###########################################################################################
# cargamos los datos de Snee con etiquetas y hacemos las tablas
snee=read.csv("Snee_car.csv",header=TRUE)  # se trabaja con datos de Snee                      
ojos     <- table(snee$Color_ojos)
pelo     <- table(snee$Color_pelo)
dat      <- snee
###########################################################################################
# MCA con FactoMineR 
library(FactoMineR)
res.mca  <- MCA(dat,graph=FALSE)
###########################################################################################
# estadísticas sobre la dimensión 
# nombre datos y número de niveles
lfac     <- vector("numeric",length=2)
lfac[1]  <- length(ojos)
lfac[2]  <- length(pelo)
#  valores iniciales
n        <- dim(dat)[1]                   # número de unidades
p        <- dim(dat)[2]                   # número de variables
q        <- sum(lfac)                     # número total de niveles
exptr    <- (q-p)/p                       # traza esperada
meig     <- 1/p                           # autovalor promedio
expeig   <- q-p                           # autovalores esperados
#  cálculo de los grados de libertad de todas las tablas
dl       <- 0
for (i in 2:p){
  for (j in 1:i) {
    dl   <- dl + (lfac[i]-1)*(lfac[j]-1)  
  }
}
dl                                        # grados de libertad
var      <- 2*dl/(p^2*n*(q-p))            # varianza del autovalor promedio
sd       <- sqrt(var)                     # su desvío estandar
sup      <- meig + 2*sd                   # umbral superior del promedio a 95%  
# tabla de autovalores
neig     <- length(which(res.mca$eig[,1] != 0)) # número de autovalores non cero
teigen   <- matrix(0, nrow=neig,ncol=4)   # matriz para resultados  
rownames(teigen) <- c(1:neig)
colnames(teigen) <- c("sing.val.","eigenval.","perc.inertia","cum.inertia")
tr         <- sum(res.mca$eig[,1])          # traza verdadera
teigen[,1] <- res.mca$eig[,1]                # valores singulares (SVD)
teigen[,2] <- teigen[1:neig,1]^2             # autovalores (Burt)  
teigen[,3] <- teigen[1:neig,1]/tr*100.       # % inercia
teigen[,4] <- cumsum(teigen[1:neig,3])       # % inertia cumulado
neigs     <- length(which(teigen[1:neig,1] > meig)) # autovalores sobre el promedio
burtin    <- sum(teigen[1:neig,2])           # inercia de Burt (suma de autovalores)
offdin    <- (p/(p-1))*(burtin-(exptr/p))    # inercia no diagonal
# tabla de estadísticas  
val           <- matrix(c(n,p,q,exptr,tr,burtin,offdin,meig,expeig,neig,
                        neigs,dl,var,sd,sup),nrow=15,ncol=1)
rownames(val) <- c("units","characters","levels","exp.trace","tot.inertia",
                    "Burt inertia","off-diag.in.","ave.eigen.","expected dim.",
                    "dimension","valid dim.","df","var.eig","sd.eig.","sup.conf.int.")
colnames(val) <- "table values"
round(val,6)
# tabla de autovalores
teigen
# tabla de inercia ajustada
inertias    <- matrix(0, nrow=neigs,ncol=5)  
rownames(inertias) <- c(1:neigs)
colnames(inertias) <- c("adj.inertia","Benz.perc.","Benz.cum.","Green.perc.","Green.cum.")
inertias[,1] <- round((teigen[1:neigs,1]-meig)^2*(p/(p-1))^2,8)  # inercia ajustada
totin        <- sum(inertias[,1])        # inercia ajustada total
inertias[,2] <- inertias[,1]/totin*100.  # porcentaje Benzécri
inertias[,3] <- cumsum(inertias[,2])     # cumulado Benzécri
inertias[,4] <- inertias[,1]/offdin*100. # porcentaje Greenacre
inertias[,5] <- cumsum(inertias[,4])     # cumulado Greenacre
inertias
##################################################################################
# gráficos
plot.MCA(res.mca,graph.type="classic",invisible="ind")
plot(res.mca$var$coord,asp=1,col="blue",pch=20)
  text(res.mca$var$coord,lab=rownames(res.mca$var$coord),col="blue",pos=4)
  abline(h=0,lty=2)
  abline(v=0,lty=2)
#################################################################################################  
res.mca$eig
res.mca$var
contr <- round(res.mca$var$contr,2) 
coord <- round(res.mca$var$coord,3)
vtest <- round(res.mca$var$contr,3)
qual  <- round(res.mca$var$cos2*100,2)
qcum  <- t(apply(qual,1,cumsum))
i = 1
var   <- cbind(contr[,i],coord[,i],vtest[,i],qual[,i],qcum[,i])
colnames(var) = c("contributions","coordinates","test-value","quality","cum.qual.")
var
#################################################################################################  
