1 Objetivo

La actividad pide una visualización sencilla de los datos de la Actividad 05 con la librería shiny. Escogimos la opción 1: un menú desplegable con las 4 variables del Equipo 4 y dos mapas de la república, uno con el valor de la variable en cada estado y otro con su valor rezagado espacialmente.

Con el PDF de instrucciones actualizado el 11 de noviembre, las variables del Equipo 4 son crime_rate, unemployment, real_ave_month_income y business_activity.

Además de los dos mapas, la app tiene el histograma general de la variable con un deslizador para el número de barras, igual que el ejemplo shiny3.R de clase, el diagrama de dispersión de Moran y el mapa de clústeres LISA que se vio en mx_esda.R.

La app está en la carpeta Actividad06_M1_Equipo4, que viene en el archivo Actividad06_M1_Equipo4.zip con los datos y el shapefile completo. Para correrla se abre esa carpeta como directorio de trabajo y se ejecuta shiny::runApp(), o se abre Actividad06_M1_Equipo4.R en RStudio y se da clic en Run App. Como una app de Shiny no se puede ejecutar dentro de un HTML kniteado, en este documento corremos los mismos cálculos de la app y mostramos los mapas fijos, un mapa interactivo y capturas de la app funcionando.

2 Librerías

library(shiny)
library(bslib)
library(dplyr)
library(tidyr)
library(ggplot2)
library(ggrepel)
library(sf)
library(spdep)
library(rgeoda)
library(tigris)
library(leaflet)
library(knitr)
library(patchwork)

3 Carga de datos

Usamos los mismos archivos que la app, que están dentro de su carpeta.

carpeta_app <- "Actividad06_M1_Equipo4"
mx_state <- read.csv(file.path(carpeta_app, "state_data.csv"))
mx_state_map <- st_read(file.path(carpeta_app, "mexlatlong.shp"), quiet = TRUE)
state_geodata <- geo_join(mx_state_map, mx_state, 'OBJECTID', 'state_id', how = 'inner')
state_geodata$state <- trimws(state_geodata$state)
# La base trae los nombres sin acentos; para mostrarlos se corrigen
acentos_estados <- c("Yucatan" = "Yucatán", "Ciudad de Mexico" = "Ciudad de México", "Mexico" = "Estado de México",
                     "Nuevo Leon" = "Nuevo León", "Queretaro" = "Querétaro", "San Luis Potosi" = "San Luis Potosí",
                     "Michoacan" = "Michoacán")
state_geodata$state <- ifelse(state_geodata$state %in% names(acentos_estados),
                              acentos_estados[state_geodata$state], state_geodata$state)
state_geodataSPDF <- as(state_geodata, "Spatial")
dim(state_geodata)
## [1] 32 36

4 Las 4 variables del Equipo 4

Variable Qué mide
crime_rate Tasa de delitos por cada 100 mil habitantes
unemployment Tasa de desempleo, como proporción
real_ave_month_income Ingreso mensual promedio real, en pesos
business_activity Índice de actividad empresarial de la base

Las unidades de crime_rate y del ingreso salen de los títulos que usa el profesor en mx_esda.R. La base no explica cómo se construye business_activity, así que lo leemos solo como un índice donde más alto es más actividad.

variables <- c("crime_rate", "unemployment", "real_ave_month_income", "business_activity")
nombres <- c(crime_rate = "Tasa de delitos", unemployment = "Tasa de desempleo",
             real_ave_month_income = "Ingreso mensual promedio", business_activity = "Actividad empresarial")
colores <- c(crime_rate = "#EA580C", unemployment = "#7C3AED",
             real_ave_month_income = "#059669", business_activity = "#0284C7")
paletas <- c(crime_rate = "OrRd", unemployment = "Purples",
             real_ave_month_income = "BuGn", business_activity = "Blues")
datos <- st_drop_geometry(state_geodata)
resumen <- do.call(rbind, lapply(variables, function(v) {
  x <- datos[[v]]
  data.frame(variable = v, minimo = min(x), estado_min = paste(datos$state[x == min(x)], collapse = " y "),
             media = round(mean(x), 3), mediana = median(x), maximo = max(x),
             estado_max = paste(datos$state[x == max(x)], collapse = " y "),
             desv_est = round(sd(x), 3), valores_distintos = length(unique(x)))
}))
kable(resumen)
variable minimo estado_min media mediana maximo estado_max desv_est valores_distintos
crime_rate 2.33 Yucatán 30.135 18.210 108.26 Zacatecas 27.843 32
unemployment 0.01 Guerrero y Baja California 0.038 0.040 0.06 Ciudad de México 0.012 6
real_ave_month_income 3660.61 Oaxaca 5442.260 5510.155 8660.90 Baja California Sur 1123.533 32
business_activity -2.57 Quintana Roo -1.796 -2.060 2.47 Baja California 0.890 26

4.1 Histograma general

Antes de pasar a los mapas vemos cómo se distribuye cada variable en los 32 estados. Es el mismo histograma que muestra la app en la pestaña «Histograma general», con la media en línea continua y la mediana en línea punteada.

histograma <- function(v, barras = 8) {
  x <- datos[[v]]
  ggplot(data.frame(x = x), aes(x)) +
    geom_histogram(breaks = seq(min(x), max(x), length.out = barras + 1),
                   fill = colores[[v]], color = "white") +
    geom_vline(xintercept = mean(x), linewidth = 0.8) +
    geom_vline(xintercept = median(x), linewidth = 0.8, linetype = "dashed") +
    labs(title = nombres[[v]], x = v, y = "Estados") +
    theme_minimal(base_size = 12) + theme(panel.grid.minor = element_blank())
}
wrap_plots(lapply(variables, histograma), ncol = 2)

Lo que se ve en los histogramas:

  • crime_rate está cargada a la izquierda: la mitad de los estados tiene menos de 18.21 delitos y la media sube a 30.1 por unos pocos estados muy altos, como Zacatecas con 108.26 y Baja California con 84.67.
  • unemployment solo tiene 6 valores distintos porque viene redondeada a dos decimales, de 0.01 a 0.06. Por eso sus barras se ven separadas y sus quintiles se enciman en los mapas.
  • real_ave_month_income es la más pareja, con media de 5,442 y mediana de 5,510 pesos, y una cola a la derecha con Baja California Sur en 8,660.9.
  • business_activity tiene casi todos los estados entre -2.57 y -0.78, y Baja California se va hasta 2.47, muy lejos del resto. Ese caso atípico pesa mucho en la media, que queda en -1.8.

5 Matriz de conectividad y rezago espacial

Igual que en el código DatosEspaciales y en mx_esda.R de clase, armamos una matriz de contigüidad tipo reina con poly2nb() y la estandarizamos por renglón con nb2listw(style = "W"). El valor rezagado de un estado es el promedio de la variable en sus estados vecinos, y se calcula con lag.listw().

swm <- poly2nb(state_geodata, queen = TRUE)
summary(swm)
## Neighbour list object:
## Number of regions: 32 
## Number of nonzero links: 138 
## Percentage nonzero weights: 13.47656 
## Average number of links: 4.3125 
## Link number distribution:
## 
## 1 2 3 4 5 6 7 8 9 
## 1 6 6 6 5 2 3 2 1 
## 1 least connected region:
## 31 with 1 link
## 1 most connected region:
## 8 with 9 links
sswm <- nb2listw(swm, style = "W", zero.policy = TRUE)
for (v in variables) {
  state_geodata[[paste0("sp_lag_", v)]] <- lag.listw(sswm, state_geodata[[v]], zero.policy = TRUE)
}
state_geodata %>% st_drop_geometry() %>%
  select(state, real_ave_month_income, sp_lag_real_ave_month_income) %>%
  head()
##        state real_ave_month_income sp_lag_real_ave_month_income
## 1  Chihuahua               5708.75                     5851.062
## 2   Coahuila               6480.66                     5744.176
## 3 Nuevo León               7319.91                     5729.833
## 4 Tamaulipas               5716.06                     5846.827
## 5    Sinaloa               5932.90                     5526.848
## 6    Durango               4969.61                     5692.196
nl <- which(state_geodata$state == "Nuevo León")
vecinos_nl <- state_geodata$state[swm[[nl]]]
data.frame(estado = vecinos_nl, ingreso = state_geodata$real_ave_month_income[swm[[nl]]])
##            estado ingreso
## 1        Coahuila 6480.66
## 2      Tamaulipas 5716.06
## 3       Zacatecas 4930.72
## 4 San Luis Potosí 5791.89

Cada estado tiene en promedio 4.31 vecinos. Baja California Sur es el que tiene menos, 1, y el que tiene más es San Luis Potosí, con 9. Por ejemplo, Nuevo León tiene un ingreso de 7,319.91 pesos y el promedio de sus 4 vecinos es 5,729.83, que es su valor rezagado.

6 Índice global de Moran

La app muestra el índice global de Moran de la variable elegida, para saber si los valores parecidos se juntan en el mapa.

moran_tabla <- do.call(rbind, lapply(variables, function(v) {
  mt <- moran.test(state_geodata[[v]], sswm, zero.policy = TRUE)
  data.frame(variable = v, I_de_Moran = round(unname(mt$estimate[1]), 4),
             valor_p = signif(mt$p.value, 4))
}))
kable(moran_tabla)
variable I_de_Moran valor_p
crime_rate 0.0166 0.343900
unemployment 0.0216 0.330500
real_ave_month_income 0.4972 0.000006
business_activity 0.1842 0.004629
pf <- function(p) if (p < 0.0001) "menor a 0.0001" else paste("de", formatC(p, format = "f", digits = 4))

Dos de las 4 variables tienen autocorrelación espacial significativa al 5%. El ingreso mensual promedio tiene un I de 0.4972 con valor p menor a 0.0001, que es el mismo 0.50 que sale en mx_esda.R de clase, y la actividad empresarial tiene 0.1842 con valor p de 0.004629. La tasa de delitos, con 0.0166, y el desempleo, con 0.0216, quedan muy cerca del valor esperado sin patrón, que es -1/31 = -0.032, así que dependen más de cada estado que de su región. El I de 0.02 de la tasa de delitos también coincide con el que se vio en clase.

6.1 Moran con otra definición de vecinos

La app usa vecinos tipo reina porque así se hizo en clase, pero el índice de Moran depende de cómo se definen los vecinos. Para ver si la conclusión cambia, lo calculamos también con vecinos tipo torre, que solo cuenta fronteras compartidas y no puntos, y con los 4 vecinos más cercanos entre centroides, como en la Actividad 05.

swm_torre <- poly2nb(state_geodata, queen = FALSE)
coords_c <- st_centroid(st_geometry(state_geodata), of_largest_polygon = TRUE)
swm_knn <- knn2nb(knearneigh(coords_c, k = 4))
pesos <- list(reina = sswm,
              torre = nb2listw(swm_torre, style = "W", zero.policy = TRUE),
              knn4 = nb2listw(swm_knn, style = "W"))
moran_alt <- do.call(rbind, lapply(variables, function(v) {
  do.call(cbind, lapply(names(pesos), function(nm) {
    mt <- moran.test(state_geodata[[v]], pesos[[nm]], zero.policy = TRUE)
    setNames(data.frame(round(unname(mt$estimate[1]), 4), signif(mt$p.value, 4)),
             paste0(c("I_", "p_"), nm))
  })) %>% mutate(variable = v, .before = 1)
}))
kable(moran_alt)
variable I_reina p_reina I_torre p_torre I_knn4 p_knn4
crime_rate 0.0166 0.343900 -0.0237 0.4726000 -0.0249 0.4721000
unemployment 0.0216 0.330500 0.0212 0.3353000 -0.0440 0.5443000
real_ave_month_income 0.4972 0.000006 0.5055 0.0000068 0.4643 0.0000009
business_activity 0.1842 0.004629 0.1896 0.0044850 0.1891 0.0009842

Con torre los resultados quedan casi iguales a los de reina, porque solo cambian 4 pares de estados que se tocan en un punto. Con los 4 vecinos más cercanos el ingreso queda en un I de 0.4643 y la actividad empresarial en 0.1891, con valores p menor a 0.0001 y de 0.0010, y los delitos y el desempleo pasan a valores negativos muy cerca de 0. Con las tres definiciones las dos variables significativas siguen siendo las mismas, así que la conclusión no depende de esa elección. Dejamos reina porque usa las fronteras reales de los estados y es la que se vio en clase, mientras que los 4 vecinos más cercanos obligan a Baja California Sur a tener 4 vecinos aunque solo colinda con Baja California.

7 Clústeres LISA

El índice global dice si hay patrón en todo el mapa, y el índice local de Moran, LISA, dice en qué estados está. Lo calculamos con rgeoda, igual que en mx_esda.R: pesos tipo reina, 999 permutaciones y significancia de 5%. Un estado es Alto-Alto si tiene un valor alto y sus vecinos también, Bajo-Bajo si los dos son bajos, y Alto-Bajo o Bajo-Alto si se separa de sus vecinos.

pesos_geoda <- queen_weights(state_geodata)
etiquetas_lisa <- c("Not significant" = "No significativo", "High-High" = "Alto-Alto",
                    "Low-Low" = "Bajo-Bajo", "Low-High" = "Bajo-Alto", "High-Low" = "Alto-Bajo",
                    "Undefined" = "Sin definir", "Isolated" = "Aislado")
colores_lisa <- c("Alto-Alto" = "#E11D48", "Bajo-Bajo" = "#2563EB", "Alto-Bajo" = "#FDA4AF",
                  "Bajo-Alto" = "#93C5FD", "No significativo" = "#E5E7EB")
for (v in variables) {
  lisa <- local_moran(pesos_geoda, datos[v])
  clase <- etiquetas_lisa[lisa$GetLabels()[lisa$GetClusterIndicators() + 1]]
  state_geodata[[paste0("lisa_", v)]] <- factor(clase, levels = names(colores_lisa))
}
lisa_tabla <- do.call(rbind, lapply(variables, function(v) {
  cl <- state_geodata[[paste0("lisa_", v)]]
  sig <- cl != "No significativo"
  data.frame(variable = v, estados_significativos = sum(sig),
             detalle = if (any(sig)) paste0(state_geodata$state[sig], " (", cl[sig], ")", collapse = ", ") else "Ninguno")
}))
kable(lisa_tabla)
variable estados_significativos detalle
crime_rate 6 Jalisco (Bajo-Alto), Aguascalientes (Bajo-Alto), Veracruz (Bajo-Bajo), Quintana Roo (Alto-Bajo), Sonora (Alto-Alto), Baja California Sur (Bajo-Alto)
unemployment 2 Quintana Roo (Alto-Bajo), Hidalgo (Alto-Alto)
real_ave_month_income 9 Puebla (Bajo-Bajo), Estado de México (Bajo-Bajo), Tlaxcala (Bajo-Bajo), Morelos (Bajo-Bajo), Guerrero (Bajo-Bajo), Chiapas (Alto-Bajo), Sonora (Alto-Alto), Baja California (Alto-Alto), Baja California Sur (Alto-Alto)
business_activity 6 Yucatán (Bajo-Bajo), Quintana Roo (Bajo-Bajo), Campeche (Bajo-Bajo), Tabasco (Bajo-Bajo), Sonora (Alto-Alto), Baja California Sur (Bajo-Alto)
mapa_lisa <- function(v) {
  ggplot(state_geodata) +
    geom_sf(aes(fill = .data[[paste0("lisa_", v)]]), color = "white", linewidth = 0.2) +
    scale_fill_manual(values = colores_lisa, drop = FALSE, name = NULL) +
    labs(title = nombres[[v]]) + theme_void() + theme(legend.position = "bottom")
}
(mapa_lisa("real_ave_month_income") | mapa_lisa("business_activity")) +
  plot_layout(guides = "collect") & theme(legend.position = "bottom")

En el ingreso los clústeres siguen la misma división que muestra el índice global, con Baja California, Baja California Sur y Sonora como Alto-Alto en el noroeste, y Puebla, Estado de México, Tlaxcala, Morelos y Guerrero como Bajo-Bajo en el centro y sur. Chiapas sale Alto-Bajo porque su ingreso es alto y el de sus vecinos no. En la actividad empresarial se forma un bloque Bajo-Bajo en el sureste, con Yucatán, Quintana Roo, Campeche y Tabasco, y Sonora queda como Alto-Alto junto a Baja California. Baja California Sur sale Bajo-Alto porque su único vecino es Baja California.

En las dos variables sin autocorrelación global también aparecen estados significativos, 6 en delitos y 2 en desempleo, pero casi todos son Bajo-Alto o Alto-Bajo, o sea estados que se separan de sus vecinos, y no forman una región como en el ingreso. Con 999 permutaciones y 5% de significancia algunos de estos casos pueden salir por azar, así que no los tomamos como patrón.

8 Mapas de valor y de rezago espacial

Estos son los mismos 8 mapas que muestra la app al cambiar la variable en el menú, aquí con cuantiles de 5 grupos. Cada variable conserva su color en la app, en este documento y en la presentación.

mapa_cuantiles <- function(columna, titulo, paleta) {
  cortes <- unique(quantile(state_geodata[[columna]], probs = seq(0, 1, 0.2)))
  state_geodata %>%
    mutate(grupo = cut(.data[[columna]], breaks = cortes, include.lowest = TRUE, dig.lab = 6)) %>%
    ggplot() +
    geom_sf(aes(fill = grupo), color = "white", linewidth = 0.2) +
    scale_fill_brewer(palette = paleta) +
    labs(title = titulo, fill = "") +
    theme_void() + theme(legend.position = "right", legend.text = element_text(size = 7))
}
graficas <- lapply(variables, function(v) {
  mapa_cuantiles(v, v, paletas[[v]]) | mapa_cuantiles(paste0("sp_lag_", v), paste("Rezago de", v), paletas[[v]])
})
wrap_plots(graficas, ncol = 1)

Lo que se ve en los mapas:

  • real_ave_month_income: los ingresos más altos están en el norte, con Baja California Sur, Baja California y Nuevo León arriba de 7,000 pesos, y los más bajos en el centro y sur, con Oaxaca en 3,660.61. En el rezago se ve la misma división en bloques, por eso su I de Moran es el más alto.
  • business_activity: Baja California sale muy arriba del resto y en el rezago su vecino Baja California Sur queda en el grupo más alto aunque su propio valor es bajo. El norte, con Nuevo León, Sonora, Tamaulipas y Chihuahua, también tiene más actividad que el sur.
  • crime_rate: los estados con más delitos están repartidos, Zacatecas en el centro norte, Baja California y Sonora en el noroeste y Colima en el Pacífico, y en el rezago no aparece una región clara.
  • unemployment: la Ciudad de México tiene la tasa más alta, 0.06, pero sus vecinos no, y por eso el rezago no forma una región.

9 Código de la app

Este es el código completo de Actividad06_M1_Equipo4.R. El archivo app.R de la carpeta solo llama a este archivo con shinyAppFile() para que funcione shiny::runApp().

#########################################################################
# Actividad 06, Módulo 1. Shiny App
# AD3003B Planeación estratégica basada en analítica prescriptiva, Gpo 501
# Equipo 4: Rafael Navarro Garza A01722764, Manuel Ramírez Meza A00572851,
#           Óscar Daniel Retes Torres A01383653,
#           Dereck Iker Villafaña Romero A00573756
#
# Opción 1 de la actividad: un menú desplegable con las 4 variables del
# Equipo 4 (crime_rate, unemployment, real_ave_month_income y
# business_activity) y dos mapas de la república, uno con el valor de la
# variable por estado y otro con su valor rezagado espacialmente.
# Abajo de los mapas agregamos el histograma general de la variable, como
# en el ejemplo shiny3.R de clase, el diagrama de dispersión de Moran y el
# mapa de clústeres LISA, como en mx_esda.R.
#
# Cómo correrla: abrir esta carpeta como directorio de trabajo y ejecutar
#   shiny::runApp()
# o abrir este archivo en RStudio y dar clic en "Run App".
# La carpeta debe tener state_data.csv y los archivos mexlatlong.*
#########################################################################

library(shiny)
library(bslib)
library(dplyr)
library(ggplot2)
library(ggrepel)
library(sf)
library(spdep)   # ojo: spdep tiene su propia función card(), por eso usamos bslib::card()
library(rgeoda)
library(tigris)
library(leaflet)

# ----------------------------------------------------------------------
# Carga de datos, igual que en las instrucciones de la actividad
# ----------------------------------------------------------------------
mx_state <- read.csv("state_data.csv")
mx_state_map <- st_read("mexlatlong.shp", quiet = TRUE)

state_geodata <- suppressWarnings(
  geo_join(mx_state_map, mx_state, 'OBJECTID', 'state_id', how = 'inner')
)
state_geodata$state <- trimws(state_geodata$state)
# La base trae los nombres sin acentos; para mostrarlos se corrigen
acentos_estados <- c("Yucatan" = "Yucatán", "Ciudad de Mexico" = "Ciudad de México", "Mexico" = "Estado de México",
                     "Nuevo Leon" = "Nuevo León", "Queretaro" = "Querétaro", "San Luis Potosi" = "San Luis Potosí",
                     "Michoacan" = "Michoacán")
state_geodata$state <- ifelse(state_geodata$state %in% names(acentos_estados),
                              acentos_estados[state_geodata$state], state_geodata$state)

# ----------------------------------------------------------------------
# Variables del Equipo 4. Cada variable tiene su color y lo conserva en
# los mapas, el histograma, la dispersión y la presentación
# ----------------------------------------------------------------------
variables <- c(
  "Tasa de delitos (crime_rate)" = "crime_rate",
  "Tasa de desempleo (unemployment)" = "unemployment",
  "Ingreso mensual promedio real (real_ave_month_income)" = "real_ave_month_income",
  "Actividad empresarial (business_activity)" = "business_activity"
)
nombres_cortos <- c(crime_rate = "Tasa de delitos",
                    unemployment = "Tasa de desempleo",
                    real_ave_month_income = "Ingreso mensual promedio",
                    business_activity = "Actividad empresarial")
unidades <- c(crime_rate = "delitos por cada 100 mil hab.",
              unemployment = "como proporción",
              real_ave_month_income = "pesos al mes",
              business_activity = "índice de la base, sin unidad")
paletas <- c(crime_rate = "OrRd", unemployment = "Purples",
             real_ave_month_income = "BuGn", business_activity = "Blues")
acentos <- c(crime_rate = "#EA580C", unemployment = "#7C3AED",
             real_ave_month_income = "#059669", business_activity = "#0284C7")
decimales <- c(crime_rate = 1, unemployment = 3, real_ave_month_income = 0, business_activity = 2)
formato <- function(x, v) formatC(x, format = "f", digits = decimales[[v]], big.mark = ",")

# ----------------------------------------------------------------------
# Matriz de conectividad espacial tipo reina, estandarizada por renglón,
# igual que en el código DatosEspaciales y mx_esda.R de clase
# ----------------------------------------------------------------------
swm <- poly2nb(state_geodata, queen = TRUE)
sswm <- nb2listw(swm, style = "W", zero.policy = TRUE)

for (v in variables) {
  state_geodata[[paste0("sp_lag_", v)]] <- lag.listw(sswm, state_geodata[[v]], zero.policy = TRUE)
}

# Índice global de Moran de cada variable, se calcula una sola vez
moran_tabla <- do.call(rbind, lapply(variables, function(v) {
  mt <- moran.test(state_geodata[[v]], sswm, zero.policy = TRUE)
  data.frame(variable = v, I = unname(mt$estimate[1]), p = mt$p.value)
}))

# Clústeres LISA con rgeoda, como en mx_esda.R: pesos reina, 999 permutaciones
# y significancia de 5%
pesos_geoda <- queen_weights(state_geodata)
etiquetas_lisa <- c("Not significant" = "No significativo", "High-High" = "Alto-Alto",
                    "Low-Low" = "Bajo-Bajo", "Low-High" = "Bajo-Alto", "High-Low" = "Alto-Bajo",
                    "Undefined" = "Sin definir", "Isolated" = "Aislado")
colores_lisa <- c("Alto-Alto" = "#E11D48", "Bajo-Bajo" = "#2563EB", "Alto-Bajo" = "#FDA4AF",
                  "Bajo-Alto" = "#93C5FD", "No significativo" = "#E5E7EB")
for (v in variables) {
  lisa <- local_moran(pesos_geoda, st_drop_geometry(state_geodata)[v])
  clase <- etiquetas_lisa[lisa$GetLabels()[lisa$GetClusterIndicators() + 1]]
  state_geodata[[paste0("lisa_", v)]] <- factor(clase, levels = names(colores_lisa))
}

# El mapa se pasa a coordenadas WGS 84 para leaflet
mapa_wgs <- st_transform(state_geodata, 4326)

# ----------------------------------------------------------------------
# Diseño: fondo blanco, texto gris muy oscuro y un acento índigo
# ----------------------------------------------------------------------
tema <- bs_theme(
  version = 5, bg = "#FFFFFF", fg = "#0F172A", primary = "#4F46E5", secondary = "#64748B",
  base_font = font_collection("Segoe UI", "system-ui", "-apple-system", "Helvetica Neue", "Arial"),
  heading_font = font_collection("Segoe UI Semibold", "Segoe UI", "system-ui", "-apple-system", "Arial"),
  "border-radius" = "14px", "card-border-color" = "#E5E7EB", "card-cap-bg" = "#FFFFFF"
)
estilos <- tags$style(HTML("
  body { background: #F8FAFC; }
  .navbar, .bslib-page-title { background: #FFFFFF !important; border-bottom: 1px solid #E5E7EB; }
  .bslib-page-title { font-size: 1.15rem; font-weight: 600; letter-spacing: -0.01em; }
  .bslib-sidebar-layout > .sidebar { background: #FFFFFF; border-right: 1px solid #E5E7EB; }
  .card { box-shadow: 0 1px 2px rgba(15, 23, 42, 0.04); }
  .card-header { font-weight: 600; font-size: 0.95rem; color: #0F172A; border-bottom: 1px solid #F1F5F9; }
  .leaflet-container { background: #FFFFFF; }
  .bslib-value-box .value-box-title { font-size: 0.8rem; color: #64748B; text-transform: none; }
  .bslib-value-box .value-box-value { font-size: 1.7rem; font-weight: 700; letter-spacing: -0.02em; }
  .bslib-value-box p { font-size: 0.85rem; color: #475569; margin-bottom: 0; }
  .caja-moran .value-box-title, .caja-moran p { color: rgba(255,255,255,0.85) !important; }
  .chip { display: inline-block; width: 10px; height: 10px; border-radius: 50%; margin-right: 8px; }
  .nota { font-size: 0.85rem; color: #475569; }
  .form-label, .control-label { font-weight: 600; font-size: 0.85rem; color: #334155; }
"))

# ----------------------------------------------------------------------
# Interfaz
# ----------------------------------------------------------------------
ui <- page_sidebar(
  title = "Estados de México: valor por estado y valor rezagado espacialmente",
  theme = tema,
  estilos,
  sidebar = sidebar(
    width = 340,
    selectInput("variable", "Variable", choices = variables, selected = "real_ave_month_income"),
    uiOutput("descripcion"),
    radioButtons("estilo", "Clasificación de colores en los mapas",
                 choices = c("Cuantiles, 5 grupos" = "quantile", "Escala continua" = "continua"),
                 selected = "quantile"),
    sliderInput("bins", "Barras del histograma", min = 3, max = 20, value = 8, step = 1),
    hr(),
    p(class = "nota", "El mapa de la derecha colorea cada estado con el promedio de la variable en sus estados vecinos, con una matriz de contigüidad tipo reina estandarizada por renglón."),
    p(class = "nota", "Pasa el cursor sobre un estado para ver su valor y el de sus vecinos."),
    hr(),
    p(tags$small(class = "text-muted", "Equipo 4. AD3003B, Grupo 501. Datos: state_data.csv y mexlatlong.shp"))
  ),
  layout_columns(
    fill = FALSE, col_widths = c(4, 4, 4),
    div(class = "caja-moran",
        value_box(title = "Índice global de Moran", value = textOutput("moran_i"),
                  p(textOutput("moran_p")), theme = value_box_theme(bg = "#4F46E5", fg = "#FFFFFF"))),
    value_box(title = "Estado con el valor más alto", value = textOutput("max_estado"),
              p(textOutput("max_valor")), theme = value_box_theme(bg = "#FFFFFF", fg = "#0F172A")),
    value_box(title = "Estado con el valor más bajo", value = textOutput("min_estado"),
              p(textOutput("min_valor")), theme = value_box_theme(bg = "#FFFFFF", fg = "#0F172A"))
  ),
  layout_columns(
    col_widths = c(6, 6),
    bslib::card(full_screen = TRUE,
                card_header(textOutput("titulo_valor")),
                leafletOutput("mapa_valor", height = 430)),
    bslib::card(full_screen = TRUE,
                card_header(textOutput("titulo_lag")),
                leafletOutput("mapa_lag", height = 430))
  ),
  navset_card_underline(
    id = "pestana", full_screen = TRUE,
    nav_panel("Histograma general", value = "hist", plotOutput("histograma", height = 340)),
    nav_panel("Dispersión de Moran", value = "moran", plotOutput("dispersion", height = 340)),
    nav_panel("Clústeres LISA", value = "lisa", leafletOutput("mapa_lisa", height = 340))
  )
)

# ----------------------------------------------------------------------
# Servidor
# ----------------------------------------------------------------------
server <- function(input, output, session) {

  # Permite abrir la app con una variable y una pestaña ya elegidas,
  # por ejemplo ?var=crime_rate&tab=moran
  observe({
    consulta <- parseQueryString(session$clientData$url_search)
    if (!is.null(consulta$var) && consulta$var %in% variables) {
      updateSelectInput(session, "variable", selected = consulta$var)
    }
    if (!is.null(consulta$tab) && consulta$tab %in% c("hist", "moran", "lisa")) {
      nav_select("pestana", consulta$tab)
    }
  })

  var_actual <- reactive(input$variable)
  lag_actual <- reactive(paste0("sp_lag_", input$variable))

  output$descripcion <- renderUI({
    v <- var_actual()
    p(class = "nota", span(class = "chip", style = paste0("background:", acentos[[v]])),
      paste0(nombres_cortos[[v]], ", ", unidades[[v]], "."))
  })

  # Con cuantiles cada mapa usa los quintiles de su propia columna, como en los
  # mapas de tmap de clase; con la escala continua los dos mapas comparten rango
  paleta_colores <- function(columna) {
    v <- var_actual()
    if (input$estilo == "quantile") {
      # unemployment solo tiene 6 valores distintos y sus quintiles se enciman,
      # en ese caso se usan solo los cortes distintos
      cortes <- unique(quantile(mapa_wgs[[columna]], probs = seq(0, 1, 0.2)))
      colorBin(paletas[[v]], domain = mapa_wgs[[columna]], bins = cortes)
    } else {
      colorNumeric(paletas[[v]], domain = c(mapa_wgs[[v]], mapa_wgs[[lag_actual()]]))
    }
  }

  etiquetas_estado <- function() {
    v <- var_actual()
    sprintf("<b>%s</b><br/>%s: %s<br/>Promedio de sus vecinos: %s<br/>Clúster LISA: %s",
            mapa_wgs$state, nombres_cortos[[v]], formato(mapa_wgs[[v]], v),
            formato(mapa_wgs[[lag_actual()]], v), mapa_wgs[[paste0("lisa_", v)]]) %>%
      lapply(htmltools::HTML)
  }

  dibujar_mapa <- function(columna, etiqueta) {
    v <- var_actual()
    pal <- paleta_colores(columna)
    d <- decimales[[v]]
    leaflet(mapa_wgs, options = leafletOptions(zoomSnap = 0.25, attributionControl = FALSE)) %>%
      addPolygons(fillColor = ~ pal(mapa_wgs[[columna]]), fillOpacity = 0.92,
                  color = "white", weight = 1,
                  highlightOptions = highlightOptions(weight = 3, color = "#0F172A", bringToFront = TRUE),
                  label = etiquetas_estado()) %>%
      addLegend(pal = pal, values = mapa_wgs[[columna]], title = etiqueta,
                position = "bottomleft", opacity = 0.92,
                labFormat = if (input$estilo == "quantile") {
                  function(type, cuts, p = NULL) {
                    paste0(formatC(head(cuts, -1), format = "f", digits = d, big.mark = ","), " a ",
                           formatC(tail(cuts, -1), format = "f", digits = d, big.mark = ","))
                  }
                } else labelFormat(digits = d, big.mark = ",")) %>%
      fitBounds(-117.5, 14.5, -86.7, 32.7)
  }

  output$titulo_valor <- renderText(paste("Valor por estado:", nombres_cortos[[var_actual()]]))
  output$titulo_lag <- renderText(paste("Valor rezagado espacialmente:", nombres_cortos[[var_actual()]]))
  output$mapa_valor <- renderLeaflet(dibujar_mapa(var_actual(), "Valor"))
  output$mapa_lag <- renderLeaflet(dibujar_mapa(lag_actual(), "Rezago espacial"))

  # Histograma general de la variable en los 32 estados, como shiny3.R de clase
  tema_graficas <- theme_minimal(base_size = 14) +
    theme(panel.grid.minor = element_blank(), panel.grid.major = element_line(color = "#EEF2F6"),
          axis.text = element_text(color = "#64748B"), axis.title = element_text(color = "#334155"),
          plot.background = element_rect(fill = "white", color = NA), legend.position = "bottom")

  output$histograma <- renderPlot({
    req(session$clientData$output_histograma_width > 0)
    v <- var_actual(); x <- mapa_wgs[[v]]
    cortes <- seq(min(x), max(x), length.out = input$bins + 1)
    ggplot(data.frame(x = x), aes(x)) +
      geom_histogram(breaks = cortes, fill = acentos[[v]], color = "white", alpha = 0.9) +
      geom_vline(xintercept = mean(x), color = "#0F172A", linewidth = 0.9) +
      geom_vline(xintercept = median(x), color = "#0F172A", linewidth = 0.9, linetype = "dashed") +
      annotate("label", x = mean(x), y = Inf, vjust = 1.3, label = paste("Media", formato(mean(x), v)),
               size = 4, linewidth = 0, fill = "white", color = "#0F172A") +
      annotate("label", x = median(x), y = Inf, vjust = 2.7, label = paste("Mediana", formato(median(x), v)),
               size = 4, linewidth = 0, fill = "white", color = "#475569") +
      labs(x = paste0(nombres_cortos[[v]], " (", unidades[[v]], ")"), y = "Número de estados") +
      tema_graficas
  }, res = 100)

  # Diagrama de dispersión de Moran: valor estandarizado contra el promedio de
  # los vecinos; la pendiente de la recta es el I de Moran
  output$dispersion <- renderPlot({
    v <- var_actual()
    z <- as.numeric(scale(mapa_wgs[[v]]))
    datos <- data.frame(z = z, lag = lag.listw(sswm, z, zero.policy = TRUE),
                        estado = mapa_wgs$state, lisa = mapa_wgs[[paste0("lisa_", v)]])
    ggplot(datos, aes(z, lag)) +
      geom_hline(yintercept = 0, color = "#CBD5E1") + geom_vline(xintercept = 0, color = "#CBD5E1") +
      geom_smooth(method = "lm", se = FALSE, color = acentos[[v]], linewidth = 1.3, formula = y ~ x) +
      geom_point(aes(fill = lisa), shape = 21, size = 3.4, color = "#0F172A", stroke = 0.4) +
      geom_text_repel(data = subset(datos, lisa != "No significativo"), aes(label = estado),
                      size = 3.8, color = "#334155", min.segment.length = 0, box.padding = 0.5, seed = 4) +
      scale_y_continuous(expand = expansion(mult = 0.15)) +
      scale_fill_manual(values = colores_lisa, drop = FALSE, name = NULL) +
      labs(x = paste(nombres_cortos[[v]], "estandarizada"), y = "Promedio de los vecinos") +
      tema_graficas
  }, res = 100)

  output$mapa_lisa <- renderLeaflet({
    v <- var_actual()
    clase <- mapa_wgs[[paste0("lisa_", v)]]
    pal <- colorFactor(unname(colores_lisa), levels = names(colores_lisa))
    leaflet(mapa_wgs, options = leafletOptions(zoomSnap = 0.25, attributionControl = FALSE)) %>%
      addPolygons(fillColor = pal(clase), fillOpacity = 0.92, color = "white", weight = 1,
                  highlightOptions = highlightOptions(weight = 3, color = "#0F172A", bringToFront = TRUE),
                  label = etiquetas_estado()) %>%
      addLegend(colors = unname(colores_lisa), labels = names(colores_lisa), title = "Clúster LISA",
                position = "bottomleft", opacity = 0.92) %>%
      fitBounds(-117.5, 14.5, -86.7, 32.7)
  })

  output$moran_i <- renderText({
    formatC(moran_tabla$I[moran_tabla$variable == var_actual()], format = "f", digits = 3)
  })
  output$moran_p <- renderText({
    p <- moran_tabla$p[moran_tabla$variable == var_actual()]
    paste0(if (p < 0.0001) "Valor p menor a 0.0001" else paste("Valor p de", formatC(p, format = "f", digits = 4)),
           if (p < 0.05) ", hay autocorrelación espacial significativa" else ", no es significativo al 5%")
  })
  # Si hay empate se muestran todos los estados con el mismo valor
  output$max_estado <- renderText({
    x <- mapa_wgs[[var_actual()]]
    paste(mapa_wgs$state[x == max(x)], collapse = " y ")
  })
  output$max_valor <- renderText(paste(formato(max(mapa_wgs[[var_actual()]]), var_actual()),
                                       unidades[[var_actual()]]))
  output$min_estado <- renderText({
    x <- mapa_wgs[[var_actual()]]
    paste(mapa_wgs$state[x == min(x)], collapse = " y ")
  })
  output$min_valor <- renderText(paste(formato(min(mapa_wgs[[var_actual()]]), var_actual()),
                                       unidades[[var_actual()]]))
}

shinyApp(ui = ui, server = server)

Además de lo que pide la instrucción, la app tiene una opción para cambiar entre cuantiles y escala continua, tres cajas con el índice de Moran, el estado con el valor más alto y el más bajo, una pestaña con el histograma general y su deslizador de barras, otra con el diagrama de dispersión de Moran y otra con el mapa de clústeres LISA, y etiquetas al pasar el cursor con el valor del estado, el promedio de sus vecinos y su clúster.

10 Versión interactiva dentro de este HTML

La app de Shiny necesita R corriendo, así que agregamos aquí un mapa interactivo con leaflet que funciona dentro del HTML sin instalar nada. En el cuadro de la derecha se escoge la variable y si se ve su valor o su rezago espacial, y al pasar el cursor sobre un estado sale su valor y el promedio de sus vecinos, igual que en la app.

geo_ll <- st_transform(state_geodata, 4326)
mapa_int <- leaflet(geo_ll, height = 560, options = leafletOptions(zoomSnap = 0.25, attributionControl = FALSE))
capas <- c()
for (v in variables) {
  for (tipo in c("valor", "rezago")) {
    col <- if (tipo == "valor") v else paste0("sp_lag_", v)
    cortes <- unique(quantile(geo_ll[[col]], probs = seq(0, 1, 0.2)))
    pal <- colorBin(paletas[[v]], domain = geo_ll[[col]], bins = cortes)
    capa <- paste0(v, ", ", tipo)
    capas <- c(capas, capa)
    etiquetas <- sprintf("<b>%s</b><br>Valor: %s<br>Promedio de sus vecinos: %s", geo_ll$state,
                         round(geo_ll[[v]], 3), round(geo_ll[[paste0("sp_lag_", v)]], 3))
    mapa_int <- mapa_int %>%
      addPolygons(fillColor = pal(geo_ll[[col]]), fillOpacity = 0.85, color = "white", weight = 1,
                  group = capa, label = lapply(etiquetas, htmltools::HTML),
                  highlightOptions = highlightOptions(weight = 3, color = "#333333", bringToFront = TRUE))
  }
}
mapa_int %>%
  addLayersControl(baseGroups = capas, options = layersControlOptions(collapsed = FALSE))

Los colores son los mismos cuantiles de 5 grupos de la app, más oscuro es más alto. Con este mapa se puede enseñar la idea de la app en la exposición aunque no haya R a la mano.

11 Capturas de la app funcionando

Las capturas se tomaron con la app corriendo en http://127.0.0.1:8765. La app acepta la variable y la pestaña en la dirección, por ejemplo ?var=crime_rate&tab=lisa, y así se tomó una captura por variable.

12 Conclusiones

La app permite comparar en un solo vistazo el valor de cada estado contra el de sus vecinos para las 4 variables del Equipo 4. El ingreso mensual promedio es la variable que más se agrupa en el mapa, con un I de Moran de 0.4972, y forma un bloque de ingresos altos en el noroeste y uno de ingresos bajos en el centro y sur. La actividad empresarial también es significativa, con 0.1842, pero su patrón depende mucho de Baja California, que está muy por encima del resto. La tasa de delitos y el desempleo no se agrupan, así que para esas dos variables lo que pasa en un estado no se parece a lo que pasa en sus vecinos. El histograma ayuda a leer los mapas, porque muestra que los delitos y la actividad empresarial tienen unos pocos estados muy altos que mueven la media.