---
title: "Factores que influyeron en la migración de personas en países de Europa, Asia central y América Latina y el Caribe"
author: Arianaa Baldeon
output: 
  flexdashboard::flex_dashboard:
    theme: journal
    social: menu
    source_code: embed
---

```{r setup, include = FALSE}
library(flexdashboard)
library(shiny)
library(jsonlite)
#library(maptools)
library(ggplot2)
library(tidyr)
library(dplyr)
library(purrr)
library(leaflet)
library(plotly)
library(rio)
library(readxl)

setwd("C:/Users/arian/OneDrive/Documentos/TRABAJO ESTADISTICA FINAL DASHNOARD")
library(rio)
library(readr)
library(readxl)
data = read_excel("DATA2024MIGRACION.Xlsx")

str(data)
data$year= as.numeric(data$year)
data$INDICE_DEMOCRACIA= as.numeric(data$INDICE_DEMOCRACIA)
data$Procesoelectoral_y_pluralismo= as.numeric(data$Procesoelectoral_y_pluralismo)
data$Funcionamiento_del_gobierno= as.numeric(data$Funcionamiento_del_gobierno)
data$participacion_politica= as.numeric(data$participacion_politica)
data$cultura_politica= as.numeric(data$cultura_politica)
data$derechos_civiles= as.numeric(data$derechos_civiles)
```

Europa - Asia Central - América Latina y el Caribe{data-icon="fa-signal"}
===================================== 
Column {data-width=650}
-----------------------------------------------------------------------

### Migración neta en los países 

```{r}
library(plotly)
library(dplyr)

# Crear un mapa con años interactivos
fig <- plot_ly(data = data, 
               type = "choropleth",
               locations = ~COUNTRY_CODE,
               #frame = ~year,  # Agregar el año como una dimensión interactiva
               z = ~MIGRACIONNETA,
               text = ~paste("País:", COUNTRY_NAME, "<br>Año:", year,"<br>Renta nacional per capita en dólares:", Renta_nacional_brutapercapita_dolares,
                             "<br>Migración Neta:", MIGRACIONNETA),
               colorscale = "Viridis",
               colorbar = list(title = "Migración Neta")) %>%
  layout(title = "Mapa Mundial de Migración Neta por País en el 2022",
         geo = list(projection = list(type = 'natural earth'),
                    showframe = FALSE))

fig
```

Column {data-width=350}
-----------------------------------------------------------------------

### Número de países respecto a sus tipos de régimenes 

```{r}
library(ggplot2)
library(plotly)

data_TR <- data %>%
  filter(!is.na(Tipo_regimen)) 

# Reemplaza 'tipo_regimen' con el nombre real de tu variable en los datos

data_TR$Tipo_regimen <- factor(data_TR$Tipo_regimen, 
                                    levels = c(1, 2, 3, 4),
                                    labels = c("Democracia Plena", 
                                               "Democracia Deficiente", 
                                               "Regímenes Híbridos", 
                                               "Regímenes Autoritarios"))

# Creamos un histograma con ggplot2
ggplot(data_TR, aes(x = Tipo_regimen, fill = Tipo_regimen)) +
  geom_bar() +  # Usa geom_bar() para contar observaciones por categoría
  scale_fill_manual(values = c("Democracia Plena" = "#28b463",       # Azul
                               "Democracia Deficiente" = "#e67e22",  # Naranja
                               "Regímenes Híbridos" = "#F08080",     # Verde
                               "Regímenes Autoritarios" = "#CD5C5C") # Rojo
  ) +
  labs(title = "Distribución de Países por Tipo de Régimen",
       x = "Tipo de Régimen",
       y = "frecuencia",
       fill = "Tipo de Régimen") +  # Leyenda
  theme_minimal(base_size = 14) +
  theme(legend.position = "right", 
        plot.title = element_text(face = "bold", size = 18),
        axis.title = element_text(size = 14))

```

### Ranking de países con estabilidad política y ausencia de violencia
```{r}
library(corrplot)
library(performance)
library(dplyr)

# Matriz de correlación

corr_matrix=cor(data %>%select(IDH, INDICE_GINI, INDICE_DEMOCRACIA,Renta_nacional_brutapercapita_dolares), use = "complete.obs")

# Gráfico de correlación
corrplot(corr_matrix, method = "circle", type = "upper", tl.cex = 0.8,
         title = "Matriz de Correlación")

```

Column {data-width=350}
-----------------------------------------------------------------------
### Ranking de países con estabilidad política y ausencia de violencia
```{r}
# Instalar y cargar las librerías necesarias
if (!require("wordcloud2")) install.packages("wordcloud2")
#if (!require("dplyr")) install.packages("dplyr")
library(wordcloud2)
library(dplyr)

# Filtrar y preparar los datos: países y rank
wordcloud_data <- data %>%
  select(COUNTRY_NAME, Rank) %>%          # Seleccionar columnas relevantes
  filter(!is.na(Rank))            # Eliminar valores faltantes

# Normalizar los valores de rank para ser usados como frecuencias
wordcloud_data <- wordcloud_data %>%
  mutate(rank_scaled = scales::rescale(Rank, to = c(10, 100)))  # Escalar rank para mejor visualización

# Crear el Word Cloud
wordcloud2(
  data = wordcloud_data %>% select(COUNTRY_NAME, rank_scaled),  # Seleccionar columnas relevantes para el Word Cloud
  size = 1,              # Tamaño global del Word Cloud
  color = "random-light", # Colores aleatorios claros
  backgroundColor = "#96305a" # Fondo negro para contraste
)

```

1. Variable central {data-icon="fa-signal"}
===================================== 

Column {data-width=500}
-----------------------------------------------------------------------

### Histograma de la cantidad de migrantes o desplazados
```{r}
dataprimerapart= data[complete.cases(data),]

# Crear un histograma
hist(dataprimerapart$MIGRACIONNETA, main = "histograma de migración", col = "lightblue", border = "black", xlab = "Desplazamiento")

# Añadir líneas para mostrar la media 
abline(v = mean(dataprimerapart$MIGRACIONNETA), col = "red", lty = 2, lwd = 2)  # Línea para la media


# Añadir texto para mostrar la media 
text(mean(dataprimerapart$MIGRACIONNETA), 10, "Media", col = "red", pos = 4)

```

Column {data-width=500} {.tabset}
-----------------------------------------------------------------------

### Tabla de frecuencias

```{r}

# Tabla de frecuencias

library(psych)
summary(dataprimerapart$MIGRACIONNETA)

# Resumen gráfico
describe(dataprimerapart$MIGRACIONNETA)

quantile(dataprimerapart$MIGRACIONNETA, c(0.25, 0.5, 0.75))

```


### Gráfico de densidad 
```{r}
# Gráfico de densidad
plot(density(dataprimerapart$MIGRACIONNETA), main = "Gráfico de Densidad de población migrante en Europa y Asia", ylab = "Densidad", col = "orange", lwd = 2)
```

### Boxplot
```{r}
# Diagrama de caja
boxplot(dataprimerapart$MIGRACIONNETA, main = "Diagrama de Caja de cantidad de migrantes en Europa,América Latina y Asia Central",ylim = c(-6673580, 942445), ylab = "Migración neta", col = "lightgreen")
```

2. Correlación (VARIABLE DEPENDIENTE vs VARIABLES INDEPENDIENTES) {data-icon="fa-signal"}
===================================== 

Column {data-width=750} {.tabset}
-----------------------------------------------------------------------

### Porcentaje de Desarrollo Humano percibido por las personas migrantes en sus paises 

```{r}
library(ggplot2)

base=ggplot(data = data, aes(x=IDH, y=MIGRACIONNETA))
scatter = base + geom_point()
library(ggrepel)
scatterText = scatter + geom_text_repel(aes(label=COUNTRY_NAME),size=2)
scatterText

```

### Porcentaje de Índice de Gini

```{r}
library(ggplot2)

base=ggplot(data=data, aes(x=INDICE_GINI, y=MIGRACIONNETA))
scatter = base + geom_point()
library(ggrepel)
scatterText = scatter + geom_text_repel(aes(label=COUNTRY_NAME),size=2)
scatterText


```

### Nivel de democracia

```{r}
library(ggplot2)

base=ggplot(data=data, aes(x=INDICE_DEMOCRACIA, y=MIGRACIONNETA))
scatter3 = base + geom_point()
library(ggrepel)
scatterText3 = scatter3 + geom_text_repel(aes(label=COUNTRY_NAME),size=2)
scatterText3
```


### DESPLAZADOS POR CONFLICTOS 

```{r}
library(ggplot2)

base=ggplot(data=data, aes(x=TotalDESPLAZADOS_CA, y=MIGRACIONNETA))
scatter4 = base + geom_point()
library(ggrepel)
scatterText4 = scatter4 + geom_text_repel(aes(label=COUNTRY_NAME),size=2)
scatterText4
```

### RENTA NACIONAL 

```{r}
library(ggplot2)

base=ggplot(data=data, aes(x=Renta_nacional_brutapercapita_dolares, y=MIGRACIONNETA))
scatter5 = base + geom_point()
library(ggrepel)
scatterText5 = scatter5 + geom_text_repel(aes(label=COUNTRY_NAME),size=2)
scatterText5
```

### esperanza de vida al nacer 

```{r}
library(ggplot2)

base=ggplot(data=data, aes(x=Esperanza_de_vida_al_nacer_años, y=MIGRACIONNETA))
scatter6 = base + geom_point()
library(ggrepel)
scatterText6 = scatter6 + geom_text_repel(aes(label=COUNTRY_NAME),size=2)
scatterText6
```


Column {data-width=250} {.tabset}
-----------------------------------------------------------------------
### IDH

```{r}
library(corrplot)
cor.test(data$MIGRACIONNETA, data$IDH, method = c("spearman"))
```


### ÍNDICE DE GINI

```{r}
cor.test(data$MIGRACIONNETA, data$INDICE_GINI, method = c("spearman"))
```


### NIVEL DE DEMOCRACIA

```{r}
cor.test(data$MIGRACIONNETA, data$INDICE_DEMOCRACIA, method = c("spearman"))
```


### DESPLAZADOS POR CONFLICTOS

```{r}
cor.test(data$MIGRACIONNETA, data$TotalDESPLAZADOS_CA, method = c("spearman"))
```


### RENTA NACIONAL

```{r}
cor.test(data$MIGRACIONNETA, data$Renta_nacional_brutapercapita_dolares, method = c("spearman"))
```


### ESPERANZA DE VIDA AL NACER

```{r}

cor.test(data$MIGRACIONNETA, data$Esperanza_de_vida_al_nacer_años, method = c("spearman"))
```
3. Regresiones {data-icon="fa-signal"}
===================================== 

Column {data-width=500} {.tabset}
-----------------------------------------------------------------------

### Regresión Gaussiana -> Hipotesis 1: A nivel continental, la migración neta de las personas está afectada por el respeto a sus derechos civiles.
```{r}
library(knitr)
library(modelsummary)

h1GAUSS=formula(MIGRACIONNETA~derechos_civiles)

rl1=lm(h1GAUSS, data = dataprimerapart)

model1=list('OLS Migrantes (I)'=rl1)
modelsummary(model1, title = "Resumen de Regresion Lineal",
             stars = TRUE,
             output = "kableExtra")
```


### Analizando regresión gaussiana -> Hipotesis 2: A nivel continental, la migración neta de personas está afectada por el respeto a sus derechos civiles, el desarrollo humano en sus paises, el índice de gini, la estimación de la gobernanza en sus paises de origen, su indice de democracia y la renta nacional anual en dólares. 
```{r}
library(knitr)
library(modelsummary)

h2GAUSS=formula(MIGRACIONNETA ~ derechos_civiles + IDH + INDICE_GINI + Estimate + INDICE_DEMOCRACIA+Renta_nacional_brutapercapita_dolares)

rl2=lm(h2GAUSS, data = dataprimerapart)

modelslm=list('OLS migrantes (I)'=rl1,'OLS migrantes (II)'=rl2)
modelsummary(modelslm, title = "Regresiones Lineales",
             stars = TRUE,
             output = "kableExtra")
```

### Analizando regresión gaussiana

```{r}
par(mfrow = c(2, 2))  
plot(rl2, 1,caption = '');title(main="Linealidad")
plot(rl2, 2, caption = '');title(main="Normalidad")
plot(rl2, 3, caption = '');title(main="Homocedasticidad")
plot(rl2, 5, caption = '');title(main="Influyentes")
```

### Analizando la variable dependiente

```{r}
library(ggplot2)
VarDep=dataprimerapart$MIGRACIONNETA
descris=list(min=min(VarDep),
             max=max(VarDep),
             media=round(mean(VarDep),2),
             var=round(var(VarDep),2),
             asim=round(e1071::skewness(VarDep),2),
             kurt=round(e1071::kurtosis(VarDep),2))

base=ggplot(data=data, aes(x=MIGRACIONNETA)) + theme_classic()
hist=base + geom_histogram(bins=10)
histInfo=hist + annotate("text", x = 6000000, y = 1000,
                         color='grey50',
                       label = paste0("Minimo: ",descris$min))
histInfo = histInfo + annotate("text", x = 6000000, y = 900,
                       color='grey50',
                       label = paste0("Máximo: ",descris$max))

histInfo = histInfo + annotate("text", x = 6000000, y = 650,
                       color='grey50',
                       label = paste0("Media: ",descris$media))

histInfo = histInfo + annotate("text", x = 6000000, y = 500,
                       color='grey50',
                       label = paste0("Varianza: ",descris$var))

histInfo = histInfo + annotate("text", x = 6000000, y = 350,
                       color='grey50',
                       label = paste0("Asimetría: ",descris$asim))

histInfo = histInfo + annotate("text", x = 6000000, y = 200,
                       color='grey50',
                       label = paste0("Curtosis: ",descris$kurt))

histInfo
```

### Tests de normalidad

```{r}
library(dplyr)
library(tidyr)

testshapiro <- shapiro.test(dataprimerapart$MIGRACIONNETA)

testKS <- ks.test(dataprimerapart$MIGRACIONNETA,'pnorm')

resultados <- dataprimerapart %>%
  summarise(testshapiro$p.value,
            testKS$p.value,
            testKS$statistic)
resultados
```



Column {data-width=500} {.tabset}
-----------------------------------------------------------------------
### Regresión Poisson -> Hipoótesis: la cantidad de personas desplazadas está afectada por el desarrollo humano, el indice de Gini y la migración neta de personas 

```{r}
# Asegúrate de que los datos necesarios estén disponibles
# Creamos la fórmula para el segundo modelo
poisson_data <- data %>%
  filter(!is.na(TotalDESPLAZADOS_CA) & 
         !is.na(IDH) & 
         !is.na(INDICE_GINI) & 
         !is.na(MIGRACIONNETA))


h1poisson <- formula(TotalDESPLAZADOS_CA ~ IDH + INDICE_GINI + MIGRACIONNETA)

# Ajustamos la regresión de Poisson con offset
rp1 <- glm(h1poisson, data = poisson_data, 
           #offset = log(poblacion_Total), # Cambia "poblacion_Total" por la columna correspondiente
           family = poisson(link = "log"))

# Lista de modelos para comparar (incluye un modelo rp1 si lo tienes ajustado previamente)
modelsPois <- list('POISSON desplazados (I)' = rp1)          # Modelo rp1

# Usar la librería modelsummary para comparar modelos
#if (!require("modelsummary")) install.packages("modelsummary")
library(modelsummary)

modelsummary(modelsPois, 
             title = "Regresiones Poisson Anidadas",
             stars = TRUE,
             output = "kableExtra")

```

```{r}
# mas simple:
cbind(exp(coef(rp1)),exp(confint(rp1)))
```

### Equidispersión?

```{r}
library(magrittr)
library(knitr)
overdispersion=AER::dispersiontest(rp1,alternative='greater')$ p.value<0.05
underdispersion=AER::dispersiontest(rp1,alternative='less')$ p.value<0.05
# tabla
testResult=as.data.frame(rbind(overdispersion,underdispersion))
names(testResult)='Es probable?'
testResult%>%kable(caption = "Test de Equidispersión")%>%kableExtra::kable_styling()
```
### Comparando modelos 1
```{r}
library(MASS)
h1off=formula(TotalDESPLAZADOS_CA ~ IDH + INDICE_GINI + MIGRACIONNETA)

rbn=glm.nb(h1off,data=poisson_data)

modelsQP_BN=list('Poisson asegurados (II)'=rp1,
                 'Binomial Negativa asegurados (II)'=rbn)

library(modelsummary)
library(kableExtra)
modelsummary(modelsQP_BN,
             #fmt = formatoNum,
             exponentiate = T, 
             statistic = 'conf.int',
             title = "EXP() de la Regresiones Poisson y Binomial Negativa",
             stars = TRUE,
             output = "kableExtra")
```

### Comparando modelos 2

```{r}
anova(rp1,rbn, test = "Chisq") %>%
kable(caption = "Tabla ANOVA para comparar modelos")%>%kableExtra::kable_styling(full_width = FALSE)
```


### Comparando modelos 3

```{r}
library(ggplot2)
dotwhisker::dwplot(list(Poisson=rp1,BinomialNegativa=rbn),exp=T) + scale_y_discrete(labels=c("MIGRACION NETA","INDICE DE GINI", "IDH")) + scale_color_discrete(name="Modelos para:\nCantidad de desplazados") + geom_vline(
           xintercept = 1,
           colour = "grey60",
           linetype = 2
       )
```


### Gráfico

```{r}
library(plotly)
# Resumen del modelo
summary(rbn)

# Realizar predicciones
poisson_data <- poisson_data %>%
  mutate(predicted = predict(rbn, type = "response"))

# Visualizar predicciones vs valores observados
GRAFICOPOISSON = ggplot(poisson_data, aes(x = TotalDESPLAZADOS_CA, y = predicted)) +
  geom_point() +  # Puntos de dispersión
  geom_smooth(method = "lm", se = FALSE, color = "orange") +  # Línea de regresión
  geom_text(aes(label = COUNTRY_NAME), vjust = -0.5, hjust = 1.5, size = 3) +  # Agregar etiquetas de los países
  labs(title = "Regresión de Poisson: Valores Observados vs Predichos",
       x = "Valores Observados",
       y = "Valores Predichos") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))  # Rotar etiquetas del eje X si es necesario
# Convertir el gráfico de ggplot a interactivo con plotly
GP_interactivo <- ggplotly(GRAFICOPOISSON)

# Mostrar el gráfico interactivo
GP_interactivo
```

4. Análisis de conglomerados {data-icon="fa-signal"}
===================================== 

Column {data-width=500} {.tabset}
-----------------------------------------------------------------------
### BOXPLOT 1
```{r}
boxplot(dataprimerapart[,c(4:5, 9, 13:14)], method='standardize',horizontal = F,las=2,cex.axis = 0.5)
```

### BOXPLOT 2
```{r}
library(BBmisc)
library(ggplot2)
boxplot(normalize(dataprimerapart[,c(4:5, 9, 13:14)],method='range',range=c(0,10)))
```

### BOXPLOT 3
```{r}
library(BBmisc)
library(ggplot2)
boxplot(normalize(dataprimerapart[,c(4:5, 9, 13:14)],method='standardize'))
```

### CORRELACION
```{r}
library(ggplot2)
library(GGally)
library(ggcorrplot)
CORCLAUS = cor(dataprimerapart[,c(4:5, 9, 13:14)])

# Usando ggcorrplot para una visualización atractiva
ggcorrplot(CORCLAUS, 
           method = "circle",    # Usa círculos para las correlaciones
           type = "full",       # Muestra solo la mitad inferior
           lab = TRUE,           # Agrega los valores de correlación a los círculos
           colors = c("blue", "white", "red"),  # Colores para las correlaciones negativas, cero y positivas
           title = "Matriz de Correlación",    # Título
           ggtheme = theme_minimal())          # Estilo minimalista


```

Column {data-width=500} {.tabset}
-----------------------------------------------------------------------
```{r}
#library(dplyr)
#dataClus=dataprimerapart[,c(4:5, 9, 13:14)]
#row.names(dataClus)=dataprimerapart$COUNTRY_NAME

library(tibble)
dataClus <- dataprimerapart[, c(4:5, 9, 13:14)]
dataClus <- rownames_to_column(as.data.frame(dataClus), var = "COUNTRY_NAME")
```
```{r}

dataClus$COUNTRY_NAME=as.numeric(dataClus$COUNTRY_NAME)
#str(dataClus)
```
```{r}
library(cluster)
g.dist = daisy(dataClus, metric="gower")
```

### PAM
```{r}
library(factoextra)
library(ggplot2)
fviz_nbclust(dataClus, pam,diss=g.dist,method = "gap_stat",k.max = 10,verbose = F)
```

### PAM - agrupamiento y clasificación de las observaciones en 4 grupos basados en la matriz de distancia
```{r}
library(kableExtra)
set.seed(123)
res.pam=pam(g.dist,4,cluster.only = F)

#nueva columna
dataClus$pam=res.pam$cluster

# ver

head(dataClus,15)%>%kbl()%>%kable_styling()
```

### Países con baja cohesión de cluster?
```{r}
silPAM=data.frame(res.pam$silinfo$widths)
silPAM$country_name=row.names(silPAM)
poorPAM=silPAM[silPAM$sil_width<0,'país']%>%sort()
poorPAM
```
### Gráfica
```{r}
fviz_silhouette(res.pam,print.summary = F)
```

### AGNES
```{r}
fviz_nbclust(dataClus, hcut,diss=g.dist,method = "gap_stat",k.max = 10,verbose = F,hc_func = "agnes")
```

### AGNES - agrupamiento y clasificación de las observaciones en 4 grupos basados en la matriz de distancia - métodos de clustering jerárquico aglomerativo
```{r}
set.seed(123)
library(factoextra)

res.agnes<- hcut(g.dist, k = 4,hc_func='agnes',hc_method = "ward.D")

dataClus$agnes=res.agnes$cluster

# ver

head(dataClus,15)%>%kbl()%>%kable_styling()
```

### Países con baja cohesión de cluster?
```{r}
silAGNES=data.frame(res.agnes$silinfo$widths)
silAGNES$country=row.names(silAGNES)
poorAGNES=silAGNES[silAGNES$sil_width<0,'país']%>%sort()
poorAGNES
```
### Gráfico
```{r}
fviz_silhouette(res.agnes,print.summary = F)
```

### DIANA
```{r}
fviz_nbclust(dataClus, hcut,diss=g.dist,method = "gap_stat",k.max = 10,verbose = F,hc_func = "diana")
```

### DIANA - agrupamiento y clasificación de las observaciones en 4 grupos basados en la matriz de distancia - métodos de clustering jerárquico aglomerativo
```{r}
set.seed(123)
res.diana <- hcut(g.dist, k = 4,hc_func='diana')
dataClus$diana=res.diana$cluster
# veamos
head(dataClus,150)%>%kbl%>%kable_styling()
```

### Países con baja cohesión de cluster?
```{r}
silDIANA=data.frame(res.diana$silinfo$widths)
silDIANA$country=row.names(silDIANA)
poorDIANA=silDIANA[silDIANA$sil_width<0,'país']%>%sort()
poorDIANA
```

### Gráfico
```{r}
fviz_silhouette(res.diana,print.summary = F)
```