Tarea 2

Author

Jefferson Chamba & Nelson Tsukanka

Encuesta

library(dplyr)   # Para manipular los datos 
library(ggplot2) # Para crear gráficos 
library("foreign") #Cargas datos .dta 
library("msm") 
library("car") 
require(plotrix) 
library("plotrix")

Cambiar sitio carpeta

setwd("C:/Users/JEFERSON CHAMBA/Desktop/Tarea 2")

library(haven)
data <- read_dta("Data1_R.dta")
View(data)

Verificar las primeras filas del conjunto de datos head(data)

Ejemplo 1: Intervalo de Confianza para la media de la variable ‘ingrl’

Calcular la media y la desviación estándar de la variable ‘ingrl’

Calcula la media

media <- mean(data$ingrl, na.rm = TRUE)
print (media)

[1] 162.6633

Calcula la desviación estándar

desviacion <- sd(data$ingrl, na.rm = TRUE)
print (desviacion)

[1] 329.8832

Número de observaciones

n <- length(data$ingrl)
print (n)

[1] 16451

summary(data$ingrl)

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
    0.0     0.0     0.0   162.7   200.0  3000.0

Calcular el error estándar

error_estandar <- desviacion / sqrt(n)
print (error_estandar)

[1] 2.571959

Calcular el intervalo de confianza al 95%

Z-score para un intervalo de confianza del 95%

z <- qnorm(0.975)
print (z)

[1] 1.959964

Z-score para un intervalo de confianza del 90%

z2<- qnorm(0.95)
print (z2)

[1] 1.644854

Z-score para un intervalo de confianza del 99%

z3<- qnorm(0.995)
print (z3)

[1] 2.575829

Margen de error

margen_error <- z * error_estandar
print (margen_error)

[1] 5.040948

Intervalo de confianza

IC_inferior <- media - margen_error
IC_superior <- media + margen_error
print (IC_inferior)

[1] 157.6223

print (IC_superior)

[1] 167.7042

Mostrar el intervalo de confianza

cat("El intervalo de confianza para la media de 'ingrl' es: [", IC_inferior, ",", IC_superior, "]\n")

El intervalo de confianza para la media de 'ingrl' es: [ 157.6223 , 167.7042 ]

cbind imprime texxto en columnas

intervalo95<-cbind(IC_inferior,media,IC_superior);intervalo95

     IC_inferior    media IC_superior
[1,]    157.6223 162.6633    167.7042

Otra forma de impirmir los resultados

colnames(intervalo95)<-c("IC_low","media","IC_high");intervalo95

       IC_low    media  IC_high
[1,] 157.6223 162.6633 167.7042

Una forma más simplificada de calcular un intervalo de confianza

media_test <- t.test(data$ingrl, conf.level = 0.95)
print(media_test$conf.int)

[1] 157.6220 167.7046
attr(,"conf.level")
[1] 0.95

Plotear los Intervalos de Confianza en un gráfico”

labels<-c("CI_95")
names(labels)<-labels

round es para redondear, es este caso dos digitos

labelsre1<-round(c(media),2) 
labelsre2<-round(c(IC_inferior),2) 
labelsre3<-round(c(IC_superior),2)

names(labelsre1)<-labelsre1

xre1<-c(media)
y1<-(4)
lre1<-c(IC_inferior)
ure1<-c(IC_superior)

(repos = c(CRAN = "https://cloud.r-project.org"))

                         CRAN 
"https://cloud.r-project.org"

library(plotrix)
plotCI(xre1,y1, ui=ure1,li=lre1,col="#898989",scol="#898989",
       err="x",
       axes=FALSE,   
       pch=21,
       pt.bg=16,
       cex = 0.30,
       slty = 1,
       lwd=1,
       xlab="",
       ylab="",
       ylim=c(1,7),
       xlim=c(154,169),   
       main="Intervalo de Confianza para el Ingreso Promedio",
       cex.main=0.85,
       font.main = 1)
abline(v = xre1, col = "red",lty = 2)
#text(-200,"Media",col="blue")
axis(side=1,cex.axis=0.65)         
axis(side=2,at=4,  
     labels= labelsre1,cex.axis=0.30)
box(bty="l")         
text(xre1, y1+0.03, labelsre1, cex = 0.65, pos= 3)
text(lre1, y1+0.03, labelsre2, cex = 0.65, pos= 3)
text(ure1, y1+0.03, labelsre3, cex = 0.65, pos= 3)

Ejemplo 2: Intervalo de Confianza para la proporción de la variable ‘depresion_pp’ post parto

Calcular la proporción muestral p

library(haven)
p <- sum(as_factor(data$depresion_pp) == "Si", na.rm = TRUE) / sum(!is.na(data$depresion_pp))
print(p)

[1] 0.2202298

Tamaño de la muestra

n <- length(data$depresion_pp)
print(n)

[1] 16451

Calcular el error estándar

error_estandarp <- sqrt((p * (1 - p)) / n)
print(error_estandarp)

[1] 0.003230912

El error estandar de la proporción del promedio de mujeres ecuatorianas con depresión post parto es de 0.0032

Calcular el margen de error

margen_errorp <- z * error_estandarp
print(margen_errorp)

[1] 0.006332472

El margen de error de la proporción del promedio de mujeres ecuatorianas con depresión post parto es de 0.0063

Calcular los límites del intervalo de confianza

IC_inferiorp <- p - margen_errorp
IC_superiorp <- p + margen_errorp
print(IC_inferiorp)

[1] 0.2138973

print(IC_superiorp)

[1] 0.2265622

De la muestra de las mujeres proemdio ecuatorianas en el 2018 la depresion posparto esta entre 21.39 % y 22,75 $ valor alto evidenciando la necesidad inmediata por parte del estado mediante el gobierno de turno en la formulación de politicas publicas que ayuden a un mejor acompañamiento en las mujeres que han tenido un hijo o tambien analizando el caso para identificar cuales nomas son los factores que intervienen en esta depresión.

cat("El intervalo de confianza para la media de 'mujeres con depresión post partol' es: [", IC_inferiorp, ",", IC_superiorp, "]")

El intervalo de confianza para la media de 'mujeres con depresión post partol' es: [ 0.2138973 , 0.2265622 ]

intervalo95p<-cbind(IC_inferiorp,p,IC_superiorp);intervalo95p

     IC_inferiorp         p IC_superiorp
[1,]    0.2138973 0.2202298    0.2265622

colnames(intervalo95p)<-c("IC_low","p","IC_high");intervalo95p

        IC_low         p   IC_high
[1,] 0.2138973 0.2202298 0.2265622

Una forma más simplificada de calcular un intervalo de confianza para proporciones

library(haven)
depresion_factor <- as_factor(data$depresion_pp)

prop_test <- prop.test(
  sum(depresion_factor == "Si", na.rm = TRUE),  # éxitos
  sum(!is.na(depresion_factor)),                # total válido
  conf.level = 0.95
)
print(prop_test$conf.int)

[1] 0.2139329 0.2266579
attr(,"conf.level")
[1] 0.95

Ejemplo 3: Prueba de hipótesis de Medias

Supongamos que queremos realizar una prueba de hipótesis para la media de ‘ingrl’

H0: El ingreso promedio poblacional es igual a $450

HA: El ingreso promedio poblacional es diferente a $450

Realizar una prueba t para una sola muestra

t_prueba <- t.test(data$ingrl, mu = 450, conf.level = 0.95)
print(t_prueba)


    One Sample t-test

data:  data$ingrl
t = -111.72, df = 16450, p-value < 2.2e-16
alternative hypothesis: true mean is not equal to 450
95 percent confidence interval:
 157.6220 167.7046
sample estimates:
mean of x 
 162.6633

p valor significativo, por lo tanto, rechazo la hipótesis nula y no rechazo la hipótesis alternativa, dado que el ingreso promedio de las mujeres en Ecuador es de 162.66.

Interpretar los resultados: Si el valor p es menor a 0.05, rechazamos la hipótesis nula

if (t_prueba$p.value < 0.05) {
  cat("Rechazamos la hipótesis nula: Entonces tenemos evidencia de que la media de 'ingrl' es diferente de 450.\n")
} else {
  cat("No rechazamos la hipótesis nula: Entonces tenemos evidencia de que la media de 'ingrl' es igual a 450.\n")
}

Rechazamos la hipótesis nula: Entonces tenemos evidencia de que la media de 'ingrl' es diferente de 450.

Supongamos que queremos realizar una prueba de hipótesis para la media de ‘ingrl’

H0: El ingreso promedio poblacional es mayor e igual a $450

HA: El ingreso promedio poblacional es menor a $450

t_prueba2 <- t.test(data$ingrl, mu = 450, alternative = "less", conf.level = 0.95)
print(t_prueba2)


    One Sample t-test

data:  data$ingrl
t = -111.72, df = 16450, p-value < 2.2e-16
alternative hypothesis: true mean is less than 450
95 percent confidence interval:
    -Inf 166.894
sample estimates:
mean of x 
 162.6633

p valor significativo, por lo tanto, rechazo la hipótesis nula y no rechazo la hipótesis alternativa dado que el ingreso promedio poblacional es de 162.66 osea menor a 450.

Interpretar los resultados: Si el valor p es menor a 0.05, rechazamos la hipótesis nula

if (t_prueba$p.value < 0.05) {
  cat("Rechazamos la hipótesis nula: Entonces tenemos evidencia de que la media poblacional de 'ingrl' es menor a 450.\n")
} else {
  cat("No rechazamos la hipótesis nula: Entonces tenemos evidencia de que la media poblacional de 'ingrl' es mayor e igual a 450.\n")
}

Rechazamos la hipótesis nula: Entonces tenemos evidencia de que la media poblacional de 'ingrl' es menor a 450.

Ejemplo 4: Prueba de hipótesis de proporciones

Supongamos que queremos realizar una prueba de hipótesis para proporción de ‘depresion_pp’

H0: La proporción poblacional con las mujeres post parto es igual a 0.10

HA: La proporción poblacional con las mujeres post parto es diferente a 0.10

library(haven)
depresion <- as_factor(data$depresion_pp)
prop_test <- prop.test(
  sum(depresion == "Si", na.rm = TRUE),              # cantidad de "Si"
  sum(!is.na(depresion)),                            # total válido
  p = 0.10,                                          # proporción esperada
  conf.level = 0.95
)
print(prop_test)


    1-sample proportions test with continuity correction

data:  sum(depresion == "Si", na.rm = TRUE) out of sum(!is.na(depresion)), null probability 0.1
X-squared = 2640.9, df = 1, p-value < 2.2e-16
alternative hypothesis: true p is not equal to 0.1
95 percent confidence interval:
 0.2139329 0.2266579
sample estimates:
        p 
0.2202298

mediante una prueba bilateral rechazamos nuestra hipotesis nula ya que la depresión pos parto es diferente de 0.10

Interpretar los resultados: Si el valor p es menor a 0.05, rechazamos la hipótesis nula

if (prop_test$p.value < 0.05) {
  cat("Rechazamos la hipótesis nula: Entonces tenemos evidencia de que la proporción de 'depresion_pp' es diferente a 0.10.\n")
} else {
  cat("No rechazamos la hipótesis nula: Entonces tenemos evidencia de que la proporción de 'depresion_pp' es igual a 0.10.\n")
}

Rechazamos la hipótesis nula: Entonces tenemos evidencia de que la proporción de 'depresion_pp' es diferente a 0.10.

Revisión de Literatura

De acuerdo (Merialdi 2023) crean El OdonAssist™, un dispositivo en investigación para el parto vaginal asistido (PVA), podría aportar un nuevo punto de vista a este debate, ya que los ensayos clínicos previos a la comercialización indican un perfil de seguridad fetal positivo, relativa facilidad de uso, requisitos de capacitación limitados y alta aceptabilidad de las mujeres.

En un objetivo por centrar esfuerzos en el pos parto (Vila-Candel et al. 2021) mencionan que un estudio observacional descriptivo, retrospectivo y multicéntrico realizado a través de la revisión de historias clínicas de gestantes ingresadas para parto entre el 1 de marzo y el 30 de junio de 2020.

Referencias bibliográficas

Merialdi, Mario. 2023. “Generando evidencia clínica para una innovación en salud materna y neonatal: el dispositivo inflable OdonAssist para parto vaginal asistido.” Revista Médica Clínica Las Condes 34 (1): 18–21. https://doi.org/10.1016/j.rmclc.2023.01.004.

Vila-Candel, Rafael, Desirée Mena-Tudela, Ana Gómez-Seguí, Nieves Asensio-Tomás, Agueda Cervera-Gasch, and Yolanda Herraiz-Soler. 2021. “Manejo del parto, el puerperio y la lactancia en mujeres positivas para SARS-CoV-2. Estudio multicéntrico en la Comunidad Valenciana.” Enfermería Clínica 31 (3): 184–88. https://doi.org/10.1016/j.enfcli.2021.01.006.