Cargar data
data <- read.csv("PROBLEMA.csv", sep = ";")Estadísticos descriptivos
with(data, tapply(TIEMPO, list(PROBLEMA), mean))## ALGEBRAICO ARITMETICO GEOMETRICO
## 107.50000 83.16667 120.33333with(data, tapply(TIEMPO, list(CONDICION), mean))## MUSICA NORMAL RUIDO
## 102.00000 64.16667 144.83333with(data, tapply(TIEMPO, list(CONDICION, PROBLEMA), mean))## ALGEBRAICO ARITMETICO GEOMETRICO
## MUSICA 117.25 57.25 131.5
## NORMAL 49.50 57.50 85.5
## RUIDO 155.75 134.75 144.0ANOVA con efecto aditivo
modelo <- aov(TIEMPO ~ CONDICION + PROBLEMA, data)
summary(modelo)## Df Sum Sq Mean Sq F value Pr(>F)
## CONDICION 2 39093 19546 23.434 6.31e-07 ***
## PROBLEMA 2 8553 4276 5.127 0.0119 *
## Residuals 31 25857 834
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1ANOVA con efecto INTERACTIVO
modelo <- aov(TIEMPO ~ CONDICION + PROBLEMA + CONDICION:PROBLEMA , data)
summary(modelo)## Df Sum Sq Mean Sq F value Pr(>F)
## CONDICION 2 39093 19546 28.929 1.93e-07 ***
## PROBLEMA 2 8553 4276 6.329 0.00557 **
## CONDICION:PROBLEMA 4 7614 1903 2.817 0.04486 *
## Residuals 27 18243 676
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Box plot
:::{.fullwidth}
library(ggplot2)
ggplot(data, aes(x=CONDICION, y=TIEMPO, fill=PROBLEMA)) + geom_boxplot()
Análisis de residuos
plot(modelo,1)
plot(modelo,2)
TukeyHSD(modelo)## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = TIEMPO ~ CONDICION + PROBLEMA + CONDICION:PROBLEMA, data = data)
##
## $CONDICION
## diff lwr upr p adj
## NORMAL-MUSICA -37.83333 -64.14451 -11.52215 0.0038220
## RUIDO-MUSICA 42.83333 16.52215 69.14451 0.0011343
## RUIDO-NORMAL 80.66667 54.35549 106.97785 0.0000001
##
## $PROBLEMA
## diff lwr upr p adj
## ARITMETICO-ALGEBRAICO -24.33333 -50.64451 1.977846 0.0739731
## GEOMETRICO-ALGEBRAICO 12.83333 -13.47785 39.144513 0.4580289
## GEOMETRICO-ARITMETICO 37.16667 10.85549 63.477846 0.0044796
##
## $`CONDICION:PROBLEMA`
## diff lwr upr p adj
## NORMAL:ALGEBRAICO-MUSICA:ALGEBRAICO -67.75 -129.593951 -5.906049 0.0238748
## RUIDO:ALGEBRAICO-MUSICA:ALGEBRAICO 38.50 -23.343951 100.343951 0.4969851
## MUSICA:ARITMETICO-MUSICA:ALGEBRAICO -60.00 -121.843951 1.843951 0.0623993
## NORMAL:ARITMETICO-MUSICA:ALGEBRAICO -59.75 -121.593951 2.093951 0.0642772
## RUIDO:ARITMETICO-MUSICA:ALGEBRAICO 17.50 -44.343951 79.343951 0.9872250
## MUSICA:GEOMETRICO-MUSICA:ALGEBRAICO 14.25 -47.593951 76.093951 0.9967007
## NORMAL:GEOMETRICO-MUSICA:ALGEBRAICO -31.75 -93.593951 30.093951 0.7254121
## RUIDO:GEOMETRICO-MUSICA:ALGEBRAICO 26.75 -35.093951 88.593951 0.8656860
## RUIDO:ALGEBRAICO-NORMAL:ALGEBRAICO 106.25 44.406049 168.093951 0.0001157
## MUSICA:ARITMETICO-NORMAL:ALGEBRAICO 7.75 -54.093951 69.593951 0.9999615
## NORMAL:ARITMETICO-NORMAL:ALGEBRAICO 8.00 -53.843951 69.843951 0.9999509
## RUIDO:ARITMETICO-NORMAL:ALGEBRAICO 85.25 23.406049 147.093951 0.0022440
## MUSICA:GEOMETRICO-NORMAL:ALGEBRAICO 82.00 20.156049 143.843951 0.0035264
## NORMAL:GEOMETRICO-NORMAL:ALGEBRAICO 36.00 -25.843951 97.843951 0.5823619
## RUIDO:GEOMETRICO-NORMAL:ALGEBRAICO 94.50 32.656049 156.343951 0.0006105
## MUSICA:ARITMETICO-RUIDO:ALGEBRAICO -98.50 -160.343951 -36.656049 0.0003465
## NORMAL:ARITMETICO-RUIDO:ALGEBRAICO -98.25 -160.093951 -36.406049 0.0003590
## RUIDO:ARITMETICO-RUIDO:ALGEBRAICO -21.00 -82.843951 40.843951 0.9617137
## MUSICA:GEOMETRICO-RUIDO:ALGEBRAICO -24.25 -86.093951 37.593951 0.9166602
## NORMAL:GEOMETRICO-RUIDO:ALGEBRAICO -70.25 -132.093951 -8.406049 0.0172609
## RUIDO:GEOMETRICO-RUIDO:ALGEBRAICO -11.75 -73.593951 50.093951 0.9991484
## NORMAL:ARITMETICO-MUSICA:ARITMETICO 0.25 -61.593951 62.093951 1.0000000
## RUIDO:ARITMETICO-MUSICA:ARITMETICO 77.50 15.656049 139.343951 0.0065444
## MUSICA:GEOMETRICO-MUSICA:ARITMETICO 74.25 12.406049 136.093951 0.0101560
## NORMAL:GEOMETRICO-MUSICA:ARITMETICO 28.25 -33.593951 90.093951 0.8284442
## RUIDO:GEOMETRICO-MUSICA:ARITMETICO 86.75 24.906049 148.593951 0.0018193
## RUIDO:ARITMETICO-NORMAL:ARITMETICO 77.25 15.406049 139.093951 0.0067710
## MUSICA:GEOMETRICO-NORMAL:ARITMETICO 74.00 12.156049 135.843951 0.0105021
## NORMAL:GEOMETRICO-NORMAL:ARITMETICO 28.00 -33.843951 89.843951 0.8349765
## RUIDO:GEOMETRICO-NORMAL:ARITMETICO 86.50 24.656049 148.343951 0.0018841
## MUSICA:GEOMETRICO-RUIDO:ARITMETICO -3.25 -65.093951 58.593951 1.0000000
## NORMAL:GEOMETRICO-RUIDO:ARITMETICO -49.25 -111.093951 12.593951 0.2019814
## RUIDO:GEOMETRICO-RUIDO:ARITMETICO 9.25 -52.593951 71.093951 0.9998531
## NORMAL:GEOMETRICO-MUSICA:GEOMETRICO -46.00 -107.843951 15.843951 0.2743288
## RUIDO:GEOMETRICO-MUSICA:GEOMETRICO 12.50 -49.343951 74.343951 0.9986755
## RUIDO:GEOMETRICO-NORMAL:GEOMETRICO 58.50 -3.343951 120.343951 0.0744413ggplot(data, aes(x = PROBLEMA , y = TIEMPO, colour = CONDICION, group = CONDICION)) +
stat_summary(fun = mean, geom = "point") +
stat_summary(fun = mean, geom = "line")
Ejercicio propuesto (Calderon, 2010)
En un estudio del comportamiento de compradores en un supermercado, se pensaba que la cantidad vendida de un producto dependía de su ubicación en los estantes del establecimiento y de si el producto era de antigua data en el mercado o si era desconocido o de reciente introducción. Se ensayó con una barra de chocolate, en dos ubicaciones distintas y de dos marcas distintas, una de las cuales era muy conocida y la otra reciente. Los datos están en el archivo COMPORTAMIENTO.SAV.
Preguntas
Aplique ANOVA Two Way de efectos fijos, con las variables PROD y UBICA como factores y VENTAS como variable respuesta. Pida estadísticos y gráfico de medias de VENTAS según PROD (“Conocido”/“No conocido”) y UBICA(“Usual/Prominente”). Determine si hay efecto de factores y de interacción. ¿Es uniforme el efecto de Ubicación según que el producto sea conocido o no?
Evalúe si los productos conocidos y bien ubicados son más vendidos que los recientes y con ubicación normal
Desarrollo
library(foreign)
datos <- read.spss("Comportamiento.sav", to.data.frame=T)## re-encoding from UTF-8Inspección de data
head(datos)## caso prod ubica ventas
## 1 1 Conocido Ubicación usual 8
## 2 2 Conocido Ubicación usual 6
## 3 3 Conocido Ubicación usual 4
## 4 4 Conocido Ubicación usual 6
## 5 5 Conocido Ubicación usual 7
## 6 6 Conocido Ubicación usual 6Estadísticos descriptivos
with(datos, tapply(ventas, list(prod), mean))## Conocido Desconocido o reciente
## 12.9 9.5with(datos, tapply(ventas, list(ubica), mean))## Ubicación usual Ubicación prominente
## 6.75 15.65with(datos, tapply(ventas, list(prod, ubica), mean))## Ubicación usual Ubicación prominente
## Conocido 6.5 19.3
## Desconocido o reciente 7.0 12.0ANOVA con efecto aditivo
modelo2 <- aov(ventas ~ prod + ubica, datos)
summary(modelo2)## Df Sum Sq Mean Sq F value Pr(>F)
## prod 1 115.6 115.6 10.95 0.0021 **
## ubica 1 792.1 792.1 75.01 1.98e-10 ***
## Residuals 37 390.7 10.6
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1ANOVA con efecto INTERACTIVO
modelo3 <- aov(ventas ~ prod + ubica + prod:ubica , datos)
summary(modelo3)## Df Sum Sq Mean Sq F value Pr(>F)
## prod 1 115.6 115.6 17.44 0.00018 ***
## ubica 1 792.1 792.1 119.51 5.45e-13 ***
## prod:ubica 1 152.1 152.1 22.95 2.84e-05 ***
## Residuals 36 238.6 6.6
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Box plot
library(ggplot2)
ggplot(datos, aes(x=prod, y= ventas, fill = ubica )) + geom_boxplot()
Análisis de residuos
plot(modelo3,1)
plot(modelo3,2)
TukeyHSD(modelo3)## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = ventas ~ prod + ubica + prod:ubica, data = datos)
##
## $prod
## diff lwr upr p adj
## Desconocido o reciente-Conocido -3.4 -5.051095 -1.748905 0.0001796
##
## $ubica
## diff lwr upr p adj
## Ubicación prominente-Ubicación usual 8.9 7.248905 10.55109 0
##
## $`prod:ubica`
## diff
## Desconocido o reciente:Ubicación usual-Conocido:Ubicación usual 0.5
## Conocido:Ubicación prominente-Conocido:Ubicación usual 12.8
## Desconocido o reciente:Ubicación prominente-Conocido:Ubicación usual 5.5
## Conocido:Ubicación prominente-Desconocido o reciente:Ubicación usual 12.3
## Desconocido o reciente:Ubicación prominente-Desconocido o reciente:Ubicación usual 5.0
## Desconocido o reciente:Ubicación prominente-Conocido:Ubicación prominente -7.3
## lwr
## Desconocido o reciente:Ubicación usual-Conocido:Ubicación usual -2.600787
## Conocido:Ubicación prominente-Conocido:Ubicación usual 9.699213
## Desconocido o reciente:Ubicación prominente-Conocido:Ubicación usual 2.399213
## Conocido:Ubicación prominente-Desconocido o reciente:Ubicación usual 9.199213
## Desconocido o reciente:Ubicación prominente-Desconocido o reciente:Ubicación usual 1.899213
## Desconocido o reciente:Ubicación prominente-Conocido:Ubicación prominente -10.400787
## upr
## Desconocido o reciente:Ubicación usual-Conocido:Ubicación usual 3.600787
## Conocido:Ubicación prominente-Conocido:Ubicación usual 15.900787
## Desconocido o reciente:Ubicación prominente-Conocido:Ubicación usual 8.600787
## Conocido:Ubicación prominente-Desconocido o reciente:Ubicación usual 15.400787
## Desconocido o reciente:Ubicación prominente-Desconocido o reciente:Ubicación usual 8.100787
## Desconocido o reciente:Ubicación prominente-Conocido:Ubicación prominente -4.199213
## p adj
## Desconocido o reciente:Ubicación usual-Conocido:Ubicación usual 0.9721659
## Conocido:Ubicación prominente-Conocido:Ubicación usual 0.0000000
## Desconocido o reciente:Ubicación prominente-Conocido:Ubicación usual 0.0001679
## Conocido:Ubicación prominente-Desconocido o reciente:Ubicación usual 0.0000000
## Desconocido o reciente:Ubicación prominente-Desconocido o reciente:Ubicación usual 0.0006099
## Desconocido o reciente:Ubicación prominente-Conocido:Ubicación prominente 0.0000014Gráfico de medias
ggplot(datos, aes(x = ubica, y = ventas, colour = prod, group = prod)) +
stat_summary(fun = mean, geom = "point") +
stat_summary(fun = mean, geom = "line")