Untitled

rm(list = ls())
# Instalar y cargar paquetes necesarios
if (!require("psych")) install.packages("psych", dependencies = TRUE)

## Cargando paquete requerido: psych

## Warning: package 'psych' was built under R version 4.4.2

if (!require("GPArotation")) install.packages("GPArotation", dependencies = TRUE)

## Cargando paquete requerido: GPArotation

## 
## Adjuntando el paquete: 'GPArotation'

## The following objects are masked from 'package:psych':
## 
##     equamax, varimin

if (!require("tidyverse")) install.packages("tidyverse", dependencies = TRUE)

## Cargando paquete requerido: tidyverse

## Warning: package 'ggplot2' was built under R version 4.4.2

## Warning: package 'readr' was built under R version 4.4.2

## Warning: package 'dplyr' was built under R version 4.4.2

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.5
## ✔ forcats   1.0.0     ✔ stringr   1.5.1
## ✔ ggplot2   3.5.1     ✔ tibble    3.2.1
## ✔ lubridate 1.9.3     ✔ tidyr     1.3.1
## ✔ purrr     1.0.2

## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ ggplot2::%+%()   masks psych::%+%()
## ✖ ggplot2::alpha() masks psych::alpha()
## ✖ dplyr::filter()  masks stats::filter()
## ✖ dplyr::lag()     masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

if (!require("readxl")) install.packages("readxl", dependencies = TRUE)

## Cargando paquete requerido: readxl

## Warning: package 'readxl' was built under R version 4.4.2

# Librerías
library(psych)
library(GPArotation)
library(tidyverse)
library(readxl)

# Cargar datos desde la ruta especificada
file_path <- "C:\\Users\\Leonardo\\Downloads\\reporte La energía o combustible que utiliza para cocinar.xlsx"
data <- read_excel(file_path, sheet = "Output")

## New names:
## • `Total` -> `Total...5`
## • `Total` -> `Total...8`
## • `Total` -> `Total...11`
## • `Total` -> `Total...14`

# Verificar nombres exactos de las columnas
print("Nombres de columnas:")

## [1] "Nombres de columnas:"

print(names(data))

##  [1] "Código"                 "Provincia"              "No usa electricidad"   
##  [4] "Sí usa electricidad"    "Total...5"              "No usa gas (balón GLP)"
##  [7] "Sí usa gas (balón GLP)" "Total...8"              "No usa carbón"         
## [10] "Sí usa carbón"          "Total...11"             "No usa leña"           
## [13] "Sí usa leña"            "Total...14"

# Identificar columnas relevantes
col_electricidad <- "Sí usa electricidad"
col_gas <- "Sí usa gas (balón GLP)"
col_carbon <- "Sí usa carbón"
col_lena <- "Sí usa leña"
col_total_electricidad <- "Total...5"
col_total_gas <- "Total...8"
col_total_carbon <- "Total...11"
col_total_lena <- "Total...14"

# Calcular los porcentajes de uso positivo
data <- data %>%
  mutate(
    pct_electricidad = !!sym(col_electricidad) / !!sym(col_total_electricidad) * 100,
    pct_gas = !!sym(col_gas) / !!sym(col_total_gas) * 100,
    pct_carbon = !!sym(col_carbon) / !!sym(col_total_carbon) * 100,
    pct_lena = !!sym(col_lena) / !!sym(col_total_lena) * 100
  )

# Seleccionar solo los porcentajes para el análisis factorial
variables <- data %>%
  select(pct_electricidad, pct_gas, pct_carbon, pct_lena) %>%
  na.omit()

# Verificar la factorización con análisis de adecuación KMO y Bartlett
kmo_result <- KMO(variables)
bartlett_result <- cortest.bartlett(cor(variables), n = nrow(variables))

print("Resultados de KMO y Bartlett:")

## [1] "Resultados de KMO y Bartlett:"

print(kmo_result)

## Kaiser-Meyer-Olkin factor adequacy
## Call: KMO(r = variables)
## Overall MSA =  0.63
## MSA for each item = 
## pct_electricidad          pct_gas       pct_carbon         pct_lena 
##             0.91             0.59             0.72             0.59

print(bartlett_result)

## $chisq
## [1] 338.9104
## 
## $p.value
## [1] 3.704739e-70
## 
## $df
## [1] 6

# Realizar el análisis factorial
fa_oblimin <- fa(variables, nfactors = 1, rotate = "oblimin")
fa_varimax <- fa(variables, nfactors = 1, rotate = "varimax")

# Comparar las cargas factoriales
print("Cargas factoriales (Oblimin):")

## [1] "Cargas factoriales (Oblimin):"

print(fa_oblimin$loadings)

## 
## Loadings:
##                  MR1   
## pct_electricidad  0.491
## pct_gas           0.912
## pct_carbon        0.280
## pct_lena         -0.956
## 
##                  MR1
## SS loadings    2.065
## Proportion Var 0.516

print("Cargas factoriales (Varimax):")

## [1] "Cargas factoriales (Varimax):"

print(fa_varimax$loadings)

## 
## Loadings:
##                  MR1   
## pct_electricidad  0.491
## pct_gas           0.912
## pct_carbon        0.280
## pct_lena         -0.956
## 
##                  MR1
## SS loadings    2.065
## Proportion Var 0.516

# Calcular la varianza explicada
varianza_explicada <- fa_oblimin$Vaccounted[1, 1]
print(paste("Varianza explicada:", varianza_explicada))

## [1] "Varianza explicada: 2.0645611640047"

# Evaluar las afirmaciones
if (varianza_explicada >= 0.5) {
  print("Es viable resumir las variables en un factor.")
} else {
  print("No es viable resumir las variables en un factor.")
}

## [1] "Es viable resumir las variables en un factor."

if (any(abs(fa_oblimin$loadings - fa_varimax$loadings) > 0.05)) {
  print("Las cargas del factor varían entre Oblimin y Varimax.")
} else {
  print("Las cargas del factor no varían significativamente entre Oblimin y Varimax.")
}

## [1] "Las cargas del factor no varían significativamente entre Oblimin y Varimax."

if (varianza_explicada < 0.5) {
  print("La varianza explicada es menor a 0.5.")
} else {
  print("La varianza explicada es mayor o igual a 0.5.")
}

## [1] "La varianza explicada es mayor o igual a 0.5."

# Determinar si todas las afirmaciones son falsas
if (varianza_explicada >= 0.5 &&
    all(abs(fa_oblimin$loadings - fa_varimax$loadings) <= 0.05)) {
  print("Todas las afirmaciones anteriores son falsas.")
} else {
  print("Al menos una de las afirmaciones es verdadera.")
}

## [1] "Todas las afirmaciones anteriores son falsas."