library(tidyverse)

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.5
## ✔ forcats   1.0.0     ✔ stringr   1.5.1
## ✔ ggplot2   3.5.2     ✔ tibble    3.2.1
## ✔ lubridate 1.9.4     ✔ tidyr     1.3.1
## ✔ purrr     1.0.4     
## ── 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(haven)
library(lme4)

## Loading required package: Matrix
## 
## Attaching package: 'Matrix'
## 
## The following objects are masked from 'package:tidyr':
## 
##     expand, pack, unpack

library(stargazer)

## 
## Please cite as: 
## 
##  Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Summary Statistics Tables.
##  R package version 5.2.3. https://CRAN.R-project.org/package=stargazer

library(car)

## Loading required package: carData
## 
## Attaching package: 'car'
## 
## The following object is masked from 'package:dplyr':
## 
##     recode
## 
## The following object is masked from 'package:purrr':
## 
##     some

library(MASS)

## 
## Attaching package: 'MASS'
## 
## The following object is masked from 'package:dplyr':
## 
##     select

library(ggstatsplot)

## You can cite this package as:
##      Patil, I. (2021). Visualizations with statistical details: The 'ggstatsplot' approach.
##      Journal of Open Source Software, 6(61), 3167, doi:10.21105/joss.03167

library(gtsummary)

## 
## Attaching package: 'gtsummary'
## 
## The following object is masked from 'package:MASS':
## 
##     select

df=read_sav("baseCompleta3.sav") %>% 
  filter(!Codigo %in% c("hado2/2018","hado19/2017") ) %>% 
  as_factor() %>% 
  mutate(hado=as.factor(hado), Sexo=as.factor(Sexo), EG=as.numeric(EG), Pesonacimiento=as.numeric(Pesonacimiento)) %>%
  mutate(estudiomadre2=case_when(
    estudiomadre %in% c("Primarios", "Formación profesional") ~ "Categoria1",
    estudiomadre %in% c("Secundarios", "Universitarios") ~ "Categoria2",
    TRUE ~ NA_character_),
    estudiopadre2=case_when(
    estudiopadre %in% c("Primarios", "Formación profesional") ~ "Categoria1",
    estudiopadre %in% c("Secundarios", "Universitarios") ~ "Categoria2",
    TRUE ~ NA_character_),
    estudiofamilia=case_when(estudiopadre2=="Categoria2" | estudiomadre2=="Categoria2" ~ "Categoria2",
                             estudiopadre2=="Categoria1" | estudiomadre2=="Categoria1" ~ "Categoria1",
                             TRUE ~ NA_character_),
    ocupacionmadre2=case_when(
      ocupacionmadre %in% c("Trabajo fijo", "Trabajo temporal", "Autonoma") ~ "Trabaja",
      ocupacionmadre %in% c("Estudiante", "en paro") ~ "No trabaja",
      TRUE ~ NA_character_),
        ocupacionpadre2=case_when(
      ocupacionmadre %in% c("Trabajo fijo", "Trabajo temporal", "Autonoma") ~ "Trabaja",
      ocupacionmadre %in% c("Estudiante", "en paro") ~ "No trabaja",
      TRUE ~ NA_character_),
    EG30omenos = ifelse(EG <= 30, "Si", "No"),
    
) %>%
  dplyr::select(Codigo, hado, Sexo, EG, Pesonacimiento, everything()) #%>%   slice(-c(101,69))

Objetivo 0: Describir la muestra

Lo primero es presentar las variables que se han recogido, eliminando las que no interesen finalmente:

vars=c("EG", "EG30omenos", "Pesonacimiento",
       "DiasestanciaTOTAL", "tiempoLMexclusiva",
       "cangurohospital", "LMexclusiva",
"edadmadre", "edadpadre", "estudiomadre", "estudiopadre", "estudiomadre2", "estudiopadre2", "estudiofamilia", "ocupacionmadre", "ocupacionpadre",
"ocupacionmadre2", "ocupacionpadre2",
       "APGAR5", "apgarfamiliar",# ¿¿diasestancia neonatología??,
"lactmaternahospital","hijoanteriores", "hijosposteriores", 
"informeenfermeralactancia", "informeenfermeraalta","informeenfermerapreparacionhogar",
"problemasaludalta", "tipoproblemasalud", "asiduourgencias", "motivourgencia", "ingresohospital", "asiduoCS", "asiduoprivada",
"COMUNICACION", "MOTORAGRUESA", "MOTORAFINA", "RESOLUCIONDEPROBLEMAS", "SOCIOINDIVIDUAL"
)
tabla_gt <- df %>%
  select(all_of(c("hado", vars))) %>%
  tbl_summary(by = hado, statistic = all_categorical() ~ "{n} ({p}%)") %>%
  add_overall() %>% 
  add_p(test = all_categorical() ~ "chisq.test") %>%
  bold_labels()

## The following warnings were returned during `add_p()`:
## ! For variable `APGAR5` (`hado`) and "statistic", "p.value", and "parameter"
##   statistics: Chi-squared approximation may be incorrect
## ! For variable `COMUNICACION` (`hado`) and "statistic", "p.value", and
##   "parameter" statistics: Chi-squared approximation may be incorrect
## ! For variable `MOTORAFINA` (`hado`) and "statistic", "p.value", and
##   "parameter" statistics: Chi-squared approximation may be incorrect
## ! For variable `RESOLUCIONDEPROBLEMAS` (`hado`) and "statistic", "p.value", and
##   "parameter" statistics: Chi-squared approximation may be incorrect
## ! For variable `apgarfamiliar` (`hado`) and "statistic", "p.value", and
##   "parameter" statistics: Chi-squared approximation may be incorrect
## ! For variable `estudiomadre` (`hado`) and "statistic", "p.value", and
##   "parameter" statistics: Chi-squared approximation may be incorrect
## ! For variable `estudiopadre2` (`hado`) and "statistic", "p.value", and
##   "parameter" statistics: Chi-squared approximation may be incorrect
## ! For variable `hijoanteriores` (`hado`) and "statistic", "p.value", and
##   "parameter" statistics: Chi-squared approximation may be incorrect
## ! For variable `hijosposteriores` (`hado`) and "statistic", "p.value", and
##   "parameter" statistics: Chi-squared approximation may be incorrect
## ! For variable `informeenfermeraalta` (`hado`) and "statistic", "p.value", and
##   "parameter" statistics: Chi-squared approximation may be incorrect
## ! For variable `informeenfermeralactancia` (`hado`) and "statistic", "p.value",
##   and "parameter" statistics: Chi-squared approximation may be incorrect
## ! For variable `informeenfermerapreparacionhogar` (`hado`) and "statistic",
##   "p.value", and "parameter" statistics: Chi-squared approximation may be
##   incorrect
## ! For variable `motivourgencia` (`hado`) and "statistic", "p.value", and
##   "parameter" statistics: Chi-squared approximation may be incorrect
## ! For variable `ocupacionmadre` (`hado`) and "statistic", "p.value", and
##   "parameter" statistics: Chi-squared approximation may be incorrect
## ! For variable `ocupacionpadre` (`hado`) and "statistic", "p.value", and
##   "parameter" statistics: Chi-squared approximation may be incorrect
## ! For variable `tipoproblemasalud` (`hado`) and "statistic", "p.value", and
##   "parameter" statistics: Chi-squared approximation may be incorrect

# Mostrar
tabla_gt

Characteristic	Overall N = 146¹	CONTROL N = 96¹	HADO N = 50¹	p-value²
EG	33.0 (31.0, 34.0)	32.0 (30.0, 34.0)	33.5 (31.0, 34.0)	0.10
EG30omenos				0.3
No	111 (76%)	70 (73%)	41 (82%)
Si	35 (24%)	26 (27%)	9 (18%)
Pesonacimiento	1,535 (1,160, 1,780)	1,515 (1,180, 1,815)	1,540 (1,140, 1,750)	0.6
Total dias de ingreso	25 (15, 39)	26 (17, 44)	21 (12, 37)	0.064
Tiempo lactancia materna exclusiva (dias)	30 (0, 150)	26 (0, 105)	60 (0, 210)	0.019
Metodo canguro en Hospital				0.7
Si	124 (86%)	80 (84%)	44 (88%)
No	21 (14%)	15 (16%)	6 (12%)
Unknown	1	1	0
Lactancia materna exclusiva				0.12
Si	94 (64%)	57 (59%)	37 (74%)
No	52 (36%)	39 (41%)	13 (26%)
Edad madre	34.0 (30.0, 37.0)	34.0 (29.0, 36.5)	34.0 (31.0, 38.0)	0.2
Edad padre	36.0 (33.0, 41.0)	36.0 (32.0, 40.0)	37.0 (33.0, 42.0)	0.3
Unknown	3	1	2
Estudios madre				0.4
Primarios	12 (8.3%)	9 (9.5%)	3 (6.0%)
Secundarios	33 (23%)	22 (23%)	11 (22%)
Formación profesional	46 (32%)	33 (35%)	13 (26%)
Universitarios	54 (37%)	31 (33%)	23 (46%)
Unknown	1	1	0
Estudios padre				0.6
Primarios	15 (10%)	12 (13%)	3 (6.3%)
Secundarios	41 (29%)	26 (27%)	15 (31%)
Formacion Profesional	42 (29%)	26 (27%)	16 (33%)
Universitarios	45 (31%)	31 (33%)	14 (29%)
Unknown	3	1	2
estudiomadre2				0.2
Categoria1	58 (40%)	42 (44%)	16 (32%)
Categoria2	87 (60%)	53 (56%)	34 (68%)
Unknown	1	1	0
estudiopadre2				0.5
Categoria1	15 (15%)	12 (17%)	3 (9.4%)
Categoria2	86 (85%)	57 (83%)	29 (91%)
Unknown	45	27	18
estudiofamilia				0.8
Categoria1	32 (22%)	22 (23%)	10 (20%)
Categoria2	114 (78%)	74 (77%)	40 (80%)
Ocupacion madre				0.7
Estudiante	45 (32%)	28 (30%)	17 (36%)
Trabajo fijo	60 (43%)	39 (41%)	21 (45%)
Trabajo temporal	10 (7.1%)	7 (7.4%)	3 (6.4%)
en paro	24 (17%)	18 (19%)	6 (13%)
Autonoma	2 (1.4%)	2 (2.1%)	0 (0%)
Unknown	5	2	3
Ocupacion padre				0.093
estudiante	22 (16%)	12 (13%)	10 (21%)
Trabajo fijo	82 (58%)	54 (57%)	28 (60%)
Trabajo temporal	19 (13%)	17 (18%)	2 (4.3%)
En paro	17 (12%)	11 (12%)	6 (13%)
Autonomo	1 (0.7%)	0 (0%)	1 (2.1%)
Unknown	5	2	3
ocupacionmadre2				>0.9
No trabaja	69 (49%)	46 (49%)	23 (49%)
Trabaja	72 (51%)	48 (51%)	24 (51%)
Unknown	5	2	3
ocupacionpadre2				>0.9
No trabaja	69 (49%)	46 (49%)	23 (49%)
Trabaja	72 (51%)	48 (51%)	24 (51%)
Unknown	5	2	3
Puntuacion APGAR a los 5 minutos				>0.9
1	1 (0.7%)	1 (1.0%)	0 (0%)
3	1 (0.7%)	1 (1.0%)	0 (0%)
5	2 (1.4%)	2 (2.1%)	0 (0%)
6	2 (1.4%)	1 (1.0%)	1 (2.0%)
7	9 (6.2%)	6 (6.3%)	3 (6.1%)
8	21 (14%)	14 (15%)	7 (14%)
9	44 (30%)	30 (31%)	14 (29%)
10	65 (45%)	41 (43%)	24 (49%)
Unknown	1	0	1
Puntuacion global APGAR Familiar				0.004
Disfunción severa	9 (6.2%)	8 (8.3%)	1 (2.0%)
Disfunción moderada	4 (2.7%)	4 (4.2%)	0 (0%)
Disfunción leve	24 (16%)	9 (9.4%)	15 (30%)
Buena función	109 (75%)	75 (78%)	34 (68%)
Dio lactancia materna Hospital				0.7
Si	113 (77%)	73 (76%)	40 (80%)
No	33 (23%)	23 (24%)	10 (20%)
numero hijos anteriores				0.2
0	68 (53%)	46 (55%)	22 (49%)
1	36 (28%)	24 (29%)	12 (27%)
2	20 (16%)	10 (12%)	10 (22%)
3	4 (3.1%)	4 (4.8%)	0 (0%)
4	1 (0.8%)	0 (0%)	1 (2.2%)
Unknown	17	12	5
Numero hijos posteriores				0.021
0	100 (83%)	67 (85%)	33 (79%)
1	9 (7.4%)	8 (10%)	1 (2.4%)
2	12 (9.9%)	4 (5.1%)	8 (19%)
Unknown	25	17	8
Informacion lactancia enfermera				0.3
Muy mala	4 (3.7%)	4 (6.5%)	0 (0%)
Mala	5 (4.6%)	3 (4.8%)	2 (4.3%)
Regular	16 (15%)	7 (11%)	9 (20%)
Buena	14 (13%)	7 (11%)	7 (15%)
Muy buena	69 (64%)	41 (66%)	28 (61%)
Unknown	38	34	4
Informacion enfermera al alta				0.055
Muy mala	5 (4.5%)	5 (8.1%)	0 (0%)
Mala	2 (1.8%)	2 (3.2%)	0 (0%)
Regular	7 (6.3%)	6 (9.7%)	1 (2.0%)
Buena	23 (21%)	11 (18%)	12 (24%)
Muy buena	74 (67%)	38 (61%)	36 (73%)
Unknown	35	34	1
Enfermera HADO preparación Hogar				0.006
Muy mala	14 (13%)	12 (20%)	2 (4.1%)
Mala	5 (4.5%)	5 (8.2%)	0 (0%)
Regular	14 (13%)	10 (16%)	4 (8.2%)
Buena	11 (10%)	5 (8.2%)	6 (12%)
Muy buena	66 (60%)	29 (48%)	37 (76%)
Unknown	36	35	1
Problemas de salud al alta				0.4
Si	79 (54%)	55 (57%)	24 (48%)
No	67 (46%)	41 (43%)	26 (52%)
Problemas salud				0.7
Respiratorio	38 (47%)	27 (48%)	11 (44%)
Digestivo	8 (9.9%)	4 (7.1%)	4 (16%)
Psicomotor	7 (8.6%)	5 (8.9%)	2 (8.0%)
Neurologico	2 (2.5%)	0 (0%)	2 (8.0%)
Hematologico	4 (4.9%)	3 (5.4%)	1 (4.0%)
Cardiaco	4 (4.9%)	3 (5.4%)	1 (4.0%)
Otros	6 (7.4%)	4 (7.1%)	2 (8.0%)
Respiratorio, Digestivo	6 (7.4%)	5 (8.9%)	1 (4.0%)
Respiratorio, neurologico	2 (2.5%)	1 (1.8%)	1 (4.0%)
Respiratorio, Hematologico	1 (1.2%)	1 (1.8%)	0 (0%)
Digestivo, Psicomotor	1 (1.2%)	1 (1.8%)	0 (0%)
Psicomotor, neurologico	1 (1.2%)	1 (1.8%)	0 (0%)
Neurologico, cardiaco	1 (1.2%)	1 (1.8%)	0 (0%)
Unknown	65	40	25
Visitas continuas Urgencias				0.7
Si	45 (31%)	31 (32%)	14 (28%)
No	101 (69%)	65 (68%)	36 (72%)
Motivos visita urgencias				0.4
respiratorio	30 (67%)	21 (68%)	9 (64%)
Digestivo	7 (16%)	3 (9.7%)	4 (29%)
Neurologico	1 (2.2%)	1 (3.2%)	0 (0%)
Otros	4 (8.9%)	3 (9.7%)	1 (7.1%)
Hematologico	3 (6.7%)	3 (9.7%)	0 (0%)
Respiratorio, digestivo	0 (0%)	0 (0%)	0 (0%)
Unknown	101	65	36
Ingresos posteriores hospital				0.2
Si	38 (26%)	29 (31%)	9 (18%)
No	106 (74%)	66 (69%)	40 (82%)
Unknown	2	1	1
Visitas continuas CS				>0.9
Si	44 (31%)	29 (31%)	15 (30%)
No	100 (69%)	65 (69%)	35 (70%)
Unknown	2	2	0
Visitas continuas C. Privada				0.2
Si	18 (13%)	9 (9.7%)	9 (18%)
No	125 (87%)	84 (90%)	41 (82%)
Unknown	3	3	0
Desarrollo psicomotor. Comunicacion				0.9
Debajo expectativas	11 (7.5%)	7 (7.3%)	4 (8.0%)
En rango	15 (10%)	9 (9.4%)	6 (12%)
Encima expectativas	120 (82%)	80 (83%)	40 (80%)
Psicomotor. Motora gruesa				0.4
Debajo expectativas	19 (13%)	10 (10%)	9 (18%)
En rango	19 (13%)	13 (14%)	6 (12%)
Encima expectativas	108 (74%)	73 (76%)	35 (70%)
Psicomotor. Motora Fina				0.4
Debajo expectativas	11 (7.5%)	9 (9.4%)	2 (4.0%)
En rango	14 (9.6%)	8 (8.3%)	6 (12%)
Encima expectativas	121 (83%)	79 (82%)	42 (84%)
Psicomotor. resolucion de problemas				0.8
Debajo expectativas	14 (9.6%)	10 (10%)	4 (8.0%)
En rango	10 (6.8%)	6 (6.3%)	4 (8.0%)
Encima expectativas	122 (84%)	80 (83%)	42 (84%)
Psicomotor. Socioindividual				0.3
Debajo expectativas	127 (87%)	86 (90%)	41 (82%)
En rango	19 (13%)	10 (10%)	9 (18%)
¹ Median (Q1, Q3); n (%)
² Wilcoxon rank sum test; Pearson’s Chi-squared test

Objetivo 1.El programa HADO reduce el Tiempo de estancia en el hospitalajustando por Ed, gestacional, peso nacimiento, estudios de la madre, estudios del padre

Veamos que efecto tiene hado en dias de estancia con un modelo lineal ajustando por características del niño como la edad gestacional y el peso al nacer

m1 <- lm(DiasestanciaTOTAL ~ hado + EG+Pesonacimiento, data=df)
stargazer(m1, type = "text",
          title = "Resultados de Regresión",
          ci = TRUE,  # para incluir IC95%
          single.row = TRUE,  # todo en una fila por variable
          star.cutoffs = c(0.05, 0.01, 0.001))

## 
## Resultados de Regresión
## =================================================
##                          Dependent variable:     
##                     -----------------------------
##                           DiasestanciaTOTAL      
## -------------------------------------------------
## hadoHADO               -3.836 (-8.969, 1.297)    
## EG                   -5.444*** (-6.813, -4.076)  
## Pesonacimiento        -0.015** (-0.024, -0.006)  
## Constant            230.346*** (195.754, 264.938)
## -------------------------------------------------
## Observations                     146             
## R2                              0.665            
## Adjusted R2                     0.658            
## Residual Std. Error       14.416 (df = 142)      
## F Statistic            93.977*** (df = 3; 142)   
## =================================================
## Note:               *p<0.05; **p<0.01; ***p<0.001

par(mfrow = c(2, 2))
plot(m1)

No sale el efecto del hado significativo, pero sí cuando se añaden características de los padres. No se si tiene lógica hacerlo:

m2 <- lm(DiasestanciaTOTAL ~ hado + EG+Pesonacimiento+estudiomadre+estudiopadre, data=df)
stargazer(m2, type = "text",
          title = "Resultados de Regresión",
#          se=NULL,
          ci = TRUE,  # para incluir IC95%
          single.row = TRUE,  # todo en una fila por variable
          star.cutoffs = c(0.05, 0.01, 0.001))

## 
## Resultados de Regresión
## ===============================================================
##                                        Dependent variable:     
##                                   -----------------------------
##                                         DiasestanciaTOTAL      
## ---------------------------------------------------------------
## hadoHADO                            -5.510* (-10.884, -0.137)  
## EG                                 -5.131*** (-6.582, -3.681)  
## Pesonacimiento                     -0.016*** (-0.025, -0.007)  
## estudiomadreSecundarios              5.572 (-5.085, 16.228)    
## estudiomadreFormación profesional    -1.211 (-11.940, 9.518)   
## estudiomadreUniversitarios           3.102 (-7.681, 13.885)    
## estudiopadreSecundarios              1.464 (-7.847, 10.774)    
## estudiopadreFormacion Profesional    1.415 (-8.261, 11.092)    
## estudiopadreUniversitarios           -1.375 (-11.189, 8.440)   
## Constant                          218.874*** (180.052, 257.697)
## ---------------------------------------------------------------
## Observations                                   142             
## R2                                            0.657            
## Adjusted R2                                   0.634            
## Residual Std. Error                     14.480 (df = 132)      
## F Statistic                          28.104*** (df = 9; 132)   
## ===============================================================
## Note:                             *p<0.05; **p<0.01; ***p<0.001

par(mfrow = c(2, 2))
plot(m2)

m2 <- lm(DiasestanciaTOTAL ~ hado + EG+Pesonacimiento+estudiomadre2+estudiopadre2, data=df)
stargazer(m2, type = "text",
          title = "Resultados de Regresión",
#          se=NULL,
          ci = TRUE,  # para incluir IC95%
          single.row = TRUE,  # todo en una fila por variable
          star.cutoffs = c(0.05, 0.01, 0.001))

## 
## Resultados de Regresión
## =====================================================
##                              Dependent variable:     
##                         -----------------------------
##                               DiasestanciaTOTAL      
## -----------------------------------------------------
## hadoHADO                   -6.513 (-13.968, 0.942)   
## EG                       -4.488*** (-6.440, -2.536)  
## Pesonacimiento            -0.019** (-0.032, -0.006)  
## estudiomadre2Categoria2    6.113 (-0.887, 13.113)    
## estudiopadre2Categoria2    -0.942 (-10.027, 8.143)   
## Constant                203.025*** (153.985, 252.065)
## -----------------------------------------------------
## Observations                         100             
## R2                                  0.617            
## Adjusted R2                         0.596            
## Residual Std. Error           16.345 (df = 94)       
## F Statistic                30.232*** (df = 5; 94)    
## =====================================================
## Note:                   *p<0.05; **p<0.01; ***p<0.001

m2 <- lm(DiasestanciaTOTAL ~ hado + EG+Pesonacimiento+estudiofamilia, data=df)
stargazer(m2, type = "text",
          title = "Resultados de Regresión",
#          se=NULL,
          ci = TRUE,  # para incluir IC95%
          single.row = TRUE,  # todo en una fila por variable
          star.cutoffs = c(0.05, 0.01, 0.001))

## 
## Resultados de Regresión
## ======================================================
##                               Dependent variable:     
##                          -----------------------------
##                                DiasestanciaTOTAL      
## ------------------------------------------------------
## hadoHADO                    -4.010 (-9.152, 1.132)    
## EG                        -5.355*** (-6.733, -3.976)  
## Pesonacimiento            -0.015*** (-0.024, -0.006)  
## estudiofamiliaCategoria2     3.028 (-2.677, 8.733)    
## Constant                 225.585*** (189.858, 261.311)
## ------------------------------------------------------
## Observations                          146             
## R2                                   0.668            
## Adjusted R2                          0.658            
## Residual Std. Error            14.412 (df = 141)      
## F Statistic                 70.794*** (df = 4; 141)   
## ======================================================
## Note:                    *p<0.05; **p<0.01; ***p<0.001

Dada la pequeña desviación de la normalidad, podríamos probar una regresión robusta:

datos<- df
modelo_robusto <- rlm(DiasestanciaTOTAL ~ hado + EG + Pesonacimiento + estudiomadre + estudiopadre, data = datos)
stargazer(modelo_robusto, type = "text",
          title = "Resultados de Regresión Robusta",
          ci = TRUE,  # para incluir IC95%
          single.row = TRUE,  # todo en una fila por variable
          star.cutoffs = c(0.05, 0.01, 0.001))

## 
## Resultados de Regresión Robusta
## ===============================================================
##                                        Dependent variable:     
##                                   -----------------------------
##                                         DiasestanciaTOTAL      
## ---------------------------------------------------------------
## hadoHADO                            -3.364** (-5.887, -0.842)  
## EG                                 -4.783*** (-5.464, -4.102)  
## Pesonacimiento                     -0.016*** (-0.020, -0.012)  
## estudiomadreSecundarios               2.535 (-2.468, 7.538)    
## estudiomadreFormación profesional     0.076 (-4.961, 5.114)    
## estudiomadreUniversitarios            1.767 (-3.296, 6.829)    
## estudiopadreSecundarios               0.245 (-4.127, 4.616)    
## estudiopadreFormacion Profesional     0.998 (-3.545, 5.541)    
## estudiopadreUniversitarios           -0.710 (-5.318, 3.897)    
## Constant                          206.538*** (188.311, 224.765)
## ---------------------------------------------------------------
## Observations                                   142             
## Residual Std. Error                     5.704 (df = 132)       
## ===============================================================
## Note:                             *p<0.05; **p<0.01; ***p<0.001

par(mfrow=c(2,2))
plot(modelo_robusto$residuals, main="Residuos del modelo robusto", ylab="Residuos", xlab="Índice")
abline(h=0, col="red")
qqnorm(modelo_robusto$residuals); qqline(modelo_robusto$residuals, col="blue")

datos<- df
modelo_robusto <- rlm(DiasestanciaTOTAL ~ hado + EG + Pesonacimiento + estudiomadre2 + estudiopadre2, data = datos)
stargazer(modelo_robusto, type = "text",
          title = "Resultados de Regresión Robusta",
          ci = TRUE,  # para incluir IC95%
          single.row = TRUE,  # todo en una fila por variable
          star.cutoffs = c(0.05, 0.01, 0.001))

## 
## Resultados de Regresión Robusta
## =====================================================
##                              Dependent variable:     
##                         -----------------------------
##                               DiasestanciaTOTAL      
## -----------------------------------------------------
## hadoHADO                  -3.272* (-6.448, -0.096)   
## EG                       -4.462*** (-5.294, -3.631)  
## Pesonacimiento           -0.019*** (-0.024, -0.013)  
## estudiomadre2Categoria2     2.910 (-0.072, 5.892)    
## estudiopadre2Categoria2    -0.811 (-4.681, 3.060)    
## Constant                200.130*** (179.239, 221.020)
## -----------------------------------------------------
## Observations                         100             
## Residual Std. Error            5.569 (df = 94)       
## =====================================================
## Note:                   *p<0.05; **p<0.01; ***p<0.001

datos<- df
modelo_robusto <- rlm(DiasestanciaTOTAL ~ hado + EG + Pesonacimiento + estudiofamilia, data = datos)
stargazer(modelo_robusto, type = "text",
          title = "Resultados de Regresión Robusta",
          ci = TRUE,  # para incluir IC95%
          single.row = TRUE,  # todo en una fila por variable
          star.cutoffs = c(0.05, 0.01, 0.001))

## 
## Resultados de Regresión Robusta
## ======================================================
##                               Dependent variable:     
##                          -----------------------------
##                                DiasestanciaTOTAL      
## ------------------------------------------------------
## hadoHADO                   -2.810* (-5.191, -0.428)   
## EG                        -4.941*** (-5.579, -4.302)  
## Pesonacimiento            -0.016*** (-0.020, -0.012)  
## estudiofamiliaCategoria2     0.958 (-1.684, 3.600)    
## Constant                 212.724*** (196.180, 229.269)
## ------------------------------------------------------
## Observations                          146             
## Residual Std. Error            5.312 (df = 141)       
## ======================================================
## Note:                    *p<0.05; **p<0.01; ***p<0.001

datos <- as.data.frame(df)

# Ajuste del modelo con data bien especificado
m2 <- lm(DiasestanciaTOTAL ~ hado + EG + Pesonacimiento + estudiomadre + estudiopadre, data = datos)

# Aplicar Box-Cox
boxcox(m2)

EL gráfico nos sugiere usr la raíz cúbica de los días de estancia como variable dependiente (dificil de presentar seguramente en un trabajo):

lambda <- 0.33
m2_boxcox <- lm(((DiasestanciaTOTAL^lambda - 1) / lambda) ~ hado + EG + Pesonacimiento + estudiomadre + estudiopadre, data = datos)

stargazer(m2_boxcox, type = "text",
          title = "Resultados de Regresión",
          ci = TRUE,  # para incluir IC95%
          single.row = TRUE,  # todo en una fila por variable
          star.cutoffs = c(0.05, 0.01, 0.001))

## 
## Resultados de Regresión
## ========================================================================
##                                            Dependent variable:          
##                                   --------------------------------------
##                                   ((DiasestanciaTOTALlambda - 1)/lambda)
## ------------------------------------------------------------------------
## hadoHADO                                 -0.601* (-1.051, -0.150)       
## EG                                      -0.447*** (-0.569, -0.326)      
## Pesonacimiento                          -0.002*** (-0.003, -0.001)      
## estudiomadreSecundarios                   -0.023 (-0.917, 0.872)        
## estudiomadreFormación profesional         -0.403 (-1.304, 0.497)        
## estudiomadreUniversitarios                -0.163 (-1.067, 0.742)        
## estudiopadreSecundarios                   0.267 (-0.514, 1.048)         
## estudiopadreFormacion Profesional         0.215 (-0.597, 1.026)         
## estudiopadreUniversitarios                -0.095 (-0.919, 0.728)        
## Constant                                23.719*** (20.462, 26.977)      
## ------------------------------------------------------------------------
## Observations                                       142                  
## R2                                                0.734                 
## Adjusted R2                                       0.716                 
## Residual Std. Error                          1.215 (df = 132)           
## F Statistic                              40.514*** (df = 9; 132)        
## ========================================================================
## Note:                                      *p<0.05; **p<0.01; ***p<0.001

par(mfrow = c(2, 2))
plot(m2_boxcox)

ggbetweenstats(
  data = df,
  x = estudiomadre,
  y = DiasestanciaTOTAL,
  type = "parametric",     # usa ANOVA por defecto; cambia a "nonparametric" si los supuestos no se cumplen
  pairwise.comparisons = TRUE,
  pairwise.display = "significant",  # solo muestra comparaciones significativas
  mean.ci = TRUE,          # añade IC a las medias
  messages = FALSE         # evita mensajes de consola
)

ggbetweenstats(
  data = df,
  x = estudiopadre,
  y = DiasestanciaTOTAL,
  type = "parametric",     # usa ANOVA por defecto; cambia a "nonparametric" si los supuestos no se cumplen
  pairwise.comparisons = TRUE,
  pairwise.display = "significant",  # solo muestra comparaciones significativas
  mean.ci = TRUE,          # añade IC a las medias
  messages = FALSE         # evita mensajes de consola
)

ggbetweenstats(
  data = df,
  x = estudiomadre2,
  y = DiasestanciaTOTAL,
  type = "parametric",     # usa ANOVA por defecto; cambia a "nonparametric" si los supuestos no se cumplen
  pairwise.comparisons = TRUE,
  pairwise.display = "significant",  # solo muestra comparaciones significativas
  mean.ci = TRUE,          # añade IC a las medias
  messages = FALSE         # evita mensajes de consola
)

ggbetweenstats(
  data = df,
  x = estudiopadre2,
  y = DiasestanciaTOTAL,
  type = "parametric",     # usa ANOVA por defecto; cambia a "nonparametric" si los supuestos no se cumplen
  pairwise.comparisons = TRUE,
  pairwise.display = "significant",  # solo muestra comparaciones significativas
  mean.ci = TRUE,          # añade IC a las medias
  messages = FALSE         # evita mensajes de consola
)

ggbetweenstats(
  data = df,
  x = estudiofamilia,
  y = DiasestanciaTOTAL,
  type = "parametric",     # usa ANOVA por defecto; cambia a "nonparametric" si los supuestos no se cumplen
  pairwise.comparisons = TRUE,
  pairwise.display = "significant",  # solo muestra comparaciones significativas
  mean.ci = TRUE,          # añade IC a las medias
  messages = FALSE         # evita mensajes de consola
)

Objetivo 2: Determinar las diferencias en la práctica del método canguro, alimentación materna durante el ingreso hospitalario, tiempo de estancia total en el hospital y tiempo de lactancia materna exclusiva en los recién nacidos de ambos grupos

ggbetweenstats(
  data = df,
  x = hado,
  y = tiempocanguro,
  type = "parametric",     # usa ANOVA por defecto; cambia a "nonparametric" si los supuestos no se cumplen
  pairwise.comparisons = TRUE,
  pairwise.display = "significant",  # solo muestra comparaciones significativas
  mean.ci = TRUE,          # añade IC a las medias
  messages = FALSE         # evita mensajes de consola
)

ggbetweenstats(
  data = df,
  x = hado,
  y = tiempoLMexclusiva,
  type = "nonparametric",     # usa ANOVA por defecto; cambia a "nonparametric" si los supuestos no se cumplen
  pairwise.comparisons = TRUE,
  pairwise.display = "significant",  # solo muestra comparaciones significativas
  mean.ci = TRUE,          # añade IC a las medias
  messages = FALSE         # evita mensajes de consola
)

¿El tiempo de canguro puede afectar a lactancia materna exclusiva a igualdad de edad gestacional, peso?

Si no se tiene en cuenta hado:

m_canguro_lm <- lm(tiempoLMexclusiva ~ tiempocanguro + EG + Pesonacimiento , data = df)
stargazer(m_canguro_lm, type = "text",
          title = "Resultados de Regresión",
          ci = TRUE,  # para incluir IC95%
          single.row = TRUE,  # todo en una fila por variable
          star.cutoffs = c(0.05, 0.01, 0.001))

## 
## Resultados de Regresión
## =================================================
##                          Dependent variable:     
##                     -----------------------------
##                           tiempoLMexclusiva      
## -------------------------------------------------
## tiempocanguro           0.135 (-1.814, 2.083)    
## EG                     0.972 (-16.888, 18.832)   
## Pesonacimiento         -0.045 (-0.151, 0.062)    
## Constant             136.962 (-390.641, 664.565) 
## -------------------------------------------------
## Observations                     124             
## R2                              0.013            
## Adjusted R2                    -0.012            
## Residual Std. Error      160.503 (df = 120)      
## F Statistic              0.522 (df = 3; 120)     
## =================================================
## Note:               *p<0.05; **p<0.01; ***p<0.001

Si se tiene en cuenta hado:

m_canguro_lm <- lm(tiempoLMexclusiva ~ tiempocanguro + EG + Pesonacimiento + hado, data = df)
stargazer(m_canguro_lm, type = "text",
          title = "Resultados de Regresión",
          ci = TRUE,  # para incluir IC95%
          single.row = TRUE,  # todo en una fila por variable
          star.cutoffs = c(0.05, 0.01, 0.001))

## 
## Resultados de Regresión
## =================================================
##                          Dependent variable:     
##                     -----------------------------
##                           tiempoLMexclusiva      
## -------------------------------------------------
## tiempocanguro           0.063 (-1.851, 1.977)    
## EG                    -4.949 (-23.179, 13.282)   
## Pesonacimiento         -0.011 (-0.119, 0.098)    
## hadoHADO              72.764* (11.641, 133.887)  
## Constant             253.505 (-273.760, 780.770) 
## -------------------------------------------------
## Observations                     124             
## R2                              0.056            
## Adjusted R2                     0.024            
## Residual Std. Error      157.611 (df = 119)      
## F Statistic              1.767 (df = 4; 119)     
## =================================================
## Note:               *p<0.05; **p<0.01; ***p<0.001

¿tiempo canguro se asocia con lactmaternahospital, estudiomadre, estudiopadre, ocupacionmadre, ocupacionpadre, hijoanteriores, informeenfermeralactancia?

ggbetweenstats(
  data = df,
  x = lactmaternahospital,
  y = tiempocanguro,
  type = "parametric",     # usa ANOVA por defecto; cambia a "nonparametric" si los supuestos no se cumplen
  pairwise.comparisons = TRUE,
  pairwise.display = "significant",  # solo muestra comparaciones significativas
  mean.ci = TRUE,          # añade IC a las medias
  messages = FALSE         # evita mensajes de consola
)

ggbetweenstats(
  data = df,
  x = estudiomadre,
  y = tiempocanguro,
  type = "parametric",     # usa ANOVA por defecto; cambia a "nonparametric" si los supuestos no se cumplen
  pairwise.comparisons = TRUE,
  pairwise.display = "significant",  # solo muestra comparaciones significativas
  mean.ci = TRUE,          # añade IC a las medias
  messages = FALSE         # evita mensajes de consola
)

ggbetweenstats(
  data = df,
  x = estudiopadre,
  y = tiempocanguro,
  type = "parametric",     # usa ANOVA por defecto; cambia a "nonparametric" si los supuestos no se cumplen
  pairwise.comparisons = TRUE,
  pairwise.display = "significant",  # solo muestra comparaciones significativas
  mean.ci = TRUE,          # añade IC a las medias
  messages = FALSE         # evita mensajes de consola
)

ggbetweenstats(
  data = df,
  x = ocupacionmadre,
  y = tiempocanguro,
  type = "parametric",     # usa ANOVA por defecto; cambia a "nonparametric" si los supuestos no se cumplen
  pairwise.comparisons = TRUE,
  pairwise.display = "significant",  # solo muestra comparaciones significativas
  mean.ci = TRUE,          # añade IC a las medias
  messages = FALSE         # evita mensajes de consola
)

ggbetweenstats(
  data = df,
  x = ocupacionmadre2,
  y = tiempocanguro,
  type = "parametric",     # usa ANOVA por defecto; cambia a "nonparametric" si los supuestos no se cumplen
  pairwise.comparisons = TRUE,
  pairwise.display = "significant",  # solo muestra comparaciones significativas
  mean.ci = TRUE,          # añade IC a las medias
  messages = FALSE         # evita mensajes de consola
)

ggbetweenstats(
  data = df,
  x = ocupacionpadre,
  y = tiempocanguro,
  type = "parametric",     # usa ANOVA por defecto; cambia a "nonparametric" si los supuestos no se cumplen
  pairwise.comparisons = TRUE,
  pairwise.display = "significant",  # solo muestra comparaciones significativas
  mean.ci = TRUE,          # añade IC a las medias
  messages = FALSE         # evita mensajes de consola
)

ggbetweenstats(
  data = df,
  x = ocupacionpadre2,
  y = tiempocanguro,
  type = "parametric",     # usa ANOVA por defecto; cambia a "nonparametric" si los supuestos no se cumplen
  pairwise.comparisons = TRUE,
  pairwise.display = "significant",  # solo muestra comparaciones significativas
  mean.ci = TRUE,          # añade IC a las medias
  messages = FALSE         # evita mensajes de consola
)

ggbetweenstats(
  data = df,
  x = hijoanteriores,
  y = tiempocanguro,
  type = "parametric",     # usa ANOVA por defecto; cambia a "nonparametric" si los supuestos no se cumplen
  pairwise.comparisons = TRUE,
  pairwise.display = "significant",  # solo muestra comparaciones significativas
  mean.ci = TRUE,          # añade IC a las medias
  messages = FALSE         # evita mensajes de consola
)

## Warning: Groups with fewer than two datapoints have been dropped.
## ℹ Set `drop = FALSE` to consider such groups for position adjustment purposes.

ggbetweenstats(
  data = df,
  x = informeenfermeralactancia,
  y = tiempocanguro,
  type = "parametric",     # usa ANOVA por defecto; cambia a "nonparametric" si los supuestos no se cumplen
  pairwise.comparisons = TRUE,
  pairwise.display = "significant",  # solo muestra comparaciones significativas
  mean.ci = TRUE,          # añade IC a las medias
  messages = FALSE         # evita mensajes de consola
)

tiempocanguro en dias creemos que afecta a===> DiasestanciaTOTAL, tiempoLMexclusiva,

ggscatterstats(
  data = df,
  x = tiempocanguro,
  y = DiasestanciaTOTAL,
  type = "parametric"  # Pearson (por defecto)
)

ggscatterstats(
  data = df,
  x = tiempocanguro,
  y = tiempoLMexclusiva,
  type = "nonparametric"  # Pearson (por defecto)
)

Objetivo 3: Diferencias en cuanto a los problemas de salud y frecuentación de servicios sanitarios de los recién nacidos de ambos grupos

hado

problemasaludalta, tipoproblemasalud, asiduourgencias, motivourgencia, ingresohospital, asiduoCS, asiduoprivada

vars=c("problemasaludalta", "tipoproblemasalud", "asiduourgencias", "motivourgencia", "ingresohospital", "asiduoCS", "asiduoprivada")
tabla_gt <- df %>%
  select(all_of(c("hado", vars))) %>%
  tbl_summary(by = hado, statistic = all_categorical() ~ "{n} ({p}%)") %>%
  add_p(test = all_categorical() ~ "chisq.test") %>%
  bold_labels()

## The following warnings were returned during `add_p()`:
## ! For variable `motivourgencia` (`hado`) and "statistic", "p.value", and
##   "parameter" statistics: Chi-squared approximation may be incorrect
## ! For variable `tipoproblemasalud` (`hado`) and "statistic", "p.value", and
##   "parameter" statistics: Chi-squared approximation may be incorrect

# Mostrar
tabla_gt

Characteristic	CONTROL N = 96¹	HADO N = 50¹	p-value²
Problemas de salud al alta			0.4
Si	55 (57%)	24 (48%)
No	41 (43%)	26 (52%)
Problemas salud			0.7
Respiratorio	27 (48%)	11 (44%)
Digestivo	4 (7.1%)	4 (16%)
Psicomotor	5 (8.9%)	2 (8.0%)
Neurologico	0 (0%)	2 (8.0%)
Hematologico	3 (5.4%)	1 (4.0%)
Cardiaco	3 (5.4%)	1 (4.0%)
Otros	4 (7.1%)	2 (8.0%)
Respiratorio, Digestivo	5 (8.9%)	1 (4.0%)
Respiratorio, neurologico	1 (1.8%)	1 (4.0%)
Respiratorio, Hematologico	1 (1.8%)	0 (0%)
Digestivo, Psicomotor	1 (1.8%)	0 (0%)
Psicomotor, neurologico	1 (1.8%)	0 (0%)
Neurologico, cardiaco	1 (1.8%)	0 (0%)
Unknown	40	25
Visitas continuas Urgencias			0.7
Si	31 (32%)	14 (28%)
No	65 (68%)	36 (72%)
Motivos visita urgencias			0.4
respiratorio	21 (68%)	9 (64%)
Digestivo	3 (9.7%)	4 (29%)
Neurologico	1 (3.2%)	0 (0%)
Otros	3 (9.7%)	1 (7.1%)
Hematologico	3 (9.7%)	0 (0%)
Respiratorio, digestivo	0 (0%)	0 (0%)
Unknown	65	36
Ingresos posteriores hospital			0.2
Si	29 (31%)	9 (18%)
No	66 (69%)	40 (82%)
Unknown	1	1
Visitas continuas CS			>0.9
Si	29 (31%)	15 (30%)
No	65 (69%)	35 (70%)
Unknown	2	0
Visitas continuas C. Privada			0.2
Si	9 (9.7%)	9 (18%)
No	84 (90%)	41 (82%)
Unknown	3	0
¹ n (%)
² Pearson’s Chi-squared test

En la tabla anterior hay variables vistas con menos y más detalle. Por ejemplo, “problemasaludalta” es una variable que tiene dos categorías: “Sí” y “No”. Pero también hay una variable “tipoproblemasalud” que tiene más detalle sobre los problemas de salud. La que da mucho detalle no se necesita cuando realmente no tenemos mucha muestra.

NEURODESARROLLO

Objetivo 1. Establecer las diferencias en la evolución del neurodesarrollo de recién nacidos prematuros entre ambos grupos, mediante el cuestionario de edades y etapas ASQ-3.

COMUNICACIÓN, MOTORA GRUESA, MOTORAFINA, RESOLUCIÓNDEPROBLEMAS, SOCIOINDIVIDUAL ⇐ HADo

vars=c("COMUNICACION", "MOTORAGRUESA", "MOTORAFINA", "RESOLUCIONDEPROBLEMAS", "SOCIOINDIVIDUAL"   )
tabla_gt <- df %>%
  select(all_of(c("hado", vars))) %>%
  tbl_summary(by = hado, statistic = all_categorical() ~ "{n} ({p}%)") %>%
  add_p(test = all_categorical() ~ "chisq.test") %>%
  bold_labels()

## The following warnings were returned during `add_p()`:
## ! For variable `COMUNICACION` (`hado`) and "statistic", "p.value", and
##   "parameter" statistics: Chi-squared approximation may be incorrect
## ! For variable `MOTORAFINA` (`hado`) and "statistic", "p.value", and
##   "parameter" statistics: Chi-squared approximation may be incorrect
## ! For variable `RESOLUCIONDEPROBLEMAS` (`hado`) and "statistic", "p.value", and
##   "parameter" statistics: Chi-squared approximation may be incorrect

# Mostrar
tabla_gt

Characteristic	CONTROL N = 96¹	HADO N = 50¹	p-value²
Desarrollo psicomotor. Comunicacion			0.9
Debajo expectativas	7 (7.3%)	4 (8.0%)
En rango	9 (9.4%)	6 (12%)
Encima expectativas	80 (83%)	40 (80%)
Psicomotor. Motora gruesa			0.4
Debajo expectativas	10 (10%)	9 (18%)
En rango	13 (14%)	6 (12%)
Encima expectativas	73 (76%)	35 (70%)
Psicomotor. Motora Fina			0.4
Debajo expectativas	9 (9.4%)	2 (4.0%)
En rango	8 (8.3%)	6 (12%)
Encima expectativas	79 (82%)	42 (84%)
Psicomotor. resolucion de problemas			0.8
Debajo expectativas	10 (10%)	4 (8.0%)
En rango	6 (6.3%)	4 (8.0%)
Encima expectativas	80 (83%)	42 (84%)
Psicomotor. Socioindividual			0.3
Debajo expectativas	86 (90%)	41 (82%)
En rango	10 (10%)	9 (18%)
¹ n (%)
² Pearson’s Chi-squared test

Objetivo 2. Determinar las diferencias de edad gestacional, peso al nacimiento, Apgar a los 5 minutos, días de estancia en neonatología, tiempo ejercido de método canguro y lactancia materna exclusiva.

EG, Pesonacimiento, APGAR5, ¿¿diasestancia neonatología??, cangurohospital, LMexclusiva edadmadre, edadpadre, estudiosmadre, estudiospadre, ocupacionmadre, ocupacionpadre

Siguiente versión:

ocupaciones: Trabajo, No trabaja Estudios: Primaria y FP vs Secundaria+

Problemas de salud variados ==> Sano: Si/No (Los missing se consideran sanos)

Objetivos nuevos:

Podemos fabricar una variable estudiosfamilia. Una se basa en el nivel más alto de ambos

Tiene relación apgarfamiliar con estudiospadre y estudiosmadre y estudiosfamilia

El apgarfamiliar se asocia con los estudios de la madre

tabla_gt <- df %>%
  select(all_of(c("apgarfamiliar","estudiomadre2"))) %>%
  tbl_summary(by = estudiomadre2, statistic = all_categorical() ~ "{n} ({p}%)") %>%
  add_p(test = all_categorical() ~ "chisq.test") %>%
  bold_labels()

## 1 missing rows in the "estudiomadre2" column have been removed.
## The following warnings were returned during `add_p()`:
## ! For variable `apgarfamiliar` (`estudiomadre2`) and "statistic", "p.value",
##   and "parameter" statistics: Chi-squared approximation may be incorrect

# Mostrar
tabla_gt

Characteristic	Categoria1 N = 58¹	Categoria2 N = 87¹	p-value²
Puntuacion global APGAR Familiar			0.010
Disfunción severa	7 (12%)	2 (2.3%)
Disfunción moderada	0 (0%)	4 (4.6%)
Disfunción leve	5 (8.6%)	18 (21%)
Buena función	46 (79%)	63 (72%)
¹ n (%)
² Pearson’s Chi-squared test

No con los del padre

tabla_gt <- df %>%
  select(all_of(c("apgarfamiliar","estudiopadre2"))) %>%
  tbl_summary(by = estudiopadre2, statistic = all_categorical() ~ "{n} ({p}%)") %>%
  add_p(test = all_categorical() ~ "chisq.test") %>%
  bold_labels()

## 45 missing rows in the "estudiopadre2" column have been removed.
## The following warnings were returned during `add_p()`:
## ! For variable `apgarfamiliar` (`estudiopadre2`) and "statistic", "p.value",
##   and "parameter" statistics: Chi-squared approximation may be incorrect

# Mostrar
tabla_gt

Characteristic	Categoria1 N = 15¹	Categoria2 N = 86¹	p-value²
Puntuacion global APGAR Familiar			>0.9
Disfunción severa	1 (6.7%)	8 (9.3%)
Disfunción moderada	1 (6.7%)	3 (3.5%)
Disfunción leve	2 (13%)	11 (13%)
Buena función	11 (73%)	64 (74%)
¹ n (%)
² Pearson’s Chi-squared test

Y no con el más alto en la familia

tabla_gt <- df %>%
  select(all_of(c("apgarfamiliar","estudiofamilia"))) %>%
  tbl_summary(by = estudiofamilia, statistic = all_categorical() ~ "{n} ({p}%)") %>%
  add_p(test = all_categorical() ~ "chisq.test") %>%
  bold_labels()

## The following warnings were returned during `add_p()`:
## ! For variable `apgarfamiliar` (`estudiofamilia`) and "statistic", "p.value",
##   and "parameter" statistics: Chi-squared approximation may be incorrect

# Mostrar
tabla_gt

Characteristic	Categoria1 N = 32¹	Categoria2 N = 114¹	p-value²
Puntuacion global APGAR Familiar			0.5
Disfunción severa	1 (3.1%)	8 (7.0%)
Disfunción moderada	0 (0%)	4 (3.5%)
Disfunción leve	4 (13%)	20 (18%)
Buena función	27 (84%)	82 (72%)
¹ n (%)
² Pearson’s Chi-squared test

Veamos el de la asociación entre apgarfamiliar y los estudios de la madre con más detalle:

ggbarstats(
  data = datos,
  y = estudiomadre2,
  x = apgarfamiliar,
  results.subtitle = TRUE,
  proportion.test = TRUE
)

¿informeenfermeraalta está relacionado con hado? Ver tabla inicial

¿Hay relación entre apgarfamiliar y EG?

No lo parece

tabla_gt <- df %>%
  select(all_of(c("apgarfamiliar","EG"))) %>%
  tbl_summary(by = apgarfamiliar, statistic = all_categorical() ~ "{n} ({p}%)") %>%
  add_p(test = all_categorical() ~ "chisq.test") %>%
  bold_labels()

# Mostrar
tabla_gt

Characteristic	Disfunción severa N = 9¹	Disfunción moderada N = 4¹	Disfunción leve N = 24¹	Buena función N = 109¹	p-value²
EG	31.0 (30.0, 32.0)	32.0 (30.5, 33.5)	33.5 (31.0, 34.0)	33.0 (31.0, 34.0)	0.14
¹ Median (Q1, Q3)
² Kruskal-Wallis rank sum test

¿Hay relación entre hijosposteriores y nivelestudios (todos)?

Analisis

Javier Barón

2025-06-13