El objetivo de esta actividad es analizar e interpretar distintos
códigos estadísticos en R, identificando la función de cada instrucción
y explicando los resultados obtenidos. Para ello, se trabaja con una
muestra de escuelas y con el paquete survey, que permite
realizar estimaciones considerando el diseño muestral.
library(survey)
options(survey.lonely.psu = "adjust")
data(api)
library(survey): carga el paquete
survey, que contiene funciones para analizar datos
provenientes de encuestas y diseños muestrales complejos.options(survey.lonely.psu = "adjust"): establece un
ajuste para los casos en que existe una unidad primaria de muestreo
(PSU) aislada en un estrato. Esto ayuda a que el cálculo de la varianza
pueda realizarse en esa situación.data(api): carga los datos de ejemplo api,
que incluyen información relacionada con escuelas de California. En esta
actividad se utiliza el conjunto apiclus1.dis <- svydesign(
ids = ~dnum,
weights = ~pw,
data = apiclus1
)
degf(dis)
## [1] 14
La función svydesign() permite definir el diseño
muestral que se utilizará en los análisis posteriores.
ids = ~dnum: identifica los conglomerados o unidades
primarias de muestreo mediante la variable dnum.weights = ~pw: indica la variable que contiene los
factores de expansión o ponderaciones de cada observación.data = apiclus1: señala que los datos utilizados
corresponden al conjunto apiclus1.La función degf(dis) calcula los grados de libertad
asociados al diseño muestral definido.
grados_libertad <- degf(dis)
grados_libertad
## [1] 14
El resultado corresponde a los grados de libertad del diseño muestral. Estos consideran la estructura de conglomerados y son importantes para realizar inferencias estadísticas, como pruebas de hipótesis e intervalos de confianza. El valor específico se obtiene al ejecutar el código.
m <- svymean(~api00, dis)
confint(m, df = degf(dis))
## 2.5 % 97.5 %
## api00 593.1685 695.1703
La función svymean(~api00, dis) calcula la media
estimada de la variable api00, considerando las
ponderaciones y el diseño muestral definido en el ítem anterior.
La función confint() calcula el intervalo de confianza
de la media. El argumento df = degf(dis) indica que se
deben utilizar los grados de libertad del diseño para calcular el
intervalo.
m <- svymean(~api00, dis)
media_api00 <- coef(m)
error_estandar <- SE(m)
intervalo_media <- confint(m, df = degf(dis))
m
## mean SE
## api00 644.17 23.779
intervalo_media
## 2.5 % 97.5 %
## api00 593.1685 695.1703
La media estimada representa el promedio de los resultados de
api00 considerando el diseño muestral y sus ponderaciones.
El error estándar indica cuánto puede variar la estimación debido al
muestreo.
El intervalo de confianza entrega un rango de valores en el que se espera que se encuentre la media poblacional, con un nivel de confianza del 95 %. Los valores concretos de la media, el error estándar y los límites se muestran en la salida anterior.
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
La función svyttest() realiza una prueba t considerando
el diseño muestral. En este caso, se utiliza para comprobar si la media
poblacional de api00 es diferente de 650.
La expresión I(api00 - 650) resta 650 a cada observación
de api00. El término ~ 0 indica que se realiza
una prueba de una muestra, sin una variable explicativa.
Las hipótesis estadísticas son:
api00 es igual a 650.api00 es distinta de 650.prueba_item3 <- svyttest(I(api00 - 650) ~ 0, dis)
prueba_item3
##
## 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
Se utiliza un nivel de significación del 5 %
(α = 0,05).
El valor p se obtiene en el resultado de la prueba:
api00 es diferente de 650.La decisión final debe basarse en el valor p que entrega R.
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
La función svyttest() compara las medias de la variable
api00 entre dos grupos definidos por la variable
sch.wide, considerando el diseño muestral.
api00: variable numérica cuyo promedio se desea
comparar.sch.wide: variable que identifica si la escuela
pertenece o no al grupo de escuelas clasificadas como Yes o
No.Las hipótesis estadísticas son:
api00 son iguales en ambos grupos.api00 son diferentes entre ambos grupos.prueba_item4 <- svyttest(api00 ~ sch.wide, dis)
prueba_item4
##
## 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 resultado permite determinar si existe una diferencia
estadísticamente significativa entre el promedio de api00
de las escuelas con sch.wide = Yes y aquellas con
sch.wide = No.
Con un nivel de significación del 5 %, si el valor p es menor que 0,05, se rechaza la hipótesis nula y se concluye que existe evidencia de una diferencia entre las medias. Si el valor p es mayor o igual que 0,05, no se cuenta con evidencia suficiente para afirmar que las medias sean distintas.
svyciprop(
~I(sch.wide == "Yes"),
dis,
method = "logit"
)
## 2.5% 97.5%
## I(sch.wide == "Yes") 0.874 0.823 0.912
La función svyciprop() calcula una proporción
considerando el diseño muestral y permite obtener su intervalo de
confianza.
La expresión I(sch.wide == "Yes") identifica las
escuelas cuya variable sch.wide tiene el valor
"Yes". Las observaciones que cumplen la condición se
consideran verdaderas y las demás falsas.
El argumento method = "logit" indica que se utiliza el
método logit para calcular el intervalo de confianza de la
proporción.
proporcion_yes <- svyciprop(
~I(sch.wide == "Yes"),
dis,
method = "logit"
)
proporcion_yes
## 2.5% 97.5%
## I(sch.wide == "Yes") 0.874 0.823 0.912
confint(proporcion_yes)
## 2.5% 97.5%
## I(sch.wide == "Yes") 0.823218 0.9122206
La proporción estimada representa la parte de las escuelas que tienen
el valor "Yes" en la variable sch.wide,
considerando las ponderaciones del diseño muestral.
El intervalo de confianza entrega un rango de valores posibles para la proporción poblacional. Si el resultado se expresa en decimal, se puede multiplicar por 100 para obtener el porcentaje correspondiente.
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
La función svychisq() realiza una prueba de asociación
entre dos variables categóricas, considerando el diseño muestral.
En este caso se analizan:
sch.wide: clasificación de las escuelas según la
variable de escuela amplia (Yes o No).stype: tipo de escuela.El argumento statistic = "F" indica que se utiliza la
versión ajustada de la prueba de asociación mediante una distribución F,
conocida como prueba de Rao–Scott.
Las hipótesis estadísticas son:
sch.wide y stype.sch.wide y stype.prueba_item6 <- svychisq(
~sch.wide + stype,
dis,
statistic = "F"
)
prueba_item6
##
## 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
Se considera un nivel de significación del 5 %.
Si el valor p es menor que 0,05, se rechaza la hipótesis nula y se
concluye que existe evidencia de una asociación entre el tipo de escuela
y la clasificación sch.wide.
Si el valor p es mayor o igual que 0,05, no se rechaza la hipótesis nula y no existe evidencia estadística suficiente para afirmar que ambas variables estén asociadas.
estimaciones_grupos <- svyby(
~api00,
~stype,
dis,
svymean
)
estimaciones_grupos
La función svyby() permite realizar estimaciones
estadísticas separando los datos en grupos.
~api00: variable numérica de la cual se calcula la
media.~stype: variable que define los grupos según el tipo de
escuela.dis: diseño muestral utilizado.svymean: función que calcula la media de cada
grupo.estimaciones_grupos <- svyby(
~api00,
~stype,
dis,
svymean
)
estimaciones_grupos
barplot(
height = estimaciones_grupos$api00,
names.arg = estimaciones_grupos$stype,
main = "Media de API 2000 según tipo de escuela",
xlab = "Tipo de escuela",
ylab = "Media estimada de API 2000",
col = "lightblue",
border = "black"
)
### Paso 3. Agrega esta interpretación debajo
El gráfico permite comparar visualmente las medias estimadas de API 2000 según el tipo de escuela. Se pueden identificar las diferencias entre los grupos y observar cuál presenta el promedio más alto y cuál el más bajo.
Así tendrás el gráfico integrado en tu informe y aparecerá automáticamente cuando generes tu PDF o HTML. ## C. Interpretación estadística
La estimación de la media de api00 permite comparar los resultados académicos según el tipo de escuela.
Escuelas tipo E: presentan una media estimada de 648,87.
Escuelas tipo H: presentan una media estimada de 618,57.
Escuelas tipo M: presentan una media estimada de 631,44.
Se observa que las escuelas tipo E presentan el promedio más alto, mientras que las escuelas tipo H tienen el promedio más bajo. Esto permite identificar diferencias en los resultados académicos entre los distintos tipos de establecimientos educacionales. # Ítem 8. Comparación de diseños muestrales
d0 <- svydesign(
ids = ~1,
weights = ~pw,
data = apiclus1
)
confint(svymean(~api00, d0))
## 2.5 % 97.5 %
## api00 628.848 659.4908
En este ítem se define un segundo diseño muestral utilizando
svydesign().
ids = ~1: indica que no se identifican conglomerados y
que cada observación se trata como una unidad independiente.weights = ~pw: mantiene los factores de expansión de la
muestra.data = apiclus1: utiliza el mismo conjunto de datos del
ítem 1.Después, svymean(~api00, d0) calcula la media de
api00 con este nuevo diseño y confint()
obtiene su intervalo de confianza.
d0 <- svydesign(
ids = ~1,
weights = ~pw,
data = apiclus1
)
media_sin_conglomerados <- svymean(~api00, d0)
intervalo_sin_conglomerados <- confint(media_sin_conglomerados)
media_sin_conglomerados
## mean SE
## api00 644.17 7.8172
intervalo_sin_conglomerados
## 2.5 % 97.5 %
## api00 628.848 659.4908
En este caso, el análisis considera las observaciones como unidades independientes, sin identificar los conglomerados. Aunque se utilizan los mismos datos y ponderaciones, el cálculo de la variabilidad puede cambiar respecto del ítem 2.
En el ítem 2 se consideran los conglomerados mediante
ids = ~dnum, mientras que en el ítem 8 se utiliza
ids = ~1. Por esta razón, los errores estándar y los
intervalos de confianza pueden ser diferentes.
A partir de los análisis realizados, se puede observar que el diseño muestral influye en las estimaciones y en la inferencia estadística.
Al comparar los ítems 2 y 8, se utiliza la misma variable
(api00), la misma base de datos y las mismas ponderaciones.
La diferencia está en la identificación de los conglomerados. En el ítem
2 se consideran los conglomerados mediante dnum, mientras
que en el ítem 8 las observaciones se tratan como unidades
independientes.
Esto puede producir diferencias en los errores estándar y en los intervalos de confianza. Por lo tanto, considerar correctamente el diseño muestral es importante para obtener resultados estadísticos adecuados y evitar conclusiones que no representen correctamente la estructura de los datos.