Asignatura: Métodos Estadísticos

Preparación

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

La primera instrucción carga el paquete ´survey´ para analizar datos de encuestas. La segunda ajusta la estimación de la varianza cuando un estrato contiene una sola unidad primaria de muestreo. La tercera carga los datos de rendimiento académico escolar, incluida la muestra ´apiclus1´ que se utilizará en las actividades

Ítem 1. Diseño muestral

A. Función del código

La función ´svydesign()´ define cómo se seleccionó la muestra y el operador <- guarda ese diseño con el nombre dis. Sus argumentos son:

  • ids = ~dnum identifica el distrito al que pertenece cada escuela. Las escuelas con el mismo valor de dnum forman un conglomerado.
  • weights = ~pw indica que se utilizará el peso muestral de cada escuela. Este peso expresa cuántas escuelas de la población representa en la estimación.
  • data = apiclus1 indica que las variables dnum y pw se toman de la base de datos apiclus1.

La función degf(dis) calcula los grados de libertad del diseño muestral.

B. Resultados obtenidos.

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

C. Interpretación estadística

El diseño tiene 14 grados de libertad. La muestra incluye 15 distritos y el diseño los trata como un solo estrato, por lo que el cálculo es 15 − 1 = 14. Esto refleja que la variabilidad muestral se estima a partir de las diferencias entre los distritos seleccionados.

Ítem 2. Media e intervalo de confianza

A. Función del código

La función svymean(~api00, dis) estima la media del índice de rendimiento académico del año 2000 (api00) utilizando los pesos muestrales. Para calcular el error estándar, tiene en cuenta que las escuelas están agrupadas por distrito. El operador <- guarda el resultado en m. Al escribir m en la línea siguiente, R muestra la media estimada y su error estándar.

La función confint(m, df = degf(dis)) calcula el intervalo de confianza del 95 % para la media poblacional. El argumento df = degf(dis) indica que se utilizan los 14 grados de libertad del diseño muestral.

B. Resultados obtenidos

m <- svymean(~api00, dis)
m
##         mean     SE
## api00 644.17 23.779
confint(m, df = degf(dis))
##          2.5 %   97.5 %
## api00 593.1685 695.1703

C. Interpretación estadística

La media estimada del índice de rendimiento académico de las escuelas en el año 2000 es de 644.17 puntos. El error estándar es de 23.78 puntos y mide la precisión de esa estimación. Con un 95 % de confianza, se estima que la media poblacional se encuentra entre 593.17 y 695.17 puntos.

Ítem 3. Prueba t de una muestra

A. Función del código

La función svyttest() realiza una prueba t de una muestra considerando el diseño muestral dis. La expresión I(api00 - 650) resta 650 puntos al índice de cada escuela. La fórmula ~ 0 indica que se contrasta si la media de esas diferencias es igual a cero. Esto equivale a evaluar si la media poblacional del índice es igual a 650 puntos.

  • Hipótesis nula (H₀). La media poblacional del índice es igual a 650 puntos (μ = 650).
  • Hipótesis alternativa (H₁). La media poblacional del índice es distinta de 650 puntos (μ ≠ 650).

La prueba es bilateral, ya que se consideran diferencias tanto por encima como por debajo de 650 puntos. Se utiliza un nivel de significación del 5 %.

B. Resultados obtenidos

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

C. Interpretación estadística

El valor p es aproximadamente 0,81. Como es mayor que el nivel de significación de 0,05, no se rechaza la hipótesis nula. La muestra no aporta evidencia suficiente para concluir que la media poblacional del índice de rendimiento académico difiera de 650 puntos.

Ítem 4. Prueba t de dos grupos

A. Función del código

La función svyttest() compara las medias del índice de rendimiento académico del año 2000 entre dos grupos de escuelas. En la fórmula api00 ~ sch.wide, la variable api00 es el puntaje que se analiza y sch.wide indica si la escuela cumplió su meta de crecimiento (Yes o No). El argumento dis incorpora los pesos muestrales y la agrupación de las escuelas por distrito.

  • Hipótesis nula (H₀). La media poblacional del puntaje es igual en ambos grupos.
  • Hipótesis alternativa (H₁). Las medias poblacionales de los dos grupos son distintas.

B. Resultados obtenidos

prueba4 <- svyttest(api00 ~ sch.wide, dis)
prueba4
## 
##  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

C. Interpretación estadística

El valor p es 0,057. Al compararlo con el nivel de significación de 0,05, no se rechaza H₀. La muestra no aporta evidencia suficiente para concluir que el puntaje promedio difiera entre las escuelas que cumplieron su meta de crecimiento y las que no la cumplieron.

Ítem 5. Intervalo de confianza para una proporción

A. Función del código

La función svyciprop() estima la proporción de escuelas que cumplieron su meta de crecimiento y calcula su intervalo de confianza del 95 %. La expresión I(sch.wide == "Yes") identifica con TRUE a las escuelas que cumplieron la meta y con FALSE a las que no la cumplieron.

El argumento dis incorpora los pesos muestrales y la agrupación de las escuelas por distrito. El método "logit" calcula el intervalo en una escala transformada y luego devuelve sus límites a la escala de proporciones, entre 0 y 1.

B. Resultados obtenidos

prop5 <- svyciprop(
  ~I(sch.wide == "Yes"),
  dis,
  method = "logit"
)
prop5
##                             2.5% 97.5%
## I(sch.wide == "Yes") 0.874 0.823 0.912

C. Interpretación estadística

Se estima que el 87.4 % de las escuelas de la población cumplió su meta de crecimiento. Con un 95 % de confianza, el porcentaje poblacional de escuelas que cumplieron la meta se sitúa entre el 82.3 % y el 91.2 %.

Ítem 6. Prueba de asociación de Rao–Scott

A. Función del código

La función svychisq() evalúa la asociación entre dos variables categóricas. En la fórmula ~sch.wide + stype, sch.wide indica si la escuela cumplió su meta de crecimiento (Yes o No) y stype identifica el tipo de escuela (E: Elementary, M: Middle, H: High). El signo + indica qué dos variables se cruzan en la tabla de contingencia.

El argumento dis incorpora los pesos muestrales y la agrupación por distrito. Con statistic = "F", R aplica el ajuste de Rao–Scott y calcula el valor p mediante una aproximación F que tiene en cuenta ese diseño.

  • Hipótesis nula (H₀). El cumplimiento de la meta y el tipo de escuela son independientes. La proporción poblacional de cumplimiento es igual en los tres tipos de escuela.
  • Hipótesis alternativa (H₁). Existe asociación entre el cumplimiento de la meta y el tipo de escuela. Al menos uno de los tipos presenta una proporción poblacional de cumplimiento distinta de la de otro.

B. Resultados obtenidos

prueba6 <- svychisq(
  ~sch.wide + stype,
  dis,
  statistic = "F"
)
prueba6
## 
##  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

C. Interpretación estadística

El valor p obtenido es 0,02307. Al nivel de significación del 5 %, se rechaza H₀. Los resultados aportan evidencia de que la proporción de escuelas que cumplen su meta de crecimiento varía según el tipo de escuela.

Ítem 7. Estimaciones por grupos

A. Función del código

La función svyby() calcula una estimación por grupo. El primer argumento, ~api00, indica que se analizará el puntaje del año 2000. El segundo, ~stype, separa las escuelas en tres grupos: Elementary (E), High (H) y Middle (M).

El argumento dis incorpora los pesos muestrales y la agrupación por distrito. La función svymean calcula la media ponderada del puntaje dentro de cada grupo. La salida muestra una fila por tipo de escuela, con la media estimada en la columna api00 y su error estándar en la columna se.

B. Resultados obtenidos

medias7 <- svyby(
  ~api00,
  ~stype,
  dis,
  svymean
)
medias7
##   stype    api00       se
## E     E 648.8681 22.58731
## H     H 618.5714 38.40263
## M     M 631.4400 31.92737

C. Interpretación estadística

El mayor puntaje promedio estimado corresponde al grupo E, con 648.87 puntos. El menor corresponde al grupo H, con 618.57 puntos. La diferencia estimada entre ambos promedios es de 30.3 puntos.

Al comparar los errores estándar, la media del grupo E presenta la mayor precisión, con un error estándar de 22.59 puntos. La media del grupo H presenta la mayor incertidumbre, con un error estándar de 38.4 puntos. El grupo M ocupa una posición intermedia tanto en el puntaje promedio (631,44 puntos) como en el error estándar (31,93 puntos).

Ítem 8. Comparación de diseños muestrales

A. Función del código

La función svydesign() crea el diseño d0. El argumento ids = ~1 indica que cada escuela se trata como una unidad de muestreo independiente. Se utilizan la misma base de datos (apiclus1) y los mismos pesos muestrales (pw) que en el ítem 2. En ese ítem, ids = ~dnum identificaba a las escuelas pertenecientes a un mismo distrito.

La función svymean() estima la media del puntaje api00 con el diseño d0, y confint() calcula su intervalo de confianza del 95 %. En este ítem se utiliza el valor crítico normal por defecto. En el ítem 2 se utilizó la distribución t de Student con 14 grados de libertad.

B. Resultados obtenidos

d0 <- svydesign(
  ids = ~1,
  weights = ~pw,
  data = apiclus1
)
m0 <- svymean(~api00, d0)
m0
##         mean     SE
## api00 644.17 7.8172
confint(m0)
##         2.5 %   97.5 %
## api00 628.848 659.4908

C. Interpretación estadística

Ambos diseños estiman una media de 644,17 puntos porque utilizan las mismas escuelas y los mismos pesos. Al identificar los distritos en el ítem 2, el error estándar fue de 23,78 puntos y el intervalo de confianza del 95 % fue de 593,17 a 695,17 puntos. Al tratar las escuelas como independientes, el error estándar es de 7.82 puntos y el intervalo va de 628.85 a 659.49 puntos.

El intervalo del ítem 8 es más estrecho. La reducción se debe tanto al menor error estándar obtenido al tratar las escuelas como independientes como al uso de un valor crítico normal menor que el valor crítico t del ítem 2.

Conclusión

Ambos diseños estimaron un puntaje promedio de 644,17 puntos. Al considerar que las escuelas se seleccionaron por distrito, el error estándar fue aproximadamente tres veces mayor que al tratarlas como independientes. Por ello, el intervalo del ítem 2 es el más apropiado para este estudio: refleja la incertidumbre asociada al diseño por conglomerados utilizado para seleccionar la muestra.