Proyecto final
Julian Moreno y Andrés Arango
2022-07-16
INTRODUCCIÓN
La desigualdad no se trata solo de la riqueza, el patrimonio neto, de los ingresos o del sueldo bruto. Según las Naciones Unidas, también puede abarcar la expectativa de vida, la facilidad que tienen las personas para acceder a los servicios de salud, la educación de calidad o los servicios públicos. Hay desigualdades entre los géneros y entre los grupos sociales.
En este estudio, realizaremos un análisis de los datos recopilados por las Naciones Unidas para mostrar la evolución a partir del año 2010 y hasta el 2019 a nivel global, haciendo un énfasis en la región de América. Esto con el fin de dar respuesta a la siguiente pregunta: ¿Cómo se ha comportado la desigualdad en la última década en América?
Cargar data set
#setwd("C:/Users/andre/OneDrive/Escritorio/R/Final")
#Base de datos de coordenadas por país
globalMap <- read.csv2("C:/Users/julia/OneDrive/Desktop/Maestria/Semestre 1/Visualizacion de datos/Proyecto/map_2022.csv", na.strings = "\"\"", stringsAsFactors=TRUE)
inequality <- read.csv("C:/Users/julia/OneDrive/Desktop/Maestria/Semestre 1/Visualizacion de datos/Proyecto/Coefficient_of_human_inequality_2010-2019.csv", dec = ",", stringsAsFactors=TRUE, sep = ";")
Ubicacion <- read.csv2("C:/Users/julia/OneDrive/Desktop/Maestria/Semestre 1/Visualizacion de datos/Proyecto/Ubicacion.csv")
BD <- left_join(globalMap, inequality, by="ISO3")
BD2 <- left_join(Ubicacion, inequality, by="ISO3")## 'data.frame': 1670 obs. of 6 variables:
## $ X : int 1 2 3 4 5 6 7 8 9 10 ...
## $ HDI.Rank: int 169 69 91 148 46 81 8 18 88 58 ...
## $ Country : Factor w/ 167 levels "Afghanistan",..: 1 2 3 4 5 6 7 8 9 10 ...
## $ ISO3 : Factor w/ 167 levels "AFG","AGO","ALB",..: 1 3 43 2 4 5 6 7 8 15 ...
## $ variable: int 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 ...
## $ value : num NA 12.7 NA 38.8 19 10.9 7.7 7.3 13.4 14 ...PERSPECTIVA GLOBAL (Mapa de calor)
El mundo ha hecho avances significativos para reducir la pobreza: en los últimos treinta años, más de 1000 millones de personas han salido de la pobreza extrema. Sin embargo, tanto dentro de los países como entre ellos, siguen observándose desigualdades derivadas de los ingresos, la localización geográfica, el género, la edad, el origen étnico, la discapacidad, la orientación sexual, la clase social y la religión; factores que determinan el acceso, las oportunidades y los resultados. En algunas partes del mundo, estas diferencias son cada vez más acusadas. Entre tanto, están surgiendo deficiencias en otros ámbitos, como el acceso a las tecnologías móviles y en línea.
A continuación, presentamos el indicador de desigualdad determinado por las naciones Unidas aplicado a cada país visto a nivel de ubicación. Dicho indicador determina que la desigualdad es más alta, entre más alto es su valor.
Map2010
#Map2011
#Map2012
#Map2013
#Map2014
Map2015
#Map2016
#Map2017
#Map2018
Map2019
Como se puede observar, gran parte de paises de áfrica tienen altos
niveles de desigualdad, en américa latina y parte de asia poseen niveles
medios con alta dispersión, mientras que regiones como norteamérica y
europa presentan niveles más bajos y más homogéneos.
Adicional se observa que la información más completa se tiene para América, mientras en Africa y Asía se tienen varios datos faltantes y si a esto le sumamos el conocimiento general de nuestro continente, es motivo para decidir enfocar el estudio en América. Sin embargo, antes se mostrará un análisis de cajas por cada continente, dado que los mapas anteriores son muy buenos para ver a nivel de ubicación, pero no es muy claro para comparación por valores o por grupos en general.
Boxplots por Continente
BD2_NA <- subset(BD2, BD2$value != "NA")
overallDist <- ggplot(BD2_NA, aes(x=as.factor(region), y=value, group = region , color=region))
overallDist <- overallDist + geom_point(aes(color=as.factor(region)), position=position_jitter(width=0.2,height=.2))
overallDist <- overallDist + geom_boxplot(aes(alpha=0.2))
overallDist <- overallDist + labs(title = "Distribución Global de desiguldad Global", x = "Porcentaje de IHDI")
overallDist <- overallDist + theme(legend.position = "none")
overallDist
Con este gráfico se ve la gran diferencia entre Africa que es el más
inequitativo y Europa, el menos, siendo casi 3 veces más inequitativo.
Además de la poca dispersión en Europa, se observa que America se
encuentra más o menos al mismo nivel de Asia, siendo este último
continente un poco más disperso, pero con una media menor debido a unos
pocos paises con alta desigualdad en America.
Dado lo anterior, en adelante centraremos nuestros análisis en la región de América, región en la cual habitamos y tenemos argumentos para interpretar la información extraída de los datos.
Dendogramas comparativos 2010 vs. 2019
Los siguientes dendrogramas, agrupan los países por similaridad de sus niveles de desigualdad, es importante notar como empiezan en el 2010 y como se agrupan al 2019 para ver los cambios más significativos.
## variable value
## Min. :0.9969 Min. :0.2386
## 1st Qu.:0.9969 1st Qu.:0.4651
## Median :0.9969 Median :0.8290
## Mean :0.9969 Mean :0.8932
## 3rd Qu.:0.9969 3rd Qu.:1.2819
## Max. :0.9969 Max. :1.7793
## NA's :26America 2010
BD2_2010_America <- subset(BD2_2010, BD2_2010$region == "Americas")
BDN_America <- scale(BD2_2010_America[,c(20,21)], center=FALSE)
rownames(BDN_America) <- BD2_2010_America$Country_Name
distancias_America <- dist(BDN_America)
clusters <- hclust(distancias_America)
grafica <- ggdendrogram(clusters, size=2)
grafica 
America 2019
BD2_2019 <- subset(BD2, BD2$variable == "2019")
BD2_2019_America <- subset(BD2_2019, BD2_2019$region == "Americas")
BDN_America <- scale(BD2_2019_America[,c(20,21)], center=FALSE)
rownames(BDN_America) <- BD2_2019_America$Country_Name
distancias_America <- dist(BDN_America)
clusters <- hclust(distancias_America)
grafica <- ggdendrogram(clusters, size=2)
grafica
Se observa como en 2010 Haití tenía similaridad con países como Bolivia,
siendo los más desiguales y USA y Canada compartían cluster siendo los
más equitativos, sin embargo, para el año 2019 se nota como Haiti se fue
quedando solo, mostrando un avance significativo para Bolivia que pasa a
agruparse con paises como Paraguay y USA pasa a un cluster con Uruguay
mostrando un declive para este país y dejando solo a Canada, es por esto
que el algoritmo no encontró paises similares para ambos, uno quedando
solo por ser el más desigual (Haití) y el otro por el de menores valores
en este indicador (Canada).
UN VISTAZO A AMÉRICA (Calor y barras)
Para entender la desigualdad en América, iniciamos presentando el siguiente mosaico de gráficos de barra, en el cual se presenta el comportamiento a través de los años de la desigualdad en los paises Americanos.
BD2_Americas <- subset(BD2, BD2$region == "Americas")
BD2_Americas_NA <- subset(BD2_Americas, BD2_Americas$value != "NA")
BD2_Americas_1 <- subset(BD2_Americas_NA, BD2_Americas_NA$Country != "Saint Lucia")
BD2_Americas_2 <- subset(BD2_Americas_1, BD2_Americas_1$Country != "Bahamas")
BD2_Americas_3 <- subset(BD2_Americas_2, BD2_Americas_2$Country != "Barbados")
BD2_Americas_4 <- subset(BD2_Americas_3, BD2_Americas_3$Country != "Belize")
chart <- ggplot(BD2_Americas_4, aes(x=variable, y=value, fill=value))
chart <- chart + geom_col()
chart <- chart + facet_wrap(.~ISO3)
chart <- chart + scale_fill_viridis_c(option="turbo") #magma
chart <- chart + labs(title = "Inequality-Adjusted Development Index (IHDI) in the Americas", subtitle = "Average of education, health and income inequality indexes 2010-2019", caption = "Source UN", x = "year", y= "value")
chart <- chart + theme(axis.text.x = element_text(angle = 90))
chart
El hallazgo más destacado a primera vista es el caso de la alta desigualdad de Haití el cual se nota por tener el color rojo más intenso de la gráfica durante todos los años del estudio. En segundo lugar, se destaca la evolución que ha tenido Bolivia el cual pasó de un nivel alto de desigualdad denotado por un color rojizo en el 2010 y ya en el 2019, mejoró teniendo un indicador de desigualdad aceptable denotado por el color verde, quedando similar a Brasil. Una visión más simplificada de lo anterior se presenta en el siguiente mapa de calor, en el cual los contrastes entre países se hacen más evidentes.
heatmapLatam <- ggplot(BD2_Americas_4, aes(x=Country_Name, y=variable, fill=value))
heatmapLatam <- heatmapLatam + geom_tile()
heatmapLatam <- heatmapLatam + scale_fill_viridis_c(option = "turbo")
heatmapLatam <- heatmapLatam + theme(axis.text.x = element_text(angle = 90))
heatmapLatam <- heatmapLatam + labs(title = "Desigualdad en LATAM", x = "Country", y="Year")
heatmapLatam
Comparación entre Ingresos, Educación y Expectativa de vida
En el siguiente gráfico se quiere mostrar el impacto de cada aspecto en la inequidad, como los ingresos, la educación y la expectativa de vida.
ingresos <- read.csv("C:/Users/julia/OneDrive/Desktop/Maestria/Semestre 1/Visualizacion de datos/Proyecto/Inequality_Income_2010-2019.csv", dec = ",", stringsAsFactors=TRUE, sep = ";")
educacion <- read.csv("C:/Users/julia/OneDrive/Desktop/Maestria/Semestre 1/Visualizacion de datos/Proyecto/Inequality_Education_2010-2019.csv", dec = ",", stringsAsFactors=TRUE, sep = ";")
exp_vida <- read.csv("C:/Users/julia/OneDrive/Desktop/Maestria/Semestre 1/Visualizacion de datos/Proyecto/Inequality_Life_Expectancy_2010-2019.csv", dec = ",", stringsAsFactors=TRUE, sep = ";")
Ingre <- data.frame(ingresos$value)
Edu <- data.frame(educacion$value)
Vida <- data.frame(exp_vida$value)
par(mfrow=c(1,3))
boxplot(Ingre,main="Ingresos",ylab="Value",col="Yellow",ylim=c(0,70))
boxplot(Edu,main="Educación",ylab="Value",col="Green",ylim=c(0,70))
boxplot(Vida,main="Expectativa de vida",ylab="Value",col="Blue",ylim=c(0,70))
De los graficos anteriores se observa como los ingresos es lo que más
afecta la desigualdad, mientras la educación y la expectativa de vida si
tienen más similitudes, pero se podría concluir que la educación afecta
un poco más por ser más dispersa la información y porque el segundo y
tercer cuartil tienen valores más altos de inequidad.
Paises más desiguales a través de los años
A continuación se muestra un gráfico animado en donde se puede ver como varían los paises más inequitativos a través de la década.
#install.packages('gganimate')
library('gganimate')
mundialRanking <- inequality %>%
group_by(variable) %>%
arrange(variable, desc(value)) %>%
mutate(ranking = row_number()) %>%
filter(ranking <=15)
animacion <- mundialRanking %>%
ggplot() +
geom_col(aes(ranking, value, fill = Country)) +
geom_text(aes(ranking, value, label = value), hjust=1.1) +
geom_text(aes(ranking, y=0 , label = Country), hjust=1.1) +
geom_text(aes(x=15, y=max(value) , label = as.factor(variable)), vjust = 0.2, alpha = 0.5, col = "gray", size = 20) +
coord_flip(clip = "off", expand = FALSE) + scale_x_reverse() +
theme_minimal() + theme(
panel.grid = element_blank(),
legend.position = "none",
axis.ticks.y = element_blank(),
axis.title.y = element_blank(),
axis.text.y = element_blank(),
plot.margin = margin(1, 4, 1, 3, "cm")) +
transition_states(variable, state_length = 0, transition_length = 2) +
enter_fade() +
exit_fade() +
ease_aes('quadratic-in-out') +
theme(legend.position="right")
animate(animacion, width = 700, height = 432, fps = 25, duration = 15, rewind = FALSE)