Taller final.
jose
2025-05-11
tasa_de_interes <- read_excel("C:/Users/USUARIO/Downloads/datos panel.xlsx")summary(tasa_de_interes) ## Ciudades Años Indice de precios TASA DE INTERES
## Length:112 Min. :2016 Min. : 53.70 Min. :10.70
## Class :character 1st Qu.:2018 1st Qu.: 81.55 1st Qu.:11.54
## Mode :character Median :2020 Median : 99.30 Median :12.07
## Mean :2020 Mean :116.05 Mean :12.36
## 3rd Qu.:2021 3rd Qu.:109.04 3rd Qu.:12.81
## Max. :2023 Max. :499.67 Max. :15.21
## VARIACION INFLACIÓN (Año corrido) STOCK DE VIVIENDA (VIS)
## Min. : 0.220 Min. : 198.0
## 1st Qu.: 3.170 1st Qu.: 964.8
## Median : 4.510 Median : 1588.5
## Mean : 5.867 Mean : 2809.5
## 3rd Qu.: 7.490 3rd Qu.: 3011.8
## Max. :16.340 Max. :23357.0
## Stock de vivienda (NO VIS) Salario promedio PIB
## Min. : 219.0 Min. : 767155 Min. : 5.000
## 1st Qu.: 839.5 1st Qu.: 857304 1st Qu.: 7.975
## Median : 1425.5 Median : 952903 Median : 13.350
## Mean : 2971.0 Mean : 974504 Mean : 34.027
## 3rd Qu.: 2920.5 3rd Qu.:1040528 3rd Qu.: 43.050
## Max. :22134.0 Max. :1300606 Max. :227.100describe(tasa_de_interes)## vars n mean sd median
## Ciudades* 1 112 7.50 4.05 7.50
## Años 2 112 2019.50 2.30 2019.50
## Indice de precios 3 112 116.05 79.60 99.30
## TASA DE INTERES 4 112 12.36 1.29 12.07
## VARIACION INFLACIÓN (Año corrido) 5 112 5.87 3.74 4.51
## STOCK DE VIVIENDA (VIS) 6 112 2809.51 3537.05 1588.50
## Stock de vivienda (NO VIS) 7 112 2970.96 4595.93 1425.50
## Salario promedio 8 112 974503.50 162143.25 952902.50
## PIB 9 112 34.03 45.98 13.35
## trimmed mad min max
## Ciudades* 7.50 5.19 1.00 14.00
## Años 2019.50 2.97 2016.00 2023.00
## Indice de precios 97.97 20.75 53.70 499.67
## TASA DE INTERES 12.21 0.92 10.70 15.21
## VARIACION INFLACIÓN (Año corrido) 5.42 2.64 0.22 16.34
## STOCK DE VIVIENDA (VIS) 2067.24 1074.88 198.00 23357.00
## Stock de vivienda (NO VIS) 1821.18 1199.42 219.00 22134.00
## Salario promedio 959989.12 159746.44 767155.00 1300606.00
## PIB 22.96 10.60 5.00 227.10
## range skew kurtosis se
## Ciudades* 13.00 0.00 -1.24 0.38
## Años 7.00 0.00 -1.27 0.22
## Indice de precios 445.96 3.24 10.09 7.52
## TASA DE INTERES 4.51 1.02 0.36 0.12
## VARIACION INFLACIÓN (Año corrido) 16.12 0.99 0.11 0.35
## STOCK DE VIVIENDA (VIS) 23159.00 3.26 13.05 334.22
## Stock de vivienda (NO VIS) 21915.00 3.02 8.38 434.27
## Salario promedio 533451.00 0.70 -0.42 15321.10
## PIB 222.10 2.52 6.16 4.34# Selecciona las variables numericas
datos_numericos <- tasa_de_interes[sapply(tasa_de_interes, is.numeric)]
# Tabla completa de estadisticas
describe(datos_numericos)## vars n mean sd median
## Años 1 112 2019.50 2.30 2019.50
## Indice de precios 2 112 116.05 79.60 99.30
## TASA DE INTERES 3 112 12.36 1.29 12.07
## VARIACION INFLACIÓN (Año corrido) 4 112 5.87 3.74 4.51
## STOCK DE VIVIENDA (VIS) 5 112 2809.51 3537.05 1588.50
## Stock de vivienda (NO VIS) 6 112 2970.96 4595.93 1425.50
## Salario promedio 7 112 974503.50 162143.25 952902.50
## PIB 8 112 34.03 45.98 13.35
## trimmed mad min max
## Años 2019.50 2.97 2016.00 2023.00
## Indice de precios 97.97 20.75 53.70 499.67
## TASA DE INTERES 12.21 0.92 10.70 15.21
## VARIACION INFLACIÓN (Año corrido) 5.42 2.64 0.22 16.34
## STOCK DE VIVIENDA (VIS) 2067.24 1074.88 198.00 23357.00
## Stock de vivienda (NO VIS) 1821.18 1199.42 219.00 22134.00
## Salario promedio 959989.12 159746.44 767155.00 1300606.00
## PIB 22.96 10.60 5.00 227.10
## range skew kurtosis se
## Años 7.00 0.00 -1.27 0.22
## Indice de precios 445.96 3.24 10.09 7.52
## TASA DE INTERES 4.51 1.02 0.36 0.12
## VARIACION INFLACIÓN (Año corrido) 16.12 0.99 0.11 0.35
## STOCK DE VIVIENDA (VIS) 23159.00 3.26 13.05 334.22
## Stock de vivienda (NO VIS) 21915.00 3.02 8.38 434.27
## Salario promedio 533451.00 0.70 -0.42 15321.10
## PIB 222.10 2.52 6.16 4.34creamos graficos
#EVOLCUIÓN POR CIUDADES
library(ggplot2)
library(dplyr)
library(patchwork)
g1 <- ggplot(tasa_de_interes, aes(x = Años, y = `Indice de precios`, color = Ciudades, group = Ciudades)) +
geom_line(size = 1) +
labs(title = "Índice de Precios por Ciudad", x = "Años", y = "Índice de Precios") +
theme_minimal() +
theme(legend.position = "none")## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.g2 <- ggplot(tasa_de_interes, aes(x = Años, y = `STOCK DE VIVIENDA (VIS)`, color = Ciudades, group = Ciudades)) +
geom_line(size = 1) +
labs(title = "Stock de Vivienda VIS", x = "Años", y = "Stock VIS") +
theme_minimal() +
theme(legend.position = "none")
g3 <- ggplot(tasa_de_interes, aes(x = Años, y = `Stock de vivienda (NO VIS)`, color = Ciudades, group = Ciudades)) +
geom_line(size = 1) +
labs(title = "Stock de Vivienda NO VIS", x = "Años", y = "Stock NO VIS") +
theme_minimal() +
theme(legend.position = "none")
g4 <- ggplot(tasa_de_interes, aes(x = Años, y = PIB, color = Ciudades, group = Ciudades)) +
geom_line(size = 1) +
labs(title = "PIB por Ciudad", x = "Años", y = "PIB") +
theme_minimal() # ← aquí sí dejamos la leyenda
g5 <- tasa_de_interes %>%
group_by(Años) %>%
summarise(inflacion = mean(`VARIACION INFLACIÓN (Año corrido)`, na.rm = TRUE)) %>%
ggplot(aes(x = Años, y = inflacion)) +
geom_line(color = "#000", size = 1.2) +
geom_point(size = 2) +
labs(title = "Inflación Anual", x = "Años", y = "Inflación") +
theme_minimal() +
theme(legend.position = "none")
g6 <- tasa_de_interes %>%
group_by(Años) %>%
summarise(tasa = mean(`TASA DE INTERES`, na.rm = TRUE)) %>%
ggplot(aes(x = Años, y = tasa)) +
geom_line(color = "#000", size = 1.2) +
geom_point(size = 2) +
labs(title = "Tasa de Interés Anual", x = "Años", y = "Tasa de Interés (%)") +
theme_minimal() +
theme(legend.position = "none")
g7 <- tasa_de_interes %>%
group_by(Años) %>%
summarise(salario = mean(`Salario promedio`, na.rm = TRUE)) %>%
ggplot(aes(x = Años, y = salario)) +
geom_line(color = "#000", size = 1.2) +
geom_point(size = 2) +
labs(title = "Salario Promedio Anual", x = "Años", y = "Salario") +
theme_minimal() +
theme(legend.position = "none")
# Panel organizado y con leyenda global abajo
((g1 | g2 | g3) /
(g4 | g5 | g6) /
(g7 + plot_spacer() + plot_spacer())) +
plot_layout(guides = "collect") &
theme(legend.position = "bottom")
# BOXPLOT POR CIUDADES
ggplot(tasa_de_interes, aes(x = Ciudades, y = `Indice de precios`)) +
geom_boxplot(fill = "white", color = "black") +
labs(title = ,
x = "Ciudades", y = "Índice de Precios") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
#HETEROGENEIDAD
#heterogeneidad
# Gráfico por ciudad
g1 <- ggplot(tasa_de_interes, aes(x = Ciudades, y = `Indice de precios`)) +
stat_summary(fun = mean, geom = "point", color = "black") +
stat_summary(fun.data = mean_se, geom = "errorbar", width = 0.4, color = "red") +
stat_summary(fun = mean, geom = "line", aes(group = 1), color = "black") +
labs(title = ,
x = "Ciudad", y = "Índice de Precios") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust=1))
# Gráfico por año
g2 <- ggplot(tasa_de_interes, aes(x = Años, y = `Indice de precios`)) +
stat_summary(fun = mean, geom = "point", color = "black") +
stat_summary(fun.data = mean_se, geom = "errorbar", width = 0.4, color = "red") +
stat_summary(fun = mean, geom = "line", aes(group = 1), color = "black") +
labs(title = ,
x = "Año", y = "Índice de Precios") +
theme_minimal()
# Unir los dos gráficos
g1 / g2
#Estimación del modelo
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ lubridate 1.9.4 ✔ tibble 3.2.1
## ✔ purrr 1.0.4 ✔ tidyr 1.3.1
## ✔ readr 2.1.5
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ psych::%+%() masks ggplot2::%+%()
## ✖ scales::alpha() masks psych::alpha(), ggplot2::alpha()
## ✖ plm::between() masks dplyr::between()
## ✖ readr::col_factor() masks scales::col_factor()
## ✖ purrr::discard() masks scales::discard()
## ✖ dplyr::filter() masks stats::filter()
## ✖ plm::lag() masks dplyr::lag(), stats::lag()
## ✖ plm::lead() masks dplyr::lead()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(plm)
library(lmtest)## Cargando paquete requerido: zoo
##
## Adjuntando el paquete: 'zoo'
##
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numericlibrary(sandwich)
# Transformación de nombres y logaritmos
tasa_de_interes <- tasa_de_interes %>%
rename_all(~str_replace_all(., " ", "_")) %>%
rename_all(~str_replace_all(., "\\(", "")) %>%
rename_all(~str_replace_all(., "\\)", "")) %>%
rename_all(~str_replace_all(., "\\.", "")) %>%
mutate(
log_indice_precios = log(Indice_de_precios),
log_PIB = log(PIB),
log_stock_vis = log(STOCK_DE_VIVIENDA_VIS),
log_stock_no_vis = log(Stock_de_vivienda_NO_VIS)
)
panel_data <- pdata.frame(tasa_de_interes, index = c("Ciudades", "Años"))
modelo <- plm(
log(Indice_de_precios) ~ TASA_DE_INTERES + VARIACION_INFLACIÓN_Año_corrido +
log(Salario_promedio) + log(PIB) + log(STOCK_DE_VIVIENDA_VIS) + log(Stock_de_vivienda_NO_VIS),
data = panel_data,
model = "within"
)
summary(modelo)## Oneway (individual) effect Within Model
##
## Call:
## plm(formula = log(Indice_de_precios) ~ TASA_DE_INTERES + VARIACION_INFLACIÓN_Año_corrido +
## log(Salario_promedio) + log(PIB) + log(STOCK_DE_VIVIENDA_VIS) +
## log(Stock_de_vivienda_NO_VIS), data = panel_data, model = "within")
##
## Balanced Panel: n = 14, T = 8, N = 112
##
## Residuals:
## Min. 1st Qu. Median 3rd Qu. Max.
## -0.2055405 -0.0565683 -0.0034825 0.0604864 0.3581005
##
## Coefficients:
## Estimate Std. Error t-value Pr(>|t|)
## TASA_DE_INTERES -0.0056403 0.0109255 -0.5163 0.60692
## VARIACION_INFLACIÓN_Año_corrido -0.0096086 0.0052085 -1.8448 0.06829 .
## log(Salario_promedio) 0.5338116 0.3100236 1.7218 0.08846 .
## log(PIB) 0.3887678 0.2902517 1.3394 0.18373
## log(STOCK_DE_VIVIENDA_VIS) 0.0319864 0.0246011 1.3002 0.19678
## log(Stock_de_vivienda_NO_VIS) 0.0630368 0.0305449 2.0637 0.04186 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Total Sum of Squares: 2.4042
## Residual Sum of Squares: 0.99556
## R-Squared: 0.5859
## Adj. R-Squared: 0.50038
## F-statistic: 21.6947 on 6 and 92 DF, p-value: 9.7248e-16# Crear un dataframe en formato largo
datos_largos <- tasa_de_interes %>%
pivot_longer(cols = c(TASA_DE_INTERES,
VARIACION_INFLACIÓN_Año_corrido,
STOCK_DE_VIVIENDA_VIS,
Stock_de_vivienda_NO_VIS,
Salario_promedio,
PIB),
names_to = "Variable_Independiente",
values_to = "Valor_Independiente")
ggplot(datos_largos, aes(x = Valor_Independiente, y = Indice_de_precios)) +
geom_point(alpha = 0.6, color = "#000") +
geom_smooth(method = "lm", se = FALSE, linetype = "dashed", color = "red") +
facet_wrap(~ Variable_Independiente, scales = "free_x") +
labs(title = ,
x = "Variable Independiente",
y = "Índice de Precios") +
theme_minimal()## `geom_smooth()` using formula = 'y ~ x'
#ESTIMACIÓN DEL MODELO
library(plm)
library(stargazer)
# Convertir a panel
panel_data <- pdata.frame(panel_data, index = c("Ciudades", "Años"))
# Modelo de efectos fijos
modelo_fe <- plm(log_indice_precios ~
log_PIB +
log_stock_vis +
log_stock_no_vis +
log(Salario_promedio) +
TASA_DE_INTERES +
VARIACION_INFLACIÓN_Año_corrido,
data = panel_data,
model = "within")
# Modelo de efectos aleatorios
modelo_re <- plm(log_indice_precios ~
log_PIB +
log_stock_vis +
log_stock_no_vis +
log(Salario_promedio) +
TASA_DE_INTERES +
VARIACION_INFLACIÓN_Año_corrido,
data = panel_data,
model = "random")
# Mostrar resultados
stargazer(modelo_fe, modelo_re, type = "text", digits = 5,
title = "Comparación de modelos: Efectos Fijos vs Aleatorios")##
## Comparación de modelos: Efectos Fijos vs Aleatorios
## =====================================================================
## Dependent variable:
## -------------------------------------
## log_indice_precios
## (1) (2)
## ---------------------------------------------------------------------
## log_PIB 0.38877 0.21514**
## (0.29025) (0.09173)
##
## log_stock_vis 0.03199 0.03053
## (0.02460) (0.02373)
##
## log_stock_no_vis 0.06304** 0.06666**
## (0.03054) (0.02924)
##
## log(Salario_promedio) 0.53381* 0.70491***
## (0.31002) (0.15324)
##
## TASA_DE_INTERES -0.00564 -0.00672
## (0.01093) (0.01060)
##
## VARIACION_INFLACIÓN_Año_corrido -0.00961* -0.00766*
## (0.00521) (0.00402)
##
## Constant -6.29982***
## (2.13055)
##
## ---------------------------------------------------------------------
## Observations 112 112
## R2 0.58590 0.57539
## Adjusted R2 0.50038 0.55113
## F Statistic 21.69471*** (df = 6; 92) 142.28680***
## =====================================================================
## Note: *p<0.1; **p<0.05; ***p<0.01hausman_test <- phtest(modelo_fe, modelo_re)
print(hausman_test)##
## Hausman Test
##
## data: log_indice_precios ~ log_PIB + log_stock_vis + log_stock_no_vis + ...
## chisq = 0.40884, df = 6, p-value = 0.9988
## alternative hypothesis: one model is inconsistent