"P19_1A_3",
"P19_1A_4",
"P19_1A_5",
"P19_1A_6"
) ~ "P19_1A",
v %in% c(
"P20_1",
"P20_2"
) ~ "P20",
v %in% c(
"P21_1",
"P21_2",
"P21_3",
"P21_4",
"P21_5",
"P21_6"
) ~ "P21",
v %in% c(
"P24_1",
"P24_2",
"P24_3",
"P24_4",
"P24_5"
) ~ "P24",
v == "P26" ~ "P26",
v == "P30" ~ "P30",
TRUE ~ v
)
# 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()
# Ordenar
frecuencias_bloque5 <- frecuencias_bloque5 %>%
mutate(
pregunta = factor(
pregunta,
levels = c(
"P19",
"P19_1",
"P19_1A",
"P20",
"P21",
"P24",
"P26",
"P30"
)
)
) %>%
arrange(
pregunta,
variable
)
# Ver resultados
frecuencias_bloque5
wb <- createWorkbook()
addWorksheet(wb, "Frecuencias")
# Escribir los datos
writeData(wb, sheet = "Frecuencias", x = frecuencias_bloque5)
# Opcional: ajustar el ancho de las columnas automáticamente
setColWidths(wb, sheet = "Frecuencias",
cols = 1:ncol(frecuencias_bloque5),
widths = "auto")
# Guardar el archivo
saveWorkbook(wb, "E:/Trabajos/Brandstat/2026/2. Metodos para disminuir preguntas julio 2026/empresarial/Anexos/frecuencias_bloque5.xlsx", overwrite = TRUE)
#CALCULO DE LA ENTROPIA POR VARIABLE
entropia_bloque5 <- lapply(
vars_bloque5,
function(v) {
# Convertir a carácter
x <- as.character(
base_emp[[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()
# Ver resultados
entropia_bloque5
#ACM
vars_acm_bloque5 <- c(
# P19
"P19",
# P19_1
"P19_1_1",
"P19_1_2",
"P19_1_3",
"P19_1_4",
"P19_1_5",
# P19_1A
"P19_1A_1",
"P19_1A_2",
"P19_1A_3",
"P19_1A_4",
"P19_1A_5",
"P19_1A_6",
# P20
"P20_1",
"P20_2",
# P21
"P21_1",
"P21_2",
"P21_3",
"P21_4",
"P21_5",
"P21_6",
# P24
"P24_1",
"P24_2",
"P24_3",
"P24_4",
"P24_5",
# P26
"P26",
# P30
"P30"
)
datos_acm_bloque5 <- base_emp[
,
vars_acm_bloque5,
drop = FALSE
]
na_bloque5_acm <- data.frame(
variable = names(
datos_acm_bloque5
),
n_validos = sapply(
datos_acm_bloque5,
function(x) {
sum(
!is.na(x) &
trimws(
as.character(x)
) != ""
)
}
),
n_na = sapply(
datos_acm_bloque5,
function(x) {
sum(
is.na(x) |
trimws(
as.character(x)
) == ""
)
}
)
)
# Porcentaje de NA y vacíos
na_bloque5_acm$pct_na <- round(
na_bloque5_acm$n_na /
(
na_bloque5_acm$n_validos +
na_bloque5_acm$n_na
) *
100,
2
)
# Ver tabla
na_bloque5_acm
datos_acm_bloque5 <- data.frame(
lapply(
datos_acm_bloque5,
function(x) {
# Convertir a carácter
x <- as.character(x)
# Convertir vacíos en NA
x[
trimws(x) == ""
] <- NA
# Convertir a factor
factor(x)
}
)
)
# 5. ELIMINAR CASOS CON NA
datos_acm_bloque5 <- datos_acm_bloque5[
complete.cases(
datos_acm_bloque5
),
,
drop = FALSE
]
datos_acm_bloque5 <- droplevels(
datos_acm_bloque5
)
nrow(
datos_acm_bloque5
)
acm_bloque5 <- FactoMineR::MCA(
datos_acm_bloque5,
graph = FALSE
)
acm_bloque5$eig
factoextra::fviz_screeplot(
acm_bloque5,
addlabels = TRUE
)
#ACM
vars_acm_bloque5 <- c(
# P19
"P19",
# P19_1
"P19_1_1",
"P19_1_2",
"P19_1_3",
"P19_1_4",
"P19_1_5",
# P19_1A
"P19_1A_1",
"P19_1A_2",
"P19_1A_3",
"P19_1A_4",
"P19_1A_5",
"P19_1A_6",
# P20
"P20_1",
"P20_2",
# P24
"P24_1",
"P24_2",
"P24_3",
"P24_4",
"P24_5",
# P26
"P26",
# P30
"P30"
)
datos_acm_bloque5 <- base_emp[
,
vars_acm_bloque5,
drop = FALSE
]
na_bloque5_acm <- data.frame(
variable = names(
datos_acm_bloque5
),
n_validos = sapply(
datos_acm_bloque5,
function(x) {
sum(
!is.na(x) &
trimws(
as.character(x)
) != ""
)
}
),
n_na = sapply(
datos_acm_bloque5,
function(x) {
sum(
is.na(x) |
trimws(
as.character(x)
) == ""
)
}
)
)
# Porcentaje de NA y vacíos
na_bloque5_acm$pct_na <- round(
na_bloque5_acm$n_na /
(
na_bloque5_acm$n_validos +
na_bloque5_acm$n_na
) *
100,
2
)
# Ver tabla
na_bloque5_acm
datos_acm_bloque5 <- data.frame(
lapply(
datos_acm_bloque5,
function(x) {
# Convertir a carácter
x <- as.character(x)
# Convertir vacíos en NA
x[
trimws(x) == ""
] <- NA
# Convertir a factor
factor(x)
}
)
)
datos_acm_bloque5 <- datos_acm_bloque5[
complete.cases(
datos_acm_bloque5
),
,
drop = FALSE
]
datos_acm_bloque5 <- droplevels(
datos_acm_bloque5
)
nrow(
datos_acm_bloque5
)
acm_bloque5 <- FactoMineR::MCA(
datos_acm_bloque5,
graph = FALSE
)
acm_bloque5$eig
factoextra::fviz_screeplot(
acm_bloque5,
addlabels = TRUE
)
factoextra::fviz_mca_var(
acm_bloque5,
axes = c(1, 2),
col.var = "cos2",
repel = TRUE
)
#ACM
vars_acm_bloque5 <- c(
# P19
"P19",
# P19_1
"P19_1_1",
"P19_1_2",
"P19_1_3",
"P19_1_4",
"P19_1_5",
# P19_1A
"P19_1A_1",
"P19_1A_2",
"P19_1A_3",
"P19_1A_4",
"P19_1A_5",
# P20
"P20_1",
"P20_2",
# P24
"P24_1",
"P24_2",
"P24_3",
"P24_4",
"P24_5",
# P26
"P26",
# P30
"P30"
)
datos_acm_bloque5 <- base_emp[
,
vars_acm_bloque5,
drop = FALSE
]
na_bloque5_acm <- data.frame(
variable = names(
datos_acm_bloque5
),
n_validos = sapply(
datos_acm_bloque5,
function(x) {
sum(
!is.na(x) &
trimws(
as.character(x)
) != ""
)
}
),
n_na = sapply(
datos_acm_bloque5,
function(x) {
sum(
is.na(x) |
trimws(
as.character(x)
) == ""
)
}
)
)
# Porcentaje de NA y vacíos
na_bloque5_acm$pct_na <- round(
na_bloque5_acm$n_na /
(
na_bloque5_acm$n_validos +
na_bloque5_acm$n_na
) *
100,
2
)
# Ver tabla
na_bloque5_acm
datos_acm_bloque5 <- data.frame(
lapply(
datos_acm_bloque5,
function(x) {
# Convertir a carácter
x <- as.character(x)
# Convertir vacíos en NA
x[
trimws(x) == ""
] <- NA
# Convertir a factor
factor(x)
}
)
)
datos_acm_bloque5 <- datos_acm_bloque5[
complete.cases(
datos_acm_bloque5
),
,
drop = FALSE
]
datos_acm_bloque5 <- droplevels(
datos_acm_bloque5
)
nrow(
datos_acm_bloque5
)
acm_bloque5 <- FactoMineR::MCA(
datos_acm_bloque5,
graph = FALSE
)
acm_bloque5$eig
factoextra::fviz_screeplot(
acm_bloque5,
addlabels = TRUE
)
factoextra::fviz_mca_var(
acm_bloque5,
axes = c(1, 2),
col.var = "cos2",
repel = TRUE
)
