EXPLORACIÓN BIVARIADA
SESIÓN 6 - EXPLORACIÓN BIVARIADA
Apuntes de Hugo: http://rpubs.com/HUGO-ALONSO-VALVERDE/544746
EXPLORACIÓN BIVARIADA
Combina todas las categorías posibles.
VARIABLE CATEGÓRICA - NUMÉRICA
- CARGA DE DATA
library(rio)
linkGIT="https://github.com/JoseManuelMagallanes/Estadistica_Para_AnalisisPolitico/raw/master/hsb.sav"
data=import(linkGIT)
str(data,strict.width = 'cut',witch=50)## 'data.frame': 600 obs. of 15 variables:
## $ ID : num 1 2 3 4 5 6 7 8 9 10 ...
## ..- attr(*, "format.spss")= chr "F5.0"
## $ SEX : num 2 1 2 2 2 1 1 2 1 2 ...
## ..- attr(*, "format.spss")= chr "F5.0"
## $ RACE : num 2 2 2 2 2 2 2 2 2 2 ...
## ..- attr(*, "format.spss")= chr "F5.0"
## $ SES : num 1 1 1 2 2 2 1 1 2 1 ...
## ..- attr(*, "format.spss")= chr "F5.0"
## $ SCTYP : num 1 1 1 1 1 1 1 1 1 1 ...
## ..- attr(*, "format.spss")= chr "F5.0"
## $ HSP : num 3 2 2 3 3 2 1 1 1 1 ...
## ..- attr(*, "format.spss")= chr "F5.0"
## $ LOCUS : num 0.29 -0.42 0.71 0.06 0.22 0.46 0.44 0.68 0.06 0.05 ...
## ..- attr(*, "format.spss")= chr "F5.2"
## $ CONCPT: num 0.88 0.03 0.03 0.03 -0.28 0.03 -0.47 0.25 0.56 0.15 ...
## ..- attr(*, "format.spss")= chr "F5.2"
## $ MOT : num 0.67 0.33 0.67 0 0 0 0.33 1 0.33 1 ...
## ..- attr(*, "format.spss")= chr "F5.2"
## $ CAR : num 10 2 9 15 1 11 10 9 9 11 ...
## ..- attr(*, "format.spss")= chr "F5.0"
## $ RDG : num 33.6 46.9 41.6 38.9 36.3 49.5 62.7 44.2 46.9 44.2 ...
## ..- attr(*, "format.spss")= chr "F5.2"
## $ WRTG : num 43.7 35.9 59.3 41.1 48.9 46.3 64.5 51.5 41.1 49.5 ...
## ..- attr(*, "format.spss")= chr "F5.2"
## $ MATH : num 40.2 41.9 41.9 32.7 39.5 46.2 48 36.9 45.3 40.5 ...
## ..- attr(*, "format.spss")= chr "F5.2"
## $ SCI : num 39 36.3 44.4 41.7 41.7 41.7 63.4 49.8 47.1 39 ...
## ..- attr(*, "format.spss")= chr "F5.2"
## $ CIV : num 40.6 45.6 45.6 40.6 45.6 35.6 55.6 55.6 55.6 50.6 ...
## ..- attr(*, "format.spss")= chr "F5.2"- FORMATEAR
Lea la metadata,y de formato:
data$ID=as.character(data$ID) #queremos cambiar a chr esos números
data[,c(2,3,5,6,10)]=lapply(data[,c(2,3,5,6,10)],as.factor) #queremos cambiar a texto esos números
data$SES=as.ordered(data$SES) #queremos volver ordinal la categoría socioeconómicaAhora:
str(data,strict.width="cut",width=50)## 'data.frame': 600 obs. of 15 variables:
## $ ID : chr "1" "2" "3" "4" ...
## $ SEX : Factor w/ 2 levels "1","2": 2 1 2 2 2..
## $ RACE : Factor w/ 4 levels "1","2","3","4": 2..
## $ SES : Ord.factor w/ 3 levels "1"<"2"<"3": 1..
## $ SCTYP : Factor w/ 2 levels "1","2": 1 1 1 1 1..
## $ HSP : Factor w/ 3 levels "1","2","3": 3 2 2..
## $ LOCUS : num 0.29 -0.42 0.71 0.06 0.22 0.46 0..
## ..- attr(*, "format.spss")= chr "F5.2"
## $ CONCPT: num 0.88 0.03 0.03 0.03 -0.28 0.03 -..
## ..- attr(*, "format.spss")= chr "F5.2"
## $ MOT : num 0.67 0.33 0.67 0 0 0 0.33 1 0.33..
## ..- attr(*, "format.spss")= chr "F5.2"
## $ CAR : Factor w/ 17 levels "1","2","3","4",...
## $ RDG : num 33.6 46.9 41.6 38.9 36.3 49.5 62..
## ..- attr(*, "format.spss")= chr "F5.2"
## $ WRTG : num 43.7 35.9 59.3 41.1 48.9 46.3 64..
## ..- attr(*, "format.spss")= chr "F5.2"
## $ MATH : num 40.2 41.9 41.9 32.7 39.5 46.2 48..
## ..- attr(*, "format.spss")= chr "F5.2"
## $ SCI : num 39 36.3 44.4 41.7 41.7 41.7 63.4..
## ..- attr(*, "format.spss")= chr "F5.2"
## $ CIV : num 40.6 45.6 45.6 40.6 45.6 35.6 55..
## ..- attr(*, "format.spss")= chr "F5.2"Tarea: Analizar READING y SCIENCE, por sexo y nivel socioeconómico. Escribir conclusiones.
I. READING
significativa cuando la prob. es menor que 0.5.
I.1 RDG y SEX
f1=formula(RDG ~ SEX)
aggregate(f1, data,mean) ## SEX RDG
## 1 1 52.36300
## 2 2 51.51682library(knitr)
tablag= aggregate(f1, data,
FUN = function(x) {y <- shapiro.test(x); c(y$statistic, y$p.value)})
# para que se vea mejor:
library(knitr)
shapiroTest=as.data.frame(tablag[,2])
names(shapiroTest)=c("W","Prob")
kable(cbind(tablag[1],shapiroTest))| SEX | W | Prob |
|---|---|---|
| 1 | 0.9784886 | 0.0003866 |
| 2 | 0.9824176 | 0.0004953 |
library(ggpubr)## Loading required package: ggplot2## Loading required package: magrittrggqqplot(data=data,x="RDG") + facet_grid(. ~ SEX)
Como no hay normalidad, vamos por camino NO parametrico:
PRUEBA NO PARAMÉTRICA:
wilcox sirve SOLO para variables de dos valores (ejm: hombre mujer) notch es la apertura son los dientes ( >< >< ><), si se separan la diferencia es significativo, si se juntan no.
wilcox.test(f1,data)##
## Wilcoxon rank sum test with continuity correction
##
## data: RDG by SEX
## W = 46426, p-value = 0.3962
## alternative hypothesis: true location shift is not equal to 0ggplot(data=data, aes(x=SEX, y=RDG)) + geom_boxplot(notch = T)
Concluyendo que NO hay diferencia de medias.
I.2 RDG y SES
PRUEBA PARAMÉTRICA:
kruskal.test cuando hay DOS O MÁS VARIABLES
f2=formula(RDG ~ SES)
aggregate(f2, data,mean) ## SES RDG
## 1 1 47.33597
## 2 2 51.92542
## 3 3 55.77593library(knitr)
tablag=aggregate(f2, data,
FUN = function(x) {y <- shapiro.test(x); c(y$statistic, y$p.value)})
# para que se vea mejor:
shapiroTest=as.data.frame(tablag[,2])
names(shapiroTest)=c("W","Prob")
kable(cbind(tablag[1],shapiroTest))| SES | W | Prob |
|---|---|---|
| 1 | 0.9533579 | 0.0001203 |
| 2 | 0.9841816 | 0.0022243 |
| 3 | 0.9814021 | 0.0282263 |
Aqui lo puedes graficar:
library(ggpubr)
ggqqplot(data=data,x="RDG") + facet_grid(. ~ SES)
Opcion No Paramétrica para politomica:
kruskal.test(f2,data)##
## Kruskal-Wallis rank sum test
##
## data: RDG by SES
## Kruskal-Wallis chi-squared = 52.583, df = 2, p-value = 3.818e-12e-12 = 10 a la menos doce
Mismo resultado.
Visualmente:
ggplot(data=data, aes(x=SES, y=RDG)) + geom_boxplot(notch = T)
El valor medio que se alejaria seria el SES=1 de todos los demas.
I. SCIENCE
I.1 SCI y SEX
f1=formula(SCI ~ SEX)
aggregate(f1, data,mean) ## SEX SCI
## 1 1 53.23004
## 2 2 50.53884library(knitr)
tablag=aggregate(f1, data,
FUN = function(x) {y <- shapiro.test(x); c(y$statistic, y$p.value)})
# para que se vea mejor:
shapiroTest=as.data.frame(tablag[,2])
names(shapiroTest)=c("W","Prob")
kable(cbind(tablag[1],shapiroTest))| SEX | W | Prob |
|---|---|---|
| 1 | 0.9787394 | 0.0004268 |
| 2 | 0.9798800 | 0.0001525 |
Aqui lo puedes graficar:
library(ggpubr)
ggqqplot(data=data,x="SCI") + facet_grid(. ~ SEX)
Como no hay normalidad, vamos por camino NO parametrico:
wilcox.test(f1,data)##
## Wilcoxon rank sum test with continuity correction
##
## data: SCI by SEX
## W = 51631, p-value = 0.0009173
## alternative hypothesis: true location shift is not equal to 0Visualmente:
ggplot(data=data, aes(x=SEX, y=SCI)) + geom_boxplot(notch = T)
Concluyendo que SI hay diferencia de medias.
I.2 SCI y SES
f2=formula(SCI ~ SES)
aggregate(f2, data,mean) ## SES SCI
## 1 1 47.30576
## 2 2 51.93010
## 3 3 55.28025library(knitr)
tablag=aggregate(f2, data,
FUN = function(x) {y <- shapiro.test(x); c(y$statistic, y$p.value)})
# para que se vea mejor:
shapiroTest=as.data.frame(tablag[,2])
names(shapiroTest)=c("W","Prob")
kable(cbind(tablag[1],shapiroTest))| SES | W | Prob |
|---|---|---|
| 1 | 0.9773277 | 0.0205115 |
| 2 | 0.9833695 | 0.0015284 |
| 3 | 0.9574177 | 0.0000744 |
Aqui lo puedes graficar:
library(ggpubr)
ggqqplot(data=data,x="SCI") + facet_grid(. ~ SES)
Ningun grupo es normal. Vamos por no parametrico:
- Opcion No Paramétrica para politomica:
kruskal.test(f2,data)##
## Kruskal-Wallis rank sum test
##
## data: SCI by SES
## Kruskal-Wallis chi-squared = 52.806, df = 2, p-value = 3.415e-12Hay diferencias!
Visualmente:
ggplot(data=data, aes(x=SES, y=SCI)) + geom_boxplot(notch = T)
Los tres grupos se diferencian.
EXPLORACION BIVARIADA DESDE TABLAS WEB
1. Carga de data:
Para esta sesión usaremos estos datos:
Traigamosla desde Google:
link="https://docs.google.com/spreadsheets/d/e/2PACX-1vQ_VNceU6ncsQs-_KFvkQsv2XqYKRCMyRYCDYQFosH5bo6Yt-l1gE8ZRdP44m4Rh8lQB2nOY-Y-p0ZP/pub?gid=0&single=true&output=csv"
hsb=read.csv(link, stringsAsFactors = F)2. EXPLOREMOS
¿Qué tenemos?
Esto es lo R ha traido:
str(hsb)## 'data.frame': 600 obs. of 15 variables:
## $ ID : int 1 2 3 4 5 6 7 8 9 10 ...
## $ SEX : int 2 1 2 2 2 1 1 2 1 2 ...
## $ RACE : int 2 2 2 2 2 2 2 2 2 2 ...
## $ SES : int 1 1 1 2 2 2 1 1 2 1 ...
## $ SCTYP : int 1 1 1 1 1 1 1 1 1 1 ...
## $ HSP : int 3 2 2 3 3 2 1 1 1 1 ...
## $ LOCUS : num 0.29 -0.42 0.71 0.06 0.22 0.46 0.44 0.68 0.06 0.05 ...
## $ CONCPT: num 0.88 0.03 0.03 0.03 -0.28 0.03 -0.47 0.25 0.56 0.15 ...
## $ MOT : num 0.67 0.33 0.67 0 0 0 0.33 1 0.33 1 ...
## $ CAR : int 10 2 9 15 1 11 10 9 9 11 ...
## $ RDG : num 33.6 46.9 41.6 38.9 36.3 49.5 62.7 44.2 46.9 44.2 ...
## $ WRTG : num 43.7 35.9 59.3 41.1 48.9 46.3 64.5 51.5 41.1 49.5 ...
## $ MATH : num 40.2 41.9 41.9 32.7 39.5 46.2 48 36.9 45.3 40.5 ...
## $ SCI : num 39 36.3 44.4 41.7 41.7 41.7 63.4 49.8 47.1 39 ...
## $ CIV : num 40.6 45.6 45.6 40.6 45.6 35.6 55.6 55.6 55.6 50.6 ...3. PRE PROCESAMIENTO:
No se puede empezar el análisis sin adecuar la data a la metadata
La data tiene que reformatearse segun lo que indica la metadata:
Los cambios que se necesitan son:
# id como texto (pues no es variable, sino "identificador")
hsb$ID=as.character(hsb$ID)
# estas variables como CATEGORICAS NOMINALES
hsb[,c(2,3,5,6,10)]=lapply(hsb[,c(2,3,5,6,10)],as.factor)
# estas variables como CATEGORICAS ORDINALES
hsb$HSP=as.ordered(hsb$HSP)Note que el formateo NO INCLUYO RECODIFICACIÓN. La recodificación es necesaria cuando la variable categórica presenta etiquetas como categorías (vera ese caso cuando trabaje el Indice de Democracia, para las variables tipo de regimen y continente).
Note además que NO todas las columnas serán variables, otras sera identificadores o claves o keys. Los identificadores deben permanecer como texto (char).
Ahora veamos nueva estructura:
str(hsb,strict.width="cut",width=50)## 'data.frame': 600 obs. of 15 variables:
## $ ID : chr "1" "2" "3" "4" ...
## $ SEX : Factor w/ 2 levels "1","2": 2 1 2 2 2..
## $ RACE : Factor w/ 4 levels "1","2","3","4": 2..
## $ SES : int 1 1 1 2 2 2 1 1 2 1 ...
## $ SCTYP : Factor w/ 2 levels "1","2": 1 1 1 1 1..
## $ HSP : Ord.factor w/ 3 levels "1"<"2"<"3": 3..
## $ LOCUS : num 0.29 -0.42 0.71 0.06 0.22 0.46 0..
## $ CONCPT: num 0.88 0.03 0.03 0.03 -0.28 0.03 -..
## $ MOT : num 0.67 0.33 0.67 0 0 0 0.33 1 0.33..
## $ CAR : Factor w/ 17 levels "1","2","3","4",...
## $ RDG : num 33.6 46.9 41.6 38.9 36.3 49.5 62..
## $ WRTG : num 43.7 35.9 59.3 41.1 48.9 46.3 64..
## $ MATH : num 40.2 41.9 41.9 32.7 39.5 46.2 48..
## $ SCI : num 39 36.3 44.4 41.7 41.7 41.7 63.4..
## $ CIV : num 40.6 45.6 45.6 40.6 45.6 35.6 55..4. Probando HIPOTESIS a nivel bivariado
Lo clave para probar hipotesis es saber la hipótesis nula de la prueba estadística que le toque hacer.
la prueba estadística depende de saber si la variable numérica a analizar se distribuye normalmente:
Por ejemplo, para todos nuestros ejemplos, usaremos a MATH como nuestra variable numérica de interés. Veamos la distribuición de esta variable:
library(ggplot2)
base=ggplot(data=hsb, aes(x=MATH))
base + geom_histogram(bins = 20)
Usaremos tests y graficas para comprobar si MATH se distribuye (u otra variabe numerica) tiene una distribución sufientemente cercana a la normal. El test de normalidad a utilizar será el de Shapiro Wilk, cuya hipotesis nula es que la variable se distribuye normalmente. Recuerda que si hay normalidad se usarán técnicas paramétricas, si no la hay, las NO paramétricas.
IMPORTANTE: Todas las hipotesis nulas serán rechazadas si el test aplicado nos devuelve un p-valor (p-value / prob) menor a 0.05. Cuando un test de hipotesis tiene ese valor, se dice que significativo.
a. Tipo 1: NUM-DICO
Aqui plantearemos hipótesis entre una variable numerica y una variable categorica dicotómica (solo dos niveles).
- HIPOTESIS NULA o H0: Los promedios de las variable numerica en cada grupo de la dicotómica no se diferencian.
Si tenemos que estos son los promedios de matematicas para hombres y mujeres:
f1=formula(MATH ~ SEX)
aggregate(f1, hsb,mean) ## SEX MATH
## 1 1 52.34542
## 2 2 51.43456Podemos inferir que a los hombres les va mejor en MATH?
- Paso 1: Decidiendo si es no no paramétrico
Usemos el método gráfico:
library(ggpubr)
ggqqplot(data=hsb,x="MATH") + facet_grid(. ~ SEX)
Si los puntos se alejan mucho de la diagonal, se aleja de la normalidad.
Como es dificil hacerlo visualmente siempre, podemos usar el test de Shapiro-Wilk, que nos reporta la probabilidad que los datos tengan esa distribución.
# funcion ad-hoc
normalidadTest=function(x) {y =shapiro.test(x);
c(y$statistic, y$p.value)}
# calculando
resultado= aggregate(f1, hsb,
FUN = normalidadTest)
# mostrando resultado
library(knitr)
shapiroTest=as.data.frame(resultado[,2])
names(shapiroTest)=c("SW_Statistic","Probabilidad")
kable(cbind(resultado[1],shapiroTest))| SEX | SW_Statistic | Probabilidad |
|---|---|---|
| 1 | 0.9837903 | 0.0034565 |
| 2 | 0.9790040 | 0.0001031 |
El test nos dice que la probabilidad que la variable MATH se comporte como la curva normal es muy baja (considera bajo si es menor a 0.05). Se rechaza la hipótesis que MATH tiene distribución normal en cada nivel de SEXO.
2. Aplicando TEST para aceptar o rechazar la H0:
Ya sabemos que lo que corresponde utilizar, si ya sabemos que no es NORMAL, es alguna prueba no paramétrica que me informe si los promedios difieren segun grupo. Pero veamos ambos tipos de pruebas:
- Opcion Paramétrica para dicotómica:
Si hay normalidad usa la prueba t:
t.test(f1,hsb)##
## Welch Two Sample t-test
##
## data: MATH by SEX
## t = 1.1722, df = 560.59, p-value = 0.2416
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -0.6154067 2.4371360
## sample estimates:
## mean in group 1 mean in group 2
## 52.34542 51.43456Esta prueba informa la probabilidad que la media de MATH sea la misma en ambos grupos de SEX. Como ves, el p-value es mayor a 0.05, por lo que aceptamos la H0 de la prueba t.
- Opcion No Paramétrica para dicotómica:
Si no hay normalidad usa la prueba Mann-Whitney:
# el test de wilcoxon devuelve Mann-Whitney
# al recibir "f1"
wilcox.test(f1,hsb)##
## Wilcoxon rank sum test with continuity correction
##
## data: MATH by SEX
## W = 46789, p-value = 0.3086
## alternative hypothesis: true location shift is not equal to 0Igualmente, el p-value sale NO signficativo. SE acepta la H0 del Mann-Whitney.
b. Tipo 2: NUM-POLI
Aqui plantearemos hipótesis entre una variable numerica y una variable categorica politómica (más de dos niveles).
- HIPOTESIS NULA o H0: Los promedios de las variable numerica en cada grupo de la politómica no se diferencian. Si tenemos que estos son los promedios de matematicas según programa escolar:
f2=formula(MATH ~ HSP)
aggregate(f2, hsb,mean) ## HSP MATH
## 1 1 55.81071
## 2 2 49.09172
## 3 3 46.26803Podemos inferir que a los alumnos del programa general les va mejor en MATH?
1. Paso 1: Decidiendo si es no no paramétrico
Usemos el método gráfico:
library(ggpubr)
ggqqplot(data=hsb,x="MATH") + facet_grid(. ~ HSP)
Ahora hagamos el test de Shapiro Wilk
# calculando
resultado= aggregate(f2, hsb,
FUN = normalidadTest)
# mostrando resultado
library(knitr)
shapiroTest=as.data.frame(resultado[,2])
names(shapiroTest)=c("SW_Statistic","Probabilidad")
kable(cbind(resultado[1],shapiroTest))| HSP | SW_Statistic | Probabilidad |
|---|---|---|
| 1 | 0.9888836 | 0.0187048 |
| 2 | 0.9810514 | 0.0423975 |
| 3 | 0.9512192 | 0.0000496 |
Como al menos una tiene probabilidad menor a 0.05, debemos ir por el camino no paramétrico.
2. Aplicando TEST para aceptar o rechazar la H0:
- Opcion Paramétrica para politomica:
Aquí corresponde la pruea F de Schnedecor, conocida tambien como one-way ANOVA:
summary(aov(f2, data=hsb))## Df Sum Sq Mean Sq F value Pr(>F)
## HSP 2 10515 5258 73.72 <2e-16 ***
## Residuals 597 42579 71
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Los astericos indican si el H0 es significativo. Podemos rechazarlo, de ahi que al menos un promedio difiere de los demás. Tratemos de detectar las diferencias:
library(ggpubr)
ggerrorplot(hsb, x = "HSP",
y = "MATH",
desc_stat = "mean_ci"
)
El nivel 1 se diferenciaría de los demás.
- Opcion No Paramétrica para politomica:
Aquí puedes usar la prueba de Kruskal-Wallis:
kruskal.test(f2,hsb)##
## Kruskal-Wallis rank sum test
##
## data: MATH by HSP
## Kruskal-Wallis chi-squared = 121.26, df = 2, p-value < 2.2e-16Aqui no muestra asteriscos, pero la probabilidad (p-value) es también menor a 0.05.
Visualmente:
ggplot(data=hsb, aes(x=HSP, y=MATH)) + geom_boxplot(notch = T)
En este caso, se ha puesto un ‘notch’ al boxplot. Si los notches se intersectan, se asume igualdad de medianas, de ahí que la opcion 1 es diferente a las demás.
Tarea: Analizar WRITING, por sexo y nivel socioeconómico. Escribir conclusiones.
SESIÓN 7 - PRÁCTICA DIRIGIDA DE EXPLORACIÓN BIVARIADA
CARGANDO Y PRE PROCESANDO LA DATA
library(htmltab)
link='https://en.wikipedia.org/wiki/Democracy_Index'
path='//*[@id="mw-content-text"]/div/table[2]'
demo=htmltab(doc = link, which = path)
names(demo)## [1] "Rank >> Rank"
## [2] "Country >> Country"
## [3] "Score >> Score"
## [4] "Electoral processand pluralism >> Electoral processand pluralism"
## [5] "Functioning ofgovernment >> Functioning ofgovernment"
## [6] "Politicalparticipation >> Politicalparticipation"
## [7] "Politicalculture >> Politicalculture"
## [8] "Civilliberties >> Civilliberties"
## [9] "Regimetype >> Regimetype"
## [10] "Continent >> Continent"- Mejorando nombres
newNames=c("Rank","Country","Score","Electoral","Functioning","Participation","Culture","Civilliberties","RegimeType","Continent")
names(demo)=newNames
str(demo)## 'data.frame': 167 obs. of 10 variables:
## $ Rank : chr "1" "2" "3" "4" ...
## $ Country : chr " Norway" " Iceland" " Sweden" " New Zealand" ...
## $ Score : chr "9.87" "9.58" "9.39" "9.26" ...
## $ Electoral : chr "10.00" "10.00" "9.58" "10.00" ...
## $ Functioning : chr "9.64" "9.29" "9.64" "9.29" ...
## $ Participation : chr "10.00" "8.89" "8.33" "8.89" ...
## $ Culture : chr "10.00" "10.00" "10.00" "8.13" ...
## $ Civilliberties: chr "9.71" "9.71" "9.41" "10.00" ...
## $ RegimeType : chr "Full democracy" "Full democracy" "Full democracy" "Full democracy" ...
## $ Continent : chr "Europe" "Europe" "Europe" "Oceania" ...Mejorando datos con problemas de formato
- Evitando los espacios en blanco:
# siempre que venga como texto, eliminar espacios en blanco
demo[,]=lapply(demo[,],trimws,whitespace= '[\\h\\v]')- Convirtiendo en variabe catégorica nominal:
demo$Continent=as.factor(demo$Continent)Convirtiendo en variable categórica ordinal:
Viendo niveles (levels)
table(demo$RegimeType)##
## Authoritarian Flawed democracy Full democracy Hybrid regime
## 53 55 20 39- Ajustando niveles:
ordenOK=c('Authoritarian','Hybrid regime','Flawed democracy','Full democracy')
demo$RegimeType=ordered(demo$RegimeType,levels=ordenOK)- Convirtiendo en variable numérica:
demo[,-c(2,9,10)]=lapply(demo[,-c(2,9,10)],as.numeric)- Explorando valores perdidos:
demo[!complete.cases(demo),]## [1] Rank Country Score Electoral
## [5] Functioning Participation Culture Civilliberties
## [9] RegimeType Continent
## <0 rows> (or 0-length row.names)- Desechar columna con perdidos (si no fuera importante)
demo$Rank=NULL- Pedir resumen estadístico:
summary(demo)## Country Score Electoral Functioning
## Length:167 Min. :1.080 Min. : 0.000 Min. :0.000
## Class :character 1st Qu.:3.545 1st Qu.: 3.000 1st Qu.:2.860
## Mode :character Median :5.690 Median : 6.580 Median :5.000
## Mean :5.479 Mean : 5.903 Mean :4.885
## 3rd Qu.:7.175 3rd Qu.: 9.170 3rd Qu.:6.790
## Max. :9.870 Max. :10.000 Max. :9.640
## Participation Culture Civilliberties RegimeType
## Min. : 1.11 Min. : 1.250 Min. : 0.000 Authoritarian :53
## 1st Qu.: 3.89 1st Qu.: 4.380 1st Qu.: 3.530 Hybrid regime :39
## Median : 5.56 Median : 5.630 Median : 5.880 Flawed democracy:55
## Mean : 5.25 Mean : 5.594 Mean : 5.768 Full democracy :20
## 3rd Qu.: 6.67 3rd Qu.: 6.250 3rd Qu.: 8.240
## Max. :10.00 Max. :10.000 Max. :10.000
## Continent
## Africa :50
## Asia :42
## Europe :45
## North America:14
## Oceania : 4
## South America:12PREGUNTAS
1) Analizar la relacion entre el score (indice) y el continente
Determinando tipo de relación: A partir del resumen estadístico se determina que es Numerica - Categórica
Determinando si la variable numerica se comporta de manera normal:
library(ggpubr)
ggqqplot(data=demo,x="Score") + facet_grid(. ~ Continent)
2) Analizar la relacion entre Continente y Tipo de Regimen
Determinando tipo de relación: A partir del resumen estadístico se determina que es Categórica - Categórica
Construir tabla de contingencia:
Columna=demo$Continent
Fila=demo$RegimeType
(t=table(Fila,Columna))## Columna
## Fila Africa Asia Europe North America Oceania South America
## Authoritarian 26 20 4 2 0 1
## Hybrid regime 15 9 9 4 1 1
## Flawed democracy 8 13 18 6 1 9
## Full democracy 1 0 14 2 2 1Mostrar porcentajes:
# marginal por columna (suma 1 por columna, no por fila)
prop_t=prop.table(t,margin = 2)
round(prop_t,2)## Columna
## Fila Africa Asia Europe North America Oceania South America
## Authoritarian 0.52 0.48 0.09 0.14 0.00 0.08
## Hybrid regime 0.30 0.21 0.20 0.29 0.25 0.08
## Flawed democracy 0.16 0.31 0.40 0.43 0.25 0.75
## Full democracy 0.02 0.00 0.31 0.14 0.50 0.08library("gplots")##
## Attaching package: 'gplots'## The following object is masked from 'package:stats':
##
## lowess# nota que uso la funcion "t()":
balloonplot(t(prop_t), main ="Tabla",
label = T, show.margins = FALSE)
- Determinar si hay indepencia entre las variables estadistica:
chisq.test(t,simulate.p.value = T)##
## Pearson's Chi-squared test with simulated p-value (based on 2000
## replicates)
##
## data: t
## X-squared = 64.445, df = NA, p-value = 0.0004998- Si no hay independencia, calcular intensidad:
library(oii)
association.measures(Fila,Columna)## Chi-square-based measures of association:
## Phi: 0.621
## Contingency coefficient: 0.528
## Cramer's V: 0.359
##
## Ordinal measures of association:
## Total number of pairs: 13861
## Concordant pairs: 6064 ( 43.75 %)
## Discordant pairs: 1872 ( 13.51 %)
## Tied on first variable: 2686 ( 19.38 %)
## Tied on second variable: 2131 ( 15.37 %)
## Tied on both variables: 1108 ( 7.99 %)
##
## Goodman-Kruskal Gamma: 0.528
## Somers' d (col dep.): 0.416
## Kendall's tau-b: 0.405
## Stuart's tau-c: 0.401El Coeficiente de contingencia o Cramer sugieren una intensidad relevante (mayor a 0.3).
- Analizar la relacion entre Participacion Politica y todas las otras componentes del indice (no analizar el indice)
Determinando tipo de relación: A partir del resumen estadístico se determina que es Numerica - Numérica
Determinando si la variable numerica se comporta de manera normal:
library(dlookr)## Loading required package: mice## Loading required package: lattice##
## Attaching package: 'mice'## The following objects are masked from 'package:base':
##
## cbind, rbind## Registered S3 method overwritten by 'xts':
## method from
## as.zoo.xts zoo## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoo## Registered S3 methods overwritten by 'car':
## method from
## influence.merMod lme4
## cooks.distance.influence.merMod lme4
## dfbeta.influence.merMod lme4
## dfbetas.influence.merMod lme4## Warning in fun(libname, pkgname): couldn't connect to display ":0"##
## Attaching package: 'dlookr'## The following object is masked from 'package:base':
##
## transformnormality(demo[,c(3:7)])## Warning: `cols` is now required.
## Please use `cols = c(statistic)`## # A tibble: 5 x 4
## vars statistic p_value sample
## <chr> <dbl> <dbl> <dbl>
## 1 Electoral 0.865 4.14e-11 167
## 2 Functioning 0.977 6.52e- 3 167
## 3 Participation 0.981 2.12e- 2 167
## 4 Culture 0.964 2.69e- 4 167
## 5 Civilliberties 0.954 2.87e- 5 167- Calculando correlaciones solicitadas:
library(ggpubr)
p1=ggscatter(demo,
x = "Electoral", y = "Participation",
cor.coef = TRUE,
cor.method = "spearman") p2=ggscatter(demo,
x = "Functioning", y = "Participation",
cor.coef = TRUE,
cor.method = "spearman")p3=ggscatter(demo,
x = "Culture", y = "Participation",
cor.coef = TRUE,
cor.method = "spearman")p4=ggscatter(demo,
x = "Civilliberties", y = "Participation",
cor.coef = TRUE,
cor.method = "spearman")# paso 1:
all_ps=ggarrange(p1,p2,p3,p4,
ncol = 2, nrow = 2)
# paso 2
annotate_figure(all_ps,
top = text_grob("Correlacion con PARTICIPATION",
color = "blue",
face = "bold",
size = 14))
Sin los gráficos lo puedes ver asi:
dataForCor=demo[,c(5,3,4,6,7)]
#cor.test(dataForCor[,-1], dataForCor[,1],method = "spearman")
lapply(dataForCor[,-1],
cor.test,y=dataForCor[,1],method="spearman",exact=FALSE)## $Electoral
##
## Spearman's rank correlation rho
##
## data: X[[i]] and dataForCor[, 1]
## S = 183345, p-value < 2.2e-16
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
## rho
## 0.7637965
##
##
## $Functioning
##
## Spearman's rank correlation rho
##
## data: X[[i]] and dataForCor[, 1]
## S = 219483, p-value < 2.2e-16
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
## rho
## 0.7172393
##
##
## $Culture
##
## Spearman's rank correlation rho
##
## data: X[[i]] and dataForCor[, 1]
## S = 389588, p-value = 7.43e-12
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
## rho
## 0.4980935
##
##
## $Civilliberties
##
## Spearman's rank correlation rho
##
## data: X[[i]] and dataForCor[, 1]
## S = 177123, p-value < 2.2e-16
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
## rho
## 0.7718116