---
title: "Análisis de Índice de Desarrollo Humano Ajustado por Desigualdad (IHDI) y sus Tres Dimensiones"
author: "Aristizabal M, Castaño O & Castro B."
output:
flexdashboard::flex_dashboard:
storyboard: true
theme: "united"
source: embed
---
```{r setup, include=FALSE}
# LIBRERIAS
library(flexdashboard)
library(dplyr)
library(ggplot2)
library(corrplot)
library(readr)
# tratamiento del datset
inequalityAllIndexes2010_2017 <- read.csv("D:/curso_analisis/FINAL/inequalityAllIndexes2010-2017.csv")
globeMap <- read.csv("D:/curso_analisis/FINAL/globeMap.csv")
### grafico datos para correlograma y mapas
inequalityAllIndexes2010_2017$Continent[is.na(inequalityAllIndexes2010_2017$Continent)] <- "NDA"
educacion<-subset(inequalityAllIndexes2010_2017,indicator_name=="Inequality in education (%)")
educacion$EDUCACION<-educacion$value
ingreso<-subset(inequalityAllIndexes2010_2017,indicator_name=="Inequality in income (%)")
ingreso$INGRESO<-ingreso$value
ingreso<-ingreso[,c("variable","iso3","INGRESO")]
Salud<-subset(inequalityAllIndexes2010_2017,indicator_name=="Inequality in life expectancy (%)")
Salud$SALUD<-Salud$value
Salud<-Salud[,c("variable","iso3","SALUD")]
corrData<-merge(educacion,ingreso,by=c("variable","iso3"))
corrData<-merge(corrData,Salud,by=c("variable","iso3"))
corrData<-corrData[,-9]
corrData<-na.omit(corrData)
library(corrplot)
AfricaIHDI <- subset (corrData, corrData$Continent == "AF")
AsiaIHDI <- subset (corrData, corrData$Continent == "AS")
EuropeIHDI <- subset (corrData, corrData$Continent == "EU")
NorthAmericaIHDI <- subset (corrData, corrData$Continent == "NDA")
OceaniaIHDI <- subset (corrData, corrData$Continent == "OC")
SouthAmericaIHDI <- subset (corrData, corrData$Continent == "SA")
cor_africa <- cor(AfricaIHDI[,c(9:11)])
cor_asia <- cor(AsiaIHDI[,c(9:11)])
cor_europa <- cor(EuropeIHDI[,c(9:11)])
cor_NDA <- cor(NorthAmericaIHDI[,c(9:11)])
cor_oceania <- cor(OceaniaIHDI[,c(9:11)])
cor_Samerica <- cor(SouthAmericaIHDI[,c(9:11)])
# Subconjunto de los datos de IHDI para el año 2017
IHDI <- subset(inequalityAllIndexes2010_2017, indicator_name == "Inequality-adjusted HDI (IHDI)")
IHDI_2017 <- subset(IHDI, IHDI$variable == "X2017")
# Rename IHDI dataset column to match with map column
#colnames(IHDI_2017$iso3) <- "Three_Letter_Country_Code"
colnames(IHDI_2017)[5] <- "Three_Letter_Country_Code"
# Add data to the map
library(dplyr)
mapData <- left_join(globeMap,IHDI_2017, by = "Three_Letter_Country_Code")
###
#### bases heat maps
AfricaIHDI <- subset (IHDI, IHDI$Continent == "AF")
AsiaIHDI <- subset (IHDI, IHDI$Continent == "AS")
EuropeIHDI <- subset (IHDI, IHDI$Continent == "EU")
NorthAmericaIHDI <- subset (IHDI, IHDI$Continent == "NDA")
OceaniaIHDI <- subset (IHDI, IHDI$Continent == "OC")
SouthAmericaIHDI <- subset (IHDI, IHDI$Continent == "SA")
### diagramas de redes
# Library
library(fmsb)
# Create data: note in High school for several students
radar <- subset(corrData, corrData$variable == "X2017" & corrData$Continent =="SA")
radar<- radar[,c("iso3","EDUCACION","INGRESO","SALUD")]
rownames(radar)<- radar$iso3
radar<-radar[,-1]
max<-matrix(nrow = 1,ncol = 12, 40)
max<-data.frame(max)
colnames(max)<-c("ARG","BOL","BRA","CHL","COL","ECU","GUY","PRY","PER","SUR","URY","VEN")
rownames(max)<-"Max"
min<-matrix(nrow = 1,ncol = 12, 0)
min<-data.frame(min)
colnames(min)<-c("ARG","BOL","BRA","CHL","COL","ECU","GUY","PRY","PER","SUR","URY","VEN")
rownames(min)<-"min"
radar <- data.frame(t(radar))
radar<-rbind(max,min,radar)
areas_educacion<-rgb(1, 0, 0, 0.25)
areas_ingreso<-rgb(0, 1, 0, 0.25)
areas_salud<-rgb(0, 0, 1, 0.25)
areas_ihdi<-rgb(0,0, 0, 0.25)
radar_educacion<-radar[-c(4,5),]
radar_ingreso<-radar[-c(3,5),]
radar_salud<-radar[-c(3,4),]
######
IHDI_SA_2017<-subset(IHDI_2017,Continent=="SA")
IHDI_SA_2017<-IHDI_SA_2017[,c("Three_Letter_Country_Code","value")]
rownames(IHDI_SA_2017)<- IHDI_SA_2017$Three_Letter_Country_Code
IHDI_SA_2017 <- data.frame(t(IHDI_SA_2017))
max<-matrix(nrow = 1,ncol = 12, 1)
max<-data.frame(max)
colnames(max)<-c("ARG","BOL","BRA","CHL","COL","ECU","GUY","PRY","PER","SUR","URY","VEN")
rownames(max)<-"Max"
min<-matrix(nrow = 1,ncol = 12, 0)
min<-data.frame(min)
colnames(min)<-c("ARG","BOL","BRA","CHL","COL","ECU","GUY","PRY","PER","SUR","URY","VEN")
rownames(min)<-"min"
IHDI_SA_2017<-rbind(max,min,IHDI_SA_2017)
IHDI_SA_2017<-IHDI_SA_2017[-3,]
IHDI_SA_2017$ARG<-as.numeric(IHDI_SA_2017$ARG)
IHDI_SA_2017$BOL<-as.numeric(IHDI_SA_2017$BOL)
IHDI_SA_2017$BRA<-as.numeric(IHDI_SA_2017$BRA)
IHDI_SA_2017$CHL<-as.numeric(IHDI_SA_2017$CHL)
IHDI_SA_2017$COL<-as.numeric(IHDI_SA_2017$COL)
IHDI_SA_2017$ECU<-as.numeric(IHDI_SA_2017$ECU)
IHDI_SA_2017$GUY<-as.numeric(IHDI_SA_2017$GUY)
IHDI_SA_2017$PRY<-as.numeric(IHDI_SA_2017$PRY)
IHDI_SA_2017$PER<-as.numeric(IHDI_SA_2017$PER)
IHDI_SA_2017$SUR<-as.numeric(IHDI_SA_2017$SUR)
IHDI_SA_2017$URY<-as.numeric(IHDI_SA_2017$URY)
IHDI_SA_2017$VEN<-as.numeric(IHDI_SA_2017$VEN)
```
### Introducción
### Análisis Global
***
**Descripción:**
Con el objetivo de evidenciar el comportamiento que tuvo el IHDI para el año 2017 a nivel mundial, se realiza un mapa de coropletas relacionando el índice para cada país bajo una escala continua de categorización que va desde 0 hasta 1, siendo 0 el peor valor y 1 el mejor.
### Índice de Desarrollo Humano Ajustado por Desigualdad (IHDI) para el año 2017
```{r, fig.width=10, fig.align="center", warning=FALSE, echo=FALSE}
library(ggplot2)
# Create ggplot object and save it in an object. The group parameter is very important because it groups all the coordinates by country
myMap <- ggplot(mapData, aes(x=globeMap$long, y=globeMap$lat, group = as.factor(globeMap$group)))
# add geometry
myMap <- myMap + geom_polygon(aes(fill = value))
# add color palettes
myMap <- myMap + scale_fill_viridis_c(option = "plasma")
# add labels
myMap <- myMap + labs(title = "Índice de desarrollo humano ajustado por desigualdad (IHDI) para 2017", subtitle = "Promedio de los indices de desigualdad en cuanto a educación, salud e ingresos", caption = "Territorios gris no tienen índice", x = "Longitud", y= "Latitud")
# add margins
myMap <- myMap + theme_bw()
# plot the map
myMap
```
***
**Análisis:**
Teniendo en cuenta el mapa, para el año 2017 el valor más bajo del índice lo tuvo el país africano República Centroafricana con un valor de 0,212 y el país con el valor más alto del índice lo tuvo el país europeo Islandia con un valor de 0,878.
Se observa que a pesar de que los países se encuentren en un mismo continente, no implica que sus IHDI coincidan o estén muy relacionados. Entre los continentes, el que presenta más este rasgo es Oceanía con una desviación de 0.205 entres sus países, seguido por Asia con una desviación de 0,139, Norte América con una desviación de 0,134, África con una desviación de 0,099, Suramérica con una desviación de 0,0701 y por último Europa con una desviación de 0,07.
### Países agrupados por IHDI a través de K-means para el año 2017
```{r, fig.width=10, fig.align="center", warning=FALSE, echo=FALSE}
## con k-means
IHDI_2017_na<-na.omit(IHDI_2017)
k<-6
niter<-100
grupos<-kmeans(IHDI_2017_na[,c("value")],k,iter.max=niter, nstart=1)
IHDI_2017_na$grupos<-grupos$cluster
# Add data to the map
library(dplyr)
mapData <- left_join(globeMap,IHDI_2017_na, by = "Three_Letter_Country_Code")
library(ggplot2)
# Create ggplot object and save it in an object. The group parameter is very important because it groups all the coordinates by country
myMap <- ggplot(mapData, aes(x=globeMap$long, y=globeMap$lat, group = as.factor(globeMap$group)))
# add geometry
myMap <- myMap + geom_polygon(aes(fill = grupos))
# add color palettes
myMap <- myMap + scale_fill_viridis_c(option = "plasma")
# add labels
myMap <- myMap + labs(title = "Países agrupados de acuerdo al Índice de desarrollo humano ajustado por desigualdad (IHDI) para 2017", caption = "Territorios gris no tienen índice", x = "Longitud", y= "Latitud")
# add margins
myMap <- myMap + theme_bw()
# plot the map
myMap
```
***
Sin embargo, para ver cómo se agrupaban los países de acuerdo con IHDI y sus diferentes dimensiones, es decir, Educación, Ingreso y Salud; se realizaron 4 mapas de coropletas más, utilizando el método de agrupamiento o clustering K-means.
**Análisis:**
En relación con el Análisis que se hizo con respecto a la figura anterior, en esta se corrobora. Si bien, en el continente Africano y Suramericano se agrupan gran parte de sus países, se evidencia que gran parte de los países Suraméricanos se agrupan con algunos países de África, Europa y Norteamérica.
### Países agrupados por la dimensión de Educación a través de K-means para el año 2017
```{r, fig.width=10, fig.align="center",warning=FALSE, echo=FALSE}
colnames(corrData)[2] <- "Three_Letter_Country_Code"
corrData_2017<-subset(corrData,variable=="X2017")
corrData_2017<-na.omit(corrData_2017)
k<-6
niter<-100
grupos<-kmeans(corrData_2017[,c("EDUCACION")],k,iter.max=niter, nstart=1)
corrData_2017$grupos<-grupos$cluster
mapData <- left_join(globeMap,corrData_2017, by = "Three_Letter_Country_Code")
myMap <- ggplot(mapData, aes(x=globeMap$long, y=globeMap$lat, group = as.factor(globeMap$group)))
# add geometry
myMap <- myMap + geom_polygon(aes(fill = grupos))
# add color palettes
myMap <- myMap + scale_fill_viridis_c(option = "plasma")
# add labels
myMap <- myMap + labs(title = "Países agrupados de acuerdo a la dimensión de Educuación del IHDI", caption = "Territorios gris no tienen índice", x = "Longitud", y= "Latitud")
# add margins
myMap <- myMap + theme_bw()
# plot the map
myMap
```
***
**Análisis:**
Con respecto a la dimensión de desigualdad relacionada con la Educación, en contraste con el IHDI, se observa que los agrupamientos cambian, por ejemplo, ahora Colombia no se agrupa con Brasil ni con China, si no con Bolivia e Indonesia. Chile ahora no se agrupa con Rusia, si no con China.
### Países agrupados por la dimensión de Ingreso a través de K-means para el año 2017
```{r,, fig.width=10, fig.align="center",warning=FALSE, echo=FALSE}
k<-6
niter<-100
grupos<-kmeans(corrData_2017[,c("INGRESO")],k,iter.max=niter, nstart=1)
corrData_2017$grupos<-grupos$cluster
mapData <- left_join(globeMap,corrData_2017, by = "Three_Letter_Country_Code")
myMap <- ggplot(mapData, aes(x=globeMap$long, y=globeMap$lat, group = as.factor(globeMap$group)))
# add geometry
myMap <- myMap + geom_polygon(aes(fill = grupos))
# add color palettes
myMap <- myMap + scale_fill_viridis_c(option = "plasma")
# add labels
myMap <- myMap + labs(title = "Países agrupados de acuerdo a la dimensión de Ingreso del IHDI", caption = "Territorios gris no tienen índice", x = "Longitud", y= "Latitud")
# add margins
myMap <- myMap + theme_bw()
# plot the map
myMap
```
***
**Análisis:**
En cuanto a la dimensión de ingreso, los países Suramericanos son agrupados con países Africanos y con algunos Norteamericanos, en este caso con un mayor volumen de países en contraste a cuando son agrupados por el IHDI.
En contraste con el IHDI, bajo esta dimensión, países del norte de Europa son agrupados con Canadá y Australia.
### Países agrupados por la dimensión de Salud a través de K-means para el año 2017
```{r,, fig.width=10, fig.align="center",warning=FALSE, echo=FALSE}
k<-6
niter<-100
grupos<-kmeans(corrData_2017[,c("SALUD")],k,iter.max=niter, nstart=1)
corrData_2017$grupos<-grupos$cluster
mapData <- left_join(globeMap,corrData_2017, by = "Three_Letter_Country_Code")
myMap <- ggplot(mapData, aes(x=globeMap$long, y=globeMap$lat, group = as.factor(globeMap$group)))
# add geometry
myMap <- myMap + geom_polygon(aes(fill = grupos))
# add color palettes
myMap <- myMap + scale_fill_viridis_c(option = "plasma")
# add labels
myMap <- myMap + labs(title = "Países agrupados de acuerdo a la dimensión de Salud del IHDI", caption = "Territorios gris no tienen índice", x = "Longitud", y= "Latitud")
# add margins
myMap <- myMap + theme_bw()
# plot the map
myMap
```
***
**Análisis:**
La dimensión de salud de acuerdo a los agrupamientos resulta ser estable en gran parte de los países de los continentes Norte Americano y Europeo, sin embargo, en el continente Africano se presentan variaciones en cuento niveles de agrupamiento considerando el número de países.
### Correlación de las dimensiones del IHDI por continente
```{r,fig.width=10, fig.align="center",warning=FALSE, echo=FALSE}
par(mfrow = c(2, 3))
corrplot(cor_africa, method = "shade",title="AFRICA",tl.srt = 30,tl.col = "black", addCoef.col = "black", shade.col = NA, mar = c(0,0,3 ,0))
corrplot(cor_asia, method = "shade",title = "ASIA",tl.srt = 30,tl.col = "black", addCoef.col = "black", shade.col = NA,mar = c(0,0,3,0))
corrplot(cor_europa, method = "shade",title = "EUROPA",tl.srt = 30,tl.col = "black", addCoef.col = "black", shade.col = NA,mar = c(0,0,3,0))
corrplot(cor_NDA, method = "shade", title = "NORTE AMERICA",tl.srt = 30,tl.col = "black", addCoef.col = "black", shade.col = NA,mar = c(0,0,3,0))
corrplot(cor_oceania, method = "shade",title = "OCEANIA",tl.srt = 30,tl.col = "black",addCoef.col = "black", shade.col = NA,mar = c(0,0,3,0))
corrplot(cor_Samerica, method = "shade",title = "SUR AMERICA",tl.srt = 30,tl.col = "black", addCoef.col = "black", shade.col = NA,mar = c(0,0,3,0))
```
***
Con el fin de ver cómo se relacionan las dimensiones del IHDI por continente, se plantea un gráfico de correlaciones que permite ver la relación existente entre estos elementos.
Se observa que, para los continentes de Europa, Norte América, Oceanía y América del Sur, los componentes se relacionan de manera positiva, indicándonos que hay un grado de asociación positiva entre estas. Por otro lado, para los continentes de África y Asia no ocurre lo mismo, para estos dos continentes la correlación entre el ingreso y la salud es negativa, siendo para África del -0,05; mientras que para Asia es de -0,24. Lo anterior puede parecer un poco contraintuitivo, ya que se esperaría que a medida que se tenga más ingreso, mejores serían las condiciones de vida y más fácil gozar de un buen sistema de salud. Una explicación a esto puede ser que a medida que las personas trabajan, van disminuyendo la brecha salarial y por consiguiente la brecha en cuanto a ingresos, pero de cierto modo, se sacrifica la dimensión de salud, es decir, arriesgan su salud por mejorar su vida económica.
### Mapas de calor del IHDI para Africa
```{r, fig.width=10, fig.align="center",warning=FALSE, echo=FALSE}
# AFRICA
heatmap <- ggplot(AfricaIHDI, aes(x=country_name, y=variable, fill=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 = "IHDI in Africa", subtitle = "Desde 2010-2017", caption = "Source: UN", x = "Country", y="Year")
library(rlang)
library(plotly)
ggplotly(heatmap)
```
***
**Descripción**
En los siguientes gráficos de calor se pretende realizar un zoom por continente para identificar los resultados obtenidos del IHDI históricos de cada país correspondiente al continente observado.
**Análisis:**
Inicialmente se observa que el continente africano presenta valores del índice muy bajos a nivel histórico, donde la mayoría de sus países esta ubicado por debajo del 0.5, exceptuando a países como Cabo Verde, Egypt, Gabon, Maurtlus y Tunisia dado que se ubican por encima, es de resaltar que el aumento en puntos para el IHDI por año para cada país es relativamente lento permitiendo visualizar variaciones alrededor de 0.01.
### HMapas de calor del IHDI para Asia
```{r, fig.width=10, fig.align="center",warning=FALSE, echo=FALSE}
# ASIA
heatmap <- ggplot(AsiaIHDI, aes(x=country_name, y=variable, fill=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 = "IHDI in Asia", subtitle = "Desde 2010-2017", caption = "Source: UN", x = "Country", y="Year")
ggplotly(heatmap)
```
***
**Análisis:**
Para el continente Asiático la situación con respecto a los IHDI obtenidos por sus países miembros la mayoría están obteniendo niveles del índice históricos por encima del 0.5 y en algunos países se evidencia crecimientos con variaciones positiva y aceradas del indicador de un año a otro, resaltando así la existencia de una cultura enfocada al crecimiento y desarrollo humano de estas sociedades. Y por ultimo se puede señalar que países Agfagistan, Pakistan y Yemen son países que difieren en el comportamiento y con contextos diferentes al común denominador del continente lo cual no ha permitido obtener altos índices de desarrollo en sus civilizaciones históricamente.
### Mapas de calor del IHDI para Europa
```{r, fig.width=10, fig.align="center",warning=FALSE, echo=FALSE}
# EUROPA
heatmap <- ggplot(EuropeIHDI, aes(x=country_name, y=variable, fill=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 = "IHDI in Europa", subtitle = "Desde 2010-2017", caption = "Source: UN", x = "Country", y="Year")
ggplotly(heatmap)
```
***
**Análisis:**
El continente Europeo presenta altos IHDI históricos para todos sus países consolidándolo en un continente con una cultura y sociedad madura en cuanto al desarrollo humado de su países participantes, poniendo como referente sus dinámicas y comportamiento en materia de desigualdad lo que permite afirmar o proponerlos como países más equitativos, justos y con mejores estándares de calidad de vida.
### Mapas de calor del IHDI para Oceania
```{r,fig.width=10, fig.align="center",warning=FALSE, echo=FALSE}
# OCEANIA
heatmap <- ggplot(OceaniaIHDI, aes(x=country_name, y=variable, fill=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 = "IHDI in Oceanía", subtitle = "Desde 2010-2017", caption = "Source: UN", x = "Country", y="Year")
ggplotly(heatmap)
```
***
**Análisis:**
El continente de Oceanía es más heterogéneo en los resultados obtenidos a nivel histórico, además de evidenciar un gran numero de registros faltantes a sus países miembros con respecto a la información aportada del índice, es de resalta que países como Australia presenta el mejor comportamiento histórico en cuanto IHDI en este continente ubicando valores por encima del 0.85 y demostrando un crecimiento del índice obtenido a través del tiempo.
### Mapas de calor del IHDI para Sur America
```{r,fig.width=10, fig.align="center",warning=FALSE, echo=FALSE}
# SUR AMERICA
heatmap <- ggplot(SouthAmericaIHDI, aes(x=country_name, y=variable, fill=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 = "IHDI in Sur América", subtitle = "Desde 2010-2017", caption = "Source: UN", x = "Country", y="Year")
ggplotly(heatmap)
```
***
**Análisis:**
El continente Sur Americano se posiciona con valores promedios del IHDI donde los valores históricos observados se ubican desde 0.40 Bolivia año 2010 hasta 0.71 Chile año 2017, es de resaltar que el país con mejores resultados históricos es Chile y el país con un comportamiento de índices más bajos históricos es Bolivia.
### Mapas de calor del IHDI para NORTE AMERICA
```{r,fig.width=10, fig.align="center",warning=FALSE, echo=FALSE}
#NORTE AMERICA
heatmap <- ggplot(NorthAmericaIHDI, aes(x=country_name, y=variable, fill=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 = "IHDI in Norte América", subtitle = "Desde 2010-2017", caption = "Source: UN", x = "Country", y="Year")
ggplotly(heatmap)
```
***
**Análisis:**
De forma similar al continente Sur Americano, el continente Norte Americano presenta dos países con alta calidad y resultados históricos obtenidos de los IHDI, posicionando a Canadá y Estados Unidos como referentes de una sociedad desarrollada en cuanto al tema estudiado, ahora cabe mencionar que Haiti es el país Norteamericano con los índices mas bajos en materia del IHDI.
### Análisis para Sur América
***
**Descripción**
Teniendo en cuenta una amplia descripción del IHDI a nivel global y de cada una de sus dimensiones, surge la iniciativa de ver cómo es su comportamiento en Latinoamérica, con el fin de lograr identificar diferencias entre todos los países que componen el sur del continente americano, en cuanto al IHDI y sus dimensiones.
Primero se realiza un análisis de cómo ha variado cada uno de los índices anteriormente mencionado a través de los años, desde el 2010 hasta el 2017 por país, mostrándonos así su tendencia a lo largo del tiempo. Posteriormente, se realiza un análisis mediante gráficos de arañas, que permite comparar cada componente por países de una mejor manera. Esto se mostrará en las siguientes secciones.
### Tendencia del IHDI en Sur América
```{r,fig.width=10, fig.align="center",warning=FALSE, echo=FALSE}
library(dplyr)
SouthAmericaIHDI <- subset (IHDI, IHDI$Continent == "SA")
#Le asigno a la gráfica los datos que quiero mostrar
grafica <- ggplot(SouthAmericaIHDI,aes(variable,value,group=country_name, color=country_name))
#Adiciono geometría de puntos
grafica<- grafica + geom_point()
#Adiciono geometría de líneas
grafica<-grafica + geom_line()
#Imprimo la gráfica
ggplotly(grafica)
```
***
En cuanto al grafico del IHDI para los países, se observa que en general la tendencia ha sido a mejorar dicho índice, a excepción del año 2010 al 2011, en el cual países como Brasil, Colombia, Ecuador, Guyana y Venezuela, presentaron decrecimiento en este índice, algunos autores indican que puede verse reflejado por un rezago de la crisis subprime del año 2008 en Estados Unidos, hipótesis que no puede ser comprobada, ya que no se dispone de toda la serie histórica del índice. Igualmente se observa que los países que han presentado mayor valor en su índice son Argentina, Uruguay y Chile, mientras que los países que presentan el menor valor en su índice son Bolivia, Guyana y Paraguay.
### Tendencia para la Dimensión de Educación
```{r,fig.width=10, fig.align="center",warning=FALSE, echo=FALSE}
corrData_LA<-subset(corrData,Continent=="SA")
#Le asigno a la gráfica los datos que quiero mostrar
grafica <- ggplot(corrData_LA,aes(variable,EDUCACION,group=country_name, color=country_name))
#Adiciono geometría de puntos
grafica<- grafica + geom_point()
#Adiciono geometría de líneas
grafica<-grafica + geom_line()
#Imprimo la gráfica
ggplotly(grafica)
```
***
Por otro lado, en la dimensión de educación, vemos que los países han mejorado notablemente la desigualdad en este aspecto, pues se observa una tendencia decreciente en cada uno de los países. Igualmente se observa que los países que han mejorado en mayor medida en estos aspectos son Argentina, Uruguay y Chile, mientras que países como Brasil y Bolivia han progresado poco en comparación a los demás países. Es importante aclara que países como Colombia venían presentando un progreso notable hasta el año 2016, pero para el último año este aspecto cambio y se encuentra entre los 3 países peor ubicado de Latinoamérica en esta dimensión.
### Tendencia para la Dimensión de Salud
```{r,fig.width=10, fig.align="center",warning=FALSE, echo=FALSE}
corrData_LA<-subset(corrData,Continent=="SA")
#Le asigno a la gráfica los datos que quiero mostrar
grafica <- ggplot(corrData_LA,aes(variable,SALUD,group=country_name, color=country_name))
#Adiciono geometría de puntos
grafica<- grafica + geom_point()
#Adiciono geometría de líneas
grafica<-grafica + geom_line()
#Imprimo la gráfica
ggplotly(grafica)
```
***
Respecto a la dimensión de salud se observa una leve disminución, pero en su mayoría ha permanecido constante a través del tiempo. En cuanto al aspecto de salud, se observa que los tres países peor ubicados son Bolivia, Guyana y Paraguay. Por otro lado, se observa que en varios países para el año 2015 este índice aumento.
### Tendencia para la Dimensión de Ingresos
```{r,fig.width=10, fig.align="center",warning=FALSE, echo=FALSE}
corrData_LA<-subset(corrData,Continent=="SA")
#Le asigno a la gráfica los datos que quiero mostrar
grafica <- ggplot(corrData_LA,aes(variable,INGRESO,group=country_name, color=country_name))
#Adiciono geometría de puntos
grafica<- grafica + geom_point()
#Adiciono geometría de líneas
grafica<-grafica + geom_line()
#Imprimo la gráfica
ggplotly(grafica)
```
***
En cuanto a la dimensión de ingreso, vemos que, en los dos primeros años, este índice presento una gran variación para todos los países, pero esta tendencia se empieza a regular para el año 2013. Vemos que Venezuela, Argentina y Uruguay son los países que menor valores presentan en este índice. En cambio, países como Colombia, Paraguay y Suriname son los países que mas desigualdad presentan en este aspecto.
### Contrastado el IHDI y dimensión Educación entre paises
```{r,fig.width=10, fig.align="center",warning=FALSE, echo=FALSE}
par(mfrow = c(1, 2))
radarchart(IHDI_SA_2017,
cglty = 1, # Tipo de línea del grid
cglcol = "gray", # Color del grid
cglwd = 1, # Ancho líneas grid
pcol = 1, # Color de la línea
plwd = 2, # Ancho de la línea
plty = 1,
pfcol = areas_ihdi,
title = "IHDI")
radarchart(radar_educacion,
cglty = 1, # Tipo de línea del grid
cglcol = "gray", # Color líneas grid
pcol = 2, # Color para cada línea
plwd = 2, # Ancho para cada línea
plty = 1, # Tipos de línea
pfcol = areas_educacion,
title = "EDUCACIÓN") # Color de las áreas
```
***
En este gráfico se observa el IHDI y cada una de sus dimensiones para el año 2017 para todos los países de Sur América. Esta gráfica nos permite comparar de una mejor manera qué país está mejor frente a otro, en cada índice, es decir, tanto el general (IHDI), como sus dimensiones. Se observa que para el 2017 Chile, Argentina y Uruguay presentan el IHDI mas alto. Este aspecto se refleja de manera directa en la dimensión de educación, los tres países presentan la menor brecha de desigualdad en educación.
### Contrastado dimesión ingresos y dimensión salud entre paises
```{r,fig.width=10, fig.align="center",warning=FALSE, echo=FALSE}
par(mfrow = c(1, 2))
radarchart(radar_ingreso,
cglty = 1, # Tipo de línea del grid
cglcol = "gray", # Color líneas grid
pcol = 3, # Color para cada línea
plwd = 2, # Ancho para cada línea
plty = 1, # Tipos de línea
pfcol = areas_ingreso,
title = "INGRESO") # Color de las áreas
radarchart(radar_salud,
cglty = 1, # Tipo de línea del grid
cglcol = "gray", # Color líneas grid
pcol = 4, # Color para cada línea
plwd = 2, # Ancho para cada línea
plty = 1, # Tipos de línea
pfcol = areas_salud,
title = "SALUD") # Color de las áreas
```
***
En cuanto a la dimensión de ingresos, se observa que Brasil y Paraguay presentan las peores cifras. Y para concluir, se observa que, en la dimensión de salud, Bolivia presenta el peor índice, mientras que chile y argentina presentan valores muy inferiores en términos de brechas de salud.
### Conclusiones
***
Dentro de las principales conclusiones se encuentra que a pesar de que los países compartan unas características demográficas similares, por el hecho de estar alojadas en un mismo continente, no necesariamente los indicadores de IHDI se agrupan de esta manera. Esto se evidencia cuando se realizan los agrupamientos por k-means, donde se observa que países como Estados Unidos, Alaska y algunos de Europa, tienden a agruparse, mientras que algunos países de oriente se agrupan entre sí y tienen más similitud con países de Sur América como Argentina y Chile. Igualmente, cuando se realizan los agrupamientos por las dimensiones, vemos que los agrupamientos cambian, esto nos indica que a pesar de que países se encuentren cercanos geográficamente, sus índices de IHDI no se comportan de manera similar.
Por otro lado, también se concluye que la relación entre las dimensiones, varían entre continentes, lo cual puede estar explicado por aspectos culturales y/o de explotación laboral, como se mencionó anteriormente. Para finaliza se observa que, en cuanto a las dimensiones, países como Chile, Argentina y Uruguay han presentado grandes avances en términos de mejorar la desigualdad en educación, ingreso y salud, mientras que países como Bolivia, a pesar de que han mejorado, siguen presentando rezago frente a los demás países de Sur América.
