Introducción

En este trabajo usamos el paquete survey para analizar datos de escuelas. Revisamos qué hace cada código y comentamos los resultados.

Preparación

library(survey)
## Warning: package 'survey' was built under R version 4.6.2
## Cargando paquete requerido: grid
## Cargando paquete requerido: Matrix
## Cargando paquete requerido: survival
## 
## Adjuntando el paquete: 'survey'
## The following object is masked from 'package:graphics':
## 
##     dotchart
options(survey.lonely.psu = "adjust")
data(api)

La primera línea carga el paquete survey. La segunda permite ajustar el cálculo de la varianza si hay un estrato con un solo conglomerado. La tercera carga los datos que vamos a usar.

Ítem 1

A. Función del código

Este código guarda el diseño de la muestra en dis. ids indica los distritos, weights indica los pesos y data indica la base de datos. degf muestra los grados de libertad.

B. Resultados

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

C. Interpretación

El resultado es 14 grados de libertad. Se consideran los distritos como conglomerados, porque las escuelas están agrupadas dentro de ellos. Los grados de libertad corresponden al número de distritos menos uno.

Ítem 2

A. Función del código

svymean calcula el promedio de api00, que es el puntaje de rendimiento académico del año 2000. confint calcula el intervalo de confianza del 95 %.

B. Resultados

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

Agregamos m al final para ver el promedio y su error estándar.

C. Interpretación

El promedio estimado es 644.17 puntos y el error estándar es 23.78. Con un 95 % de confianza, estimamos que el promedio de la población está entre los límites que aparecen en la salida. No significa que todas las escuelas tengan puntajes dentro de ese intervalo.

Ítem 3

A. Función del código

La prueba revisa si el promedio de api00 es diferente de 650. Se resta 650 para comparar esa diferencia con cero.

  • H0: el promedio es igual a 650.
  • H1: el promedio es distinto de 650.

B. Resultados

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

El valor p es 0.8101. Como es mayor o igual que 0,05, no rechazamos H0. No hay evidencia suficiente para decir que el promedio sea distinto de 650.

Ítem 4

A. Función del código

Este código compara el promedio de api00 entre las escuelas que cumplieron la meta de mejora (Yes) y las que no la cumplieron (No). La variable que separa los grupos es sch.wide.

  • H0: los promedios de los dos grupos son iguales.
  • H1: los promedios son diferentes.

B. Resultados

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

C. Interpretación

El valor p es 0.057. Como es mayor o igual que 0,05, no rechazamos H0. No hay evidencia suficiente para afirmar que los promedios sean diferentes. Esta comparación no demuestra una relación de causa y efecto.

Ítem 5

A. Función del código

Este código calcula la proporción de escuelas que cumplieron la meta y su intervalo de confianza. == "Yes" identifica a esas escuelas. El método logit es una forma de calcular el intervalo para una proporción.

B. Resultados

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

C. Interpretación

Se estima que el 87.43 % de las escuelas cumplió la meta. Con un 95 % de confianza, estimamos que el porcentaje de la población está entre 82.32 % y 91.22 %.

Ítem 6

A. Función del código

La prueba revisa si existe relación entre cumplir la meta (sch.wide) y el tipo de escuela (stype). statistic = "F" pide la versión F de la prueba de Rao–Scott, que considera el diseño de la muestra.

  • H0: no hay asociación entre las variables.
  • H1: hay asociación entre las variables.

B. Resultados

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

C. Interpretación

El valor p es 0.0231. Como es menor que 0,05, rechazamos H0. Hay evidencia de asociación entre el tipo de escuela y el cumplimiento de la meta.

Ítem 7

A. Función del código

svyby calcula el promedio de api00 para cada tipo de escuela. Los grupos son E (primaria), H (secundaria superior) y M (intermedia). También muestra el error estándar de cada promedio.

B. Resultados

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

C. Interpretación

El grupo E tiene el promedio más alto y el grupo H tiene el más bajo. El mayor error estándar es el del grupo H, por lo que ese promedio tiene más incertidumbre. Estos resultados por sí solos no demuestran que las diferencias sean significativas.

Ítem 8

A. Función del código

Este código usa los mismos datos y pesos, pero ids = ~1 no identifica los distritos como conglomerados. Después calcula el intervalo de confianza del promedio.

B. Resultados

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

C. Interpretación

El promedio es el mismo que en el ítem 2 porque no cambiaron los datos ni los pesos. Lo que cambia es el error estándar y el intervalo de confianza.

En estos datos, el intervalo sin identificar conglomerados es más estrecho. Al ignorar que las escuelas están agrupadas por distrito, el resultado parece más preciso. Además, en el ítem 2 se usó una distribución t y aquí se usa por defecto una aproximación normal, lo que también influye en la diferencia.

Conclusión

Con esta actividad vimos que el diseño de la muestra importa. En los ítems 2 y 8 se obtiene el mismo promedio, pero distintos intervalos. Para estos datos es importante considerar los distritos como conglomerados, porque ignorarlos puede hacer que parezca que hay menos incertidumbre de la que corresponde.