Tesis_Resultados

Regresion Logistica Ordinal
- Factor Temporal y Actividad Superficial
- Factor Temporal y Cantos
Analisis de Correspondencia Multiple

library(effects)

## Loading required package: carData

## lattice theme set by effectsTheme()
## See ?effectsTheme for details.

library(car)

## Registered S3 methods overwritten by 'car':
##   method                          from
##   influence.merMod                lme4
##   cooks.distance.influence.merMod lme4
##   dfbeta.influence.merMod         lme4
##   dfbetas.influence.merMod        lme4

library(MASS)
library(splines)
library(readxl)
library (factoextra)

## Loading required package: ggplot2

## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa

library(FactoMineR)
datapolr <- read_excel("C:/RStudio/datapolr.xlsx")

datamca <- read_excel("C:/RStudio/datamca.xlsx")

mca_chi <- read_excel("C:/RStudio/mca_chi.xlsx")

Regresion Logistica Ordinal

Factor Temporal y Actividad Superficial

Se desarrollo la Regresion Logistica Ordinal con la funcion polr, para evaluar si el nivel de actividad en superficie (Alto, Medio, Bajo, Ninguna) depende del mes de la temporada reproductiva (Julio, Agosto, Setiembre, Octubre).

datapolr$Actividad_Superficial<- as.factor(datapolr$Actividad_Superficial)
data1 <- polr(Actividad_Superficial~ Mes, data = datapolr )
Anova(data1)

## Analysis of Deviance Table (Type II tests)
## 
## Response: Actividad_Superficial
##     LR Chisq Df Pr(>Chisq)
## Mes   2.2458  3      0.523

(ctable <- coef(summary(data1)))

## 
## Re-fitting to get Hessian

##                          Value Std. Error     t value
## Mes1               -0.30804765  0.3578507 -0.86082734
## Mes2                0.01882766  0.3528146  0.05336417
## Mes3                0.16298975  0.3834384  0.42507418
## Act Alta|Act Baja  -0.82920294  0.2940802 -2.81964878
## Act Baja|Act Media -0.14147686  0.2888213 -0.48984216
## Act Media|Act Nula  0.34782066  0.2906669  1.19662983

p <- pnorm(abs(ctable[, "t value"]),lower.tail = F)*2
(ctable <- cbind(ctable,"p value" = p))

##                          Value Std. Error     t value     p value
## Mes1               -0.30804765  0.3578507 -0.86082734 0.389333147
## Mes2                0.01882766  0.3528146  0.05336417 0.957441756
## Mes3                0.16298975  0.3834384  0.42507418 0.670782599
## Act Alta|Act Baja  -0.82920294  0.2940802 -2.81964878 0.004807624
## Act Baja|Act Media -0.14147686  0.2888213 -0.48984216 0.624245592
## Act Media|Act Nula  0.34782066  0.2906669  1.19662983 0.231450869

No existe una relacion significativa entre el factor temporal y la actividad superficial.
Grafico

plot(Effect(focal.predictors = c("Mes"), mod=data1, rug=F))

## 
## Re-fitting to get Hessian

Factor Temporal y Cantos

Tambiens se utilizo la funcion polr para analizar el efecto del factor temporal en el grado de intensidad de los cantos (ausencia, presencia individual, presencia con solapamiento).

datapolr$Cantos<- as.factor(datapolr$Cantos)
data2 <- polr(Cantos ~ Mes, data = datapolr )
Anova(data2)

## Analysis of Deviance Table (Type II tests)
## 
## Response: Cantos
##     LR Chisq Df Pr(>Chisq)
## Mes   3.0286  3     0.3872

(ctable <- coef(summary(data2)))

## 
## Re-fitting to get Hessian

##                                 Value Std. Error   t value
## Mes1                        0.5277632  0.3944687  1.337909
## Mes2                        0.2011947  0.3886964  0.517614
## Mes3                        0.5835980  0.4127352  1.413977
## Más de un cantor|No Cantos -1.4367519  0.3350737 -4.287868
## No Cantos|Un cantor         1.2769050  0.3311359  3.856136

p <- pnorm(abs(ctable[, "t value"]),lower.tail = F)*2
(ctable <- cbind(ctable,"p value" = p))

##                                 Value Std. Error   t value      p value
## Mes1                        0.5277632  0.3944687  1.337909 1.809262e-01
## Mes2                        0.2011947  0.3886964  0.517614 6.047276e-01
## Mes3                        0.5835980  0.4127352  1.413977 1.573688e-01
## Más de un cantor|No Cantos -1.4367519  0.3350737 -4.287868 1.803963e-05
## No Cantos|Un cantor         1.2769050  0.3311359  3.856136 1.151936e-04

*No existe una relacion significativa entre el factor temporal y la presencia o ausencia de cantos.

Grafico

plot(Effect(focal.predictors = c("Mes"), mod=data2, rug=F))

## 
## Re-fitting to get Hessian

Analisis de Correspondencia Multiple

datamca$Mes <- as.factor(datamca$Mes)
datamca$Actividad <- as.factor(datamca$Actividad)
datamca$Cantos <- as.factor(datamca$Cantos)
res.mca <- MCA(datamca, graph = F)
res2.mca <- FactoMineR::MCA(datamca, quali.sup = 1, graph = F)

Actividad Superficial y Cantos

Como no existe relacion significativa entre las variables de actividad superficial y cantos con el factor temporal, se opto por observar la relacion entre actividad superficial y cantos.

fviz_ellipses(res2.mca, ellipse.type = "t",axes = c(1,2),
              c("Actividad","Cantos"),geom=c("point"))

## Warning in MASS::cov.trob(data[, vars]): Probable convergence failure

## Warning in MASS::cov.trob(data[, vars]): Probable convergence failure

## Warning in MASS::cov.trob(data[, vars]): Probable convergence failure

## Warning in MASS::cov.trob(data[, vars]): Probable convergence failure

chisq.test(mca_chi$Actividad,mca_chi$Cantos)

## Warning in chisq.test(mca_chi$Actividad, mca_chi$Cantos): Chi-squared
## approximation may be incorrect

## 
##  Pearson's Chi-squared test
## 
## data:  mca_chi$Actividad and mca_chi$Cantos
## X-squared = 20.066, df = 6, p-value = 0.002695

Se observa una relacion entre Actividad Superficial Baja y la presencia de Mas de un cantor (es decir, solapamiento de cantos). Asimismo, se puede observar una relacion entre Actividad Alta y Media con la Ausencia de Cantos. Finalmente la presencia de Un cantor se observa mas cuando la Actividad es Nula.

Al observar el resultado del chi cuadrado, se obtiene que si existe un grado de asociacion entre las variables Actividad Superficial y Canto.

Finalmente, igual quise observar con el MCA la relacion que existe entre las variables (Actividad y Canto) con el factor tiempo.Para ello, seleccione las dimensiones donde mejor se representa el factor tiempo con cada variable:

Mes y Actividad Superficial

fviz_ellipses(res.mca, ellipse.type = "t",axes = c(1,3),
              c("Actividad","Mes"),geom=c("point"))

chisq.test(mca_chi$Mes,mca_chi$Actividad)

## Warning in chisq.test(mca_chi$Mes, mca_chi$Actividad): Chi-squared approximation
## may be incorrect

## 
##  Pearson's Chi-squared test
## 
## data:  mca_chi$Mes and mca_chi$Actividad
## X-squared = 5.2733, df = 9, p-value = 0.8099

Si bien no existe relacion significativa. Se observa una ligera tendencia de la actividad baja con Julio y Octubre. Una actividad alta y media con Agosto y Setiembre. Al observar el resultado del chi cuadrado, se obtiene que ambas variables son independientes y no existe un grado de asociacion entre ellas.

Mes y Cantos

fviz_ellipses(res.mca, ellipse.type = "t",axes = c(2,1),
              c("Cantos","Mes"),geom=c("point"))

chisq.test(mca_chi$Mes,mca_chi$Cantos)

## 
##  Pearson's Chi-squared test
## 
## data:  mca_chi$Mes and mca_chi$Cantos
## X-squared = 6.6498, df = 6, p-value = 0.3545

Entre estas variables tampoco existe relacion significativa, pero se observa una ligera tendencia entre Julio y la presencia de Mas de un cantor. Pero los demas meses se ven solapados con Un Cantor y No Cantos, por ello, no se si sea bueno demostrar estos dos ultimos graficos. usted que opina profe?

Al observar el resultado del chi cuadrado, se obtiene que ambas variables son independientes y no existe un grado de asociacion entre ellas.