Validación de datos
Se crea en una lista que contiene el resumen del método DP2 para todos los años
Orden de entrada de las variables
Se crea un data.frame de acuerdo al orden de importancia de las variables para todos los años
Dependiendo del proceso, el DP2 adoptará diferentes valores. Por lo tanto, es importante que el método de como resultado un orden de entrada único de los indicadores parciales.
Variables_sort <- NULL
for(i in 1:3){
Variables_sort[i] <- as.data.frame(lapply(List_DP2, function(x) get(paste0("ind_", tablas[i]))$variables_sort))
}
Variables_sort <- do.call(cbind.data.frame, Variables_sort)
colnames(Variables_sort) <- c("2010", "2015", "2020")| Variables sort | ||
| 2010 | 2015 | 2020 |
|---|---|---|
Coeficiente de correlación
El coeficiente de correlación es una medida que se utiliza para jerarquizar a los indicadores simples de acuerdo con el grado de correlación absoluta con respecto al indicador sintético resultante, es decir, ayuda a visualizar que variable tiene un mejor o peor apego con el fenómeno.
Se crea un data.frame de acuerdo a la correlación de cada variable con el indicador sintético (DP2) para todos los años
cor.coeff <- NULL
cor.coeff <- lapply(1:3, function(i) data.frame(rownames(get(paste0("ind_", tablas[i]))[["cor.coeff"]]),
get(paste0("ind_", tablas[i]))$cor.coeff))
cor.coeff <- do.call(cbind.data.frame, cor.coeff)
colnames(cor.coeff) <- c("Ind_2010", "2010", "Ind_2015", "2015", "Ind_2020", "2020")| Correlation Coefficient | |||||
| Ind | 2010 | Ind | 2015 | Ind | 2020 |
|---|---|---|---|---|---|
Factor de corrector
El factor corrector, como se mencionó anteriormente, indica la proporción de información con la que contribuye el indicador simple al nuevo índice sintético, además, evita la duplicidad e incorpora información útil que retiene cada indicador simple.
Se crea un data.frame de acuerdo al factor corrector de cada indicador parcial para todos los años
correction_factors <- NULL
for(i in 1:3){
correction_factors[i] <- as.data.frame(lapply(List_DP2, function(x) get(paste0("ind_", tablas[i]))$correction_factors))
}
###Nombres de la columna
correction_factors <- do.call(cbind.data.frame, c(Variables_sort, correction_factors)) %>%
subset(., select = c(1, 4, 2, 5, 3, 6))
colnames(correction_factors) <- c("Ind_2010", "2010", "Ind_2015", "2015", "Ind_2020", "2020")| Correction Factors | |||||
| Ind | 2010 | Ind | 2015 | Ind | 2020 |
|---|---|---|---|---|---|
Coeficiente de Discriminación
El coeficiente de discriminación de Ivanovic mide el poder discriminante de la variable \(j\) en el conjunto de observaciones \(i\).
\[CD_{j}=\frac{2}{m\left(m-1\right)}\sum_{i,l>i}^{k_{j}}m_{ij}m_{lj}\left|\frac{x_{ij}-x_{lj}}{{\overline{X}}_{i}}\right|\]
donde:
\(\circ\:m_{ij}\): El número de observaciones de la variable \(x_{j}\)
\(\circ\:k_{j}\): El número de diferentes valores que toma \(x_{i}\) en el conjunto \(j\).
Esta medida está comprendida entre \([0, 2]\). Si una variable toma el mismo valor para todos los estados, el CD vale cero, indicando que posee un valor nulo de poder discriminante. Por el contrario, si una variable toma el valor teórico de máximo poder discriminante, el discriminante de la variable es total.
Se crea un data.frame de acuerdo al Coeficiente de discriminación (CD) de cada indicador parcial para todos los años
discrimination_coefficient <- NULL
discrimination_coefficient <- lapply(1:3, function(i) data.frame(names(get(paste0("ind_", tablas[i]))[["discrimination.coefficient"]]),
get(paste0("ind_", tablas[i]))$discrimination.coefficient))
discrimination_coefficient <- do.call(cbind.data.frame, discrimination_coefficient)
colnames(discrimination_coefficient) <- c("Ind_2010", "2010", "Ind_2015", "2015", "Ind_2020", "2020")| Discrimination Coefficient | |||||
| Ind | 2010 | Ind | 2015 | Ind | 2020 |
|---|---|---|---|---|---|
“Cantidad de Información Global de Ivanovic Pena Relativa Individual”
\[\alpha_{i}=\frac{CD_{i}\left(1-R^{2}_{i,i-1,...,1} \right)}{\sum_{i=1}^{n}CD_{i} \left(1-R^{2}_{i,i-1,...,1} \right)}\] Esta medida, comprendida entre 0 y 1, combina la información útil y el poder discriminante de cada indicador simple y mide la cantidad de información (combinada) relativa que aporta individualmente cada indicador simple, cuando entra de forma ordenada a formar parte del indicador sintético DP2. La suma de todos los valores de \(\alpha_{i}\) es la unidad. [Zarsosa 1996, págs 158-174]
## son 9 indicadores simples
alpha <- NULL
for(i in 1:3){
alpha[[i]] <- sapply(1:length(Indicadores), function(x)(get(paste0("ind_", tablas[i]))[["correction_factors"]][x] * get(paste0("ind_", tablas[i]))[["discrimination.coefficient"]][x]) / sum(get(paste0("ind_", tablas[i]))[["correction_factors"]] * get(paste0("ind_", tablas[i]))[["discrimination.coefficient"]]))
}| Cantidad de Información Global de Ivanovic Pena Relativa Individual | |||||
| Ind | 2010 | Ind | 2015 | Ind | 2020 |
|---|---|---|---|---|---|