2024-06-06
install.packages("Amelia")
## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.3' ## (as 'lib' is unspecified)
install.packages("janitor")
## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.3' ## (as 'lib' is unspecified)
install.packages("pastecs")
## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.3' ## (as 'lib' is unspecified)
library(readxl) library(dplyr)
## ## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats': ## ## filter, lag
## The following objects are masked from 'package:base': ## ## intersect, setdiff, setequal, union
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ── ## ✔ forcats 1.0.0 ✔ readr 2.1.4 ## ✔ ggplot2 3.4.2 ✔ stringr 1.5.0 ## ✔ lubridate 1.9.2 ✔ tibble 3.2.1 ## ✔ purrr 1.0.2 ✔ tidyr 1.3.0
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ── ## ✖ dplyr::filter() masks stats::filter() ## ✖ dplyr::lag() masks stats::lag() ## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(ggplot2) library(Amelia)
## Loading required package: Rcpp ## ## ## ## Amelia II: Multiple Imputation ## ## (Version 1.8.2, built: 2024-04-10) ## ## Copyright (C) 2005-2024 James Honaker, Gary King and Matthew Blackwell ## ## Refer to http://gking.harvard.edu/amelia/ for more information ## ##
library(janitor)
## ## Attaching package: 'janitor' ## ## The following objects are masked from 'package:stats': ## ## chisq.test, fisher.test
library(magrittr)
## ## Attaching package: 'magrittr' ## ## The following object is masked from 'package:purrr': ## ## set_names ## ## The following object is masked from 'package:tidyr': ## ## extract
library(pastecs)
## ## Attaching package: 'pastecs' ## ## The following object is masked from 'package:magrittr': ## ## extract ## ## The following object is masked from 'package:tidyr': ## ## extract ## ## The following objects are masked from 'package:dplyr': ## ## first, last
datos <- read_excel("Datos_Final.xlsx")
view(datos)
summary(datos)
## ID Edad Género Nivel Educativo ## Min. : 1.0 Min. :18.00 Length:845 Length:845 ## 1st Qu.:206.0 1st Qu.:31.00 Class :character Class :character ## Median :422.0 Median :45.00 Mode :character Mode :character ## Mean :422.2 Mean :43.97 ## 3rd Qu.:635.0 3rd Qu.:56.00 ## Max. :845.0 Max. :69.00 ## NA's :84 NA's :84 ## Estado Civil Ocupación Ingresos Estrés ## Length:845 Length:845 Min. : 506 Min. : 1.000 ## Class :character Class :character 1st Qu.:1804 1st Qu.: 3.000 ## Mode :character Mode :character Median :2968 Median : 6.000 ## Mean :2862 Mean : 5.573 ## 3rd Qu.:3974 3rd Qu.: 8.000 ## Max. :4998 Max. :10.000 ## NA's :84 NA's :84 ## Ansiedad Depresión Satisfacción con la vida Soporte Social ## Min. : 1.000 Min. : 1.000 Min. : 1.00 Min. : 1.000 ## 1st Qu.: 3.000 1st Qu.: 3.000 1st Qu.: 3.00 1st Qu.: 3.000 ## Median : 6.000 Median : 6.000 Median : 5.00 Median : 6.000 ## Mean : 5.551 Mean : 5.594 Mean : 5.49 Mean : 5.548 ## 3rd Qu.: 8.000 3rd Qu.: 8.000 3rd Qu.: 8.00 3rd Qu.: 8.000 ## Max. :10.000 Max. :10.000 Max. :10.00 Max. :10.000 ## NA's :84 NA's :84 NA's :84 NA's :84 ## Sueño Actividad Física Consumo de Agua Felicidad ## Min. : 1.000 Min. : 1.000 Min. : 1.000 Min. : 1.000 ## 1st Qu.: 3.000 1st Qu.: 3.000 1st Qu.: 3.000 1st Qu.: 3.000 ## Median : 5.000 Median : 5.000 Median : 6.000 Median : 6.000 ## Mean : 5.523 Mean : 5.434 Mean : 5.653 Mean : 5.548 ## 3rd Qu.: 8.000 3rd Qu.: 8.000 3rd Qu.: 8.000 3rd Qu.: 8.000 ## Max. :10.000 Max. :10.000 Max. :10.000 Max. :10.000 ## NA's :84 NA's :84 NA's :84 NA's :84 ## Estatura ## Min. :150.0 ## 1st Qu.:162.0 ## Median :176.0 ## Mean :174.9 ## 3rd Qu.:187.0 ## Max. :199.0 ## NA's :84
dim(datos)
## [1] 845 17
str(datos)
## tibble [845 × 17] (S3: tbl_df/tbl/data.frame) ## $ ID : num [1:845] 1 2 3 4 NA 6 7 8 9 10 ... ## $ Edad : num [1:845] 56 69 46 32 60 25 38 56 36 40 ... ## $ Género : chr [1:845] "Masculino" "Otro" "Masculino" "Masculino" ... ## $ Nivel Educativo : chr [1:845] "Primaria" "Universitario" "Posgrado" "Secundaria" ... ## $ Estado Civil : chr [1:845] "Casado" "Soltero" "Viudo" "Soltero" ... ## $ Ocupación : chr [1:845] "Empleado" "Desempleado" "Desempleado" "Estudiante" ... ## $ Ingresos : num [1:845] 2366 2496 1409 4805 3689 ... ## $ Estrés : num [1:845] 4 9 10 3 8 1 9 9 10 2 ... ## $ Ansiedad : num [1:845] 4 9 NA 7 6 NA 5 1 1 9 ... ## $ Depresión : num [1:845] 3 2 NA 4 8 3 1 NA NA 1 ... ## $ Satisfacción con la vida: num [1:845] NA 4 8 5 NA 9 10 NA 1 9 ... ## $ Soporte Social : num [1:845] 7 6 6 NA 3 3 10 9 8 5 ... ## $ Sueño : num [1:845] NA NA 2 3 6 7 4 1 NA 9 ... ## $ Actividad Física : num [1:845] 5 8 5 NA 8 2 3 9 5 5 ... ## $ Consumo de Agua : num [1:845] 4 8 NA 7 10 NA 10 5 7 4 ... ## $ Felicidad : num [1:845] 1 5 8 7 5 3 1 7 3 4 ... ## $ Estatura : num [1:845] 196 172 NA 184 174 181 171 157 187 167 ...
#Eliminamos la columna ID del dataframe original datos_sin_ID <- select(datos, -ID) #Creamos una nueva secuencia numérica del mismo tamaño que el dataframe original nuevos_ID <- 1:nrow(datos) #Agregamos la nueva columna al dataframe sin datos nuevos_datos <- bind_cols(ID = nuevos_ID, datos_sin_ID) print(head(nuevos_datos))
## # A tibble: 6 × 17 ## ID Edad Género `Nivel Educativo` `Estado Civil` Ocupación Ingresos Estrés ## <int> <dbl> <chr> <chr> <chr> <chr> <dbl> <dbl> ## 1 1 56 Mascul… Primaria Casado Empleado 2366 4 ## 2 2 69 Otro Universitario Soltero Desemple… 2496 9 ## 3 3 46 Mascul… Posgrado Viudo Desemple… 1409 10 ## 4 4 32 Mascul… Secundaria Soltero Estudian… 4805 3 ## 5 5 60 Femeni… Universitario Casado Empleado 3689 8 ## 6 6 25 <NA> Posgrado Viudo Autónomo 1270 1 ## # ℹ 9 more variables: Ansiedad <dbl>, Depresión <dbl>, ## # `Satisfacción con la vida` <dbl>, `Soporte Social` <dbl>, Sueño <dbl>, ## # `Actividad Física` <dbl>, `Consumo de Agua` <dbl>, Felicidad <dbl>, ## # Estatura <dbl>
nuevos_datos$ID <- as.character(nuevos_datos$ID)
str(datos)
## tibble [845 × 17] (S3: tbl_df/tbl/data.frame) ## $ ID : num [1:845] 1 2 3 4 NA 6 7 8 9 10 ... ## $ Edad : num [1:845] 56 69 46 32 60 25 38 56 36 40 ... ## $ Género : chr [1:845] "Masculino" "Otro" "Masculino" "Masculino" ... ## $ Nivel Educativo : chr [1:845] "Primaria" "Universitario" "Posgrado" "Secundaria" ... ## $ Estado Civil : chr [1:845] "Casado" "Soltero" "Viudo" "Soltero" ... ## $ Ocupación : chr [1:845] "Empleado" "Desempleado" "Desempleado" "Estudiante" ... ## $ Ingresos : num [1:845] 2366 2496 1409 4805 3689 ... ## $ Estrés : num [1:845] 4 9 10 3 8 1 9 9 10 2 ... ## $ Ansiedad : num [1:845] 4 9 NA 7 6 NA 5 1 1 9 ... ## $ Depresión : num [1:845] 3 2 NA 4 8 3 1 NA NA 1 ... ## $ Satisfacción con la vida: num [1:845] NA 4 8 5 NA 9 10 NA 1 9 ... ## $ Soporte Social : num [1:845] 7 6 6 NA 3 3 10 9 8 5 ... ## $ Sueño : num [1:845] NA NA 2 3 6 7 4 1 NA 9 ... ## $ Actividad Física : num [1:845] 5 8 5 NA 8 2 3 9 5 5 ... ## $ Consumo de Agua : num [1:845] 4 8 NA 7 10 NA 10 5 7 4 ... ## $ Felicidad : num [1:845] 1 5 8 7 5 3 1 7 3 4 ... ## $ Estatura : num [1:845] 196 172 NA 184 174 181 171 157 187 167 ...
names(datos)
## [1] "ID" "Edad" ## [3] "Género" "Nivel Educativo" ## [5] "Estado Civil" "Ocupación" ## [7] "Ingresos" "Estrés" ## [9] "Ansiedad" "Depresión" ## [11] "Satisfacción con la vida" "Soporte Social" ## [13] "Sueño" "Actividad Física" ## [15] "Consumo de Agua" "Felicidad" ## [17] "Estatura"
datos %<>% clean_names() names(datos)
## [1] "id" "edad" ## [3] "genero" "nivel_educativo" ## [5] "estado_civil" "ocupacion" ## [7] "ingresos" "estres" ## [9] "ansiedad" "depresion" ## [11] "satisfaccion_con_la_vida" "soporte_social" ## [13] "sueno" "actividad_fisica" ## [15] "consumo_de_agua" "felicidad" ## [17] "estatura"
unique(datos$genero)
## [1] "Masculino" "Otro" "Femenino" NA
unique(datos$nivel_educativo)
## [1] "Primaria" "Universitario" "Posgrado" "Secundaria" ## [5] NA
unique(datos$estado_civil)
## [1] "Casado" "Soltero" "Viudo" "Divorciado" NA
unique(datos$ocupacion)
## [1] "Empleado" "Desempleado" "Estudiante" "Autónomo" NA
missmap(nuevos_datos, main = "Mapa de datos Faltantes")
## Warning: Unknown or uninitialised column: `arguments`. ## Unknown or uninitialised column: `arguments`.
## Warning: Unknown or uninitialised column: `imputations`.
normality_tests <- nuevos_datos %>% summarise(across(where(is.numeric), ~ shapiro.test(.x)$p.value)) %>% pivot_longer(cols = everything(), names_to = "Variable", values_to = "P-Value") #Agregar una Columna indicando si los dato son normales o no normality_tests <- normality_tests %>% mutate(Normal = ifelse(`P-Value` < 0.05, "No", "Sí")) #Mostrar los resultados print(normality_tests)
## # A tibble: 12 × 3 ## Variable `P-Value` Normal ## <chr> <dbl> <chr> ## 1 Edad 4.59e-14 No ## 2 Ingresos 1.49e-14 No ## 3 Estrés 8.67e-18 No ## 4 Ansiedad 1.37e-16 No ## 5 Depresión 7.24e-19 No ## 6 Satisfacción con la vida 9.98e-18 No ## 7 Soporte Social 8.35e-18 No ## 8 Sueño 4.78e-18 No ## 9 Actividad Física 2.80e-17 No ## 10 Consumo de Agua 9.84e-19 No ## 11 Felicidad 1.49e-17 No ## 12 Estatura 1.07e-15 No
# Función para rellenar variables cuantitativas con la mediana
rellenar_con_mediana <- function(x) {
x[is.na(x)] <- median(x, na.rm = TRUE)
return(x)
}
# Función para calcular la moda
calcular_moda <- function(x) {
uniq_vals <- unique(na.omit(x))
uniq_vals[which.max(tabulate(match(x, uniq_vals)))]
}
# Función para rellenar NA en variables cualitativas con la moda
rellenar_con_moda <- function(x) {
moda <- calcular_moda(x)
x[is.na(x)] <- moda
return(x)
}
nuevos_datos <- nuevos_datos %>% mutate(across(where(is.numeric), rellenar_con_mediana)) %>% mutate(across(where(is.character), rellenar_con_moda)) %>% mutate(across(where(is.factor), ~ as.character(.) %>% rellenar_con_moda() %>% as.factor())) # Verificar que no haya NA en el nuevo dataframe missmap(nuevos_datos, main="Mapa de Datos Faltantes")
## Warning: Unknown or uninitialised column: `arguments`. ## Unknown or uninitialised column: `arguments`.
## Warning: Unknown or uninitialised column: `imputations`.
sum(is.na(nuevos_datos))
## [1] 0
Cómo podemos apreciar, ya no hay datos faltantes en ninguna de las observaciones ni en las variables registradas; por ende, es posible afirmar que los datos están limpios y han recibido un tratamiento acorde a su naturaleza.
names(nuevos_datos)
## [1] "ID" "Edad" ## [3] "Género" "Nivel Educativo" ## [5] "Estado Civil" "Ocupación" ## [7] "Ingresos" "Estrés" ## [9] "Ansiedad" "Depresión" ## [11] "Satisfacción con la vida" "Soporte Social" ## [13] "Sueño" "Actividad Física" ## [15] "Consumo de Agua" "Felicidad" ## [17] "Estatura"
nuevos_datos %<>% clean_names() names(nuevos_datos)
## [1] "id" "edad" ## [3] "genero" "nivel_educativo" ## [5] "estado_civil" "ocupacion" ## [7] "ingresos" "estres" ## [9] "ansiedad" "depresion" ## [11] "satisfaccion_con_la_vida" "soporte_social" ## [13] "sueno" "actividad_fisica" ## [15] "consumo_de_agua" "felicidad" ## [17] "estatura"
summary(nuevos_datos)
## id edad genero nivel_educativo ## Length:845 Min. :18.00 Length:845 Length:845 ## Class :character 1st Qu.:33.00 Class :character Class :character ## Mode :character Median :45.00 Mode :character Mode :character ## Mean :44.08 ## 3rd Qu.:55.00 ## Max. :69.00 ## estado_civil ocupacion ingresos estres ## Length:845 Length:845 Min. : 506 Min. : 1.000 ## Class :character Class :character 1st Qu.:1939 1st Qu.: 3.000 ## Mode :character Mode :character Median :2968 Median : 6.000 ## Mean :2873 Mean : 5.615 ## 3rd Qu.:3861 3rd Qu.: 8.000 ## Max. :4998 Max. :10.000 ## ansiedad depresion satisfaccion_con_la_vida soporte_social ## Min. : 1.000 Min. : 1.000 Min. : 1.000 Min. : 1.000 ## 1st Qu.: 3.000 1st Qu.: 3.000 1st Qu.: 3.000 1st Qu.: 3.000 ## Median : 6.000 Median : 6.000 Median : 5.000 Median : 6.000 ## Mean : 5.595 Mean : 5.634 Mean : 5.441 Mean : 5.593 ## 3rd Qu.: 8.000 3rd Qu.: 8.000 3rd Qu.: 8.000 3rd Qu.: 8.000 ## Max. :10.000 Max. :10.000 Max. :10.000 Max. :10.000 ## sueno actividad_fisica consumo_de_agua felicidad ## Min. : 1.000 Min. : 1.000 Min. : 1.000 Min. : 1.000 ## 1st Qu.: 3.000 1st Qu.: 3.000 1st Qu.: 3.000 1st Qu.: 3.000 ## Median : 5.000 Median : 5.000 Median : 6.000 Median : 6.000 ## Mean : 5.471 Mean : 5.391 Mean : 5.688 Mean : 5.593 ## 3rd Qu.: 8.000 3rd Qu.: 8.000 3rd Qu.: 8.000 3rd Qu.: 8.000 ## Max. :10.000 Max. :10.000 Max. :10.000 Max. :10.000 ## estatura ## Min. :150 ## 1st Qu.:163 ## Median :176 ## Mean :175 ## 3rd Qu.:186 ## Max. :199
dim(nuevos_datos)
## [1] 845 17
str(nuevos_datos)
## tibble [845 × 17] (S3: tbl_df/tbl/data.frame) ## $ id : chr [1:845] "1" "2" "3" "4" ... ## $ edad : num [1:845] 56 69 46 32 60 25 38 56 36 40 ... ## $ genero : chr [1:845] "Masculino" "Otro" "Masculino" "Masculino" ... ## $ nivel_educativo : chr [1:845] "Primaria" "Universitario" "Posgrado" "Secundaria" ... ## $ estado_civil : chr [1:845] "Casado" "Soltero" "Viudo" "Soltero" ... ## $ ocupacion : chr [1:845] "Empleado" "Desempleado" "Desempleado" "Estudiante" ... ## $ ingresos : num [1:845] 2366 2496 1409 4805 3689 ... ## $ estres : num [1:845] 4 9 10 3 8 1 9 9 10 2 ... ## $ ansiedad : num [1:845] 4 9 6 7 6 6 5 1 1 9 ... ## $ depresion : num [1:845] 3 2 6 4 8 3 1 6 6 1 ... ## $ satisfaccion_con_la_vida: num [1:845] 5 4 8 5 5 9 10 5 1 9 ... ## $ soporte_social : num [1:845] 7 6 6 6 3 3 10 9 8 5 ... ## $ sueno : num [1:845] 5 5 2 3 6 7 4 1 5 9 ... ## $ actividad_fisica : num [1:845] 5 8 5 5 8 2 3 9 5 5 ... ## $ consumo_de_agua : num [1:845] 4 8 6 7 10 6 10 5 7 4 ... ## $ felicidad : num [1:845] 1 5 8 7 5 3 1 7 3 4 ... ## $ estatura : num [1:845] 196 172 176 184 174 181 171 157 187 167 ...
unique(nuevos_datos$genero)
## [1] "Masculino" "Otro" "Femenino"
unique(nuevos_datos$nivel_educativo)
## [1] "Primaria" "Universitario" "Posgrado" "Secundaria"
unique(nuevos_datos$estado_civil)
## [1] "Casado" "Soltero" "Viudo" "Divorciado"
unique(nuevos_datos$ocupacion)
## [1] "Empleado" "Desempleado" "Estudiante" "Autónomo"
En ninguna de las variables de tipo “String” se presentan NA, por lo que podemos empezar a trabajar con el dataframe presentado.
Determinar si las variables categóricas género y nivel educativo son independientes o no. Para ello, utilizaremos el siguiente planteamiento de hipótesis:
Hipótesis Nula (H0): No hay una asociación entre el género y el nivel educativo
Hipótesis Alternativa (H1): Existe una asociación entre estas dos variables categóricas (género y nivel educativo)
#Creamos una tabla de contingencia con las variables a estudiar tabla_de_contingencia = table(nuevos_datos$genero , nuevos_datos$nivel_educativo) #Aplicamos la prueba Chi-Cuadrado la cuál arrojará distintos valores que nos ayudarán a tomar una decisión más adelante. resultado <- chisq.test(tabla_de_contingencia) #Planteamiento de las Hipótesis #Hipótesis Nula (H0): No hay una asociación entre el género y el nivel educativo #Hipótesis Alternativa (H1): Existe una asociación entre estas dos variables categóricas (género y nivel educativo) print(resultado)
## ## Pearson's Chi-squared test ## ## data: tabla_de_contingencia ## X-squared = 2.7887, df = 6, p-value = 0.8349
if (resultado$p.value < 0.05) {
print("Se rechaza la hipótesis nula, por lo que se afirma que existe una asociación entre estas dos variables")
} else {
print("No se rechaza la hipótesis nula. Por lo tanto, no es posible concluir que existe una asociación entre el género y el nivel educativo.")
}
## [1] "No se rechaza la hipótesis nula. Por lo tanto, no es posible concluir que existe una asociación entre el género y el nivel educativo."
La regla de decisión para este tipo de tests compara el p-valor emitido por la prueba con un nivel de signifcancia, que en este caso es del 5%. Entonces, la decisión final está dada por las siguiente condición:
Si p-valor < nivel de significancia, entonces se rechaza H0
Si p-valor >= nivel de significancia, entonces no se rechaza H0
Cómo podemos apreciar, el p-valor arrojado por la prueba Chi-Cuadrado es de 0.8349, es decir, es mayor que el nivel de significancia considerado (0.05). Por lo que no re rechaza la hipótesis nula y se concluye que no existe una asociación entre el género y el nivel educativo.
#Creamos la tabla de contingencia tabla_contingencia <- table(nuevos_datos$estado_civil , nuevos_datos$ocupacion) #Aplicamos la prueba resultado_prueba <- chisq.test(tabla_contingencia) print(resultado_prueba)
## ## Pearson's Chi-squared test ## ## data: tabla_contingencia ## X-squared = 5.4107, df = 9, p-value = 0.7971
#Planteamiento de las hipótesis
#Ho: La distribución de la ocupación es la misma para los diferentes estados civiles
#H1: La distribución de la ocupación difiere entre los distintos estados civiles
#Conclusiones
if (resultado_prueba$p.value < 0.05) {
print("Se rechaza la hipótesis nula. Por lo que se afirma que la distribución de la ocupción no es homogénea entre los diferentes estados civiles")
} else {
print("No se rechaza la hipótesis nula. Por lo que no es posible concluir que la distribución de ocupación sea homogénea entre los diferentes estados civiles")
}
## [1] "No se rechaza la hipótesis nula. Por lo que no es posible concluir que la distribución de ocupación sea homogénea entre los diferentes estados civiles"