Digicomp21
Javier Morales
5/8/2021
Transformación de variables
Preparamos los datos
Creación de variables del nivel de mejora o capacidad de mejora
Conversión a factores de las variables numéricas
Análisis Decriptivo
Representamos globalmente la puntuación inicial y la mejora para los diferentes ámbitos
Gráficos de dispersión
Gráficos con factores creados
##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: table(datos_clean2$Sexo, datos_clean2$pfin_g_4_fct)
## X-squared = 4.2988, df = 1, p-value = 0.03814
##
## Pearson's Chi-squared test
##
## data: table(datos_clean2$ambito, datos_clean2$pfin_g_4_fct)
## X-squared = 7.2761, df = 3, p-value = 0.0636
##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: table(datos_clean2$anyo_nacimiento, datos_clean2$pfin_g_4_fct)
## X-squared = 0.2355, df = 1, p-value = 0.6275
Modelos
Modeos mixtos con efectos aleatorios para analizar si los estudiantes alcanzan un nivel del 80% (puntuación de 4).
Efectos fijos: p.ini_ambito (media de la puntuación inicial en cada nivel de competencia) y Grupo (nivel de competencia) Efectos aleatorios: ID (sujeto) y ámbito (ámbito educativo)
## Loading required package: Matrix##
## Attaching package: 'Matrix'## The following objects are masked from 'package:tidyr':
##
## expand, pack, unpack## Generalized linear mixed model fit by maximum likelihood (Laplace
## Approximation) [glmerMod]
## Family: binomial ( logit )
## Formula: pfin_g_4_fct ~ p.ini_ambito * Grupo + (1 | ID)
## Data: datos_clean2
## Control: glmerControl(optimizer = "bobyqa")
##
## AIC BIC logLik deviance df.resid
## 792.2 845.1 -385.1 770.2 894
##
## Scaled residuals:
## Min 1Q Median 3Q Max
## -3.3535 -0.3550 0.0375 0.3362 5.0443
##
## Random effects:
## Groups Name Variance Std.Dev.
## ID (Intercept) 4.123 2.03
## Number of obs: 905, groups: ID, 181
##
## Fixed effects:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -3.85037 1.36800 -2.815 0.00488 **
## p.ini_ambito 2.23233 0.47069 4.743 2.11e-06 ***
## GrupoA2 -23.09308 4.27179 -5.406 6.45e-08 ***
## GrupoA3 0.02132 1.45953 0.015 0.98835
## GrupoA4 -1.60645 1.57539 -1.020 0.30786
## GrupoA5 -0.19410 1.50831 -0.129 0.89760
## p.ini_ambito:GrupoA2 5.23842 1.22406 4.280 1.87e-05 ***
## p.ini_ambito:GrupoA3 -0.74555 0.53149 -1.403 0.16069
## p.ini_ambito:GrupoA4 -0.20363 0.53516 -0.381 0.70357
## p.ini_ambito:GrupoA5 -0.56552 0.52427 -1.079 0.28073
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Correlation of Fixed Effects:
## (Intr) p.n_mb GrupA2 GrupA3 GrupA4 GrupA5 p._:GA2 p._:GA3 p._:GA4
## p.ini_ambit -0.963
## GrupoA2 -0.238 0.188
## GrupoA3 -0.850 0.810 0.297
## GrupoA4 -0.771 0.730 0.287 0.742
## GrupoA5 -0.804 0.768 0.283 0.764 0.709
## p.n_mbt:GA2 0.289 -0.264 -0.990 -0.333 -0.319 -0.319
## p.n_mbt:GA3 0.758 -0.773 -0.253 -0.952 -0.667 -0.692 0.307
## p.n_mbt:GA4 0.753 -0.764 -0.255 -0.715 -0.968 -0.686 0.308 0.688
## p.n_mbt:GA5 0.761 -0.778 -0.249 -0.718 -0.666 -0.965 0.305 0.697 0.688## Analysis of Variance Table
## npar Sum Sq Mean Sq F value
## p.ini_ambito 1 70.086 70.086 70.0858
## Grupo 4 82.967 20.742 20.7418
## p.ini_ambito:Grupo 4 26.278 6.570 6.5696| pfin_g_4_fct | |||
|---|---|---|---|
| Predictors | Log-Odds | CI | p |
| (Intercept) | -3.85 | -6.53 – -1.17 | 0.005 |
| p.ini_ambito | 2.23 | 1.31 – 3.15 | <0.001 |
| Grupo [A2] | -23.09 | -31.47 – -14.72 | <0.001 |
| Grupo [A3] | 0.02 | -2.84 – 2.88 | 0.988 |
| Grupo [A4] | -1.61 | -4.69 – 1.48 | 0.308 |
| Grupo [A5] | -0.19 | -3.15 – 2.76 | 0.898 |
| p.ini_ambito * Grupo [A2] | 5.24 | 2.84 – 7.64 | <0.001 |
| p.ini_ambito * Grupo [A3] | -0.75 | -1.79 – 0.30 | 0.161 |
| p.ini_ambito * Grupo [A4] | -0.20 | -1.25 – 0.85 | 0.704 |
| p.ini_ambito * Grupo [A5] | -0.57 | -1.59 – 0.46 | 0.281 |
| Random Effects | |||
| σ2 | 3.29 | ||
| τ00 ID | 4.12 | ||
| ICC | 0.56 | ||
| N ID | 181 | ||
| Observations | 905 | ||
| Marginal R2 / Conditional R2 | 0.659 / 0.849 | ||
| pfin_g_4_fct | |||
|---|---|---|---|
| Predictors | Odds Ratios | CI | p |
| (Intercept) | 0.02 | 0.00 – 0.31 | 0.005 |
| p.ini_ambito | 9.32 | 3.71 – 23.45 | <0.001 |
| Grupo [A2] | 0.00 | 0.00 – 0.00 | <0.001 |
| Grupo [A3] | 1.02 | 0.06 – 17.85 | 0.988 |
| Grupo [A4] | 0.20 | 0.01 – 4.40 | 0.308 |
| Grupo [A5] | 0.82 | 0.04 – 15.83 | 0.898 |
| p.ini_ambito * Grupo [A2] | 188.37 | 17.10 – 2074.61 | <0.001 |
| p.ini_ambito * Grupo [A3] | 0.47 | 0.17 – 1.34 | 0.161 |
| p.ini_ambito * Grupo [A4] | 0.82 | 0.29 – 2.33 | 0.704 |
| p.ini_ambito * Grupo [A5] | 0.57 | 0.20 – 1.59 | 0.281 |
| Random Effects | |||
| σ2 | 3.29 | ||
| τ00 ID | 4.12 | ||
| ICC | 0.56 | ||
| N ID | 181 | ||
| Observations | 905 | ||
| Marginal R2 / Conditional R2 | 0.659 / 0.849 | ||
## AIC BIC logLik deviance df.resid
## 792.2270 845.1142 -385.1135 770.2270 894.0000
Almacenamos valores de predicción en el banco de datos
Tabla de clasificación correcta
##
## Cl_Pf < 4 Cl_Pf >= 4
## pf < 4 385 46
## pf >= 4 40 434## [1] 90.5Estimación de sujetos que alcanzan el 4 de foma global 8suma de todos los apartados 
##
## 0 1 2 3 4 5
## 16 43 27 29 34 32##
## 0 1 2 3 4 5
## 8.84 23.76 14.92 16.02 18.78 17.68Gráficos de probabilidad para otras variables no consideradas en el modelo
Habilidad Tecnólogica General
Habilidad Tecnólogica Educativa
Metodología Innovadora
### Tic en el aula
Sexo
### Año de nacimiento
Gráficos de clasificación para otras variables no consideradas en el modelo
Variable de clasificación creada a partir de las probabilidades estimadas
Sexo
Año de nacimiento
Habilidad tecnológica educativa
Metodología Innovadora
Tic en el aula
INLA model
Código sin evaluación
Para ejecutar el modelo en INla debemos crear en primer lugar el efecto anidado de sujeto dentro de ámbito (seguimos las indicaciones del libro de virgilio, cap 4).