1 INTRODUCCIÓN

En este apartado se revisará la evolución de la variable analizada en varios paises entre los años 1991 y 2020, elegidos de acuerdo a criterios del alumno. Como ejemplo, en el caso de la Tasa de feminidad, se van a elegir uno de los países con menor tasa (Qatar, QAT), uno de los que posee mayor tasa (Rusia, RUS) y España (ESP). Los acrónimos que acompañan a los países coinciden con el código iso3c.

Comienza la actividad cargando en memoria el paquete WDI, que permitirá la descarga de los datos.

library(WDI)

A continuación, se descargan los datos correspondientes a los paises seleccionados. A diferencia de la actividad 1:

indicador <- WDI(country=c("RUS", "ESP", "QAT"),
                indicator= "SP.POP.TOTL.FE.ZS", 
                start=1991, 
                end=2020)

Se eliminará la segunda columna (nombre largo del país), quedándonos con las restantes (columnas 1,3 y 4)

indicador <- indicador[ , c(1, 3:4)]

Al mismo tiempo, se cambian los nombres de las variables

names(indicador) <- c("Pais", "Tfem", "Año")
head(indicador)
##   Pais     Tfem  Año
## 1   ES 50.85350 2020
## 2   ES 50.87242 2019
## 3   ES 50.89664 2018
## 4   ES 50.91687 2017
## 5   ES 50.92044 2016
## 6   ES 50.89930 2015

Por último, se transforma la estructura del dataframe, de la opción long a la opción wide (cada país constituye una columna)

library(reshape2)

indicador <- dcast(Año ~ Pais,
                   data=indicador[  ,c("Pais", "Año", "Tfem")],
                   value.var="Tfem")
head(indicador)
##    Año       ES       QA       RU
## 1 1991 51.02693 33.21179 53.14432
## 2 1992 51.03702 33.39160 53.11460
## 3 1993 51.04261 33.59941 53.09805
## 4 1994 51.04273 33.84046 53.09149
## 5 1995 51.03668 34.10362 53.09257
## 6 1996 51.02458 34.31241 53.10064

ATENCIÓN. n este caso, los nombres de las variables han cambiado a iso2.

2 ANÁLISIS DE LAS SERIES TEMPORALES

Una vez adaptado el formato del dataframe, este será transformado en un objeto ts para su análisis como serie temporal.

serie.temporal.original <- ts(data=indicador[  ,-1], 
                start=min(indicador$Año),
                end=max(indicador$Año))

A continuación, se elaborará un gráfico con la evolución temporal de la tasa de feminidad en los países seleccionados

plot(serie.temporal.original, 
     plot.type="single",
     col = 1:7,
     las = 1,
     lwd = 2.0,
     xlab = "Años", 
     ylab = "Porcentaje")
legend("right", 
       legend=colnames(serie.temporal.original), 
       ncol=2, 
       lty=1,
       col=1:8, 
       cex=.9)
title(main = "Evolución interanual de la Tasa de Feminidad")

A partir del gráfico, se puede observar que la tasa de feminidad en Rusia parece haber ascendido ligeramente en los 4 últimos decenios, mientras que en España se ha mantenido próxima a su valor teórico (50 %). En Qata ascendió hasta la primera mitad del siglo XXI, cayendo acusadamente entre 2003 y 2012, para remontar posteriormente.

Una manera de comparar las 3 series es mediante su transformación en números índices simples. Para ello aplicaremos la función index.number.serie a las series correspondientes a cada indicador. Posteriormente, la tercera columna de cada índice se añadirá a un dataframe, y se cambiarán los nombres de esas variables.

library(IndexNumber)
indice_ES <- index.number.serie(indicador$ES,"ES")              
indice_QA <- index.number.serie(indicador$QA,"QA")              
indice_RU <- index.number.serie(indicador$RU,"RU")              

indices <- cbind(indice_ES[3],indice_QA[3],indice_RU[3])
names(indices) <- c("ES", "QA", "RU")

Las series transformadas en números índice serán convertidas en series temporales y representadas gráficamente.

serie.temporal.indices <- ts(data=indices, 
                start=min(indicador$Año),
                end=max(indicador$Año))

plot(serie.temporal.indices, 
     plot.type="single",
     col = 1:7,
     ylim=c(70,110),                                               # Límites del eje Y
     las = 1,                                                     # Números del eje Y en posición horizontal
     lwd = 2.0,                                                   # Anchura de las líenas correspondientes a los países
     xlab = "Años", 
     ylab = "Evolución temporal. Año base 1991")
legend("bottomleft",                                              # Posición de la leyenda
       legend=colnames(serie.temporal.indices),                   # Etiquetas en la leyenda: las correspondientes a las columnas del dataframe
       ncol=2,                                                    # Países dispuestos en 2 columnas
       lty=1,
       col=1:7, 
       cex=.9)
title(main = "Evolución interanual de la Tasa de Feminidad")
abline(h=100, lty=2, col="red")                                                   # Añade una línea roja correspondiente al valor 0