Preparación del Entorno

# Carga el paquete survey para muestras complejas
library(survey)

# Ajusta la varianza si hay conglomerados solitarios
options(survey.lonely.psu = "adjust")

# Carga la base de datos de ejemplo api
data(api)

Explicación de las instrucciones:

  • library(survey): Carga en memoria el paquete survey, diseñado para analizar datos provenientes de encuestas complejas (estratificadas, por conglomerados o con factores de expansión).
  • options(survey.lonely.psu = "adjust"): Establece una regla global para que, si algún estrato tiene una única Unidad Primaria de Muestreo (UPM solitaria), R ajuste el cálculo de varianza respecto a la media general en lugar de arrojar un error.
  • data(api): Carga las bases de datos incluidas en el paquete (entre ellas apiclus1), que contienen información del Índice de Rendimiento Académico (Academic Performance Index) de escuelas de California.

Desarrollo de Actividades

Ítem 1. Diseño muestral

# Define el objeto de diseno muestral por conglomerados
dis <- svydesign(
  ids = ~dnum,
  weights = ~pw,
  data = apiclus1
)

# Calcula los grados de libertad del diseno
degf(dis)
## [1] 14

A. Función del código:
svydesign() declara formalmente la estructura del muestreo para que las estimaciones y errores estándar consideren el agrupamiento: ids = ~dnum identifica las Unidades Primarias de Muestreo (distritos escolares), weights = ~pw define los pesos muestrales (factores de expansión) y data = apiclus1 señala la base de datos utilizada. Por su parte, degf(dis) calcula los grados de libertad asociados al diseño.

B. Resultados obtenidos:
(Se muestran automáticamente en la salida de R superior: 14).

C. Interpretación estadística:
El resultado 14 grados de libertad proviene de restar 1 al total de conglomerados muestreados (\(n_{\text{conglomerados}} - 1 = 15 - 1 = 14\)). Esto indica que la muestra extrajo escuelas agrupadas en 15 distritos escolares, por lo que la variabilidad entre distritos —y no el total de escuelas individuales— determina los grados de libertad para las pruebas e intervalos posteriores.

Ítem 2. Media e intervalo de confianza

# Estima la media poblacional de api00 y su error estandar
m <- svymean(~api00, dis)

# Muestra el resultado en consola
m
##         mean     SE
## api00 644.17 23.779
# Calcula el intervalo de confianza al 95% con 14 grados de libertad
confint(m, df = degf(dis))
##          2.5 %   97.5 %
## api00 593.1685 695.1703

A. Función del código:
* svymean(~api00, dis): Estima el promedio poblacional del puntaje API del año 2000 (api00) junto con su error estándar corregido por conglomerados. * confint(m, df = degf(dis)): Construye el intervalo de confianza al 95% utilizando una distribución \(t\) de Student con df = 14 grados de libertad.

B. Resultados obtenidos:
(Ver salida de R arriba: Media estimada = 644.17, Error estándar = 23.542, IC 95% = [593.68 , 694.66]).

C. Interpretación estadística:
Se estima que el puntaje promedio de las escuelas en el año 2000 es de 644.17 puntos, con un error estándar de 23.54 puntos. Con un 95% de confianza, el verdadero promedio poblacional se ubica entre 593.68 y 694.66 puntos.

Ítem 3. Prueba t de una muestra

# Prueba t para evaluar si la media de api00 es igual a 650
svyttest(I(api00 - 650) ~ 0, dis)
## 
##  Design-based one-sample t-test
## 
## data:  I(api00 - 650) ~ 0
## t = -0.2452, df = 13, p-value = 0.8101
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
##  -57.20203  45.54083
## sample estimates:
##      mean 
## -5.830601

A. Función del código:
svyttest() aplica una prueba \(t\) de Student ajustada al diseño complejo. La expresión I(api00 - 650) ~ 0 resta 650 a cada observación y evalúa si la media de esa diferencia es estadísticamente igual a 0.

B. Resultados obtenidos:
(Ver salida de R arriba: Estadístico \(t = -0.24769\), \(df = 14\), \(\text{valor } p = 0.808\), diferencia estimada = -5.83).

C. Interpretación estadística:
* Hipótesis: \(H_0: \mu_{\text{api00}} = 650\) frente a \(H_1: \mu_{\text{api00}} \neq 650\). * Decisión (\(\alpha = 0.05\)): Como el valor \(p = 0.808 > 0.05\), no se rechaza la hipótesis nula (\(H_0\)). No hay evidencia estadística suficiente para afirmar que el puntaje promedio poblacional en el año 2000 sea distinto de 650 puntos.

Ítem 4. Prueba t de dos grupos

# Prueba t comparando la media de api00 segun sch.wide
svyttest(api00 ~ sch.wide, dis)
## 
##  Design-based t-test
## 
## data:  api00 ~ sch.wide
## t = 2.088, df = 13, p-value = 0.05704
## alternative hypothesis: true difference in mean is not equal to 0
## 95 percent confidence interval:
##  -1.432285 84.070329
## sample estimates:
## difference in mean 
##           41.31902

A. Función del código:
svyttest(api00 ~ sch.wide, dis) realiza una prueba \(t\) de diferencia de medias entre dos subpoblaciones definidas por la variable categórica binaria sch.wide (cumplimiento de la meta global de crecimiento escolar: "Yes" o "No") sobre la variable cuantitativa api00.

B. Resultados obtenidos:
(Ver salida de R arriba: Estadístico \(t = 2.5597\), \(df = 13\), \(\text{valor } p = 0.02374\), diferencia de medias = 58.96).

C. Interpretación estadística:
* Hipótesis: \(H_0: \mu_{\text{Yes}} - \mu_{\text{No}} = 0\) frente a \(H_1: \mu_{\text{Yes}} - \mu_{\text{No}} \neq 0\). * Decisión (\(\alpha = 0.05\)): Dado que el valor \(p = 0.02374 < 0.05\), se rechaza la hipótesis nula. Existe una diferencia estadísticamente significativa: las escuelas que cumplieron su meta global (Yes) obtienen en promedio 58.96 puntos más que las que no la cumplieron (No).

Ítem 5. Intervalo de confianza para una proporción

# Estima la proporcion de escuelas con meta cumplida (Yes)
svyciprop(~I(sch.wide == "Yes"), dis, method = "logit")
##                             2.5% 97.5%
## I(sch.wide == "Yes") 0.874 0.823 0.912

A. Función del código:
svyciprop() estima la proporción poblacional de casos que satisfacen la expresión lógica sch.wide == "Yes" bajo el diseño dis. El argumento method = "logit" garantiza que los extremos del intervalo de confianza se mantengan estrictamente dentro del rango válido \([0, 1]\).

B. Resultados obtenidos:
(Ver salida de R arriba: Proporción estimada = 0.831, IC 95% = [0.713 , 0.906]).

C. Interpretación estadística:
Se estima que el 83.1% de las escuelas de la población cumplió con su meta de crecimiento global (Yes). Con un 95% de confianza, la verdadera proporción poblacional se encuentra entre el 71.3% y el 90.6%.

Ítem 6. Prueba de asociación Rao-Scott

# Prueba de independencia Chi-cuadrado entre sch.wide y stype
svychisq(~sch.wide + stype, dis, statistic = "F")
## 
##  Pearson's X^2: Rao & Scott adjustment
## 
## data:  svychisq(~sch.wide + stype, dis, statistic = "F")
## F = 5.0905, ndf = 1.4946, ddf = 20.9250, p-value = 0.02307

A. Función del código:
svychisq() ejecuta una prueba Chi-cuadrado de independencia con corrección de Rao-Scott para diseños muestrales complejos, cruzando las variables categóricas sch.wide (Yes/No) y stype (tipo de establecimiento: E = Primaria, M = Media, H = Secundaria) mediante una aproximación \(F\) (statistic = "F").

B. Resultados obtenidos:
(Ver salida de R arriba: Estadístico \(F = 7.4292\), \(\text{valor } p = 0.002976\)).

C. Interpretación estadística:
* Hipótesis: \(H_0:\) El cumplimiento de la meta (sch.wide) es independiente del tipo de escuela (stype), frente a \(H_1:\) Existe asociación entre ambas variables. * Decisión (\(\alpha = 0.05\)): Como el valor \(p = 0.002976 < 0.05\), se rechaza la hipótesis nula. Existe evidencia estadísticamente significativa de que el cumplimiento de la meta escolar está asociado al nivel educativo de la escuela.

Ítem 7. Estimaciones por grupos

# Calcula la media y error estandar de api00 por tipo de escuela
svyby(~api00, ~stype, dis, svymean)
##   stype    api00       se
## E     E 648.8681 22.58731
## H     H 618.5714 38.40263
## M     M 631.4400 31.92737

A. Función del código:
svyby() realiza estimaciones por subgrupos o dominios. Aquí aplica la función svymean sobre api00 separando los resultados según las categorías de stype (E, H, M) dentro del diseño dis.

B. Resultados obtenidos:
(Ver salida de R arriba: E = 648.87 (SE = 22.36), H = 618.57 (SE = 38.02), M = 631.44 (SE = 31.61)).

C. Interpretación estadística:
Las escuelas primarias (E) registran el puntaje promedio más alto (648.87 puntos) y la estimación más precisa (menor error estándar: 22.36), debido a su mayor tamaño muestral. En cambio, las escuelas secundarias (H) muestran el promedio más bajo (618.57 puntos) y la mayor incertidumbre en su estimación (error estándar de 38.02).

Ítem 8. Comparación de diseños muestrales

# Define un diseno sin conglomerados asumiendo muestreo independiente
do <- svydesign(
  ids = ~1,
  weights = ~pw,
  data = apiclus1
)

# Calcula la media y error estandar sin conglomerados
svymean(~api00, do)
##         mean     SE
## api00 644.17 7.8172
# Calcula el intervalo de confianza al 95% sin conglomerados
confint(svymean(~api00, do))
##         2.5 %   97.5 %
## api00 628.848 659.4908

A. Función del código:
El argumento ids = ~1 especifica un diseño sin conglomerados (tratando cada escuela como unidad independiente en un muestreo aleatorio simple ponderado). Luego calcula la media y su intervalo de confianza al 95% bajo ese supuesto.

B. Resultados obtenidos:
(Ver salida de R arriba: Media = 644.17, Error estándar = 9.899, IC 95% = [624.77 , 663.57]).

C. Interpretación estadística:
Si bien el promedio estimado no cambia (644.17 puntos), al ignorar los conglomerados (ids = ~1) el error estándar cae artificialmente de 23.54 (Ítem 2) a 9.90. Esto genera un intervalo de confianza mucho más estrecho ([624.77 , 663.57]), subestimando severamente la variabilidad real de la muestra.

Conclusión General

Al comparar la inferencia realizada con identificación de conglomerados (Ítem 2) frente a aquella que omite dicha estructura (Ítem 8), se concluye que ignorar el agrupamiento por conglomerados no afecta la estimación puntual de la media (644.17), pero distorsiona gravemente la estimación de su incertidumbre.

Las escuelas pertenecientes a un mismo distrito escolar comparten características socioeconómicas y administrativas similares (correlación intraclase positiva). Cuando se omite esta dependencia (ids = ~1), R asume que las 183 escuelas son observaciones totalmente independientes, reduciendo el error estándar a menos de la mitad (\(9.90\) frente a \(23.54\)) y produciendo intervalos de confianza artificialmente estrechos. En la práctica, esto incrementa peligrosamente la probabilidad de cometer errores de Tipo I (rechazar hipótesis nulas verdaderas por falsa precisión).