---
title: "Determinantes del Crecimiento Económico"
author: "Augusto Granados y Leonardo Argandoña"
output: 
  flexdashboard::flex_dashboard:
    theme: journal
    orientation: columns
    vertical_layout: fill
    source_code: embed
---

<style>
.scroll-box {
height: calc(100vh - 120px); /* 100% de la altura de la ventana menos 120px */
overflow-y: auto; /* Añade scroll vertical si es necesario */
padding-right: 15px; /* Espacio opcional para la barra de scroll */
}
</style>

1. Introducción {data-icon="fa-solid fa-lightbulb"}
=====================================

Column {data-width=650}
-----------------------------------------------------------------------

```{r setup, include=FALSE}
library(flexdashboard)
library(stringi)
library(ggplot2)
library(corrplot)
library(dplyr)
library(rio)
library(tidyverse)
library(BBmisc)
library(ggthemes)
library(polycor)
library(psych)
library(matrixcalc)
library(GPArotation)
library(cluster)
library(factoextra)
library(kableExtra)
library(modelsummary)
library(plotly)
library(sf)
library(ggrepel)
library(leaflet)
library(DT)
library(fontawesome)
library(vtable)
library(reshape2)
library(tmap)

htmltools::tagList(fontawesome::fa_html_dependency())

computeMuestra = function(...) return("Muestra")
computePaises = function(...) return(50)

"C:/Users/Augusto/Desktop/Ciclo 2025-1/Estadistica para el Análisis Político 2/EAP2 - Tf"


link_locura="https://docs.google.com/spreadsheets/d/e/2PACX-1vRlKbBagehW10J-kbK9KsXDd6wbJ21TWUTkv-NFRw7F1Ne0earsXK0Iv6v4Qnxb0xwfYHDh4IRoRySE/pub?gid=1509063522&single=true&output=csv"
locura=read.csv(link_locura)
names(locura)

locura$inflation_rate=-1*locura$inflation_rate

boxplot(BBmisc::normalize(locura[,2:11],method='standardize'))


```

### Datos de la muestra
```{r}
muestra = computeMuestra()
valueBox(muestra, icon = "fa-solid fa-flask")
```

### Economías más grandes del mundo 

```{r}
paises = computePaises()
valueBox(paises, icon = "fas fa-earth-americas")
```

### Hipótesis

* **Pregunta de investigación:**
¿Qué factores sociales y económicos han influido en el crecimiento y/o variaciones del PIB entre los años 2020 y 2021 en las 50 economías más grandes del mundo?

* **Justificación:**
El estudio del crecimiento económico mediante el PIB, y de sus determinantes, es fundamental para entender los diversos procesos sociales que pueden estar interrelacionados con dicho crecimiento. El análisis de estos 50 países, los cuales representan a la mayor parte de la economía global, nos ofrece una amplia y valiosa visión comparativa. El período comprendido entre el 2020 y el 2021 es de particular interés dados los efectos que trajo consigo la pandemia de COVID-19. Esto nos permitirá entonces observar de manera directa dichos efectos durante el tiempo de la crisis. El comprender las variables que impulsan el crecimiento económico puede permitirnos conocer acerca de la toma de decisiones de políticas públicas en dicho período. Finalmente, creemos que la originalidad del presente trabajo recae en el enfoque de tomar en cuenta a las 50 economías más grandes del mundo, junto con las demás variables que expondremos más adelante.

* **Hipótesis:**
Esperamos que, dado que el PIB es nuestra variable independiente, tenga cierta variación del año 2020 al 2021, bajo la influencia de nuestras variables independientes, que abarcan cuestiones sociopolíticas y económicas. Con ello, y teniendo en cuenta el contexto de la pandemia de COVID-19, esperamos que el PIB de dichas economías crezca. 


Column {data-width=400}{.tabset}
-----------------------------------------------------------------------

### Distribución del crecimiento del PBI en 2021


```{r}
locura %>%
  ggplot(aes(x = GDP_growth_por)) + 
  geom_histogram(color = "black", fill = "hotpink1", bins = 40) +
  ggtitle("Crecimiento anual del PBI de las 50 economías más grandes del mundo en 2021") +
  ylab("Frecuencia")+xlab("Tasa anual del crecimiento del PBI")+
  geom_vline(xintercept =  mean(locura$GDP_growth_por, na.rm = TRUE), color = "red", linetype = "dashed", size = 1) + # Línea de la media
  geom_vline(xintercept = median(locura$GDP_growth_por, na.rm = TRUE), color = "grey", linetype = "dashed", size = 1) + # Línea de la mediana
  theme_minimal()
```


2. Análisis factorial {data-icon="fa-solid fa-layer-group"}
===================================== 

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

```{r}
dontselect=c("COUNTRY")
select=setdiff(names(locura),dontselect)
theData=locura[,select]
row.names(theData)=locura$COUNTRY
```


### Correlación de las variables

```{r}
corMatrix=polycor::hetcor(theData)$correlations

ggcorrplot::ggcorrplot(corMatrix)
```

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

### Prueba KMO

```{r}
psych::KMO(corMatrix) 
```

### Prueba de Matriz de Identidad

```{r}
cortest.bartlett(corMatrix,n=nrow(theData))$p.value>0.05
```

### Prueba de Matriz Singular

```{r}
is.singular.matrix(corMatrix)
```

### Factores Recomendados

```{r}
psych::fa.parallel(theData, fa = 'fa',correct = T,plot = F,fm = 'ml')
```


::::: {.scroll-box}
```{r}
resfa <- psych::fa(theData,
            nfactors =2,
            cor = 'mixed',
            rotate = "varimax", #oblimin?
            fm="ml")
print(resfa$loadings)
```
:::::


```{r}
print(resfa$loadings,cutoff = 0.5)
```


### Resultados del Análisis Factorial

```{r}
psych::fa.diagram(resfa,main = "Resultados del EFA")
```

```{r}
locura$ice_efa=resfa$scores[,2]
```

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

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

### Histograma con Curva de densidad

```{r}
ggplot(data.frame(locura), aes(x = ice_efa)) +
       geom_histogram(aes(y = ..density..),
                      color = "gray", fill = "white") +
       geom_density(fill = "black", alpha = 0.2)
```

### Medidas de dispersión:

```{r}
summary(locura)
```



3. Análisis Bivariado {data-icon="fa-solid fa-chart-simple"}
===================================== 

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


### Gráfico de dispersión 1:

```{r}
ggplot(locura, aes(x=ice_efa, y=exports_gdp_por)) +
  geom_point(colour="skyblue") +  xlab("Indice de Crecimiento Económico") +  ylab("Exportaciones de bienes y servicios") +
  ggtitle("Relación entre el Indice de Crecimiento Económico y las exportaicones de bienes y servicios") +
  theme_light()+ geom_smooth(method=lm,se=F)
```


### Gráfico de dispersión 2:

```{r}
ggplot(locura, aes(x=ice_efa, y=edu_govexp_gdp)) +
  geom_point(colour="skyblue") +  xlab("Indice de Crecimiento Económico") +  ylab("Gasto del Gobierno en Educación") +
  ggtitle("Relación entre el Indice de Crecimiento Económico y el Gasto del Gobierno en Educación") +
  theme_light()+ geom_smooth(method=lm,se=F)
```

### Gráfico de dispersión 3:

```{r}
ggplot(locura, aes(x=ice_efa, y=UHC_coverage)) +
  geom_point(colour="skyblue") +  xlab("Indice de Crecimiento Económico") +  ylab("Cobertura del Seguro Universal de Salud") +
  ggtitle("Relación entre el Indice de Crecimiento Económico y la Cobertura del Seguro Universal de Salud") +
  theme_light()+ geom_smooth(method=lm,se=F)
```



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

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

### Regresión Gaussiana: Variables Independientes

```{r}
modelo27=formula(ice_efa~exports_gdp_por+edu_govexp_gdp+inflation_rate+military_gdp+health_exp_gdp+R_._D_exp_GDP+gov_eff+UHC_coverage)

reg27=lm(modelo27,data=locura)
summary(reg27)
```

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

### Regresión Gaussiana 1:

```{r}
modelo11=formula(ice_efa~exports_gdp_por)
reg11=lm(modelo11,data=locura)
summary(reg11)
```

### Regresión Gaussiana 2:

```{r}
modelo30=formula(ice_efa~edu_govexp_gdp+health_exp_gdp)
reg30=lm(modelo30,data=locura)
summary(reg30)
```

### Regresión Gaussiana 3:

```{r}
modelo31=formula(ice_efa~edu_govexp_gdp+health_exp_gdp+UHC_coverage)
reg31=lm(modelo31,data=locura)
summary(reg31)
```

### Regresión Gaussiana 4:

```{r}
modelo32=formula(ice_efa~edu_govexp_gdp+health_exp_gdp+UHC_coverage+R_._D_exp_GDP)
reg32=lm(modelo32,data=locura)
summary(reg32)
```


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

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

### Datos

```{r}
boxplot(BBmisc::normalize(locura[,2:11],method='standardize'))
```

```{r}
dataClus=locura[,c(2:11)]
row.names(dataClus)=locura$COUNTRY
```

```{r}
library(cluster)
g.dist = daisy(dataClus, metric="gower")
```


### Clusters PAM

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

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

### Clusters DIANA

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

Column {data-width=500} {.tabset}
-----------------------------------------------------------------------
### Datos PAM

```{r}
library(kableExtra)
set.seed(123)
res.pam=pam(g.dist,2,cluster.only = F)

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

aggregate(.~ pam, data=dataClus,mean)
```

### Silueta PAM

```{r}
fviz_silhouette(res.pam,print.summary = F)
```

### Datos AGNES

```{r}
set.seed(123)
library(factoextra)

res.agnes<- hcut(g.dist, k = 2,hc_func='agnes',hc_method = "ward.D")

dataClus$agnes=res.agnes$cluster

aggregate(.~ agnes, data=dataClus,mean)
```


### Silueta AGNES

```{r}
fviz_silhouette(res.agnes,print.summary = F)
```

### Datos DIANA

```{r}
set.seed(123)
res.diana <- hcut(g.dist, k = 2,hc_func='diana')
dataClus$diana=res.diana$cluster

aggregate(.~ diana, data=dataClus,mean)
```

### Silueta DIANA:

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


7. Conclusiones {data-icon="fa-solid fa-layer-group"}
===================================== 

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

### Hipótesis 1:

```{r}
modelo11=formula(ice_efa~exports_gdp_por)
reg11=lm(modelo11,data=locura)
summary(reg11)
```
### Interpretación Hipótesis 1:
Existe una relación entre las exportaciones en base al porcentaje del PIB y el crecimiento económico medido en el crecimiento del PIB dado que por cada 1% de incremento en exportaciones (en base al porcentaje del PIB), el índice de crecimiento económico aumenta 0.0090 unidades. Ahora, teniendo en cuenta el contexto global del período analizado, podemos también observar que este tipo de crecimiento no se vió afectado por la pandemia de COVID-19.


### Hipótesis 2:
```{r}
modelo30=formula(ice_efa~edu_govexp_gdp+health_exp_gdp)
reg30=lm(modelo30,data=locura)
summary(reg30)
```
### Interpretación Hipótesis 2: 


### Hipótesis 3:

```{r}
modelo31=formula(ice_efa~edu_govexp_gdp+health_exp_gdp+UHC_coverage)
reg31=lm(modelo31,data=locura)
summary(reg31)
```

### Interpretación Hipótesis 3:

### Hipótesis 4:
```{r}
modelo32=formula(ice_efa~edu_govexp_gdp+health_exp_gdp+UHC_coverage+R_._D_exp_GDP)
reg32=lm(modelo32,data=locura)
summary(reg32)
```

### Interpretación Hipótesis 4: