Comparación de Índice de Desarrollo Humano (HDI) entre Latinoamerica vs USA y Canadá
David Sanchez, Laura Orozco, Oscar Usuga
19 de diciembre de 2020
Proyecto Final
Pregunta o reto a resolver: ¿El comportamiento del índice de desarrollo humano entre los años 2010 y 2017 es diferente para los paises de latinoamerica comparado con paises desarrollados de norteamerica (EE.UU y Canada)?
Se procederá a trabajar con las bases de datos de los índices ajustados, en donde, teóricamente se puede conocer la relación intrínseca del IDH con lo demás indicadores, salud, educación e ingresos, a partir de los cuales se mide el desarrollo de un territorio.
El IHDI da cuenta de la distribución de los logros de un país en las tres dimensiones entre su población las cuales son: i) esperanza de vida (salud), ii) educación e iii) ingresos. Esto es, en otras palabras, qué tan grande es la brecha de desigualdad entre los que disfrutan de los desarrollos más altos y los que tienen los logros más bajos en un determinado período o país. Con este contexto previo, se busca conocer la diferencia en el nivel de educación con el índice de desarrollo humano entre los países latinoamericanos y paises desarrollados de america, USA y Canadá. Para este caso, se validará gráficamente como se comporta esta tasa en el continente americano haciendo la clasificación entre países de habla hispana Vs. Estados Unidos Y Canadá, conocidos mundialmente por ser potencias.
Cargar datos
library("dplyr")##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary("ggplot2")
hdi_data <- read.csv("Adjusted_HDI.csv", sep = ";", dec=",")
hdi_data$dimension <- as.factor(hdi_data$dimension)
hdi_data$indicator_name <- as.factor(hdi_data$indicator_name)
hdi_data$iso3 <- as.factor(hdi_data$iso3)
hdi_data$country_name = as.factor(hdi_data$country_name)
hdi_data$year <- as.integer(gsub("X", "", hdi_data$year))
colnames(hdi_data)[9] = "HDI_value"
hdi_data_american <- subset(hdi_data, hdi_data$Continent==7 | hdi_data$Continent==5)
hdi_data_american[,"Grupo"] = "Latinoamerica"
hdi_data_american[hdi_data_american$iso3=="CAN" | hdi_data_american$iso3=="USA","Grupo"] = "CAN y USA"
hdi_data_american$Grupo = as.factor(hdi_data_american$Grupo)head(hdi_data_american)## X dimension indicator_id indicator_name iso3
## 3 41618 Inequality 138806 Inequality-adjusted HDI (IHDI) ARG
## 8 41623 Inequality 138806 Inequality-adjusted HDI (IHDI) BHS
## 12 41628 Inequality 138806 Inequality-adjusted HDI (IHDI) BLZ
## 14 41631 Inequality 138806 Inequality-adjusted HDI (IHDI) BOL
## 16 41634 Inequality 138806 Inequality-adjusted HDI (IHDI) BRA
## 22 41641 Inequality 138806 Inequality-adjusted HDI (IHDI) CAN
## country_name Continent year HDI_value Grupo
## 3 Argentina 7 2010 0.653 Latinoamerica
## 8 Bahamas 5 2010 0.676 Latinoamerica
## 12 Belize 5 2010 0.498 Latinoamerica
## 14 Bolivia (Plurinational State of) 7 2010 0.402 Latinoamerica
## 16 Brazil 7 2010 0.529 Latinoamerica
## 22 Canada 5 2010 0.824 CAN y USAstr(hdi_data_american)## 'data.frame': 211 obs. of 10 variables:
## $ X : int 41618 41623 41628 41631 41634 41641 41644 41646 41650 41657 ...
## $ dimension : Factor w/ 1 level "Inequality": 1 1 1 1 1 1 1 1 1 1 ...
## $ indicator_id : int 138806 138806 138806 138806 138806 138806 138806 138806 138806 138806 ...
## $ indicator_name: Factor w/ 1 level "Inequality-adjusted HDI (IHDI)": 1 1 1 1 1 1 1 1 1 1 ...
## $ iso3 : Factor w/ 164 levels "AFG","AGO","ALB",..: 4 15 18 19 20 25 27 33 36 42 ...
## $ country_name : Factor w/ 164 levels "Afghanistan",..: 5 10 15 18 21 29 32 34 38 44 ...
## $ Continent : int 7 5 5 7 7 5 7 7 5 5 ...
## $ year : int 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 ...
## $ HDI_value : num 0.653 0.676 0.498 0.402 0.529 0.824 0.655 0.513 0.599 0.528 ...
## $ Grupo : Factor w/ 2 levels "CAN y USA","Latinoamerica": 2 2 2 2 2 1 2 2 2 2 ...summary(hdi_data_american)## X dimension indicator_id
## Min. :41618 Inequality:211 Min. :138806
## 1st Qu.:44717 1st Qu.:138806
## Median :49687 Median :138806
## Mean :48809 Mean :138806
## 3rd Qu.:53707 3rd Qu.:138806
## Max. :55871 Max. :138806
##
## indicator_name iso3
## Inequality-adjusted HDI (IHDI):211 ARG : 8
## BOL : 8
## BRA : 8
## CAN : 8
## CHL : 8
## COL : 8
## (Other):163
## country_name Continent year
## Argentina : 8 Min. :5.0 Min. :2010
## Bolivia (Plurinational State of): 8 1st Qu.:5.0 1st Qu.:2012
## Brazil : 8 Median :5.0 Median :2014
## Canada : 8 Mean :5.9 Mean :2014
## Chile : 8 3rd Qu.:7.0 3rd Qu.:2016
## Colombia : 8 Max. :7.0 Max. :2017
## (Other) :163
## HDI_value Grupo
## Min. :0.2780 CAN y USA : 16
## 1st Qu.:0.5165 Latinoamerica:195
## Median :0.5710
## Mean :0.5743
## 3rd Qu.:0.6400
## Max. :0.8520
## Resumen Descriptivo
Inicialmente, se validan los indicadores de tendencia central de esta variable (IDH) donde se observan valores extremos entre 0.2780 y 0.8520, de aquí que también se logra evidenciar que el 25% de los países tienen valores por encima de 0.64 para este indicador, mientras que el 50% son iguales o inferiores a 0.5710
summary(hdi_data_american$HDI_value)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.2780 0.5165 0.5710 0.5743 0.6400 0.8520Se realiza un gráfico de densidad superpuesto a un histograma que permita validar lo antes encontrado en los indicadores de tendencia central, y se hace muy notorio que la mayoría de los datos de los países que conforman el continente americano están concentrados alrededor de la cifra 0.57. También es importante resaltar que hay valores superiores a 0.80 que resaltan en contraste con el comportamiento de los datos.
densidadPlot <- ggplot(hdi_data_american,aes(x=HDI_value))
densidadPlot <- densidadPlot + geom_histogram(aes(y=..density..), binwidth=0.05,colour="black", fill="#f2f0f7")
densidadPlot <- densidadPlot + geom_density(alpha=.3, fill="#FF6666")
densidadPlot <- densidadPlot + geom_vline (aes ( xintercept = 0.5165, color = 'red'))
densidadPlot <- densidadPlot + geom_text (x=0.52, y=4.9, label="Promedio total (0.52)")
densidadPlot <- densidadPlot +
labs(title = "Distribución Global de Índice de Desarrollo Humano de 2010-2017",
x = "Índice de Desarrollo Humano")
densidadPlot <- densidadPlot + theme(legend.position = "none")
densidadPlot
Realizando el mismo ejercicio de conocer el comportamiento de este indicador para la clasificación de los grupos previamente establecidos, se observa un comportamiento que resalta y permite generar hallazgos de valor para la investigación propuesta, de aquí que, Estados unidos y Canadá evidentemente presentan un comportamiento superior respecto a Latinoamérica, por lo que permite pensar que el 25% de los datos superiores a 0.64% están conformados por estos, y es acorde a las condiciones económicas de ambos países, que son conocidos como potencias dentro del continente americano.
densidadRegionPlot <- ggplot(hdi_data_american,aes(x=HDI_value))
densidadRegionPlot <- densidadRegionPlot + geom_histogram(aes(y=..density..), binwidth=.05,colour="black", fill="white")
densidadRegionPlot <- densidadRegionPlot + geom_density(alpha=.2, fill="#FF6666")
densidadRegionPlot <- densidadRegionPlot + geom_vline (aes ( xintercept = 0.5165, color = 'red'))
densidadRegionPlot <- densidadRegionPlot + geom_text (x=0.52, y=0.3, label="global median")
densidadRegionPlot <- densidadRegionPlot + facet_grid(as.character(Grupo)~.)
densidadRegionPlot <- densidadRegionPlot +
labs(title = "Distribución Global de Índice de Desarrollo Humano por Región de 2010-2017",
caption = " 1: USA y Canadá, 2: Latinoamerica",x = "Índice de Desarrollo Humano")
densidadRegionPlot <- densidadRegionPlot + theme(legend.position = "none")
densidadRegionPlot
Ahora bien, a través de un grafico de cajas y alambres, se quiere observar como a través de medidas de posición gráficas, se comportan ambos grupos bajo el mismo indicador, donde nuevamente es evidente la diferencia en cuanto al valor del indicador se refiere, pues, el IDH de Estados Unidos y Canadá se encuentran ubicados por encima del 75% de los datos para Latinoamérica, y adicionalmente, los valores alcanzados por Latinoamérica no superan los registrados en estos países, por lo cual se logra evidenciar la brecha existente entre un grupo y otro.
distri <- ggplot(hdi_data_american, aes(x=Grupo, y=HDI_value, group = Grupo))
distri <- distri + geom_point(aes(color=Grupo), position=position_jitter(width=0.2,height=.2))
distri <- distri + geom_boxplot(aes(alpha=0.2))
distri <- distri + scale_color_manual(values = c("#596791" ,"#ca3355", "#acc11d", "#3b5c5d", "#f1e943", "#4146ca", "#e8737b", "#251141"))
distri <- distri + labs(title = "Distribución Global de Índice de Desarrollo Humano por Región de 2010-2017",
caption = "1: USA y Canadá, 2: Latinoamerica", x = "Índice de Desarrollo Humano")
distri <- distri + theme(legend.position = "none")
distri
Ahora bien, sintetizando la información a partir de medidas de resumen como la media, se realiza un resumen del comportamiento de cada uno de los países que componen cada grupo para consolidarlo en una única cifra anual, donde nuevamente, es observable la clara diferencia entre ambos grupos considerados en este estudio, y la distancia entre ambas rectas es significativa, respecto a los anteriores gráficos por lo que se evidencia que en Latinoamérica hay algunos países que sobresalen a nivel de calidad de desarrollo pero la gran mayoría presentan indicadores muy bajos que jalonan el comportamiento global para este segmento, de aquí que, Estados Unidos y Canadá por lo que se puede concluir que estos tienen desarrollos mas altos respecto a Latinoamérica.
data_group <- group_by(hdi_data_american[,c("year","HDI_value","Grupo")], year,Grupo,
label="Región")
promedioRegion <- summarise_all(data_group,mean)
line <- ggplot(promedioRegion, aes(x=year, y=HDI_value, group=Grupo,
color=Grupo, label="Región"))
line <- line + geom_line()
line <- line + labs(title = "Evolución de Índice de Desarrollo Humano por Región de 2010-2017",
x = "Índice de Desarrollo Humano",
color ="Región")
line
Ahora con el grafico de barras por faceta, es fácilmente identificable que los países con indicadores mas altos son Cada y USA, y los países de Latinoamérica con indicadores más bajos son Haiti y Cuba. En el resto de los países latinoamericano se observa un comportamiento medio-bajo.
chart <- ggplot(hdi_data_american, aes(x=year, y=HDI_value, fill=HDI_value))
chart <- chart + geom_col()
chart <- chart + facet_wrap(.~iso3)
chart <- chart + scale_fill_viridis_c(option="plasma")
chart <- chart + labs(title = "Índice de Desarrollo Humano por Región",
x = "Año", y ="Valor", color="IDH")
chart <- chart + theme(axis.text.x = element_text(angle = 90))
chart
Ahora, en el gráfico de barras por años clasificado por grupos es identificable que los indicadores mas altos siempre se han observado en el segmento Estados Unidos y Canada, y que en general, la tendencia de decrecimiento marcada en el año 2012 se sostuvo para todos, conservando de igual manera al alza en el indicador, como todos los años.
hist <- ggplot(hdi_data_american, aes(x=year, y=HDI_value, fill=Grupo))
hist <- hist + geom_bar(stat="identity")
hist <- hist + labs(title = "Índice de Desarrollo Humano por Región",
x = "Año", y ="Valor", color="IDH")
hist
A través del grafico de calor, nuevamente resalta el comportamiento observado a lo largo del informe, donde Estados Unidos y Canada para todos los años, respecto a los demás países tuvieron un comportamiento en el indicador alto, mientras que los países de Latinoamérica se ven opacados por Guatemala, Honduras, Haiti y Cuba.
heatmap <- ggplot(hdi_data_american, aes(x=iso3, y=year, fill=HDI_value))
heatmap <- heatmap + geom_tile()
heatmap <- heatmap + scale_fill_viridis_c(option="magma",limits = c(0,1))
heatmap <- heatmap + theme(axis.text.x = element_text(angle = 90))
heatmap <- heatmap + labs(title = "Índice de Desarrollo Humano en América por País",
subtitle = "Desde 2010-2017", x = "País", y="Año", color="IDH")
heatmap
Por último, mediante un gráfico de densidad, donde se superponen los comportamientos de este indicador para los grupos clasificados previamente para propósitos de este estudio, nuevamente se revela que Estados Unidos y Canadá, tienen una ventaja en cuanto a este indicador respecto a los países de habla hispana, por lo que el desarrollo es mas marcado en este grupo.
plot <- ggplot(hdi_data_american, aes(x=HDI_value, fill=Grupo, color=Grupo))
plot <- plot + geom_density(alpha=.3)
plot <- plot + scale_fill_brewer(type = "qual", palette = "Set1")
plot <- plot + scale_color_brewer(type = "qual", palette = "Set1")
plot <- plot + labs(title = "HDI en Latinoamerica Vs. Usa y Canadá", subtitle = "Desde 2010-2017",
x = "Índice Desarrollo Humano", y="Densidad", color="Región")
plot
Conclusión
En conclusión, con los datos suministrados es posible evidenciar la brecha existente a nivel de desarrollo entre países de un mismo continente, y se confirman a través de los gráficos analizados a lo largo del informe la información social extendida sobre los países potencias, de los cuales se espera condiciones de vida mucho más altas.