EdDit <- read_excel("EdDit.xlsx", sheet = "EdDit_EFA")
str(EdDit)
## tibble [1,639 × 20] (S3: tbl_df/tbl/data.frame)
## $ Riesgo gestión pública educación : num [1:1639] 6 4 3 2 1 6 5 2 3 5 ...
## $ Colaboración necesaria : num [1:1639] 1 4 5 5 1 5 6 5 4 4 ...
## $ Clave derecho educación : num [1:1639] 4 1 2 4 1 5 5 5 4 5 ...
## $ Principios democráticos : num [1:1639] 6 3 2 3 1 3 3 2 3 4 ...
## $ Mejora proceso de aprendizaje : num [1:1639] 3 2 2 4 1 5 4 2 3 6 ...
## $ Trabajo coperativo : num [1:1639] 6 1 4 4 1 5 5 4 2 6 ...
## $ Disfrutar uso : num [1:1639] 3 1 4 4 1 5 4 3 4 6 ...
## $ Intuitivas acompañamiento : num [1:1639] 6 1 3 4 1 4 5 1 3 6 ...
## $ Favorecen la comunicación : num [1:1639] 5 1 5 4 1 5 6 2 2 6 ...
## $ Reproducción roles género : num [1:1639] 2 2 2 3 1 2 4 1 3 2 ...
## $ Utilización/comercialización : num [1:1639] 6 6 6 6 6 6 1 6 6 6 ...
## $ Pagar por su uso : num [1:1639] 6 6 6 3 6 6 1 4 5 4 ...
## $ Vulneración privacidad : num [1:1639] 6 6 6 5 6 6 1 6 6 6 ...
## $ Condicionar : num [1:1639] 6 6 4 6 6 5 2 1 6 5 ...
## $ Creación perfiles : num [1:1639] 6 6 6 6 6 6 3 4 6 5 ...
## $ Fuente de distracción : num [1:1639] 4 6 4 3 6 3 1 6 6 2 ...
## $ Reducción socialización : num [1:1639] 4 6 2 4 6 4 1 6 6 4 ...
## $ Uso suficientement supervisado : num [1:1639] 4 6 5 5 6 4 1 6 6 3 ...
## $ Creación perfiles usos comerciales : num [1:1639] 1 1 1 1 1 1 2 6 6 2 ...
## $ Mejorar experiencia de los usuarios: num [1:1639] 6 4 3 4 6 3 5 3 3 2 ...
summary(EdDit)
## Riesgo gestión pública educación Colaboración necesaria
## Min. :1.000 Min. :1.000
## 1st Qu.:2.000 1st Qu.:3.000
## Median :3.000 Median :4.000
## Mean :3.421 Mean :3.896
## 3rd Qu.:5.000 3rd Qu.:5.000
## Max. :6.000 Max. :6.000
## Clave derecho educación Principios democráticos Mejora proceso de aprendizaje
## Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:2.000 1st Qu.:2.000 1st Qu.:2.500
## Median :3.000 Median :3.000 Median :4.000
## Mean :3.217 Mean :3.328 Mean :3.556
## 3rd Qu.:4.000 3rd Qu.:5.000 3rd Qu.:5.000
## Max. :6.000 Max. :6.000 Max. :6.000
## Trabajo coperativo Disfrutar uso Intuitivas acompañamiento
## Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:3.000 1st Qu.:3.000 1st Qu.:3.000
## Median :4.000 Median :4.000 Median :4.000
## Mean :3.782 Mean :3.907 Mean :3.788
## 3rd Qu.:5.000 3rd Qu.:5.000 3rd Qu.:5.000
## Max. :6.000 Max. :6.000 Max. :6.000
## Favorecen la comunicación Reproducción roles género
## Min. :1.000 Min. :1.000
## 1st Qu.:3.000 1st Qu.:2.000
## Median :4.000 Median :3.000
## Mean :3.933 Mean :2.879
## 3rd Qu.:5.000 3rd Qu.:4.000
## Max. :6.000 Max. :6.000
## Utilización/comercialización Pagar por su uso Vulneración privacidad
## Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:4.000 1st Qu.:3.000 1st Qu.:4.000
## Median :6.000 Median :4.000 Median :5.000
## Mean :4.837 Mean :4.137 Mean :4.795
## 3rd Qu.:6.000 3rd Qu.:6.000 3rd Qu.:6.000
## Max. :6.000 Max. :6.000 Max. :6.000
## Condicionar Creación perfiles Fuente de distracción
## Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:3.000 1st Qu.:3.000 1st Qu.:3.000
## Median :5.000 Median :5.000 Median :4.000
## Mean :4.487 Mean :4.298 Mean :3.934
## 3rd Qu.:6.000 3rd Qu.:6.000 3rd Qu.:5.000
## Max. :6.000 Max. :6.000 Max. :6.000
## Reducción socialización Uso suficientement supervisado
## Min. :1.000 Min. :1.000
## 1st Qu.:4.000 1st Qu.:4.000
## Median :5.000 Median :5.000
## Mean :4.594 Mean :4.521
## 3rd Qu.:6.000 3rd Qu.:6.000
## Max. :6.000 Max. :6.000
## Creación perfiles usos comerciales Mejorar experiencia de los usuarios
## Min. :1.000 Min. :1.000
## 1st Qu.:1.000 1st Qu.:2.000
## Median :2.000 Median :3.000
## Mean :2.718 Mean :3.004
## 3rd Qu.:5.000 3rd Qu.:4.000
## Max. :6.000 Max. :6.000
DT::datatable(head(EdDit))
alfa <- alpha(EdDit, check.keys=TRUE)
## Warning in alpha(EdDit, check.keys = TRUE): Some items were negatively correlated with total scale and were automatically reversed.
## This is indicated by a negative sign for the variable name.
alfa
##
## Reliability analysis
## Call: alpha(x = EdDit, check.keys = TRUE)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd median_r
## 0.86 0.87 0.9 0.25 6.6 0.0049 3.7 0.83 0.2
##
## 95% confidence boundaries
## lower alpha upper
## Feldt 0.85 0.86 0.87
## Duhachek 0.85 0.86 0.87
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N
## Riesgo gestión pública educación 0.86 0.86 0.90 0.25 6.3
## Colaboración necesaria- 0.85 0.86 0.89 0.24 6.1
## Clave derecho educación- 0.85 0.86 0.89 0.24 6.1
## Principios democráticos 0.86 0.87 0.90 0.26 6.6
## Mejora proceso de aprendizaje- 0.85 0.86 0.89 0.24 5.9
## Trabajo coperativo- 0.85 0.86 0.89 0.24 6.0
## Disfrutar uso- 0.86 0.86 0.90 0.24 6.1
## Intuitivas acompañamiento- 0.86 0.86 0.90 0.24 6.1
## Favorecen la comunicación- 0.86 0.86 0.90 0.25 6.2
## Reproducción roles género 0.86 0.87 0.90 0.26 6.6
## Utilización/comercialización 0.85 0.86 0.89 0.24 6.1
## Pagar por su uso 0.86 0.87 0.90 0.25 6.5
## Vulneración privacidad 0.85 0.86 0.89 0.24 6.0
## Condicionar 0.85 0.86 0.89 0.24 5.9
## Creación perfiles 0.85 0.86 0.89 0.24 6.1
## Fuente de distracción 0.85 0.86 0.89 0.24 6.1
## Reducción socialización 0.86 0.86 0.89 0.24 6.2
## Uso suficientement supervisado 0.86 0.86 0.90 0.25 6.2
## Creación perfiles usos comerciales 0.88 0.88 0.91 0.27 7.1
## Mejorar experiencia de los usuarios 0.86 0.87 0.90 0.26 6.6
## alpha se var.r med.r
## Riesgo gestión pública educación 0.0051 0.035 0.20
## Colaboración necesaria- 0.0053 0.033 0.20
## Clave derecho educación- 0.0052 0.032 0.20
## Principios democráticos 0.0049 0.034 0.21
## Mejora proceso de aprendizaje- 0.0053 0.031 0.20
## Trabajo coperativo- 0.0052 0.032 0.20
## Disfrutar uso- 0.0052 0.032 0.20
## Intuitivas acompañamiento- 0.0052 0.032 0.20
## Favorecen la comunicación- 0.0051 0.033 0.21
## Reproducción roles género 0.0049 0.034 0.21
## Utilización/comercialización 0.0053 0.032 0.20
## Pagar por su uso 0.0050 0.032 0.21
## Vulneración privacidad 0.0053 0.032 0.20
## Condicionar 0.0054 0.032 0.20
## Creación perfiles 0.0053 0.032 0.20
## Fuente de distracción 0.0052 0.034 0.20
## Reducción socialización 0.0052 0.033 0.20
## Uso suficientement supervisado 0.0052 0.033 0.21
## Creación perfiles usos comerciales 0.0045 0.030 0.22
## Mejorar experiencia de los usuarios 0.0049 0.033 0.21
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## Riesgo gestión pública educación 1639 0.52 0.52 0.481 0.445 3.4 1.7
## Colaboración necesaria- 1639 0.61 0.62 0.595 0.544 3.1 1.7
## Clave derecho educación- 1639 0.59 0.60 0.580 0.520 3.8 1.6
## Principios democráticos 1639 0.38 0.38 0.326 0.299 3.3 1.6
## Mejora proceso de aprendizaje- 1639 0.68 0.69 0.696 0.630 3.4 1.5
## Trabajo coperativo- 1639 0.61 0.62 0.609 0.548 3.2 1.5
## Disfrutar uso- 1639 0.57 0.58 0.562 0.506 3.1 1.4
## Intuitivas acompañamiento- 1639 0.57 0.58 0.560 0.503 3.2 1.4
## Favorecen la comunicación- 1639 0.54 0.55 0.516 0.465 3.1 1.6
## Reproducción roles género 1639 0.36 0.36 0.305 0.282 2.9 1.5
## Utilización/comercialización 1639 0.62 0.61 0.610 0.561 4.8 1.5
## Pagar por su uso 1639 0.42 0.41 0.369 0.335 4.1 1.7
## Vulneración privacidad 1639 0.64 0.63 0.630 0.579 4.8 1.5
## Condicionar 1639 0.68 0.67 0.667 0.619 4.5 1.6
## Creación perfiles 1639 0.63 0.62 0.607 0.559 4.3 1.7
## Fuente de distracción 1639 0.60 0.60 0.587 0.537 3.9 1.6
## Reducción socialización 1639 0.57 0.57 0.551 0.503 4.6 1.6
## Uso suficientement supervisado 1639 0.56 0.56 0.543 0.497 4.5 1.5
## Creación perfiles usos comerciales 1639 0.17 0.15 0.058 0.054 2.7 2.0
## Mejorar experiencia de los usuarios 1639 0.34 0.35 0.283 0.253 3.0 1.5
##
## Non missing response frequency for each item
## 1 2 3 4 5 6 miss
## Riesgo gestión pública educación 0.17 0.17 0.18 0.19 0.13 0.16 0
## Colaboración necesaria 0.14 0.09 0.13 0.22 0.23 0.20 0
## Clave derecho educación 0.19 0.16 0.21 0.21 0.14 0.09 0
## Principios democráticos 0.14 0.18 0.25 0.17 0.14 0.12 0
## Mejora proceso de aprendizaje 0.11 0.14 0.20 0.27 0.17 0.10 0
## Trabajo coperativo 0.09 0.12 0.18 0.24 0.23 0.13 0
## Disfrutar uso 0.07 0.10 0.18 0.30 0.23 0.12 0
## Intuitivas acompañamiento 0.08 0.12 0.19 0.26 0.22 0.13 0
## Favorecen la comunicación 0.10 0.11 0.15 0.21 0.22 0.20 0
## Reproducción roles género 0.23 0.19 0.26 0.17 0.10 0.05 0
## Utilización/comercialización 0.06 0.05 0.09 0.11 0.20 0.50 0
## Pagar por su uso 0.12 0.08 0.16 0.15 0.19 0.31 0
## Vulneración privacidad 0.06 0.06 0.09 0.11 0.19 0.49 0
## Condicionar 0.07 0.07 0.13 0.14 0.21 0.38 0
## Creación perfiles 0.11 0.09 0.13 0.13 0.17 0.38 0
## Fuente de distracción 0.09 0.14 0.17 0.19 0.17 0.24 0
## Reducción socialización 0.05 0.08 0.11 0.13 0.21 0.41 0
## Uso suficientement supervisado 0.05 0.06 0.12 0.17 0.26 0.33 0
## Creación perfiles usos comerciales 0.47 0.09 0.09 0.09 0.09 0.16 0
## Mejorar experiencia de los usuarios 0.19 0.22 0.26 0.16 0.09 0.09 0
EdDit_factor<-fa(EdDit,nfactors = 2,fm = "ml", rotate ="oblimin",cor = "poly")
## Loading required namespace: GPArotation
prueba <- print(EdDit_factor,digits = 2,cut = .00,sort=TRUE)
## Factor Analysis using method = ml
## Call: fa(r = EdDit, nfactors = 2, rotate = "oblimin", fm = "ml", cor = "poly")
## Standardized loadings (pattern matrix) based upon correlation matrix
## item ML2 ML1 h2 u2 com
## Mejora proceso de aprendizaje 5 0.88 -0.01 0.7809 0.22 1.0
## Trabajo coperativo 6 0.81 0.01 0.6532 0.35 1.0
## Disfrutar uso 7 0.77 0.03 0.5802 0.42 1.0
## Intuitivas acompañamiento 8 0.77 0.04 0.5705 0.43 1.0
## Clave derecho educación 3 0.76 -0.02 0.5963 0.40 1.0
## Favorecen la comunicación 9 0.70 0.02 0.4835 0.52 1.0
## Colaboración necesaria 2 0.64 -0.12 0.4763 0.52 1.1
## Mejorar experiencia de los usuarios 20 -0.43 -0.06 0.1733 0.83 1.0
## Creación perfiles usos comerciales 19 -0.01 0.01 0.0003 1.00 2.0
## Utilización/comercialización 11 0.03 0.88 0.7578 0.24 1.0
## Vulneración privacidad 13 0.00 0.88 0.7676 0.23 1.0
## Condicionar 14 -0.04 0.85 0.7509 0.25 1.0
## Creación perfiles 15 0.01 0.83 0.6834 0.32 1.0
## Pagar por su uso 12 0.18 0.69 0.4297 0.57 1.1
## Uso suficientement supervisado 18 -0.11 0.57 0.3751 0.62 1.1
## Reducción socialización 17 -0.17 0.53 0.3654 0.63 1.2
## Fuente de distracción 16 -0.24 0.46 0.3439 0.66 1.5
## Riesgo gestión pública educación 1 -0.27 0.29 0.2120 0.79 2.0
## Reproducción roles género 10 -0.07 0.27 0.0926 0.91 1.1
## Principios democráticos 4 -0.10 0.26 0.0940 0.91 1.3
##
## ML2 ML1
## SS loadings 4.60 4.59
## Proportion Var 0.23 0.23
## Cumulative Var 0.23 0.46
## Proportion Explained 0.50 0.50
## Cumulative Proportion 0.50 1.00
##
## With factor correlations of
## ML2 ML1
## ML2 1.00 -0.33
## ML1 -0.33 1.00
##
## Mean item complexity = 1.2
## Test of the hypothesis that 2 factors are sufficient.
##
## df null model = 190 with the objective function = 11.13 with Chi Square = 18150.25
## df of the model are 151 and the objective function was 1.85
##
## The root mean square of the residuals (RMSR) is 0.07
## The df corrected root mean square of the residuals is 0.08
##
## The harmonic n.obs is 1639 with the empirical chi square 2950.84 with prob < 0
## The total n.obs was 1639 with Likelihood Chi Square = 3006.54 with prob < 0
##
## Tucker Lewis Index of factoring reliability = 0.8
## RMSEA index = 0.107 and the 90 % confidence intervals are 0.104 0.111
## BIC = 1888.87
## Fit based upon off diagonal values = 0.96
## Measures of factor score adequacy
## ML2 ML1
## Correlation of (regression) scores with factors 0.96 0.97
## Multiple R square of scores with factors 0.92 0.93
## Minimum correlation of possible factor scores 0.85 0.87
EdDit2 <- read_excel("EdDit.xlsx")
EdDit3 <- EdDit2[ , - c(1:26)]
EdDit4 <- as.data.frame(apply(EdDit3, 2, function(x)(x-min(x))/(max(x)-min(x))))
summary(EdDit4)
## Protección escuela Aspectos positivos Aspectos negativos
## Min. :0.000 Min. :0.0000 Min. :0.0000
## 1st Qu.:0.400 1st Qu.:0.3603 1st Qu.:0.5288
## Median :0.600 Median :0.5017 Median :0.7094
## Mean :0.615 Mean :0.4981 Mean :0.6632
## 3rd Qu.:0.800 3rd Qu.:0.6324 3rd Qu.:0.8344
## Max. :1.000 Max. :1.0000 Max. :1.0000
set.seed(123)
training.samples.EdDit <- EdDit4$`Protección escuela` %>% createDataPartition(p = 0.8, list = FALSE)
train.data.EdDit<- EdDit4 [training.samples.EdDit, ]
test.data.EdDit<- EdDit4 [-training.samples.EdDit,]
lm.fit <- lm(`Protección escuela`~
`Aspectos positivos` +
`Aspectos negativos`, data = train.data.EdDit)
summary(lm.fit)
##
## Call:
## lm(formula = `Protección escuela` ~ `Aspectos positivos` + `Aspectos negativos`,
## data = train.data.EdDit)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.83659 -0.14382 0.00704 0.16595 0.66893
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.41340 0.03301 12.525 < 2e-16 ***
## `Aspectos positivos` 0.69484 0.03513 19.780 < 2e-16 ***
## `Aspectos negativos` -0.21247 0.03282 -6.474 1.35e-10 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.2338 on 1309 degrees of freedom
## Multiple R-squared: 0.3149, Adjusted R-squared: 0.3138
## F-statistic: 300.8 on 2 and 1309 DF, p-value: < 2.2e-16
apa.reg.table(
lm.fit,
filename = "Tabla de Regresión",
table.number = 2,
prop.var.conf.level = 0.95)
##
##
## Table 2
##
## Regression results using Protección escuela as the criterion
##
##
## Predictor b b_95%_CI sr2 sr2_95%_CI Fit
## (Intercept) 0.41** [0.35, 0.48]
## `Aspectos positivos` 0.69** [0.63, 0.76] .20 [.17, .24]
## `Aspectos negativos` -0.21** [-0.28, -0.15] .02 [.01, .04]
## R2 = .315**
## 95% CI[.28,.35]
##
##
## Note. A significant b-weight indicates the semi-partial correlation is also significant.
## b represents unstandardized regression weights.
## sr2 represents the semi-partial correlation squared.
## Square brackets are used to enclose the lower and upper limits of a confidence interval.
## * indicates p < .05. ** indicates p < .01.
##
mean(lm.fit$residuals)
## [1] 6.177308e-18
plot(lm.fit,1)
sresiduales <- studres(lm.fit)
shapiro.test(sresiduales)
##
## Shapiro-Wilk normality test
##
## data: sresiduales
## W = 0.99626, p-value = 0.002828
plot(lm.fit,2)
hist(sresiduales, freq=FALSE,
main="Distribucion de los residuos")
xfit<-seq(min(sresiduales),max(sresiduales),length=40)
yfit<-dnorm(xfit)
lines(xfit, yfit)
ncvTest(lm.fit)
## Non-constant Variance Score Test
## Variance formula: ~ fitted.values
## Chisquare = 35.14375, Df = 1, p = 3.0624e-09
plot(lm.fit, 3)
plot(lm.fit$residuals)
residuales <- resid(lm.fit)
acf(residuales, lag.max = 40, main = "Autocorrelación en el termino de error")
scatterplot(EdDit2$`Aspectos positivos`, EdDit2$`Aspectos negativos`, xlab = "Aspectos positivos", ylab ="Aspectos negativos")
par(mfrow = c(2,2))
plot(lm.fit,1)
plot(lm.fit,2)
plot(lm.fit,3)
plot(lm.fit,4)
Aspectos_positivos <- train.data.EdDit$`Aspectos positivos`
Aspectos_negativos <- train.data.EdDit$`Aspectos negativos`
Confianza_en_la_escuela <- train.data.EdDit$`Protección escuela`
datos <- data.frame(Aspectos_positivos, Aspectos_negativos, Confianza_en_la_escuela)
datos2 <- as.data.frame(apply(datos, 2, function(x)(x-min(x))/(max(x)-min(x))))
summary(datos2)
## Aspectos_positivos Aspectos_negativos Confianza_en_la_escuela
## Min. :0.0000 Min. :0.0000 Min. :0.0000
## 1st Qu.:0.3568 1st Qu.:0.5305 1st Qu.:0.4000
## Median :0.4994 Median :0.7089 Median :0.6000
## Mean :0.4966 Mean :0.6646 Mean :0.6155
## 3rd Qu.:0.6351 3rd Qu.:0.8326 3rd Qu.:0.8000
## Max. :1.0000 Max. :1.0000 Max. :1.0000
lm.fit2 <- lm(datos2$Confianza_en_la_escuela ~ ., data = datos2)
summary(lm.fit2)
##
## Call:
## lm(formula = datos2$Confianza_en_la_escuela ~ ., data = datos2)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.83659 -0.14382 0.00704 0.16595 0.66893
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.41747 0.03285 12.709 < 2e-16 ***
## Aspectos_positivos 0.68327 0.03454 19.780 < 2e-16 ***
## Aspectos_negativos -0.21247 0.03282 -6.474 1.35e-10 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.2338 on 1309 degrees of freedom
## Multiple R-squared: 0.3149, Adjusted R-squared: 0.3138
## F-statistic: 300.8 on 2 and 1309 DF, p-value: < 2.2e-16
rango_AP <- range(datos2$Aspectos_positivos)
nuevos_valores_AP <- seq(from = rango_AP[1], to = rango_AP[2], length.out = 20)
rango_AN <- range(datos2$Aspectos_negativos)
nuevos_valores_AN <- seq(from = rango_AN[1], to = rango_AN[2],
length.out = 20)
predicciones <- outer(X = nuevos_valores_AP, Y = nuevos_valores_AN,
FUN = function(Aspectos_positivos, Aspectos_negativos)
{predict(object = lm.fit2, newdata = data.frame(Aspectos_positivos, Aspectos_negativos))
})
par(mfrow = c(1,1))
superficie <- persp(x = nuevos_valores_AP, y = nuevos_valores_AN,
z = predicciones,
theta = 20, phi = 18,
col = "lightblue", shade = 0.1,
xlab = "Aspectos positivos", ylab = "Aspectos negativos", zlab = "Confianza en la escuela",
ticktype = "detailed",
cex.lab = 1.3)
observaciones <- trans3d(datos2$Aspectos_positivos, datos2$Aspectos_negativos, datos2$Confianza_en_la_escuela, superficie)
error <- trans3d(datos2$Aspectos_positivos, datos2$Aspectos_negativos, fitted(lm.fit2), superficie)
points(observaciones, col = "red", pch = 20)
segments(observaciones$x, observaciones$y, error$x, error$y, lwd = 0.6, lty = 2)
lm.Pred <- predict(lm(`Protección escuela` ~ `Aspectos positivos` +
`Aspectos negativos` , data = test.data.EdDit))
data.frame(RMSE = RMSE(lm.Pred, test.data.EdDit$`Protección escuela`))
## RMSE
## 1 0.2258811
caret::R2(lm.Pred, test.data.EdDit$`Protección escuela`)
## [1] 0.3733851