En este trabajo usamos el paquete survey para analizar datos de escuelas. Revisamos qué hace cada código y comentamos los resultados.
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.
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.
dis <- svydesign(
ids = ~dnum,
weights = ~pw,
data = apiclus1
)
degf(dis)
## [1] 14
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.
svymean calcula el promedio de api00, que es el puntaje
de rendimiento académico del año 2000. confint calcula el
intervalo de confianza del 95 %.
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.
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.
La prueba revisa si el promedio de api00 es diferente de 650. Se resta 650 para comparar esa diferencia con cero.
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
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.
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.
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
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.
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.
svyciprop(
~I(sch.wide == "Yes"),
dis,
method = "logit"
)
## 2.5% 97.5%
## I(sch.wide == "Yes") 0.874 0.823 0.912
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 %.
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.
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
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.
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.
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
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.
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.
d0 <- svydesign(
ids = ~1,
weights = ~pw,
data = apiclus1
)
confint(svymean(~api00, d0))
## 2.5 % 97.5 %
## api00 628.848 659.4908
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.
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.