El Análisis de Componentes Principales (ACP) es una técnica estadística multivariante cuyo propósito es reducir la dimensionalidad de los datos y facilitar su interpretación, manteniendo la mayor cantidad posible de variabilidad original (Jolliffe & Cadima, 2016). En las ciencias sociales, el ACP permite identificar estructuras latentes en indicadores complejos de desarrollo humano (Abdi & Williams, 2010).

Partiendo de la idea de que el desarrollo humano es un fenómeno multidimensional (no limitado al PIB, sino integrado también por factores como la salud, la gobernanza, la infraestructura y el medio ambiente) surge la pregunta: ¿existen perfiles homogéneos de países según sus indicadores de desarrollo? Para responder este interrogante:

• Se aplicó ACP y clusterización jerárquica (Ward) a 165 países (WDI, Banco Mundial, 2018).

Para identificar grupos de países según patrones comunes de desarrollo, gobernanza, infraestructura y bienestar.

Se seleccionaron 17 variables cuantitativas en cinco dimensiones:

• Salud: gasto_salud, inmunización, mortalidad infantil

• Demografía: natalidad, fertilidad, densidad poblacional

• Infraestructura: acceso a electricidad, saneamiento, cocina limpia

• Gobernanza: control de corrupción, efectividad gubernamental

• Ambiental: contaminación (PM2.5), tuberculosis

Todas las variables fueron estandarizadas para garantizar comparabilidad. A continuación se muestra una vista previa de la base de datos final:

A continuación se presenta un resumen de las medidas descriptivas para las 16 variables cuantitativas de desarrollo humano en 155 países (Banco Mundial, 2018).

• Alta variabilidad en densidad poblacional:
  Media = 134.6 hab/km², pero con máximo extremo de 7,897 (Singapur). La asimetría es muy positiva (skew = 4.63), lo que confirma la presencia de outliers urbanos.

• Desigualdad extrema en acceso a saneamiento:
  Mínimo = 8.35% (República Centroafricana) vs. 100% (países nórdicos y de altos ingresos).

• Mortalidad infantil altamente sesgada:
  Media = 23.3‰, pero el máximo es 91.8‰ (Sudán del Sur), con asimetría positiva (skew = 1.00), lo que refleja graves disparidades en salud materno-infantil.

• Cocina limpia:
  El 0% en Burundi y República Centroafricana contrasta con el 100% en la mayoría de países desarrollados, evidenciando una brecha crítica en calidad del aire doméstico.

• Control de corrupción:
  Rango de –1.79 (Somalia) a 2.17 (Singapur), con una desviación estándar de 0.96, lo que subraya diferencias institucionales profundas entre países.

• Esperanza de vida:
  Va desde 51.9 años (Sudán del Sur) hasta 83.75 años (Suiza), con una media global de 71.44 años, mostrando los efectos acumulados de desarrollo sanitario y social.

El Análisis de Componentes Principales (ACP) se utilizó para reducir la dimensionalidad de las 16 variables cuantitativas del Banco Mundial (2018). Este método transforma variables altamente correlacionadas en un conjunto menor de componentes no correlacionados que conservan la mayor parte de la varianza total.

Los primeros 5 componentes explican el 81.9% de la varianza total, lo que justifica su uso para la clusterización posterior.

El Análisis de Componentes Principales (ACP) redujo 16 variables altamente correlacionadas a un conjunto menor de componentes ortogonales. La varianza explicada por cada componente muestra cuánta información original conserva cada dimensión.

Los resultados muestran que los primeros dos componentes explican el 65.55% de la varianza total:

• PC1: 53.16% → captura la mayor parte de la variabilidad.
• PC2: 12.40% → añade información adicional significativa.

A continuación se describen los cinco componentes principales obtenidos en el análisis.

El primer componente: Desarrollo humano básico (PC1), que explica el 53.2 % de la varianza, representa un eje central del desarrollo humano. En un extremo agrupa variables de bienestar (acceso a servicios, esperanza de vida, instituciones), y en el otro concentra indicadores de vulnerabilidad (natalidad alta, mortalidad infantil).
Este componente sintetiza la brecha estructural más profunda entre países: desarrollo consolidado vs. desafíos severos en salud, infraestructura y gobernanza.

El segundo componente (PC2), con 12.4 % de varianza explicada, refleja riesgos sociales y sanitarios específicos. Está definido por la tasa de suicidio, el gasto en salud y, en menor medida, la contaminación ambiental. Este eje evidencia dimensiones de bienestar que dependen de factores psicosociales y ambientales, más allá del nivel de desarrollo general.

El tercer componente principal (PC3), con 6.1 % de varianza explicada, está dominado casi exclusivamente por la densidad poblacional. Esto revela que la presión demográfica es una dimensión autónoma del desarrollo, independiente de ingreso, infraestructura o instituciones.

El cuarto componente (PC4), con 5.3 % de varianza, está asociado a la capacidad institucional: gasto en salud, control de la corrupción y efectividad gubernamental. Refleja la intención y capacidad estatal para construir sistemas públicos sólidos.allá del nivel de desarrollo general.

El quinto componente (PC5), con 4.9 % de varianza explicada, se relaciona con mortalidad infantil, inmunización y acceso a agua potable. Representa diferencias en salud materno-infantil y cobertura preventiva que no se captan en componentes más generales.

Con k = 3, se identifican tres grupos que capturan la estructura subyacente de los datos sin sobresegmentar. Los clusters son fácilmente interpretables en términos de desarrollo humano, gobernanza y acceso a servicios básicos, lo que refuerza su validez sustantiva.

Con k = 3 se indica que tres grupos capturan la estructura subyacente de los datos sin sobresegmentar

## character(0)

Antes de aplicar la clusterización, se evaluó el número óptimo de grupos mediante criterios visuales y sustantivos. Tras analizar los mapas generados con distintos valores de k, se determinó que k = 3 ofrece la mejor combinación de coherencia geográfica, estabilidad temática y equilibrio en la distribución de países entre los grupos.

A continuación, se aplicó el método de Ward sobre los scores de los primeros cinco componentes principales del ACP (que explican el 81.9 % de la varianza total). Este enfoque garantiza que la agrupación se base en dimensiones latentes robustas y no en variables originales redundantes o con escalas diferentes.