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 = 146
1
CONTROL
N = 96
1
HADO
N = 50
1
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 = 96
1
HADO
N = 50
1
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 = 96
1
HADO
N = 50
1
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 = 58
1
Categoria2
N = 87
1
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 = 15
1
Categoria2
N = 86
1
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 = 32
1
Categoria2
N = 114
1
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 = 9
1
Disfunción moderada
N = 4
1
Disfunción leve
N = 24
1
Buena función
N = 109
1
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)?