Recreación de tesis en R - Markdown
Giacomo Olano Raffo
2024-05-09
Empezamos
Cargamos las librerías que usaremos a lo largo de los análisis estadísticos, así como delimitar la carpeta de trabajo e indicar que la notación científica sea desactivada. También cargamos la base de datos a usar, omitiendo los datos NA para facilitar los análisis posteriores y tener mayor veracidad de los resultados. También aprobechamos para recodificar los ítems inversos de la escala RWA y creamos nuevos subtotales, tanto de RWA como de las actitudes hacia la homosexualidad.
library(pacman)## Warning: package 'pacman' was built under R version 4.3.3options(scipen = 999)
pacman::p_load(tidyverse, foreign, haven, apa, apaTables, report, psych)
setwd("C:/Users/HP SUPPORT/Documents/R/Recreacion")
base <- read_spss("Base_licenciatura.sav")
base <- na.omit(base)
base$RWA2_recod = abs(base$RWA2 - 8)
base$RWA4_recod = abs(base$RWA4 - 8)
base$RWA6_recod = abs(base$RWA6 - 8)
base$RWA7_recod = abs(base$RWA7 - 8)
base$RWA10_recod = abs(base$RWA10 - 8)
base$RWA11_recod = abs(base$RWA11 - 8)
base <- base %>% select(-RWATotal)
base <- base %>% mutate(RWATotal = RWA1 + RWA2_recod + RWA3 + RWA4_recod + RWA5
+ RWA6_recod + RWA7_recod + RWA8 + RWA9 + RWA10_recod
+ RWA11_recod + RWA12)
base$ActitudesHomosexualidad <- (base$ExistirHomosexuales + base$EnfoqueDeGenero + base$AdopciónPorHomosexuales)/3Análisis descriptivos
Tras realizar los análisis descriptivos correspondientes, se observa que la muestra presenta una mayor proporción de mujeres (184, 62.6%) en comparación con hombres (110, 37.4%). En cuanto a la edad, se encontró que las mujeres tienen una edad media de 35.3 años, con una desviación estándar de 15, mientras que los hombres tienen una edad media de 36.7 años, con una desviación estándar de 15.6. En términos generales, la muestra tiene una edad promedio de 35.81 años, con una edad mínima de 15 años y una edad máxima de 82 años. En relación con la frecuencia de asistencia al centro de oración, se identificó que un grupo mayoritario (115, 39.1%) indica que asiste al menos una vez a la semana, seguido por aquellos que asisten una vez cada tres meses (52, 17.7%) y una vez al mes (48, 16.3%). En cuanto al credo religioso, la mayoría de la muestra se identifica como católica (260, 88.4%), seguido por evangélicos (20, 6.8%). Por último, en relación con el nivel educativo, la mayor parte de la muestra tiene formación universitaria (182, 61.9%), seguido por aquellos con formación técnica (42, 14.3%) y posgrado (40, 13.6%).
base %>% group_by(Sexo) %>% summarise(count = n()) %>% mutate(percentage = count / sum(count) * 100)## # A tibble: 2 × 3
## Sexo count percentage
## <dbl+lbl> <int> <dbl>
## 1 1 [Masculino] 110 37.4
## 2 2 [Femenino] 184 62.6base %>% group_by(Sexo) %>% summarise(mean(Edad))## # A tibble: 2 × 2
## Sexo `mean(Edad)`
## <dbl+lbl> <dbl>
## 1 1 [Masculino] 36.7
## 2 2 [Femenino] 35.3mean(base$Edad)## [1] 35.81293sd(base$Edad)## [1] 15.21795base %>% group_by(Sexo) %>% summarise(mean(Edad), sd(Edad))## # A tibble: 2 × 3
## Sexo `mean(Edad)` `sd(Edad)`
## <dbl+lbl> <dbl> <dbl>
## 1 1 [Masculino] 36.7 15.6
## 2 2 [Femenino] 35.3 15.0range(base$Edad)## [1] 15 82base %>% group_by(Asistencia_Centro_Oracion) %>% summarise(count = n()) %>% mutate(percentage = count / sum(count) * 100)## # A tibble: 5 × 3
## Asistencia_Centro_Oracion count percentage
## <dbl+lbl> <int> <dbl>
## 1 1 [Una vez a la semana] 115 39.1
## 2 2 [Al menos dos veces a la semana] 34 11.6
## 3 3 [Una vez al mes] 48 16.3
## 4 4 [Una vez cada tres meses] 52 17.7
## 5 5 [Una vez al año] 45 15.3base %>% group_by(Religión_participante) %>% summarise(count = n()) %>% mutate(percentage = count / sum(count) * 100)## # A tibble: 5 × 3
## Religión_participante count percentage
## <dbl+lbl> <int> <dbl>
## 1 1 [Católica] 260 88.4
## 2 2 [Evangélica] 20 6.80
## 3 3 [Protestante] 4 1.36
## 4 4 [Mormona] 3 1.02
## 5 5 [Otros/ No alieneados] 7 2.38base %>% group_by(Nivel_educativo) %>% summarise(count = n()) %>% mutate(percentage = count / sum(count) * 100)## # A tibble: 5 × 3
## Nivel_educativo count percentage
## <dbl+lbl> <int> <dbl>
## 1 1 [Primaria] 2 0.680
## 2 2 [Secundaria] 28 9.52
## 3 3 [Técnico] 42 14.3
## 4 4 [Universitario] 182 61.9
## 5 5 [Postgrado] 40 13.6Análisis de correlación
A nivel correlacional, se observa que el RWA está correlacionado de manera positiva con DM y, en menor medida, con DB. Por el contrario, se reporta una correlación negativa entre las actitudes positivas hacia la homosexualidad y las otras variables, especialmente con RWA. Finalmente, existe una correlación moderada entre DM y DB
matriz_correlacion1 <- cor(base[, c("RWATotal", "DBTotal", "DMTotal", "ActitudesHomosexualidad")], use = "complete.obs")
matriz_correlacion1## RWATotal DBTotal DMTotal
## RWATotal 1.0000000 0.1752801 0.5215086
## DBTotal 0.1752801 1.0000000 0.2025356
## DMTotal 0.5215086 0.2025356 1.0000000
## ActitudesHomosexualidad -0.5937773 -0.1311651 -0.4725435
## ActitudesHomosexualidad
## RWATotal -0.5937773
## DBTotal -0.1311651
## DMTotal -0.4725435
## ActitudesHomosexualidad 1.0000000apa.cor.table(
matriz_correlacion1,
filename = "correlacion1",
table.number = 1,
show.conf.interval = TRUE,
show.sig.stars = TRUE,
landscape = TRUE
)##
##
## Table 1
##
## Means, standard deviations, and correlations with confidence intervals
##
##
## Variable M SD 1 2 3
## 1. RWATotal 0.28 0.67
##
## 2. DBTotal 0.31 0.48 .20
## [-.94, .97]
##
## 3. DMTotal 0.31 0.62 .82 .19
## [-.67, 1.00] [-.94, .97]
##
## 4. ActitudesHomosexualidad -0.05 0.73 -.96* -.38 -.91
## [-1.00, .03] [-.98, .92] [-1.00, .43]
##
##
## Note. M and SD are used to represent mean and standard deviation, respectively.
## Values in square brackets indicate the 95% confidence interval.
## The confidence interval is a plausible range of population correlations
## that could have caused the sample correlation (Cumming, 2014).
## * indicates p < .05. ** indicates p < .01.
## Análisis de regresión lineal
El modelo muestra que RWATotal y DMTotal son variables significativas para predecir las actitudes hacia la homosexualidad. Aunque DBTotal no es significativa, las otras dos variables sí lo son, lo que sugiere que las actitudes hacia la homosexualidad están influenciadas por la percepción de Dios como ente castigador y los niveles de autoritarismo de los participantes. El modelo en su conjunto explica aproximadamente el 38.27% de la variabilidad en las actitudes hacia la homosexualidad, según el R cuadrado ajustado, lo que indica que otros factores no incluidos en el modelo también pueden desempeñar un papel importante.
formula <- lm(ActitudesHomosexualidad ~ RWATotal + DBTotal + DMTotal, data = base)
summary(formula)##
## Call:
## lm(formula = ActitudesHomosexualidad ~ RWATotal + DBTotal + DMTotal,
## data = base)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.3299 -0.6789 -0.0258 0.7104 3.4195
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 6.437682 0.388659 16.564 < 0.0000000000000002 ***
## RWATotal -0.057167 0.006471 -8.834 < 0.0000000000000002 ***
## DBTotal -0.003763 0.075741 -0.050 0.96
## DMTotal -0.253728 0.061646 -4.116 0.0000503 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.9637 on 290 degrees of freedom
## Multiple R-squared: 0.389, Adjusted R-squared: 0.3827
## F-statistic: 61.55 on 3 and 290 DF, p-value: < 0.00000000000000022apa.reg.table(formula, filename = "tablaregresion.doc", table.number = NA,
prop.var.conf.level = 0.95)##
##
## Regression results using ActitudesHomosexualidad as the criterion
##
##
## Predictor b b_95%_CI beta beta_95%_CI sr2 sr2_95%_CI r
## (Intercept) 6.44** [5.67, 7.20]
## RWATotal -0.06** [-0.07, -0.04] -0.48 [-0.58, -0.37] .16 [.10, .23] -.59**
## DBTotal -0.00 [-0.15, 0.15] -0.00 [-0.09, 0.09] .00 [-.00, .00] -.13*
## DMTotal -0.25** [-0.38, -0.13] -0.22 [-0.33, -0.12] .04 [.00, .07] -.47**
##
##
##
## Fit
##
##
##
##
## R2 = .389**
## 95% CI[.30,.46]
##
##
## Note. A significant b-weight indicates the beta-weight and semi-partial correlation are also significant.
## b represents unstandardized regression weights. beta indicates the standardized regression weights.
## sr2 represents the semi-partial correlation squared. r represents the zero-order correlation.
## Square brackets are used to enclose the lower and upper limits of a confidence interval.
## * indicates p < .05. ** indicates p < .01.
## Análisis factorial
En consideración de la complejidad que implica la aplicación de una escala compuesta por 65 ítems, y dado que uno de los objetivos primordiales de la investigación era desentrañar la estructura factorial subyacente de dicha escala, se procedió a realizar un análisis factorial exploratorio. El propósito de este análisis era discernir la disposición de los ítems en factores, excluyendo aquellos con cargas factoriales más bajas. Para llevar a cabo este análisis, en primer lugar, se segregaron los ítems en un conjunto aparte, que fue sometido a la prueba de análisis factorial. Se intentó inicialmente una rotación “promax”; sin embargo, los factores no presentaron una asociación clara, lo que llevó a optar por la rotación “promax”. Una vez realizada esta rotación, se exportaron los ítems con sus respectivas rotaciones para facilitar su visualización. Con el objetivo de mantener una estructura de factores más simple y comprensible, se procedió a seleccionar los 10 ítems con las cargas factoriales más altas en cada uno de los factores identificados. Posteriormente, se evaluó la consistencia interna de los factores mediante el cálculo de los promedios de los ítems con las cargas factoriales más altas. Este proceso permitió obtener una visión más clara de la consistencia y la coherencia de los factores identificados en el análisis factorial exploratorio.
items <- base %>% select(matches("DiosBueno\\d{1,2}"), matches("DiosMalo\\d{1,2}"))
library(psych)
KMO(items)## Kaiser-Meyer-Olkin factor adequacy
## Call: KMO(r = items)
## Overall MSA = 0.94
## MSA for each item =
## DiosBueno1 DiosBueno2 DiosBueno3 DiosBueno4 DiosBueno5 DiosBueno11
## 0.93 0.95 0.96 0.92 0.96 0.95
## DiosBueno12 DiosBueno13 DiosBueno14 DiosBueno15 DiosBueno21 DiosBueno22
## 0.97 0.94 0.96 0.97 0.95 0.95
## DiosBueno23 DiosBueno24 DiosBueno25 DiosBueno31 DiosBueno32 DiosBueno33
## 0.94 0.95 0.89 0.93 0.96 0.95
## DiosBueno34 DiosBueno35 DiosBueno41 DiosBueno42 DiosBueno43 DiosBueno44
## 0.94 0.97 0.97 0.95 0.91 0.97
## DiosBueno45 DiosBueno51 DiosBueno52 DiosBueno53 DiosBueno54 DiosBueno55
## 0.95 0.96 0.95 0.95 0.96 0.92
## DiosBueno61 DiosBueno62 DiosMalo6 DiosMalo7 DiosMalo8 DiosMalo9
## 0.91 0.91 0.89 0.90 0.94 0.93
## DiosMalo10 DiosMalo16 DiosMalo17 DiosMalo18 DiosMalo19 DiosMalo20
## 0.97 0.89 0.94 0.93 0.95 0.95
## DiosMalo26 DiosMalo27 DiosMalo28 DiosMalo29 DiosMalo30 DiosMalo36
## 0.92 0.95 0.94 0.94 0.95 0.95
## DiosMalo37 DiosMalo38 DiosMalo39 DiosMalo40 DiosMalo46 DiosMalo47
## 0.94 0.92 0.95 0.93 0.92 0.95
## DiosMalo48 DiosMalo49 DiosMalo50 DiosMalo56 DiosMalo57 DiosMalo58
## 0.93 0.91 0.96 0.95 0.96 0.92
## DiosMalo59 DiosMalo60 DiosMalo63 DiosMalo64 DiosMalo65
## 0.92 0.96 0.95 0.94 0.93#hay que eliminar aquellos con KMO menor a 0.5
items <- items[, KMO(items)$MSAi>0.50] # eliminar variables con MSA < 0.50
items <- items
round(KMO(items)$MSA, 2 )## [1] 0.94cortest.bartlett(items)## R was not square, finding R from data## $chisq
## [1] 13591.5
##
## $p.value
## [1] 0
##
## $df
## [1] 2080#debe ser menor a 0.05, de lo contrario no se puede seguir
ev <- eigen(cor(items)) # get eigenvalues
ev$values## [1] 18.7442960 12.8376144 1.7895595 1.7337433 1.5032251 1.3246337
## [7] 1.1673687 1.1126131 1.0446610 1.0098858 0.9429069 0.9025092
## [13] 0.8537143 0.8465693 0.8279795 0.7689911 0.7618235 0.7388226
## [19] 0.7167647 0.6766111 0.6318730 0.5982615 0.5725502 0.5443379
## [25] 0.5321215 0.5240453 0.5220814 0.5115351 0.5043472 0.4909987
## [31] 0.4718698 0.4475215 0.4334388 0.4170040 0.3999900 0.3868587
## [37] 0.3820185 0.3713701 0.3592130 0.3453471 0.3345480 0.3145100
## [43] 0.3028592 0.2928562 0.2879197 0.2665063 0.2646538 0.2515965
## [49] 0.2441827 0.2366414 0.2248166 0.2085871 0.1974426 0.1882464
## [55] 0.1871060 0.1830257 0.1716801 0.1624032 0.1604168 0.1564990
## [61] 0.1413977 0.1308968 0.1281012 0.1069551 0.1050759scree(items, pc=FALSE) 
fa.parallel(items, fa="fa")
## Parallel analysis suggests that the number of factors = 4 and the number of components = NA#intentamos con opción de factores correlacionados
fit <- factanal(items, 2, rotation="promax")
print(fit, digits=2, cutoff=0.3, sort=TRUE)##
## Call:
## factanal(x = items, factors = 2, rotation = "promax")
##
## Uniquenesses:
## DiosBueno1 DiosBueno2 DiosBueno3 DiosBueno4 DiosBueno5 DiosBueno11
## 0.61 0.35 0.46 0.57 0.40 0.60
## DiosBueno12 DiosBueno13 DiosBueno14 DiosBueno15 DiosBueno21 DiosBueno22
## 0.41 0.45 0.42 0.37 0.60 0.45
## DiosBueno23 DiosBueno24 DiosBueno25 DiosBueno31 DiosBueno32 DiosBueno33
## 0.55 0.64 0.71 0.53 0.38 0.39
## DiosBueno34 DiosBueno35 DiosBueno41 DiosBueno42 DiosBueno43 DiosBueno44
## 0.51 0.29 0.27 0.46 0.66 0.33
## DiosBueno45 DiosBueno51 DiosBueno52 DiosBueno53 DiosBueno54 DiosBueno55
## 0.30 0.63 0.70 0.43 0.52 0.71
## DiosBueno61 DiosBueno62 DiosMalo6 DiosMalo7 DiosMalo8 DiosMalo9
## 0.75 0.76 0.66 0.53 0.60 0.70
## DiosMalo10 DiosMalo16 DiosMalo17 DiosMalo18 DiosMalo19 DiosMalo20
## 0.55 0.70 0.57 0.49 0.44 0.47
## DiosMalo26 DiosMalo27 DiosMalo28 DiosMalo29 DiosMalo30 DiosMalo36
## 0.72 0.60 0.54 0.47 0.43 0.47
## DiosMalo37 DiosMalo38 DiosMalo39 DiosMalo40 DiosMalo46 DiosMalo47
## 0.52 0.65 0.55 0.63 0.68 0.56
## DiosMalo48 DiosMalo49 DiosMalo50 DiosMalo56 DiosMalo57 DiosMalo58
## 0.60 0.75 0.50 0.38 0.48 0.60
## DiosMalo59 DiosMalo60 DiosMalo63 DiosMalo64 DiosMalo65
## 0.78 0.44 0.47 0.34 0.36
##
## Loadings:
## Factor1 Factor2
## DiosBueno1 0.64
## DiosBueno2 0.81
## DiosBueno3 0.74
## DiosBueno4 0.67
## DiosBueno5 0.79
## DiosBueno11 0.64
## DiosBueno12 0.74
## DiosBueno13 0.66
## DiosBueno14 0.75
## DiosBueno15 0.78
## DiosBueno21 0.64
## DiosBueno22 0.73
## DiosBueno23 0.68
## DiosBueno24 0.58
## DiosBueno25 0.51
## DiosBueno31 0.70
## DiosBueno32 0.77
## DiosBueno33 0.76
## DiosBueno34 0.71
## DiosBueno35 0.84
## DiosBueno41 0.86
## DiosBueno42 0.74
## DiosBueno43 0.59
## DiosBueno44 0.79
## DiosBueno45 0.84
## DiosBueno51 0.52
## DiosBueno53 0.77
## DiosBueno54 0.70
## DiosBueno55 0.55
## DiosMalo10 0.50 0.37
## DiosMalo6 0.59
## DiosMalo7 0.69
## DiosMalo8 0.61
## DiosMalo17 0.66
## DiosMalo18 0.66
## DiosMalo19 0.76
## DiosMalo20 0.71
## DiosMalo27 0.63
## DiosMalo28 0.66
## DiosMalo29 0.71
## DiosMalo30 0.76
## DiosMalo36 0.72
## DiosMalo37 0.70
## DiosMalo38 0.60
## DiosMalo39 0.64
## DiosMalo46 0.56
## DiosMalo48 0.64
## DiosMalo50 0.70
## DiosMalo56 0.79
## DiosMalo57 0.67
## DiosMalo58 0.63
## DiosMalo60 0.76
## DiosMalo63 0.71
## DiosMalo64 0.81
## DiosMalo65 0.81
## DiosBueno52 0.38 0.33
## DiosBueno61 0.40
## DiosBueno62 0.46
## DiosMalo9 0.50
## DiosMalo16 -0.36 0.48
## DiosMalo26 0.30 0.39
## DiosMalo40 0.49
## DiosMalo47 0.38 0.47
## DiosMalo49 0.48
## DiosMalo59 0.47
##
## Factor1 Factor2
## SS loadings 16.47 14.08
## Proportion Var 0.25 0.22
## Cumulative Var 0.25 0.47
##
## Factor Correlations:
## Factor1 Factor2
## Factor1 1.00 -0.18
## Factor2 -0.18 1.00
##
## Test of the hypothesis that 2 factors are sufficient.
## The chi square statistic is 3753.8 on 1951 degrees of freedom.
## The p-value is 0.00000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000827#el factor de correlacion es 0.18, lo cual indica que son independientes
fit2 <- factanal(items, 2, rotation="varimax")
print(fit2, digits=2, cutoff=0.3, sort=TRUE)##
## Call:
## factanal(x = items, factors = 2, rotation = "varimax")
##
## Uniquenesses:
## DiosBueno1 DiosBueno2 DiosBueno3 DiosBueno4 DiosBueno5 DiosBueno11
## 0.61 0.35 0.46 0.57 0.40 0.60
## DiosBueno12 DiosBueno13 DiosBueno14 DiosBueno15 DiosBueno21 DiosBueno22
## 0.41 0.45 0.42 0.37 0.60 0.45
## DiosBueno23 DiosBueno24 DiosBueno25 DiosBueno31 DiosBueno32 DiosBueno33
## 0.55 0.64 0.71 0.53 0.38 0.39
## DiosBueno34 DiosBueno35 DiosBueno41 DiosBueno42 DiosBueno43 DiosBueno44
## 0.51 0.29 0.27 0.46 0.66 0.33
## DiosBueno45 DiosBueno51 DiosBueno52 DiosBueno53 DiosBueno54 DiosBueno55
## 0.30 0.63 0.70 0.43 0.52 0.71
## DiosBueno61 DiosBueno62 DiosMalo6 DiosMalo7 DiosMalo8 DiosMalo9
## 0.75 0.76 0.66 0.53 0.60 0.70
## DiosMalo10 DiosMalo16 DiosMalo17 DiosMalo18 DiosMalo19 DiosMalo20
## 0.55 0.70 0.57 0.49 0.44 0.47
## DiosMalo26 DiosMalo27 DiosMalo28 DiosMalo29 DiosMalo30 DiosMalo36
## 0.72 0.60 0.54 0.47 0.43 0.47
## DiosMalo37 DiosMalo38 DiosMalo39 DiosMalo40 DiosMalo46 DiosMalo47
## 0.52 0.65 0.55 0.63 0.68 0.56
## DiosMalo48 DiosMalo49 DiosMalo50 DiosMalo56 DiosMalo57 DiosMalo58
## 0.60 0.75 0.50 0.38 0.48 0.60
## DiosMalo59 DiosMalo60 DiosMalo63 DiosMalo64 DiosMalo65
## 0.78 0.44 0.47 0.34 0.36
##
## Loadings:
## Factor1 Factor2
## DiosBueno1 0.62
## DiosBueno2 0.80
## DiosBueno3 0.74
## DiosBueno4 0.65
## DiosBueno5 0.77
## DiosBueno11 0.62
## DiosBueno12 0.74
## DiosBueno13 0.68
## DiosBueno14 0.75
## DiosBueno15 0.78
## DiosBueno21 0.62
## DiosBueno22 0.73
## DiosBueno23 0.67
## DiosBueno24 0.58
## DiosBueno31 0.68
## DiosBueno32 0.78
## DiosBueno33 0.76
## DiosBueno34 0.69
## DiosBueno35 0.84
## DiosBueno41 0.85
## DiosBueno42 0.73
## DiosBueno43 0.58
## DiosBueno44 0.80
## DiosBueno45 0.83
## DiosBueno51 0.54
## DiosBueno53 0.76
## DiosBueno54 0.70
## DiosBueno55 0.54
## DiosMalo10 0.53 0.41
## DiosMalo40 0.51 0.33
## DiosMalo6 0.57
## DiosMalo7 0.67
## DiosMalo8 0.62
## DiosMalo9 0.51
## DiosMalo17 0.66
## DiosMalo18 0.67
## DiosMalo19 0.74
## DiosMalo20 0.72
## DiosMalo27 0.63
## DiosMalo28 0.67
## DiosMalo29 0.72
## DiosMalo30 0.75
## DiosMalo36 0.72
## DiosMalo37 0.69
## DiosMalo38 0.58
## DiosMalo39 0.65
## DiosMalo46 0.54
## DiosMalo47 0.42 0.51
## DiosMalo48 0.63
## DiosMalo50 0.70
## DiosMalo56 0.79
## DiosMalo57 0.68
## DiosMalo58 0.63
## DiosMalo60 0.75
## DiosMalo63 0.71
## DiosMalo64 0.81
## DiosMalo65 0.80
## DiosBueno25 0.48
## DiosBueno52 0.40 0.37
## DiosBueno61 0.42
## DiosBueno62 0.47
## DiosMalo16 -0.32 0.44
## DiosMalo26 0.34 0.41
## DiosMalo49 0.49
## DiosMalo59 0.47
##
## Factor1 Factor2
## SS loadings 16.42 14.12
## Proportion Var 0.25 0.22
## Cumulative Var 0.25 0.47
##
## Test of the hypothesis that 2 factors are sufficient.
## The chi square statistic is 3753.8 on 1951 degrees of freedom.
## The p-value is 0.00000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000827load <- fit2$loadings[,1:2]
plot(load,type="n") # set up plot
text(load,labels=names(items),cex=.7)
library(psych)
loads <- fit2$loadings
fa.diagram(loads)
dim(fit2$loadings)## [1] 65 2round(fit2$loadings, 3)##
## Loadings:
## Factor1 Factor2
## DiosBueno1 0.624
## DiosBueno2 0.804
## DiosBueno3 0.735
## DiosBueno4 0.652
## DiosBueno5 0.774
## DiosBueno11 0.620 -0.136
## DiosBueno12 0.743 0.188
## DiosBueno13 0.681 0.287
## DiosBueno14 0.753
## DiosBueno15 0.781 0.147
## DiosBueno21 0.625 -0.110
## DiosBueno22 0.732 0.101
## DiosBueno23 0.667
## DiosBueno24 0.584 0.136
## DiosBueno25 0.481 -0.242
## DiosBueno31 0.681 -0.100
## DiosBueno32 0.776 0.147
## DiosBueno33 0.764 0.165
## DiosBueno34 0.694
## DiosBueno35 0.839 0.101
## DiosBueno41 0.854
## DiosBueno42 0.731
## DiosBueno43 0.580
## DiosBueno44 0.796 0.188
## DiosBueno45 0.834
## DiosBueno51 0.538 0.280
## DiosBueno52 0.404 0.365
## DiosBueno53 0.757
## DiosBueno54 0.696
## DiosBueno55 0.537
## DiosBueno61 0.421 0.267
## DiosBueno62 0.468 0.149
## DiosMalo6 -0.118 0.569
## DiosMalo7 -0.151 0.672
## DiosMalo8 0.145 0.615
## DiosMalo9 0.193 0.510
## DiosMalo10 0.531 0.414
## DiosMalo16 -0.319 0.441
## DiosMalo17 0.655
## DiosMalo18 0.230 0.674
## DiosMalo19 0.743
## DiosMalo20 0.124 0.716
## DiosMalo26 0.335 0.414
## DiosMalo27 0.630
## DiosMalo28 0.125 0.666
## DiosMalo29 0.134 0.716
## DiosMalo30 0.754
## DiosMalo36 0.108 0.717
## DiosMalo37 0.690
## DiosMalo38 -0.133 0.578
## DiosMalo39 0.179 0.647
## DiosMalo40 0.513 0.331
## DiosMalo46 -0.162 0.541
## DiosMalo47 0.423 0.506
## DiosMalo48 0.629
## DiosMalo49 0.116 0.486
## DiosMalo50 0.700
## DiosMalo56 0.788
## DiosMalo57 0.240 0.680
## DiosMalo58 0.629
## DiosMalo59 0.467
## DiosMalo60 0.746
## DiosMalo63 0.150 0.713
## DiosMalo64 0.809
## DiosMalo65 0.803
##
## Factor1 Factor2
## SS loadings 16.418 14.118
## Proportion Var 0.253 0.217
## Cumulative Var 0.253 0.470write.csv(round(fit$loadings, 3), file="Cargas.csv")
#probamos la consistencia de los factores
f1 <- items[,c("DiosBueno2","DiosBueno5","DiosBueno15","DiosBueno32",
"DiosBueno33","DiosBueno35", "DiosBueno41", "DiosBueno44",
"DiosBueno45","DiosBueno53")]
f2 <- items[,c("DiosMalo19","DiosMalo20", "DiosMalo29","DiosMalo30",
"DiosMalo36","DiosMalo56","DiosMalo60","DiosMalo63","DiosMalo64", "DiosMalo65")]
alpha(f1,check.keys=TRUE)##
## Reliability analysis
## Call: alpha(x = f1, check.keys = TRUE)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd median_r
## 0.95 0.95 0.95 0.65 18 0.0045 4.5 0.75 0.65
##
## 95% confidence boundaries
## lower alpha upper
## Feldt 0.94 0.95 0.96
## Duhachek 0.94 0.95 0.96
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r med.r
## DiosBueno2 0.94 0.94 0.94 0.65 17 0.0050 0.0042 0.65
## DiosBueno5 0.94 0.94 0.94 0.65 17 0.0049 0.0035 0.66
## DiosBueno15 0.94 0.94 0.94 0.65 16 0.0050 0.0045 0.65
## DiosBueno32 0.94 0.94 0.94 0.65 17 0.0050 0.0037 0.65
## DiosBueno33 0.94 0.94 0.94 0.65 17 0.0049 0.0040 0.65
## DiosBueno35 0.94 0.94 0.94 0.64 16 0.0053 0.0040 0.64
## DiosBueno41 0.94 0.94 0.94 0.64 16 0.0052 0.0041 0.64
## DiosBueno44 0.94 0.94 0.94 0.64 16 0.0051 0.0042 0.65
## DiosBueno45 0.94 0.94 0.94 0.63 16 0.0053 0.0039 0.64
## DiosBueno53 0.95 0.95 0.95 0.66 17 0.0048 0.0036 0.66
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## DiosBueno2 294 0.81 0.82 0.80 0.77 4.6 0.91
## DiosBueno5 294 0.78 0.79 0.76 0.73 4.7 0.85
## DiosBueno15 294 0.82 0.82 0.80 0.78 4.4 0.93
## DiosBueno32 294 0.81 0.82 0.79 0.77 4.5 0.86
## DiosBueno33 294 0.81 0.80 0.78 0.75 4.4 0.98
## DiosBueno35 294 0.87 0.87 0.86 0.83 4.5 0.93
## DiosBueno41 294 0.86 0.86 0.85 0.83 4.5 0.90
## DiosBueno44 294 0.84 0.84 0.82 0.79 4.5 0.93
## DiosBueno45 294 0.87 0.87 0.86 0.84 4.5 0.92
## DiosBueno53 294 0.77 0.77 0.73 0.71 4.5 0.91
##
## Non missing response frequency for each item
## 1 2 3 4 5 miss
## DiosBueno2 0.03 0.02 0.04 0.10 0.81 0
## DiosBueno5 0.03 0.01 0.04 0.11 0.82 0
## DiosBueno15 0.03 0.01 0.11 0.24 0.61 0
## DiosBueno32 0.02 0.01 0.06 0.19 0.70 0
## DiosBueno33 0.03 0.02 0.10 0.19 0.65 0
## DiosBueno35 0.03 0.01 0.07 0.20 0.68 0
## DiosBueno41 0.03 0.01 0.05 0.22 0.68 0
## DiosBueno44 0.03 0.01 0.09 0.21 0.66 0
## DiosBueno45 0.04 0.00 0.06 0.22 0.68 0
## DiosBueno53 0.04 0.01 0.03 0.22 0.71 0alpha(f2,check.keys=TRUE)##
## Reliability analysis
## Call: alpha(x = f2, check.keys = TRUE)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd median_r
## 0.93 0.93 0.93 0.58 14 0.006 2.6 1.1 0.57
##
## 95% confidence boundaries
## lower alpha upper
## Feldt 0.92 0.93 0.94
## Duhachek 0.92 0.93 0.94
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r med.r
## DiosMalo19 0.93 0.93 0.93 0.58 12 0.0066 0.0045 0.57
## DiosMalo20 0.93 0.93 0.93 0.58 13 0.0065 0.0051 0.58
## DiosMalo29 0.93 0.93 0.93 0.58 13 0.0065 0.0048 0.58
## DiosMalo30 0.92 0.92 0.93 0.58 12 0.0066 0.0053 0.58
## DiosMalo36 0.93 0.93 0.93 0.58 13 0.0066 0.0048 0.58
## DiosMalo56 0.92 0.92 0.92 0.57 12 0.0069 0.0048 0.57
## DiosMalo60 0.93 0.93 0.93 0.58 12 0.0066 0.0039 0.58
## DiosMalo63 0.93 0.93 0.93 0.58 12 0.0066 0.0041 0.57
## DiosMalo64 0.92 0.92 0.92 0.56 11 0.0071 0.0027 0.56
## DiosMalo65 0.92 0.92 0.92 0.56 12 0.0069 0.0029 0.57
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## DiosMalo19 294 0.76 0.77 0.73 0.71 2.1 1.3
## DiosMalo20 294 0.77 0.76 0.72 0.70 3.1 1.5
## DiosMalo29 294 0.75 0.75 0.72 0.69 2.9 1.4
## DiosMalo30 294 0.78 0.78 0.74 0.72 2.5 1.5
## DiosMalo36 294 0.76 0.76 0.72 0.70 2.7 1.4
## DiosMalo56 294 0.82 0.82 0.80 0.77 2.6 1.4
## DiosMalo60 294 0.76 0.76 0.73 0.70 2.2 1.3
## DiosMalo63 294 0.76 0.76 0.73 0.70 2.9 1.4
## DiosMalo64 294 0.85 0.86 0.85 0.81 2.4 1.4
## DiosMalo65 294 0.83 0.84 0.83 0.79 2.3 1.3
##
## Non missing response frequency for each item
## 1 2 3 4 5 miss
## DiosMalo19 0.47 0.19 0.16 0.11 0.08 0
## DiosMalo20 0.24 0.11 0.25 0.18 0.22 0
## DiosMalo29 0.22 0.16 0.24 0.24 0.15 0
## DiosMalo30 0.37 0.12 0.23 0.13 0.14 0
## DiosMalo36 0.29 0.16 0.27 0.17 0.12 0
## DiosMalo56 0.31 0.17 0.26 0.14 0.12 0
## DiosMalo60 0.43 0.19 0.18 0.11 0.09 0
## DiosMalo63 0.23 0.16 0.23 0.21 0.16 0
## DiosMalo64 0.36 0.18 0.23 0.13 0.11 0
## DiosMalo65 0.38 0.19 0.24 0.11 0.08 0#creamos un total de los factores
f1$DBTotal <- rowMeans(f1)
f2$DMTotal <- rowMeans(f2)Verificamos la consistencia de la escala abreviada
Para corroborar la consistencia de la versión abreviada del cuestionario después de su reducción se realizó nuevamente los análisis de correlación y regresión, además de otros, con la expectativa que se replique la misma tendencia de los resultados anteriores.
Correlación de ítems - escala abreviada
En esta nueva correlación, se evidencia nuevamente el alto grado de correlación entre DMTotal, ActitudesHomosexualidad y RWA. Por otro lado, DB mantiene correlaciones significativas con las demás variables; sin embargo, el grado de las mismas es baja.
matriz_correlacion2 <- data.frame(f1$DBTotal, f2$DMTotal, base$RWATotal, base$ActitudesHomosexualidad)
cor(matriz_correlacion2, use = "complete.obs")## f1.DBTotal f2.DMTotal base.RWATotal
## f1.DBTotal 1.0000000 0.1624522 0.1670155
## f2.DMTotal 0.1624522 1.0000000 0.5184342
## base.RWATotal 0.1670155 0.5184342 1.0000000
## base.ActitudesHomosexualidad -0.1219254 -0.4840380 -0.5937773
## base.ActitudesHomosexualidad
## f1.DBTotal -0.1219254
## f2.DMTotal -0.4840380
## base.RWATotal -0.5937773
## base.ActitudesHomosexualidad 1.0000000matriz_correlacion2## f1.DBTotal f2.DMTotal base.RWATotal base.ActitudesHomosexualidad
## 1 4.4 1.6 26 5.000000
## 2 4.7 1.4 33 5.000000
## 3 4.7 1.1 27 5.000000
## 4 4.6 2.9 35 5.000000
## 5 4.6 2.1 44 3.666667
## 6 4.0 3.0 54 3.333333
## 7 5.0 2.9 41 4.000000
## 8 4.6 1.8 52 3.333333
## 9 4.2 2.4 33 5.000000
## 10 4.8 2.1 41 4.666667
## 11 5.0 3.0 51 4.333333
## 12 4.5 3.1 26 5.000000
## 13 4.9 3.1 50 4.333333
## 14 5.0 2.8 50 1.666667
## 15 4.1 3.0 37 3.000000
## 16 4.7 2.1 27 5.000000
## 17 5.0 2.5 46 3.000000
## 18 5.0 3.0 40 5.000000
## 19 4.8 1.6 42 4.000000
## 20 4.1 3.3 48 4.000000
## 21 5.0 2.5 40 2.666667
## 22 5.0 3.9 39 1.000000
## 23 5.0 3.7 53 2.000000
## 24 4.2 3.4 50 2.000000
## 25 4.9 1.6 49 3.000000
## 26 3.9 2.0 43 1.666667
## 27 4.1 4.2 65 2.333333
## 28 4.2 3.2 53 2.666667
## 29 4.8 3.3 46 4.000000
## 30 4.6 4.6 58 2.000000
## 31 4.9 4.2 49 2.333333
## 32 4.6 3.8 45 2.000000
## 33 5.0 3.3 47 2.333333
## 34 5.0 2.1 49 2.666667
## 35 4.1 2.4 45 2.333333
## 36 4.2 3.4 60 2.000000
## 37 4.6 1.7 54 2.333333
## 38 5.0 1.0 54 1.333333
## 39 5.0 2.6 44 2.333333
## 40 3.9 2.7 53 2.000000
## 41 5.0 3.3 59 2.333333
## 42 4.9 3.1 57 1.666667
## 43 4.9 1.7 38 5.000000
## 44 4.7 2.9 49 2.666667
## 45 5.0 2.7 41 2.000000
## 46 5.0 2.4 45 2.000000
## 47 4.9 4.8 56 1.000000
## 48 4.8 2.6 25 5.000000
## 49 4.6 2.5 51 2.666667
## 50 5.0 4.8 47 2.333333
## 51 4.5 2.6 41 3.666667
## 52 5.0 3.1 51 2.000000
## 53 4.0 3.3 50 2.666667
## 54 4.6 3.9 42 1.333333
## 55 4.9 4.4 46 1.000000
## 56 4.9 1.9 32 3.666667
## 57 5.0 1.0 43 1.666667
## 58 4.2 2.2 36 4.000000
## 59 3.8 2.7 37 4.000000
## 60 5.0 3.2 53 3.666667
## 61 4.5 1.7 49 4.000000
## 62 5.0 3.7 48 2.333333
## 63 4.8 3.9 72 2.333333
## 64 4.1 2.2 37 5.000000
## 65 4.0 3.2 49 2.000000
## 66 4.3 2.4 55 2.333333
## 67 4.7 3.2 54 1.000000
## 68 3.4 1.7 43 4.000000
## 69 4.5 2.4 41 3.000000
## 70 4.3 2.5 49 4.000000
## 71 4.3 2.4 48 4.000000
## 72 4.0 4.0 49 1.000000
## 73 5.0 1.6 42 4.666667
## 74 4.6 3.0 49 4.000000
## 75 5.0 1.5 49 3.000000
## 76 5.0 2.8 49 1.666667
## 77 5.0 2.3 45 4.333333
## 78 5.0 2.9 49 2.333333
## 79 4.2 3.6 41 3.666667
## 80 5.0 1.8 42 3.333333
## 81 5.0 2.7 47 1.666667
## 82 5.0 2.8 53 1.666667
## 83 4.3 1.7 49 3.333333
## 84 4.8 1.2 42 4.333333
## 85 3.5 2.9 38 4.000000
## 86 4.9 2.6 43 4.000000
## 87 4.4 2.5 48 2.333333
## 88 4.2 1.8 50 4.000000
## 89 4.2 3.4 35 5.000000
## 90 3.7 2.0 41 4.000000
## 91 5.0 1.6 47 4.333333
## 92 5.0 1.3 36 2.666667
## 93 4.5 1.9 54 3.000000
## 94 5.0 3.6 45 3.000000
## 95 4.8 4.2 53 2.333333
## 96 4.9 2.4 61 2.333333
## 97 4.2 3.2 48 2.333333
## 98 4.9 2.5 40 1.666667
## 99 5.0 2.1 41 2.666667
## 100 5.0 1.2 45 2.333333
## 101 4.7 2.2 50 2.666667
## 102 4.0 1.8 43 3.666667
## 103 4.8 3.7 54 1.333333
## 104 4.5 3.0 56 1.000000
## 105 5.0 3.0 47 1.666667
## 106 5.0 3.4 51 3.000000
## 107 4.5 3.2 50 2.333333
## 108 5.0 4.1 49 1.666667
## 109 5.0 2.5 41 3.000000
## 110 5.0 2.6 47 2.333333
## 111 4.2 3.1 46 3.333333
## 112 4.7 4.0 51 1.666667
## 113 3.8 1.9 37 3.333333
## 114 5.0 3.5 43 2.000000
## 115 3.7 1.5 31 4.666667
## 116 4.2 1.9 44 4.000000
## 117 5.0 3.5 47 3.333333
## 118 5.0 3.2 57 3.000000
## 119 4.8 3.3 39 5.000000
## 120 3.8 1.0 27 5.000000
## 121 4.1 1.6 39 3.666667
## 122 4.1 1.8 40 4.000000
## 123 4.3 2.2 32 3.666667
## 124 4.6 1.5 24 4.666667
## 125 4.2 1.1 30 5.000000
## 126 3.0 3.0 26 5.000000
## 127 4.4 1.1 21 5.000000
## 128 5.0 2.5 47 3.000000
## 129 5.0 1.0 50 3.666667
## 130 4.8 1.6 42 3.666667
## 131 1.3 3.6 50 1.333333
## 132 4.9 2.2 35 3.333333
## 133 4.3 1.0 21 5.000000
## 134 3.7 1.9 34 5.000000
## 135 4.9 1.4 31 4.666667
## 136 5.0 2.6 37 3.333333
## 137 5.0 4.2 43 4.333333
## 138 4.9 3.6 46 4.000000
## 139 4.5 2.1 46 3.000000
## 140 4.9 1.0 22 5.000000
## 141 5.0 1.1 33 5.000000
## 142 4.6 1.8 47 4.333333
## 143 3.4 1.9 23 5.000000
## 144 4.9 1.6 37 4.000000
## 145 4.7 1.9 30 5.000000
## 146 5.0 3.7 41 4.000000
## 147 5.0 1.0 39 3.666667
## 148 5.0 1.8 50 4.333333
## 149 3.4 2.3 61 1.000000
## 150 4.8 2.7 52 2.666667
## 151 4.6 1.0 57 2.000000
## 152 5.0 2.6 56 2.666667
## 153 5.0 4.2 36 3.666667
## 154 5.0 4.2 49 2.333333
## 155 5.0 4.2 49 2.333333
## 156 1.4 1.0 36 5.000000
## 157 4.9 2.2 30 5.000000
## 158 3.0 2.2 41 3.666667
## 159 5.0 1.0 35 4.666667
## 160 4.1 2.4 33 3.333333
## 161 5.0 3.1 45 2.666667
## 162 5.0 1.0 32 3.666667
## 163 4.0 2.8 44 1.666667
## 164 4.9 1.9 29 5.000000
## 165 4.8 2.5 40 5.000000
## 166 4.8 4.2 53 1.666667
## 167 4.6 4.5 58 1.666667
## 168 4.0 3.2 44 2.333333
## 169 4.8 1.7 43 5.000000
## 170 4.1 2.8 57 3.000000
## 171 4.9 2.6 30 4.000000
## 172 5.0 4.3 63 3.333333
## 173 5.0 1.4 52 1.000000
## 174 4.8 1.0 42 5.000000
## 175 5.0 2.0 40 5.000000
## 176 5.0 1.4 55 3.000000
## 177 4.8 2.8 46 2.000000
## 178 1.0 1.0 37 3.333333
## 179 4.6 1.2 31 5.000000
## 180 4.8 3.3 50 2.000000
## 181 4.7 2.8 51 3.333333
## 182 5.0 1.4 42 2.333333
## 183 5.0 1.6 49 3.000000
## 184 4.8 1.0 50 2.333333
## 185 4.7 3.7 53 2.333333
## 186 4.9 3.4 48 2.666667
## 187 5.0 1.0 52 3.000000
## 188 5.0 4.2 50 2.333333
## 189 4.2 1.0 60 1.666667
## 190 4.8 2.4 54 2.000000
## 191 5.0 2.5 43 1.666667
## 192 5.0 4.6 52 1.666667
## 193 5.0 2.8 40 5.000000
## 194 4.9 1.3 29 4.000000
## 195 4.0 3.8 43 3.666667
## 196 5.0 3.5 62 1.666667
## 197 5.0 2.2 49 2.000000
## 198 4.9 3.2 36 3.000000
## 199 5.0 2.4 51 1.000000
## 200 4.9 3.5 53 1.333333
## 201 3.9 2.0 48 3.333333
## 202 1.0 4.6 49 1.000000
## 203 4.8 1.0 27 5.000000
## 204 5.0 1.4 48 2.666667
## 205 5.0 1.6 44 5.000000
## 206 3.7 1.0 30 3.666667
## 207 5.0 2.2 48 1.666667
## 208 4.2 1.0 44 5.000000
## 209 5.0 3.6 57 3.333333
## 210 5.0 3.4 52 2.000000
## 211 3.8 1.0 48 3.666667
## 212 5.0 5.0 64 2.333333
## 213 5.0 1.2 42 3.333333
## 214 4.9 3.7 73 3.000000
## 215 4.0 1.6 42 2.333333
## 216 4.6 2.6 48 3.000000
## 217 5.0 2.0 35 4.666667
## 218 4.2 2.2 40 5.000000
## 219 4.2 2.7 52 3.666667
## 220 4.9 1.5 45 3.000000
## 221 5.0 1.3 34 5.000000
## 222 5.0 1.4 48 3.333333
## 223 4.3 1.4 42 5.000000
## 224 4.8 2.1 36 5.000000
## 225 5.0 1.7 37 3.000000
## 226 4.8 2.1 37 4.666667
## 227 5.0 3.6 63 1.000000
## 228 4.9 3.8 47 2.666667
## 229 5.0 2.1 42 1.666667
## 230 5.0 4.6 84 1.000000
## 231 4.9 2.9 50 1.000000
## 232 5.0 2.0 40 5.000000
## 233 5.0 1.3 33 4.000000
## 234 3.9 1.4 41 2.666667
## 235 5.0 2.8 44 2.333333
## 236 4.0 1.9 44 4.333333
## 237 5.0 1.4 42 3.666667
## 238 5.0 3.1 50 5.000000
## 239 4.9 4.7 51 3.000000
## 240 5.0 3.2 54 2.666667
## 241 2.2 1.5 43 2.666667
## 242 5.0 2.1 47 2.333333
## 243 5.0 4.8 56 2.333333
## 244 2.8 1.2 38 4.666667
## 245 4.8 4.4 53 1.000000
## 246 5.0 2.9 57 2.666667
## 247 3.6 1.5 33 3.666667
## 248 4.2 2.8 45 3.333333
## 249 2.6 2.6 46 4.333333
## 250 3.2 2.8 41 3.333333
## 251 4.6 4.5 44 1.666667
## 252 4.6 1.0 39 2.000000
## 253 5.0 1.6 53 2.333333
## 254 4.0 1.0 32 4.000000
## 255 3.6 1.2 35 3.000000
## 256 4.7 3.2 58 4.000000
## 257 5.0 3.1 28 4.333333
## 258 4.0 2.5 43 4.666667
## 259 4.9 2.1 30 3.666667
## 260 5.0 1.2 25 5.000000
## 261 4.1 4.0 52 2.666667
## 262 5.0 4.5 66 1.666667
## 263 5.0 4.8 78 1.666667
## 264 3.6 3.8 59 2.000000
## 265 4.8 2.3 55 3.000000
## 266 4.3 4.4 55 1.000000
## 267 4.8 3.8 79 4.333333
## 268 4.6 4.5 55 1.333333
## 269 4.4 2.0 12 2.000000
## 270 5.0 1.0 24 5.000000
## 271 5.0 3.4 47 1.666667
## 272 4.5 4.7 56 1.666667
## 273 4.6 4.5 68 3.000000
## 274 4.9 3.9 44 1.666667
## 275 4.8 3.7 49 2.333333
## 276 4.8 4.0 36 2.333333
## 277 4.9 1.7 41 3.000000
## 278 5.0 4.6 48 4.333333
## 279 4.7 3.7 64 1.666667
## 280 4.4 4.0 39 4.000000
## 281 4.1 3.7 49 3.666667
## 282 4.6 3.8 52 2.000000
## 283 4.6 2.8 40 3.666667
## 284 5.0 5.0 48 1.000000
## 285 4.7 1.5 45 5.000000
## 286 5.0 1.0 51 3.000000
## 287 1.0 3.0 52 2.333333
## 288 5.0 1.4 42 5.000000
## 289 1.0 1.0 21 5.000000
## 290 2.0 1.5 46 3.333333
## 291 2.0 1.5 46 3.333333
## 292 5.0 4.6 48 3.666667
## 293 2.5 1.1 34 5.000000
## 294 1.5 1.0 32 5.000000apa.cor.table(
matriz_correlacion2,
filename = "correlacion2",
table.number = 1,
show.conf.interval = TRUE,
show.sig.stars = TRUE,
landscape = TRUE
)##
##
## Table 1
##
## Means, standard deviations, and correlations with confidence intervals
##
##
## Variable M SD 1 2
## 1. f1.DBTotal 4.51 0.75
##
## 2. f2.DMTotal 2.58 1.08 .16**
## [.05, .27]
##
## 3. base.RWATotal 44.99 10.23 .17** .52**
## [.05, .28] [.43, .60]
##
## 4. base.ActitudesHomosexualidad 3.17 1.23 -.12* -.48**
## [-.23, -.01] [-.57, -.39]
##
## 3
##
##
##
##
##
##
##
##
## -.59**
## [-.66, -.51]
##
##
## Note. M and SD are used to represent mean and standard deviation, respectively.
## Values in square brackets indicate the 95% confidence interval.
## The confidence interval is a plausible range of population correlations
## that could have caused the sample correlation (Cumming, 2014).
## * indicates p < .05. ** indicates p < .01.
## Análisis de regresión lineal - escala abreviada
Las variables que son significativas dentro del modelo son RWA y DMTotal, al igual que en el modelo anterior con la escala de 65 ítems, asimismo, el valor del R2 aumenta ligeramente en comparación al primer modelo.
formula2 <- lm(base.ActitudesHomosexualidad ~ base.RWATotal + f1.DBTotal + f2.DMTotal, data = matriz_correlacion2)
summary(formula2)##
## Call:
## lm(formula = base.ActitudesHomosexualidad ~ base.RWATotal + f1.DBTotal +
## f2.DMTotal, data = matriz_correlacion2)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.1824 -0.6870 0.0001 0.7227 3.4074
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 6.435852 0.391694 16.431 < 0.0000000000000002 ***
## base.RWATotal -0.056142 0.006434 -8.726 < 0.0000000000000002 ***
## f1.DBTotal -0.007554 0.075724 -0.100 0.921
## f2.DMTotal -0.273268 0.060939 -4.484 0.0000106 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.9589 on 290 degrees of freedom
## Multiple R-squared: 0.3951, Adjusted R-squared: 0.3888
## F-statistic: 63.13 on 3 and 290 DF, p-value: < 0.00000000000000022apa.reg.table(formula2, filename = "tablaregresion2.doc", table.number = NA,
prop.var.conf.level = 0.95)##
##
## Regression results using base.ActitudesHomosexualidad as the criterion
##
##
## Predictor b b_95%_CI beta beta_95%_CI sr2 sr2_95%_CI
## (Intercept) 6.44** [5.66, 7.21]
## base.RWATotal -0.06** [-0.07, -0.04] -0.47 [-0.57, -0.36] .16 [.09, .23]
## f1.DBTotal -0.01 [-0.16, 0.14] -0.00 [-0.10, 0.09] .00 [-.00, .00]
## f2.DMTotal -0.27** [-0.39, -0.15] -0.24 [-0.35, -0.13] .04 [.01, .08]
##
##
##
## r Fit
##
## -.59**
## -.12*
## -.48**
## R2 = .395**
## 95% CI[.31,.46]
##
##
## Note. A significant b-weight indicates the beta-weight and semi-partial correlation are also significant.
## b represents unstandardized regression weights. beta indicates the standardized regression weights.
## sr2 represents the semi-partial correlation squared. r represents the zero-order correlation.
## Square brackets are used to enclose the lower and upper limits of a confidence interval.
## * indicates p < .05. ** indicates p < .01.
## Análisis de cluster
En búsqueda de establecer perfiles tomando como referencia ambas imágenes de Dios, con el objetivo de tener mejor aproximación a cómo interpreta la muestra a Dios a partir del enfoque dual propuesto:benevolente y castigador. Se usó el análisis de cluster no jerárquico a través del método de de K-Medias. En primera instancia, la mayoría de métodos de comprobación del número de cluster indicaban que la cantidad óptima era de 3 cluster y, en menor medida, 2 cluster, por lo que se optó por realizar el análisis para ambos casos. En el caso de 3 cluster, resultaba poco parsimonioso puesto que se tenía 3 grupos de 16, 126 y 152 elementos, asimismo, los 16 elementos no diferían en demasía de los centros de los otros grupos. Por otro lado, estableciendo 2 cluster se obtenía 2 grupos de 141 y 153 elementos.
pacman::p_load(tibble,tidyverse,cluster, factoextra,NbClust,tidyr)
PercepcionDios <- data.frame(f1$DBTotal,f2$DMTotal)
fviz_nbclust(PercepcionDios, kmeans, method = "wss")
fviz_nbclust(PercepcionDios, kmeans, method = "silhouette")
fviz_nbclust(PercepcionDios, kmeans, method = "gap_stat")
resnumclust <- NbClust(PercepcionDios, distance = "euclidean", min.nc=2, max.nc=10, method = "kmeans", index = "alllong")## Warning in max(res[, 25], na.rm = TRUE): ningun argumento finito para max;
## retornando -Inf
## *** : The Hubert index is a graphical method of determining the number of clusters.
## In the plot of Hubert index, we seek a significant knee that corresponds to a
## significant increase of the value of the measure i.e the significant peak in Hubert
## index second differences plot.
## ## *** : The D index is a graphical method of determining the number of clusters.
## In the plot of D index, we seek a significant knee (the significant peak in Dindex
## second differences plot) that corresponds to a significant increase of the value of
## the measure.
## ## Warning in matrix(c(results), nrow = 2, ncol = 30): la longitud de los datos
## [59] no es un submúltiplo o múltiplo del número de filas [2] en la matriz## Warning in matrix(c(results), nrow = 2, ncol = 30, dimnames =
## list(c("Number_clusters", : la longitud de los datos [59] no es un submúltiplo
## o múltiplo del número de filas [2] en la matriz
## *******************************************************************
## * Among all indices:
## * 5 proposed 2 as the best number of clusters
## * 8 proposed 3 as the best number of clusters
## * 1 proposed 6 as the best number of clusters
## * 5 proposed 9 as the best number of clusters
## * 4 proposed 10 as the best number of clusters
##
## ***** Conclusion *****
##
## * According to the majority rule, the best number of clusters is 3
##
##
## *******************************************************************#grupo de 2 cluster
k2 <- kmeans(PercepcionDios, centers = 2, nstart = 25)
k2## K-means clustering with 2 clusters of sizes 129, 165
##
## Cluster means:
## f1.DBTotal f2.DMTotal
## 1 4.649612 3.608527
## 2 4.408485 1.781212
##
## Clustering vector:
## [1] 2 2 2 1 2 1 1 2 2 2 1 1 1 1 1 2 2 1 2 1 2 1 1 1 2 2 1 1 1 1 1 1 1 2 2 1 2
## [38] 2 2 2 1 1 2 1 1 2 1 2 2 1 2 1 1 1 1 2 2 2 2 1 2 1 1 2 1 2 1 2 2 2 2 1 2 1
## [75] 2 1 2 1 1 2 1 1 2 2 1 2 2 2 1 2 2 2 2 1 1 2 1 2 2 2 2 2 1 1 1 1 1 1 2 2 1
## [112] 1 2 1 2 2 1 1 1 2 2 2 2 2 2 1 2 2 2 2 1 2 2 2 2 2 1 1 2 2 2 2 2 2 2 1 2 2
## [149] 2 1 2 2 1 1 1 2 2 2 2 2 1 2 1 2 2 1 1 1 2 1 2 1 2 2 2 2 1 2 2 1 1 2 2 2 1
## [186] 1 2 1 2 2 2 1 1 2 1 1 2 1 2 1 2 1 2 2 2 2 2 2 1 1 2 1 2 1 2 2 2 2 2 2 2 2
## [223] 2 2 2 2 1 1 2 1 1 2 2 2 1 2 2 1 1 1 2 2 1 2 1 1 2 1 2 2 1 2 2 2 2 1 1 2 2
## [260] 2 1 1 1 1 2 1 1 1 2 2 1 1 1 1 1 1 2 1 1 1 1 1 1 1 2 2 2 2 2 2 2 1 2 2
##
## Within cluster sum of squares by cluster:
## [1] 93.9631 167.8199
## (between_SS / total_SS = 48.4 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"table(k2$cluster) #1 primer grupo de 141 y 153##
## 1 2
## 129 165a <- data.frame(PercepcionDios,k2$cluster)
a %>% group_by(k2.cluster) %>% summarise(mean(f1.DBTotal), mean(f2.DMTotal))## # A tibble: 2 × 3
## k2.cluster `mean(f1.DBTotal)` `mean(f2.DMTotal)`
## <int> <dbl> <dbl>
## 1 1 4.65 3.61
## 2 2 4.41 1.78#grupo de 3 cluster
k3 <- kmeans(PercepcionDios, centers = 3, nstart = 25)
k3## K-means clustering with 3 clusters of sizes 152, 16, 126
##
## Cluster means:
## f1.DBTotal f2.DMTotal
## 1 4.613158 1.792763
## 2 1.968750 2.037500
## 3 4.718254 3.605556
##
## Clustering vector:
## [1] 1 1 1 3 1 3 3 1 1 1 3 3 3 3 3 1 1 3 1 3 1 3 3 3 1 1 3 3 3 3 3 3 3 1 1 3 1
## [38] 1 1 1 3 3 1 3 3 1 3 1 1 3 1 3 3 3 3 1 1 1 1 3 1 3 3 1 3 1 3 1 1 1 1 3 1 3
## [75] 1 3 1 3 3 1 3 3 1 1 3 1 1 1 3 1 1 1 1 3 3 1 3 1 1 1 1 1 3 3 3 3 3 3 1 1 3
## [112] 3 1 3 1 1 3 3 3 1 1 1 1 1 1 2 1 1 1 1 2 1 1 1 1 1 3 3 1 1 1 1 1 1 1 3 1 1
## [149] 1 3 1 1 3 3 3 2 1 2 1 1 3 1 3 1 1 3 3 3 1 3 1 3 1 1 1 1 3 2 1 3 3 1 1 1 3
## [186] 3 1 3 1 1 1 3 3 1 3 3 1 3 1 3 1 2 1 1 1 1 1 1 3 3 1 3 1 3 1 1 1 1 1 1 1 1
## [223] 1 1 1 1 3 3 1 3 3 1 1 1 3 1 1 3 3 3 2 1 3 2 3 3 1 3 2 2 3 1 1 1 1 3 3 1 1
## [260] 1 3 3 3 3 1 3 3 3 1 1 3 3 3 3 3 3 1 3 3 3 3 3 3 3 1 1 2 1 2 2 2 3 2 2
##
## Within cluster sum of squares by cluster:
## [1] 72.79572 28.35188 64.75413
## (between_SS / total_SS = 67.3 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"#grupo de 16, 126 y 152
table(k3$cluster)##
## 1 2 3
## 152 16 126b <- data.frame(PercepcionDios,k3$cluster)
b %>% group_by(k3.cluster) %>% summarise(mean(f1.DBTotal), mean(f2.DMTotal))## # A tibble: 3 × 3
## k3.cluster `mean(f1.DBTotal)` `mean(f2.DMTotal)`
## <int> <dbl> <dbl>
## 1 1 4.61 1.79
## 2 2 1.97 2.04
## 3 3 4.72 3.61Graficos del cluster
#con dos cluster
fviz_cluster(k2, data = PercepcionDios)
fviz_cluster(k2, data = PercepcionDios, ellipse.type = "euclid",repel = FALSE,star.plot = TRUE) 
fviz_cluster(k2, data = PercepcionDios, ellipse.type = "norm")
fviz_cluster(k2, data = PercepcionDios, ellipse.type = "norm",palette = "Set2", ggtheme = theme_minimal())
#con tres cluster
fviz_cluster(k3, data = PercepcionDios)
fviz_cluster(k3, data = PercepcionDios, ellipse.type = "euclid",repel = FALSE,star.plot = TRUE) 
fviz_cluster(k3, data = PercepcionDios, ellipse.type = "norm")
fviz_cluster(k3, data = PercepcionDios, ellipse.type = "norm",palette = "Set2", ggtheme = theme_minimal())
#convertimos a factores
a$k2.cluster <- as.factor(a$k2.cluster)
ggplot(a, aes(x = f1.DBTotal, y = f2.DMTotal, colour = k2.cluster)) +
stat_summary(fun = mean, geom="pointrange", size = 1)+
stat_summary(geom="line")## No summary function supplied, defaulting to `mean_se()`## Warning: Removed 42 rows containing missing values or values outside the scale range
## (`geom_segment()`).
## Comparación entre grupos obtenidos del cluster Primero creamos un
objeto independiente con las variables a comparar, además de los lcuter,
que permitirán segmentar en grupos, seguido de limpiar los nombres de
las columnas para una mejor escritura de código. Seguido de ello,
aplicamos la prueba de normalidad para conocer la districución de los
datos, obteniendo que todas las variables tienen distribución no
paramétrica, por lo que se opta por la prueba de wilcoxon (comparación
de dos grupos independientes con distribución no paramétrica). Los
resultados de la prueba de wilcoxon señalan que diferencias
significativas en ambos grupos en los niveles de RWA (autoritarismo),
edad y actitudes hacia la homosexualidad.
comparacion <- data.frame(a$k2.cluster,base$RWATotal,base$ActitudesHomosexualidad,
base$Nivel_educativo,base$Asistencia_Centro_Oracion,base$Edad)
names(comparacion)## [1] "a.k2.cluster" "base.RWATotal"
## [3] "base.ActitudesHomosexualidad" "base.Nivel_educativo"
## [5] "base.Asistencia_Centro_Oracion" "base.Edad"comparacion$cluster <- comparacion$a.k2.cluster
comparacion$RWATotal <- comparacion$base.RWATotal
comparacion$ActitudesHomosexualidad <- comparacion$base.ActitudesHomosexualidad
comparacion$Nivel_Educativo <- comparacion$base.Nivel_educativo
comparacion$Asistencia_Centro_Oracion <- comparacion$base.Asistencia_Centro_Oracion
comparacion$Edad <- comparacion$base.Edad
dim(comparacion)## [1] 294 12comparacion <- comparacion[,7:12]
#aplicamos prueba de normalidad
library(nortest)## Warning: package 'nortest' was built under R version 4.3.1lillie.test(comparacion$RWATotal)##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: comparacion$RWATotal
## D = 0.062578, p-value = 0.00741lillie.test(comparacion$ActitudesHomosexualidad)##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: comparacion$ActitudesHomosexualidad
## D = 0.10957, p-value = 0.000000004313lillie.test(comparacion$Edad)##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: comparacion$Edad
## D = 0.15535, p-value < 0.00000000000000022#Creamos factores a partir del cluster
comparacion$cluster <- ifelse(comparacion$cluster == 1, "fundamentalista", "no fundamentalista")
wilcox.test(RWATotal ~ cluster, data = comparacion)##
## Wilcoxon rank sum test with continuity correction
##
## data: RWATotal by cluster
## W = 16272, p-value = 0.000000000000006818
## alternative hypothesis: true location shift is not equal to 0wilcox.test(ActitudesHomosexualidad ~ cluster, data = comparacion)##
## Wilcoxon rank sum test with continuity correction
##
## data: ActitudesHomosexualidad by cluster
## W = 5515, p-value = 0.000000000001049
## alternative hypothesis: true location shift is not equal to 0wilcox.test(Edad ~ cluster, data = comparacion)##
## Wilcoxon rank sum test with continuity correction
##
## data: Edad by cluster
## W = 13034, p-value = 0.0009398
## alternative hypothesis: true location shift is not equal to 0#gráficos de comparación
#RWA
ggplot(comparacion, aes(x = cluster, y = RWATotal, fill = cluster)) +
geom_boxplot() +
labs(x = "Cluster", y = "RWATotal", title = "Gráfico de Caja de RWATotal por Cluster") +
geom_text(x = 1.5, y = max(comparacion$RWATotal), label = "p < 0.001")
#Actitudes hacia la homosexualidad
ggplot(comparacion, aes(x = cluster, y = ActitudesHomosexualidad, fill = cluster)) +
geom_boxplot() +
labs(x = "Cluster", y = "ActitudesHomosexualidad", title = "Gráfico de Caja de ActitudesHomosexualidad por Cluster") +
geom_text(x = 1.5, y = max(comparacion$ActitudesHomosexualidad), label = "p < 0.001")
#Nivel educativo
etiquetas_x <- c(
"1" = "Primaria",
"2" = "Secundaria",
"3" = "Técnico",
"4" = "Universitario",
"5" = "Postgrado")
ggplot(comparacion, aes(x = factor(Nivel_Educativo, levels = 1:5), fill = cluster)) +
geom_bar(position = "dodge", color = "black") +
geom_text(stat = "count", aes(label = ..count..), position = position_dodge(width = 0.9), vjust = -0.5) +
labs(x = "Nivel Educativo", y = "Count", title = "Distribución de Nivel Educativo por Cluster") +
scale_fill_manual(values = c("#E69F00", "#56B4E9")) +
scale_x_discrete(labels = etiquetas_x) +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) ## Warning: The dot-dot notation (`..count..`) was deprecated in ggplot2 3.4.0.
## ℹ Please use `after_stat(count)` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
#Asistencia al centro de oración
# Definir las etiquetas deseadas
# Definir las etiquetas deseadas para la leyenda
etiquetas_y <- c(
"1" = "Una vez a la semana",
"2" = "Al menos dos veces a la semana",
"3" = "Una vez al mes",
"4" = "Una vez cada tres meses",
"5" = "Una vez al año"
)
# Crear el gráfico de barras con etiquetas personalizadas en el eje y y colores diferentes
ggplot(comparacion, aes(x = factor(cluster), fill = factor(Asistencia_Centro_Oracion))) +
geom_bar(position = "dodge", color = "black") +
geom_text(stat = "count", aes(label = ..count..), position = position_dodge(width = 0.9), vjust = -0.5) +
labs(x = "Cluster", y = "Frecuencia de Asistencia", title = "Distribución de Asistencia al Centro de Oración por Cluster") +
scale_fill_manual(name = "Frecuencia de Asistencia", values = c("#FF9999", "#66CCCC", "#FFCC99", "#99CCFF", "#FF99CC"),
labels = etiquetas_y) 
#Edad
ggplot(comparacion, aes(x = cluster, y = Edad, fill = cluster)) +
geom_boxplot() +
labs(x = "Cluster", y = "Edad", title = "Gráfico de Caja de Edad por Cluster") +
geom_text(x = 1.5, y = max(comparacion$Edad), label = "p < 0.001")