)
frecuencias_bloque10 <- lapply(
vars_bloque10,
function(v) {
x <- as.character(
base_resi[[v]]
)
# Eliminar NA y vacíos
valido <- !is.na(x) &
trimws(x) != ""
x_validos <- x[valido]
# Identificar pregunta original
pregunta <- case_when(
v %in% c(
"P139_1",
"P139_2",
"P139_3",
"P139_5",
"P139_88"
) ~ "P139",
v %in% c(
"P140_1",
"P140_2",
"P140_3",
"P140_5"
) ~ "P140",
v == "P140B" ~ "P140B",
v == "P144" ~ "P144",
v %in% c(
"P141B_1",
"P141B_2",
"P141B_3",
"P141B_4",
"P141B_5",
"P141B_6"
) ~ "P141B",
v == "P143C" ~ "P143C",
v %in% c(
"P146A_1",
"P146A_2",
"P146A_3",
"P146A_4",
"P146A_6",
"P146A_7",
"P146A_8",
"P146A_9"
) ~ "P146A",
v %in% c(
"P146B_1",
"P146B_2",
"P146B_3",
"P146B_4",
"P146B_6",
"P146B_7",
"P146B_8",
"P146B_9"
) ~ "P146B",
v %in% c(
"P148_1",
"P148_2",
"P148_3",
"P148_4",
"P148_5",
"P148_6",
"P148_7"
) ~ "P148"
)
# Si no hay casos válidos
if (length(x_validos) == 0) {
return(
data.frame(
pregunta = pregunta,
variable = v,
categoria = NA,
frecuencia = 0,
porcentaje = NA
)
)
}
# Tabla de frecuencias
tabla <- as.data.frame(
table(x_validos),
stringsAsFactors = FALSE
)
names(tabla) <- c(
"categoria",
"frecuencia"
)
# Porcentaje sobre casos válidos
tabla$porcentaje <- round(
tabla$frecuencia /
sum(tabla$frecuencia) *
100,
2
)
# Agregar identificación
tabla %>%
mutate(
pregunta = pregunta,
variable = v,
.before = 1
) %>%
select(
pregunta,
variable,
categoria,
frecuencia,
porcentaje
)
}
) %>%
bind_rows()
frecuencias_bloque10
frecuencias_bloque10 <- frecuencias_bloque10 %>%
mutate(
pregunta = factor(
pregunta,
levels = c(
"P139",
"P140",
"P140B",
"P141B",
"P143C",
"P144",
"P146A",
"P146B",
"P148"
)
)
) %>%
arrange(
pregunta,
variable
)
entropia_bloque10 <- lapply(
vars_bloque10,
function(v) {
x <- as.character(
base_resi[[v]]
)
# Eliminar NA y vacíos
x <- x[
!is.na(x) &
trimws(x) != ""
]
# Si no hay casos válidos
if (length(x) == 0) {
return(
data.frame(
variable = v,
n_categorias = 0,
entropia = NA,
entropia_normalizada = NA
)
)
}
# Proporciones
prop <- prop.table(
table(x)
)
# Entropía de Shannon
H <- -sum(
prop * log(prop)
)
# Número de categorías
k <- length(prop)
# Entropía normalizada
H_norm <- ifelse(
k > 1,
H / log(k),
0
)
data.frame(
variable = v,
n_categorias = k,
entropia = H,
entropia_normalizada = H_norm
)
}
) %>%
bind_rows()
entropia_bloque10
#ACM
vars_acm_bloque10<- c(
# P139
"P139_1",
"P139_2",
"P139_3",
"P139_5",
"P139_88",
# P140
"P140_1",
"P140_2",
"P140_3",
# P140B
"P140B",
# P141B
"P141B_1",
"P141B_2",
"P141B_3",
"P141B_4",
"P141B_5",
"P141B_6"
)
datos_acm_bloque10 <- base_resi[, vars_acm_bloque10]
na_bloque10_acm <- data.frame(
variable = names(datos_acm_bloque10),
n_validos = sapply(
datos_acm_bloque10,
function(x) sum(!is.na(x) & trimws(as.character(x)) != "")
),
n_na = sapply(
datos_acm_bloque10,
function(x) sum(is.na(x) | trimws(as.character(x)) == "")
)
)
na_bloque10_acm$pct_na <- round(
na_bloque10_acm$n_na /
(na_bloque10_acm$n_validos + na_bloque10_acm$n_na) *
100,
2
)
na_bloque10_acm
datos_acm_bloque10 <-
datos_acm_bloque10[
complete.cases(datos_acm_bloque10),
]
datos_acm_bloque10 <- data.frame(
lapply(
datos_acm_bloque10,
function(x) factor(as.character(x))
)
)
datos_acm_bloque10 <- droplevels(
datos_acm_bloque10
)
acm_bloque10 <- MCA(
datos_acm_bloque10,
graph = FALSE
)
acm_bloque10 <- MCA(
datos_acm_bloque10,
graph = FALSE
)
# 14. VALORES PROPIOS
acm_bloque10$eig
# 15. GRÁFICO DE VALORES PROPIOS
factoextra::fviz_screeplot(
acm_bloque10,
addlabels = TRUE,
title = "Gráfico de valores propios del ACM",
xlab = "Dimensiones",
ylab = "Porcentaje de varianza explicada (%)"
)
factoextra::fviz_mca_var(
acm_bloque10,
axes = c(1, 2),
col.var = "cos2",
repel = TRUE,
title = "Mapa factorial del ACM",
xlab = "Dimensión 1",
ylab = "Dimensión 2"
)
# BLOQUE 11
vars_bloque11 <- c(
# P107
"P107",
# P107B
"P107B",
# P108
"P108",
# P109
"P109",
# P110
"P110A",
"P110B",
"P110BA",
"P110BB",
"P110C",
"P110D",
"P110E",
"P110F",
"P110G",
"P110I",
"P110J"
)
# FRECUENCIAS
frecuencias_bloque11 <- lapply(
vars_bloque11,
function(v) {
x <- as.character(
base_resi[[v]]
)
# Eliminar NA y vacíos
valido <- !is.na(x) &
trimws(x) != ""
x_validos <- x[valido]
# Identificar pregunta original
pregunta <- case_when(
v == "P107" ~ "P107",
v == "P107B" ~ "P107B",
v == "P108" ~ "P108",
v == "P109" ~ "P109",
v %in% c(
"P110A",
"P110B",
"P110BA",
"P110BB",
"P110C",
"P110D",
"P110E",
"P110F",
"P110G",
"P110I",
"P110J"
) ~ "P110"
)
# Si no hay casos válidos
if (length(x_validos) == 0) {
return(
data.frame(
pregunta = pregunta,
variable = v,
categoria = NA,
frecuencia = 0,
porcentaje = NA
)
)
}
# Tabla de frecuencias
tabla <- as.data.frame(
table(x_validos),
stringsAsFactors = FALSE
)
names(tabla) <- c(
"categoria",
"frecuencia"
)
# Porcentaje sobre casos válidos
tabla$porcentaje <- round(
tabla$frecuencia /
sum(tabla$frecuencia) *
100,
2
)
# Agregar identificación
tabla %>%
mutate(
pregunta = pregunta,
variable = v,
.before = 1
) %>%
select(
pregunta,
variable,
categoria,
frecuencia,
porcentaje
)
}
) %>%
bind_rows()
frecuencias_bloque11
# Ordenar preguntas y variables
frecuencias_bloque11 <- frecuencias_bloque11 %>%
mutate(
pregunta = factor(
pregunta,
levels = c(
"P107",
"P107B",
"P108",
"P109",
"P110"
)
)
) %>%
arrange(
pregunta,
variable
)
entropia_bloque11 <- lapply(
vars_bloque11,
function(v) {
x <- as.character(
base_resi[[v]]
)
# Eliminar NA y vacíos
x <- x[
!is.na(x) &
trimws(x) != ""
]
# Si no hay casos válidos
if (length(x) == 0) {
return(
data.frame(
variable = v,
n_categorias = 0,
entropia = NA,
entropia_normalizada = NA
)
)
}
# Proporciones
prop <- prop.table(
table(x)
)
# Entropía de Shannon
H <- -sum(
prop * log(prop)
)
# Número de categorías
k <- length(prop)
# Entropía normalizada
H_norm <- ifelse(
k > 1,
H / log(k),
0
)
data.frame(
variable = v,
n_categorias = k,
entropia = H,
entropia_normalizada = H_norm
)
}
) %>%
bind_rows()
entropia_bloque11
#ACM
vars_acm_bloque11<- c(
# P107
"P107",
# P107B
"P107B",
# P108
"P108",
# P109
"P109",
# P110
"P110A",
"P110B",
"P110BA",
"P110BB",
"P110C",
"P110D",
"P110E",
"P110F",
"P110G",
"P110I",
"P110J"
)
datos_acm_bloque11 <- base_resi[, vars_acm_bloque11]
na_bloque11_acm <- data.frame(
variable = names(datos_acm_bloque11),
n_validos = sapply(
datos_acm_bloque11,
function(x) sum(!is.na(x) & trimws(as.character(x)) != "")
),
n_na = sapply(
datos_acm_bloque11,
function(x) sum(is.na(x) | trimws(as.character(x)) == "")
)
)
na_bloque11_acm$pct_na <- round(
na_bloque11_acm$n_na /
(na_bloque11_acm$n_validos + na_bloque11_acm$n_na) *
100,
2
)
na_bloque11_acm
datos_acm_bloque11 <- base_resi[, vars_acm_bloque11]
datos_acm_bloque11 <-
datos_acm_bloque11[
complete.cases(datos_acm_bloque11),
]
datos_acm_bloque11 <- data.frame(
lapply(
datos_acm_bloque11,
function(x) factor(as.character(x))
)
)
datos_acm_bloque11 <- droplevels(
datos_acm_bloque11
)
acm_bloque11 <- MCA(
datos_acm_bloque11,
graph = FALSE
)
acm_bloque11 <- MCA(
datos_acm_bloque11,
graph = FALSE
)
# 14. VALORES PROPIOS
acm_bloque11$eig
# 15. GRÁFICO DE VALORES PROPIOS
factoextra::fviz_screeplot(
acm_bloque11,
addlabels = TRUE,
title = "Gráfico de valores propios del ACM",
xlab = "Dimensiones",
ylab = "Porcentaje de varianza explicada (%)"
)
factoextra::fviz_mca_var(
acm_bloque11,
axes = c(1, 2),
col.var = "cos2",
repel = TRUE,
title = "Mapa factorial del ACM",
xlab = "Dimensión 1",
ylab = "Dimensión 2"
)
