---
title: "POBREZA MULTIDIMENSIONAL"
author: Kamila Ruiz Carrasco
output: 
  flexdashboard::flex_dashboard:
    theme: journal
    source_code: embed
    orientation: columns
    vertical_layout: fill
---
1. Introducción {data-icon="fa-solid fa-lightbulb"}
===================================== 

Column {data-width=550}
-----------------------------------------------------------------------
```{r setup, include=FALSE}
library(flexdashboard)
library(stringi)
library(ggplot2)
library(dplyr)
library(ggthemes)
library(kableExtra)
library(plotly)
library(fontawesome)
library(rio)
library(DT)
library(vtable)
library(reshape2) 
library(tmap)
library(tidyverse)
library(modelsummary)
library(sf) 
library(psych)
library(matrixcalc)
library(knitr)
library(lmtest)
library(pROC)
library(cvms)
library(margins)
library(BBmisc)
library(magrittr)
library(ggcorrplot)
library(shinyMobile)
library(readxl)
library(shiny)

setwd("D:\\2025-1\\Est 2\\datas trabajo final")

#data entera
enaho=read.csv("enaho_dep.csv")

#tabla pobreza x departamento
tabla_pobre_dep = read.csv("tabla_pobre_dep.csv")

#mapa
peru_map <- st_read("D:/2025-1/Est 2/datas trabajo final/Departamental INEI 2023 geogpsperu SuyoPomalia.shp")

computeMuestra = function() {
  return("36 848")
}

computeHogaresEncuestados = function() {
  return("34 213")
}

tabla_pobre_dep$DEPARTAMENTO <- toupper(trimws(tabla_pobre_dep$DEPARTAMENTO))
peru_map$DEPARTAMEN <- toupper(trimws(peru_map$DEPARTAMEN))

enaho_mapa <- merge(tabla_pobre_dep, peru_map, by.x = "DEPARTAMENTO", by.y = "DEPARTAMEN", all.x = TRUE)

if (!inherits(enaho_mapa, "sf")) {
  enaho_mapa <- st_as_sf(enaho_mapa)
}
```

```{r}
computeSensitivity = function() {
  return("0.54")
}
computeSpecificity = function() {
  return("0.79")
}
```

```{r}
tmap_mode("view")

# Crear el mapa con los porcentajes de pobreza
map <- tm_shape(enaho_mapa) +
  tm_fill("Porcentaje", # La variable que define el color
          palette = "Reds", # Paleta de colores
          style = "quantile", 
          title = "% pobreza por departamento", #leyenda
          popup.vars = c("DEPARTAMENTO", "Porcentaje")) + 
  tm_borders("grey25", alpha = 0.5) + 
  tm_layout(main.title = "Mapa de pobreza por departamento", 
            main.title.position = c("center", "top")) + # Título principal
  tm_view(view.legend.position = c("left", "bottom")) # Posición de la leyenda

map
```

### Total de hogares encuestados
```{r}
hogares = computeHogaresEncuestados()
valueBox(hogares, icon = "fa-solid fa-house")
```
Column {data-width=450}{.tabset}
-----------------------------------------------------------------------
### Introducción

**PROBLEMÁTICA OBSERVADA:**

- Actualmente, la medicion de pobreza en el peru se basa en el enfoque monetario propuesto por el INEI, esta perspectiva subestima la magnitud real de la pobreza; puesto que limita el término unicamente a la insuficiencia de ingresos (umbral de pobreza). **Dejando de lado factores estructurales o contextuales no monetarios que inciden en el desarrollo de los miemnros del hogar** y con ello influyen en su condicion de pobreza o no pobreza. Se entiende que este modelo no abarca variables relevantes como la salud, educacion, empleo y conectividad entre los hogares peruanos. 

- Se limita la respuesta estatal a intervenciones orientadas a soluciones monetarias en detrimento de estrategias transformadoras que aborden factores estruturales en relacion a la pobreza 

**JUSTIFICACIÓN:**

- La necesidad de adaptar la medición de pobreza a fin de promover el desarrollo multidimensional de los peruanos (Agenda 2030 y los ODS). El estudio abarca una perspectiva lejos del enfoque economicista que vincula pobreza exclusivamente con la falta de ingresos, la pobreza no solo es monetaria, sino que es la rivacion de capacidades y libertades en el sujeto (Sen, 1998). 

- Se contribuye a disminuir la brecha actual de focalizacion y diseño de politicas ppúblicas, ya que bajo un enfoque multidimensional se priorizan las intervenciones integrales que solucionen las causas profundas de la pobreza. 

### Pregunta e Hipotesis

**PREGUNTA DE INVESTIGACIÓN:**

* ¿Qué factores no económicos influyen en la condición de pobreza en los hogares peruanos en 2022?

**HIPOTESIS:**

Al tener una variable dependiente dicotómica se propusó hipotesis anidadas:

* H1: La condición de pobreza del hogar puede predecirse a partir del acceso a internet dentro de la misma

* H2: La condición de pobreza del hogar se predice en tanto se considera el acceso a internet del mismo como el nivel educativo alcanzado predominante entre los miembros.

* H3: La condición de pobreza del hogar es condicionada al acceso a internet, al nivel educativo alcanzado predominante entre los miembros y el padecimiento de enfermedades o males crónicos como aspecto prevalente dentro de la unidad doméstica

* H4: La condición de pobreza de la unidad doméstica se puede predecir a partir del acceso a internet, el nivel educativo alcanzado predominante, al padecimiento de enfermedades o males crónicos como condición prevalente y al tipo de empleo más frecuente dentro del hogar 

2. Análisis univariado {data-icon="fa-solid fa-chart-simple"}
===================================== 

Column {data-width=500}
-----------------------------------------------------------------------
### Gráfico pie sobre hogares pobres y no pobres en Perú
```{r}
pobreza_pie <- data.frame(
  POBREZA = c("No Pobreza","Pobreza"),
  Frecuencia = c(27192, 7021),
  Porcentaje = c(79.5, 20.5)
)

pie_pobreza <- plot_ly(data = pobreza_pie,
               labels = ~POBREZA,
               values = ~Frecuencia,
               type = 'pie',
               textinfo = 'none',
               hoverinfo = 'label+percent+value',
               marker = list(colors = c('#d1a1e2', '#80e0d3')))%>%
    layout(title = "Distribución de hogares según condición de pobreza",
         showlegend = TRUE)
pie_pobreza
```

Column {data-width=500}{.tabset}
-----------------------------------------------------------------------
### Gráfico de barras de % hogares con acceso a Internet

```{r}
tabla_internet = enaho %>%
  group_by(INTERNET) %>%  # Agrupar por la columna INTERNET
  summarise(Frecuencia = dplyr::n(), .groups = "drop") %>%  # Contar las observaciones en cada grupo
  mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100) %>%  # Calcular porcentaje
  mutate(INTERNET = case_when(
    INTERNET == 1 ~ "Sí",
    INTERNET == 0 ~ "No"
  ))

grafico_inter =	ggplot(tabla_internet,aes(x=reorder(INTERNET,-Porcentaje), y=Porcentaje, fill=INTERNET)) + 
ggtitle("Porcentaje de hogares que cuenta con Internet a nivel nacional")+ 
  		geom_bar(stat ="identity") + 
xlab("Tiene o no conexión a Internet") + ylab("Porcentaje") +
geom_text(aes(label=round(Porcentaje,1)), vjust=0, color="black", size=3)+
scale_fill_brewer(name="Tiene o no conexión a Internet", palette="Pastel1") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle=45, hjust=1))
grafico_inter
```

### Gráfico de barras de % hogares según su nivel prevalente de educación entre miembros

```{r}
tabla_edu = enaho %>%
  group_by(NIVEL_EDU) %>% 
  summarise(Frecuencia = dplyr::n(), .groups = "drop") %>%  
  mutate(Porcentaje = round(Frecuencia / sum(Frecuencia) * 100, 1)) %>%
  mutate(NIVEL_EDU = case_when(
    NIVEL_EDU == 1 ~ "Sin nivel educativo", 
    NIVEL_EDU == 2 ~ "Educación inicial",
    NIVEL_EDU == 3 ~ "Educación primaria",
    NIVEL_EDU == 4 ~ "Educación secundaria",
    NIVEL_EDU == 5 ~ "Superior no universitaria",
    NIVEL_EDU == 6 ~ "Superior universitaria",
    NIVEL_EDU == 7 ~ "Educación básica especial"
  ))
grafico_edu =	ggplot(tabla_edu,aes(x=reorder(NIVEL_EDU,-Porcentaje), y=Porcentaje, fill=NIVEL_EDU)) + 
ggtitle("Porcentaje de hogares que cuenta con Internet a nivel nacional")+ 
  		geom_bar(stat ="identity") + 
xlab("Nivel de educacion alcanzado") + ylab("Porcentaje") +
geom_text(aes(label=round(Porcentaje,1)), vjust=0, color="black", size=3)+
scale_fill_brewer(name="Nivel de educacion alcanzado", palette="Pastel2") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle=45, hjust=1))
grafico_edu
```

### Gráfico de barras de % hogares según moda de mal crónico entre sus miembros

```{r}
tabla_mal = enaho %>%
  group_by(MAL_CRONICO) %>%
  summarise(Frecuencia = dplyr::n(), .groups = "drop") %>%  
  mutate(Porcentaje = round(Frecuencia / sum(Frecuencia) * 100, 1)) %>% 
  mutate(MAL_CRONICO = case_when(
    MAL_CRONICO == 1 ~ "Sí", 
    MAL_CRONICO == 0 ~ "No"
  ))

grafico_mal =	ggplot(tabla_mal,aes(x=reorder(MAL_CRONICO,-Porcentaje), y=Porcentaje, fill=MAL_CRONICO)) + 
ggtitle("Porcentaje de hogares con alguna enfermedad o malestar crónico")+ 
  		geom_bar(stat ="identity") + 
xlab("Padece o no padece") + ylab("Porcentaje") +
geom_text(aes(label=round(Porcentaje,1)), vjust=0, color="black", size=3)+
scale_fill_brewer(name="Padece o no padece", palette="Pastel2") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle=45, hjust=1))
grafico_mal
```

### Gráfico de barras de % hogares según tipo de empleo predominante entre miembros

```{r}
tabla_empleo = enaho %>%
  group_by(TIPO_EMPLEO) %>% 
  summarise(Frecuencia = dplyr::n(), .groups = "drop") %>%  
  mutate(Porcentaje = round(Frecuencia / sum(Frecuencia) * 100, 1)) %>% 
  mutate(TIPO_EMPLEO = case_when(
    TIPO_EMPLEO == 1 ~ "Empleo Formal", 
    TIPO_EMPLEO == 0 ~ "Empleo Informal"
  ))
grafico_empleo =	ggplot(tabla_empleo,aes(x=reorder(TIPO_EMPLEO,-Porcentaje), y=Porcentaje, fill=TIPO_EMPLEO)) + 
ggtitle("Porcentaje de hogares según tipo de empleo")+ 
  		geom_bar(stat ="identity") + 
xlab("Tipo de empleo") + ylab("Porcentaje") +
geom_text(aes(label=round(Porcentaje,1)), vjust=0, color="black", size=3)+
scale_fill_brewer(name="Tipo de empleo", palette="Pastel4") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle=45, hjust=1))
grafico_empleo
```

3. Análisis bivariado {data-icon="fa-solid fa-check"}
===================================== 

Column {data-width=500}{.tabset}
-----------------------------------------------------------------------
### Chi cuadrado: pobreza e internet
```{r}
tabla_contingencia1 <- table(enaho$POBREZA, enaho$INTERNET) #filas = pobreza, col = internet


#cambiar nombres
dimnames(tabla_contingencia1) <- list(
  POBREZA = c("No pobreza", "Pobreza"),
  INTERNET = c("No tiene", "Si tiene")
)

#matriz con nombres
tablachi1 <- matrix(c(11498, 15694, 5363, 1658), nrow = 2, byrow = TRUE,
                   dimnames = list("POBREZA" = c("No pobreza", "Pobreza"),
                                   "INTERNET" = c("No tiene", "Si tiene")))

df_tablachi1 <- as.data.frame(tablachi1)
df_tablachi1$POBREZA <- rownames(df_tablachi1)
df_tablachi1 <- df_tablachi1[, c("POBREZA", "No tiene", "Si tiene")]

# Visualización 
library(knitr)
library(kableExtra)
library(dplyr)

df_tablachi1 %>%
  kable(caption = "Tabla de Contingencia: Pobreza y Acceso a Internet") %>%
  kable_styling(bootstrap_options = c("striped", "hover"),
                full_width = FALSE, position = "center", font_size = 14) %>%
  column_spec(1, bold = TRUE) %>%
  row_spec(0, bold = TRUE, color = "Black", background = "#D7A7D1") %>%
  column_spec(2:3, width = "6em")

```

```{r}
#prueba chi2
resultadochi1 <- chisq.test(tablachi1)

# tabla resumen
vis_chi1 <- data.frame(
  Estimación = c("Estadística Chi-cuadrado", "Valor p"),
  Valor = c(as.numeric(resultadochi1$statistic),as.numeric(resultadochi1$p.value))
)

#ver pvalue pequeño
vis_chi1$Valor <- ifelse(vis_chi1$Estimación == "Valor p" & vis_chi1$Valor < 0.001,
                        "< 0.001",
                        round(vis_chi1$Valor, 3))

#para verlo bonito
vis_chi1 %>%
  kable(caption = "Chi cuadrado: Pobreza y acceso a Internet") %>%
  kable_styling(bootstrap_options = c("striped", "hover"),
                full_width = FALSE, position = "center") %>%
  column_spec(1, bold = TRUE) %>%
  row_spec(0, bold = TRUE, color = "Black", background = "#D7A7D1")

```
### Chi cuadrado: pobreza y nivel de educacion

```{r}
tabla_contingencia2<- table(enaho$POBREZA, enaho$NIVEL_EDU) #filas = pobreza, col = edu

#cambiar nombres
dimnames(tabla_contingencia2) <- list(
  POBREZA = c("No pobreza", "Pobreza"),
  NIVEL_EDU = c("1: Sin nivel educativo", 
                "2: Educación Inicial", 
                "3: Educación Primaria", 
                "4: Educación Secundaria", 
                "5: Superior no universitaria", 
                "6: Superior universitaria", 
                "7: Educación Básica Especial")
)

tablachi2 <- matrix(
  c(2310, 1071, 843, 256, 9252, 3409, 9686, 
    2112, 1956, 112, 3142, 60, 3, 1),
  nrow = 2, byrow = TRUE,
  dimnames = list(
    "POBREZA" = c("No pobreza", "Pobreza"),
    "NIVEL_EDU" = c(
      "1: Sin nivel educativo",
      "2: Educación Inicial",
      "3: Educación Primaria",
      "4: Educación Secundaria",
      "5: Superior no universitaria",
      "6: Superior universitaria",
      "7: Educación Básica Especial")))

df_tablachi2 <- as.data.frame(tablachi2)
df_tablachi2$POBREZA <- rownames(df_tablachi2)
df_tablachi2 <- df_tablachi2[, c("POBREZA", "1: Sin nivel educativo",
                               "2: Educación Inicial",
                               "3: Educación Primaria",
                               "4: Educación Secundaria",
                               "5: Superior no universitaria",
                               "6: Superior universitaria",
                               "7: Educación Básica Especial")]

# Visualización 
df_tablachi2 %>%
  kable(caption = "Tabla de Contingencia: Pobreza y Nivel educativo alcanzado") %>%
  kable_styling(bootstrap_options = c("striped", "hover"),
                full_width = FALSE, position = "center", font_size = 14) %>%
  column_spec(1, bold = TRUE) %>%
  row_spec(0, bold = TRUE, color = "Black", background = "#F5A1A1") %>%
  column_spec(2:8, width = "6em")

```

```{r}
#prueba chi2
resultadochi2 <- chisq.test(tablachi2)

# tabla resumen
vis_chi2 <- data.frame(
  Estimación = c("Estadística Chi-cuadrado", "Valor p"),
  Valor = c(as.numeric(resultadochi2$statistic),as.numeric(resultadochi2$p.value))
)

#ver pvalue pequeño
vis_chi2$Valor <- ifelse(vis_chi2$Estimación == "Valor p" & vis_chi2$Valor < 0.001,
                        "< 0.001",
                        round(vis_chi2$Valor, 3))

#para verlo bonito
vis_chi2 %>%
  kable(caption = "Chi cuadrado: Pobreza y Nivel educativo") %>%
  kable_styling(bootstrap_options = c("striped", "hover"),
                full_width = FALSE, position = "center") %>%
  column_spec(1, bold = TRUE) %>%
  row_spec(0, bold = TRUE, color = "Black", background = "#F5A1A1")
```
### Chi cuadrado: pobreza y mal crónico

```{r}
tabla_contingencia3 <- table(enaho$POBREZA, enaho$MAL_CRONICO) #filas = pobreza, col = mal cro

#cambiar nombres
dimnames(tabla_contingencia3) <- list(
  POBREZA = c("No pobreza", "Pobreza"),
  MAL_CRONICO = c("No padece", "Si padece")
)

tablachi3 <- matrix(c(15787, 11405, 5275, 1746), nrow = 2, byrow = TRUE,
                   dimnames = list("POBREZA" = c("No pobreza", "Pobreza"),
                                   "MAL_CRONICO" = c("No padece", "Si padece")))

df_tablachi3 <- as.data.frame(tablachi3)
df_tablachi3$POBREZA <- rownames(df_tablachi3)
df_tablachi3 <- df_tablachi3[, c("POBREZA", "No padece", "Si padece")]

# Visualización 
df_tablachi3 %>%
  kable(caption = "Tabla de Contingencia: Pobreza y Padecimiento de mal crónico") %>%
  kable_styling(bootstrap_options = c("striped", "hover"),
                full_width = FALSE, position = "center", font_size = 14) %>%
  column_spec(1, bold = TRUE) %>%
  row_spec(0, bold = TRUE, color = "Black", background = "#F1C2A1") %>%
  column_spec(2:3, width = "6em")

```

```{r}
#prueba chi2
resultadochi3 <- chisq.test(tablachi3)

# tabla resumen
vis_chi3 <- data.frame(
  Estimación = c("Estadística Chi-cuadrado", "Valor p"),
  Valor = c(as.numeric(resultadochi3$statistic),as.numeric(resultadochi3$p.value))
)

#ver pvalue pequeño
vis_chi3$Valor <- ifelse(vis_chi3$Estimación == "Valor p" & vis_chi3$Valor < 0.001,
                        "< 0.001",
                        round(vis_chi3$Valor, 3))

#para verlo bonito
vis_chi3 %>%
  kable(caption = "Chi cuadrado: Pobreza y Padecimiento de mal crónico") %>%
  kable_styling(bootstrap_options = c("striped", "hover"),
                full_width = FALSE, position = "center") %>%
  column_spec(1, bold = TRUE) %>%
  row_spec(0, bold = TRUE, color = "Black", background = "#F1C2A1")

```
### Chi cuadrado: pobreza y tipo de empleo

```{r}
tabla_contingencia4 <- table(enaho$POBREZA, enaho$TIPO_EMPLEO) #filas = pobreza, col = empleo

#cambiar nombres
dimnames(tabla_contingencia4) <- list(
  POBREZA = c("No pobreza", "Pobreza"),
  TIPO_EMPLEO = c("Empleo informal", "Empleo formal")
)

tablachi4 <- matrix(c(17336, 9856, 5718, 1303), nrow = 2, byrow = TRUE,
                   dimnames = list("POBREZA" = c("No pobreza", "Pobreza"),
                                   "TIPO_EMPLEO" = c("Empleo informal", "Empleo formal")))

df_tablachi4 <- as.data.frame(tablachi4)
df_tablachi4$POBREZA <- rownames(df_tablachi4)
df_tablachi4 <- df_tablachi4[, c("POBREZA","Empleo informal", "Empleo formal")]

# Visualización 
df_tablachi4 %>%
  kable(caption = "Tabla de Contingencia: Pobreza y Tipo de empleo") %>%
  kable_styling(bootstrap_options = c("striped", "hover"),
                full_width = FALSE, position = "center", font_size = 14) %>%
  column_spec(1, bold = TRUE) %>%
  row_spec(0, bold = TRUE, color = "Black", background = "#D6E8A1") %>%
  column_spec(2:3, width = "6em")
```

```{r}
#prueba chi2
resultadochi4 <- chisq.test(tablachi4)

# tabla resumen
vis_chi4 <- data.frame(
  Estimación = c("Estadística Chi-cuadrado", "Valor p"),
  Valor = c(as.numeric(resultadochi4$statistic),as.numeric(resultadochi4$p.value)))

#ver pvalue pequeño
vis_chi4$Valor <- ifelse(vis_chi4$Estimación == "Valor p" & vis_chi4$Valor < 0.001,
                        "< 0.001",
                        round(vis_chi4$Valor, 3))

#para verlo bonito
vis_chi4 %>%
  kable(caption = "Chi cuadrado: Pobreza y Tipo de empleo") %>%
  kable_styling(bootstrap_options = c("striped", "hover"),
                full_width = FALSE, position = "center") %>%
  column_spec(1, bold = TRUE) %>%
  row_spec(0, bold = TRUE, color = "Black", background = "#D6E8A1")

```

Column {data-width=500}{.tabset}
-----------------------------------------------------------------------
### Gráfico bivariado: pobreza e internet

```{r}
tabla_porcentaje1= as.data.frame(tabla_contingencia1%>%
  prop.table(1) %>%
  round(3)*100)

#grafico porcentajes bivariado: pobreza e internet

graf_bivariado1= ggplot(data=tabla_porcentaje1, aes(x=POBREZA, y=Freq, fill=INTERNET))+
  geom_bar(position="stack", stat="identity")+
  geom_text(aes(label=paste(Freq, "%", sep="")), 
            position = position_stack(), vjust=1, size = 4, color="white", fontface = "bold")+
  labs(x="Pobreza", y="Porcentaje", fill="Hogares con o sin acceso a internet",title="Distribución del acceso a Internet según condición de pobreza") +
  scale_fill_manual(values=c("No tiene"="#D7A7D1", "Si tiene"="#8F3B70")) + 
  theme_minimal()+
    theme(axis.text.x = element_text(angle = 45, hjust = 1))
graf_bivariado1
```

### Gráfico bivariado: pobreza y nivel de educacion

```{r}
tabla_porcentaje2= as.data.frame(tabla_contingencia2%>%
  prop.table(1) %>%
  round(3)*100)

#grafico
graf_bivariado2 = ggplot(data=tabla_porcentaje2, aes(x=POBREZA, y=Freq, fill=NIVEL_EDU)) +
  geom_bar(position="stack", stat="identity") +
  geom_text(aes(label=paste(Freq, "%", sep="")), 
            position = position_stack(), vjust=1, size=3, color="white",fontface="bold") +
  labs(x="Pobreza", y="Porcentaje", fill="Nivel educativo", title="Distribución del nivel educativo según condición de pobreza") +
  scale_fill_manual(values=c("#F6C1C1", "#F17A84", "#E04F6F", "#D2344D", "#9E1A2A","#871C33", "#4C1423")) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle=45, hjust=1))
graf_bivariado2
```

### Gráfico bivariado: pobreza y mal cronico 
```{r}
tabla_porcentaje3= as.data.frame(tabla_contingencia3%>%
  prop.table(1) %>%
  round(3)*100)

graf_bivariado3= ggplot(data=tabla_porcentaje3, aes(x=POBREZA, y=Freq, fill=MAL_CRONICO))+
  geom_bar(position="stack", stat="identity")+
  geom_text(aes(label=paste(Freq, "%", sep="")), 
            position = position_stack(), vjust=1, size = 4, color="black", fontface = "bold")+
  labs(x="Pobreza", y="Porcentaje", fill="Mal crónico",title="Distribución de mal cronico según condición de pobreza") +
  scale_fill_manual(values=c("No padece"="#F1C2A1", "Si padece"= "#E86C00")) + 
  theme_minimal()+
    theme(axis.text.x = element_text(angle = 45, hjust = 1))
graf_bivariado3
```

### Gráfico bivariado: pobreza y tipo de empleo

```{r}
tabla_porcentaje4= as.data.frame(tabla_contingencia4%>%
  prop.table(1) %>%
  round(3)*100)

graf_bivariado4= ggplot(data=tabla_porcentaje4, aes(x=POBREZA, y=Freq, fill=TIPO_EMPLEO))+
  geom_bar(position="stack", stat="identity")+
  geom_text(aes(label=paste(Freq, "%", sep="")), 
            position = position_stack(), vjust=1, size = 4, color="black", fontface = "bold")+
  labs(x="Pobreza", y="Porcentaje", fill="Tipo de empleo",title="Distribución de los tipos de empleo según condición de pobreza") +
  scale_fill_manual(values=c("Empleo informal"="#D6E8A1", "Empleo formal"="#98B740")) + 
  theme_minimal()+
    theme(axis.text.x = element_text(angle = 45, hjust = 1))
graf_bivariado4
```

4. Regresiones {data-icon="fa-solid fa-wave-square"}
===================================== 

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

### Regresiones anidadas

```{r}
#hipotesis 1
h1=formula(POBREZA ~ INTERNET)

rlog1=glm(h1,data=enaho,family = binomial)
modelrl=list("ser pobre (I)" = rlog1)

#hipotesis 2
h2=formula(POBREZA ~ INTERNET + NIVEL_EDU)

rlog2=glm(h2,data=enaho,family = binomial)
modelrl=list("ser pobre (I)" = rlog1,
             "ser pobre (II)" = rlog2)

#hipotesis 3
h3=formula(POBREZA ~ INTERNET + NIVEL_EDU + MAL_CRONICO)

rlog3=glm(h3,data=enaho,family = binomial)
modelrl=list("ser pobre (I)" = rlog1,
             "ser pobre (II)" = rlog2,
             "ser pobre (III)" = rlog3)

#hipotesis 4
h4=formula(POBREZA ~ INTERNET + NIVEL_EDU + MAL_CRONICO + TIPO_EMPLEO)

rlog4=glm(h4,data=enaho,family = binomial)
modelrl=list("ser pobre (I)" = rlog1,
             "ser pobre (II)" = rlog2,
             "ser pobre (III)" = rlog3,
             "ser pobre (IV)" = rlog4)

library(modelsummary)
modelsummary(modelrl,
             title = "Regresión Logística",
             stars = TRUE,
             output = "kableExtra")

```

### Comparación de modelos anidades exponenciados 

```{r}
#hipotesis 1
h1=formula(POBREZA ~ INTERNET)

rlog1=glm(h1,data=enaho,family = binomial)
modelrl=list("ser pobre (I)" = rlog1)

#hipotesis 2
h2=formula(POBREZA ~ INTERNET + NIVEL_EDU)

rlog2=glm(h2,data=enaho,family = binomial)
modelrl=list("ser pobre (I)" = rlog1,
             "ser pobre (II)" = rlog2)

#hipotesis 3
h3=formula(POBREZA ~ INTERNET + NIVEL_EDU + MAL_CRONICO)

rlog3=glm(h3,data=enaho,family = binomial)
modelrl=list("ser pobre (I)" = rlog1,
             "ser pobre (II)" = rlog2,
             "ser pobre (III)" = rlog3)

#hipotesis 4
h4=formula(POBREZA ~ INTERNET + NIVEL_EDU + MAL_CRONICO + TIPO_EMPLEO)

rlog4=glm(h4,data=enaho,family = binomial)
modelrl=list("ser pobre (I)" = rlog1,
             "ser pobre (II)" = rlog2,
             "ser pobre (III)" = rlog3,
             "ser pobre (IV)" = rlog4)

#FUNCION
formatoNumero = function(x) format(x, digits = 4, scientific = FALSE)

library(modelsummary)
modelsummary(modelrl,
             fmt=formatoNumero,
             exponentiate = T,
             title = "Comparaciones de regresiones logísticas anidadas (Coeficientes Exponenciados)",
             stars = TRUE,
             output = "kableExtra")
```

>**Al evaluar valores de AIC y BIC:**modelo de regresión logística IV presenta un mejor ajuste y eficiencia en comparación con los otros modelos, pues este modelo tiene los valores menores en AIC y BIC

### Tabla con Test de razón de verosimilitud (LRT)
```{r}
lrtest(rlog1,rlog2, rlog3,rlog4) %>%
kable(caption = "Tabla LRT para comparar modelos")%>%kableExtra::kable_styling(full_width = FALSE)
```
> pvalor = 0 = todos los modelos son significativos. Se optó por considerar valor de la verosimilitud (logLik), el modelo IV tienen un valor menor en dicho logaritmo en comparación de los demás, además, el valor inferior que tiene el modelo IV en AIC/BIC. Así, es posible señalar que el **modelo IV estadísticamente es mejor**.

### Sensibilidad
```{r}
Sensibilidad = computeSensitivity()
valueBox(Sensibilidad, icon = "fa-solid fa-exclamation")
```

### Especificidad
```{r}
especificidad = computeSpecificity()
valueBox(especificidad, icon = "fa-solid fa-exclamation")
```

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

### Curva ROC

```{r}
enaho$pobreza=enaho$POBREZA

enaho$pobreza <- recode(enaho$pobreza,
                        "1" = "yes",
                        "0" = "no")

enaho$predictedProbs <- predict(rlog4, enaho,type = "response")
roc_curva <- roc(enaho$pobreza, enaho$predictedProbs)

plot(roc_curva, main = "Curva ROC", col = "darkred", lwd = 2)
```

### Matriz de confusión 
```{r}
enaho$predicted = ifelse(enaho$predictedProbs > 0.3, "yes","no")

ConfMatrix=confusion_matrix(predictions =  enaho$predicted,
                      targets= enaho$pobreza)

plot_confusion_matrix(ConfMatrix,
                      class_order=c("yes","no"))
```

### Tabla de efectos Marginales
```{r}
marginalsData=summary(margins(rlog4)) 
marginalsData%>% kable(caption = "Efectos Marginales Promedio (AME)- Modelo IV") %>%kableExtra::kable_styling(full_width = T)
```

### Gráfico de Efectos Marginales
```{r}
base= ggplot(marginalsData,aes(x=factor, y=AME)) + geom_point()
base +  geom_errorbar(aes(ymin=lower, ymax=upper))
```

5. Análisis conglomerado {data-icon="fa-solid fa-object-ungroup"}
===================================== 

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