Inicio
Coincido con lo que venían esbozando Vani y Lu: hay demasiados resultados para un único artículo.
IMPORTANTE: En TODOS los casos de Galicia la variable EPEN03 (“Consumo dejando pasar algo de tiempo entre dosis y dosis”) puntuó 4 (“Muchas veces”). Chequear que efectivamente los 263 casos hayan contestado lo mismo y no sea un error en la carga de datos.
Propongo la siguiente división en dos articulos:
Artículo 1:
- Diferencias entre Galicia y Buenos Aires en las 5 variables sociodemográficas, necesidad de pertenencia, búsqueda de sensaciones impulsiva, consumo de alcohol y practicas de riesgo y cuidado (total y sus subdimensiones).
- Modelo para predecir las prácticas de riesgo y cuidad a partir de BSI y NP, controlando por País de origen y consumo de alcohol.
Artículo 2:
- Inclusión del funcionamiento familiar
Artículo 1
Diferencias entre Galicia y Buenos Aires
A partir del cumplimiento (o incumplimiento) de supuestos, se utilizaron diferentes pruebas estadísticas para evaluar las diferencias entre participantes de Galicia y de Buenos Aires en Edad, Género, Residencia, Estudios, Nivel educativo, Necesidad de pertenencia, Búsqueda de sensaciones impulsiva, Concurrencia a eventos nocturnos, tipo de evento, frecuencia de eventos, consumo de sustancias PA, tipo de sustancias PA, concurrencia a previas, consumo de SPA en previas, tipo de SPA en previas, Cuidado individual, Cuidado grupal, Cuidado entorno, Cuidado total, Riesgo individual, Riesgo grupal, Riesgo entorno, Riesgo total, Frecuencia de consumo, Presencia de CEEA, y Frecuencia de CEEA.
attributes(datos$CAEP01)$label <- "Cocurrencia a eventos nocturnos"
attributes(datos$CAEP02)$label <- "Tipo de evento"
attributes(datos$CAEP03)$label <- "Frecuencia en eventos"
attributes(datos$CAEP1B)$label <- "Consumo de sustancias PA"
attributes(datos$CAEP04)$label <- "Tipo de sustancias PA"
attributes(datos$CAEP05)$label <- "Concurrencia a previas"
attributes(datos$CAEP06)$label <- "Consumo de SPA en previas"
attributes(datos$CAEP07)$label <- "Tipo de SPA en previas"
datos %>%
tableby(País~kwt(Edad)+fe(GENERO)+chisq(Residencia)+chisq(Estudios)+fe(Niveleducativo)+
anova(NPTotal)+anova(BSImpuls)+
chisq(CAEP01)+
chisq(CAEP02)+
trend(CAEP03)+chisq(CAEP1B)+
fe(CAEP04)+
trend(CAEP05)+chisq(CAEP06)+fe(CAEP07)+
anova(EPENCuiIndiv)+kwt(EPENCuiGrup)+kwt(EPENCuiEnt)+anova(EPENCuiTotal)+
kwt(EPENRiesgInd)+kwt(EPENRiesgGrup)+kwt(EPENRiesgEnto)+anova(EPENRiesgTota)+
trend(AUDIT01)+trend(AUDIT02)+trend(AUDIT03),.) %>%
summary(text=T,
pfootnote=T,
digits=2,
digits.count=0,
digits.p=3,
digits.pct=1) %>%
kable("html",
booktabs=T,
caption = "Tabla 1. Diferencias entre Galicia y Buenos Aires")%>%
kable_styling(full_width = F, font_size = 12) %>%
row_spec(c(1,4,11,16,19,24,27,30,
33,41,47,51,58,65,69,
75,79,83,87,91,95,
99,103,107,113,119),background = "#d3d3d3", bold=T, color="black") %>%
add_footnote(c("Kruskal-Wallis rank sum test",
"Fisher's Exact Test for Count Data",
"Pearson's Chi-squared test",
"Linear Model ANOVA",
"Trend test for ordinal variables"),
notation = "number")| Buenos Aires Argentina (N=271) | Galicia España (N=317) | Total (N=588) | p value | |
|---|---|---|---|---|
| Edad | < 0.001 (1) | |||
|
24.18 (3.42) | 20.79 (2.02) | 22.35 (3.23) | |
|
18.00 - 30.00 | 18.00 - 30.00 | 18.00 - 30.00 | |
| GENERO | 0.061 (2) | |||
|
4 | 0 | 4 | |
|
198 (74.2%) | 239 (75.4%) | 437 (74.8%) | |
|
0 (0.0%) | 2 (0.6%) | 2 (0.3%) | |
|
0 (0.0%) | 4 (1.3%) | 4 (0.7%) | |
|
69 (25.8%) | 69 (21.8%) | 138 (23.6%) | |
|
0 (0.0%) | 3 (0.9%) | 3 (0.5%) | |
| Residencia | < 0.001 (3) | |||
|
0 (0.0%) | 50 (15.8%) | 50 (8.5%) | |
|
0 (0.0%) | 52 (16.4%) | 52 (8.8%) | |
|
0 (0.0%) | 68 (21.5%) | 68 (11.6%) | |
|
271 (100.0%) | 147 (46.4%) | 418 (71.1%) | |
| Estudios | < 0.001 (3) | |||
|
80 (29.5%) | 32 (10.1%) | 112 (19.0%) | |
|
191 (70.5%) | 285 (89.9%) | 476 (81.0%) | |
| Niveleducativo | < 0.001 (2) | |||
|
0 | 2 | 2 | |
|
61 (22.5%) | 0 (0.0%) | 61 (10.4%) | |
|
0 (0.0%) | 2 (0.6%) | 2 (0.3%) | |
|
210 (77.5%) | 313 (99.4%) | 523 (89.2%) | |
| Necesidad de Pertenencia | 0.001 (4) | |||
|
25.09 (5.73) | 26.59 (5.38) | 25.90 (5.59) | |
|
10.00 - 39.00 | 11.00 - 39.00 | 10.00 - 39.00 | |
| Búsqueda de Sensaciones Impulsiva | < 0.001 (4) | |||
|
4.31 (2.18) | 3.60 (2.14) | 3.93 (2.19) | |
|
0.00 - 9.00 | 0.00 - 9.00 | 0.00 - 9.00 | |
| Cocurrencia a eventos nocturnos | 0.261 (3) | |||
|
56 (20.7%) | 54 (17.0%) | 110 (18.7%) | |
|
215 (79.3%) | 263 (83.0%) | 478 (81.3%) | |
| Tipo de evento | < 0.001 (3) | |||
|
75 | 56 | 131 | |
|
43 (21.9%) | 4 (1.5%) | 47 (10.3%) | |
|
35 (17.9%) | 87 (33.3%) | 122 (26.7%) | |
|
1 (0.5%) | 3 (1.1%) | 4 (0.9%) | |
|
5 (2.6%) | 46 (17.6%) | 51 (11.2%) | |
|
35 (17.9%) | 33 (12.6%) | 68 (14.9%) | |
|
77 (39.3%) | 88 (33.7%) | 165 (36.1%) | |
| Frecuencia en eventos | 0.081 (5) | |||
|
75 | 54 | 129 | |
|
46 (23.5%) | 76 (28.9%) | 122 (26.6%) | |
|
111 (56.6%) | 95 (36.1%) | 206 (44.9%) | |
|
28 (14.3%) | 64 (24.3%) | 92 (20.0%) | |
|
11 (5.6%) | 28 (10.6%) | 39 (8.5%) | |
| Consumo de sustancias PA | 0.035 (3) | |||
|
56 | 54 | 110 | |
|
19 (8.8%) | 40 (15.2%) | 59 (12.3%) | |
|
196 (91.2%) | 223 (84.8%) | 419 (87.7%) | |
| Tipo de sustancias PA | < 0.001 (2) | |||
|
75 | 54 | 129 | |
|
91 (46.4%) | 193 (73.4%) | 284 (61.9%) | |
|
0 (0.0%) | 23 (8.7%) | 23 (5.0%) | |
|
1 (0.5%) | 1 (0.4%) | 2 (0.4%) | |
|
3 (1.5%) | 1 (0.4%) | 4 (0.9%) | |
|
101 (51.5%) | 45 (17.1%) | 146 (31.8%) | |
| Concurrencia a previas | 0.663 (5) | |||
|
75 | 0 | 75 | |
|
28 (14.3%) | 61 (19.2%) | 89 (17.3%) | |
|
54 (27.6%) | 94 (29.7%) | 148 (28.8%) | |
|
95 (48.5%) | 91 (28.7%) | 186 (36.3%) | |
|
13 (6.6%) | 50 (15.8%) | 63 (12.3%) | |
|
6 (3.1%) | 21 (6.6%) | 27 (5.3%) | |
| Consumo de SPA en previas | 0.015 (3) | |||
|
56 | 61 | 117 | |
|
73 (34.0%) | 61 (23.8%) | 134 (28.5%) | |
|
142 (66.0%) | 195 (76.2%) | 337 (71.5%) | |
| Tipo de SPA en previas | < 0.001 (2) | |||
|
105 | 109 | 214 | |
|
82 (49.4%) | 160 (76.9%) | 242 (64.7%) | |
|
0 (0.0%) | 1 (0.5%) | 1 (0.3%) | |
|
3 (1.8%) | 0 (0.0%) | 3 (0.8%) | |
|
81 (48.8%) | 47 (22.6%) | 128 (34.2%) | |
| Cuidado Individual | < 0.001 (4) | |||
|
75 | 54 | 129 | |
|
28.46 (5.69) | 33.02 (5.68) | 31.08 (6.11) | |
|
10.00 - 40.00 | 19.00 - 46.00 | 10.00 - 46.00 | |
| Cuidado Grupal | < 0.001 (1) | |||
|
75 | 54 | 129 | |
|
25.66 (3.49) | 26.97 (2.80) | 26.41 (3.17) | |
|
13.00 - 30.00 | 15.00 - 30.00 | 13.00 - 30.00 | |
| Cuidado Entorno | < 0.001 (1) | |||
|
75 | 54 | 129 | |
|
16.30 (4.10) | 19.01 (3.75) | 17.85 (4.12) | |
|
6.00 - 28.00 | 6.00 - 30.00 | 6.00 - 30.00 | |
| Cuidado Total | < 0.001 (4) | |||
|
75 | 54 | 129 | |
|
70.43 (9.68) | 79.01 (8.45) | 75.34 (9.94) | |
|
44.00 - 95.00 | 54.00 - 104.00 | 44.00 - 104.00 | |
| Riesgo Individual | < 0.001 (1) | |||
|
75 | 54 | 129 | |
|
18.45 (6.07) | 21.82 (8.56) | 20.38 (7.77) | |
|
8.00 - 33.00 | 8.00 - 42.00 | 8.00 - 42.00 | |
| Riesgo Grupal | < 0.001 (1) | |||
|
75 | 54 | 129 | |
|
13.47 (4.71) | 11.60 (4.11) | 12.40 (4.47) | |
|
6.00 - 28.00 | 6.00 - 24.00 | 6.00 - 28.00 | |
| Riesgo Entorno | 0.869 (1) | |||
|
75 | 54 | 129 | |
|
18.51 (3.99) | 18.36 (3.69) | 18.42 (3.82) | |
|
6.00 - 29.00 | 6.00 - 28.00 | 6.00 - 29.00 | |
| Riesgo Total | 0.224 (4) | |||
|
75 | 54 | 129 | |
|
50.43 (11.90) | 51.78 (11.57) | 51.20 (11.72) | |
|
23.00 - 84.00 | 27.00 - 83.00 | 23.00 - 84.00 | |
| Frecuencia de consumo | < 0.001 (5) | |||
|
31 (11.4%) | 49 (15.5%) | 80 (13.6%) | |
|
43 (15.9%) | 92 (29.0%) | 135 (23.0%) | |
|
134 (49.4%) | 130 (41.0%) | 264 (44.9%) | |
|
51 (18.8%) | 39 (12.3%) | 90 (15.3%) | |
|
12 (4.4%) | 7 (2.2%) | 19 (3.2%) | |
| Presencia de CEEA | 0.255 (5) | |||
|
37 (13.7%) | 59 (18.6%) | 96 (16.3%) | |
|
185 (68.3%) | 205 (64.7%) | 390 (66.3%) | |
|
33 (12.2%) | 35 (11.0%) | 68 (11.6%) | |
|
12 (4.4%) | 15 (4.7%) | 27 (4.6%) | |
|
4 (1.5%) | 3 (0.9%) | 7 (1.2%) | |
| Frecuencia de CEEA | < 0.001 (5) | |||
|
86 (31.7%) | 137 (43.2%) | 223 (37.9%) | |
|
81 (29.9%) | 99 (31.2%) | 180 (30.6%) | |
|
66 (24.4%) | 53 (16.7%) | 119 (20.2%) | |
|
30 (11.1%) | 27 (8.5%) | 57 (9.7%) | |
|
8 (3.0%) | 1 (0.3%) | 9 (1.5%) | |
| 1 Kruskal-Wallis rank sum test | ||||
| 2 Fisher’s Exact Test for Count Data | ||||
| 3 Pearson’s Chi-squared test | ||||
| 4 Linear Model ANOVA | ||||
| 5 Trend test for ordinal variables |
En base a los resultados obtenidos se concluye que lxs PARTICIPANTES ESPAÑOLXS presentan menor edad, mayor prevalencia de residencias no-urbanas, mayor presencia de estudios terminados y mayor nivel educativo. En cuanto a las variables de interés, también presentaron mayor necesidad de pertenencia, menor búsqueda de sensaciones impulsiva, mayor concurrencia a festivales y boliches (y menor a bares), menor consumo de SPA. Respecto al tipo de SPA consumida, lxs españolxs consumen más alcohol que otras sustancias en comparación con lxs argentinxs. Además, asisten en mayor medida a previas, donde consumen SPA en mayor medida que la contraparte. También presentan mayores niveles de prácticas de cuidado individual, grupal, del entorno y total, aunque también presentaron mayores prácticas de riesgo individual. Lxs PARTICIPANTES ARGENTINXS presentaron mayores niveles de prácticas de riesgo grupal, mayor frecuencia de consumo y mayor frecuencia de CEEA. No se encontraron diferencias en las variables género, Concurrencia a eventos nocturnos, Frecuencia en eventos, Riesgo entorno, Riesgo total ni cantidad de tragos por ocasión (presencia de CEEA).
Sería importante evaluar si estas diferencias en prácticas de riesgo y cuidado, necesidad de pertenencia, BSI y en el consumo de alcohol se deben al país de origen o a la diferencia etaria entre las muestras.
Diferencias controlando por edad
Necesidad de Pertenencia
mod1 <- datos %>%
lm(NPTotal~Edad,.)
mod2 <- datos %>%
lm(NPTotal~Edad+País,.)
anova(mod1,mod2)## Analysis of Variance Table
##
## Model 1: NPTotal ~ Edad
## Model 2: NPTotal ~ Edad + País
## Res.Df RSS Df Sum of Sq F Pr(>F)
## 1 586 17932
## 2 585 17857 1 75.555 2.4752 0.1162Conclusión: Las diferencias entre las muestras en Necesidad de Pertenencia eran debidas a la edad, no al país de origen.
Búsqueda de sensaciones impulsiva
mod1 <- datos %>%
lm(BSImpuls~Edad,.)
mod2 <- datos %>%
lm(BSImpuls~Edad+País,.)
anova(mod1,mod2)## Analysis of Variance Table
##
## Model 1: BSImpuls ~ Edad
## Model 2: BSImpuls ~ Edad + País
## Res.Df RSS Df Sum of Sq F Pr(>F)
## 1 586 2754.5
## 2 585 2722.4 1 32.168 6.9125 0.008785 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Conclusión: HAY diferencias en Búsqueda de Sensaciones Impulsiva entre las muestras, aun controlando por edad.
Cuidado Individual
mod1 <- datos %>%
lm(EPENCuiIndiv~Edad,.)
mod2 <- datos %>%
lm(EPENCuiIndiv~Edad+País,.)
anova(mod1,mod2)## Analysis of Variance Table
##
## Model 1: EPENCuiIndiv ~ Edad
## Model 2: EPENCuiIndiv ~ Edad + País
## Res.Df RSS Df Sum of Sq F Pr(>F)
## 1 457 16246
## 2 456 14770 1 1475.7 45.561 4.51e-11 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Conclusión: HAY diferencias en Cuidado Individual entre las muestras, aun controlando por edad.
Cuidado Grupal
mod1 <- datos %>%
lm(EPENCuiGrup~Edad,.)
mod2 <- datos %>%
lm(EPENCuiGrup~Edad+País,.)
anova(mod1,mod2)## Analysis of Variance Table
##
## Model 1: EPENCuiGrup ~ Edad
## Model 2: EPENCuiGrup ~ Edad + País
## Res.Df RSS Df Sum of Sq F Pr(>F)
## 1 457 4530.3
## 2 456 4418.2 1 112.11 11.571 0.0007287 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Conclusión: HAY diferencias en Cuidado Grupal entre las muestras, aun controlando por edad.
Cuidado Entorno
mod1 <- datos %>%
lm(EPENCuiEnt~Edad,.)
mod2 <- datos %>%
lm(EPENCuiEnt~Edad+País,.)
anova(mod1,mod2)## Analysis of Variance Table
##
## Model 1: EPENCuiEnt ~ Edad
## Model 2: EPENCuiEnt ~ Edad + País
## Res.Df RSS Df Sum of Sq F Pr(>F)
## 1 457 7497.4
## 2 456 6949.9 1 547.5 35.923 4.174e-09 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Conclusión: HAY diferencias en Cuidado Entorno entre las muestras, aun controlando por edad.
Cuidado Total
mod1 <- datos %>%
lm(EPENCuiTotal~Edad,.)
mod2 <- datos %>%
lm(EPENCuiTotal~Edad+País,.)
anova(mod1,mod2)## Analysis of Variance Table
##
## Model 1: EPENCuiTotal ~ Edad
## Model 2: EPENCuiTotal ~ Edad + País
## Res.Df RSS Df Sum of Sq F Pr(>F)
## 1 457 42184
## 2 456 36941 1 5242.1 64.708 7.571e-15 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Conclusión: HAY diferencias en Cuidado Total entre las muestras, aun controlando por edad.
Riesgo Individual
mod1 <- datos %>%
lm(EPENRiesgInd~Edad,.)
mod2 <- datos %>%
lm(EPENRiesgInd~Edad+País,.)
anova(mod1,mod2)## Analysis of Variance Table
##
## Model 1: EPENRiesgInd ~ Edad
## Model 2: EPENRiesgInd ~ Edad + País
## Res.Df RSS Df Sum of Sq F Pr(>F)
## 1 457 26957
## 2 456 26320 1 637.6 11.047 0.00096 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Conclusión: HAY diferencias en Riesgo Individual entre las muestras, aun controlando por edad.
Riesgo Grupal
mod1 <- datos %>%
lm(EPENRiesgGrup~Edad,.)
mod2 <- datos %>%
lm(EPENRiesgGrup~Edad+País,.)
anova(mod1,mod2)## Analysis of Variance Table
##
## Model 1: EPENRiesgGrup ~ Edad
## Model 2: EPENRiesgGrup ~ Edad + País
## Res.Df RSS Df Sum of Sq F Pr(>F)
## 1 457 8953.2
## 2 456 8741.3 1 211.94 11.056 0.0009554 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Conclusión: HAY diferencias en Riesgo Grupal entre las muestras, aun controlando por edad.
Frecuencia de consumo
mod1 <- datos %>%
lm(as.numeric(AUDIT01)~Edad,.)
mod2 <- datos %>%
lm(as.numeric(AUDIT01)~Edad+País,.)
anova(mod1,mod2)## Analysis of Variance Table
##
## Model 1: as.numeric(AUDIT01) ~ Edad
## Model 2: as.numeric(AUDIT01) ~ Edad + País
## Res.Df RSS Df Sum of Sq F Pr(>F)
## 1 586 560.47
## 2 585 555.00 1 5.4682 5.7638 0.01667 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Conclusión: HAY diferencias en Frecuencia de consumo entre las muestras, aun controlando por edad.
Frecuencia de CEEA
mod1 <- datos %>%
lm(as.numeric(AUDIT03)~Edad,.)
mod2 <- datos %>%
lm(as.numeric(AUDIT03)~Edad+País,.)
anova(mod1,mod2)## Analysis of Variance Table
##
## Model 1: as.numeric(AUDIT03) ~ Edad
## Model 2: as.numeric(AUDIT03) ~ Edad + País
## Res.Df RSS Df Sum of Sq F Pr(>F)
## 1 586 647.49
## 2 585 632.36 1 15.137 14.003 0.0002005 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Conclusión: HAY diferencias en Frecuencia de CEEA entre las muestras, aun controlando por edad.
Regresiones
Para las regresiones se filtró la base de datos para considerar únicamente a quienes contestaron que sí consumen sustancias cuando salen a eventos nocturnos. En los modelos se incluyeron las variables NPTotal y BSImpuls como predictoras, su interacción con País, y AUDITTotal y EDAD como control.
datos2 <- datos %>%
filter(CAEP1B=="si") Cuidado Individual
datos2 %>%
lm(EPENCuiIndiv~as.numeric(AUDITTotal)+
Edad+
(NPTotal+BSImpuls)*País,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiIndiv ~ as.numeric(AUDITTotal) + Edad + (NPTotal +
## BSImpuls) * País, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -15.6096 -2.9870 0.3463 3.3985 11.9928
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 38.456159 2.951846 13.028 < 2e-16 ***
## as.numeric(AUDITTotal) -0.517255 0.132190 -3.913 0.000107 ***
## Edad 0.001292 0.089555 0.014 0.988493
## NPTotal -0.178681 0.061500 -2.905 0.003867 **
## BSImpuls -0.586703 0.181265 -3.237 0.001307 **
## PaísGalicia España -0.526410 2.635647 -0.200 0.841793
## NPTotal:PaísGalicia España 0.140683 0.087756 1.603 0.109680
## BSImpuls:PaísGalicia España -0.018778 0.237302 -0.079 0.936968
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.711 on 411 degrees of freedom
## Multiple R-squared: 0.2423, Adjusted R-squared: 0.2294
## F-statistic: 18.77 on 7 and 411 DF, p-value: < 2.2e-16En la predicción de las prácticas de cuidado individual entre quienes consumen SPA cuando asisten a eventos nocturnos, AUDITTotal, NPTotal y BSImpuls se asociaron negativamente a dicha variable, sin importar el país de origen.
Cuidado Grupal
datos2 %>%
lm(EPENCuiGrup~as.numeric(AUDITTotal)+
Edad+
(NPTotal+BSImpuls)*País,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiGrup ~ as.numeric(AUDITTotal) + Edad + (NPTotal +
## BSImpuls) * País, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -13.0109 -1.8150 0.7128 2.2784 5.1559
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 27.51458 1.94950 14.114 < 2e-16 ***
## as.numeric(AUDITTotal) -0.24050 0.08730 -2.755 0.00613 **
## Edad -0.02874 0.05915 -0.486 0.62727
## NPTotal 0.02354 0.04062 0.580 0.56247
## BSImpuls -0.11568 0.11971 -0.966 0.33444
## PaísGalicia España 1.86628 1.74068 1.072 0.28428
## NPTotal:PaísGalicia España -0.02931 0.05796 -0.506 0.61336
## BSImpuls:PaísGalicia España -0.06371 0.15672 -0.407 0.68459
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.112 on 411 degrees of freedom
## Multiple R-squared: 0.07238, Adjusted R-squared: 0.05658
## F-statistic: 4.581 on 7 and 411 DF, p-value: 6.049e-05En la predicción de las prácticas de cuidado grupal entre quienes consumen SPA cuando asisten a eventos nocturnos, sólo AUDITTotal fue significativa.
Cuidado Entorno
datos2 %>%
lm(EPENCuiEnt~as.numeric(AUDITTotal)+
Edad+
(NPTotal+BSImpuls)*País,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiEnt ~ as.numeric(AUDITTotal) + Edad + (NPTotal +
## BSImpuls) * País, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -13.7285 -2.5606 0.0583 2.3237 11.4844
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 18.61502 2.43393 7.648 1.46e-13 ***
## as.numeric(AUDITTotal) -0.04729 0.10900 -0.434 0.6646
## Edad -0.02035 0.07384 -0.276 0.7830
## NPTotal -0.09067 0.05071 -1.788 0.0745 .
## BSImpuls 0.15071 0.14946 1.008 0.3139
## PaísGalicia España 3.61336 2.17321 1.663 0.0971 .
## NPTotal:PaísGalicia España -0.02420 0.07236 -0.334 0.7382
## BSImpuls:PaísGalicia España -0.07724 0.19567 -0.395 0.6932
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.885 on 411 degrees of freedom
## Multiple R-squared: 0.1116, Adjusted R-squared: 0.09645
## F-statistic: 7.374 on 7 and 411 DF, p-value: 2.352e-08En la predicción de las prácticas de cuidado entorno entre quienes consumen SPA cuando asisten a eventos nocturnos, ninguna de las variables incluidas fue significativa. Sólo NPTotal y País fueron marginalmente significativas.
Relación cuadrática?
Dado que era muy raro que no haya una relación con ninguna de las variables (más allá de la posible multicolinealidad entre ellas), se evaluó si existe una relación cuadrática de las variables NPTotal y BSImpuls con las prácticas de cuidado entorno.
datos2 %>%
lm(EPENCuiEnt~as.numeric(AUDITTotal)+
Edad+
(poly(NPTotal,2)+poly(BSImpuls,2))*País,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiEnt ~ as.numeric(AUDITTotal) + Edad + (poly(NPTotal,
## 2) + poly(BSImpuls, 2)) * País, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -13.5835 -2.5738 -0.0377 2.5337 11.8038
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 16.96309 1.91637 8.852 < 2e-16 ***
## as.numeric(AUDITTotal) -0.04989 0.10909 -0.457 0.6477
## Edad -0.02050 0.07394 -0.277 0.7818
## poly(NPTotal, 2)1 -8.96057 5.62694 -1.592 0.1121
## poly(NPTotal, 2)2 0.84554 5.71770 0.148 0.8825
## poly(BSImpuls, 2)1 4.16011 6.23987 0.667 0.5053
## poly(BSImpuls, 2)2 13.36541 6.09404 2.193 0.0289 *
## PaísGalicia España 2.53993 0.46155 5.503 6.61e-08 ***
## poly(NPTotal, 2)1:PaísGalicia España -2.28422 8.03263 -0.284 0.7763
## poly(NPTotal, 2)2:PaísGalicia España -7.43854 7.99394 -0.931 0.3527
## poly(BSImpuls, 2)1:PaísGalicia España 0.55592 8.17316 0.068 0.9458
## poly(BSImpuls, 2)2:PaísGalicia España -6.76547 7.94153 -0.852 0.3948
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.866 on 407 degrees of freedom
## Multiple R-squared: 0.1287, Adjusted R-squared: 0.1052
## F-statistic: 5.467 on 11 and 407 DF, p-value: 3.779e-08Efectivamente, en este modelo se halló que el país de origen es significativo y que también existe una asociación cuadrática entre la búsqueda de sensaciones impulsiva y las prácticas de cuidado del entorno.
mod3 <- datos2 %>%
lm(EPENCuiEnt~
audit+
Edad+
poly(BSImpuls,2)*
País,.)
mod3 %>% summary()##
## Call:
## lm(formula = EPENCuiEnt ~ audit + Edad + poly(BSImpuls, 2) *
## País, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.8540 -2.6489 -0.0588 2.4257 12.3944
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 16.656747 1.918092 8.684 < 2e-16 ***
## audit -0.056005 0.108935 -0.514 0.6074
## Edad -0.003607 0.073488 -0.049 0.9609
## poly(BSImpuls, 2)1 4.575949 6.208577 0.737 0.4615
## poly(BSImpuls, 2)2 14.103675 6.115092 2.306 0.0216 *
## PaísGalicia España 2.448259 0.460662 5.315 1.76e-07 ***
## poly(BSImpuls, 2)1:PaísGalicia España -1.040420 8.108995 -0.128 0.8980
## poly(BSImpuls, 2)2:PaísGalicia España -7.177065 7.975924 -0.900 0.3687
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.889 on 411 degrees of freedom
## Multiple R-squared: 0.1094, Adjusted R-squared: 0.09422
## F-statistic: 7.212 on 7 and 411 DF, p-value: 3.724e-08n.data <- data.frame(audit=rep(mean(datos2$audit),nrow(datos2)+1),
Edad=rep(mean(datos2$Edad),nrow(datos2)+1),
BSImpuls=rep(seq(range(datos2$BSImpuls)[1], range(datos2$BSImpuls)[2],
length.out=nrow(datos2)/2), 2),
País=rep(levels(datos2$País), each=(nrow(datos2)+2)/2))
df1.2 <- data.frame(n.data, pred=predict(mod3, n.data))
ggplot(datos2, aes(x=BSImpuls, y=EPENCuiEnt, color=País)) +
geom_point(alpha=.15)+
stat_smooth(method="lm", formula=y ~ poly(x, 2),
data=df1.2, aes(x=BSImpuls, y=pred, color=País)) +
theme_minimal()+
ylim(c(min(datos2$EPENCuiEnt),max(datos2$EPENCuiEnt)))
Cuidado Total
datos2 %>%
lm(EPENCuiTotal~as.numeric(AUDITTotal)+
Edad+
(NPTotal+BSImpuls)*País,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiTotal ~ as.numeric(AUDITTotal) + Edad + (NPTotal +
## BSImpuls) * País, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -27.7619 -5.1185 0.0325 5.1641 26.0183
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 84.58576 5.16726 16.370 < 2e-16 ***
## as.numeric(AUDITTotal) -0.80504 0.23140 -3.479 0.000557 ***
## Edad -0.04780 0.15677 -0.305 0.760604
## NPTotal -0.24581 0.10766 -2.283 0.022925 *
## BSImpuls -0.55168 0.31731 -1.739 0.082850 .
## PaísGalicia España 4.95323 4.61375 1.074 0.283640
## NPTotal:PaísGalicia España 0.08718 0.15362 0.567 0.570689
## BSImpuls:PaísGalicia España -0.15973 0.41540 -0.385 0.700800
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 8.247 on 411 degrees of freedom
## Multiple R-squared: 0.2276, Adjusted R-squared: 0.2145
## F-statistic: 17.3 on 7 and 411 DF, p-value: < 2.2e-16En la predicción de las prácticas de cuidado total entre quienes consumen SPA cuando asisten a eventos nocturnos, AUDITTotal y NPTotal resultaron significativas. La BSI fue marginalmente significativa.
Riesgo Individual
datos2 %>%
lm(EPENRiesgInd~as.numeric(AUDITTotal)+
Edad+
(NPTotal+BSImpuls)*País,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgInd ~ as.numeric(AUDITTotal) + Edad + (NPTotal +
## BSImpuls) * País, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.0664 -4.4544 -0.6034 3.7957 18.9311
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.53391 3.63993 1.520 0.1292
## as.numeric(AUDITTotal) 1.19015 0.16300 7.301 1.49e-12 ***
## Edad -0.12249 0.11043 -1.109 0.2680
## NPTotal 0.15434 0.07584 2.035 0.0425 *
## BSImpuls 1.23008 0.22352 5.503 6.57e-08 ***
## PaísGalicia España 7.47531 3.25002 2.300 0.0219 *
## NPTotal:PaísGalicia España -0.07813 0.10821 -0.722 0.4707
## BSImpuls:PaísGalicia España -0.40296 0.29262 -1.377 0.1692
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 5.81 on 411 degrees of freedom
## Multiple R-squared: 0.3151, Adjusted R-squared: 0.3034
## F-statistic: 27.01 on 7 and 411 DF, p-value: < 2.2e-16En la predicción de las prácticas de riesgo individual entre quienes consumen SPA cuando asisten a eventos nocturnos, AUDITTotal, NPTotal, BSImpuls y País se asociaron con dicha variable, sin importar el país de origen (no hay interacción).
Riesgo Grupal
datos2 %>%
lm(EPENRiesgGrup~as.numeric(AUDITTotal)+
Edad+
(NPTotal+BSImpuls)*País,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgGrup ~ as.numeric(AUDITTotal) + Edad +
## (NPTotal + BSImpuls) * País, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -7.9877 -2.6523 -0.3413 2.2146 14.7383
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.72826 2.39399 1.140 0.25511
## as.numeric(AUDITTotal) 0.43465 0.10721 4.054 6.02e-05 ***
## Edad 0.01781 0.07263 0.245 0.80636
## NPTotal 0.14788 0.04988 2.965 0.00321 **
## BSImpuls 0.89024 0.14701 6.056 3.16e-09 ***
## PaísGalicia España 2.75307 2.13755 1.288 0.19849
## NPTotal:PaísGalicia España -0.07476 0.07117 -1.050 0.29416
## BSImpuls:PaísGalicia España -0.30103 0.19246 -1.564 0.11855
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.821 on 411 degrees of freedom
## Multiple R-squared: 0.2356, Adjusted R-squared: 0.2226
## F-statistic: 18.1 on 7 and 411 DF, p-value: < 2.2e-16En la predicción de las prácticas de riesgo grupal entre quienes consumen SPA cuando asisten a eventos nocturnos, AUDITTotal, NPTotal y BSImpuls se asociaron con dicha variable, sin importar el país de origen.
Riesgo Entorno
datos2 %>%
lm(EPENRiesgEnto~as.numeric(AUDITTotal)+
Edad+
(NPTotal+BSImpuls)*País,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgEnto ~ as.numeric(AUDITTotal) + Edad +
## (NPTotal + BSImpuls) * País, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -11.981 -2.162 0.085 2.329 10.174
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 14.94956 2.30097 6.497 2.37e-10 ***
## as.numeric(AUDITTotal) 0.14461 0.10304 1.403 0.16126
## Edad -0.07916 0.06981 -1.134 0.25749
## NPTotal 0.13711 0.04794 2.860 0.00445 **
## BSImpuls 0.25429 0.14130 1.800 0.07264 .
## PaísGalicia España 2.27367 2.05450 1.107 0.26908
## NPTotal:PaísGalicia España -0.03021 0.06841 -0.442 0.65899
## BSImpuls:PaísGalicia España -0.34328 0.18498 -1.856 0.06420 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.672 on 411 degrees of freedom
## Multiple R-squared: 0.05049, Adjusted R-squared: 0.03432
## F-statistic: 3.122 on 7 and 411 DF, p-value: 0.00319En la predicción de las prácticas de cuidado grupal entre quienes consumen SPA cuando asisten a eventos nocturnos, NPTotal fue significativa. BSI y la interacción BSI x País fueron marginalmente significativas.
Riesgo Total
mod4 <- datos2 %>%
lm(EPENRiesgTota~audit+
Edad+
(NPTotal+BSImpuls)*País,.)
mod4 %>%
summary()##
## Call:
## lm(formula = EPENRiesgTota ~ audit + Edad + (NPTotal + BSImpuls) *
## País, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -22.543 -6.901 -0.872 6.101 35.562
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 23.2117 6.0959 3.808 0.000162 ***
## audit 1.7694 0.2730 6.482 2.60e-10 ***
## Edad -0.1838 0.1849 -0.994 0.320810
## NPTotal 0.4393 0.1270 3.459 0.000599 ***
## BSImpuls 2.3746 0.3743 6.344 5.93e-10 ***
## PaísGalicia España 12.5020 5.4429 2.297 0.022124 *
## NPTotal:PaísGalicia España -0.1831 0.1812 -1.010 0.312933
## BSImpuls:PaísGalicia España -1.0473 0.4901 -2.137 0.033184 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 9.729 on 411 degrees of freedom
## Multiple R-squared: 0.2932, Adjusted R-squared: 0.2812
## F-statistic: 24.36 on 7 and 411 DF, p-value: < 2.2e-16En la predicción de las prácticas de riesgo total entre quienes consumen SPA cuando asisten a eventos nocturnos, AUDITTotal, NPTotal, BSI, País y la interacción entre las últimas dos resultaron significativas.
n.data <- data.frame(audit=rep(seq(range(datos2$audit)[1], range(datos2$audit)[2],
length.out=nrow(datos2)/2),2),
Edad=rep(seq(range(datos2$Edad)[1], range(datos2$Edad)[2],
length.out=nrow(datos2)/2),2),
NPTotal=rep(seq(range(datos2$NPTotal)[1], range(datos2$NPTotal)[2],
length.out=nrow(datos2)/2), 2),
BSImpuls=rep(seq(range(datos2$BSImpuls)[1], range(datos2$BSImpuls)[2],
length.out=nrow(datos2)/2), 2),
País=rep(levels(datos2$País), each=(nrow(datos2)+2)/2))
df1.2 <- data.frame(n.data, pred=predict(mod4, n.data))
ggplot(datos2, aes(x=BSImpuls, y=EPENRiesgTota, color=País)) +
geom_point(alpha=.15)+
stat_smooth(method="lm", formula=y ~ poly(x, 2),
data=df1.2, aes(x=BSImpuls, y=pred, color=País)) +
theme_minimal()+
ylim(c(min(datos2$EPENRiesgTota),max(datos2$EPENRiesgTota)))
Si bien la interacción es significativa (el efecto de BSI sobre Riesgo total es menor en Galicia), la diferencia entre las pendientes de ambos grupos es muy pequeña.
Conclusiones para art
Existen diferencias significativas entre lxs jóvenes españolxs y lxs argentinxs en diferentes variables de consumo de alcohol y conductas/características asociadas. En particular, lxs españolxs presentan menor BSI, riesgo grupal, frecuencia de consumo y frecuencia de CEEA, mientras que presentan mayor cuidado individual, cuidado grupal, cuidado entorno y cuidado total.
Asimismo, lxs argentinxs asisten más a bares, mientras que lxs europexs prefieren festivales y boliches. La prevalencia de consumo de SPA en Argentina es mayor que en España, al igual que el policonsumo (en España es más prevalente el consumo de alcohol únicamente). El consumo de SPA en España tiene una mayor prevalencia y la distribución entre el policonsumo vs. sólo alcohol se repite (Argentina mayor policonsumo, España mayormente solo alcohol).
El rol moderador del país de origen en la predicción de las prácticas de riesgo y cuidado sólo resultó significativo en el modelo de Riesgo Total, y aún ahí el cambio de efecto fue bastante pequeño. La predicción de las prácticas de riesgo y cuidado a partir de la necesidad de pertenencia y la búsqueda de sensaciones impulsiva, controlando por edad y nivel de consumo, no cambia de acuerdo con el país del que se trate.
IDEA: Evaluar todo junto en un SEM, pero para eso habría que revisar el instrumento de BSI porque el CFA da medio medio.
Artículo 2
Para estos análisis también se filtró la base de datos para considerar únicamente a quienes contestaron que sí consumen sustancias cuando salen a eventos nocturnos. En los modelos se incluyeron las variables NPTotal, BSImpuls, FACEScohe y FACESFlex como predictoras, su interacción, y AUDITTotal y EDAD como control.
Cuidado individual
Primero probamos las variables de funcionamiento familiar con la edad y el nivel de consumo como variables de control.
datos2 %>%
lm(EPENCuiIndiv~
as.numeric(AUDITTotal)+
Edad+
FACEScohe,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiIndiv ~ as.numeric(AUDITTotal) + Edad + FACEScohe,
## data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -18.3754 -3.1561 0.5536 3.3950 12.3243
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 38.37203 2.25667 17.004 < 2e-16 ***
## as.numeric(AUDITTotal) -0.84705 0.12829 -6.603 1.24e-10 ***
## Edad -0.28597 0.07801 -3.666 0.000279 ***
## FACEScohe 0.06720 0.03471 1.936 0.053521 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 5.008 on 415 degrees of freedom
## Multiple R-squared: 0.1354, Adjusted R-squared: 0.1292
## F-statistic: 21.67 on 3 and 415 DF, p-value: 4.689e-13datos2 %>%
lm(EPENCuiIndiv~
as.numeric(AUDITTotal)+
Edad+
FACESFlex,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiIndiv ~ as.numeric(AUDITTotal) + Edad + FACESFlex,
## data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -17.8393 -2.8651 0.3721 3.3955 12.5197
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 38.61900 2.24388 17.211 < 2e-16 ***
## as.numeric(AUDITTotal) -0.85429 0.12809 -6.670 8.22e-11 ***
## Edad -0.28003 0.07811 -3.585 0.000377 ***
## FACESFlex 0.07111 0.04000 1.778 0.076178 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 5.012 on 415 degrees of freedom
## Multiple R-squared: 0.1342, Adjusted R-squared: 0.1279
## F-statistic: 21.44 on 3 and 415 DF, p-value: 6.25e-13Ninguna de las dos resulta significativa. Probamos la interacción con las variables disposicionales:
datos2 %>%
lm(EPENCuiIndiv~
as.numeric(AUDITTotal)+
Edad+
FACEScohe*NPTotal,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiIndiv ~ as.numeric(AUDITTotal) + Edad + FACEScohe *
## NPTotal, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -17.2729 -2.8739 0.5589 3.4327 12.3742
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 52.636190 6.879635 7.651 1.42e-13 ***
## as.numeric(AUDITTotal) -0.824755 0.128193 -6.434 3.45e-10 ***
## Edad -0.302373 0.078609 -3.847 0.000139 ***
## FACEScohe -0.274309 0.183511 -1.495 0.135735
## NPTotal -0.508039 0.239188 -2.124 0.034262 *
## FACEScohe:NPTotal 0.012384 0.006672 1.856 0.064149 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.985 on 413 degrees of freedom
## Multiple R-squared: 0.1476, Adjusted R-squared: 0.1372
## F-statistic: 14.3 on 5 and 413 DF, p-value: 6.406e-13datos2 %>%
lm(EPENCuiIndiv~
as.numeric(AUDITTotal)+
Edad+
FACEScohe*BSImpuls,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiIndiv ~ as.numeric(AUDITTotal) + Edad + FACEScohe *
## BSImpuls, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -17.928 -3.106 0.549 3.590 12.407
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 42.34332 3.68208 11.500 < 2e-16 ***
## as.numeric(AUDITTotal) -0.60674 0.13608 -4.459 1.06e-05 ***
## Edad -0.23376 0.07731 -3.024 0.00265 **
## FACEScohe -0.03240 0.08763 -0.370 0.71173
## BSImpuls -1.20206 0.61368 -1.959 0.05081 .
## FACEScohe:BSImpuls 0.01717 0.01690 1.016 0.31014
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.897 on 413 degrees of freedom
## Multiple R-squared: 0.1775, Adjusted R-squared: 0.1675
## F-statistic: 17.83 on 5 and 413 DF, p-value: 5.21e-16datos2 %>%
lm(EPENCuiIndiv~
as.numeric(AUDITTotal)+
Edad+
FACESFlex*NPTotal,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiIndiv ~ as.numeric(AUDITTotal) + Edad + FACESFlex *
## NPTotal, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -16.9134 -2.8796 0.4169 3.5158 12.6293
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 45.336096 6.127331 7.399 7.74e-13 ***
## as.numeric(AUDITTotal) -0.852429 0.127984 -6.660 8.73e-11 ***
## Edad -0.295428 0.079252 -3.728 0.00022 ***
## FACESFlex -0.088388 0.199273 -0.444 0.65760
## NPTotal -0.224886 0.210187 -1.070 0.28528
## FACESFlex:NPTotal 0.005513 0.007274 0.758 0.44893
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 5.007 on 413 degrees of freedom
## Multiple R-squared: 0.1399, Adjusted R-squared: 0.1295
## F-statistic: 13.44 on 5 and 413 DF, p-value: 3.728e-12datos2 %>%
lm(EPENCuiIndiv~
as.numeric(AUDITTotal)+
Edad+
FACESFlex*BSImpuls,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiIndiv ~ as.numeric(AUDITTotal) + Edad + FACESFlex *
## BSImpuls, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -17.5937 -3.0209 0.5774 3.5900 12.5941
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 39.145078 3.430260 11.412 < 2e-16 ***
## as.numeric(AUDITTotal) -0.612169 0.136132 -4.497 8.97e-06 ***
## Edad -0.225115 0.077466 -2.906 0.00386 **
## FACESFlex 0.065542 0.096618 0.678 0.49792
## BSImpuls -0.549564 0.572531 -0.960 0.33767
## FACESFlex:BSImpuls -0.001793 0.019635 -0.091 0.92729
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.903 on 413 degrees of freedom
## Multiple R-squared: 0.1755, Adjusted R-squared: 0.1656
## F-statistic: 17.59 on 5 and 413 DF, p-value: 8.369e-16En ningún caso las variables de funcionamiento familiar ni su interacción con las variables disposicionales resultan significativas. Probamos relación cuadrática:
mod5 <- datos2 %>%
lm(EPENCuiIndiv~
audit+
Edad+
poly(FACEScohe,2),.)
mod5 %>%
summary()##
## Call:
## lm(formula = EPENCuiIndiv ~ audit + Edad + poly(FACEScohe, 2),
## data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -18.905 -3.056 0.398 3.340 12.205
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 40.69272 1.83006 22.236 < 2e-16 ***
## audit -0.85120 0.12641 -6.733 5.55e-11 ***
## Edad -0.28230 0.07688 -3.672 0.000272 ***
## poly(FACEScohe, 2)1 9.74023 4.96730 1.961 0.050564 .
## poly(FACEScohe, 2)2 -18.07482 4.93565 -3.662 0.000283 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.935 on 414 degrees of freedom
## Multiple R-squared: 0.1625, Adjusted R-squared: 0.1545
## F-statistic: 20.09 on 4 and 414 DF, p-value: 3.911e-15datos2 %>%
lm(EPENCuiIndiv~
as.numeric(AUDITTotal)+
Edad+
poly(FACESFlex,2),.) %>%
summary()##
## Call:
## lm(formula = EPENCuiIndiv ~ as.numeric(AUDITTotal) + Edad + poly(FACESFlex,
## 2), data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -17.1241 -2.9990 0.4272 3.5285 12.3749
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 40.71282 1.86123 21.874 < 2e-16 ***
## as.numeric(AUDITTotal) -0.85241 0.12806 -6.656 8.93e-11 ***
## Edad -0.28294 0.07812 -3.622 0.000329 ***
## poly(FACESFlex, 2)1 8.95336 5.03453 1.778 0.076073 .
## poly(FACESFlex, 2)2 -5.62463 5.01344 -1.122 0.262551
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 5.01 on 414 degrees of freedom
## Multiple R-squared: 0.1368, Adjusted R-squared: 0.1285
## F-statistic: 16.41 on 4 and 414 DF, p-value: 1.735e-12En este caso se evidenció una relación cuadrática entre la cohesión familiar y las prácticas de cuidado individual (controlando por consumo y edad).
n.data <- data.frame(audit=rep(mean(datos2$audit),nrow(datos2)),
Edad=rep(mean(datos2$Edad),nrow(datos2)),
FACEScohe=rep(seq(range(datos2$FACEScohe)[1], range(datos2$FACEScohe)[2],
length.out=nrow(datos2)), times=1))
df1.2 <- data.frame(n.data, pred=predict(mod5, n.data))
ggplot(datos2, aes(x=FACEScohe, y=EPENCuiIndiv)) +
geom_point(alpha=.15)+
stat_smooth(method="lm", formula=y ~ poly(x, 2),
data=df1.2, aes(x=FACEScohe, y=pred)) +
theme_minimal()+
ylim(c(min(datos2$EPENCuiIndiv),max(datos2$EPENCuiIndiv)))
Pareciera ser que cuando la cohesión familiar es baja, también lo son las prácticas de cuidado individual. Pero si el/la/lx joven reporta una cohesión muy alta, también presenta menores niveles de prácticas de cuidado.
Modelo final Cuidado Individual
Probamos un modelo con todos los términos que fueron significativos.
mod5b <- datos2 %>%
lm(EPENCuiIndiv~
audit+
Edad+
poly(FACEScohe,2)+
FACESFlex+
NPTotal+
BSImpuls,.)
mod5b %>%
summary()##
## Call:
## lm(formula = EPENCuiIndiv ~ audit + Edad + poly(FACEScohe, 2) +
## FACESFlex + NPTotal + BSImpuls, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -17.6102 -2.8066 0.4436 3.5152 12.5482
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 42.39919 2.85625 14.844 < 2e-16 ***
## audit -0.61193 0.13385 -4.572 6.40e-06 ***
## Edad -0.24411 0.07700 -3.170 0.001637 **
## poly(FACEScohe, 2)1 3.72978 5.97616 0.624 0.532902
## poly(FACEScohe, 2)2 -17.74659 4.82294 -3.680 0.000265 ***
## FACESFlex 0.03313 0.04775 0.694 0.488174
## NPTotal -0.07314 0.04546 -1.609 0.108409
## BSImpuls -0.59149 0.13026 -4.541 7.37e-06 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.816 on 411 degrees of freedom
## Multiple R-squared: 0.2082, Adjusted R-squared: 0.1947
## F-statistic: 15.44 on 7 and 411 DF, p-value: < 2.2e-16n.data <- data.frame(audit=rep(mean(datos2$audit),nrow(datos2)),
Edad=rep(mean(datos2$Edad),nrow(datos2)),
BSImpuls=rep(mean(datos2$BSImpuls),nrow(datos2)),
FACESFlex=rep(mean(datos2$FACESFlex),nrow(datos2)),
NPTotal=rep(mean(datos2$NPTotal),nrow(datos2)),
FACEScohe=rep(seq(range(datos2$FACEScohe)[1], range(datos2$FACEScohe)[2],
length.out=nrow(datos2)), times=1))
df1.2 <- data.frame(n.data, pred=predict(mod5b, n.data))
ggplot(datos2, aes(x=FACEScohe, y=EPENCuiIndiv)) +
geom_point(alpha=.15)+
stat_smooth(method="lm", formula=y ~ poly(x, 2),
data=df1.2, aes(x=FACEScohe, y=pred)) +
theme_minimal()+
ylim(c(min(datos2$EPENCuiIndiv),max(datos2$EPENCuiIndiv)))
Cuidado Grupal
Primero probamos las variables de funcionamiento familiar con la edad y el nivel de consumo como variables de control.
datos2 %>%
lm(EPENCuiGrup~
as.numeric(AUDITTotal)+
Edad+
FACEScohe,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiGrup ~ as.numeric(AUDITTotal) + Edad + FACEScohe,
## data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -13.2921 -1.9008 0.6311 2.4181 5.6543
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 28.58830 1.40232 20.386 < 2e-16 ***
## as.numeric(AUDITTotal) -0.30797 0.07972 -3.863 0.00013 ***
## Edad -0.11479 0.04848 -2.368 0.01835 *
## FACEScohe 0.04777 0.02157 2.215 0.02731 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.112 on 415 degrees of freedom
## Multiple R-squared: 0.06294, Adjusted R-squared: 0.05617
## F-statistic: 9.291 on 3 and 415 DF, p-value: 5.858e-06datos2 %>%
lm(EPENCuiGrup~
as.numeric(AUDITTotal)+
Edad+
FACESFlex,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiGrup ~ as.numeric(AUDITTotal) + Edad + FACESFlex,
## data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -13.2436 -1.9344 0.7521 2.4256 5.5297
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 29.29442 1.39853 20.947 < 2e-16 ***
## as.numeric(AUDITTotal) -0.31809 0.07983 -3.984 7.99e-05 ***
## Edad -0.11164 0.04868 -2.293 0.0223 *
## FACESFlex 0.03369 0.02493 1.351 0.1774
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.124 on 415 degrees of freedom
## Multiple R-squared: 0.05602, Adjusted R-squared: 0.04919
## F-statistic: 8.209 on 3 and 415 DF, p-value: 2.557e-05Cohesión resulta significativa, pero Flexibilidad no. Probamos la interacción con las variables disposicionales:
datos2 %>%
lm(EPENCuiGrup~
as.numeric(AUDITTotal)+
Edad+
FACEScohe*NPTotal,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiGrup ~ as.numeric(AUDITTotal) + Edad + FACEScohe *
## NPTotal, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.8828 -1.8720 0.6021 2.3472 6.2070
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 33.545235 4.290341 7.819 4.49e-14 ***
## as.numeric(AUDITTotal) -0.297916 0.079945 -3.727 0.000221 ***
## Edad -0.107179 0.049023 -2.186 0.029352 *
## FACEScohe -0.116766 0.114443 -1.020 0.308184
## NPTotal -0.193143 0.149164 -1.295 0.196101
## FACEScohe:NPTotal 0.006181 0.004161 1.485 0.138198
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.109 on 413 degrees of freedom
## Multiple R-squared: 0.06948, Adjusted R-squared: 0.05821
## F-statistic: 6.168 on 5 and 413 DF, p-value: 1.58e-05datos2 %>%
lm(EPENCuiGrup~
as.numeric(AUDITTotal)+
Edad+
FACEScohe*BSImpuls,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiGrup ~ as.numeric(AUDITTotal) + Edad + FACEScohe *
## BSImpuls, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -13.3197 -1.8510 0.5779 2.3499 6.0950
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 31.08916 2.33353 13.323 < 2e-16 ***
## as.numeric(AUDITTotal) -0.24773 0.08624 -2.873 0.00428 **
## Edad -0.10369 0.04899 -2.116 0.03492 *
## FACEScohe -0.01861 0.05553 -0.335 0.73768
## BSImpuls -0.60437 0.38893 -1.554 0.12096
## FACEScohe:BSImpuls 0.01301 0.01071 1.215 0.22501
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.103 on 413 degrees of freedom
## Multiple R-squared: 0.07277, Adjusted R-squared: 0.06155
## F-statistic: 6.483 on 5 and 413 DF, p-value: 8.107e-06datos2 %>%
lm(EPENCuiGrup~
as.numeric(AUDITTotal)+
Edad+
FACESFlex*NPTotal,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiGrup ~ as.numeric(AUDITTotal) + Edad + FACESFlex *
## NPTotal, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.8242 -1.8781 0.7026 2.4232 5.5378
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 33.058077 3.819802 8.654 < 2e-16 ***
## as.numeric(AUDITTotal) -0.316947 0.079786 -3.972 8.39e-05 ***
## Edad -0.100884 0.049406 -2.042 0.0418 *
## FACESFlex -0.129974 0.124228 -1.046 0.2961
## NPTotal -0.152108 0.131031 -1.161 0.2464
## FACESFlex:NPTotal 0.006252 0.004535 1.379 0.1687
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.122 on 413 degrees of freedom
## Multiple R-squared: 0.06184, Adjusted R-squared: 0.05048
## F-statistic: 5.444 on 5 and 413 DF, p-value: 7.272e-05datos2 %>%
lm(EPENCuiGrup~
as.numeric(AUDITTotal)+
Edad+
FACESFlex*BSImpuls,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiGrup ~ as.numeric(AUDITTotal) + Edad + FACESFlex *
## BSImpuls, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -13.8284 -1.8881 0.6226 2.3226 5.2048
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 28.589526 2.181196 13.107 <2e-16 ***
## as.numeric(AUDITTotal) -0.255853 0.086562 -2.956 0.0033 **
## Edad -0.096080 0.049258 -1.951 0.0518 .
## FACESFlex 0.060454 0.061436 0.984 0.3257
## BSImpuls 0.036520 0.364054 0.100 0.9201
## FACESFlex:BSImpuls -0.006733 0.012485 -0.539 0.5900
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.117 on 413 degrees of freedom
## Multiple R-squared: 0.06436, Adjusted R-squared: 0.05303
## F-statistic: 5.681 on 5 and 413 DF, p-value: 4.413e-05En ningún caso las variables de funcionamiento familiar ni su interacción con las variables disposicionales resultan significativas. Probamos relación cuadrática:
datos2 %>%
lm(EPENCuiGrup~
audit+
Edad+
poly(FACEScohe,2),.) %>%
summary()##
## Call:
## lm(formula = EPENCuiGrup ~ audit + Edad + poly(FACEScohe, 2),
## data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -13.3481 -1.8803 0.6273 2.4210 5.6588
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 30.28574 1.15537 26.213 < 2e-16 ***
## audit -0.30776 0.07981 -3.856 0.000133 ***
## Edad -0.11497 0.04854 -2.369 0.018307 *
## poly(FACEScohe, 2)1 6.93923 3.13602 2.213 0.027459 *
## poly(FACEScohe, 2)2 0.89180 3.11603 0.286 0.774871
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.116 on 414 degrees of freedom
## Multiple R-squared: 0.06312, Adjusted R-squared: 0.05407
## F-statistic: 6.974 on 4 and 414 DF, p-value: 1.933e-05datos2 %>%
lm(EPENCuiGrup~
audit+
Edad+
poly(FACESFlex,2),.) %>%
summary()##
## Call:
## lm(formula = EPENCuiGrup ~ audit + Edad + poly(FACESFlex, 2),
## data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -13.7715 -1.8333 0.7083 2.3730 5.3186
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 30.21048 1.15840 26.079 < 2e-16 ***
## audit -0.31971 0.07970 -4.011 7.16e-05 ***
## Edad -0.10912 0.04862 -2.244 0.0254 *
## poly(FACESFlex, 2)1 4.24068 3.13342 1.353 0.1767
## poly(FACESFlex, 2)2 4.86274 3.12030 1.558 0.1199
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.118 on 414 degrees of freedom
## Multiple R-squared: 0.06152, Adjusted R-squared: 0.05245
## F-statistic: 6.785 on 4 and 414 DF, p-value: 2.69e-05No hay relación cuadrática entre las variables de funcionamiento familiar y cuidados grupal.
Modelo final Cuidado Grupal
Probamos un modelo con todos los términos que fueron significativos.
mod5c <- datos2 %>%
lm(EPENCuiGrup~
audit+
Edad+
FACEScohe,.)
mod5c %>%
summary()##
## Call:
## lm(formula = EPENCuiGrup ~ audit + Edad + FACEScohe, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -13.2921 -1.9008 0.6311 2.4181 5.6543
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 28.58830 1.40232 20.386 < 2e-16 ***
## audit -0.30797 0.07972 -3.863 0.00013 ***
## Edad -0.11479 0.04848 -2.368 0.01835 *
## FACEScohe 0.04777 0.02157 2.215 0.02731 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.112 on 415 degrees of freedom
## Multiple R-squared: 0.06294, Adjusted R-squared: 0.05617
## F-statistic: 9.291 on 3 and 415 DF, p-value: 5.858e-06n.data <- data.frame(audit=rep(mean(datos2$audit),nrow(datos2)),
Edad=rep(mean(datos2$Edad),nrow(datos2)),
FACEScohe=rep(seq(range(datos2$FACEScohe)[1], range(datos2$FACEScohe)[2],
length.out=nrow(datos2)), times=1))
df1.2 <- data.frame(n.data, pred=predict(mod5c, n.data))
ggplot(datos2, aes(x=FACEScohe, y=EPENCuiGrup)) +
geom_point(alpha=.15)+
stat_smooth(method="lm", formula=y ~ x,
data=df1.2, aes(x=FACEScohe, y=pred)) +
theme_minimal()+
ylim(c(min(datos2$EPENCuiGrup),max(datos2$EPENCuiGrup)))
Cuidado Entorno
Primero probamos las variables de funcionamiento familiar con la edad y el nivel de consumo como variables de control.
datos2 %>%
lm(EPENCuiEnt~
as.numeric(AUDITTotal)+
Edad+
FACEScohe,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiEnt ~ as.numeric(AUDITTotal) + Edad + FACEScohe,
## data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.6490 -2.8496 0.2582 2.4559 12.1600
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 22.04420 1.82113 12.105 < 2e-16 ***
## as.numeric(AUDITTotal) -0.08530 0.10353 -0.824 0.410421
## Edad -0.20932 0.06296 -3.325 0.000963 ***
## FACEScohe 0.01873 0.02801 0.669 0.504081
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.042 on 415 degrees of freedom
## Multiple R-squared: 0.02896, Adjusted R-squared: 0.02194
## F-statistic: 4.126 on 3 and 415 DF, p-value: 0.006693datos2 %>%
lm(EPENCuiEnt~
as.numeric(AUDITTotal)+
Edad+
FACESFlex,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiEnt ~ as.numeric(AUDITTotal) + Edad + FACESFlex,
## data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.6094 -2.8672 0.1053 2.5147 12.6787
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 21.21399 1.80560 11.749 < 2e-16 ***
## as.numeric(AUDITTotal) -0.07890 0.10307 -0.766 0.44440
## Edad -0.20584 0.06285 -3.275 0.00115 **
## FACESFlex 0.04840 0.03219 1.503 0.13348
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.033 on 415 degrees of freedom
## Multiple R-squared: 0.03318, Adjusted R-squared: 0.02619
## F-statistic: 4.748 on 3 and 415 DF, p-value: 0.002877Ninguna de las dos resultó significativa. Probamos la interacción con las variables disposicionales:
datos2 %>%
lm(EPENCuiEnt~
as.numeric(AUDITTotal)+
Edad+
FACEScohe*NPTotal,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiEnt ~ as.numeric(AUDITTotal) + Edad + FACEScohe *
## NPTotal, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.7583 -2.8865 0.1907 2.4037 12.2066
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 22.910478 5.557044 4.123 4.53e-05 ***
## as.numeric(AUDITTotal) -0.087634 0.103548 -0.846 0.397869
## Edad -0.231584 0.063496 -3.647 0.000299 ***
## FACEScohe 0.071272 0.148232 0.481 0.630903
## NPTotal -0.004335 0.193204 -0.022 0.982110
## FACEScohe:NPTotal -0.002247 0.005389 -0.417 0.676884
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.027 on 413 degrees of freedom
## Multiple R-squared: 0.04081, Adjusted R-squared: 0.02919
## F-statistic: 3.514 on 5 and 413 DF, p-value: 0.004017datos2 %>%
lm(EPENCuiEnt~
as.numeric(AUDITTotal)+
Edad+
FACEScohe*BSImpuls,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiEnt ~ as.numeric(AUDITTotal) + Edad + FACEScohe *
## BSImpuls, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.7922 -2.8213 0.3036 2.4660 12.2252
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 17.30814 3.03072 5.711 2.15e-08 ***
## as.numeric(AUDITTotal) -0.12912 0.11201 -1.153 0.249691
## Edad -0.21355 0.06363 -3.356 0.000864 ***
## FACEScohe 0.14727 0.07213 2.042 0.041808 *
## BSImpuls 1.02682 0.50512 2.033 0.042711 *
## FACEScohe:BSImpuls -0.02634 0.01391 -1.894 0.058951 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.03 on 413 degrees of freedom
## Multiple R-squared: 0.03899, Adjusted R-squared: 0.02736
## F-statistic: 3.352 on 5 and 413 DF, p-value: 0.005584datos2 %>%
lm(EPENCuiEnt~
as.numeric(AUDITTotal)+
Edad+
FACESFlex*NPTotal,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiEnt ~ as.numeric(AUDITTotal) + Edad + FACESFlex *
## NPTotal, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.9389 -2.9198 0.2013 2.4027 12.4841
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 28.308338 4.916724 5.758 1.67e-08 ***
## as.numeric(AUDITTotal) -0.076938 0.102698 -0.749 0.454181
## Edad -0.223237 0.063593 -3.510 0.000497 ***
## FACESFlex -0.115727 0.159902 -0.724 0.469636
## NPTotal -0.235992 0.168659 -1.399 0.162496
## FACESFlex:NPTotal 0.005638 0.005837 0.966 0.334636
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.018 on 413 degrees of freedom
## Multiple R-squared: 0.04495, Adjusted R-squared: 0.03339
## F-statistic: 3.888 on 5 and 413 DF, p-value: 0.001869datos2 %>%
lm(EPENCuiEnt~
as.numeric(AUDITTotal)+
Edad+
FACESFlex*BSImpuls,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiEnt ~ as.numeric(AUDITTotal) + Edad + FACESFlex *
## BSImpuls, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.7532 -2.8832 0.1808 2.5716 12.8839
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 16.76721 2.81229 5.962 5.35e-09 ***
## as.numeric(AUDITTotal) -0.11807 0.11161 -1.058 0.2907
## Edad -0.20721 0.06351 -3.263 0.0012 **
## FACESFlex 0.19570 0.07921 2.471 0.0139 *
## BSImpuls 1.01187 0.46939 2.156 0.0317 *
## FACESFlex:BSImpuls -0.03227 0.01610 -2.005 0.0456 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.019 on 413 degrees of freedom
## Multiple R-squared: 0.04431, Adjusted R-squared: 0.03274
## F-statistic: 3.83 on 5 and 413 DF, p-value: 0.002107La interacción entre flexibilidad y BSI fue significativa. Probamos relación cuadrática:
datos2 %>%
lm(EPENCuiEnt~
audit+
Edad+
poly(FACEScohe,2),.) %>%
summary()##
## Call:
## lm(formula = EPENCuiEnt ~ audit + Edad + poly(FACEScohe, 2),
## data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.7215 -2.8465 0.2541 2.4403 12.0517
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 22.69980 1.49990 15.134 <2e-16 ***
## audit -0.08588 0.10361 -0.829 0.408
## Edad -0.20881 0.06301 -3.314 0.001 **
## poly(FACEScohe, 2)1 2.71741 4.07115 0.667 0.505
## poly(FACEScohe, 2)2 -2.49958 4.04521 -0.618 0.537
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.045 on 414 degrees of freedom
## Multiple R-squared: 0.02986, Adjusted R-squared: 0.02048
## F-statistic: 3.185 on 4 and 414 DF, p-value: 0.01353datos2 %>%
lm(EPENCuiEnt~
audit+
Edad+
poly(FACESFlex,2),.) %>%
summary()##
## Call:
## lm(formula = EPENCuiEnt ~ audit + Edad + poly(FACESFlex, 2),
## data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.5335 -2.8273 0.1016 2.4508 12.5006
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 22.57877 1.49946 15.058 < 2e-16 ***
## audit -0.07962 0.10317 -0.772 0.44071
## Edad -0.20473 0.06294 -3.253 0.00124 **
## poly(FACESFlex, 2)1 6.09258 4.05596 1.502 0.13383
## poly(FACESFlex, 2)2 2.14319 4.03897 0.531 0.59596
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.036 on 414 degrees of freedom
## Multiple R-squared: 0.03384, Adjusted R-squared: 0.0245
## F-statistic: 3.625 on 4 and 414 DF, p-value: 0.006435No se evidenció una relación cuadrática entre el funcionamiento familiar y el cuidado entorno.
Modelo final Cuidado Entorno
Probamos un modelo con todos los términos que fueron significativos.
datos2$BSImpuls_dicot <- as.factor(ifelse(datos2$BSImpuls<mean(datos2$BSImpuls),0,1))
datos2 %>%
lm(EPENCuiEnt~
audit+
Edad+
NPTotal+
BSImpuls*
FACESFlex,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiEnt ~ audit + Edad + NPTotal + BSImpuls *
## FACESFlex, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -13.1442 -2.7944 0.2413 2.4636 12.7895
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 19.64096 3.15022 6.235 1.12e-09 ***
## audit -0.11422 0.11122 -1.027 0.305032
## Edad -0.22726 0.06407 -3.547 0.000435 ***
## NPTotal -0.07543 0.03778 -1.997 0.046530 *
## BSImpuls 0.99577 0.46777 2.129 0.033867 *
## FACESFlex 0.18157 0.07924 2.291 0.022447 *
## BSImpuls:FACESFlex -0.03198 0.01604 -1.994 0.046843 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.005 on 412 degrees of freedom
## Multiple R-squared: 0.05347, Adjusted R-squared: 0.03968
## F-statistic: 3.879 on 6 and 412 DF, p-value: 0.000885mod5d <- datos2 %>%
lm(EPENCuiEnt~
audit+
Edad+
NPTotal+
BSImpuls_dicot*
FACESFlex,.)
n.data <- data.frame(audit=rep(mean(datos2$audit),nrow(datos2)+1),
Edad=rep(mean(datos2$Edad),nrow(datos2)+1),
NPTotal=rep(mean(datos2$NPTotal),nrow(datos2)+1),
FACESFlex=rep(seq(range(datos2$FACESFlex)[1], range(datos2$FACESFlex)[2],
length.out=nrow(datos2)/2), 2),
BSImpuls_dicot=rep(levels(datos2$BSImpuls_dicot), each=(nrow(datos2)+2)/2))
df1.2 <- data.frame(n.data, pred=predict(mod5d, n.data))
ggplot(datos2, aes(x=FACESFlex, y=EPENCuiEnt, color=(BSImpuls_dicot))) +
geom_point(alpha=.15)+
stat_smooth(method="lm", formula=y ~ x,
data=df1.2, aes(x=FACESFlex, y=pred, color=(BSImpuls_dicot))) +
theme_minimal()+
ylim(c(min(datos2$EPENCuiEnt),max(datos2$EPENCuiEnt)))+
scale_color_manual(values = 2:3,
labels = c("Baja","Alta"),
name="BSI")
Cuidado Total
Primero probamos las variables de funcionamiento familiar con la edad y el nivel de consumo como variables de control.
datos2 %>%
lm(EPENCuiTotal~
as.numeric(AUDITTotal)+
Edad+
FACEScohe,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiTotal ~ as.numeric(AUDITTotal) + Edad + FACEScohe,
## data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -27.2190 -5.7476 0.8854 6.0662 26.1009
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 89.00453 3.93451 22.621 < 2e-16 ***
## as.numeric(AUDITTotal) -1.24032 0.22367 -5.545 5.23e-08 ***
## Edad -0.61008 0.13602 -4.485 9.44e-06 ***
## FACEScohe 0.13370 0.06051 2.209 0.0277 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 8.732 on 415 degrees of freedom
## Multiple R-squared: 0.1257, Adjusted R-squared: 0.1194
## F-statistic: 19.89 on 3 and 415 DF, p-value: 4.588e-12datos2 %>%
lm(EPENCuiTotal~
as.numeric(AUDITTotal)+
Edad+
FACESFlex,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiTotal ~ as.numeric(AUDITTotal) + Edad + FACESFlex,
## data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -27.5200 -5.4987 0.6883 6.0596 26.4707
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 89.1274 3.9097 22.796 < 2e-16 ***
## as.numeric(AUDITTotal) -1.2513 0.2232 -5.607 3.77e-08 ***
## Edad -0.5975 0.1361 -4.390 1.44e-05 ***
## FACESFlex 0.1532 0.0697 2.198 0.0285 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 8.733 on 415 degrees of freedom
## Multiple R-squared: 0.1256, Adjusted R-squared: 0.1193
## F-statistic: 19.87 on 3 and 415 DF, p-value: 4.702e-12Al considerar el cuidado total, ambas variables de funcionamiento familiar resultaron significativas. Probamos la interacción con las variables disposicionales:
datos2 %>%
lm(EPENCuiTotal~
as.numeric(AUDITTotal)+
Edad+
FACEScohe*NPTotal,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiTotal ~ as.numeric(AUDITTotal) + Edad + FACEScohe *
## NPTotal, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -28.1817 -5.8736 0.6981 6.1447 26.2593
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 109.09190 12.01314 9.081 < 2e-16 ***
## as.numeric(AUDITTotal) -1.21030 0.22385 -5.407 1.09e-07 ***
## Edad -0.64114 0.13727 -4.671 4.07e-06 ***
## FACEScohe -0.31980 0.32045 -0.998 0.3189
## NPTotal -0.70552 0.41767 -1.689 0.0919 .
## FACEScohe:NPTotal 0.01632 0.01165 1.401 0.1621
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 8.705 on 413 degrees of freedom
## Multiple R-squared: 0.1353, Adjusted R-squared: 0.1249
## F-statistic: 12.93 on 5 and 413 DF, p-value: 1.07e-11datos2 %>%
lm(EPENCuiTotal~
as.numeric(AUDITTotal)+
Edad+
FACEScohe*BSImpuls,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiTotal ~ as.numeric(AUDITTotal) + Edad + FACEScohe *
## BSImpuls, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -28.4964 -5.6474 0.9121 6.0742 26.2315
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 90.740621 6.522533 13.912 < 2e-16 ***
## as.numeric(AUDITTotal) -0.983593 0.241059 -4.080 5.40e-05 ***
## Edad -0.550994 0.136946 -4.023 6.82e-05 ***
## FACEScohe 0.096250 0.155225 0.620 0.536
## BSImpuls -0.779602 1.087098 -0.717 0.474
## FACEScohe:BSImpuls 0.003843 0.029929 0.128 0.898
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 8.674 on 413 degrees of freedom
## Multiple R-squared: 0.1414, Adjusted R-squared: 0.131
## F-statistic: 13.6 on 5 and 413 DF, p-value: 2.656e-12datos2 %>%
lm(EPENCuiTotal~
as.numeric(AUDITTotal)+
Edad+
FACESFlex*NPTotal,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiTotal ~ as.numeric(AUDITTotal) + Edad + FACESFlex *
## NPTotal, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -28.4668 -5.7019 0.6201 6.1434 26.5854
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 106.70251 10.65846 10.011 < 2e-16 ***
## as.numeric(AUDITTotal) -1.24631 0.22263 -5.598 3.96e-08 ***
## Edad -0.61955 0.13786 -4.494 9.08e-06 ***
## FACESFlex -0.33409 0.34663 -0.964 0.3357
## NPTotal -0.61299 0.36562 -1.677 0.0944 .
## FACESFlex:NPTotal 0.01740 0.01265 1.375 0.1697
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 8.71 on 413 degrees of freedom
## Multiple R-squared: 0.1343, Adjusted R-squared: 0.1238
## F-statistic: 12.81 on 5 and 413 DF, p-value: 1.361e-11datos2 %>%
lm(EPENCuiTotal~
as.numeric(AUDITTotal)+
Edad+
FACESFlex*BSImpuls,.) %>%
summary()##
## Call:
## lm(formula = EPENCuiTotal ~ as.numeric(AUDITTotal) + Edad + FACESFlex *
## BSImpuls, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -30.3635 -5.6059 0.6604 5.9258 26.6138
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 84.50181 6.05645 13.952 < 2e-16 ***
## as.numeric(AUDITTotal) -0.98609 0.24035 -4.103 4.92e-05 ***
## Edad -0.52840 0.13677 -3.863 0.00013 ***
## FACESFlex 0.32169 0.17059 1.886 0.06002 .
## BSImpuls 0.49883 1.01086 0.493 0.62194
## FACESFlex:BSImpuls -0.04080 0.03467 -1.177 0.23991
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 8.656 on 413 degrees of freedom
## Multiple R-squared: 0.145, Adjusted R-squared: 0.1347
## F-statistic: 14.01 on 5 and 413 DF, p-value: 1.152e-12Ninguna de las interacciones fue significativa. Probamos relación cuadrática:
mod6 <- datos2 %>%
lm(EPENCuiTotal~
audit+
Edad+
poly(FACEScohe,2),.)
mod6 %>%
summary()##
## Call:
## lm(formula = EPENCuiTotal ~ audit + Edad + poly(FACEScohe, 2),
## data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -27.8394 -5.9505 0.7714 6.1168 25.9707
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 93.6783 3.2221 29.074 < 2e-16 ***
## audit -1.2448 0.2226 -5.593 4.06e-08 ***
## Edad -0.6061 0.1354 -4.478 9.77e-06 ***
## poly(FACEScohe, 2)1 19.3969 8.7456 2.218 0.0271 *
## poly(FACEScohe, 2)2 -19.6826 8.6899 -2.265 0.0240 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 8.689 on 414 degrees of freedom
## Multiple R-squared: 0.1364, Adjusted R-squared: 0.1281
## F-statistic: 16.35 on 4 and 414 DF, p-value: 1.91e-12datos2 %>%
lm(EPENCuiTotal~
audit+
Edad+
poly(FACESFlex,2),.) %>%
summary()##
## Call:
## lm(formula = EPENCuiTotal ~ audit + Edad + poly(FACESFlex, 2),
## data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -27.6700 -5.5189 0.6525 6.0230 26.5153
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 93.5021 3.2478 28.789 < 2e-16 ***
## audit -1.2517 0.2235 -5.602 3.88e-08 ***
## Edad -0.5968 0.1363 -4.378 1.52e-05 ***
## poly(FACESFlex, 2)1 19.2866 8.7851 2.195 0.0287 *
## poly(FACESFlex, 2)2 1.3813 8.7483 0.158 0.8746
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 8.743 on 414 degrees of freedom
## Multiple R-squared: 0.1257, Adjusted R-squared: 0.1172
## F-statistic: 14.88 on 4 and 414 DF, p-value: 2.287e-11La cohesión familiar parece tener una relación cuadrática con el cuidado total.
n.data <- data.frame(audit=rep(mean(datos2$audit),nrow(datos2)),
Edad=rep(mean(datos2$Edad),nrow(datos2)),
FACEScohe=rep(seq(range(datos2$FACEScohe)[1], range(datos2$FACEScohe)[2],
length.out=nrow(datos2)), times=1))
df1.2 <- data.frame(n.data, pred=predict(mod6, n.data))
ggplot(datos2, aes(x=FACEScohe, y=EPENCuiTotal)) +
geom_point(alpha=.15)+
stat_smooth(method="lm", formula=y ~ poly(x, 2),
data=df1.2, aes(x=FACEScohe, y=pred)) +
theme_minimal()+
ylim(c(min(datos2$EPENCuiTotal),max(datos2$EPENCuiTotal)))
Modelo final Cuidado Total
Probamos un modelo con todos los términos que fueron significativos.
mod6b <- datos2 %>%
lm(EPENCuiTotal~
audit+
Edad+
poly(FACEScohe,2)+
FACESFlex+
NPTotal+
BSImpuls,.)
mod6b %>%
summary()##
## Call:
## lm(formula = EPENCuiTotal ~ audit + Edad + poly(FACEScohe, 2) +
## FACESFlex + NPTotal + BSImpuls, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -28.340 -5.776 0.823 5.709 26.495
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 95.61390 5.10195 18.741 < 2e-16 ***
## audit -0.97939 0.23908 -4.096 5.05e-05 ***
## Edad -0.57307 0.13755 -4.166 3.77e-05 ***
## poly(FACEScohe, 2)1 8.81583 10.67486 0.826 0.40937
## poly(FACEScohe, 2)2 -19.46235 8.61495 -2.259 0.02440 *
## FACESFlex 0.08226 0.08530 0.964 0.33543
## NPTotal -0.12591 0.08120 -1.551 0.12177
## BSImpuls -0.64474 0.23268 -2.771 0.00584 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 8.603 on 411 degrees of freedom
## Multiple R-squared: 0.1595, Adjusted R-squared: 0.1452
## F-statistic: 11.15 on 7 and 411 DF, p-value: 6.211e-13n.data <- data.frame(audit=rep(mean(datos2$audit),nrow(datos2)),
Edad=rep(mean(datos2$Edad),nrow(datos2)),
BSImpuls=rep(mean(datos2$BSImpuls),nrow(datos2)),
FACESFlex=rep(mean(datos2$FACESFlex),nrow(datos2)),
NPTotal=rep(mean(datos2$NPTotal),nrow(datos2)),
FACEScohe=rep(seq(range(datos2$FACEScohe)[1], range(datos2$FACEScohe)[2],
length.out=nrow(datos2)), times=1))
df1.2 <- data.frame(n.data, pred=predict(mod6b, n.data))
ggplot(datos2, aes(x=FACEScohe, y=EPENCuiTotal)) +
geom_point(alpha=.15)+
stat_smooth(method="lm", formula=y ~ poly(x, 2),
data=df1.2, aes(x=FACEScohe, y=pred)) +
theme_minimal()+
ylim(c(min(datos2$EPENCuiTotal),max(datos2$EPENCuiTotal)))
Riesgo individual
Primero probamos las variables de funcionamiento familiar con la edad y el nivel de consumo como variables de control.
datos2 %>%
lm(EPENRiesgInd~
as.numeric(AUDITTotal)+
Edad+
FACEScohe,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgInd ~ as.numeric(AUDITTotal) + Edad + FACEScohe,
## data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.8392 -4.6689 -0.7666 3.8277 19.0012
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 24.37431 2.81471 8.660 < 2e-16 ***
## as.numeric(AUDITTotal) 1.44718 0.16001 9.044 < 2e-16 ***
## Edad -0.35693 0.09730 -3.668 0.000276 ***
## FACEScohe -0.08901 0.04329 -2.056 0.040392 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 6.247 on 415 degrees of freedom
## Multiple R-squared: 0.2004, Adjusted R-squared: 0.1946
## F-statistic: 34.66 on 3 and 415 DF, p-value: < 2.2e-16datos2 %>%
lm(EPENRiesgInd~
as.numeric(AUDITTotal)+
Edad+
FACESFlex,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgInd ~ as.numeric(AUDITTotal) + Edad + FACESFlex,
## data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.933 -4.666 -0.808 3.892 18.889
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 24.25994 2.79722 8.673 < 2e-16 ***
## as.numeric(AUDITTotal) 1.45478 0.15968 9.111 < 2e-16 ***
## Edad -0.36524 0.09737 -3.751 0.000201 ***
## FACESFlex -0.10096 0.04987 -2.025 0.043556 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 6.248 on 415 degrees of freedom
## Multiple R-squared: 0.2001, Adjusted R-squared: 0.1943
## F-statistic: 34.61 on 3 and 415 DF, p-value: < 2.2e-16Ambas variables de funcionamiento familiar son significativas. Probamos la interacción con las variables disposicionales:
datos2 %>%
lm(EPENRiesgInd~
as.numeric(AUDITTotal)+
Edad+
FACEScohe*NPTotal,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgInd ~ as.numeric(AUDITTotal) + Edad + FACEScohe *
## NPTotal, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -11.9984 -4.7360 -0.7408 3.9737 17.9464
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 11.396643 8.585691 1.327 0.185110
## as.numeric(AUDITTotal) 1.429347 0.159983 8.934 < 2e-16 ***
## Edad -0.327878 0.098102 -3.342 0.000907 ***
## FACEScohe 0.173004 0.229019 0.755 0.450433
## NPTotal 0.444598 0.298503 1.489 0.137138
## FACEScohe:NPTotal -0.009274 0.008327 -1.114 0.266016
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 6.221 on 413 degrees of freedom
## Multiple R-squared: 0.2107, Adjusted R-squared: 0.2011
## F-statistic: 22.05 on 5 and 413 DF, p-value: < 2.2e-16datos2 %>%
lm(EPENRiesgInd~
as.numeric(AUDITTotal)+
Edad+
FACEScohe*BSImpuls,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgInd ~ as.numeric(AUDITTotal) + Edad + FACEScohe *
## BSImpuls, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -11.8352 -4.5744 -0.8725 3.5790 20.6024
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 17.05044 4.51930 3.773 0.000185 ***
## as.numeric(AUDITTotal) 1.06895 0.16702 6.400 4.22e-10 ***
## Edad -0.43769 0.09489 -4.613 5.31e-06 ***
## FACEScohe 0.09729 0.10755 0.905 0.366224
## BSImpuls 2.10805 0.75322 2.799 0.005371 **
## FACEScohe:BSImpuls -0.03323 0.02074 -1.602 0.109818
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 6.01 on 413 degrees of freedom
## Multiple R-squared: 0.2634, Adjusted R-squared: 0.2544
## F-statistic: 29.53 on 5 and 413 DF, p-value: < 2.2e-16datos2 %>%
lm(EPENRiesgInd~
as.numeric(AUDITTotal)+
Edad+
FACESFlex*NPTotal,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgInd ~ as.numeric(AUDITTotal) + Edad + FACESFlex *
## NPTotal, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.7130 -4.6450 -0.6589 4.0694 17.9040
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 10.115239 7.609480 1.329 0.184485
## as.numeric(AUDITTotal) 1.450808 0.158942 9.128 < 2e-16 ***
## Edad -0.343005 0.098422 -3.485 0.000545 ***
## FACESFlex 0.274010 0.247476 1.107 0.268842
## NPTotal 0.487294 0.261030 1.867 0.062635 .
## FACESFlex:NPTotal -0.013274 0.009033 -1.469 0.142481
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 6.219 on 413 degrees of freedom
## Multiple R-squared: 0.2114, Adjusted R-squared: 0.2019
## F-statistic: 22.14 on 5 and 413 DF, p-value: < 2.2e-16datos2 %>%
lm(EPENRiesgInd~
as.numeric(AUDITTotal)+
Edad+
FACESFlex*BSImpuls,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgInd ~ as.numeric(AUDITTotal) + Edad + FACESFlex *
## BSImpuls, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.5054 -4.7081 -0.8698 3.7519 20.6763
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 21.50612 4.21406 5.103 5.10e-07 ***
## as.numeric(AUDITTotal) 1.07704 0.16724 6.440 3.32e-10 ***
## Edad -0.44758 0.09517 -4.703 3.50e-06 ***
## FACESFlex -0.02738 0.11869 -0.231 0.8177
## BSImpuls 1.26644 0.70335 1.801 0.0725 .
## FACESFlex:BSImpuls -0.01164 0.02412 -0.482 0.6298
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 6.023 on 413 degrees of freedom
## Multiple R-squared: 0.2603, Adjusted R-squared: 0.2513
## F-statistic: 29.06 on 5 and 413 DF, p-value: < 2.2e-16En ningún caso las variables de funcionamiento familiar ni su interacción con las variables disposicionales resultan significativas. Probamos relación cuadrática:
datos2 %>%
lm(EPENRiesgInd~
audit+
Edad+
poly(FACEScohe,2),.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgInd ~ audit + Edad + poly(FACEScohe, 2),
## data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.8174 -4.5623 -0.7551 3.7855 19.1012
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 21.23213 2.31795 9.160 < 2e-16 ***
## audit 1.44817 0.16012 9.044 < 2e-16 ***
## Edad -0.35781 0.09737 -3.675 0.00027 ***
## poly(FACEScohe, 2)1 -12.92347 6.29160 -2.054 0.04059 *
## poly(FACEScohe, 2)2 4.29804 6.25151 0.688 0.49214
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 6.251 on 414 degrees of freedom
## Multiple R-squared: 0.2013, Adjusted R-squared: 0.1936
## F-statistic: 26.08 on 4 and 414 DF, p-value: < 2.2e-16datos2 %>%
lm(EPENRiesgInd~
as.numeric(AUDITTotal)+
Edad+
poly(FACESFlex,2),.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgInd ~ as.numeric(AUDITTotal) + Edad + poly(FACESFlex,
## 2), data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.9224 -4.6734 -0.8115 3.9005 18.8803
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 21.37040 2.32373 9.197 < 2e-16 ***
## as.numeric(AUDITTotal) 1.45487 0.15988 9.100 < 2e-16 ***
## Edad -0.36537 0.09754 -3.746 0.000205 ***
## poly(FACESFlex, 2)1 -12.70996 6.28556 -2.022 0.043810 *
## poly(FACESFlex, 2)2 -0.25188 6.25923 -0.040 0.967921
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 6.255 on 414 degrees of freedom
## Multiple R-squared: 0.2001, Adjusted R-squared: 0.1924
## F-statistic: 25.89 on 4 and 414 DF, p-value: < 2.2e-16No se evidenció una relación cuadrática.
Modelo final Riesgo Individual
Probamos un modelo con todos los términos que fueron significativos.
datos2 %>%
lm(EPENRiesgInd~
audit+
Edad+
FACEScohe+
FACESFlex+
NPTotal+
BSImpuls,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgInd ~ audit + Edad + FACEScohe + FACESFlex +
## NPTotal + BSImpuls, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.5386 -4.6300 -0.6854 3.6768 19.2926
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 18.85559 3.54237 5.323 1.68e-07 ***
## audit 1.06758 0.16655 6.410 3.99e-10 ***
## Edad -0.41463 0.09582 -4.327 1.90e-05 ***
## FACEScohe -0.02912 0.05119 -0.569 0.5698
## FACESFlex -0.03928 0.05936 -0.662 0.5086
## NPTotal 0.12467 0.05656 2.204 0.0281 *
## BSImpuls 0.94110 0.16208 5.806 1.28e-08 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 5.994 on 412 degrees of freedom
## Multiple R-squared: 0.2692, Adjusted R-squared: 0.2585
## F-statistic: 25.29 on 6 and 412 DF, p-value: < 2.2e-16Ninguna de las dos variables familiares resultó significativa en este modelo.
Riesgo Grupal
Primero probamos las variables de funcionamiento familiar con la edad y el nivel de consumo como variables de control.
datos2 %>%
lm(EPENRiesgGrup~
as.numeric(AUDITTotal)+
Edad+
FACEScohe,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgGrup ~ as.numeric(AUDITTotal) + Edad +
## FACEScohe, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -8.9195 -2.8851 -0.5614 2.3443 15.3448
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 9.53358 1.82551 5.222 2.80e-07 ***
## as.numeric(AUDITTotal) 0.71626 0.10378 6.902 1.93e-11 ***
## Edad 0.11549 0.06311 1.830 0.06795 .
## FACEScohe -0.07443 0.02808 -2.651 0.00833 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.051 on 415 degrees of freedom
## Multiple R-squared: 0.1323, Adjusted R-squared: 0.126
## F-statistic: 21.09 on 3 and 415 DF, p-value: 9.829e-13datos2 %>%
lm(EPENRiesgGrup~
as.numeric(AUDITTotal)+
Edad+
FACESFlex,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgGrup ~ as.numeric(AUDITTotal) + Edad +
## FACESFlex, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -8.8579 -3.0457 -0.6698 2.6290 14.4308
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 9.02936 1.81858 4.965 1.00e-06 ***
## as.numeric(AUDITTotal) 0.72645 0.10381 6.998 1.05e-11 ***
## Edad 0.10938 0.06330 1.728 0.0848 .
## FACESFlex -0.07143 0.03242 -2.203 0.0281 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.062 on 415 degrees of freedom
## Multiple R-squared: 0.1278, Adjusted R-squared: 0.1215
## F-statistic: 20.27 on 3 and 415 DF, p-value: 2.822e-12Ambas variables son significativas. Probamos la interacción con las variables disposicionales:
datos2 %>%
lm(EPENRiesgGrup~
as.numeric(AUDITTotal)+
Edad+
FACEScohe*NPTotal,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgGrup ~ as.numeric(AUDITTotal) + Edad +
## FACEScohe * NPTotal, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -8.4127 -2.9454 -0.5369 2.4073 15.2249
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.071582 5.560104 0.193 0.847
## as.numeric(AUDITTotal) 0.705168 0.103605 6.806 3.54e-11 ***
## Edad 0.137517 0.063531 2.165 0.031 *
## FACEScohe 0.085807 0.148313 0.579 0.563
## NPTotal 0.286058 0.193311 1.480 0.140
## FACEScohe:NPTotal -0.005613 0.005392 -1.041 0.299
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.029 on 413 degrees of freedom
## Multiple R-squared: 0.146, Adjusted R-squared: 0.1357
## F-statistic: 14.13 on 5 and 413 DF, p-value: 9.114e-13datos2 %>%
lm(EPENRiesgGrup~
as.numeric(AUDITTotal)+
Edad+
FACEScohe*BSImpuls,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgGrup ~ as.numeric(AUDITTotal) + Edad +
## FACEScohe * BSImpuls, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -8.2653 -2.7551 -0.6079 2.3170 15.1161
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 7.76389 2.90088 2.676 0.00774 **
## as.numeric(AUDITTotal) 0.43852 0.10721 4.090 5.18e-05 ***
## Edad 0.05143 0.06091 0.844 0.39893
## FACEScohe -0.03690 0.06904 -0.534 0.59331
## BSImpuls 0.82158 0.48348 1.699 0.09002 .
## FACEScohe:BSImpuls -0.00353 0.01331 -0.265 0.79097
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.858 on 413 degrees of freedom
## Multiple R-squared: 0.217, Adjusted R-squared: 0.2075
## F-statistic: 22.89 on 5 and 413 DF, p-value: < 2.2e-16datos2 %>%
lm(EPENRiesgGrup~
as.numeric(AUDITTotal)+
Edad+
FACESFlex*NPTotal,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgGrup ~ as.numeric(AUDITTotal) + Edad +
## FACESFlex * NPTotal, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -8.1284 -2.9654 -0.6039 2.5800 14.4572
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 6.3636581 4.9510316 1.285 0.1994
## as.numeric(AUDITTotal) 0.7257983 0.1034142 7.018 9.26e-12 ***
## Edad 0.1338771 0.0640371 2.091 0.0372 *
## FACESFlex -0.0785865 0.1610175 -0.488 0.6258
## NPTotal 0.0644920 0.1698362 0.380 0.7043
## FACESFlex:NPTotal 0.0008121 0.0058774 0.138 0.8902
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.046 on 413 degrees of freedom
## Multiple R-squared: 0.1388, Adjusted R-squared: 0.1283
## F-statistic: 13.31 on 5 and 413 DF, p-value: 4.869e-12datos2 %>%
lm(EPENRiesgGrup~
as.numeric(AUDITTotal)+
Edad+
FACESFlex*BSImpuls,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgGrup ~ as.numeric(AUDITTotal) + Edad +
## FACESFlex * BSImpuls, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -8.1863 -2.5700 -0.4606 2.2208 14.4406
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 8.971131 2.701489 3.321 0.000977 ***
## as.numeric(AUDITTotal) 0.441776 0.107210 4.121 4.57e-05 ***
## Edad 0.043855 0.061008 0.719 0.472648
## FACESFlex -0.083685 0.076091 -1.100 0.272057
## BSImpuls 0.527573 0.450894 1.170 0.242652
## FACESFlex:BSImpuls 0.006291 0.015463 0.407 0.684340
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.861 on 413 degrees of freedom
## Multiple R-squared: 0.2157, Adjusted R-squared: 0.2062
## F-statistic: 22.72 on 5 and 413 DF, p-value: < 2.2e-16En ningún caso las variables de funcionamiento familiar ni su interacción con las variables disposicionales resultan significativas. Probamos relación cuadrática:
datos2 %>%
lm(EPENRiesgGrup~
audit+
Edad+
poly(FACEScohe,2),.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgGrup ~ audit + Edad + poly(FACEScohe, 2),
## data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -8.9199 -2.8863 -0.5623 2.3429 15.3444
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 6.89352 1.50420 4.583 6.08e-06 ***
## audit 0.71625 0.10390 6.893 2.04e-11 ***
## Edad 0.11550 0.06319 1.828 0.06829 .
## poly(FACEScohe, 2)1 -10.81026 4.08282 -2.648 0.00841 **
## poly(FACEScohe, 2)2 -0.05149 4.05681 -0.013 0.98988
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.056 on 414 degrees of freedom
## Multiple R-squared: 0.1323, Adjusted R-squared: 0.1239
## F-statistic: 15.78 on 4 and 414 DF, p-value: 4.979e-12datos2 %>%
lm(EPENRiesgGrup~
audit+
Edad+
poly(FACESFlex,2),.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgGrup ~ audit + Edad + poly(FACESFlex, 2),
## data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -8.8525 -3.0266 -0.5832 2.6131 14.5617
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 7.03137 1.50822 4.662 4.23e-06 ***
## audit 0.72805 0.10377 7.016 9.38e-12 ***
## Edad 0.10689 0.06331 1.688 0.0921 .
## poly(FACESFlex, 2)1 -8.99228 4.07965 -2.204 0.0281 *
## poly(FACESFlex, 2)2 -4.78952 4.06257 -1.179 0.2391
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.06 on 414 degrees of freedom
## Multiple R-squared: 0.1307, Adjusted R-squared: 0.1223
## F-statistic: 15.56 on 4 and 414 DF, p-value: 7.161e-12No hay relación cuadrática entre las variables de funcionamiento familiar y cuidados grupal.
Modelo final Riesgo Individual
Probamos un modelo con todos los términos que fueron significativos.
datos2 %>%
lm(EPENRiesgGrup~
audit+
Edad+
FACEScohe+
FACESFlex+
NPTotal+
BSImpuls,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgGrup ~ audit + Edad + FACEScohe + FACESFlex +
## NPTotal + BSImpuls, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -8.1133 -2.6193 -0.4209 2.1312 14.8167
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.14286 2.26224 2.273 0.02352 *
## audit 0.43275 0.10636 4.069 5.67e-05 ***
## Edad 0.07378 0.06119 1.206 0.22861
## FACEScohe -0.03661 0.03269 -1.120 0.26344
## FACESFlex -0.01500 0.03791 -0.396 0.69259
## NPTotal 0.09534 0.03612 2.640 0.00861 **
## BSImpuls 0.70579 0.10351 6.819 3.28e-11 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.828 on 412 degrees of freedom
## Multiple R-squared: 0.2311, Adjusted R-squared: 0.2199
## F-statistic: 20.63 on 6 and 412 DF, p-value: < 2.2e-16Ninguna de las dos variables familiares ni la edad resultó significativa en este modelo.
Riesgo Entorno
Primero probamos las variables de funcionamiento familiar con la edad y el nivel de consumo como variables de control.
datos2 %>%
lm(EPENRiesgEnto~
as.numeric(AUDITTotal)+
Edad+
FACEScohe,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgEnto ~ as.numeric(AUDITTotal) + Edad +
## FACEScohe, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -13.2167 -2.2127 0.0112 2.2995 10.4305
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 19.14846 1.67852 11.408 <2e-16 ***
## as.numeric(AUDITTotal) 0.17464 0.09542 1.830 0.0679 .
## Edad -0.08651 0.05803 -1.491 0.1368
## FACEScohe 0.01743 0.02582 0.675 0.4999
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.725 on 415 degrees of freedom
## Multiple R-squared: 0.01354, Adjusted R-squared: 0.006408
## F-statistic: 1.899 on 3 and 415 DF, p-value: 0.1292datos2 %>%
lm(EPENRiesgEnto~
as.numeric(AUDITTotal)+
Edad+
FACESFlex,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgEnto ~ as.numeric(AUDITTotal) + Edad +
## FACESFlex, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.7907 -2.1693 -0.1342 2.2444 10.4757
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 20.84064 1.66623 12.508 <2e-16 ***
## as.numeric(AUDITTotal) 0.15751 0.09511 1.656 0.0985 .
## Edad -0.08828 0.05800 -1.522 0.1288
## FACESFlex -0.03330 0.02970 -1.121 0.2629
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.722 on 415 degrees of freedom
## Multiple R-squared: 0.01544, Adjusted R-squared: 0.00832
## F-statistic: 2.169 on 3 and 415 DF, p-value: 0.09109Ninguna de las dos resultó significativa. Probamos la interacción con las variables disposicionales:
datos2 %>%
lm(EPENRiesgEnto~
as.numeric(AUDITTotal)+
Edad+
FACEScohe*NPTotal,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgEnto ~ as.numeric(AUDITTotal) + Edad +
## FACEScohe * NPTotal, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.3890 -2.2414 0.0904 2.3490 10.1682
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.731849 5.050012 1.135 0.25703
## as.numeric(AUDITTotal) 0.156297 0.094100 1.661 0.09748 .
## Edad -0.055914 0.057703 -0.969 0.33311
## FACEScohe 0.286397 0.134707 2.126 0.03409 *
## NPTotal 0.458943 0.175576 2.614 0.00928 **
## FACEScohe:NPTotal -0.009509 0.004898 -1.942 0.05286 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.659 on 413 degrees of freedom
## Multiple R-squared: 0.05272, Adjusted R-squared: 0.04125
## F-statistic: 4.597 on 5 and 413 DF, p-value: 0.00043datos2 %>%
lm(EPENRiesgEnto~
as.numeric(AUDITTotal)+
Edad+
FACEScohe*BSImpuls,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgEnto ~ as.numeric(AUDITTotal) + Edad +
## FACEScohe * BSImpuls, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -13.3833 -2.2386 -0.0227 2.4132 10.6555
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 20.063160 2.805720 7.151 3.95e-12 ***
## as.numeric(AUDITTotal) 0.149641 0.103693 1.443 0.150
## Edad -0.093692 0.058908 -1.590 0.112
## FACEScohe -0.008736 0.066771 -0.131 0.896
## BSImpuls -0.142257 0.467624 -0.304 0.761
## FACEScohe:BSImpuls 0.005894 0.012874 0.458 0.647
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.731 on 413 degrees of freedom
## Multiple R-squared: 0.01509, Adjusted R-squared: 0.003162
## F-statistic: 1.265 on 5 and 413 DF, p-value: 0.2781datos2 %>%
lm(EPENRiesgEnto~
as.numeric(AUDITTotal)+
Edad+
FACESFlex*NPTotal,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgEnto ~ as.numeric(AUDITTotal) + Edad +
## FACESFlex * NPTotal, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.3731 -2.2197 0.0111 2.3474 9.6903
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 13.595765 4.501387 3.020 0.00268 **
## as.numeric(AUDITTotal) 0.155564 0.094022 1.655 0.09878 .
## Edad -0.058991 0.058221 -1.013 0.31155
## FACESFlex 0.090175 0.146394 0.616 0.53825
## NPTotal 0.225495 0.154412 1.460 0.14495
## FACESFlex:NPTotal -0.003879 0.005344 -0.726 0.46835
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.679 on 413 degrees of freedom
## Multiple R-squared: 0.04272, Adjusted R-squared: 0.03113
## F-statistic: 3.686 on 5 and 413 DF, p-value: 0.002829datos2 %>%
lm(EPENRiesgEnto~
as.numeric(AUDITTotal)+
Edad+
FACESFlex*BSImpuls,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgEnto ~ as.numeric(AUDITTotal) + Edad +
## FACESFlex * BSImpuls, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -13.1023 -2.1700 -0.1699 2.2419 10.4810
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 21.808076 2.608651 8.360 9.7e-16 ***
## as.numeric(AUDITTotal) 0.137483 0.103526 1.328 0.185
## Edad -0.094558 0.058911 -1.605 0.109
## FACESFlex -0.066775 0.073476 -0.909 0.364
## BSImpuls -0.168466 0.435399 -0.387 0.699
## FACESFlex:BSImpuls 0.007696 0.014932 0.515 0.607
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.728 on 413 degrees of freedom
## Multiple R-squared: 0.01666, Adjusted R-squared: 0.004753
## F-statistic: 1.399 on 5 and 413 DF, p-value: 0.2234La interacción entre cohesión y NP fue marginalmente significativa. Probamos relación cuadrática:
datos2 %>%
lm(EPENRiesgEnto~
audit+
Edad+
poly(FACEScohe,2),.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgEnto ~ audit + Edad + poly(FACEScohe, 2),
## data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -13.1624 -2.1744 -0.0029 2.2344 10.2357
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 19.77498 1.38240 14.305 <2e-16 ***
## audit 0.17518 0.09549 1.835 0.0673 .
## Edad -0.08699 0.05807 -1.498 0.1349
## poly(FACEScohe, 2)1 2.53457 3.75224 0.675 0.4997
## poly(FACEScohe, 2)2 2.36309 3.72834 0.634 0.5265
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.728 on 414 degrees of freedom
## Multiple R-squared: 0.0145, Adjusted R-squared: 0.004973
## F-statistic: 1.522 on 4 and 414 DF, p-value: 0.1948datos2 %>%
lm(EPENRiesgEnto~
audit+
Edad+
poly(FACESFlex,2),.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgEnto ~ audit + Edad + poly(FACESFlex, 2),
## data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.6182 -2.2123 -0.1504 2.2429 10.4027
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 19.90803 1.38364 14.388 <2e-16 ***
## audit 0.15822 0.09520 1.662 0.0973 .
## Edad -0.08938 0.05808 -1.539 0.1246
## poly(FACESFlex, 2)1 -4.19242 3.74268 -1.120 0.2633
## poly(FACESFlex, 2)2 -2.12429 3.72700 -0.570 0.5690
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.725 on 414 degrees of freedom
## Multiple R-squared: 0.01621, Adjusted R-squared: 0.006704
## F-statistic: 1.705 on 4 and 414 DF, p-value: 0.1479No se evidenció una relación cuadrática entre el funcionamiento familiar y el cuidado entorno.
Modelo final Riesgo Individual
Probamos un modelo con todos los términos que fueron significativos.
datos2 %>%
lm(EPENRiesgEnto~
audit+
Edad+
FACEScohe+
FACESFlex+
NPTotal+
BSImpuls,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgEnto ~ audit + Edad + FACEScohe + FACESFlex +
## NPTotal + BSImpuls, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -11.9864 -2.2631 0.0795 2.2893 9.3217
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 15.40433 2.16868 7.103 5.39e-12 ***
## audit 0.13761 0.10196 1.350 0.177885
## Edad -0.06634 0.05866 -1.131 0.258774
## FACEScohe 0.05605 0.03134 1.789 0.074418 .
## FACESFlex -0.04911 0.03634 -1.351 0.177331
## NPTotal 0.11865 0.03463 3.427 0.000672 ***
## BSImpuls 0.07754 0.09923 0.781 0.435021
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.669 on 412 degrees of freedom
## Multiple R-squared: 0.04978, Adjusted R-squared: 0.03594
## F-statistic: 3.597 on 6 and 412 DF, p-value: 0.001732Cohesión tuvo significación marginal.
Riesgo Total
Primero probamos las variables de funcionamiento familiar con la edad y el nivel de consumo como variables de control.
datos2 %>%
lm(EPENRiesgTota~
as.numeric(AUDITTotal)+
Edad+
FACEScohe,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgTota ~ as.numeric(AUDITTotal) + Edad +
## FACEScohe, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -25.072 -7.759 -0.811 6.293 36.614
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 53.05635 4.70887 11.267 <2e-16 ***
## as.numeric(AUDITTotal) 2.33809 0.26769 8.734 <2e-16 ***
## Edad -0.32795 0.16278 -2.015 0.0446 *
## FACEScohe -0.14601 0.07242 -2.016 0.0444 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 10.45 on 415 degrees of freedom
## Multiple R-squared: 0.1767, Adjusted R-squared: 0.1707
## F-statistic: 29.68 on 3 and 415 DF, p-value: < 2.2e-16datos2 %>%
lm(EPENRiesgTota~
as.numeric(AUDITTotal)+
Edad+
FACESFlex,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgTota ~ as.numeric(AUDITTotal) + Edad +
## FACESFlex, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -25.762 -7.573 -0.433 6.977 34.265
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 54.12994 4.66751 11.597 <2e-16 ***
## as.numeric(AUDITTotal) 2.33874 0.26644 8.778 <2e-16 ***
## Edad -0.34413 0.16247 -2.118 0.0348 *
## FACESFlex -0.20569 0.08321 -2.472 0.0138 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 10.43 on 415 degrees of freedom
## Multiple R-squared: 0.1807, Adjusted R-squared: 0.1747
## F-statistic: 30.5 on 3 and 415 DF, p-value: < 2.2e-16Al considerar el riesgo total, ambas variables de funcionamiento familiar resultaron significativas. Probamos la interacción con las variables disposicionales:
datos2 %>%
lm(EPENRiesgTota~
as.numeric(AUDITTotal)+
Edad+
FACEScohe*NPTotal,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgTota ~ as.numeric(AUDITTotal) + Edad +
## FACEScohe * NPTotal, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -23.322 -7.549 -0.651 6.673 36.167
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 18.20007 14.20026 1.282 0.2007
## as.numeric(AUDITTotal) 2.29081 0.26460 8.658 <2e-16 ***
## Edad -0.24628 0.16226 -1.518 0.1298
## FACEScohe 0.54521 0.37879 1.439 0.1508
## NPTotal 1.18960 0.49371 2.410 0.0164 *
## FACEScohe:NPTotal -0.02440 0.01377 -1.771 0.0772 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 10.29 on 413 degrees of freedom
## Multiple R-squared: 0.2057, Adjusted R-squared: 0.196
## F-statistic: 21.39 on 5 and 413 DF, p-value: < 2.2e-16datos2 %>%
lm(EPENRiesgTota~
as.numeric(AUDITTotal)+
Edad+
FACEScohe*BSImpuls,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgTota ~ as.numeric(AUDITTotal) + Edad +
## FACEScohe * BSImpuls, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -24.941 -7.462 -1.255 6.972 36.103
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 44.87749 7.52128 5.967 5.21e-09 ***
## as.numeric(AUDITTotal) 1.65710 0.27797 5.961 5.37e-09 ***
## Edad -0.47995 0.15792 -3.039 0.00252 **
## FACEScohe 0.05165 0.17899 0.289 0.77305
## BSImpuls 2.78737 1.25356 2.224 0.02672 *
## FACEScohe:BSImpuls -0.03087 0.03451 -0.894 0.37164
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 10 on 413 degrees of freedom
## Multiple R-squared: 0.2494, Adjusted R-squared: 0.2403
## F-statistic: 27.44 on 5 and 413 DF, p-value: < 2.2e-16datos2 %>%
lm(EPENRiesgTota~
as.numeric(AUDITTotal)+
Edad+
FACESFlex*NPTotal,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgTota ~ as.numeric(AUDITTotal) + Edad +
## FACESFlex * NPTotal, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -22.737 -7.625 -0.453 6.960 34.680
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 30.07466 12.60824 2.385 0.0175 *
## as.numeric(AUDITTotal) 2.33217 0.26335 8.856 <2e-16 ***
## Edad -0.26812 0.16308 -1.644 0.1009
## FACESFlex 0.28560 0.41005 0.697 0.4865
## NPTotal 0.77728 0.43250 1.797 0.0730 .
## FACESFlex:NPTotal -0.01634 0.01497 -1.092 0.2756
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 10.3 on 413 degrees of freedom
## Multiple R-squared: 0.2035, Adjusted R-squared: 0.1939
## F-statistic: 21.11 on 5 and 413 DF, p-value: < 2.2e-16datos2 %>%
lm(EPENRiesgTota~
as.numeric(AUDITTotal)+
Edad+
FACESFlex*BSImpuls,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgTota ~ as.numeric(AUDITTotal) + Edad +
## FACESFlex * BSImpuls, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -25.598 -7.400 -0.832 6.618 34.235
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 52.285328 6.984301 7.486 4.33e-13 ***
## as.numeric(AUDITTotal) 1.656300 0.277176 5.976 4.96e-09 ***
## Edad -0.498280 0.157726 -3.159 0.0017 **
## FACESFlex -0.177839 0.196722 -0.904 0.3665
## BSImpuls 1.625548 1.165721 1.394 0.1639
## FACESFlex:BSImpuls 0.002352 0.039978 0.059 0.9531
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 9.982 on 413 degrees of freedom
## Multiple R-squared: 0.2525, Adjusted R-squared: 0.2434
## F-statistic: 27.89 on 5 and 413 DF, p-value: < 2.2e-16Ninguna de las interacciones fue significativa. Probamos relación cuadrática:
datos2 %>%
lm(EPENRiesgTota~
audit+
Edad+
poly(FACEScohe,2),.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgTota ~ audit + Edad + poly(FACEScohe, 2),
## data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -25.026 -7.688 -0.712 6.168 36.664
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 47.9006 3.8782 12.351 <2e-16 ***
## audit 2.3396 0.2679 8.733 <2e-16 ***
## Edad -0.3293 0.1629 -2.021 0.0439 *
## poly(FACEScohe, 2)1 -21.1992 10.5265 -2.014 0.0447 *
## poly(FACEScohe, 2)2 6.6096 10.4594 0.632 0.5278
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 10.46 on 414 degrees of freedom
## Multiple R-squared: 0.1774, Adjusted R-squared: 0.1695
## F-statistic: 22.33 on 4 and 414 DF, p-value: < 2.2e-16datos2 %>%
lm(EPENRiesgTota~
audit+
Edad+
poly(FACESFlex,2),.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgTota ~ audit + Edad + poly(FACESFlex, 2),
## data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -26.013 -7.584 -0.322 6.990 34.460
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 48.3098 3.8752 12.466 <2e-16 ***
## audit 2.3411 0.2666 8.780 <2e-16 ***
## Edad -0.3479 0.1627 -2.138 0.0331 *
## poly(FACESFlex, 2)1 -25.8947 10.4823 -2.470 0.0139 *
## poly(FACESFlex, 2)2 -7.1657 10.4384 -0.686 0.4928
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 10.43 on 414 degrees of freedom
## Multiple R-squared: 0.1816, Adjusted R-squared: 0.1737
## F-statistic: 22.96 on 4 and 414 DF, p-value: < 2.2e-16Ninguna parece tener una relación cuadrática.
Modelo final Riesgo Individual
Probamos un modelo con todos los términos que fueron significativos.
datos2 %>%
lm(EPENRiesgTota~
audit+
Edad+
FACEScohe+
FACESFlex+
NPTotal+
BSImpuls,.) %>%
summary()##
## Call:
## lm(formula = EPENRiesgTota ~ audit + Edad + FACEScohe + FACESFlex +
## NPTotal + BSImpuls, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -22.829 -6.722 -0.926 6.288 34.474
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 39.402777 5.813217 6.778 4.23e-11 ***
## audit 1.637946 0.273319 5.993 4.51e-09 ***
## Edad -0.407186 0.157241 -2.590 0.009950 **
## FACEScohe -0.009676 0.084009 -0.115 0.908364
## FACESFlex -0.103386 0.097420 -1.061 0.289203
## NPTotal 0.338669 0.092818 3.649 0.000297 ***
## BSImpuls 1.724429 0.265981 6.483 2.57e-10 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 9.836 on 412 degrees of freedom
## Multiple R-squared: 0.2759, Adjusted R-squared: 0.2654
## F-statistic: 26.17 on 6 and 412 DF, p-value: < 2.2e-16Ninguna de las dos variables familiares resultó significativa en este modelo.