())

Conclusiones

El sector alimenticio predominante en el conjunto de datos son las panaderías y restaurantes, adicionalmente el municipio con más cantidad de emprendedores individuales es rionegro. Esto indica que existe una alta demanda de productos alimenticios en la región.

Los emprendedores individuales cuentan en promedio con 1 empleado y un patrimonio de 7,8 millones de pesos. Además de tener un bajo nivel de endeudamiento, con un pasivo total promedio de 1,5 millones de pesos.

Las empresas son rentables, con una utilidad neta promedio de 1,6 millones de pesos.

Bibliografía

Cámara de Comercio de Bogotá (s/f). Registro Único de Proponentes - RUP. Org.co. Recuperado el 10 de marzo de 2024, de https://www.ccb.org.co

Cámara de Comercio del Oriente Antioqueño. (2023). Base de datos empresas que se dedican a procesar alimentos CCOA Data set. https://www.datos.gov.co/Estad-sticas-Nacionales/Base-de-datos-empresas-que-se-dedican-a-procesar-a/ffwh-mgaw/about_data

Economipedia, la mayor plataforma de educación financiera. (2023, mayo 11). Economipedia. https://economipedia.com

Finanzas y contabilidad. (s/f). Finanzas y contabilidad. Recuperado el 10 de marzo de 2024, de https://finanzascontabilidad.com

Inicio. (2023, noviembre 14). Camara de Comercio del Oriente Antioqueño; Cámara de Comercio del Oriente Antioqueño. https://ccoa.org.co

Jorge A. Rivera Godoy, D. R. A. (2006). Análisis del desempeño financiero de empresas innovadoras del Sector Alimentos y Bebidas en Colombia. scielo.org.co. http://scielo.org.co/pdf/pege/n31/n31a07.pdf

Osorio, E. M. (s/f). DIAGNÓSTICO DEL ESTADO ACTUAL DE LAS AGROINDUSTRIAS Y EMPRENDIMIENTOS DEL MUNICIPIO DE SONSÓN. Edu.co. Recuperado marzo de 2024, de https://bibliotecadigital.udea.edu.co/bitstream/10495/19687/5/MosqueraEliana_2021_Diagn%C3%B3sticoAgroindustriasEmprendedores.pdf

Suarez, J. (s/f). Gerencie.com. Gerencie sus asuntos y negocios. Gerencie.com. Recuperado el 10 de marzo de 2024, de https://www.gerencie.com

Alcalde, R. H. A. (s/f). Plan de Desarrollo 2020-2023. Gov.co. Recuperado el 10 de marzo de 2024, de https://rionegro.gov.co/wp-content/uploads/2020/10/Plan-de-Desarrollo-2020-2023.pdf