Preparación

library(survey)
options(survey.lonely.psu = "adjust")
data(api)

A. Función del código

  • library(survey): carga el paquete survey (Thomas Lumley), que permite analizar datos de encuestas con diseños complejos (conglomerados, estratos y pesos) y calcular errores estándar correctos para esos diseños.
  • options(survey.lonely.psu = "adjust"): define qué hacer cuando un estrato tiene una sola unidad primaria de muestreo (UPM). Con una sola UPM no se puede estimar la varianza dentro del estrato y R daría un error. Con "adjust", esa UPM se centra en la media general en vez de la media del estrato, una opción conservadora que permite seguir con el cálculo.
  • data(api): carga los datos del Academic Performance Index (API) de escuelas de California que vienen con el paquete. Incluye apipop (población), apisrs (muestra aleatoria simple), apistrat (estratificada), apiclus1 (conglomerados en una etapa) y apiclus2 (dos etapas). Esta actividad usa apiclus1.
dim(apiclus1)
## [1] 183  39
head(apiclus1[, c("dnum", "pw", "api00", "sch.wide", "stype")])
dnum pw api00 sch.wide stype
637 33.847 608 Yes H
637 33.847 684 Yes E
637 33.847 612 Yes E
637 33.847 710 Yes E
637 33.847 729 Yes E
637 33.847 714 Yes E

B. Resultados

La base apiclus1 tiene 183 escuelas en 15 distritos escolares. Las variables principales son dnum (distrito, el conglomerado), pw (peso muestral), api00 (puntaje API del año 2000), sch.wide (si la escuela cumplió la meta de crecimiento: “Yes”/“No”) y stype (tipo de escuela: E = primaria, M = media, H = secundaria).

C. Interpretación

Las tres instrucciones no producen resultados estadísticos, pero dejan listo el entorno para analizar una muestra por conglomerados.


Ítem 1. Diseño muestral

dis <- svydesign(
  ids = ~dnum,
  weights = ~pw,
  data = apiclus1
)
degf(dis)
## [1] 14

A. Función del código

svydesign() crea un objeto de diseño muestral que guarda los datos junto con la forma en que se seleccionó la muestra. Todas las funciones svy* lo usan después para calcular estimaciones y errores estándar.

  • ids = ~dnum: indica los conglomerados (UPM). Aquí la muestra no se obtuvo eligiendo escuelas sueltas, sino distritos completos, y se incluyeron todas las escuelas de cada distrito elegido (muestreo por conglomerados en una etapa).
  • weights = ~pw: indica el peso muestral de cada escuela, es decir, cuántas escuelas de la población representa (el inverso de su probabilidad de selección).
  • data = apiclus1: el data frame con los datos.

degf(dis) devuelve los grados de libertad del diseño, que se calculan como el número de UPM menos el número de estratos.

B. Resultados

dis
## 1 - level Cluster Sampling design (with replacement)
## With (15) clusters.
## svydesign(ids = ~dnum, weights = ~pw, data = apiclus1)
summary(weights(dis))
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   33.85   33.85   33.85   33.85   33.85   33.85

Los grados de libertad del diseño son 14. La muestra tiene 15 conglomerados (distritos) y un solo estrato.

C. Interpretación estadística

Aunque la muestra tiene 183 escuelas, la información independiente viene de 15 distritos, porque las escuelas de un mismo distrito se parecen entre sí. Por eso los grados de libertad son 15 − 1 = 14 y no 183 − 1. Ese valor se usará en los intervalos de confianza y en las pruebas t (distribución t de Student con pocos grados de libertad, que da intervalos más anchos que la normal). Todas las escuelas tienen el mismo peso (33,85): como los distritos se eligieron con igual probabilidad, cada escuela de la muestra representa a unas 34 escuelas de la población.


Ítem 2. Media e intervalo de confianza

m <- svymean(~api00, dis)
confint(m, df = degf(dis))
##          2.5 %   97.5 %
## api00 593.1685 695.1703

A. Función del código

  • svymean(~api00, dis): estima la media poblacional de api00 usando los pesos del diseño (estimador ponderado) y calcula su error estándar según la variabilidad entre conglomerados.
  • confint(m, df = degf(dis)): calcula el intervalo de confianza al 95 % de la media. Con df = degf(dis) usa la distribución t con 14 grados de libertad en lugar de la normal estándar, lo que corresponde a un diseño con pocos conglomerados.

B. Resultados

m
##         mean     SE
## api00 644.17 23.779
Estadístico Valor
Media estimada 644,17
Error estándar 23,78
Límite inferior IC 95 % 593,17
Límite superior IC 95 % 695,17

C. Interpretación estadística

Se estima que el puntaje API 2000 promedio de las escuelas de California es 644,17 puntos, con un error estándar de 23,78. Con un 95 % de confianza, la media poblacional está entre 593,17 y 695,17 puntos. El intervalo es relativamente ancho (amplitud de 102,00 puntos) porque la precisión depende de solo 15 distritos y de lo distintos que son entre sí.


Ítem 3. Prueba t de una muestra

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() hace pruebas t que toman en cuenta el diseño muestral.

  • I(api00 - 650): I() hace que la resta se calcule tal cual (sin interpretarla como fórmula). Se crea la variable “puntaje menos 650”.
  • ~ 0: indica una prueba de una muestra. Se contrasta si la media de api00 − 650 es cero, lo que equivale a contrastar si la media de api00 es 650.

B. Resultados

Estadístico Valor
Diferencia estimada (media − 650) -5,83
Estadístico t -0,2452
Grados de libertad 13
Valor p 0,8101
IC 95 % de la diferencia [-57,20; 45,54]

C. Interpretación estadística

Hipótesis:

  • \(H_0: \mu_{api00} = 650\)
  • \(H_1: \mu_{api00} \neq 650\)

La prueba usa 13 grados de libertad y no 14, porque svyttest() descuenta un grado de libertad adicional por el parámetro estimado en el modelo (la media).

El valor p es 0,8101, que es mayor que 0,05. Por lo tanto, no se rechaza \(H_0\) al 5 % de significación. No hay evidencia suficiente para afirmar que el puntaje medio poblacional sea distinto de 650 puntos. La diferencia observada se puede atribuir a la variabilidad muestral, y el intervalo de confianza de la diferencia contiene el 0.


Ítem 4. Prueba t de dos grupos

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

Compara el puntaje medio api00 entre dos grupos definidos por sch.wide: las escuelas que cumplieron la meta de crecimiento (“Yes”) y las que no la cumplieron (“No”). Internamente ajusta una regresión ponderada de api00 sobre sch.wide. El coeficiente es la diferencia de medias (Yes − No), con un error estándar que considera los conglomerados.

  • Variable respuesta: api00 (cuantitativa).
  • Variable de agrupación: sch.wide (cualitativa con dos categorías).

B. Resultados

medias4
sch.wide api00 se
No No 608.0435 29.27922
Yes Yes 649.3625 23.66218
Estadístico Valor
Diferencia de medias (Yes − No) 41,32
Estadístico t 2,0880
Grados de libertad 13
Valor p 0,0570
IC 95 % de la diferencia [-1,43; 84,07]

C. Interpretación estadística

Hipótesis:

  • \(H_0: \mu_{Yes} = \mu_{No}\) (no hay diferencia de puntaje medio entre los grupos)
  • \(H_1: \mu_{Yes} \neq \mu_{No}\)

En la muestra, las escuelas que cumplieron la meta tienen en promedio 41,32 puntos más que las que no la cumplieron. El valor p es 0,0570, mayor que 0,05, así que no se rechaza \(H_0\) al 5 %. Aunque la diferencia muestral es apreciable, no es estadísticamente significativa al 5 %: el intervalo de confianza incluye el 0. Con solo 15 conglomerados, el error estándar es grande y la prueba tiene poca potencia. El resultado estaría cerca de la significancia con α = 0,10.


Ítem 5. Intervalo de confianza para una proporción

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 una proporción y su intervalo de confianza en un diseño complejo.

  • ~I(sch.wide == "Yes"): crea una variable lógica (VERDADERO si la escuela cumplió la meta). Su media ponderada es la proporción de escuelas que cumplieron la meta.
  • method = "logit": construye el intervalo en la escala logit, \(\log(p/(1-p))\), y luego lo transforma de vuelta. Así los límites quedan siempre entre 0 y 1 y el intervalo puede ser asimétrico, lo que es más adecuado que el intervalo de Wald cuando la proporción está cerca de 0 o de 1.

B. Resultados

Estadístico Valor
Proporción estimada 87,4 %
Límite inferior IC 95 % 82,3 %
Límite superior IC 95 % 91,2 %

C. Interpretación estadística

Se estima que 87,4 % de las escuelas de California cumplieron su meta de crecimiento (sch.wide = "Yes"). Con un 95 % de confianza, la proporción poblacional está entre 82,3 % y 91,2 %. El intervalo no es simétrico respecto de la estimación por el método logit. Como queda completo por encima del 50 %, se puede afirmar que la mayoría de las escuelas cumplió la meta.


Ítem 6. Prueba de asociación Rao–Scott

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() hace una prueba de independencia chi-cuadrado en una tabla de contingencia, corregida por el diseño muestral. La prueba chi-cuadrado clásica supone muestreo aleatorio simple. Con conglomerados ese supuesto no se cumple y la prueba clásica rechazaría \(H_0\) demasiadas veces. La corrección de Rao–Scott ajusta el estadístico según el efecto de diseño. Con statistic = "F" se usa la versión que se compara con una distribución F con grados de libertad no enteros (numerador y denominador), recomendada por ser más precisa.

  • Variables: sch.wide (cumplió la meta: Yes/No) y stype (tipo de escuela: E, M, H).

B. Resultados

svytable(~sch.wide + stype, dis)
##         stype
## sch.wide         E         H         M
##      No   406.1640  101.5410  270.7760
##      Yes 4467.8035  372.3170  575.3989
prop.table(svytable(~sch.wide + stype, dis), margin = 2)
##         stype
## sch.wide          E          H          M
##      No  0.08333333 0.21428571 0.32000000
##      Yes 0.91666667 0.78571429 0.68000000
Estadístico Valor
F 5,0905
gl numerador 1,4946
gl denominador 20,9250
Valor p 0,0231

C. Interpretación estadística

Hipótesis:

  • \(H_0\): el cumplimiento de la meta (sch.wide) es independiente del tipo de escuela (stype).
  • \(H_1\): el cumplimiento de la meta está asociado al tipo de escuela.

El valor p es 0,0231, menor que 0,05, así que se rechaza \(H_0\). Hay evidencia de asociación entre el tipo de escuela y el cumplimiento de la meta: la proporción de escuelas que cumplen no es la misma en primaria, media y secundaria (ver la tabla de proporciones por columna).


Ítem 7. Estimaciones por grupos

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() aplica una función de estimación (svymean) por separado a cada subgrupo definido por una variable (~stype), respetando el diseño muestral completo (los grupos se tratan como dominios). Entrega la media de api00 y su error estándar para cada tipo de escuela.

  • Grupos: E = primaria (Elementary), H = secundaria (High school), M = media (Middle school).

B. Resultados

Tipo n muestral Media api00 Error estándar
E (primaria) 144 648,87 22,59
H (secundaria) 14 618,57 38,40
M (media) 25 631,44 31,93
confint(g7, df = degf(dis))
##      2.5 %   97.5 %
## E 600.4231 697.3130
## H 536.2060 700.9369
## M 562.9626 699.9174

C. Interpretación estadística

El mayor puntaje medio estimado corresponde a las escuelas de tipo E (648,87 puntos) y el menor a las de tipo H (618,57 puntos). Los errores estándar son distintos entre grupos: el más bajo es el de primaria, que tiene más escuelas en la muestra (144). Los de secundaria (14) y media (25) son mayores porque esos grupos tienen menos observaciones repartidas entre los conglomerados. Los intervalos de confianza de los tres grupos se superponen ampliamente, así que estas diferencias de medias no deben tomarse como concluyentes sin una prueba formal.


Ítem 8. Comparación de diseños muestrales

d0 <- svydesign(
  ids = ~1,
  weights = ~pw,
  data = apiclus1
)
confint(svymean(~api00, d0))
##         2.5 %   97.5 %
## api00 628.848 659.4908

A. Función del código

Se crea un diseño alternativo d0 con ids = ~1: cada escuela se trata como su propia unidad de muestreo, sin conglomerados, como si la muestra fuera aleatoria simple de escuelas. Se mantienen los mismos pesos. Luego se estima la media de api00 con su intervalo de confianza. Como no se especifica df, confint() usa la distribución normal.

B. Resultados

m0
##         mean     SE
## api00 644.17 7.8172
Con conglomerados (ítem 2) Sin conglomerados (ítem 8)
Media 644,17 644,17
Error estándar 23,78 7,82
IC 95 % [593,17; 695,17] [628,85; 659,49]
Amplitud del IC 102,00 30,64

C. Interpretación estadística

La media estimada es la misma en ambos diseños, porque solo depende de los datos y de los pesos, que no cambian. Lo que cambia es el error estándar: al ignorar los conglomerados baja de 23,78 a 7,82, y el intervalo se angosta de 102,00 a 30,64 puntos.

El cociente de varianzas (efecto de diseño aproximado) es 9,25: la varianza real es unas 9,3 veces la que supone el muestreo aleatorio simple. Esto se debe a la correlación intraclase positiva: las escuelas de un mismo distrito comparten características (recursos, nivel socioeconómico, administración), así que cada escuela adicional del mismo distrito aporta menos información nueva.


Conclusión

Al comparar los ítems 2 y 8, la estimación puntual de la media (644,17 puntos) no depende de si se identifican los conglomerados, pero la precisión sí. El diseño correcto (ids = ~dnum) reconoce que la muestra se compone de 15 distritos y no de 183 escuelas independientes. Por eso da un error estándar unas 3,04 veces mayor y un intervalo de confianza más ancho, que refleja la incertidumbre real.

Si se ignora el agrupamiento, se subestima la variabilidad: los intervalos quedan demasiado estrechos y las pruebas de hipótesis rechazan \(H_0\) con más frecuencia de lo que deberían (más error tipo I). Esto se ve también en los demás ítems: con el diseño correcto, contrastes como la diferencia de puntajes según sch.wide (ítem 4) se vuelven más exigentes. En conclusión, para hacer inferencias válidas con datos de encuestas hay que declarar siempre el diseño muestral real (conglomerados, pesos y, cuando corresponda, estratos).