Presentacion proceso
Bryan Castillo
15 de septiembre de 2020
Abriendo base de datos
Los datos con los cuales se crea el modelo, son los de la Encuesta Origen y Destino de Concepción. Fueron procesados dejando las variables de interés. Una vez abiertos, sabiendo que hay que hacer un modelo con variables categóricas, hay que elegir las variables que se usarán de referencia, en este caso se eligió: Hombre, Otro, Sin Ingreso/No Data, No tiene licencia, Cesante.
library(tidyverse)
library(fastDummies)
library(sf)
load("E:/Rwork/2020_desdeJunio/junio4_analisisExploratorioConce/datosFinales.RData")
# Cambiando a factor --------------
datosFinales$neoModo2<-as.factor(datosFinales$neoModo2)#Character as factor
datosFinales$ingreso<-as.factor(datosFinales$ingreso)#Character as factor
# ReLeveleando los datos --------------------------------------------------
#Mujer
datosFinales$Sexo %>% levels() #Hombre en primer lugar, está bien
#Modos de transporte debe salir la bici
datosFinales$neoModo2 %>% levels() #Bicicleta en primer lugar, lo cambiaré por otros
datosFinales$neoModo2<-relevel(datosFinales$neoModo2, ref="Otro")
#Ingresos: Tiene que salir small/medium/large
datosFinales$ingreso %>% levels() #Sin ingreso no data al ultimo, poner como referencia
datosFinales$ingreso<-relevel(datosFinales$ingreso, ref="Sin ingresos/No data")
#Tiene licencia
datosFinales$TieneLicencia %>% levels()# Tiene como referencia, poner "No Tiene como" referencia
datosFinales$TieneLicencia<-relevel(datosFinales$TieneLicencia, ref="No Tiene")
#Ocupación
datosFinales$actividad %>% levels() #Toma cesante como referenciaCentrando variables independientes continuas (Centering)
Una vez listas las variables, antes de ejecutar el modelo decidí hacer un centering a las variables continuas. Este procedimiento lo realizamos para evitar la multicolinealidad entre las variables
#Selecciono solo las variables numéricas
datos1<-select_if(datosFinales,is.numeric) %>%
lapply(., scale, scale=FALSE) %>%
bind_rows(.)
#Elimino la variable dependiente de la transformación
datos1$walking_distance<-NULL
#Selecciono solo las variables categóricas
datos2<-datosFinales %>% select_if(is.factor)
#Uno las variables categóricas, continuas y dependiente
datos3=cbind(datos1,datos2, walking_distance=datosFinales$walking_distance)Creando el mejor modelo
Dumificar, correr el modelo
Ahora dumificados las variables y corremos el modelo; finalmente con summary vemos un resumen del proceso y las variables significativas.
##
## Call:
## lm(formula = walking_distance ~ actividad_DuenaCasa + actividad_Estudia +
## actividad_Jubilado + `actividad_Otra actividad` + actividad_Trabaja +
## Edad + EdadSc2 + `ingreso_High-level-income` + `ingreso_Low-level-income` +
## `ingreso_Mid-level-income` + miembroshogar2_2 + miembroshogar2_3 +
## miembroshogar2_4_mas + neoModo2_Bicicleta + neoModo2_Bus +
## `neoModo2_Car:Driver` + `neoModo2_Car:passenger` + `neoModo2_Shared taxi` +
## neoModo2_Walk + NumeroVehiculos_1 + NumeroVehiculos_2 + NumeroVehiculos_3mas +
## Sexo_Mujer + TieneLicencia_Tiene + xc + xc2 + xy + yc + yc2 +
## actividad_Cesante:distCBD + actividad_DuenaCasa:distCBD +
## actividad_Estudia:distCBD + actividad_Jubilado:distCBD +
## `actividad_Otra actividad`:distCBD + actividad_Trabaja:distCBD +
## actividad_DuenaCasa:xc + actividad_Estudia:xc + actividad_Jubilado:xc +
## `actividad_Otra actividad`:xc + actividad_Trabaja:xc + actividad_DuenaCasa:xc2 +
## actividad_Estudia:xc2 + actividad_Jubilado:xc2 + `actividad_Otra actividad`:xc2 +
## actividad_Trabaja:xc2 + actividad_DuenaCasa:xy + actividad_Estudia:xy +
## actividad_Jubilado:xy + `actividad_Otra actividad`:xy + actividad_Trabaja:xy +
## actividad_DuenaCasa:yc + actividad_Estudia:yc + actividad_Jubilado:yc +
## `actividad_Otra actividad`:yc + actividad_Trabaja:yc + actividad_DuenaCasa:yc2 +
## actividad_Estudia:yc2 + actividad_Jubilado:yc2 + `actividad_Otra actividad`:yc2 +
## actividad_Trabaja:yc2 + distCBD:Edadsc + xc:Edadsc + xc2:Edadsc +
## xy:Edadsc + yc:Edadsc + yc2:Edadsc + distCBD:EdadSc2 + xc:EdadSc2 +
## xc2:EdadSc2 + xy:EdadSc2 + yc:EdadSc2 + yc2:EdadSc2 + distCBD:`ingreso_High-level-income` +
## distCBD:`ingreso_Low-level-income` + distCBD:`ingreso_Mid-level-income` +
## xc:`ingreso_High-level-income` + xc:`ingreso_Low-level-income` +
## xc:`ingreso_Mid-level-income` + xc2:`ingreso_High-level-income` +
## xc2:`ingreso_Low-level-income` + xc2:`ingreso_Mid-level-income` +
## xy:`ingreso_High-level-income` + xy:`ingreso_Low-level-income` +
## xy:`ingreso_Mid-level-income` + yc:`ingreso_High-level-income` +
## yc:`ingreso_Low-level-income` + yc:`ingreso_Mid-level-income` +
## yc2:`ingreso_High-level-income` + yc2:`ingreso_Low-level-income` +
## yc2:`ingreso_Mid-level-income` + distCBD:miembroshogar2_2 +
## distCBD:miembroshogar2_3 + distCBD:miembroshogar2_4_mas +
## xc:miembroshogar2_2 + xc:miembroshogar2_3 + xc:miembroshogar2_4_mas +
## xc2:miembroshogar2_2 + xc2:miembroshogar2_3 + xc2:miembroshogar2_4_mas +
## xy:miembroshogar2_2 + xy:miembroshogar2_3 + xy:miembroshogar2_4_mas +
## yc:miembroshogar2_2 + yc:miembroshogar2_3 + yc:miembroshogar2_4_mas +
## yc2:miembroshogar2_2 + yc2:miembroshogar2_3 + yc2:miembroshogar2_4_mas +
## distCBD:neoModo2_Bicicleta + distCBD:neoModo2_Bus + distCBD:`neoModo2_Car:Driver` +
## distCBD:`neoModo2_Car:passenger` + distCBD:`neoModo2_Shared taxi` +
## distCBD:neoModo2_Walk + xc:neoModo2_Bicicleta + xc:neoModo2_Bus +
## xc:`neoModo2_Car:Driver` + xc:`neoModo2_Car:passenger` +
## xc:`neoModo2_Shared taxi` + xc:neoModo2_Walk + xc2:neoModo2_Bicicleta +
## xc2:neoModo2_Bus + xc2:`neoModo2_Car:Driver` + xc2:`neoModo2_Car:passenger` +
## xc2:`neoModo2_Shared taxi` + xc2:neoModo2_Walk + xy:neoModo2_Bicicleta +
## xy:neoModo2_Bus + xy:`neoModo2_Car:Driver` + xy:`neoModo2_Car:passenger` +
## xy:`neoModo2_Shared taxi` + xy:neoModo2_Walk + yc:neoModo2_Bicicleta +
## yc:neoModo2_Bus + yc:`neoModo2_Car:Driver` + yc:`neoModo2_Car:passenger` +
## yc:`neoModo2_Shared taxi` + yc:neoModo2_Walk + yc2:neoModo2_Bicicleta +
## yc2:neoModo2_Bus + yc2:`neoModo2_Car:Driver` + yc2:`neoModo2_Car:passenger` +
## yc2:`neoModo2_Shared taxi` + yc2:neoModo2_Walk + distCBD:NumeroVehiculos_1 +
## distCBD:NumeroVehiculos_2 + distCBD:NumeroVehiculos_3mas +
## xc:NumeroVehiculos_1 + xc:NumeroVehiculos_2 + xc:NumeroVehiculos_3mas +
## xc2:NumeroVehiculos_1 + xc2:NumeroVehiculos_2 + xc2:NumeroVehiculos_3mas +
## xy:NumeroVehiculos_1 + xy:NumeroVehiculos_2 + xy:NumeroVehiculos_3mas +
## yc:NumeroVehiculos_1 + yc:NumeroVehiculos_2 + yc:NumeroVehiculos_3mas +
## yc2:NumeroVehiculos_1 + yc2:NumeroVehiculos_2 + yc2:NumeroVehiculos_3mas +
## distCBD:Sexo_Mujer + xc:Sexo_Mujer + xc2:Sexo_Mujer + xy:Sexo_Mujer +
## yc:Sexo_Mujer + yc2:Sexo_Mujer + distCBD:TieneLicencia_Tiene +
## xc:TieneLicencia_Tiene + xc2:TieneLicencia_Tiene + xy:TieneLicencia_Tiene +
## yc:TieneLicencia_Tiene + yc2:TieneLicencia_Tiene, data = datosDumificados)
##
## Residuals:
## Min 1Q Median 3Q Max
## -339.92 -28.04 -6.00 15.06 973.63
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.249e+01 9.663e+00 1.293 0.196046
## actividad_DuenaCasa -1.825e+00 2.902e+00 -0.629 0.529499
## actividad_Estudia 9.575e+00 2.941e+00 3.256 0.001130 **
## actividad_Jubilado 2.494e+00 3.345e+00 0.746 0.455945
## `actividad_Otra actividad` 4.283e+00 4.385e+00 0.977 0.328629
## actividad_Trabaja 1.947e+00 2.591e+00 0.751 0.452454
## Edad 9.435e-01 1.385e-01 6.810 9.90e-12 ***
## EdadSc2 -1.079e+02 1.549e+01 -6.964 3.36e-12 ***
## `ingreso_High-level-income` -2.818e+01 1.250e+01 -2.254 0.024174 *
## `ingreso_Low-level-income` -1.650e+00 1.873e+00 -0.881 0.378168
## `ingreso_Mid-level-income` -3.883e-02 2.696e+00 -0.014 0.988508
## miembroshogar2_2 2.458e+00 1.936e+00 1.270 0.204180
## miembroshogar2_3 1.386e+00 1.913e+00 0.725 0.468734
## miembroshogar2_4_mas 2.828e-01 1.866e+00 0.152 0.879508
## neoModo2_Bicicleta 3.816e+00 9.751e+00 0.391 0.695507
## neoModo2_Bus 4.283e+01 9.245e+00 4.633 3.62e-06 ***
## `neoModo2_Car:Driver` -1.010e+01 9.304e+00 -1.085 0.277737
## `neoModo2_Car:passenger` -7.478e+00 9.384e+00 -0.797 0.425521
## `neoModo2_Shared taxi` 2.846e+01 9.690e+00 2.937 0.003314 **
## neoModo2_Walk 5.271e+02 9.287e+00 56.759 < 2e-16 ***
## NumeroVehiculos_1 -1.790e-01 1.132e+00 -0.158 0.874373
## NumeroVehiculos_2 4.243e+00 1.993e+00 2.128 0.033319 *
## NumeroVehiculos_3mas -3.701e+00 4.099e+00 -0.903 0.366497
## Sexo_Mujer -3.784e+00 1.054e+00 -3.592 0.000329 ***
## TieneLicencia_Tiene -7.097e-01 1.364e+00 -0.520 0.602875
## xc -9.124e+06 1.404e+07 -0.650 0.515924
## xc2 6.484e+11 7.290e+11 0.890 0.373724
## xy -2.278e+11 2.543e+11 -0.896 0.370443
## yc 3.710e+06 9.091e+06 0.408 0.683169
## yc2 -2.229e+10 1.902e+11 -0.117 0.906689
## actividad_Cesante:distCBD 1.710e-04 4.949e-03 0.035 0.972428
## actividad_DuenaCasa:distCBD -3.310e-03 4.854e-03 -0.682 0.495263
## actividad_Estudia:distCBD -1.932e-03 4.836e-03 -0.400 0.689443
## actividad_Jubilado:distCBD -2.622e-03 4.915e-03 -0.533 0.593770
## `actividad_Otra actividad`:distCBD -1.433e-03 5.139e-03 -0.279 0.780335
## actividad_Trabaja:distCBD -1.888e-03 4.783e-03 -0.395 0.693033
## actividad_DuenaCasa:xc -4.245e+06 3.346e+06 -1.269 0.204582
## actividad_Estudia:xc 1.494e+04 3.426e+06 0.004 0.996521
## actividad_Jubilado:xc -4.018e+06 4.074e+06 -0.986 0.323943
## `actividad_Otra actividad`:xc -6.333e+06 4.992e+06 -1.269 0.204565
## actividad_Trabaja:xc 1.876e+05 3.000e+06 0.063 0.950146
## actividad_DuenaCasa:xc2 1.566e+11 1.371e+11 1.143 0.253234
## actividad_Estudia:xc2 1.079e+11 1.429e+11 0.755 0.450130
## actividad_Jubilado:xc2 2.628e+11 1.712e+11 1.535 0.124809
## `actividad_Otra actividad`:xc2 5.119e+11 2.102e+11 2.436 0.014863 *
## actividad_Trabaja:xc2 6.911e+10 1.228e+11 0.563 0.573533
## actividad_DuenaCasa:xy -1.593e+10 5.467e+10 -0.291 0.770719
## actividad_Estudia:xy -1.138e+11 5.799e+10 -1.963 0.049666 *
## actividad_Jubilado:xy -1.161e+11 6.696e+10 -1.734 0.082943 .
## `actividad_Otra actividad`:xy -2.196e+11 8.057e+10 -2.725 0.006428 **
## actividad_Trabaja:xy -7.565e+10 4.876e+10 -1.551 0.120812
## actividad_DuenaCasa:yc -7.125e+06 3.218e+06 -2.214 0.026849 *
## actividad_Estudia:yc -5.431e+06 3.316e+06 -1.638 0.101455
## actividad_Jubilado:yc -5.601e+06 3.764e+06 -1.488 0.136747
## `actividad_Otra actividad`:yc 5.825e+05 5.157e+06 0.113 0.910065
## actividad_Trabaja:yc -5.402e+06 2.853e+06 -1.894 0.058283 .
## actividad_DuenaCasa:yc2 1.255e+11 6.361e+10 1.973 0.048551 *
## actividad_Estudia:yc2 1.130e+11 6.602e+10 1.711 0.087033 .
## actividad_Jubilado:yc2 1.194e+11 7.511e+10 1.590 0.111889
## `actividad_Otra actividad`:yc2 1.714e+10 1.011e+11 0.170 0.865290
## actividad_Trabaja:yc2 1.077e+11 5.647e+10 1.906 0.056616 .
## distCBD:Edadsc 4.378e-03 7.513e-03 0.583 0.560117
## xc:Edadsc -2.967e+06 1.627e+07 -0.182 0.855260
## xc2:Edadsc 6.036e+11 6.840e+11 0.882 0.377546
## xy:Edadsc -5.622e+11 2.762e+11 -2.035 0.041809 *
## yc:Edadsc 8.560e+06 1.643e+07 0.521 0.602294
## yc2:Edadsc -5.771e+10 3.255e+11 -0.177 0.859289
## EdadSc2:distCBD -5.960e-03 8.334e-03 -0.715 0.474557
## EdadSc2:xc 1.114e+07 1.857e+07 0.600 0.548597
## EdadSc2:xc2 -7.802e+11 7.821e+11 -0.998 0.318461
## EdadSc2:xy 5.236e+11 3.142e+11 1.666 0.095631 .
## EdadSc2:yc -1.549e+07 1.818e+07 -0.852 0.394213
## EdadSc2:yc2 1.799e+11 3.619e+11 0.497 0.619113
## `ingreso_High-level-income`:distCBD 1.138e-02 5.094e-03 2.235 0.025440 *
## `ingreso_Low-level-income`:distCBD -5.817e-04 9.230e-04 -0.630 0.528562
## `ingreso_Mid-level-income`:distCBD 1.545e-03 1.384e-03 1.116 0.264249
## `ingreso_High-level-income`:xc 1.609e+07 1.242e+07 1.295 0.195242
## `ingreso_Low-level-income`:xc -3.412e+06 1.841e+06 -1.853 0.063842 .
## `ingreso_Mid-level-income`:xc -2.069e+06 2.841e+06 -0.728 0.466449
## `ingreso_High-level-income`:xc2 -8.332e+11 6.995e+11 -1.191 0.233554
## `ingreso_Low-level-income`:xc2 3.131e+10 7.506e+10 0.417 0.676539
## `ingreso_Mid-level-income`:xc2 1.600e+10 1.252e+11 0.128 0.898351
## `ingreso_High-level-income`:xy 2.834e+11 3.126e+11 0.907 0.364676
## `ingreso_Low-level-income`:xy 7.072e+10 3.083e+10 2.294 0.021788 *
## `ingreso_Mid-level-income`:xy 4.141e+10 5.307e+10 0.780 0.435206
## `ingreso_High-level-income`:yc 3.136e+07 1.651e+07 1.900 0.057495 .
## `ingreso_Low-level-income`:yc 7.391e+05 1.920e+06 0.385 0.700243
## `ingreso_Mid-level-income`:yc 5.949e+06 3.075e+06 1.935 0.053050 .
## `ingreso_High-level-income`:yc2 -5.920e+11 3.259e+11 -1.816 0.069320 .
## `ingreso_Low-level-income`:yc2 -2.048e+10 3.799e+10 -0.539 0.589789
## `ingreso_Mid-level-income`:yc2 -1.080e+11 6.177e+10 -1.749 0.080279 .
## miembroshogar2_2:distCBD -7.172e-04 9.699e-04 -0.739 0.459657
## miembroshogar2_3:distCBD -1.166e-03 9.659e-04 -1.208 0.227221
## miembroshogar2_4_mas:distCBD -7.613e-04 9.386e-04 -0.811 0.417325
## miembroshogar2_2:xc 2.210e+05 2.392e+06 0.092 0.926379
## miembroshogar2_3:xc 1.047e+06 2.358e+06 0.444 0.656928
## miembroshogar2_4_mas:xc 2.383e+05 2.305e+06 0.103 0.917639
## miembroshogar2_2:xc2 -1.426e+11 9.982e+10 -1.429 0.153100
## miembroshogar2_3:xc2 -1.552e+11 9.635e+10 -1.611 0.107243
## miembroshogar2_4_mas:xc2 -1.032e+11 9.451e+10 -1.092 0.274952
## miembroshogar2_2:xy 1.455e+11 3.952e+10 3.681 0.000232 ***
## miembroshogar2_3:xy 1.065e+11 3.803e+10 2.800 0.005112 **
## miembroshogar2_4_mas:xy 1.154e+11 3.721e+10 3.101 0.001929 **
## miembroshogar2_2:yc -2.116e+06 2.075e+06 -1.019 0.307983
## miembroshogar2_3:yc -4.190e+06 2.078e+06 -2.016 0.043762 *
## miembroshogar2_4_mas:yc -2.538e+06 2.014e+06 -1.260 0.207631
## miembroshogar2_2:yc2 3.925e+09 4.189e+10 0.094 0.925345
## miembroshogar2_3:yc2 5.005e+10 4.166e+10 1.201 0.229624
## miembroshogar2_4_mas:yc2 1.146e+10 4.045e+10 0.283 0.776987
## neoModo2_Bicicleta:distCBD 3.355e-03 4.990e-03 0.672 0.501439
## neoModo2_Bus:distCBD 3.637e-03 4.718e-03 0.771 0.440783
## `neoModo2_Car:Driver`:distCBD 1.748e-03 4.754e-03 0.368 0.713150
## `neoModo2_Car:passenger`:distCBD 7.931e-04 4.801e-03 0.165 0.868786
## `neoModo2_Shared taxi`:distCBD 4.627e-04 4.830e-03 0.096 0.923680
## neoModo2_Walk:distCBD -5.822e-04 4.734e-03 -0.123 0.902126
## neoModo2_Bicicleta:xc -1.580e+06 1.400e+07 -0.113 0.910182
## neoModo2_Bus:xc 6.374e+06 1.360e+07 0.469 0.639277
## `neoModo2_Car:Driver`:xc 8.177e+06 1.365e+07 0.599 0.549258
## `neoModo2_Car:passenger`:xc 7.539e+06 1.375e+07 0.548 0.583510
## `neoModo2_Shared taxi`:xc 4.225e+06 1.385e+07 0.305 0.760415
## neoModo2_Walk:xc 1.006e+07 1.365e+07 0.737 0.461170
## neoModo2_Bicicleta:xc2 -8.297e+10 7.274e+11 -0.114 0.909179
## neoModo2_Bus:xc2 -6.187e+11 7.146e+11 -0.866 0.386588
## `neoModo2_Car:Driver`:xc2 -5.625e+11 7.162e+11 -0.785 0.432203
## `neoModo2_Car:passenger`:xc2 -5.009e+11 7.195e+11 -0.696 0.486303
## `neoModo2_Shared taxi`:xc2 -2.195e+11 7.300e+11 -0.301 0.763640
## neoModo2_Walk:xc2 -5.816e+11 7.159e+11 -0.812 0.416584
## neoModo2_Bicicleta:xy 1.238e+11 2.596e+11 0.477 0.633409
## neoModo2_Bus:xy 2.927e+11 2.485e+11 1.178 0.238815
## `neoModo2_Car:Driver`:xy 1.980e+11 2.496e+11 0.793 0.427658
## `neoModo2_Car:passenger`:xy 1.408e+11 2.510e+11 0.561 0.574711
## `neoModo2_Shared taxi`:xy 2.863e+10 2.612e+11 0.110 0.912720
## neoModo2_Walk:xy 2.495e+11 2.490e+11 1.002 0.316175
## neoModo2_Bicicleta:yc 1.080e+07 9.686e+06 1.115 0.264830
## neoModo2_Bus:yc 5.422e+06 8.564e+06 0.633 0.526624
## `neoModo2_Car:Driver`:yc 2.474e+06 8.687e+06 0.285 0.775785
## `neoModo2_Car:passenger`:yc -9.578e+05 8.795e+06 -0.109 0.913283
## `neoModo2_Shared taxi`:yc 6.262e+05 8.741e+06 0.072 0.942888
## neoModo2_Walk:yc -2.442e+06 8.604e+06 -0.284 0.776557
## neoModo2_Bicicleta:yc2 -2.045e+11 2.018e+11 -1.014 0.310742
## neoModo2_Bus:yc2 -1.510e+11 1.803e+11 -0.838 0.402244
## `neoModo2_Car:Driver`:yc2 -7.756e+10 1.826e+11 -0.425 0.670995
## `neoModo2_Car:passenger`:yc2 -3.460e+08 1.846e+11 -0.002 0.998505
## `neoModo2_Shared taxi`:yc2 -1.271e+10 1.843e+11 -0.069 0.945007
## neoModo2_Walk:yc2 -4.008e+10 1.811e+11 -0.221 0.824831
## NumeroVehiculos_1:distCBD 1.353e-03 6.087e-04 2.223 0.026224 *
## NumeroVehiculos_2:distCBD -8.835e-04 1.154e-03 -0.766 0.443855
## NumeroVehiculos_3mas:distCBD 5.627e-03 2.577e-03 2.184 0.028995 *
## NumeroVehiculos_1:xc 2.645e+06 1.313e+06 2.014 0.044069 *
## NumeroVehiculos_2:xc -2.465e+06 2.365e+06 -1.042 0.297291
## NumeroVehiculos_3mas:xc 9.343e+06 4.699e+06 1.988 0.046777 *
## NumeroVehiculos_1:xc2 -1.086e+11 5.249e+10 -2.070 0.038502 *
## NumeroVehiculos_2:xc2 1.209e+11 1.027e+11 1.177 0.239288
## NumeroVehiculos_3mas:xc2 -7.175e+11 1.947e+11 -3.685 0.000229 ***
## NumeroVehiculos_1:xy 2.852e+09 2.163e+10 0.132 0.895076
## NumeroVehiculos_2:xy -4.515e+10 4.576e+10 -0.987 0.323787
## NumeroVehiculos_3mas:xy 3.400e+11 1.094e+11 3.109 0.001881 **
## NumeroVehiculos_1:yc 2.388e+06 1.322e+06 1.807 0.070796 .
## NumeroVehiculos_2:yc -9.070e+05 2.761e+06 -0.329 0.742496
## NumeroVehiculos_3mas:yc 1.172e+07 6.019e+06 1.947 0.051507 .
## NumeroVehiculos_1:yc2 -4.394e+10 2.616e+10 -1.680 0.093006 .
## NumeroVehiculos_2:yc2 2.725e+10 5.462e+10 0.499 0.617866
## NumeroVehiculos_3mas:yc2 -2.862e+11 1.227e+11 -2.333 0.019664 *
## Sexo_Mujer:distCBD 1.137e-03 5.728e-04 1.985 0.047170 *
## Sexo_Mujer:xc 1.089e+06 1.244e+06 0.876 0.381166
## Sexo_Mujer:xc2 -3.288e+10 5.049e+10 -0.651 0.514920
## Sexo_Mujer:xy 3.506e+09 2.109e+10 0.166 0.867981
## Sexo_Mujer:yc 2.720e+06 1.247e+06 2.181 0.029203 *
## Sexo_Mujer:yc2 -4.509e+10 2.487e+10 -1.813 0.069869 .
## TieneLicencia_Tiene:distCBD -1.751e-03 7.277e-04 -2.407 0.016094 *
## TieneLicencia_Tiene:xc -2.028e+06 1.618e+06 -1.253 0.210266
## TieneLicencia_Tiene:xc2 1.210e+11 6.560e+10 1.844 0.065125 .
## TieneLicencia_Tiene:xy -4.588e+10 2.764e+10 -1.660 0.096877 .
## TieneLicencia_Tiene:yc -4.608e+06 1.646e+06 -2.800 0.005121 **
## TieneLicencia_Tiene:yc2 9.390e+10 3.287e+10 2.857 0.004286 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 88.84 on 37511 degrees of freedom
## Multiple R-squared: 0.8121, Adjusted R-squared: 0.8112
## F-statistic: 931.8 on 174 and 37511 DF, p-value: < 2.2e-16Iteración manual del modelo
##
## Call:
## lm(formula = walking_distance ~ actividad_Estudia + Edad + EdadSc2 +
## `ingreso_High-level-income` + neoModo2_Bus + `neoModo2_Shared taxi` +
## neoModo2_Walk + NumeroVehiculos_2 + Sexo_Mujer + `actividad_Otra actividad`:xc2 +
## actividad_Estudia:xy + actividad_Jubilado:xy + `actividad_Otra actividad`:xy +
## actividad_DuenaCasa:yc + actividad_Trabaja:yc + actividad_DuenaCasa:yc2 +
## actividad_Estudia:yc2 + actividad_Trabaja:yc2 + xy:Edadsc +
## xy:EdadSc2 + distCBD:`ingreso_High-level-income` + xc:`ingreso_Low-level-income` +
## xy:`ingreso_Low-level-income` + yc:`ingreso_High-level-income` +
## yc:`ingreso_Mid-level-income` + yc2:`ingreso_High-level-income` +
## yc2:`ingreso_Mid-level-income` + xy:miembroshogar2_2 + xy:miembroshogar2_3 +
## xy:miembroshogar2_4_mas + yc:miembroshogar2_3 + distCBD:NumeroVehiculos_1 +
## distCBD:NumeroVehiculos_3mas + xc:NumeroVehiculos_1 + xc:NumeroVehiculos_3mas +
## xc2:NumeroVehiculos_1 + xc2:NumeroVehiculos_3mas + xy:NumeroVehiculos_3mas +
## yc:NumeroVehiculos_1 + yc:NumeroVehiculos_3mas + yc2:NumeroVehiculos_1 +
## yc2:NumeroVehiculos_3mas + distCBD:Sexo_Mujer + yc:Sexo_Mujer +
## yc2:Sexo_Mujer + distCBD:TieneLicencia_Tiene + xc2:TieneLicencia_Tiene +
## xy:TieneLicencia_Tiene + yc:TieneLicencia_Tiene + yc2:TieneLicencia_Tiene,
## data = datosDumificados)
##
## Residuals:
## Min 1Q Median 3Q Max
## -317.94 -29.32 -6.66 14.85 991.93
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 6.011e+00 9.980e-01 6.023 1.73e-09 ***
## actividad_Estudia 8.153e+00 1.588e+00 5.133 2.86e-07 ***
## Edad 8.770e-01 1.129e-01 7.769 8.09e-15 ***
## EdadSc2 -1.024e+02 1.236e+01 -8.279 < 2e-16 ***
## `ingreso_High-level-income` -1.198e+01 7.847e+00 -1.527 0.126832
## neoModo2_Bus 5.087e+01 1.109e+00 45.877 < 2e-16 ***
## `neoModo2_Shared taxi` 2.918e+01 2.077e+00 14.047 < 2e-16 ***
## neoModo2_Walk 5.348e+02 1.475e+00 362.679 < 2e-16 ***
## NumeroVehiculos_2 3.997e+00 1.597e+00 2.502 0.012348 *
## Sexo_Mujer -4.601e+00 9.389e-01 -4.900 9.64e-07 ***
## `actividad_Otra actividad`:xc2 1.795e+11 3.255e+10 5.514 3.53e-08 ***
## actividad_Estudia:xy 1.283e+08 8.722e+09 0.015 0.988262
## xy:actividad_Jubilado -2.953e+10 8.274e+09 -3.570 0.000358 ***
## `actividad_Otra actividad`:xy -1.360e+11 2.273e+10 -5.984 2.20e-09 ***
## actividad_DuenaCasa:yc -2.835e+05 4.665e+05 -0.608 0.543420
## yc:actividad_Trabaja -4.175e+05 3.038e+05 -1.374 0.169318
## actividad_DuenaCasa:yc2 -1.023e+10 9.130e+09 -1.121 0.262326
## actividad_Estudia:yc2 -1.933e+10 3.026e+09 -6.388 1.70e-10 ***
## actividad_Trabaja:yc2 -5.038e+09 5.937e+09 -0.849 0.396075
## xy:Edadsc -1.772e+11 5.275e+10 -3.359 0.000783 ***
## EdadSc2:xy 2.234e+11 5.810e+10 3.845 0.000121 ***
## `ingreso_High-level-income`:distCBD 3.686e-03 2.731e-03 1.349 0.177225
## xc:`ingreso_Low-level-income` -1.017e+06 3.943e+05 -2.580 0.009874 **
## xy:`ingreso_Low-level-income` 2.820e+10 8.719e+09 3.235 0.001218 **
## `ingreso_High-level-income`:yc 1.151e+07 9.484e+06 1.213 0.224969
## yc:`ingreso_Mid-level-income` 1.386e+06 7.982e+05 1.737 0.082442 .
## `ingreso_High-level-income`:yc2 -1.837e+11 1.600e+11 -1.148 0.250853
## yc2:`ingreso_Mid-level-income` -2.012e+10 1.476e+10 -1.363 0.172871
## xy:miembroshogar2_2 3.022e+10 5.204e+09 5.807 6.43e-09 ***
## xy:miembroshogar2_3 1.846e+10 6.159e+09 2.997 0.002724 **
## xy:miembroshogar2_4_mas 2.152e+10 4.750e+09 4.529 5.94e-06 ***
## yc:miembroshogar2_3 1.118e+05 1.341e+05 0.834 0.404164
## distCBD:NumeroVehiculos_1 1.633e-04 4.236e-04 0.385 0.699946
## distCBD:NumeroVehiculos_3mas 4.485e-03 2.498e-03 1.795 0.072619 .
## xc:NumeroVehiculos_1 -5.776e+05 8.326e+05 -0.694 0.487829
## xc:NumeroVehiculos_3mas 6.101e+06 4.472e+06 1.364 0.172450
## xc2:NumeroVehiculos_1 1.937e+10 3.211e+10 0.603 0.546284
## xc2:NumeroVehiculos_3mas -4.824e+11 1.853e+11 -2.604 0.009219 **
## xy:NumeroVehiculos_3mas 2.345e+11 1.045e+11 2.244 0.024849 *
## yc:NumeroVehiculos_1 4.749e+05 9.540e+05 0.498 0.618596
## yc:NumeroVehiculos_3mas 9.725e+06 5.899e+06 1.649 0.099250 .
## yc2:NumeroVehiculos_1 -1.048e+10 1.686e+10 -0.622 0.534148
## yc2:NumeroVehiculos_3mas -2.241e+11 1.200e+11 -1.867 0.061944 .
## Sexo_Mujer:distCBD -1.512e-04 2.715e-04 -0.557 0.577657
## Sexo_Mujer:yc -1.948e+05 7.035e+05 -0.277 0.781897
## Sexo_Mujer:yc2 5.621e+09 1.246e+10 0.451 0.651919
## distCBD:TieneLicencia_Tiene -1.199e-03 4.369e-04 -2.745 0.006058 **
## xc2:TieneLicencia_Tiene 3.891e+10 1.885e+10 2.065 0.038967 *
## xy:TieneLicencia_Tiene -3.638e+10 1.797e+10 -2.024 0.042929 *
## yc:TieneLicencia_Tiene -3.742e+06 1.189e+06 -3.147 0.001652 **
## yc2:TieneLicencia_Tiene 7.596e+10 2.325e+10 3.267 0.001089 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 89.59 on 37635 degrees of freedom
## Multiple R-squared: 0.8083, Adjusted R-squared: 0.808
## F-statistic: 3174 on 50 and 37635 DF, p-value: < 2.2e-162
##
## Call:
## lm(formula = walking_distance ~ actividad_Estudia + Edad + EdadSc2 +
## neoModo2_Bus + `neoModo2_Shared taxi` + neoModo2_Walk + NumeroVehiculos_2 +
## Sexo_Mujer + `actividad_Otra actividad`:xc2 + actividad_Jubilado:xy +
## `actividad_Otra actividad`:xy + actividad_Estudia:yc2 + xy:Edadsc +
## xy:EdadSc2 + xc:`ingreso_Low-level-income` + xy:`ingreso_Low-level-income` +
## yc:`ingreso_Mid-level-income` + xy:miembroshogar2_2 + xy:miembroshogar2_3 +
## xy:miembroshogar2_4_mas + distCBD:NumeroVehiculos_3mas +
## xc2:NumeroVehiculos_3mas + xy:NumeroVehiculos_3mas + yc:NumeroVehiculos_3mas +
## yc2:NumeroVehiculos_3mas + distCBD:TieneLicencia_Tiene +
## xc2:TieneLicencia_Tiene + xy:TieneLicencia_Tiene + yc:TieneLicencia_Tiene +
## yc2:TieneLicencia_Tiene, data = datosDumificados)
##
## Residuals:
## Min 1Q Median 3Q Max
## -313.07 -29.89 -6.57 15.41 993.38
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.865e+00 9.928e-01 5.907 3.51e-09 ***
## actividad_Estudia 8.192e+00 1.586e+00 5.166 2.40e-07 ***
## Edad 8.755e-01 1.127e-01 7.767 8.25e-15 ***
## EdadSc2 -1.026e+02 1.235e+01 -8.306 < 2e-16 ***
## neoModo2_Bus 5.087e+01 1.107e+00 45.930 < 2e-16 ***
## `neoModo2_Shared taxi` 3.050e+01 2.019e+00 15.106 < 2e-16 ***
## neoModo2_Walk 5.348e+02 1.471e+00 363.569 < 2e-16 ***
## NumeroVehiculos_2 3.876e+00 1.577e+00 2.458 0.013988 *
## Sexo_Mujer -4.520e+00 9.381e-01 -4.818 1.45e-06 ***
## `actividad_Otra actividad`:xc2 1.747e+11 3.208e+10 5.445 5.22e-08 ***
## actividad_Jubilado:xy -9.562e+09 7.687e+09 -1.244 0.213574
## `actividad_Otra actividad`:xy -1.276e+11 2.177e+10 -5.861 4.65e-09 ***
## actividad_Estudia:yc2 -1.598e+10 2.186e+09 -7.311 2.70e-13 ***
## xy:Edadsc -2.376e+11 4.483e+10 -5.300 1.16e-07 ***
## EdadSc2:xy 2.601e+11 5.263e+10 4.942 7.77e-07 ***
## xc:`ingreso_Low-level-income` -4.644e+05 3.770e+05 -1.232 0.217991
## xy:`ingreso_Low-level-income` 1.576e+10 8.166e+09 1.930 0.053632 .
## yc:`ingreso_Mid-level-income` 1.267e+05 2.097e+05 0.604 0.545695
## xy:miembroshogar2_2 1.577e+10 4.366e+09 3.613 0.000303 ***
## xy:miembroshogar2_3 7.059e+09 3.995e+09 1.767 0.077228 .
## xy:miembroshogar2_4_mas 5.810e+09 3.613e+09 1.608 0.107833
## distCBD:NumeroVehiculos_3mas 2.687e-03 2.262e-03 1.188 0.235010
## xc2:NumeroVehiculos_3mas -2.630e+11 9.523e+10 -2.762 0.005756 **
## xy:NumeroVehiculos_3mas 2.517e+11 1.038e+11 2.424 0.015334 *
## yc:NumeroVehiculos_3mas 7.864e+06 5.834e+06 1.348 0.177690
## yc2:NumeroVehiculos_3mas -1.956e+11 1.193e+11 -1.639 0.101250
## distCBD:TieneLicencia_Tiene -9.046e-04 3.831e-04 -2.361 0.018223 *
## xc2:TieneLicencia_Tiene 3.280e+10 1.827e+10 1.795 0.072637 .
## xy:TieneLicencia_Tiene -2.105e+10 1.775e+10 -1.186 0.235704
## yc:TieneLicencia_Tiene -3.285e+06 1.039e+06 -3.161 0.001575 **
## yc2:TieneLicencia_Tiene 5.757e+10 2.078e+10 2.770 0.005606 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 89.66 on 37655 degrees of freedom
## Multiple R-squared: 0.8079, Adjusted R-squared: 0.8078
## F-statistic: 5279 on 30 and 37655 DF, p-value: < 2.2e-163
##
## Call:
## lm(formula = walking_distance ~ actividad_Estudia + Edad + EdadSc2 +
## neoModo2_Bus + `neoModo2_Shared taxi` + neoModo2_Walk + NumeroVehiculos_2 +
## Sexo_Mujer + `actividad_Otra actividad`:xc2 + `actividad_Otra actividad`:xy +
## actividad_Estudia:yc2 + xy:Edadsc + xy:EdadSc2 + xy:`ingreso_Low-level-income` +
## xy:miembroshogar2_2 + xy:miembroshogar2_3 + xc2:NumeroVehiculos_3mas +
## xy:NumeroVehiculos_3mas + distCBD:TieneLicencia_Tiene + xc2:TieneLicencia_Tiene +
## yc:TieneLicencia_Tiene + yc2:TieneLicencia_Tiene, data = datosDumificados)
##
## Residuals:
## Min 1Q Median 3Q Max
## -312.51 -29.85 -6.74 15.50 993.05
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.888e+00 9.909e-01 5.942 2.83e-09 ***
## actividad_Estudia 8.267e+00 1.585e+00 5.216 1.84e-07 ***
## Edad 8.780e-01 1.127e-01 7.793 6.73e-15 ***
## EdadSc2 -1.029e+02 1.234e+01 -8.335 < 2e-16 ***
## neoModo2_Bus 5.078e+01 1.106e+00 45.909 < 2e-16 ***
## `neoModo2_Shared taxi` 3.048e+01 2.016e+00 15.117 < 2e-16 ***
## neoModo2_Walk 5.347e+02 1.469e+00 363.974 < 2e-16 ***
## NumeroVehiculos_2 3.746e+00 1.574e+00 2.380 0.017300 *
## Sexo_Mujer -4.529e+00 9.380e-01 -4.829 1.38e-06 ***
## `actividad_Otra actividad`:xc2 1.743e+11 3.208e+10 5.434 5.56e-08 ***
## `actividad_Otra actividad`:xy -1.233e+11 2.166e+10 -5.695 1.24e-08 ***
## actividad_Estudia:yc2 -1.504e+10 2.069e+09 -7.267 3.75e-13 ***
## xy:Edadsc -2.221e+11 4.301e+10 -5.164 2.43e-07 ***
## EdadSc2:xy 2.312e+11 4.795e+10 4.822 1.43e-06 ***
## xy:`ingreso_Low-level-income` 8.544e+09 4.870e+09 1.755 0.079346 .
## xy:miembroshogar2_2 1.408e+10 4.275e+09 3.293 0.000992 ***
## xy:miembroshogar2_3 5.067e+09 3.836e+09 1.321 0.186503
## xc2:NumeroVehiculos_3mas -8.108e+10 4.132e+10 -1.962 0.049772 *
## xy:NumeroVehiculos_3mas 3.678e+10 2.519e+10 1.460 0.144193
## distCBD:TieneLicencia_Tiene -6.874e-04 3.130e-04 -2.196 0.028104 *
## xc2:TieneLicencia_Tiene 1.347e+10 6.402e+09 2.104 0.035394 *
## TieneLicencia_Tiene:yc -2.661e+06 8.631e+05 -3.083 0.002049 **
## yc2:TieneLicencia_Tiene 4.247e+10 1.525e+10 2.786 0.005343 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 89.66 on 37663 degrees of freedom
## Multiple R-squared: 0.8079, Adjusted R-squared: 0.8077
## F-statistic: 7198 on 22 and 37663 DF, p-value: < 2.2e-164
modeloDumy5<-lm(walking_distance~
actividad_Estudia+
Edad+
EdadSc2+
neoModo2_Bus+
`neoModo2_Shared taxi`+
neoModo2_Walk+
NumeroVehiculos_2+
Sexo_Mujer+
`actividad_Otra actividad`:xc2+
`actividad_Otra actividad`:xy+
actividad_Estudia:yc2+
xy:Edadsc+
xy:EdadSc2+
xy:`ingreso_Low-level-income`+
xy:miembroshogar2_2+
xc2:NumeroVehiculos_3mas+
distCBD:TieneLicencia_Tiene+
xc2:TieneLicencia_Tiene+
yc:TieneLicencia_Tiene+
yc2:TieneLicencia_Tiene,
datosDumificados)
summary(modeloDumy5)##
## Call:
## lm(formula = walking_distance ~ actividad_Estudia + Edad + EdadSc2 +
## neoModo2_Bus + `neoModo2_Shared taxi` + neoModo2_Walk + NumeroVehiculos_2 +
## Sexo_Mujer + `actividad_Otra actividad`:xc2 + `actividad_Otra actividad`:xy +
## actividad_Estudia:yc2 + xy:Edadsc + xy:EdadSc2 + xy:`ingreso_Low-level-income` +
## xy:miembroshogar2_2 + xc2:NumeroVehiculos_3mas + distCBD:TieneLicencia_Tiene +
## xc2:TieneLicencia_Tiene + yc:TieneLicencia_Tiene + yc2:TieneLicencia_Tiene,
## data = datosDumificados)
##
## Residuals:
## Min 1Q Median 3Q Max
## -313.53 -29.82 -6.74 15.53 991.67
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.936e+00 9.905e-01 5.993 2.08e-09 ***
## actividad_Estudia 8.294e+00 1.585e+00 5.234 1.67e-07 ***
## Edad 8.776e-01 1.127e-01 7.789 6.93e-15 ***
## EdadSc2 -1.028e+02 1.234e+01 -8.329 < 2e-16 ***
## neoModo2_Bus 5.073e+01 1.106e+00 45.878 < 2e-16 ***
## `neoModo2_Shared taxi` 3.039e+01 2.015e+00 15.077 < 2e-16 ***
## neoModo2_Walk 5.347e+02 1.469e+00 364.057 < 2e-16 ***
## NumeroVehiculos_2 3.702e+00 1.574e+00 2.353 0.01864 *
## Sexo_Mujer -4.535e+00 9.380e-01 -4.835 1.34e-06 ***
## `actividad_Otra actividad`:xc2 1.745e+11 3.208e+10 5.440 5.36e-08 ***
## `actividad_Otra actividad`:xy -1.221e+11 2.163e+10 -5.646 1.65e-08 ***
## actividad_Estudia:yc2 -1.434e+10 2.012e+09 -7.130 1.02e-12 ***
## xy:Edadsc -2.178e+11 4.289e+10 -5.078 3.83e-07 ***
## EdadSc2:xy 2.263e+11 4.783e+10 4.731 2.24e-06 ***
## xy:`ingreso_Low-level-income` 9.706e+09 4.807e+09 2.019 0.04351 *
## xy:miembroshogar2_2 1.362e+10 4.246e+09 3.208 0.00134 **
## xc2:NumeroVehiculos_3mas -3.269e+10 2.393e+10 -1.366 0.17191
## distCBD:TieneLicencia_Tiene -7.277e-04 3.122e-04 -2.331 0.01978 *
## xc2:TieneLicencia_Tiene 1.394e+10 6.314e+09 2.208 0.02727 *
## TieneLicencia_Tiene:yc -2.778e+06 8.603e+05 -3.229 0.00124 **
## yc2:TieneLicencia_Tiene 4.510e+10 1.517e+10 2.973 0.00295 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 89.66 on 37665 degrees of freedom
## Multiple R-squared: 0.8078, Adjusted R-squared: 0.8077
## F-statistic: 7917 on 20 and 37665 DF, p-value: < 2.2e-165
modeloDumy6<-lm(walking_distance~
actividad_Estudia+
Edad+
EdadSc2+
neoModo2_Bus+
`neoModo2_Shared taxi`+
neoModo2_Walk+
NumeroVehiculos_2+
Sexo_Mujer+
`actividad_Otra actividad`:xc2+
`actividad_Otra actividad`:xy+
actividad_Estudia:yc2+
xy:Edadsc+
xy:EdadSc2+
xy:`ingreso_Low-level-income`+
xy:miembroshogar2_2+
distCBD:TieneLicencia_Tiene+
xc2:TieneLicencia_Tiene+
yc:TieneLicencia_Tiene+
yc2:TieneLicencia_Tiene,
datosDumificados)
summary(modeloDumy6)##
## Call:
## lm(formula = walking_distance ~ actividad_Estudia + Edad + EdadSc2 +
## neoModo2_Bus + `neoModo2_Shared taxi` + neoModo2_Walk + NumeroVehiculos_2 +
## Sexo_Mujer + `actividad_Otra actividad`:xc2 + `actividad_Otra actividad`:xy +
## actividad_Estudia:yc2 + xy:Edadsc + xy:EdadSc2 + xy:`ingreso_Low-level-income` +
## xy:miembroshogar2_2 + distCBD:TieneLicencia_Tiene + xc2:TieneLicencia_Tiene +
## yc:TieneLicencia_Tiene + yc2:TieneLicencia_Tiene, data = datosDumificados)
##
## Residuals:
## Min 1Q Median 3Q Max
## -313.53 -29.81 -6.73 15.52 991.72
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.905e+00 9.902e-01 5.964 2.49e-09 ***
## actividad_Estudia 8.318e+00 1.585e+00 5.249 1.54e-07 ***
## Edad 8.778e-01 1.127e-01 7.791 6.84e-15 ***
## EdadSc2 -1.027e+02 1.234e+01 -8.325 < 2e-16 ***
## neoModo2_Bus 5.075e+01 1.106e+00 45.894 < 2e-16 ***
## `neoModo2_Shared taxi` 3.043e+01 2.015e+00 15.101 < 2e-16 ***
## neoModo2_Walk 5.347e+02 1.469e+00 364.068 < 2e-16 ***
## NumeroVehiculos_2 3.697e+00 1.574e+00 2.350 0.01880 *
## Sexo_Mujer -4.537e+00 9.380e-01 -4.837 1.32e-06 ***
## `actividad_Otra actividad`:xc2 1.744e+11 3.208e+10 5.438 5.42e-08 ***
## `actividad_Otra actividad`:xy -1.219e+11 2.163e+10 -5.634 1.78e-08 ***
## actividad_Estudia:yc2 -1.428e+10 2.011e+09 -7.099 1.28e-12 ***
## xy:Edadsc -2.162e+11 4.288e+10 -5.042 4.64e-07 ***
## EdadSc2:xy 2.251e+11 4.783e+10 4.708 2.52e-06 ***
## xy:`ingreso_Low-level-income` 9.542e+09 4.806e+09 1.985 0.04711 *
## xy:miembroshogar2_2 1.347e+10 4.245e+09 3.173 0.00151 **
## distCBD:TieneLicencia_Tiene -7.272e-04 3.122e-04 -2.329 0.01986 *
## xc2:TieneLicencia_Tiene 1.269e+10 6.247e+09 2.031 0.04226 *
## TieneLicencia_Tiene:yc -2.758e+06 8.601e+05 -3.206 0.00135 **
## yc2:TieneLicencia_Tiene 4.470e+10 1.517e+10 2.947 0.00321 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 89.66 on 37666 degrees of freedom
## Multiple R-squared: 0.8078, Adjusted R-squared: 0.8077
## F-statistic: 8333 on 19 and 37666 DF, p-value: < 2.2e-16VIF: Variance Inflation Factor
Vemos si en este modelo las variables que son estadísticamente significativas tienen una multicolinealidad alta.
https://es.wikipedia.org/wiki/Factor_de_inflaci%C3%B3n_de_la_varianza
Nos percatamos que algunas de ellas sí, ya que determinamos que 4 es un factor que representa una alta multicolinealidad.
library(car)
all_vifs <- car::vif(modeloDumy6)
head(all_vifs,20)## actividad_Estudia Edad
## 2.216853 23.148455
## EdadSc2 neoModo2_Bus
## 18.954435 1.410074
## `neoModo2_Shared taxi` neoModo2_Walk
## 1.166403 1.318205
## NumeroVehiculos_2 Sexo_Mujer
## 1.080833 1.030531
## `actividad_Otra actividad`:xc2 `actividad_Otra actividad`:xy
## 2.745029 2.904921
## actividad_Estudia:yc2 xy:Edadsc
## 1.485612 22.415506
## EdadSc2:xy xy:`ingreso_Low-level-income`
## 19.642602 1.110145
## xy:miembroshogar2_2 distCBD:TieneLicencia_Tiene
## 1.185570 8.388954
## xc2:TieneLicencia_Tiene TieneLicencia_Tiene:yc
## 1.240843 107.463978
## yc2:TieneLicencia_Tiene
## 96.719228Nos percatamos que algunas de ellas sí, ya que determinamos que 4 es un factor que representa una alta multicolinealidad. Entonces de manera iterativa buscamos un modelo de variables significativas que den un VIF < a 4.
Ref: http://r-statistics.co/Model-Selection-in-R.html
signif_all <- names(all_vifs)
#Remove vars with VIF> 4 and re-build model until none of VIFs don't exceed 4.
while(any(all_vifs > 4)){
var_with_max_vif <- names(which(all_vifs == max(all_vifs))) # get the var with max vif
signif_all <- signif_all[!(signif_all) %in% var_with_max_vif] # remove
myForm <- as.formula(paste("walking_distance ~", paste (signif_all, collapse=" + "), sep="")) # new formula
selectedMod <- lm(myForm, data=datosDumificados) # re-build model with new formula
all_vifs <- car::vif(selectedMod)
}
summary(selectedMod)##
## Call:
## lm(formula = myForm, data = datosDumificados)
##
## Residuals:
## Min 1Q Median 3Q Max
## -313.03 -29.83 -6.18 15.84 996.89
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 7.309e+00 9.721e-01 7.519 5.64e-14 ***
## actividad_Estudia 1.505e+00 1.298e+00 1.159 0.24633
## EdadSc2 -9.337e+00 3.441e+00 -2.713 0.00667 **
## neoModo2_Bus 5.127e+01 1.105e+00 46.402 < 2e-16 ***
## `neoModo2_Shared taxi` 3.073e+01 2.015e+00 15.249 < 2e-16 ***
## neoModo2_Walk 5.340e+02 1.466e+00 364.205 < 2e-16 ***
## NumeroVehiculos_2 3.786e+00 1.574e+00 2.405 0.01618 *
## Sexo_Mujer -4.263e+00 9.387e-01 -4.541 5.61e-06 ***
## `actividad_Otra actividad`:xc2 1.632e+11 3.207e+10 5.090 3.61e-07 ***
## `actividad_Otra actividad`:xy -8.754e+10 2.113e+10 -4.144 3.43e-05 ***
## actividad_Estudia:yc2 -1.005e+10 1.798e+09 -5.593 2.25e-08 ***
## EdadSc2:xy -1.286e+10 1.230e+10 -1.045 0.29584
## xy:`ingreso_Low-level-income` 8.497e+09 4.798e+09 1.771 0.07658 .
## xy:miembroshogar2_2 1.204e+10 4.219e+09 2.853 0.00433 **
## distCBD:TieneLicencia_Tiene 1.727e-04 1.105e-04 1.563 0.11805
## xc2:TieneLicencia_Tiene 1.129e+10 6.051e+09 1.866 0.06206 .
## yc2:TieneLicencia_Tiene -5.090e+09 1.670e+09 -3.047 0.00231 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 89.77 on 37669 degrees of freedom
## Multiple R-squared: 0.8073, Adjusted R-squared: 0.8073
## F-statistic: 9865 on 16 and 37669 DF, p-value: < 2.2e-16Creando el último modelo considerando los VIF <4
Una vez obtenido el modelo, seleccionamos las variables estadísticamente significativas, y corremos un nuevo modelo donde todas las variables tienen una influencia sobre la variable dependiente.
ultimo<-lm(walking_distance~
EdadSc2+
neoModo2_Bus+
`neoModo2_Shared taxi`+
neoModo2_Walk+
NumeroVehiculos_2+
Sexo_Mujer+
`actividad_Otra actividad`:xc2+
`actividad_Otra actividad`:xy+
actividad_Estudia:yc2+
xy:`ingreso_Low-level-income`+
xy:miembroshogar2_2+
xc2:TieneLicencia_Tiene+
yc2:TieneLicencia_Tiene,
datosDumificados)
summary(ultimo)##
## Call:
## lm(formula = walking_distance ~ EdadSc2 + neoModo2_Bus + `neoModo2_Shared taxi` +
## neoModo2_Walk + NumeroVehiculos_2 + Sexo_Mujer + `actividad_Otra actividad`:xc2 +
## `actividad_Otra actividad`:xy + actividad_Estudia:yc2 + xy:`ingreso_Low-level-income` +
## xy:miembroshogar2_2 + xc2:TieneLicencia_Tiene + yc2:TieneLicencia_Tiene,
## data = datosDumificados)
##
## Residuals:
## Min 1Q Median 3Q Max
## -312.52 -30.17 -6.44 15.57 996.75
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 7.420e+00 9.353e-01 7.933 2.20e-15 ***
## EdadSc2 -1.193e+01 2.847e+00 -4.191 2.79e-05 ***
## neoModo2_Bus 5.156e+01 1.093e+00 47.185 < 2e-16 ***
## `neoModo2_Shared taxi` 3.103e+01 2.009e+00 15.447 < 2e-16 ***
## neoModo2_Walk 5.343e+02 1.453e+00 367.639 < 2e-16 ***
## NumeroVehiculos_2 3.594e+00 1.568e+00 2.292 0.02192 *
## Sexo_Mujer -4.297e+00 9.383e-01 -4.580 4.67e-06 ***
## `actividad_Otra actividad`:xc2 1.626e+11 3.207e+10 5.071 3.98e-07 ***
## `actividad_Otra actividad`:xy -8.509e+10 2.104e+10 -4.045 5.24e-05 ***
## actividad_Estudia:yc2 -9.417e+09 1.660e+09 -5.674 1.40e-08 ***
## xy:`ingreso_Low-level-income` 8.011e+09 4.722e+09 1.697 0.08976 .
## xy:miembroshogar2_2 1.092e+10 4.102e+09 2.663 0.00775 **
## xc2:TieneLicencia_Tiene 1.217e+10 6.030e+09 2.018 0.04360 *
## yc2:TieneLicencia_Tiene -5.445e+09 1.658e+09 -3.284 0.00102 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 89.78 on 37672 degrees of freedom
## Multiple R-squared: 0.8073, Adjusted R-squared: 0.8072
## F-statistic: 1.214e+04 on 13 and 37672 DF, p-value: < 2.2e-16Viendo el VIF del último modelo
Comprobamos que el factor de multicolinealidad dado por VIF ahora es bastante bajo:
vifModeloUltimo<-car::vif(ultimo)
head(vifModeloUltimo,20)## EdadSc2 neoModo2_Bus
## 1.006337 1.373503
## `neoModo2_Shared taxi` neoModo2_Walk
## 1.156367 1.287556
## NumeroVehiculos_2 Sexo_Mujer
## 1.070443 1.028574
## `actividad_Otra actividad`:xc2 `actividad_Otra actividad`:xy
## 2.736909 2.740010
## actividad_Estudia:yc2 xy:`ingreso_Low-level-income`
## 1.009335 1.068857
## xy:miembroshogar2_2 xc2:TieneLicencia_Tiene
## 1.104258 1.152983
## yc2:TieneLicencia_Tiene
## 1.152522Calculando distancias
Creando matriz del modelo con todas las variables significativas
Con el modelo anterior ya se puede generar una matriz que permita hacer cálculos de distancia recorrida según los distintos valores de las variables.
# Creando matriz -------------------------
modeloMatrix<-model.matrix(walking_distance~
EdadSc2+
neoModo2_Bus+
`neoModo2_Shared taxi`+
neoModo2_Walk+
NumeroVehiculos_2+
Sexo_Mujer+
`actividad_Otra actividad`:xc2+
`actividad_Otra actividad`:xy+
actividad_Estudia:yc2+
xy:`ingreso_Low-level-income`+
xy:miembroshogar2_2+
xc2:TieneLicencia_Tiene+
yc2:TieneLicencia_Tiene,
datosDumificados)Calculando distancias recorridas
#Saco el resumen
coefModelo<-summary(ultimo)
summary(ultimo)##
## Call:
## lm(formula = walking_distance ~ EdadSc2 + neoModo2_Bus + `neoModo2_Shared taxi` +
## neoModo2_Walk + NumeroVehiculos_2 + Sexo_Mujer + `actividad_Otra actividad`:xc2 +
## `actividad_Otra actividad`:xy + actividad_Estudia:yc2 + xy:`ingreso_Low-level-income` +
## xy:miembroshogar2_2 + xc2:TieneLicencia_Tiene + yc2:TieneLicencia_Tiene,
## data = datosDumificados)
##
## Residuals:
## Min 1Q Median 3Q Max
## -312.52 -30.17 -6.44 15.57 996.75
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 7.420e+00 9.353e-01 7.933 2.20e-15 ***
## EdadSc2 -1.193e+01 2.847e+00 -4.191 2.79e-05 ***
## neoModo2_Bus 5.156e+01 1.093e+00 47.185 < 2e-16 ***
## `neoModo2_Shared taxi` 3.103e+01 2.009e+00 15.447 < 2e-16 ***
## neoModo2_Walk 5.343e+02 1.453e+00 367.639 < 2e-16 ***
## NumeroVehiculos_2 3.594e+00 1.568e+00 2.292 0.02192 *
## Sexo_Mujer -4.297e+00 9.383e-01 -4.580 4.67e-06 ***
## `actividad_Otra actividad`:xc2 1.626e+11 3.207e+10 5.071 3.98e-07 ***
## `actividad_Otra actividad`:xy -8.509e+10 2.104e+10 -4.045 5.24e-05 ***
## actividad_Estudia:yc2 -9.417e+09 1.660e+09 -5.674 1.40e-08 ***
## xy:`ingreso_Low-level-income` 8.011e+09 4.722e+09 1.697 0.08976 .
## xy:miembroshogar2_2 1.092e+10 4.102e+09 2.663 0.00775 **
## xc2:TieneLicencia_Tiene 1.217e+10 6.030e+09 2.018 0.04360 *
## yc2:TieneLicencia_Tiene -5.445e+09 1.658e+09 -3.284 0.00102 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 89.78 on 37672 degrees of freedom
## Multiple R-squared: 0.8073, Adjusted R-squared: 0.8072
## F-statistic: 1.214e+04 on 13 and 37672 DF, p-value: < 2.2e-16#Selecciono y convierto los coeficientes del modelo a data frame
coefModelo<-coefModelo$coef %>% as.data.frame(.)
#Selecciono los coeficientes del modelo con valor t > 0.1
coefModelo<-coefModelo[coefModelo$`Pr(>|t|)`<=0.1,]
#Selecciono los nombres de las variables
varModDummy_fnal<-rownames(coefModelo)
#Selecciono solo las columnas que tienen las variables de interés
testSeleccion<-modeloMatrix[,colnames(modeloMatrix)%in%rownames(coefModelo)] %>% as.data.frame(.)
#Multiplico las filas por columnas del mismo nombre de dos set distintos
#https://stackoverflow.com/questions/35407852/multiply-columns-with-rows-by-matching-column-name-and-row-name-in-r
#Forma 1
CoefByValue<- testSeleccion*coefModelo$Estimate[match(names(testSeleccion),rownames(coefModelo))][col(testSeleccion)]
#Junto el nombre de las variables con los de la multiplicación
matrizMultiplicada<-cbind(CoefByValue, suma=rowSums(CoefByValue))
#colnames(matrizMultiplicada)
#Junto las variables multiplicadas con sus respectivas coordenadas
num_buffer<-cbind(matrizMultiplicada, lat=datosFinales$lat, long=datosFinales$long) #Le agrego a las
#Hago las transformaciones a SF para guardarlo
num_buffer<-st_as_sf(num_buffer, coords = c("long","lat"))
num_buffer2<-num_buffer %>% st_set_crs(.,4326)
num_buffer2<-st_transform(num_buffer2, 32718)
colnames(num_buffer2)<-c("(Intercept)", "EdadSc2" ,
"neoModo2_Bus", "neoModo2_Shared_taxi",
"neoModo2_Walk", "NumeroVehiculos_2",
"Sexo_Mujer", "actividad_Otra actividad_xc2",
"actividad_Otra_actividad_xy","actividad_Estudia_yc2",
"xy_ingreso_Low-level-income", "xy_miembroshogar2_2",
"xc2_TieneLicencia_Tiene","yc2_TieneLicencia_Tiene",
"suma", "geometry")Generando áreas con accesibilidad a Humedales
Generando buffers
x<-list()
for(i in 1:nrow(num_buffer2)){
buferitos<-st_buffer(num_buffer2[i,], dist=as.integer(num_buffer2$suma[i]))
x[[i]]<-buferitos
}
# Uniendo la lista y guardando entero --------------------------
library(mapedit)
distancias<-mapedit:::combine_list_of_sf(x)
head(distancias)library(tmap)
ggplot(distancias)+
geom_sf()+
theme(axis.text.x = element_text(angle = 90, hjust = 1))
Abriendo shapes humedales
hum_vascoDaGama<-st_read("E:/Rwork/2020_desdeJunio/septiembre2_parte2ModeloCarolina/Humedales/Humedales/Vasco_Da_Gama_2019.shp")
hum_batros<-st_read("E:/Rwork/2020_desdeJunio/septiembre2_parte2ModeloCarolina/Humedales/Humedales/Batros_2019.shp")
hum_bocMaule<-st_read("E:/Rwork/2020_desdeJunio/septiembre2_parte2ModeloCarolina/Humedales/Humedales/Boca_Maule_2019.shp")
hum_cartagena<-st_read("E:/Rwork/2020_desdeJunio/septiembre2_parte2ModeloCarolina/Humedales/Humedales/Cartagena_2019.shp")
hum_coculra<-st_read("E:/Rwork/2020_desdeJunio/septiembre2_parte2ModeloCarolina/Humedales/Humedales/Colcura_2019.shp")
hum_lenga<-st_read("E:/Rwork/2020_desdeJunio/septiembre2_parte2ModeloCarolina/Humedales/Humedales/Lenga_2019.shp")
hum_paicavi<-st_read("E:/Rwork/2020_desdeJunio/septiembre2_parte2ModeloCarolina/Humedales/Humedales/Paicavi_2019.shp")
hum_rocuant<-st_read("E:/Rwork/2020_desdeJunio/septiembre2_parte2ModeloCarolina/Humedales/Humedales/Rocuant_2019.shp")Creando disolvedor del Phil Mike Jones y simplificando shapes de humedales
disolvedorPhil<-function(x,y){
x<-x %>% st_set_crs(.,4326) %>%
st_transform(.,32718)
x$area<- st_area(x)
x
x<-x %>%
summarise(area = sum(area))
x
xy<-cbind(x,nombre=as.character(y))
return(xy)}
humedales<-rbind(disolvedorPhil(hum_vascoDaGama, "Vasco Da Gama"),
disolvedorPhil(hum_batros, "Batros"),
disolvedorPhil(hum_bocMaule,"Boca Maule"),
disolvedorPhil(hum_cartagena,"Cartagena"),
disolvedorPhil(hum_coculra, "Colcura"),
disolvedorPhil(hum_lenga,"Lenga"),
disolvedorPhil(hum_rocuant,"Rocuant"),
disolvedorPhil(hum_paicavi,"Paicavi"))
#Disolviendo los buffers
distancias$area<- st_area(distancias)
distUnion<-distancias %>%
summarise(area = sum(area))Calculando el área accesible por cada humedal humedales
total_acceso<-st_intersection(humedales,distUnion) %>%
cbind(.,nueva_area=st_area(.)) %>%
cbind(., Area_hect=as.numeric(.$nueva_area*0.0001)) %>%
.[,c(2,1,4,5,6)]
head(total_acceso)[1:4,]## Simple feature collection with 4 features and 4 fields
## geometry type: MULTIPOLYGON
## dimension: XY
## bbox: xmin: 661494.8 ymin: 5890957 xmax: 671929.6 ymax: 5927296
## projected CRS: WGS 84 / UTM zone 18S
## nombre area nueva_area Area_hect
## 1 Vasco Da Gama 766207.0 [m^2] 485918.0 [m^2] 48.59180
## 2 Batros 969054.5 [m^2] 613531.4 [m^2] 61.35314
## 3 Boca Maule 760259.3 [m^2] 552274.7 [m^2] 55.22747
## 5 Colcura 155136.6 [m^2] 124297.6 [m^2] 12.42976
## geometry
## 1 MULTIPOLYGON (((671372.1 59...
## 2 MULTIPOLYGON (((667153.2 59...
## 3 MULTIPOLYGON (((663705.4 59...
## 5 MULTIPOLYGON (((663902.5 58...Calculando el área no accesible a humedadales
library(lwgeom)humedales$Area<-st_area(humedales)
humedales<-st_make_valid(humedales)
humedales_noAcceso<-st_difference(humedales,distUnion)
humedales_noAcceso<-st_crop(humedales_noAcceso,st_bbox(distUnion))
humedales_noAcceso$areaHaNoAcceso<-st_area(humedales_noAcceso)*0.0001
humedales_acceso<-st_intersection(humedales, distUnion)
humedales_acceso$areaHaAcceso<-st_area(humedales_acceso)*0.0001
humedales$AreaHa<-st_area(humedales)*0.0001
rbind(Noacceso=humedales_noAcceso$areaHaNoAcceso %>% sum(.)%>% as.numeric(.),
ConAcceso=humedales_acceso$areaHaAcceso %>% sum()%>% as.numeric(.),
Total=humedales$AreaHa %>% sum() %>% as.numeric(.))## [,1]
## Noacceso 1240.489
## ConAcceso 263.236
## Total 1529.260Mapa área humedales accesible y no accesible
ggplot(distUnion)+
geom_sf(fill="yellow", color="yellow")+
geom_sf(data=humedales_noAcceso,color="red")+
geom_sf(data=total_acceso, color="green")+
theme(axis.text.x = element_text(angle = 90, hjust = 1))
Calculando el área no accesible a áreas verdes
averdes<-st_read("E:/Rwork/2020_desdeJunio/septiembre2_parte2ModeloCarolina/areas_verdes/areas_verdes_amc.shp")averdes<-averdes %>% st_set_crs(.,32719) %>%
st_transform(.,32718)
averdes<-averdes[!(averdes$COMUNA%in%c("LOS ÁNGELES","CHILLÁN","SANTA JUANA","NACIMIENTO"))&!(averdes$NOMBRE_EP%in%c("DE ARMAS","RAFAEL")),]
averdes$Area<-st_area(averdes)
library(lwgeom)
averdes<-st_make_valid(averdes)
averde_acceso<-st_intersection(averdes, distUnion)
averde_acceso$areaHaAcceso<-st_area(averde_acceso)*0.0001
averde_noacceso<-st_difference(averdes, distUnion)
averde_noacceso$areaHaNoAcceso<-st_area(averde_noacceso)*0.0001
averdes$AreaHa<-st_area(averdes)*0.0001
rbind(Noacceso=averde_noacceso$areaHaNoAcceso %>% sum(.)%>% as.numeric(.),
ConAcceso=averde_acceso$areaHaAcceso %>% sum()%>% as.numeric(.),
Total=averdes$AreaHa %>% sum() %>% as.numeric(.))## [,1]
## Noacceso 48.48486
## ConAcceso 461.00540
## Total 509.49026ggplot(distUnion)+
geom_sf(fill="yellow", color="yellow")+
geom_sf(data=averde_noacceso,color="red")+
geom_sf(data=averde_acceso, color="green")+
theme(axis.text.x = element_text(angle = 90, hjust = 1))
Parques calculando el área accesible y no accesible a parques
parques<-st_read("E:/Rwork/2020_desdeJunio/septiembre2_parte2ModeloCarolina/parques/Parques_corregido.shp")parques$Area<-st_area(parques)
library(lwgeom)
parques<-st_make_valid(parques)
parques_acceso<-st_intersection(parques, distUnion)
parques_acceso$areaHaAcceso<-st_area(parques_acceso)*0.0001
parques_noacceso<-st_difference(parques, distUnion)
parques_noacceso$areaHaNoAcceso<-st_area(parques_noacceso)*0.0001
parques$AreaHa<-st_area(parques)*0.0001
rbind(Noacceso=parques_noacceso$areaHaNoAcceso %>% sum(.)%>% as.numeric(.),
ConAcceso=parques_acceso$areaHaAcceso %>% sum()%>% as.numeric(.),
Total=parques$AreaHa %>% sum() %>% as.numeric(.))## [,1]
## Noacceso 14.79916
## ConAcceso 109.64830
## Total 124.44746ggplot(distUnion)+
geom_sf(fill="yellow", color="yellow")+
geom_sf(data=parques_noacceso,color="red")+
geom_sf(data=parques_acceso, color="green")+
theme(axis.text.x = element_text(angle = 90, hjust = 1))
Área total con acceso y sin acceso
tablaresumen<-cbind(
Area_Total= rbind(
total_acceso=sum(sum(as.numeric(parques_acceso$areaHaAcceso)),
sum(as.numeric(averde_acceso$areaHaAcceso)),
sum(as.numeric(humedales_acceso$areaHaAcceso))),
total_sinAcceso=sum(sum(as.numeric(parques_noacceso$areaHaNoAcceso)),
sum(as.numeric(averde_noacceso$areaHaNoAcceso)),
sum(as.numeric(humedales_noAcceso$areaHaNoAcceso))),
area_total=sum(sum(as.numeric(parques$AreaHa)),
sum(as.numeric(averdes$AreaHa)),
sum(as.numeric(humedales$AreaHa)))),
Humedales=rbind(acceso=sum(as.numeric(humedales_acceso$areaHaAcceso)),
sinAcceso=sum(as.numeric(humedales_noAcceso$areaHaNoAcceso)),
total=sum(as.numeric(humedales$AreaHa))),
Parques=rbind(acceso=sum(as.numeric(parques_acceso$areaHaAcceso)),
sinAcceso=sum(as.numeric(parques_noacceso$areaHaNoAcceso)),
total=sum(as.numeric(parques$AreaHa))),
AVerdes=rbind(acceso=sum(as.numeric(averde_acceso$areaHaAcceso)),
sinAcceso=sum(as.numeric(averde_noacceso$areaHaNoAcceso)),
total=sum(as.numeric(averdes$AreaHa)))) %>%
as.data.frame(.)Tabla final resumen:
tablaresumen<-data.frame(cbind(tablaresumen,
AreaTotal_Porc=tablaresumen$V1/tablaresumen$V1[3]*100,
Humedales_porc=tablaresumen$V2/tablaresumen$V1[3]*100,
Parques_porc=tablaresumen$V3/tablaresumen$V1[3]*100,
AVerdes_porc=tablaresumen$V4/tablaresumen$V1[3]*100))
colnames(tablaresumen)[1:4]<-c("Area_total","AreaHa_Humedales","AreaHa_Parques","AreaHa_Parques")
rownames(tablaresumen)<-c("Total_Acceso","Total_SinAcceso","AreaTotal")
head(tablaresumen)## Area_total AreaHa_Humedales AreaHa_Parques AreaHa_Parques
## Total_Acceso 833.8897 263.236 109.64830 461.00540
## Total_SinAcceso 1303.7727 1240.489 14.79916 48.48486
## AreaTotal 2163.1973 1529.260 124.44746 509.49026
## AreaTotal_Porc Humedales_porc Parques_porc AVerdes_porc
## Total_Acceso 38.54894 12.16884 5.0688072 21.311297
## Total_SinAcceso 60.27063 57.34515 0.6841337 2.241352
## AreaTotal 100.00000 70.69441 5.7529409 23.552649