PCA aplicado a la pobreza multidimensional: qué pesa de verdad en el IPM departamental
Cómo el análisis de componentes principales separa los determinantes dominantes de la pobreza multidimensional en los departamentos de Colombia.
1. Un índice con variables que se pisan entre sí
El Índice de Pobreza Multidimensional resume privaciones en salud, educación, trabajo y vivienda. El problema al compararlo entre departamentos es que sus variables están fuertemente correlacionadas: donde falla la educación suele fallar también el empleo formal. Mirar todas las variables a la vez no dice cuáles pesan de verdad; hace falta una forma de concentrar esa información.
2. Estandarizar y dejar que la varianza hable
El análisis de componentes principales construye combinaciones lineales de las variables originales que capturan la mayor varianza posible. Antes de aplicarlo, las variables del IPM se estandarizan — media cero, varianza uno — para que ninguna domine por su escala. El resultado: pocas componentes concentran la mayor parte de la información, y las cargas de cada una dicen qué variables la definen.
3. El flujo en R
La esencia del flujo cabe en pocas líneas con FactoMineR. El análisis completo — datos, decisiones y gráficos — está en el repositorio.
library(FactoMineR)
# scale.unit = TRUE estandariza: ninguna variable domina por su escala
res <- PCA(ipm, scale.unit = TRUE, graph = FALSE)
res$eig # varianza explicada por cada componente
res$var$coord # cargas: qué variable define cada eje4. Leer los resultados sin sobreinterpretar
Las componentes no son causas: son direcciones de varianza. La lectura correcta es nombrarlas por sus cargas dominantes y usarlas para comparar departamentos en un espacio de pocas dimensiones — no para afirmar que una variable causa la pobreza. Esa distinción entre reducción de dimensionalidad e inferencia causal es la diferencia entre usar PCA bien y forzarlo.
- 01¿Cómo servir años de microdatos en una app que carga al instante?
- 02¿Cómo explorar los microdatos del mercado laboral sin perderse?
- 03¿Cómo pasar del dato del ICFES a un informe institucional trazable?
- 04¿Qué patrones esconden 5,3 millones de micronegocios?
- 05¿Qué pesa de verdad en la pobreza multidimensional?Estás aquí
También te puede interesar
Micronegocios de Colombia: reglas de asociación sobre 5.3 millones de registros
Caracterización de más de 5.3 millones de micronegocios colombianos (EMICRON, DANE) con el algoritmo Apriori, documentada en un reporte reproducible en Quarto. Un resumen derivado fue enviado a LatinR 2026.
Observatorio GEIH: cómo servir 4 años de microdatos del DANE en una app que carga al instante
La historia técnica del Observatorio GEIH (2022–2025): pre-agregación offline respetando la metodología DANE, app Shiny modular de 7 dimensiones, auditoría automatizada contra el microdato y publicación en Springer (CCIS, R Day 2025).
R básico: aprende R desde cero, sin haber programado nunca
Guía de R para principiantes absolutos, en 12 pasos: qué es R y por qué aprenderlo, instalación verificada, tu primer script, objetos, tipos de datos, vectores, factores, data frames, el tidyverse, importación de datos y tu primer gráfico con ggplot2. Con errores comunes y recursos oficiales gratuitos para seguir.