Tutorial R - para Ciencias Sociales PDF

5/12/2016 Tutorial R:
Tutorial R:
Métodos de Investigación Cuantitativa en
Ciencias Sociales
Pablo De TezanosPinto C.
padeteza@uc.cl
20122014
Para este tutorial vamos a ocupar RStudio (disponbile en http://www.rstudio.com/), porque facilita
un poco las cosas. En todo caso, los comandos funcionan exactamente igual en cualquier
programa que ocupe R.
La idea es que lean esto directamente en RStudio para que puedan ir ejecutando los comandos a
medida que avanzamos. Si bien no es necesario, puede ser una buena idea que vayan escribiendo
en este mismo archivo sus comentarios, e intentando hacer los análisis por su cuenta con otras
variables o con su propia base de datos.
Configuración de RStudio.
Depediendo de la configuración de su computador, puede que no alcancen a ver bien este texto.
En ese caso, les recomiendo ajustar esta ventana con el mouse y cambiar el tamaño de la letra (en
Tools > Options > Appearance).
También pueden aprovechar de cambiar otra configuración importante, en Tools > Options >
General. “Save workspace to .RData on exit” dice “Ask”. Debería decir “Always”. De esta forma, los
objetos que vamos a ir creando van a quedar guardados para la próxima vez que abran el
programa.
Introducción a R
R funciona escribiendo comandos en esta ventana el editor o en la consola la ventana justo
abajo de ésta. En general, los comandos están compuestos de dos cosas: una función y un objeto.
las funciones son simplemente procesamientos que le pedimos a R, por ejemplo
2 + 2 # o
## [1] 4
mean(c(1,4,7,3,2)) # o incluso
http://rstudiopubsstatic.s3.amazonaws.com/24339_4e614e52519d457cb42371c718369123.html 1/115
## [1] 3.4
help(mean)
son ejemplos de funciones. Si están leyendo esto en RStudio, pueden ejecutar cada una de las
funciones presionando “ctrl + Enter” (en Mac, es “Command + Enter”) en la línea correspondiente
por ejemplo en la línea 18 para calcular 2 + 2. El resultado de la función va a aparecer abajo, en la
consola, con la excepción de “help()”, que abre el archivo de ayuda de R, en este caso con
información sobre la función “mean”.
La idea es que a medida que avanzan en este tutorial vayan ejecutando todas las funciones que
estamos revisando.
Normalmente, los resultados de las funciones son asignados a objetos, lo que permite seguir
trabajando con esos resultados. Por ejemplo, en vez de 2 + 2, podemos escribir
resultado = 2+2 # (apreten "ctrl + Enter" para crear el objeto)
Esto asigna el resultado de la función “2 + 2” a un objeto llamado “resultado” (¡podríamos haber
puesto cualquier nombre!) En la ventana de la derecha (Workspace), RStudio lista los objetos que
hemos creado. La gracia es que ahora podemos seguir trabajando con este objeto:
resultado + 1
## [1] 5
es igual a 5, y si lo ejecutan el resultado va a aparecer en la consola. Si ejecutan simplemente
“resultado”, R entrega el valor asignado a este objeto.
resultado
## [1] 4
Los objetos pueden ser el resultado de cualquier operación, incluyendo los resultados de análisis
estadísticos, bases de datos, tablas, listas y variables.
La función remove() elimina el objeto de su espacio de trabajo. También pueden ocupar ls() para
ver una lista de los objetos creados.
ls()
## [1] "resultado"
Un detalle importante… en R las mayúsculas y minúsculas no son lo mismo.
Resultado # y
## Error: object 'Resultado' not found
Help(mean)
## Error: could not find function "Help"
van a generar un mensaje de error en la consola, porque no son lo mismo que “resultado” y
“help(mean)”.
Librerías de R
Una de las principales virtudes de R es que el código es abierto (open source), lo que permite que
sea desarrollado y actualizado permanentemente y que distintas personas puedan extender este
programa desarrollando “paquetes” o “librerías” para que R sea capaz de realizar nuevos análisis.
Por ejemplo, una librería que vamos a ocupar bastante es “psych”, que incluye una serie de
funciones típicamente utilizadas en investigación en psicología.
Antes de poder utilizar estas funciones en R, es necesario instalar “psych”. Para esto, pueden ir a
menú “Packages” en la ventana de abajo a la derecha al lado de “Help” presionar el botón “Install
Packages” y escribir psych en el cuadro de diálogo. Esto va a descargar la librería e instalarla en
su computador. Como siempre, también es posible hacer esto ocupando una función, en este
caso:
install.packages("psych") # El progreso de la instalación aparece

en la consola.
Luego de que una librería ya está instalada, es necesario abrirla antes de poder ocupar sus
funciones. Es una buena idea agregar las librerías utilizadas al comienzo del archivo con los
análisis. La función para cargar una librería instalada es
library(psych)
Si abren el archivo de ayuda de esta librería,
help(psych)
pueden ver una descripción de todas las nuevas funciones que ahora están disponibles. Además
de funciones, esta librería incluye bases de datos que podemos ocupar como ejemplos. El
comando
personalidad = epi.bfi # la librería psych tiene que estar

instalada y cargada
crea un nuevo objeto, una base de datos llamada “personalidad”, ocupando los datos disponibles
en la librería psych (epi.bfi). La base de datos incluye 13 variables de personalidad medidas en
231 personas. Esta información aparece en la ventana de la derecha (Workspace), donde se listan
los objetos que hemos creado en nuestro espacio de trabajo. En RStudio, pueden hacer click en
este objeto para ver los datos, o ejecutar
View(personalidad)
Pueden ver más información sobre esta base de datos ejecutando
help(epi.bfi)
Simplemente a modo de ejemplo, ahora podemos pedir un dispersiograma que muestra la relación
entre extroversión y apertura a la experiencia. Este comando tiene dos líneas (aunque podría
haberlo escrito en una), por lo que antes de ejecutarlo tienen que seleccionar ambas.
with(personalidad,
plot(bfext,bfopen))
El gráfico que aparece en “Plots” muestra que en general las personas más extrovertidas tienen
también mayores puntajes de apertura a la experiencia.
Antes de terminar esta sección me gustaría notar la importancia de escribir una sintaxis ordenada.
Obviamente, a R le da exactamente lo mismo si la sintaxis está ordenada o no. ¡Pero R no es el
único que tiene que leerla! Para los lectores humanos para ustedes mismos y para las personas
con quienes colaboran es mucho más fácil entender una sintaxis ordenada:
a) Escojan nombres amigables para las variables y los objetos. Es decir, nombres que sean cortos
pero que sean legibles y describan de qué estamos hablando. Por ejemplo, “bfext” es un nombre
relativamente bueno (se refiere al constructo extroversión en el contexto de una medición de
personalidad “big five”); bffac3 (factor 3 de la medición bigfive), en cambio, es malo. Aunque
puedo imaginarme peores nombres.
b) Ocupen generosamente la opción de hacer comentarios en la sintaxis. Cualquier texto que sea
precedido por un signo # es ignorado por R, pero puede ser tremendamente útil para quien está
leyendo y tratando de entender la sintaxis.
c) Indenten los comandos de forma que sean más fáciles de entender. El ejemplo del gráfico de
dispersión que acabamos de hacer
with(personalidad,
plot(bfext,bfopen))
está indentado porque esto facilita su interpretación. La primera línea indica que el comando será
ejecutado usando la base de datos “personalidad”, y la segunda línea indica que se está pidiendo
un gráfico que relacione las variables bfext y bfopen. Para comandos más complicados, con varias
líneas, indentar hace una diferencia mucho más grande. Por consenso, y porque ocupar “Tab”
tiene comportamientos diferentes en distintos editores de texto, normalmente se ocupa la barra
espacio para indentar.
Explorando una base de datos
Abrir una base de datos en R puede ser un proceso complicado, pero para eso está este tutorial.
En verdad no tiene por qué ser complicado. Típicamente se ocupa Excel para digitar los datos de
un estudio. Si bien es posible importar directamente los datos desde Excel, lo más fácil es guardar
los datos en formato de texto, porque es el formato preferido de R.
Específicamente, les recomiendo guardar los datos en formato .csv (comma separated values).
Todo lo que tienen que hacer es abrir el archivo Excel, poner “guardar como” y seleccionar este
formato. En este tutorial incluye una base de datos en Excel llamada alumnos2012.xlsx, que tiene
los datos de un estudio hecho con los alumnos del curso durante el año 2012, en que grupos de
alumnos generaron varias preguntas para medir distintos constructos. Incluye temas tan diversos
como las actitudes hacia el aborto, hacia el Starbucks en la universidad y el horóscopo de cada
alumno. El archivo alumnos2012.pdf contiene más información sobre esta base de datos, que
vamos a ocupar como ejemplo a lo largo de este tutorial.
Abran los datos en Excel, y guardénla como alumnos2012.csv (valores separados por comas) en
la misma carpeta donde está este archivo (Tutorial R.R). Es posible abrir el archivo sólo con
comandos, pero probablemente la opción más fácil es abrirlo ocupando un menú. Pueden hacer
esto en la ventana de “Workspace” presionando el botón “Import Dataset”, o pueden ocupar el
siguiente comando para abrir un cuadro de diálogo. Les recomiendo esta segunda opción, porque
así queda un registro de la necesidad de abrir una base de datos para continuar. El comando
estudio2012 = read.csv(file.choose(),
header = TRUE) # abrir archivo
alumnos2012.csv
abre un cuadro de diálogo donde pueden seleccionar el archivo alumnos2012.csv. Les recomiendo
que siempre pongan un comentario indicando el nombre del archivo que hay que abrir en
beneficio de sus colaboradores y de ustedes mismos.
Dependiendo de la configuración del computador, es posible que el archivo está separado por ; en
vez de comas (porque en español se ocupa coma para indicar decimales). En este caso, hay que
explicitar el separador.
estudio2012 = read.csv(file.choose(), # abrir archivo

alumnos2012.csv
header = TRUE,
sep=";") # Ocupar ; como separador
En detalle, este comando hace lo siguiente:
estudio2012 = # crea un objeto llamado estudio2012

read.csv( # lee un archivo .csv
file.choose(), # abre un cuadro de diálogo para
elegir un archivo
header = TRUE # indica que la primera línea del
archivo
) # incluye los nombres de las
variables.
Si todo salió bien, ahora tienen un objeto llamado “estudio2012” en su espacio de trabajo. Pueden
hacer click sobre este objeto para mirar los datos. El estudio incluye 84 variables medidas en 112
alumnos.
Una buena práctica es tener este archivo (con los comandos) y la base de datos en la misma
carpeta. Pueden definir esta misma carpeta como su directorio de trabajo (“working directory”), lo
que permite leer y escribir archivos sin tener que poner la dirección completa.
getwd() # obtiene su directorio de trabajo
Si estudio2012.csv está en este directorio, pueden ocupar
estudio2012 = read.csv("alumnos2012.csv", header = TRUE) # o

agregando sep = ";"
para cargar el archivo.
Un detalle técnico…
Si se fijan, el archivo se llamaba “alumnos2012” pero el objeto que creamos se llama
“estudio2012”. Esto es precisamente para que quede claro que el archivo con los datos y la base
de datos que creamos en R son cosas distintas. Pueden modificar todo lo que quieran el objeto de
R, y eso no va a cambiar el archivo original con los datos. ¡Esto es tremendamente bueno para su
paz mental! En caso de cualquier problema, simplemente pueden volver a cargar los datos
originales.
El comando
names(estudio2012)
nos entrega los nombres de todas las variables incluidas en la base de datos.
Probablemente nadie se va a aprender de memoria todos los nombres de las variables, por lo que
names() es un comando tremendamente útil.
Una de las primeras cosas que debiéramos hacer cuando abrimos una base de datos es revisar
los descriptivos para cada una de las variables. Más allá de ser una primera mirada a los
resultados del estudio, esto permite identificar cualquier error en la digitación o en la construcción
de la base de datos.
describe(estudio2012)
head(describe(estudio2012)) # solo los primeros casos
## vars n mean sd median trimmed mad min max range

skew
## n 1 112 56.50 32.48 56.5 56.50 41.51 1 112 111
0.00
## sitsent* 2 112 2.94 0.98 3.0 2.93 1.48 1 4 3
0.07
## desconf1 3 111 4.47 1.66 5.0 4.54 1.48 1 7 6
-0.51
## desconf2 4 111 3.45 1.80 3.0 3.37 2.97 1 7 6
0.19
## desconf3 5 111 2.81 1.66 2.0 2.64 1.48 1 7 6
0.63
## desconf4 6 109 4.61 1.63 5.0 4.69 1.48 1 7 6
-0.46
## kurtosis se
## n -1.23 3.07
## sitsent* -1.85 0.09
## desconf1 -0.52 0.16
## desconf2 -1.09 0.17
## desconf3 -0.66 0.16
## desconf4 -0.68 0.16
es una función de la librería “psych” que entrega los descriptivos de cada una de las variables. En
cuanto a la calidad de la base de datos lo más importante es revisar el n, que nos indica la
cantidad de personas que contestaron cada pregunta (un n de cero en una pregunta
probablemente refleja un error en la creación de la base de datos) y el rango de respuesta (min y
max). Las preguntas del cuestionario tenían un rango de 1 a 7; claramente habría un error en la
base de datos si en alguna pregunta el rango fuera distinto (de 1 a 34, por ejemplo).
Además de esto, describe() entrega una buena cantidad de información descriptiva. El promedio,
la mediana, la desviación estándar y el grado de asimetría (skew).
Algunas de las variables tienen un * junto a su nombre. Esto significa que son variables
categóricas (porque están codificadas como texto en la base de datos). La variable sitsent
(situación sentimental) incluía tres opciones,
table(estudio2012$sitsent)
##
## En una relacion Es complicado Soltero/a
## 1 54 8 49
El promedio de esta variable no tiene ningún sentido. R simplemente asigna un número a cada
categoría y la función describe() promedia todas las variables, aunque sean categóricas.
Es común querer transformar una tabla de frecuencia a porcentajes o proporciones. La función
prop.table() hace esta transformación a partir de los resultados de table():
x = table(estudio2012$sitsent) # asigna la tabla al objeto x

prop.table(x) # proporciones por celda
prop.table(x, 1) # proporciones por fila
prop.table(x, 2) # proporciones por columna
Descriptivos.
La información descriptiva entregada con el comando describe() es más que suficiente para tener
una buena idea del comportamiento de las variables. En general, vamos a estar interesados en el
promedio (mean), la mediana (median) y la desviación estándar (sd). Todos estos indicadores
pueden ser solicitados con su propio comando.
En la mayoría de las situaciones vamos a querer referirnos a variables específicas, no a la base de
datos completa como hicimos con describe(estudio2012). Como en R podemos tener múltiples
bases de datos en nuestro espacio de trabajo, es necesario indicar tanto el nombre de la variable
como la base de datos a la que pertenece. Hay dos formas principales para hacer esto, y pueden
ocupar cualquiera de las dos dependiendo de lo que sea más fácil para cada situación.
La primera es ocupar el signo $ para indicar base de datos y el nombre de la variable:
mean(estudio2012$insom1, na.rm=TRUE)
## [1] 3.441
En este comando, se pide el promedio de la variable “insom1” en la base de datos “estudio2012”.
La función mean() requiere especificar qué hacer con los datos perdidos (la gente que no
contesta). na.rm=TRUE simplemente le dice a R que ignore a estos participantes para calcular el
promedio.
La otra forma, que ya ocupamos más arriba, es con el comando with().
help(with)
Esto es especialmente útil cuando queremos ocupar varias variables. El comando
insomnio = with(estudio2012,
data.frame(insom1, insom2, insom3, insom4, insom5))
crea una nueva base de datos ocupando la función data.frame() que sólo tiene la información de
los ítems de insomnio. Esto permite hacer análisis con la escala completa sin tener que volver a
escribir cada variable.
describe(insomnio)
## vars n mean sd median trimmed mad min max range skew

kurtosis
## insom1 1 111 3.44 2.03 3.0 3.30 2.97 1 7 6 0.46
-1.16
## insom2 2 111 3.27 2.00 3.0 3.10 2.97 1 7 6 0.49
-1.09
## insom3 3 110 3.10 2.00 2.5 2.93 2.22 1 7 6 0.48
-1.19
## insom4 4 110 4.08 2.20 4.0 4.10 2.97 1 7 6 0.04
-1.46
## insom5 5 110 3.88 2.27 4.0 3.85 2.97 1 7 6 0.08
-1.47
## se
## insom1 0.19
## insom2 0.19
## insom3 0.19
## insom4 0.21
## insom5 0.22
Otras funciones descriptivas son:
sd(estudio2012$insom1, na.rm=TRUE)
## [1] 2.035
median(estudio2012$insom1, na.rm=TRUE)
## [1] 3
y summary(), que es más o menos equivalente a describe() pero no requiere cargar una librería.
summary(insomnio)
## insom1 insom2 insom3 insom4

insom5
## Min. :1.00 Min. :1.00 Min. :1.0 Min. :1.00 Min.
:1.00
## 1st Qu.:2.00 1st Qu.:2.00 1st Qu.:1.0 1st Qu.:2.00 1st
Qu.:2.00
## Median :3.00 Median :3.00 Median :2.5 Median :4.00
Median :4.00
## Mean :3.44 Mean :3.27 Mean :3.1 Mean :4.08 Mean
:3.88
## 3rd Qu.:5.00 3rd Qu.:5.00 3rd Qu.:5.0 3rd Qu.:6.00 3rd
Qu.:6.00
## Max. :7.00 Max. :7.00 Max. :7.0 Max. :7.00 Max.
:7.00
## NA's :1 NA's :1 NA's :2 NA's :2 NA's
:2
Tablas y gráficos de frecuencia.
Además de indicadores descriptivos básicos como el promedio y la desviación estándar, muchas
veces nos interesa revisar la distribución de una variable. El item insom1 es un buen indicador
general de insomnio: “Generalmente me cuesta conciliar el sueño o despierto muchas veces en la
noche”. A partir de los descriptivos,
describe(estudio2012$insom1)

kurtosis se
## 1 1 111 3.44 2.03 3 3.3 2.97 1 7 6 0.46
-1.16 0.19
podemos observar que los niveles de insomnio están aproximadamente en el punto medio de la
escala (M = 3.44), que hay una variación considerable entre los participantes (SD = 2.03), y que la
distribución es algo asimétrica: la mayoría de los participantes están a la izquierda de la
distribución (Skew = .46). Esto es visible también a partir de una simple tabla de frecuencia:
table(estudio2012$insom1)
##
## 1 2 3 4 5 6 7
## 22 24 21 10 7 15 12
En esta tabla, queda claro que hay una importante variación en el grado de acuerdo con este ítem,
aunque hay más personas en desacuerdo que de acuerdo. En vez de mirar un montón de
números, podemos pedirle a R que nos dibuje un gráfico. El comando
barplot(table(estudio2012$insom1))
dibuja un gráfico de barras con la información de la tabla que pedimos antes. Además de los datos
para el gráfico, podemos agregar un título y otras cosas. Esto no es necesario si están revisando el
gráfico para ustedes mismos, para tener una idea de cómo se comportan los datos, pero si es
necesario cuando quieren mostrar estos resultados en un informe, artículo o presentación.
Abajo vamos a pedir el mismo gráfico, pero agregando opciones para mejorar la presentación:
barplot(table(estudio2012$insom1), # datos del gráfico

main="Insomnio en estudiantes", # título principal
xlab="Grado de acuerdo", # etiqueta eje horizontal
ylab="Frecuencia", # etiqueta eje vertical
col="lightblue" # cambio de color. ver
colors()
)
Estas opciones están disponibles, con la misma sintaxis, para todo tipo de gráficos. Si están
ocupando RStudio, pueden guardar el gráfico como imagen, pdf, o simplemente copiarlo en la
memoria (para pegarlo en Word, por ejemplo) seleccionando la opción correspondiente en el botón
“Export”. Si apretan el botón “Zoom”, el gráfico se abre en una nueva ventana, lo que puede ser útil
para cambiar sus dimensiones. En ese caso hay que hacer click derecho para copiarlo o
exportarlo.
Cuando las variables son continuas, hacer una tabla de frecuencia es poco práctico y no entrega
información útil. Consideremos por ejemplo el promedio de todos los ítems de insomnio:
estudio2012$insom = with(insomnio,
(insom1 + insom2 + insom3 + insom4 +
insom5)/5)
describe(estudio2012$insom)

kurtosis se
## 1 1 108 3.57 1.43 3.4 3.51 1.48 1 7 6 0.32
-0.67 0.14
Esta escala sigue siendo de 1 a 7, pero ahora tiene valores relativamente continuos. Por este
motivo, hacer una tabla de frecuencia es una mala idea:
table(estudio2012$insom)
##
## 1 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3 3.2 3.4 3.6 3.8 4 4.2
4.4 4.6
## 1 6 4 4 5 4 4 4 9 3 4 9 1 8 5 5
3 3
## 4.8 5 5.2 5.4 5.8 6.2 6.4 6.6 6.8 7
## 1 7 8 2 1 2 1 2 1 1
barplot(table(estudio2012$insom))
La solución es hacer un histograma. Los histogramas grafican una tabla de intervalos, donde
queremos saber cuántas personas tienen puntajes entre 1 y 2, 2 y 3, etc. El comando es
simplemente:
hist(estudio2012$insom)
Al igual que en los gráficos anteriores, podemos agregar opciones para mejorar la presentación.
hist(estudio2012$insom, # datos del gráfico

main="Histograma escala de Insomnio", # título principal
xlab="Grado de acuerdo", # etiqueta eje
horizontal
ylab="Frecuencia", # etiqueta eje
vertical
col="lightgray" # cambio de color
)
¿Por qué no ocupamos desde un comienzo hist() para hacer el gráfico de frecuencias? Los
histogramas están diseñados para variables continuas (por eso las barras están juntas), y
desgraciadamente R se confunde cuando le ponemos una variable discreta, como el primer item
de la escala.
hist(estudio2012$insom1)
dibuja una situación muy distinta, y menos preocupante, que la situación real:
barplot(table(estudio2012$insom1))
De todas formas, esto es un error con la función hist(), que está sumando a las personas que
marcan 1 y las que marcan 2 en la primera barra. Espero que lo solucionen pronto. La función
truehist() de la librería MASS no tiene este problema.
El punto que hay que recordar es que los histogramas son para variables continuas, no para
variables discretas.
Medidas de tendencia central
Podemos ocupar el mismo comando que ocupamos antes (barplot) para hacer un gráfico con los
promedios de múltiples variables. Por ejemplo,
colMeans(insomnio, na.rm=TRUE) # imprime una tabla con los

promedios de los ítems
## insom1 insom2 insom3 insom4 insom5

## 3.441 3.270 3.100 4.082 3.882
barplot(colMeans(insomnio, na.rm=TRUE)) # grafica esta tabla
Simplemente, la función barplot() saca los datos de una tabla de promedios en vez de una tabla de
frecuencia.
Abajo les copio un comando para el mismo gráfico, pero con mejor presentación. Como ven,
indentar y poner comentarios es más útil cuando los comandos son más largos.
barplot(colMeans(insomnio, na.rm=TRUE),
main="Promedios itemes escala insomnio", # título principal
ylab="Grado de acuerdo", # etiqueta eje

vertical
names=c("Item 1", "Item 2",

"Item 3", "Item 4", "Item 5"), # Nombres para las
variables
col=rainbow(20, alpha = .6), # R incluye

también paletas de color.
# pueden ejecutar
help(rainbow)
# para más
información
ylim=c(1,7), # la pregunta era
de 1 a 7.
xpd=F) # Es necesario
para que las barras no comiencen en el valor 0
Si bien muchas veces basta con graficar los promedios, también es bueno incluir más información
dispersión y asimetría, por ejemplo. Una forma simple de hacerlo es con un boxplot. R tiene un
comando especialmente para este tipo de gráficos:
boxplot(insomnio)
Simple, ¿cierto? Abajo lo copio con algunas opciones para mejorar la presentación.
boxplot(insomnio,
main="Itemes escala insomnio",
ylab="Grado de acuerdo",
names=c("Item 1", "Item 2", "Item 3", "Item 4", "Item 5"),
col=rainbow(5, alpha = .3)
)
Si no hubiéramos hecho la base de datos con los ítems de insomnio, el comando sería un poco
más largo. Abajo está hecho para los ítems de ansiedad ante las evaluaciones:
with(estudio2012,
boxplot(data.frame(ansev1, ansev2, ansev3, ansev4, ansev5),
main="Ansiedad ante evaluaciones",
sub="Frecuencia de distintas conductas en periodos de
evaluacion",
ylab="Frecuencia conductas",
names=c("Dificultad dormir", "Despertar frecuente",
"Irritable", "Dolores", "Incapacidad de
desconectarse"),
col=rainbow(5, alpha = .3))
)
Esta vez pusimos nombres descriptivos a los distintos ítems, por lo que probablemente es
necesario abrir el gráfico en una nueva ventana para verlos bien (apretando Zoom).
Comparando distintos grupos.
La base de datos alumnos2012.csv que importamos incluía una serie de variables que identifican
distintos grupos a los que pertenecen las personas. Por ejemplo, si son hombres o mujeres, o su
situación sentimental.
table(estudio2012$genero)
##
## Femenino Masculino
## 3 82 27
table(estudio2012$sitsent)
##
## 1 54 8 49
Estas variables están codificadas como texto, y en los casos en que alguien no contestó estas
preguntas (3 personas no indicaron su género y 1 persona no indicó su situación sentimental) los
datos tienen simplemente una celda vacía.
Todo esto significa que tenemos que hacer algo de trabajo antes de poder ocupar estas variables
para nuestros análisis. Por ejemplo, si hacemos un gráfico de barras para situación sentimental,
barplot(table(estudio2012$sitsent))
Vemos que hay una barra extra con la persona que prefirió no contestar esta pregunta.
Las variables categóricas son importantes y las vamos a ocupar para una serie de análisis, por lo
que vale la pena hacer un procesamiento preliminar de los datos.
El siguiente comando crea una nueva variable sitsentf en la base de datos estudio2012 donde se
seleccionan solamente los grupos que nos interesan.
estudio2012$sitsentf = factor(estudio2012$sitsent,
# Esto crea una variable nueva a
partir de sitsent,
# considerándola como un factor (una
variable categórica)
# por eso le puse el nombre sitsentf
levels=c("En una relacion",

"Es complicado",
"Soltero/a"))
# Esto selecciona los niveles que nos

interesan, es decir,
# sin incluir las personas que no
contestaron.
El comando
estudio2012$sitsentf
## [1] En una relacion En una relacion Soltero/a Soltero/a

## [5] Soltero/a Soltero/a Es complicado Soltero/a
## [9] Soltero/a En una relacion Soltero/a En una
relacion
## [13] En una relacion Soltero/a En una relacion En una
relacion
## [17] Soltero/a En una relacion En una relacion Soltero/a
## [21] Es complicado Soltero/a Soltero/a Soltero/a
## [25] En una relacion En una relacion Es complicado En una
relacion
## [29] En una relacion En una relacion En una relacion Soltero/a
## [33] Es complicado Soltero/a En una relacion En una
relacion
relacion
## [41] En una relacion Soltero/a Es complicado Es
complicado
## [45] Soltero/a Soltero/a Es complicado En una
relacion
## [49] Soltero/a Soltero/a Soltero/a <NA>
## [53] Soltero/a Soltero/a Soltero/a Soltero/a
## [65] En una relacion Soltero/a Soltero/a En una
relacion
relacion
## [73] Soltero/a Soltero/a En una relacion En una
relacion
## [85] En una relacion En una relacion Soltero/a En una
relacion
## [89] En una relacion Soltero/a En una relacion Soltero/a
relacion
relacion
## [101] Soltero/a En una relacion Es complicado Soltero/a
relacion
## Levels: En una relacion Es complicado Soltero/a
imprime todos los datos de esta variable en la consola. El participante 52 ahora tiene en vez de “”.
estudio2012[52,]$sitsentf # muestra la situación sentimental del

participante 52 (NA)
## [1] <NA>
Cuando pedimos la tabla, ahora ya no incluye a este participante:
table(estudio2012$sitsentf)
##
## 54 8 49
La base de datos,
names(estudio2012)
## [1] "n" "sitsent" "desconf1" "desconf2" "desconf3"

"desconf4"
## [7] "desconf5" "vidau1" "vidau2" "vidau3" "vidau4"
"vidau5"
## [13] "starb1" "starb2" "starb3" "starb4" "starb5"
"ayude1"
## [19] "ayude2" "ayude3" "ayude4" "ayude5" "abor1"
"abor2"
## [25] "abor3" "abor4" "abor5" "tolsex1" "tolsex2"
"tolsex3"
## [31] "tolsex4" "tolsex5" "intex1" "intex2" "intex3"
"intex4"
## [37] "intex5" "acogex1" "acogex2" "acogex3" "acogex4"
"acogex5"
## [43] "ansev1" "ansev2" "ansev3" "ansev4" "ansev5"
"insom1"
## [49] "insom2" "insom3" "insom4" "insom5" "intui1"
"intui2"
## [55] "intui3" "intui4" "intui5" "valma1" "valma2"
"valma3"
## [61] "valma4" "valma5" "streu1" "streu2" "streu3"
"streu4"
## [67] "streu5" "intay1" "intay2" "intay3" "intay4"
"intay5"
## [73] "tprej1" "tprej2" "tprej3" "tprej4" "tprej5"
"genero"
## [79] "zodiaco" "orienpol" "mencion" "votop" "herman"
"lugar"
## [85] "insom" "sitsentf"
ahora incluye al final una nueva variable “sitsentf”. Esta variable está en la base de datos
estudio2012 que tenemos en nuestro espacio de trabajo. No en el archivo alumnos2012.csv.
Vamos a hacer el mismo procesamiento con genero
table(estudio2012$genero)
##
## Femenino Masculino
## 3 82 27
estudio2012$generof = factor(estudio2012$genero,
levels=c("Femenino","Masculino"),
labels=c("Mujer","Hombre"))
# con "labels" podemos cambiar los
nombres de las
# categorías
table(estudio2012$generof)
##
## Mujer Hombre
## 82 27
y con orientación política
table(estudio2012$orienpol)
##
## Centro Centro Derecha Centro
Izquierda
## 2 8 18
20
## Derecha Independiente Izquierda
Ninguna
## 19 8 18
19
estudio2012$orienpolf = factor(estudio2012$orienpol,
# Al seleccionar los niveles,
podemos hacer varias cosas
# con esta variable: ordenarlos de
izquierda a derecha,
# omitir los independientes y los
que dicen "ninguna",
# y omitir a los que no contestaron.
Todos estos van a
# quedar como NA. (por supuesto,
para otros análisis
# podríamos querer mantener a los
independientes y a los
# que no se identifican)
levels=c("Izquierda","Centro
Izquierda","Centro",
"Centro
Derecha","Derecha"))
table(estudio2012$orienpolf)
##
## Izquierda Centro Izquierda Centro Centro
Derecha
## 18 20 8
18
## Derecha
## 19
Descripción de la muestra.
Una de las cosas más simples que podemos querer hacer con este tipo de variables es describir la
cantidad de personas que pertenecen a cada grupo, por ejemplo a través de gráficos de barra
barplot(table(estudio2012$orienpolf),
col=rainbow(30, alpha=.6))
Si quieren hacer un gráfico de torta, el comando es pie()
pie(table(estudio2012$sitsentf),
main="Situacion sentimental estudiantes 2012",
col=terrain.colors(5, alpha = .6),
radius = .8)
También es común querer cruzar dos tablas de frecuencia (crosstabs), lo que se hace simplemente
agregando otra variable al comando table():
table(estudio2012$sitsentf,estudio2012$generof)
##
## Mujer Hombre
## En una relacion 44 9
## Es complicado 4 4
## Soltero/a 33 14
¿Cómo podemos graficar esto? Una buena opción es ocupar nuevamente un gráfico de barras.
barplot(table(estudio2012$sitsentf, estudio2012$generof),
legend=TRUE, # agrega automáticamente una leyenda
col=heat.colors(3, alpha=.6)
)
Para hacer que cada grupo tenga una barra, hay que ocupar el argumento “beside”.
barplot(table(estudio2012$sitsentf, estudio2012$generof),
legend=TRUE,
col=heat.colors(3, alpha=.6),
beside=TRUE # esta opción hace que cada grupo tenga una
barra
)
Por último, es común querer comparar los grupos en una o más variables continuas, como querer
ver los niveles de insomnio separado por hombres y mujeres. En un boxplot, podemos ocupar el
signo ~ para indicar que se quiere separar por grupos. En general, ~ significa “predicho por” en R.
(En mi computador, tengo que presionar alt+ñ para escribir este tilde, pero eso va a depender de la
configuración de su teclado).
boxplot(insom1~sitsentf, data=estudio2012,
main="Problemas de insomnio en relaciones complicadas",
ylab="Insomnio",
col=heat.colors(3,alpha=.6))
Aunque creo que comparar grupos a partir de boxplots es mejor, también pueden hacer un gráfico
de barras con los promedios. La función tapply() es ideal para obtener los promedios de distintos
grupos.
El formato de esta función es poner primero la variable dependiente, después el factor que define
los grupos y después la función que se quiere ocupar. El resultado de tapply() puede ser entregado
directamente a barplot().
tapply(estudio2012$insom1, estudio2012$sitsentf, mean, na.rm=TRUE)

## 3.278 4.375 3.438
barplot(tapply(estudio2012$insom1, estudio2012$sitsentf, mean,

na.rm=TRUE))
Abajo lo copio mejorando la presentación.
barplot(tapply(estudio2012$insom1, estudio2012$sitsentf, mean,

na.rm=TRUE),
main="Problemas de insomnio en relaciones complicadas",
ylab="Insomnio",
col=heat.colors(3,alpha=.6),
ylim=c(1,7), # la pregunta era
de 1 a 7.
xpd=F) # Es necesario para
que las barras
# no comiencen en
el valor 0
Finalmente, la función tapply() también permite ocupar dos o más factores para definir los grupos.
Todo lo que hay que hacer es ocupar el comando list() para hacer una lista con los factores a
ocupar. El comando de abajo hace una tabla con los promedios de insomnio según situación
sentimental, separando además hombres de mujeres.
tapply(estudio2012$insom1,
list(estudio2012$sitsentf, estudio2012$generof), mean,
na.rm=TRUE)
## Mujer Hombre
## En una relacion 3.068 3.889
## Es complicado 5.000 3.750
## Soltero/a 3.515 3.000
Esta vez vamos a asignar esta tabla a un objeto para simplificar los comandos siguientes. Como
es un objeto temporal, le vamos a poner “x”. Si tuviera un uso más permanente sería mejor ponerle
un nombre más descriptivo.
x = tapply(estudio2012$insom1,
list(estudio2012$sitsentf, estudio2012$generof), mean,
na.rm=TRUE)
Gráfico sin mayores opciones de formato.
barplot(x,
beside=TRUE)
Gráfico formateado para documentos, presentaciones, etc.
barplot(x,
legend=TRUE,
beside=TRUE,
main="Insomnio segun genero y situacion sentimental",
ylab="Insomnio",
col=heat.colors(3,alpha=.6),
ylim=c(1,7),
xpd=F)
Especialmente al reportar experimentos, es común hacer un gráfico de líneas para reportar
interacciones entre dos factores. R tiene un comando para esto, interaction.plot(factor eje x, factor
con diferentes líneas, variable dependiente).
with(estudio2012,
interaction.plot(generof, sitsentf, insom1))
Nuevamente, podemos mejorar la presentación del gráfico agregando más parámetros:
with(estudio2012,
interaction.plot(generof, sitsentf, insom1,
ylim=c(1,7),
lty = 1,
col=c("red","blue","darkgreen"),
main="Insomnio según género y situación
sentimental",
ylab="Insomnio",
xlab=""))
Desgraciadamente esta función no reacciona bien a NAs en la variable dependiente. Por ejemplo,
el cuarto ítem de desconfianza en la pareja, “Si mi pareja reacciona de manera fría, tiendo a
pensar que tiene un problema conmigo” tiene 3 personas que no contestaron.
summary(estudio2012$desconf4) # ver NA's
## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's

## 1.00 4.00 5.00 4.61 6.00 7.00 3
Si hacemos el gráfico tal como lo hicimos antes, nos van a faltar varias líneas
with(estudio2012,
interaction.plot(generof, sitsentf, desconf4,
ylim=c(1,7)))
La solución es explicitar que la fórmula para el promedio tiene que ignorar los datos perdidos,
with(estudio2012,
interaction.plot(generof, sitsentf, desconf4,
# agregando el siguiente argumento:

fun=function(x) mean(x, na.rm=TRUE)))
Pareciera que los hombres, pero no las mujeres, tienden a tener mayor desconfianza o inseguridad
en relaciones complicadas (recuerden que hay solo 4 participantes hombres que reportan su
situación sentimental como complicada, ¡no se tomen muy en serio estos resultados!)
table(estudio2012$sitsentf, estudio2012$generof)
##
## Mujer Hombre
## Soltero/a 33 14
Relaciones entre variables continuas.
Es tremendamente común el psicología querer relacionar distintas variables continuas a partir de
dispersiogramas, como ya hicimos al comienzo de este tutorial con los niveles de extroversión y de
apertura a la experiencia. Revisemos la relación entre insomnio y ansiedad en periodo de
evaluaciones.
Primero tenemos que calcular el promedio de la escala. Dado que vamos a relacionarla con los
niveles de insomnio, prefiero no ocupar los ítems que se refieren a problemas de dormir en
periodos de evaluaciones.
estudio2012$ansev = with(estudio2012,
(ansev3+ansev4+ansev5)/3)
Ahora podemos pedir un dispersiograma
plot(estudio2012$ansev, estudio2012$insom,
main="Relacion entre ansiedad ante evaluaciones e insomnio",
col="cadetblue4",
xlab="Ansiedad ante evaluaciones",
ylab="Insomnio"
)
Como se observa en el gráfico, hay una correlación positiva entre las dos variables. Quienes
reportan más ansiedad en periodos de evaluaciones reportan también mayores niveles de
insomnio.
Para obtener el coeficiente de correlación entre estas variables pueden ocupar la función cor().
cor(estudio2012$ansev, estudio2012$insom,
use = "pairwise.complete.obs" # necesario cuando hay NAs
)
## [1] 0.3182
Este tipo de gráficos permite además agregar más información. Por ejemplo, poner una línea que
indica la relación lineal entre las variables:
abline(lm(estudio2012$insom~estudio2012$ansev),
col="firebrick")
## Error: plot.new has not been called yet
Para hacer esto más complicado, la función lm() ocupa un orden distinto para las variables x e y. El
comando plot tiene el formato (x, y), mientras que el comando lm() tiene el formato y~x (y predicho
por x).
Otra opción es dibujar una linea que se ajuste a los datos, pero no forzar que sea una linea recta.
supsmu() es una buena función para hacer esto.
lines(supsmu(estudio2012$ansev, estudio2012$insom,
bass=2), # de 0 a 10, controla el nivel de "smoothness" de la
linea
col="royalblue1")
## Warning: 5 observations with NAs, NaNs and/or Infs deleted
## Error: plot.new has not been called yet
A veces nos interesa revisar la relación de dos variables continuas, pero separando por distintos
grupos. Una forma simple de hacer esto es con la librería lattice.
install.packages("lattice") # Una vez que ya lo tienen instalado no

es necesario
# ejecutar nuevamente este comando.
library(lattice)
La función xyplot() de lattice funciona con la misma sintaxis que lm(): y~x, pero además permite
separar por grupos ocupando el signo | (en mi computador, esto es alt+1).
xyplot(insom~ansev|generof, estudio2012)
La librería lattice tiene una gran cantidad de comandos para hacer gráficos, que pueden explorar
libremente. En general opté por ocupar librerías solamente cuando facilita substancialmente las
cosas. Ahora vamos a ver una opción para visualizar estos datos sin ocupar lattice.
En vez de hacer gráficos por separado, podemos hacer que los círculos en el dispersiograma
tengan un color distinto en base al grupo al que pertenece la persona.
Hacer el gráfico por separado para hombres y mujeres es más que suficiente, pero al explicar
cómo incluir ambos en el mismo gráfico vamos a aprovechar de explicar algunas funciones más
fundamentales de R y ejemplificar cómo podemos usar las funciones de forma creativa para llegar
al resultado que queremos.
Primero tenemos que hacer un objeto con los colores que vamos a ocupar:
colores = c("red","blue")
Esto simplemente crea un objeto con una lista de dos colores. La función c(), que ya habíamos
ocupado más arriba sin explicar, simplemente concatena los elementos para que queden en una
lista.
colores
## [1] "red" "blue"
En vez de ocupar rainbow() o repetir los colores que se van a ocupar en cada gráfico, cuando
están haciendo un informe puede ser útil hacer una paleta de colores personalizada ocupando esta
función. Esto permite además cambiar los colores de todos los gráficos sin tener que modificar
cada uno de los comandos. Basta reemplazar los colores en el objeto que crearon.
Lo que tenemos ahora es una lista en que el elemento 1 es “red” y el elemento 2 es “blue”. Los
factores (las variables categóricas) también están codificados como una lista. La función
levels(estudio2012$generof)
## [1] "Mujer" "Hombre"
muestra los valores que puede tener la variable generof. El primer elemento es “Mujer”, y el
segundo elemento es “Hombre”.
La gracia es que ahora podemos reemplazar “Mujer” y “Hombre” por “red” o “blue” tal como
aparecen en el objeto “colores”:
colores[estudio2012$generof] # obtiene los datos de "generof",
## [1] "red" "red" "red" "red" "red" "red" "blue" "blue"

"red" "red"
## [11] "blue" NA "red" "blue" "red" "red" "blue" "red"
"blue" "red"
## [21] "blue" "red" "red" "red" "red" "red" "red" "red"
"red" "red"
## [31] "red" "red" "red" "blue" "red" "red" "red" "blue"
"red" "blue"
## [41] "red" "red" "blue" "red" "blue" "red" "blue" "blue"
"red" "red"
## [51] "red" "red" "red" NA "blue" "red" "red" "red"
"red" "blue"
## [61] "red" "red" "red" "blue" "blue" "red" "red" "red"
"blue" "red"
## [71] "red" "red" "red" "red" "red" "red" "blue" "red"
"blue" "blue"
## [81] "blue" "red" "red" "red" "red" "red" "red" "blue"
"red" "red"
## [91] "red" "blue" "red" "red" "red" "blue" "red" "red"
"red" "red"
## [101] "red" "blue" "red" NA "red" "red" "red" "red"
"red" "red"
## [111] "red" "red"
# ocupando los elementos del objeto

"colores"
Ok, no importa por qué funciona. Lo que importa es que podemos hacer el siguiente gráfico de
dispersión:
col=colores[estudio2012$generof], # Magia

ylab="Insomnio"
)
También podemos agregar una leyenda con los colores:
legend("topleft", # Ubicación de la leyenda

levels(estudio2012$generof), # Texto de la leyenda.
# Podríamos haber escrito
c("Mujer","Hombre")
col = colores, # Los colores asociados con
el texto
pch=19 # El símbolo a ocupar en la
leyenda
)
También podemos incluir una línea para cada grupo. Esto requiere ocupar solamente a los
participantes hombres o mujeres según corresponda.
Al comienzo de este tutorial, vimos los datos del participante 52 con el comando
estudio2012[52,]
En este caso, lo que está entre corchetes es un subgrupo de la base de datos, con la forma:
datos[filas, columnas]. Si quisiéramos ver los datos de la segunda columna (la situación
sentimental), podemos ejecutar
estudio2012[,2]

## [5] Soltero/a Soltero/a Es complicado Soltero/a
relacion
relacion
## [21] Es complicado Soltero/a Soltero/a Soltero/a
## [25] En una relacion En una relacion Es complicado En una
relacion
## [33] Es complicado Soltero/a En una relacion En una
relacion
relacion
## [41] En una relacion Soltero/a Es complicado Es
complicado
## [45] Soltero/a Soltero/a Es complicado En una
relacion
## [49] Soltero/a Soltero/a Soltero/a
## [53] Soltero/a Soltero/a Soltero/a Soltero/a
relacion
relacion
## [73] Soltero/a Soltero/a En una relacion En una
relacion
relacion
relacion
relacion
## [101] Soltero/a En una relacion Es complicado Soltero/a
relacion
Noten que ahora el número está después de la coma, porque se refiere a una columna. Si
quisiéramos saber la situación sentimental del participante 86, tenemos que ejecutar
estudio2012[86,2]
## [1] En una relacion

Pero los números de fila y columna también pueden ser expresiones lógicas, lo que nos permite
seleccionar parte de la base de datos según alguna condición, por ejemplo que los participantes
sean hombres:
estudio2012[estudio2012$generof=="Hombre",]
Noten que la condición está puesta antes de la coma, queremos seleccionar las filas donde el valor
de generof es “Masculino”. El uso de “==” también es importante. Esto es para distinguirlo de “=”,
que se ocupa para asignar el resultado de una función a un objeto. Para dibujar las líneas que
mejor se ajustan a los datos de mujeres y hombres, podemos correr el mismo comando de antes,
abline(), pero ocupando un subset de la base de datos:
col=colores[estudio2012$generof], # Magia

ylab="Insomnio"
)
with(estudio2012[estudio2012$generof=="Mujer", ], # Selecciona
únicamente a las mujeres
abline(lm(insom~ansev),
col=colores[1])) # Selecciona el primer color de
la lista
with(estudio2012[estudio2012$generof=="Hombre", ], # Selecciona
únicamente a los hombres
abline(lm(insom~ansev),
col=colores[2])) # Selecciona el segundo color
de la lista
Matriz de correlaciones.
Para terminar con el tema de los gráficos y de la exploración de datos, queda por mencionar que la
función plot() también puede graficar las correlaciones entre múltiples variables. Por ejemplo,
podemos ver las correlaciones entre los cinco factores de personalidad del “big five” en la base de
datos que viene con la librería psych.
En caso de que no la tengan cargada:
library(psych)
personalidad = epi.bfi
La función plot hace automáticamente la matriz de dispersiogramas si le entregan más de dos
variables. Para simplificar los comandos, vamos a crear una nueva base de datos solamente con
los factores del bigfive.
bf = with(personalidad,
data.frame(bfagree, bfcon, bfext, bfneur, bfopen))
plot(bf)
Si quieren ver la tabla de correlaciones en la consola, pueden ejecutar:
cor(bf)
## bfagree bfcon bfext bfneur bfopen

## bfagree 1.00000 0.4499 0.47848 -0.04462 0.3942
## bfcon 0.44990 1.0000 0.26675 0.04450 0.3052
## bfext 0.47848 0.2668 1.00000 0.03713 0.4588
## bfneur -0.04462 0.0445 0.03713 1.00000 0.2935
## bfopen 0.39415 0.3052 0.45876 0.29348 1.0000
La función round() permite quitar decimales a ésta o cualquier otra tabla.
round(cor(bf), 2)
## bfagree bfcon bfext bfneur bfopen

## bfagree 1.00 0.45 0.48 -0.04 0.39
## bfcon 0.45 1.00 0.27 0.04 0.31
## bfext 0.48 0.27 1.00 0.04 0.46
## bfneur -0.04 0.04 0.04 1.00 0.29
## bfopen 0.39 0.31 0.46 0.29 1.00
La librería psych también tiene funciones gráficas para esto, con algunas opciones extra. En mi
opinión estos gráficos son horribles, pero son útiles para explorar rápidamente las variables. Por
defecto, la función pairs.panels() entrega dispersiogramas con una línea de ajuste, histogramas
para ver la distribución de las variables, y además los coeficientes de correlación.
pairs.panels(bf)
Obviamente, este tipo de gráficos pierde sentido a medida que aumenta el número de variables.
Ejecutar
plot(personalidad)
es poco práctico. Pero la librería psych incluye un gráfico que es perfecto para esto, y que no es
horrible: cor.plot(). Este gráfico pone distintos colores dependiendo de qué tan fuerte es la
correlación entre dos variables. A diferencia de plot() o de pairs.panels(), cor.plot() requiere los
datos de una tabla de correlaciones.
cor(personalidad)
cor.plot(cor(personalidad))
Como ven, el gráfico permite identificar de manera rápida cuáles son las variables que
correlacionan entre si.
Cálculo de escalas y psicometría.
El gráfico de correlaciones que entrega cor.plot() es una excelente introducción al tema de la
psicometría ycómo calcular escalas. Normalmente, al medir constructos psicológicos es preferible
ocupar múltiples itemes ya que cada uno de ellos es un indicador imperfecto de los niveles del
constructo. Pero si los ítems efectivamente están midiendo el mismo constructo, uno esperaría que
la correlación entre ellos sea alta. Por ejemplo, veamos la correlación entre los ítems de insomnio:
x = cor(insomnio, # Vamos a asignar las correlaciones a un objeto,

x
use = "pairwise.complete.obs") # necesario cuando hay NAs
round(x, 2) # Imprime la tabla de correlaciones en la consola
## insom1 insom2 insom3 insom4 insom5

## insom1 1.00 0.90 0.37 0.37 0.30
## insom2 0.90 1.00 0.35 0.35 0.31
## insom3 0.37 0.35 1.00 0.09 0.05
## insom4 0.37 0.35 0.09 1.00 0.56
## insom5 0.30 0.31 0.05 0.56 1.00
cor.plot(x) # Grafica la tabla de correlaciones
Claramente, los ítems 1 y 2 correlacionan muy fuertemente entre si (r = .9), y bastante bien con el
resto. El ítem 3 correlaciona algo con el 1 y 2, pero no correlaciona con los ítems 4 y 5, que si
correlacionan entre si.
Hay dos formas principales de simplificar toda esta información para poder decidir si estos itemes
son una medición confiable de los niveles de insomnio, o si están midiendo más de un constructo.
La primera, y la más simple, es analizar la confiabilidad de la escala por medio del alpha de
Cronbach. La librería psych tiene un comando para hacer esto.
alpha(insomnio) # Probablemente tienen que moverse en la consola

para ver
##
## Reliability analysis
## Call: alpha(x = insomnio)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd
## 0.74 0.74 0.79 0.36 2.8 0.066 3.6 1.5
##
## lower alpha upper 95% confidence boundaries
## 0.61 0.74 0.87
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se
## insom1 0.61 0.61 0.60 0.28 1.6 0.090
## insom2 0.62 0.62 0.61 0.29 1.6 0.090
## insom3 0.77 0.78 0.82 0.46 3.4 0.071
## insom4 0.70 0.71 0.75 0.38 2.4 0.079
## insom5 0.73 0.73 0.76 0.40 2.7 0.076
##
## Item statistics
## n r r.cor r.drop mean sd
## insom1 111 0.84 0.88 0.70 3.4 2.0
## insom2 111 0.83 0.87 0.69 3.3 2.0
## insom3 110 0.53 0.32 0.27 3.1 2.0
## insom4 110 0.67 0.55 0.48 4.1 2.2
## insom5 110 0.63 0.49 0.42 3.9 2.3
##
## Non missing response frequency for each item
## 1 2 3 4 5 6 7 miss
## insom1 0.20 0.22 0.19 0.09 0.06 0.14 0.11 0.01
## insom2 0.24 0.22 0.14 0.09 0.13 0.09 0.09 0.01
## insom3 0.32 0.18 0.11 0.09 0.13 0.12 0.05 0.02
## insom4 0.15 0.17 0.11 0.13 0.11 0.09 0.24 0.02
## insom5 0.24 0.13 0.08 0.14 0.13 0.07 0.22 0.02
# el output completo de este análisis
help(alpha)
A pesar de los problemas con el ítem 3, la escala tiene un alpha adecuado (std.alpha=.74), pero
que podría ser un poco mejor al eliminar este ítem (.78), que tiene una correlación con el total
relativamente baja (r.cor = .32).
En estos casos, la decisión es más conceptual que estadística. Considerando el contenido del ítem
3 “A veces me despierto mucho antes de lo que tenía presupuestado”, quizás sea mejor eliminarlo
de la escala y ocuparlo por separado, ya que se refiere a un tipo de insomnio diferente, que
además es menos frecuente en personas jóvenes.
Antes de calcular el puntaje de insomnio sin el ítem 3, revisemos la confiabilidad de esta nueva
escala. Ahora que no podemos ocupar el objeto insomnio que habíamos creado antes, tenemos
que escribir cada una de las variables en la base de datos estudio2012.
La función cbind() combina objetos de R, en este caso columnas en la base de datos estudio2012.
También podríamos haber ocupado data.frame().
with(estudio2012,
alpha(cbind(insom1, insom2, insom4, insom5)))
##
## Call: alpha(x = cbind(insom1, insom2, insom4, insom5))
##
## 0.77 0.78 0.82 0.46 3.4 0.071 3.7 1.7
##
## 0.63 0.77 0.91
##
## insom1 0.67 0.67 0.60 0.40 2.0 0.101
## insom2 0.67 0.67 0.60 0.41 2.0 0.101
## insom4 0.74 0.75 0.79 0.50 3.0 0.091
## insom5 0.77 0.78 0.80 0.54 3.5 0.087
##
## Item statistics
## insom1 111 0.83 0.85 0.65 3.4 2.0
## insom2 111 0.83 0.85 0.65 3.3 2.0
## insom4 110 0.73 0.58 0.53 4.1 2.2
## insom5 110 0.70 0.53 0.47 3.9 2.3
##
## 1 2 3 4 5 6 7 miss
## insom1 0.20 0.22 0.19 0.09 0.06 0.14 0.11 0.01
## insom2 0.24 0.22 0.14 0.09 0.13 0.09 0.09 0.01
## insom4 0.15 0.17 0.11 0.13 0.11 0.09 0.24 0.02
## insom5 0.24 0.13 0.08 0.14 0.13 0.07 0.22 0.02
Ahora el alpha subió a .78, y vemos que los ítems 4 y 5 funcionan un poco peor. Más adelante
vamos a ver por qué, pero por ahora vamos a calcular la escala de insomnio con estos cuatro
ítems.
Calculo de escalas:
estudio2012$insom = with(estudio2012,
rowMeans(cbind(insom1, insom2, insom4,
insom5),
na.rm=TRUE))
Para simplificar las cosas, antes habíamos calculado la escala sumando las variables y dividiendo
por el número de elementos. El principal problema de esto es que no permite especificar qué hacer
con los datos perdidos. Al incluir na.rm=TRUE en la función rowMeans(), especificamos que si
alguien contestá solamente algunos de los cuatro ítems, se calcule el promedio con la información
que sí está disponible. De otra forma ese participante quedaría con un valor NA en esta escala.
Ocupando esta opción, un participante quedaría con NA solamente cuando no haya contestado
ninguno de los ítems.
summary(estudio2012$insom)

## 1.00 2.50 3.50 3.67 4.75 7.00 1
Revisemos los ítems de ansiedad ante evaluaciones:
names(estudio2012) # ¿Se acuerdan cuál era el nombre de estas

variables?
## [1] "n" "sitsent" "desconf1" "desconf2" "desconf3"

## [6] "desconf4" "desconf5" "vidau1" "vidau2" "vidau3"
## [11] "vidau4" "vidau5" "starb1" "starb2" "starb3"
## [16] "starb4" "starb5" "ayude1" "ayude2" "ayude3"
## [21] "ayude4" "ayude5" "abor1" "abor2" "abor3"
## [26] "abor4" "abor5" "tolsex1" "tolsex2" "tolsex3"
## [31] "tolsex4" "tolsex5" "intex1" "intex2" "intex3"
## [36] "intex4" "intex5" "acogex1" "acogex2" "acogex3"
## [41] "acogex4" "acogex5" "ansev1" "ansev2" "ansev3"
## [46] "ansev4" "ansev5" "insom1" "insom2" "insom3"
## [51] "insom4" "insom5" "intui1" "intui2" "intui3"
## [56] "intui4" "intui5" "valma1" "valma2" "valma3"
## [61] "valma4" "valma5" "streu1" "streu2" "streu3"
## [66] "streu4" "streu5" "intay1" "intay2" "intay3"
## [71] "intay4" "intay5" "tprej1" "tprej2" "tprej3"
## [76] "tprej4" "tprej5" "genero" "zodiaco" "orienpol"
## [81] "mencion" "votop" "herman" "lugar" "insom"
## [86] "sitsentf" "generof" "orienpolf" "ansev"
x = cor(with(estudio2012,
cbind(ansev1, ansev2, ansev3, ansev4, ansev5)),
use = "pairwise.complete.obs")
round(x, 2)
## ansev1 ansev2 ansev3 ansev4 ansev5

## ansev1 1.00 0.53 0.32 0.32 0.17
## ansev2 0.53 1.00 0.23 0.31 0.19
## ansev3 0.32 0.23 1.00 0.47 0.31
## ansev4 0.32 0.31 0.47 1.00 0.40
## ansev5 0.17 0.19 0.31 0.40 1.00
cor.plot(x)
Esta escala se ve mucho mejor, ya que todos los ítems correlacionan entre si.
alpha(with(estudio2012,
cbind(ansev1, ansev2, ansev3, ansev4, ansev5)))
##
## Call: alpha(x = with(estudio2012, cbind(ansev1, ansev2, ansev3,
ansev4,
## ansev5)))
##
## 0.71 0.71 0.69 0.32 2.4 0.07 4 1.3
##
## 0.57 0.71 0.85
##
## ansev1 0.65 0.65 0.60 0.32 1.9 0.087
## ansev2 0.66 0.66 0.61 0.33 2.0 0.085
## ansev3 0.65 0.65 0.62 0.32 1.9 0.086
## ansev4 0.63 0.62 0.59 0.29 1.7 0.090
## ansev5 0.69 0.69 0.66 0.36 2.3 0.081
##
## Item statistics
## ansev1 111 0.69 0.59 0.48 3.8 2.0
## ansev2 111 0.67 0.56 0.45 3.1 1.9
## ansev3 110 0.69 0.57 0.48 4.5 1.8
## ansev4 111 0.74 0.65 0.54 4.1 2.0
## ansev5 111 0.61 0.45 0.37 4.6 1.8
##
## 1 2 3 4 5 6 7 miss
## ansev1 0.15 0.23 0.08 0.10 0.18 0.19 0.07 0.01
## ansev2 0.27 0.23 0.12 0.08 0.16 0.07 0.06 0.01
## ansev3 0.08 0.08 0.11 0.15 0.24 0.24 0.11 0.02
## ansev4 0.14 0.09 0.20 0.10 0.18 0.13 0.16 0.01
## ansev5 0.06 0.08 0.13 0.16 0.22 0.18 0.17 0.01
La confiabilidad es adecuada (.71) y no mejora al eliminar ningún ítem.
rowMeans(cbind(ansev1, ansev2, ansev3,
ansev4, ansev5),
na.rm=TRUE))
describe(estudio2012$ansev)

kurtosis se
## 1 1 111 4.03 1.29 4 4 1.48 1 7 6 0.15
-0.51 0.12
Análisis factorial
Es perfectamente posible que una serie de ítems que fueron desarrollados para medir un
constructo están en realidad midiendo dos o tres. Eso es exactamente lo que está ocurriendo con
los ítems de insomnio. Aunque ahora nos vamos a concentrar en el análisis estadístico, este
proceso debiera integrar también un análisis teórico y conceptual.
Entender exactamente cómo funciona un análisis factorial es mucho más avanzado de lo que
vamos a cubrir en el curso. Pero eso no significa que no lo podamos ocupar.
¿Cuántos factores estamos midiendo con los ítems de insomnio? Una forma de responder a esta
pregunta es ejecutar la siguiente función:
fa.parallel(insomnio)
## Loading required package: parallel

## Loading required package: MASS
## Parallel analysis suggests that the number of factors = 2 and

the number of components = 2
fa.parallel() es una función de la librería psych nos ayuda a evaluar cuál es la solución más optima
en términos de cantidad de factores considerando parsimonia donde tener menos factores es
mejor y ajuste con los datos donde tener más factores es mejor.
El gráfico entrega más información de la que realmente necesitamos, lo que importa es la línea de
FA (análisis factorial). El primer factor logra explicar más varianza en la escala que el segundo
factor, que a su vez logra explicar más varianza en la escala que el tercer factor. Agregar un tercer
factor es ciertamente poco práctico, ya que dos factores pueden explicar la mayor parte de la
varianza. De hecho, probablemente un solo factor también es aceptable en este caso.
Con esta información, podemos hacer un análisis factorial exploratorio con dos factores, ocupando
la función fa() de la librería psych.
fa(insomnio, # las variables a incluir en el análisis

2) # la cantidad de factores
## Loading required package: GPArotation
## Factor Analysis using method = minres

## Call: fa(r = insomnio, nfactors = 2)
## Standardized loadings (pattern matrix) based upon correlation
matrix
## MR1 MR2 h2 u2 com
## insom1 0.99 -0.01 0.98 0.025 1.0
## insom2 0.90 0.03 0.84 0.164 1.0
## insom3 0.41 -0.09 0.15 0.853 1.1
## insom4 0.15 0.59 0.43 0.567 1.1
## insom5 -0.04 0.89 0.77 0.235 1.0
##
## MR1 MR2
## SS loadings 2.00 1.15
## Proportion Var 0.40 0.23
## Cumulative Var 0.40 0.63
## Proportion Explained 0.63 0.37
## Cumulative Proportion 0.63 1.00
##
## With factor correlations of
## MR1 MR2
## MR1 1.00 0.39
## MR2 0.39 1.00
##
## Mean item complexity = 1
## Test of the hypothesis that 2 factors are sufficient.
##
## The degrees of freedom for the null model are 10 and the
objective function was 2.38 with Chi Square of 258.2
## The degrees of freedom for the model are 1 and the objective
function was 0
##
## The root mean square of the residuals (RMSR) is 0
## The df corrected root mean square of the residuals is 0.01
##
## The harmonic number of observations is 110 with the empirical
chi square 0.04 with prob < 0.84
## The total number of observations was 112 with MLE Chi Square =
0.21 with prob < 0.65
##
## Tucker Lewis Index of factoring reliability = 1.032
## RMSEA index = 0 and the 90 % confidence intervals are NA
0.193
## BIC = -4.51
## Fit based upon off diagonal values = 1
## Measures of factor score adequacy
## MR1 MR2
## Correlation of scores with factors 0.99 0.90
## Multiple R square of scores with factors 0.98 0.81
## Minimum correlation of possible factor scores 0.96 0.61
Puede ser que también sea necesario instalar GPArotation, si es que no se instaló con psych.
install.packages("GPArotation")
library(GPArotation)
La información entregada en la primera tabla nos indica cuánto se relaciona cada ítem con cada
uno de los factores. Esto puede verse de forma gráfica con
plot(fa(insomnio,2))
Los ítems 1 y 2 se relacionan fuertemente con el primer factor (MR1), y los ítems 4 y 5 se
relacionan fuertemente con el segundo factor (MR2). El ítem 3 está más relacionado con el primer
factor (.41) que con el segundo (.09).
¿Qué significa esto? Significa que la escala mide dos cosas, que de hecho son perfectamente
comprensibles al leer los ítems:
Factor 1: Problemas de insomnio. Generalmente me cuesta conciliar el sueño o despierto muchas
veces en la noche (insom1) Suelo presentar grandes dificultades para iniciar y mantener el sueño
(insom2) A veces me despierto mucho antes de lo que tenía presupuestado (insom3)
Factor 2: Conductas problemáticas de higiene del sueño. Cuando es hora de dormir, me dan ganas
de ver televisión, leer o hacer otra cosa (insom4) Suelo tener horarios de sueño desordenados,
dormir siestas o pasar un tiempo excesivo en la cama (insom5)
Obviamente estos dos constructos están relacionados, de hecho tienen una correlación de .39
según el análisis factorial. Pero no son lo mismo.
Revisemos la confiabilidad antes de calcular cada escala.
Problemas de insomnio:
cbind(insom1, insom2, insom3)))
##
## Call: alpha(x = with(estudio2012, cbind(insom1, insom2,
insom3)))
##
## 0.78 0.78 0.8 0.54 3.5 0.085 3.3 1.7
##
## 0.61 0.78 0.95
##
## insom1 0.51 0.51 0.35 0.35 1.1 0.16
## insom2 0.54 0.54 0.37 0.37 1.2 0.16
## insom3 0.95 0.95 0.90 0.90 18.4 0.10
##
## Item statistics
## insom1 111 0.91 0.93 0.77 3.4 2
## insom2 111 0.90 0.92 0.76 3.3 2
## insom3 110 0.69 0.38 0.37 3.1 2
##
## 1 2 3 4 5 6 7 miss
## insom1 0.20 0.22 0.19 0.09 0.06 0.14 0.11 0.01
## insom2 0.24 0.22 0.14 0.09 0.13 0.09 0.09 0.01
## insom3 0.32 0.18 0.11 0.09 0.13 0.12 0.05 0.02
El alpha es .78.
estudio2012$insom = with(estudio2012,
rowMeans(cbind(insom1, insom2, insom3),
na.rm=TRUE))
summary(estudio2012$insom)

## 1.00 2.00 3.00 3.26 4.33 7.00 1
Conductas problemáticas insomnio:
cbind(insom4, insom5)))
##
## Call: alpha(x = with(estudio2012, cbind(insom4, insom5)))
##
## 0.71 0.71 0.56 0.56 2.5 0.14 4 2
##
## 0.44 0.71 0.99
##
## insom4 0.56 0.56 0.31 0.56 NA NA
## insom5 0.56 0.56 0.31 0.56 NA NA
##
## Item statistics
## insom4 110 0.88 0.66 0.56 4.1 2.2
## insom5 110 0.88 0.66 0.56 3.9 2.3
##
## 1 2 3 4 5 6 7 miss
## insom4 0.15 0.17 0.11 0.13 0.11 0.09 0.24 0.02
## insom5 0.24 0.13 0.08 0.14 0.13 0.07 0.22 0.02
El alpha es .71, aunque con dos ítems normalmente se reporta la correlación (.56)
estudio2012$cinsom = with(estudio2012,
rowMeans(cbind(insom4, insom5),
na.rm=TRUE))
summary(estudio2012$cinsom)

## 1.00 2.00 4.00 3.98 5.50 7.00 1
¿qué pasa cuando hacemos un análisis factorial para los ítems de ansiedad en periodo de
evaluaciones? De acuerdo al scree plot,
fa.parallel(with(estudio2012,
cbind(ansev1, ansev2, ansev3, ansev4, ansev5)))

parece que la mejor solución es ocupar dos factores, aunque también sería aceptable ocupar uno.
x = fa(with(estudio2012,
cbind(ansev1, ansev2, ansev3, ansev4, ansev5)),2)
esta vez asignamos el análisis factorial a un objeto x

## Call: fa(r = with(estudio2012, cbind(ansev1, ansev2, ansev3,
ansev4,
## ansev5)), nfactors = 2)
matrix
## MR2 MR1 h2 u2 com
## ansev1 -0.01 1.00 1.00 0.005 1.0
## ansev2 0.19 0.45 0.32 0.685 1.4
## ansev3 0.56 0.09 0.37 0.633 1.0
## ansev4 0.79 -0.01 0.62 0.379 1.0
## ansev5 0.53 -0.05 0.26 0.738 1.0
##
## MR2 MR1
## SS loadings 1.30 1.26
## Proportion Var 0.26 0.25
## Cumulative Var 0.26 0.51
## Proportion Explained 0.51 0.49
## Cumulative Proportion 0.51 1.00
##
## With factor correlations of
## MR2 MR1
## MR2 1.00 0.43
## MR1 0.43 1.00
##
## Mean item complexity = 1.1
## Test of the hypothesis that 2 factors are sufficient.
##
function was 0
##
## The root mean square of the residuals (RMSR) is 0.01
##
0.31 with prob < 0.58
##
0.205
## BIC = -4.41
## MR2 MR1
## Correlation of scores with factors 0.86 1.00
## Multiple R square of scores with factors 0.74 1.00
## Minimum correlation of possible factor scores 0.48 0.99
plot(x)
Los ítems 3, 4 y 5 cargan en un factor (MR2), y los ítems 1 y 2 cargan en otro (MR1). El factor MR2
puede ser más propiamente llamado ansiedad en periodo de evaluaciones (irritable, dolores e
incapacidad de desconectarse), el segundo factor son los ítems de insomnio durante este periodo.
Al revisar la confiabilidad que tendrían estas escalas,
cbind(ansev3, ansev4, ansev5)))
##
## Call: alpha(x = with(estudio2012, cbind(ansev3, ansev4,
ansev5)))
##
## 0.66 0.66 0.57 0.39 1.9 0.1 4.4 1.4
##
## 0.46 0.66 0.86
##
## ansev3 0.57 0.57 0.40 0.40 1.3 0.16
## ansev4 0.47 0.47 0.31 0.31 0.9 0.17
## ansev5 0.64 0.64 0.47 0.47 1.8 0.15
##
## Item statistics
## ansev3 110 0.77 0.58 0.47 4.5 1.8
## ansev4 111 0.81 0.66 0.54 4.1 2.0
## ansev5 111 0.74 0.50 0.42 4.6 1.8
##
## 1 2 3 4 5 6 7 miss
## ansev3 0.08 0.08 0.11 0.15 0.24 0.24 0.11 0.02
## ansev4 0.14 0.09 0.20 0.10 0.18 0.13 0.16 0.01
## ansev5 0.06 0.08 0.13 0.16 0.22 0.18 0.17 0.01
cbind(ansev1, ansev2))) # normalmente se reporta la
correlación cuando hay 2 ítemes
##
## Call: alpha(x = with(estudio2012, cbind(ansev1, ansev2)))
##
## 0.69 0.69 0.53 0.53 2.3 0.14 3.4 1.7
##
## 0.41 0.69 0.97
##
## ansev1 0.53 0.53 0.28 0.53 NA NA
## ansev2 0.53 0.53 0.28 0.53 NA NA
##
## Item statistics
## ansev1 111 0.87 0.64 0.53 3.8 2.0
## ansev2 111 0.87 0.64 0.53 3.1 1.9
##
## 1 2 3 4 5 6 7 miss
## ansev1 0.15 0.23 0.08 0.10 0.18 0.19 0.07 0.01
## ansev2 0.27 0.23 0.12 0.08 0.16 0.07 0.06 0.01
vemos que es usable, pero ciertamente no es buena. ¿qué hacer en este caso? La respuesta no
está en los análisis estadísticos, sino en un análisis conceptual y de los objetivos de investigación.
Los dos ítems de insomnio (ansev1 y ansev2) no correlacionan muy bien, y además ya tenemos
otra escala para medir insomnio en general. Por lo tanto, creo que lo mejor es ocupar solamente el
primer factor sin incluir los ítems de insomnio.
rowMeans(cbind(ansev3, ansev4, ansev5),
na.rm=TRUE))
summary(estudio2012$ansev)

## 1.00 3.33 4.67 4.42 5.67 7.00 1
Itemes invertidos.
Es común que las escalas incluyan ítems invertidos, donde un mayor puntaje en el item refleja un
menor nivel en el constructo que se quiere medir. Por ejemplo, la escala de “tolerancia hacia la
diversidad sexual” tiene los siguientes ítems:
(tolsex1) Me siento incómodo compartiendo socialmente con personas que son de distinta
orientación sexual a la mía. (tolsex2) Las relaciones de pareja no heterosexuales son “anti
naturales”. (tolsex3) Las parejas del mismo sexo no deberían andar de la mano ni besarse en
público. (tolsex4) Considero que el matrimonio debiera ser sólo entre un hombre y una mujer.
(tolsex5) Me gustaría que cambiaran las leyes para promover un mayor respeto a las minorías
sexuales.
En realidad, esta escala debiera llamarse “intolerancia” a la diversidad sexual. Un mayor puntaje
en los ítems 1, 2, 3 o 4 se asocia a una mayor intolerancia. Pero el quinto ítem está invertido: un
mayor puntaje se asocia a una menor intolerancia.
Veamos que pasa con estos ítems en un análisis factorial.
tolsex = with(estudio2012,
data.frame(tolsex1, tolsex2, tolsex3, tolsex4,
tolsex5))
fa.parallel(tolsex)

A diferencia de las escalas que revisamos antes, estos ítems se agrupan claramente en un factor.
fa(tolsex)

## Call: fa(r = tolsex)
matrix
## MR1 h2 u2 com
## tolsex1 0.25 0.063 0.94 1
## tolsex2 0.80 0.640 0.36 1
## tolsex3 0.75 0.565 0.43 1
## tolsex4 0.88 0.774 0.23 1
## tolsex5 -0.61 0.367 0.63 1
##
## MR1
## SS loadings 2.41
## Proportion Var 0.48
##
## Mean item complexity = 1
## Test of the hypothesis that 1 factor is sufficient.
##
function was 0.03
##
## The root mean square of the residuals (RMSR) is 0.03
##
3.12 with prob < 0.68
##
0.102
## BIC = -20.47
## MR1
## Correlation of scores with factors 0.94
## Multiple R square of scores with factors 0.88
## Minimum correlation of possible factor scores 0.75
plot(fa(tolsex))
Como debiera ser, el ítem 5 tiene una relación negativa con el factor. Esto está indicado al
comienzo de los resultados del análisis factorial, en la columna MR1 de los loadings
estandarizados. Además, el ítem 1 parece no estar funcionando muy bien con el resto de la escala,
su relación con el factor general es claramente menor al resto (0.25). Si hacemos un análisis de
confiabilidad,
alpha(tolsex)
## Warning: Some items were negatively correlated with total scale

and were
## automatically reversed.
##
## Call: alpha(x = tolsex)
##
## 0.79 0.79 0.78 0.43 3.7 0.059 2.2 1.4
##
## 0.67 0.79 0.9
##
## tolsex1 0.83 0.84 0.81 0.57 5.4 0.063
## tolsex2 0.71 0.71 0.69 0.38 2.5 0.078
## tolsex3 0.72 0.71 0.70 0.38 2.4 0.076
## tolsex4 0.69 0.69 0.66 0.36 2.2 0.081
## tolsex5- 0.75 0.75 0.75 0.43 3.1 0.072
##
## Item statistics
## tolsex1 111 0.49 0.28 0.24 1.9 1.5
## tolsex2 111 0.80 0.77 0.69 2.0 1.7
## tolsex3 111 0.81 0.76 0.69 1.9 1.5
## tolsex4 111 0.85 0.84 0.74 2.9 2.4
## tolsex5- 111 0.72 0.61 0.55 2.2 1.9
##
## 1 2 3 4 5 6 7 miss
## tolsex1 0.59 0.20 0.08 0.05 0.02 0.03 0.04 0.01
## tolsex2 0.65 0.11 0.07 0.06 0.04 0.02 0.05 0.01
## tolsex3 0.65 0.13 0.06 0.04 0.08 0.04 0.01 0.01
## tolsex4 0.58 0.03 0.04 0.05 0.07 0.08 0.15 0.01
## tolsex5 0.06 0.04 0.04 0.10 0.05 0.10 0.62 0.01
R automáticamente invierte el ítem 5, imprime un aviso en la consola, e indica que se invirtió el
ítem con un signo junto a su nombre. El alpha de la escala es bueno (.79), pero quedaría mejor si
se elimina el ítem 1 (.84).
Nuevamente, esta decisión tiene que ser conceptual también. A mí me parece adecuado
eliminarlo, no porque sea un mal ítem, sino porque está midiendo algo ligeramente distinto una
reacción emocional vs. actitudes conservadoras más discursivas.
Antes de promediar los ítems, en todo caso, ¡tenemos que invertir los valores de tolsex5! Lo más
fácil es hacerlo directamente con la fórmula:
Puntaje invertido = Máximo + Mínimo Puntaje original.
estudio2012$tolsex5i = 7 + 1 - estudio2012$tolsex5
summary(estudio2012$tolsex5i)

## 1.00 1.00 1.00 2.19 3.00 7.00 1
Ahora podemos calcular la escala, donde un mayor puntaje va a reflejar un menor nivel de
tolerancia hacia la diversidad sexual. Por lo tanto, vamos a aprovechar de cambiarle el nombre a
“intolsex” (mayor puntaje mayor intolerancia)
estudio2012$intolsex = with(estudio2012,
rowMeans(cbind(tolsex2, tolsex3,
tolsex4, tolsex5i),
na.rm=TRUE))
summary(estudio2012$intolsex)

## 1.00 1.00 1.25 2.25 3.00 7.00 1
Contraste de hipótesis y estimación de
parámetros poblacionales
Hasta ahora, hemos visto una serie de análisis, gráficos y tablas para visualizar la información
obtenida en la muestra. Las siguientes secciones tratan en cambio sobre la estimación de lo que
está ocurriendo en la población, a partir de los datos muestrales.
Chicuadrado
Relaciones entre variables categóricas.
En las secciones anteriores vimos cómo producir una tabla para ver la cantidad de personas que
pertenecen a ciertos grupos o categorías,
table(estudio2012$sitsentf)
##
## 54 8 49
o hacer un cruce entre dos variables categóricas, como por ejemplo comparar la situación
sentimental de hombres y mujeres:
##
## Mujer Hombre
## Soltero/a 33 14
¿Cómo saber si estas dos variables están relacionadas? ¿Es más probable que los hombres
tengan relaciones complicadas? El análisis que corresponde ocupar para contestar esta pregunta
es un análisis de chicuadrado, que puede aplicarse a la frecuencia de una sola variable
categórica, o a un cruce de varias variables.
La función para hacer un análisis de chicuadrado es chisq.test(), y requiere la información de una
tabla de frecuencia que puede obtenerse con table(). Por ejemplo,
table(estudio2012$generof) # Obtiene la cantidad de hombres y

mujeres en la muestra.
##
## Mujer Hombre
## 82 27
chisq.test(table(estudio2012$generof)) # Hace un análisis de chi-

cuadrado con esta tabla.
##
## Chi-squared test for given probabilities
##
## data: table(estudio2012$generof)
## X-squared = 27.75, df = 1, p-value = 1.379e-07
A partir de este análisis de chicuadrado vemos que la probabilidad de que nuestra muestra venga
de una población donde hay igual cantidad de hombres y mujeres es tremendamente baja (x2 =
27.75, p < .05). Esto nos indica que debemos rechazar esta hipótesis nula y concluir que en la
carrera de psicología en nuestra universidad hay más mujeres que hombres.
Al parecer las mujeres tienen menos probabilidades de estar solteras que los hombres, quienes
además tienen más probabilidades de estar en relaciones complicadas.
##
## Mujer Hombre
## Soltero/a 33 14
Veamos si podemos generalizar esto a la población de estudiantes de psicología.
chisq.test(table(estudio2012$sitsentf, estudio2012$generof))
## Warning: Chi-squared approximation may be incorrect
##
## Pearson's Chi-squared test
##
## data: table(estudio2012$sitsentf, estudio2012$generof)
## X-squared = 5.059, df = 2, p-value = 0.07971
Como se observa en la consola, la relación entre estas variables no alcanza a ser
estadísticamente significativa (x2 = 5.05, p = .08). Además, R imprime un mensaje advirtiendo que
la estimación del chicuadrado puede ser incorrecta. Esto se debe a que hay muy pocas mujeres y
muy pocos hombres (menos de 5) que tienen una relación complicada.
La función table() tiene un argumento especialmente diseñado para estos casos, es decir, para
excluir ciertas categorías del análisis:
table(estudio2012$sitsentf, estudio2012$generof,
exclude="Es complicado")
##
## Mujer Hombre
## Soltero/a 33 14
Esta vez, vamos a asignar el resultado del análisis a un objeto llamado x2 (podríamos haber
puesto cualquier nombre)
x2 = chisq.test(table(estudio2012$sitsentf, estudio2012$generof,
exclude="Es complicado"))
x2
##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: table(estudio2012$sitsentf, estudio2012$generof, exclude
= "Es complicado")
La probabilidad de que esta muestra venga de una población donde el género no se relaciona con
estar soltero(a) o en un una relación es mayor a .05 (x2 = 1.64, p = .2), por lo que no corresponde
rechazar la hipótesis nula. Los hombres y las mujeres que están estudiando psicología tienen la
misma probabilidad de estar en una relación.
También podríamos haber ocupado una simulación para calcular el valor de p, lo que es más
adecuado cuando tenemos poco n. El resultado es básicamente el mismo, no hay una relación
significativa entre género y situación sentimental.
chisq.test(table(estudio2012$sitsentf, estudio2012$generof),
simulate.p.value=TRUE)
##
## Pearson's Chi-squared test with simulated p-value (based on
2000
## replicates)
##
## data: table(estudio2012$sitsentf, estudio2012$generof)
## X-squared = 5.059, df = NA, p-value = 0.07996
El análisis de chicuadrado, como la mayoría de los análisis que vamos a ver de ahora en
adelante, son objetos más complejos que los que hemos visto hasta ahora.
Si bien ejecutar
x2 # el nombre del objeto al que asignamos el análisis de chi-

cuadrado
##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: table(estudio2012$sitsentf, estudio2012$generof, exclude
= "Es complicado")
nos entrega la información básica, el objeto “x2” tiene más información. Para acceder a esta
información se ocupa el mismo formato con que seleccionamos una variable en una base de
datos. Por ejemplo, para obtener la tabla de valores observados, podemos ocupar
x2$observed
##
## Mujer Hombre
## Soltero/a 33 14
lo que es exactamente lo mismo que la tabla original con que hicimos el análisis. Para obtener los
valores esperados según la hipótesis nula, podemos ejecutar
x2$expected
##
## Mujer Hombre
## En una relacion 40.81 12.19
## Soltero/a 36.19 10.81
En cualquier análisis, los valores que pueden obtenerse están listados en la página de ayuda.
help(chisq.test) # ver "Value"
Estimación del promedio poblacional y relaciones entre variables categóricas y numéricas.
Prueba t
Prueba t para una muestra:
Estimación del promedio de la población.
En caso de querer estimar los niveles poblacionales de una variable numérica, pueden hacer una
prueba t para una muestra en esta variable con la función t.test(). Por ejemplo, los datos de escala
de intolerancia a la diversidad sexual
t.test(estudio2012$intolsex)
##
## One Sample t-test
##
## data: estudio2012$intolsex
## t = 15.04, df = 110, p-value < 2.2e-16
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
## 1.950 2.541
## sample estimates:
## mean of x
## 2.245
indican que el promedio poblacional está entre 1.95 y 2.54 ocupando un intervalo de confianza de
95%. Considerando que la escala es de 1 a 7, el nivel es bastante bajo. Por defecto, la hipótesis
nula de esta prueba es que el promedio poblacional es igual a cero, algo que por supuesto no tiene
sentido en esta escala de 1 a 7. Para cambiar la hipótesis nula, por ejemplo para estimar la
probabilidad de que esta muestra venga de una población en que el promedio es cuatro (el punto
medio de la escala), es necesario agregar el parámetro mu:
t.test(estudio2012$intolsex, mu=4)
##
## One Sample t-test
##
## data: estudio2012$intolsex
## t = -11.76, df = 110, p-value < 2.2e-16
## alternative hypothesis: true mean is not equal to 4
## 1.950 2.541
## mean of x
## 2.245
Obviamente, la probabilidad es tremendamente baja (p < 2.2e16; eso son 16 ceros después de la
coma).
La librería psych incluye un comando para hacer gráficos con barras de error ocupando intervalos
de confianza.
error.bars(with(estudio2012,
data.frame(ansev1, ansev2, ansev3, ansev4, ansev5)),
eyes = FALSE, ylim=c(1,7))
Este gráfico puede ser una forma útil de comparar los niveles de diferentes variables considerando
información de estadística inferencial, pero es importante destacar que no es una prueba de
hipótesis estadísticas. Son estimaciones independientes del promedio poblacional en cada ítem.
Prueba t para muestras independientes:
Comparación del promedio de dos grupos.
La misma función que ocupamos en la sección anterior, t.test(), puede ser ocupada para comparar
los promedios de dos grupos de participantes, y evaluar la hipótesis nula de que ambos tienen el
mismo promedio en la población. El formato para hacer este análisis es el mismo que ya hemos
visto otras veces: la variable dependiente predicha por la variable independiente (y~x). A modo de
ejemplo, podemos evaluar si los niveles de intolerancia a la diversidad sexual son diferentes según
el género de los participantes:
t.test(estudio2012$intolsex~estudio2012$generof)
##
## Welch Two Sample t-test
##
## data: estudio2012$intolsex by estudio2012$generof
## t = 2.483, df = 64.78, p-value = 0.01562
## alternative hypothesis: true difference in means is not equal to
0
## 0.1401 1.2920
## mean in group Mujer mean in group Hombre
## 2.392 1.676
Curiosamente, las mujeres muestran mayores niveles de intolerancia que los hombres (t(64)=2.48,
p < .05). Es importante recordar que estos resultados son generalizables a una población
particular; estudiantes de psicología de nuestra universidad, y no a los hombres y mujeres de chile,
por ejemplo. Al revisar los resultados de otras variables, como opiniones hacia el aborto y
orientación política, pareciera que las mujeres tienden a ser más conservadoras que los hombres
en esta población, lo que podría explicar las diferencias en tolerancia hacia la diversidad sexual.
table(estudio2012$orienpolf, estudio2012$generof)
##
## Mujer Hombre
## Izquierda 10 8
## Centro Izquierda 16 4
## Centro 7 1
## Centro Derecha 15 3
## Derecha 18 0
Volviendo a la revisión del output de una prueba t de muestras independientes, es importante notar
un par de aspectos más técnicos.
t.test(estudio2012$intolsex~estudio2012$generof)
##
##
## t = 2.483, df = 64.78, p-value = 0.01562
0
## 0.1401 1.2920
## 2.392 1.676
El título de esta prueba indica que se realizó una prueba t de Welch. Esto es porque las varianzas
de los grupos no son iguales, y R automáticamente realiza el ajuste apropiado. Para forzar una
prueba t clásica se puede agregar el argumento
t.test(estudio2012$intolsex~estudio2012$generof,
var.equal=TRUE)
##
## Two Sample t-test
##
## t = 2.073, df = 106, p-value = 0.04059
0
## 0.03124 1.40086
## 2.392 1.676
que indica que deben asumirse varianzas iguales. Esto no es recomendado, ¡para eso existe este
ajuste!
Otro detalle es que esta función realiza por defecto un contraste de hipótesis bilateral. En caso de
que se quiera hacer un contraste unilateral, pueden ocupar el argumento:
t.test(estudio2012$intolsex~estudio2012$generof,
alternative="greater")
##
##
## t = 2.483, df = 64.78, p-value = 0.007811
## alternative hypothesis: true difference in means is greater than
0
## 0.2349 Inf
## 2.392 1.676
Pero incluso aunque quieran hacer un contraste unilateral esto no es necesario, la probabilidad
asociada a la hipótesis nula en un contraste unilateral es simplemente la mitad de la probabilidad
obtenida en un contraste bilateral.
Prueba t para muestras dependientes
Comparar el promedio poblacional de dos variables en un grupo.
Para realizar una prueba t para muestras dependientes simplemente hay que agregar un
argumento a la función t.test(): paired=TRUE.
Esta prueba asume que las variables efectivamente son comparables, lo que no siempre es cierto.
En este estudio, la escala de empatía frente al aborto parece adecuada, ya que los participantes
tenían que contestar la misma pregunta pero referida a distintas situaciones:
“Imagina que una mujer recientemente tuvo un aborto y te relata su experiencia. ¿Qué tanto
puedes empatizar con ella en las siguientes situaciones?” (desde 1 = nada, hasta 7 = mucho).
Las situaciones presentadas fueron las siguientes:
abor1 Mi embarazo era un riesgo grave para mi salud. abor2 Mi hijo hubiese nacido con una
enfermedad genética grave que lo condenaba a sufrir. abor3 Fui víctima de violación, tenerlo
hubiera sido un recuerdo constante de mi experiencia traumática. abor4 Por razones económicas
era incapaz de hacerme cargo de un hijo, no hubiese podido abastecerlo ni en sus necesidades
más básicas. abor5 Hubiera sido una madre soltera, estigmatizada por el resto de mi vida.
En general, los niveles de empatía reportados disminuyen progresivamente:
with(estudio2012,
describe(data.frame(abor1, abor2, abor3, abor4, abor5)))

kurtosis
## abor1 1 111 5.26 1.83 6 5.51 1.48 1 7 6 -0.81
-0.51
## abor2 2 111 4.60 2.01 5 4.75 2.97 1 7 6 -0.49
-1.01
## abor3 3 110 4.85 2.07 5 5.05 2.97 1 7 6 -0.50
-1.14
## abor4 4 111 3.08 1.95 3 2.90 2.97 1 7 6 0.51
-1.03
## abor5 5 111 2.03 1.40 1 1.76 0.00 1 7 6 1.38
1.15
## se
## abor1 0.17
## abor2 0.19
## abor3 0.20
## abor4 0.19
## abor5 0.13
Dado que es la misma escala para cada situación, podemos comparar dos de ellas con una
prueba t de muestras dependientes. Por ejemplo, ¿Produce más empatía una situación de riesgo
grave para la salud de la madre que una situación donde se encuentra una enfermedad genética
grave en el hijo(a)?
t.test(estudio2012$abor1, estudio2012$abor2,
paired=TRUE)
##
## Paired t-test
##
## data: estudio2012$abor1 and estudio2012$abor2
## t = 3.97, df = 110, p-value = 0.0001283
0
## 0.3294 0.9859
## mean of the differences
## 0.6577
Sí, al menos en esta población. La probabilidad de obtener una diferencia mayor o igual a ésta si
los promedios fueran iguales en la población es menor a .05, por lo que podemos rechazar la
hipótesis nula.
ANOVA Simple
Comparación de los promedios de múltiples
grupos.
Para comparar los promedios de más de dos grupos es necesario hacer un análisis de varianza.
La función para hacer esto en R es aov(). Para estos análisis, vamos a ocupar la escala de
intuición:
intui1 Muchas veces tengo muy claro la decisión que voy a tomar, aunque no podría explicar por
qué. intui2 A veces siento que puedo predecir lo que va a pasar antes de que suceda, como por
ejemplo que me llamar? alguien.??? intui3 Siento que puedo sabercómo es una persona casi
inmediatamente, incluso antes de conversar con ella. intui4 Si en una prueba o examen de
alternativas no me acuerdo de la materia, muchas veces puedo elegir de forma intuitiva, porque
“algo” me dice que es la respuesta correcta. intui5 Para cosas realmente importantes, confío más
en mis sentimientos e intuición que en argumentos racionales.
data.frame(intui1, intui2, intui3, intui4, intui5)))
##
## Call: alpha(x = with(estudio2012, data.frame(intui1, intui2,
intui3,
## intui4, intui5)))
##
## 0.67 0.67 0.63 0.29 2.1 0.076 3.8 1.1
##
## 0.52 0.67 0.82
##
## intui1 0.67 0.68 0.62 0.34 2.1 0.084
## intui2 0.60 0.60 0.54 0.28 1.5 0.094
## intui3 0.58 0.59 0.52 0.26 1.4 0.096
## intui4 0.61 0.61 0.55 0.28 1.6 0.092
## intui5 0.62 0.63 0.57 0.30 1.7 0.091
##
## Item statistics
## intui1 111 0.57 0.37 0.30 4.1 1.7
## intui2 110 0.69 0.57 0.46 3.4 1.9
## intui3 111 0.71 0.62 0.51 3.7 1.6
## intui4 110 0.68 0.55 0.44 3.7 1.5
## intui5 111 0.65 0.51 0.42 3.9 1.6
##
## 1 2 3 4 5 6 7 miss
## intui1 0.07 0.15 0.14 0.16 0.24 0.14 0.09 0.01
## intui2 0.24 0.19 0.12 0.05 0.24 0.12 0.05 0.02
## intui3 0.08 0.18 0.19 0.21 0.23 0.08 0.04 0.01
## intui4 0.06 0.20 0.21 0.21 0.19 0.09 0.04 0.02
## intui5 0.07 0.14 0.19 0.25 0.18 0.11 0.05 0.01
Parece mejor eliminar el ítem 1.
estudio2012$intui = with(estudio2012,
rowMeans(data.frame(intui2, intui3,
intui4, intui5),
na.rm=TRUE))
¿Está relacionada la intuición con el signo zodiacal? Primero tenemos que preparar la variable
zodiaco.
table(estudio2012$zodiaco)
##
## ...
## 2
## Acuario (21 Enero - 19 Febrero)
## 8
## Aries (21 Marzo - 20 Abril)
## 7
## Cancer (21 Junio - 22 Julio)
## 10
## Capricornio (22 Diciembre - 20 Enero)
## 8
## Escorpion (24 Octubre - 21 Noviembre)
## 7
## Geminis (21 Mayo - 20 Junio)
## 9
## Leo (23 Julio - 22 Agosto)
## 7
## Libra (23 Septiembre - 23 Octubre)
## 11
## Piscis (20 Febrero - 20 Marzo)
## 12
## Sagitario (22 Noviembre - 21 Diciembre)
## 10
## Tauro (21 Abril - 20 Mayo)
## 12
## Virgo (23 Agosto - 22 Septiembre)
## 9
estudio2012$zodiacof = factor(estudio2012$zodiaco,
levels=c("Acuario (21 Enero - 19
Febrero)",
"Piscis (20 Febrero - 20
Marzo)",
"Aries (21 Marzo - 20
Abril)",
"Tauro (21 Abril - 20
Mayo)",
"Geminis (21 Mayo - 20
Junio)",
"Cancer (21 Junio - 22
Julio)",
"Leo (23 Julio - 22
Agosto)",
"Virgo (23 Agosto - 22
Septiembre)",
"Libra (23 Septiembre - 23
Octubre)",
"Escorpion (24 Octubre - 21
Noviembre)",
"Sagitario (22 Noviembre -
21 Diciembre)",
"Capricornio (22 Diciembre -
20 Enero)"),
labels=c("Acuario",
"Piscis",
"Aries",
"Tauro",
"Geminis",
"Cancer",
"Leo",
"Virgo",
"Libra",
"Escorpion",
"Sagitario",
"Capricornio"))
barplot(table(estudio2012$zodiacof))
Ahora podemos hacer un ANOVA para ver si el signo zodiacal está relacionado con los niveles de
intuición.
Ejecutar simplemente,
aov(intui~zodiacof, data=estudio2012)
## Call:
## aov(formula = intui ~ zodiacof, data = estudio2012)
##
## Terms:
## zodiacof Residuals
## Sum of Squares 17.54 135.98
## Deg. of Freedom 11 98
##
## Residual standard error: 1.178
## Estimated effects may be unbalanced
## 2 observations deleted due to missingness
nos entrega una tabla con la suma de cuadrados y los grados de libertad, lo que no es suficiente
información. Para este análisis, es absolutamente necesario asignar el resultado a un objeto, que
vamos a llamar “aov” (podemos poner cualquier nombre).
aov = aov(intui~zodiacof, data=estudio2012)
Ahora podemos ocupar la función summary() para ver el resultado de este análisis.
summary(aov)
## Df Sum Sq Mean Sq F value Pr(>F)

## zodiacof 11 17.5 1.59 1.15 0.33
## Residuals 98 136.0 1.39
En base a los resultados del ANOVA, podemos concluir que no existe una relación entre el signo
zodiacal y los niveles de intuición (F(11,98) = 1.15, p = .33). Pero es importante notar que los n de
cada grupo son muy pequeños para este análisis. Si vemos la información descriptiva,
boxplot(intui~zodiacof, data=estudio2012)
Los participantes del signo Cáncer son los que reportan mayores niveles de intuición, lo que es
consistente con la descripción entregada en http://www.astrologyonline.com/cancer.htm
De acuerdo a Astro Lady, en todo caso, Cáncer, Escorpión y Picis son los signos más intuitivos
(asociados al agua). ver http://answers.yahoo.com/question/index?qid=20080124235717AAdSk0S
Esto no parece cumplirse en esta muestra.
Quizás la intuición está relacionada con la mención que quieren elegir los alumnos de psicología…
table(estudio2012$mencion)
##
## Clinica
Comunitaria
## 4 65
5
## De la salud Educacional
Laboral/Organizacional
## 3 13
22
Dado que desgraciadamente hay muy pocas personas que reportan estar interesados en
psicología comunitaria o psicología de la salud, vamos a sacarlos del análisis.
estudio2012$mencionf = factor(estudio2012$mencion,
levels=c("Clinica",
"Educacional",
"Laboral/Organizacional"))
Ahora podemos hacer el ANOVA
aov = aov(intui~mencionf, data=estudio2012)

summary(aov)

## mencionf 2 10.7 5.37 3.91 0.023 *
## Residuals 97 133.2 1.37
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Esta vez, los resultados si son estadísticamente significativos. Pero qué grupos son diferentes de
cuáles? La información descriptiva
boxplot(intui~mencionf, data=estudio2012)
parece indicar que las personas que quieren tomar psicología organizacional reportan un menor
nivel de intuición. Para evaluar qué grupos presentan diferencias estadísticamente significativas es
necesario hacer un test de Tukey, ocupando la función TukeyHSD(), que requiere el resultado de
un análisis de varianza.
TukeyHSD(aov)
## Tukey multiple comparisons of means

## 95% family-wise confidence level
##
## Fit: aov(formula = intui ~ mencionf, data = estudio2012)
##
## $mencionf
## diff lwr upr p
adj
## Educacional-Clinica 0.07051 -0.7771 0.9181
0.9786
## Laboral/Organizacional-Clinica -0.77710 -1.4652 -0.0890
0.0228
## Laboral/Organizacional-Educacional -0.84761 -1.8235 0.1283
0.1021
Al hacer las comparaciones entre estos grupos, vemos que la única diferencia estadísticamente
significativa es la comparación entre los alumnos que quieren especializarse en clínica y los
alumnos que quieren especializarse en psicología organizacional. Los alumnos interesados en
clínica reportan mayores niveles de intuición que los interesados en organizacional (p = .02).
Uno de los supuestos del ANOVA es que las varianzas de los grupos son iguales. Para evaluar si
se cumple este supuesto, pueden hacer una prueba de levene ocupando la función levene.test()
de la librería lawstat:
install.packages("lawstat") # requiere estar conectado a internet
library(lawstat)
## Loading required package: mvtnorm

## Loading required package: VGAM
## Loading required package: splines
## Loading required package: stats4
##
## Attaching package: 'VGAM'
##
## The following objects are masked from 'package:psych':
##
## fisherz, logit
levene.test(estudio2012$intui, estudio2012$mencionf)
##
## modified robust Brown-Forsythe Levene-type test based on the
## absolute deviations from the median
##
## data: estudio2012$intui
## Test Statistic = 0.0111, p-value = 0.9165
help(levene.test)
En este caso, la prueba no es estadísticamente significativa, por lo que podemos asumir que las
varianzas de los grupos en la población efectivamente son iguales. Si las varianzas fueran
diferentes, corresponde hacer un ANOVA de Welch, que no asume varianzas iguales:
oneway.test(intui~mencionf, data=estudio2012)
##
## One-way analysis of means (not assuming equal variances)
##
## data: intui and mencionf
## F = 3.561, num df = 2.00, denom df = 28.63, p-value = 0.0416
help(oneway.test)
Estos resultados se reportan así: F de Welch (2, 28.63) = 3.56, p < .05.
Desgraciadamente, R no incluye por defecto el R2 en el output de ANOVA. para obtenerlo,
podemos ocupar la función summary.lm() en el objeto que creamos para el análisis.
summary.lm(aov) # ver al final, "Adjusted R-squared": 0.06
##
## Call:
## aov(formula = intui ~ mencionf, data = estudio2012)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.6218 -0.8447 -0.0947 0.8782 2.4053
##
## Coefficients:
## Estimate Std. Error t value
Pr(>|t|)
## (Intercept) 3.8718 0.1454 26.63
<2e-16 ***
## mencionfEducacional 0.0705 0.3561 0.20
0.8434
## mencionfLaboral/Organizacional -0.7771 0.2891 -2.69
0.0085 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.17 on 97 degrees of freedom
## (12 observations deleted due to missingness)
## Multiple R-squared: 0.0745, Adjusted R-squared: 0.0555
## F-statistic: 3.91 on 2 and 97 DF, p-value: 0.0234
En este caso, la mención preferida explica aproximadamente un 6% de la varianza en intuición.
ANOVA Factorial
Relación entre una variable numérica y múltiples
variables categóricas.
La función aov() también permite agregar más de una variable categórica, y evaluar la interacción
entre estas variables con el formato aov(variable dependiente~factor1*factor2). Nuevamente sería
ideal tener más n del que tenemos en este estudio, especialmente para evaluar la interacción entre
los dos factores pero vamos a ver un ejemplo de todas formas, agregando género al análisis que
acabamos de hacer.
Hagamos primero un gráfico para ver los descriptivos.
with(estudio2012,
interaction.plot(generof, mencionf, intui))
Y ahora el análisis de varianza.
aov = aov(intui~mencionf*generof, data=estudio2012)

summary(aov)

## mencionf 2 10.3 5.17 3.92 0.023 *
## generof 1 6.9 6.86 5.19 0.025 *
## mencionf:generof 2 2.4 1.18 0.89 0.413
## Residuals 93 122.7 1.32
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Si bien al parecer el género tiene un efecto más grande en los estudiantes interesados en
psicología educacional, la interacción entre estos dos factores no es estadísticamente significativa.
En cambio, hay un efecto principal de género, donde los hombres reportan menos intuición que las
mujeres (F(1,93) = 6.86, p < .05), y de mención, donde las personas interesadas en especializarse
en clínica reportan mayores niveles de intuición (F(2,93) = 10.34, p < .05).
También pueden pedir los descriptivos para cada factor y sus interacciones con model.tables(), lo
que además tiene la ventaja de que incluye el n de cada grupo (rep). Solamente una de las
personas que está interesada en psicología educacional es hombre.
model.tables(aov, "means")
## Tables of means
## Grand mean
##
## 3.697
##
## mencionf
## Clinica Educacional Laboral/Organizacional
## 3.854 3.942 3.095
## rep 64.000 13.000 22.000
##
## generof
## Mujer Hombre
## 3.846 3.256
## rep 74.000 25.000
##
## mencionf:generof
## generof
## mencionf Mujer Hombre
## Clinica 3.96 3.50
## rep 49.00 15.00
## Educacional 4.10 2.00
## rep 12.00 1.00
## Laboral/Organizacional 3.38 2.68
## rep 13.00 9.00
Ahora el test de Tukey va a incluir comparaciones múltiples para género, para mención y también
para la interacción entre estos dos factores, aunque típicamente las coparaciones uno a uno entre
las combinaciones de factores no se reportan.
TukeyHSD(aov)
## Tukey multiple comparisons of means

## 95% family-wise confidence level
##
## Fit: aov(formula = intui ~ mencionf * generof, data =
estudio2012)
##
## $mencionf
## diff lwr upr p
adj
## Educacional-Clinica 0.08814 -0.7443 0.92056
0.9656
## Laboral/Organizacional-Clinica -0.75947 -1.4357 -0.08322
0.0238
## Laboral/Organizacional-Educacional -0.84761 -1.8048 0.10960
0.0935
##
## $generof
## diff lwr upr p adj
## Hombre-Mujer -0.5899 -1.118 -0.06218 0.0289
##
## $`mencionf:generof`
##
diff lwr
## Educacional:Mujer-Clinica:Mujer
0.1416 -0.9352
## Laboral/Organizacional:Mujer-Clinica:Mujer
-0.5780 -1.6209
## Clinica:Hombre-Clinica:Mujer
-0.4626 -1.4491
## Educacional:Hombre-Clinica:Mujer
-1.9626 -5.3396
## Laboral/Organizacional:Hombre-Clinica:Mujer
-1.2867 -2.4990
## Laboral/Organizacional:Mujer-Educacional:Mujer
-0.7196 -2.0578
## Clinica:Hombre-Educacional:Mujer
-0.6042 -1.8989
## Educacional:Hombre-Educacional:Mujer
-2.1042 -5.5837
## Laboral/Organizacional:Hombre-Educacional:Mujer
-1.4282 -2.9024
## Clinica:Hombre-Laboral/Organizacional:Mujer
0.1154 -1.1514
## Educacional:Hombre-Laboral/Organizacional:Mujer
-1.3846 -4.8538
## Laboral/Organizacional:Hombre-Laboral/Organizacional:Mujer
-0.7087 -2.1583
## Educacional:Hombre-Clinica:Hombre
-1.5000 -4.9527
## Laboral/Organizacional:Hombre-Clinica:Hombre
-0.8241 -2.2336
## Laboral/Organizacional:Hombre-Educacional:Hombre
0.6759 -2.8479
##
upr p adj
## Educacional:Mujer-Clinica:Mujer
1.21834 0.9989
## Laboral/Organizacional:Mujer-Clinica:Mujer
0.46499 0.5924
## Clinica:Hombre-Clinica:Mujer
0.52389 0.7479
## Educacional:Hombre-Clinica:Mujer
1.41439 0.5410
## Laboral/Organizacional:Hombre-Clinica:Mujer
-0.07429 0.0308
## Laboral/Organizacional:Mujer-Educacional:Mujer
0.61873 0.6237
## Clinica:Hombre-Educacional:Mujer
0.69059 0.7517
## Educacional:Hombre-Educacional:Mujer
1.37538 0.4966
## Laboral/Organizacional:Hombre-Educacional:Mujer
0.04590 0.0632
## Clinica:Hombre-Laboral/Organizacional:Mujer
1.38217 0.9998
## Educacional:Hombre-Laboral/Organizacional:Mujer
2.08462 0.8538
## Laboral/Organizacional:Hombre-Laboral/Organizacional:Mujer
0.74095 0.7133
## Educacional:Hombre-Clinica:Hombre
1.95267 0.8035
## Laboral/Organizacional:Hombre-Clinica:Hombre
0.58547 0.5345
## Laboral/Organizacional:Hombre-Educacional:Hombre
4.19980 0.9934
Para hacer un anova con múltiples factores sin incluir sus interacciones, basta reemplazar el signo
* por un +.
aov = aov(intui~mencionf+generof, data=estudio2012)

summary(aov)

## mencionf 2 10.3 5.17 3.93 0.023 *
## generof 1 6.9 6.86 5.21 0.025 *
## Residuals 95 125.1 1.32
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
El anova simple con mención explicaba un 6% de la varianza en los niveles de intuición. Al incluir
género el nivel de varianza explicada es ahora un 9%.
summary.lm(aov)
##
## Call:
## aov(formula = intui ~ mencionf + generof, data = estudio2012)
##
## Residuals:
## -2.750 -0.745 -0.128 0.750 2.372
##
## Coefficients:
## Estimate Std. Error t value
Pr(>|t|)
## (Intercept) 3.99993 0.15702 25.47
<2e-16 ***
## mencionfEducacional -0.00978 0.35173 -0.03
0.978
## mencionfLaboral/Organizacional -0.65081 0.28757 -2.26
0.026 *
## generofHombre -0.62191 0.27256 -2.28
0.025 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
ANCOVA
Para hacer un ancova y controlar estadísticamente por el efecto de una variable continua,
simplemente puede agregarse esta variable como predictor en la función aov(), con +, ya que
normalmente no nos interesan sus interacciones.
Relaciones entre variables lineales.
Prueba estadística para correlaciones.
En la sección de descriptivos, vimos que era posible obtener el coeficiente de correlación entre dos
variables continuas con la función cor():
cor(estudio2012$insom, estudio2012$cinsom,
use = "pairwise.complete.obs")
## [1] 0.3545
Para saber si esta correlación es estadísticamente significativa, la función que hay que ocupar es
cor.test(estudio2012$insom, estudio2012$cinsom)
##
## Pearson's product-moment correlation
##
## data: estudio2012$insom and estudio2012$cinsom
## t = 3.958, df = 109, p-value = 0.0001349
## alternative hypothesis: true correlation is not equal to 0
## 0.1800 0.5074
## cor
## 0.3545
Esta función no requiere especificar que deben omitirse los participantes con NA, por lo que
probablemente es más práctica que cor() para obtener una correlación. Aún así, la gracia de cor es
que permite hacer una matriz de correlaciones, lo que no es posible con cor.test().
El output de esta prueba nos entrega la significación estadística (r = .35, p < .01), y también un
intervalo de confianza para la correlación. En este caso, entre .18 y .50.
Al igual que en una prueba t (de hecho esto es una prueba t) podemos hacer una hipótesis
unilateral o bilateral. En caso de que tengan una hipótesis unilateral, simplemente tienen que
agregar alternative=“greater” (o “less”) a la función cor.test(). En general esto no es necesario.
Simplemente pueden reportar la mitad de p cuando el contraste es unilateral.
cor.test(estudio2012$insom, estudio2012$cinsom,
alternative="greater")
##
## Pearson's product-moment correlation
##
## data: estudio2012$insom and estudio2012$cinsom
## t = 3.958, df = 109, p-value = 6.747e-05
## alternative hypothesis: true correlation is greater than 0
## 0.2092 1.0000
## cor
## 0.3545
Correlación parcial
Para hacer una correlación parcial entre x e y, controlando por z, es necesario instalar la librería
ppcor, y ocupar la función pcor.test(). Esta función simplemente no acepta observaciones con NAs,
por lo que vamos a tener que procesar un poco nuestra base de datos. El procedimiento que
vamos a ocupar se aplica a cualquier otra situación en que queramos sacar de una base de datos
a las personas que no contestaron algunas de las variables, así que vale la pena revisarlo de todas
formas.
Primero, para simplificar las cosas, vamos a crear una nueva base de datos incluyendo
Únicamente las variables insom, ansev y cinsom; que vamos a llamar corpar.
corpar = with(estudio2012,
data.frame(insom, ansev, cinsom))
Una vez hecho esto, podemos seleccionar Únicamente a las personas que efectivamente tienen
puntajes en estas tres variables, ocupando el argumento “complete.cases”:
corpar = corpar[complete.cases(corpar), ]
Ahora que tenemos una base de datos que no tiene ningún NA,
summary(corpar)
## insom ansev cinsom

## Min. :1.00 Min. :1.00 Min. :1.00
## 1st Qu.:2.00 1st Qu.:3.33 1st Qu.:2.00
## Median :3.00 Median :4.67 Median :4.00
## Mean :3.25 Mean :4.41 Mean :3.97
## 3rd Qu.:4.33 3rd Qu.:5.67 3rd Qu.:5.50
## Max. :7.00 Max. :7.00 Max. :7.00
vamos a revisar la correlación entre insomnio y ansiedad ante evaluaciones, controlando por
conductas negativas del sueño.
install.packages("ppcor") # Primero tenemos que instalar
library(ppcor) # y cargar la librería ppcor
La función pcor.test() ocupa el formato pcor.test(x, y, z), donde z es la variable que queremos
controlar.
pcor.test(corpar$insom, corpar$ansev, corpar$cinsom)
## estimate p.value statistic n gp Method

## 1 0.3845 1.647e-05 4.308 110 1 pearson
La correlación se mantiene prácticamente igual al controlar por conductas negativas del sueño, lo
que nos da cierta indicación de que la relación entre insomnio y ansiedad en periodos de
evaluaciones no puede ser explicada por esta variable.
Regresión
Hacer regresión en R es exactamente lo mismo que hacer un ANOVA. De hecho, la función aov()
ocupa la función básica para hacer modelos de regresión: lm(). El formato de esta función es
exactamente el mismo: lm(variable dependiente~predictor1+predictor2).
Una de las escalas que no hemos ocupado es la de estrés universitario, que podemos usar para
predecir los niveles de insomnio. La escala tiene los siguientes ítems:
streu1 Siento que no me alcanza el tiempo para cumplir con todas mis responsabilidades
académicas. streu2 Siento molestias físicas (dolor de cabeza, de estómago, náuseas, etc.) debido
a la cantidad de actividades que debo realizar. streu3 Siento que tengo tantas responsabilidades
académicas que no logro “desconectarme” en mi tiempo libre. streu4 Cuando pienso en todas las
actividades que tengo que hacer me pongo irritable. streu5 Siento mucha presión para cumplir con
todas mis responsabilidades en la universidad.
La confiabilidad es buena,
data.frame(streu1, streu2, streu3, streu4, streu5)))
##
## Call: alpha(x = with(estudio2012, data.frame(streu1, streu2,
streu3,
## streu4, streu5)))
##
## 0.83 0.83 0.83 0.5 5 0.053 4.5 1.4
##
## 0.73 0.83 0.94
##
## streu1 0.86 0.86 0.85 0.60 6.0 0.059
## streu2 0.79 0.79 0.76 0.48 3.7 0.069
## streu3 0.78 0.78 0.76 0.47 3.6 0.069
## streu4 0.77 0.77 0.75 0.46 3.4 0.070
## streu5 0.79 0.79 0.76 0.48 3.7 0.069
##
## Item statistics
## streu1 112 0.61 0.44 0.41 5.0 1.7
## streu2 112 0.80 0.76 0.68 3.9 1.9
## streu3 112 0.81 0.77 0.69 4.1 2.0
## streu4 112 0.84 0.80 0.73 4.5 1.8
## streu5 112 0.80 0.76 0.68 4.8 1.8
##
## 1 2 3 4 5 6 7 miss
## streu1 0.01 0.12 0.07 0.15 0.20 0.18 0.27 0
## streu2 0.12 0.19 0.12 0.15 0.21 0.09 0.12 0
## streu3 0.11 0.21 0.11 0.12 0.13 0.19 0.13 0
## streu4 0.06 0.12 0.11 0.13 0.24 0.17 0.16 0
## streu5 0.05 0.09 0.08 0.19 0.17 0.21 0.21 0
y aunque eliminar el primer ítem mejoraría un poco el alpha, la correlación del ítem con el total es
adecuada (.4), por lo que prefiero incluirlo de todas formas.
estudio2012$streu = with(estudio2012,
rowMeans(data.frame(streu1, streu2,
streu3, streu4, streu5),
na.rm=TRUE))
summary(estudio2012$streu)
## Min. 1st Qu. Median Mean 3rd Qu. Max.

## 1.40 3.35 4.50 4.46 5.60 7.00
Noten que el promedio está claramente por sobre el punto medio de la escala.
¿Podemos predecir los niveles de insomnio a partir de los niveles de estrés universitario
reportados por los participantes? La función lm() funciona igual que aov(), y también es necesario
asignar el resultado a un objeto, que ahora vamos a llamar lm.
lm = lm(insom~streu, data=estudio2012)
summary(lm)
##
## Call:
## lm(formula = insom ~ streu, data = estudio2012)
##
## Residuals:
## -2.795 -1.343 -0.378 1.032 3.664
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.710 0.504 3.39 0.00096 ***
## streu 0.347 0.107 3.24 0.00160 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (1 observation deleted due to missingness)
El resultado de este análisis indica que efectivamente los niveles de estrés universitario predicen
los niveles de insomnio de forma significativa. El output entrega los coeficientes no estandarizados:
un punto en la escala de estrés se asocia (en general) a un aumento de .35 puntos en la escala de
insomnio.
Como vimos en la sección de descriptivos, el resultado de este análisis puede ser ocupado para
dibujar la línea de regresión sobre un dispersiograma que muestra la relación entre las variables.
plot(estudio2012$streu, estudio2012$insom)
abline(lm(insom~streu, data=estudio2012), col="red")
lm() no entrega los coeficientes estandarizados. Si bien no es complicado hacer esto de forma
manual, probablemente la opción más práctica es ocupar variables estandarizadas (puntajes z)
desde un comienzo. La librería psych incluye una función para convertir a puntaje z, o definir
cualquier otro valor para el promedio y la desviación estándar de una variable.
datosz = with(estudio2012,
rescale(cbind(insom, streu), mean = 0, sd = 1))
lmz = lm(insom~streu, data=datosz) # La misma regresión que

hicimos antes
# pero con puntajes z
summary(lmz) # Ahora los coeficientes son betas estandarizados
##
## Call:
## lm(formula = insom ~ streu, data = datosz)
##
## Residuals:
## -1.664 -0.799 -0.225 0.614 2.181
##
## Coefficients:
## (Intercept) -0.00272 0.09108 -0.03 0.9762
## streu 0.29618 0.09151 3.24 0.0016 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
Regesión múltiple
Para hacer una regresión múltiple, simplemente hay que agregar otros predictores ocupando + (a
no ser que quieran evaluar también la interacción entre dos predictores).
lm = lm(insom~streu+ansev+intui, data=estudio2012)
summary(lm)
##
## Call:
## lm(formula = insom ~ streu + ansev + intui, data = estudio2012)
##
## Residuals:
## -2.814 -1.014 -0.257 0.986 3.714
##
## Coefficients:
## (Intercept) 0.9994 0.6544 1.53 0.1297
## streu 0.0675 0.1355 0.50 0.6195
## ansev 0.4295 0.1347 3.19 0.0019 **
## intui 0.0155 0.1271 0.12 0.9029
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
Al incluir ansiedad en periodo de evaluaciones el efecto de estrés universitario deja de ser
significativo, y como es esperable los niveles de intuición no predicen los niveles de insomnio. Es
perfectamente posible entender ansiedad en periodo de evaluaciones como un mediador del
efecto de estrés universitario en insomnio. La idea es que las personas pueden tener más o menos
estrés universitario (streu), por ejemplo porque tomaron muchos ramos, y esto genera problemas
de sueño (insom) justamente porque disminuye la capacidad de enfrentar tranquilamente los
periodos de evaluaciones (ansev).
Una forma de evaluar mediación es haciendo tres regresiones, mostrando que
1. La variable independiente predice la variable dependiente.
lm1 = lm(insom~streu, data=estudio2012)

summary(lm1)
##
## Call:
## lm(formula = insom ~ streu, data = estudio2012)
##
## Residuals:
## -2.795 -1.343 -0.378 1.032 3.664
##
## Coefficients:
## (Intercept) 1.710 0.504 3.39 0.00096 ***
## streu 0.347 0.107 3.24 0.00160 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
1. La variable independiente predice el mediador.
lm2 = lm(ansev~streu, data=estudio2012)

summary(lm2)
##
## Call:
## lm(formula = ansev ~ streu, data = estudio2012)
##
## Residuals:
## -2.638 -0.805 -0.178 0.884 2.570
##
## Coefficients:
## (Intercept) 1.6412 0.3499 4.69 7.9e-06 ***
## streu 0.6242 0.0748 8.34 2.5e-13 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## F-statistic: 69.6 on 1 and 109 DF, p-value: 2.46e-13
1. El efecto de la variable independiente deja de ser significativo al incluir el mediador.
lm3 = lm(insom~ansev+streu, data=estudio2012)

summary(lm3)
##
## Call:
## lm(formula = insom ~ ansev + streu, data = estudio2012)
##
## Residuals:
## -2.805 -1.024 -0.267 0.975 3.682
##
## Coefficients:
## (Intercept) 1.0463 0.5277 1.98 0.0500 *
## ansev 0.4300 0.1340 3.21 0.0018 **
## streu 0.0692 0.1342 0.52 0.6069
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
También es posible que el efecto de la variable independiente siga siendo significativo, pero se
observe una reducción importante. Más abajo vamos a ocupar la librería QuantPsyc, que incluye
funciones para análisis más sofisticados de mediación.
Interacciones entre variables continuas
Incluir interacciones en ecuaciones de regresión es prácticamente igual que en ANOVAs, con la
importante excepción de que los predictores tienen que estar centrados. Es decir, su promedio
debe ser 0.
Para hacer esto podemos crear otra variable restando el promedio a la variable original, o
simplemente estandarizar los puntajes con rescale() como hicimos antes.
A modo de ejemplo, vamos a incluir la interacción entre estrés universitario y conductas negativas
del sueño. Quizás el estrés universitario afecta menos a las personas que evitan ver televisión
hasta tarde.
estudio2012$streuc = estudio2012$streu - mean(estudio2012$streu,

na.rm = TRUE)
estudio2012$cinsomc = estudio2012$cinsom - mean(estudio2012$cinsom,
na.rm = TRUE)
Ahora el modelo de regresión incluye un * en vez de un +, para incluir la interacción entre los dos
predictores ya centrados.
lm = lm(insom~streuc*cinsomc, data=estudio2012)
summary(lm)
##
## Call:
## lm(formula = insom ~ streuc * cinsomc, data = estudio2012)
##
## Residuals:
## -3.071 -0.987 -0.087 0.826 4.292
##
## Coefficients:
## (Intercept) 3.2821 0.1497 21.92 < 2e-16 ***
## streuc 0.2695 0.1053 2.56 0.01187 *
## cinsomc 0.2586 0.0759 3.41 0.00092 ***
## streuc:cinsomc -0.0349 0.0508 -0.69 0.49390
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
Como es esperable, las conductas asociadas a baja calidad del sueño predicen los niveles de
insomnio. Pero la interacción entre estrés universitario y estas conductas no es estadísticamente
significativa.
Regresiones y ANOVA
En R, el hecho de que las regresiones lineales y los ANOVA son lo mismo es explícito: aov()
simplemente hace un modelo ocupando lm() y lo reporta como es tradicional en los análisis de
varianza. De hecho, tanto aov() como lm() permiten agregar predictores continuos o categóricos.
En el caso de las variables categóricas R automáticamente crea las variables dicotómicas que
sean necesarias. La consecuencia práctica que tiene esto es que pueden agregar tranquilamente
predictores categóricos a lm() y predictores continuos a aov().
Por ejemplo, podemos pedir el siguiente modelo, donde se incluyen genero y situación sentimental
como predictores de insomnio.
lm = lm(insom~streu+ansev+ # Predictores continuos

generof+sitsentf, # Predictores categóricos
data=estudio2012)
El output de
summary(lm)
##
## Call:
## lm(formula = insom ~ streu + ansev + generof + sitsentf, data =
estudio2012)
##
## Residuals:
## -2.681 -1.070 -0.254 1.003 3.643
##
## Coefficients:
## (Intercept) 0.9648 0.5650 1.71 0.0907 .
## streu 0.0386 0.1386 0.28 0.7815
## ansev 0.4502 0.1392 3.23 0.0016 **
## generofHombre 0.1312 0.3582 0.37 0.7150
## sitsentfEs complicado 0.7555 0.6103 1.24 0.2186
## sitsentfSoltero/a 0.0340 0.3160 0.11 0.9145
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
muestra que el único predictor significativo de insomnio es ansiedad en periodos de evaluaciones.
También se observa ser hombre predice mayores niveles de insomnio, pero el efecto no es
significativo. Además estar tener una situación sentimental “complicada” (vs. “En una relación”)
predice mayores niveles de insomnio, pero nuevamente el efecto no es estadísticamente
significativo, posiblemente porque hay muy pocos participantes que reportan su situación
sentimental como complicada.
Lo que hemos revisado debiera ser más que suficiente para la mayoría de los análisis que se
realizan típicamente en psicología. Los anexos incluyen un poco más de información en caso de
que alguna vez la necesiten.
ANEXOS
La libreria ggplot2 es un excelente recurso para hacer gráficos más sofisticados o con mejores
opciones de presentación.
install.packages("ggplot2")
library(ggplot2)
qplot(bfext, bfopen, data=personalidad, geom = c("point",

"smooth"))
## geom_smooth: method="auto" and size of largest group is <1000,

so using loess. Use 'method = x' to change the smoothing method.
Otras funciones útiles:
Para buscar información.
help(mean) # también puede escribirse como

?mean # y agregar dos ?? permite buscar en la documentación
online de R
# por palabras clave. Por ejemplo,
??mean
??"mean center"
Para combinar bases de datos en base a una variable (identificador) común:
help(merge)
El lugar donde aparecen los gráficos puede dividirse para incluir varios gráficos en la misma
imagen
par(mfrow=c(1,2)) # Divide el output gráfico en dos columnas.

hist(estudio2012$intolsex)
boxplot(estudio2012$intolsex)
par(mfrow=c(1,1)) # Quita la división del output gráfico.
Otros análisis estadísticos
Evaluación de supuestos estadísticos en modelos de regresión.
El comando plot() entrega cuatro gráficos útiles para evaluar si los datos cumplen los supuestos
estadísticos asociados a un modelo de regresión. Como aparece en la consola, tienen que apretar
enter para ver el siguiente gráfico.
plot(lm)
El primer gráfico muestra la distribución de los residuos. Esto es equivalente a la idea de
homogeneidad de varianza en ANOVA. La distribución de los residuos debiera ser uniforme, y la
línea roja debiera ser horizontal.
El segundo gráfico evalúa si los residuos tienen una distribución normal. Los puntos en el gráfico
debieran ajustarse a la línea diagonal. Los gráficos 2 y 3 son menos importantes.
ANOVA de mediciones repetidas
Requiere transformar la base de datos de forma que cada participante tenga varias líneas, una por
cada medición intrasujeto. Abajo les copio el ejemplo disponible en http://personalityproject.org.
la librería reshape2 tiene excelentes funciones para transformar una base de datos
datafilename="http://personality-
project.org/r/datasets/R.appendix3.data"
data.ex3=read.table(datafilename,header=T) #read the data into
a table
data.ex3 #show the data
aov.ex3 = aov(Recall~Valence+Error(Subject/Valence),data.ex3)
summary(aov.ex3)
print(model.tables(aov.ex3,"means"),digits=3) # report the means
and the number of subjects/cell
boxplot(Recall~Valence,data=data.ex3) #graphical output
Para modelos de ecuaciones estructurales (SEM) pueden ocupar la librería lavaan. Ver más
información en http://lavaan.ugent.be
install.packages("lavaan")
??lavaan
Para modelos multinivel pueden ocupar la librería lme4, específicamente la función lmer().
install.packages("lme4")
??lmer

Tutorial R - para Ciencias Sociales PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Tutorial R - para Ciencias Sociales PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

5/12/2016 Tutorial R:

resultado = 2+2 # (apreten "ctrl + Enter" para crear el objeto)

## Error: object 'Resultado' not found

## Error: could not find function "Help"

install.packages("psych") # El progreso de la instalación aparece

personalidad = epi.bfi # la librería psych tiene que estar

estudio2012 = read.csv(file.choose(), # abrir archivo

estudio2012 = # crea un objeto llamado estudio2012

getwd() # obtiene su directorio de trabajo

estudio2012 = read.csv("alumnos2012.csv", header = TRUE) # o

head(describe(estudio2012)) # solo los primeros casos

## vars n mean sd median trimmed mad min max range

x = table(estudio2012$sitsent) # asigna la tabla al objeto x

## vars n mean sd median trimmed mad min max range skew

## insom1 insom2 insom3 insom4

## vars n mean sd median trimmed mad min max range skew

barplot(table(estudio2012$insom1), # datos del gráfico

## vars n mean sd median trimmed mad min max range skew

hist(estudio2012$insom, # datos del gráfico

colMeans(insomnio, na.rm=TRUE) # imprime una tabla con los

## insom1 insom2 insom3 insom4 insom5

barplot(colMeans(insomnio, na.rm=TRUE)) # grafica esta tabla

ylab="Grado de acuerdo", # etiqueta eje

names=c("Item 1", "Item 2",

col=rainbow(20, alpha = .6), # R incluye

levels=c("En una relacion",

# Esto selecciona los niveles que nos

## [1] En una relacion En una relacion Soltero/a Soltero/a

estudio2012[52,]$sitsentf # muestra la situación sentimental del

## [1] "n" "sitsent" "desconf1" "desconf2" "desconf3"

tapply(estudio2012$insom1, estudio2012$sitsentf, mean, na.rm=TRUE)

## En una relacion Es complicado Soltero/a

barplot(tapply(estudio2012$insom1, estudio2012$sitsentf, mean,

barplot(tapply(estudio2012$insom1, estudio2012$sitsentf, mean,

summary(estudio2012$desconf4) # ver NA's

## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's

# agregando el siguiente argumento:

## Error: plot.new has not been called yet

## Warning: 5 observations with NAs, NaNs and/or Infs deleted

## Error: plot.new has not been called yet

install.packages("lattice") # Una vez que ya lo tienen instalado no

## [1] "red" "blue"

## [1] "Mujer" "Hombre"

colores[estudio2012$generof] # obtiene los datos de "generof",

## [1] "red" "red" "red" "red" "red" "red" "blue" "blue"

# ocupando los elementos del objeto

xlab="Ansiedad ante evaluaciones",

legend("topleft", # Ubicación de la leyenda

## [1] En una relacion En una relacion Soltero/a Soltero/a

## [1] En una relacion

xlab="Ansiedad ante evaluaciones",

## bfagree bfcon bfext bfneur bfopen

## bfagree bfcon bfext bfneur bfopen

x = cor(insomnio, # Vamos a asignar las correlaciones a un objeto,

## insom1 insom2 insom3 insom4 insom5

cor.plot(x) # Grafica la tabla de correlaciones

alpha(insomnio) # Probablemente tienen que moverse en la consola

# el output completo de este análisis

## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's

names(estudio2012) # ¿Se acuerdan cuál era el nombre de estas

## [1] "n" "sitsent" "desconf1" "desconf2" "desconf3"

## ansev1 ansev2 ansev3 ansev4 ansev5

## vars n mean sd median trimmed mad min max range skew