APLICACIÓN DE MDS Y ANÁLISIS DE CORRESPONDENCIA

EN COMPARATIVA DE UNIVERSIDADES DE SANTIAGO

Análisis de Correspondencia Simple

Paquetes a usar:
library(pacman)
p_load("MASS", "ca", "anacor","FactoMineR","vegan",
"gplots","vcd","graphics", "factoextra")

Subir los datos al software R

uni1<-matrix(c(58,179,78,154,154,162,
35,36,56,28,54,48,
35,53,57,67,63,57,
67,185,71,90,146,155,
21,19,15,69,38,34),6,5)
dimnames(uni1)<-list(Atributo=c("Ambiente","Prestigio","Ubicación","Infreestructura",
"Excelencia","Empleabilidad")
,Universidad=c("PUC","USACH", "USM", "UCH", "UAI"))
uni1

## Universidad
## Atributo PUC USACH USM UCH UAI
## Ambiente 58 35 35 67 21
## Prestigio 179 36 53 185 19
## Ubicación 78 56 57 71 15
## Infreestructura 154 28 67 90 69
## Excelencia 154 54 63 146 38
## Empleabilidad 162 48 57 155 34
Añadiendo perfiles medios
addmargins(uni1)

## Universidad
## Atributo PUC USACH USM UCH UAI Sum
## Ambiente 58 35 35 67 21 216
## Prestigio 179 36 53 185 19 472
## Ubicación 78 56 57 71 15 277
## Infreestructura 154 28 67 90 69 408
## Excelencia 154 54 63 146 38 455
## Empleabilidad 162 48 57 155 34 456
## Sum 785 257 332 714 196 2284
Convirtiendo datos a una tabla de Contingencia
dt <- as.table(uni1)
dt

## Universidad

1
## Atributo PUC USACH USM UCH UAI
## Ambiente 58 35 35 67 21
## Prestigio 179 36 53 185 19
## Ubicación 78 56 57 71 15
## Infreestructura 154 28 67 90 69
## Excelencia 154 54 63 146 38
## Empleabilidad 162 48 57 155 34
Hallando los Perfiles
Grafica de Perfiles Fila
pf <- prop.table(dt,margin=1)
balloonplot(t(pf),
main ="Gráfico",
xlab ="Universidades",
ylab="Atributos",
label = T, cum.margins=F,
label.lines=F, show.margins = FALSE)

Gráfico

Universidades PUC USACH USM UCH UAI

Atributos
Ambiente 0.269 0.162 0.162 0.310 0.097

Prestigio 0.379 0.076 0.112 0.392 0.040

Ubicación 0.282 0.202 0.206 0.256 0.054

Infreestructura 0.377 0.069 0.164 0.221 0.169

Excelencia 0.338 0.119 0.138 0.321 0.084

Empleabilidad 0.355 0.105 0.125 0.340 0.075

Interpretación de perfi fila respecto al atributo de Excelencia

pf <- prop.table(dt,margin=1) #margin=1 es para perfiles fila
pf[5,]

## PUC USACH USM UCH UAI

## 0.33846154 0.11868132 0.13846154 0.32087912 0.08351648
Interpretación

2
El 33.84% de los alumnos que Asocian el atributo de excelencia con la PUC.
Prueba de Independencia Chi-Cuadrado
Pruebas de hipotesis:
𝐻0 ∶ Los atributos considerados son independientes de las universidades.
𝐻1 ∶ Los atributos considerados son dependientes de las universidades.
prueba <- chisq.test(uni1)
prueba

##
## Pearson's Chi-squared test
##
## data: uni1
## X-squared = 133.91, df = 20, p-value < 2.2e-16
Conclusion
con un nivel de significancia del 5% existe suficiente evidencia estadistica para rechazar Ho.Por lo tanto, a
este conjunto de datos se puede aplicar un AC simple dado que la prueba 𝜒2 evidencia dependencia entre
las variables.
Analisis de Correspondencia Simple con el paquete FactoMineR
Toda la Inercia se puede explicar con:
Inercia=MIN(Numero de filas,Numero de Columnas)-1
Aplicando la formula se tiene:
numero de componentes min(5, 6) − 1 = 4
library(FactoMineR)
res.ca <- CA(uni1,ncp=4,graph=FALSE)
res.ca

## **Results of the Correspondence Analysis (CA)**

## The row variable has 6 categories; the column variable has 5 categories
## The chi square of independence between the two variables is equal to 133.914 (p-value = 7.16e-19 ).
## *The results are available in the following objects:
##
## name description
## 1 "$eig" "eigenvalues"
## 2 "$col" "results for the columns"
## 3 "$col$coord" "coord. for the columns"
## 4 "$col$cos2" "cos2 for the columns"
## 5 "$col$contrib" "contributions of the columns"
## 6 "$row" "results for the rows"
## 7 "$row$coord" "coord. for the rows"
## 8 "$row$cos2" "cos2 for the rows"
## 9 "$row$contrib" "contributions of the rows"
## 10 "$call" "summary called parameters"
## 11 "$call$marge.col" "weights of the columns"
## 12 "$call$marge.row" "weights of the rows"
Análisis con el gráfico de Sedimentacion
fviz_screeplot(res.ca, addlabels = TRUE, ylim = c(0, 90))

3
 Scree plot

75
Percentage of explained variances

53.3%
50
43.7%

25

2.8%
0.3%
0

1 2 3 4
Dimensions

En el gráfico se observa que con 2 dimensiones estamos explicando el 97% de la variabilidad total.
Análisis de Correspondencia Simple con 2 dimensiones
res.ca <- CA(uni1,ncp=2,graph=FALSE)

Conclusiones finales del estudio presentando las correspondencias entre el Atributos y Universidades. Pre-
sentes en el gráfico.
summary(res.ca,nb.dec = 3, ncp = 2)

##
## Call:
## CA(X = uni1, ncp = 2, graph = FALSE)
##
## The chi square of independence between the two variables is equal to 133.914 (p-value = 7.16e-19 ).
##
## Eigenvalues
## Dim.1 Dim.2 Dim.3 Dim.4
## Variance 0.031 0.026 0.002 0.000
## % of var. 53.251 43.683 2.775 0.291
## Cumulative % of var. 53.251 96.934 99.709 100.000
##
## Rows
## Iner*1000 Dim.1 ctr cos2 Dim.2 ctr cos2
## Ambiente | 3.942 | 0.013 0.054 0.004 | 0.179 11.791 0.766 |
## Prestigio | 13.888 | -0.198 25.863 0.581 | -0.165 22.075 0.407 |
## Ubicación | 15.714 | -0.051 1.006 0.020 | 0.351 58.347 0.951 |

4
## Infreestructura | 23.372 | 0.350 70.238 0.938 | -0.088 5.355 0.059 |
## Excelencia | 0.204 | -0.021 0.285 0.437 | 0.007 0.040 0.050 |
## Empleabilidad | 1.511 | -0.063 2.553 0.527 | -0.055 2.393 0.406 |
##
## Columns
## Iner*1000 Dim.1 ctr cos2 Dim.2 ctr cos2
## PUC | 4.362 | 0.014 0.203 0.015 | -0.105 14.886 0.874 |
## USACH | 16.355 | -0.085 2.609 0.050 | 0.370 60.244 0.943 |
## USM | 5.853 | 0.096 4.289 0.229 | 0.168 15.989 0.700 |
## UCH | 10.751 | -0.164 26.790 0.778 | -0.080 7.800 0.186 |
## UAI | 21.311 | 0.490 66.109 0.969 | -0.057 1.082 0.013 |
plot.CA(res.ca, axes = c(1,2), col.row = "blue", col.col = "red")

CA factor map
Dim 2 (43.68%)

0.4 USACH

Ubicación

0.2 Ambiente
USM

Excelencia
0.0
Empleabilidad
PUC UAI
UCH Infreestructura
Prestigio
−0.2

−0.2 0.0 0.2 0.4 0.6

Dim 1 (53.25%)

Atributos Dim 1 Dim 2

Ambiente CR(+)
Prestigio CR(-)
Ubicación CA(+)
Infreestructura CA(+)
Excelencia
Empleabilidad CR(-)
Universidades Dim 1 Dim 2
PUC CR(-)
USACH CA(+)
USM CR(+)
UCH CA(-)
UAI CA(+)