Para este taller utilizaremos como variable continua los años promedio de educación en los municipios que componen la base y realizaremos dos pruebas T para comparar las medias. Las variables dicotómicas que utilizaremos para las pruebas T son:
Índice Gini: Gini Alto (>=0.4541) -Bajo (<0.4541)
Región: Pacífico (1) - No Pacífico (0)
Data <- read_dta("Taller6.dta")
Gini_Alto<-Data %>%
select(anos_est_mun,gini,depto,gpacifica) %>%
na.omit() %>%
filter(gini>0.4541) %>%
arrange(gini)
Gini_Alto$Dummy=1
Gini_Bajo<-Data %>%
select(anos_est_mun,gini,depto,gpacifica) %>%
na.omit() %>%
filter(gini<0.4541) %>%
arrange(gini)
Gini_Bajo$Dummy=0
Gini_Alto_Bajo<-rbind(Gini_Bajo,Gini_Alto)
Gini_Alto_Bajo$anos_est_mun=as.numeric(Gini_Alto_Bajo$anos_est_mun)
Gini_Alto_Bajo$Gini_Dummy=as.factor(Gini_Alto_Bajo$Dummy)
Asumimos que las varianzas a nivel poblacional no son iguales y que los grupos son independientes.
La base de datos contiene casi toda la población de municipios por lo que estamos trabajando realmente con datos poblacionales. Para los efectos del taller, no obstante, pensaremos los datos como muestras aleatorias e independientes de municipios. La condición de que la muestra sea menor al 10% de la población para asegurar independencia lógicamente no se cumple.
La distribución de los datos en cada uno de los dos niveles de nuestras dos variables dicotómicas es cercana a la distribución normal. Los histogramas muestran distribuciones unimodales, aproximadamente simétricas y sin valores atípicos extremos.
Gini_Alto_Bajo %>%
ggplot(aes(x=anos_est_mun))+
geom_histogram(fill="orchid4")+
facet_wrap(~gpacifica)+
labs(title = "Promedio de años de educación en municipios del país",
subtitle = "0= Regiones del país 1= Región Pacífico",
y="Promedio de años de educación", x="Región")
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Gini_Alto_Bajo %>%
ggplot(aes(x=anos_est_mun))+
geom_histogram(fill="orchid4")+
facet_wrap(~Dummy)+
labs(title = "Promedio de años de educación en municipios del país",
subtitle = "0= Gini Bajo 1= Gini Alto",
y="Promedio de años de educación", x="Región")
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
La Base de datos sobre la que trabajaremos para aplicar el Test es una que incluye las columnas de interés de la base general (anos_est_mun,gini,depto,gpacifica) pero que elimina los NA de modo que el tamaño de la muestra es ligeramente inferior al de la base general. Nuestra base tendrá un total de 1,043 municipios.
#Nas en anos_est_mun
sum(is.na(Data$anos_est_mun))
## [1] 9
#Nas en Gini
sum(is.na(Data$gini))
## [1] 79
#Número total de municipios en Gini_Alto_Bajo
length(Gini_Alto_Bajo$anos_est_mun)
## [1] 1043
Gini_Alto_Bajo %>%
group_by(Dummy) %>%
summarise("Promedio Según Gini (Bajo- Alto)" = mean(anos_est_mun), "Desviación estándar"=sd(anos_est_mun),"Máximo"=max(anos_est_mun), "Mínimo"=min(anos_est_mun))
## # A tibble: 2 x 5
## Dummy `Promedio Según Gini (Bajo- Alto)` `Desviación estándar` Máximo Mínimo
## * <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 0 7.29 1.10 11.8 5.15
## 2 1 6.83 1.11 10.5 2.30
Gini_Alto_Bajo %>%
group_by(gpacifica) %>%
summarise("Promedio Según Región " = mean(anos_est_mun), "Desviación estándar"=sd(anos_est_mun),"Máximo"=max(anos_est_mun), "Mínimo"=min(anos_est_mun))
## # A tibble: 2 x 5
## gpacifica `Promedio Según Región ` `Desviación estándar` Máximo Mínimo
## * <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 0 7.13 1.10 11.8 2.30
## 2 1 6.92 1.22 10.3 4.46
Aplicaremos en primer lugar una prueba T para evaluar si a nivel poblacional existe una diferencia entre los años promedio de educación en los municipios de la región del pacífico y los del resto de las regiones. Dado que la base de datos contiene todos los municipios del país, podemos conocer de antemano la diferencia real entre las medias de ambas variables. Esta diferencia (0.21634) será la estadística sobre la que se calculará el valor de P en la prueba de hipótesis.
#Promedio años de estudio No pacífica - Pacífica
7.133382 - 6.917042
## [1] 0.21634
View(Data)
Para esta prueba T tomaremos como hipótesis nula que la diferencia a nivel poblacional entre los años promedio de educación de los municipios del Pacífico y los municipios del resto de regiones es igual a 0. Nuestra hipótesis alterna será que la diferencia es distinta a 0. Dicha diferencia puede ser tanto positiva como negativa por lo que realizaremos una prueba T de dos vías y utilizaremos un nivel de significancia (Alpha) de 0.05.
Gini_Alto_Bajo %>%
inference(y = anos_est_mun, x = as.factor(gpacifica), statistic = "mean", type = "ht", null = 0,
alternative = "twosided", method = "theoretical")
## Response variable: numerical
## Explanatory variable: categorical (2 levels)
## n_0 = 866, y_bar_0 = 7.1334, s_0 = 1.1047
## n_1 = 177, y_bar_1 = 6.917, s_1 = 1.2157
## H0: mu_0 = mu_1
## HA: mu_0 != mu_1
## t = 2.1899, df = 176
## p_value = 0.0298
Los resultados de la Prueba T nos indican que una diferencia de medias igual o más extrema a la observada entre nuestras muestras (0.21634) es bastante improbable si partimos del supuesto de que la hipótesis nula es cierta. El valor de P que nos arroja la prueba es de 0.0298, que es menor a nuestro valor Alpha de 0.05, por lo que tenemos evidencia suficiente para rechazar la hipótesis nula y afirmar que si existe a nivel poblacional una diferencia entre las medias de ambos grupos.
Si calculamos un intervalo de confianza con un nivel de confianza del 95% encontramos que según los datos de nuestra muestra esa diferencia entre las medias de ambos grupos estaría entre 0.0214 , 0.4113. Es decir que podríamos afirmar con un nivel de certeza del 95% que la diferencia real entre la media del promedio de años de estudio de los municipios del resto de regiones del país y la de los municipios del Pacífico está entre 0.0214 y 0.4113 años. Las diferencias que reporta el intervalo, no obstante, son bastante pequeñas por lo que en la práctica pueden no tener mayor relevancia.
Gini_Alto_Bajo%>%
inference(y = anos_est_mun, x = as.factor(gpacifica), statistic = "mean", type = "ci",
method = "theoretical")
## Response variable: numerical, Explanatory variable: categorical (2 levels)
## n_0 = 866, y_bar_0 = 7.1334, s_0 = 1.1047
## n_1 = 177, y_bar_1 = 6.917, s_1 = 1.2157
## 95% CI (0 - 1): (0.0214 , 0.4113)
t_test(anos_est_mun~gpacifica,data = Gini_Alto_Bajo)
## # A tibble: 1 x 8
## .y. group1 group2 n1 n2 statistic df p
## * <chr> <chr> <chr> <int> <int> <dbl> <dbl> <dbl>
## 1 anos_est_mun 0 1 866 177 2.19 239. 0.0295
En esta prueba compararemos la media de la variable “promedio de años de educación” de los municipios del país con Gini Alto (>=0.4541) con la media de los municipios con Gini Bajo (<0.4541).
El nivel de significancia que utilizaremos para esta prueba es el mismo de la prueba anterior (0.05) al igual que la hipótesis nula: μ1-μ2=0.
7.2865 - 6.8303
## [1] 0.4562
La diferencia entre nuestras muestras es de 0.4562. En la prueba T calcularemos la probabilidad de obtener una diferencia igual o más extrema a esa si asumimos que la hipótesis nula es cierta. Dicha probabilidad se puede representar gráficamente como el área bajo la curva después de nuestra estadística a ambos lados de la distribución nula.
Gini_Alto_Bajo %>%
inference(y = anos_est_mun, x = Gini_Dummy, statistic = "mean", type = "ht", null = 0,
alternative = "twosided", method = "theoretical")
## Response variable: numerical
## Explanatory variable: categorical (2 levels)
## n_0 = 609, y_bar_0 = 7.2865, s_0 = 1.0983
## n_1 = 434, y_bar_1 = 6.8303, s_1 = 1.1132
## H0: mu_0 = mu_1
## HA: mu_0 != mu_1
## t = 6.5589, df = 433
## p_value = < 0.0001
Los resultados de la prueba T nos indican que una diferencia igual o más extrema a la observada entre las medias de nuestras muestras resultaría sumamente improbable si asumimos que la hipótesis nula es cierta. Nuestro valor de P es inferior a 0.0001 y por consiguiente es inferior también a nuestro nivel Alpha. El “Test statistic” (número de desviaciones estándar) que nos arroja la prueba para nuestra estadística es también bastante alto: 6.558913. Tenemos evidencia suficiente en este caso para rechazar la hipótesis nula a favor de la alterna. Afirmamos entonces que sí existe una diferencia entre ambas medias.
Los municipios con Gini alto tendrían en ese caso una media en el promedio de años de estudio superior a la de los municipios con Gini bajo. Para entender la magnitud de la diferencia que nos sugiere la prueba T construiremos un intervalo de confianza del 95%.
Gini_Alto_Bajo%>%
inference(y = anos_est_mun, x = Gini_Dummy, statistic = "mean", type = "ci",
method = "theoretical")
## Response variable: numerical, Explanatory variable: categorical (2 levels)
## n_0 = 609, y_bar_0 = 7.2865, s_0 = 1.0983
## n_1 = 434, y_bar_1 = 6.8303, s_1 = 1.1132
## 95% CI (0 - 1): (0.3194 , 0.5928)
t_test(anos_est_mun~Gini_Dummy,data = Gini_Alto_Bajo)
## # A tibble: 1 x 8
## .y. group1 group2 n1 n2 statistic df p
## * <chr> <chr> <chr> <int> <int> <dbl> <dbl> <dbl>
## 1 anos_est_mun 0 1 609 434 6.56 925. 0.00000000009
El intervalo nos indica que la diferencia real entre ambos grupos a nivel poblacional se encuentra entre 0.3194 y 0.5928 años. Para calcular este intervalo R toma como punto de partida la diferencia observada entre ambas muestras, en este caso (0.4562) y le suma y le resta a ese valor el margen de error para crear los límites del intervalo con 925.08 grados de libertad. El margen del error corresponde al error estándar multiplicado por el valor T que corresponde a un área del 95% en la distribución muestral. Dado el tamaño de nuestra muestra y el elevado número de grados de libertad es previsible que la distribución muestral (T) sea muy cercana a la distribución normal (Z).