-
Notifications
You must be signed in to change notification settings - Fork 0
/
ME.Junio.2018.Rmd
2210 lines (1551 loc) · 97.7 KB
/
ME.Junio.2018.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
---
title: "Modelizacion Estad�stica. Segunda parte. Evaluaci�n extraordinaria. Junio 2018"
author: "F. Javier P�rez Ram�rez"
date: "2 de mayo de 2018"
output:
pdf_document:
number_sections: true
toc: true
toc_depth: 3
header-includes:
- \usepackage{xcolor}
- \usepackage{framed}
- \usepackage{fancyhdr}
- \pagestyle{fancy}
- \fancyhead[RO,RE]{Mod. Estad�stica. 2� parte.}
- \fancyfoot{}
- \fancyfoot[RE,LO]{F. Javier P�rez. 2017-2018}
- \fancyfoot[LE,RO]{\thepage}
bibliography: BibliografiaME.bib
---
```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = FALSE, warning=FALSE, message = FALSE)
# include = FALSE prevents code and results from appearing in the finished file. R Markdown still runs the code in the chunk, and the results can be used by other chunks.
# echo = FALSE prevents code, but not the results from appearing in the finished file. This is a useful way to embed figures.
# message = FALSE prevents messages that are generated by code from appearing in the finished file.
# warning = FALSE prevents warnings that are generated by code from appearing in the finished.
# fig.cap = "..." adds a caption to graphical results.
```
***
\pagebreak
# Descripci�n del fichero de datos.
**Indicar los individuos analizados y describir las variables indicando el tipo (cualitativa o cuantitativa) y el resumen estad�stico m�s adecuado en cada caso.**
Se carga el fichero "coches.xls" y se comprueba que los datos se han le�do correctamente. A continuaci�n se muestra un resumen de los datos y su descripci�n.
```{r include=FALSE}
# Borrar toda las variables
### rm(list=ls())
```
```{r coches}
library(readxl)
coches <- read_excel("coches.xls")
# Se guarda una copia de los datos originales
coches.original <- coches
# head(coches)
```
Se tiene un fichero con datos relativos a veh�culos:
| Variable | Tipo | Descripci�n |
|----------|------|----------------------------------------------------|
| `MARCA` | Cualitativa | Marca del veh�culo |
| `MODELO` | Cualitativa | Modelo del veh�culo |
| `TIPO` | Cualitativa | Tipo de veh�culo: `Automobile`" o "`Truck`" |
| `VENTAS` | Cuantitativa | N�mero de unidades vendidas |
| `REVENTA` | Cuantitativa | Precio de reventa del coche a los 4 a�os |
| `PRECIO` | Cuantitativa | Precio del veh�culo |
| `MOTOR` | Cuantitativa | Tama�o del motor (en c.c.) |
| `CV` | Cuantitativa | Potencia del motor en CV |
| `PISADA` | Cuantitativa | Base del neum�tico |
| `ANCHURA ` | Cuantitativa | Ancho del veh�culo (en pulgadas) |
| `LONGITUD` | Cuantitativa | Longitud del veh�culo (en pulgadas) |
| `PESO` | Cuantitativa | Peso del veh�culo (en TM) |
| `CAPACIDAD` | Cuantitativa | Capacidad del tanque de combustible (ltr.) |
| `MPG` | Cuantitativa | Consumo de combustible (Millas por gal�n) |
[comment_tipo_var]: <> (* Variables cualitativas: `MARCA`, `MODELO` y `TIPO`. La variable `TIPO` s�lo tiene dos posibles valores en este fichero: "`Automobile`" y "`Truck`"
* Variables cuantitativas: `VENTAS`, `REVENTA`, `PRECIO`, `MOTOR`, `CV`, `PISADA`, `ANCHURA`, `LONGITUD`, `PESO`, `CAPACIDAD` y `MPG`.)
[comment_color]: <> (\colorlet{shadecolor}{red!90}
\begin{shaded}
Revisar lo de la variable booleana
\end{shaded})
## Inspecci�n de los valores de cada campo.
```{r}
par(mfrow=c(2,6))
boxplot(coches$VENTAS, xlab="VENTAS")
boxplot(coches$REVENTA, xlab="REVENTA")
boxplot(coches$PRECIO, xlab="PRECIO")
boxplot(coches$MOTOR, xlab="MOTOR")
boxplot(coches$CV, xlab="CV")
boxplot(coches$PISADA, xlab="PISADA")
boxplot(coches$ANCHURA, xlab="ANCHURA")
boxplot(coches$LONGITUD, xlab="LONGITUD")
boxplot(coches$PESO, xlab="PESO")
boxplot(coches$CAPACIDAD, xlab="CAPACIDAD")
boxplot(coches$MPG, xlab="MPG")
```
Observando el *boxplot* de cada una de las variables, parece que hubiera tres *outliers* en: 'VENTAS', 'MOTOR' Y 'MPG'. Se analizan a continuaci�n.
```{r include=FALSE}
# library(sandwich)
# library(carData)
# library(car)
library(RcmdrMisc)
numSummary(coches[,c("VENTAS", "REVENTA", "PRECIO", "MOTOR", "CV", "PISADA", "ANCHURA", "LONGITUD", "PESO", "CAPACIDAD", "MPG")], statistics=c("mean", "sd", "quantiles"), quantiles=c(0,.25,.5,.75, 1))
```
### Variable `VENTAS`.
```{r}
# summary(coches$VENTAS)
sprintf("Desviaci�n estandar para la variable VENTAS: %.1f", sd(coches$VENTAS))
sprintf("Desviacion VENTAS m�ximas respecto a la media: %.1f",
(max(coches$VENTAS) - mean(coches$VENTAS)) / sd(coches$VENTAS))
sprintf("Desviacion ventas 'penultimo' elemento respecto a la media: %.1f", (276747 - mean(coches$VENTAS)) / sd(coches$VENTAS))
```
La media de veh�culos vendidos es de 58.619 y su error est�ndar es de 74.372. Sin embargo existe un veh�culo (el 'Ford' 'F-Series') cuyas ventas son 540.561 que va mucho m�s all� de lo esperable puesto que su desviaci�n est�ndar respecto a la media es de 6.5. M�s a�n la ventas de este modelo pr�cticamente duplican las del anterior que son de 276.747 ventas, cuya desviaci�n est�ndar respecto a la media es de 2.9; siendo este �ltimo un valor admisible.
Sin embargo se puede comprobar que s� se han vendido esas unidades de ese modelo en Estados Unidos. Por tanto ese dato es correcto (Fuente: `http://carsalesbase.com/us-car-sales-data/ford/ford-f-series/`)
### Variable `MOTOR`.
En el `MOTOR` parece que hubiera un *outlier* en su valor m�ximo, que son 8.000 cc. Pero ese modelo existe tal y como se describe en la p�gina web `https://es.wikipedia.org/wiki/Dodge_Viper`.
### Variable `MPG`.
As� mismo tambi�n es real que el Chevrolet Metro recorre la distancia de 45 'MPG'. Este dato se puede ver en la web `https://www.fueleconomy.gov/feg/pdfs/guides/FEG2000.pdf`.
```{r}
summary(coches$MPG)
sprintf("Desviaci�n estandar para la variable MPG: %.1f", sd(coches$MPG))
sprintf("Desviacion MPG m�ximo respecto a la media: %.1f", (max(coches$MPG) - mean(coches$MPG)) / sd(coches$MPG))
sprintf("Desviacion MPG 'penultimo' respecto a la media: %.1f", (33 - mean(coches$MPG)) / sd(coches$MPG))
```
## Resumen de los datos.
```{r}
summary(coches)
```
Por tanto se puede decir que en principio todos los datos de la tabla son correctos.
\pagebreak
# Realizar An�lisis Factorial y An�lisis Cluster
**Objetivo: Resumir las variables del fichero en un n�mero m�s reducido de factores y realizar una tipolog�a de los coches, en base a esos factores.**
Se nos proporciona una *matriz de datos* $X$ con $n = 120$ individuos y 14 columnas que ser�n reducidas a $p = 11$ variables cuantitativas. El objetivo del *An�lisis Factorial* es resumir la informaci�n contenida en esa matriz de datos.
## Identificar las variables para el AF.
**Identificar las variables a incluir en el An�lisis Factorial.**
### Normalidad de las variables.
```{r include = FALSE}
library(nortest)
# Pruebas de normalidad Shapiro-Wilk
shp.coches <- rbind(shapiro.test(coches$VENTAS),
shapiro.test(coches$REVENTA),
shapiro.test(coches$PRECIO),
shapiro.test(coches$MOTOR),
shapiro.test(coches$CV),
shapiro.test(coches$PISADA),
shapiro.test(coches$ANCHURA),
shapiro.test(coches$LONGITUD),
shapiro.test(coches$PESO),
shapiro.test(coches$CAPACIDAD),
shapiro.test(coches$MPG))
print(shp.coches)
# Pruebas de normalidad Lilliefors
lillie.coches <- rbind(lillie.test(coches$VENTAS),
lillie.test(coches$REVENTA),
lillie.test(coches$PRECIO),
lillie.test(coches$MOTOR),
lillie.test(coches$CV),
lillie.test(coches$PISADA),
lillie.test(coches$ANCHURA),
lillie.test(coches$LONGITUD),
lillie.test(coches$PESO),
lillie.test(coches$CAPACIDAD),
lillie.test(coches$MPG))
print(lillie.coches)
# Pruebas de normalidad Kolmogorov-Smirnov
ks.coches <- rbind(ks.test(coches$VENTAS, pnorm, mean(coches$VENTAS), sd(coches$VENTAS)),
ks.test(coches$REVENTA, pnorm, mean(coches$REVENTA), sd(coches$REVENTA)),
ks.test(coches$PRECIO, pnorm, mean(coches$PRECIO), sd(coches$PRECIO)),
ks.test(coches$MOTOR, pnorm, mean(coches$MOTOR), sd(coches$MOTOR)),
ks.test(coches$CV, pnorm, mean(coches$CV), sd(coches$CV)),
ks.test(coches$PISADA, pnorm, mean(coches$PISADA), sd(coches$PISADA)),
ks.test(coches$ANCHURA, pnorm, mean(coches$ANCHURA), sd(coches$ANCHURA)),
ks.test(coches$LONGITUD, pnorm, mean(coches$LONGITUD), sd(coches$LONGITUD)),
ks.test(coches$PESO, pnorm, mean(coches$PESO), sd(coches$PESO)),
ks.test(coches$CAPACIDAD, pnorm, mean(coches$CAPACIDAD), sd(coches$CAPACIDAD)),
ks.test(coches$MPG, pnorm, mean(coches$MPG), sd(coches$MPG)))
print(ks.coches)
```
Antes de realizar ning�n an�lisis, se estudia la normalidad de las variables. Para ello s�lo se incluir�n las once variables cuantitativas mencionadas anteriormente: `VENTAS`, `REVENTA`, `PRECIO`, `MOTOR`, `CV`, `PISADA`, `ANCHURA`, `LONGITUD`, `PESO`, `CAPACIDAD` y `MPG`.
Entonces no se usan las variables cualitativas.
```{r echo=FALSE}
# coches$MARCA <- NULL
# coches$MODELO <- NULL
# coches$TIPO <- NULL
```
Se estudia la normalidad de las variables con el test de *Shapiro-Wilk* que es el m�s estricto. En este caso se plantea como hip�tesis nula que la muestra proviene de una poblaci�n normalmente distribuida. Para ello se hace la prueba con cada una de las variables.
Este test nos muestra que solamente hay dos variables con distribuci�n normal: `LONGITUD` y `PESO`, cuyo *p-valor* > 0.05. Las dem�s no est�n normalmente distribuidas. Por tanto se prueba la normalidad del resto de las variables con el test de *Lilliefors*. Pero con este test, tomando un nivel de significaci�n del 5%, tampoco se obtienen mejores resultados, porque en el mejor de los casos el p-valor vale 0.027. Por �ltimo se prueba con el test de *Kolmogorov-Smirnov*. Se obtiene que todas las variables tienen normalidad excepto `VENTAS`, `REVENTA` y `PRECIO`.
| Variable | Shapiro-Wilk (p-valor) | Lilliefors (p-valor) | Kolmogorov-Smirnov (p-valor) |
| ----------|------------------------|----------------------|---------------|
| VENTAS | 6.8192e-15 | 4.9031e-15 | **2.8197e-05** |
| REVENTA | 3.5684e-13 | 9.3104e-14 | **6.9501e-05** |
| PRECIO | 4.1681e-11 | 5.9375e-09 | **0.002153** |
| MOTOR | 9.6331e-06 | 0.003366 | 0.1586 |
| CV | 2.0126e-05 | 0.009568 | 0.2274 |
| PISADA | 6.5897e-06 | 0.002656 | 0.1463 |
| ANCHURA | 0.009119 | 0.02722 | 0.3281 |
| LONGITUD | 0.8386 | | |
| PESO | 0.662 | | |
| CAPACIDAD | 1.3447e-05 | 0.0007571 | 0.09565 |
| MPG | 6.1219e-05 | 0.0002374 | 0.06494 |
Se intenta encontrar un transformaci�n de cada una de esas tres variables para conseguir normalidad.
```{r}
par(mfrow=c(1,3))
hist(coches$VENTAS, xlab = "VENTAS", main = "VENTAS")
hist(coches$REVENTA, xlab = "REVENTA", main = "REVENTA")
hist(coches$PRECIO, xlab = "PRECIO", main = "PRECIO")
```
La forma del histograma de la variable `VENTAS` nos puede sugerir que para conseguir la normalidad podemos transformarla a logaritmo neperiano. Las variables `REVENTA` y `PRECIO` tienen una distribuci�n mas compleja y nos pueden recordar a una *distribuci�n de Poisson* o quiz�s a una *distribuci�n Gamma*. Pero si se hace una transformaci�n de ese estilo, despu�s la interpretaci�n de los datos es bastante m�s ardua. Por tanto se prueba a transformar cada una de estas tres variables a un sencillo *logaritmo neperiano*.
```{r echo=TRUE}
coches$lnVENTAS <- log(coches$VENTAS)
coches$lnREVENTA <- log(coches$REVENTA)
coches$lnPRECIO <- log(coches$PRECIO)
```
```{r include = FALSE}
# Pruebas de normalidad Shapiro-Wilks
shp.ln.coches <- rbind(shapiro.test(coches$lnVENTAS),
shapiro.test(coches$lnREVENTA),
shapiro.test(coches$lnPRECIO))
print(shp.ln.coches)
# Pruebas de normalidad Lilliefors
lillie.ln.coches <- rbind(lillie.test(coches$lnVENTAS),
lillie.test(coches$lnREVENTA),
lillie.test(coches$lnPRECIO))
print(lillie.ln.coches)
# Pruebas de normalidad Kolmogorov-Smirnov
ks.ln.coches <- rbind(ks.test(coches$lnVENTAS, pnorm, mean(coches$lnVENTAS), sd(coches$lnVENTAS)),
ks.test(coches$lnREVENTA, pnorm, mean(coches$lnREVENTA), sd(coches$lnREVENTA)),
ks.test(coches$lnPRECIO, pnorm, mean(coches$lnPRECIO), sd(coches$lnPRECIO)))
print(ks.ln.coches)
```
Tabla con los test de normalidad: *p-valores* de las transformaciones.
| Variable | Shapiro-Wilk (p-valor) | Lilliefors (p-valor) | Kolmogorov-Smirnov (p-valor) |
|-----------|------------------------|----------------------|---------------|
| lnVENTAS | 0.0004844 | **0.1210** | 0.5450 |
| lnREVENTA | 0.0003796 | 0.004019 | **0.1685** |
| lnPRECIO | 0.01470 | 0.02674 | **0.3260** |
Donde el test de *Lilliefors* ya nos indica que el `ln(VENTAS)` posee una distribuci�n normal. Y el test de *Kolmogorov-Smirnov* nos muestra que las variables `ln(REVENTA)` y `ln(PRECIO)` tambi�n tienen una distribuci�n normal.
Por tanto el resto de los test y an�lisis se realizar� con este **grupo de variables cuantitativas que est�n normalizadas: `MOTOR`, `CV`, `PISADA`, `ANCHURA`, `LONGITUD`, `PESO`, `CAPACIDAD`, `MPG` y `lnVENTAS`, `lnREVENTA`, `lnPRECIO`**.
```{r echo=TRUE}
# Se crea un nuevo data frame con las variables normalizadas.
# Se incluyen: "MARCA", "MODELO", (NO: "VENTAS") (NO: "REVENTA"), "TIPO",
# (NO: "PRECIO"), "MOTOR", "CV", "PISADA", "ANCHURA",
# "LONGITUD", "PESO", "CAPACIDAD", "MPG", "lnVENTAS",
# "lnREVENTA", "lnPRECIO"
names(coches)
coches_ln <- coches[,c(1:2,5,7:17)]
names(coches_ln)
```
```{r include=FALSE}
# Se elimina el data frame coches para que no haya problemas.
# coches <- NULL
```
## Comprobar condiciones para AF.
**Comprobar que se verifican las condiciones para realizar un An�lisis Factorial.**
### Determinante de la matriz de correlaciones
Para comprobar si se verifican las condiciones para realizar un AF, hay que hallar el determinante de la matriz de correlaciones. Si el determinante es muy peque�o, significa que las correlaciones entre variables son altas y que puede ser adecuado realizar un an�lisis factorial.[@urkaregi2017apuntes]
```{r echo=TRUE}
# Se halla la matriz de correlaciones de los datos cuantitativos,
# desde MOTOR hasta lnPRECIO
matriz.cor.coches_ln <- cor(coches_ln[,4:14])
# Se calcula el determinante de la matriz de correlaciones
det.cor.coches_ln <- det(matriz.cor.coches_ln)
# Se muestra su valor
det.cor.coches_ln
```
El determinante de la matriz de correlaciones vale 1.09e-06, que es un valor muy peque�o. O sea que se deduce que las correlaciones entre las variables son altas. Por tanto seg�n este test **ser�a adecuado un an�lisis factorial**.
### Test de de esfericidad de Bartlett
No obstante se puede usar adem�s el Test de Bartlett para comprobar si existen correlaciones en las variables. Este test contrasta la hip�tesis de que la matriz de correlaciones es la matriz identidad. Si es as�, la consecuencia es que las correlaciones entre variables son nulas.
```{r}
library(psych)
```
```{r, echo=TRUE}
# Se toma n (numero de muestras) igual al numero de filas de nuestros datos
cortest.bartlett(matriz.cor.coches_ln, n=nrow(coches_ln))
```
Se obtiene un *p-valor* = 1.22e-292. Con lo cual s� se podr�a rechazar la hip�tesis nula, $H_0$. Por tanto se puede decir que hay correlaciones entre las variables y se confirma una vez m�s que **se puede hacer un an�lisis factorial**.
### El �ndice Kaiser-Meyer-Olkin (KMO).
Este �ndice compara los coeficientes de correlaci�n y los coeficientes de correlaci�n parciales observados:
$$KMO = \frac{\sum_{i \neq j}\sum_{j \neq i} r_{}ij^2}{\sum_{i \neq j} r_{}ij^2 + \sum_{i \neq j}a_{}ij^2}$$
donde $r_{ij}$ es el *coeficiente de correlaci�n entre las variables $i$ y $j$* y $a_{ij}$ es el *coeficiente de correlaci�n parcial entre las variables $i$ y $j$*.
El coeficiente de correlaci�n parcial entre dos variables representa la relaci�n entre las dos variables, eliminada la influencia del resto de variables. Si las variables tienen factores comunes, los coeficientes de correlaci�n parciales ser�n peque�os, dado que se eliminan los efectos lineales del resto de variables. En consecuencia, para que sea adecuada la utilizaci�n del an�lisis factorial, los coeficientes de correlaci�n parciales tienen que ser peque�os.
Si la suma de los cuadrados de los coeficientes de correlaci�n parciales es peque�a en relaci�n con la suma de los cuadrados de los coeficientes de correlaci�n, el �ndice KMO estar� pr�ximo a 1. Si los valores del �ndice *KMO* son peque�os, no ser� adecuado realizar un an�lisis factorial, dado que las correlaciones entre pares de variables no se pueden explicar por medio de otras variables.
```{r}
kmo.coches_ln <- KMO(matriz.cor.coches_ln)
sprintf("KMO = %.2f", kmo.coches_ln$MSA)
```
Se obtiene que **$KMO$ = 0.82**, que es **alto**, mayor que 0.80. Por tanto s� ser�a **adecuado realizar un an�lisis factorial**.
### Medida de adecuaci�n de la muestra (MSA)
La **medida de adecuaci�n de la muestra (MSA)** es similar al �ndice KMO, pero en este caso s�lo se incluyen los coeficientes relativos a la variable que queremos comprobar. Si los �ndices MSA son peque�os, no llevaremos a cabo un an�lisis factorial. Si aparecen �ndices *MSA* peque�os s�lo en algunas variables, podemos plantearnos el eliminar esas variables del an�lisis.
```{r}
print(kmo.coches_ln)
```
Los valores *MSA* son en general altos. El valor m�s bajo lo tiene la variable `lnPRECIO` = 0.74, seguido de `CV` = 0.78 y `PISADA` = 0.78. El resto son superiores a 0.8.
O sea que este �ltimo test corrobora de nuevo la idea de que **se puede realizar un an�lisis factorial**. En todo caso se podr�an eliminar las variables con los *MSA* m�s bajos.
## An�lisis Factorial.
**Realizar el An�lisis Factorial y valorar razonadamente las posibles mejoras de este an�lisis**
M�s adelante, observando las comunalidades se justificar� que se pueden plantear al menos tres opciones de an�lisis:
| Variables | 1: Todas las variables | 2: Todas las variables sin `lnVENTAS` | 3: Todas las variables sin `lnVENTAS` ni `MPG` |
| --------|:--------:|:--------:|:--------:|
| `MOTOR` | x | x | x |
| `CV` | x | x | x |
| `PISADA` | x | x | x |
| `ANCHURA` | x | x | x |
| `LONGITUD` | x | x | x |
| `PESO` | x | x | x |
| `CAPACIDAD` | x | x | x |
| `MPG` | x | x | |
| `lnVENTAS` | x | | |
| `lnREVENTA` | x | x | x |
| `lnPRECIO` | x | x | x |
### Opci�n 1. Todas las variables cuantitativas.
Lista de variables: `MOTOR`, `CV`, `PISADA`, `ANCHURA`, `LONGITUD`, `PESO`, `CAPACIDAD`, `MPG`, `lnVENTAS`, `lnREVENTA` y `lnPRECIO`.
Se hallan los valores propios de la matriz de correlaciones.
```{r}
# eigen(matriz.cor.coches)$values
sprintf("%.2f", eigen(matriz.cor.coches_ln)$values)
```
Hay dos valores propios mayores que 1. Por lo tanto nos quedaremos con 2 factores para realizar el an�lisis.
Se pueden usar diferentes m�todos para calcular los factores. Se elegir� el que explique m�s varianza que en este caso es el m�todo de *Componentes Principales*.
```{r include=FALSE}
# An�lisis Factorial inicial
lista_af = cbind(rbind("minres", "wls", "gls", "pa", "ml", "principal"),
rbind(fa(coches_ln[,4:14], nfactors=2, fm="minres")$Vaccounted[3,2],
fa(coches_ln[,4:14], nfactors=2, fm="wls")$Vaccounted[3,2],
fa(coches_ln[,4:14], nfactors=2, fm="gls")$Vaccounted[3,2],
fa(coches_ln[,4:14], nfactors=2, fm="pa")$Vaccounted[3,2],
fa(coches_ln[,4:14], nfactors=2, fm="ml")$Vaccounted[3,2],
principal(coches_ln[,4:14], nfactors=2, rotate=F, scores=F)$Vaccounted[3,2]))
print(lista_af)
```
| M�todo | Varianza explicada(%) |
|----------------------------------------|------|
| "minres", residuos m�nimos (OLS) | 75 % |
| "wls", m�nimos cuadrados ponderados | 76 % |
| "gls", m�nimos cuadrados generalizados | 76 % |
| "pa", factor principal | 75 % |
| "ml", M�xima verosimilitud | 75 % |
| Componentes Principales | 79 % |
Inicialmente se realiza el An�lisis de Componentes Principales (ACP) sin rotar
```{r}
# M�todo de componentes principales
cp.coches_ln_sin_rotar <- principal(coches_ln[,4:14], nfactors=2, rotate=F, scores=F)
print(cp.coches_ln_sin_rotar)
# plot(cp.coches_ln_sin_rotar)
```
Los dos primeros valores propios explican el 79 % de la varianza. Las comunalidades m�s peque�as corresponden a `lnVENTAS` (0.61) seguido de `MPG` (0.71), `CAPACIDAD` (0.73), `ANCHURA` (0.75), `LONGITUD` (0.77) y `MOTOR` (0.78). Las otras cinco variables tienen comunalidades superiores a 0.80.
Observando las comunalidades se pueden plantear al menos tres opciones de an�lisis:
| Opci�n | 1: Todas las variables | 2: Todas las variables sin `lnVENTAS` | 3: Todas las variables sin `lnVENTAS` ni `MPG` |
| --------|:--------:|:--------:|:--------:|
| `MOTOR` | x | x | x |
| `CV` | x | x | x |
| `PISADA` | x | x | x |
| `ANCHURA` | x | x | x |
| `LONGITUD` | x | x | x |
| `PESO` | x | x | x |
| `CAPACIDAD` | x | x | x |
| `MPG` | x | x | |
| `lnVENTAS` | x | | |
| `lnREVENTA` | x | x | x |
| `lnPRECIO` | x | x | x |
A continuaci�n se muestra muestra el An�lisis de Componentes principales rotados con varimax
```{r}
library(GPArotation)
# Componentes principales rotados
cp.coches_ln <- principal(coches_ln[,4:14], nfactors=2, rotate="varimax", scores=TRUE)
cp.coches_ln
```
| Variable | 1: Todas las variables. Valor comunalidades ($h^2$) |
| --------|:--------:|
| `lnPRECIO` | 0.91 |
| `PESO` | 0.88 |
| `lnREVENTA` | 0.87 |
| `PISADA` | 0.85 |
| `CV` | 0.84 |
| `MOTOR` | 0.78 |
| `LONGITUD` | 0.77 |
| `ANCHURA` | 0.75 |
| `CAPACIDAD` | 0.73 |
| `MPG` | 0.71 |
| `lnVENTAS` | 0.61 |
### Opci�n 2. Todas las variables cuantitativas sin `lnVENTAS`.
Todas las variables cuantitativas sin `lnVENTAS`.
Lista de variables: `MOTOR`, `CV`, `PISADA`, `ANCHURA`, `LONGITUD`, `PESO`, `CAPACIDAD`, `MPG` , `lnREVENTA` y `lnPRECIO`.
```{r include=FALSE}
# Se crea la matriz con los datos
coches_ln_sin_ventas <- coches_ln[,c(1:11,13:14)]
names(coches_ln_sin_ventas)
# Se halla la matriz de correlaciones de los datos
matriz.cor.coches_ln_sin_ventas <- cor(coches_ln_sin_ventas[,c(4:13)])
# Se calcula el determinante de la matriz de correlaciones
det.cor.coches_ln_sin_ventas <- det(matriz.cor.coches_ln_sin_ventas)
# Se muestra su valor
det.cor.coches_ln_sin_ventas
library(psych)
# Se toma n (numero de muestras) igual al numero de filas de nuestros datos
cortest.bartlett(matriz.cor.coches_ln_sin_ventas, n=nrow(coches_ln_sin_ventas))
kmo.coches_ln_sin_ventas <- KMO(matriz.cor.coches_ln_sin_ventas)
```
```{r}
# Valor del determinante de la matriz de correlaciones
sprintf("Determinante matriz correlaciones = %.2e", det.cor.coches_ln_sin_ventas)
# Indice KMO
sprintf("KMO = %.2f", kmo.coches_ln_sin_ventas$MSA)
print(kmo.coches_ln_sin_ventas)
```
Se ha calculado la nueva matriz de datos, la matriz de correlaciones y su determinante. Tambi�n se ha obtenido que el �ndice *KMO* = 0.82, que es un valor aceptable.
Se hallan los valores propios de la matriz de correlaciones.
```{r}
# eigen(matriz.cor.coches)$values
sprintf("%.2f", eigen(matriz.cor.coches_ln_sin_ventas)$values)
```
Hay dos valores propios mayores que 1. Por lo tanto nos quedaremos con 2 factores para realizar el an�lisis.
Se pueden usar diferentes m�todos para calcular los factores. Se elegir� el que explique m�s varianza que en este caso es el m�todo de *Componentes Principales*.
```{r include=FALSE}
# An�lisis Factorial inicial
num_factores = 2
lista_af_sin_ventas = cbind(rbind("minres", "wls", "gls", "pa", "ml", "principal"),
rbind(fa(coches_ln_sin_ventas[,c(4:13)], nfactors=num_factores, fm="minres")$Vaccounted[3,num_factores],
fa(coches_ln_sin_ventas[,c(4:13)], nfactors=num_factores, fm="wls")$Vaccounted[3,num_factores],
fa(coches_ln_sin_ventas[,c(4:13)], nfactors=num_factores, fm="gls")$Vaccounted[3,num_factores],
fa(coches_ln_sin_ventas[,c(4:13)], nfactors=num_factores, fm="pa")$Vaccounted[3,num_factores],
fa(coches_ln_sin_ventas[,c(4:13)], nfactors=num_factores, fm="ml")$Vaccounted[3,num_factores],
principal(coches_ln_sin_ventas[,c(4:13)], nfactors=num_factores, rotate=F, scores=F)$Vaccounted[3,num_factores]))
print(lista_af_sin_ventas)
```
| M�todo | Varianza explicada(%) |
|----------------------------------------|------|
| "minres", residuos m�nimos (OLS) | 78 % |
| "wls", m�nimos cuadrados ponderados | 80 % |
| "gls", m�nimos cuadrados generalizados | 80 % |
| "pa", factor principal | 78 % |
| "ml", M�xima verosimilitud | 78 % |
| Componentes Principales | 82 % |
Inicialmente se realiza el An�lisis de Componentes Principales (ACP) sin rotar
```{r}
# M�todo de componentes principales
principal(coches_ln_sin_ventas[,c(4:13)], nfactors=num_factores, rotate=F, scores=F)
```
Los dos primeros valores propios explican el 82 % de la varianza. Las comunalidades m�s peque�as corresponden a `MPG` (0.71), `CAPACIDAD` (0.74), `ANCHURA` (0.76), `MOTOR` (0.79) y `LONGITUD` (0.80). Las otras cinco variables tienen comunalidades superiores a 0.80.
En la siguiente tabla se puede ver que con este an�lisis mejoran las comunalidades:
| Variable | 1: Todas las variables. Valor comunalidades ($h^2$) | 2: Todas las variables sin `lnVENTAS`. Valor comunalidades ($h^2$) |
| --------|:--------:|:--------:|
| `lnPRECIO` | 0.91 | 0.93 |
| `PESO` | 0.88 | 0.88 |
| `lnREVENTA` | 0.87 | 0.89 |
| `PISADA` | 0.85 | 0.86 |
| `CV` | 0.84 | 0.87 |
| `MOTOR` | 0.78 | 0.79 |
| `LONGITUD` | 0.77 | 0.80 |
| `ANCHURA` | 0.75 | 0.76 |
| `CAPACIDAD` | 0.73 | 0.74 |
| `MPG` | 0.71 | 0.71 |
| `lnVENTAS` | 0.61 | --- |
* Porcentaje de varianza explicada. Opci�n 1 (Todas las variables) = **79 %**.
* Porcentaje de varianza explicada. Opci�n 2 (Todas las variables sin `lnVENTAS`) = **82 %**.
### Opci�n 3. Sin `lnVENTAS` y sin `MPG`.
Todas las variables cuantitativas sin `lnVENTAS` y sin `MPG`.
Lista de variables: `MOTOR`, `CV`, `PISADA`, `ANCHURA`, `LONGITUD`, `PESO`, `CAPACIDAD` , `lnREVENTA` y `lnPRECIO`.
```{r include=FALSE}
names(coches_ln)
# Se crea la matriz con los datos
coches_ln_sin_vtas_mpg <- coches_ln[,c(4:10,13:14)]
names(coches_ln_sin_vtas_mpg)
# Se halla la matriz de correlaciones de los datos
matriz.cor.coches_ln_sin_vtas_mpg <- cor(coches_ln_sin_vtas_mpg)
# Se calcula el determinante de la matriz de correlaciones
det.cor.coches_ln_sin_vtas_mpg <- det(matriz.cor.coches_ln_sin_vtas_mpg)
# Se muestra su valor
det.cor.coches_ln_sin_vtas_mpg
library(psych)
# Se toma n (numero de muestras) igual al numero de filas de nuestros datos
cortest.bartlett(matriz.cor.coches_ln_sin_vtas_mpg, n=nrow(coches_ln_sin_vtas_mpg))
kmo.coches_ln_sin_vtas_mpg <- KMO(matriz.cor.coches_ln_sin_vtas_mpg)
sprintf("KMO = %.2f", kmo.coches_ln_sin_vtas_mpg$MSA)
print(kmo.coches_ln_sin_vtas_mpg)
```
```{r}
# Valor del determinante de la matriz de correlaciones
sprintf("Determinante matriz correlaciones = %.2e", det.cor.coches_ln_sin_vtas_mpg)
# Indice KMO
sprintf("KMO = %.2f", kmo.coches_ln_sin_vtas_mpg$MSA)
print(kmo.coches_ln_sin_vtas_mpg)
```
Se ha calculado la nueva matriz de datos, la matriz de correlaciones y su determinante. Tambi�n se ha obtenido que el �ndice *KMO* = 0.78, que no es un valor muy aceptable dado que es inferior a 0.80.
Se hallan los valores propios de la matriz de correlaciones.
Despu�s de crear la nueva matriz de datos, la matriz de correlaciones y su determinante, se hallan los valores propios de la matriz de correlaciones.
```{r}
# eigen(matriz.cor.coches)$values
sprintf("%.2f", eigen(matriz.cor.coches_ln_sin_vtas_mpg)$values)
```
Hay dos valores propios mayores que 1. Por lo tanto nos quedaremos con 2 factores para realizar el an�lisis.
Se pueden usar diferentes m�todos para calcular los factores. Se elegir� el que explique m�s varianza que en este caso es el m�todo de *Componentes Principales*.
```{r include=FALSE}
# An�lisis Factorial inicial
# An�lisis Factorial inicial
num_factores = 2
lista_af_sin_vtas_mpg = cbind(rbind("minres", "wls", "gls", "pa", "ml", "principal"),
rbind(fa(coches_ln_sin_vtas_mpg, nfactors=num_factores, fm="minres")$Vaccounted[3,num_factores],
fa(coches_ln_sin_vtas_mpg, nfactors=num_factores, fm="wls")$Vaccounted[3,num_factores],
fa(coches_ln_sin_vtas_mpg, nfactors=num_factores, fm="gls")$Vaccounted[3,num_factores],
fa(coches_ln_sin_vtas_mpg, nfactors=num_factores, fm="pa")$Vaccounted[3,num_factores],
fa(coches_ln_sin_vtas_mpg, nfactors=num_factores, fm="ml")$Vaccounted[3,num_factores],
principal(coches_ln_sin_vtas_mpg, nfactors=num_factores, rotate=F, scores=F)$Vaccounted[3,num_factores]))
print(lista_af_sin_vtas_mpg)
```
| M�todo | Varianza explicada(%) |
|----------------------------------------|------|
| "minres", residuos m�nimos (OLS) | 80 % |
| "wls", m�nimos cuadrados ponderados | 81 % |
| "gls", m�nimos cuadrados generalizados | 81 % |
| "pa", factor principal | 80 % |
| "ml", M�xima verosimilitud | 79 % |
| Componentes Principales | 84 % |
Inicialmente se realiza el An�lisis de Componentes Principales (ACP) sin rotar
```{r}
# M�todo de componentes principales
principal(coches_ln_sin_vtas_mpg, nfactors=num_factores, rotate=F, scores=F)
```
Los dos primeros valores propios explican el 84 % de la varianza. Las comunalidades m�s peque�as corresponden a `CAPACIDAD` (70), `ANCHURA` (0.78) y `MOTOR` (0.79). Las otras variables tienen comunalidades superiores a 0.80.
En el siguiente apartado se discute cual puede ser la mejor opci�n.
## An�lisis Factorial definitivo.
**Realizar el An�lisis Factorial definitivo (desde tu punto de vista)**
A continuaci�n se muestra un resumen de los datos obtenidos hasta ahora y se eval�a cual puede ser el mejor an�lisis.
Adem�s se a�ade un resumen de una cuarta opci�n: Todas las variables sin `lnVENTAS`, ni `MPG`, ni tampoco la variable `CAPACIDAD` cuyo $h^2$ tambi�n es bajo.
```{r include=FALSE}
# Se crea la matriz con los datos de la opci�n 4
coches_ln_sin_vtas_mpg_cap <- coches_ln[,c(4:9,13:14)]
```
### �ndice KMO.
* �ndice KMO. Opci�n 1 (Todas las variables) = **0.82**.
* �ndice KMO. Opci�n 2 (Todas las variables sin `lnVENTAS`) = **0.82**.
* �ndice KMO. Opci�n 3 (Todas las variables sin `lnVENTAS` y sin `MPG`) = **0.78**.
* �ndice KMO. Opci�n 4 (Todas las variables sin `lnVENTAS`, sin `MPG` y sin `MPG`) = **0.76**.
El �ndice KMO muestra las correlaciones entre pares de variables. Se aprecia que el �ndice KMO es inferior a 0.80 en la tercera y cuarta opci�n. O sea que **para las opciones 3 y 4 no ser�a adecuado realizar un an�lisis factorial**.
### �ndices MSA.
```{r include=FALSE}
# Se crea la matriz con los datos
coches_ln_sin_vtas_mpg_cap <- coches_ln[,c(4:9,13:14)]
# Se halla la matriz de correlaciones de los datos
matriz.cor.coches_ln_sin_vtas_mpg_cap <- cor(coches_ln_sin_vtas_mpg_cap)
kmo.coches_ln_sin_vtas_mpg_cap <- KMO(matriz.cor.coches_ln_sin_vtas_mpg_cap)
kmo.coches_ln$MSAi
kmo.coches_ln_sin_ventas$MSAi
kmo.coches_ln_sin_vtas_mpg$MSAi
kmo.coches_ln_sin_vtas_mpg_cap$MSAi
```
| Variable | 1: Todas las variables. (Valor MSA) | 2: Todas las variables sin `lnVENTAS`. (Valor MSA) | 3: Todas las variables sin `lnVENTAS` ni `MPG`. (Valor MSA) | 4: Todas las variables sin `lnVENTAS` ni `MPG` ni `CAPACIDAD`. (Valor MSA) |
|-----------|:----:|:----:|:----:|:----:|
| ANCHURA | 0.95 | 0.95 | 0.95 | 0.94 |
| MPG | 0.92 | 0.92 | --- | --- |
| CAPACIDAD | 0.85 | 0.86 | 0.82 | --- |
| lnVENTAS | 0.85 | --- | --- | --- |
| MOTOR | 0.83 | 0.83 | 0.80 | 0.76 |
| PESO | 0.82 | 0.82 | 0.77 | 0.76 |
| LONGITUD | 0.79 | 0.79 | 0.76 | 0.76 |
| lnREVENTA | 0.79 | 0.77 | 0.75 | 0.74 |
| CV | 0.78 | 0.77 | 0.74 | 0.73 |
| PISADA | 0.78 | 0.79 | 0.78 | 0.72 |
| lnPRECIO | 0.74 | 0.72 | 0.70 | 0.69 |
Vemos que los �ndices MSA van disminuyendo seg�n se eliminan variables de manera que para las opciones 3 y 4 tiene demasiados valores por debajo de 0.80. Con lo cual desde el punto de vista de los �ndices MSA **para las opciones 3 y 4 no ser�a adecuado realizar un an�lisis factorial**.
### Comunalidades $h^2$.
La siguiente tabla muestra las comunalidades para las cuatro opciones.
| Variable | 1: Todas las variables. Valor comunalidades ($h^2$) | 2: Todas las variables sin `lnVENTAS`. Valor comunalidades ($h^2$) | 3: Todas las variables sin `lnVENTAS` ni `MPG`. Valor comunalidades ($h^2$) | 4: Todas las variables sin `lnVENTAS` ni `MPG` ni `CAPACIDAD`. Valor comunalidades ($h^2$) |
| --------|:--------:|:--------:|:--------:|:--------:|
| `lnPRECIO` | 0.91 | 0.93 | 0.94 | 0.94 |
| `PESO` | 0.88 | 0.88 | 0.86 | 0.82 |
| `lnREVENTA` | 0.87 | 0.89 | 0.90 | 0.89 |
| `PISADA` | 0.85 | 0.86 | 0.88 | 0.90 |
| `CV` | 0.84 | 0.87 | 0.89 | 0.80 |
| `MOTOR` | 0.78 | 0.79 | 0.79 | 0.87 |
| `LONGITUD` | 0.77 | 0.80 | 0.82 | 0.87 |
| `ANCHURA` | 0.75 | 0.76 | 0.78 | 0.79 |
| `CAPACIDAD` | 0.73 | 0.74 | 0.70 | --- |
| `MPG` | 0.71 | 0.71 | --- | --- |
| `lnVENTAS` | 0.61 | --- | --- | --- |
Para las tres primeras opciones se encuentran comunalidades menores de 0.80, pero adem�s en la opci�n 1 hay un $h^2$ = 0.61, que es muy baja respecto al resto. Las comunalidades aumentan seg�n se van eliminando variables, *pero se va perdiendo informaci�n*. El mayor cambio sucede en la opci�n 2, dado que all� se ha eliminado el valor de $h^2$ = 0.61 para `lnVENTAS`. O sea que en este caso la **opci�n 2** podr�a ser **la mejor**.
### Varianza total explicada
* Porcentaje de varianza explicada. Opci�n 1 (Todas las variables) = **79 %**.
* Porcentaje de varianza explicada. Opci�n 2 (Todas las variables sin `lnVENTAS`) = **82 %**.
* Porcentaje de varianza explicada. Opci�n 3 (Todas las variables sin `lnVENTAS` y sin `MPG`) = **84 %**.
* Porcentaje de varianza explicada. Opci�n 4 (Todas las variables sin `lnVENTAS`, sin `MPG` y sin `MPG`) = **86 %**.
**Cualquiera de las opciones explica gran cantidad de varianza** y la varianza explicada aumenta a medida que se eliminan variables del an�lisis; lo cual es de esperar.
### Diagramas de componentes y variables
Al ir eliminando las variables el contenido de los dos factores no var�a. Por tanto estos diagramas no nos dan informaci�n adicional para tomar la decisi�n final.
```{r echo=FALSE}
par(mfrow=c(1,2))
fa.diagram(cp.coches_ln, digits = 3, main = "Opci�n 1", rsize=.37)
cp.coches_ln_sin_ventas <- principal(coches_ln_sin_ventas[,c(4:13)], nfactors=num_factores, rotate="varimax", scores=TRUE)
fa.diagram(cp.coches_ln_sin_ventas, digits = 3, main = "Opci�n 2. Sin ventas", rsize=.37)
par(mfrow=c(1,2))
cp.coches_ln_sin_vtas_mpg <- principal(coches_ln_sin_vtas_mpg, nfactors=num_factores, rotate="varimax", scores=TRUE)
fa.diagram(cp.coches_ln_sin_vtas_mpg, digits = 3, main = "Opci�n 3. Sin ventas, mpg", rsize=.37)
cp.coches_ln_sin_vtas_mpg_cap <- principal(coches_ln_sin_vtas_mpg_cap, nfactors=num_factores, rotate="varimax", scores=TRUE)
fa.diagram(cp.coches_ln_sin_vtas_mpg_cap, digits = 3, main = "Opci�n 4. Sin ventas, mpg, capac.", rsize=.37)
```
**Conclusi�n:**
Decido tomar la **opci�n 2**, eliminando �nicamente la variable `log(VENTAS)`.
* Lista de variables: `MOTOR`, `CV`, `PISADA`, `ANCHURA`, `LONGITUD`, `PESO`, `CAPACIDAD`, `MPG` , `lnREVENTA` y `lnPRECIO`.
* El �ndice KMO = 0.82, que es un valor adecuado.
* Tiene los mejores valores para los �ndices MSA de entre las cuatro opciones.
* En esta opci�n se elimina la comunalidad m�s baja (0.61) sin perder un gran n�mero de variables y de informaci�n.
* Porcentaje de varianza explicada de todas las variables es del 79 %.
## Interpretar los factores obtenidos.
Se muestran los datos de las componentes principales rotadas por *varimax* para interpretar los factores.
```{r}
# Se muestran las componentes principales rotadas
# Uso un alias para acortar la notacion
cargas <- cp.coches_ln_sin_ventas$loadings
plot(cargas[,2]~cargas[,1], xlim=c(-1, 1.2),ylim=c(-1, 1), pch = 16,
xlab = list('CPR 1', col="red"), ylab = list('CPR 2', col="blue"),
main = 'Componentes principales rotadas',
col=ifelse(colnames(cp.coches_ln_sin_ventas$Vaccounted)=="RC1","red","blue"))
text(cargas[,2]~cargas[,1], labels = row.names(cargas), pos = 4)
abline(v=0, h=0)
abline(v=1, h=1, lty=3)
abline(v=-1, h=-1, lty=3)
# Se muestran los factores y sus variables
fa.diagram(cp.coches_ln_sin_ventas$loadings, digits = 3)
# Resumen de las componentes principales
cp.coches_ln_sin_ventas$weights
cp.coches_ln_sin_ventas$Vaccounted
```
* El factor `RC1` explica el 51 % de la varianza. Est� relacionado con `PISADA` (Base del neum�tico), `LONGITUD` del veh�culo, `ANCHURA` del veh�culo, `PESO` del veh�culo, `CAPACIDAD` del tanque de combustible y tiene correlaci�n negativa con `MPG` (millas recorridas por gal�n de combustible). Por tanto este primer factor se podr�a definir como *"Tama�o y aspecto externo del veh�culo"*.
* El factor `RC2` explica el 49 % de la varianza. Est� relacionado con `log(PRECIO)` del veh�culo, `log(REVENTA)` precio de reventa del veh�culo a los 4 a�os, `CV` (potencia del motor en CV) y con `MOTOR` (tama�o del motor). Se podr�a definir como *"Potencia y precio del veh�culo"*. Aunque hay que se�alar que debido a la presencia de los logaritmos en este factor, los veh�culos m�s baratos tienen mayor preponderancia que los caros.
## Coches en el plano factorial.
**Representar los coches en el plano factorial**
Se representan el plano factorial de los coches de tres formas diferentes:
* Plano1: destacando los precios de los coches en tres grupos "baratos", "precio medio" y "caros" (sin logaritmos en este caso).
* Plano2: destacando el tama�o del motor.
* Plano3: destacando el consumo (MPG).
Y se aprecia que en general, los coches m�s baratos tienen un motor m�s peque�o y consumen menos combustible.
```{r include=FALSE}
# Se guardan las componentes rotadas en la matriz de datos
coches_ln_sin_ventas$CPR1 <- cp.coches_ln_sin_ventas$scores[,1]
coches_ln_sin_ventas$CPR2 <- cp.coches_ln_sin_ventas$scores[,2]
library(ggplot2)
library(qgraph)
```
```{r include=FALSE}
# Se muestra la marca del coche.
# Para poner un n�mero de columna sustituir
# coches_ln_sin_ventas$MARCA por rownames(coches_ln_sin_ventas)
ggplot(coches_ln_sin_ventas, aes(x=CPR1, y=CPR2)) +
geom_point() + geom_rug() +
xlim(-2.5, 3.5) + ylim(-2.1,4.2)+
geom_vline(xintercept = 0) + geom_hline(yintercept = 0) +
geom_text(aes(label=ifelse((CPR2 > 1 | CPR2 < -1 | CPR1 > 0.8 | CPR1 < -1.1) ,as.character(coches_ln_sin_ventas$MARCA),'')),hjust=0,vjust=0, size=3.3) +
scale_colour_brewer(palette = "Set1")
```
```{r}
# Precio medio
precio_med <- function()
{
ifelse(exp(coches_ln_sin_ventas$lnPRECIO) < mean(exp(coches_ln_sin_ventas$lnPRECIO)),"baratos","caros")
}
precio_med_3 <- function()
{
margen = 0.1
txt1 = paste("baratos", 100*(1 - 2*margen) / 2, "%")
txt2 = paste("medio", 2*100*margen, "%")
txt3 = paste("caros", 100*(1 - 2*margen) / 2, "%")
ifelse(exp(coches_ln_sin_ventas$lnPRECIO) < ((1 - margen) * mean(exp(coches_ln_sin_ventas$lnPRECIO))),txt1,
ifelse(exp(coches_ln_sin_ventas$lnPRECIO) > ((1 + margen) * mean(exp(coches_ln_sin_ventas$lnPRECIO))),txt3,txt2))
}
# ggplot(coches_ln_sin_ventas, aes(x=CPR1, y=CPR2, color=precio_med_3())) +
# geom_point() + geom_rug() +
# xlim(-2.5, 3.5) + ylim(-2.1,4.2)+
# geom_vline(xintercept = 0) + geom_hline(yintercept = 0) +
# geom_text(aes(label=ifelse((CPR2 > 1 | CPR2 < -1 | CPR1 > 0.8 | CPR1 < -1.1),as.character(rownames(coches_ln_sin_ventas)),'')),hjust=0,vjust=0, size=3.3) +
# scale_colour_brewer(palette = "Set1")
# library(ggrepel)
# Cambiar la funcion geom_text() por geom_text_repel()
ggplot(coches_ln_sin_ventas, aes(x=CPR1, y=CPR2, color=precio_med_3())) +
geom_point() + geom_rug() +
xlim(-2.5, 3.5) + ylim(-2.1,4.2)+
geom_vline(xintercept = 0) + geom_hline(yintercept = 0) +
geom_text(aes(label=ifelse((CPR2 > 1 | CPR2 < -1 | CPR1 > 0.8 | CPR1 < -1.1),as.character(paste(rownames(coches_ln_sin_ventas), coches_ln_sin_ventas$MARCA)),'')),hjust=0,vjust=0, size=3.3) +
scale_colour_brewer(palette = "Set1")
```
```{r include=FALSE}
#Tipo de coche
ggplot(coches_ln_sin_ventas, aes(x=CPR1, y=CPR2, color=TIPO)) +
geom_point() + geom_rug() +
xlim(-2.5, 3.5) + ylim(-2.1,4.2)+
geom_vline(xintercept = 0) + geom_hline(yintercept = 0) +
geom_text(aes(label=ifelse((CPR2 > 1 | CPR2 < -1 | CPR1 > 0.8 | CPR1 < -1.1),as.character(paste(rownames(coches_ln_sin_ventas), coches_ln_sin_ventas$MARCA)),'')),hjust=0,vjust=0, size=3.3) +
scale_colour_brewer(palette = "Set1")
```
```{r include=FALSE}
pisada_med <- function()
{
ifelse(coches_ln_sin_ventas$PISADA < mean(coches_ln_sin_ventas$PISADA),"estrecho","ancho")
}
pisada_med_3 <- function()
{
margen = 0.05
txt1 = paste("estrecho", 100*(1 - 2*margen) / 2, "%")
txt2 = paste("medio", 2*100*margen, "%")
txt3 = paste("ancho", 100*(1 - 2*margen) / 2, "%")
ifelse(coches_ln_sin_ventas$PISADA < ((1 - margen) * mean(coches_ln_sin_ventas$PISADA)),txt1,
ifelse(coches_ln_sin_ventas$PISADA > ((1 + margen) * mean(coches_ln_sin_ventas$PISADA)),txt3,txt2))
}
ggplot(coches_ln_sin_ventas, aes(x=CPR1, y=CPR2, color=pisada_med_3())) +
geom_point() + geom_rug() +
xlim(-2.5, 3.5) + ylim(-2.1,4.2)+
geom_vline(xintercept = 0) + geom_hline(yintercept = 0) +
geom_text(aes(label=ifelse((CPR2 > 1 | CPR2 < -1 | CPR1 > 0.8 | CPR1 < -1.1),as.character(paste(rownames(coches_ln_sin_ventas), coches_ln_sin_ventas$MARCA)),'')),hjust=0,vjust=0, size=3.3) +
scale_colour_brewer(palette = "Set1")
```
```{r}
motor_med <- function()
{
ifelse(coches_ln_sin_ventas$MOTOR < mean(coches_ln_sin_ventas$MOTOR),"grande","peque�o")
}
motor_med_3 <- function()
{
margen = 0.1
txt1 = paste("peque�o", 100*(1 - 2*margen) / 2, "%")
txt2 = paste("medio", 2*100*margen, "%")
txt3 = paste("grande", 100*(1 - 2*margen) / 2, "%")
ifelse(coches_ln_sin_ventas$MOTOR < ((1 - margen) * mean(coches_ln_sin_ventas$MOTOR)),txt1,
ifelse(coches_ln_sin_ventas$MOTOR > ((1 + margen) * mean(coches_ln_sin_ventas$MOTOR)),txt3,txt2))
}
ggplot(coches_ln_sin_ventas, aes(x=CPR1, y=CPR2, color=motor_med_3())) +
geom_point() + geom_rug() +
xlim(-2.5, 3.5) + ylim(-2.1,4.2)+
geom_vline(xintercept = 0) + geom_hline(yintercept = 0) +
geom_text(aes(label=ifelse((CPR2 > 1 | CPR2 < -1 | CPR1 > 0.8 | CPR1 < -1.1),as.character(paste(rownames(coches_ln_sin_ventas), coches_ln_sin_ventas$MARCA)),'')),hjust=0,vjust=0, size=3.3) +
scale_colour_brewer(palette = "Set1")
```
```{r include=FALSE}
# Precio reventa al cabo de 4 a�os
reventa_med <- function()
{
ifelse(exp(coches_ln_sin_ventas$lnREVENTA)<mean(exp(coches_ln_sin_ventas$lnREVENTA)),"bajo","alto")
}
reventa_med_3 <- function()
{
margen = 0.1
txt1 = paste("bajo", 100*(1 - 2*margen) / 2, "%")
txt2 = paste("medio", 2*100*margen, "%")
txt3 = paste("alto", 100*(1 - 2*margen) / 2, "%")
ifelse(exp(coches_ln_sin_ventas$lnREVENTA) < ((1 - margen) * mean(exp(coches_ln_sin_ventas$lnREVENTA))),txt1,
ifelse(exp(coches_ln_sin_ventas$lnREVENTA) > ((1 + margen) * mean(exp(coches_ln_sin_ventas$lnREVENTA))),txt3,txt2))
}