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).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.
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:
m: mean = 644.17 |
SE = 23.779confint:
2.5 % = 593.1685 | 97.5 % = 695.1703En resumen:
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.
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:
B. Resultados:
Salida obtenida al ejecutar
svyttest(I(api00 - 650) ~ 0, dis):
Design-based one-sample t-test
(data: I(api00 - 650) ~ 0)-0.2452df):
13p-value): 0.8101[-57.20203, 45.54083]sample estimates: mean):
-5.830601C. 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.
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:
api00
entre ambos grupos).api00 entre ambos grupos).B. Resultados:
Salida obtenida al ejecutar
svyttest(api00 ~ sch.wide, dis):
Design-based t-test
(data: api00 ~ sch.wide)2.088df):
13p-value): 0.05704[-1.432285, 84.070329]difference in mean): 41.31902C. 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.
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"):
I(sch.wide == "Yes")): 0.874 (\(87.4\%\)).2.5%):
0.823 (\(82.3\%\)).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 \(91.2\%\).
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:
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).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"):
Pearson's X^2: Rao & Scott adjustment5.0905ndf): 1.4946ddf): 20.9250p-value): 0.02307C. 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).
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 (\(\text{SE} = 38.40\)).
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:
m0: mean = 644.17
| SE = 7.8172confint(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).
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.