Analisi Statistica per le Scienze Sociali - Tesina

CONSIDERAZIONI

Al fine di poter comprendere al meglio il grafico nella slide precedente, sono stati lanciati alcuni comandi per eseguire una sommaria Analisi delle Componenti principali.

Sulla prima componente, la variabile con maggiore influenza è "Eggs", le uova; seguita da "Milk", il latte ed ancora, la carne di maiale. Da non trascurarsi è senz'altro la presenza di una forte variabilità degli alcolici, quali birra e vino. Pertanto, possiamo sommariamente riassumere:

• Una componente proteica, costituita quasi esclusivamente da alimenti di origine animale, quali uova e latte, ma anche da carne di maiale e bovina;
• Una componente di grassi quasi esclusivamente costituita da alimenti di origine animale - "Fats, Animals, Raw";
• Una componente carboidratica, non di meno importante.

costituita da amidacei, quali patate ed in parte da derivati dei cereali (pane, pasta, pizza etc.). Da non trascurarsi è l'influenza, sulla prima componente, giocata da "Apple and Products": non escluderei assolutamente che vi si trovi un largo consumo di sidro e di succhi di frutta. In conclusione, la prima componente sembra ben descrivere una dieta nordamericana, o anche mitteleuropea (Belgio, Lussemburgo, Germania, Francia), dove vi è un largo consumo di prodotti animali, in particolare di carne suina ed un largo consumo di bevande alcoliche. Per certi versi, sembra descrivere la dieta di un nordamericano nella serata del Super Bowl. Sulla seconda componente invece, troviamo una situazione ben diversa, in cui molta influenza è rivestita dalla variabile "Lemons, Limes and products", derivati del succo di limone e da frutta, in particolare "Pineapples and products", ananas e derivati. Questa seconda componente,delinea un regime alimentare senz'altro più tipico del Sud del Mondo. In cui troviamo: - Una componente carboidratica, proveniente da alimenti vegetali, in particolare da frutta zuccherina; - Una componente proteica, costituita in maniera preponderante da cacciagione, "Meat, Other" e da alimenti vegetali, "Peas". - Una componente di grassi, estremamente ridotta; - Da non trascurarsi la presenza di alimenti tipicamente equatoriali, quali Ananas o piantaggioni di "Caffè". ANALISI DEI GRUPPI Analizzando i gruppi, sin da subito si palesa una netta differenziazione di tipo geografico. K1: Costituito dalle nazioni Occidentali, europee e nord-americane, ma anche dai paesi aventi uno sbocco sul Mediterraneo, mare che si configura ancora una volta come area di scambi e incontri. Innanzitutto, si configurano come paesi con un più alto tenore calorico: di fatto, tendenzialmente consumano più cibo. In particolare,si noti la nuvola di punti addensata all'altezza 4 e 6 della Componente 1. Possiamo considerare questo cluster come maggiormente caratterizzato da una dieta particolarmente ricca di proteine e grassi animali, quali carne suina o grassi; ma anche da un elevato consumo di bevande alcoliche, vino e birra in particolare. In particolare, troviamo l'osservazione 43, corrispondente al Lussemburgo, che si configura come il paese che maggiormente incarna le caratteristiche della Componente 1. Guardando nuovamente al Clusplot, la diversità geografico-culturali si fanno evidenti anche nella similarità: si notino appunto, le dinamiche dei paesi del Magreb - Tunisia (76) e Marocco (50) - che sebbene allocati nel K1, leggermente si discostano dalla dinamica di Cluster. Del resto, sono paesi a maggioranza musulmana, per cui si potrebbe supporre che abbiano una dinamica differente rispetto al consumo di carne di maiale o di alcolici. Per concludere, se dovessi dare un

Il nome per racchiudere questo gruppo potrebbe essere il "Cluster d'Occidente".

Least Developed CountriesK2: Sebbene di ridotte dimensioni, si configura come un gruppo piuttosto omogeneo, comprendente molti dei paesi del Centro Africa, paesi a basso reddito pro-capite, caratterizzati da forti disuguaglianze. Disparità sociali che evidentemente, si rispecchiano anche sotto il profilo dei consumi di beni primari. In particolare, si noti la posizione defilata di paesi quali Rwanda (63) e Uganda (77). Considerando il contesto geopolitico degli anni 90 in quella parte di mondo, i dati sembrano restituirne un'immagine fedele. Dal 1990 al 1993 infatti, si inscenò uno dei conflitti civili più brutali, che vide scontrarsi le etnie Hutu e Tutsi appartenenti alla nazione ruandese. L'Uganda invece, leggermente più defilata, con una dinamica discretamente migliore, sembra evidenziare una leggera ripresa dopo la guerra civile che l'aveva

segnata nel 1987. Nello stesso cluster, troviamo un outliner, «Republic of Moldova» (60), sulla quale, tuttavia –guardando al dataset– nutro qualche dubbio: i dati sembrano, infatti, completamente sfalsati. Non escluderei un errore nella raccolta dei dati. Questo gruppo potrebbe definirsi come «Cluster deiLeast Developed Countries».

K3: Cluster dalle dimensioni ridotte, non troppo dissimile dal K2. In questo gruppo, si trovano le osservazioni aventi una dinamica kcalorica piuttosto bassa ma leggermente migliore rispetto al• Developing Countriescluster precedente. In maggioranza, troviamo paesi dell’estremo Sud dell’Africa e della costa orientale. Figurano molti , come il Kenya, il Sudafrica, lo Zambia etc. Un paeseinvece, che sembra fuori posto è la Bosnia Herzegovina. Sembra, ma non lo è. Infatti negli anni 90, la Bosnia era parte dell’ex-Jugoslavia. Gli anni 90, sono un periodo di fervente nazionalismoetnico, in

particolare serbo. Sentimento particolarmente incarnato nella figura di Milosevich, presidente serbo dal 1989; uno sciovinismo ai danni della componente bosniaca della Jugoslavia.Sono i prodromi del grande conflitto che da lì a poco, sconvolgerà quella parte di mondo. Pertanto la collocazione della Bosnia Herzegovina in questo cluster non è casuale, né tantomenoerronea, ma il frutto di una politica nazionalista ai danni di un'etnia, che di conseguenza ha minato enormemente anche i consumi essenziali. "Cluster dei Developing Countries" K4: L'ultimo gruppo presenta una dinamica senz'altro migliore rispetto a K2. Qui, figurano esclusivamente paese africani, anche se collocati in due zone opposte tra loro: da un lato i paesi della costa occidentale: Guinea, Costa d'Avorio, Mali, Liberia, Sierra Leone - paesi confinanti; insieme ad altri, appartenenti a regioni insulari orientali, quali Madagascar e Mauritius.

dinamica è pressocché sovrapponibile a quella del K3, tuttavia qui risiedono paesi con una dinamica Kcalorica leggermente più bassa. Una dieta senz'altro maggiormente composta di riso e mais, ma anche di proteine vegetali quali fagioli e legumi. "Cluster di regioni insulari e costiere"

In conclusione, la clusterizzazione sembra aver tenuto in considerazione due categorie di fattori:

1. la geografia del territorio, tendendo a raggruppare regioni confinanti tra loro. Questo a dimostrazione del fatto che ci sia un forte contatto, sia commerciale che culturale, tra zone limitrofe.
2. La dinamica di reddito pro-capite, per cui seppure alcune regioni risultino lontane tra loro, si riscontrano alcune similarità nel consumo.

Pertanto si potrebbe esser portati a pensare che le dinamiche di consumo alimentare siano maggiormente influenzate da fattori economici, in primo luogo, ma anche culturali ed identitari.

M A P PA D E I G R U P P I Cluster

d'Occidente

Cluster degli LDCs

Cluster dei DCs

Cluster regioni insulari e costiere

Una volta giunto alla costruzione del grafico che segue, avrei avuto due scelte:

i) Stabilire un'analisi sulla base di 3 gruppi (k=3)

ii) Imporre un'analisi a 4 clusters (k=4)

Tuttavia, procedendo da 3 a 4 gruppi la Total Within Sum of Square, sarebbe crollata vertiginosamente. Pertanto, ho stabilito di procedere con una clusterizzazione in k=3. Gruppi così composti:

K1: Austria Belarus Belgium Canada Croatia Czechia Denmark Djibouti Estonia Finland France Germany Hungary Iceland Ireland Latvia Luxembourg Mauritania Mauritius Netherlands North Macedonia Norway Poland Portugal Serbia and Montenegro Slovakia Slovenia Spain Sweden Switzerland United Kingdom United States of America

K2: Albania Algeria Bosnia and Hrzgv. Bulgaria Greece Italy Lithuania Malta Morocco Romania Russian Federation Tunisia Ukraine

K3: Angola Benin Botswana Burkina Faso Cabo Verde Cameroon Central African Republic Chad Congo Cote

d'Ivoire Eswatini EthiopiaGambia Ghana Guinea Guinea-BissauKenya Lesotho Liberia MadagascarMalawi Mali Mozambique NamibiaNiger Nigeria Republic of Moldova RwandaSao Tome and Principe Senegal Sierra LeoneSouth Africa Sudan (former) Togo UgandaUnited Republic of Tanzania Zambia ZimbabweComandi «Metodi partizionali»:fviz_nbclust(dati.pulitinormalize,FUNcluster = kmeans,method = "wss")• results = kmeans(dati.pulitinormalize,3)• results#Questo comando mi fornisce una panoramica della clusterizzazione• associazioni.kmeans=data.frame(names.puliti,results[1])#Oggetto: paese-cluster• clusplot(dati.pulitinormalize,results$cluster,color=TRUE, shade=TRUE,• labels=2, lines=0)•Una volta giunto alla costruzione del grafico che segue, avrei avuto due scelte:i) Stabilire un’analisi sulla base di 3 gruppi (k=3)ii) Imporre un’analisi a 4 clusters (k=4)Tuttavia, procedendo da 3 a 4 gruppi la Total Within Sum of Square, sarebbe crollatavertiginosamente.Pertanto, ho stabilito di procedere con una clusterizzazione in k=3. Gruppi così composti: K1: - Austria - Belarus - Belgium - Canada - Croatia - Czechia - Denmark - Djibouti - Estonia - Finland - France - Germany - Hungary - Iceland - Ireland - Latvia - Luxembourg - Mauritania - Mauritius - Netherlands - North Macedonia - Norway - Poland - Portugal - Serbia and Montenegro - Slovakia - Slovenia - Spain - Sweden - Switzerland - United Kingdom - United States of America K2: - Albania - Algeria - Bosnia and Herzegovina - Bulgaria - Greece - Italy - Lithuania - Malta - Morocco - Romania - Russian Federation - Tunisia - Ukraine K3: - Angola - Benin - Botswana - Burkina Faso - Cabo Verde - Cameroon - Central African Republic - Chad - Congo - Cote d'Ivoire - Eswatini - Ethiopia - Gambia - Ghana - Guinea - Guinea-Bissau - Kenya - Lesotho - Liberia - Madagascar - Malawi - Mali - Mozambique - Namibia - Niger - Nigeria - Republic of Moldova - Rwanda - Sao Tome and Principe - Senegal - Sierra Leone - South Africa - Sudan (former) - Togo - Uganda - United Republic of Tanzania - Zambia - Zimbabwe Comandi «Metodi»

partizionali»:fviz_nbclust(dati.pulitinormalize,FUNcluster = kmeans,method = "wss")

results = kmeans(dati.pulitinormalize,3)

results