Pregunta Problema

¿En qué medida los niveles de estrés, la calidad del sueño, la actividad física, el uso de redes sociales y el acceso a terapia y apoyo emocional predicen la satisfacción con la vida y la presencia de ansiedad en adultos colombianos?

Objetivo General

Determinar la relación entre los niveles de estrés, calidad del sueño, actividad física, uso de redes sociales, red de apoyo emocional y terapia psicológica con la satisfacción con la vida y la presencia de ansiedad en una muestra de adultos colombianos.

Objetivos Específicos

Evaluar la asociación entre la calidad del sueño y los niveles de estrés percibido en la muestra, controlando por edad, sexo y nivel educativo.
Identificar el efecto combinado de la actividad física y la terapia psicológica sobre la reducción de la ansiedad reportada y el aumento de la satisfacción con la vida.

Análisis basado en una base de datos anónima con 100 registros (N=100), recolectados en contexto colombiano.

# Install if not already
install.packages("gt")

## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.5'
## (as 'lib' is unspecified)

install.packages("readxl")

## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.5'
## (as 'lib' is unspecified)

# Load libraries
library(readxl)
library(gt)

# Read your Excel file
data <- read_excel("Base_Psicologia_Bienestar.xlsx")

# Create a clean GT table
gt_table <- data %>%
  gt() %>%
  tab_header(
    title = "Base de Psicología y Bienestar",
    subtitle = "Vista general de los datos"
  ) %>%
  fmt_number(
    decimals = 2
  ) %>%
  opt_table_font(
    font = list(google_font("Roboto"))
  )

gt_table

edad	sexo	nivel_educativo	nivel_estres	calidad_sueno	realiza_actividad_fisica	acude_terapia	uso_redes_sociales_diario	satisfaccion_vida	red_apoyo_emocional	ha_sufrido_ansiedad
Base de Psicología y Bienestar
Vista general de los datos
32.00	Masculino	Técnico	3.00	6.00	Sí	No	2.00	4.00	Media	No
48.00	Femenino	Postgrado	4.00	6.00	Sí	No	0.00	7.00	Alta	Sí
36.00	Femenino	Técnico	2.00	8.00	Sí	No	5.00	7.00	Media	Sí
19.00	Otro	Técnico	1.00	9.00	Sí	No	5.00	3.00	Baja	Sí
30.00	Femenino	Postgrado	9.00	2.00	No	Sí	5.00	6.00	Alta	Sí
44.00	Femenino	Postgrado	4.00	5.00	No	Sí	5.00	6.00	Baja	Sí
53.00	Masculino	Técnico	10.00	5.00	No	No	4.00	1.00	Alta	Sí
38.00	Femenino	Postgrado	4.00	9.00	No	No	5.00	10.00	Media	Sí
45.00	Masculino	Bachillerato	4.00	6.00	No	No	3.00	3.00	Alta	No
35.00	Otro	Bachillerato	10.00	1.00	Sí	No	0.00	3.00	Alta	No
26.00	Masculino	Bachillerato	10.00	8.00	No	Sí	2.00	7.00	Alta	Sí
34.00	Femenino	Postgrado	10.00	8.00	Sí	No	3.00	5.00	Media	No
51.00	Femenino	Postgrado	1.00	7.00	Sí	No	1.00	8.00	Alta	Sí
19.00	Femenino	Universitario	4.00	5.00	No	Sí	1.00	3.00	Alta	Sí
42.00	Masculino	Bachillerato	6.00	10.00	Sí	No	3.00	3.00	Alta	No
33.00	Femenino	Bachillerato	5.00	10.00	Sí	No	0.00	4.00	Alta	No
22.00	Masculino	Técnico	2.00	5.00	Sí	No	2.00	2.00	Alta	Sí
51.00	Femenino	Bachillerato	6.00	5.00	Sí	No	3.00	2.00	Baja	Sí
22.00	Masculino	Técnico	9.00	8.00	No	No	4.00	4.00	Alta	Sí
35.00	Masculino	Universitario	9.00	10.00	Sí	Sí	4.00	5.00	Media	No
21.00	Masculino	Técnico	7.00	6.00	No	Sí	3.00	10.00	Media	Sí
19.00	Femenino	Postgrado	6.00	8.00	No	Sí	3.00	2.00	Alta	Sí
43.00	Otro	Bachillerato	3.00	10.00	Sí	Sí	3.00	5.00	Media	Sí
56.00	Femenino	Bachillerato	2.00	5.00	Sí	No	2.00	7.00	Media	No
47.00	Femenino	Universitario	1.00	1.00	No	Sí	0.00	8.00	Baja	No
23.00	Masculino	Universitario	4.00	10.00	Sí	No	3.00	1.00	Baja	Sí
49.00	Otro	Postgrado	10.00	1.00	Sí	No	5.00	5.00	Alta	Sí
22.00	Femenino	Postgrado	3.00	6.00	No	No	4.00	9.00	Media	No
33.00	Masculino	Técnico	7.00	2.00	Sí	No	5.00	10.00	Alta	No
43.00	Femenino	Universitario	1.00	10.00	Sí	No	5.00	3.00	Baja	Sí
60.00	Masculino	Técnico	9.00	2.00	No	No	3.00	3.00	Media	No
45.00	Masculino	Bachillerato	3.00	5.00	Sí	Sí	1.00	6.00	Alta	Sí
40.00	Femenino	Bachillerato	6.00	4.00	Sí	Sí	4.00	10.00	Media	No
58.00	Otro	Postgrado	8.00	1.00	No	No	1.00	9.00	Media	Sí
55.00	Masculino	Postgrado	5.00	7.00	Sí	No	3.00	10.00	Media	No
38.00	Femenino	Universitario	4.00	5.00	No	No	5.00	3.00	Baja	Sí
26.00	Femenino	Postgrado	4.00	5.00	No	No	4.00	10.00	Baja	Sí
51.00	Femenino	Técnico	7.00	6.00	Sí	Sí	4.00	7.00	Baja	Sí
49.00	Masculino	Postgrado	3.00	2.00	Sí	Sí	4.00	7.00	Media	Sí
22.00	Femenino	Técnico	9.00	10.00	No	No	1.00	2.00	Baja	No
20.00	Femenino	Universitario	5.00	7.00	Sí	Sí	4.00	8.00	Media	No
56.00	Femenino	Bachillerato	10.00	5.00	Sí	No	2.00	2.00	Alta	Sí
59.00	Masculino	Bachillerato	8.00	7.00	Sí	No	4.00	8.00	Baja	Sí
60.00	Masculino	Técnico	6.00	4.00	Sí	No	2.00	10.00	Alta	No
56.00	Masculino	Técnico	6.00	9.00	No	No	1.00	3.00	Baja	No
20.00	Femenino	Bachillerato	9.00	1.00	Sí	No	2.00	8.00	Baja	No
28.00	Masculino	Universitario	7.00	9.00	No	No	1.00	6.00	Media	Sí
43.00	Femenino	Técnico	10.00	9.00	Sí	Sí	3.00	9.00	Media	Sí
51.00	Masculino	Postgrado	4.00	5.00	No	No	5.00	9.00	Baja	No
45.00	Femenino	Universitario	9.00	7.00	Sí	No	2.00	9.00	Alta	No
36.00	Masculino	Universitario	1.00	8.00	Sí	Sí	2.00	4.00	Baja	No
51.00	Femenino	Técnico	6.00	2.00	No	Sí	1.00	5.00	Alta	No
23.00	Masculino	Universitario	8.00	9.00	Sí	No	3.00	2.00	Baja	No
39.00	Femenino	Universitario	8.00	10.00	Sí	No	4.00	9.00	Baja	No
59.00	Otro	Técnico	3.00	3.00	No	Sí	1.00	8.00	Baja	No
50.00	Masculino	Técnico	8.00	5.00	No	No	0.00	1.00	Alta	Sí
27.00	Masculino	Universitario	5.00	1.00	No	No	1.00	6.00	Alta	Sí
58.00	Masculino	Postgrado	5.00	2.00	Sí	No	4.00	8.00	Baja	No
18.00	Femenino	Postgrado	4.00	7.00	Sí	No	4.00	5.00	Baja	No
26.00	Masculino	Bachillerato	9.00	5.00	No	Sí	0.00	2.00	Baja	Sí
22.00	Femenino	Bachillerato	4.00	9.00	Sí	No	5.00	4.00	Alta	No
29.00	Femenino	Postgrado	6.00	3.00	No	Sí	2.00	10.00	Alta	No
20.00	Masculino	Bachillerato	3.00	1.00	No	No	4.00	3.00	Baja	Sí
24.00	Masculino	Universitario	3.00	5.00	Sí	No	0.00	2.00	Baja	Sí
37.00	Femenino	Técnico	5.00	10.00	No	Sí	1.00	6.00	Baja	Sí
50.00	Femenino	Técnico	8.00	9.00	Sí	No	2.00	5.00	Media	No
52.00	Femenino	Técnico	8.00	9.00	Sí	No	4.00	2.00	Baja	Sí
43.00	Masculino	Postgrado	1.00	6.00	Sí	No	5.00	7.00	Alta	No
60.00	Femenino	Universitario	8.00	6.00	Sí	No	1.00	4.00	Alta	Sí
59.00	Masculino	Bachillerato	10.00	10.00	Sí	Sí	0.00	9.00	Media	Sí
19.00	Femenino	Postgrado	7.00	4.00	No	Sí	3.00	3.00	Media	No
22.00	Otro	Universitario	10.00	7.00	Sí	No	0.00	5.00	Baja	No
52.00	Masculino	Universitario	3.00	2.00	Sí	Sí	5.00	6.00	Baja	Sí
45.00	Masculino	Técnico	3.00	1.00	Sí	Sí	1.00	8.00	Media	Sí
21.00	Masculino	Universitario	5.00	1.00	Sí	No	1.00	5.00	Alta	No
58.00	Femenino	Técnico	9.00	7.00	Sí	No	4.00	6.00	Media	No
56.00	Masculino	Universitario	3.00	1.00	Sí	No	0.00	9.00	Baja	Sí
60.00	Masculino	Bachillerato	2.00	4.00	No	No	3.00	1.00	Baja	Sí
43.00	Femenino	Bachillerato	1.00	1.00	Sí	No	2.00	3.00	Alta	No
52.00	Masculino	Postgrado	6.00	7.00	No	No	0.00	8.00	Baja	No
49.00	Masculino	Bachillerato	10.00	8.00	No	No	5.00	9.00	Alta	No
27.00	Femenino	Postgrado	1.00	9.00	No	Sí	3.00	5.00	Baja	No
52.00	Femenino	Técnico	1.00	1.00	Sí	No	1.00	6.00	Media	No
55.00	Masculino	Bachillerato	5.00	9.00	Sí	No	2.00	7.00	Alta	Sí
26.00	Femenino	Técnico	10.00	10.00	Sí	No	2.00	6.00	Media	Sí
33.00	Masculino	Postgrado	8.00	5.00	Sí	No	3.00	1.00	Baja	No
43.00	Femenino	Bachillerato	2.00	6.00	No	No	3.00	8.00	Baja	Sí
57.00	Femenino	Postgrado	7.00	4.00	Sí	Sí	1.00	7.00	Media	No
23.00	Femenino	Técnico	8.00	2.00	Sí	Sí	4.00	5.00	Media	Sí
46.00	Femenino	Universitario	1.00	8.00	No	No	1.00	4.00	Media	Sí
52.00	Masculino	Técnico	7.00	1.00	Sí	No	1.00	2.00	Baja	Sí
29.00	Masculino	Bachillerato	9.00	4.00	No	Sí	2.00	8.00	Baja	Sí
49.00	Femenino	Bachillerato	5.00	4.00	No	No	5.00	8.00	Media	Sí
30.00	Femenino	Técnico	4.00	5.00	Sí	No	0.00	10.00	Baja	No
52.00	Masculino	Bachillerato	6.00	7.00	Sí	No	0.00	2.00	Baja	Sí
45.00	Masculino	Universitario	6.00	9.00	No	Sí	0.00	6.00	Alta	Sí
57.00	Masculino	Postgrado	3.00	5.00	No	No	5.00	7.00	Alta	Sí
55.00	Masculino	Bachillerato	3.00	4.00	Sí	No	1.00	9.00	Baja	No
29.00	Femenino	Universitario	4.00	5.00	Sí	No	5.00	8.00	Alta	Sí
52.00	Masculino	Universitario	8.00	10.00	Sí	Sí	3.00	6.00	Baja	Sí

library(readxl)
library(ggplot2)

# Cargar tu base 
datos <- read_excel("Base_Psicologia_Bienestar.xlsx")

ggplot(datos, aes(x = sexo, fill = sexo)) +
  geom_bar() +
  labs(title = "Distribución por Sexo", x = "Sexo", y = "Frecuencia") +
  theme(legend.position = "none")

Femenino: ~47
Masculino: ~45
Otro: ~7 Hombres y mujeres están casi equilibrados. El grupo “Otro” es muy pequeño, por eso sus resultados deben interpretarse con cautela.

ggplot(datos, aes(x = edad)) +
  geom_histogram(binwidth = 5, fill = "skyblue", color = "black") +
  labs(title = "Distribución de la Edad", x = "Edad", y = "Frecuencia")

Rango entre ~18 y ~62 años.
Distribución irregular, con picos alrededor de 20, 30 y 50 años.
No hay fuerte concentración en un único grupo etario. Interpretación: La muestra está compuesta por edades diversas sin un sesgo marcado.

ggplot(datos, aes(x = uso_redes_sociales_diario)) +
  geom_histogram(binwidth = 1, fill = "coral", color = "black") +
  labs(title = "Uso diario de redes sociales", x = "Horas al día", y = "Frecuencia")

Horas entre 0 y 5 diarias.
Distribución relativamente uniforme.
No hay exceso de personas en extremos. Interpretación: El grupo tiene variabilidad suficiente para analizar estrés vs redes (aunque no haya correlación).

ggplot(datos, aes(x = nivel_educativo, fill = nivel_educativo)) +
  geom_bar() +
  labs(title = "Nivel educativo de los participantes", x = "Nivel educativo", y = "Frecuencia") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1), legend.position = "none")

Bachillerato: ~26
Posgrado: ~23
Técnico: ~28 (el más numeroso)
Universitario: ~22 Interpretación:La muestra está relativamente balanceada, aunque Técnico es el grupo más grande.

ggplot(datos, aes(x = sexo, y = nivel_estres, fill = sexo)) +
  geom_boxplot() +
  labs(title = "Nivel de estrés según el sexo", x = "Sexo", y = "Nivel de estrés") +
  theme(legend.position = "none")

📊 Análisis del Nivel de Estrés por Sexo Este gráfico compara la distribución del nivel de estrés para tres categorías de sexo: Femenino, Masculino y Otro.

🧍‍♀️ Categoría “Femenino” (Caja Roja) Mediana (Línea central): El nivel de estrés promedio para esta categoría es de aproximadamente 5.0.

Rango Intercuartílico (Altura de la caja): La mayoría de las personas (el 50% central) tiene un nivel de estrés que va desde aproximadamente 4.0 (Q1) hasta 8.0 (Q3). El rango es relativamente amplio.

Rango Total (Bigotes): El nivel mínimo observado está alrededor de 1.0 y el nivel máximo es de 10.0.

🧍 Categoría “Masculino” (Caja Verde) Mediana (Línea central): El nivel de estrés promedio es más alto que en la categoría Femenino, ubicándose cerca de 6.0.

Rango Intercuartílico (Altura de la caja): El 50% central de los hombres tiene un nivel de estrés que va desde aproximadamente 3.0 (Q1) hasta 8.0 (Q3). Esto sugiere una mayor dispersión en los niveles más bajos de estrés en comparación con la categoría Femenino.

Rango Total (Bigotes): El nivel mínimo observado está alrededor de 1.0 y el nivel máximo es de 10.0.

👤 Categoría “Otro” (Caja Azul) Mediana (Línea central): Esta categoría presenta la mediana más alta, situada alrededor de 8.0.

Rango Intercuartílico (Altura de la caja): El 50% central de las personas en esta categoría tiene un nivel de estrés que va desde aproximadamente 3.0 (Q1) hasta 10.0 (Q3). La caja es la más ancha, indicando la mayor dispersión en los datos entre las tres categorías.

Rango Total (Bigotes): El nivel mínimo observado está alrededor de 3.0 y el nivel máximo es de 10.0. El valor mínimo es notablemente más alto que en las otras dos categorías.

💡 Conclusiones Clave Mediana del Estrés: La categoría “Otro” tiene el nivel de estrés mediano más alto (8.0), seguida por “Masculino” (6.0) y, finalmente, “Femenino” (5.0).

Dispersión: La categoría “Otro” muestra la mayor variabilidad en el nivel de estrés dentro del 50% central (el rango intercuartílico de 3.0 a 10.0).

Extremos Superiores: Las tres categorías tienen un nivel máximo de estrés de 10.0.

Extremos Inferiores: La categoría “Otro” tiene el nivel de estrés mínimo más alto (3.0), mientras que “Femenino” y “Masculino” tienen niveles mínimos de alrededor de 1.0.

Pruebas de hipótesis

A continuación se presentan cinco pruebas de hipótesis orientadas a analizar factores asociados al bienestar psicológico.

1 Asociación entre el sexo y haber sufrido ansiedad (Prueba Chi-cuadrado)

Hipótesis nula (H₀): No existe relación entre el sexo y haber sufrido ansiedad.
Hipótesis alternativa (H₁): Existe una relación significativa entre el sexo y haber sufrido ansiedad.

Técnica: Prueba Chi-cuadrado de independencia.
Justificación: Ambas variables (sexo y ha_sufrido_ansiedad) son categóricas, por lo que la prueba Chi-cuadrado permite determinar si existe una asociación estadísticamente significativa entre ellas.

# Verificar los valores únicos para evitar errores
table(datos$sexo)

## 
##  Femenino Masculino      Otro 
##        47        46         7

table(datos$ha_sufrido_ansiedad)

## 
## No Sí 
## 45 55

# Crear tabla de contingencia
tabla_ansiedad_sexo <- table(datos$sexo, datos$ha_sufrido_ansiedad)
tabla_ansiedad_sexo

##            
##             No Sí
##   Femenino  23 24
##   Masculino 19 27
##   Otro       3  4

# Aplicar prueba Chi-cuadrado
chisq_ansiedad_sexo <- chisq.test(tabla_ansiedad_sexo)

## Warning in chisq.test(tabla_ansiedad_sexo): Chi-squared approximation may be
## incorrect

chisq_ansiedad_sexo

## 
##  Pearson's Chi-squared test
## 
## data:  tabla_ansiedad_sexo
## X-squared = 0.56105, df = 2, p-value = 0.7554

Resultado estadístico: El valor del estadístico Chi-cuadrado (X²) y su valor p (p-value) aparecen en el resultado anterior.

Interpretación:

Si p < 0.05, se rechaza la hipótesis nula, indicando que existe una relación significativa entre el sexo y haber sufrido ansiedad.

Si p > 0.05, no se rechaza la hipótesis nula, lo que sugiere que el sexo no influye significativamente en la probabilidad de haber sufrido ansiedad.

En otras palabras, esta prueba permite evaluar si las diferencias observadas en las proporciones de ansiedad entre hombres y mujeres son estadísticamente relevantes o solo producto del azar.

El test arrojó X^2 = 0.56 y p = 0.755, por lo que no existe una asociación significativa entre el sexo y haber sufrido ansiedad. Las diferencias entre grupos parecen explicarse por el azar, y el grupo “Otro” es muy pequeño para detectar efectos claros.

2. T-test: Satisfacción con la vida según acudir a terapia

# Preparación

datos$acude_terapia <- as.factor(datos$acude_terapia) # sí/no o 1/0
datos$satisfaccion_vida <- as.numeric(datos$satisfaccion_vida)

# Revisar conteos por grupo

table(datos$acude_terapia)

## 
## No Sí 
## 69 31

# Comprobar normalidad rápida por grupo (Shapiro) - opcional

by(datos$satisfaccion_vida, datos$acude_terapia, function(x) if(sum(!is.na(x))>=3) shapiro.test(x)$p.value else NA)

## datos$acude_terapia: No
## [1] 0.0003763074
## ------------------------------------------------------------ 
## datos$acude_terapia: Sí
## [1] 0.2508497

# T-test (Welch)

t_res_terapia <- t.test(satisfaccion_vida ~ acude_terapia, data = datos)
t_res_terapia

## 
##  Welch Two Sample t-test
## 
## data:  satisfaccion_vida by acude_terapia
## t = -1.7446, df = 75.055, p-value = 0.08515
## alternative hypothesis: true difference in means between group No and group Sí is not equal to 0
## 95 percent confidence interval:
##  -1.9706419  0.1305297
## sample estimates:
## mean in group No mean in group Sí 
##         5.434783         6.354839

# Extraer estadístico y p-value para reportar

t_stat <- t_res_terapia$statistic
p_val <- t_res_terapia$p.value
cat("t =", round(t_stat,3), ", p =", signif(p_val,4), "\n")

## t = -1.745 , p = 0.08515

Interpretación:

Si p < 0.05 → rechazamos H₀: la satisfacción media difiere entre quienes acuden a terapia y quienes no.

Si p ≥ 0.05 → no hay evidencia de diferencia en medias. Mira también la dirección de la diferencia en las medias (t_res_terapia$estimate).

La satisfacción media fue mayor en quienes van a terapia (6.35 vs 5.43), pero la prueba t (p = 0.085) mostró que la diferencia no es estadísticamente significativa. Hay una tendencia, pero no suficiente evidencia al 5%.

3. ANOVA: Nivel de estrés según nivel educativo (con Tukey)

H₀: Las medias de nivel_estres son iguales en todos los niveles educativos. H₁: Al menos un grupo difiere.

Técnica: ANOVA de una vía + Tukey HSD si es significativo. Justificación: Comparar medias de una variable numérica entre 3+ grupos (nivel educativo).

# Preparación

datos$nivel_educativo <- as.factor(datos$nivel_educativo)
datos$nivel_estres <- as.numeric(datos$nivel_estres)

# Revisar tamaños por grupo

table(datos$nivel_educativo)

## 
##  Bachillerato     Postgrado       Técnico Universitario 
##            26            24            27            23

# ANOVA clásico

anova_educ <- aov(nivel_estres ~ nivel_educativo, data = datos)
summary(anova_educ)

##                 Df Sum Sq Mean Sq F value Pr(>F)
## nivel_educativo  3   23.0   7.678   0.939  0.425
## Residuals       96  785.2   8.179

# Si p < 0.05, Tukey HSD

if(summary(anova_educ)[[1]]$`Pr(>F)`[1] < 0.05){
tukey_educ <- TukeyHSD(anova_educ)
print(tukey_educ)
} else {
cat("ANOVA no significativo: no se ejecuta Tukey.\n")
}

## ANOVA no significativo: no se ejecuta Tukey.

# Visualización

library(ggplot2)
ggplot(datos, aes(x = nivel_educativo, y = nivel_estres, fill = nivel_educativo)) +
geom_boxplot() +
labs(title = "Nivel de estrés por nivel educativo", x = "Nivel educativo", y = "Nivel de estrés") +
theme(axis.text.x = element_text(angle = 35, hjust = 1), legend.position = "none")

Interpretación:

ANOVA → mira el F y p. Si p < 0.05, hay diferencias; el test Tukey te dirá qué pares difieren (p adj < 0.05).

Si los supuestos no se cumplen (normalidad/homocedasticidad muy rotos), considerar Kruskal-Wallis (no paramétrica).

El ANOVA obtuvo p = 0.425, indicando que no hay diferencias significativas en el nivel de estrés entre los cuatro niveles educativos. Las variaciones observadas entre grupos no son estadísticamente confiables.

4. Correlación de Pearson: Nivel de estrés y uso diario de redes sociales

H₀: La correlación entre nivel_estres y uso_redes_sociales_diario es 0. H₁: La correlación es distinta de 0.

Técnica: Correlación de Pearson (si ambas variables son aproximadamente continuas y lineales). Justificación: Medir la fuerza y dirección de la relación lineal entre dos variables numéricas.

# Preparación

datos$uso_redes_sociales_diario <- as.numeric(datos$uso_redes_sociales_diario)
datos$nivel_estres <- as.numeric(datos$nivel_estres)

# Eliminamos pares NA

ok <- complete.cases(datos$nivel_estres, datos$uso_redes_sociales_diario)
summary(ok)

##    Mode    TRUE 
## logical     100

cor_test <- cor.test(datos$nivel_estres[ok], datos$uso_redes_sociales_diario[ok], method = "pearson")
cor_test

## 
##  Pearson's product-moment correlation
## 
## data:  datos$nivel_estres[ok] and datos$uso_redes_sociales_diario[ok]
## t = -0.47778, df = 98, p-value = 0.6339
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.2423304  0.1496280
## sample estimates:
##         cor 
## -0.04820687

# Extraer r y p

r_val <- cor_test$estimate
p_cor <- cor_test$p.value
cat("r =", round(r_val,3), ", p =", signif(p_cor,4), "\n")

## r = -0.048 , p = 0.6339

# Gráfico de dispersión con línea de regresión

ggplot(datos[ok,], aes(x = uso_redes_sociales_diario, y = nivel_estres)) +
geom_point(alpha = 0.6) +
geom_smooth(method = "lm", se = TRUE) +
labs(title = "Correlación: estrés vs horas en redes sociales", x = "Horas diarias en redes sociales", y = "Nivel de estrés")

## `geom_smooth()` using formula = 'y ~ x'

Interpretación:

r indica fuerza y dirección (positivo → más uso = más estrés; negativo → más uso = menos estrés).

p < 0.05 → correlación significativa.

La correlación fue muy baja (r = −0.048) y no significativa (p = 0.633). Por lo tanto, no existe relación lineal entre horas de uso de redes y el nivel de estrés en esta muestra.

5. Regresión logística: Factores asociados a acudir a terapia

H₀: Ninguno de los predictores afecta la probabilidad de acudir a terapia H₁: Al menos uno de ellos sí influye significativamente

# --- Preparación de variables ---

if(!is.numeric(datos$acude_terapia)){
  datos$acude_terapia <- as.factor(datos$acude_terapia)
  if(all(levels(datos$acude_terapia) %in% c("no","si","No","Si","NO","SI","Sí","sí"))){
    datos$acude_terapia_num <- ifelse(tolower(as.character(datos$acude_terapia)) %in% c("si","sí"), 1, 0)
  } else {
    datos$acude_terapia_num <- as.numeric(as.character(datos$acude_terapia))
  }
} else {
  datos$acude_terapia_num <- datos$acude_terapia
}

# Convertir predictores
datos$nivel_estres <- as.numeric(datos$nivel_estres)
datos$uso_redes_sociales_diario <- as.numeric(datos$uso_redes_sociales_diario)
datos$realiza_actividad_fisica <- as.factor(datos$realiza_actividad_fisica)

# Verificar niveles
print(unique(datos$realiza_actividad_fisica))

## [1] Sí No
## Levels: No Sí

# Ajustar modelo logístico
mod_terapia <- glm(acude_terapia_num ~ nivel_estres + uso_redes_sociales_diario + realiza_actividad_fisica,
                   data = datos, family = binomial(link = "logit"))

summary(mod_terapia)

## 
## Call:
## glm(formula = acude_terapia_num ~ nivel_estres + uso_redes_sociales_diario + 
##     realiza_actividad_fisica, family = binomial(link = "logit"), 
##     data = datos)
## 
## Coefficients:
##                            Estimate Std. Error z value Pr(>|z|)  
## (Intercept)                -0.35728    0.65007  -0.550   0.5826  
## nivel_estres                0.03153    0.07798   0.404   0.6859  
## uso_redes_sociales_diario  -0.07210    0.13094  -0.551   0.5819  
## realiza_actividad_fisicaSí -0.76061    0.44213  -1.720   0.0854 .
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 123.82  on 99  degrees of freedom
## Residual deviance: 120.36  on 96  degrees of freedom
## AIC: 128.36
## 
## Number of Fisher Scoring iterations: 4

# Calcular odds ratios (OR) y intervalos de confianza
coef_est <- coef(mod_terapia)
or <- exp(coef_est)
ci <- tryCatch(exp(confint(mod_terapia)), error = function(e) NA)

## Waiting for profiling to be done...

if(!is.na(ci)[1]){
  result_table <- data.frame(
    Predictor = names(coef_est),
    Estimate = round(coef_est, 3),
    OR = round(or, 3),
    CI_lower = round(ci[,1], 3),
    CI_upper = round(ci[,2], 3),
    p_value = round(summary(mod_terapia)$coefficients[,4], 4)
  )
} else {
  result_table <- data.frame(
    Predictor = names(coef_est),
    Estimate = round(coef_est, 3),
    OR = round(or, 3),
    p_value = round(summary(mod_terapia)$coefficients[,4], 4)
  )
}

print(result_table)

##                                             Predictor Estimate    OR CI_lower
## (Intercept)                               (Intercept)   -0.357 0.700    0.190
## nivel_estres                             nivel_estres    0.032 1.032    0.885
## uso_redes_sociales_diario   uso_redes_sociales_diario   -0.072 0.930    0.717
## realiza_actividad_fisicaSí realiza_actividad_fisicaSí   -0.761 0.467    0.194
##                            CI_upper p_value
## (Intercept)                   2.490  0.5826
## nivel_estres                  1.205  0.6859
## uso_redes_sociales_diario     1.203  0.5819
## realiza_actividad_fisicaSí    1.110  0.0854

# --- Interpretación automática ---
cat("\n### Interpretación automática\n")

## 
## ### Interpretación automática

for(i in 2:nrow(result_table)){
  pval <- result_table$p_value[i]
  or_val <- result_table$OR[i]
  varname <- result_table$Predictor[i]
  
  if(pval < 0.05){
    cat(varname, "→ efecto significativo (p =", pval, "), OR =", or_val,
        ifelse(or_val > 1, "(mayor probabilidad de acudir a terapia)\n", "(menor probabilidad de acudir a terapia)\n"))
  } else {
    cat(varname, "→ no significativo (p =", pval, ")\n")
  }
}

## nivel_estres → no significativo (p = 0.6859 )
## uso_redes_sociales_diario → no significativo (p = 0.5819 )
## realiza_actividad_fisicaSí → no significativo (p = 0.0854 )

Interpretación: Si nivel_estres tiene un OR > 1 y p < 0.05, significa que el estrés alto aumenta la probabilidad de acudir a terapia.

Si realiza_actividad_fisica (sí) tiene un OR < 1, podría interpretarse como un factor protector.

Si uso_redes_sociales_diario muestra significancia, indicaría una relación directa o inversa según su dirección.

Ninguno de los predictores (estrés, uso de redes, actividad física) fue significativo al 5%. La actividad física mostró una leve tendencia (p = 0.085), pero en general el modelo no identifica factores que predigan acudir a terapia.

Conclusión

El grupo muestra un patrón de agotamiento emocional generalizado. Los factores que más favorecen el bienestar son la práctica de actividad física, el descanso adecuado y contar con una red de apoyo emocional. La gestión preventiva del estrés y un uso más equilibrado de las redes sociales son aspectos clave para mejorar la salud mental y la calidad de vida.

Factores Asociados al Bienestar Psicológico y la Ansiedad en una Muestra Colombiana: Análisis de Estrés, Sueño, Actividad Física y Apoyo Social

Marco Antonio Del Gallego Marrugo, Sara Bazza Sinning, Natan Nader Diazgranados, Valentina Corrales Sepúlveda, Maria Leonor Pinto

2025-11-11

Pregunta Problema

Objetivo General

Objetivos Específicos

Pruebas de hipótesis

1 Asociación entre el sexo y haber sufrido ansiedad (Prueba Chi-cuadrado)

2. T-test: Satisfacción con la vida según acudir a terapia

3. ANOVA: Nivel de estrés según nivel educativo (con Tukey)

4. Correlación de Pearson: Nivel de estrés y uso diario de redes sociales

5. Regresión logística: Factores asociados a acudir a terapia

Conclusión