2018_tesis_nivel conocimiento radiología

los paquetes

library("ggsignif")

package 'ggsignif' was built under R version 3.4.1

Cargo .csv

df <- read.csv("ricardo.csv", header = TRUE, sep=",")

summary de mis datos

summary(df)

       X.                 Sede          ano          conocimiento
 Min.   :   1   concepcion  :376   cuarto :348   adecuado  :409  
 1st Qu.: 298   puerto montt:182   docente:258   inadecuado:780  
 Median : 595   santiago    :512   quinto :400                   
 Mean   : 595   valdivia    :119   sexto  :183                   
 3rd Qu.: 892                                                    
 Max.   :1189                                                    

Grafico año y conocimiento

df1 <- read.csv("Resumen resultados.csv", header = TRUE, sep=",")
summary(df1)

       X.                 Sede          ano          conocimiento   correctas     
 Min.   :   1   concepcion  :376   cuarto :348   adecuado  :409   Min.   : 2.000  
 1st Qu.: 298   puerto montt:182   docente:258   inadecuado:780   1st Qu.: 6.000  
 Median : 595   santiago    :512   quinto :400                    Median : 8.000  
 Mean   : 595   valdivia    :119   sexto  :183                    Mean   : 7.736  
 3rd Qu.: 892                                                     3rd Qu.: 9.000  
 Max.   :1189                                                     Max.   :12.000  

Agrupo por año y calculo media y DE de respuestas correctas, según nivel de formación

df1 %>% 
group_by(ano) %>% 
  summarise(n = n(), media= mean(correctas), DE = sd(correctas)) %>% 
  ungroup()

Agrupo por sede y calculo media y DE de respuestas correctas, según sedes

df1 %>% 
group_by(Sede) %>% 
  summarise(n = n(), media= mean(correctas), DE = sd(correctas)) %>% 
  ungroup()

df1 %>% 
  ggplot(aes(x = ano , y = conocimiento, fill = conocimiento)) + 
  geom_col() + 
  coord_flip() +
  xlab("Nivel de formacion") + 
  ylab("Grado de conocimiento") + 
  ggtitle("Grado de conocimiento alcanzado segun nivel de formacion") + 
  theme_economist() + 
  theme(legend.position = "right")+
  scale_fill_discrete(name="Grado de conocimiento", labels=c("Adecuado","Inadecuado"))+
  scale_fill_manual(values=c("blue", "red"))

Scale for 'fill' is already present. Adding another scale for 'fill', which will replace the
existing scale.

Grafico boxplot por año y nivel de conocimiento por sede

Grafico boxplot por sede y nivel de conocimiento por año

Visualizo mis datos en grafico para año y nivel de conocimiento(resp.correctas)

ANOVA para respuesta correctas (conocimiento) por nivel de formacion

summary(anova)

              Df Sum Sq Mean Sq F value  Pr(>F)    
ano            3    206   68.76   19.18 3.8e-12 ***
Residuals   1185   4249    3.59                    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

El tukey del anova

TukeyHSD(anova)

  Tukey multiple comparisons of means
    95% family-wise confidence level

Fit: aov(formula = correctas ~ ano, data = df1)

$ano
                     diff        lwr        upr     p adj
docente-cuarto  0.8914060  0.4911888  1.2916233 0.0000001
quinto-cuarto  -0.2200862 -0.5771864  0.1370140 0.3872328
sexto-cuarto    0.2530149 -0.1918120  0.6978418 0.4601540
quinto-docente -1.1114922 -1.5004765 -0.7225080 0.0000000
sexto-docente  -0.6383912 -1.1091981 -0.1675842 0.0028303
sexto-quinto    0.4731011  0.0383530  0.9078492 0.0266776

ANOVA para grado conocimiento y sedes

summary(aov2)

              Df Sum Sq Mean Sq F value  Pr(>F)   
Sede           3     45  14.920   4.009 0.00748 **
Residuals   1185   4410   3.722                   
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

TukeyHSD(aov2)

  Tukey multiple comparisons of means
    95% family-wise confidence level

Fit: aov(formula = correctas ~ Sede, data = df1)

$Sede
                                diff        lwr           upr     p adj
puerto montt-concepcion  0.107815057 -0.3403614  0.5559915339 0.9260622
santiago-concepcion     -0.336145279 -0.6732301  0.0009395094 0.0509550
valdivia-concepcion      0.104259789 -0.4177718  0.6262913632 0.9558067
santiago-puerto montt   -0.443960337 -0.8722826 -0.0156380860 0.0388189
valdivia-puerto montt   -0.003555268 -0.5886627  0.5815522090 0.9999986
valdivia-santiago        0.440405068 -0.0646838  0.9454939323 0.1123476

Para datos categoricos, adecuado/inadecuado por nivel de formacion

gradopornivel

         
          adecuado inadecuado
  cuarto       115        233
  docente      131        127
  quinto       102        298
  sexto         61        122

chisq.test(gradopornivel)

    Pearson's Chi-squared test

data:  gradopornivel
X-squared = 45.073, df = 3, p-value = 8.927e-10