Mapa
library(rio)
dregre=import("datafinal.xlsx")
print(dregre) Pais Inmigrantes Poblacion Industrial
1 Afganistán 144 098 34 263 000 -1.9
2 Albania 48 810 2 761 785 6.8
3 Alemania 15 762 457 83 445 000 3.3
4 Angola 656 434 34 504 000 2.5
5 Antigua y Barbuda 29 386 101 000 6.8
6 Argelia 250 378 44 177 969 0.6
7 Argentina 2 281 728 45 808 747 2.7
8 Armenia 190 349 2 991 202 5.4
9 Australia 7 685 860 25 767 000 1.4
10 Austria 1 738 183 9 158 750 6.5
11 Azerbaiyán 252 228 10 180 770 -3.8
12 Bahamas 63 583 407 906 5.8
13 Barbados 34 869 281 200 2.4
14 Bélgica 2 005 479 11 832 049 0.2
15 Belice 62 043 442 000 -0.6
16 Bielorrusia 1 067 090 9 256 000 5.6
17 Bolivia 164 121 12 079 472 2.2
18 Botsuana 110 268 2 588 423 -4.2
19 Brasil 1 079 708 203 063 000 0.0
20 Bulgaria 184 363 6 445 481 3.6
21 Burkina Faso 723 989 22 100 683 10.4
22 Burundi 344 767 12 231 000 -2.0
23 Bután 53 612 753 000 6.3
24 Cabo Verde 15 788 587 925 2.9
25 Camboya 79 341 15 835 000 10.6
26 Camerún 579 209 27 912 000 3.3
27 Canadá 8 049 323 40 097 761 4.9
28 Chad 547 494 17 179 740 -4.0
29 Chile 1 645 015 19 493 184 -0.4
30 China 1 039 675 1 411 750 000 6.1
31 Colombia 1 905 393 51 609 000 -2.2
32 Comoras 12 496 921 000 1.0
33 Costa Rica 520 729 5 229 000 1.3
34 Croacia 528 056 3 861 967 1.2
35 Cuba 3 024 11 256 372 -1.2
36 Cuba 3 024 11 256 372 -1.2
37 Dinamarca 717 574 5 961 249 2.5
38 Dominica 8 284 72 412 -13.0
39 Ecuador 784 787 17 757 000 -0.6
40 Egipto 543 937 102 100 000 3.5
41 El Salvador 42 767 6 336 000 3.6
42 Emiratos Árabes Unidos 8 716 332 9 558 000 1.8
43 Eritrea 13 934 3 620 312 5.4
44 Eslovaquia 197 161 5 424 687 2.7
45 Eslovenia 277 964 2 123 949 8.6
46 España 6 842 202 48 797 875 4.0
47 Estados Unidos 50 632 836 333 530 000 2.3
48 Estonia 199 277 1 374 687 9.5
49 Etiopía 1 085 517 104 082 000 10.5
50 Filipinas 225 525 111 570 000 7.2
51 Finlandia 386 052 5 603 851 6.2
52 Francia 8 524 876 68 401 997 2.0
53 Gabón 416 651 2 341 179 1.8
54 Gambia 215 659 2 639 916 -0.8
55 Georgia 79 368 3 736 357 6.7
56 Ghana 476 412 32 082 000 16.7
57 Granada 7 213 114 000 10.0
58 Grecia 1 340 456 10 397 193 3.5
59 Guatemala 84 311 17 109 746 1.8
60 Guinea 121 437 13 531 906 11.0
61 Guyana 31 169 804 567 -5.0
62 Haití 18 884 11 447 569 0.9
63 Honduras 39 195 10 294 000 4.5
64 Hungría 584 567 9 584 627 7.4
65 India 4 878 704 1 407 563 842 5.5
66 Indonesia 355 505 274 859 000 4.1
67 Irán 2 797 235 84 841 000 3.0
68 Irlanda 871 256 5 343 805 7.8
69 Islandia 65 424 398 940 2.4
70 Islas Salomón 2 520 707 851 3.6
71 Israel 1 953 575 9 662 000 3.5
72 Italia 6 386 998 58 989 749 2.1
73 Jamaica 23 629 2 740 000 0.9
74 Japón 2 770 996 125 171 000 1.4
75 Jordania 3 457 691 10 269 000 1.4
76 Kazajistán 3 732 073 19 767 000 5.8
77 Kenia 1 050 147 53 005 614 3.6
78 Kiribati 3 126 128 874 1.1
79 Kuwait 3 110 159 4 860 000 2.8
80 Laos 48 731 7 425 057 8.0
81 Lesoto 12 060 2 281 454 12.5
82 Letonia 239 422 1 871 882 10.6
83 Líbano 1 712 762 5 592 631 -21.1
84 Liberia 87 947 5 193 416 9.0
85 Libia 826 537 6 735 277 60.3
86 Lituania 145 184 2 885 891 5.9
87 Luxemburgo 298 062 672 050 1.9
88 Madagascar 35 563 28 915 653 5.2
89 Malasia 3 476 560 32 652 000 5.0
90 Malaui 191 362 19 889 742 1.2
91 Maldivas 70 079 521 457 14.0
92 Malta 114 760 563 443 -3.3
93 Marruecos 102 358 36 669 000 2.8
94 Mauricio 28 893 1 264 000 3.2
95 Mauritania 182 286 4 614 974 1.0
96 Mongolia 21 345 3 410 000 -1.0
97 Montenegro 70 999 616 695 -4.2
98 Mozambique 338 850 32 077 072 4.9
99 Namibia 109 391 2 596 000 -0.4
100 Nepal 487 564 29 748 000 12.4
101 Nicaragua 42 167 6 850 540 3.5
102 Níger 348 056 25 252 722 6.0
103 Nigeria 1 308 568 213 401 323 2.2
104 Noruega 852 238 5 550 203 1.5
105 Nueva Zelanda 1 381 724 5 125 000 1.8
106 Países Bajos 2 358 333 17 942 942 3.3
107 Pakistán 3 276 580 222 590 000 5.4
108 Panamá 313 165 4 395 000 6.3
109 Paraguay 169 567 7 454 000 2.0
110 Perú 1 224 519 33 715 471 2.7
111 Polonia 817 254 36 620 970 7.5
112 Portugal 1 001 963 10 639 726 3.5
113 Reino Unido 9 359 587 67 081 000 3.4
114 República Dominicana 603 794 11 117 873 3.1
115 Samoa 4 021 200 000 -1.8
116 San Marino 5 543 33 812 -1.1
117 San Vicente y las Granadinas 4 738 104 332 2.5
118 Santa Lucía 8 338 181 000 6.0
119 Santo Tomé y Príncipe 2 139 223 107 5.0
120 Senegal 274 929 16 876 720 7.7
121 Serbia 823 011 6 605 168 3.9
122 Seychelles 13 050 99 258 2.3
123 Sierra Leona 53 746 8 141 000 15.5
124 Singapur 2 523 648 5 637 000 5.7
125 Siria 868 711 21 324 367 4.3
126 Somalia 58 590 17 065 581 3.5
127 Sri Lanka 40 254 22 156 000 4.6
128 Sudán 1 379 147 45 657 202 4.5
129 Suecia 2 003 908 10 551 707 4.1
130 Suiza 2 491 249 8 960 800 3.4
131 Surinam 47 801 610 000 1.0
132 Tailandia 3 632 496 69 951 000 1.6
133 Tanzania 426 017 63 588 334 12.0
134 Tayikistán 276 031 9 750 064 1.0
135 Timor Oriental 8 399 1 320 942 2.0
136 Togo 279 936 8 647 000 5.0
137 Tonga 3 742 106 017 5.0
138 Trinidad y Tobago 78 849 1 407 000 -4.3
139 Túnez 60 145 12 262 946 0.5
140 Turkmenistán 194 920 6 341 855 1.0
141 Tuvalu 239 11 204 -26.1
142 Ucrania 4 997 387 40 997 698 3.1
143 Uganda 1 720 313 42 460 000 4.4
144 Uruguay 108 267 3 426 260 -3.6
145 Uzbekistán 1 162 007 35 271 000 4.5
146 Vanuatu 3 257 319 137 4.5
147 Yemen 387 113 33 322 000 8.9
148 Yibuti 119 738 1 002 000 2.7
149 Zambia 187 955 19 473 125 4.7
150 Zimbabue 416 141 15 993 524 0.3
PBI IDH Gobierno Desempleo Conflictos
1 13 772 0.462 5 5.6 1
2 21 255 0.789 1 11.5 0
3 4 185 550 0.950 1 3.1 0
4 82 929 0.591 2 15.8 1
5 1 880 0.826 4 8.4 0
6 221 912 0.745 2 12.0 1
7 593 624 0.849 2 6.8 0
8 22 379 0.786 4 10.0 1
9 1 660 421 0.946 4 3.7 0
10 478 190 0.926 1 5.0 0
11 66 873 0.760 2 5.7 1
12 13 260 0.820 4 10.0 0
13 5 913 0.809 1 8.4 0
14 584 699 0.942 4 5.6 0
15 3 034 0.700 4 10.2 0
16 66 455 0.801 2 3.6 0
17 42 713 0.698 2 5.9 1
18 18 257 0.708 1 23.6 0
19 2 010 019 0.760 2 9.2 1
20 93 948 0.799 1 4.3 0
21 18 796 0.438 2 4.7 1
22 2 444 0.420 2 1.0 1
23 2 752 0.681 4 5.9 0
24 2 393 0.661 1 11.3 0
25 29 282 0.600 4 0.4 0
26 44 341 0.587 2 6.1 1
27 1 981 596 0.935 4 5.4 0
28 12 161 0.394 2 1.1 1
29 310 699 0.860 2 8.3 0
30 16 456 685 0.788 5 5.1 1
31 336 207 0.758 2 10.5 1
32 1 251 0.586 2 5.9 0
33 79 994 0.806 2 11.3 0
34 76 472 0.878 1 7.0 0
35 93 987 0.764 5 1.7 0
36 <NA> 0.764 5 1.7 0
37 376 430 0.952 4 4.4 0
38 605 0.740 5 11.0 0
39 109 909 0.765 2 3.8 1
40 306 199 0.728 5 7.4 1
41 31 458 0.674 2 3.0 1
42 466 266 0.937 5 2.9 1
43 1 770 0.493 2 4.0 1
44 122 813 0.855 1 6.1 0
45 63 951 0.926 1 4.0 0
46 1 498 324 0.911 4 12.9 0
47 25 636 456 0.927 5 3.6 1
48 38 182 0.899 1 5.6 0
49 146 553 0.492 1 3.9 1
50 404 212 0.710 2 2.6 1
51 273 320 0.942 1 6.7 0
52 2 822 455 0.910 3 7.3 0
53 18 974 0.693 2 20.4 0
54 2 164 0.495 2 6.5 0
55 28 240 0.814 3 11.7 0
56 70 609 0.602 2 3.4 0
57 1 221 0.793 4 13.5 0
58 220 303 0.893 1 12.4 0
59 94 378 0.629 2 3.1 0
60 21 837 0.471 2 5.0 0
61 15 524 0.742 5 13.5 0
62 18 358 0.552 3 14.1 1
63 31 814 0.624 2 7.0 0
64 196 391 0.851 1 3.6 0
65 3 291 115 0.644 1 4.8 1
66 1 267 771 0.713 2 3.5 1
67 371 316 0.780 5 9.1 1
68 509 952 0.950 1 4.5 0
69 28 975 0.959 1 3.8 0
70 1 509 0.562 4 0.7 0
71 472 318 0.915 4 3.7 0
72 2 128 001 0.906 1 8.1 0
73 17 963 0.706 4 5.2 0
74 3 894 212 0.920 4 2.6 0
75 47 0.736 5 19.8 0
76 241 806 0.802 2 4.9 0
77 99 426 0.601 2 5.7 1
78 258 0.628 2 11.0 0
79 149 609 0.847 4 2.2 0
80 13 753 0.620 5 1.2 0
81 1 892 0.521 4 16.9 0
82 40 348 0.879 1 6.8 0
83 16 589 0.723 1 11.3 0
84 4 006 0.487 2 5.9 0
85 46 695 0.746 5 19.0 0
86 71 986 0.879 3 6.0 0
87 79 310 0.927 4 4.6 0
88 14 826 0.487 3 1.8 0
89 369 555 0.807 4 3.9 0
90 13 025 0.508 2 0.9 0
91 6 104 0.762 2 4.6 0
92 20 650 0.915 1 2.9 0
93 130 493 0.698 4 11.8 0
94 13 304 0.796 1 6.3 0
95 9 667 0.540 2 10.4 0
96 18 381 0.741 3 6.2 0
97 6 964 0.844 1 16.5 0
98 19 050 0.461 2 3.4 1
99 11 422 0.610 2 19.9 0
100 37 832 0.601 1 10.7 0
101 16 489 0.669 2 5.2 0
102 15 555 0.394 3 0.5 1
103 333 806 0.548 2 3.8 1
104 448 717 0.966 4 3.2 0
105 234 225 0.939 4 3.3 0
106 1 067 599 0.946 4 3.5 0
107 277 513 0.540 1 6.3 1
108 77 113 0.820 2 6.7 0
109 39 695 0.731 2 6.8 0
110 247 540 0.762 2 4.3 0
111 750 801 0.881 1 2.9 1
112 267 384 0.874 3 6.0 0
113 3 089 465 0.940 4 3.7 0
114 112 313 0.766 2 5.5 0
115 864 0.702 1 9.4 0
116 1 569 0.867 1 4.9 0
117 986 0.772 4 18.8 0
118 2 330 0.725 4 15.9 0
119 558 0.613 3 13.6 0
120 28 682 0.517 2 2.9 0
121 69 513 0.805 1 8.7 0
122 1 980 0.802 2 4.3 0
123 3 523 0.458 2 3.2 0
124 463 610 0.949 1 3.6 0
125 7 593 0.557 2 8.6 1
126 10 802 0.380 1 18.8 1
127 78 014 0.780 2 5.4 0
128 101 107 0.516 2 17.4 1
129 540 695 0.952 4 7.4 0
130 818 183 0.967 5 4.3 0
131 3 498 0.690 2 7.9 0
132 476 234 0.803 4 0.9 1
133 73 219 0.532 2 2.8 1
134 11 179 0.679 2 6.9 1
135 2 074 0.566 3 2.3 0
136 8 482 0.547 5 2.1 1
137 473 0.739 4 3.1 0
138 26 020 0.814 1 4.4 0
139 44 896 0.732 1 17.2 0
140 55 385 0.744 2 4.0 0
141 58 0.653 4 7.9 0
142 165 323 0.734 3 9.8 1
143 45 903 0.550 2 3.4 1
144 71 433 0.830 2 7.9 0
145 83 782 0.727 2 5.3 0
146 1 042 0.614 1 4.0 0
147 22 344 0.424 5 13.5 0
148 3 790 0.515 2 26.1 0
149 26 022 0.569 2 6.0 0
150 7 0.550 5 9.5 0str(dregre$Pais) chr [1:150] "Afganistán" "Albania" "Alemania" "Angola" "Antigua y Barbuda" ...str(dregre$Inmigrantes) chr [1:150] "144 098" "48 810" "15 762 457" "656 434" "29 386" "250 378" ...str(dregre$Poblacion) chr [1:150] "34 263 000" "2 761 785" "83 445 000" "34 504 000" "101 000" ...str(dregre$Industrial) num [1:150] -1.9 6.8 3.3 2.5 6.8 0.6 2.7 5.4 1.4 6.5 ...str(dregre$PBI) chr [1:150] "13 772 " "21 255 " "4 185 550 " "82 929 " "1 880 " "221 912 " ...str(dregre$IDH) chr [1:150] "0.462" "0.789" "0.950" "0.591" "0.826" "0.745" "0.849" ...str(dregre$Gobierno) num [1:150] 5 1 1 2 4 2 2 4 4 1 ...str(dregre$Desempleo) num [1:150] 5.6 11.5 3.1 15.8 8.4 12 6.8 10 3.7 5 ...str(dregre$Conflictos) num [1:150] 1 0 0 1 0 1 0 1 0 0 ...unique(dregre$Inmigrantes) [1] "144 098" "48 810" "15 762 457" "656 434" "29 386"
[6] "250 378" "2 281 728" "190 349" "7 685 860" "1 738 183"
[11] "252 228" "63 583" "34 869" "2 005 479" "62 043"
[16] "1 067 090" "164 121" "110 268" "1 079 708" "184 363"
[21] "723 989" "344 767" "53 612" "15 788" "79 341"
[26] "579 209" "8 049 323" "547 494" "1 645 015" "1 039 675"
[31] "1 905 393" "12 496" "520 729" "528 056" "3 024"
[36] "717 574" "8 284" "784 787" "543 937" "42 767"
[41] "8 716 332" "13 934" "197 161" "277 964" "6 842 202"
[46] "50 632 836" "199 277" "1 085 517" "225 525" "386 052"
[51] "8 524 876" "416 651" "215 659" "79 368" "476 412"
[56] "7 213" "1 340 456" "84 311" "121 437" "31 169"
[61] "18 884" "39 195" "584 567" "4 878 704" "355 505"
[66] "2 797 235" "871 256" "65 424" "2 520" "1 953 575"
[71] "6 386 998" "23 629" "2 770 996" "3 457 691" "3 732 073"
[76] "1 050 147" "3 126" "3 110 159" "48 731" "12 060"
[81] "239 422" "1 712 762" "87 947" "826 537" "145 184"
[86] "298 062" "35 563" "3 476 560" "191 362" "70 079"
[91] "114 760" "102 358" "28 893" "182 286" "21 345"
[96] "70 999" "338 850" "109 391" "487 564" "42 167"
[101] "348 056" "1 308 568" "852 238" "1 381 724" "2 358 333"
[106] "3 276 580" "313 165" "169 567" "1 224 519" "817 254"
[111] "1 001 963" "9 359 587" "603 794" "4 021" "5 543"
[116] "4 738" "8 338" "2 139" "274 929" "823 011"
[121] "13 050" "53 746" "2 523 648" "868 711" "58 590"
[126] "40 254" "1 379 147" "2 003 908" "2 491 249" "47 801"
[131] "3 632 496" "426 017" "276 031" "8 399" "279 936"
[136] "3 742" "78 849" "60 145" "194 920" "239"
[141] "4 997 387" "1 720 313" "108 267" "1 162 007" "3 257"
[146] "387 113" "119 738" "187 955" "416 141" dregre$Inmigrantes <- gsub(" ", "", dregre$Inmigrantes)
dregre$inmigr <- as.numeric(dregre$Inmigrantes)
str(dregre$inmigr) num [1:150] 144098 48810 15762457 656434 29386 ...dregre$Poblacion <- gsub(" ", "", dregre$Poblacion)
dregre$pobla <- as.numeric(dregre$Poblacion)
str(dregre$pobla) num [1:150] 34263000 2761785 83445000 34504000 101000 ...Regresión lineal
Row
Modelo n°1:
H1:Existe una relación positiva entre el Índice de Desarrollo Humano (IDH) y la proporción de mujeres en el parlamento.
H2:El incremento en la representación de mujeres en el parlamento está asociado con una mejora en los indicadores de desarrollo (IDH) con el tiempo.
modelo1=formula(inmigr~Gobierno)
regre1=lm(modelo1, data = dregre)
summary(regre1)
Call:
lm(formula = modelo1, data = dregre)
Residuals:
Min 1Q Median 3Q Max
-2972987 -1304716 -645501 2313 47656825
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -156148 805805 -0.194 0.8466
Gobierno 626432 275956 2.270 0.0246 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 4536000 on 148 degrees of freedom
Multiple R-squared: 0.03365, Adjusted R-squared: 0.02712
F-statistic: 5.153 on 1 and 148 DF, p-value: 0.02465Existe significancia porque el p-value es menor a 0.05.
Column
BOXPLOT:
library(ggplot2)
ggplot(dregre, aes(x=inmigr, y=Conflictos)) +
geom_boxplot() +
geom_jitter(shape=16, position=position_jitter(0.2),alpha=0.6) +#para agregar los casos como puntos
theme_classic()
Column
El gráfico de dispersión muestra la relación entre el número de inmigrantes (inmigr) y la ocurrencia de conflictos en los países analizados, donde los puntos están coloreados de acuerdo con la intensidad de conflictos. Observamos que la mayoría de los países con valores bajos de inmigración presentan una amplia variabilidad en la intensidad de conflictos, que va desde cero hasta valores máximos. Esto podría sugerir que la cantidad de inmigrantes no es el único determinante de la incidencia de conflictos y que otros factores, como las dinámicas sociales, políticas y económicas, podrían influir significativamente. Por otro lado, en el rango de inmigración alta (más allá de 10 millones), los datos son escasos y muestran una menor variabilidad en conflictos, con valores predominantemente bajos. Esto podría reflejar que los países con flujos migratorios muy altos han logrado, en muchos casos, gestionar mejor las tensiones relacionadas con la inmigración, aunque también podría deberse a la escasez de observaciones en este rango. Este gráfico resalta la necesidad de explorar factores adicionales, como políticas de integración, niveles de desarrollo o antecedentes históricos, para comprender las dinámicas entre migración y conflictos.
Análisis de la regresión
Column {data-width=500}
Histograma
ggplot(data.frame(dregre), aes(x = inmigr)) +
geom_histogram(aes(y = after_stat(density)),
color = "green", fill = "white") +
geom_density(fill = "blue", alpha = 0.2) +
geom_vline(xintercept = mean(dregre$inmigr, na.rm = TRUE),
color = "red", linetype = "dashed", size = 1) +
geom_vline(xintercept = median(dregre$inmigr, na.rm = TRUE),
color = "blue", linetype = "dashed", size = 1) +
xlim(0, 3e6) + # Ajustar el rango del eje X
theme_minimal() +
xlab("inmigr") +
ylab("Density")
El histograma revela una distribución sesgada hacia la derecha, lo que indica que algunos países alcanzan niveles excepcionalmente altos en el Índice de Desarrollo Humano (IDH). Esto sugiere que han logrado avances significativos en áreas clave como la educación, la salud y la economía. Entre estos países, destacan Emiratos Árabes Unidos, Catar y Singapur, que han implementado políticas efectivas y sostenidas para alcanzar este desarrollo. Estos países sirven como ejemplos de cómo la inversión en capital humano y la diversificación económica pueden traducirse en altos niveles de bienestar. Sin embargo, el gráfico también muestra una cola hacia valores bajos, reflejando que algunos países aún enfrentan importantes desafíos para mejorar su desarrollo humano. Estos países, en su mayoría, podrían estar afectados por limitaciones estructurales, conflictos, desigualdad económica o falta de acceso a servicios esenciales, lo que retrasa su progreso en comparación con las naciones más avanzadas. Este contraste destaca las brechas significativas que persisten a nivel global en términos de desarrollo humano.
Normalidad
plot(regre1, 2, caption = '');title(main="Normalidad")
El gráfico verifica si los residuos siguen una distribución normal. La mayor parte de los puntos sigue la línea teórica, pero en los extremos se observan desviaciones significativas, lo que sugiere que los residuos no son perfectamente normales. Esto podría influir en la validez de las inferencias estadísticas del modelo.
Linealidad
plot(regre1, 1,caption = '');title(main="Linealidad")
Este gráfico evalúa si existe una relación lineal entre las variables explicativas y la respuesta. La línea roja indica la tendencia de los residuos frente a los valores ajustados. Aunque la mayoría de los puntos parecen distribuirse alrededor de cero, hay algunos puntos atípicos (como el caso 47) que generan desviaciones notables. Esto podría indicar que la relación no es completamente lineal o que los datos contienen outliers que afectan el ajuste.
Homocedasticidad
plot(regre1, 3, caption = '');title(main="Homocedasticidad")
Este gráfico evalúa si la variabilidad de los residuos es constante (homocedasticidad). La línea roja muestra un ligero patrón ascendente, indicando heteroscedasticidad, es decir, que la variabilidad de los residuos aumenta con los valores ajustados. Esto puede afectar la precisión de los errores estándar estimados.
Valores influyentes:
plot(regre1, 5, caption = '');title(main="Influyentes")
Este gráfico mide el impacto de observaciones individuales sobre el modelo. El caso 47 sobresale como altamente influyente según la distancia de Cook, lo que sugiere que tiene un efecto desproporcionado en el ajuste del modelo. También los casos 30 y 42 presentan cierto nivel de influencia.
Mejor gráfico
plot(regre1, 2)
Este gráfico mide el impacto de observaciones individuales sobre el modelo. El caso 47 sobresale como altamente influyente según la distancia de Cook, lo que sugiere que tiene un efecto desproporcionado en el ajuste del modelo. También los casos 30 y 42 presentan cierto nivel de influencia.
Clúster
library(tidyverse)
library(cluster)
library(factoextra)data_cluster <- dregre%>%
select(inmigr, Desempleo) %>%
na.omit()
data_cluster_norm <- scale(data_cluster)Column
Clúster
set.seed(123)
kmeans_result <- kmeans(data_cluster_norm, centers = 3)
dregre$Cluster <- as.factor(kmeans_result$cluster)
fviz_cluster(kmeans_result, data = data_cluster_norm,
geom = "point", ellipse.type = "convex",
ggtheme = theme_minimal())
Column
Interpretación
Primer clúster: Agrupa países con altos niveles de desarrollo humano y baja incidencia de conflictos. Estos países generalmente presentan economías avanzadas, políticas estables y sistemas de bienestar social sólidos. Es probable que también cuenten con una gestión efectiva de la migración, lo que contribuye a su estabilidad.
Segundo clúster: Incluye países con niveles intermedios de desarrollo humano y una variabilidad moderada en conflictos y migración. Estos países pueden estar en transición hacia un mayor desarrollo, enfrentando desafíos en infraestructura, educación o integración de inmigrantes.
Tercer clúster: Representa países con bajo desarrollo humano, altos niveles de conflictos y flujos migratorios más limitados. Estos países suelen enfrentar problemas estructurales significativos, como desigualdad económica, inestabilidad política o falta de acceso a servicios básicos.