############################################################################################
# creamos una tabla de contingencia a partir de datos de Snee
snee=read.csv("Snee.csv")                                   # se trabaja con datos de Snee                      
colnames(snee)  <- c("Color_ojos","Color_pelo")
snee$Color_ojos <- factor(snee$Color_ojos,                  # factor y etiquetas de la primera variable
                          levels = c(1,2,3,4),
                          labels = c("Oscuros","Pardos",
                                     "Verdes","Azules")) 
snee$Color_pelo <- factor(snee$Color_pelo,                  # factor y etiquetas de la segunda variable
                          levels = c(1,2,3,4),
                          labels = c("Negro","Castano",
                                     "Rojo","Rubio")) 
write.csv(snee,"Snee_car.csv",row.names = FALSE)            # y se guarda en un archivo
tsnee    <- table(snee[,1],snee[,2]); tsnee                 # tabla de contingencia
n        <- sum(tsnee); n                                   # total general
nf       <- min(dim(tsnee))-1 ; nf                          # máx número de factores  
############################################################################################
# análisis  de correspondencias con FactoMineR
library(FactoMineR)
snee.ca  <- CA(tsnee,graph=FALSE)          # el graph = FALSE es para linux
plot.CA(snee.ca,graph.type = "classic")    # esto siempre es para linux
snee.ca$eig                                # salida de autovalores   
# tabla  con estadísticas de autovalores
tr       <- sum(snee.ca$eig[,1])           # traza = phi2
ccor     <- sqrt(snee.ca$eig[,1])          # correlaciones
malin    <- n*(tr-cumsum(snee.ca$eig[,1])) # test de Malinvaud  
dfm      <- rep(0,nf)                      # grados de libertad
for (i in 1:nf) {                          # iteración para test
  dfm[i] <- (dim(tsnee)[1]-1-i)*(dim(tsnee)[2]-1-i)
}
peig     <- pchisq(malin,dfm,lower.tail = FALSE)  # valor p del chi-cuadrado
teig     <- cbind(ccor,snee.ca$eig,malin,dfm,peig)  # tabla de autovalores
colnames(teig)  <- c("Correlaciones","Autovalores","Inercia","Iner.Cumul.","Malinvaud","Df","valor-p")
teig
############################################################################################
# nótese que el inercia se corresponde a la suma de cuadrados de las coordenadas 
# multiplicados por el marginal.
snee.ca$col$inertia
apply(sweep(snee.ca$col$coord^2,1,snee.ca$call$marge.col,"*"),1,sum)

# resultados por filas y columnas
snee.ca$row
snee.ca$col
############################################################################################
# resultados por cada dimension
sr <- snee.ca$row
tabrow <- list()
for (i in 1:1) {
  rcum <- t(apply(sr$cos2,1,cumsum))
  trow <- cbind(sr$inertia,sr$contrib[,i],sr$coord[,i],sr$cos2[,i],rcum[,i])
  colnames(trow) <- c("inertia","contributions","coordinates","quality","cum.qual.")
  tabrow[[i]] <- trow
}
tabrow
sc <- snee.ca$col
tabcol <- list()
for (i in 1:1) {
  ccum <- t(apply(sc$cos2,1,cumsum))
  tcol <- cbind(sc$inertia,sc$contrib[,i],sc$coord[,i],sc$cos2[,i],ccum[,i])
  colnames(tcol) <- c("inertia","contributions","coordinates","quality","cum.qual.")
  tabcol[[i]] <- tcol
}
tabcol
###########################################################################################


