Inicio
Preparación de la base de datos
Se descargaron y unificaron las bases de datos en español y en portugués. A la base en portugués se le quitaron los casos de Uruguay, como fue acordado. Los nombres de las variables fueron ajustados para poder manipularse con mayor facilidad (e.g., “¿Cuál es la categoría más alta en la que competís actualmente?” \(\rightarrow\) “categoría”). Los ítems de las escalas fueron renombrados con el nombre del instrumento y el ítem correspondiente en esa escala (e.g., “aeq13”, “sscq02”)
En relación con las respuestas, se tradujeron aquellas que estaban en portugués para unificarlas. Para la variable Edad se unificaron los formatos (e.g., “19”, “19.0” y “19 años” \(\rightarrow\) “19”). La variable Convivientes fue transformada en cinco variables indicadoras de valores uno en caso de convivir con ese familiar y cero en caso contrario (i.e., dummies; “conv_madre”, “conv_padre”, “conv_hermanxs”, “conv_abuelxs”, “conv_otros”). El mismo proceso fue realizado con la variable Disciplina, resultando en cuatro variables: “disc_figuras”, “disc_solodance”, “disc_inline” y “disc_libre”. La variable Género del/de la entrenador/a fue recategorizada en “Masculino”, “Femenino”, “Ambos” (cuando la respuesta incluía al menos un varón y una mujer) y “Otro”. Los casos que no tenían respuesta a la pregunta por el país al que representan, pero sí a la pregunta por su residencia en caso de representar a Argentina (y que indicaron una provincia argentina), se les imputó el valor “Argentina” en el país que representan. La variable “Tu equipo de entrenamiento incluye:” no fue posible categorizarla por la cantidad de respuestas diversas. Sería necesario que el equipo de investigación decida cómo prefiere categorizarla.
Las respuestas de escalas Likert de frecuencia y de acuerdo fueron codificadas numéricamente (e.g., “Casi siempre” \(\rightarrow\) 5; “Casi nunca” \(\rightarrow\) 1). En los casos correspondientes se invirtieron las puntuaciones (i.e., “Casi siempre” \(\rightarrow\) 1; “Casi nunca” \(\rightarrow\) 5). Se corrigieron errores de tipeo que presentaban algunos ítems, como dobles espacios, que obstaculizarían el análisis posterior.
Para cada participante se calcularon los promedios de los ítems correspondientes para la obtención de los puntajes de Clima Motivacional (Apoyo a la Autonomía y Estilo Controlador), Habilidades Psicológicas para el Deporte (Autoconfianza, Control de Afrontamiento Negativo, Control Atencional, Control Visuo-Imaginativo, Nivel Motivacional, Control de Afrontamiento Positivo y Control Actitudinal), Compromiso (Confianza, Energía, Dedicación, Entusiasmo y Compromiso total), Burnout e Intención de Abandono.
Actualización 21/08/22
Se eliminaron los dos casos mayores de 40 años (1.54% de la muestra).
Análisis de Datos
Se estimaron correlaciones entre las variables psicológicas y diferencias de medias en las mismas según disciplina y categoría en la que compiten las/os participantes. Dado que en la mayor parte de las correlaciones las variables presentaron evidencia de incumplimiento del supuesto de normalidad bivariada, se empleó el método de Spearman para las estimaciones. Lo mismo ocurrió en el caso de las diferencias de medias y se decidió utilizar Kruskal-Wallis (Disciplina) y Wilcoxon (Categoría; también llamado Mann-Whitney). En los pocos escenarios en los que sí se cumplían los supuestos, se informó debidamente y se emplearon métodos paramétricos.
Dada la cantidad de pruebas de hipótesis realizadas se ajustaron los p-valores con el método de Bonferroni. Cabe destacar que los análisis presentados en este informe son exploratorios. Idealmente deberían considerarse como parte de una prueba piloto y utilizar una nueva muestra para analizar hipótesis más específicas, que se deriven de los resultados hallados en este informe y de la literatura previa.
Los análisis descritos se realizaron en la versión 4.1.2 de R, con las librerías base, MVN, psych, RVAideMemoire y emmeans. Para los gráficos se utilizaron las librerías ggplot2, ggmosaic, GGally y sf, mientras que las tablas fueron contruidas con las librerías knitr y kableExtra.
Actualización 21/08/22
Se actualizaron todos los análisis con la nueva muestra (sin los dos casos eliminados) y se agregó un gráfico con las características de la práctica deportiva y dos de convivencia familiar.
Actualización 14/03/23
Se actualizaron todos los análisis con la muestra total (sin los casos eliminados anteriormente y sin el caso de España). Se ajustaron los cortes de edad en la tabla de distribución de grupos etarios por sexo para que coincidan con las categorías. Se revisaron los análisis con la nueva muestra, se agregaron tablas que detallan las nuevas diferencias estadísticamente significativas (Autoconfianza, Control atencional, Nivel motivacional, Energía y Compromiso global según categoría) y se ajustaron las conclusiones previas en función de los nuevos resultados.
Se estimaron los coeficientes de correlación de edad con todas las variables de clima motivacional, habilidades psicológicas, compromiso, burnout y abandono.
Se evaluó la asociación entre todas las habilidades psicológicas y el último puesto alcanzado.
Se analizaron las diferencias en todas las variables según si lxs deportistas tienen psicólogx en sus cuerpos técnicos.
Se ajustaron todos los modelos con moderación solicitados. En los casos en los que el modelo no funcionó bien, se buscaron alternativas semejantes.
Estadística Descriptiva
Sociodemográficos
Edad y Género
# Crea un dataframe con la informacion para el grafico
edad <- data.frame("edad"=rep(as.numeric(names(table(uflo$edad))),2),
"sexo"=c(rep("Varones",length(table(uflo$edad))),rep("Mujeres",length(table(uflo$edad)))),
"n"=rep(NA, length(table(uflo$edad))*2),
"perc"=rep(NA, length(table(uflo$edad))*2))
# Calcula la proporcion por edad y genero
for(i in 1:nrow(edad)){
ifelse(i<=(nrow(edad)/2),
edad$n[i] <- sum(uflo$edad==edad$edad[i]&uflo$genero=="Masculino"),
edad$n[i] <- sum(uflo$edad==edad$edad[i]&uflo$genero=="Femenino"))
ifelse(i<=(nrow(edad)/2),
edad$perc[i] <- round(edad$n[i]/ nrow(uflo)*-100,1),
edad$perc[i] <- round(edad$n[i]/nrow(uflo)*100,1))
}
# Crear el plot
Plot_edad <- ggplot(edad)+ geom_col(aes(x=edad,y=perc,fill=sexo), alpha=0.7, width = 1)+
# coord_flip()+
geom_hline(yintercept = c(-10,-7.5,-5,-2.5,0,2.5,5,7.5,10, 12.5, 15,17.5), color=c(rep(colores[["rojo50"]],4),colores[["gris25"]],rep(colores[["turquesa75"]],7)), lty=3, lwd=.25)+
theme_bw()+
theme( # line = element_blank(),
legend.position="right",
rect = element_rect(fill = "transparent"))+
scale_y_continuous(name="Porcentaje de la muestra (%)",
sec.axis = dup_axis(name=""),
breaks = seq(-10, 17.5, by = 2.5),
labels = c(seq(10,0,by=-2.5),seq(2.5,17.5,by=2.5)))+
scale_x_continuous(name="Edad",
breaks = c(edad$edad[1:(nrow(edad)/2)]),
sec.axis = dup_axis(name=""))+
scale_fill_manual(values=c(colores[["turquesa75"]], colores[["rojo50"]]))+
scale_color_manual(values=c(colores[["turquesa75"]],colores[["rojo50"]]))+
ggtitle("Distribución de la edad según género")
# Ejecutarlo
Plot_edad
tabla_edad <- data.frame("Género"=c("Femenino","Masculino"),
"n"=c(describeBy(x=uflo$edad,group=uflo$genero)$Femenino[[2]],
describeBy(x=uflo$edad,group=uflo$genero)$Masculino[[2]]),
"Media (DE)"=c(paste0(round(describeBy(x=uflo$edad,group=uflo$genero)$Femenino[[3]],2),
" (",
round(describeBy(x=uflo$edad,group=uflo$genero)$Femenino[[4]],2),
")"),
paste0(round(describeBy(x=uflo$edad,group=uflo$genero)$Masculino[[3]],2),
" (",
round(describeBy(x=uflo$edad,group=uflo$genero)$Masculino[[4]],2),
")")),
"Asimetría"=c(round(describeBy(x=uflo$edad,group=uflo$genero)$Femenino[[11]],2),
round(describeBy(x=uflo$edad,group=uflo$genero)$Masculino[[11]],2)),
"Curtosis"=c(round(describeBy(x=uflo$edad,group=uflo$genero)$Femenino[[12]],2),
round(describeBy(x=uflo$edad,group=uflo$genero)$Masculino[[12]],2)),
check.names=FALSE)
kable(tabla_edad,
"html",
booktabs = T,
align = c("r"),
caption = "Distribución de Edad según Género") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)| Género | n | Media (DE) | Asimetría | Curtosis |
|---|---|---|---|---|
| Femenino | 172 | 20.09 (4.21) | 1.30 | 1.97 |
| Masculino | 22 | 19.68 (4.68) | 0.78 | -0.21 |
Tabla_edad <- data.frame("de 14 a 18" = c(paste0(sum(edad$n[edad$edad<19&edad$sexo=="Mujeres"], na.rm=T),
" (",
sum(abs(edad$perc[edad$edad<19&edad$sexo=="Mujeres"]),na.rm=T),
"%)"),
paste0(sum(edad$n[edad$edad<19&edad$sexo=="Varones"], na.rm=T),
" (",
sum(abs(edad$perc[edad$edad<19&edad$sexo=="Varones"]),na.rm=T),
"%)")),
"de 19 a 24" = c(paste0(sum(edad$n[edad$edad>18&edad$edad<25&edad$sexo=="Mujeres"], na.rm=T),
" (",
sum(abs(edad$perc[edad$edad>18&edad$edad<25&edad$sexo=="Mujeres"]),na.rm=T),
"%)"),
paste0(sum(edad$n[edad$edad>18&edad$edad<25&edad$sexo=="Varones"], na.rm=T),
" (",
sum(abs(edad$perc[edad$edad>18&edad$edad<25&edad$sexo=="Varones"]),na.rm=T),
"%)")),
"de 25 a 37" = c(paste0(sum(edad$n[edad$edad>24&edad$sexo=="Mujeres"], na.rm=T),
" (",
sum(abs(edad$perc[edad$edad>24&edad$sexo=="Mujeres"]),na.rm=T),
"%)"),
paste0(sum(edad$n[edad$edad>24&edad$sexo=="Varones"], na.rm=T),
" (",
sum(abs(edad$perc[edad$edad>24&edad$sexo=="Varones"]),na.rm=T),
"%)")), check.names = F)
Tabla_edad <- cbind(data.frame("Género"=c("Mujeres","Varones")),Tabla_edad)
rownames(Tabla_edad) <- NULL
kable(Tabla_edad,
"html",
booktabs = T,
align = c("r"),
caption = "Distribución de Edad según Género") %>%
kable_styling(full_width = F,
position = "center", font_size = 12) %>%
add_header_above(c(" " = 1, "Edad" = 3))| Género | de 14 a 18 | de 19 a 24 | de 25 a 37 |
|---|---|---|---|
| Mujeres | 78 (40.3%) | 70 (36.1%) | 24 (12.3%) |
| Varones | 12 (6.1%) | 7 (3.5%) | 3 (1.5%) |
Como ya fue discutido, la muestra se encuentra muy desbalanceada respecto a la variable género. En términos de la edad, ambos géneros presentan asimetría a derecha, aunque presentan medias semejantes.
Genero deportista-entrenador/a
generos <- uflo[,c("genero","genero_entrenadorx")]
generos$genero <- ifelse(generos$genero=="Masculino", paste0("Masculino\n(",round(100*mean(as.numeric(generos$genero)-1,na.rm=T),1),"%)"),
paste0("Femenino\n(",round(100*(1-mean(as.numeric(generos$genero)-1,na.rm=T)),1),"%)"))
generos$genero_entrenadorx <- ifelse(generos$genero_entrenadorx=="Masculino",paste0("Masculino\n(",round(100*sum(generos$genero_entrenadorx=="Masculino",na.rm=T)/nrow(generos),1),"%)"),
ifelse(generos$genero_entrenadorx=="Femenino",paste0("Femenino\n(",round(100*sum(generos$genero_entrenadorx=="Femenino",na.rm=T)/nrow(generos),1),"%)"),
ifelse(generos$genero_entrenadorx=="Otro",paste0("Otro\n(",round(100*sum(generos$genero_entrenadorx=="Otro",na.rm=T)/nrow(generos),1),"%)"),
paste0("Ambos\n(",round(100*sum(generos$genero_entrenadorx=="Ambos",na.rm=T)/nrow(generos),1),"%)"))))
Plot_gen <- ggplot(data = generos) +
ggmosaic::geom_mosaic(aes(x = product(genero), fill=genero_entrenadorx), offset = 0.025, alpha=0.7) +
theme_mosaic()+
theme(legend.position = "none")+
ylab("Género de entrenador/a")+xlab("Género de deportista")+
ggtitle("Distribución de Género de entrenador/a según\nGénero de deportista")+
scale_fill_manual(values=c(colores[["rojo50"]], colores[["naranja50"]], colores[["verde75"]],colores[["turquesa75"]]))
Plot_gen <- Plot_gen +
geom_text(data = ggplot_build(Plot_gen)$data[[1]], aes(x = (xmin+xmax)/2, y = (ymin+ymax)/2, label=paste0(round(100*.wt/sum(.wt),1),"%")),
color="black", size=3)
Plot_gen
La mayor parte de las patinadoras tienen entrenadoras de su mismo género. En el caso de los varones, el género de sus entrenadores/as está más equitativamente distribuido.
Paises representados
map <- st_read("sudamerica.json")
map$geounit <- ifelse(map$geounit=="Falkland Islands", "Argentina",
ifelse(map$geounit=="Brazil","Brasil",
ifelse(map$geounit=="Mexico","México", map$geounit)))
map$conteo <- rep(NA,nrow(map))
for(i in names(table(uflo$pais))){
map$conteo[map$geounit==i] <- table(uflo$pais)[i]
}
# map$n <- ifelse(map$conteo<=ceiling(quantile(map$conteo,.25, na.rm = T)), paste0("1 a ",ceiling(quantile(map$conteo,.25, na.rm = T))),
# ifelse(map$conteo<=ceiling(quantile(map$conteo,.5, na.rm = T)), paste0(1+ceiling(quantile(map$conteo,.25, na.rm = T)), " a ",ceiling(quantile(map$conteo,.5, na.rm = T))),
# ifelse(map$conteo<=ceiling(quantile(map$conteo,.75, na.rm = T)), paste0(1+ceiling(quantile(map$conteo,.5, na.rm = T))," a ",ceiling(quantile(map$conteo,.75, na.rm = T))),
# ifelse(map$conteo<=max(map$conteo,na.rm = T), paste0(1+ceiling(quantile(map$conteo,.75, na.rm = T))," a ",max(map$conteo,na.rm = T)),
# NA))))
#
# map$n <- ifelse(map$n=="8 a 8", "8",
# ifelse(map$n=="9 a 92", "92", map$n))
map$n <- ifelse(map$conteo<=5, "1 a 5",
ifelse(map$conteo<=10, "6 a 10",
ifelse(map$conteo<=145, "145",
NA)))
map$n <- factor(map$n, levels = c("1 a 5", "6 a 10", "145"))
Mapa <- ggplot(data = map) +
geom_sf(aes(fill=n))+
coord_sf(xlim = c(-130,-30), ylim = c(-60,35))+
theme_bw()+
theme(line = element_blank(),
axis.line = element_blank(),
axis.text = element_blank(),
legend.position="right",
rect = element_rect(fill = "transparent"))+
scale_fill_manual(values=c(colores[["naranja25"]],colores[["naranja50"]],
colores[["rojo50"]]),
na.translate = F)+
ggtitle("Representación de cada país")
Mapa
Tabla_mapa <- data.frame("Pais"=names(table(uflo$pais)),
"Figuras_Obl."=as.numeric(table(uflo$pais[uflo$disc_figuras==1])),
"Solo_dance"=as.numeric(table(uflo$pais[uflo$disc_solodance==1])),
"In_line"=as.numeric(table(uflo$pais[uflo$disc_inline==1])),
"Libre"=as.numeric(table(uflo$pais[uflo$disc_libre==1])),
"Total"=as.numeric(table(uflo$pais)))
for(i in Tabla_mapa$Pais){
Tabla_mapa$Figuras_Obl.[Tabla_mapa$Pais==i] <- paste0(Tabla_mapa$Figuras_Obl.[Tabla_mapa$Pais==i],
" (",
round(100*as.numeric(Tabla_mapa$Figuras_Obl.[Tabla_mapa$Pais==i])/
as.numeric(Tabla_mapa$Total[Tabla_mapa$Pais==i]),1),
"%)")
Tabla_mapa$Solo_dance[Tabla_mapa$Pais==i] <- paste0(Tabla_mapa$Solo_dance[Tabla_mapa$Pais==i],
" (",
round(100*as.numeric(Tabla_mapa$Solo_dance[Tabla_mapa$Pais==i])/
as.numeric(Tabla_mapa$Total[Tabla_mapa$Pais==i]),1),
"%)")
Tabla_mapa$In_line[Tabla_mapa$Pais==i] <- paste0(Tabla_mapa$In_line[Tabla_mapa$Pais==i],
" (",
round(100*as.numeric(Tabla_mapa$In_line[Tabla_mapa$Pais==i])/
as.numeric(Tabla_mapa$Total[Tabla_mapa$Pais==i]),1),
"%)")
Tabla_mapa$Libre[Tabla_mapa$Pais==i] <- paste0(Tabla_mapa$Libre[Tabla_mapa$Pais==i],
" (",
round(100*as.numeric(Tabla_mapa$Libre[Tabla_mapa$Pais==i])/
as.numeric(Tabla_mapa$Total[Tabla_mapa$Pais==i]),1)
,"%)")
Tabla_mapa$Total[Tabla_mapa$Pais==i] <- paste0(Tabla_mapa$Total[Tabla_mapa$Pais==i],
" (",
round(100*as.numeric(Tabla_mapa$Total[Tabla_mapa$Pais==i])/
as.numeric(Tabla_mapa$Total[Tabla_mapa$Pais==i]),1),
"%)")
}
kable(Tabla_mapa,
"html",
booktabs = T,
align = c("r"),
caption = "Distribución de disciplinas según país de representación") %>%
kable_styling(full_width = F,
position = "center", font_size = 12) %>%
add_header_above(c(" " = 1, "Disciplina" = 5))| Pais | Figuras_Obl. | Solo_dance | In_line | Libre | Total |
|---|---|---|---|---|---|
| Argentina | 45 (31%) | 56 (38.6%) | 3 (2.1%) | 46 (31.7%) | 145 (100%) |
| Bolivia | 0 (0%) | 0 (0%) | 0 (0%) | 1 (100%) | 1 (100%) |
| Brasil | 0 (0%) | 3 (37.5%) | 0 (0%) | 5 (62.5%) | 8 (100%) |
| Chile | 0 (0%) | 0 (0%) | 0 (0%) | 9 (100%) | 9 (100%) |
| Colombia | 2 (20%) | 6 (60%) | 0 (0%) | 2 (20%) | 10 (100%) |
| Ecuador | 0 (0%) | 0 (0%) | 0 (0%) | 8 (100%) | 8 (100%) |
| México | 0 (0%) | 2 (50%) | 0 (0%) | 2 (50%) | 4 (100%) |
| Paraguay | 0 (0%) | 2 (40%) | 0 (0%) | 3 (60%) | 5 (100%) |
| Peru | 0 (0%) | 0 (0%) | 0 (0%) | 1 (100%) | 1 (100%) |
| Uruguay | 3 (100%) | 0 (0%) | 0 (0%) | 0 (0%) | 3 (100%) |
La gran mayoría de las/os participantes representan a Argentina por lo que sería complejo generalizar las conclusiones de este estudio a otros países. Las/os representantes de cada país parecen estar equitativamente distribuidas/os entre las distintas disciplinas en las que compiten.
Convivencia familiar (padres)
convivientes <- data.frame("Madre"=ifelse(uflo$conv_madre==1,"Sí", "No"),
"Padre"=ifelse(uflo$conv_padre==1,"Sí","No"))
convivientes$Madre <- ifelse(convivientes$Madre=="Sí", paste0("Sí\n(", round(100*sum(uflo$conv_madre==1, na.rm = T)/length(uflo$conv_madre),1),"%)"),paste0("No\n(", round(100*sum(uflo$conv_madre==0, na.rm = T)/length(uflo$conv_madre),1),"%)"))
convivientes$Padre <- ifelse(convivientes$Padre=="Sí", paste0("Sí\n(", round(100*sum(uflo$conv_padre==1, na.rm = T)/length(uflo$conv_padre),1),"%)"),paste0("No\n(", round(100*sum(uflo$conv_padre==0, na.rm = T)/length(uflo$conv_padre),1),"%)"))
Plot_conv <- ggplot(data = convivientes) +
ggmosaic::geom_mosaic(aes(x = product(Padre), fill=Madre), offset = 0.025, alpha=0.7) +
theme_mosaic()+
theme(legend.position = "none")+
ylab("Madre")+xlab("Padre")+
ggtitle("Convivencia con figuras parentales")+
scale_fill_manual(values=c(colores[["rojo50"]], colores[["turquesa75"]]))
Plot_conv <- Plot_conv +
geom_text(data = ggplot_build(Plot_conv)$data[[1]], aes(x = (xmin+xmax)/2, y = (ymin+ymax)/2, label=paste0(round(100*.wt/sum(.wt),1),"%")),
color="black", size=3)
Plot_conv
Convivencia familiar (otros familiares)
convivientes <- data.frame("hermanxs"=ifelse(uflo$conv_hermanxs==1,"Sí", "No"),
"abuelxs"=ifelse(uflo$conv_abuelxs==1,"Sí","No"))
convivientes$hermanxs <- ifelse(convivientes$hermanxs=="Sí", paste0("Sí\n(", round(100*sum(uflo$conv_hermanxs==1, na.rm = T)/length(uflo$conv_hermanxs),1),"%)"),paste0("No\n(", round(100*sum(uflo$conv_hermanxs==0, na.rm = T)/length(uflo$conv_hermanxs),1),"%)"))
convivientes$abuelxs <- ifelse(convivientes$abuelxs=="Sí", paste0("Sí\n(", round(100*sum(uflo$conv_abuelxs==1, na.rm = T)/length(uflo$conv_abuelxs),1),"%)"),paste0("No\n(", round(100*sum(uflo$conv_abuelxs==0, na.rm = T)/length(uflo$conv_abuelxs),1),"%)"))
Plot_conv_otros <- ggplot(data = convivientes) +
ggmosaic::geom_mosaic(aes(x = product(abuelxs), fill=hermanxs), offset = 0.025, alpha=0.7) +
theme_mosaic()+
theme(legend.position = "none")+
ylab("Hermanas/os")+xlab("Abuelas/os")+
ggtitle("Convivencia con otros familiares")+
scale_fill_manual(values=c(colores[["naranja50"]], colores[["verde75"]]))
Plot_conv_otros <- Plot_conv_otros +
geom_text(data = ggplot_build(Plot_conv_otros)$data[[1]], aes(x = (xmin+xmax)/2, y = (ymin+ymax)/2, label=paste0(round(100*.wt/sum(.wt),1),"%")),
color="black", size=3)
Plot_conv_otros
Disciplina y Categoría
Para este gráfico se excluyeron lxs deportistas que compiten en más de una disciplina (4 casos, 2.1% del total)
categoria <- uflo[rowSums(uflo[14:17],na.rm=T)==1,14:18]
categoria$disc <-factor(ifelse(categoria$disc_figuras==1,paste0("Figuras Obl.\n(",round(100*mean(categoria$disc_figuras,na.rm=T),1),"%)"),
ifelse(categoria$disc_solodance==1,paste0("Solo dance\n(",round(100*mean(categoria$disc_solodance,na.rm=T),1),"%)"),
ifelse(categoria$disc_inline==1,paste0("In line\n(",round(100*mean(categoria$disc_inline,na.rm=T),1),"%)"),paste0("Libre\n(",round(100*mean(categoria$disc_libre,na.rm=T),1),"%)")))))
categoria$categoria <- ifelse(categoria$categoria=="Mundial WS",paste0("Mundial WS\n(",round(100*mean(as.numeric(categoria$categoria)-1,na.rm = T),1),"%)"),paste0("Elite / B\n(",round(100*(1-mean(as.numeric(categoria$categoria)-1,na.rm = T)),1),"%)"))
Plot_cat <- ggplot(data = categoria) +
ggmosaic::geom_mosaic(aes(x = product(categoria), fill=disc), offset = 0.025, alpha=.7) +
theme_mosaic()+
theme(legend.position = "none")+
ylab("Disciplina")+xlab("Categoría")+
ggtitle("Distribución de Categorías según Disciplina")+
scale_fill_manual(values=c(colores[["rojo50"]], colores[["naranja50"]], colores[["verde75"]],colores[["turquesa75"]]))
Plot_cat <- Plot_cat +
geom_text(data = ggplot_build(Plot_cat)$data[[1]], aes(x = (xmin+xmax)/2, y = (ymin+ymax)/2, label=paste0(round(100*.wt/sum(.wt),1),"%")),
color="black", size=3)
Plot_cat
Como se discutió previamente, hay una subrepresentación de la disciplina “In Line”. En “Figuras Obligatorias” de la categoría Mundial WS compiten casi la mitad de deportistas que en “Solo Dance” y “Libre”, que son las disciplinas con mayor cantidad de patinadoras/es. En la categoría Elite / B la división es más proporcionada.
Otras variables deportivas
df_depor <- data.frame("variable"= c(rep("Nivel",2),
rep("Último puesto alcanzado",4),
rep("Tiempo en el deporte",3),
rep("Días de entrenamiento semanales",4)),
"niveles"=c("Junior", "Senior",
"1° puesto", "2° y/o 3°", "4° a 10°", "Ninguno",
"Hasta 3 años", "Entre 4 y 6 años", "Más de 7 años",
"Hasta 2 días", "3 o 4 días", "5 o 6 días", "Todos los días"),
"valor"=c(100*sum(as.numeric(uflo$nivel)==1,na.rm=T)/sum(as.numeric(uflo$nivel)!=0,na.rm=T),
100*sum(as.numeric(uflo$nivel)==2,na.rm=T)/sum(as.numeric(uflo$nivel)!=0,na.rm=T),
100*sum(as.numeric(uflo$posicion)==1,na.rm=T)/sum(as.numeric(uflo$posicion)!=0,na.rm=T),
100*sum(as.numeric(uflo$posicion)==2,na.rm=T)/sum(as.numeric(uflo$posicion)!=0,na.rm=T),
100*sum(as.numeric(uflo$posicion)==3,na.rm=T)/sum(as.numeric(uflo$posicion)!=0,na.rm=T),
100*sum(as.numeric(uflo$posicion)==4,na.rm=T)/sum(as.numeric(uflo$posicion)!=0,na.rm=T),
100*sum(as.numeric(uflo$tdeporte)==1,na.rm=T)/sum(as.numeric(uflo$tdeporte)!=0,na.rm=T),
100*sum(as.numeric(uflo$tdeporte)==2,na.rm=T)/sum(as.numeric(uflo$tdeporte)!=0,na.rm=T),
100*sum(as.numeric(uflo$tdeporte)==3,na.rm=T)/sum(as.numeric(uflo$tdeporte)!=0,na.rm=T),
100*sum(as.numeric(uflo$tentrenamiento)==1,na.rm=T)/sum(as.numeric(uflo$tentrenamiento)!=0,na.rm=T),
100*sum(as.numeric(uflo$tentrenamiento)==2,na.rm=T)/sum(as.numeric(uflo$tentrenamiento)!=0,na.rm=T),
100*sum(as.numeric(uflo$tentrenamiento)==3,na.rm=T)/sum(as.numeric(uflo$tentrenamiento)!=0,na.rm=T),
100*sum(as.numeric(uflo$tentrenamiento)==4,na.rm=T)/sum(as.numeric(uflo$tentrenamiento)!=0,na.rm=T)
))
df_depor$variable <- factor(df_depor$variable, levels=c("Días de entrenamiento semanales",
"Tiempo en el deporte",
"Último puesto alcanzado",
"Nivel"
))
df_depor$niveles <- factor(df_depor$niveles, levels=c("Todos los días", "5 o 6 días", "3 o 4 días","Hasta 2 días",
"Más de 7 años","Entre 4 y 6 años","Hasta 3 años",
"Ninguno","4° a 10°", "2° y/o 3°","1° puesto",
"Senior","Junior"))
PlotcaractDepor <- ggplot((df_depor), aes(y=variable, x=valor)) +
geom_bar(aes(fill = factor(niveles)),position = "stack", stat="identity", alpha=.75)+
scale_fill_manual("niveles", values = c("Todos los días"=colores[["turquesa75"]],
"5 o 6 días"=colores[["verde75"]],
"3 o 4 días"=colores[["naranja50"]],
"Hasta 2 días"=colores[["rojo50"]],
"Más de 7 años"=colores[["turquesa75"]],
"Entre 4 y 6 años"=colores[["verde75"]],
"Hasta 3 años"=colores[["rojo50"]],
"Ninguno"=colores[["turquesa75"]],
"4° a 10°"=colores[["verde75"]],
"2° y/o 3°"=colores[["naranja50"]],
"1° puesto"=colores[["rojo50"]],
"Senior"=colores[["turquesa75"]],
"Junior"=colores[["rojo50"]]))+
geom_text(aes(label = ifelse(df_depor$valor<10,NA,
paste0(df_depor$niveles,"\n",round(df_depor$valor,1),"%"))), color = "white", size = ifelse(df_depor$valor<5,2,3.5), position = position_stack(vjust = 0.5))+
theme_minimal()+
theme(legend.position="none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0.5, size = 8, family = "sans"),
rect = element_rect(fill = "transparent"),
axis.text.x = element_blank())+
ggtitle("Características de la práctica deportiva")+
ylab("")+
xlab("")+
labs(caption = paste0('Nota: Las etiquetas omitidas por baja prevalencia son: "Ninguno (',round(df_depor$valor[df_depor$niveles=="Ninguno"],1), '%)" (Último puesto alcanzado), "Hasta 3 años (',round(df_depor$valor[df_depor$niveles=="Hasta 3 años"],1), '%)" y\n"Entre 4 y 6 años (',round(df_depor$valor[df_depor$niveles=="Entre 4 y 6 años"],1), '%)" (Tiempo en el deporte), "Hasta 2 días (',round(df_depor$valor[df_depor$niveles=="Hasta 2 días"],1), '%)" y "Todos los días (',round(df_depor$valor[df_depor$niveles=="Todos los días"],1), '%)" (Días de entrenamiento semanales).'))
PlotcaractDepor
Para esta tabla se excluyeron lxs deportistas que compiten en más de una disciplina (4 casos, 2.1% del total)
uflo2 <- uflo[rowSums(uflo[14:17],na.rm=T)==1,]
Tabla_deportiva <- data.frame(
"Variable"= c("Nivel", rep(" ",2),"Último puesto alcanzado", rep(" ",4), "Tiempo en deporte", rep(" ", 3), "Días de entrenamiento", rep(" ", 4)),
"Nivel"=c(" ", "Jr.","Sr."," ","1° Puesto", "2° y/o 3°", "4° al 10°", "Ninguno", " ", "Hasta 3 años","Entre 4 y 6 años","Más de 7 años"," ","Hasta 2 días","3 o 4 días","5 o 6 días","Todos los días"),
"Figuras_Obl."=rep(" ",17),
"Solo_dance"=rep(" ",17),
"In_line"=rep(" ",17),
"Libre"=rep(" ",17),
"Elite/B"=rep(" ",17),
"Mundial"=rep(" ",17),
"Total"=rep(" ",17),
"Total_n"=rep(" ",17),
"Total_perc"=rep(" ",17)
)
Tabla_deportiva$Total_n <- c(NA,
sum(uflo2$nivel=="Junior", na.rm = T),
sum(uflo2$nivel=="Senior", na.rm = T),
NA,
sum(uflo2$posicion=="1º puesto", na.rm = T),
sum(uflo2$posicion=="2º y/o 3º", na.rm = T),
sum(uflo2$posicion=="del 4º al 10º", na.rm = T),
sum(uflo2$posicion=="Ninguna", na.rm = T),
NA,
sum(uflo2$tdeporte=="Hasta 3 años", na.rm = T),
sum(uflo2$tdeporte=="Entre 4 y 6 años", na.rm = T),
sum(uflo2$tdeporte=="Más de 7 años", na.rm = T),
NA,
sum(uflo2$tentrenamiento=="Hasta 2 días", na.rm = T),
sum(uflo2$tentrenamiento=="3 o 4 días", na.rm = T),
sum(uflo2$tentrenamiento=="5 o 6 días", na.rm = T),
sum(uflo2$tentrenamiento=="Todos los días", na.rm = T))
Tabla_deportiva$Total_perc <- round(100*Tabla_deportiva$Total_n/nrow(uflo2),1)
Tabla_deportiva$Total <- ifelse(!is.na(Tabla_deportiva$Total_n),paste0(Tabla_deportiva$Total_n, " (",Tabla_deportiva$Total_perc,"%)"),NA)
Tabla_deportiva$Figuras_Obl. <- c(NA,
sum(uflo2$disc_figuras[uflo2$nivel=="Junior"], na.rm = T),
sum(uflo2$disc_figuras[uflo2$nivel=="Senior"], na.rm = T),
NA,
sum(uflo2$disc_figuras[uflo2$posicion=="1º puesto"], na.rm = T),
sum(uflo2$disc_figuras[uflo2$posicion=="2º y/o 3º"], na.rm = T),
sum(uflo2$disc_figuras[uflo2$posicion=="del 4º al 10º"], na.rm = T),
sum(uflo2$disc_figuras[uflo2$posicion=="Ninguna"], na.rm = T),
NA,
sum(uflo2$disc_figuras[uflo2$tdeporte=="Hasta 3 años"], na.rm = T),
sum(uflo2$disc_figuras[uflo2$tdeporte=="Entre 4 y 6 años"], na.rm = T),
sum(uflo2$disc_figuras[uflo2$tdeporte=="Más de 7 años"], na.rm = T),
NA,
sum(uflo2$disc_figuras[uflo2$tentrenamiento=="Hasta 2 días"], na.rm = T),
sum(uflo2$disc_figuras[uflo2$tentrenamiento=="3 o 4 días"], na.rm = T),
sum(uflo2$disc_figuras[uflo2$tentrenamiento=="5 o 6 días"], na.rm = T),
sum(uflo2$disc_figuras[uflo2$tentrenamiento=="Todos los días"], na.rm = T))
Tabla_deportiva$Total_perc <- round(100*Tabla_deportiva$Figuras_Obl./nrow(uflo2),1)
Tabla_deportiva$Figuras_Obl. <- ifelse(!is.na(Tabla_deportiva$Total_n),paste0(Tabla_deportiva$Figuras_Obl., " (",Tabla_deportiva$Total_perc,"%)"),NA)
Tabla_deportiva$Solo_dance <- c(NA,
sum(uflo2$disc_solodance[uflo2$nivel=="Junior"], na.rm = T),
sum(uflo2$disc_solodance[uflo2$nivel=="Senior"], na.rm = T),
NA,
sum(uflo2$disc_solodance[uflo2$posicion=="1º puesto"], na.rm = T),
sum(uflo2$disc_solodance[uflo2$posicion=="2º y/o 3º"], na.rm = T),
sum(uflo2$disc_solodance[uflo2$posicion=="del 4º al 10º"], na.rm = T),
sum(uflo2$disc_solodance[uflo2$posicion=="Ninguna"], na.rm = T),
NA,
sum(uflo2$disc_solodance[uflo2$tdeporte=="Hasta 3 años"], na.rm = T),
sum(uflo2$disc_solodance[uflo2$tdeporte=="Entre 4 y 6 años"], na.rm = T),
sum(uflo2$disc_solodance[uflo2$tdeporte=="Más de 7 años"], na.rm = T),
NA,
sum(uflo2$disc_solodance[uflo2$tentrenamiento=="Hasta 2 días"], na.rm = T),
sum(uflo2$disc_solodance[uflo2$tentrenamiento=="3 o 4 días"], na.rm = T),
sum(uflo2$disc_solodance[uflo2$tentrenamiento=="5 o 6 días"], na.rm = T),
sum(uflo2$disc_solodance[uflo2$tentrenamiento=="Todos los días"], na.rm = T))
Tabla_deportiva$Total_perc <- round(100*Tabla_deportiva$Solo_dance/nrow(uflo2),1)
Tabla_deportiva$Solo_dance <- ifelse(!is.na(Tabla_deportiva$Total_n),paste0(Tabla_deportiva$Solo_dance, " (",Tabla_deportiva$Total_perc,"%)"),NA)
Tabla_deportiva$In_line <- c(NA,
sum(uflo2$disc_inline[uflo2$nivel=="Junior"], na.rm = T),
sum(uflo2$disc_inline[uflo2$nivel=="Senior"], na.rm = T),
NA,
sum(uflo2$disc_inline[uflo2$posicion=="1º puesto"], na.rm = T),
sum(uflo2$disc_inline[uflo2$posicion=="2º y/o 3º"], na.rm = T),
sum(uflo2$disc_inline[uflo2$posicion=="del 4º al 10º"], na.rm = T),
sum(uflo2$disc_inline[uflo2$posicion=="Ninguna"], na.rm = T),
NA,
sum(uflo2$disc_inline[uflo2$tdeporte=="Hasta 3 años"], na.rm = T),
sum(uflo2$disc_inline[uflo2$tdeporte=="Entre 4 y 6 años"], na.rm = T),
sum(uflo2$disc_inline[uflo2$tdeporte=="Más de 7 años"], na.rm = T),
NA,
sum(uflo2$disc_inline[uflo2$tentrenamiento=="Hasta 2 días"], na.rm = T),
sum(uflo2$disc_inline[uflo2$tentrenamiento=="3 o 4 días"], na.rm = T),
sum(uflo2$disc_inline[uflo2$tentrenamiento=="5 o 6 días"], na.rm = T),
sum(uflo2$disc_inline[uflo2$tentrenamiento=="Todos los días"], na.rm = T))
Tabla_deportiva$Total_perc <- round(100*Tabla_deportiva$In_line/nrow(uflo2),1)
Tabla_deportiva$In_line <- ifelse(!is.na(Tabla_deportiva$Total_n),paste0(Tabla_deportiva$In_line, " (",Tabla_deportiva$Total_perc,"%)"),NA)
Tabla_deportiva$Libre <- c(NA,
sum(uflo2$disc_libre[uflo2$nivel=="Junior"], na.rm = T),
sum(uflo2$disc_libre[uflo2$nivel=="Senior"], na.rm = T),
NA,
sum(uflo2$disc_libre[uflo2$posicion=="1º puesto"], na.rm = T),
sum(uflo2$disc_libre[uflo2$posicion=="2º y/o 3º"], na.rm = T),
sum(uflo2$disc_libre[uflo2$posicion=="del 4º al 10º"], na.rm = T),
sum(uflo2$disc_libre[uflo2$posicion=="Ninguna"], na.rm = T),
NA,
sum(uflo2$disc_libre[uflo2$tdeporte=="Hasta 3 años"], na.rm = T),
sum(uflo2$disc_libre[uflo2$tdeporte=="Entre 4 y 6 años"], na.rm = T),
sum(uflo2$disc_libre[uflo2$tdeporte=="Más de 7 años"], na.rm = T),
NA,
sum(uflo2$disc_libre[uflo2$tentrenamiento=="Hasta 2 días"], na.rm = T),
sum(uflo2$disc_libre[uflo2$tentrenamiento=="3 o 4 días"], na.rm = T),
sum(uflo2$disc_libre[uflo2$tentrenamiento=="5 o 6 días"], na.rm = T),
sum(uflo2$disc_libre[uflo2$tentrenamiento=="Todos los días"], na.rm = T))
Tabla_deportiva$Total_perc <- round(100*Tabla_deportiva$Libre/nrow(uflo2),1)
Tabla_deportiva$Libre <- ifelse(!is.na(Tabla_deportiva$Total_n),paste0(Tabla_deportiva$Libre, " (",Tabla_deportiva$Total_perc,"%)"),NA)
Tabla_deportiva$Elite.B <- c(NA,
sum(uflo2$categoria=="Elite / B"&uflo2$nivel=="Junior", na.rm = T),
sum(uflo2$categoria=="Elite / B"&uflo2$nivel=="Senior", na.rm = T),
NA,
sum(uflo2$categoria=="Elite / B"&uflo2$posicion=="1º puesto", na.rm = T),
sum(uflo2$categoria=="Elite / B"&uflo2$posicion=="2º y/o 3º", na.rm = T),
sum(uflo2$categoria=="Elite / B"&uflo2$posicion=="del 4º al 10º", na.rm = T),
sum(uflo2$categoria=="Elite / B"&uflo2$posicion=="Ninguna", na.rm = T),
NA,
sum(uflo2$categoria=="Elite / B"&uflo2$tdeporte=="Hasta 3 años", na.rm = T),
sum(uflo2$categoria=="Elite / B"&uflo2$tdeporte=="Entre 4 y 6 años", na.rm = T),
sum(uflo2$categoria=="Elite / B"&uflo2$tdeporte=="Más de 7 años", na.rm = T),
NA,
sum(uflo2$categoria=="Elite / B"&uflo2$tentrenamiento=="Hasta 2 días", na.rm = T),
sum(uflo2$categoria=="Elite / B"&uflo2$tentrenamiento=="3 o 4 días", na.rm = T),
sum(uflo2$categoria=="Elite / B"&uflo2$tentrenamiento=="5 o 6 días", na.rm = T),
sum(uflo2$categoria=="Elite / B"&uflo2$tentrenamiento=="Todos los días", na.rm = T))
Tabla_deportiva$Total_perc <- round(100*Tabla_deportiva$Elite.B/nrow(uflo2),1)
Tabla_deportiva$Elite.B <- ifelse(!is.na(Tabla_deportiva$Total_n),paste0(Tabla_deportiva$Elite.B, " (",Tabla_deportiva$Total_perc,"%)"),NA)
Tabla_deportiva$Mundial <- c(NA,
sum(uflo2$categoria=="Mundial WS"&uflo2$nivel=="Junior", na.rm = T),
sum(uflo2$categoria=="Mundial WS"&uflo2$nivel=="Senior", na.rm = T),
NA,
sum(uflo2$categoria=="Mundial WS"&uflo2$posicion=="1º puesto", na.rm = T),
sum(uflo2$categoria=="Mundial WS"&uflo2$posicion=="2º y/o 3º", na.rm = T),
sum(uflo2$categoria=="Mundial WS"&uflo2$posicion=="del 4º al 10º", na.rm = T),
sum(uflo2$categoria=="Mundial WS"&uflo2$posicion=="Ninguna", na.rm = T),
NA,
sum(uflo2$categoria=="Mundial WS"&uflo2$tdeporte=="Hasta 3 años", na.rm = T),
sum(uflo2$categoria=="Mundial WS"&uflo2$tdeporte=="Entre 4 y 6 años", na.rm = T),
sum(uflo2$categoria=="Mundial WS"&uflo2$tdeporte=="Más de 7 años", na.rm = T),
NA,
sum(uflo2$categoria=="Mundial WS"&uflo2$tentrenamiento=="Hasta 2 días", na.rm = T),
sum(uflo2$categoria=="Mundial WS"&uflo2$tentrenamiento=="3 o 4 días", na.rm = T),
sum(uflo2$categoria=="Mundial WS"&uflo2$tentrenamiento=="5 o 6 días", na.rm = T),
sum(uflo2$categoria=="Mundial WS"&uflo2$tentrenamiento=="Todos los días", na.rm = T))
Tabla_deportiva$Total_perc <- round(100*Tabla_deportiva$Mundial/nrow(uflo2),1)
Tabla_deportiva$Mundial <- ifelse(!is.na(Tabla_deportiva$Total_n),paste0(Tabla_deportiva$Mundial, " (",Tabla_deportiva$Total_perc,"%)"),NA)
Tabla_deportiva <- Tabla_deportiva[1:9]
Tabla_deportiva[is.na(Tabla_deportiva)] <- ""
kable(Tabla_deportiva,
"html",
booktabs = T,
align = c("r"),
caption = "Características deportivas de la muestra") %>%
column_spec (c(2,6,8),border_right = T)%>%
kable_styling(full_width = F,
position = "center", font_size = 12) %>%
add_header_above(c(" " = 2, "Disciplina" = 4, "Categoría"=2, " "= 1)) %>%
add_footnote("Nota: Los porcentajes informados son en relación a la muestra total", notation = "none")| Variable | Nivel | Figuras_Obl. | Solo_dance | In_line | Libre | Elite.B | Mundial | Total |
|---|---|---|---|---|---|---|---|---|
| Nivel | ||||||||
| Jr. | 14 (7.4%) | 26 (13.7%) | 0 (0%) | 29 (15.3%) | 22 (11.6%) | 47 (24.7%) | 69 (36.3%) | |
| Sr. | 32 (16.8%) | 40 (21.1%) | 3 (1.6%) | 46 (24.2%) | 42 (22.1%) | 79 (41.6%) | 121 (63.7%) | |
| Último puesto alcanzado | ||||||||
| 1° Puesto | 26 (13.7%) | 36 (18.9%) | 2 (1.1%) | 52 (27.4%) | 36 (18.9%) | 80 (42.1%) | 116 (61.1%) | |
| 2° y/o 3° | 15 (7.9%) | 18 (9.5%) | 1 (0.5%) | 11 (5.8%) | 18 (9.5%) | 27 (14.2%) | 45 (23.7%) | |
| 4° al 10° | 5 (2.6%) | 9 (4.7%) | 0 (0%) | 9 (4.7%) | 7 (3.7%) | 16 (8.4%) | 23 (12.1%) | |
| Ninguno | 0 (0%) | 3 (1.6%) | 0 (0%) | 3 (1.6%) | 3 (1.6%) | 3 (1.6%) | 6 (3.2%) | |
| Tiempo en deporte | ||||||||
| Hasta 3 años | 1 (0.5%) | 1 (0.5%) | 0 (0%) | 2 (1.1%) | 1 (0.5%) | 3 (1.6%) | 4 (2.1%) | |
| Entre 4 y 6 años | 1 (0.5%) | 3 (1.6%) | 0 (0%) | 5 (2.6%) | 2 (1.1%) | 7 (3.7%) | 9 (4.7%) | |
| Más de 7 años | 44 (23.2%) | 62 (32.6%) | 3 (1.6%) | 68 (35.8%) | 61 (32.1%) | 116 (61.1%) | 177 (93.2%) | |
| Días de entrenamiento | ||||||||
| Hasta 2 días | 1 (0.5%) | 3 (1.6%) | 0 (0%) | 3 (1.6%) | 5 (2.6%) | 2 (1.1%) | 7 (3.7%) | |
| 3 o 4 días | 20 (10.5%) | 27 (14.2%) | 0 (0%) | 22 (11.6%) | 32 (16.8%) | 37 (19.5%) | 69 (36.3%) | |
| 5 o 6 días | 23 (12.1%) | 31 (16.3%) | 2 (1.1%) | 45 (23.7%) | 25 (13.2%) | 76 (40%) | 101 (53.2%) | |
| Todos los días | 2 (1.1%) | 5 (2.6%) | 1 (0.5%) | 5 (2.6%) | 2 (1.1%) | 11 (5.8%) | 13 (6.8%) | |
| Nota: Los porcentajes informados son en relación a la muestra total |
En lo que respecta al nivel de competencia (Junior / Senior), la mayoría de las/os deportistas se incluyen dentro de “Senior” y las proporciones a través de disciplinas y categorías se mantienen relativamente constantes. Algo semejante sucede con Último puesto alcanzado, a excepción de la disciplina “Libre”, en la que muchas/os más patinadoras/es terminaron en el primer puesto. En cuanto al tiempo en el deporte, salvo algunos casos excepcionales, todas/os las/os deportistas llevan 7 años o más en el deporte. Por último, respecto a los días de entrenamiento, lo más frecuente es entrenar 5 o 6 días a la semana.
Clima motivacional
base_grafico <- data.frame("Variable"= c(rep("Apoyo a la autonomía",nrow(uflo)),rep("Estilo controlador",nrow(uflo))),
"Puntaje"=c(uflo$CM_autonomia, uflo$CM_control))
Desc_Clima <- ggplot(base_grafico, aes(x=Variable, y=Puntaje))+
geom_jitter(alpha=0.15, size=2.25,aes(color=Variable), position = position_jitter(width = .2)) +
geom_boxplot(aes(fill = Variable,color=Variable), alpha=0.5,outlier.shape = NA, lwd=1)+
theme_bw()+
theme(legend.position="none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 6, family = "sans"),
axis.title.x = element_blank(),
rect = element_rect(fill = "transparent")) +
ylab("Puntaje")+
ggtitle("Clima Motivacional",
"Gráfico de cajas de la percepción del Ap. a la Autonomía y el E. Controlador de entrenadores/as")+
scale_y_continuous(breaks = seq(0, 6, by = 1), limits = c(0.8,5.2))+
scale_fill_manual(values=c(colores[["rojo50"]],colores[["turquesa75"]]))+
scale_color_manual(values=c(colores[["rojo50"]],colores[["turquesa75"]]))
Desc_Clima
tablaDesc_CM <- data.frame("Variable"=c("Apoyo a la Autonomía","Estilo Controlador"),
"n"=c(describe(uflo$CM_autonomia)[[2]],
describe(uflo$CM_control)[[2]]),
"Media (DE)"=c(paste0(round(describe(uflo$CM_autonomia)[[3]],2),
" (",
round(describe(uflo$CM_autonomia)[[4]],2),
")"),
paste0(round(describe(uflo$CM_control)[[3]],2),
" (",
round(describe(uflo$CM_control)[[4]],2),
")")),
"Asimetría"=c(round(describe(uflo$CM_autonomia)[[11]],2),
round(describe(uflo$CM_control)[[11]],2)),
"Curtosis"=c(round(describe(uflo$CM_autonomia)[[12]],2),
round(describe(uflo$CM_control)[[12]],2)),
check.names=FALSE)
kable(tablaDesc_CM,
"html",
booktabs = T,
align = c("r"),
caption = "Distribución de Clima Motivacional") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)| Variable | n | Media (DE) | Asimetría | Curtosis |
|---|---|---|---|---|
| Apoyo a la Autonomía | 194 | 4.19 (0.79) | -1.01 | 0.36 |
| Estilo Controlador | 194 | 1.78 (0.6) | 1.20 | 2.08 |
IPED
base_grafico <- data.frame("Variable"= c(rep("AC",nrow(uflo)),
rep("CAN",nrow(uflo)),
rep("CAT",nrow(uflo)),
rep("CVI",nrow(uflo)),
rep("NM",nrow(uflo)),
rep("CAP",nrow(uflo)),
rep("CACT",nrow(uflo))),
"Puntaje"=c(uflo$IPED_AC,
uflo$IPED_CAN,
uflo$IPED_CAT,
uflo$IPED_CVI,
uflo$IPED_NM,
uflo$IPED_CAP,
uflo$IPED_CACT))
Desc_IPED <- ggplot(base_grafico, aes(x=Variable, y=Puntaje))+
geom_jitter(alpha=0.15, size=2.25,aes(color=Variable), position = position_jitter(width = .2)) +
geom_boxplot(aes(fill = Variable,color=Variable), alpha=0.5,outlier.shape = NA, lwd=1)+
theme_bw()+
theme(legend.position="none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0.5, size = 8, family = "sans"),
rect = element_rect(fill = "transparent")) +
ylab("Puntaje")+
ggtitle("Habilidades Psicológicas para el deporte",
"Gráfico de cajas de la autopercepción de distintas habilidades para el deporte")+
labs(caption = "Nota: AC = Autoconfianza, CAN = Control de Afrontamiento Negativo, CAT = Control Atencional, CVI = Control Visuo-Imaginativo,\nNM = Nivel Motivacional, CAP = Control de Afrontamiento Positivo, CACT = Control Actitudinal.")+
scale_y_continuous(breaks = seq(0, 6, by = 1), limits = c(0.8,5.2))+
scale_fill_manual(values=c(colores[["rojo50"]],
colores[["naranja50"]],
colores[["amarillo50"]],
colores[["verde75"]],
colores[["turquesa75"]],
colores[["violeta75"]],
colores[["fucsia75"]]))+
scale_color_manual(values=c(colores[["rojo50"]],
colores[["naranja50"]],
colores[["amarillo50"]],
colores[["verde75"]],
colores[["turquesa75"]],
colores[["violeta75"]],
colores[["fucsia75"]]))
Desc_IPED
tablaDesc_IPED <- data.frame("Variable"=c("AC","CACT","CAN","CAP","CAT","CVI","NM"),
"n"=c(describe(uflo$IPED_AC)[[2]],
describe(uflo$IPED_CACT)[[2]],
describe(uflo$IPED_CAN)[[2]],
describe(uflo$IPED_CAP)[[2]],
describe(uflo$IPED_CAT)[[2]],
describe(uflo$IPED_CVI)[[2]],
describe(uflo$IPED_NM)[[2]]),
"Media (DE)"=c(paste0(round(describe(uflo$IPED_AC)[[3]],2),
" (",
round(describe(uflo$IPED_AC)[[4]],2),
")"),
paste0(round(describe(uflo$IPED_CACT)[[3]],2),
" (",
round(describe(uflo$IPED_CACT)[[4]],2),
")"),
paste0(round(describe(uflo$IPED_CAN)[[3]],2),
" (",
round(describe(uflo$IPED_CAN)[[4]],2),
")"),
paste0(round(describe(uflo$IPED_CAP)[[3]],2),
" (",
round(describe(uflo$IPED_CAP)[[4]],2),
")"),
paste0(round(describe(uflo$IPED_CAT)[[3]],2),
" (",
round(describe(uflo$IPED_CAT)[[4]],2),
")"),
paste0(round(describe(uflo$IPED_CVI)[[3]],2),
" (",
round(describe(uflo$IPED_CVI)[[4]],2),
")"),
paste0(round(describe(uflo$IPED_NM)[[3]],2),
" (",
round(describe(uflo$IPED_NM)[[4]],2),
")")),
"Asimetría"=c(round(describe(uflo$IPED_AC)[[11]],2),
round(describe(uflo$IPED_CACT)[[11]],2),
round(describe(uflo$IPED_CAN)[[11]],2),
round(describe(uflo$IPED_CAP)[[11]],2),
round(describe(uflo$IPED_CAT)[[11]],2),
round(describe(uflo$IPED_CVI)[[11]],2),
round(describe(uflo$IPED_NM)[[11]],2)),
"Curtosis"=c(round(describe(uflo$IPED_AC)[[12]],2),
round(describe(uflo$IPED_CACT)[[12]],2),
round(describe(uflo$IPED_CAN)[[12]],2),
round(describe(uflo$IPED_CAP)[[12]],2),
round(describe(uflo$IPED_CAT)[[12]],2),
round(describe(uflo$IPED_CVI)[[12]],2),
round(describe(uflo$IPED_NM)[[12]],2)),
check.names=FALSE)
kable(tablaDesc_IPED,
"html",
booktabs = T,
align = c("r"),
caption = "Distribución de Habilidades Psicológicas para el Deporte") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)| Variable | n | Media (DE) | Asimetría | Curtosis |
|---|---|---|---|---|
| AC | 194 | 3.63 (0.82) | -0.23 | -0.59 |
| CACT | 194 | 3.76 (0.68) | -0.12 | -0.33 |
| CAN | 194 | 3.42 (0.83) | -0.33 | -0.28 |
| CAP | 194 | 3.79 (0.67) | -0.29 | -0.21 |
| CAT | 194 | 3.68 (0.79) | -0.56 | -0.17 |
| CVI | 194 | 3.64 (0.77) | -0.41 | -0.24 |
| NM | 194 | 4.1 (0.59) | -0.87 | 1.34 |
Compromiso
base_grafico <- data.frame("Variable"= c(rep("Confianza",nrow(uflo)),
rep("Energía",nrow(uflo)),
rep("Dedicación",nrow(uflo)),
rep("Entusiasmo",nrow(uflo)),
rep("Total",nrow(uflo))),
"Puntaje"=c(uflo$AEQ_confianza,
uflo$AEQ_energia,
uflo$AEQ_dedicacion,
uflo$AEQ_entusiasmo,
uflo$AEQ_total))
Desc_AEQ <- ggplot(base_grafico, aes(x=Variable, y=Puntaje))+
geom_jitter(alpha=0.15, size=2.25,aes(color=Variable), position = position_jitter(width = .2)) +
geom_boxplot(aes(fill = Variable,color=Variable), alpha=0.5,outlier.shape = NA, lwd=1)+
theme_bw()+
theme(legend.position="none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0.5, size = 8, family = "sans"),
axis.title.x = element_blank(),
rect = element_rect(fill = "transparent")) +
ylab("Puntaje")+
ggtitle("Compromiso con el deporte",
"Gráfico de cajas de la autopercepción de Compromiso con el deporte")+
scale_y_continuous(breaks = seq(0, 6, by = 1), limits = c(0.8,5.2))+
scale_fill_manual(values=c(colores[["rojo50"]],
colores[["naranja50"]],
colores[["verde75"]],
colores[["turquesa75"]],
colores[["fucsia75"]]))+
scale_color_manual(values=c(colores[["rojo50"]],
colores[["naranja50"]],
colores[["verde75"]],
colores[["turquesa75"]],
colores[["fucsia75"]]))
Desc_AEQ
tablaDesc_Comp <- data.frame("Variable"=c("Confianza","Dedicación",
"Energía","Entusiasmo","Total"),
"n"=c(describe(uflo$AEQ_confianza)[[2]],
describe(uflo$AEQ_dedicacion)[[2]],
describe(uflo$AEQ_energia)[[2]],
describe(uflo$AEQ_entusiasmo)[[2]],
describe(uflo$AEQ_total)[[2]]),
"Media (DE)"=c(paste0(round(describe(uflo$AEQ_confianza)[[3]],2),
" (",
round(describe(uflo$AEQ_confianza)[[4]],2),
")"),
paste0(round(describe(uflo$AEQ_dedicacion)[[3]],2),
" (",
round(describe(uflo$AEQ_dedicacion)[[4]],2),
")"),
paste0(round(describe(uflo$AEQ_energia)[[3]],2),
" (",
round(describe(uflo$AEQ_energia)[[4]],2),
")"),
paste0(round(describe(uflo$AEQ_entusiasmo)[[3]],2),
" (",
round(describe(uflo$AEQ_entusiasmo)[[4]],2),
")"),
paste0(round(describe(uflo$AEQ_total)[[3]],2),
" (",
round(describe(uflo$AEQ_total)[[4]],2),
")")),
"Asimetría"=c(round(describe(uflo$AEQ_confianza)[[11]],2),
round(describe(uflo$AEQ_dedicacion)[[11]],2),
round(describe(uflo$AEQ_energia)[[11]],2),
round(describe(uflo$AEQ_entusiasmo)[[11]],2),
round(describe(uflo$AEQ_total)[[11]],2)),
"Curtosis"=c(round(describe(uflo$AEQ_confianza)[[12]],2),
round(describe(uflo$AEQ_dedicacion)[[12]],2),
round(describe(uflo$AEQ_energia)[[12]],2),
round(describe(uflo$AEQ_entusiasmo)[[12]],2),
round(describe(uflo$AEQ_total)[[12]],2)),
check.names=FALSE)
kable(tablaDesc_Comp,
"html",
booktabs = T,
align = c("r"),
caption = "Distribución de Compromiso") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)| Variable | n | Media (DE) | Asimetría | Curtosis |
|---|---|---|---|---|
| Confianza | 194 | 3.91 (0.77) | -0.23 | -0.76 |
| Dedicación | 194 | 4.38 (0.65) | -1.13 | 1.20 |
| Energía | 194 | 4.04 (0.7) | -0.19 | -1.03 |
| Entusiasmo | 194 | 4.41 (0.68) | -1.42 | 2.50 |
| Total | 194 | 4.18 (0.57) | -0.58 | 0.41 |
Burnout y Abandono
base_grafico <- data.frame("Variable"= factor(c(rep("Burnout",nrow(uflo)),
rep("Abandono",nrow(uflo))),
levels = c("Burnout","Abandono")),
"Puntaje"=c(uflo$burnout,
uflo$abandono))
Desc_BO <- ggplot(base_grafico, aes(x=Variable, y=Puntaje))+
geom_jitter(alpha=0.15, size=2.25,aes(color=Variable), position = position_jitter(width = .2)) +
geom_boxplot(aes(fill = Variable,color=Variable), alpha=0.5,outlier.shape = NA, lwd=1)+
theme_bw()+
theme(legend.position="none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0.5, size = 8, family = "sans"),
axis.title.x = element_blank(),
rect = element_rect(fill = "transparent")) +
ylab("Puntaje")+
ggtitle("Burnout e Intención de Abandono",
"Gráfico de cajas de la autopercepción de Burnout e Intención de Abandono")+
scale_y_continuous(breaks = seq(0, 6, by = 1), limits = c(0.8,5.2))+
scale_fill_manual(values=c(colores[["naranja50"]],
colores[["rojo50"]]))+
scale_color_manual(values=c(colores[["naranja50"]],
colores[["rojo50"]]))
Desc_BO
tablaDesc_Burn <- data.frame("Variable"=c("Burnout","Intención de Abandono"),
"n"=c(describe(uflo$burnout)[[2]],
describe(uflo$abandono)[[2]]),
"Media (DE)"=c(paste0(round(describe(uflo$burnout)[[3]],2),
" (",
round(describe(uflo$burnout)[[4]],2),
")"),
paste0(round(describe(uflo$abandono)[[3]],2),
" (",
round(describe(uflo$abandono)[[4]],2),
")")),
"Asimetría"=c(round(describe(uflo$burnout)[[11]],2),
round(describe(uflo$abandono)[[11]],2)),
"Curtosis"=c(round(describe(uflo$burnout)[[12]],2),
round(describe(uflo$abandono)[[12]],2)),
check.names=FALSE)
kable(tablaDesc_Burn,
"html",
booktabs = T,
align = c("r"),
caption = "Distribución de Burnout e Intención de Abandono") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)| Variable | n | Media (DE) | Asimetría | Curtosis |
|---|---|---|---|---|
| Burnout | 194 | 2.17 (0.68) | 0.81 | 0.42 |
| Intención de Abandono | 194 | 1.7 (0.82) | 1.11 | 0.28 |
Estadística Inferencial
Correlaciones
Para cada combinación de variables primero se realizó un gráfico con las estimaciones puntuales de r de Spearman. En los casos en los que el valor absoluto de esa estimación fuera superior a 0.14 se realizó una prueba de hipótesis para testear la asociación entre esas variables y se contruyó un intervalo de confianza para \(\rho\). En la tabla se sombrearon con celeste las correlaciones significativas positivas y con rojo las negativas.
Clima Motivacional y Compromiso
base_cor <- data.frame(Autonomia=uflo$CM_autonomia,
Control=uflo$CM_control,
Confianza=uflo$AEQ_confianza,
Energía=uflo$AEQ_energia,
Dedicación=uflo$AEQ_dedicacion,
Entusiasmo=uflo$AEQ_entusiasmo,
Compromiso=uflo$AEQ_total)
Plot_ClimaCompr <- base_cor %>% ggcorr(name="r de Spearman",
method = c("everything","spearman"),
size=2.75,
hjust=.5,
nbreaks=7,
label = T,
label_alpha = T,
label_round = 3,
label_size = 3,
low=colores[["rojo75"]],
high = colores[["turquesa75"]])+
geom_segment(aes(x=2.5,xend=2.5,y=2.5,yend=0.5), color=colores[["gris50"]], size=1)+
geom_segment(aes(x=2.5,xend=7.5,y=2.5,yend=2.5), color=colores[["gris50"]], size=1)+
ggtitle("Correlaciones entre Clima Motivacional y Compromiso")
Plot_ClimaCompr
# mvn(uflo[,c("CM_autonomia","CM_control")])$multivariateNormality$MVN
# NO
TablaCor_ClimaComp <- data.frame(X=c("Apoyo a la Autonomía",rep(" ",6),
"Estilo Controlador",rep(" ",3),
"Compromiso",rep(" ", 4),
"Confianza",rep(" ",3),
"Energía",rep(" ",2),
"Dedicación",rep(" ",1)),
Y=c(" ",
"E. Controlador",
"Confianza",
"Energía",
"Dedicación",
"Entusiasmo",
"Compromiso",
" ",
"Energía",
"Entusiasmo",
"Compromiso",
" ",
"Confianza",
"Energía",
"Dedicación",
"Entusiasmo",
" ",
"Energía",
"Dedicación",
"Entusiasmo",
" ",
"Dedicación",
"Entusiasmo",
" ",
"Entusiasmo"),
rho=c(" ",
round(cor.test(uflo$CM_autonomia,uflo$CM_control, method = "spearman")$estimate,3),
round(cor.test(uflo$CM_autonomia,uflo$AEQ_confianza, method = "spearman")$estimate,3),
round(cor.test(uflo$CM_autonomia,uflo$AEQ_energia, method = "spearman")$estimate,3),
round(cor.test(uflo$CM_autonomia,uflo$AEQ_dedicacion, method = "spearman")$estimate,3),
round(cor.test(uflo$CM_autonomia,uflo$AEQ_entusiasmo, method = "spearman")$estimate,3),
round(cor.test(uflo$CM_autonomia,uflo$AEQ_total, method = "spearman")$estimate,3),
" ",
round(cor.test(uflo$CM_control,uflo$AEQ_energia, method = "spearman")$estimate,3),
round(cor.test(uflo$CM_control,uflo$AEQ_entusiasmo, method = "spearman")$estimate,3),
round(cor.test(uflo$CM_control,uflo$AEQ_total, method = "spearman")$estimate,3),
" ",
round(cor.test(uflo$AEQ_total,uflo$AEQ_confianza, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_total,uflo$AEQ_energia, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_total,uflo$AEQ_dedicacion, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_total,uflo$AEQ_entusiasmo, method = "spearman")$estimate,3),
" ",
round(cor.test(uflo$AEQ_confianza,uflo$AEQ_energia, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_confianza,uflo$AEQ_dedicacion, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_confianza,uflo$AEQ_entusiasmo, method = "spearman")$estimate,3),
" ",
round(cor.test(uflo$AEQ_energia,uflo$AEQ_dedicacion, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_energia,uflo$AEQ_entusiasmo, method = "spearman")$estimate,3),
" ",
round(cor.test(uflo$AEQ_dedicacion,uflo$AEQ_entusiasmo, method = "spearman")$estimate,3)),
p=c(" ",
round(cor.test(uflo$CM_autonomia,uflo$CM_control, method = "spearman")$p.value,3),
round(cor.test(uflo$CM_autonomia,uflo$AEQ_confianza, method = "spearman")$p.value*9,3), # Bonferroni
round(cor.test(uflo$CM_autonomia,uflo$AEQ_energia, method = "spearman")$p.value*9,3), # Bonferroni
round(cor.test(uflo$CM_autonomia,uflo$AEQ_dedicacion, method = "spearman")$p.value*9,3), # Bonferroni
round(cor.test(uflo$CM_autonomia,uflo$AEQ_entusiasmo, method = "spearman")$p.value*9,3), # Bonferroni
round(cor.test(uflo$CM_autonomia,uflo$AEQ_total, method = "spearman")$p.value*9,3), # Bonferroni
" ",
round(cor.test(uflo$CM_control,uflo$AEQ_energia, method = "spearman")$p.value*9,3), # Bonferroni
round(cor.test(uflo$CM_control,uflo$AEQ_entusiasmo, method = "spearman")$p.value*9,3), # Bonferroni
round(cor.test(uflo$CM_control,uflo$AEQ_total, method = "spearman")$p.value*9,3), # Bonferroni
" ",
round(cor.test(uflo$AEQ_total,uflo$AEQ_confianza, method = "spearman")$p.value*10,3), # Bonferroni
round(cor.test(uflo$AEQ_total,uflo$AEQ_energia, method = "spearman")$p.value*10,3), # Bonferroni
round(cor.test(uflo$AEQ_total,uflo$AEQ_dedicacion, method = "spearman")$p.value*10,3), # Bonferroni
round(cor.test(uflo$AEQ_total,uflo$AEQ_entusiasmo, method = "spearman")$p.value*10,3), # Bonferroni
" ",
round(cor.test(uflo$AEQ_confianza,uflo$AEQ_energia, method = "spearman")$p.value*10,3), # Bonferroni
round(cor.test(uflo$AEQ_confianza,uflo$AEQ_dedicacion, method = "spearman")$p.value*10,3), # Bonferroni
round(cor.test(uflo$AEQ_confianza,uflo$AEQ_entusiasmo, method = "spearman")$p.value*10,3), # Bonferroni
" ",
round(cor.test(uflo$AEQ_energia,uflo$AEQ_dedicacion, method = "spearman")$p.value*10,3), # Bonferroni
round(cor.test(uflo$AEQ_energia,uflo$AEQ_entusiasmo, method = "spearman")$p.value*10,3), # Bonferroni
" ",
round(cor.test(uflo$AEQ_dedicacion,uflo$AEQ_entusiasmo, method = "spearman")$p.value*10,3)), # Bonferroni
"Inf"=c(" ",
round(spearman.ci(uflo$CM_autonomia,uflo$CM_control)$conf.int[1],3),
round(spearman.ci(uflo$CM_autonomia,uflo$AEQ_confianza)$conf.int[1],3),
round(spearman.ci(uflo$CM_autonomia,uflo$AEQ_energia)$conf.int[1],3),
round(spearman.ci(uflo$CM_autonomia,uflo$AEQ_dedicacion)$conf.int[1],3),
round(spearman.ci(uflo$CM_autonomia,uflo$AEQ_entusiasmo)$conf.int[1],3),
round(spearman.ci(uflo$CM_autonomia,uflo$AEQ_total)$conf.int[1],3),
" ",
round(spearman.ci(uflo$CM_control,uflo$AEQ_energia)$conf.int[1],3),
round(spearman.ci(uflo$CM_control,uflo$AEQ_entusiasmo)$conf.int[1],3),
round(spearman.ci(uflo$CM_control,uflo$AEQ_total)$conf.int[1],3),
" ",
round(spearman.ci(uflo$AEQ_total,uflo$AEQ_confianza)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_total,uflo$AEQ_energia)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_total,uflo$AEQ_dedicacion)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_total,uflo$AEQ_entusiasmo)$conf.int[1],3),
" ",
round(spearman.ci(uflo$AEQ_confianza,uflo$AEQ_energia)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_confianza,uflo$AEQ_dedicacion)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_confianza,uflo$AEQ_entusiasmo)$conf.int[1],3),
" ",
round(spearman.ci(uflo$AEQ_energia,uflo$AEQ_dedicacion)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_energia,uflo$AEQ_entusiasmo)$conf.int[1],3),
" ",
round(spearman.ci(uflo$AEQ_dedicacion,uflo$AEQ_entusiasmo)$conf.int[1],3)),
"Sup"=c(" ",
round(spearman.ci(uflo$CM_autonomia,uflo$CM_control)$conf.int[2],3),
round(spearman.ci(uflo$CM_autonomia,uflo$AEQ_confianza)$conf.int[2],3),
round(spearman.ci(uflo$CM_autonomia,uflo$AEQ_energia)$conf.int[2],3),
round(spearman.ci(uflo$CM_autonomia,uflo$AEQ_dedicacion)$conf.int[2],3),
round(spearman.ci(uflo$CM_autonomia,uflo$AEQ_entusiasmo)$conf.int[2],3),
round(spearman.ci(uflo$CM_autonomia,uflo$AEQ_total)$conf.int[2],3),
" ",
round(spearman.ci(uflo$CM_control,uflo$AEQ_energia)$conf.int[2],3),
round(spearman.ci(uflo$CM_control,uflo$AEQ_entusiasmo)$conf.int[2],3),
round(spearman.ci(uflo$CM_control,uflo$AEQ_total)$conf.int[2],3),
" ",
round(spearman.ci(uflo$AEQ_total,uflo$AEQ_confianza)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_total,uflo$AEQ_energia)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_total,uflo$AEQ_dedicacion)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_total,uflo$AEQ_entusiasmo)$conf.int[2],3),
" ",
round(spearman.ci(uflo$AEQ_confianza,uflo$AEQ_energia)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_confianza,uflo$AEQ_dedicacion)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_confianza,uflo$AEQ_entusiasmo)$conf.int[2],3),
" ",
round(spearman.ci(uflo$AEQ_energia,uflo$AEQ_dedicacion)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_energia,uflo$AEQ_entusiasmo)$conf.int[2],3),
" ",
round(spearman.ci(uflo$AEQ_dedicacion,uflo$AEQ_entusiasmo)$conf.int[2],3)))
TablaCor_ClimaComp$color <- ifelse(TablaCor_ClimaComp$p<.05&as.numeric(TablaCor_ClimaComp$rho)<0,"#daaaaa",
ifelse(TablaCor_ClimaComp$p<.05&as.numeric(TablaCor_ClimaComp$rho)>0,"#a5c3c6",NA))
TablaCor_ClimaComp$p <- ifelse(TablaCor_ClimaComp$p==0,"< .001", TablaCor_ClimaComp$p)
tabla <- kable(TablaCor_ClimaComp[1:6],
"html",
booktabs = T,
align = c("r"),
caption = "Correlaciones más relevantes entre Clima Motivacional y Compromiso") %>%
kable_styling(full_width = F,
position = "center", font_size = 12) %>%
add_header_above(c("Variables" = 2, "Estimaciones" = 4))%>%
add_footnote("Nota: Los p-valores informados fueron ajustados por el método de Bonferroni.",
notation = "none")
for(i in 1:nrow(TablaCor_ClimaComp)){
if(!is.na(TablaCor_ClimaComp$color[i])){
tabla <- row_spec(tabla,i,background = TablaCor_ClimaComp$color[i])
}
}
tabla| X | Y | rho | p | Inf. | Sup |
|---|---|---|---|---|---|
| Apoyo a la Autonomía | |||||
| E. Controlador | -0.553 | < .001 | -0.648 | -0.441 | |
| Confianza | 0.417 | < .001 | 0.291 | 0.524 | |
| Energía | 0.463 | < .001 | 0.344 | 0.568 | |
| Dedicación | 0.307 | < .001 | 0.178 | 0.432 | |
| Entusiasmo | 0.329 | < .001 | 0.195 | 0.462 | |
| Compromiso | 0.483 | < .001 | 0.367 | 0.587 | |
| Estilo Controlador | |||||
| Energía | -0.262 | 0.002 | -0.397 | -0.112 | |
| Entusiasmo | -0.192 | 0.066 | -0.338 | -0.051 | |
| Compromiso | -0.217 | 0.021 | -0.347 | -0.092 | |
| Compromiso | |||||
| Confianza | 0.749 | < .001 | 0.671 | 0.815 | |
| Energía | 0.873 | < .001 | 0.83 | 0.905 | |
| Dedicación | 0.783 | < .001 | 0.708 | 0.841 | |
| Entusiasmo | 0.833 | < .001 | 0.782 | 0.872 | |
| Confianza | |||||
| Energía | 0.506 | < .001 | 0.38 | 0.616 | |
| Dedicación | 0.51 | < .001 | 0.389 | 0.613 | |
| Entusiasmo | 0.411 | < .001 | 0.291 | 0.536 | |
| Energía | |||||
| Dedicación | 0.59 | < .001 | 0.472 | 0.689 | |
| Entusiasmo | 0.769 | < .001 | 0.702 | 0.826 | |
| Dedicación | |||||
| Entusiasmo | 0.57 | < .001 | 0.461 | 0.681 | |
| Nota: Los p-valores informados fueron ajustados por el método de Bonferroni. |
Clima Motivacional y Burnout-Abandono
base_cor <- data.frame(Autonomia=uflo$CM_autonomia,
Control=uflo$CM_control,
Burnout=uflo$burnout,
Abandono=uflo$abandono)
Plot_ClimaBurn <- base_cor %>% ggcorr(name="r de Spearman",
method = c("everything","spearman"),
size=2.75,
hjust=.5,
nbreaks=7,
label = T,
label_alpha = T,
label_round = 3,
label_size = 3,
low=colores[["rojo75"]],
high = colores[["turquesa75"]])+
geom_segment(aes(x=2.5,xend=2.5,y=2.5,yend=0.5), color=colores[["gris50"]], size=1)+
geom_segment(aes(x=2.5,xend=4.5,y=2.5,yend=2.5), color=colores[["gris50"]], size=1)+
ggtitle("Correlaciones entre Clima Motivacional, Burnout e Intención de Abandono")
Plot_ClimaBurn
# mvn(uflo[,c("CM_autonomia","burnout")])$multivariateNormality$MVN
# NO
TablaCor_ClimaBurn <- data.frame(X=c("Burnout"," "," "," ", "I. de Abandono"," "," "),
Y=c(" ","I. de Abandono","Ap. a la Autonomía","E. Controlador",
" ","Ap. a la Autonomía","E. Controlador"),
rho=c(" ",
round(cor.test(uflo$burnout,uflo$abandono, method = "spearman")$estimate,3),
round(cor.test(uflo$burnout,uflo$CM_autonomia, method = "spearman")$estimate,3),
round(cor.test(uflo$burnout,uflo$CM_control, method = "spearman")$estimate,3),
" ",
round(cor.test(uflo$abandono,uflo$CM_autonomia, method = "spearman")$estimate,3),
round(cor.test(uflo$abandono,uflo$CM_control, method = "spearman")$estimate,3)),
p=c(" ",
round(cor.test(uflo$burnout,uflo$abandono, method = "spearman")$p.value,3),
round(cor.test(uflo$burnout,uflo$CM_autonomia, method = "spearman")$p.value*4,3), # Bonferroni
round(cor.test(uflo$burnout,uflo$CM_control, method = "spearman")$p.value*4,3), # Bonferroni
" ",
round(cor.test(uflo$abandono,uflo$CM_autonomia, method = "spearman")$p.value*4,3), # Bonferroni
round(cor.test(uflo$abandono,uflo$CM_control, method = "spearman")$p.value*4,3)), # Bonferroni
"Inf"=c(" ",
round(spearman.ci(uflo$burnout,uflo$abandono)$conf.int[1],3),
round(spearman.ci(uflo$burnout,uflo$CM_autonomia)$conf.int[1],3),
round(spearman.ci(uflo$burnout,uflo$CM_control)$conf.int[1],3),
" ",
round(spearman.ci(uflo$abandono,uflo$CM_autonomia)$conf.int[1],3),
round(spearman.ci(uflo$abandono,uflo$CM_control)$conf.int[1],3)),
"Sup"=c(" ",
round(spearman.ci(uflo$burnout,uflo$abandono)$conf.int[2],3),
round(spearman.ci(uflo$burnout,uflo$CM_autonomia)$conf.int[2],3),
round(spearman.ci(uflo$burnout,uflo$CM_control)$conf.int[2],3),
" ",
round(spearman.ci(uflo$abandono,uflo$CM_autonomia)$conf.int[2],3),
round(spearman.ci(uflo$abandono,uflo$CM_control)$conf.int[2],3)))
TablaCor_ClimaBurn$color <- ifelse(TablaCor_ClimaBurn$p<.05&as.numeric(TablaCor_ClimaBurn$rho)<0,"#daaaaa",
ifelse(TablaCor_ClimaBurn$p<.05&as.numeric(TablaCor_ClimaBurn$rho)>0,"#a5c3c6",NA))
TablaCor_ClimaBurn$p <- ifelse(TablaCor_ClimaBurn$p==0,"< .001", TablaCor_ClimaBurn$p)
tabla <- kable(TablaCor_ClimaBurn[1:6],
"html",
booktabs = T,
align = c("r"),
caption = "Correlaciones más relevantes entre Clima Motivacional y Burnout-Abandono") %>%
kable_styling(full_width = F,
position = "center", font_size = 12) %>%
add_header_above(c("Variables" = 2, "Estimaciones" = 4))%>%
add_footnote("Nota: Los p-valores informados fueron ajustados por el método de Bonferroni.",
notation = "none")
for(i in 1:nrow(TablaCor_ClimaBurn)){
if(!is.na(TablaCor_ClimaBurn$color[i])){
tabla <- row_spec(tabla,i,background = TablaCor_ClimaBurn$color[i])
}
}
tabla| X | Y | rho | p | Inf. | Sup |
|---|---|---|---|---|---|
| Burnout | |||||
| I. de Abandono | 0.627 | < .001 | 0.538 | 0.706 | |
| Ap. a la Autonomía | -0.386 | < .001 | -0.514 | -0.252 | |
| E. Controlador | 0.158 | 0.11 | 0.013 | 0.284 | |
| I. de Abandono | |||||
| Ap. a la Autonomía | -0.377 | < .001 | -0.509 | -0.245 | |
| E. Controlador | 0.197 | 0.024 | 0.05 | 0.331 | |
| Nota: Los p-valores informados fueron ajustados por el método de Bonferroni. |
Clima Motivacional e IPED
base_cor <- data.frame(Autonomia=uflo$CM_autonomia,
Control=uflo$CM_control,
AC=uflo$IPED_AC,
CAN=uflo$IPED_CAN,
CAT=uflo$IPED_CAT,
CVI=uflo$IPED_CVI,
NM=uflo$IPED_NM,
CAP=uflo$IPED_CAP,
CACT=uflo$IPED_CACT)
Plot_ClimaIPED <- base_cor %>% ggcorr(name="r de Spearman",
method = c("everything","spearman"),
size=2.25,
hjust=.55,
nbreaks=7,
label = T,
label_alpha = T,
label_round = 3,
label_size = 3,
low=colores[["rojo75"]],
high = colores[["turquesa75"]])+
geom_segment(aes(x=2.5,xend=2.5,y=2.5,yend=0.5), color=colores[["gris50"]], size=1)+
geom_segment(aes(x=2.5,xend=9.5,y=2.5,yend=2.5), color=colores[["gris50"]], size=1)+
theme(plot.caption.position = "plot",
plot.caption = element_text(hjust = 0.5, size = 8, family = "sans"),
rect = element_rect(fill = "transparent"))+
labs(caption = "Nota: AC = Autoconfianza, CAN = Control de Afrontamiento Negativo,\nCAT = Control Atencional, CVI = Control Visuo-Imaginativo, NM = Nivel Motivacional,\nCAP = Control de Afrontamiento Positivo, CACT = Control Actitudinal.")+
ggtitle("Correlaciones entre Clima Motivacional y\nHabilidades Psicológicas para el Deporte")
Plot_ClimaIPED
# mvn(uflo[,c("CM_autonomia","IPED_CACT")])$multivariateNormality$MVN
# NO
TablaCor_ClimaIPED <- data.frame(X=c("Apoyo a la Autonomía",rep(" ",7),
"Estilo Controlador",rep(" ",4),
"AC",rep(" ", 6),
"CAN",rep(" ",5),
"CAT",rep(" ",3),
"CVI",rep(" ",3),
"NM",rep(" ",2),
"CAP",rep(" ",1)),
Y=c(" ",
"AC",
"CAN",
"CAT",
"CVI",
"NM",
"CAP",
"CACT",
" ",
"CAN",
"NM",
"CAP",
"CACT",
" ",
"CAN",
"CAT",
"CVI",
"NM",
"CAP",
"CACT",
" ",
"CAT",
"CVI",
"NM",
"CAP",
"CACT",
" ",
"NM",
"CAP",
"CACT",
" ",
"NM",
"CAP",
"CACT",
" ",
"CAP",
"CACT",
" ",
"CACT"),
rho=c(" ",
round(cor.test(uflo$CM_autonomia,uflo$IPED_AC, method = "spearman")$estimate,3),
round(cor.test(uflo$CM_autonomia,uflo$IPED_CAN, method = "spearman")$estimate,3),
round(cor.test(uflo$CM_autonomia,uflo$IPED_CAT, method = "spearman")$estimate,3),
round(cor.test(uflo$CM_autonomia,uflo$IPED_CVI, method = "spearman")$estimate,3),
round(cor.test(uflo$CM_autonomia,uflo$IPED_NM, method = "spearman")$estimate,3),
round(cor.test(uflo$CM_autonomia,uflo$IPED_CAP, method = "spearman")$estimate,3),
round(cor.test(uflo$CM_autonomia,uflo$IPED_CACT, method = "spearman")$estimate,3),
" ",
round(cor.test(uflo$CM_control,uflo$IPED_CAN, method = "spearman")$estimate,3),
round(cor.test(uflo$CM_control,uflo$IPED_NM, method = "spearman")$estimate,3),
round(cor.test(uflo$CM_control,uflo$IPED_CAP, method = "spearman")$estimate,3),
round(cor.test(uflo$CM_control,uflo$IPED_CACT, method = "spearman")$estimate,3),
" ",
round(cor.test(uflo$IPED_AC,uflo$IPED_CAN, method = "spearman")$estimate,3),
round(cor.test(uflo$IPED_AC,uflo$IPED_CAT, method = "spearman")$estimate,3),
round(cor.test(uflo$IPED_AC,uflo$IPED_CVI, method = "spearman")$estimate,3),
round(cor.test(uflo$IPED_AC,uflo$IPED_NM, method = "spearman")$estimate,3),
round(cor.test(uflo$IPED_AC,uflo$IPED_CAP, method = "spearman")$estimate,3),
round(cor.test(uflo$IPED_AC,uflo$IPED_CACT, method = "spearman")$estimate,3),
" ",
round(cor.test(uflo$IPED_CAN,uflo$IPED_CAT, method = "spearman")$estimate,3),
round(cor.test(uflo$IPED_CAN,uflo$IPED_CVI, method = "spearman")$estimate,3),
round(cor.test(uflo$IPED_CAN,uflo$IPED_NM, method = "spearman")$estimate,3),
round(cor.test(uflo$IPED_CAN,uflo$IPED_CAP, method = "spearman")$estimate,3),
round(cor.test(uflo$IPED_CAN,uflo$IPED_CACT, method = "spearman")$estimate,3),
" ",
round(cor.test(uflo$IPED_CAT,uflo$IPED_NM, method = "spearman")$estimate,3),
round(cor.test(uflo$IPED_CAT,uflo$IPED_CAP, method = "spearman")$estimate,3),
round(cor.test(uflo$IPED_CAT,uflo$IPED_CACT, method = "spearman")$estimate,3),
" ",
round(cor.test(uflo$IPED_CVI,uflo$IPED_NM, method = "spearman")$estimate,3),
round(cor.test(uflo$IPED_CVI,uflo$IPED_CAP, method = "spearman")$estimate,3),
round(cor.test(uflo$IPED_CVI,uflo$IPED_CACT, method = "spearman")$estimate,3),
" ",
round(cor.test(uflo$IPED_NM,uflo$IPED_CAP, method = "spearman")$estimate,3),
round(cor.test(uflo$IPED_NM,uflo$IPED_CACT, method = "spearman")$estimate,3),
" ",
round(cor.test(uflo$IPED_CAP,uflo$IPED_CACT, method = "spearman")$estimate,3)),
p=c(" ",
round(cor.test(uflo$CM_autonomia,uflo$IPED_AC, method = "spearman")$p.value*11,3), # Bonferroni
round(cor.test(uflo$CM_autonomia,uflo$IPED_CAN, method = "spearman")$p.value*11,3), # Bonferroni
round(cor.test(uflo$CM_autonomia,uflo$IPED_CAT, method = "spearman")$p.value*11,3), # Bonferroni
round(cor.test(uflo$CM_autonomia,uflo$IPED_CVI, method = "spearman")$p.value*11,3), # Bonferroni
round(cor.test(uflo$CM_autonomia,uflo$IPED_NM, method = "spearman")$p.value*11,3), # Bonferroni
round(cor.test(uflo$CM_autonomia,uflo$IPED_CAP, method = "spearman")$p.value*11,3), # Bonferroni
round(cor.test(uflo$CM_autonomia,uflo$IPED_CACT, method = "spearman")$p.value*11,3), # Bonferroni
" ",
round(cor.test(uflo$CM_control,uflo$IPED_CAN, method = "spearman")$p.value*11,3), # Bonferroni
round(cor.test(uflo$CM_control,uflo$IPED_NM, method = "spearman")$p.value*11,3), # Bonferroni
round(cor.test(uflo$CM_control,uflo$IPED_CAP, method = "spearman")$p.value*11,3), # Bonferroni
round(cor.test(uflo$CM_control,uflo$IPED_CACT, method = "spearman")$p.value*11,3), # Bonferroni
" ",
round(cor.test(uflo$IPED_AC,uflo$IPED_CAN, method = "spearman")$p.value*20,3), # Bonferroni
round(cor.test(uflo$IPED_AC,uflo$IPED_CAT, method = "spearman")$p.value*20,3), # Bonferroni
round(cor.test(uflo$IPED_AC,uflo$IPED_CVI, method = "spearman")$p.value*20,3), # Bonferroni
round(cor.test(uflo$IPED_AC,uflo$IPED_NM, method = "spearman")$p.value*20,3), # Bonferroni
round(cor.test(uflo$IPED_AC,uflo$IPED_CAP, method = "spearman")$p.value*20,3), # Bonferroni
round(cor.test(uflo$IPED_AC,uflo$IPED_CACT, method = "spearman")$p.value*20,3), # Bonferroni
" ",
round(cor.test(uflo$IPED_CAN,uflo$IPED_CAT, method = "spearman")$p.value*20,3), # Bonferroni
round(cor.test(uflo$IPED_CAN,uflo$IPED_CVI, method = "spearman")$p.value*20,3), # Bonferroni
round(cor.test(uflo$IPED_CAN,uflo$IPED_NM, method = "spearman")$p.value*20,3), # Bonferroni
round(cor.test(uflo$IPED_CAN,uflo$IPED_CAP, method = "spearman")$p.value*20,3), # Bonferroni
round(cor.test(uflo$IPED_CAN,uflo$IPED_CACT, method = "spearman")$p.value*20,3), # Bonferroni
" ",
round(cor.test(uflo$IPED_CAT,uflo$IPED_NM, method = "spearman")$p.value*20,3), # Bonferroni
round(cor.test(uflo$IPED_CAT,uflo$IPED_CAP, method = "spearman")$p.value*20,3), # Bonferroni
round(cor.test(uflo$IPED_CAT,uflo$IPED_CACT, method = "spearman")$p.value*20,3), # Bonferroni
" ",
round(cor.test(uflo$IPED_CVI,uflo$IPED_NM, method = "spearman")$p.value*20,3), # Bonferroni
round(cor.test(uflo$IPED_CVI,uflo$IPED_CAP, method = "spearman")$p.value*20,3), # Bonferroni
round(cor.test(uflo$IPED_CVI,uflo$IPED_CACT, method = "spearman")$p.value*20,3), # Bonferroni
" ",
round(cor.test(uflo$IPED_NM,uflo$IPED_CAP, method = "spearman")$p.value*20,3), # Bonferroni
round(cor.test(uflo$IPED_NM,uflo$IPED_CACT, method = "spearman")$p.value*20,3), # Bonferroni
" ",
round(cor.test(uflo$IPED_CAP,uflo$IPED_CACT, method = "spearman")$p.value*20,3)), # Bonferroni
"Inf"=c(" ",
round(spearman.ci(uflo$CM_autonomia,uflo$IPED_AC)$conf.int[1],3),
round(spearman.ci(uflo$CM_autonomia,uflo$IPED_CAN)$conf.int[1],3),
round(spearman.ci(uflo$CM_autonomia,uflo$IPED_CAT)$conf.int[1],3),
round(spearman.ci(uflo$CM_autonomia,uflo$IPED_CVI)$conf.int[1],3),
round(spearman.ci(uflo$CM_autonomia,uflo$IPED_NM)$conf.int[1],3),
round(spearman.ci(uflo$CM_autonomia,uflo$IPED_CAP)$conf.int[1],3),
round(spearman.ci(uflo$CM_autonomia,uflo$IPED_CACT)$conf.int[1],3),
" ",
round(spearman.ci(uflo$CM_control,uflo$IPED_CAN)$conf.int[1],3),
round(spearman.ci(uflo$CM_control,uflo$IPED_NM)$conf.int[1],3),
round(spearman.ci(uflo$CM_control,uflo$IPED_CAP)$conf.int[1],3),
round(spearman.ci(uflo$CM_control,uflo$IPED_CACT)$conf.int[1],3),
" ",
round(spearman.ci(uflo$IPED_AC,uflo$IPED_CAN)$conf.int[1],3),
round(spearman.ci(uflo$IPED_AC,uflo$IPED_CAT)$conf.int[1],3),
round(spearman.ci(uflo$IPED_AC,uflo$IPED_CVI)$conf.int[1],3),
round(spearman.ci(uflo$IPED_AC,uflo$IPED_NM)$conf.int[1],3),
round(spearman.ci(uflo$IPED_AC,uflo$IPED_CAP)$conf.int[1],3),
round(spearman.ci(uflo$IPED_AC,uflo$IPED_CACT)$conf.int[1],3),
" ",
round(spearman.ci(uflo$IPED_CAN,uflo$IPED_CAT)$conf.int[1],3),
round(spearman.ci(uflo$IPED_CAN,uflo$IPED_CVI)$conf.int[1],3),
round(spearman.ci(uflo$IPED_CAN,uflo$IPED_NM)$conf.int[1],3),
round(spearman.ci(uflo$IPED_CAN,uflo$IPED_CAP)$conf.int[1],3),
round(spearman.ci(uflo$IPED_CAN,uflo$IPED_CACT)$conf.int[1],3),
" ",
round(spearman.ci(uflo$IPED_CAT,uflo$IPED_NM)$conf.int[1],3),
round(spearman.ci(uflo$IPED_CAT,uflo$IPED_CAP)$conf.int[1],3),
round(spearman.ci(uflo$IPED_CAT,uflo$IPED_CACT)$conf.int[1],3),
" ",
round(spearman.ci(uflo$IPED_CVI,uflo$IPED_NM)$conf.int[1],3),
round(spearman.ci(uflo$IPED_CVI,uflo$IPED_CAP)$conf.int[1],3),
round(spearman.ci(uflo$IPED_CVI,uflo$IPED_CACT)$conf.int[1],3),
" ",
round(spearman.ci(uflo$IPED_NM,uflo$IPED_CAP)$conf.int[1],3),
round(spearman.ci(uflo$IPED_NM,uflo$IPED_CACT)$conf.int[1],3),
" ",
round(spearman.ci(uflo$IPED_CAP,uflo$IPED_CACT)$conf.int[1],3)),
"Sup"=c(" ",
round(spearman.ci(uflo$CM_autonomia,uflo$IPED_AC)$conf.int[2],3),
round(spearman.ci(uflo$CM_autonomia,uflo$IPED_CAN)$conf.int[2],3),
round(spearman.ci(uflo$CM_autonomia,uflo$IPED_CAT)$conf.int[2],3),
round(spearman.ci(uflo$CM_autonomia,uflo$IPED_CVI)$conf.int[2],3),
round(spearman.ci(uflo$CM_autonomia,uflo$IPED_NM)$conf.int[2],3),
round(spearman.ci(uflo$CM_autonomia,uflo$IPED_CAP)$conf.int[2],3),
round(spearman.ci(uflo$CM_autonomia,uflo$IPED_CACT)$conf.int[2],3),
" ",
round(spearman.ci(uflo$CM_control,uflo$IPED_CAN)$conf.int[2],3),
round(spearman.ci(uflo$CM_control,uflo$IPED_NM)$conf.int[2],3),
round(spearman.ci(uflo$CM_control,uflo$IPED_CAP)$conf.int[2],3),
round(spearman.ci(uflo$CM_control,uflo$IPED_CACT)$conf.int[2],3),
" ",
round(spearman.ci(uflo$IPED_AC,uflo$IPED_CAN)$conf.int[2],3),
round(spearman.ci(uflo$IPED_AC,uflo$IPED_CAT)$conf.int[2],3),
round(spearman.ci(uflo$IPED_AC,uflo$IPED_CVI)$conf.int[2],3),
round(spearman.ci(uflo$IPED_AC,uflo$IPED_NM)$conf.int[2],3),
round(spearman.ci(uflo$IPED_AC,uflo$IPED_CAP)$conf.int[2],3),
round(spearman.ci(uflo$IPED_AC,uflo$IPED_CACT)$conf.int[2],3),
" ",
round(spearman.ci(uflo$IPED_CAN,uflo$IPED_CAT)$conf.int[2],3),
round(spearman.ci(uflo$IPED_CAN,uflo$IPED_CVI)$conf.int[2],3),
round(spearman.ci(uflo$IPED_CAN,uflo$IPED_NM)$conf.int[2],3),
round(spearman.ci(uflo$IPED_CAN,uflo$IPED_CAP)$conf.int[2],3),
round(spearman.ci(uflo$IPED_CAN,uflo$IPED_CACT)$conf.int[2],3),
" ",
round(spearman.ci(uflo$IPED_CAT,uflo$IPED_NM)$conf.int[2],3),
round(spearman.ci(uflo$IPED_CAT,uflo$IPED_CAP)$conf.int[2],3),
round(spearman.ci(uflo$IPED_CAT,uflo$IPED_CACT)$conf.int[2],3),
" ",
round(spearman.ci(uflo$IPED_CVI,uflo$IPED_NM)$conf.int[2],3),
round(spearman.ci(uflo$IPED_CVI,uflo$IPED_CAP)$conf.int[2],3),
round(spearman.ci(uflo$IPED_CVI,uflo$IPED_CACT)$conf.int[2],3),
" ",
round(spearman.ci(uflo$IPED_NM,uflo$IPED_CAP)$conf.int[2],3),
round(spearman.ci(uflo$IPED_NM,uflo$IPED_CACT)$conf.int[2],3),
" ",
round(spearman.ci(uflo$IPED_CAP,uflo$IPED_CACT)$conf.int[2],3)))
TablaCor_ClimaIPED$color <- ifelse(TablaCor_ClimaIPED$p<.05&as.numeric(TablaCor_ClimaIPED$rho)<0,"#daaaaa",
ifelse(TablaCor_ClimaIPED$p<.05&as.numeric(TablaCor_ClimaIPED$rho)>0,"#a5c3c6",NA))
TablaCor_ClimaIPED$p <- ifelse(TablaCor_ClimaIPED$p==0,"< .001", TablaCor_ClimaIPED$p)
tabla <- kable(TablaCor_ClimaIPED[1:6],
"html",
booktabs = T,
align = c("r"),
caption = "Correlaciones más relevantes entre Clima Motivacional y Habilidades Psicológicas para el Deporte") %>%
kable_styling(full_width = F,
position = "center", font_size = 12) %>%
add_header_above(c("Variables" = 2, "Estimaciones" = 4))%>%
add_footnote("Nota: Los p-valores informados fueron ajustados por el método de Bonferroni. ",
notation = "none")
for(i in 1:nrow(TablaCor_ClimaIPED)){
if(!is.na(TablaCor_ClimaIPED$color[i])){
tabla <- row_spec(tabla,i,background = TablaCor_ClimaIPED$color[i])
}
}
tabla| X | Y | rho | p | Inf. | Sup |
|---|---|---|---|---|---|
| Apoyo a la Autonomía | |||||
| AC | 0.331 | < .001 | 0.2 | 0.457 | |
| CAN | 0.327 | < .001 | 0.204 | 0.454 | |
| CAT | 0.257 | 0.003 | 0.112 | 0.381 | |
| CVI | 0.208 | 0.04 | 0.069 | 0.332 | |
| NM | 0.329 | < .001 | 0.198 | 0.451 | |
| CAP | 0.339 | < .001 | 0.209 | 0.462 | |
| CACT | 0.346 | < .001 | 0.212 | 0.475 | |
| Estilo Controlador | |||||
| CAN | -0.207 | 0.042 | -0.341 | -0.066 | |
| NM | -0.164 | 0.245 | -0.306 | -0.025 | |
| CAP | -0.17 | 0.199 | -0.303 | -0.024 | |
| CACT | -0.22 | 0.023 | -0.357 | -0.074 | |
| AC | |||||
| CAN | 0.693 | < .001 | 0.599 | 0.772 | |
| CAT | 0.528 | < .001 | 0.417 | 0.632 | |
| CVI | 0.356 | < .001 | 0.218 | 0.462 | |
| NM | 0.452 | < .001 | 0.327 | 0.568 | |
| CAP | 0.714 | < .001 | 0.612 | 0.791 | |
| CACT | 0.725 | < .001 | 0.639 | 0.799 | |
| CAN | |||||
| CAT | 0.682 | < .001 | 0.587 | 0.762 | |
| CVI | 0.181 | 0.229 | 0.034 | 0.316 | |
| NM | 0.351 | < .001 | 0.212 | 0.477 | |
| CAP | 0.588 | < .001 | 0.463 | 0.687 | |
| CACT | 0.621 | < .001 | 0.517 | 0.706 | |
| CAT | |||||
| NM | 0.36 | < .001 | 0.221 | 0.483 | |
| CAP | 0.469 | < .001 | 0.343 | 0.583 | |
| CACT | 0.478 | < .001 | 0.362 | 0.583 | |
| CVI | |||||
| NM | 0.459 | < .001 | 0.343 | 0.57 | |
| CAP | 0.466 | < .001 | 0.357 | 0.568 | |
| CACT | 0.405 | < .001 | 0.278 | 0.514 | |
| NM | |||||
| CAP | 0.693 | < .001 | 0.605 | 0.765 | |
| CACT | 0.519 | < .001 | 0.399 | 0.635 | |
| CAP | |||||
| CACT | 0.704 | < .001 | 0.614 | 0.777 | |
| Nota: Los p-valores informados fueron ajustados por el método de Bonferroni. |
IPED y Compromiso
base_cor <- data.frame(AC=uflo$IPED_AC,
CAN=uflo$IPED_CAN,
CAT=uflo$IPED_CAT,
CVI=uflo$IPED_CVI,
NM=uflo$IPED_NM,
CAP=uflo$IPED_CAP,
CACT=uflo$IPED_CACT,
Confianza=uflo$AEQ_confianza,
Energía=uflo$AEQ_energia,
Dedicación=uflo$AEQ_dedicacion,
Entusiasmo=uflo$AEQ_entusiasmo,
Compromiso=uflo$AEQ_total)
Plot_IPEDCompr <- base_cor %>% ggcorr(name="r de Spearman",
method = c("everything","spearman"),
size=2.75,
hjust=.75,
nbreaks=7,
label = T,
label_alpha = T,
label_round = 3,
label_size = 2.25,
low=colores[["rojo75"]],
high = colores[["turquesa75"]])+
geom_segment(aes(x=7.5,xend=12.5,y=7.5,yend=7.5), color=colores[["gris50"]], size=1)+
geom_segment(aes(x=7.5,xend=7.5,y=7.5,yend=0.5), color=colores[["gris50"]], size=1)+
theme(plot.caption.position = "plot",
plot.caption = element_text(hjust = 0.5, size = 8, family = "sans"),
rect = element_rect(fill = "transparent"))+
labs(caption = "Nota: AC = Autoconfianza, CAN = Control de Afrontamiento Negativo,\nCAT = Control Atencional, CVI = Control Visuo-Imaginativo, NM = Nivel Motivacional,\nCAP = Control de Afrontamiento Positivo, CACT = Control Actitudinal.")+
ggtitle("Correlaciones entre Habilidades Psicológicas\npara el Deporte y Compromiso")
Plot_IPEDCompr
# mvn(uflo[,c("IPED_CAP","AEQ_total")])$multivariateNormality$MVN
# NO
TablaCor_IPEDComp <- data.frame(X=c("Compromiso",rep(" ",7),
"Confianza",rep(" ",7),
"Energía",rep(" ", 7),
"Dedicación",rep(" ",7),
"Entusiastmo",rep(" ",7)),
Y=c(" ","AC","CAN","CAT","CVI","NM","CAP","CACT",
" ","AC","CAN","CAT","CVI","NM","CAP","CACT",
" ","AC","CAN","CAT","CVI","NM","CAP","CACT",
" ","AC","CAN","CAT","CVI","NM","CAP","CACT",
" ","AC","CAN","CAT","CVI","NM","CAP","CACT"),
rho=c(" ",
round(cor.test(uflo$AEQ_total,uflo$IPED_AC, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_total,uflo$IPED_CAN, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_total,uflo$IPED_CAT, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_total,uflo$IPED_CVI, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_total,uflo$IPED_NM, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_total,uflo$IPED_CAP, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_total,uflo$IPED_CACT, method = "spearman")$estimate,3),
" ",
round(cor.test(uflo$AEQ_confianza,uflo$IPED_AC, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_confianza,uflo$IPED_CAN, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_confianza,uflo$IPED_CAT, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_confianza,uflo$IPED_CVI, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_confianza,uflo$IPED_NM, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_confianza,uflo$IPED_CAP, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_confianza,uflo$IPED_CACT, method = "spearman")$estimate,3),
" ",
round(cor.test(uflo$AEQ_energia,uflo$IPED_AC, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_energia,uflo$IPED_CAN, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_energia,uflo$IPED_CAT, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_energia,uflo$IPED_CVI, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_energia,uflo$IPED_NM, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_energia,uflo$IPED_CAP, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_energia,uflo$IPED_CACT, method = "spearman")$estimate,3),
" ",
round(cor.test(uflo$AEQ_dedicacion,uflo$IPED_AC, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_dedicacion,uflo$IPED_CAN, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_dedicacion,uflo$IPED_CAT, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_dedicacion,uflo$IPED_CVI, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_dedicacion,uflo$IPED_NM, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_dedicacion,uflo$IPED_CAP, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_dedicacion,uflo$IPED_CACT, method = "spearman")$estimate,3),
" ",
round(cor.test(uflo$AEQ_entusiasmo,uflo$IPED_AC, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_entusiasmo,uflo$IPED_CAN, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_entusiasmo,uflo$IPED_CAT, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_entusiasmo,uflo$IPED_CVI, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_entusiasmo,uflo$IPED_NM, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_entusiasmo,uflo$IPED_CAP, method = "spearman")$estimate,3),
round(cor.test(uflo$AEQ_entusiasmo,uflo$IPED_CACT, method = "spearman")$estimate,3)),
p=c(" ",
round(cor.test(uflo$AEQ_total,uflo$IPED_AC, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_total,uflo$IPED_CAN, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_total,uflo$IPED_CAT, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_total,uflo$IPED_CVI, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_total,uflo$IPED_NM, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_total,uflo$IPED_CAP, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_total,uflo$IPED_CACT, method = "spearman")$p.value*35,3), # Bonferroni
" ",
round(cor.test(uflo$AEQ_confianza,uflo$IPED_AC, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_confianza,uflo$IPED_CAN, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_confianza,uflo$IPED_CAT, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_confianza,uflo$IPED_CVI, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_confianza,uflo$IPED_NM, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_confianza,uflo$IPED_CAP, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_confianza,uflo$IPED_CACT, method = "spearman")$p.value*35,3), # Bonferroni
" ",
round(cor.test(uflo$AEQ_energia,uflo$IPED_AC, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_energia,uflo$IPED_CAN, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_energia,uflo$IPED_CAT, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_energia,uflo$IPED_CVI, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_energia,uflo$IPED_NM, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_energia,uflo$IPED_CAP, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_energia,uflo$IPED_CACT, method = "spearman")$p.value*35,3), # Bonferroni
" ",
round(cor.test(uflo$AEQ_dedicacion,uflo$IPED_AC, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_dedicacion,uflo$IPED_CAN, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_dedicacion,uflo$IPED_CAT, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_dedicacion,uflo$IPED_CVI, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_dedicacion,uflo$IPED_NM, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_dedicacion,uflo$IPED_CAP, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_dedicacion,uflo$IPED_CACT, method = "spearman")$p.value*35,3), # Bonferroni
" ",
round(cor.test(uflo$AEQ_entusiasmo,uflo$IPED_AC, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_entusiasmo,uflo$IPED_CAN, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_entusiasmo,uflo$IPED_CAT, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_entusiasmo,uflo$IPED_CVI, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_entusiasmo,uflo$IPED_NM, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_entusiasmo,uflo$IPED_CAP, method = "spearman")$p.value*35,3), # Bonferroni
round(cor.test(uflo$AEQ_entusiasmo,uflo$IPED_CACT, method = "spearman")$p.value*35,3)), # Bonferroni
"Inf"=c(" ",
round(spearman.ci(uflo$AEQ_total,uflo$IPED_AC)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_total,uflo$IPED_CAN)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_total,uflo$IPED_CAT)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_total,uflo$IPED_CVI)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_total,uflo$IPED_NM)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_total,uflo$IPED_CAP)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_total,uflo$IPED_CACT)$conf.int[1],3),
" ",
round(spearman.ci(uflo$AEQ_confianza,uflo$IPED_AC)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_confianza,uflo$IPED_CAN)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_confianza,uflo$IPED_CAT)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_confianza,uflo$IPED_CVI)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_confianza,uflo$IPED_NM)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_confianza,uflo$IPED_CAP)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_confianza,uflo$IPED_CACT)$conf.int[1],3),
" ",
round(spearman.ci(uflo$AEQ_energia,uflo$IPED_AC)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_energia,uflo$IPED_CAN)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_energia,uflo$IPED_CAT)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_energia,uflo$IPED_CVI)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_energia,uflo$IPED_NM)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_energia,uflo$IPED_CAP)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_energia,uflo$IPED_CACT)$conf.int[1],3),
" ",
round(spearman.ci(uflo$AEQ_dedicacion,uflo$IPED_AC)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_dedicacion,uflo$IPED_CAN)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_dedicacion,uflo$IPED_CAT)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_dedicacion,uflo$IPED_CVI)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_dedicacion,uflo$IPED_NM)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_dedicacion,uflo$IPED_CAP)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_dedicacion,uflo$IPED_CACT)$conf.int[1],3),
" ",
round(spearman.ci(uflo$AEQ_entusiasmo,uflo$IPED_AC)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_entusiasmo,uflo$IPED_CAN)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_entusiasmo,uflo$IPED_CAT)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_entusiasmo,uflo$IPED_CVI)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_entusiasmo,uflo$IPED_NM)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_entusiasmo,uflo$IPED_CAP)$conf.int[1],3),
round(spearman.ci(uflo$AEQ_entusiasmo,uflo$IPED_CACT)$conf.int[1],3)),
"Sup"=c(" ",
round(spearman.ci(uflo$AEQ_total,uflo$IPED_AC)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_total,uflo$IPED_CAN)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_total,uflo$IPED_CAT)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_total,uflo$IPED_CVI)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_total,uflo$IPED_NM)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_total,uflo$IPED_CAP)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_total,uflo$IPED_CACT)$conf.int[2],3),
" ",
round(spearman.ci(uflo$AEQ_confianza,uflo$IPED_AC)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_confianza,uflo$IPED_CAN)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_confianza,uflo$IPED_CAT)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_confianza,uflo$IPED_CVI)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_confianza,uflo$IPED_NM)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_confianza,uflo$IPED_CAP)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_confianza,uflo$IPED_CACT)$conf.int[2],3),
" ",
round(spearman.ci(uflo$AEQ_energia,uflo$IPED_AC)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_energia,uflo$IPED_CAN)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_energia,uflo$IPED_CAT)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_energia,uflo$IPED_CVI)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_energia,uflo$IPED_NM)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_energia,uflo$IPED_CAP)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_energia,uflo$IPED_CACT)$conf.int[2],3),
" ",
round(spearman.ci(uflo$AEQ_dedicacion,uflo$IPED_AC)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_dedicacion,uflo$IPED_CAN)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_dedicacion,uflo$IPED_CAT)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_dedicacion,uflo$IPED_CVI)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_dedicacion,uflo$IPED_NM)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_dedicacion,uflo$IPED_CAP)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_dedicacion,uflo$IPED_CACT)$conf.int[2],3),
" ",
round(spearman.ci(uflo$AEQ_entusiasmo,uflo$IPED_AC)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_entusiasmo,uflo$IPED_CAN)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_entusiasmo,uflo$IPED_CAT)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_entusiasmo,uflo$IPED_CVI)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_entusiasmo,uflo$IPED_NM)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_entusiasmo,uflo$IPED_CAP)$conf.int[2],3),
round(spearman.ci(uflo$AEQ_entusiasmo,uflo$IPED_CACT)$conf.int[2],3)))
TablaCor_IPEDComp$color <- ifelse(TablaCor_IPEDComp$p<.05&as.numeric(TablaCor_IPEDComp$rho)<0,"#daaaaa",
ifelse(TablaCor_IPEDComp$p<.05&as.numeric(TablaCor_IPEDComp$rho)>0,"#a5c3c6",NA))
TablaCor_IPEDComp$p <- ifelse(TablaCor_IPEDComp$p==0,"< .001",
ifelse(TablaCor_IPEDComp$p>1,"1", TablaCor_IPEDComp$p))
tabla <- kable(TablaCor_IPEDComp[1:6],
"html",
booktabs = T,
align = c("r"),
caption = "Correlaciones más relevantes entre Habilidades Psicológicas para el Deporte y Compromiso") %>%
kable_styling(full_width = F,
position = "center", font_size = 12) %>%
add_header_above(c("Variables" = 2, "Estimaciones" = 4))%>%
add_footnote("Nota: Los p-valores informados fueron ajustados por el método de Bonferroni. ",
notation = "none")
for(i in 1:nrow(TablaCor_IPEDComp)){
if(!is.na(TablaCor_IPEDComp$color[i])){
tabla <- row_spec(tabla,i,background = TablaCor_IPEDComp$color[i])
}
}
tabla| X | Y | rho | p | Inf. | Sup |
|---|---|---|---|---|---|
| Compromiso | |||||
| AC | 0.593 | < .001 | 0.478 | 0.688 | |
| CAN | 0.438 | < .001 | 0.309 | 0.569 | |
| CAT | 0.308 | < .001 | 0.16 | 0.445 | |
| CVI | 0.503 | < .001 | 0.384 | 0.602 | |
| NM | 0.736 | < .001 | 0.654 | 0.805 | |
| CAP | 0.766 | < .001 | 0.697 | 0.826 | |
| CACT | 0.62 | < .001 | 0.516 | 0.71 | |
| Confianza | |||||
| AC | 0.685 | < .001 | 0.585 | 0.761 | |
| CAN | 0.483 | < .001 | 0.354 | 0.604 | |
| CAT | 0.335 | < .001 | 0.203 | 0.451 | |
| CVI | 0.417 | < .001 | 0.284 | 0.528 | |
| NM | 0.428 | < .001 | 0.295 | 0.551 | |
| CAP | 0.653 | < .001 | 0.546 | 0.737 | |
| CACT | 0.599 | < .001 | 0.489 | 0.689 | |
| Energía | |||||
| AC | 0.482 | < .001 | 0.36 | 0.59 | |
| CAN | 0.365 | < .001 | 0.224 | 0.502 | |
| CAT | 0.325 | < .001 | 0.18 | 0.452 | |
| CVI | 0.447 | < .001 | 0.316 | 0.57 | |
| NM | 0.693 | < .001 | 0.604 | 0.771 | |
| CAP | 0.716 | < .001 | 0.634 | 0.781 | |
| CACT | 0.559 | < .001 | 0.447 | 0.663 | |
| Dedicación | |||||
| AC | 0.416 | < .001 | 0.288 | 0.536 | |
| CAN | 0.224 | 0.059 | 0.083 | 0.356 | |
| CAT | 0.165 | 0.744 | 0.022 | 0.304 | |
| CVI | 0.432 | < .001 | 0.298 | 0.547 | |
| NM | 0.661 | < .001 | 0.575 | 0.744 | |
| CAP | 0.582 | < .001 | 0.463 | 0.679 | |
| CACT | 0.413 | < .001 | 0.274 | 0.527 | |
| Entusiastmo | |||||
| AC | 0.367 | < .001 | 0.231 | 0.493 | |
| CAN | 0.319 | < .001 | 0.178 | 0.444 | |
| CAT | 0.208 | 0.129 | 0.059 | 0.35 | |
| CVI | 0.423 | < .001 | 0.288 | 0.545 | |
| NM | 0.661 | < .001 | 0.572 | 0.734 | |
| CAP | 0.59 | < .001 | 0.49 | 0.678 | |
| CACT | 0.503 | < .001 | 0.376 | 0.607 | |
| Nota: Los p-valores informados fueron ajustados por el método de Bonferroni. |
IPED y Burnout-Abandono
base_cor <- data.frame(AC=uflo$IPED_AC,
CAN=uflo$IPED_CAN,
CAT=uflo$IPED_CAT,
CVI=uflo$IPED_CVI,
NM=uflo$IPED_NM,
CAP=uflo$IPED_CAP,
CACT=uflo$IPED_CACT,
Burnout=uflo$burnout,
Abandono=uflo$abandono)
Plot_IPEDBurn <- base_cor %>% ggcorr(name="r de Spearman",
method = c("everything","spearman"),
size=2.75,
hjust=.75,
nbreaks=7,
label = T,
label_alpha = T,
label_round = 3,
label_size = 2.25,
low=colores[["rojo75"]],
high = colores[["turquesa75"]])+
geom_segment(aes(x=7.5,xend=9.5,y=7.5,yend=7.5), color=colores[["gris50"]], size=1)+
geom_segment(aes(x=7.5,xend=7.5,y=7.5,yend=0.5), color=colores[["gris50"]], size=1)+
theme(plot.caption.position = "plot",
plot.caption = element_text(hjust = 0.5, size = 8, family = "sans"),
rect = element_rect(fill = "transparent"))+
labs(caption = "Nota: AC = Autoconfianza, CAN = Control de Afrontamiento Negativo,\nCAT = Control Atencional, CVI = Control Visuo-Imaginativo, NM = Nivel Motivacional,\nCAP = Control de Afrontamiento Positivo, CACT = Control Actitudinal.")+
ggtitle("Correlaciones entre Habilidades Psicológicas para el Deporte y Burnout-Abandono")
Plot_IPEDBurn
# mvn(uflo[,c("IPED_CAP","burnout")])$multivariateNormality$MVN
# NO
TablaCor_IPEDBurn <- data.frame(X=c("Burnout",rep(" ",7),
"Abandono",rep(" ",7)),
Y=c(" ","AC","CAN","CAT","CVI","NM","CAP","CACT",
" ","AC","CAN","CAT","CVI","NM","CAP","CACT"),
rho=c(" ",
round(cor.test(uflo$burnout,uflo$IPED_AC, method = "spearman")$estimate,3),
round(cor.test(uflo$burnout,uflo$IPED_CAN, method = "spearman")$estimate,3),
round(cor.test(uflo$burnout,uflo$IPED_CAT, method = "spearman")$estimate,3),
round(cor.test(uflo$burnout,uflo$IPED_CVI, method = "spearman")$estimate,3),
round(cor.test(uflo$burnout,uflo$IPED_NM, method = "spearman")$estimate,3),
round(cor.test(uflo$burnout,uflo$IPED_CAP, method = "spearman")$estimate,3),
round(cor.test(uflo$burnout,uflo$IPED_CACT, method = "spearman")$estimate,3),
" ",
round(cor.test(uflo$abandono,uflo$IPED_AC, method = "spearman")$estimate,3),
round(cor.test(uflo$abandono,uflo$IPED_CAN, method = "spearman")$estimate,3),
round(cor.test(uflo$abandono,uflo$IPED_CAT, method = "spearman")$estimate,3),
round(cor.test(uflo$abandono,uflo$IPED_CVI, method = "spearman")$estimate,3),
round(cor.test(uflo$abandono,uflo$IPED_NM, method = "spearman")$estimate,3),
round(cor.test(uflo$abandono,uflo$IPED_CAP, method = "spearman")$estimate,3),
round(cor.test(uflo$abandono,uflo$IPED_CACT, method = "spearman")$estimate,3)),
p=c(" ",
round(cor.test(uflo$burnout,uflo$IPED_AC, method = "spearman")$p.value*14,3),
round(cor.test(uflo$burnout,uflo$IPED_CAN, method = "spearman")$p.value*14,3),
round(cor.test(uflo$burnout,uflo$IPED_CAT, method = "spearman")$p.value*14,3),
round(cor.test(uflo$burnout,uflo$IPED_CVI, method = "spearman")$p.value*14,3),
round(cor.test(uflo$burnout,uflo$IPED_NM, method = "spearman")$p.value*14,3),
round(cor.test(uflo$burnout,uflo$IPED_CAP, method = "spearman")$p.value*14,3),
round(cor.test(uflo$burnout,uflo$IPED_CACT, method = "spearman")$p.value*14,3),
" ",
round(cor.test(uflo$abandono,uflo$IPED_AC, method = "spearman")$p.value*14,3),
round(cor.test(uflo$abandono,uflo$IPED_CAN, method = "spearman")$p.value*14,3),
round(cor.test(uflo$abandono,uflo$IPED_CAT, method = "spearman")$p.value*14,3),
round(cor.test(uflo$abandono,uflo$IPED_CVI, method = "spearman")$p.value*14,3),
round(cor.test(uflo$abandono,uflo$IPED_NM, method = "spearman")$p.value*14,3),
round(cor.test(uflo$abandono,uflo$IPED_CAP, method = "spearman")$p.value*14,3),
round(cor.test(uflo$abandono,uflo$IPED_CACT, method = "spearman")$p.value*14,3)),
"Inf"=c(" ",
round(spearman.ci(uflo$burnout,uflo$IPED_AC)$conf.int[1],3),
round(spearman.ci(uflo$burnout,uflo$IPED_CAN)$conf.int[1],3),
round(spearman.ci(uflo$burnout,uflo$IPED_CAT)$conf.int[1],3),
round(spearman.ci(uflo$burnout,uflo$IPED_CVI)$conf.int[1],3),
round(spearman.ci(uflo$burnout,uflo$IPED_NM)$conf.int[1],3),
round(spearman.ci(uflo$burnout,uflo$IPED_CAP)$conf.int[1],3),
round(spearman.ci(uflo$burnout,uflo$IPED_CACT)$conf.int[1],3),
" ",
round(spearman.ci(uflo$abandono,uflo$IPED_AC)$conf.int[1],3),
round(spearman.ci(uflo$abandono,uflo$IPED_CAN)$conf.int[1],3),
round(spearman.ci(uflo$abandono,uflo$IPED_CAT)$conf.int[1],3),
round(spearman.ci(uflo$abandono,uflo$IPED_CVI)$conf.int[1],3),
round(spearman.ci(uflo$abandono,uflo$IPED_NM)$conf.int[1],3),
round(spearman.ci(uflo$abandono,uflo$IPED_CAP)$conf.int[1],3),
round(spearman.ci(uflo$abandono,uflo$IPED_CACT)$conf.int[1],3)),
"Sup"=c(" ",
round(spearman.ci(uflo$burnout,uflo$IPED_AC)$conf.int[2],3),
round(spearman.ci(uflo$burnout,uflo$IPED_CAN)$conf.int[2],3),
round(spearman.ci(uflo$burnout,uflo$IPED_CAT)$conf.int[2],3),
round(spearman.ci(uflo$burnout,uflo$IPED_CVI)$conf.int[2],3),
round(spearman.ci(uflo$burnout,uflo$IPED_NM)$conf.int[2],3),
round(spearman.ci(uflo$burnout,uflo$IPED_CAP)$conf.int[2],3),
round(spearman.ci(uflo$burnout,uflo$IPED_CACT)$conf.int[2],3),
" ",
round(spearman.ci(uflo$abandono,uflo$IPED_AC)$conf.int[2],3),
round(spearman.ci(uflo$abandono,uflo$IPED_CAN)$conf.int[2],3),
round(spearman.ci(uflo$abandono,uflo$IPED_CAT)$conf.int[2],3),
round(spearman.ci(uflo$abandono,uflo$IPED_CVI)$conf.int[2],3),
round(spearman.ci(uflo$abandono,uflo$IPED_NM)$conf.int[2],3),
round(spearman.ci(uflo$abandono,uflo$IPED_CAP)$conf.int[2],3),
round(spearman.ci(uflo$abandono,uflo$IPED_CACT)$conf.int[2],3)))
TablaCor_IPEDBurn$color <- ifelse(TablaCor_IPEDBurn$p<.05&as.numeric(TablaCor_IPEDBurn$rho)<0,"#daaaaa",
ifelse(TablaCor_IPEDBurn$p<.05&as.numeric(TablaCor_IPEDBurn$rho)>0,"#a5c3c6",NA))
TablaCor_IPEDBurn$p <- ifelse(TablaCor_IPEDBurn$p==0,"< .001",
ifelse(TablaCor_IPEDBurn$p>1,"1", TablaCor_IPEDBurn$p))
tabla <- kable(TablaCor_IPEDBurn[1:6],
"html",
booktabs = T,
align = c("r"),
caption = "Correlaciones más relevantes entre Habilidades Psicológicas para el Deporte y Burnout-Abandono") %>%
kable_styling(full_width = F,
position = "center", font_size = 12) %>%
add_header_above(c("Variables" = 2, "Estimaciones" = 4))%>%
add_footnote("Nota: Los p-valores informados fueron ajustados por el método de Bonferroni. ",
notation = "none")
for(i in 1:nrow(TablaCor_IPEDBurn)){
if(!is.na(TablaCor_IPEDBurn$color[i])){
tabla <- row_spec(tabla,i,background = TablaCor_IPEDBurn$color[i])
}
}
tabla| X | Y | rho | p | Inf. | Sup |
|---|---|---|---|---|---|
| Burnout | |||||
| AC | -0.578 | < .001 | -0.669 | -0.469 | |
| CAN | -0.504 | < .001 | -0.612 | -0.386 | |
| CAT | -0.433 | < .001 | -0.548 | -0.311 | |
| CVI | -0.32 | < .001 | -0.447 | -0.186 | |
| NM | -0.669 | < .001 | -0.745 | -0.575 | |
| CAP | -0.654 | < .001 | -0.74 | -0.556 | |
| CACT | -0.496 | < .001 | -0.607 | -0.38 | |
| Abandono | |||||
| AC | -0.329 | < .001 | -0.455 | -0.19 | |
| CAN | -0.311 | < .001 | -0.432 | -0.181 | |
| CAT | -0.302 | < .001 | -0.418 | -0.177 | |
| CVI | -0.286 | 0.001 | -0.428 | -0.147 | |
| NM | -0.553 | < .001 | -0.646 | -0.444 | |
| CAP | -0.44 | < .001 | -0.554 | -0.314 | |
| CACT | -0.351 | < .001 | -0.472 | -0.224 | |
| Nota: Los p-valores informados fueron ajustados por el método de Bonferroni. |
Compromiso y Burnout-Abandono
base_cor <- data.frame(Confianza=uflo$AEQ_confianza,
Energía=uflo$AEQ_energia,
Dedicación=uflo$AEQ_dedicacion,
Entusiasmo=uflo$AEQ_entusiasmo,
Compromiso=uflo$AEQ_total,
Burnout=uflo$burnout,
Abandono=uflo$abandono)
Plot_CompBurn <- base_cor %>% ggcorr(name="r de Spearman",
method = c("everything","spearman"),
size=2.75,
hjust=.75,
nbreaks=7,
label = T,
label_alpha = T,
label_round = 3,
label_size = 2.25,
low=colores[["rojo75"]],
high = colores[["turquesa75"]])+
geom_segment(aes(x=5.5,xend=7.5,y=5.5,yend=5.5), color=colores[["gris50"]], size=1)+
geom_segment(aes(x=5.5,xend=5.5,y=5.5,yend=0.5), color=colores[["gris50"]], size=1)+
theme(plot.caption.position = "plot",
plot.caption = element_text(hjust = 0.5, size = 8, family = "sans"),
rect = element_rect(fill = "transparent"))+
ggtitle("Correlaciones entre Compromiso y Burnout-Abandono")
Plot_CompBurn
# mvn(uflo[,c("IPED_CAP","burnout")])$multivariateNormality$MVN
# NO
TablaCor_CompBurn <- data.frame(X=c("Burnout",rep(" ",5),
"Abandono",rep(" ",5)),
Y=c(" ","Compromiso","Confianza","Energía","Dedicación","Entusiasmo",
" ","Compromiso","Confianza","Energía","Dedicación","Entusiasmo"),
rho=c(" ",
round(cor.test(uflo$burnout,uflo$AEQ_total, method = "spearman")$estimate,3),
round(cor.test(uflo$burnout,uflo$AEQ_confianza, method = "spearman")$estimate,3),
round(cor.test(uflo$burnout,uflo$AEQ_energia, method = "spearman")$estimate,3),
round(cor.test(uflo$burnout,uflo$AEQ_dedicacion, method = "spearman")$estimate,3),
round(cor.test(uflo$burnout,uflo$AEQ_entusiasmo, method = "spearman")$estimate,3),
" ",
round(cor.test(uflo$abandono,uflo$AEQ_total, method = "spearman")$estimate,3),
round(cor.test(uflo$abandono,uflo$AEQ_confianza, method = "spearman")$estimate,3),
round(cor.test(uflo$abandono,uflo$AEQ_energia, method = "spearman")$estimate,3),
round(cor.test(uflo$abandono,uflo$AEQ_dedicacion, method = "spearman")$estimate,3),
round(cor.test(uflo$abandono,uflo$AEQ_entusiasmo, method = "spearman")$estimate,3)),
p=c(" ",
round(cor.test(uflo$burnout,uflo$AEQ_total, method = "spearman")$p.value*10,3),
round(cor.test(uflo$burnout,uflo$AEQ_confianza, method = "spearman")$p.value*10,3),
round(cor.test(uflo$burnout,uflo$AEQ_energia, method = "spearman")$p.value*10,3),
round(cor.test(uflo$burnout,uflo$AEQ_dedicacion, method = "spearman")$p.value*10,3),
round(cor.test(uflo$burnout,uflo$AEQ_entusiasmo, method = "spearman")$p.value*10,3),
" ",
round(cor.test(uflo$abandono,uflo$AEQ_total, method = "spearman")$p.value*10,3),
round(cor.test(uflo$abandono,uflo$AEQ_confianza, method = "spearman")$p.value*10,3),
round(cor.test(uflo$abandono,uflo$AEQ_energia, method = "spearman")$p.value*10,3),
round(cor.test(uflo$abandono,uflo$AEQ_dedicacion, method = "spearman")$p.value*10,3),
round(cor.test(uflo$abandono,uflo$AEQ_entusiasmo, method = "spearman")$p.value*10,3)),
"Inf"=c(" ",
round(spearman.ci(uflo$burnout,uflo$AEQ_total)$conf.int[1],3),
round(spearman.ci(uflo$burnout,uflo$AEQ_confianza)$conf.int[1],3),
round(spearman.ci(uflo$burnout,uflo$AEQ_energia)$conf.int[1],3),
round(spearman.ci(uflo$burnout,uflo$AEQ_dedicacion)$conf.int[1],3),
round(spearman.ci(uflo$burnout,uflo$AEQ_entusiasmo)$conf.int[1],3),
" ",
round(spearman.ci(uflo$abandono,uflo$AEQ_total)$conf.int[1],3),
round(spearman.ci(uflo$abandono,uflo$AEQ_confianza)$conf.int[1],3),
round(spearman.ci(uflo$abandono,uflo$AEQ_energia)$conf.int[1],3),
round(spearman.ci(uflo$abandono,uflo$AEQ_dedicacion)$conf.int[1],3),
round(spearman.ci(uflo$abandono,uflo$AEQ_entusiasmo)$conf.int[1],3)),
"Sup"=c(" ",
round(spearman.ci(uflo$burnout,uflo$AEQ_total)$conf.int[2],3),
round(spearman.ci(uflo$burnout,uflo$AEQ_confianza)$conf.int[2],3),
round(spearman.ci(uflo$burnout,uflo$AEQ_energia)$conf.int[2],3),
round(spearman.ci(uflo$burnout,uflo$AEQ_dedicacion)$conf.int[2],3),
round(spearman.ci(uflo$burnout,uflo$AEQ_entusiasmo)$conf.int[2],3),
" ",
round(spearman.ci(uflo$abandono,uflo$AEQ_total)$conf.int[2],3),
round(spearman.ci(uflo$abandono,uflo$AEQ_confianza)$conf.int[2],3),
round(spearman.ci(uflo$abandono,uflo$AEQ_energia)$conf.int[2],3),
round(spearman.ci(uflo$abandono,uflo$AEQ_dedicacion)$conf.int[2],3),
round(spearman.ci(uflo$abandono,uflo$AEQ_entusiasmo)$conf.int[2],3)))
TablaCor_CompBurn$color <- ifelse(TablaCor_CompBurn$p<.05&as.numeric(TablaCor_CompBurn$rho)<0,"#daaaaa",
ifelse(TablaCor_CompBurn$p<.05&as.numeric(TablaCor_CompBurn$rho)>0,"#a5c3c6",NA))
TablaCor_CompBurn$p <- ifelse(TablaCor_CompBurn$p==0,"< .001",
ifelse(TablaCor_CompBurn$p>1,"1", TablaCor_CompBurn$p))
tabla <- kable(TablaCor_CompBurn[1:6],
"html",
booktabs = T,
align = c("r"),
caption = "Correlaciones más relevantes entre Compromiso y Burnout-Abandono") %>%
kable_styling(full_width = F,
position = "center", font_size = 12) %>%
add_header_above(c("Variables" = 2, "Estimaciones" = 4))%>%
add_footnote("Nota: Los p-valores informados fueron ajustados por el método de Bonferroni. ",
notation = "none")
for(i in 1:nrow(TablaCor_CompBurn)){
if(!is.na(TablaCor_CompBurn$color[i])){
tabla <- row_spec(tabla,i,background = TablaCor_CompBurn$color[i])
}
}
tabla| X | Y | rho | p | Inf. | Sup |
|---|---|---|---|---|---|
| Burnout | |||||
| Compromiso | -0.773 | < .001 | -0.832 | -0.704 | |
| Confianza | -0.613 | < .001 | -0.696 | -0.512 | |
| Energía | -0.658 | < .001 | -0.741 | -0.567 | |
| Dedicación | -0.584 | < .001 | -0.683 | -0.48 | |
| Entusiasmo | -0.638 | < .001 | -0.718 | -0.543 | |
| Abandono | |||||
| Compromiso | -0.567 | < .001 | -0.66 | -0.455 | |
| Confianza | -0.367 | < .001 | -0.493 | -0.233 | |
| Energía | -0.452 | < .001 | -0.564 | -0.327 | |
| Dedicación | -0.476 | < .001 | -0.583 | -0.352 | |
| Entusiasmo | -0.539 | < .001 | -0.651 | -0.41 | |
| Nota: Los p-valores informados fueron ajustados por el método de Bonferroni. |
Diferencias entre grupos (Disciplina)
Para la estimación de los modelos según disciplina se excluyeron los casos que compiten en “In line” por tener muy pocos casos. Tampoco se consideraron los casos que compiten en más de una disciplina. La tabla de estimaciones se incluye sólo en los casos en los que se encontró una diferencia con significación al menos tangencial.
Clima Motivacional
Apoyo a la Autonomía según disciplina
modelo <- lm(CM_autonomia~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])
# plot(modelo)
# shapiro.test(modelo$residuals)
# # Incumplimiento de normalidad
# kruskal.test(CM_autonomia~disciplina, data=uflo[uflo$disc_figuras+uflo$disc_libre+ uflo$disc_solodance==1,])
# # No hay diferencias significativas
pv <- round(kruskal.test(CM_autonomia~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ disciplina)$emmeans)
plot_CMaDisc <- ggplot(data=estimaciones, aes(x=disciplina,
y=emmean,
color=disciplina,
group=disciplina))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,],alpha=0.15, size=2,aes(x=disciplina, y=CM_autonomia,color=disciplina), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,3,3.4),
y=c(estimaciones$emmean+1.5,1),
label = c("A", "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Apoyo a la Autonomía según Disciplina", expression(paste("Media (IC"[95],")")))+ labs(y="Apoyo a la Autonomía", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc","#b623f6"))
plot_CMaDisc
Estilo Controlador según Disciplina
modelo <- lm(CM_control~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])
# plot(modelo)
# shapiro.test(modelo$residuals)
# # Incumplimiento de normalidad
# kruskal.test(CM_control~disciplina, data=uflo[uflo$disc_figuras+uflo$disc_libre+uflo$disc_solodance==1,])
# # No hay diferencias significativas
pv <- round(kruskal.test(CM_control~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ disciplina)$emmeans)
plot_CMcDisc <- ggplot(data=estimaciones, aes(x=disciplina,
y=emmean,
color=disciplina,
group=disciplina))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,],alpha=0.15, size=2,aes(x=disciplina, y=CM_control,color=disciplina), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,3,3.4),
y=c(estimaciones$emmean+1.75,1),
label = c("A", "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Estilo Controlador según Disciplina", expression(paste("Media (IC"[95],")")))+ labs(y="Estilo Contolador", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc","#b623f6"))
plot_CMcDisc
IPED
Autoconfianza según Disciplina
No se encontraron evidencias de incumplimiento de supuestos al evaluar las diferencias en los niveles de Autoconfianza según Disiplina, por lo que se ajustó un modelo paramétrico.
modelo <- lm(IPED_AC~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])
# plot(modelo)
# shapiro.test(modelo$residuals)
# anova(modelo)
# # No hay diferencias significativas
pv <- round(kruskal.test(IPED_AC~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ disciplina)$emmeans)
plot_ACDisc <- ggplot(data=estimaciones, aes(x=disciplina,
y=emmean,
color=disciplina,
group=disciplina))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,],alpha=0.15, size=2,aes(x=disciplina, y=IPED_AC,color=disciplina), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,3,3.4),
y=c(estimaciones$emmean+1.75,1),
label = c("A", "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Autoconfianza según Disciplina", expression(paste("Media (IC"[95],")")))+ labs(y="Autoconfianza", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc","#b623f6"))
plot_ACDisc
Control de Afrontamiento Negativo según Disciplina
No se encontraron evidencias de incumplimiento de supuestos al evaluar las diferencias en los niveles de Control de Afrontamiento Negativo según Disciplina, por lo que se ajustó un modelo paramétrico.
modelo <- lm(IPED_CAN~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])
# plot(modelo)
# shapiro.test(modelo$residuals)
# anova(modelo)
# # No hay diferencias significativas
pv <- round(kruskal.test(IPED_CAN~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ disciplina)$emmeans)
plot_CANDisc <- ggplot(data=estimaciones, aes(x=disciplina,
y=emmean,
color=disciplina,
group=disciplina))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,],alpha=0.15, size=2,aes(x=disciplina, y=IPED_CAN,color=disciplina), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,3,3.4),
y=c(estimaciones$emmean+1.75,1),
label = c("A", "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Control de Afrontamiento Negativo según Disciplina", expression(paste("Media (IC"[95],")")))+ labs(y="Control de Afrontamiento Negativo", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc","#b623f6"))
plot_CANDisc
Control Atencional según Disciplina
modelo <- lm(IPED_CAT~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])
# plot(modelo)
# shapiro.test(modelo$residuals)
# # Incumplimiento de normalidad
# kruskal.test(IPED_CAT~disciplina, data=uflo[uflo$disc_figuras+uflo$disc_libre+uflo$disc_solodance==1,])
# # No hay diferencias significativas
pv <- round(kruskal.test(IPED_CAT~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ disciplina)$emmeans)
plot_CATDisc <- ggplot(data=estimaciones, aes(x=disciplina,
y=emmean,
color=disciplina,
group=disciplina))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,],alpha=0.15, size=2,aes(x=disciplina, y=IPED_CAT,color=disciplina), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,3,3.4),
y=c(estimaciones$emmean+1.5,1),
label = c("A", "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Control Atencional según Disciplina", expression(paste("Media (IC"[95],")")))+ labs(y="Control Atencional", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc","#b623f6"))
plot_CATDisc
Control Visuo-Imaginativo según Disciplina
modelo <- lm(IPED_CVI~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])
# plot(modelo)
# shapiro.test(modelo$residuals)
# # Incumplimiento de normalidad
# kruskal.test(IPED_CVI~disciplina, data=uflo[uflo$disc_figuras+uflo$disc_libre+uflo$disc_solodance==1,])
# # No hay diferencias significativas
pv <- round(kruskal.test(IPED_CVI~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ disciplina)$emmeans)
plot_CVIDisc <- ggplot(data=estimaciones, aes(x=disciplina,
y=emmean,
color=disciplina,
group=disciplina))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,],alpha=0.15, size=2,aes(x=disciplina, y=IPED_CVI,color=disciplina), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,3,3.4),
y=c(estimaciones$emmean+1.5,1),
label = c("A", "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Control Visuo-Imaginativo según Disciplina", expression(paste("Media (IC"[95],")")))+ labs(y="Control Visuo-Imaginativo", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc","#b623f6"))
plot_CVIDisc
Nivel Motivacional según Disciplina
modelo <- lm(IPED_NM~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])
# plot(modelo)
# shapiro.test(modelo$residuals)
# # Incumplimiento de normalidad
# kruskal.test(IPED_NM~disciplina, data=uflo[uflo$disc_figuras+uflo$disc_libre+uflo$disc_solodance==1,])
# # No hay diferencias significativas
pv <- round(kruskal.test(IPED_NM~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ disciplina)$emmeans)
plot_NMDisc <- ggplot(data=estimaciones, aes(x=disciplina,
y=emmean,
color=disciplina,
group=disciplina))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,],alpha=0.15, size=2,aes(x=disciplina, y=IPED_NM,color=disciplina), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,3,3.4),
y=c(estimaciones$emmean+1.25,1),
label = c("A", "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Nivel Motivacional según Disciplina", expression(paste("Media (IC"[95],")")))+ labs(y="Nivel Motivacional", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc","#b623f6"))
plot_NMDisc
Control de Afrontamiento Positivo según Disciplina
No se encontraron evidencias de incumplimiento de supuestos al evaluar las diferencias en los niveles de Control de Afrontamiento Positivo según Disciplina, por lo que se ajustó un modelo paramétrico.
modelo <- lm(IPED_CAP~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])
# plot(modelo)
# shapiro.test(modelo$residuals)
# anova(modelo)
# # No hay diferencias significativas
pv <- round(kruskal.test(IPED_CAP~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ disciplina)$emmeans)
plot_CAPDisc <- ggplot(data=estimaciones, aes(x=disciplina,
y=emmean,
color=disciplina,
group=disciplina))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,],alpha=0.15, size=2,aes(x=disciplina, y=IPED_CAP,color=disciplina), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,3,3.4),
y=c(estimaciones$emmean+1.5,1),
label = c("A", "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Control de Afrontamiento Positivo según Disciplina", expression(paste("Media (IC"[95],")")))+ labs(y="Control de Afrontamiento Positivo", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc","#b623f6"))
plot_CAPDisc
Control Actitudinal según Disciplina
No se encontraron evidencias de incumplimiento de supuestos al evaluar las diferencias en los niveles de Control Actitudinal según Disciplina, por lo que se ajustó un modelo paramétrico.
modelo <- lm(IPED_CACT~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])
# plot(modelo)
# shapiro.test(modelo$residuals)
# anova(modelo)
# # No hay diferencias significativas
pv <- round(kruskal.test(IPED_CACT~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ disciplina)$emmeans)
plot_CACTDisc <- ggplot(data=estimaciones, aes(x=disciplina,
y=emmean,
color=disciplina,
group=disciplina))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,],alpha=0.15, size=2,aes(x=disciplina, y=IPED_CACT,color=disciplina), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,3,3.4),
y=c(estimaciones$emmean+1.5,1),
label = c("A", "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Control Actitudinal según Disciplina", expression(paste("Media (IC"[95],")")))+ labs(y="Control Actitudinal", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc","#b623f6"))
plot_CACTDisc
Compromiso
Confianza según Disciplina
modelo <- lm(AEQ_confianza~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])
# plot(modelo)
# shapiro.test(modelo$residuals)
# # Incumplimiento de normalidad
# kruskal.test(AEQ_confianza~disciplina, data=uflo[uflo$disc_figuras+uflo$disc_libre+uflo$disc_solodance==1,])
# # No hay diferencias significativas
pv <- round(kruskal.test(AEQ_confianza~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ disciplina)$emmeans)
plot_ConfDisc <- ggplot(data=estimaciones, aes(x=disciplina,
y=emmean,
color=disciplina,
group=disciplina))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,],alpha=0.15, size=2,aes(x=disciplina, y=AEQ_confianza,color=disciplina), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,3,3.4),
y=c(estimaciones$emmean+1.5,1),
label = c("A", "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Confianza según Disciplina", expression(paste("Media (IC"[95],")")))+ labs(y="Confianza", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc","#b623f6"))
plot_ConfDisc
Energía según Disciplina
modelo <- lm(AEQ_energia~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])
# plot(modelo)
# shapiro.test(modelo$residuals)
# # Incumplimiento de normalidad
# kruskal.test(AEQ_energia~disciplina, data=uflo[uflo$disc_figuras+uflo$disc_libre+uflo$disc_solodance==1,])
# # No hay diferencias significativas
pv <- round(kruskal.test(AEQ_energia~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ disciplina)$emmeans)
plot_EneDisc <- ggplot(data=estimaciones, aes(x=disciplina,
y=emmean,
color=disciplina,
group=disciplina))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,],alpha=0.15, size=2,aes(x=disciplina, y=AEQ_energia,color=disciplina), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,3,3.4),
y=c(estimaciones$emmean+1.25,1),
label = c("A", "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Energía según Disciplina", expression(paste("Media (IC"[95],")")))+ labs(y="Energía", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc","#b623f6"))
plot_EneDisc
Dedicación según Disciplina
modelo <- lm(AEQ_dedicacion~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])
# plot(modelo)
# shapiro.test(modelo$residuals)
# # Incumplimiento de normalidad
# kruskal.test(AEQ_dedicacion~disciplina, data=uflo[uflo$disc_figuras+uflo$disc_libre+uflo$disc_solodance==1,])
# # No hay diferencias significativas
pv <- round(kruskal.test(AEQ_dedicacion~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ disciplina)$emmeans)
plot_DedDisc <- ggplot(data=estimaciones, aes(x=disciplina,
y=emmean,
color=disciplina,
group=disciplina))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,],alpha=0.15, size=2,aes(x=disciplina, y=AEQ_dedicacion,color=disciplina), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,3,3.4),
y=c(estimaciones$emmean+1,1),
label = c("A", "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Dedicación según Disciplina", expression(paste("Media (IC"[95],")")))+ labs(y="Dedicación", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc","#b623f6"))
plot_DedDisc
Entusiasmo según Disciplina
modelo <- lm(AEQ_entusiasmo~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])
# plot(modelo)
# shapiro.test(modelo$residuals)
# # Incumplimiento de normalidad
# kruskal.test(AEQ_entusiasmo~disciplina, data=uflo[uflo$disc_figuras+uflo$disc_libre+uflo$disc_solodance==1,])
# # No hay diferencias significativas
pv <- round(kruskal.test(AEQ_entusiasmo~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ disciplina)$emmeans)
plot_EntDisc <- ggplot(data=estimaciones, aes(x=disciplina,
y=emmean,
color=disciplina,
group=disciplina))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,],alpha=0.15, size=2,aes(x=disciplina, y=AEQ_entusiasmo,color=disciplina), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,3,3.4),
y=c(estimaciones$emmean+1,1),
label = c("A", "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Entusiasmo según Disciplina", expression(paste("Media (IC"[95],")")))+ labs(y="Entusiasmo", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc","#b623f6"))
plot_EntDisc
Compromiso según Disciplina
modelo <- lm(AEQ_total~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])
# plot(modelo)
# shapiro.test(modelo$residuals)
# # Incumplimiento de normalidad
# kruskal.test(AEQ_total~disciplina, data=uflo[uflo$disc_figuras+uflo$disc_libre+uflo$disc_solodance==1,])
# # No hay diferencias significativas
pv <- round(kruskal.test(AEQ_total~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ disciplina)$emmeans)
plot_CompromisoDisc <- ggplot(data=estimaciones, aes(x=disciplina,
y=emmean,
color=disciplina,
group=disciplina))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,],alpha=0.15, size=2,aes(x=disciplina, y=AEQ_total,color=disciplina), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,3,3.4),
y=c(estimaciones$emmean+1.25,1),
label = c("A", "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Compromiso según Disciplina", expression(paste("Media (IC"[95],")")))+ labs(y="Compromiso", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc","#b623f6"))
plot_CompromisoDisc
Burnout e Intención de Abandono
Burnout según Disciplina
modelo <- lm(burnout~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])
# plot(modelo)
# shapiro.test(modelo$residuals)
# # Incumplimiento de normalidad
# kruskal.test(burnout~disciplina, data=uflo[uflo$disc_figuras+uflo$disc_libre+uflo$disc_solodance==1,])
# # No hay diferencias significativas
pv <- round(kruskal.test(burnout~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ disciplina)$emmeans)
plot_BODisc <- ggplot(data=estimaciones, aes(x=disciplina,
y=emmean,
color=disciplina,
group=disciplina))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,],alpha=0.15, size=2,aes(x=disciplina, y=burnout,color=disciplina), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,3,3.4),
y=c(estimaciones$emmean+1.75,1),
label = c("A", "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Burnout según Disciplina", expression(paste("Media (IC"[95],")")))+ labs(y="Burnout", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc","#b623f6"))
plot_BODisc
Intención de Abandono según Disciplina
modelo <- lm(abandono~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])
# plot(modelo)
# shapiro.test(modelo$residuals)
# # Incumplimiento de normalidad
# kruskal.test(abandono~disciplina, data=uflo[uflo$disc_figuras+uflo$disc_libre+uflo$disc_solodance==1,])
# # No hay diferencias significativas
pv <- round(kruskal.test(abandono~disciplina, data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ disciplina)$emmeans)
plot_AbaDisc <- ggplot(data=estimaciones, aes(x=disciplina,
y=emmean,
color=disciplina,
group=disciplina))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo[uflo$disc_figuras+
uflo$disc_libre+
uflo$disc_solodance==1,],alpha=0.15, size=2,aes(x=disciplina, y=abandono,color=disciplina), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,3,3.4),
y=c(estimaciones$emmean+1.75,1),
label = c("A", "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Abandono según Disciplina", expression(paste("Media (IC"[95],")")))+ labs(y="Abandono", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc","#b623f6"))
plot_AbaDisc
Diferencias entre grupos (Categoria)
Clima Motivacional según Categoría
modelo <- lm(CM_autonomia~categoria, data=uflo)
# plot(modelo)
# shapiro.test(modelo$residuals)
# # Incumplimiento de normalidad
# kruskal.test(CM_autonomia~categoria, data=uflo)
# # No hay diferencias significativas
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ categoria)$emmeans)
pv_auto <- round(kruskal.test(CM_autonomia~categoria, data=uflo)$p.value,3)
pv_auto <- ifelse(pv_auto==0, " < 0.001", paste0(" = ", pv_auto))
modelo <- lm(CM_control~categoria, data=uflo)
# plot(modelo)
# shapiro.test(modelo$residuals)
# # Incumplimiento de normalidad
# kruskal.test(CM_autonomia~categoria, data=uflo[uflo$disc_figuras+uflo$disc_libre+uflo$disc_solodance==1,])
# # No hay diferencias significativas
estimaciones<-rbind(estimaciones,
as.data.frame(emmeans(modelo, pairwise ~ categoria)$emmeans))
estimaciones$variable <- c(rep("Ap. a la Autonomia",2),rep("E. Control",2))
pv_ctrl <- round(kruskal.test(CM_control~categoria, data=uflo)$p.value,3)
pv_ctrl <- ifelse(pv_ctrl==0, " < 0.001", paste0(" = ", pv_ctrl))
plot_CMCat <- ggplot(estimaciones, aes(x=categoria,
y=emmean,
color=variable,
group=categoria))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,1,2,2.45,2.45),
y=c(5,5,2.5,2.5,5,1.5),
label = c("A", "A","B", "B",paste0("p",pv_auto),paste0("p",pv_ctrl)),
color=c("#61626b","#61626b","#61626b","#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.title = element_blank(),
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Clima Motivacional según Categoría", expression(paste("Media (IC"[95],")")))+ labs(y="Clima Motivacional", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc","#b623f6"))
plot_CMCat
IPED
Autoconfianza según Categoría
No se encontraron evidencias de incumplimiento de supuestos al evaluar las diferencias en los niveles de Autoconfianza según Categoría, por lo que se ajustó un modelo paramétrico.
modelo <- lm(IPED_AC~categoria, data=uflo)
# plot(modelo)
# shapiro.test(modelo$residuals)
# anova(modelo)
# # No hay diferencias significativas
pv <- round(kruskal.test(IPED_AC~categoria, data=uflo)$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ categoria)$emmeans)
plot_ACCat <- ggplot(data=estimaciones, aes(x=categoria,
y=emmean,
color=categoria,
group=categoria))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=categoria, y=IPED_AC,color=categoria), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,2.45),
y=c(estimaciones$emmean+1.75,1),
label = c( "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Autoconfianza según Categoría", expression(paste("Media (IC"[95],")")))+ labs(y="Autoconfianza", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))
plot_ACCat
TablaMedias_ACCat <- data.frame(emmeans(modelo, pairwise ~ categoria)$contrasts)
colnames(TablaMedias_ACCat) <- c("Comparación",
"Diferencia estimada",
"EE",
"gl",
"t ratio",
"p")
TablaMedias_ACCat[2:6] <- round(TablaMedias_ACCat[2:6],3)
TablaMedias_ACCat$p <- ifelse(round(kruskal.test(IPED_AC~categoria, data=uflo)$p.value,3)==0,"< .001", round(kruskal.test(IPED_AC~categoria, data=uflo)$p.value,3))
tabla <- kable(TablaMedias_ACCat,
"html",
booktabs = T,
align = c("r"),
caption = "Diferencia de medias en Autoconfianza según Categoría") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
tabla| Comparación | Diferencia estimada | EE | gl | t ratio | p |
|---|---|---|---|---|---|
| (Elite / B) - Mundial WS | -0.251 | 0.123 | 192 | -2.052 | 0.027 |
Control de Afrontamiento Negativo según Categoría
No se encontraron evidencias de incumplimiento de supuestos al evaluar las diferencias en los niveles de Control de Afrontamiento Negativo según Categoría, por lo que se ajustó un modelo paramétrico.
modelo <- lm(IPED_CAN~categoria, data=uflo)
# plot(modelo)
# shapiro.test(modelo$residuals)
# anova(modelo)
# Hay diferencias significativas
pv <- round(kruskal.test(IPED_CAN~categoria, data=uflo)$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ categoria)$emmeans)
plot_CANCat <- ggplot(data=estimaciones, aes(x=categoria,
y=emmean,
color=categoria,
group=categoria))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=categoria, y=IPED_CAN,color=categoria), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,2.45),
y=c(estimaciones$emmean+1.75,1),
label = c( "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Control de Afrontamiento Negativo según Categoría", expression(paste("Media (IC"[95],")")))+ labs(y="Control de Afrontamiento Negativo", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))
plot_CANCat
TablaMedias_CANCat <- data.frame(emmeans(modelo, pairwise ~ categoria)$contrasts)
colnames(TablaMedias_CANCat) <- c("Comparación",
"Diferencia estimada",
"EE",
"gl",
"t ratio",
"p")
TablaMedias_CANCat[2:6] <- round(TablaMedias_CANCat[2:6],3)
TablaMedias_CANCat$p <- ifelse(round(kruskal.test(IPED_CAN~categoria, data=uflo)$p.value,3)==0,"< .001", round(kruskal.test(IPED_CAN~categoria, data=uflo)$p.value,3))
tabla <- kable(TablaMedias_CANCat,
"html",
booktabs = T,
align = c("r"),
caption = "Diferencia de medias en Control de Afrontamiento Negativo según Categoría") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
tabla| Comparación | Diferencia estimada | EE | gl | t ratio | p |
|---|---|---|---|---|---|
| (Elite / B) - Mundial WS | -0.355 | 0.123 | 192 | -2.879 | 0.006 |
Control Atencional según Categoría
modelo <- lm(IPED_CAT~categoria, data=uflo)
# plot(modelo)
# shapiro.test(modelo$residuals)
# # Incumplimiento de normalidad
# kruskal.test(IPED_CAT~categoria, data=uflo)
# # No hay diferencias significativas
pv <- round(kruskal.test(IPED_CAT~categoria, data=uflo)$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ categoria)$emmeans)
plot_CATCat <- ggplot(data=estimaciones, aes(x=categoria,
y=emmean,
color=categoria,
group=categoria))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=categoria, y=IPED_CAT,color=categoria), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,2.45),
y=c(estimaciones$emmean+1.5,1),
label = c( "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Control Atencional según Categoría", expression(paste("Media (IC"[95],")")))+ labs(y="Control Atencional", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))
plot_CATCat
TablaMedias_CATCat <- data.frame(emmeans(modelo, pairwise ~ categoria)$contrasts)
colnames(TablaMedias_CATCat) <- c("Comparación",
"Diferencia estimada",
"EE",
"gl",
"t ratio",
"p")
TablaMedias_CATCat[2:6] <- round(TablaMedias_CATCat[2:6],3)
TablaMedias_CATCat$p <- ifelse(round(kruskal.test(IPED_CAT~categoria, data=uflo)$p.value,3)==0,"< .001", round(kruskal.test(IPED_CAT~categoria, data=uflo)$p.value,3))
tabla <- kable(TablaMedias_CATCat,
"html",
booktabs = T,
align = c("r"),
caption = "Diferencia de medias en Control Atencional según Categoría") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
tabla| Comparación | Diferencia estimada | EE | gl | t ratio | p |
|---|---|---|---|---|---|
| (Elite / B) - Mundial WS | -0.259 | 0.119 | 192 | -2.178 | 0.042 |
Control Visuo-Imaginativo según Categoría
modelo <- lm(IPED_CVI~categoria, data=uflo)
# plot(modelo)
# shapiro.test(modelo$residuals)
# # Incumplimiento de normalidad
# kruskal.test(IPED_CVI~categoria, data=uflo)
# # No hay diferencias significativas
pv <- round(kruskal.test(IPED_CVI~categoria, data=uflo)$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ categoria)$emmeans)
plot_CVICat <- ggplot(data=estimaciones, aes(x=categoria,
y=emmean,
color=categoria,
group=categoria))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=categoria, y=IPED_CVI,color=categoria), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,2.45),
y=c(estimaciones$emmean+1.5,1),
label = c( "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Control Visuo-Imaginativo según Categoría", expression(paste("Media (IC"[95],")")))+ labs(y="Control Visuo-Imaginativo", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))
plot_CVICat
Nivel Motivacional según Categoría
modelo <- lm(IPED_NM~categoria, data=uflo)
# plot(modelo)
# shapiro.test(modelo$residuals)
# # Incumplimiento de normalidad
# kruskal.test(IPED_NM~categoria, data=uflo)
# # No hay diferencias significativas
pv <- round(kruskal.test(IPED_NM~categoria, data=uflo)$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ categoria)$emmeans)
plot_NMCat <- ggplot(data=estimaciones, aes(x=categoria,
y=emmean,
color=categoria,
group=categoria))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=categoria, y=IPED_NM,color=categoria), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,2.45),
y=c(estimaciones$emmean+1.25,1),
label = c( "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Nivel Motivacional según Categoría", expression(paste("Media (IC"[95],")")))+ labs(y="Nivel Motivacional", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))
plot_NMCat
TablaMedias_NMCat <- data.frame(emmeans(modelo, pairwise ~ categoria)$contrasts)
colnames(TablaMedias_NMCat) <- c("Comparación",
"Diferencia estimada",
"EE",
"gl",
"t ratio",
"p")
TablaMedias_NMCat[2:6] <- round(TablaMedias_NMCat[2:6],3)
TablaMedias_NMCat$p <- ifelse(round(kruskal.test(IPED_NM~categoria, data=uflo)$p.value,3)==0,"< .001", round(kruskal.test(IPED_NM~categoria, data=uflo)$p.value,3))
tabla <- kable(TablaMedias_NMCat,
"html",
booktabs = T,
align = c("r"),
caption = "Diferencia de medias en Nivel Motivacional según Categoría") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
tabla| Comparación | Diferencia estimada | EE | gl | t ratio | p |
|---|---|---|---|---|---|
| (Elite / B) - Mundial WS | -0.178 | 0.089 | 192 | -1.989 | 0.037 |
Control de Afrontamiento Positivo según Categoría
modelo <- lm(IPED_CAP~categoria, data=uflo)
# plot(modelo)
# shapiro.test(modelo$residuals)
# # Falla normalidad
# kruskal.test(IPED_CAP~categoria, data=uflo)
# # No hay diferencias significativas
pv <- round(kruskal.test(IPED_CAP~categoria, data=uflo)$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ categoria)$emmeans)
plot_CAPCat <- ggplot(data=estimaciones, aes(x=categoria,
y=emmean,
color=categoria,
group=categoria))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=categoria, y=IPED_CAP,color=categoria), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,2.45),
y=c(estimaciones$emmean+1.5,1),
label = c( "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Control de Afrontamiento Positivo según Categoría", expression(paste("Media (IC"[95],")")))+ labs(y="Control de Afrontamiento Positivo", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))
plot_CAPCat
Control Actitudinal según Categoría
No se encontraron evidencias de incumplimiento de supuestos al evaluar las diferencias en los niveles de Control Actitudinal según Categoría, por lo que se ajustó un modelo paramétrico.
modelo <- lm(IPED_CACT~categoria, data=uflo)
# plot(modelo)
# shapiro.test(modelo$residuals)
# anova(modelo)
# # No hay diferencias significativas
pv <- round(kruskal.test(IPED_CACT~categoria, data=uflo)$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ categoria)$emmeans)
plot_CACTCat <- ggplot(data=estimaciones, aes(x=categoria,
y=emmean,
color=categoria,
group=categoria))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=categoria, y=IPED_CACT,color=categoria), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,2.45),
y=c(estimaciones$emmean+1.5,1),
label = c( "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Control Actitudinal según Categoría", expression(paste("Media (IC"[95],")")))+ labs(y="Control Actitudinal", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))
plot_CACTCat
Compromiso
Confianza según Categoría
modelo <- lm(AEQ_confianza~categoria, data=uflo)
# plot(modelo)
# shapiro.test(modelo$residuals)
# # Incumplimiento de normalidad
# kruskal.test(AEQ_confianza~categoria, data=uflo)
# # No hay diferencias significativas
pv <- round(kruskal.test(AEQ_confianza~categoria, data=uflo)$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ categoria)$emmeans)
plot_ConfCat <- ggplot(data=estimaciones, aes(x=categoria,
y=emmean,
color=categoria,
group=categoria))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=categoria, y=AEQ_confianza,color=categoria), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,2.45),
y=c(estimaciones$emmean+1.5,1),
label = c( "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Confianza según Categoría", expression(paste("Media (IC"[95],")")))+ labs(y="Confianza", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))
plot_ConfCat
Energía según Categoría
modelo <- lm(AEQ_energia~categoria, data=uflo)
# plot(modelo)
# shapiro.test(modelo$residuals)
# # Incumplimiento de normalidad
# kruskal.test(AEQ_energia~categoria, data=uflo)
# # No hay diferencias significativas
pv <- round(kruskal.test(AEQ_energia~categoria, data=uflo)$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ categoria)$emmeans)
plot_EneCat <- ggplot(data=estimaciones, aes(x=categoria,
y=emmean,
color=categoria,
group=categoria))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=categoria, y=AEQ_energia,color=categoria), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,2.45),
y=c(estimaciones$emmean+1.25,1),
label = c( "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Energía según Categoría", expression(paste("Media (IC"[95],")")))+ labs(y="Energía", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))
plot_EneCat
TablaMedias_EneCat <- data.frame(emmeans(modelo, pairwise ~ categoria)$contrasts)
colnames(TablaMedias_EneCat) <- c("Comparación",
"Diferencia estimada",
"EE",
"gl",
"t ratio",
"p")
TablaMedias_EneCat[2:6] <- round(TablaMedias_EneCat[2:6],3)
TablaMedias_EneCat$p <- ifelse(round(kruskal.test(AEQ_energia~categoria, data=uflo)$p.value,3)==0,"< .001", round(kruskal.test(AEQ_energia~categoria, data=uflo)$p.value,3))
tabla <- kable(TablaMedias_EneCat,
"html",
booktabs = T,
align = c("r"),
caption = "Diferencia de medias en Energía según Categoría") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
tabla| Comparación | Diferencia estimada | EE | gl | t ratio | p |
|---|---|---|---|---|---|
| (Elite / B) - Mundial WS | -0.218 | 0.105 | 192 | -2.079 | 0.049 |
Dedicación según Categoría
modelo <- lm(AEQ_dedicacion~categoria, data=uflo)
# plot(modelo)
# shapiro.test(modelo$residuals)
# # Incumplimiento de normalidad
# kruskal.test(AEQ_dedicacion~categoria, data=uflo)
# # No hay diferencias significativas
pv <- round(kruskal.test(AEQ_dedicacion~categoria, data=uflo)$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ categoria)$emmeans)
plot_DedCat <- ggplot(data=estimaciones, aes(x=categoria,
y=emmean,
color=categoria,
group=categoria))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=categoria, y=AEQ_dedicacion,color=categoria), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,2.45),
y=c(estimaciones$emmean+1, 1),
label = c("A", "A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Dedicación según Categoría", expression(paste("Media (IC"[95],")")))+ labs(y="Dedicación", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))
plot_DedCat
TablaMedias_DedCat <- data.frame(emmeans(modelo, pairwise ~ categoria)$contrasts)
colnames(TablaMedias_DedCat) <- c("Comparación",
"Diferencia estimada",
"EE",
"gl",
"t ratio",
"p")
TablaMedias_DedCat[2:6] <- round(TablaMedias_DedCat[2:6],3)
TablaMedias_DedCat$p <- ifelse(round(kruskal.test(AEQ_dedicacion~categoria, data=uflo)$p.value,3)==0,"< .001", round(kruskal.test(AEQ_dedicacion~categoria, data=uflo)$p.value,3))
tabla <- kable(TablaMedias_DedCat,
"html",
booktabs = T,
align = c("r"),
caption = "Diferencia de medias en Dedicación según Categoría") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
tabla| Comparación | Diferencia estimada | EE | gl | t ratio | p |
|---|---|---|---|---|---|
| (Elite / B) - Mundial WS | -0.195 | 0.097 | 192 | -2.008 | 0.014 |
Entusiasmo según Categoria
modelo <- lm(AEQ_entusiasmo~categoria, data=uflo)
# plot(modelo)
# shapiro.test(modelo$residuals)
# # Incumplimiento de normalidad
# kruskal.test(AEQ_entusiasmo~categoria, data=uflo)
# # No hay diferencias significativas
pv <- round(kruskal.test(AEQ_entusiasmo~categoria, data=uflo)$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ categoria)$emmeans)
plot_EntCat <- ggplot(data=estimaciones, aes(x=categoria,
y=emmean,
color=categoria,
group=categoria))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=categoria, y=AEQ_entusiasmo,color=categoria), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,2.45),
y=c(estimaciones$emmean+1,1),
label = c("A", "A",paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Entusiasmo según Categoría", expression(paste("Media (IC"[95],")")))+ labs(y="Entusiasmo", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))
plot_EntCat
Compromiso según Categoría
modelo <- lm(AEQ_total~categoria, data=uflo)
# plot(modelo)
# shapiro.test(modelo$residuals)
# # Incumplimiento de normalidad
# kruskal.test(AEQ_total~categoria, data=uflo)
# # No hay diferencias significativas
pv <- round(kruskal.test(AEQ_total~categoria, data=uflo)$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ categoria)$emmeans)
plot_CompromisoCat <- ggplot(data=estimaciones, aes(x=categoria,
y=emmean,
color=categoria,
group=categoria))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=categoria, y=AEQ_total,color=categoria), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,2.45),
y=c(estimaciones$emmean+1.25,1),
label = c("A", "A",paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Compromiso según Categoría", expression(paste("Media (IC"[95],")")))+ labs(y="Compromiso", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))
plot_CompromisoCat
TablaMedias_CompCat <- data.frame(emmeans(modelo, pairwise ~ categoria)$contrasts)
colnames(TablaMedias_CompCat) <- c("Comparación",
"Diferencia estimada",
"EE",
"gl",
"t ratio",
"p")
TablaMedias_CompCat[2:6] <- round(TablaMedias_CompCat[2:6],3)
TablaMedias_CompCat$p <- ifelse(round(kruskal.test(AEQ_total~categoria, data=uflo)$p.value,3)==0,"< .001", round(kruskal.test(AEQ_total~categoria, data=uflo)$p.value,3))
tabla <- kable(TablaMedias_CompCat,
"html",
booktabs = T,
align = c("r"),
caption = "Diferencia de medias en Compromiso según Categoría") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
tabla| Comparación | Diferencia estimada | EE | gl | t ratio | p |
|---|---|---|---|---|---|
| (Elite / B) - Mundial WS | -0.164 | 0.085 | 192 | -1.919 | 0.048 |
Burnout e Intención de Abandono
Burnout según Categoría
modelo <- lm(burnout~categoria, data=uflo)
# plot(modelo)
# shapiro.test(modelo$residuals)
# # Incumplimiento de normalidad
# kruskal.test(burnout~categoria, data=uflo)
# # No hay diferencias significativas
pv <- round(kruskal.test(burnout~categoria, data=uflo)$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ categoria)$emmeans)
plot_BOCat <- ggplot(data=estimaciones, aes(x=categoria,
y=emmean,
color=categoria,
group=categoria))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=categoria, y=burnout,color=categoria), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,2.45),
y=c(estimaciones$emmean+1.75,1),
label = c("A", "A",paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Burnout según Categoría", expression(paste("Media (IC"[95],")")))+ labs(y="Burnout", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))
plot_BOCat
Intención de Abandono según Categoría
modelo <- lm(abandono~categoria, data=uflo)
# plot(modelo)
# shapiro.test(modelo$residuals)
# # Incumplimiento de normalidad
# kruskal.test(abandono~categoria, data=uflo)
# # hay diferencias significativas
pv <- round(kruskal.test(abandono~categoria, data=uflo)$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ categoria)$emmeans)
plot_AbaCat <- ggplot(data=estimaciones, aes(x=categoria,
y=emmean,
color=categoria,
group=categoria))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=categoria, y=abandono,color=categoria), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,2.45),
y=c(estimaciones$emmean+1.75,1),
label = c("A", "B",paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Abandono según Categoría", expression(paste("Media (IC"[95],")")))+ labs(y="Abandono", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))
plot_AbaCat
TablaMedias_AbaCat <- data.frame(emmeans(modelo, pairwise ~ categoria)$contrasts)
colnames(TablaMedias_AbaCat) <- c("Comparación",
"Diferencia estimada",
"EE",
"gl",
"t ratio",
"p")
TablaMedias_AbaCat[2:6] <- round(TablaMedias_AbaCat[2:6],3)
TablaMedias_AbaCat$p <- ifelse(round(kruskal.test(abandono~categoria, data=uflo)$p.value,3)==0,"< .001", round(kruskal.test(abandono~categoria, data=uflo)$p.value,3))
tabla <- kable(TablaMedias_AbaCat,
"html",
booktabs = T,
align = c("r"),
caption = "Diferencia de medias en Intención de Abandono según Categoría") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
tabla| Comparación | Diferencia estimada | EE | gl | t ratio | p |
|---|---|---|---|---|---|
| (Elite / B) - Mundial WS | 0.168 | 0.124 | 192 | 1.35 | 0.261 |
Conclusiones
En lo que respecta a la asociación entre las variables en estudio, los resultados son prometedores. Si bien la realización de múltiples pruebas de hipótesis aumenta la probabilidad de error de tipo I, dada la magnitud de los r de Spearman en las correlaciones resultaría esperable que puedan ajustarse buenos modelos de regresión para predecir los outcomes estudiados.
En cuanto a las diferencias de medias, ni las distintas disciplinas ni ambas categorías parecen presentar diferencias en las variables estudiadas. La diferencia en intención de abandono entre la categoría Elite / B y Mundial WS ya no resultó estadísticamente significativa. Sin embargo, otras variables de Compromiso y de Habilidades Psicológocas para el deporte, alcanzaron la significatividad estadística.
Se sugiere continuar los análisis con la evaluación de modelos de regresión para predecir los niveles de las variables outcome a partir de los niveles de Clima Motivacional y las variables psicológicas evaluadas.
Nuevos análisis (13/03)
Edad vs. todas las variables
Se estimaron los coeficientes de correlación de todas las variables con edad. Ninguna de las asociaciones resultó significativa.
TablaCor_Edad <- data.frame(X=c("Clima motivacional",rep(" ",2),
"Habilidades psicológicas",rep(" ",7),
"Compromiso",rep(" ",5),
"Outcomes",rep(" ",2)),
Y=c(" ",
"Apoyo a la autonomía",
"Estilo controlador",
" ",
"Autoconfianza",
"Control de afrontamiento negativo",
"Control atencional",
"Control visuo-imaginativo",
"Nivel motivacional",
"Control de afrontamiento positivo",
"Control actitudinal",
" ",
"Confianza",
"Energía",
"Dedicación",
"Entusiasmo",
"Total",
" ",
"Burnout",
"Intención de abandono"),
rho=c(" ",
round(cor.test(uflo$edad,uflo$CM_autonomia, method = "spearman")$estimate,3),
round(cor.test(uflo$edad,uflo$CM_control, method = "spearman")$estimate,3),
" ",
round(cor.test(uflo$edad,uflo$IPED_AC, method = "spearman")$estimate,3),
round(cor.test(uflo$edad,uflo$IPED_CAN, method = "spearman")$estimate,3),
round(cor.test(uflo$edad,uflo$IPED_CAT, method = "spearman")$estimate,3),
round(cor.test(uflo$edad,uflo$IPED_CVI, method = "spearman")$estimate,3),
round(cor.test(uflo$edad,uflo$IPED_NM, method = "spearman")$estimate,3),
round(cor.test(uflo$edad,uflo$IPED_CAP, method = "spearman")$estimate,3),
round(cor.test(uflo$edad,uflo$IPED_CACT, method = "spearman")$estimate,3),
" ",
round(cor.test(uflo$edad,uflo$AEQ_confianza, method = "spearman")$estimate,3),
round(cor.test(uflo$edad,uflo$AEQ_energia, method = "spearman")$estimate,3),
round(cor.test(uflo$edad,uflo$AEQ_dedicacion, method = "spearman")$estimate,3),
round(cor.test(uflo$edad,uflo$AEQ_entusiasmo, method = "spearman")$estimate,3),
round(cor.test(uflo$edad,uflo$AEQ_total, method = "spearman")$estimate,3),
" ",
round(cor.test(uflo$edad,uflo$burnout, method = "spearman")$estimate,3),
round(cor.test(uflo$edad,uflo$abandono, method = "spearman")$estimate,3)),
p=c(" ",
round(cor.test(uflo$edad,uflo$CM_autonomia, method = "spearman")$p.value,3),
round(cor.test(uflo$edad,uflo$CM_control, method = "spearman")$p.value,3),
" ",
round(cor.test(uflo$edad,uflo$IPED_AC, method = "spearman")$p.value,3),
round(cor.test(uflo$edad,uflo$IPED_CAN, method = "spearman")$p.value,3),
round(cor.test(uflo$edad,uflo$IPED_CAT, method = "spearman")$p.value,3),
round(cor.test(uflo$edad,uflo$IPED_CVI, method = "spearman")$p.value,3),
round(cor.test(uflo$edad,uflo$IPED_NM, method = "spearman")$p.value,3),
round(cor.test(uflo$edad,uflo$IPED_CAP, method = "spearman")$p.value,3),
round(cor.test(uflo$edad,uflo$IPED_CACT, method = "spearman")$p.value,3),
" ",
round(cor.test(uflo$edad,uflo$AEQ_confianza, method = "spearman")$p.value,3),
round(cor.test(uflo$edad,uflo$AEQ_energia, method = "spearman")$p.value,3),
round(cor.test(uflo$edad,uflo$AEQ_dedicacion, method = "spearman")$p.value,3),
round(cor.test(uflo$edad,uflo$AEQ_entusiasmo, method = "spearman")$p.value,3),
round(cor.test(uflo$edad,uflo$AEQ_total, method = "spearman")$p.value,3),
" ",
round(cor.test(uflo$edad,uflo$burnout, method = "spearman")$p.value,3),
round(cor.test(uflo$edad,uflo$abandono, method = "spearman")$p.value,3)),
"Inf"=c(" ",
round(spearman.ci(uflo$edad,uflo$CM_autonomia )$conf.int[1],3),
round(spearman.ci(uflo$edad,uflo$CM_control )$conf.int[1],3),
" ",
round(spearman.ci(uflo$edad,uflo$IPED_AC )$conf.int[1],3),
round(spearman.ci(uflo$edad,uflo$IPED_CAN )$conf.int[1],3),
round(spearman.ci(uflo$edad,uflo$IPED_CAT )$conf.int[1],3),
round(spearman.ci(uflo$edad,uflo$IPED_CVI )$conf.int[1],3),
round(spearman.ci(uflo$edad,uflo$IPED_NM )$conf.int[1],3),
round(spearman.ci(uflo$edad,uflo$IPED_CAP )$conf.int[1],3),
round(spearman.ci(uflo$edad,uflo$IPED_CACT )$conf.int[1],3),
" ",
round(spearman.ci(uflo$edad,uflo$AEQ_confianza )$conf.int[1],3),
round(spearman.ci(uflo$edad,uflo$AEQ_energia )$conf.int[1],3),
round(spearman.ci(uflo$edad,uflo$AEQ_dedicacion )$conf.int[1],3),
round(spearman.ci(uflo$edad,uflo$AEQ_entusiasmo )$conf.int[1],3),
round(spearman.ci(uflo$edad,uflo$AEQ_total )$conf.int[1],3),
" ",
round(spearman.ci(uflo$edad,uflo$burnout )$conf.int[1],3),
round(spearman.ci(uflo$edad,uflo$abandono )$conf.int[1],3)),
"Sup"=c(" ",
round(spearman.ci(uflo$edad,uflo$CM_autonomia )$conf.int[2],3),
round(spearman.ci(uflo$edad,uflo$CM_control )$conf.int[2],3),
" ",
round(spearman.ci(uflo$edad,uflo$IPED_AC )$conf.int[2],3),
round(spearman.ci(uflo$edad,uflo$IPED_CAN )$conf.int[2],3),
round(spearman.ci(uflo$edad,uflo$IPED_CAT )$conf.int[2],3),
round(spearman.ci(uflo$edad,uflo$IPED_CVI )$conf.int[2],3),
round(spearman.ci(uflo$edad,uflo$IPED_NM )$conf.int[2],3),
round(spearman.ci(uflo$edad,uflo$IPED_CAP )$conf.int[2],3),
round(spearman.ci(uflo$edad,uflo$IPED_CACT )$conf.int[2],3),
" ",
round(spearman.ci(uflo$edad,uflo$AEQ_confianza )$conf.int[2],3),
round(spearman.ci(uflo$edad,uflo$AEQ_energia )$conf.int[2],3),
round(spearman.ci(uflo$edad,uflo$AEQ_dedicacion )$conf.int[2],3),
round(spearman.ci(uflo$edad,uflo$AEQ_entusiasmo )$conf.int[2],3),
round(spearman.ci(uflo$edad,uflo$AEQ_total )$conf.int[2],3),
" ",
round(spearman.ci(uflo$edad,uflo$burnout )$conf.int[2],3),
round(spearman.ci(uflo$edad,uflo$abandono )$conf.int[2],3)))
TablaCor_Edad$color <- ifelse(TablaCor_Edad$p<.05&as.numeric(TablaCor_Edad$rho)<0,"#daaaaa",
ifelse(TablaCor_Edad$p<.05&as.numeric(TablaCor_Edad$rho)>0,"#a5c3c6",NA))
TablaCor_Edad$p <- ifelse(TablaCor_Edad$p==0,"< .001",
ifelse(TablaCor_Edad$p>1,"1", TablaCor_Edad$p))
tabla <- kable(TablaCor_Edad[1:6],
"html",
booktabs = T,
align = c("r"),
caption = "Correlaciones entre la edad y todas las demás variables estudiadas") %>%
kable_styling(full_width = F,
position = "center", font_size = 12) %>%
add_header_above(c("Variables" = 2, "Estimaciones" = 4))
for(i in 1:nrow(TablaCor_Edad)){
if(!is.na(TablaCor_Edad$color[i])){
tabla <- row_spec(tabla,i,background = TablaCor_Edad$color[i])
}
}
tabla| X | Y | rho | p | Inf. | Sup |
|---|---|---|---|---|---|
| Clima motivacional | |||||
| Apoyo a la autonomía | 0.029 | 0.683 | -0.102 | 0.17 | |
| Estilo controlador | -0.124 | 0.084 | -0.255 | 0.016 | |
| Habilidades psicológicas | |||||
| Autoconfianza | -0.138 | 0.055 | -0.278 | 0.004 | |
| Control de afrontamiento negativo | -0.128 | 0.076 | -0.265 | 0.018 | |
| Control atencional | -0.114 | 0.112 | -0.256 | 0.035 | |
| Control visuo-imaginativo | -0.013 | 0.857 | -0.153 | 0.127 | |
| Nivel motivacional | -0.037 | 0.613 | -0.187 | 0.117 | |
| Control de afrontamiento positivo | 0 | 1 | -0.139 | 0.142 | |
| Control actitudinal | 0.082 | 0.258 | -0.071 | 0.223 | |
| Compromiso | |||||
| Confianza | -0.075 | 0.297 | -0.214 | 0.073 | |
| Energía | 0.035 | 0.631 | -0.118 | 0.166 | |
| Dedicación | -0.068 | 0.343 | -0.203 | 0.07 | |
| Entusiasmo | 0.051 | 0.481 | -0.091 | 0.198 | |
| Total | -0.025 | 0.731 | -0.17 | 0.11 | |
| Outcomes | |||||
| Burnout | 0.105 | 0.144 | -0.035 | 0.248 | |
| Intención de abandono | 0.117 | 0.104 | -0.022 | 0.25 |
HHPP según puestos
Autoconfianza según Posición
No se encontraron evidencias de incumplimiento de supuestos al evaluar las diferencias en los niveles de Autoconfianza según Posición, por lo que se ajustó un modelo paramétrico.
El modelo resultó significativo (F(3,190)=4.55; p = 0.004), habiendo diferencias en el nivel de autoconfianza entre quienes terminaron en la primera posición y quienes salieron segundxs o tercerxs. El resto de comparaciones no fueron significativas.
modelo <- lm(IPED_AC~posicion, data=uflo)
# simulationOutput <- DHARMa::simulateResiduals(modelo)
# plot(simulationOutput)
# anova(modelo)
# hay diferencias significativas
# as.data.frame(emmeans(modelo, pairwise ~ posicion)$contrasts)
pv <- round(anova(modelo)$`Pr(>F)`,3)[1]
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ posicion)$emmeans)
plot_ACPos <- ggplot(data=estimaciones, aes(x=posicion,
y=emmean,
color=posicion,
group=posicion))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=posicion, y=IPED_AC,color=posicion), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,3,4,4.3),
y=c(5.2,5.2,5.2,5.2,1),
label = c("AB", "C","BC","BC", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Autoconfianza según Posición", expression(paste("Media (IC"[95],")")))+ labs(y="Autoconfianza", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc","#b623f6","#f5a422"))
plot_ACPos
TablaMedias_ACPos <- data.frame(emmeans(modelo, pairwise ~ posicion)$contrasts)
colnames(TablaMedias_ACPos) <- c("Comparación",
"Diferencia estimada",
"EE",
"gl",
"t ratio",
"p")
TablaMedias_ACPos[2:6] <- round(TablaMedias_ACPos[2:6],3)
TablaMedias_ACPos$p <- ifelse(TablaMedias_ACPos$p==0,"< .001", TablaMedias_ACPos$p)
tabla <- kable(TablaMedias_ACPos,
"html",
booktabs = T,
align = c("r"),
caption = "Diferencia de medias en Autoconfianza según Posición") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
tabla| Comparación | Diferencia estimada | EE | gl | t ratio | p |
|---|---|---|---|---|---|
| 1º puesto - (2º y/o 3º) | 0.441 | 0.138 | 190 | 3.199 | 0.009 |
| 1º puesto - del 4º al 10º | 0.403 | 0.178 | 190 | 2.269 | 0.109 |
| 1º puesto - Ninguna | -0.138 | 0.332 | 190 | -0.417 | 0.976 |
| (2º y/o 3º) - del 4º al 10º | -0.038 | 0.200 | 190 | -0.190 | 0.998 |
| (2º y/o 3º) - Ninguna | -0.580 | 0.344 | 190 | -1.683 | 0.335 |
| del 4º al 10º - Ninguna | -0.542 | 0.362 | 190 | -1.496 | 0.442 |
Control de Afrontamiento Negativo según Posición
No se encontraron evidencias de incumplimiento de supuestos al evaluar las diferencias en los niveles de Control de Afrontamiento Negativo según Posición, por lo que se ajustó un modelo paramétrico.
El modelo no fue significativo (F(3,190)=2.57; p = 0.055). Se probó un nuevo modelo sin el nivel “Ninguna” de la variable posición, por presentar baja frecuencia y de esta manera el modelo sí resultó significativo (F(3,185)=3.75; p = 0.025). Se detallan ambos modelos.
modelo <- lm(IPED_CAN~posicion, data=uflo)
# simulationOutput <- DHARMa::simulateResiduals(modelo)
# plot(simulationOutput)
# anova(modelo)
# hay diferencias significativas
# as.data.frame(emmeans(modelo, pairwise ~ posicion)$contrasts)
pv <- round(anova(modelo)$`Pr(>F)`,3)[1]
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ posicion)$emmeans)
plot_CANPos <- ggplot(data=estimaciones, aes(x=posicion,
y=emmean,
color=posicion,
group=posicion))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=posicion, y=IPED_CAN,color=posicion), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,3,4,4.3),
y=c(5.2,5.2,5.2,5.2,1),
label = c("A", "A","A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Control de Afrontamiento Negativo según Posición", expression(paste("Media (IC"[95],")")))+ labs(y="CAN", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc","#b623f6","#f5a422"))
plot_CANPos
modelo <- lm(IPED_CAN~posicion, data=uflo[uflo$posicion%in%c("1º puesto",
"2º y/o 3º",
"del 4º al 10º"),])
# simulationOutput <- DHARMa::simulateResiduals(modelo)
# plot(simulationOutput)
# anova(modelo)
# hay diferencias significativas
# as.data.frame(emmeans(modelo, pairwise ~ posicion)$contrasts)
pv <- round(anova(modelo)$`Pr(>F)`,3)[1]
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ posicion)$emmeans)
plot_CANPos2 <- ggplot(data=estimaciones, aes(x=posicion,
y=emmean,
color=posicion,
group=posicion))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo[uflo$posicion%in%c("1º puesto",
"2º y/o 3º",
"del 4º al 10º"),],alpha=0.15, size=2,aes(x=posicion, y=IPED_CAN,color=posicion), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,3,3.3),
y=c(5.2,5.2,5.2,1),
label = c("AB", "C","BC", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Control de Afrontamiento Negativo según Posición", expression(paste("Media (IC"[95],")")))+ labs(y="CAN", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc","#b623f6"))
plot_CANPos2
TablaMedias_CANPos <- data.frame(emmeans(modelo, pairwise ~ posicion)$contrasts)
colnames(TablaMedias_CANPos) <- c("Comparación",
"Diferencia estimada",
"EE",
"gl",
"t ratio",
"p")
TablaMedias_CANPos[2:6] <- round(TablaMedias_CANPos[2:6],3)
TablaMedias_CANPos$p <- ifelse(TablaMedias_CANPos$p==0,"< .001", TablaMedias_CANPos$p)
tabla <- kable(TablaMedias_CANPos,
"html",
booktabs = T,
align = c("r"),
caption = "Diferencia de medias en Control de Afrontamiento Negativo según Posición") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
tabla| Comparación | Diferencia estimada | EE | gl | t ratio | p |
|---|---|---|---|---|---|
| 1º puesto - (2º y/o 3º) | 0.354 | 0.143 | 185 | 2.476 | 0.038 |
| 1º puesto - del 4º al 10º | 0.311 | 0.184 | 185 | 1.684 | 0.214 |
| (2º y/o 3º) - del 4º al 10º | -0.044 | 0.207 | 185 | -0.211 | 0.976 |
Control Atencional según Posición
No se encontraron evidencias de incumplimiento de supuestos al evaluar las diferencias en los niveles de Contron Atencional según Posición, por lo que se ajustó un modelo paramétrico.
El modelo no fue significativo (F(3,190)=1.185; p = 0.316). Quitando la respuesta “ninguna”, el modelo sigue siendo no significativo.
modelo <- lm(IPED_CAT~posicion, data=uflo)
# simulationOutput <- DHARMa::simulateResiduals(modelo)
# plot(simulationOutput)
# anova(modelo)
# hay diferencias significativas
# as.data.frame(emmeans(modelo, pairwise ~ posicion)$contrasts)
pv <- round(anova(modelo)$`Pr(>F)`,3)[1]
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ posicion)$emmeans)
plot_CATPos <- ggplot(data=estimaciones, aes(x=posicion,
y=emmean,
color=posicion,
group=posicion))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=posicion, y=IPED_CAT,color=posicion), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,3,4,4.3),
y=c(5.2,5.2,5.2,5.2,1),
label = c("A", "A","A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Control Atencional según Posición", expression(paste("Media (IC"[95],")")))+ labs(y="Control Atencional", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc","#b623f6","#f5a422"))
plot_CATPos
Control Visuo-Imaginativo según Posición
No se encontraron evidencias de incumplimiento de supuestos al evaluar las diferencias en los niveles de Contron Atencional según Posición, por lo que se ajustó un modelo paramétrico.
El modelo no fue significativo (F(3,190)=1.006; p = 0.391) y quitar el nivel “ninguna” no lo volvió significativo.
modelo <- lm(IPED_CVI~posicion, data=uflo)
# simulationOutput <- DHARMa::simulateResiduals(modelo)
# plot(simulationOutput)
# anova(modelo)
# hay diferencias significativas
# as.data.frame(emmeans(modelo, pairwise ~ posicion)$contrasts)
pv <- round(anova(modelo)$`Pr(>F)`,3)[1]
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ posicion)$emmeans)
plot_CVIPos <- ggplot(data=estimaciones, aes(x=posicion,
y=emmean,
color=posicion,
group=posicion))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=posicion, y=IPED_CVI,color=posicion), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,3,4,4.3),
y=c(5.2,5.2,5.2,5.2,1),
label = c("A", "A","A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Control Visuo-Imaginativo según Posición", expression(paste("Media (IC"[95],")")))+ labs(y="CVI", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc","#b623f6","#f5a422"))
plot_CVIPos
Nivel Motivacional según Posición
No se encontraron evidencias de incumplimiento de supuestos al evaluar las diferencias en los niveles de Nivel Motivacional según Posición, por lo que se ajustó un modelo paramétrico.
El modelo no fue significativo (F(3,190)=1.58; p = 0.196) y quitar el nivel “ninguna” no lo volvió significativo.
modelo <- lm(IPED_NM~posicion, data=uflo)
# simulationOutput <- DHARMa::simulateResiduals(modelo)
# plot(simulationOutput)
# anova(modelo)
# hay diferencias significativas
# as.data.frame(emmeans(modelo, pairwise ~ posicion)$contrasts)
pv <- round(anova(modelo)$`Pr(>F)`,3)[1]
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ posicion)$emmeans)
plot_NMPos <- ggplot(data=estimaciones, aes(x=posicion,
y=emmean,
color=posicion,
group=posicion))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=posicion, y=IPED_NM,color=posicion), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,3,4,4.3),
y=c(5.2,5.2,5.2,5.2,1),
label = c("A", "A","A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Nivel Motivacional según Posición", expression(paste("Media (IC"[95],")")))+ labs(y="Nivel Motivacional", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc","#b623f6","#f5a422"))
plot_NMPos
Control de Afrontamiento Positivo según Posición
No se encontraron evidencias de incumplimiento de supuestos al evaluar las diferencias en los niveles de Control de Afrontamiento Positivo según Posición, por lo que se ajustó un modelo paramétrico.
El modelo no fue significativo (F(3,190)=2.42; p = 0.068) y quitar el nivel “ninguna” no lo volvió significativo.
modelo <- lm(IPED_CAP~posicion, data=uflo)
# simulationOutput <- DHARMa::simulateResiduals(modelo)
# plot(simulationOutput)
# anova(modelo)
# hay diferencias significativas
# as.data.frame(emmeans(modelo, pairwise ~ posicion)$contrasts)
pv <- round(anova(modelo)$`Pr(>F)`,3)[1]
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ posicion)$emmeans)
plot_CAPPos <- ggplot(data=estimaciones, aes(x=posicion,
y=emmean,
color=posicion,
group=posicion))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=posicion, y=IPED_CAP,color=posicion), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,3,4,4.3),
y=c(5.2,5.2,5.2,5.2,1),
label = c("A", "A","A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Control de Afrontamiento Positivo según Posición", expression(paste("Media (IC"[95],")")))+ labs(y="CAP", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc","#b623f6","#f5a422"))
plot_CAPPos
Control Actitudinal según Posición
No se encontraron evidencias de incumplimiento de supuestos al evaluar las diferencias en los niveles de Control Actitudinal según Posición, por lo que se ajustó un modelo paramétrico.
El modelo no fue significativo (F(3,190)=2.08; p = 0.105). Se probó un nuevo modelo sin el nivel “Ninguna” de la variable posición, y de esta manera el modelo alcanzó una significación marginal (F(3,185)=3.04; p = 0.0501). Se detallan ambos modelos.
modelo <- lm(IPED_CACT~posicion, data=uflo)
# simulationOutput <- DHARMa::simulateResiduals(modelo)
# plot(simulationOutput)
# anova(modelo)
# hay diferencias significativas
# as.data.frame(emmeans(modelo, pairwise ~ posicion)$contrasts)
pv <- round(anova(modelo)$`Pr(>F)`,3)[1]
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ posicion)$emmeans)
plot_CACTPos <- ggplot(data=estimaciones, aes(x=posicion,
y=emmean,
color=posicion,
group=posicion))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=posicion, y=IPED_CACT,color=posicion), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,3,4,4.3),
y=c(5.2,5.2,5.2,5.2,1),
label = c("A", "A","A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Control Actitudinal según Posición", expression(paste("Media (IC"[95],")")))+ labs(y="CACT", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc","#b623f6","#f5a422"))
plot_CACTPos
modelo <- lm(IPED_CACT~posicion, data=uflo[uflo$posicion%in%c("1º puesto",
"2º y/o 3º",
"del 4º al 10º"),])
# simulationOutput <- DHARMa::simulateResiduals(modelo)
# plot(simulationOutput)
# anova(modelo)
# hay diferencias significativas
# as.data.frame(emmeans(modelo, pairwise ~ posicion)$contrasts)
pv <- round(anova(modelo)$`Pr(>F)`,3)[1]
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ posicion)$emmeans)
plot_CACTPos2 <- ggplot(data=estimaciones, aes(x=posicion,
y=emmean,
color=posicion,
group=posicion))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo[uflo$posicion%in%c("1º puesto",
"2º y/o 3º",
"del 4º al 10º"),],alpha=0.15, size=2,aes(x=posicion, y=IPED_CACT,color=posicion), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+
annotate("text",
x=c(1,2,3,3.3),
y=c(5.2,5.2,5.2,1),
label = c("A", "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Control Actitudinal según Posición", expression(paste("Media (IC"[95],")")))+ labs(y="CACT", x="")+
labs(caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc","#b623f6"))
plot_CACTPos2
TablaMedias_CACTPos <- data.frame(emmeans(modelo, pairwise ~ posicion)$contrasts)
colnames(TablaMedias_CACTPos) <- c("Comparación",
"Diferencia estimada",
"EE",
"gl",
"t ratio",
"p")
TablaMedias_CACTPos[2:6] <- round(TablaMedias_CACTPos[2:6],3)
TablaMedias_CACTPos$p <- ifelse(TablaMedias_CACTPos$p==0,"< .001", TablaMedias_CACTPos$p)
tabla <- kable(TablaMedias_CACTPos,
"html",
booktabs = T,
align = c("r"),
caption = "Diferencia de medias en Control Actitudinal según Posición") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
tabla| Comparación | Diferencia estimada | EE | gl | t ratio | p |
|---|---|---|---|---|---|
| 1º puesto - (2º y/o 3º) | 0.271 | 0.116 | 185 | 2.338 | 0.053 |
| 1º puesto - del 4º al 10º | 0.191 | 0.149 | 185 | 1.278 | 0.409 |
| (2º y/o 3º) - del 4º al 10º | -0.080 | 0.168 | 185 | -0.477 | 0.882 |
Presencia de Psicólogx
Diferencias en presencia de psicólogx según género
No se encontró evidencia de incumplimiento de supuestos para la realización del test \(\chi^2\). Sin embargo, el mismo no resultó significativo: \(\chi^2(1)=0.031; p=0.861\).
# test_tabla <- chisq.test(tabla_sexo)
# test_tabla$expected
# Cumple los supuestos, pero no fue significativo
tabla_sexo <- as.table(rbind(c(sum(uflo$psicologo[uflo$genero=="Femenino"]), sum(uflo$psicologo[uflo$genero=="Masculino"])),
c(nrow(uflo[uflo$genero=="Femenino",])-sum(uflo$psicologo[uflo$genero=="Femenino"]), nrow(uflo[uflo$genero=="Masculino",])-sum(uflo$psicologo[uflo$genero=="Masculino"]))))
dimnames(tabla_sexo) <- list(Psicologo = c("Sí", "No"),
Genero = c("Femenino", "Masculino"))
tabla <- kable(tabla_sexo,
"html",
booktabs = T,
align = c("r"),
caption = "Presencia de psicólogx según género") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
tabla| Femenino | Masculino | |
|---|---|---|
| Sí | 86 | 12 |
| No | 86 | 10 |
Diferencias en presencia de psicólogx según disciplina
Para este análisis se excluyeron los casos que compiten en más de una disciplina y quienes compiten en Inline por ser muy pocos casos. No se encontró evidencia de incumplimiento de supuestos para la realización del test \(\chi^2\). Sin embargo, el mismo no resultó significativo: \(\chi^2(2)=2.1; p=0.35\).
# test_tabla <- chisq.test(tabla)
# test_tabla$expected
# Cumple los supuestos, pero no fue significativo
tabla_disc <- as.table(rbind(c(sum(uflo$psicologo[uflo$disciplina=="Figuras Obligatorias"]), sum(uflo$psicologo[uflo$disciplina=="Libre"]), sum(uflo$psicologo[uflo$disciplina=="Solo Dance"])),
c(nrow(uflo[uflo$disciplina=="Figuras Obligatorias",])-sum(uflo$psicologo[uflo$disciplina=="Figuras Obligatorias"]), nrow(uflo[uflo$disciplina=="Libre",])-sum(uflo$psicologo[uflo$disciplina=="Libre"]), nrow(uflo[uflo$disciplina=="Solo Dance",])-sum(uflo$psicologo[uflo$disciplina=="Solo Dance"]))))
dimnames(tabla_disc) <- list(Psicologo = c("Sí", "No"),
Disciplina = c("Fig. Obl.", "Libre","Solo dance"))
tabla <- kable(tabla_disc,
"html",
booktabs = T,
align = c("r"),
caption = "Presencia de psicólogx según disciplina") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
tabla| Fig. Obl. | Libre | Solo dance | |
|---|---|---|---|
| Sí | 26 | 33 | 35 |
| No | 20 | 42 | 31 |
Diferencias en presencia de psicólogx según categoría
No se encontró evidencia de incumplimiento de supuestos para la realización del test \(\chi^2\). El modelo resultó significativo: \(\chi^2(1)=10.79; p=0.001\). El análisis de residuos celda a celda evidencia que quienes compiten en la categoría Mundial WS tienen mayor presencia de psicólogxs en sus equipos que quienes compiten en Elite / B (3.44 desvíos por encima).
# test_tabla <- chisq.test(tabla)
# test_tabla$expected
# Cumple los supuestos y fue significativo
tabla_cat <- as.table(rbind(c(sum(uflo$psicologo[uflo$categoria=="Elite / B"]), sum(uflo$psicologo[uflo$categoria=="Mundial WS"])),
c(nrow(uflo[uflo$categoria=="Elite / B",])-sum(uflo$psicologo[uflo$categoria=="Elite / B"]), nrow(uflo[uflo$categoria=="Mundial WS",])-sum(uflo$psicologo[uflo$categoria=="Mundial WS"]))))
dimnames(tabla_cat) <- list(Psicologo = c("Sí", "No"),
Categoria = c("Elite / B", "Mundial WS"))
tabla <- kable(tabla_cat,
"html",
booktabs = T,
align = c("r"),
caption = "Presencia de psicólogx según categoría") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
tabla| Elite / B | Mundial WS | |
|---|---|---|
| Sí | 22 | 76 |
| No | 44 | 52 |
test_tabla <- chisq.test(tabla_cat)
tabla2 <- kable(round(test_tabla$stdres,3),
"html",
booktabs = T,
align = c("r"),
caption = "Residuos estandarizados") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
tabla2| Elite / B | Mundial WS | |
|---|---|---|
| Sí | -3.437 | 3.437 |
| No | 3.437 | -3.437 |
Diferencias en presencia de psicólogx según nivel
No se encontró evidencia de incumplimiento de supuestos para la realización del test \(\chi^2\). Sin embargo, el mismo no resultó significativo: \(\chi^2(1)=0; p=1\).
# test_tabla <- chisq.test(tabla)
# test_tabla$expected
# Cumple los supuestos, pero no fue significativo
tabla_nivel <- as.table(rbind(c(sum(uflo$psicologo[uflo$nivel=="Junior"]), sum(uflo$psicologo[uflo$nivel=="Senior"])),
c(nrow(uflo[uflo$nivel=="Junior",])-sum(uflo$psicologo[uflo$nivel=="Junior"]), nrow(uflo[uflo$nivel=="Senior",])-sum(uflo$psicologo[uflo$nivel=="Senior"]))))
dimnames(tabla_nivel) <- list(Psicologo = c("Sí", "No"),
Nivel = c("Junior", "Senior"))
tabla <- kable(tabla_nivel,
"html",
booktabs = T,
align = c("r"),
caption = "Presencia de psicólogx según nivel") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
tabla| Junior | Senior | |
|---|---|---|
| Sí | 36 | 62 |
| No | 35 | 61 |
Diferencias en presencia de psicólogx según posición
Para este análisis se excluyeron los casos que respondieron “ninguna” a la pregunta de posición por ser muy pocos casos. No se encontró evidencia de incumplimiento de supuestos para la realización del test \(\chi^2\). Sin embargo, el mismo no resultó significativo: \(\chi^2(2)=1.26; p=0.53\).
# test_tabla <- chisq.test(tabla)
# test_tabla$expected
# Cumple los supuestos, pero no fue significativo
tabla_pos <- as.table(rbind(c(sum(uflo$psicologo[uflo$posicion=="1º puesto"]), sum(uflo$psicologo[uflo$posicion=="2º y/o 3º"]), sum(uflo$psicologo[uflo$posicion=="del 4º al 10º"])),
c(nrow(uflo[uflo$posicion=="1º puesto",])-sum(uflo$psicologo[uflo$posicion=="1º puesto"]), nrow(uflo[uflo$posicion=="2º y/o 3º",])-sum(uflo$psicologo[uflo$posicion=="2º y/o 3º"]), nrow(uflo[uflo$posicion=="del 4º al 10º",])-sum(uflo$psicologo[uflo$posicion=="del 4º al 10º"]))))
dimnames(tabla_pos) <- list(Psicologo = c("Sí", "No"),
Posicion = c("1º puesto", "2º y/o 3º", "del 4º al 10º"))
tabla <- kable(tabla_pos,
"html",
booktabs = T,
align = c("r"),
caption = "Presencia de psicólogx según posición") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
tabla| 1º puesto | 2º y/o 3º | del 4º al 10º | |
|---|---|---|---|
| Sí | 64 | 24 | 10 |
| No | 54 | 22 | 14 |
Diferencias en Clima motivacional según presencia de psicólogx
Apoyo a la autonomía
Se encontró evidencia de incumplimiento de supuestos por lo que se utilizó el test de Mann Whitney / Wilcoxon. Quienes tienen a un/a psicólogo/a en su equipo reportaron mayor apoyo a la autonomía por parte de sus entrenadorxs (W=3849.5; p=0.028).
modelo <- lm(CM_autonomia~psicologo, data=uflo)
# plot(modelo)
# shapiro.test(modelo$residuals)
# # Incumplimiento de normalidad
# kruskal.test(AEQ_confianza~categoria, data=uflo)
# # No hay diferencias significativas
pv <- round(wilcox.test(CM_autonomia~psicologo, data=uflo)$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ psicologo)$emmeans)
plot_CMAA_psico <- ggplot(data=estimaciones, aes(x=as.factor(psicologo+1),
y=emmean,
color=as.factor(psicologo+1),
group=as.factor(psicologo+1)))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=as.factor(psicologo+1), y=CM_autonomia,color=as.factor(psicologo+1)), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+ylab(c("No", "Sí"))+
annotate("text",
x=c(1,2,2.35),
y=c(5.35,5.35,1),
label = c( "A","B", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Apoyo a la autonomía según Psicólogx", expression(paste("Media (IC"[95],")")))+
labs(y="Apoyo a la autonomía", x="",
caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))+
scale_x_discrete(labels=c("1" = "Sin psicólogx","2" = "Con psicólogx"))
plot_CMAA_psico
Estilo controlador
Se encontró evidencia de incumplimiento de supuestos por lo que se utilizó el test de Mann Whitney / Wilcoxon. Quienes tienen a un/a psicólogo/a en su equipo reportaron menores niveles de estilo controlador en sus entrenadorxs (W=5558; p=0.029).
modelo <- lm(CM_control~psicologo, data=uflo)
pv <- round(wilcox.test(CM_control~psicologo, data=uflo)$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ psicologo)$emmeans)
plot_CMEC_psico <- ggplot(data=estimaciones, aes(x=as.factor(psicologo+1),
y=emmean,
color=as.factor(psicologo+1),
group=as.factor(psicologo+1)))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=as.factor(psicologo+1), y=CM_control,color=as.factor(psicologo+1)), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+ylab(c("No", "Sí"))+
annotate("text",
x=c(1,2,2.35),
y=c(4.35,4.35,1),
label = c( "A","B", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Estilo controlador según Psicólogx", expression(paste("Media (IC"[95],")")))+
labs(y="Estilo controlador", x="",
caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))+
scale_x_discrete(labels=c("1" = "Sin psicólogx","2" = "Con psicólogx"))
plot_CMEC_psico
Diferencias en Hab. Psi. según presencia de psicólogx
Autoconfianza
No se encontraron evidencias de incumplimiento de supuestos por lo que se ajustó un modelo paramétrico. No se hayaron diferencias significativas (F(1,192)=0.27; p=0.604).
modelo <- lm(IPED_AC~psicologo, data=uflo)
pv <- round(t.test(uflo$IPED_AC[uflo$psicologo==0],uflo$IPED_AC[uflo$psicologo==1])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ psicologo)$emmeans)
plot_AC_psico <- ggplot(data=estimaciones, aes(x=as.factor(psicologo+1),
y=emmean,
color=as.factor(psicologo+1),
group=as.factor(psicologo+1)))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=as.factor(psicologo+1), y=IPED_AC,color=as.factor(psicologo+1)), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+ylab(c("No", "Sí"))+
annotate("text",
x=c(1,2,2.35),
y=c(5.35,5.35,1),
label = c( "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Autoconfianza según Psicólogx", expression(paste("Media (IC"[95],")")))+
labs(y="Autoconfianza", x="",
caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))+
scale_x_discrete(labels=c("1" = "Sin psicólogx","2" = "Con psicólogx"))
plot_AC_psico
Control de Afrontamiento Negativo
No se encontraron evidencias de incumplimiento de supuestos por lo que se ajustó un modelo paramétrico. No se hayaron diferencias significativas (F(1,192)=0.03; p=0.862).
modelo <- lm(IPED_CAN~psicologo, data=uflo)
pv <- round(t.test(uflo$IPED_CAN[uflo$psicologo==0],uflo$IPED_CAN[uflo$psicologo==1])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ psicologo)$emmeans)
plot_CAN_psico <- ggplot(data=estimaciones, aes(x=as.factor(psicologo+1),
y=emmean,
color=as.factor(psicologo+1),
group=as.factor(psicologo+1)))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=as.factor(psicologo+1), y=IPED_CAN,color=as.factor(psicologo+1)), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+ylab(c("No", "Sí"))+
annotate("text",
x=c(1,2,2.35),
y=c(5.35,5.35,1),
label = c( "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en CAN según Psicólogx", expression(paste("Media (IC"[95],")")))+
labs(y="CAN", x="",
caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))+
scale_x_discrete(labels=c("1" = "Sin psicólogx","2" = "Con psicólogx"))
plot_CAN_psico
Control Atencional
No se encontraron evidencias de incumplimiento de supuestos por lo que se ajustó un modelo paramétrico. No se hayaron diferencias significativas (F(1,192)=1.15; p=0.284).
modelo <- lm(IPED_CAT~psicologo, data=uflo)
pv <- round(t.test(uflo$IPED_CAT[uflo$psicologo==0],uflo$IPED_CAT[uflo$psicologo==1])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ psicologo)$emmeans)
plot_CAT_psico <- ggplot(data=estimaciones, aes(x=as.factor(psicologo+1),
y=emmean,
color=as.factor(psicologo+1),
group=as.factor(psicologo+1)))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=as.factor(psicologo+1), y=IPED_CAT,color=as.factor(psicologo+1)), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+ylab(c("No", "Sí"))+
annotate("text",
x=c(1,2,2.35),
y=c(5.35,5.35,1),
label = c( "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en CAT según Psicólogx", expression(paste("Media (IC"[95],")")))+
labs(y="CAT", x="",
caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))+
scale_x_discrete(labels=c("1" = "Sin psicólogx","2" = "Con psicólogx"))
plot_CAT_psico
Control Visuo-Imaginativo
No se encontraron evidencias de incumplimiento de supuestos por lo que se ajustó un modelo paramétrico. Se hayaron diferencias significativas (F(1,192)=4.26; p=0.04), siendo quienes trabajan con profesionales de la Psicología lxs que presentan mayores niveles de CVI.
modelo <- lm(IPED_CVI~psicologo, data=uflo)
pv <- round(t.test(uflo$IPED_CVI[uflo$psicologo==0],uflo$IPED_CVI[uflo$psicologo==1])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ psicologo)$emmeans)
plot_CVI_psico <- ggplot(data=estimaciones, aes(x=as.factor(psicologo+1),
y=emmean,
color=as.factor(psicologo+1),
group=as.factor(psicologo+1)))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=as.factor(psicologo+1), y=IPED_CVI,color=as.factor(psicologo+1)), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+ylab(c("No", "Sí"))+
annotate("text",
x=c(1,2,2.35),
y=c(5.35,5.35,1),
label = c( "A","B", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en CVI según Psicólogx", expression(paste("Media (IC"[95],")")))+
labs(y="CVI", x="",
caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))+
scale_x_discrete(labels=c("1" = "Sin psicólogx","2" = "Con psicólogx"))
plot_CVI_psico
Nivel Motivacional
No se encontraron evidencias de incumplimiento de supuestos por lo que se ajustó un modelo paramétrico. Se hayaron diferencias significativas (F(1,192)=4.17; p=0.042), siendo quienes trabajan con profesionales de la Psicología lxs que presentan mayores niveles de NM.
modelo <- lm(IPED_NM~psicologo, data=uflo)
pv <- round(t.test(uflo$IPED_NM[uflo$psicologo==0],uflo$IPED_NM[uflo$psicologo==1])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ psicologo)$emmeans)
plot_NM_psico <- ggplot(data=estimaciones, aes(x=as.factor(psicologo+1),
y=emmean,
color=as.factor(psicologo+1),
group=as.factor(psicologo+1)))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=as.factor(psicologo+1), y=IPED_NM,color=as.factor(psicologo+1)), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+ylab(c("No", "Sí"))+
annotate("text",
x=c(1,2,2.35),
y=c(5.35,5.35,1),
label = c( "A","B", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en NM según Psicólogx", expression(paste("Media (IC"[95],")")))+
labs(y="NM", x="",
caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))+
scale_x_discrete(labels=c("1" = "Sin psicólogx","2" = "Con psicólogx"))
plot_NM_psico
Control de Afrontamiento Positivo
No se encontraron evidencias de incumplimiento de supuestos por lo que se ajustó un modelo paramétrico. No se hayaron diferencias significativas (F(1,192)=0.63; p=0.428).
modelo <- lm(IPED_CAP~psicologo, data=uflo)
pv <- round(t.test(uflo$IPED_CAP[uflo$psicologo==0],uflo$IPED_CAP[uflo$psicologo==1])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ psicologo)$emmeans)
plot_CAP_psico <- ggplot(data=estimaciones, aes(x=as.factor(psicologo+1),
y=emmean,
color=as.factor(psicologo+1),
group=as.factor(psicologo+1)))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=as.factor(psicologo+1), y=IPED_CAP,color=as.factor(psicologo+1)), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+ylab(c("No", "Sí"))+
annotate("text",
x=c(1,2,2.35),
y=c(5.35,5.35,1),
label = c( "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en CAP según Psicólogx", expression(paste("Media (IC"[95],")")))+
labs(y="CAP", x="",
caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))+
scale_x_discrete(labels=c("1" = "Sin psicólogx","2" = "Con psicólogx"))
plot_CAP_psico
Control Actitudinal
No se encontraron evidencias de incumplimiento de supuestos por lo que se ajustó un modelo paramétrico. No se hayaron diferencias significativas (F(1,192)=0.448; p=0.504).
modelo <- lm(IPED_CACT~psicologo, data=uflo)
pv <- round(t.test(uflo$IPED_CACT[uflo$psicologo==0],uflo$IPED_CACT[uflo$psicologo==1])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ psicologo)$emmeans)
plot_CACT_psico <- ggplot(data=estimaciones, aes(x=as.factor(psicologo+1),
y=emmean,
color=as.factor(psicologo+1),
group=as.factor(psicologo+1)))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=as.factor(psicologo+1), y=IPED_CACT,color=as.factor(psicologo+1)), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+ylab(c("No", "Sí"))+
annotate("text",
x=c(1,2,2.35),
y=c(5.35,5.35,1),
label = c( "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en CACT según Psicólogx", expression(paste("Media (IC"[95],")")))+
labs(y="CACT", x="",
caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))+
scale_x_discrete(labels=c("1" = "Sin psicólogx","2" = "Con psicólogx"))
plot_CACT_psico
Fortaleza Mental (IPED completo)
No se encontraron evidencias de incumplimiento de supuestos por lo que se ajustó un modelo paramétrico. No se hayaron diferencias significativas (F(1,192)=0.669; p=0.414).
modelo <- lm(IPED_total~psicologo, data=uflo)
pv <- round(t.test(uflo$IPED_total[uflo$psicologo==0],uflo$IPED_total[uflo$psicologo==1])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ psicologo)$emmeans)
plot_IPED_psico <- ggplot(data=estimaciones, aes(x=as.factor(psicologo+1),
y=emmean,
color=as.factor(psicologo+1),
group=as.factor(psicologo+1)))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=as.factor(psicologo+1), y=IPED_total,color=as.factor(psicologo+1)), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+ylab(c("No", "Sí"))+
annotate("text",
x=c(1,2,2.35),
y=c(5.35,5.35,1),
label = c( "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Fortaleza mental según Psicólogx", expression(paste("Media (IC"[95],")")))+
labs(y="Fortaleza mental", x="",
caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))+
scale_x_discrete(labels=c("1" = "Sin psicólogx","2" = "Con psicólogx"))
plot_IPED_psico
Diferencias en Compromiso según presencia de psicólogx
Confianza
No se encontraron evidencias de incumplimiento de supuestos por lo que se ajustó un modelo paramétrico. No se hayaron diferencias significativas (F(1,192)=1.124; p=0.291).
modelo <- lm(AEQ_confianza~psicologo, data=uflo)
pv <- round(t.test(uflo$AEQ_confianza[uflo$psicologo==0],uflo$AEQ_confianza[uflo$psicologo==1])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ psicologo)$emmeans)
plot_Conf_psico <- ggplot(data=estimaciones, aes(x=as.factor(psicologo+1),
y=emmean,
color=as.factor(psicologo+1),
group=as.factor(psicologo+1)))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=as.factor(psicologo+1), y=AEQ_confianza,color=as.factor(psicologo+1)), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+ylab(c("No", "Sí"))+
annotate("text",
x=c(1,2,2.35),
y=c(5.35,5.35,1),
label = c( "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Confianza según Psicólogx", expression(paste("Media (IC"[95],")")))+
labs(y="Confianza", x="",
caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))+
scale_x_discrete(labels=c("1" = "Sin psicólogx","2" = "Con psicólogx"))
plot_Conf_psico
Energía
No se encontraron evidencias de incumplimiento de supuestos por lo que se ajustó un modelo paramétrico. No se hayaron diferencias significativas (F(1,192)=3.265; p=0.072).
modelo <- lm(AEQ_energia~psicologo, data=uflo)
pv <- round(t.test(uflo$AEQ_energia[uflo$psicologo==0],uflo$AEQ_energia[uflo$psicologo==1])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ psicologo)$emmeans)
plot_Ener_psico <- ggplot(data=estimaciones, aes(x=as.factor(psicologo+1),
y=emmean,
color=as.factor(psicologo+1),
group=as.factor(psicologo+1)))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=as.factor(psicologo+1), y=AEQ_energia,color=as.factor(psicologo+1)), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+ylab(c("No", "Sí"))+
annotate("text",
x=c(1,2,2.35),
y=c(5.35,5.35,1),
label = c( "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Energía según Psicólogx", expression(paste("Media (IC"[95],")")))+
labs(y="Energía", x="",
caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))+
scale_x_discrete(labels=c("1" = "Sin psicólogx","2" = "Con psicólogx"))
plot_Ener_psico
Dedicación
Se encontraron evidencias de incumplimiento de supuestos por lo que la diferencia entre los grupos se estimó con el test de Mann-Whitney / Wilcoxon. Se hayaron diferencias significativas indicando que quienes tienen a un/a psicólogo/a en sus equipos reportan mayor dedicación (W=3725.5; p=0.011).
modelo <- lm(AEQ_dedicacion~psicologo, data=uflo)
pv <- round(wilcox.test(uflo$AEQ_dedicacion[uflo$psicologo==0],uflo$AEQ_dedicacion[uflo$psicologo==1])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ psicologo)$emmeans)
plot_Dedi_psico <- ggplot(data=estimaciones, aes(x=as.factor(psicologo+1),
y=emmean,
color=as.factor(psicologo+1),
group=as.factor(psicologo+1)))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=as.factor(psicologo+1), y=AEQ_dedicacion,color=as.factor(psicologo+1)), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+ylab(c("No", "Sí"))+
annotate("text",
x=c(1,2,2.35),
y=c(5.35,5.35,1),
label = c( "A","B", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Dedicación según Psicólogx", expression(paste("Media (IC"[95],")")))+
labs(y="Dedicación", x="",
caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))+
scale_x_discrete(labels=c("1" = "Sin psicólogx","2" = "Con psicólogx"))
plot_Dedi_psico
Entusiasmo
Se encontraron evidencias de incumplimiento de supuestos por lo que la diferencia entre los grupos se estimó con el test de Mann-Whitney / Wilcoxon. No se hayaron diferencias significativas (W=4385; p=0.402).
modelo <- lm(AEQ_entusiasmo~psicologo, data=uflo)
pv <- round(wilcox.test(uflo$AEQ_entusiasmo[uflo$psicologo==0],uflo$AEQ_entusiasmo[uflo$psicologo==1])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ psicologo)$emmeans)
plot_Entu_psico <- ggplot(data=estimaciones, aes(x=as.factor(psicologo+1),
y=emmean,
color=as.factor(psicologo+1),
group=as.factor(psicologo+1)))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=as.factor(psicologo+1), y=AEQ_entusiasmo,color=as.factor(psicologo+1)), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+ylab(c("No", "Sí"))+
annotate("text",
x=c(1,2,2.35),
y=c(5.35,5.35,1),
label = c( "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Entusiasmo según Psicólogx", expression(paste("Media (IC"[95],")")))+
labs(y="Entusiasmo", x="",
caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))+
scale_x_discrete(labels=c("1" = "Sin psicólogx","2" = "Con psicólogx"))
plot_Entu_psico
Compromiso (total)
No se encontraron evidencias de incumplimiento de supuestos por lo que se ajustó un modelo paramétrico. No se hayaron diferencias significativas (F(1,192)=2.879; p=0.091).
modelo <- lm(AEQ_total~psicologo, data=uflo)
pv <- round(t.test(uflo$AEQ_total[uflo$psicologo==0],uflo$AEQ_total[uflo$psicologo==1])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ psicologo)$emmeans)
plot_Comp_psico <- ggplot(data=estimaciones, aes(x=as.factor(psicologo+1),
y=emmean,
color=as.factor(psicologo+1),
group=as.factor(psicologo+1)))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=as.factor(psicologo+1), y=AEQ_total,color=as.factor(psicologo+1)), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+ylab(c("No", "Sí"))+
annotate("text",
x=c(1,2,2.35),
y=c(5.35,5.35,1),
label = c( "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Compromiso según Psicólogx", expression(paste("Media (IC"[95],")")))+
labs(y="Compromiso", x="",
caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))+
scale_x_discrete(labels=c("1" = "Sin psicólogx","2" = "Con psicólogx"))
plot_Comp_psico
Diferencias en Outcomes según presencia de psicólogx
Burnout
No se encontraron evidencias de incumplimiento de supuestos por lo que se ajustó un modelo paramétrico. No se hayaron diferencias significativas (F(1,192)=0.161; p=0.689).
modelo <- lm(burnout~psicologo, data=uflo)
pv <- round(t.test(uflo$burnout[uflo$psicologo==0],uflo$burnout[uflo$psicologo==1])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ psicologo)$emmeans)
plot_BO_psico <- ggplot(data=estimaciones, aes(x=as.factor(psicologo+1),
y=emmean,
color=as.factor(psicologo+1),
group=as.factor(psicologo+1)))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=as.factor(psicologo+1), y=burnout,color=as.factor(psicologo+1)), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+ylab(c("No", "Sí"))+
annotate("text",
x=c(1,2,2.35),
y=c(5.35,5.35,1),
label = c( "A","A", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Burnout según Psicólogx", expression(paste("Media (IC"[95],")")))+
labs(y="Burnout", x="",
caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))+
scale_x_discrete(labels=c("1" = "Sin psicólogx","2" = "Con psicólogx"))
plot_BO_psico
Intención de abandono
Se encontraron evidencias de incumplimiento de supuestos por lo que la diferencia entre los grupos se estimó con el test de Mann-Whitney / Wilcoxon. Se hayaron diferencias significativas, siendo quienes no tienen psicólogxs en su equipo quienes reportaron mayor intención de abandono (W=5460; p=0.047).
modelo <- lm(abandono~psicologo, data=uflo)
pv <- round(wilcox.test(uflo$abandono[uflo$psicologo==0],uflo$abandono[uflo$psicologo==1])$p.value,3)
pv <- ifelse(pv==0, " < 0.001", paste0(" = ", pv))
estimaciones<-as.data.frame(emmeans(modelo, pairwise ~ psicologo)$emmeans)
plot_Aban_psico <- ggplot(data=estimaciones, aes(x=as.factor(psicologo+1),
y=emmean,
color=as.factor(psicologo+1),
group=as.factor(psicologo+1)))+
geom_errorbar(aes(ymin=lower.CL, ymax=upper.CL), width=0.1)+
geom_point(shape=15, size=4)+
geom_jitter(data=uflo,alpha=0.15, size=2,aes(x=as.factor(psicologo+1), y=abandono,color=as.factor(psicologo+1)), position = position_jitter(width = .15)) +
ylim(c(1,5.5))+ylab(c("No", "Sí"))+
annotate("text",
x=c(1,2,2.35),
y=c(5.35,5.35,1),
label = c( "A","B", paste0("p",pv)),
color=c("#61626b","#61626b","#61626b"))+
theme_bw()+
theme(legend.position = "none",
plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, size = 10, family = "sans"))+
ggtitle("Diferencias en Abandono según Psicólogx", expression(paste("Media (IC"[95],")")))+
labs(y="Abandono", x="",
caption = "Nota: Diferentes letras representan diferencias significativas.")+
scale_color_manual(values=c("#d93f3f","#10b0bc"))+
scale_x_discrete(labels=c("1" = "Sin psicólogx","2" = "Con psicólogx"))
plot_Aban_psico
Moderaciones
Estilos interpersonales y Compromiso (Mod: edad)
En el análisis exploratorio de los modelos de regresión simple, las variables que predijeron significativamente el compromiso fueron Apoyo a la autonomía (F(1,192)=40.15; p<.001; B=0.298) y Estilo controlador (F(1,192)=4.576; p=0.034; B=-0.144). El modelo simple con edad como predictora no fue significativo (F(1,192)=0.166; p=0.684; B=0.004).
En el modelo múltiple, con edad como moderadora en la relación entre ambos estilos interpersonales y el compromiso no se hallaron evidencias de incumplimiento de supuestos. Sin embargo, aunque el modelo resultó significativo (F(5,188)=8.475; p<.001), ninguna de las variables estudiadas resultó significativa.
# summary(lm(AEQ_total~CM_autonomia, data = uflo))
# summary(lm(AEQ_total~CM_control, data = uflo))
# summary(lm(AEQ_total~edad, data = uflo))
mod <- lm(AEQ_total~(CM_autonomia+CM_control)*edad, data = uflo)
# plot(DHARMa::simulateResiduals(mod))
tabla_lm_comp_cm <- as.data.frame(cbind(Variable=c("Intercepto",
"Autonomía",
"Control",
"Edad",
"Autonomía x Edad",
"Control x Edad"),
round(summary(mod)$coef,3)))
rownames(tabla_lm_comp_cm) <- NULL
colnames(tabla_lm_comp_cm)[5] <- "p"
tabla_lm_comp_cm$color <- ifelse(as.numeric(tabla_lm_comp_cm$p)<.05&as.numeric(tabla_lm_comp_cm$Estimate)<0,"#daaaaa",
ifelse(as.numeric(tabla_lm_comp_cm$p)<.05&as.numeric(tabla_lm_comp_cm$Estimate)>0,"#a5c3c6",NA))
tabla_lm_comp_cm$p <- ifelse(tabla_lm_comp_cm$p==0,"< .001", tabla_lm_comp_cm$p)
tabla <- kable(tabla_lm_comp_cm[1:5],
"html",
booktabs = T,
align = c("r"),
caption = "Predicción de Compromiso según estilos interpersonales con edad como moderadora") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
for(i in 1:nrow(tabla_lm_comp_cm)){
if(!is.na(tabla_lm_comp_cm$color[i])){
tabla <- row_spec(tabla,i,background = tabla_lm_comp_cm$color[i])
}
}
tabla| Variable | Estimate | Std. Error | t value | p |
|---|---|---|---|---|
| Intercepto | 3.577 | 1.787 | 2.002 | 0.047 |
| Autonomía | 0.157 | 0.313 | 0.502 | 0.616 |
| Control | -0.05 | 0.404 | -0.125 | 0.901 |
| Edad | -0.051 | 0.087 | -0.584 | 0.56 |
| Autonomía x Edad | 0.009 | 0.015 | 0.6 | 0.549 |
| Control x Edad | 0.008 | 0.02 | 0.395 | 0.693 |
A través del algoritmo leaps se analizaron todas las combinaciones posibles de estas variables para encontrar el modelo con menor AIC y con menor error cuadrático medio a través de la técnica de validación cruzada por leave-one-out (LOOCV). El modelo con menor AIC (-256.56) fue el que incluye al apoyo a la autonomía y al estilo controlador como predictores (F(2,191)=21.22; p<.001). En el caso de LOOCV, el modelo con menor error cuadrático medio (0.26941) fue el que incluye sólo al apoyo a la autonomía. Sin embargo, la diferencia en error cuadrático medio con el modelo que también incluye al estilo controlador se da recién a partir del 5° decimal (0.26943), por lo que se sugiere optar por este segundo modelo, coincidente con el modelo con menor AIC.
El modelo lineal para predecir el compromiso con apoyo a la autonomía y estilo controlador como predictores presentó evidencia de incumplimiento del supuesto de linealidad. Por este motivo, se aplicó la transformación BoxCox a la variable respuesta, mejorando los residuos y habilitando el uso de modelos paramétricos. Como era de esperarse, este último modelo también resultó significativo (\(F(2,191)=22.59; p<.001; R^2_{ajustado}=0.183\)).
# Xmodelo<-model.matrix(mod)
# Y<-uflo$AEQ_total
# Xy<-data.frame(Xmodelo[,-1],Y)
# res.bestglm <-bestglm(Xy = Xy,
# IC = "AIC",
# method = "exhaustive")
# res.bestglm$Subsets
# res.bestglm <-bestglm(Xy = Xy,
# IC = "LOOCV",
# method = "exhaustive")
# res.bestglm$Subsets
# mod <- lm(AEQ_total~(CM_autonomia+CM_control), data = uflo)
# plot(DHARMa::simulateResiduals(mod))
bc <- MASS::boxcox(AEQ_total~(CM_autonomia+CM_control), data = uflo, plotit=F)
lamda<-bc$x[which.max(bc$y)]
uflo$y2<-(uflo$AEQ_total^lamda-1)/lamda
mod<-lm(y2~(CM_autonomia+CM_control), data = uflo)
tabla_bc_comp_cm <- as.data.frame(cbind(Variable=c("Intercepto",
"Autonomía",
"Control"),
round(summary(mod)$coef,3)))
rownames(tabla_bc_comp_cm) <- NULL
colnames(tabla_bc_comp_cm)[5] <- "p"
tabla_bc_comp_cm$color <- ifelse(as.numeric(tabla_bc_comp_cm$p)<.05&as.numeric(tabla_bc_comp_cm$Estimate)<0,"#daaaaa",
ifelse(as.numeric(tabla_bc_comp_cm$p)<.05&as.numeric(tabla_bc_comp_cm$Estimate)>0,"#a5c3c6",NA))
tabla_bc_comp_cm$p <- ifelse(tabla_bc_comp_cm$p==0,"< .001", tabla_bc_comp_cm$p)
tabla <- kable(tabla_bc_comp_cm[1:5],
"html",
booktabs = T,
align = c("r"),
caption = "Predicción de Compromiso según estilos interpersonales") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
for(i in 1:nrow(tabla_bc_comp_cm)){
if(!is.na(tabla_bc_comp_cm$color[i])){
tabla <- row_spec(tabla,i,background = tabla_bc_comp_cm$color[i])
}
}
tabla| Variable | Estimate | Std. Error | t value | p |
|---|---|---|---|---|
| Intercepto | 1.746 | 1.327 | 1.315 | 0.19 |
| Autonomía | 1.413 | 0.226 | 6.249 | < .001 |
| Control | 0.42 | 0.298 | 1.409 | 0.16 |
Estilos interpersonales y Burnout (Mod: edad)
En el análisis exploratorio de los modelos de regresión simple, sólo el Apoyo a la autonomía predijo significativamente al burnout (F(1,192)=31.69; p<.001; B=-0.322), mientras que ni el modelo de Estilo controlador (F(1,192)=3.44; p=0.065; B=0.149) ni el de edad (F(1,192)=0.167; p=0.683; B=0.005) fueron significativos.
En el modelo múltiple, con edad como moderadora en la relación entre ambos estilos interpersonales y el burnout no se hallaron evidencias de incumplimiento de supuestos. Sin embargo, aunque el modelo resultó significativo (F(5,188)=6.89; p<.001), ninguna de las variables estudiadas resultó significativa.
# summary(lm(AEQ_total~CM_autonomia, data = uflo))
# summary(lm(AEQ_total~CM_control, data = uflo))
# summary(lm(AEQ_total~edad, data = uflo))
mod <- lm(burnout~(CM_autonomia+CM_control)*edad, data = uflo)
# plot(DHARMa::simulateResiduals(mod))
tabla_lm_BO_cm <- as.data.frame(cbind(Variable=c("Intercepto",
"Autonomía",
"Control",
"Edad",
"Autonomía x Edad",
"Control x Edad"),
round(summary(mod)$coef,3)))
rownames(tabla_lm_BO_cm) <- NULL
colnames(tabla_lm_BO_cm)[5] <- "p"
tabla_lm_BO_cm$color <- ifelse(as.numeric(tabla_lm_BO_cm$p)<.05&as.numeric(tabla_lm_BO_cm$Estimate)<0,"#daaaaa",
ifelse(as.numeric(tabla_lm_BO_cm$p)<.05&as.numeric(tabla_lm_BO_cm$Estimate)>0,"#a5c3c6",NA))
tabla_lm_BO_cm$p <- ifelse(tabla_lm_BO_cm$p==0,"< .001", tabla_lm_BO_cm$p)
tabla <- kable(tabla_lm_BO_cm[1:5],
"html",
booktabs = T,
align = c("r"),
caption = "Predicción de Burnout según estilos interpersonales con edad como moderadora") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
for(i in 1:nrow(tabla_lm_BO_cm)){
if(!is.na(tabla_lm_BO_cm$color[i])){
tabla <- row_spec(tabla,i,background = tabla_lm_BO_cm$color[i])
}
}
tabla| Variable | Estimate | Std. Error | t value | p |
|---|---|---|---|---|
| Intercepto | 5.344 | 2.171 | 2.461 | 0.015 |
| Autonomía | -0.557 | 0.38 | -1.464 | 0.145 |
| Control | -0.534 | 0.49 | -1.088 | 0.278 |
| Edad | -0.068 | 0.105 | -0.646 | 0.519 |
| Autonomía x Edad | 0.009 | 0.019 | 0.476 | 0.635 |
| Control x Edad | 0.02 | 0.024 | 0.856 | 0.393 |
A través del algoritmo leaps se analizaron todas las combinaciones posibles de estas variables para encontrar el modelo con menor AIC y con menor error cuadrático medio a través de la técnica de LOOCV. En el caso de LOOCV, el modelo con menor error cuadrático medio (0.399) fue el que incluye apoyo a la autonomía y estilo controlador como predictores (\(F(2,191)=16.86; p<.001; R^2_{ajustado}=0.141\)). El modelo con menor AIC (-180.44) fue el que incluye sólo al apoyo a la autonomía. Sin embargo, el modelo que también incluye al estilo controlador se diferencia del anterior sólo en los decimales (-180.36), por lo que se sugiere optar por este segundo modelo, coincidente con el modelo con menor error cuadrático medio.
El modelo lineal para predecir el compromiso con apoyo a la autonomía y estilo controlador como predictores no presentó evidencia de incumplimiento de supuestos.
# summary(lm(AEQ_total~CM_autonomia, data = uflo))
# summary(lm(AEQ_total~CM_control, data = uflo))
# summary(lm(AEQ_total~edad, data = uflo))
mod <- lm(burnout~(CM_autonomia+CM_control), data = uflo)
# plot(DHARMa::simulateResiduals(mod))
tabla_lm_BO_cm2 <- as.data.frame(cbind(Variable=c("Intercepto",
"Autonomía",
"Control"),
round(summary(mod)$coef,3)))
rownames(tabla_lm_BO_cm2) <- NULL
colnames(tabla_lm_BO_cm2)[5] <- "p"
tabla_lm_BO_cm2$color <- ifelse(as.numeric(tabla_lm_BO_cm2$p)<.05&as.numeric(tabla_lm_BO_cm2$Estimate)<0,"#daaaaa",
ifelse(as.numeric(tabla_lm_BO_cm2$p)<.05&as.numeric(tabla_lm_BO_cm2$Estimate)>0,"#a5c3c6",NA))
tabla_lm_BO_cm2$p <- ifelse(tabla_lm_BO_cm2$p==0,"< .001", tabla_lm_BO_cm2$p)
tabla <- kable(tabla_lm_BO_cm2[1:5],
"html",
booktabs = T,
align = c("r"),
caption = "Predicción de Burnout según estilos interpersonales") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
for(i in 1:nrow(tabla_lm_BO_cm2)){
if(!is.na(tabla_lm_BO_cm2$color[i])){
tabla <- row_spec(tabla,i,background = tabla_lm_BO_cm2$color[i])
}
}
tabla| Variable | Estimate | Std. Error | t value | p |
|---|---|---|---|---|
| Intercepto | 3.958 | 0.402 | 9.842 | < .001 |
| Autonomía | -0.374 | 0.069 | -5.457 | < .001 |
| Control | -0.124 | 0.09 | -1.375 | 0.171 |
Estilos interpersonales y Burnout (Mod: compromiso)
En el análisis exploratorio de los modelos de regresión simple, las variables que predijeron significativamente el burnout fueron Apoyo a la autonomía (F(1,192)=31.69; p<.001; B=-0.322) y Compromiso (F(1,192)=305.8; p<.001; B=-0.936). El modelo simple con Estilo controlador como predictora no fue significativo (F(1,192)=3.438; p=0.065; B=0.149).
En el modelo múltiple, con compromiso como moderadora en la relación entre ambos estilos interpersonales y el burnout no se hallaron evidencias de incumplimiento de supuestos, y resultó significativo (\(F(5,188)=62.65; p<.001; R^2_{ajustado}=0.615\)). Sin embargo, sólo el compromiso resultó ser un predictor significativo. El estilo controlador y la interacción entre este estilo y el compromiso alcanzaron una significación marginal.
# summary(lm(AEQ_total~CM_autonomia, data = uflo))
# summary(lm(AEQ_total~CM_control, data = uflo))
# summary(lm(AEQ_total~edad, data = uflo))
mod <- lm(burnout~(CM_autonomia+CM_control)*AEQ_total, data = uflo)
# plot(DHARMa::simulateResiduals(mod))
tabla_lm_CM_BO_m.Comp <- as.data.frame(cbind(Variable=c("Intercepto",
"Autonomía",
"Control",
"Compromiso",
"Autonomía x Compromiso",
"Control x Compromiso"),
round(summary(mod)$coef,3)))
rownames(tabla_lm_CM_BO_m.Comp) <- NULL
colnames(tabla_lm_CM_BO_m.Comp)[5] <- "p"
tabla_lm_CM_BO_m.Comp$color <- ifelse(as.numeric(tabla_lm_CM_BO_m.Comp$p)<.05&as.numeric(tabla_lm_CM_BO_m.Comp$Estimate)<0,"#daaaaa",
ifelse(as.numeric(tabla_lm_CM_BO_m.Comp$p)<.05&as.numeric(tabla_lm_CM_BO_m.Comp$Estimate)>0,"#a5c3c6",NA))
tabla_lm_CM_BO_m.Comp$p <- ifelse(tabla_lm_CM_BO_m.Comp$p==0,"< .001", tabla_lm_CM_BO_m.Comp$p)
tabla <- kable(tabla_lm_CM_BO_m.Comp[1:5],
"html",
booktabs = T,
align = c("r"),
caption = "Predicción de Burnout según estilos interpersonales con Compromiso como moderador") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
for(i in 1:nrow(tabla_lm_CM_BO_m.Comp)){
if(!is.na(tabla_lm_CM_BO_m.Comp$color[i])){
tabla <- row_spec(tabla,i,background = tabla_lm_CM_BO_m.Comp$color[i])
}
}
tabla| Variable | Estimate | Std. Error | t value | p |
|---|---|---|---|---|
| Intercepto | 9.596 | 2.008 | 4.778 | < .001 |
| Autonomía | -0.539 | 0.367 | -1.467 | 0.144 |
| Control | -0.812 | 0.431 | -1.883 | 0.061 |
| Compromiso | -1.686 | 0.479 | -3.522 | 0.001 |
| Autonomía x Compromiso | 0.111 | 0.088 | 1.267 | 0.207 |
| Control x Compromiso | 0.183 | 0.1 | 1.836 | 0.068 |
mod <- lm(burnout~(CM_autonomia+CM_control)*AEQ_total, data = uflo)
# Perfiles EIxIIxAT
plotdata <- data.frame(BO=rep(NA,80),
BO_lo=rep(NA,80),
BO_hi=rep(NA,80),
Control=rep(seq(min(uflo$CM_control),max(uflo$CM_control),length.out=10),8),
Compromiso=c(rep(quantile(uflo$AEQ_total,.15),40),
rep(quantile(uflo$AEQ_total,.85),40)),
LT=c(rep("Control bajo",40),rep("Control alto",40)))
for(i in 1:nrow(plotdata)){
plotdata$BO[i] <- predict(mod, newdata=data.frame(CM_autonomia=mean(uflo$CM_autonomia),
CM_control=as.numeric(plotdata$Control[i]),
AEQ_total=as.numeric(plotdata$Compromiso[i])))
plotdata$BO_lo[i] <- predict(mod, newdata=data.frame(CM_autonomia=mean(uflo$CM_autonomia),
CM_control=as.numeric(plotdata$Control[i]),
AEQ_total=as.numeric(plotdata$Compromiso[i])),
interval = "confidence",
level = 0.95)[, 2]
plotdata$BO_hi[i] <- predict(mod, newdata=data.frame(CM_autonomia=mean(uflo$CM_autonomia),
CM_control=as.numeric(plotdata$Control[i]),
AEQ_total=as.numeric(plotdata$Compromiso[i])),
interval = "confidence",
level = 0.95)[, 3]}
plot_CM_BO_m.Comp <- ggplot(plotdata, aes(x=Control, y=BO, group=LT, color=as.factor(Compromiso)))+
geom_line(linewidth=1)+
theme_minimal() +
geom_point(size=0)+
labs(x = "Estilo controlador",
y = "Burnout",
color = "Compromiso")+
theme(plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, vjust = -7),
plot.margin = margin(10, 10, 20, 10))+
ggtitle("Predicción del Burnout según Estido controlador y compromiso (mod.),\ncontrolando por Ap. Autonomía")+
scale_y_continuous(breaks = 1:5, limits = c(1,5.1)) +
scale_x_continuous(breaks = 1:5, limits = c(1,5)) +
scale_color_manual(values=c("#d1495b","#00798c"), labels=c("Bajo","Alto"))+
scale_fill_manual(values=c("#d1495b","#00798c"), labels=c("Bajo","Alto"))+
guides(colour = guide_legend(order = 1, reverse=T,override.aes = list(size=5, lty=0, shape=15)),
fill="none")
plot_CM_BO_m.Comp
Estilos interpersonales y Burnout (Mod: entusiasmo)
En el análisis exploratorio de los modelos de regresión simple, las variables que predijeron significativamente el burnout fueron Apoyo a la autonomía (F(1,192)=31.69; p<.001; B=-0.322) y Entusiasmo (F(1,192)=168.9; p<.001; B=-0.685). El modelo simple con Estilo controlador como predictora no fue significativo (F(1,192)=3.438; p=0.065; B=0.149).
En el modelo múltiple, con entusiasmo como moderador en la relación entre ambos estilos interpersonales y el burnout no se hallaron evidencias de incumplimiento de supuestos. Sin embargo, aunque el modelo resultó significativo (F(5,188)=39.44; p<.001), ninguna de las variables estudiadas resultó significativa.
# summary(lm(AEQ_total~CM_autonomia, data = uflo))
# summary(lm(AEQ_total~CM_control, data = uflo))
# summary(lm(AEQ_total~edad, data = uflo))
mod <- lm(burnout~(CM_autonomia+CM_control)*AEQ_entusiasmo, data = uflo)
# plot(DHARMa::simulateResiduals(mod))
tabla_BO_cm_m.entu <- as.data.frame(cbind(Variable=c("Intercepto",
"Autonomía",
"Control",
"Entusiasmo",
"Autonomía x Entusiasmo",
"Control x Entusiasmo"),
round(summary(mod)$coef,3)))
rownames(tabla_BO_cm_m.entu) <- NULL
colnames(tabla_BO_cm_m.entu)[5] <- "p"
tabla_BO_cm_m.entu$color <- ifelse(as.numeric(tabla_BO_cm_m.entu$p)<.05&as.numeric(tabla_BO_cm_m.entu$Estimate)<0,"#daaaaa",
ifelse(as.numeric(tabla_BO_cm_m.entu$p)<.05&as.numeric(tabla_BO_cm_m.entu$Estimate)>0,"#a5c3c6",NA))
tabla_BO_cm_m.entu$p <- ifelse(tabla_BO_cm_m.entu$p==0,"< .001", tabla_BO_cm_m.entu$p)
tabla <- kable(tabla_BO_cm_m.entu[1:5],
"html",
booktabs = T,
align = c("r"),
caption = "Predicción de Burnout según estilos interpersonales con entusiasmo como moderadora") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
for(i in 1:nrow(tabla_BO_cm_m.entu)){
if(!is.na(tabla_BO_cm_m.entu$color[i])){
tabla <- row_spec(tabla,i,background = tabla_BO_cm_m.entu$color[i])
}
}
tabla| Variable | Estimate | Std. Error | t value | p |
|---|---|---|---|---|
| Intercepto | 5.69 | 2.185 | 2.604 | 0.01 |
| Autonomía | 0.059 | 0.38 | 0.154 | 0.878 |
| Control | -0.542 | 0.475 | -1.141 | 0.255 |
| Entusiasmo | -0.558 | 0.495 | -1.126 | 0.261 |
| Autonomía x Entusiasmo | -0.061 | 0.087 | -0.706 | 0.481 |
| Control x Entusiasmo | 0.102 | 0.105 | 0.969 | 0.334 |
A través del algoritmo leaps se analizaron todas las combinaciones posibles de estas variables para encontrar el modelo con menor AIC y con menor error cuadrático medio a través de la técnica de LOOCV. En ambos casos, el mejor modelo fue el que incluye apoyo a la autonomía y su interacción con entusiasmo (LOOCV=0.234; AIC=-285.06; \(F(2,191)=16.86; p<.001; R^2_{ajustado}=0.141\)). Sin embargo, en este modelo sólo el entusiasmo predijo significativamente al burnout.
# summary(lm(AEQ_total~CM_autonomia, data = uflo))
# summary(lm(AEQ_total~CM_control, data = uflo))
# summary(lm(AEQ_total~edad, data = uflo))
mod <- lm(abandono~(CM_autonomia)*AEQ_entusiasmo, data = uflo)
# plot(DHARMa::simulateResiduals(mod))
tabla_BO_AA_m.entu <- as.data.frame(cbind(Variable=c("Intercepto",
"Autonomía",
"Entusiasmo",
"Autonomia x Entusiasmo"),
round(summary(mod)$coef,3)))
rownames(tabla_BO_AA_m.entu) <- NULL
colnames(tabla_BO_AA_m.entu)[5] <- "p"
tabla_BO_AA_m.entu$color <- ifelse(as.numeric(tabla_BO_AA_m.entu$p)<.05&as.numeric(tabla_BO_AA_m.entu$Estimate)<0,"#daaaaa",
ifelse(as.numeric(tabla_BO_AA_m.entu$p)<.05&as.numeric(tabla_BO_AA_m.entu$Estimate)>0,"#a5c3c6",NA))
tabla_BO_AA_m.entu$p <- ifelse(tabla_BO_AA_m.entu$p==0,"< .001", tabla_BO_AA_m.entu$p)
tabla <- kable(tabla_BO_AA_m.entu[1:5],
"html",
booktabs = T,
align = c("r"),
caption = "Predicción de Burnout según Apoyo a la autonomía con entusiasmo como moderador") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
for(i in 1:nrow(tabla_BO_AA_m.entu)){
if(!is.na(tabla_BO_AA_m.entu$color[i])){
tabla <- row_spec(tabla,i,background = tabla_BO_AA_m.entu$color[i])
}
}
tabla| Variable | Estimate | Std. Error | t value | p |
|---|---|---|---|---|
| Intercepto | 6.437 | 1.551 | 4.15 | < .001 |
| Autonomía | -0.455 | 0.382 | -1.193 | 0.235 |
| Entusiasmo | -0.864 | 0.366 | -2.364 | 0.019 |
| Autonomia x Entusiasmo | 0.053 | 0.088 | 0.597 | 0.551 |
Estilos interpersonales y Burnout (Mod: fortaleza mental)
En el análisis exploratorio de los modelos de regresión simple, las variables que predijeron significativamente el burnout fueron Apoyo a la autonomía (F(1,192)=31.69; p<.001; B=-0.322) y Fortaleza mental (F(1,192)=162.4; p<.001; B=-0.819). El modelo simple con Estilo controlador como predictora no fue significativo (F(1,192)=3.438; p=0.065; B=0.149).
En el modelo múltiple, con fortaleza mental como moderadora en la relación entre ambos estilos interpersonales y el burnout no se hallaron evidencias de incumplimiento de supuestos, y el modelo resultó significativo (\(F(5,188)=38.95; p<.001; R^2_{ajustado}=0.496\)). Todas las variables resultaron significativas, como así también su interacción con fortaleza mental.
# summary(lm(AEQ_total~CM_autonomia, data = uflo))
# summary(lm(AEQ_total~CM_control, data = uflo))
# summary(lm(AEQ_total~IPED_total, data = uflo))
mod <- lm(burnout~(CM_autonomia+CM_control)*IPED_total, data = uflo)
# plot(DHARMa::simulateResiduals(mod))
tabla_BO_cm_m.FM <- as.data.frame(cbind(Variable=c("Intercepto",
"Autonomía",
"Control",
"Fortaleza mental (FM)",
"Autonomia x FM",
"Control x FM"),
round(summary(mod)$coef,3)))
rownames(tabla_BO_cm_m.FM) <- NULL
colnames(tabla_BO_cm_m.FM)[5] <- "p"
tabla_BO_cm_m.FM$color <- ifelse(as.numeric(tabla_BO_cm_m.FM$p)<.05&as.numeric(tabla_BO_cm_m.FM$Estimate)<0,"#daaaaa",
ifelse(as.numeric(tabla_BO_cm_m.FM$p)<.05&as.numeric(tabla_BO_cm_m.FM$Estimate)>0,"#a5c3c6",NA))
tabla_BO_cm_m.FM$p <- ifelse(tabla_BO_cm_m.FM$p==0,"< .001", tabla_BO_cm_m.FM$p)
tabla <- kable(tabla_BO_cm_m.FM[1:5],
"html",
booktabs = T,
align = c("r"),
caption = "Predicción de Burnout según estilos interpersonales con fortaleza mental como moderador") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
for(i in 1:nrow(tabla_BO_cm_m.FM)){
if(!is.na(tabla_BO_cm_m.FM$color[i])){
tabla <- row_spec(tabla,i,background = tabla_BO_cm_m.FM$color[i])
}
}
tabla| Variable | Estimate | Std. Error | t value | p |
|---|---|---|---|---|
| Intercepto | 11.865 | 2.12 | 5.598 | < .001 |
| Autonomía | -1.123 | 0.375 | -2.992 | 0.003 |
| Control | -1.187 | 0.424 | -2.799 | 0.006 |
| Fortaleza mental (FM) | -2.369 | 0.566 | -4.184 | < .001 |
| Autonomia x FM | 0.255 | 0.101 | 2.533 | 0.012 |
| Control x FM | 0.292 | 0.11 | 2.665 | 0.008 |
mod <- lm(burnout~(CM_autonomia+CM_control)*IPED_total, data = uflo)
# Perfiles EIxIIxAT
plotdata <- data.frame(BO=rep(NA,80),
BO_lo=rep(NA,80),
BO_hi=rep(NA,80),
Autonomia=rep(mean(uflo$CM_autonomia, na.rm=T),80),
Control=rep(seq(min(uflo$CM_control),max(uflo$CM_control),length.out=10),8),
IPED=c(rep(quantile(uflo$IPED_total,.15),40),
rep(quantile(uflo$IPED_total,.85),40)),
LT=c(rep("FM bajo",40),rep("FM alto",40)))
for(i in 1:nrow(plotdata)){
plotdata$BO[i] <- predict(mod, newdata=data.frame(CM_autonomia=as.numeric(plotdata$Autonomia[i]),
CM_control=as.numeric(plotdata$Control[i]),
IPED_total=as.numeric(plotdata$IPED[i])))
plotdata$BO_lo[i] <- predict(mod, newdata=data.frame(CM_autonomia=as.numeric(plotdata$Autonomia[i]),
CM_control=as.numeric(plotdata$Control[i]),
IPED_total=as.numeric(plotdata$IPED[i])),
interval = "confidence",
level = 0.95)[, 2]
plotdata$BO_hi[i] <- predict(mod, newdata=data.frame(CM_autonomia=as.numeric(plotdata$Autonomia[i]),
CM_control=as.numeric(plotdata$Control[i]),
IPED_total=as.numeric(plotdata$IPED[i])),
interval = "confidence",
level = 0.95)[, 3]}
plot_EC_BO_m.FM <- ggplot(plotdata, aes(x=Control, y=BO, group=LT, color=as.factor(IPED)))+
geom_line(linewidth=1)+
theme_minimal() +
geom_point(size=0)+
labs(x = "Estilo controlador",
y = "Burnout",
color = "Fortaleza\nmental")+
theme(plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, vjust = -7),
plot.margin = margin(10, 10, 20, 10))+
ggtitle("Predicción del Burnout según Estido controlador y FM (mod.),\ncontrolando por Ap. Autonomía")+
scale_y_continuous(breaks = 1:5, limits = c(1,5.1)) +
scale_x_continuous(breaks = 1:5, limits = c(1,5)) +
scale_color_manual(values=c("#d1495b","#00798c"), labels=c("Baja","Alta"))+
scale_fill_manual(values=c("#d1495b","#00798c"), labels=c("Baja","Alta"))+
guides(colour = guide_legend(order = 1, reverse=T,override.aes = list(size=5, lty=0, shape=15)),
fill="none")
plot_EC_BO_m.FM
mod <- lm(burnout~(CM_autonomia+CM_control)*IPED_total, data = uflo)
# Perfiles EIxIIxAT
plotdata <- data.frame(BO=rep(NA,80),
BO_lo=rep(NA,80),
BO_hi=rep(NA,80),
Control=rep(mean(uflo$CM_control, na.rm=T),80),
Autonomia=rep(seq(min(uflo$CM_autonomia),max(uflo$CM_autonomia),length.out=10),8),
IPED=c(rep(quantile(uflo$IPED_total,.15),40),
rep(quantile(uflo$IPED_total,.85),40)),
LT=c(rep("FM bajo",40),rep("FM alto",40)))
for(i in 1:nrow(plotdata)){
plotdata$BO[i] <- predict(mod, newdata=data.frame(CM_autonomia=as.numeric(plotdata$Autonomia[i]),
CM_control=as.numeric(plotdata$Control[i]),
IPED_total=as.numeric(plotdata$IPED[i])))
plotdata$BO_lo[i] <- predict(mod, newdata=data.frame(CM_autonomia=as.numeric(plotdata$Autonomia[i]),
CM_control=as.numeric(plotdata$Control[i]),
IPED_total=as.numeric(plotdata$IPED[i])),
interval = "confidence",
level = 0.95)[, 2]
plotdata$BO_hi[i] <- predict(mod, newdata=data.frame(CM_autonomia=as.numeric(plotdata$Autonomia[i]),
CM_control=as.numeric(plotdata$Control[i]),
IPED_total=as.numeric(plotdata$IPED[i])),
interval = "confidence",
level = 0.95)[, 3]}
plot_AA_BO_m.FM <- ggplot(plotdata, aes(x=Autonomia, y=BO, group=LT, color=as.factor(IPED)))+
geom_line(linewidth=1)+
theme_minimal() +
geom_point(size=0)+
labs(x = "Apoyo a la autonomía",
y = "Burnout",
color = "Fortaleza\nmental")+
theme(plot.caption.position = "plot",
plot.caption = element_text(hjust = 0, vjust = -7),
plot.margin = margin(10, 10, 20, 10))+
ggtitle("Predicción del Burnout según Apoyo a la autonomía y FM (mod.),\ncontrolando por Est. controlador")+
scale_y_continuous(breaks = 1:5, limits = c(1,5.1)) +
scale_x_continuous(breaks = 1:5, limits = c(1,5)) +
scale_color_manual(values=c("#d1495b","#00798c"), labels=c("Baja","Alta"))+
scale_fill_manual(values=c("#d1495b","#00798c"), labels=c("Baja","Alta"))+
guides(colour = guide_legend(order = 1, reverse=T,override.aes = list(size=5, lty=0, shape=15)),
fill="none")
plot_AA_BO_m.FM
Estilos interpersonales y Abandono (Mod: edad)
En el análisis exploratorio de los modelos de regresión simple, las variables que predijeron significativamente la intención de abandono fueron Apoyo a la autonomía (F(1,192)=33.92; p<.001; B=-0.403) y Estilo controlador (F(1,192)=11.7; p<.001; B=0.329). El modelo simple con edad como predictora no fue significativo (F(1,192)=1.906; p=0.169; B=0.019).
El modelo múltiple resultó significativo (F(5,188)=7.578; p<.001), pero ninguna de las variables estudiadas resultó significativa.
# summary(lm(AEQ_total~CM_autonomia, data = uflo))
# summary(lm(AEQ_total~CM_control, data = uflo))
# summary(lm(AEQ_total~edad, data = uflo))
mod <- lm(abandono~(CM_autonomia+CM_control)*edad, data = uflo)
# plot(DHARMa::simulateResiduals(mod))
tabla_lm_aban_cm <- as.data.frame(cbind(Variable=c("Intercepto",
"Autonomía",
"Control",
"Edad",
"Autonomía x Edad",
"Control x Edad"),
round(summary(mod)$coef,3)))
rownames(tabla_lm_aban_cm) <- NULL
colnames(tabla_lm_aban_cm)[5] <- "p"
tabla_lm_aban_cm$color <- ifelse(as.numeric(tabla_lm_aban_cm$p)<.05&as.numeric(tabla_lm_aban_cm$Estimate)<0,"#daaaaa",
ifelse(as.numeric(tabla_lm_aban_cm$p)<.05&as.numeric(tabla_lm_aban_cm$Estimate)>0,"#a5c3c6",NA))
tabla_lm_aban_cm$p <- ifelse(tabla_lm_aban_cm$p==0,"< .001", tabla_lm_aban_cm$p)
tabla <- kable(tabla_lm_aban_cm[1:5],
"html",
booktabs = T,
align = c("r"),
caption = "Predicción de Abandono según estilos interpersonales con edad como moderadora") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
for(i in 1:nrow(tabla_lm_aban_cm)){
if(!is.na(tabla_lm_aban_cm$color[i])){
tabla <- row_spec(tabla,i,background = tabla_lm_aban_cm$color[i])
}
}
tabla| Variable | Estimate | Std. Error | t value | p |
|---|---|---|---|---|
| Intercepto | 4.741 | 2.621 | 1.809 | 0.072 |
| Autonomía | -0.758 | 0.459 | -1.652 | 0.1 |
| Control | -0.156 | 0.592 | -0.263 | 0.793 |
| Edad | -0.078 | 0.127 | -0.61 | 0.543 |
| Autonomía x Edad | 0.019 | 0.023 | 0.836 | 0.404 |
| Control x Edad | 0.011 | 0.029 | 0.368 | 0.713 |
A través del algoritmo leaps se analizaron todas las combinaciones posibles de estas variables para encontrar el modelo con menor AIC y con menor error cuadrático medio a través de la técnica de LOOCV. El modelo con menor AIC (-107.69) y menor error cuadrático medio (0.581) fue el que incluye al apoyo a la autonomía y su interacción con edad, pero sin estilo controlador (\(F(3,190)=12.6; p<.001; R^2_{ajustado}=0.168\)). Sin embargo, en este modelo ninguna de los predictores resultó significativo.
# summary(lm(AEQ_total~CM_autonomia, data = uflo))
# summary(lm(AEQ_total~CM_control, data = uflo))
# summary(lm(AEQ_total~edad, data = uflo))
mod <- lm(abandono~(CM_autonomia)*edad, data = uflo)
# plot(DHARMa::simulateResiduals(mod))
tabla_lm_aban_cm2 <- as.data.frame(cbind(Variable=c("Intercepto",
"Autonomía",
"Edad",
"Autonomia x Edad"),
round(summary(mod)$coef,3)))
rownames(tabla_lm_aban_cm2) <- NULL
colnames(tabla_lm_aban_cm2)[5] <- "p"
tabla_lm_aban_cm2$color <- ifelse(as.numeric(tabla_lm_aban_cm2$p)<.05&as.numeric(tabla_lm_aban_cm2$Estimate)<0,"#daaaaa",
ifelse(as.numeric(tabla_lm_aban_cm2$p)<.05&as.numeric(tabla_lm_aban_cm2$Estimate)>0,"#a5c3c6",NA))
tabla_lm_aban_cm2$p <- ifelse(tabla_lm_aban_cm2$p==0,"< .001", tabla_lm_aban_cm2$p)
tabla <- kable(tabla_lm_aban_cm2[1:5],
"html",
booktabs = T,
align = c("r"),
caption = "Predicción de Abandono según Apoyo a la autonomía con edad como moderadora") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
for(i in 1:nrow(tabla_lm_aban_cm2)){
if(!is.na(tabla_lm_aban_cm2$color[i])){
tabla <- row_spec(tabla,i,background = tabla_lm_aban_cm2$color[i])
}
}
tabla| Variable | Estimate | Std. Error | t value | p |
|---|---|---|---|---|
| Intercepto | 4.349 | 1.78 | 2.443 | 0.015 |
| Autonomía | -0.727 | 0.408 | -1.781 | 0.077 |
| Edad | -0.049 | 0.09 | -0.541 | 0.589 |
| Autonomia x Edad | 0.016 | 0.021 | 0.795 | 0.428 |
Estilos interpersonales y Abandono (Mod: compromiso)
En el análisis exploratorio de los modelos de regresión simple, todas las variables predijeron significativamente la intención de abandono: Apoyo a la autonomía (F(1,192)=33.92; p<.001; B=-0.403), Estilo controlador (F(1,192)=11.7; p<.001; B=0.329) y Compromiso (F(1,192)=89.21; p<.001; B=-0.818).
En el modelo múltiple, con compromiso como moderadora en la relación entre ambos estilos interpersonales y la intención de abandono se hallaron evidencias de incumplimiento del supuesto de linealidad. Se evaluó la aplicación de la transformación BoxCox de la variable respuesta y, si bien mejoraron bastante los residuos, sigue habiendo evidencia de incumplimiento de supuestos. El modelo con la variable respuesta transformada resultó significativo (\(F(5,188)=22.82; p<.001; R^2_{ajustado}=0.361\)), pero sólo el compromiso fue significativo.
# mod <- lm(abandono~(CM_autonomia+CM_control)*AEQ_total, data = uflo)
# plot(DHARMa::simulateResiduals(mod))
bc <- MASS::boxcox(abandono~(CM_autonomia+CM_control)*AEQ_total, data = uflo, plotit=F)
lamda<-bc$x[which.max(bc$y)]
uflo$y2<-(uflo$abandono^lamda-1)/lamda
mod<-lm(y2~(CM_autonomia+CM_control)*AEQ_total, data = uflo)
tabla_bc_aban_cm <- as.data.frame(cbind(Variable=c("Intercepto",
"Autonomía",
"Control",
"Compromiso",
"Autonomía x Compromiso",
"Control x Compromiso"),
round(summary(mod)$coef,3)))
rownames(tabla_bc_aban_cm) <- NULL
colnames(tabla_bc_aban_cm)[5] <- "p"
tabla_bc_aban_cm$color <- ifelse(as.numeric(tabla_bc_aban_cm$p)<.05&as.numeric(tabla_bc_aban_cm$Estimate)<0,"#daaaaa",
ifelse(as.numeric(tabla_bc_aban_cm$p)<.05&as.numeric(tabla_bc_aban_cm$Estimate)>0,"#a5c3c6",NA))
tabla_bc_aban_cm$p <- ifelse(tabla_bc_aban_cm$p==0,"< .001", tabla_bc_aban_cm$p)
tabla <- kable(tabla_bc_aban_cm[1:5],
"html",
booktabs = T,
align = c("r"),
caption = "Predicción de Abandono según estilos interpersonales con Compromiso como moderador") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
for(i in 1:nrow(tabla_bc_aban_cm)){
if(!is.na(tabla_bc_aban_cm$color[i])){
tabla <- row_spec(tabla,i,background = tabla_bc_aban_cm$color[i])
}
}
tabla| Variable | Estimate | Std. Error | t value | p |
|---|---|---|---|---|
| Intercepto | 3.419 | 1.066 | 3.206 | 0.002 |
| Autonomía | -0.356 | 0.195 | -1.826 | 0.069 |
| Control | -0.356 | 0.229 | -1.555 | 0.122 |
| Compromiso | -0.692 | 0.254 | -2.723 | 0.007 |
| Autonomía x Compromiso | 0.07 | 0.047 | 1.504 | 0.134 |
| Control x Compromiso | 0.089 | 0.053 | 1.683 | 0.094 |
Estilos interpersonales y Abandono (Mod: entusiasmo)
En el análisis exploratorio de los modelos de regresión simple, todas las variables predijeron significativamente la intención de abandono: Apoyo a la autonomía (F(1,192)=33.92; p<.001; B=-0.403), Estilo controlador (F(1,192)=11.7; p<.001; B=0.329) y entusiasmo (F(1,192)=109.5; p<.001; B=-0.734).
En el modelo múltiple, con entusiasmo como moderador en la relación entre ambos estilos interpersonales y la intención de abandono se hallaron evidencias de incumplimiento de supuestos, pero la transformación BoxCox no mejoró los residuos. El modelo no transformado resultó significativo (F(5,188)=26.33; p<.001), pero ninguna de las variables estudiadas resultó significativa.
# summary(lm(abandono~CM_autonomia, data = uflo))
# summary(lm(abandono~CM_control, data = uflo))
# summary(lm(abandono~AEQ_entusiasmo, data = uflo))
mod <- lm(abandono~(CM_autonomia+CM_control)*AEQ_entusiasmo, data = uflo)
# plot(DHARMa::simulateResiduals(mod))
tabla_aban_cm_m.entu <- as.data.frame(cbind(Variable=c("Intercepto",
"Autonomía",
"Control",
"Entusiasmo",
"Autonomía x Entusiasmo",
"Control x Entusiasmo"),
round(summary(mod)$coef,3)))
rownames(tabla_aban_cm_m.entu) <- NULL
colnames(tabla_aban_cm_m.entu)[5] <- "p"
tabla_aban_cm_m.entu$color <- ifelse(as.numeric(tabla_aban_cm_m.entu$p)<.05&as.numeric(tabla_aban_cm_m.entu$Estimate)<0,"#daaaaa",
ifelse(as.numeric(tabla_aban_cm_m.entu$p)<.05&as.numeric(tabla_aban_cm_m.entu$Estimate)>0,"#a5c3c6",NA))
tabla_aban_cm_m.entu$p <- ifelse(tabla_aban_cm_m.entu$p==0,"< .001", tabla_aban_cm_m.entu$p)
tabla <- kable(tabla_aban_cm_m.entu[1:5],
"html",
booktabs = T,
align = c("r"),
caption = "Predicción de Abandono según estilos interpersonales con entusiasmo como moderadora") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
for(i in 1:nrow(tabla_aban_cm_m.entu)){
if(!is.na(tabla_aban_cm_m.entu$color[i])){
tabla <- row_spec(tabla,i,background = tabla_aban_cm_m.entu$color[i])
}
}
tabla| Variable | Estimate | Std. Error | t value | p |
|---|---|---|---|---|
| Intercepto | 7.13 | 2.918 | 2.444 | 0.015 |
| Autonomía | -0.55 | 0.508 | -1.084 | 0.28 |
| Control | -0.17 | 0.634 | -0.269 | 0.788 |
| Entusiasmo | -1.09 | 0.661 | -1.648 | 0.101 |
| Autonomía x Entusiasmo | 0.082 | 0.116 | 0.714 | 0.476 |
| Control x Entusiasmo | 0.058 | 0.141 | 0.41 | 0.682 |
A través del algoritmo leaps se analizaron todas las combinaciones posibles de estas variables para encontrar el modelo con menor AIC y con menor error cuadrático medio a través de la técnica de LOOCV. En ambos casos, el mejor modelo fue el que incluye apoyo a la autonomía y el entusiasmo, sin estilo controlador ni interacciones entre las variables (LOOCV=0.412; AIC=-174.32; \(F(2,191)=65.67; p<.001; R^2_{ajustado}=0.401\)). Ambas variables resultaron significativas.
mod <- lm(abandono~CM_autonomia+AEQ_entusiasmo, data=uflo)
# plot(DHARMa::simulateResiduals(mod))
tabla_aban_AAEntu <- as.data.frame(cbind(Variable=c("Intercepto",
"Autonomía",
"Entusiasmo"),
round(summary(mod)$coef,3)))
rownames(tabla_aban_AAEntu) <- NULL
colnames(tabla_aban_AAEntu)[5] <- "p"
tabla_aban_AAEntu$color <- ifelse(as.numeric(tabla_aban_AAEntu$p)<.05&as.numeric(tabla_aban_AAEntu$Estimate)<0,"#daaaaa",
ifelse(as.numeric(tabla_aban_AAEntu$p)<.05&as.numeric(tabla_aban_AAEntu$Estimate)>0,"#a5c3c6",NA))
tabla_aban_AAEntu$p <- ifelse(tabla_aban_AAEntu$p==0,"< .001", tabla_aban_AAEntu$p)
tabla <- kable(tabla_aban_AAEntu[1:5],
"html",
booktabs = T,
align = c("r"),
caption = "Predicción de Abandono según Apoyo a la autonomía y entusiasmo") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
for(i in 1:nrow(tabla_aban_AAEntu)){
if(!is.na(tabla_aban_AAEntu$color[i])){
tabla <- row_spec(tabla,i,background = tabla_aban_AAEntu$color[i])
}
}
tabla| Variable | Estimate | Std. Error | t value | p |
|---|---|---|---|---|
| Intercepto | 5.533 | 0.341 | 16.229 | < .001 |
| Autonomía | -0.23 | 0.061 | -3.775 | < .001 |
| Entusiasmo | -0.65 | 0.071 | -9.107 | < .001 |
Estilos interpersonales y Abandono (Mod: fortaleza mental)
En el análisis exploratorio de los modelos de regresión simple, todas las variables predijeron significativamente la intención de abandono: Apoyo a la autonomía (F(1,192)=33.92; p<.001; B=-0.403), Estilo controlador (F(1,192)=11.7; p<.001; B=0.329) y Fortaleza mental (F(1,192)=43.24; p<.001; B=-0.631).
En el modelo múltiple, con fortaleza mental como moderador en la relación entre ambos estilos interpersonales y la intención de abandono se hallaron evidencias de incumplimiento de supuestos, pero la transformación BoxCox no mejoró los residuos. El modelo no transformado resultó significativo (F(5,188)=13.78; p<.001), pero sólo apoyo a la autonomía y fortaleza mental resultaron significativas.
# summary(lm(abandono~CM_autonomia, data = uflo))
# summary(lm(abandono~CM_control, data = uflo))
# summary(lm(abandono~IPED_total, data = uflo))
mod <- lm(abandono~(CM_autonomia+CM_control)*IPED_total, data=uflo)
# plot(DHARMa::simulateResiduals(mod))
tabla_aban_cm_m.FM <- as.data.frame(cbind(Variable=c("Intercepto",
"Autonomía",
"Control",
"Fortaleza mental (FM)",
"Autonomía x FM",
"Control x FM"),
round(summary(mod)$coef,3)))
rownames(tabla_aban_cm_m.FM) <- NULL
colnames(tabla_aban_cm_m.FM)[5] <- "p"
tabla_aban_cm_m.FM$color <- ifelse(as.numeric(tabla_aban_cm_m.FM$p)<.05&as.numeric(tabla_aban_cm_m.FM$Estimate)<0,"#daaaaa",
ifelse(as.numeric(tabla_aban_cm_m.FM$p)<.05&as.numeric(tabla_aban_cm_m.FM$Estimate)>0,"#a5c3c6",NA))
tabla_aban_cm_m.FM$p <- ifelse(tabla_aban_cm_m.FM$p==0,"< .001", tabla_aban_cm_m.FM$p)
tabla <- kable(tabla_aban_cm_m.FM[1:5],
"html",
booktabs = T,
align = c("r"),
caption = "Predicción de Abandono según estilos interpersonales con fortaleza mental como moderadora") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
for(i in 1:nrow(tabla_aban_cm_m.FM)){
if(!is.na(tabla_aban_cm_m.FM$color[i])){
tabla <- row_spec(tabla,i,background = tabla_aban_cm_m.FM$color[i])
}
}
tabla| Variable | Estimate | Std. Error | t value | p |
|---|---|---|---|---|
| Intercepto | 10.574 | 3.147 | 3.36 | 0.001 |
| Autonomía | -1.254 | 0.557 | -2.252 | 0.026 |
| Control | -0.926 | 0.629 | -1.471 | 0.143 |
| Fortaleza mental (FM) | -2.143 | 0.841 | -2.55 | 0.012 |
| Autonomía x FM | 0.271 | 0.149 | 1.814 | 0.071 |
| Control x FM | 0.264 | 0.163 | 1.625 | 0.106 |
A través del algoritmo leaps se analizaron todas las combinaciones posibles de estas variables para encontrar el modelo con menor AIC y con menor error cuadrático medio a través de la técnica de LOOCV. En ambos casos, el mejor modelo fue el que incluye apoyo a la autonomía y la fortaleza mental, sin estilo controlador ni interacciones entre las variables (LOOCV=0.521; AIC=-128.69; \(F(2,191)=31.89; p<.001; R^2_{ajustado}=0.243\)). Ambas variables resultaron significativas.
# mod <- lm(abandono~(CM_autonomia+CM_control)*IPED_total, data=uflo)
# # plot(DHARMa::simulateResiduals(mod))
#
# Xmodelo<-model.matrix(mod)
# Y<-uflo$abandono
# Xy<-data.frame(Xmodelo[,-1],Y)
# res.bestglm <-bestglm(Xy = Xy,
# IC = "AIC",
# method = "exhaustive")
# res.bestglm$Subsets
mod <- lm(abandono~CM_autonomia*IPED_total, data=uflo)
tabla_aban_cm_FM <- as.data.frame(cbind(Variable=c("Intercepto",
"Autonomía",
"Fortaleza mental"),
round(summary(mod)$coef,3)))
rownames(tabla_aban_cm_FM) <- NULL
colnames(tabla_aban_cm_FM)[5] <- "p"
tabla_aban_cm_FM$color <- ifelse(as.numeric(tabla_aban_cm_FM$p)<.05&as.numeric(tabla_aban_cm_FM$Estimate)<0,"#daaaaa",
ifelse(as.numeric(tabla_aban_cm_FM$p)<.05&as.numeric(tabla_aban_cm_FM$Estimate)>0,"#a5c3c6",NA))
tabla_aban_cm_FM$p <- ifelse(tabla_aban_cm_FM$p==0,"< .001", tabla_aban_cm_FM$p)
tabla <- kable(tabla_aban_cm_FM[1:5],
"html",
booktabs = T,
align = c("r"),
caption = "Predicción de Abandono según Apoyo a la autonomía y fortaleza mental") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)
for(i in 1:nrow(tabla_aban_cm_FM)){
if(!is.na(tabla_aban_cm_FM$color[i])){
tabla <- row_spec(tabla,i,background = tabla_aban_cm_FM$color[i])
}
}
tabla| Variable | Estimate | Std. Error | t value | p |
|---|---|---|---|---|
| Intercepto | 6.998 | 2.026 | 3.454 | 0.001 |
| Autonomía | -0.814 | 0.471 | -1.729 | 0.085 |
| Fortaleza mental | -1.121 | 0.559 | -2.004 | 0.046 |
| Intercepto | 0.145 | 0.128 | 1.137 | 0.257 |