Diseño en medidas repetidas
Oscar A. Gómez
2023-06-02
Diseño en medidas repetidas: Una vía, dos vías, tres vias Entra Factor Intrasujetos: Tiempo Tambien estan los factores entre sujetos: FSCA, FSBA, FCCA, FCBA, etc.
#Codigo para convertir los datos de formato ancho a en formato largo ##Una via
library(dplyr)## Warning: package 'dplyr' was built under R version 4.2.2##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(tidyr)## Warning: package 'tidyr' was built under R version 4.2.2# install.packages("datarium")
data("selfesteem", package = "datarium")
datos = selfesteem
datos = datos %>%
gather(key = "tiempo",
value = "rto",
t1, t2, t3) %>%
mutate_at(vars(id, tiempo), as.factor)
View(datos)#Resumen estadistico
datos %>%
group_by(tiempo) %>%
summarise(media = mean(rto),
desv = sd(rto),
n = n(),
cv = 100*desv/media)## # A tibble: 3 × 5
## tiempo media desv n cv
## <fct> <dbl> <dbl> <int> <dbl>
## 1 t1 3.14 0.552 10 17.6
## 2 t2 4.93 0.863 10 17.5
## 3 t3 7.64 1.14 10 15.0Coeiciente de varianza todos menores al 20%, cuando sea mayor se puede presentar errores en los datos
boxplot(datos$rto~datos$tiempo)
#Detección de outliers (datos atipicos)
library(rstatix)## Warning: package 'rstatix' was built under R version 4.2.3##
## Attaching package: 'rstatix'## The following object is masked from 'package:stats':
##
## filterdatos %>%
group_by(tiempo) %>%
identify_outliers(rto)## # A tibble: 2 × 5
## tiempo id rto is.outlier is.extreme
## <fct> <fct> <dbl> <lgl> <lgl>
## 1 t1 6 2.05 TRUE FALSE
## 2 t2 2 6.91 TRUE FALSESe evidenia is.ouler en t1_6 y t2_2, sin embargo no hay extremos, por lo tanto se confirma que no hay atipicos
#Supesto de Normalidad
datos %>%
group_by(tiempo) %>%
shapiro_test(rto)## # A tibble: 3 × 4
## tiempo variable statistic p
## <fct> <chr> <dbl> <dbl>
## 1 t1 rto 0.967 0.859
## 2 t2 rto 0.876 0.117
## 3 t3 rto 0.923 0.380Segun los p-value que son >5% por lo cual se cumple el supuesto de normalidad, los datos son normales
#Supuesto de esfericidad Variabilidad de la varianza de los datos entre tiempos sucesivos
res.aov <- anova_test(data=datos,
dv=rto,
wid = id,
within= tiempo)
get_anova_table(res.aov)## ANOVA Table (type III tests)
##
## Effect DFn DFd F p p<.05 ges
## 1 tiempo 2 18 55.469 2.01e-08 * 0.829#Esfericidad
res.aov$`Mauchly's Test for Sphericity`## Effect W p p<.05
## 1 tiempo 0.551 0.092get_anova_table(res.aov)## ANOVA Table (type III tests)
##
## Effect DFn DFd F p p<.05 ges
## 1 tiempo 2 18 55.469 2.01e-08 * 0.829P-valuie es menor al 4% se rechaza la hipotesis nula, el rendimiento no es lo mismo en los cortes
#Se usa el p.adj
datos %>%
pairwise_t_test(
rto ~ tiempo, paired = TRUE,
p.adjust.method = "bonferroni")## # A tibble: 3 × 10
## .y. group1 group2 n1 n2 statistic df p p.adj p.adj.s…¹
## * <chr> <chr> <chr> <int> <int> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 rto t1 t2 10 10 -4.97 9 0.000772 0.002 **
## 2 rto t1 t3 10 10 -13.2 9 0.000000334 0.000001 ****
## 3 rto t2 t3 10 10 -4.87 9 0.000886 0.003 **
## # … with abbreviated variable name ¹p.adj.signifEn vez de tukey se utiliza bonferroni. Si miramos los p-value son menores al 5% se rechaza la hipotesis nula, por ende los rendimientos entre los tiempo son diferentes
##Dos vias
data("selfesteem2", package = "datarium")
datos2 = selfesteem2
datos2$treatment = gl(2,12,24, c('con fert', 'sin fert'))
View(datos2)Convertir los datos a formato largo
datos2 = datos2 %>%
gather(key='tiempo', value = 'rto',
t1,t2,t3)
View(datos2)#Tabla de resumen estadistico
datos2 %>%
group_by(treatment, tiempo) %>%
summarise(media = mean(rto),
desv = sd(rto),
n = n(),
cv = 100*desv/media)## `summarise()` has grouped output by 'treatment'. You can override using the
## `.groups` argument.## # A tibble: 6 × 6
## # Groups: treatment [2]
## treatment tiempo media desv n cv
## <fct> <chr> <dbl> <dbl> <int> <dbl>
## 1 con fert t1 88 8.08 12 9.18
## 2 con fert t2 83.8 10.2 12 12.2
## 3 con fert t3 78.7 10.5 12 13.4
## 4 sin fert t1 87.6 7.62 12 8.70
## 5 sin fert t2 87.8 7.42 12 8.45
## 6 sin fert t3 87.7 8.14 12 9.28#Table resumen con visualización
library(ggplot2)## Warning: package 'ggplot2' was built under R version 4.2.2ggplot(datos2)+
aes(tiempo, rto, fill=treatment)+
geom_boxplot()
#Revisión de outliers
datos2 %>%
group_by(treatment, tiempo) %>%
identify_outliers(rto)## [1] treatment tiempo id rto is.outlier is.extreme
## <0 rows> (or 0-length row.names)#Supuesto de normalidad
datos2 %>%
group_by(tiempo) %>%
shapiro_test(rto)## # A tibble: 3 × 4
## tiempo variable statistic p
## <chr> <chr> <dbl> <dbl>
## 1 t1 rto 0.893 0.0151
## 2 t2 rto 0.899 0.0205
## 3 t3 rto 0.919 0.0559res.aov <- anova_test(
data = datos2,
dv = rto,
wid = id,
within = c(treatment,
tiempo)
)
get_anova_table(res.aov)## ANOVA Table (type III tests)
##
## Effect DFn DFd F p p<.05 ges
## 1 treatment 1.00 11.00 15.541 2.00e-03 * 0.059
## 2 tiempo 1.31 14.37 27.369 5.03e-05 * 0.049
## 3 treatment:tiempo 2.00 22.00 30.424 4.63e-07 * 0.050Si hay interacción porque el p-value es <5%
#Gráfico de interacción
interaction.plot(datos2$tiempo,
datos2$treatment,
datos2$rto)
datos2 %>%
group_by(tiempo, treatment) %>%
summarise(mean_rto = mean(rto)) %>%
ggplot()+
aes(tiempo, mean_rto,
color=treatment,
group=treatment)+
geom_point(size=5)+
geom_line(linewidth=3)## `summarise()` has grouped output by 'tiempo'. You can override using the
## `.groups` argument.
El fertilizante genera la interacción, en el t1 no hay diferencia pero
en el t3 si la hay, hay un cambio de patrón
res.aov$`Mauchly's Test for Sphericity`## Effect W p p<.05
## 1 tiempo 0.469 0.023 *
## 2 treatment:tiempo 0.616 0.089#Tres vias