Fuente: Spotify Song Attributes, Kaggle (geomack).
Pregunta general: ¿Cómo se relacionan la positividad musical, las características de audio y la preferencia registrada por una persona?
Advertencia conceptual: target es la
preferencia de una persona, NO la popularidad global de Spotify.
valence describe positividad percibida en el sonido, NO
emociones clínicas del oyente.
La base contiene aproximadamente 2.017 canciones. El tamaño real se imprime al ejecutar el archivo. No se fabrican observaciones ni resultados.
Preguntas definidas antes del análisis:
target)?valence) con la energía (energy)?Se fija α = 0,05. Los umbrales de positividad se establecen antes de observar resultados: baja [0, 0,33], media (0,33, 0,66] y alta (0,66, 1]. Son categorías analíticas convencionales, no diagnósticos de felicidad o tristeza.
Unidad de análisis: registro de canción. Puede haber dependencia entre canciones del mismo artista, por lo que los valores p deben interpretarse con cautela.
Descarga el CSV desde Kaggle y guárdalo en la misma carpeta que este
.Rmd. El nombre habitual es data.csv o
spotifyclassification.csv. No se incluye una base
ficticia.
El código identifica el archivo de manera explícita y se detiene con un mensaje claro si no está presente.
archivos_posibles <- c("data.csv", "spotifyclassification.csv", "spotify.csv")
archivo <- archivos_posibles[file.exists(archivos_posibles)][1]
if (is.na(archivo)) {
stop("Descarga el CSV de Kaggle y guárdalo junto al Rmd como data.csv")
}
datos_crudos <- read.csv(archivo, stringsAsFactors=FALSE,
check.names=FALSE, fileEncoding="UTF-8-BOM")
names(datos_crudos) <- trimws(names(datos_crudos))
if ("X" %in% names(datos_crudos)) datos_crudos$X <- NULL
if ("Unnamed: 0" %in% names(datos_crudos)) datos_crudos[["Unnamed: 0"]] <- NULL
variables_requeridas <- c("valence", "energy", "danceability", "target")
faltan_columnas <- setdiff(variables_requeridas, names(datos_crudos))
if (length(faltan_columnas) > 0) {
stop(paste("Faltan columnas:", paste(faltan_columnas, collapse=", ")))
}
cat("Archivo leído:", archivo, "
")
## Archivo leído: data.csv
cat("Filas:", nrow(datos_crudos), "Columnas analíticas:", ncol(datos_crudos), "\n")
## Filas: 2017 Columnas analíticas: 17
# ============================================================
# CARGA Y PREPARACIÓN DE LA BASE DE DATOS
# ============================================================
# Leer el archivo CSV original
datos <- read.csv(
"data.csv",
header = TRUE,
check.names = TRUE,
stringsAsFactors = FALSE
)
# Corregir nombres vacíos o duplicados
names(datos) <- make.names(names(datos), unique = TRUE)
# Mostrar dimensiones
cat("Número de canciones:", nrow(datos), "\n")
## Número de canciones: 2017
cat("Número de variables:", ncol(datos), "\n")
## Número de variables: 17
# Comprobar las columnas necesarias
stopifnot(
all(c("valence", "danceability", "energy", "target") %in% names(datos))
)
# Crear los niveles de positividad musical
datos$alegria_grupo <- cut(
datos$valence,
breaks = c(-Inf, 0.33, 0.66, Inf),
labels = c("Baja", "Media", "Alta"),
right = TRUE
)
# Comprobar los grupos
print(table(datos$alegria_grupo))
##
## Baja Media Alta
## 603 826 588
# Verificar que los datos estén listos
cat("\nBase cargada y preparada correctamente.\n")
##
## Base cargada y preparada correctamente.
# 2. Diccionario de variables
| Variable | Tipo | Significado | Uso |
|---|---|---|---|
| `valence` | Numérica [0,1] | Positividad musical estimada | Predictor y clasificación |
| `danceability` | Numérica [0,1] | Facilidad para bailar | Respuesta ANOVA |
| `energy` | Numérica [0,1] | Intensidad musical | Respuesta regresión |
| `target` | Binaria 0/1 | No le gustó / le gustó a una persona | Ji-cuadrado |
| `tempo` | Numérica | Pulsaciones por minuto | Exploración complementaria |
| `loudness` | Numérica | Intensidad en decibelios | Exploración complementaria |
| `artist` | Texto | Artista | Dependencia potencial |
| `song_title` | Texto | Nombre de la canción | Identificación |
Las variables de audio son características calculadas algorítmicamente. La etiqueta de preferencia no es una medida universal de éxito.
``` r
str(datos_crudos)
## 'data.frame': 2017 obs. of 17 variables:
## $ : int 0 1 2 3 4 5 6 7 8 9 ...
## $ acousticness : num 0.0102 0.199 0.0344 0.604 0.18 0.00479 0.0145 0.0202 0.0481 0.00208 ...
## $ danceability : num 0.833 0.743 0.838 0.494 0.678 0.804 0.739 0.266 0.603 0.836 ...
## $ duration_ms : int 204600 326933 185707 199413 392893 251333 241400 349667 202853 226840 ...
## $ energy : num 0.434 0.359 0.412 0.338 0.561 0.56 0.472 0.348 0.944 0.603 ...
## $ instrumentalness: num 0.0219 0.00611 0.000234 0.51 0.512 0 0.00000727 0.664 0 0 ...
## $ key : int 2 1 2 5 5 8 1 10 11 7 ...
## $ liveness : num 0.165 0.137 0.159 0.0922 0.439 0.164 0.207 0.16 0.342 0.571 ...
## $ loudness : num -8.79 -10.4 -7.15 -15.24 -11.65 ...
## $ mode : int 1 1 1 1 0 1 1 0 0 1 ...
## $ speechiness : num 0.431 0.0794 0.289 0.0261 0.0694 0.185 0.156 0.0371 0.347 0.237 ...
## $ tempo : num 150.1 160.1 75 86.5 174 ...
## $ time_signature : num 4 4 4 4 4 4 4 4 4 4 ...
## $ valence : num 0.286 0.588 0.173 0.23 0.904 0.264 0.308 0.393 0.398 0.386 ...
## $ target : int 1 1 1 1 1 1 1 1 1 1 ...
## $ song_title : chr "Mask Off" "Redbone" "Xanny Family" "Master Of None" ...
## $ artist : chr "Future" "Childish Gambino" "Future" "Beach House" ...
head(datos_crudos, 10)
## acousticness danceability duration_ms energy instrumentalness key liveness
## 1 0 0.01020 0.833 204600 0.434 0.02190000 2 0.1650
## 2 1 0.19900 0.743 326933 0.359 0.00611000 1 0.1370
## 3 2 0.03440 0.838 185707 0.412 0.00023400 2 0.1590
## 4 3 0.60400 0.494 199413 0.338 0.51000000 5 0.0922
## 5 4 0.18000 0.678 392893 0.561 0.51200000 5 0.4390
## 6 5 0.00479 0.804 251333 0.560 0.00000000 8 0.1640
## 7 6 0.01450 0.739 241400 0.472 0.00000727 1 0.2070
## 8 7 0.02020 0.266 349667 0.348 0.66400000 10 0.1600
## 9 8 0.04810 0.603 202853 0.944 0.00000000 11 0.3420
## 10 9 0.00208 0.836 226840 0.603 0.00000000 7 0.5710
## loudness mode speechiness tempo time_signature valence target
## 1 -8.795 1 0.4310 150.062 4 0.286 1
## 2 -10.401 1 0.0794 160.083 4 0.588 1
## 3 -7.148 1 0.2890 75.044 4 0.173 1
## 4 -15.236 1 0.0261 86.468 4 0.230 1
## 5 -11.648 0 0.0694 174.004 4 0.904 1
## 6 -6.682 1 0.1850 85.023 4 0.264 1
## 7 -11.204 1 0.1560 80.030 4 0.308 1
## 8 -11.609 0 0.0371 144.154 4 0.393 1
## 9 -3.626 0 0.3470 130.035 4 0.398 1
## 10 -7.792 1 0.2370 99.994 4 0.386 1
## song_title artist
## 1 Mask Off Future
## 2 Redbone Childish Gambino
## 3 Xanny Family Future
## 4 Master Of None Beach House
## 5 Parallel Lines Junior Boys
## 6 Sneakin’ Drake
## 7 Childs Play Drake
## 8 Gyöngyhajú lány Omega
## 9 I've Seen Footage Death Grips
## 10 Digital Animal Honey Claws
summary(datos_crudos)
## acousticness danceability duration_ms
## Min. : 0 Min. :0.0000028 Min. :0.122 Min. : 16042
## 1st Qu.: 504 1st Qu.:0.0096300 1st Qu.:0.514 1st Qu.: 200015
## Median :1008 Median :0.0633000 Median :0.631 Median : 229261
## Mean :1008 Mean :0.1875900 Mean :0.618 Mean : 246306
## 3rd Qu.:1512 3rd Qu.:0.2650000 3rd Qu.:0.738 3rd Qu.: 270333
## Max. :2016 Max. :0.9950000 Max. :0.984 Max. :1004627
## energy instrumentalness key liveness
## Min. :0.0148 Min. :0.0000000 Min. : 0.00 Min. :0.0188
## 1st Qu.:0.5630 1st Qu.:0.0000000 1st Qu.: 2.00 1st Qu.:0.0923
## Median :0.7150 Median :0.0000762 Median : 6.00 Median :0.1270
## Mean :0.6816 Mean :0.1332855 Mean : 5.34 Mean :0.1908
## 3rd Qu.:0.8460 3rd Qu.:0.0540000 3rd Qu.: 9.00 3rd Qu.:0.2470
## Max. :0.9980 Max. :0.9760000 Max. :11.00 Max. :0.9690
## loudness mode speechiness tempo
## Min. :-33.097 Min. :0.000 Min. :0.0231 Min. : 47.9
## 1st Qu.: -8.394 1st Qu.:0.000 1st Qu.:0.0375 1st Qu.:100.2
## Median : -6.248 Median :1.000 Median :0.0549 Median :121.4
## Mean : -7.086 Mean :0.612 Mean :0.0927 Mean :121.6
## 3rd Qu.: -4.746 3rd Qu.:1.000 3rd Qu.:0.1080 3rd Qu.:137.8
## Max. : -0.307 Max. :1.000 Max. :0.8160 Max. :219.3
## time_signature valence target song_title
## Min. :1.00 Min. :0.0348 Min. :0.000 Length:2017
## 1st Qu.:4.00 1st Qu.:0.2950 1st Qu.:0.000 Class :character
## Median :4.00 Median :0.4920 Median :1.000 Mode :character
## Mean :3.97 Mean :0.4968 Mean :0.506
## 3rd Qu.:4.00 3rd Qu.:0.6910 3rd Qu.:1.000
## Max. :5.00 Max. :0.9920 Max. :1.000
## artist
## Length:2017
## Class :character
## Mode :character
##
##
##
cat("Nombres de columnas:
")
## Nombres de columnas:
print(names(datos_crudos))
## [1] "" "acousticness" "danceability" "duration_ms"
## [5] "energy" "instrumentalness" "key" "liveness"
## [9] "loudness" "mode" "speechiness" "tempo"
## [13] "time_signature" "valence" "target" "song_title"
## [17] "artist"
tipos <- data.frame(variable=names(datos_crudos),
tipo=vapply(datos_crudos, function(x) class(x)[1], ""))
knitr::kable(tipos, caption="Tipos de variables")
| variable | tipo | |
|---|---|---|
| integer | ||
| acousticness | acousticness | numeric |
| danceability | danceability | numeric |
| duration_ms | duration_ms | integer |
| energy | energy | numeric |
| instrumentalness | instrumentalness | numeric |
| key | key | integer |
| liveness | liveness | numeric |
| loudness | loudness | numeric |
| mode | mode | integer |
| speechiness | speechiness | numeric |
| tempo | tempo | numeric |
| time_signature | time_signature | numeric |
| valence | valence | numeric |
| target | target | integer |
| song_title | song_title | character |
| artist | artist | character |
Regla preestablecida: conservar registros originales y excluir únicamente las filas con valores faltantes o fuera de rango en las variables de cada prueba. No eliminar atípicos de forma automática, porque podrían ser canciones reales. Se informa el número de registros utilizado en cada análisis.
Duplicados: se reportan tanto duplicados de filas completas como coincidencias de título-artista. Estas últimas no necesariamente son errores (pueden existir versiones diferentes).
na_por_variable <- colSums(is.na(datos_crudos))
knitr::kable(data.frame(variable=names(na_por_variable),
faltantes=as.integer(na_por_variable),
porcentaje=round(100*na_por_variable/nrow(datos_crudos),2)),
caption="Faltantes por variable")
| variable | faltantes | porcentaje | |
|---|---|---|---|
| 0 | 0 | ||
| acousticness | acousticness | 0 | 0 |
| danceability | danceability | 0 | 0 |
| duration_ms | duration_ms | 0 | 0 |
| energy | energy | 0 | 0 |
| instrumentalness | instrumentalness | 0 | 0 |
| key | key | 0 | 0 |
| liveness | liveness | 0 | 0 |
| loudness | loudness | 0 | 0 |
| mode | mode | 0 | 0 |
| speechiness | speechiness | 0 | 0 |
| tempo | tempo | 0 | 0 |
| time_signature | time_signature | 0 | 0 |
| valence | valence | 0 | 0 |
| target | target | 0 | 0 |
| song_title | song_title | 0 | 0 |
| artist | artist | 0 | 0 |
cat("Filas completamente duplicadas:", sum(duplicated(datos_crudos)), "
")
## Filas completamente duplicadas: 0
if (all(c("song_title", "artist") %in% names(datos_crudos))) {
cat("Título y artista repetidos:",
sum(duplicated(datos_crudos[c("song_title","artist")])), "
")
}
## Título y artista repetidos: 35
datos <- datos_crudos
for (v in variables_requeridas) {
datos[[v]] <- suppressWarnings(as.numeric(datos[[v]]))
}
valido_rangos <- !is.na(datos$valence) & datos$valence >= 0 & datos$valence <= 1 &
!is.na(datos$energy) & datos$energy >= 0 & datos$energy <= 1 &
!is.na(datos$danceability) & datos$danceability >= 0 &
datos$danceability <= 1 & !is.na(datos$target) &
datos$target %in% c(0,1)
cat("Registros originales:", nrow(datos), "
")
## Registros originales: 2017
cat("Registros válidos para las tres pruebas:", sum(valido_rangos), "
")
## Registros válidos para las tres pruebas: 2017
cat("Registros excluidos por falta/rango:", sum(!valido_rangos), "
")
## Registros excluidos por falta/rango: 0
datos <- datos[valido_rangos, , drop=FALSE]
stopifnot(nrow(datos)>=500)
datos$alegria_grupo <- cut(datos$valence,
breaks=c(-Inf,0.33,0.66,Inf),
labels=c("Baja", "Media", "Alta"),
right=TRUE)
datos$alegria_grupo <- factor(datos$alegria_grupo,
levels=c("Baja","Media","Alta"))
datos$gusto <- factor(datos$target, levels=c(0,1),
labels=c("No le gustó","Le gustó"))
stopifnot(length(unique(datos$alegria_grupo))==3)
Para una variable cuantitativa \(x_1,\ldots,x_n\):
Media: \(\bar{x}=\frac{1}{n}\sum_{i=1}^n x_i\). Suma los valores y divide por la cantidad observada.
Varianza muestral: \(s^2=\frac{\sum_{i=1}^n(x_i-\bar{x})^2}{n-1}\). Mide dispersión en unidades cuadradas.
Desviación estándar: \(s=\sqrt{s^2}\). Expresa la dispersión en las mismas unidades que la variable.
Mediana: valor central ordenado; es más resistente a valores extremos.
Rango intercuartílico: \(RIC=Q_3-Q_1\). Resume el 50% central de observaciones.
resumen_num <- function(x) {
x <- x[is.finite(x)]
c(n=length(x), media=mean(x), mediana=median(x),
sd=sd(x), varianza=var(x), minimo=min(x),
q1=unname(quantile(x,.25)), q3=unname(quantile(x,.75)),
maximo=max(x), IQR=IQR(x))
}
vars_eda <- intersect(c("valence","danceability","energy","tempo","loudness"),
names(datos))
resumen <- t(sapply(datos[vars_eda], resumen_num))
knitr::kable(round(resumen,4), caption="Descriptivos principales")
| n | media | mediana | sd | varianza | minimo | q1 | q3 | maximo | IQR | |
|---|---|---|---|---|---|---|---|---|---|---|
| valence | 2017 | 0.4968 | 0.492 | 0.2472 | 0.0611 | 0.0348 | 0.295 | 0.691 | 0.992 | 0.396 |
| danceability | 2017 | 0.6184 | 0.631 | 0.1610 | 0.0259 | 0.1220 | 0.514 | 0.738 | 0.984 | 0.224 |
| energy | 2017 | 0.6816 | 0.715 | 0.2103 | 0.0442 | 0.0148 | 0.563 | 0.846 | 0.998 | 0.283 |
| tempo | 2017 | 121.6033 | 121.427 | 26.6856 | 712.1214 | 47.8590 | 100.189 | 137.849 | 219.331 | 37.660 |
| loudness | 2017 | -7.0856 | -6.248 | 3.7617 | 14.1503 | -33.0970 | -8.394 | -4.746 | -0.307 | 3.648 |
knitr::kable(as.data.frame(table(datos$alegria_grupo)),
caption="Frecuencia por positividad")
| Var1 | Freq |
|---|---|
| Baja | 603 |
| Media | 826 |
| Alta | 588 |
knitr::kable(as.data.frame(table(datos$gusto)),
caption="Frecuencia por preferencia")
| Var1 | Freq |
|---|---|
| No le gustó | 997 |
| Le gustó | 1020 |
# Usamos vectores explícitos para evitar errores al interpretar fórmulas.
# La figura tiene cuatro paneles y un único encabezado de chunk.
par(mfrow=c(2,2))
hist(datos$valence, breaks=25, main="Positividad musical",
xlab="Valence (0 a 1)", col="lightpink")
hist(datos$danceability, breaks=25, main="Bailabilidad",
xlab="Danceability (0 a 1)", col="lightblue")
boxplot(split(datos$energy, datos$alegria_grupo),
main="Energía por positividad", xlab="Grupo",
ylab="Energía", col=c("lightblue","khaki","lightpink"))
plot(x=datos$valence, y=datos$energy, pch=16, cex=.4,
col=rgb(.3,.2,.6,.25), xlab="Positividad",
ylab="Energía", main="Relación entre variables")
par(mfrow=c(1,1))
La regla de Tukey define límites \(L_i=Q_1-1.5(RIC)\) y \(L_s=Q_3+1.5(RIC)\). Un valor fuera de ellos es potencialmente atípico, no necesariamente incorrecto. No se elimina por esa razón.
La presencia de extremos puede afectar la media y el ANOVA. Por eso se incorporan alternativas robustas.
contar_atipicos <- function(x) {
q <- quantile(x, c(.25,.75), na.rm=TRUE)
ri <- q[2]-q[1]
sum(x < q[1]-1.5*ri | x > q[2]+1.5*ri, na.rm=TRUE)
}
atipicos <- data.frame(variable=vars_eda,
cantidad=sapply(datos[vars_eda],contar_atipicos))
knitr::kable(atipicos, caption="Posibles atípicos (regla 1,5 × RIC)")
| variable | cantidad | |
|---|---|---|
| valence | valence | 0 |
| danceability | danceability | 12 |
| energy | energy | 54 |
| tempo | tempo | 15 |
| loudness | loudness | 105 |
Respuesta: danceability (escala 0 a
1).
Factor: alegria_grupo con tres niveles
(Baja, Media, Alta).
\(H_0:\mu_{Baja}=\mu_{Media}=\mu_{Alta}\).
\(H_1:\) al menos una media poblacional difiere.
Se trabaja con grupos definidos previamente. No se debe interpretar una diferencia entre medias como prueba de que la alegría cause bailabilidad.
\(Y_{ij}=\mu+\tau_i+\varepsilon_{ij}\).
Suma de cuadrados entre grupos:
\[SC_E=\sum_{i=1}^{k}n_i(\bar{Y}_i-\bar{Y})^2\]
Suma de cuadrados dentro de grupos:
\[SC_D=\sum_{i=1}^{k}\sum_{j=1}^{n_i}(Y_{ij}-\bar{Y}_i)^2\]
Grados de libertad: \(gl_E=k-1\) y \(gl_D=n-k\).
Cuadrados medios: \(CM_E=SC_E/(k-1)\) y \(CM_D=SC_D/(n-k)\).
Estadístico F: \(F=CM_E/CM_D\).
Un F grande indica que las diferencias entre medias son grandes respecto a la variabilidad interna. El valor p se compara con \(\alpha=0.05\).
# =====================================================
# ANOVA: ESTADÍSTICOS DESCRIPTIVOS
# =====================================================
# Verificar que las variables necesarias existen
stopifnot(
"danceability" %in% names(datos),
"alegria_grupo" %in% names(datos)
)
# Crear los tres grupos de positividad
grupos <- c("Baja", "Media", "Alta")
# Calcular los estadísticos de cada grupo
resumen_anova <- do.call(
rbind,
lapply(grupos, function(g) {
valores <- datos$danceability[
!is.na(datos$alegria_grupo) &
datos$alegria_grupo == g
]
data.frame(
Grupo = g,
N = length(valores),
Media = mean(valores, na.rm = TRUE),
Mediana = median(valores, na.rm = TRUE),
Desviacion = sd(valores, na.rm = TRUE)
)
})
)
# Redondear los resultados
resumen_anova$Media <- round(resumen_anova$Media, 4)
resumen_anova$Mediana <- round(resumen_anova$Mediana, 4)
resumen_anova$Desviacion <- round(resumen_anova$Desviacion, 4)
# Mostrar tabla
knitr::kable(
resumen_anova,
caption = "Bailabilidad por nivel de positividad"
)
| Grupo | N | Media | Mediana | Desviacion |
|---|---|---|---|---|
| Baja | 603 | 0.5282 | 0.526 | 0.1660 |
| Media | 826 | 0.6282 | 0.633 | 0.1439 |
| Alta | 588 | 0.6972 | 0.712 | 0.1304 |
# Crear los datos del gráfico
datos_boxplot <- lapply(
grupos,
function(g) {
datos$danceability[
!is.na(datos$alegria_grupo) &
datos$alegria_grupo == g
]
}
)
names(datos_boxplot) <- grupos
# Gráfico de cajas
# Gráfico de cajas
boxplot(
datos_boxplot,
col = c("lightblue", "khaki", "lightpink"),
xlab = "Positividad musical",
ylab = "Bailabilidad",
main = "Comparación de bailabilidad"
)
y <- datos$danceability
g <- datos$alegria_grupo
n <- length(y)
k <- nlevels(g)
media_general <- mean(y)
medias <- tapply(y,g,mean)
conteos <- table(g)
sc_entre <- sum(as.numeric(conteos)*(medias-media_general)^2)
sc_dentro <- sum((y-ave(y,g,FUN=mean))^2)
sc_total <- sum((y-media_general)^2)
gl_entre <- k-1
gl_dentro <- n-k
cm_entre <- sc_entre/gl_entre
cm_dentro <- sc_dentro/gl_dentro
f_manual <- cm_entre/cm_dentro
p_manual <- pf(f_manual,gl_entre,gl_dentro,lower.tail=FALSE)
tabla_manual <- data.frame(Fuente=c("Entre grupos","Dentro de grupos","Total"),
SC=c(sc_entre,sc_dentro,sc_total),
gl=c(gl_entre,gl_dentro,n-1),
CM=c(cm_entre,cm_dentro,NA),
F=c(f_manual,NA,NA),p=c(p_manual,NA,NA))
knitr::kable(tabla_manual,digits=6,caption="Tabla ANOVA calculada a mano")
| Fuente | SC | gl | CM | F | p |
|---|---|---|---|---|---|
| Entre grupos | 8.6329 | 2 | 4.31645 | 199.19 | 0 |
| Dentro de grupos | 43.6426 | 2014 | 0.02167 | NA | NA |
| Total | 52.2755 | 2016 | NA | NA | NA |
# ============================================================
# MODELO ANOVA - SPOTIFY
# ============================================================
# Corregir los nombres de columnas
names(datos) <- make.names(names(datos), unique = TRUE)
# Verificar variables
stopifnot(
"danceability" %in% names(datos),
"alegria_grupo" %in% names(datos)
)
# Preparar una base limpia para el ANOVA
datos_anova <- data.frame(
danceability = as.numeric(datos$danceability),
alegria_grupo = factor(
datos$alegria_grupo,
levels = c("Baja", "Media", "Alta")
)
)
# Eliminar observaciones incompletas
datos_anova <- na.omit(datos_anova)
# Crear la fórmula explícitamente
formula_anova <- stats::as.formula(
"danceability ~ alegria_grupo"
)
# Ajustar el modelo
modelo_anova <- stats::aov(
formula = formula_anova,
data = datos_anova
)
# Mostrar resultados
tabla_anova <- summary(modelo_anova)
print(tabla_anova)
## Df Sum Sq Mean Sq F value Pr(>F)
## alegria_grupo 2 8.6 4.32 199 <2e-16 ***
## Residuals 2014 43.6 0.02
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
# Extraer estadístico F y valor p
F_R <- tabla_anova[[1]][["F value"]][1]
p_R <- tabla_anova[[1]][["Pr(>F)"]][1]
cat("\nEstadístico F:", F_R, "\n")
##
## Estadístico F: 199.19
cat("Valor p:", p_R, "\n")
## Valor p: 1.1582e-79
# Decisión estadística
if (p_R < 0.05) {
cat("Se rechaza H0: existen diferencias significativas.\n")
} else {
cat("No se rechaza H0.\n")
}
## Se rechaza H0: existen diferencias significativas.
# Comparación con el cálculo manual
if (exists("F_manual")) {
cat("F manual:", F_manual, "\n")
cat("F calculado por R:", F_R, "\n")
}
Independencia: depende de cómo se recolectaron las canciones. No se demuestra con Shapiro ni Levene; se discute el muestreo y la posible repetición de artistas.
Normalidad de residuos: se examina mediante gráfico Q-Q y Shapiro-Wilk. Con muestras grandes Shapiro puede detectar desviaciones pequeñas; por eso se combina con inspección visual.
Homogeneidad de varianzas: se evalúa mediante Levene centrado en la mediana, menos sensible a no normalidad que Bartlett.
Si hay heterocedasticidad se prefiere Welch. Si existen asimetrías importantes, se presenta Kruskal-Wallis como análisis de sensibilidad.
res_a <- residuals(modelo_anova)
par(mfrow=c(1,2))
qqnorm(res_a,main="Q-Q de residuos ANOVA")
qqline(res_a,col="red",lwd=2)
plot(fitted(modelo_anova),res_a,pch=16,cex=.5,
xlab="Valores ajustados",ylab="Residuos",
main="Residuos vs ajustados")
abline(h=0,col="red",lty=2)
par(mfrow=c(1,1))
set.seed(2026)
res_shapiro <- if(length(res_a)>5000) sample(res_a,5000) else res_a
shapiro_a <- shapiro.test(res_shapiro)
print(shapiro_a)
##
## Shapiro-Wilk normality test
##
## data: res_shapiro
## W = 0.995, p-value = 0.0000018
# Levene-Brown-Forsythe: ANOVA sobre |Yij - mediana_grupo|
medianas_por_fila <- ave(datos$danceability,datos$alegria_grupo,FUN=median)
datos$desviacion_abs_mediana <- abs(datos$danceability-medianas_por_fila)
modelo_levene <- aov(desviacion_abs_mediana~alegria_grupo,data=datos)
print(summary(modelo_levene))
## Df Sum Sq Mean Sq F value Pr(>F)
## alegria_grupo 2 0.34 0.170 21.3 0.00000000071 ***
## Residuals 2014 16.04 0.008
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
p_levene <- summary(modelo_levene)[[1]][["Pr(>F)"]][1]
cat("Levene p =",format(p_levene,scientific=TRUE),"
")
## Levene p = 7.1462e-10
Welch permite varianzas desiguales. La estimación de tamaño de efecto eta cuadrado es:
\[\eta^2=\frac{SC_E}{SC_T}\]
Indica qué proporción de variabilidad observada en bailabilidad está asociada con la división en grupos, en esta muestra. Un valor p pequeño no implica necesariamente un efecto grande.
welch <- oneway.test(danceability~alegria_grupo,data=datos,var.equal=FALSE)
print(welch)
##
## One-way analysis of means (not assuming equal variances)
##
## data: danceability and alegria_grupo
## F = 191, num df = 2, denom df = 1265, p-value <2e-16
eta2 <- sc_entre/sc_total
cat("Eta cuadrado:",round(eta2,5),"
")
## Eta cuadrado: 0.16514
cat("Varianzas iguales según Levene:",p_levene>=alpha,"
")
## Varianzas iguales según Levene: FALSE
cat("Prueba principal recomendada:",
ifelse(p_levene<alpha,"Welch","ANOVA clásico"),"
")
## Prueba principal recomendada: Welch
Un resultado global significativo solo dice que al menos un grupo difiere; no identifica cuáles.
Las comparaciones por pares examinan Baja–Media, Baja–Alta y Media–Alta. Se utiliza ajuste Holm, que controla el riesgo de error familiar por múltiples pruebas.
Si las varianzas son distintas, pool.sd=FALSE evita
imponer una varianza común. Se reporta también Tukey como referencia del
ANOVA clásico, pero su interpretación requiere sus supuestos.
pares_holm <- pairwise.t.test(datos$danceability,datos$alegria_grupo,
p.adjust.method="holm",pool.sd=FALSE)
print(pares_holm)
##
## Pairwise comparisons using t tests with non-pooled SD
##
## data: datos$danceability and datos$alegria_grupo
##
## Baja Media
## Media <2e-16 -
## Alta <2e-16 <2e-16
##
## P value adjustment method: holm
cat("Tukey (solo referencia bajo homocedasticidad):
")
## Tukey (solo referencia bajo homocedasticidad):
print(TukeyHSD(modelo_anova))
## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: stats::aov(formula = formula_anova, data = datos_anova)
##
## $alegria_grupo
## diff lwr upr p adj
## Media-Baja 0.100019 0.081526 0.118513 0
## Alta-Baja 0.168958 0.148947 0.188968 0
## Alta-Media 0.068939 0.050309 0.087568 0
cat("Análisis no paramétrico de sensibilidad:
")
## Análisis no paramétrico de sensibilidad:
print(kruskal.test(danceability~alegria_grupo,data=datos))
##
## Kruskal-Wallis rank sum test
##
## data: danceability by alegria_grupo
## Kruskal-Wallis chi-squared = 329, df = 2, p-value <2e-16
La decisión inferencial se calcula con el valor p observado, no se escribe de antemano. Las diferencias encontradas corresponden a las canciones de esta muestra, y no prueban causalidad ni generalización universal.
p_principal <- if(p_levene<alpha) welch$p.value else p_manual
cat("Método principal:",ifelse(p_levene<alpha,"Welch","ANOVA clásico"),"
")
## Método principal: Welch
cat("Valor p:",format(p_principal,scientific=TRUE),"
")
## Valor p: 2.4727e-73
cat(ifelse(p_principal<alpha,
"Existe evidencia de diferencias de bailabilidad media entre grupos.",
"No se detecta evidencia suficiente de diferencias de bailabilidad media."),"
")
## Existe evidencia de diferencias de bailabilidad media entre grupos.
cat("Eta cuadrado observado:",round(eta2,4),"
")
## Eta cuadrado observado: 0.1651
Se aplica ji-cuadrado de independencia, porque se dispone de una muestra de canciones clasificadas por dos variables categóricas: positividad musical (3 categorías) y preferencia individual (2 categorías).
\(H_0\): positividad categorizada y preferencia son independientes.
\(H_1\): existe asociación entre ambas.
La tabla contiene conteos, no porcentajes, para calcular la prueba.
La frecuencia esperada bajo independencia es:
\[E_{ij}=\frac{n_{i\cdot}n_{\cdot j}}{n}\]
Donde \(n_{i\cdot}\) es el total de la fila, \(n_{\cdot j}\) el total de la columna y \(n\) el total general.
El estadístico es:
\[\chi^2=\sum_i\sum_j\frac{(O_{ij}-E_{ij})^2}{E_{ij}}\]
Los grados de libertad son \((r-1)(c-1)\). En nuestra tabla \(r=3\) y \(c=2\), por lo que \(gl=2\).
El tamaño del efecto V de Cramér se calcula como:
\[V=\sqrt{\frac{\chi^2}{n\min(r-1,c-1)}}\]
V se ubica entre 0 y 1; valores mayores reflejan asociación más fuerte, sin implicar causalidad.
tabla <- table(datos$alegria_grupo,datos$gusto)
print(addmargins(tabla))
##
## No le gustó Le gustó Sum
## Baja 335 268 603
## Media 415 411 826
## Alta 247 341 588
## Sum 997 1020 2017
cat("Porcentajes por grupo de positividad:
")
## Porcentajes por grupo de positividad:
print(round(100*prop.table(tabla,margin=1),2))
##
## No le gustó Le gustó
## Baja 55.56 44.44
## Media 50.24 49.76
## Alta 42.01 57.99
barplot(t(prop.table(tabla,1)),beside=FALSE,legend.text=TRUE,
col=c("gray70","lightpink"),
main="Preferencia dentro de cada nivel de positividad",
xlab="Nivel de positividad",ylab="Proporción")
prueba_chi <- chisq.test(tabla,correct=FALSE)
print(prueba_chi)
##
## Pearson's Chi-squared test
##
## data: tabla
## X-squared = 22.2, df = 2, p-value = 0.000015
cat("Frecuencias esperadas:
")
## Frecuencias esperadas:
print(round(prueba_chi$expected,3))
##
## No le gustó Le gustó
## Baja 298.06 304.94
## Media 408.29 417.71
## Alta 290.65 297.35
cat("Frecuencias esperadas mínimas:",min(prueba_chi$expected),"
")
## Frecuencias esperadas mínimas: 290.65
cat("Proporción de celdas con E<5:",
mean(prueba_chi$expected<5),"
")
## Proporción de celdas con E<5: 0
La aproximación asintótica del ji-cuadrado suele considerarse apropiada cuando las frecuencias esperadas no son demasiado pequeñas. En este informe se verifica el mínimo y el porcentaje de celdas menores que 5.
Si no se cumplen los criterios, se reporta una versión con valor p por simulación Monte Carlo, sin modificar los conteos originales.
if (any(prueba_chi$expected<5)) {
set.seed(2026)
cat("Advertencia: esperadas pequeñas; simulación Monte Carlo:
")
print(chisq.test(tabla,simulate.p.value=TRUE,B=10000))
} else {
cat("Todas las esperadas son >= 5; aproximación ji-cuadrado adecuada.
")
}
## Todas las esperadas son >= 5; aproximación ji-cuadrado adecuada.
La contribución de cada celda es \((O-E)^2/E\). Sirve para identificar qué combinaciones aportan más al estadístico total.
Los residuos estandarizados ajustados indican en qué celdas se observan más o menos canciones de las esperadas. Valores absolutos grandes merecen exploración; no deben confundirse con pruebas independientes sin ajuste por comparaciones múltiples.
contribuciones <- (tabla-prueba_chi$expected)^2/prueba_chi$expected
cat("Contribución de cada celda a chi-cuadrado:
")
## Contribución de cada celda a chi-cuadrado:
print(round(contribuciones,3))
##
## No le gustó Le gustó
## Baja 4.578 4.474
## Media 0.110 0.108
## Alta 6.555 6.407
cat("Residuos estandarizados ajustados:
")
## Residuos estandarizados ajustados:
print(round(prueba_chi$stdres,3))
##
## No le gustó Le gustó
## Baja 3.593 -3.593
## Media 0.608 -0.608
## Alta -4.277 4.277
chi_manual <- sum(contribuciones)
cat("Chi-cuadrado manual:",chi_manual,"
")
## Chi-cuadrado manual: 22.232
cat("Chi-cuadrado R:",unname(prueba_chi$statistic),"
")
## Chi-cuadrado R: 22.232
n_chi <- sum(tabla)
r <- nrow(tabla)
c <- ncol(tabla)
v_cramer <- sqrt(unname(prueba_chi$statistic)/(n_chi*min(r-1,c-1)))
cat("V de Cramér:",round(v_cramer,4),"
")
## V de Cramér: 0.105
cat("Valor p:",format(prueba_chi$p.value,scientific=TRUE),"
")
## Valor p: 1.4875e-05
cat(ifelse(prueba_chi$p.value<alpha,
"Hay evidencia de asociación en esta muestra.",
"No hay evidencia suficiente de asociación en esta muestra."),"
")
## Hay evidencia de asociación en esta muestra.
Respuesta: energía musical (energy, de
0 a 1).
Predictor: positividad musical
(valence, de 0 a 1).
\(H_0:\beta_1=0\) (sin asociación lineal poblacional).
\(H_1:\beta_1\ne0\) (asociación lineal diferente de cero).
\[Y_i=\beta_0+\beta_1X_i+\varepsilon_i\]
Como valence se mide entre 0 y 1, también se interpreta un aumento de 0,10 puntos: su cambio esperado en energía es \(0.10\hat\beta_1\).
La pendiente estimada es:
\[\hat\beta_1=\frac{\sum_i(X_i-\bar X)(Y_i-\bar Y)}{\sum_i(X_i-\bar X)^2}\]
El intercepto estimado es:
\[\hat\beta_0=\bar Y-\hat\beta_1\bar X\]
El método minimiza la suma de cuadrados de residuos:
\[SCE=\sum_i(Y_i-\hat Y_i)^2\]
x <- datos$valence
y_reg <- datos$energy
x_bar <- mean(x)
y_bar <- mean(y_reg)
sxx <- sum((x-x_bar)^2)
sxy <- sum((x-x_bar)*(y_reg-y_bar))
b1_manual <- sxy/sxx
b0_manual <- y_bar-b1_manual*x_bar
y_hat_manual <- b0_manual+b1_manual*x
resid_manual <- y_reg-y_hat_manual
sce <- sum(resid_manual^2)
sct <- sum((y_reg-y_bar)^2)
scr <- sct-sce
r2_manual <- 1-sce/sct
cat("Pendiente manual:",b1_manual,"
")
## Pendiente manual: 0.2368
cat("Intercepto manual:",b0_manual,"
")
## Intercepto manual: 0.56393
cat("R2 manual:",r2_manual,"
")
## R2 manual: 0.077497
cat("Cambio esperado por 0.10 valence:",0.10*b1_manual,"
")
## Cambio esperado por 0.10 valence: 0.02368
modelo_lm <- lm(energy~valence,data=datos)
print(summary(modelo_lm))
##
## Call:
## lm(formula = energy ~ valence, data = datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.6248 -0.1177 0.0292 0.1454 0.4204
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.5639 0.0101 55.8 <2e-16 ***
## valence 0.2368 0.0182 13.0 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.202 on 2015 degrees of freedom
## Multiple R-squared: 0.0775, Adjusted R-squared: 0.077
## F-statistic: 169 on 1 and 2015 DF, p-value: <2e-16
print(confint(modelo_lm,level=.95))
## 2.5 % 97.5 %
## (Intercept) 0.54412 0.58374
## valence 0.20111 0.27250
cat("Coeficientes manuales vs lm:
")
## Coeficientes manuales vs lm:
print(rbind(manual=c(b0_manual,b1_manual),R=coef(modelo_lm)))
## (Intercept) valence
## manual 0.56393 0.2368
## R 0.56393 0.2368
\[R^2=1-\frac{SCE}{SCT}\]
Donde \(SCT=\sum_i(Y_i-\bar Y)^2\) es la variación total y \(SCE\) la variación no explicada por la recta.
El estadístico t de la pendiente es:
\[t=\frac{\hat\beta_1}{EE(\hat\beta_1)}\]
Con \(gl=n-2\).
En regresión lineal simple, el estadístico global \(F\) del modelo satisface \(F=t^2\) para la pendiente. Se contrasta su valor p con \(\alpha=0.05\).
Importante: un R² bajo no significa que el análisis esté mal; significa que valence por sí sola explica poca variabilidad de energía.
s <- summary(modelo_lm)
t_pendiente <- s$coefficients["valence","t value"]
f_modelo <- unname(s$fstatistic[1])
p_pendiente <- s$coefficients["valence","Pr(>|t|)"]
cat("t pendiente:",t_pendiente,"
")
## t pendiente: 13.011
cat("F modelo:",f_modelo,"
")
## F modelo: 169.28
cat("Comprobación t²:",t_pendiente^2,"
")
## Comprobación t²: 169.28
cat("R²:",s$r.squared,"
")
## R²: 0.077497
cat("p pendiente:",format(p_pendiente,scientific=TRUE),"
")
## p pendiente: 3.2177e-37
plot(datos$valence,datos$energy,pch=16,cex=.45,
col=rgb(.2,.2,.5,.25),xlab="Positividad musical (valence)",
ylab="Energía musical (energy)",
main="Regresión: energía ~ positividad")
abline(modelo_lm,col="red",lwd=2)
Linealidad: inspeccionar la nube de puntos y el gráfico de residuos versus ajustados. Una curva sistemática indicaría que una recta puede ser insuficiente.
Normalidad: el gráfico Q-Q y Shapiro examinan la forma de los residuos; no exigen que X o Y sean normales.
Varianza constante: la dispersión de residuos debe ser aproximadamente estable a lo largo de valores ajustados.
Independencia: puede verse comprometida por varias canciones del mismo artista o por selección no aleatoria.
Influencia: Cook identifica observaciones que podrían cambiar apreciablemente los coeficientes; no autoriza eliminarlas automáticamente.
par(mfrow=c(2,2))
plot(modelo_lm,which=1)
plot(modelo_lm,which=2)
plot(modelo_lm,which=3)
plot(modelo_lm,which=4)
par(mfrow=c(1,1))
res_lm <- residuals(modelo_lm)
set.seed(2026)
res_test <- if(length(res_lm)>5000) sample(res_lm,5000) else res_lm
print(shapiro.test(res_test))
##
## Shapiro-Wilk normality test
##
## data: res_test
## W = 0.974, p-value <2e-16
En la prueba Breusch-Pagan se ajusta una regresión auxiliar de residuos cuadrados sobre los predictores. Bajo homocedasticidad, la variabilidad residual no depende sistemáticamente del predictor.
Una forma de estadístico es \(LM=nR^2_{aux}\), aproximadamente distribuido como ji-cuadrado con tantos grados de libertad como predictores auxiliares (aquí 1). Esta es una implementación didáctica de la variante LM simple.
aux <- lm(I(res_lm^2)~datos$valence)
r2_aux <- summary(aux)$r.squared
lm_bp <- length(res_lm)*r2_aux
p_bp <- pchisq(lm_bp,df=1,lower.tail=FALSE)
cat("LM Breusch-Pagan (aproximado):",lm_bp,"
")
## LM Breusch-Pagan (aproximado): 202.34
cat("p:",format(p_bp,scientific=TRUE),"
")
## p: 6.4347e-46
cat(ifelse(p_bp<alpha,
"Hay evidencia de varianza no constante.",
"No se detecta evidencia suficiente de varianza no constante."),"
")
## Hay evidencia de varianza no constante.
La distancia de Cook mide cuánto influye una observación en el ajuste. Se usa \(4/n\) como umbral orientativo, no como regla de exclusión automática. Se reporta el número de puntos señalados y se hace un análisis de sensibilidad sin ellos, únicamente como comparación.
cook <- cooks.distance(modelo_lm)
umbral_cook <- 4/nrow(datos)
idx_influyentes <- which(cook>umbral_cook)
cat("Umbral orientativo Cook:",umbral_cook,"
")
## Umbral orientativo Cook: 0.0019831
cat("Cantidad de observaciones señaladas:",length(idx_influyentes),"
")
## Cantidad de observaciones señaladas: 155
cat("Máxima distancia de Cook:",max(cook),"
")
## Máxima distancia de Cook: 0.0078637
plot(cook,type="h",main="Distancia de Cook",
xlab="Índice de observación",ylab="Distancia de Cook")
abline(h=umbral_cook,col="red",lty=2)
if (length(idx_influyentes)>0 && length(idx_influyentes)<nrow(datos)-3) {
modelo_sensibilidad <- lm(energy~valence,
data=datos[-idx_influyentes,,drop=FALSE])
print(rbind(original=coef(modelo_lm),
sin_puntos_senalados=coef(modelo_sensibilidad)))
cat("Se presenta como sensibilidad; el modelo original se conserva.
")
} else {
cat("No se realiza exclusión exploratoria de observaciones.
")
}
## (Intercept) valence
## original 0.56393 0.23680
## sin_puntos_senalados 0.61974 0.16903
## Se presenta como sensibilidad; el modelo original se conserva.
Se examina un modelo cuadrático como análisis secundario exploratorio para evaluar si la relación podría ser curva:
\[Y_i=\beta_0+\beta_1X_i+\beta_2X_i^2+\varepsilon_i\]
El término cuadrático puede mejorar la descripción, pero incrementa complejidad y no convierte asociación en causalidad. La comparación se hace sobre las mismas observaciones y no se extrapola fuera de valence entre 0 y 1.
modelo_cuad <- lm(energy~valence+I(valence^2),data=datos)
cat("Modelo lineal:
")
## Modelo lineal:
print(summary(modelo_lm)$adj.r.squared)
## [1] 0.077039
cat("Modelo cuadrático:
")
## Modelo cuadrático:
print(summary(modelo_cuad)$adj.r.squared)
## [1] 0.091256
cat("Comparación anidada (exploratoria):
")
## Comparación anidada (exploratoria):
print(anova(modelo_lm,modelo_cuad))
## Analysis of Variance Table
##
## Model 1: energy ~ valence
## Model 2: energy ~ valence + I(valence^2)
## Res.Df RSS Df Sum of Sq F Pr(>F)
## 1 2015 82.2
## 2 2014 80.9 1 1.31 32.5 0.000000014 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
plot(datos$valence,datos$energy,pch=16,cex=.35,
col=rgb(.2,.2,.5,.18),xlab="Valence",ylab="Energy",
main="Recta frente a curva cuadrática")
xx <- seq(0,1,length.out=200)
lines(xx,predict(modelo_lm,newdata=data.frame(valence=xx)),
col="red",lwd=2)
lines(xx,predict(modelo_cuad,newdata=data.frame(valence=xx)),
col="blue",lwd=2)
legend("topleft",c("Lineal","Cuadrático"),
col=c("red","blue"),lty=1,bty="n")
Una predicción del modelo representa la energía esperada según el modelo para un valor específico de valence, no una predicción exacta para una canción individual.
El intervalo de confianza estima la media condicional; el intervalo de predicción es más ancho porque considera variabilidad individual. Se evitan valores fuera del rango [0,1].
nuevos <- data.frame(valence=c(.2,.5,.8))
ic_media <- predict(modelo_lm,newdata=nuevos,
interval="confidence",level=.95)
ip_individual <- predict(modelo_lm,newdata=nuevos,
interval="prediction",level=.95)
knitr::kable(cbind(nuevos,ic_media),digits=4,
caption="Predicción media e intervalo de confianza")
| valence | fit | lwr | upr |
|---|---|---|---|
| 0.2 | 0.6113 | 0.5975 | 0.6251 |
| 0.5 | 0.6823 | 0.6735 | 0.6912 |
| 0.8 | 0.7534 | 0.7394 | 0.7673 |
knitr::kable(cbind(nuevos,ip_individual),digits=4,
caption="Predicción individual e intervalo de predicción")
| valence | fit | lwr | upr |
|---|---|---|---|
| 0.2 | 0.6113 | 0.2149 | 1.0077 |
| 0.5 | 0.6823 | 0.2861 | 1.0786 |
| 0.8 | 0.7534 | 0.3570 | 1.1498 |
Pruebas principales preespecificadas (3):
Diagnósticos y análisis adicionales: Shapiro-Wilk para residuos ANOVA y regresión, Levene-Brown-Forsythe, comparaciones por pares con Holm, Tukey como referencia, Kruskal-Wallis de sensibilidad, Breusch-Pagan aproximado, comparación de modelo cuadrático y evaluación de Cook. Son análisis auxiliares, no deben presentarse como tres hipótesis principales adicionales.
Decisiones fijadas antes de ver resultados: α=0,05; tres grupos de valence con puntos de corte 0,33 y 0,66; no eliminar atípicos automáticamente; reportar todos los datos válidos; Welch ante evidencia de heterocedasticidad; ajuste Holm para comparaciones múltiples.
Limitaciones: selección de canciones no aleatoria,
posible dependencia por artista, target representa una sola
persona, categorización de valence pierde información, medidas de audio
no equivalen a emociones humanas, resultados observacionales y ausencia
de causalidad.
resumen_final <- data.frame(
Prueba=c("ANOVA / Welch","Ji-cuadrado","Regresión lineal"),
N=c(nrow(datos),sum(tabla),nobs(modelo_lm)),
Valor_p=c(p_principal,prueba_chi$p.value,p_pendiente),
Decision=c(ifelse(p_principal<alpha,"Rechazar H0","No rechazar H0"),
ifelse(prueba_chi$p.value<alpha,"Rechazar H0","No rechazar H0"),
ifelse(p_pendiente<alpha,"Rechazar H0","No rechazar H0")))
knitr::kable(resumen_final,digits=6,
caption="Resumen de las tres preguntas principales")
| Prueba | N | Valor_p | Decision |
|---|---|---|---|
| ANOVA / Welch | 2017 | 0.000000 | Rechazar H0 |
| Ji-cuadrado | 2017 | 0.000015 | Rechazar H0 |
| Regresión lineal | 2017 | 0.000000 | Rechazar H0 |
cat("Tamaño de efecto ANOVA eta²:",round(eta2,4),"
")
## Tamaño de efecto ANOVA eta²: 0.1651
cat("V de Cramér:",round(v_cramer,4),"
")
## V de Cramér: 0.105
cat("R² regresión:",round(s$r.squared,4),"
")
## R² regresión: 0.0775
ANOVA. Se observaron diferencias estadísticamente significativas en la bailabilidad promedio entre los niveles de positividad musical. El tamaño de efecto eta² fue 0.1651; debe interpretarse además del valor p.
Ji-cuadrado. Se encontró una asociación estadística entre nivel de positividad musical y preferencia registrada por la persona. El V de Cramér fue 0.105.
Regresión. La pendiente estimada fue 0.2368 unidades de energía por cada unidad de valence. El R² fue 0.0775, es decir, aproximadamente 7.75% de la variabilidad observada de energía se describe con la recta en esta muestra.
Conclusión global. Las canciones pueden diferir en
características acústicas y preferencias individuales, pero estos
resultados no establecen que una canción alegre sea más exitosa
comercialmente ni que la positividad cause preferencia. El análisis
corresponde a esta selección de canciones y a la persona que asignó
target.
?aov, ?oneway.test,
?chisq.test, ?lm,
?pairwise.t.test.Este anexo ofrece explicaciones independientes de los resultados, para que cualquier integrante del equipo pueda responder preguntas de la docente.
¿Qué significa? La media resume el centro aritmético; en escalas de cero a uno no debe confundirse con porcentaje de personas.
¿Cómo lo explicamos con nuestra base? La media de valence representa la positividad musical promedio de las canciones seleccionadas.
Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?
Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.
Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.
¿Qué significa? La mediana separa el conjunto ordenado en dos mitades y resiste observaciones extremas.
¿Cómo lo explicamos con nuestra base? Si la media y la mediana difieren, conviene inspeccionar la distribución antes de concluir.
Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?
Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.
Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.
¿Qué significa? La desviación estándar mide variabilidad típica alrededor de la media en la unidad original.
¿Cómo lo explicamos con nuestra base? Una desviación grande en energía indica que las canciones son heterogéneas en intensidad.
Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?
Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.
Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.
¿Qué significa? La suma de cuadrados entre grupos pondera diferencias de cada media respecto de la media global.
¿Cómo lo explicamos con nuestra base? Un grupo con más canciones aporta más peso al cálculo del ANOVA.
Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?
Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.
Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.
¿Qué significa? La suma de cuadrados residual mide cuánto se aparta cada canción de la media de su grupo.
¿Cómo lo explicamos con nuestra base? Si las canciones dentro de cada grupo son muy diferentes, es más difícil detectar cambios entre medias.
Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?
Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.
Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.
¿Qué significa? En ANOVA con tres grupos, los grados de libertad entre grupos son dos y los residuales son n menos tres.
¿Cómo lo explicamos con nuestra base? Los grados de libertad reflejan cuánta información independiente se usa para estimar variaciones.
Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?
Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.
Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.
¿Qué significa? El estadístico F divide el cuadrado medio entre grupos por el cuadrado medio residual.
¿Cómo lo explicamos con nuestra base? Una razón grande sugiere diferencias de medias frente al ruido dentro de los grupos.
Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?
Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.
Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.
¿Qué significa? El valor p mide qué tan incompatibles son los datos con la hipótesis nula bajo el modelo.
¿Cómo lo explicamos con nuestra base? No es la probabilidad de que la hipótesis nula sea verdadera.
Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?
Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.
Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.
¿Qué significa? El tamaño de efecto informa magnitud; un resultado muy significativo puede tener efecto pequeño.
¿Cómo lo explicamos con nuestra base? Siempre se debe acompañar el valor p con eta cuadrado, V de Cramér o R cuadrado.
Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?
Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.
Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.
¿Qué significa? El ANOVA clásico se basa en errores aproximadamente normales, no en exigir histogramas normales por grupo sin matices.
¿Cómo lo explicamos con nuestra base? Se revisa el gráfico Q-Q y se interpretan las pruebas formales con cautela.
Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?
Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.
Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.
¿Qué significa? La homocedasticidad implica variabilidad comparable entre los grupos.
¿Cómo lo explicamos con nuestra base? Si falla, Welch ajusta el contraste y evita imponer varianzas idénticas.
Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?
Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.
Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.
¿Qué significa? La independencia depende del diseño de recolección y no puede garantizarse con una gráfica.
¿Cómo lo explicamos con nuestra base? Canciones del mismo artista pueden parecerse entre sí y afectar la inferencia.
Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?
Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.
Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.
¿Qué significa? Al comparar muchos pares aumenta la probabilidad de encontrar significancia por azar.
¿Cómo lo explicamos con nuestra base? Holm ajusta valores p y reduce ese riesgo familiar.
Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?
Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.
Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.
¿Qué significa? Cada celda de la tabla contiene el número real de canciones en una combinación de categorías.
¿Cómo lo explicamos con nuestra base? Nunca se introducen porcentajes como si fueran conteos en chisq.test.
Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?
Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.
Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.
¿Qué significa? Bajo independencia, se calcula con total de fila por total de columna dividido por n.
¿Cómo lo explicamos con nuestra base? Si observado y esperado son similares, la celda contribuye poco al ji-cuadrado.
Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?
Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.
Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.
¿Qué significa? Los residuos ajustados muestran dirección y magnitud de desviaciones frente a independencia.
¿Cómo lo explicamos con nuestra base? Residuos positivos significan más casos observados de los esperados en esa celda.
Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?
Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.
Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.
¿Qué significa? La medida resume fuerza de asociación entre categorías sin dirección causal.
¿Cómo lo explicamos con nuestra base? Una asociación estadística no significa que la positividad obligue a gustar de una canción.
Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?
Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.
Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.
¿Qué significa? La pendiente describe el cambio esperado en la respuesta por unidad del predictor.
¿Cómo lo explicamos con nuestra base? Como valence va de cero a uno, suele ser más claro interpretar un incremento de 0,10.
Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?
Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.
Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.
¿Qué significa? El intercepto es la respuesta esperada cuando el predictor vale cero.
¿Cómo lo explicamos con nuestra base? Aquí cero está dentro de la escala, pero el intercepto sigue siendo una predicción del modelo.
Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?
Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.
Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.
¿Qué significa? El residuo es observado menos predicho.
¿Cómo lo explicamos con nuestra base? Los residuos permiten detectar curvatura, varianza no constante y observaciones inusuales.
Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?
Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.
Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.
¿Qué significa? R cuadrado compara variación explicada por el modelo con variación total.
¿Cómo lo explicamos con nuestra base? Un R cuadrado pequeño no invalida automáticamente una asociación estadística.
Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?
Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.
Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.
¿Qué significa? Extrapolar es predecir fuera del rango usado para estimar el modelo.
¿Cómo lo explicamos con nuestra base? No deben hacerse predicciones de valence fuera del intervalo de cero a uno.
Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?
Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.
Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.
¿Qué significa? Cook mide cuánto podrían variar los resultados por observaciones particulares.
¿Cómo lo explicamos con nuestra base? Se usa como alerta y no como excusa para borrar datos incómodos.
Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?
Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.
Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.
¿Qué significa? Las tres pruebas describen diferencias o asociaciones, no mecanismos causales.
¿Cómo lo explicamos con nuestra base? No se puede concluir que cambiar valence haga que una persona prefiera la canción.
Pregunta que podría hacer la profesora: ¿Qué pasaría si ignoramos este concepto al interpretar los resultados?
Respuesta orientativa: Podríamos confundir la fuerza de la evidencia con la magnitud del efecto, usar una prueba inadecuada o generalizar más allá de lo que permiten los datos. La interpretación debe referirse a las variables, al diseño de la muestra y a los supuestos correspondientes.
Verificación en el informe: Revisar las tablas, los gráficos y los bloques de código de la sección estadística pertinente; no memorizar cifras antes de ejecutar R.
Esta sección permite detectar discrepancias entre el archivo CSV, el informe y las diapositivas. Las cifras esperadas son verificaciones de integridad, no sustitutos de los cálculos: todos los resultados anteriores se obtienen directamente de los registros de Kaggle.
# Conteos esperados según la clasificación predefinida [0,.33], (.33,.66], (.66,1].
conteos_calculados <- table(datos$alegria_grupo)
conteos_referencia <- c(Baja=603L, Media=826L, Alta=588L)
comparacion_conteos <- data.frame(
grupo=names(conteos_referencia),
referencia=as.integer(conteos_referencia),
calculado=as.integer(conteos_calculados),
coincide=as.integer(conteos_calculados)==as.integer(conteos_referencia)
)
knitr::kable(comparacion_conteos,
caption="Verificación de los conteos usados en Canva")
| grupo | referencia | calculado | coincide |
|---|---|---|---|
| Baja | 603 | 603 | TRUE |
| Media | 826 | 826 | TRUE |
| Alta | 588 | 588 | TRUE |
if (!all(comparacion_conteos$coincide)) {
warning("Los conteos difieren de las diapositivas: revisar CSV o puntos de corte")
}
# La siguiente tabla es la fuente de la diapositiva de ji-cuadrado.
tabla_para_canva <- as.data.frame.matrix(tabla)
tabla_para_canva$Positividad <- rownames(tabla_para_canva)
tabla_para_canva <- tabla_para_canva[,c("Positividad","No le gustó","Le gustó")]
knitr::kable(tabla_para_canva,
caption="Frecuencias observadas para Canva")
| Positividad | No le gustó | Le gustó | |
|---|---|---|---|
| Baja | Baja | 335 | 268 |
| Media | Media | 415 | 411 |
| Alta | Alta | 247 | 341 |
# Tabla de porcentajes por nivel: denominador = canciones de cada grupo.
porcentaje_favoritas <- 100*tabla[,"Le gustó"]/rowSums(tabla)
porcentaje_canva <- data.frame(
grupo=names(porcentaje_favoritas),
canciones=as.integer(rowSums(tabla)),
favoritas=as.integer(tabla[,"Le gustó"]),
porcentaje_favoritas=round(as.numeric(porcentaje_favoritas),2)
)
knitr::kable(porcentaje_canva,
caption="Porcentajes por grupo (no porcentajes globales)")
| grupo | canciones | favoritas | porcentaje_favoritas |
|---|---|---|---|
| Baja | 603 | 268 | 44.44 |
| Media | 826 | 411 | 49.76 |
| Alta | 588 | 341 | 57.99 |
La salida se calcula sin redondear durante las pruebas y solo se redondea al presentar. Si cambia la base, el informe recalcula automáticamente los resultados y avisa si ya no coinciden con la presentación.
# Recalcular los promedios que deben aparecer en la diapositiva ANOVA.
medias_para_canva <- tapply(datos$danceability,datos$alegria_grupo,mean)
# Recalcular la regresión y la proporción de variabilidad explicada.
coeficientes_canva <- coef(modelo_lm)
r2_canva <- summary(modelo_lm)$r.squared
# Tabla unificada de resultados observados.
resumen_canva <- data.frame(
indicador=c("ANOVA F clásico", "ANOVA p clásico", "Welch F",
"Welch p", "Ji-cuadrado", "Ji-cuadrado p",
"V de Cramér", "Regresión intercepto",
"Regresión pendiente", "Regresión R2"),
calculado=c(unname(f_manual), unname(p_manual),
unname(welch$statistic), unname(welch$p.value),
unname(prueba_chi$statistic), unname(prueba_chi$p.value),
unname(v_cramer), unname(coeficientes_canva[1]),
unname(coeficientes_canva[2]), unname(r2_canva))
)
knitr::kable(resumen_canva,digits=8,
caption="Estadísticos calculados a partir del CSV")
| indicador | calculado |
|---|---|
| ANOVA F clásico | 199.19347104 |
| ANOVA p clásico | 0.00000000 |
| Welch F | 191.36973284 |
| Welch p | 0.00000000 |
| Ji-cuadrado | 22.23164587 |
| Ji-cuadrado p | 0.00001488 |
| V de Cramér | 0.10498636 |
| Regresión intercepto | 0.56393019 |
| Regresión pendiente | 0.23680233 |
| Regresión R2 | 0.07749718 |
cat("Bailabilidad por grupo: ",
paste(names(medias_para_canva),round(medias_para_canva,4),collapse="; "),"\n")
## Bailabilidad por grupo: Baja 0.5282; Media 0.6282; Alta 0.6972
# Comprobaciones de integridad para evitar entregar resultados incoherentes.
stopifnot(sum(tabla)==nrow(datos))
stopifnot(all(is.finite(resumen_canva$calculado)))
stopifnot(abs(chi_manual-unname(prueba_chi$statistic))<1e-8)
stopifnot(abs(f_manual-unname(summary(modelo_anova)[[1]][["F value"]][1]))<1e-8)
Las siguientes figuras complementan la exposición: el boxplot permite visualizar las distribuciones de bailabilidad por grupo y el gráfico de residuos permite identificar si la dispersión del modelo lineal cambia a lo largo de la positividad musical.
boxplot(split(datos$danceability, datos$alegria_grupo),
col=c("#F3A5C6","#A4E5D3","#1DB954"),
border="#262626",outline=TRUE,
main="Bailabilidad según positividad musical",
xlab="Positividad musical",ylab="Bailabilidad (0 a 1)")
stripchart(split(datos$danceability, datos$alegria_grupo),
vertical=TRUE,method="jitter",pch=16,cex=.18,
col=rgb(0,0,0,.12),add=TRUE)
plot(datos$valence,residuals(modelo_lm),
pch=16,cex=.45,col=rgb(.15,.55,.4,.23),
xlab="Positividad (valence)",
ylab="Residuo: energía observada - energía estimada",
main="Residuos de la regresión lineal")
abline(h=0,col="#D14B8F",lwd=2,lty=2)
lines(lowess(datos$valence,residuals(modelo_lm)),
col="#173B2D",lwd=2)
legend("topright",legend=c("Cero","Tendencia local"),
col=c("#D14B8F","#173B2D"),lty=c(2,1),bty="n")
Si el valor p es inferior a 0,05: hay evidencia contra la hipótesis nula de la prueba correspondiente. No significa que la hipótesis alternativa tenga una probabilidad del 95 % de ser cierta.
Si el V de Cramér es pequeño: la asociación entre las dos variables categóricas puede ser estadísticamente significativa sin ser intensa.
Si el R² es pequeño: la positividad musical explica solo una parte limitada de las diferencias de energía entre canciones. No implica que la pendiente sea cero.
Si falla la homogeneidad de varianzas: Welch es la referencia principal para el ANOVA y las comparaciones de pares deben evitar asumir varianzas iguales.
Si los residuos no son normales: los resultados inferenciales deben contextualizarse y contrastarse con los gráficos, el tamaño muestral y los análisis de sensibilidad.
Si una canción aparece varias veces o varios registros comparten artista: la independencia de observaciones no está garantizada, aunque no existan filas idénticas.
Lo que NO podemos afirmar: que las canciones alegres son universalmente más populares, que el sonido alegre causa preferencia, o que los datos describen a todos los oyentes de Spotify.