Capítulo 5 Análisis previo de datos.
5.1 Introducción.
Antes de la aplicación de técnicas complejas que permitan extraer de los datos conclusiones relevantes, conviene aplicar a tales datos unos pasos iniciales y técnicas básicas destinadas a conseguir dos objetivos:
Preparar nuestros datos para que puedan ser procesados correctamente sin provocar distorsiones en los resultados.
Obtener una visión inicial de la información que esconden nuestros datos, fundamentalmente en cuanto a las medidas básicas que caracterizan la distribución de frecuencias de las variables integradas en nuestros datos, así como, en el caso de contar con más de una variable, de las relaciones que existen entre ellas.
Además, es preciso tener en cuenta que, usualmente, es conveniente que estos rasgos iniciales que caracterizan a nuestra muestra o población sean plasmados de un modo visualmente amigable, claro y conciso.
En esta práctica, por medio de un ejemplo basado en información económico-financiera de una muestra constituida por 100 empresas dedicadas a la producción de electricidad mediante tecnología eólica, se mostrarán una serie de buenas prácticas y análisis básicos útiles a la hora de preparar y analizar inicialmente nuestro conjunto de datos.
Vamos a suponer que trabajamos dentro de un proyecto que hemos creado previamente, de nombre “explora”. Dentro de la carpeta del proyecto guardaremos el script llamado “explora_describe.R”, y el archivo de Microsoft® Excel® llamado “eolica_100_mv.xlsx”. Si abrimos este último archivo, comprobaremos que se compone de tres hojas. La primera muestra un mensaje sobre el uso de los datos, la segunda recoge la descripción de las variables consideradas, y la tercera (hoja “Datos”) guarda los datos que debemos importar. Estos datos se corresponden con diferentes variables económico-financieras de las 100 empresas productoras de electricidad mediante generación eólica con mayor volumen de activo.
Luego cerraremos el archivo de Microsoft® Excel®, “eolica_100.xlsx”, y volveremos a RStudio. Después, abriremos nuestro script “explora_describe.R” con File → Open File…
Este script contiene el programa que vamos a ir ejecutando en la práctica.
La primera línea / instrucción en el script es:
La instrucción tiene como objeto limpiar el Environment (memoria) de objetos de anteriores sesiones de trabajo. Para importar los datos que hay en la hoja “Datos” del archivo de Microsoft® Excel® llamado “eolica_100_mv.xlsx”, ejecutaremos el código:
library(readxl)
eolica_100 <- read_excel("eolica_100_mv.xlsx", sheet = "Datos")
summary (eolica_100)
## NOMBRE RES ACTIVO FPIOS
## Length:100 Min. : -5661.5 Min. : 24944 Min. : -77533
## Class :character 1st Qu.: 669.5 1st Qu.: 34547 1st Qu.: 2305
## Mode :character Median : 2084.5 Median : 46950 Median : 11936
## Mean : 11529.8 Mean : 277270 Mean : 123743
## 3rd Qu.: 3806.7 3rd Qu.: 85610 3rd Qu.: 28292
## Max. :727548.0 Max. :13492812 Max. :6904824
## NA's :1 NA's :1
##
## RENECO RENFIN LIQUIDEZ ENDEUDA
## Min. :-2.813 Min. :-359.773 Min. : 0.0140 Min. : 0.917
## 1st Qu.: 1.558 1st Qu.: 2.556 1st Qu.: 0.6567 1st Qu.: 50.852
## Median : 4.236 Median : 15.326 Median : 1.0650 Median : 83.346
## Mean : 5.416 Mean : 17.243 Mean : 2.7214 Mean : 72.227
## 3rd Qu.: 7.970 3rd Qu.: 31.307 3rd Qu.: 1.6078 3rd Qu.: 95.388
## Max. :35.262 Max. : 588.190 Max. :128.4330 Max. :140.745
## NA's :2 NA's :2
##
## MARGEN SOLVENCIA APALANCA MATRIZ
## Min. :-2248.157 Min. :-40.74 Min. :-8254.11 Length:100
## 1st Qu.: 12.316 1st Qu.: 4.71 1st Qu.: 16.13 Class :character
## Median : 26.618 Median : 16.65 Median : 161.97 Mode :character
## Mean : 3.228 Mean : 27.57 Mean : 345.03
## 3rd Qu.: 39.590 3rd Qu.: 45.59 3rd Qu.: 623.13
## Max. : 400.899 Max. : 99.08 Max. :12244.35
## NA's :2
##
## DIMENSION
## Length:100
## Class :character
## Mode :character
R ha considerado la primera columna como una variable de tipo cualitativo, atributo, o factor. En realidad, esta columna no es una variable, sino que está formada por los nombres de los diferentes casos u observaciones. Para evitar que R tome la columna de los nombres de los casos como una variable más, podemos redefinir nuestro data frame diciéndole que tome esa primera columna como el conjunto de los nombres de los casos:
## RES ACTIVO FPIOS RENECO
## Min. : -5661.5 Min. : 24944 Min. : -77533 Min. :-2.813
## 1st Qu.: 669.5 1st Qu.: 34547 1st Qu.: 2305 1st Qu.: 1.558
## Median : 2084.5 Median : 46950 Median : 11936 Median : 4.236
## Mean : 11529.8 Mean : 277270 Mean : 123743 Mean : 5.416
## 3rd Qu.: 3806.7 3rd Qu.: 85610 3rd Qu.: 28292 3rd Qu.: 7.970
## Max. :727548.0 Max. :13492812 Max. :6904824 Max. :35.262
## NA's :1 NA's :1 NA's :2
##
## RENFIN LIQUIDEZ ENDEUDA MARGEN
## Min. :-359.773 Min. : 0.0140 Min. : 0.917 Min. :-2248.157
## 1st Qu.: 2.556 1st Qu.: 0.6567 1st Qu.: 50.852 1st Qu.: 12.316
## Median : 15.326 Median : 1.0650 Median : 83.346 Median : 26.618
## Mean : 17.243 Mean : 2.7214 Mean : 72.227 Mean : 3.228
## 3rd Qu.: 31.307 3rd Qu.: 1.6078 3rd Qu.: 95.388 3rd Qu.: 39.590
## Max. : 588.190 Max. :128.4330 Max. :140.745 Max. : 400.899
## NA's :2 NA's :2
##
## SOLVENCIA APALANCA MATRIZ DIMENSION
## Min. :-40.74 Min. :-8254.11 Length:100 Length:100
## 1st Qu.: 4.71 1st Qu.: 16.13 Class :character Class :character
## Median : 16.65 Median : 161.97 Mode :character Mode :character
## Mean : 27.57 Mean : 345.03
## 3rd Qu.: 45.59 3rd Qu.: 623.13
## Max. : 99.08 Max. :12244.35
Observaremos que ya no aparece NOMBRE, puesto que la columna correspondiente ya no es considerada como una variable.
5.2 Análisis de una variable.
5.2.1 Buscando missing values y outliers.
Vamos a suponer que la variable que queremos estudiar es la variable Rentabilidad Económica (RENECO).
La primera acción que debe realizarse es comprobar que todos los casos (empresas) tienen su correspondiente dato o valor para la variable (RENECO), es decir, que no existen valores perdidos o missing values.
Para tener una idea general, se puede utilizar la función vis_miss()
del paquete {visdat}
, que nos localizará gráficamente los missing values de las diferentes variables, y calculará el porcentaje de casos que supone, con respecto al total de observaciones:
Puede observarse cómo, en el caso concreto de la variable RENECO, un 2% de los casos no tienen dato (es decir, 2 casos de los 100). Para localizar los casos concretos, puede recurrirse a utilizar las herramientas de manejo de data frames del paquete {dplyr}
. En concreto, realizaremos una copia del data frame original, “eolica_100”, a la que llamaremos “muestra”, que es con la que trabajaremos (para mantener la integridad del data frame original); y filtraremos los casos para detectar aquellos que carecen de valor en la variable RENECO:
library (dplyr)
muestra<- select(eolica_100, everything())
muestra %>% filter(is.na(RENECO)) %>% select(RENECO)
La función is.na()
comprueba si, en la posición correspondiente a una fila o caso, para la variable escrita en el argumento; hay o no un dato o valor. Como resultado se obtienen dos empresas, para las que se puede comprobar que no hay valor para la variable RENECO:
## RENECO
## Viesgo Renovables SL. NA
## Sargon Energias SLU NA
Ante la existencia de missing values, se puede actuar de varios modos. Por ejemplo, se puede intentar obtener por otro canal de información el conjunto de valores de RENECO que no están disponibles, o recurrir a alguna estimación para los mismos y asignarlos. En caso de que esto sea difícil, se puede optar, simplemente, por eliminar estos casos, en especial cuando representan un porcentaje muy reducido respecto al total de casos. En nuestro ejemplo, vamos a suponer que hemos optado por esta última vía, al no conseguir unos valores más o menos verosímiles de RENECO para las empresas de las que se carece de dato. Esta eliminación de casos se podrá realizar mediante el código:
El operador !
significa “no”.
Podemos comprobar cómo en el Global Environment aparece el data frame “muestra” con dos casos menos (98):
![Global Environment.](figuras/Imagen4_01.png)
Una vez tratados los casos con valores perdidos o missing values, conviene detectar la posible presencia de outliers o casos atípicos en la muestra, que pudieran desvirtuar los resultados derivados de ciertos análisis. Al trabajar con una sola variable métrica (la rentabilidad económica, RENECO), podemos intentar realizar esta tarea representando gráficamente la variable mediante un boxplot o gráfico de caja. Aplicaremos, por ejemplo, el código siguiente, que utiliza la gramática del paquete {ggplot2}
:
library (ggplot2)
ggplot(data = muestra, map = (aes(y = RENECO))) +
geom_boxplot(fill = "orange") +
ggtitle("RENTABILIDAD ECONÓMICA", subtitle = "100 empresas eólicas") +
ylab("Rentabilidad Económica (%)")
Obteniéndose el gráfico:
La “caja” contiene el 50% de los casos centrales (los que van del primer cuartil al tercero, cuya diferencia se llama rango intercuartílico), y contiene una línea horizontal que es la mediana (segundo cuartil). Por arriba sobresale un segmento que llega al valor de la variable más grande que no llega a ser atípico; y por debajo de la caja otro segmento que llega al valor de la variable más pequeño que no llega a ser atípico. Un valor atípico es el que se aleja más de 1.5 veces el rango intercuartílico (altura de la caja) del tercer cuartil, por arriba; o del primer cuartil, por abajo. Se registran mediante puntos.
En nuestro caso, el boxplot ratifica la existencia de dos casos atípicos. Para identificar esos dos casos concretos, podemos recurrir al paquete {dplyr}
, y establecer un filtro con el siguiente código:
Q1 <- quantile (muestra$RENECO, c(0.25))
Q3 <- quantile (muestra$RENECO, c(0.75))
muestra %>%
filter(RENECO > Q3 + 1.5*IQR(RENECO) | RENECO < Q1 - 1.5*IQR(RENECO)) %>%
select(RENECO)
En el código anterior, las dos primeras filas calculan los cuartiles primero (Q1) y tercero (Q3) mediante la función quantile()
. Es preciso tener en cuenta que esta función calcula los percentiles. Luego se filtran, mediante la función de {dplyr}
filter()
, los outliers, calculadoscomo aquellos casos con valores de RENECO mayores que Q3 más 1,5 veces el rango intercuartílico de la variable; o menores que Q1 menos 1,5 veces dicho rango intercuartílico. Para calcular el rango intercuartílico se recurre a la función IQR()
. Finalmente, con select()
, se muestran los casos en la consola de R-Studio:
## RENECO
## Molinos Del Ebro SA 35.262
## Sierra De Selva SL 21.761
Como ocurría con los missing values, el tratamiento de los outliers depende de la información que se tenga, existiendo varias alternativas (corrección del dato, estimación, etc.) Si no se tiene información fiable, y los outliers no representan una gran proporción respecto al total de casos, puede optarse por su eliminación de la muestra. En este ejemplo, efectivamente, eliminaremos estas dos empresas con comportamiento atípico en la rentabilidad económica (RENECO), a fin de que su presencia en la muestra no distorsione los resultados en la aplicación posterior de ciertas técnicas (por ejemplo, un ANOVA o un análisis de regresión). Podemos hacerlo creando un nuevo data frame a partir de “muestra”; pero sin esos dos casos. Ese nuevo data frame se llamará, por ejemplo, “muestra_so”:
Es importante observar que, en el código de la función filter()
, las desigualdades deben cambiar, así como el operador “|” por el operador “&”. En el Global Environment podemos comprobar cómo el data frame “muestra_so” posee el mismo número de variables que el data frame “muestra”; pero con dos observaciones o casos menos (96).
5.2.2 Descripción de una variable.
Una vez se tiene preparada nuestra base de datos, con un tratamiento adecuado de los missing values y de los outliers, y antes de proceder a la aplicación de una técnica adecuada, según los objetivos perseguidos en el estudio; suelen presentarse una serie de gráficos básicos y medidas descriptivas que proporcionan una idea inicial de la estructura del sector para la variable o variables analizadas. Nos referimos a medidas y/o gráficos de posición, dispersión y forma (asimetría y curtosis).
El análisis gráfico suele dar una idea atractiva e intuitiva de la estructura de la distribución de frecuencias de nuestro conjunto de casos en relación con la variable a analizar. Un gráfico fundamental es el histograma de la variable estudiada. Para ello, utilizaremos la gramática del paquete {ggplot2}
:
ggplot(data = muestra_so, map = aes(x = RENECO)) +
geom_histogram(bins = 40,
colour = "red",
fill = "orange",
alpha = 0.7) +
geom_vline(xintercept = mean(muestra_so$RENECO),
color = "dark blue",
size = 1.2,
alpha = 0.8) +
ggtitle("RENTABILIDAD ECONÓMICA", subtitle = "100 empresas eólicas")+
xlab("Rentabilidad Económica (%)") +
ylab("Frecuencias")
En el gráfico vemos de un modo claro la distribución de frecuencias en cuanto a la rentabilidad económica (RENECO). Se ha incorporado una línea vertical azul (mediante geom_vline()
) para localizar la rentabilidad media. Entre otras cosas, se puede apreciar que la distribución de frecuencias es acampanada y asimétrica positiva.
Por otro lado, conviene tener conocimiento del valor de las principales medidas descriptivas (de posición, dispersión, forma) que caracterizan a la distribución de la variable a analizar. Una opción rápida y completa consiste en hacer uso de la función descr()
del paquete {summarytools}
. Así por ejemplo, el código:
library (summarytools)
descr(muestra_so$RENECO,
stats = c("mean", "sd", "min", "q1", "med", "q3", "max", "iqr", "cv"),
transpose = FALSE,
style = "simple",
justify = "center",
headings = T)
Da lugar a la siguiente tabla:
RENECO | |
---|---|
Mean | 4.9350208 |
Std.Dev | 4.3120451 |
Min | -2.8130000 |
Q1 | 1.4185000 |
Median | 4.1440000 |
Q3 | 7.8380000 |
Max | 15.8820000 |
IQR | 6.4002500 |
CV | 0.8737643 |
Estos valores se corresponden con el valor medio de RENECO, su desviación típica, valor mínimo, primer cuartil, mediana, tercer cuartil, valor máximo, rango intercuartílico, y coeficiente de variación o CV, que es una medida de dispersión relativa calculada como la desviación típica entre la media (número de “medias” que “caben” en una desviación típica. Estas medidas fueron explicadas con detenimiento en el capítulo 4.
5.2.3 Normalidad.
En muchas técnicas multivariantes basadas en métodos inferenciales (por ejemplo, análisis de la varianza, o en la regresión lineal), se requiere que las variables sigan una distribución normal. Para comprobarlo, se puede a recurrir a análisis gráficos o a análisis formales, estos últimos basados en contrastar la hipótesis nula de normalidad.
Vamos a mostrar un método gráfico muy extendido. Comprobaremos la normalidad de la variable RENECO mediante un gráfico qq (cuantil-cuantil), que compara los cuantiles de nuestra muestra con los de una distribución normal teórica (con la misma media y desviación típica). Si los puntos se sitúan cercanos a la diagonal, entonces se asumirá un comportamiento (aproximadamente) normal. El código para realizar el gráfico con las herramientas del paquete {ggplot2}
es:
ggplot(data = muestra_so, aes(sample = RENECO)) +
stat_qq(colour = "red") +
stat_qq_line(colour = "dark blue") +
ggtitle("RENTABILIDAD ECONÓMICA: QQ-PLOT", subtitle = "Empresas eólicas")
Y el resultado:
A veces, es difícil obtener una conclusión sólida con el gráfico qq; aunque en el ejemplo se aprecia, sobre todo en los primeros puntos, una separación notable de estos con respecto a la línea, lo que induce a pensar en que podría no seguirse una distribución normal.
Si queremos ser más precisos, en lugar de un análisis gráfico se puede recurrir a realizar un análisis formal, basado en la realización de contrastes de hipótesis. Una prueba muy usual es la prueba de normalidad de Shapiro y Wilk, que tiene un buen comportamiento en muestras relativamente reducidas. En esta prueba, la hipótesis nula equivale al supuesto de normalidad. Para un 5% de significación estadística, un p-valor superior a 0.05 implicará el no-rechazo de la hipótesis de normalidad. Para realizar la prueba, se ejecutará el código:
El resultado obtenido en la consola:
##
## Shapiro-Wilk normality test
##
## data: muestra_so$RENECO
## W = 0.9605, p-value = 0.005523
Como el p-valor es (muy) inferior a 0.05, se rechaza la hipótesis nula de normalidad en la distribución, lo que implica que, para una significación estadística del 5%, admitimos que RENECO no sigue, para nuestra muestra, un comportamiento normal, como ya se anticipó con el gráfico qq.
5.3 Análisis de múltiples variables.
Son muchas las técnicas aplicadas al análisis de datos económicos basadas en una distribución de frecuencias multivariante. En este apartado nos centraremos en el caso de variables métricas, ya que al caso de atributos, variables categóricas o factores; le dedicaremos un tema en exclusiva. Algunas técnicas multivariantes son el análisis de componentes principales, el análisis de regresión, el análisis clúster…
Todas estas metodologías requieren, de nuevo, de una fase inicial que ponga a punto la base de datos y ofrezca una fotografía de cómo es la situación en cuanto a las variables en estudio. En este sentido, es conveniente aplicar, para cada variable por separado, algunos de los análisis gráficos básicos vistos anteriormente.
A estos análisis básicos hay que añadir, principalmente, algún estudio gráfico y alguna medida cuantitativa más, destinados fundamentalmente a comprobar el grado de intensidad en la relación estadística entre las variables implicadas. Antes de abordar esta última cuestión, trabajaremos con dos variables.
5.3.1 Caso de dos variables: localización de missing values y outliers, y representación gráfica.
En nuestro ejemplo, vamos a incorporar al análisis la variable ACTIVO (volumen de activos de la empresa en miles de euros). Partiremos, como ya hicimos en el caso univariante, de la detección de valores perdidos o missing values. Para no modificar el data frame original (“eolica_100”), trabajaremos con una copia, llamada “muestra2”:
muestra2 <- select(eolica_100, everything())
muestra2 %>% filter(is.na(RENECO) | is.na(ACTIVO)) %>%
select(RENECO, ACTIVO)
El operador |
significa “o”.
Con el código anterior se obtiene en la consola:
## RENECO ACTIVO
## Viesgo Renovables SL. NA 269730
## Sargon Energias SLU NA 85745
## La Caldera Energia Burgos SL 2.643 NA
Como ya se discutió anteriormente, si comprobamos que los missing values no pueden ser obtenidos o estimados mediante alguna otra vía, y son relativamente pocas observaciones, se podría optar por eliminarlos. Vamos a suponer en este ejemplo, que ese es el caso:
El operador &
significa “y”.
El data frame “muestra2” contiene los mismos datos que “eolica_100”, salvo los tres casos con missing values (97).
Se pasaría ahora a detectar los posibles outliers. Al trabajar con dos variables, una posibilidad cómoda para extraer una conclusión inicial es generar un gráfico de dispersión. Utilizando la gramática de ggplot2:
# Localizando outliers
dispersion <- ggplot(data = muestra2, map = (aes(x = RENECO,
y = ACTIVO/100000))) +
geom_point(colour = "red", size = 2, alpha = 0.5) +
ggtitle("RENTABILIDAD ECONÓMICA vs ACTIVO",
subtitle = "100 empresas eólicas") +
xlab("Rentabilidad Económica (%)") +
ylab("Activo (cientos de millones de euros)")
dispersion
Puede apreciarse cómo en el “mapeo” de las coordenadas, el ACTIVO aparece divido entre 100.000. Esto es simplemente para aminorar la escala del eje “y”, y dotar de una escala más cómoda (visible) al gráfico. Eso ha hecho que en la etiqueta de este gráfico pongamos “cientos de milllones de euros”, en lugar de “miles de euros”, que son las unidades de la variable ACTIVO. Por otro lado, el gráfico se ha asignado, primeramente, al objeto “dispersion”, al que se ha llamado con posterioridad.
En el gráfico se distinguen varios puntos muy alejados del resto, que son candidatos a ser outliers.
Además, podríamos crear los gráficos de caja para cada una de las variables. Estos gráficos los vamos a asignar a dos objetos, “caja_RENECO” y “caja_ACTIVO”. Posteriormente, con las facilidades del paquete {patchwork}
se combinarán los tres gráficos, a fin de proporcionar una presentación más compacta. El código es el siguiente:
caja_RENECO <- ggplot(data = muestra2, map = (aes(y = RENECO))) +
geom_boxplot(fill = "orange") +
ggtitle("RENTABILIDAD ECONÓMICA",
subtitle = "100 empresas eólicas") +
ylab("Rentabilidad Económica (%)")
caja_ACTIVO <- ggplot(data = muestra2, map = (aes(y = ACTIVO/100000))) +
geom_boxplot(fill = "orange") +
ggtitle("ACTIVO",
subtitle = "100 empresas eólicas") +
ylab("Activo (cientos de millones de euros)")
library (patchwork)
dispersion / (caja_RENECO | caja_ACTIVO)
Y el resultado:
La última línea de código, mediante el paquete {patchwork}
, maqueta la visualización de los tres gráficos. El operador /
indica que los gráficos siguientes se dispondrán inmediatamente debajo; mientras que |
indica que el gráfico siguiente se dispone al lado del anterior.
Lo más destacable es, en el caso de la variable ACTIVO, cómo el diagrama de caja confirma la existencia de outliers, con un caso muy claro.
Vamos a suponer que se decide eliminar los outliers de la muestra, a fin de evitar distorsiones en los resultados de la posterior aplicación de alguna técnica. El código para localizar los outliers será:
Q1_RENECO <- quantile (muestra2$RENECO, c(0.25))
Q3_RENECO <- quantile (muestra2$RENECO, c(0.75))
Q1_ACTIVO <- quantile (muestra2$ACTIVO, c(0.25))
Q3_ACTIVO <- quantile (muestra2$ACTIVO, c(0.75))
muestra2 %>%
filter(RENECO > Q3_RENECO + 1.5*IQR(RENECO) |
RENECO < Q1_RENECO - 1.5*IQR(RENECO) |
ACTIVO > Q3_ACTIVO + 1.5*IQR(ACTIVO) |
ACTIVO < Q1_ACTIVO - 1.5*IQR(ACTIVO)) %>%
select(RENECO, ACTIVO)
Con lo que, en la consola, se listarán los siguientes casos:
## RENECO ACTIVO
## Holding De Negocios De GAS SL. 5.264 13492812.00
## Global Power Generation SA. 1.393 2002458.00
## Naturgy Renovables SLU 1.959 1956869.00
## EDP Renovables España SLU 6.458 1275939.00
## Corporacion Acciona Eolica SL 4.562 864606.00
## Saeta Yield SA. 0.360 796886.38
## Elawan Energy SL. 3.615 443467.00
## Olivento SL 2.553 381206.98
## Parque Eolico La Boga SL. 0.162 303904.36
## Naturgy Wind, S.L. 3.949 273542.00
## Al-Andalus Wind Power SL 2.349 249853.83
## Innogy Spain SA. -2.708 230338.51
## Guzman Energia SL -2.813 190286.98
## Acciona Eolica Del Levante SL 4.985 188354.00
## Biovent Energia SA 4.551 183899.00
## Esquilvent SL 7.621 157630.62
## Molinos Del Ebro SA 35.262 62114.37
## Sierra De Selva SL 21.761 27728.00
Son 18 casos. Vamos a eliminarlos de la muestra, pero creando un nuevo data frame, “muestra2_so”, para conservar el anterior:
muestra2_so <- muestra2 %>%
filter(RENECO <= Q3_RENECO + 1.5*IQR(RENECO) &
RENECO >= Q1_RENECO - 1.5*IQR(RENECO) &
ACTIVO <= Q3_ACTIVO + 1.5*IQR(ACTIVO) &
ACTIVO >= Q1_ACTIVO - 1.5*IQR(ACTIVO))
Si se construyen ahora los gráficos anteriores; pero con “muestra2_so”, que ya no incluye outliers, se comprobará el cambio que experimentan tales gráficos:
dispersion_so <- ggplot(data = muestra2_so, map = (aes(x = RENECO,
y = ACTIVO/100000))) +
geom_point(colour = "red", size = 2, alpha = 0.5) +
ggtitle("RENTABILIDAD ECONÓMICA vs ACTIVO",
subtitle = "100 empresas eólicas") +
xlab("Rentabilidad Económica (%)") +
ylab("Activo (cientos de millones de euros)")
caja_RENECO_so <- ggplot(data = muestra2_so, map = (aes(y = RENECO))) +
geom_boxplot(fill = "orange") +
ggtitle("RENTABILIDAD ECONÓMICA",
subtitle = "100 empresas eólicas") +
ylab("Rentabilidad Económica (%)")
caja_ACTIVO_so <- ggplot(data = muestra2_so, map = (aes(y = ACTIVO/100000))) +
geom_boxplot(fill = "orange") +
ggtitle("ACTIVO",
subtitle = "100 empresas eólicas") +
ylab("Activo (cientos de millones de euros)")
dispersion_so / (caja_RENECO_so | caja_ACTIVO_so)
Aunque vuelven a aparecer dos outliers en la variable ACTIVO, en el gráfico de dispersión se aprecia una nube de puntos más homogénea que antes de haber eliminado los casos u observaciones localizados con anterioridad.
5.3.2 Caso de múltiples variables.
Si las variables que entran en nuestro análisis son más de dos (suponemos que todas están en escala métrica), la detección y, en su caso, eliminación de missing values será un proceso semejante al de los casos anteriores.
Por ejemplo, vamos a imaginar que queremos realizar un análisis en el que tendremos en cuenta las variables RENECO (rentabilidad económica), ACTIVO (volumen de activos de la empresa), MARGEN (margen de beneficio) y RES (resultado del ejercicio).
Para detectar los missing values procederemos creando una copia del data frame original (para preservarlo), llamada “muestra3” y ejecutando el código:
muestra3 <- select(eolica_100, everything())
muestra3 %>% filter(is.na(RENECO) |
is.na(ACTIVO) |
is.na(MARGEN) |
is.na(RES)) %>%
select(RENECO, ACTIVO, MARGEN, RES)
El listado de casos con missing values será:
## RENECO ACTIVO MARGEN RES
## Viesgo Renovables SL. NA 269730.00 11.818 4609.000
## Biovent Energia SA 4.551 183899.00 22.792 NA
## Sargon Energias SLU NA 85745.00 -615.625 -2216.000
## Parc Eolic Sant Antoni SL 1.361 69654.00 NA 668.000
## Eolica La Brujula SA 7.295 42146.98 NA 2306.062
## La Caldera Energia Burgos SL 2.643 NA 14.448 511.304
Para eliminar estos casos (siempre que no se hayan podido obtener por otra vía o estimar) utilizaremos el código:
El data frame “muestra3” contiene los mismos datos que “eolica_100”, salvo los 6 casos con missing values (94).
Para la detección de posibles outliers, al haber más de 2 variables, ya no puede utilizarse un gráfico de dispersión, porque implicaría más de dos ejes. Además, si las variables que entran en el análisis son numerosas, podría ser poco operativo estudiar las variables una a una. Una alternativa consiste en calcular la distancia de Mahalanobis de las variables del estudio, como “resumen” del comportamiento de cada caso en todas las variables del análisis. Así, primero vamos a calcular un vector con los valores de la distancia de Mahalanobis del conjunto de las 4 variables en cada uno de los casos (empresas eólicas). Este vector lo denominaremos, por ejemplo, MAHALANOBIS. Una vez calculado, lo añadiremos al data frame “muestra3” mediante la función de pegado de columnas, cbind()
:
#Detectando y eliminando outliers.
muestra3.variables <- muestra3 %>% select(RENECO, ACTIVO, MARGEN, RES)
MAHALANOBIS <-mahalanobis(muestra3.variables,
center = colMeans(muestra3.variables),
cov = cov(muestra3.variables))
muestra3 <- cbind(muestra3, MAHALANOBIS)
Posteriormente, se puede construir el diagrama de caja de la variable MAHALANOBIS, como cualquier otra variable:
ggplot(data = muestra3, map = (aes(y = MAHALANOBIS))) +
geom_boxplot(fill = "orange") +
ggtitle("DISTANCIA DE MAHALANOBIS",
subtitle = "RENECO, ACTIVO, MARGEN, RES. 100 empresas eólicas ") +
ylab("MAHALANOBIS")
Para saber de qué casos concretos se trata, se podrá ejecutar el código:
Q1M <- quantile (muestra3$MAHALANOBIS, c(0.25))
Q3M <- quantile (muestra3$MAHALANOBIS, c(0.75))
muestra3 %>%
filter(MAHALANOBIS > Q3M + 1.5*IQR(MAHALANOBIS) |
MAHALANOBIS < Q1M - 1.5*IQR(MAHALANOBIS)) %>%
select(MAHALANOBIS, RENECO, ACTIVO, MARGEN, RES)
En la consola se obtendrá el listado:
## MAHALANOBIS RENECO ACTIVO
## Holding De Negocios De GAS SL. 91.041690 5.264 13492812.00
## Global Power Generation SA. 37.255573 1.393 2002458.00
## Naturgy Renovables SLU 31.675561 1.959 1956869.00
## Saeta Yield SA. 11.891027 0.360 796886.38
## Molinos Del Ebro SA 29.589696 35.262 62114.37
## Tarraco Eolica SA 3.600426 12.868 38102.00
## WPD Parque Eolico Navillas SL. 84.589929 -0.416 35511.45
## Brulles Eolica SL 3.599069 15.882 29722.58
## Sierra De Selva SL 9.055155 21.761 27728.00
##
## MARGEN RES
## Holding De Negocios De GAS SL. 91.152 727548.0000
## Global Power Generation SA. 22.403 39995.0000
## Naturgy Renovables SLU 20.442 42737.0000
## Saeta Yield SA. 16.258 2084.4760
## Molinos Del Ebro SA 41.821 17026.2569
## Tarraco Eolica SA 400.899 4953.0000
## WPD Parque Eolico Navillas SL. -2248.157 -110.9293
## Brulles Eolica SL 47.227 3540.5693
## Sierra De Selva SL 47.045 4525.0000
Si se opta por eliminar estos casos cara al análisis posterior, se podrá crear un nuevo data frame, por ejemplo “muestra3_so”, con el código siguiente:
muestra3_so <- muestra3 %>%
filter(MAHALANOBIS <= Q3M + 1.5*IQR(MAHALANOBIS) &
MAHALANOBIS >= Q1M - 1.5*IQR(MAHALANOBIS))
El data frame “muestra3_so” será una réplica de “muestra3”, aunque sin incluir los casos detectados como atípicos o outliers (85 casos).
5.3.3 Correlación entre variables.
Cuando trabajamos con más de una variable, una característica muy importante viene dada por la intensidad con la que tales variables están relacionadas estadísticamente entre sí, es decir, el estudio de las correlaciones. Un modo atractivo y rápido de visualizar la matriz de correlaciones de las variables es a través de la función chart.Correlation()
del paquete {PerformanceAnalytics}
. Previamente, hemos creado el data frame “muestra3_so_variables” con sola las variables (métricas) del estudio:
# Correlaciones.
muestra3_so_variables <- muestra3_so %>%
select(RENECO, ACTIVO, MARGEN, RES)
library(PerformanceAnalytics)
chart.Correlation(muestra3_so_variables, histogram = F, pch = 18)
Un coeficiente de correlación puede tomar un valor entre -1 (fuerte relación, en sentido opuesto) a 1 (fuerte relación, en el mismo sentido). Como puede apreciarse en el gráfico, las variables ACTIVO y RES mantienen una relación muy intensa y en sentido positivo. Entre MARGEN y RENECO existe también una relación de intensidad destacable. En cambio, ACTIVO y MARGEN; y RENECO y ACTIVO apenas están estadísticamente relacionadas.
5.4 Materiales para realizar las prácticas del capítulo.
En esta sección se muestran los links de acceso a los diferentes materiales (scripts, datos…) necesarios para llevar a cabo los contenidos prácticos del capítulo.
Datos (en formato Microsoft (R) Excel (R)):
- eolica_100_mv.xlsx (obtener aquí)
Scripts:
- explora_describe.R (obtener aquí)