Efecto del cansancio en el acuerdo diagnóstico de observadores evaluando radiografías bitewing proximales

Noriega-Gallardo V, Uribe SE

Paquetes

library("irr") #kappa2

Loading required package: lpSolve

Dataset

acuerdo <- read.csv("cansancio uss.csv", header = T, sep = "\t", encoding = "UTF-8")
acuerdo <- acuerdo %>% 
        filter(etapa == "acuerdo")

acuerdo$Aciertos <- NULL
acuerdo$Errores <- NULL

Estadística descriptiva

Observadores

13 observadores

table(acuerdo$nombre, acuerdo$horario)

Clasifico como cansados o alertas

Divido en dos, Alerta = 1+2+3 y Cansado = 4+5+6+7 Esto debido al gráfico anterior

acuerdo$estado2[acuerdo$estado_cansancio=="1. Completamente alerta. Muy despierto y atento."] <- "alerta"
acuerdo$estado2[acuerdo$estado_cansancio=="2. Alerta. Receptivo pero no al peak."] <- "alerta"
acuerdo$estado2[acuerdo$estado_cansancio=="3. Bien. fresco"] <- "alerta"
acuerdo$estado2[acuerdo$estado_cansancio=="4. Un poco cansado. Menos que fresco."] <- "cansado"
acuerdo$estado2[acuerdo$estado_cansancio=="5. Cansancio moderado. Poco alerta"] <- "cansado"
acuerdo$estado2[acuerdo$estado_cansancio=="6. Cansado. Dificil concentracion."] <- "cansado"
acuerdo$estado2[acuerdo$estado_cansancio=="7. Exhausto. Imposible funcionar eficientemente."] <- "cansado"

acuerdo$estado2 <- as.factor(acuerdo$estado2)

¿Cómo estaban en cada sesión?

Edad

Sexo y edad

Sexo y especialidad

table(acuerdo$sexo, acuerdo$tipo.segun.animal)/4

        
         alondra  buho colibri
  Hombre        1    1       3
  Mujer         4    0       4

chisq.test(table(acuerdo$sexo, acuerdo$tipo.segun.animal)/4)

Chi-squared approximation may be incorrect

    Pearson's Chi-squared test

data:  table(acuerdo$sexo, acuerdo$tipo.segun.animal)/4
X-squared = 2.3771, df = 2, p-value = 0.3047

No hay diferencias significativas en la distribución por sexo y tipo circadiano

Acuerdo diagnóstico

hay NA?

sum(is.na(acuerdo$estado2))

[1] 0

¿Cómo estaban por sesión?

acuerdo %>% 
        group_by(estado_cansancio) %>% 
        summarise( AM =sum(horario == "AM"), PM = sum(horario == "PM") ) %>% 
        ungroup()

En general, ¿afecta el estado de cansancio el acuerdo diagnóstico?

Preparo los datos, tengo que rotar el df

str(acuerdo)
acuerdot <-  setNames(data.frame(t(acuerdo[,-1])), acuerdo[,1])
write.csv(acuerdot, "acuerdot.csv")
str(acuerdot)

Para kappa

Aplico LO, convierto acuerdot en parakappa

str(parakappa)

'data.frame':   25 obs. of  54 variables:
 $ X                                                                   : Factor w/ 25 levels "Radiografia.n.1",..: 1 12 19 20 21 22 23 24 25 2 ...
 $ Carla.Momento_1.GrupoRx_A.Sexo_Mujer.Tipo_alondra..Estado_cansado   : Factor w/ 3 levels "1. No presenta Caries",..: 3 2 2 1 1 1 3 3 3 3 ...
 $ VG.Momento_1.GrupoRx_A.Sexo_Mujer.Tipo_colibri.Estado_alerta        : Factor w/ 3 levels "1. No presenta Caries",..: 3 1 2 1 1 3 3 3 3 3 ...
 $ XV.Momento_1.GrupoRx_A.Sexo_Mujer.Tipo_colibri.Estado_alerta        : Factor w/ 3 levels "1. No presenta Caries",..: 3 2 1 2 1 2 3 3 3 3 ...
 $ XS.Momento_1.GrupoRx_A.Sexo_Mujer.Tipo_alondra..Estado_alerta       : Factor w/ 3 levels "1. No presenta Caries",..: 3 2 2 1 3 2 3 3 3 2 ...
 $ CP.Momento_1.GrupoRx_A.Sexo_Mujer.Tipo_alondra..Estado_alerta       : Factor w/ 3 levels "1. No presenta Caries",..: 3 1 1 1 1 1 3 2 3 3 ...
 $ MF.Momento_1.GrupoRx_A.Sexo_Hombre.Tipo_colibri.Estado_alerta       : Factor w/ 3 levels "1. No presenta Caries",..: 3 1 1 2 1 1 2 2 2 3 ...
 $ XV.Momento_2.GrupoRx_B.Sexo_Mujer.Tipo_colibri.Estado_alerta        : Factor w/ 3 levels "1. No presenta Caries",..: 2 2 2 3 2 3 2 3 3 3 ...
 $ Carla.Momento_2.GrupoRx_B.Sexo_Mujer.Tipo_alondra..Estado_cansado   : Factor w/ 3 levels "1. No presenta Caries",..: 2 2 1 3 1 1 1 3 3 3 ...
 $ CP.Momento_2.GrupoRx_B.Sexo_Mujer.Tipo_alondra..Estado_cansado      : Factor w/ 3 levels "1. No presenta Caries",..: 2 2 1 3 2 1 2 3 3 3 ...
 $ VG.Momento_2.GrupoRx_B.Sexo_Mujer.Tipo_colibri.Estado_cansado       : Factor w/ 3 levels "1. No presenta Caries",..: 2 2 1 3 3 1 1 3 3 3 ...
 $ XS.Momento_2.GrupoRx_B.Sexo_Mujer.Tipo_alondra..Estado_cansado      : Factor w/ 3 levels "1. No presenta Caries",..: 3 3 2 3 2 1 2 3 3 3 ...
 $ MF.Momento_2.GrupoRx_B.Sexo_Hombre.Tipo_colibri.Estado_cansado      : Factor w/ 3 levels "1. No presenta Caries",..: 2 2 1 3 1 1 1 3 3 3 ...
 $ Carla.Momento_3.GrupoRx_B.Sexo_Mujer.Tipo_alondra..Estado_alerta    : Factor w/ 3 levels "1. No presenta Caries",..: 3 2 1 1 1 1 3 3 3 2 ...
 $ VG.Momento_3.GrupoRx_B.Sexo_Mujer.Tipo_colibri.Estado_alerta        : Factor w/ 3 levels "1. No presenta Caries",..: 3 2 1 2 1 1 3 3 2 2 ...
 $ CP.Momento_3.GrupoRx_B.Sexo_Mujer.Tipo_alondra..Estado_alerta       : Factor w/ 3 levels "1. No presenta Caries",..: 3 2 1 1 1 2 3 3 3 2 ...
 $ XS.Momento_3.GrupoRx_B.Sexo_Mujer.Tipo_alondra..Estado_alerta       : Factor w/ 3 levels "1. No presenta Caries",..: 3 2 1 1 2 2 3 2 3 2 ...
 $ XV.Momento_3.GrupoRx_B.Sexo_Mujer.Tipo_colibri.Estado_alerta        : Factor w/ 3 levels "1. No presenta Caries",..: 3 3 2 1 2 2 3 3 3 2 ...
 $ MF.Momento_3.GrupoRx_B.Sexo_Hombre.Tipo_colibri.Estado_alerta       : Factor w/ 3 levels "1. No presenta Caries",..: 3 2 1 1 1 2 3 3 3 2 ...
 $ Carla.Momento_4.GrupoRx_A.Sexo_Mujer.Tipo_alondra..Estado_cansado   : Factor w/ 3 levels "1. No presenta Caries",..: 1 2 2 1 1 2 3 2 3 1 ...
 $ CP.Momento_4.GrupoRx_A.Sexo_Mujer.Tipo_alondra..Estado_alerta       : Factor w/ 3 levels "1. No presenta Caries",..: 1 1 2 2 1 3 2 2 3 1 ...
 $ XS.Momento_4.GrupoRx_A.Sexo_Mujer.Tipo_alondra..Estado_cansado      : Factor w/ 3 levels "1. No presenta Caries",..: 1 2 2 3 2 3 3 3 3 1 ...
 $ VG.Momento_4.GrupoRx_A.Sexo_Mujer.Tipo_colibri.Estado_cansado       : Factor w/ 3 levels "1. No presenta Caries",..: 1 2 2 2 1 3 3 2 3 1 ...
 $ XV.Momento_4.GrupoRx_A.Sexo_Mujer.Tipo_colibri.Estado_cansado       : Factor w/ 3 levels "1. No presenta Caries",..: 1 1 2 2 1 2 3 2 3 2 ...
 $ MF.Momento_4.GrupoRx_A.Sexo_Hombre.Tipo_colibri.Estado_cansado      : Factor w/ 3 levels "1. No presenta Caries",..: 1 2 2 2 1 3 3 2 3 1 ...
 $ IG..Momento_1.GrupoRx_A.Sexo_Hombre.Tipo_colibri.Estado_alerta      : Factor w/ 3 levels "1. No presenta Caries",..: 3 1 1 1 1 1 3 3 3 2 ...
 $ MZ.Momento_1.GrupoRx_A.Sexo_Mujer.Tipo_colibri.Estado_alerta        : Factor w/ 3 levels "1. No presenta Caries",..: 3 1 1 2 1 2 2 2 2 2 ...
 $ Paulina.Momento_1.GrupoRx_A.Sexo_Mujer.Tipo_alondra..Estado_alerta  : Factor w/ 3 levels "1. No presenta Caries",..: 3 1 1 1 2 2 3 2 3 2 ...
 $ Ricardo..Momento_1.GrupoRx_A.Sexo_Hombre.Tipo_alondra..Estado_alerta: Factor w/ 3 levels "1. No presenta Caries",..: 3 1 1 1 1 1 2 2 2 2 ...
 $ AO.Momento_1.GrupoRx_A.Sexo_Hombre.Tipo_colibri.Estado_cansado      : Factor w/ 3 levels "1. No presenta Caries",..: 3 1 1 1 1 1 2 2 2 3 ...
 $ CSF.Momento_1.GrupoRx_A.Sexo_Hombre.Tipo_buho.Estado_alerta         : Factor w/ 3 levels "1. No presenta Caries",..: 3 1 1 2 1 2 3 2 2 3 ...
 $ Daniela.Momento_1.GrupoRx_A.Sexo_Mujer.Tipo_colibri.Estado_cansado  : Factor w/ 3 levels "1. No presenta Caries",..: 3 1 1 2 1 1 2 2 3 2 ...
 $ IG..Momento_2.GrupoRx_B.Sexo_Hombre.Tipo_colibri.Estado_cansado     : Factor w/ 3 levels "1. No presenta Caries",..: 2 1 1 2 1 1 1 3 3 3 ...
 $ Ricardo..Momento_2.GrupoRx_B.Sexo_Hombre.Tipo_alondra..Estado_alerta: Factor w/ 2 levels "1. No presenta Caries",..: 1 1 1 2 1 1 1 1 2 2 ...
 $ AO.Momento_2.GrupoRx_B.Sexo_Hombre.Tipo_colibri.Estado_cansado      : Factor w/ 3 levels "1. No presenta Caries",..: 1 1 1 3 1 1 1 2 3 3 ...
 $ MZ.Momento_2.GrupoRx_B.Sexo_Mujer.Tipo_colibri.Estado_cansado       : Factor w/ 3 levels "1. No presenta Caries",..: 2 1 1 2 1 2 1 1 2 3 ...
 $ Paulina.Momento_2.GrupoRx_B.Sexo_Mujer.Tipo_alondra..Estado_cansado : Factor w/ 3 levels "1. No presenta Caries",..: 2 2 1 2 1 1 2 2 3 3 ...
 $ CSF.Momento_2.GrupoRx_B.Sexo_Hombre.Tipo_buho.Estado_cansado        : Factor w/ 3 levels "1. No presenta Caries",..: 1 1 1 3 1 1 2 3 3 3 ...
 $ Daniela.Momento_2.GrupoRx_B.Sexo_Mujer.Tipo_colibri.Estado_alerta   : Factor w/ 3 levels "1. No presenta Caries",..: 2 2 1 3 2 1 1 2 3 3 ...
 $ IG..Momento_3.GrupoRx_B.Sexo_Hombre.Tipo_colibri.Estado_alerta      : Factor w/ 3 levels "1. No presenta Caries",..: 3 2 1 1 1 1 3 2 2 1 ...
 $ CSF.Momento_3.GrupoRx_B.Sexo_Hombre.Tipo_buho.Estado_alerta         : Factor w/ 3 levels "1. No presenta Caries",..: 3 1 1 2 2 2 3 3 3 1 ...
 $ Paulina.Momento_3.GrupoRx_B.Sexo_Mujer.Tipo_alondra..Estado_cansado : Factor w/ 3 levels "1. No presenta Caries",..: 3 2 1 2 1 1 3 2 1 1 ...
 $ Daniela.Momento_3.GrupoRx_B.Sexo_Mujer.Tipo_colibri.Estado_alerta   : Factor w/ 3 levels "1. No presenta Caries",..: 1 2 1 2 2 1 3 2 2 2 ...
 $ AO.Momento_3.GrupoRx_B.Sexo_Hombre.Tipo_colibri.Estado_alerta       : Factor w/ 3 levels "1. No presenta Caries",..: 3 1 1 1 1 1 3 2 1 1 ...
 $ Ricardo..Momento_3.GrupoRx_B.Sexo_Hombre.Tipo_alondra..Estado_alerta: Factor w/ 3 levels "1. No presenta Caries",..: 2 2 1 2 1 1 3 2 2 1 ...
 $ MZ.Momento_3.GrupoRx_B.Sexo_Mujer.Tipo_colibri.Estado_alerta        : Factor w/ 3 levels "1. No presenta Caries",..: 3 1 1 1 1 1 3 2 2 1 ...
 $ IG..Momento_4.GrupoRx_A.Sexo_Hombre.Tipo_colibri.Estado_cansado     : Factor w/ 3 levels "1. No presenta Caries",..: 1 2 1 1 1 3 3 2 3 1 ...
 $ Daniela.Momento_4.GrupoRx_A.Sexo_Mujer.Tipo_colibri.Estado_alerta   : Factor w/ 3 levels "1. No presenta Caries",..: 1 2 1 1 1 2 2 2 2 1 ...
 $ Paulina.Momento_4.GrupoRx_A.Sexo_Mujer.Tipo_alondra..Estado_cansado : Factor w/ 3 levels "1. No presenta Caries",..: 1 1 2 1 2 3 3 3 2 2 ...
 $ AO.Momento_4.GrupoRx_A.Sexo_Hombre.Tipo_colibri.Estado_cansado      : Factor w/ 3 levels "1. No presenta Caries",..: 1 2 1 1 1 1 2 1 2 1 ...
 $ Ricardo..Momento_4.GrupoRx_A.Sexo_Hombre.Tipo_alondra..Estado_alerta: Factor w/ 3 levels "1. No presenta Caries",..: 1 1 2 2 3 2 2 2 2 2 ...
 $ CSF.Momento_4.GrupoRx_A.Sexo_Hombre.Tipo_buho.Estado_alerta         : Factor w/ 3 levels "1. No presenta Caries",..: 1 2 2 1 1 3 3 2 2 1 ...
 $ MZ.Momento_4.GrupoRx_A.Sexo_Mujer.Tipo_colibri.Estado_cansado       : Factor w/ 3 levels "1. No presenta Caries",..: 1 1 1 1 1 2 2 1 2 1 ...
 $ Momento_.GrupoRx_.Sexo_.Tipo_.Estado_                               : logi  NA NA NA NA NA NA ...

colnames(parakappa) #veo los nombres de las columnas. Se deben comparar iguales nombres, iguales RX, distintos momentos, distintos estado2

 [1] "X"                                                                   
 [2] "Carla.Momento_1.GrupoRx_A.Sexo_Mujer.Tipo_alondra..Estado_cansado"   
 [3] "VG.Momento_1.GrupoRx_A.Sexo_Mujer.Tipo_colibri.Estado_alerta"        
 [4] "XV.Momento_1.GrupoRx_A.Sexo_Mujer.Tipo_colibri.Estado_alerta"        
 [5] "XS.Momento_1.GrupoRx_A.Sexo_Mujer.Tipo_alondra..Estado_alerta"       
 [6] "CP.Momento_1.GrupoRx_A.Sexo_Mujer.Tipo_alondra..Estado_alerta"       
 [7] "MF.Momento_1.GrupoRx_A.Sexo_Hombre.Tipo_colibri.Estado_alerta"       
 [8] "XV.Momento_2.GrupoRx_B.Sexo_Mujer.Tipo_colibri.Estado_alerta"        
 [9] "Carla.Momento_2.GrupoRx_B.Sexo_Mujer.Tipo_alondra..Estado_cansado"   
[10] "CP.Momento_2.GrupoRx_B.Sexo_Mujer.Tipo_alondra..Estado_cansado"      
[11] "VG.Momento_2.GrupoRx_B.Sexo_Mujer.Tipo_colibri.Estado_cansado"       
[12] "XS.Momento_2.GrupoRx_B.Sexo_Mujer.Tipo_alondra..Estado_cansado"      
[13] "MF.Momento_2.GrupoRx_B.Sexo_Hombre.Tipo_colibri.Estado_cansado"      
[14] "Carla.Momento_3.GrupoRx_B.Sexo_Mujer.Tipo_alondra..Estado_alerta"    
[15] "VG.Momento_3.GrupoRx_B.Sexo_Mujer.Tipo_colibri.Estado_alerta"        
[16] "CP.Momento_3.GrupoRx_B.Sexo_Mujer.Tipo_alondra..Estado_alerta"       
[17] "XS.Momento_3.GrupoRx_B.Sexo_Mujer.Tipo_alondra..Estado_alerta"       
[18] "XV.Momento_3.GrupoRx_B.Sexo_Mujer.Tipo_colibri.Estado_alerta"        
[19] "MF.Momento_3.GrupoRx_B.Sexo_Hombre.Tipo_colibri.Estado_alerta"       
[20] "Carla.Momento_4.GrupoRx_A.Sexo_Mujer.Tipo_alondra..Estado_cansado"   
[21] "CP.Momento_4.GrupoRx_A.Sexo_Mujer.Tipo_alondra..Estado_alerta"       
[22] "XS.Momento_4.GrupoRx_A.Sexo_Mujer.Tipo_alondra..Estado_cansado"      
[23] "VG.Momento_4.GrupoRx_A.Sexo_Mujer.Tipo_colibri.Estado_cansado"       
[24] "XV.Momento_4.GrupoRx_A.Sexo_Mujer.Tipo_colibri.Estado_cansado"       
[25] "MF.Momento_4.GrupoRx_A.Sexo_Hombre.Tipo_colibri.Estado_cansado"      
[26] "IG..Momento_1.GrupoRx_A.Sexo_Hombre.Tipo_colibri.Estado_alerta"      
[27] "MZ.Momento_1.GrupoRx_A.Sexo_Mujer.Tipo_colibri.Estado_alerta"        
[28] "Paulina.Momento_1.GrupoRx_A.Sexo_Mujer.Tipo_alondra..Estado_alerta"  
[29] "Ricardo..Momento_1.GrupoRx_A.Sexo_Hombre.Tipo_alondra..Estado_alerta"
[30] "AO.Momento_1.GrupoRx_A.Sexo_Hombre.Tipo_colibri.Estado_cansado"      
[31] "CSF.Momento_1.GrupoRx_A.Sexo_Hombre.Tipo_buho.Estado_alerta"         
[32] "Daniela.Momento_1.GrupoRx_A.Sexo_Mujer.Tipo_colibri.Estado_cansado"  
[33] "IG..Momento_2.GrupoRx_B.Sexo_Hombre.Tipo_colibri.Estado_cansado"     
[34] "Ricardo..Momento_2.GrupoRx_B.Sexo_Hombre.Tipo_alondra..Estado_alerta"
[35] "AO.Momento_2.GrupoRx_B.Sexo_Hombre.Tipo_colibri.Estado_cansado"      
[36] "MZ.Momento_2.GrupoRx_B.Sexo_Mujer.Tipo_colibri.Estado_cansado"       
[37] "Paulina.Momento_2.GrupoRx_B.Sexo_Mujer.Tipo_alondra..Estado_cansado" 
[38] "CSF.Momento_2.GrupoRx_B.Sexo_Hombre.Tipo_buho.Estado_cansado"        
[39] "Daniela.Momento_2.GrupoRx_B.Sexo_Mujer.Tipo_colibri.Estado_alerta"   
[40] "IG..Momento_3.GrupoRx_B.Sexo_Hombre.Tipo_colibri.Estado_alerta"      
[41] "CSF.Momento_3.GrupoRx_B.Sexo_Hombre.Tipo_buho.Estado_alerta"         
[42] "Paulina.Momento_3.GrupoRx_B.Sexo_Mujer.Tipo_alondra..Estado_cansado" 
[43] "Daniela.Momento_3.GrupoRx_B.Sexo_Mujer.Tipo_colibri.Estado_alerta"   
[44] "AO.Momento_3.GrupoRx_B.Sexo_Hombre.Tipo_colibri.Estado_alerta"       
[45] "Ricardo..Momento_3.GrupoRx_B.Sexo_Hombre.Tipo_alondra..Estado_alerta"
[46] "MZ.Momento_3.GrupoRx_B.Sexo_Mujer.Tipo_colibri.Estado_alerta"        
[47] "IG..Momento_4.GrupoRx_A.Sexo_Hombre.Tipo_colibri.Estado_cansado"     
[48] "Daniela.Momento_4.GrupoRx_A.Sexo_Mujer.Tipo_colibri.Estado_alerta"   
[49] "Paulina.Momento_4.GrupoRx_A.Sexo_Mujer.Tipo_alondra..Estado_cansado" 
[50] "AO.Momento_4.GrupoRx_A.Sexo_Hombre.Tipo_colibri.Estado_cansado"      
[51] "Ricardo..Momento_4.GrupoRx_A.Sexo_Hombre.Tipo_alondra..Estado_alerta"
[52] "CSF.Momento_4.GrupoRx_A.Sexo_Hombre.Tipo_buho.Estado_alerta"         
[53] "MZ.Momento_4.GrupoRx_A.Sexo_Mujer.Tipo_colibri.Estado_cansado"       
[54] "Momento_.GrupoRx_.Sexo_.Tipo_.Estado_"                               

Kappas

Con cambio alerta-cansado

AO

kappa2(AO, "squared")

 Cohen's Kappa for 2 Raters (Weights: squared)

 Subjects = 25 
   Raters = 2 
    Kappa = -0.173 

        z = -1 
  p-value = 0.316 

kappam.fleiss(AO,  detail  = T)

 Fleiss' Kappa for m Raters

 Subjects = 25 
   Raters = 2 
    Kappa = -0.0516 

        z = -0.341 
  p-value = 0.733 

                       Kappa      z p.value
1. No presenta Caries -0.143 -0.717   0.473
2. Caries de Esmalte   0.242  1.212   0.225
3. Caries en Dentina  -0.163 -0.814   0.416

Carla

kappam.fleiss(Carla,  detail  = T)

 Fleiss' Kappa for m Raters

 Subjects = 25 
   Raters = 2 
    Kappa = 0.232 

        z = 1.61 
  p-value = 0.108 

                      Kappa     z p.value
1. No presenta Caries 0.280 1.400   0.162
2. Caries de Esmalte  0.342 1.711   0.087
3. Caries en Dentina  0.064 0.322   0.747

CP

kappa2(CP, "squared")

 Cohen's Kappa for 2 Raters (Weights: squared)

 Subjects = 25 
   Raters = 2 
    Kappa = 0.125 

        z = 0.637 
  p-value = 0.524 

kappam.fleiss(CP,  detail  = T)

 Fleiss' Kappa for m Raters

 Subjects = 25 
   Raters = 2 
    Kappa = 0.16 

        z = 1.13 
  p-value = 0.259 

                      Kappa     z p.value
1. No presenta Caries 0.198 0.989   0.323
2. Caries de Esmalte  0.198 0.989   0.323
3. Caries en Dentina  0.081 0.404   0.686

CSF

CSF <- parakappa %>% 
        select(CSF.Momento_2.GrupoRx_B.Sexo_Hombre.Tipo_buho.Estado_cansado, 
               CSF.Momento_3.GrupoRx_B.Sexo_Hombre.Tipo_buho.Estado_alerta)
kappa2(CP, "squared")

kappam.fleiss(CSF,  detail  = T)

Daniela

Daniela <- parakappa %>% 
        select(Daniela.Momento_1.GrupoRx_A.Sexo_Mujer.Tipo_colibri.Estado_cansado, 
               Daniela.Momento_4.GrupoRx_A.Sexo_Mujer.Tipo_colibri.Estado_alerta)
kappa2(Daniela, "squared")

kappam.fleiss(Daniela,  detail  = T)

IG 1

IG1 <- parakappa %>% 
        select(IG..Momento_1.GrupoRx_A.Sexo_Hombre.Tipo_colibri.Estado_alerta, 
               IG..Momento_4.GrupoRx_A.Sexo_Hombre.Tipo_colibri.Estado_cansado)
kappa2(IG1, "squared")

kappam.fleiss(IG1,  detail  = T)

IG 2

IG2 <- parakappa %>% 
        select(IG..Momento_2.GrupoRx_B.Sexo_Hombre.Tipo_colibri.Estado_cansado, 
               IG..Momento_3.GrupoRx_B.Sexo_Hombre.Tipo_colibri.Estado_alerta)
kappa2(IG2, "squared")

kappam.fleiss(IG2,  detail  = T)

MF1

MF1 <- parakappa %>% 
        select(MF.Momento_1.GrupoRx_A.Sexo_Hombre.Tipo_colibri.Estado_alerta,
               MF.Momento_4.GrupoRx_A.Sexo_Hombre.Tipo_colibri.Estado_cansado)
kappa2(MF1, "squared")

kappam.fleiss(MF1,  detail  = T)

MF2

MF2 <- parakappa %>% 
        select(MF.Momento_2.GrupoRx_B.Sexo_Hombre.Tipo_colibri.Estado_cansado, 
               MF.Momento_3.GrupoRx_B.Sexo_Hombre.Tipo_colibri.Estado_alerta)
kappa2(MF2, "squared")

kappam.fleiss(MF2,  detail  = T)

MZ1

MZ1 <- parakappa %>% 
        select(MZ.Momento_1.GrupoRx_A.Sexo_Mujer.Tipo_colibri.Estado_alerta, 
               MZ.Momento_4.GrupoRx_A.Sexo_Mujer.Tipo_colibri.Estado_cansado)
kappa2(MZ1, "squared")

kappam.fleiss(MZ1,  detail  = T)

MZ2

MZ2 <- parakappa %>% 
        select(MZ.Momento_2.GrupoRx_B.Sexo_Mujer.Tipo_colibri.Estado_cansado, 
               MZ.Momento_3.GrupoRx_B.Sexo_Mujer.Tipo_colibri.Estado_alerta)
kappa2(MZ2, "squared")

kappam.fleiss(MZ2,  detail  = T)

Paulina

Paulina <- parakappa %>% 
        select(Paulina.Momento_1.GrupoRx_A.Sexo_Mujer.Tipo_alondra..Estado_alerta, 
               Paulina.Momento_4.GrupoRx_A.Sexo_Mujer.Tipo_alondra..Estado_cansado)
kappa2(Paulina, "squared")

kappam.fleiss(Paulina,  detail  = T)

VG1

VG1 <- parakappa %>% 
        select(VG.Momento_1.GrupoRx_A.Sexo_Mujer.Tipo_colibri.Estado_alerta, 
               VG.Momento_4.GrupoRx_A.Sexo_Mujer.Tipo_colibri.Estado_cansado)
kappa2(VG1, "squared")

kappam.fleiss(VG1,  detail  = T)

VG2

VG2 <- parakappa %>% 
        select(VG.Momento_2.GrupoRx_B.Sexo_Mujer.Tipo_colibri.Estado_cansado, 
               VG.Momento_3.GrupoRx_B.Sexo_Mujer.Tipo_colibri.Estado_alerta)
kappa2(VG2, "squared")

kappam.fleiss(VG2,  detail  = T)

XS1

XS1 <- parakappa %>% 
        select(XS.Momento_1.GrupoRx_A.Sexo_Mujer.Tipo_alondra..Estado_alerta, 
               XS.Momento_4.GrupoRx_A.Sexo_Mujer.Tipo_alondra..Estado_cansado)
kappa2(XS1, "squared")

kappam.fleiss(XS1,  detail  = T)

XS2

XS2 <- parakappa %>% 
        select(XS.Momento_2.GrupoRx_B.Sexo_Mujer.Tipo_alondra..Estado_cansado, 
               XS.Momento_3.GrupoRx_B.Sexo_Mujer.Tipo_alondra..Estado_alerta)
kappa2(XS2, "squared")

kappam.fleiss(XS2,  detail  = T)

XV

kappa2(XV, "squared")

 Cohen's Kappa for 2 Raters (Weights: squared)

 Subjects = 25 
   Raters = 2 
    Kappa = 0.217 

        z = 1.09 
  p-value = 0.276 

kappam.fleiss(XV,  detail  = T)

 Fleiss' Kappa for m Raters

 Subjects = 25 
   Raters = 2 
    Kappa = 0.188 

        z = 1.29 
  p-value = 0.198 

                      Kappa     z p.value
1. No presenta Caries 0.000 0.000   1.000
2. Caries de Esmalte  0.167 0.833   0.405
3. Caries en Dentina  0.333 1.667   0.096

Cansados

AO Cansado

kappa2(AO_cansado, "squared")

 Cohen's Kappa for 2 Raters (Weights: squared)

 Subjects = 25 
   Raters = 2 
    Kappa = -0.241 

        z = -1.22 
  p-value = 0.223 

kappam.fleiss(AO_cansado,  detail  = T)

 Fleiss' Kappa for m Raters

 Subjects = 25 
   Raters = 2 
    Kappa = 0.0137 

        z = 0.0864 
  p-value = 0.931 

                       Kappa      z p.value
1. No presenta Caries -0.104 -0.518   0.605
2. Caries de Esmalte   0.206  1.032   0.302
3. Caries en Dentina  -0.111 -0.556   0.579

Carla Cansado

kappa2(Carla_cansado, "squared")

 Cohen's Kappa for 2 Raters (Weights: squared)

 Subjects = 25 
   Raters = 2 
    Kappa = -0.0375 

        z = -0.195 
  p-value = 0.846 

kappam.fleiss(Carla_cansado,  detail  = T)

Paulina Cansado

Paulina_cansado <- parakappa %>% 
        select(Paulina.Momento_2.GrupoRx_B.Sexo_Mujer.Tipo_alondra..Estado_cansado, 
               Paulina.Momento_3.GrupoRx_B.Sexo_Mujer.Tipo_alondra..Estado_cansado)
kappa2(Paulina_cansado, "squared")

kappam.fleiss(Paulina_cansado,  detail  = T)

Alertas

CP Alerta

kappa2(CP_alerta, "squared")

 Cohen's Kappa for 2 Raters (Weights: squared)

 Subjects = 25 
   Raters = 2 
    Kappa = -0.162 

        z = -0.819 
  p-value = 0.413 

kappam.fleiss(CP_alerta,  detail  = T)

 Fleiss' Kappa for m Raters

 Subjects = 25 
   Raters = 2 
    Kappa = -0.11 

        z = -0.768 
  p-value = 0.443 

                       Kappa      z p.value
1. No presenta Caries -0.299 -1.494   0.135
2. Caries de Esmalte  -0.048 -0.238   0.812
3. Caries en Dentina   0.064  0.322   0.747

CSF Alerta

kappa2(CSF_alerta, "squared")

 Cohen's Kappa for 2 Raters (Weights: squared)

 Subjects = 25 
   Raters = 2 
    Kappa = -0.243 

        z = -1.23 
  p-value = 0.22 

kappam.fleiss(CSF_alerta,  detail  = T)

Daniela Alerta

kappa2(Daniela_alerta, "squared")

 Cohen's Kappa for 2 Raters (Weights: squared)

 Subjects = 25 
   Raters = 2 
    Kappa = -0.111 

        z = -0.58 
  p-value = 0.562 

kappam.fleiss(Daniela_alerta,  detail  = T)

 Fleiss' Kappa for m Raters

 Subjects = 25 
   Raters = 2 
    Kappa = -0.0512 

        z = -0.336 
  p-value = 0.737 

                       Kappa      z p.value
1. No presenta Caries -0.047 -0.233   0.815
2. Caries de Esmalte   0.000  0.000   1.000
3. Caries en Dentina  -0.163 -0.814   0.416

Ricardo Alerta 1

Ricardo_alerta1 <- parakappa %>% 
        select(Ricardo..Momento_1.GrupoRx_A.Sexo_Hombre.Tipo_alondra..Estado_alerta, 
               Ricardo..Momento_4.GrupoRx_A.Sexo_Hombre.Tipo_alondra..Estado_alerta)
kappa2(Ricardo_alerta1, "squared")

kappam.fleiss(Ricardo_alerta1,  detail  = T)

Ricardo Alerta 2

kappa2(Ricardo_alerta2, "squared")

 Cohen's Kappa for 2 Raters (Weights: squared)

 Subjects = 25 
   Raters = 2 
    Kappa = -0.181 

        z = -0.907 
  p-value = 0.364 

kappam.fleiss(Ricardo_alerta2,  detail  = T)

 Fleiss' Kappa for m Raters

 Subjects = 25 
   Raters = 2 
    Kappa = -0.122 

        z = -0.686 
  p-value = 0.493 

                        Kappa      z p.value
1. No presenta Caries  -0.104 -0.518   0.605
1. No presenta Caries. -0.020 -0.102   0.919
2. Caries de Esmalte   -0.159 -0.793   0.428
3. Caries en Dentina   -0.020 -0.102   0.919

XV Alerta

kappa2(XV_alerta, "squared")

 Cohen's Kappa for 2 Raters (Weights: squared)

 Subjects = 25 
   Raters = 2 
    Kappa = -0.0703 

        z = -0.354 
  p-value = 0.723 

kappam.fleiss(XV_alerta,  detail  = T)

 Fleiss' Kappa for m Raters

 Subjects = 25 
   Raters = 2 
    Kappa = -0.0309 

        z = -0.206 
  p-value = 0.837 

                       Kappa      z p.value
1. No presenta Caries  0.107  0.536   0.592
2. Caries de Esmalte   0.000  0.000   1.000
3. Caries en Dentina  -0.136 -0.682   0.495

Cita paquetes

citation(package = "dplyr", lib.loc = NULL)

To cite package ‘dplyr’ in publications use:

  Hadley Wickham and Romain Francois (2015). dplyr: A Grammar of Data Manipulation. R package version 0.4.3.
  https://CRAN.R-project.org/package=dplyr

A BibTeX entry for LaTeX users is

  @Manual{,
    title = {dplyr: A Grammar of Data Manipulation},
    author = {Hadley Wickham and Romain Francois},
    year = {2015},
    note = {R package version 0.4.3},
    url = {https://CRAN.R-project.org/package=dplyr},
  }

citation(package = "tidyr", lib.loc = NULL)

To cite package ‘tidyr’ in publications use:

  Hadley Wickham (2016). tidyr: Easily Tidy Data with `spread()` and `gather()` Functions. R package version 0.6.0.
  https://CRAN.R-project.org/package=tidyr

A BibTeX entry for LaTeX users is

  @Manual{,
    title = {tidyr: Easily Tidy Data with `spread()` and `gather()` Functions},
    author = {Hadley Wickham},
    year = {2016},
    note = {R package version 0.6.0},
    url = {https://CRAN.R-project.org/package=tidyr},
  }

citation(package = "irr", lib.loc = NULL)

To cite package ‘irr’ in publications use:

  Matthias Gamer, Jim Lemon and Ian Fellows Puspendra Singh <puspendra.pusp22@gmail.com> (2012). irr: Various
  Coefficients of Interrater Reliability and Agreement. R package version 0.84.
  https://CRAN.R-project.org/package=irr

A BibTeX entry for LaTeX users is

  @Manual{,
    title = {irr: Various Coefficients of Interrater Reliability and Agreement},
    author = {Matthias Gamer and Jim Lemon and Ian Fellows Puspendra Singh <puspendra.pusp22@gmail.com>},
    year = {2012},
    note = {R package version 0.84},
    url = {https://CRAN.R-project.org/package=irr},
  }

ATTENTION: This citation information has been auto-generated from the package DESCRIPTION file and may need manual
editing, see ‘help("citation")’.