TrabajoEdwin

Descripcion del cuestionario

Data Forzada para correlacion a 0.6 y chi cuadrado significativa

# Data de la gestion adiministrativa
dataGA <- 
  readxl::read_excel(path = 'EdwinDatosTesis.xlsx', 
                     sheet = 'GestionAdministrativa') %>% 
  setNames(paste0('GestionAdministrativa.', names(.)))

# Data de la calidad de servicio al usuario
dataAU <- 
  readxl::read_excel(path = 'EdwinDatosTesis.xlsx', 
                     sheet = 'AtencionUsuario') %>% 
  setNames(paste0('AtencionUsuario.', names(.)))

# Consolidacion y generacion de nuevas columnas para la prueba de hipotesis
data.Ga.AU <- 
  dataGA %>% 
  dplyr::bind_cols(dataAU) %>% 
  dplyr::mutate(Planeacion = rowSums( .[, c(1:4)] ), 
                Organizacion = rowSums( .[, c(5:8)] ), 
                Direccion = rowSums( .[, c(9:12)] ), 
                Control = rowSums( .[, c(13:16)] ), 
                Total_GA = rowSums( .[, c(1:16)] ), 
                Total_AU = rowSums( .[, c(17:32)] )
                )

Inspeccion de la data forzada

# Grafico bivariado para el comportamiento de la correlacion de los datos totales

Inspeccion de las dimensiones para ambos cuestionarios

Grafico consolidado para la calidad de servicio al usuario

Grafico consolidado para la gestion adiministrativa

Construccion de los graficos y tablas por pregunta

instr <- unique(Resumen$sheets)

word.plots <- officer::read_docx()
for (i in 1:length(instr)) {
  
  idata <- 
    Resumen %>% 
    dplyr::filter(sheets %in% instr[i])
  
  jpreguntas <- unique(idata$Pregunta)
  
  for (j in 1:length(jpreguntas)) {
    
    jdata <- 
      idata %>%
      dplyr::filter(Pregunta %in% jpreguntas[j]) %>% 
      dplyr::select(3:5)
    
    # Data para la tabla
    jtitlep <- 
      Consolidado %>% 
      dplyr::filter(sheets %in% instr[i], 
                    Pregunta %in% jpreguntas[j]) %>% 
      dplyr::select(Etiqueta) %>% 
      dplyr::pull() %>% 
      unique()
    
    # Titulo de la tabla
    jtitle <- paste0('Distribución de datos para la pregunta: ', jtitlep)
    
    # Tabla resumen por pregunta
    jtabla <- 
      jdata %>% 
      dplyr::mutate(Porcentaje = paste0(Porcentaje*100, '%')) %>% 
      dplyr::rename_at(vars(label), ~as.character( jpreguntas[j]) )
    
    grap <- 
      jdata %>% 
      ggplot2::ggplot() + 
      ggplot2::aes(x = label, y = Porcentaje, colour = label, 
                   fill = label, label = scales::percent(Porcentaje)) + 
      ggplot2::geom_col(position = 'dodge') + 
      ggplot2::scale_fill_manual(values = colores) + 
      ggplot2::geom_text(position = position_dodge(width = .9), 
                         vjust = 1, 
                         size = 3, color = 'white', 
                         fontface = "bold", family = 'serif') + 
      ggplot2::scale_y_continuous(labels = scales::percent_format())+ 
      ggplot2::theme_minimal() + 
      ggthemes::scale_colour_excel_new() +
      ggplot2::theme(legend.position = 'none', 
                     text = ggplot2::element_text(family = 'serif', size = 7), 
                     axis.title.y = ggplot2::element_blank(), 
                     axis.text.x = ggplot2::element_text(size = 8, face = "bold"), 
                     axis.text.y = ggplot2::element_text(size = 8, face = "bold"),
                     axis.title.x = ggplot2::element_blank())
    
    dim.ques <- 
      officer::block_caption(
        label = paste0(instr[i], '_', jpreguntas[j]), 
        style = 'table title', 
        autonum = NULL)
    
    officer::body_add_caption(x = word.plots, value = dim.ques, pos = 'before')
    officer::body_add_par(x = word.plots, value = " ")
    title <- officer::block_caption(label = jtitle, 
                                    style = 'table title', 
                                    autonum = NULL)
    officer::body_add_par(x = word.plots, value = "")
    officer::body_add_caption(x = word.plots, value = title, pos = 'after')
    officer::body_add_par(x = word.plots, value = "")
    officer::body_add_table(word.plots, jtabla, style = 'table_template', 
                            alignment = c('l', 'c', 'c'))
    officer::body_add_par(x = word.plots, value = "")
    officer::body_add_gg(x = word.plots, value = grap, width = 4, height = 4)
    officer::body_add_par(x = word.plots, value = "")
    officer::body_add_par(x = word.plots, value = "")
    officer::body_add_par(x = word.plots, value = "")
    officer::body_add_par(x = word.plots, value = "")
    
  }
  
}

print(word.plots, target = 'word.plots.docx')

Contrastacion de hipotesis

• Se calculara la correlacion por Spearman y probara la significancia de esta.
• Se probara la dependencia de ambas variables a traves de la prueba Ji Cuadrada.
• Para todas las pruebas se considera una significancia del 5%, es decir, si el p valor asociado a la prueba estadistica es menor al 0.05, se rechazara la hipotesis nula.

Correlacion por Spearman

• Se utiliza la correlacion por Spearman ya que son datos provenientes de cuestionarios.

• Considerar que la correlacion es un medida que oscila entre -1 y +1.

  • -1 indica una fuerte correlacion negativa: esto significa que cada vez que x aumenta, y disminuye y visceversa.
  • 0 significa que no hay asociacion entre las dos variables (x e y).
  • +1 indica una fuerte correlacion positiva: esto significa que y aumenta con x.

• Prueba de hipotesis para la correlacion:

  • Ho: Las variables x e y no estan significativamente correlacionadas.
  • Ha: Las variables x e y estan significativamente correlacionadas.

• Ejemplo:

  • p valor: 0.03 y coeficiente de correlacion: 0.7, entonces la interpretacion seria la siguiente:
  • El p valor de la prueba es 0.03, que es menor que el nivel de significancia alfa = 0.05. Podemos concluir que x e y estan significativamente correlacionados con un coeficiente de correlacion por Spearman de 0.7 (correlacion positiva) y un valor p de 0.03.

## 
##  Spearman's rank correlation rho
## 
## data:  data.forzada$Total_GA and data.forzada$Total_AU
## S = 3616.3, p-value = 3.48e-06
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##       rho 
## 0.6607598

## 
##  Spearman's rank correlation rho
## 
## data:  data.forzada$Planeacion and data.forzada$Total_AU
## S = 4382.6, p-value = 6.41e-05
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##       rho 
## 0.5888727

## 
##  Spearman's rank correlation rho
## 
## data:  data.forzada$Organizacion and data.forzada$Total_AU
## S = 3709.2, p-value = 5.159e-06
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##       rho 
## 0.6520494

## 
##  Spearman's rank correlation rho
## 
## data:  data.forzada$Direccion and data.forzada$Total_AU
## S = 4927.8, p-value = 0.0003457
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##       rho 
## 0.5377318

## 
##  Spearman's rank correlation rho
## 
## data:  data.forzada$Control and data.forzada$Total_AU
## S = 3589, p-value = 3.092e-06
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##       rho 
## 0.6633174

Prueba formal Ji Cuadrada para evaluar dependencia de variables.

• Se utiliza la prueba de Ji Cuadrada ya que se quiere evaluar si existe una dependencia entre las variables a probar.

• Prueba de hipotesis para Ji Cuadrada:

  • Ho: Las variables x e y son independientes, no existe relacion entre las dos variables categoricas. Conocer el valor de una variable no ayuda a predecir el valor de la otra variable.
  • Ha: Las variables x e y son dependientes, existe una relacion entre las dos variables categoricas. Conocer el valor de una variable ayuda a predecir el valor de la otra variables.

• Ejemplo:

  • p valor: 0.03, entonces la interpretacion seria la siguiente:
  • El p valor de la prueba es 0.03, que es menor que el nivel de significancia alfa = 0.05. Podemos concluir que x e y son dependientes, existe una relacion entre las dos variables categoricas.

# General: Gestion Administrativa vs Calidad del servicio al usuario
cc.hg <- 
  chisq.test(x = data.forzada$Total_GA, 
           y = data.forzada$Total_AU, );cc.hg

## 
##  Pearson's Chi-squared test
## 
## data:  data.forzada$Total_GA and data.forzada$Total_AU
## X-squared = 546.67, df = 323, p-value = 9.649e-14

# Especifica 01: (Planeacion vs Calidad del servicio al usuario)
cc.01 <- 
  chisq.test(x = data.forzada$Planeacion, 
           y = data.forzada$Total_AU);cc.01

## 
##  Pearson's Chi-squared test
## 
## data:  data.forzada$Planeacion and data.forzada$Total_AU
## X-squared = 314.84, df = 190, p-value = 3.206e-08

# Especifica 02: (Organizacion vs Calidad del servicio al usuario)
cc.02 <- 
  chisq.test(x = data.forzada$Organizacion, 
           y = data.forzada$Total_AU);cc.02

## 
##  Pearson's Chi-squared test
## 
## data:  data.forzada$Organizacion and data.forzada$Total_AU
## X-squared = 382.67, df = 209, p-value = 2.507e-12

# Especifica 03: (Direccion vs Calidad del servicio al usuario)
cc.03 <- 
  chisq.test(x = data.forzada$Direccion, 
           y = data.forzada$Total_AU);cc.03

## 
##  Pearson's Chi-squared test
## 
## data:  data.forzada$Direccion and data.forzada$Total_AU
## X-squared = 291.67, df = 190, p-value = 2.932e-06

# Especifica 04: (Control vs Calidad del servicio al usuario)
cc.04 <- 
  chisq.test(x = data.forzada$Control, 
           y = data.forzada$Total_AU);cc.04

## 
##  Pearson's Chi-squared test
## 
## data:  data.forzada$Control and data.forzada$Total_AU
## X-squared = 383.89, df = 209, p-value = 1.886e-12

Tabla resumen de las pruebas realizadas:

General: Gestion Administrativa vs Calidad del servicio al usuario

Especifica 01: (Planeacion vs Calidad del servicio al usuario)

Especifica 02: (Organizacion vs Calidad del servicio al usuario)

Especifica 03: (Direccion vs Calidad del servicio al usuario)

Especifica 04: (Control vs Calidad del servicio al usuario)

Considerar una tabla consolidada