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.## [1] 183 39
| 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.
## [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
## 1 - level Cluster Sampling design (with replacement)
## With (15) clusters.
## svydesign(ids = ~dnum, weights = ~pw, data = apiclus1)
## 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.
## 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
## 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.
##
## 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:
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.
##
## 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.
api00 (cuantitativa).sch.wide (cualitativa con dos
categorías).B. Resultados
| 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:
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.
## 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.
##
## 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.
sch.wide (cumplió la meta: Yes/No) y
stype (tipo de escuela: E, M, H).B. Resultados
## stype
## sch.wide E H M
## No 406.1640 101.5410 270.7760
## Yes 4467.8035 372.3170 575.3989
## 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:
sch.wide) es independiente del tipo de
escuela (stype).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).
| 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.
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 |
## 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.
## 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
## 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.
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).