Elegimos los paíse USA, Argentina, Suecia, Nueva Zelanda, Chile, Brasil, Finlandia y Perú, porque detectamos que tiene una densidad poblacional similar a la de Chile, así que son comparables.
install.packages("ggplot2")
## Installing package into '/home/rstudio-user/R/x86_64-pc-linux-gnu-library/3.6'
## (as 'lib' is unspecified)
install.packages("scales")
## Installing package into '/home/rstudio-user/R/x86_64-pc-linux-gnu-library/3.6'
## (as 'lib' is unspecified)
library(ggplot2)
library(scales)
muertes <- read.table("muertes.csv", sep = ",", encoding = "UTF-8", header= T)
names(muertes) <- c("Fecha","Muertes","Pais")
El siguiente gráfico muestra cómo varia la canditad total de muertes para cada país, a medida que van pasado los dias de año. El grafico hace alusión a el numero de muertes totales por país durante el tiempo, en donde cabe mencionar que lo utilizaremos solo como un hecho, debido a que no se puede utilizar como marco referencial entre países dado que las cantidades de habitantes no son iguales entre si por ejemplo Estados Unidos tiene más de 15 veces la población de Chile.
ggplot(data = muertes, aes(x = Fecha, y = Muertes, group = Pais, colour = Pais)) +
geom_line() + xlab("Dia del año") + ylab("Muertes") + ggtitle("Muertes totales por pais") +
theme(plot.title = element_text(hjust = 0.5)) + scale_y_continuous(labels = label_comma())
El siguiene gráfico muestra un estudio de muertos por millón de personas, volcando la discusión en términos mas comparables, viendo proporciones para cada país. Donde Suecia se escapa con más de 500 muertos por millón, a pesar de ser el segundo país con mayor gasto en salud pública. Cabe destacar la gran tarea de Finlandia, Nueva Zelanda y Argentina en estos términos.Para lo que nos concierne, Chile lleva una cifra bajo este promedio, comparando países pareciedos entre sí en base a la densidad poblacional.
muertesxmillon <- read.table("muertesxmillon.csv", sep = ",", encoding = "UTF-8", header= T)
names(muertesxmillon) <- c("Fecha","Muertesxmillon","Pais")
ggplot(data = muertesxmillon, aes(x = Fecha, y = Muertesxmillon, group = Pais, colour = Pais)) +
geom_line() + xlab("Dia del año") + ylab("Muertes por millon") + ggtitle("Muertes x Millón por pais") +
theme(plot.title = element_text(hjust = 0.5))
Creamos un resumen para cada país, con los siguientes datos: muertos al dia del 1 de julio 2020, muertos por millon, casos Covid19 confirmados, confirmados por ciel mil, gasto publico en salud al 2018, densidad poblacional al 2018 y población al 2018.
resumen <- read.table("tabla_resumen.csv", sep = ",", encoding = "UTF-8", header= T)
names(resumen) <- c("Pais","Fecha", "Incremento_Muertos", "Muertos", "Muertosxmillon", "Incremento_Confirmados", "Confirmados", "Confirmadosx100000", "fecha", "Gasto_publico", "densidad", "poblacion")
El siguiente gráfico muestra el gasto publico en salud por pais. Donde Estados Unidos es el que más invierte en ese aspecto, le sigue Suecia. Y Perú el que menos desembolsa dinero.
ggplot(data=resumen, aes(x=Pais, y=Gasto_publico, fill = Pais)) +
#fill = Pais /argumento para que pinte cada barra de un color segun el pais/
geom_bar(stat="identity") + ylab("Gasto publico per capita, en salud") + theme(axis.text.x = element_text(face="bold", angle=90)) +
ggtitle("Gasto publico en Salud por pais") + theme(plot.title = element_text(hjust = 0.5))
Ahora, vamos a ver cuanto influye el gasto publicos en salud a los muertos por millón.
lm.resumen <- lm(Muertosxmillon~Gasto_publico, data=resumen)
plot(resumen$Gasto_publico,resumen$Muertosxmillon,
xlab = "Gasto publico per capita",
ylab = "Muertes / 1.000.000",
main = "Gasto publico percapita vs muertos por millon")
abline(lm.resumen, col="red")
summary(lm.resumen)
##
## Call:
## lm(formula = Muertosxmillon ~ Gasto_publico, data = resumen)
##
## Residuals:
## Min 1Q Median 3Q Max
## -239.96 -174.57 62.74 114.59 239.39
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 177.89349 96.78391 1.838 0.116
## Gasto_publico 0.02519 0.02848 0.885 0.410
##
## Residual standard error: 191 on 6 degrees of freedom
## Multiple R-squared: 0.1154, Adjusted R-squared: -0.03208
## F-statistic: 0.7824 on 1 and 6 DF, p-value: 0.4105
Suecia y Estados unidos son datos outlayer, es decir, se escapa del comportmiento común de los datos, y se y se puede deber a las estrategias utilizadas como una baja cuarentena. Estos dos países contradicen nuestra hipótesis, porque se ve una relación positiva entre las variables. Así que, ahora veremos como se porta esta relación sin Suecia y sin Estados Unidos.
resumen_sin_out <- read.table("tabla_resumen_sin_out.csv", sep = ",", encoding = "UTF-8", header= T)
names(resumen_sin_out) <- c("Pais","Fecha", "Incremento_Muertos", "Muertos",
"Muertosxmillon", "Incremento_Confirmados", "Confirmados",
"Confirmadosx100000", "fecha", "Gasto_publico", "densidad",
"poblacion")
lm.resumen_sin_out <- lm(formula=Muertosxmillon~Gasto_publico, data=resumen_sin_out)
plot(resumen_sin_out$Gasto_publico,resumen_sin_out$Muertosxmillon,
xlab = "Gasto publico per capita",
ylab = "Muertes / 1.000.000",
main = "Gasto publico percapita vs muertos por millón")
abline(lm.resumen_sin_out, col="red")
summary(lm.resumen_sin_out)
##
## Call:
## lm(formula = Muertosxmillon ~ Gasto_publico, data = resumen_sin_out)
##
## Residuals:
## 1 2 3 4 5 6
## 86.26 -176.82 35.22 33.34 -28.86 50.86
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 289.49005 66.33510 4.364 0.012 *
## Gasto_publico -0.09700 0.03972 -2.442 0.071 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 105.4 on 4 degrees of freedom
## Multiple R-squared: 0.5986, Adjusted R-squared: 0.4982
## F-statistic: 5.964 on 1 and 4 DF, p-value: 0.07104
Sin Suecia y Estados Unidos se puede observar una tenencia que a mayor gasto publico bajan las muertes por millón. Cabe destacar que el R cuadrado de esta nueva regresión aumentó considerablemente a 0,5986.
En conclusión, podemos decir que existe una relación positiva entre la inversión del estado en materias de salud con el control de muertes por millón de habitantes por causas del COVID19, en vista de los resultados de la segunda regresión, que excluye a los países atípicos de la muestra.
Queremos destacar nuestro ejercicio de simplificación del análisis excluyendo otras variables influyentes en este factor, donde datos como; las camas totales, camas disponibles, densidades poblacionales por ciudades, medidas de cuarentenas, hacen variar los resultados de la muestra.
