El data set que hemos elegido proviene de una encuesta realizada por la PSA (Philippine Statistics Authority) donde se muestran los gastos e ingresos por familia en las islas Filipinas. Contiene 40k observaciones y 60 variables que hemos agrupado en las siguientes categorías:
- Gastos
- Datos demográficos de familias
- Datos demográficos de la persona principal en la toma de decisiones
- Estructura de la casa
- Número de bienes adquiridos
Identificar un modelo de clasificación socio-económicos óptimo en Filipinas ha sido un tema difícil de abordar durante varios años. A día de hoy, ningun modelo ha sido aceptado de forma global, y los diferentes organismos gubernamentales que existen utilizan sus propios modelos.
Teniendo en cuenta que los ingresos de un país es un indicador crucial para una correcta clasificación socio-económica del país, nos gustaría responder a la pregunta ¿Es un modelo de regresión lineal múltiple adecuado para predecir los ingresos de una familia Filipina?
Nuestra variable de interés en nuestro data set Family_income_and_expenditure.csv será Total.household.income. Nuestro objetivo será predecir los ingresos familiares.
El análisis de dividirá en dos fases. La primera fase consistirá en un análisis exploratorio de los datos para entender mejor el significado y la relevancia de cada una de nuestras variables. Estudiaremos puntos clave como el nivel de correlación entre nuestra variable de interés y las demás variables.
Por ello, para cada variable estudiada, nos preguntaremos:
- ¿Consideramos esta variable cuando intentamos predecir los ingresos familiares?
- Si es así ¿Cómo de relevante es esta variable en determinar nuestra variable de interés?
La segunda fase consistirá en la elaboración de un modelo de regresión lineal múltiple con las variables elegidas.
A continuación mostramos los pasos que seguiremos para nuestro anaálisis:
- Limpieza de datos
- Análisis EDA
- Objetivo clasificación: agrupar regiones por ingresos bajos, medios o altos (???)
- Crear 5 visualizaciones de matrices de corelación. Una por cada agrupación que hemos definido(e.g comparar household income con total expenditure + meat expenditure + vegetable expenditure , etc)
- Pre-procesamiento de datos
- Predicción:
- Objetivo regresión: modelo de regresión linear múltiple para predecir los ingresos de una familia filipina
- Conclusiones