Portada

  • Asignatura: Métodos Estadísticos
  • Actividad: Laboratorio de R — Ingeniería inversa de código R (Muestreo por conglomerados e inferencia estadística)
  • Integrante: Joaquín Pastén
  • Fecha de entrega: 19 de noviembre de 2026

Preparación del entorno y datos

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

Función de las tres instrucciones:

  • library(survey): carga en memoria el paquete survey, el cual contiene las funciones necesarias para definir diseños muestrales complejos (conglomerados, estratos y ponderaciones) y realizar estimaciones e inferencias válidas sobre ellos.
  • options(survey.lonely.psu = "adjust"): establece una regla global para el manejo de unidades primarias de muestreo (PSU) únicas dentro de un estrato, ajustando la contribución a la varianza alrededor de la media global para evitar errores de cálculo o valores NaN.
  • data(api): carga los conjuntos de datos del Academic Performance Index (API) de escuelas de California incluidos en el paquete survey (entre ellos apiclus1, correspondiente a una muestra por conglomerados en una etapa).

Ítem 1. Diseño muestral

dis <- svydesign(
  ids = ~dnum,
  weights = ~pw,
  data = apiclus1
)

degf(dis)
## [1] 14

A. Función del código:

La función svydesign() define y almacena en el objeto dis la estructura probabilística del diseño muestral utilizado para recolectar los datos, permitiendo que todas las estimaciones posteriores corrijan los errores estándar según dicha estructura:

  • ids = ~dnum: especifica la variable dnum (número de distrito escolar) como identificador de los conglomerados o unidades primarias de muestreo (PSU).
  • weights = ~pw: asigna la variable pw como los pesos muestrales (inverso de la probabilidad de inclusión de cada observación en la muestra).
  • data = apiclus1: indica el conjunto de datos (apiclus1, con 183 escuelas pertenecientes a 15 distritos) desde donde se extraen las variables.

Por último, degf(dis) calcula los grados de libertad efectivos asociados al diseño muestral especificado.

B. Resultados:

Al ejecutar el código anterior en R se obtiene la siguiente salida:

[1] 14

C. Interpretación estadística:

El resultado 14 corresponde a los grados de libertad del diseño muestral por conglomerados, obtenidos como el número de conglomerados muestreados menos uno (\(15 - 1 = 14\)). En el muestreo por conglomerados, la unidad independiente de información para estimar la varianza entre grupos es el conglomerado (distrito) y no cada escuela individual, por lo que las inferencias estadísticas (intervalos de confianza y pruebas de hipótesis) se rigen por estos \(14\) grados de libertad.


Ítem 2. Media e intervalo de confianza

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

A. Función del código:

  • m <- svymean(~api00, dis): calcula la media poblacional estimada de la variable api00 (puntaje API del año 2000) y su error estándar bajo el diseño por conglomerados dis, guardando el resultado en m.
  • confint(m, df = degf(dis)): construye el intervalo de confianza al 95% para la media estimada m utilizando una distribución \(t\) de Student con los grados de libertad exactos del diseño (df = degf(dis) = 14).

B. Resultados:

Al ejecutar m y confint(m, df = degf(dis)) en R se obtienen las siguientes salidas:

  • Salida m: mean = 644.17 | SE = 23.779
  • Salida confint: 2.5 % = 593.1685 | 97.5 % = 695.1703

En resumen:

  • Media estimada: \(644.17\) puntos.
  • Error estándar (SE): \(23.779\) puntos.
  • Límite inferior (2.5%): \(593.1685\) puntos.
  • Límite superior (97.5%): \(695.1703\) puntos.

C. Interpretación estadística:

Se estima que el puntaje promedio poblacional del índice académico api00 en el conjunto de escuelas es de \(644.17\) puntos, con una desviación estándar del estimador (error estándar) de \(23.78\) puntos. Con un 95% de confianza, el verdadero puntaje promedio poblacional de api00 se encuentra contenido entre \(593.17\) y \(695.17\) puntos.


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:

La función svyttest() ejecuta una prueba \(t\) de Student adaptada a diseños muestrales complejos. La expresión I(api00 - 650) ~ 0 utiliza el operador de inhibición I() para restar el valor hipotético de referencia (\(650\)) a cada observación de api00 y contrasta contra ~ 0 (sin intercepto ni covariables), evaluando si la media de esa diferencia es estadísticamente igual a cero bajo el diseño dis.

Hipótesis estadísticas:

  • Hipótesis nula (\(H_0\)): \(\mu_{\text{api00}} = 650\) (el puntaje medio poblacional es igual a \(650\)).
  • Hipótesis alternativa (\(H_1\)): \(\mu_{\text{api00}} \neq 650\) (el puntaje medio poblacional es distinto de \(650\)).

B. Resultados:

Salida obtenida al ejecutar svyttest(I(api00 - 650) ~ 0, dis):

  • Prueba: Design-based one-sample t-test (data: I(api00 - 650) ~ 0)
  • Estadístico \(t\): -0.2452
  • Grados de libertad (df): 13
  • Valor \(p\) (p-value): 0.8101
  • Intervalo de confianza al 95%: [-57.20203, 45.54083]
  • Diferencia media estimada (sample estimates: mean): -5.830601

C. Interpretación estadística:

Trabajando con un nivel de significación del \(5\%\) (\(\alpha = 0.05\)), el valor \(p\) obtenido (\(0.8101\)) es ampliamente superior a \(0.05\). En consecuencia, no se rechaza la hipótesis nula (\(H_0\)). La diferencia muestral de \(-5.83\) puntos respecto a \(650\) es atribuible al azar del muestreo y no existe evidencia estadística suficiente para afirmar que el promedio poblacional de api00 difiera de \(650\) puntos.


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:

La función svyttest(api00 ~ sch.wide, dis) realiza una prueba \(t\) de comparación de medias entre dos subpoblaciones independientes dentro del diseño muestral dis:

  • api00: variable respuesta cuantitativa continua (puntaje API en el año 2000).
  • sch.wide: variable categórica binaria ("No" vs. "Yes") que indica si la escuela cumplió la meta de crecimiento académico a nivel de todo el establecimiento.
  • dis: diseño muestral por conglomerados utilizado para estimar las medias y la varianza de su diferencia.

Hipótesis estadísticas:

  • \(H_0: \mu_{\text{Yes}} - \mu_{\text{No}} = 0\) (no hay diferencia en el puntaje medio api00 entre ambos grupos).
  • \(H_1: \mu_{\text{Yes}} - \mu_{\text{No}} \neq 0\) (existe diferencia en el puntaje medio api00 entre ambos grupos).

B. Resultados:

Salida obtenida al ejecutar svyttest(api00 ~ sch.wide, dis):

  • Prueba: Design-based t-test (data: api00 ~ sch.wide)
  • Estadístico \(t\): 2.088
  • Grados de libertad (df): 13
  • Valor \(p\) (p-value): 0.05704
  • Intervalo de confianza al 95%: [-1.432285, 84.070329]
  • Diferencia media estimada (difference in mean): 41.31902

C. Interpretación estadística:

La diferencia estimada en el puntaje promedio de api00 entre las escuelas que alcanzaron la meta global (Yes) y las que no la alcanzaron (No) es de \(41.32\) puntos a favor del primer grupo. Sin embargo, el estadístico \(t = 2.088\) (\(\text{df} = 13\)) arroja un valor \(p = 0.05704\), ligeramente superior al umbral estándar \(\alpha = 0.05\) (y su intervalo de confianza al 95%, \([-1.43, 84.07]\), incluye el \(0\)). Por lo tanto, al \(5\%\) de significación no se rechaza \(H_0\), concluyéndose que la diferencia observada no alcanza significación estadística estricta en este diseño.


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:

La función svyciprop() estima la proporción poblacional de un evento binario y su intervalo de confianza bajo un diseño muestral complejo:

  • ~I(sch.wide == "Yes"): crea una variable lógica (TRUE/FALSE) que toma valor \(1\) cuando la escuela cumple sch.wide == "Yes" y \(0\) en caso contrario.
  • dis: incorpora la estructura de conglomerados y pesos muestrales.
  • method = "logit": ajusta el intervalo de confianza aplicando una transformación logística (logit) sobre la proporción estimada y luego invirtiendo la transformación, lo que garantiza que los límites del intervalo permanezcan estrictamente dentro del rango \([0, 1]\) incluso en proporciones cercanas a los extremos.

B. Resultados:

Salida obtenida al ejecutar svyciprop(~I(sch.wide == "Yes"), dis, method = "logit"):

  • Proporción estimada (I(sch.wide == "Yes")): 0.874 (\(87.4\%\)).
  • Límite inferior (2.5%): 0.823 (\(82.3\%\)).
  • Límite superior (97.5%): 0.912 (\(91.2\%\)).

C. Interpretación estadística:

Se estima que el \(87.4\%\) de las escuelas de la población objetivo cumplieron con la meta de crecimiento global (sch.wide == "Yes"). Con un nivel de confianza del \(95\%\), la verdadera proporción poblacional de escuelas que cumplen esta condición se sitúa entre el \(82.3\%\) y el \(91.2\%\).


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:

La función svychisq() realiza una prueba de independencia entre dos variables categóricas corregida para diseños muestrales complejos:

  • ~sch.wide + stype: define la tabla de contingencia cruzando el cumplimiento de meta global (sch.wide: "No", "Yes") con el nivel o tipo de escuela (stype: "E" primaria, "M" media, "H" secundaria).
  • dis: aplica las ponderaciones y la estructura de conglomerados.
  • statistic = "F": utiliza la corrección de segundo orden de Rao-Scott referida a una distribución \(F\), la cual ajusta el estadístico \(\chi^2\) de Pearson para evitar tasas infladas de falsos positivos provocadas por el efecto de diseño.

Hipótesis estadísticas:

  • Hipótesis nula (\(H_0\)): Las variables sch.wide y stype son independientes en la población (la proporción de escuelas que cumple la meta es igual en todos los tipos de escuela).
  • Hipótesis alternativa (\(H_1\)): Las variables sch.wide y stype están asociadas (el cumplimiento de la meta depende del tipo de establecimiento).

B. Resultados:

Salida obtenida al ejecutar svychisq(~sch.wide + stype, dis, statistic = "F"):

  • Prueba: Pearson's X^2: Rao & Scott adjustment
  • Estadístico \(F\): 5.0905
  • Grados de libertad del numerador (ndf): 1.4946
  • Grados de libertad del denominador (ddf): 20.9250
  • Valor \(p\) (p-value): 0.02307

C. Interpretación estadística:

El estadístico ajustado es \(F = 5.0905\) con \(\text{ndf} = 1.4946\) y \(\text{ddf} = 20.9250\) grados de libertad, obteniéndose un valor \(p = 0.02307\). Como \(p < 0.05\), se rechaza la hipótesis nula (\(H_0\)) al \(5\%\) de significación. Existe evidencia estadísticamente significativa de asociación entre el tipo de establecimiento (stype) y el cumplimiento de la meta de crecimiento académico (sch.wide).


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:

La función svyby() calcula estimaciones estadísticas desagregadas por subpoblaciones (dominios) dentro de un diseño muestral:

  • ~api00: variable cuantitativa sobre la cual se calcula la estimación.
  • ~stype: variable categórica que define los grupos de desagregación (E = Elementary / Primaria, H = High School / Secundaria, M = Middle School / Intermedia).
  • dis: objeto de diseño muestral por conglomerados.
  • svymean: función estimadora que se aplica a cada grupo para obtener la media y su error estándar.

B. Resultados:

Salida obtenida al ejecutar svyby(~api00, ~stype, dis, svymean):

Grupo (stype) Media estimada (api00) Error estándar (se)
E (Primaria) 648.8681 22.58731
H (Secundaria) 618.5714 38.40263
M (Intermedia) 631.4400 31.92737

C. Interpretación estadística:

Al comparar los tres niveles educacionales, las escuelas primarias (E) registran el mayor puntaje medio estimado en api00 (\(648.87\)), seguidas por las escuelas intermedias (M, con \(631.44\)) y finalmente las secundarias (H, con \(618.57\)). Respecto a la precisión, el grupo E presenta el menor error estándar (\(22.59\)) debido a su mayor representación muestral dentro de los conglomerados, mientras que el grupo H muestra la mayor incertidumbre en la estimación de su media (\(\text{SE} = 38.40\)).


Ítem 8. Comparación de diseños muestrales

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

A. Función del código:

  • d0 <- svydesign(ids = ~1, weights = ~pw, data = apiclus1): crea un diseño muestral alternativo d0 que conserva los pesos muestrales pw sobre apiclus1, pero mediante ids = ~1 declara que no existen conglomerados, tratando cada escuela como si hubiese sido seleccionada de forma independiente.
  • svymean(~api00, d0) y confint(m0): calculan la media ponderada de api00 y su intervalo de confianza al 95% bajo este supuesto de muestreo sin conglomerados.

B. Resultados:

Salidas obtenidas al ejecutar m0 y confint(m0) en R:

  • Salida m0: mean = 644.17 | SE = 7.8172
  • Salida confint(m0): 2.5 % = 628.848 | 97.5 % = 659.4908
Diseño muestral Media estimada Error estándar (SE) IC 95% Inferior IC 95% Superior Amplitud del IC
Ítem 2 (dis, ids = ~dnum) \(644.17\) \(23.7790\) \(593.1685\) \(695.1703\) \(102.0018\)
Ítem 8 (d0, ids = ~1) \(644.17\) \(7.8172\) \(628.8480\) \(659.4908\) \(30.6428\)

C. Interpretación estadística:

La diferencia estructural entre ambos diseños radica en que dis (Ítem 2) reconoce la agrupación natural de las escuelas dentro de distritos escolares (ids = ~dnum), mientras que d0 (Ítem 8) ignora dicha agrupación (ids = ~1). Dado que ambos diseños utilizan los mismos factores de expansión (pw), la estimación puntual de la media es idéntica (\(644.17\)). Sin embargo, al omitir los conglomerados en d0, se ignora la correlación intracluster (homogeneidad interna entre escuelas de un mismo distrito), lo que provoca una fuerte subestimación del error estándar (cae de \(23.78\) a \(7.82\), aproximadamente un tercio) y reduce artificialmente la amplitud del intervalo de confianza en un \(70\%\) (de \(102.00\) a \(30.64\) puntos).


Conclusión

A través del análisis por ingeniería inversa del paquete survey, se verificó cómo la especificación del diseño muestral gobierna la validez de la inferencia estadística. Al comparar directamente los resultados del Ítem 2 (diseño con conglomerados ids = ~dnum) y del Ítem 8 (diseño sin conglomerados ids = ~1), se demuestra que si bien la estimación puntual de la media no varía (\(644.17\)), ignorar los conglomerados reduce drásticamente el error estándar estimado (\(7.82\) frente a \(23.78\)) y estrecha artificialmente el intervalo de confianza (\([628.85, 659.49]\) frente a \([593.17, 695.17]\)). En la práctica, omitir la estructura de conglomerados conduce a subestimar la incertidumbre real del muestreo, aumentando el riesgo de cometer errores Tipo I al declarar diferencias significativas que en realidad obedecen a la variabilidad entre conglomerados.