Problema
Analisis Descriptivo
Column {data-width=100}
Co2
| CO2 per cápita | |
| Medida | Valor |
|---|---|
| Media | 5.182 |
| Desv. Est. | 6.125 |
| Mínimo | 0.115 |
| Máximo | 44.680 |
WGI_GE
| WGI_GE | |
| Medida | Valor |
|---|---|
| Media | 0.080 |
| Desv. Est. | 0.967 |
| Mínimo | −2.228 |
| Máximo | 2.144 |
WGI_CC
| WGI_CC | |
| Medida | Valor |
|---|---|
| Media | −0.014 |
| Desv. Est. | 1.023 |
| Mínimo | −1.776 |
| Máximo | 2.403 |
Energy_pc
| Uso de energía per cápita | |
| Medida | Valor |
|---|---|
| Media | 7.279 |
| Desv. Est. | 1.005 |
| Mínimo | 5.088 |
| Máximo | 9.722 |
PBI_pc
| PBI per cápita | |
| Medida | Valor |
|---|---|
| Media | 8.928 |
| Desv. Est. | 1.375 |
| Mínimo | 6.083 |
| Máximo | 11.585 |
Urban
| % población urbana | |
| Medida | Valor |
|---|---|
| Media | 64.898 |
| Desv. Est. | 21.280 |
| Mínimo | 16.894 |
| Máximo | 100.000 |
Analisis Bivariado
Column {data-width=100}
WGI_GE
| Correlación entre CO2 per cápita y Gobierno Efectivo | ||
| variable_dependiente | variable_independiente | correlacion_pearson |
|---|---|---|
| co2_pc | wgi_ge | 0.587 |
WGI_CC
| Correlación entre CO2 per cápita y Control de la Corrupción | ||
| variable_dependiente | variable_independiente | correlacion_pearson |
|---|---|---|
| co2_pc | wgi_cc | 0.512 |
Energía
| Correlación entre CO2 per cápita y uso de energía per cápita | ||
| variable_dependiente | variable_independiente | correlacion_pearson |
|---|---|---|
| co2_pc | energy_pc | 0.937 |
Población
| Correlación entre CO2 per cápita y Población urbana | ||
| variable_dependiente | variable_independiente | correlacion_pearson |
|---|---|---|
| co2_pc | urban_pop | 0.707 |
PBI
| Correlación: COF vs PBI per cápita | ||
| variable_dependiente | variable_independiente | correlacion_pearson |
|---|---|---|
| CO2 per cápita | PBI per cápita | 0.850 |
Regresión
Column
Regresión Gauss
| Modelo de regresión para CO₂ per cápita | |
| Variable dependiente: log(CO₂ per cápita) | |
| (1) | |
|---|---|
| Intercepto | -18.412*** |
| (1.011) | |
| Control de Corrupción | -0.396*** |
| (0.097) | |
| Efectividad del Gobierno | 0.145 |
| (0.113) | |
| PBI per cápita (log) | 2.537*** |
| (0.674) | |
| % Población Urbana | 0.003 |
| (0.003) | |
| Energía per cápita (log) | 6.919*** |
| (0.520) | |
| Num.Obs. | 136 |
| R2 | 0.906 |
| R2 Adj. | 0.903 |
| AIC | 144.3 |
| BIC | 164.7 |
| Log.Lik. | -65.157 |
| F | 251.884 |
| RMSE | 0.39 |
| Errores estándar entre paréntesis. * p<0.10, ** p<0.05, *** p<0.01 | |
Column {data-width=500}
Prueba Anova
| Comparación de Modelos mediante ANOVA | |||||||
| Contraste secuencial entre modelos lineales anidados | |||||||
| Modelo | Res.Df | RSS | Grados de Libertad | Suma de Cuadrados | F | p-valor | Media de Cuadrados |
|---|---|---|---|---|---|---|---|
| Modelo 1 | 133.0000 | 143.0974 | NA | NA | NA | NA | NA |
| Modelo 2 | 132.0000 | 49.7873 | 1.0000 | 93.3102 | 584.3441 | 0.0000 | 93.3102 |
| Modelo 3 | 131.0000 | 49.0642 | 1.0000 | 0.7231 | 4.5284 | 0.0352 | 0.7231 |
| Modelo 4 | 130.0000 | 20.7589 | 1.0000 | 28.3053 | 177.2586 | 0.0000 | 28.3053 |
| Modelo 5 | 132.0000 | 21.1543 | −2.0000 | −0.3955 | 1.2383 | 0.2933 | 0.1977 |
| Prueba ANOVA para evaluar mejoras entre modelos con diferente complejidad. | |||||||
Linealidad
Homocedasticidad
| BP | df | p_value | |
|---|---|---|---|
| BP | 15.56164 | 5 | 0.0082137 |
Normalidad de residuos
| W | p_value | |
|---|---|---|
| W | 0.9651998 | 0.0015115 |
| W | p_value | |
|---|---|---|
| W | 0.9651998 | 0.0015115 |
Multicolinealidad
| VIF | |
|---|---|
| wgi_cc | 8.314625 |
| wgi_ge | 10.097457 |
| PBI_pc | 9.483310 |
| urban_pop | 2.689814 |
| energy_pc | 4.407261 |
Valores influyentes
| cook.d | hat |
|---|---|
| NA | NA |
| :—— | :— |
Factorial
Column
Column {data-width=500}
Correlación
Test KMO
| KMO por Variable | |
| Adecuación individual de cada indicador | |
| Variable | KMO |
|---|---|
| co2_pc | 0.769 |
| PBI_pc | 0.893 |
| energy_pc | 0.820 |
| urban_pop | 0.886 |
| wgi_cc | 0.738 |
| wgi_ge | 0.760 |
Test Barlett
| Indicador | Valor |
|---|---|
| Prueba | Esfericidad de Bartlett |
| Chi-cuadrado | 1057.145 |
| Grados de libertad | 15 |
| p-valor | <0.001 |
| Matriz adecuada para AF | Sí |
| Matriz no es singular | Sí |
Resultados EFA
Análisis del modelo factorial
| Resultados del Modelo Factorial | |
| Comunalidades, Complejidad e Índices Globales | |
| Indicador | Valor |
|---|---|
| urban_pop | 0.5771 |
| wgi_ge | 0.9034 |
| energy_pc | 0.9048 |
| PBI_pc | 0.9369 |
| co2_pc | 0.9436 |
| wgi_cc | 0.9736 |
| co2_pc | 1.1396 |
| wgi_cc | 1.2017 |
| energy_pc | 1.3304 |
| wgi_ge | 1.3720 |
| urban_pop | 1.4992 |
| PBI_pc | 1.8754 |
| TLI | 0.8673 |
| RMS | 0.0183 |
| RMSEA | 0.2589 |
| RMSEA (Lower) | 0.1909 |
| RMSEA (Upper) | 0.3354 |
| BIC | 20.8389 |
MR1 MR2
[1,] 0.5124324 -1.0606903
[2,] -0.9974154 -0.6804658
[3,] 0.6083831 1.2840723
[4,] 0.9817382 -1.0706229
[5,] -2.0900186 0.3289489
[6,] -0.6918164 -0.8629809Cluster
Column
Column
| Resumen de clusters (k = 3) | |||
| Promedio de factores e inscripción de países por grupo | |||
| Cluster | Número de países | Factor institucional (prom.) | Factor energía y desarrollo (prom.) |
|---|---|---|---|
| Cluster 1 | 45 | −1.107 | −0.338 |
| Cluster 2 | 50 | 0.662 | −0.683 |
| Cluster 3 | 41 | 0.408 | 1.204 |