1. Carga de datos
datos <- read_csv("/Users/adrianaholguin/Desktop/Tabla tesis armoniosa.csv") %>%
clean_names()
## New names:
## Rows: 42 Columns: 105
## ── Column specification
## ──────────────────────────────────────────────────────── Delimiter: "," dbl
## (105): Sujeto, 1. Edad, 2. Sexo, 3. Estado civil, 4. Trabaja, 5. Residen...
## ℹ Use `spec()` to retrieve the full column specification for this data. ℹ
## Specify the column types or set `show_col_types = FALSE` to quiet this message.
## • `` -> `...16`
## • `` -> `...17`
## • `` -> `...18`
## • `` -> `...19`
## • `` -> `...20`
## • `` -> `...24`
## • `` -> `...25`
## • `` -> `...26`
## • `` -> `...27`
## • `` -> `...29`
## • `` -> `...30`
## • `` -> `...31`
## • `` -> `...32`
## • `` -> `...34`
## • `` -> `...35`
## • `` -> `...36`
## • `` -> `...37`
## • `` -> `...38`
## • `` -> `...40`
## • `` -> `...41`
## • `` -> `...42`
## • `` -> `...43`
## • `` -> `...44`
## • `` -> `...46`
## • `` -> `...47`
## • `` -> `...48`
## • `` -> `...51`
## • `` -> `...52`
## • `` -> `...53`
## • `` -> `...56`
## • `` -> `...57`
## • `` -> `...58`
## • `` -> `...61`
## • `` -> `...62`
## • `` -> `...63`
## • `` -> `...64`
## • `` -> `...65`
2. Preparación de
datos
# Renombrar variable de participación
datos <- datos %>%
rename(ha_realizado_voluntariado = x15_ha_realizado_v) %>%
mutate(ha_realizado_voluntariado = factor(ha_realizado_voluntariado, labels = c("No", "Sí")))
# Separar grupos
voluntarios <- datos %>% filter(ha_realizado_voluntariado == "Sí")
no_voluntarios <- datos %>% filter(ha_realizado_voluntariado == "No")
# Selección de ítems de prosocialidad A y B
prosocial_a <- voluntarios %>% select(starts_with("a1_"), starts_with("a2_"), starts_with("a3_"),
starts_with("a4_"), starts_with("a5_"), starts_with("a6_"),
starts_with("a7_"), starts_with("a8_"), starts_with("a9_"),
starts_with("a10_"), starts_with("a11_"), starts_with("a12_"),
starts_with("a13_"), starts_with("a14_"), starts_with("a15_"),
starts_with("a16_"))
prosocial_b <- voluntarios %>% select(starts_with("b1_"), starts_with("b2_"), starts_with("b3_"),
starts_with("b4_"), starts_with("b5_"), starts_with("b6_"),
starts_with("b7_"), starts_with("b8_"), starts_with("b9_"),
starts_with("b10_"), starts_with("b11_"), starts_with("b12_"),
starts_with("b13_"), starts_with("b14_"), starts_with("b15_"),
starts_with("b16_"))
3. Estadística
descriptiva
sociodemo <- datos %>%
select(x2_sexo, x3_estado_civil, x4_trabaja, x5_residente, x6_vive_con, x8_tipo_de_familia, x10_nivel_socioeconomico)
# Crear objeto sociodemo
sociodemo <- datos %>%
select(x2_sexo, x3_estado_civil, x4_trabaja, x5_residente, x6_vive_con, x8_tipo_de_familia, x10_nivel_socioeconomico)
# Seleccionar las variables sociodemográficas
sociodemo <- datos %>%
select(x2_sexo, x3_estado_civil, x4_trabaja, x5_residente, x6_vive_con, x8_tipo_de_familia, x10_nivel_socioeconomico)
# Iterar por cada variable
for (variable in names(sociodemo)) {
cat("### 📌", variable, "\n\n")
valores <- sociodemo[[variable]]
tabla <- table(valores)
porcentaje <- round(prop.table(tabla) * 100, 1)
df <- data.frame(
Respuesta = names(tabla),
Frecuencia = as.vector(tabla),
Porcentaje = as.vector(porcentaje)
)
print(kable(df, caption = paste("Distribución de", variable)))
cat("\n\n")
}
📌 x2_sexo
Distribución de x2_sexo
| 1 |
33 |
78.6 |
| 2 |
9 |
21.4 |
📌
x3_estado_civil
Distribución de x3_estado_civil
| 1 |
41 |
97.6 |
| 3 |
1 |
2.4 |
📌 x4_trabaja
Distribución de x4_trabaja
| 0 |
20 |
47.6 |
| 1 |
22 |
52.4 |
📌 x5_residente
Distribución de x5_residente
| 1 |
19 |
45.2 |
| 2 |
23 |
54.8 |
📌 x6_vive_con
Distribución de x6_vive_con
| 1 |
24 |
57.1 |
| 2 |
16 |
38.1 |
| 3 |
2 |
4.8 |
📌
x8_tipo_de_familia
Distribución de x8_tipo_de_familia
| 1 |
29 |
69.0 |
| 2 |
6 |
14.3 |
| 3 |
7 |
16.7 |
📌
x10_nivel_socioeconomico
Distribución de x10_nivel_socioeconomico
| 2 |
38 |
90.5 |
| 3 |
4 |
9.5 |
4. Comparación de
prosocialidad
# Cálculo de dimensiones específicas
voluntarios <- voluntarios %>%
mutate(
pre_ayudar = a_ayudar,
post_ayudar = b_ayudar,
pre_empatia = a_empatia,
post_empatia = b_empatia,
pre_compartir = a_compartir,
post_compartir = b_compartir,
pre_total = a_total,
post_total = b_total
)
# Función para aplicar test
comparar_pares <- function(pre, post) {
if (shapiro.test(pre)$p.value > 0.05 & shapiro.test(post)$p.value > 0.05) {
test <- t.test(pre, post, paired = TRUE)
tipo <- "t de Student"
} else {
test <- wilcox.test(pre, post, paired = TRUE)
tipo <- "Wilcoxon"
}
list(test = test, tipo = tipo)
}
# Ejecutar comparaciones
res_ayudar <- comparar_pares(voluntarios$pre_ayudar, voluntarios$post_ayudar)
res_empatia <- comparar_pares(voluntarios$pre_empatia, voluntarios$post_empatia)
## Warning in wilcox.test.default(pre, post, paired = TRUE): cannot compute exact
## p-value with ties
## Warning in wilcox.test.default(pre, post, paired = TRUE): cannot compute exact
## p-value with zeroes
res_compartir <- comparar_pares(voluntarios$pre_compartir, voluntarios$post_compartir)
## Warning in wilcox.test.default(pre, post, paired = TRUE): cannot compute exact
## p-value with ties
## Warning in wilcox.test.default(pre, post, paired = TRUE): cannot compute exact
## p-value with zeroes
res_total <- comparar_pares(voluntarios$pre_total, voluntarios$post_total)
# Resultados
cat("
🔹 AYUDAR - Prueba:", res_ayudar$tipo, "
")
##
## 🔹 AYUDAR - Prueba: t de Student
print(res_ayudar$test)
##
## Paired t-test
##
## data: pre and post
## t = -12.288, df = 24, p-value = 7.635e-12
## alternative hypothesis: true mean difference is not equal to 0
## 95 percent confidence interval:
## -7.054464 -5.025536
## sample estimates:
## mean difference
## -6.04
cat("
🔹 EMPATÍA - Prueba:", res_empatia$tipo, "
")
##
## 🔹 EMPATÍA - Prueba: Wilcoxon
print(res_empatia$test)
##
## Wilcoxon signed rank test with continuity correction
##
## data: pre and post
## V = 132.5, p-value = 0.3024
## alternative hypothesis: true location shift is not equal to 0
cat("
🔹 COMPARTIR - Prueba:", res_compartir$tipo, "
")
##
## 🔹 COMPARTIR - Prueba: Wilcoxon
print(res_compartir$test)
##
## Wilcoxon signed rank test with continuity correction
##
## data: pre and post
## V = 86.5, p-value = 0.3379
## alternative hypothesis: true location shift is not equal to 0
cat("
🔹 TOTAL - Prueba:", res_total$tipo, "
")
##
## 🔹 TOTAL - Prueba: t de Student
print(res_total$test)
##
## Paired t-test
##
## data: pre and post
## t = -5.8783, df = 24, p-value = 4.599e-06
## alternative hypothesis: true mean difference is not equal to 0
## 95 percent confidence interval:
## -7.187876 -3.452124
## sample estimates:
## mean difference
## -5.32
voluntarios <- voluntarios %>% mutate( pretest =
rowSums(select(., starts_with(“a”)), na.rm = TRUE), postest =
rowSums(select(., starts_with(“b”)), na.rm = TRUE) )
voluntarios <- voluntarios %>%
mutate(
pretest = rowSums(select(., starts_with("a")), na.rm = TRUE),
postest = rowSums(select(., starts_with("b")), na.rm = TRUE)
)
# 1. Verificar normalidad
shapiro_pre <- shapiro.test(voluntarios$pretest)
shapiro_post <- shapiro.test(voluntarios$postest)
# 2. Aplicar prueba según normalidad
if (shapiro_pre$p.value > 0.05 & shapiro_post$p.value > 0.05) {
prueba_resultado <- t.test(voluntarios$pretest, voluntarios$postest, paired = TRUE)
prueba_tipo <- "t de Student (pareada)"
} else {
prueba_resultado <- wilcox.test(voluntarios$pretest, voluntarios$postest, paired = TRUE)
prueba_tipo <- "Wilcoxon (no paramétrica)"
}
## Warning in wilcox.test.default(voluntarios$pretest, voluntarios$postest, :
## cannot compute exact p-value with ties
## Warning in wilcox.test.default(voluntarios$pretest, voluntarios$postest, :
## cannot compute exact p-value with zeroes
mensaje <- paste0( “🧪 Tipo de prueba aplicada:”, prueba_tipo, “📊
Resultado:”, capture.output(prueba_resultado) %>% paste(collapse =
“”) )
cat(mensaje)
5. Visualización
# Crear pretest y postest como sumas válidas
voluntarios <- voluntarios %>%
mutate(
pretest = rowSums(select(., starts_with("a")), na.rm = TRUE),
postest = rowSums(select(., starts_with("b")), na.rm = TRUE)
)
library(ggplot2)
voluntarios %>%
mutate(id = row_number()) %>% # Crear ID por fila
pivot_longer(cols = c(pretest, postest), names_to = "momento", values_to = "puntaje") %>%
ggplot(aes(x = momento, y = puntaje, group = id)) +
geom_line(alpha = 0.4, color = "#2C3E50") +
geom_point(size = 2, color = "#2980B9") +
labs(title = "Cambio individual en prosocialidad",
x = "Momento de medición", y = "Puntaje total") +
theme_minimal()
voluntarios %>%
pivot_longer(cols = c(pretest, postest), names_to = "momento", values_to = "puntaje") %>%
ggplot(aes(x = momento, y = puntaje, fill = momento)) +
geom_boxplot(alpha = 0.6) +
scale_fill_manual(values = c(pretest = "#E74C3C", postest = "#3498DB")) +
labs(title = "Distribución de prosocialidad: pretest vs postest",
x = "Momento", y = "Puntaje total") +
theme_minimal()
