Introducción al Análisis de Componentes Principales en R

Importar la base de datos:

library(readxl)
datos <- read_excel("E:/Presentaciones Metodos/datos.xlsx")
##Quitar la columna de Nacionalidad
datos2<-datos[,-1]
head(datos2)

## # A tibble: 6 x 4
##   `Nº Noches` `Nº visitas anteriores` `Gasto noche/persona`  Edad
##         <dbl>                   <dbl>                 <dbl> <dbl>
## 1          14                       0                  76.6  42  
## 2           7                       0                  35.7  33  
## 3           7                       1                  46.2  35  
## 4          14                       2                  37.6  39  
## 5           7                       0                  85.9  31  
## 6           7                       0                  41.8  24.5

Matriz de correlación

library(Hmisc)
library(stargazer)
Mat_R<-rcorr(as.matrix(datos2))
stargazer(Mat_R$r,type = "html")

Gráficos:

library(PerformanceAnalytics)
chart.Correlation(as.matrix(datos2),histogram = TRUE,pch=19,)

library(corrplot)
library(grDevices)
corrplot(Mat_R$r,p.mat = Mat_R$r,type="lower",order="hclust",tl.col="black",tl.srt = 45,pch.col = "red",insig = "p-value", sig.level = -1,col = terrain.colors(100))

Realizar las pruebas de KMO y Barlett

Prueba de Barlet

library(psych)
options(scipen = 999)
cortest.bartlett(datos2)

## $chisq
## [1] 32.26849
## 
## $p.value
## [1] 0.00001449318
## 
## $df
## [1] 6

KMO

library(rela)
KMO<-paf(as.matrix(datos2))$KMO
print(KMO)

## [1] 0.53075

Aplicación de la técnica de componentes principales

modeloPC<-princomp(as.matrix(datos2))
summary(modeloPC)

## Importance of components:
##                          Comp.1   Comp.2  Comp.3    Comp.4
## Standard deviation     27.08825 17.30862 5.56783 3.0090959
## Proportion of Variance  0.68359  0.27910 0.02888 0.0084354
## Cumulative Proportion   0.68359  0.96268 0.99156 1.0000000