Artículo
14 julio, 2021
#evitar que ocupe curl
#options(renv.download.override = utils::download.file)
#arriba puse algunas opciones para que por defecto escondiera el código
#también cargue algunos estilo .css para que el texto me apareciera justificado, entre otras cosas.
local({r <- getOption("repos")
r["CRAN"] <- "http://cran.r-project.org"
options(repos=r)
})
clipboard <- function(x, sep="\t", row.names=FALSE, col.names=TRUE){
con <- pipe("xclip -selection clipboard -i", open="w")
write.table(x, con, sep=sep, row.names=row.names, col.names=col.names)
close(con)
}
`%>%` <- magrittr::`%>%`
copy_names <- function(x,row.names=FALSE,col.names=TRUE,dec=",",...) {
library(dplyr)
if(class(ungroup(x))[1]=="tbl_df"){
if(options()$OutDec=="."){
options(OutDec = dec)
write.table(format(data.frame(x)),"clipboard",sep="\t",row.names=FALSE,col.names=col.names,...)
options(OutDec = ".")
return(x)
} else {
options(OutDec = ",")
write.table(format(data.frame(x)),"clipboard",sep="\t",row.names=FALSE,col.names=col.names,...)
options(OutDec = ",")
return(x)
}
} else {
if(options()$OutDec=="."){
options(OutDec = dec)
write.table(format(x),"clipboard",sep="\t",row.names=FALSE,col.names=col.names,...)
options(OutDec = ".")
return(x)
} else {
options(OutDec = ",")
write.table(format(x),"clipboard",sep="\t",row.names=FALSE,col.names=col.names,...)
options(OutDec = ",")
return(x)
}
}
}
if(!require(pacman)){install.packages("pacman")}
pacman::p_unlock(lib.loc = .libPaths()) #para no tener problemas reinstalando paquetes
knitr::opts_chunk$set(
echo = TRUE,
message = FALSE,
warning = FALSE
)
#dejo los paquetes estadísticos que voy a utilizar
if(!require(plotly)){install.packages("plotly")}
if(!require(lubridate)){install.packages("lubridate")}
if(!require(htmlwidgets)){install.packages("htmlwidgets")}
#if(!require(tidyverse)){install.packages("tidyverse")}
if(!require(gganimate)){install.packages("gganimate")}
if(!require(readr)){install.packages("readr")}
if(!require(stringr)){install.packages("stringr")}
if(!require(data.table)){install.packages("data.table")}
if(!require(DT)){install.packages("DT")}
if(!require(ggplot2)){install.packages("ggplot2")}
if(!require(lattice)){install.packages("lattice")}
if(!require(janitor)){install.packages("janitor")}
if(!require(rjson)){install.packages("rjson")}
if(!require(estimatr)){install.packages("estimatr")}
if(!require(textreg)){install.packages("textreg")}
if(!require(sjPlot)){install.packages("sjPlot")}
if(!require(foreign)){install.packages("foreign")}
if(!require(tsModel)){install.packages("tsModel")}
if(!require(lmtest)){install.packages("lmtest")}
if(!require(Epi)){install.packages("Epi")}
if(!require(splines)){install.packages("splines")}
if(!require(vcd)){install.packages("vcd")}
if(!require(astsa)){install.packages("astsa")}
if(!require(MASS)){install.packages("MASS")}
if(!require(ggsci)){install.packages("ggsci")}
if(!require(Hmisc)){install.packages("Hmisc")}
if(!require(compareGroups)){install.packages("compareGroups")}
if(!require(dplyr)){install.packages("dplyr")}
if(!require(ggforce)){install.packages("ggforce")}
if(!require(doParallel)){install.packages("doParallel")}
if(!require(SCtools)){install.packages("SCtools")}
if(!require(rio)){install.packages("rio")}
if(!require(rbokeh)){install.packages("rbokeh")}
if(!require(altair)){install.packages("altair")}
if(!require(sqldf)){install.packages("sqldf")}
if(!require(devtools)){install.packages("devtools")}
if(!require(ExPanDaR)){install.packages("ExPanDaR")}
if(!require(skimr)){install.packages("skimr")}
if(!require(tm)){install.packages("tm")}
if(!require(wordcloud2)){install.packages("wordcloud2")}
if(!require(wordcloud)){install.packages("wordcloud")}
if(!require(RColorBrewer)){install.packages("RColorBrewer")}
if(!require(psych)){install.packages("psych")}
if(!require(GPArotation)){install.packages("GPArotation")}
if(!require(mvtnorm)){install.packages("mvtnorm")}
if(!require(polycor)){install.packages("polycor")}
if(!require(MVN)){install.packages("MVN")}
if(!require(ggcorrplot)){install.packages("ggcorrplot")}
if(!require(radiant)){install.packages("radiant")}
if(!require(homals)){install.packages("homals")}
if(!require(nFactors)){install.packages("nFactors")}
if(!require(ggiraph)){install.packages("ggiraph")}
if(!require(factoextra)){install.packages("factoextra")}
if(!require(tidyverse)){install.packages("tidyverse")}
if(!require(lubridate)){install.packages("lubridate")}
if(!require(ggfortify)){install.packages("ggfortify")}
if(!require(survminer)){install.packages("survminer")}
if(!require(rpivotTable)){install.packages("rpivotTable")}
if(!require(parameters)){install.packages("parameters")}
if(!require(lavaan)){install.packages("lavaan")}
if(!require(semPlot)){install.packages("semPlot")}
if(!require(semTools)){install.packages("semTools")}
if(!require(random.polychor.pa)){install.packages("random.polychor.pa")}
if(!require(heatmaply)){install.packages("heatmaply")}
if(!require(jtools)){install.packages("jtools")}
if(!require(glmulti)){install.packages("glmulti")}
if(!require(mediation)){install.packages("mediation")}
if(!require(finalfit)){install.packages("finalfit")}
if(!require(diagram)){install.packages("diagram")}
# Calculate the number of cores
#no_cores <- detectCores() - 1
##cl<-makeCluster(no_cores)
#registerDoParallel(cl)
# sudo apt -y install libfontconfig1-dev
# sudo apt-get install libxml2-dev
#Sys.setlocale(category = "LC_ALL", locale = "english")
#locale("es", decimal_mark = ",")
find_type <- function(x) {
case_when(
is.factor(x) ~ "factor",
is.character(x) ~ "character",
is.numeric(x) ~ "numeric",
TRUE ~ "not sure"
)
}
permute_icc <- function(x, y, n = 99) {
actual <- ICCbare(x, y)
nulls <- vector(length = length(n), mode = "numeric")
for(i in seq_along(1:n)) {
scrambled_x <- sample(x, length(x), replace = F)
nulls[i] <- ICCbare(scrambled_x, y)
}
(sum(abs(nulls) > ifelse(actual > 0, actual, -actual)) + 1) / (n+1)
}
permute_tau <- function(x, y, n = 99) {
actual <- GKtau(x, y)$tauxy
nulls <- vector(length = length(n), mode = "numeric")
for(i in seq_along(1:n)) {
scrambled_x <- sample(x, length(x), replace = F)
nulls[i] <- GKtau(scrambled_x, y)$tauxy
}
(sum(abs(nulls) > ifelse(actual > 0, actual, -actual)) + 1) / (n+1)
}
# to do:
## get p-values
eda <- function(x, plot = FALSE) {
x <- as.data.frame(x)
num_rows <- ncol(x)^2 - ncol(x)
df <- tibble(var1 = vector(mode = "character", length = 1),
var2 = vector(mode = "character", length = 1),
statistic = vector(mode = "character", length = 1),
value = vector(mode = "double", length = 1),
p_value = vector(mode = "double", length = 1),
n = vector(mode = "integer", length = 1))
for(i in seq_along(1:ncol(x)))
for(j in seq_along(1:ncol(x))) {
if(i < j){
# get type of columns i and j
var_1_type <- find_type(x[,i])
var_2_type <- find_type(x[,j])
#print(paste("var1 type: ", var_1_type, "\nvar2 type: ", var_2_type, "\n\n"))
x1 <- x[,i]
x2 <- x[,j]
# remove NAs for simplicity
if(any(is.na(x1))){
# get NA indicies
ind <- which(is.na(x1))
x1 <- x1[-ind]
x2 <- x2[-ind]
}
if(any(is.na(x2))){
# get NA indicies
ind <- which(is.na(x2))
x1 <- x1[-ind]
x2 <- x2[-ind]
}
# make sure x1 and x2 are the same length
stopifnot(length(x1) == length(x2))
n <- length(x1)
if(var_1_type == "numeric" & var_2_type == "numeric") {
# run a correlation
result <- cor.test(x1, x2)
df <- add_row(df,
var1 = names(x)[i],
var2 = names(x)[j],
statistic = "r",
value = result$estimate,
p_value = result$p.value,
n = n
)
} else if(var_1_type == "factor" & var_2_type == "numeric") {
# run an ANOVA or t-test, depending on number of levels
num_levels <- length(levels(x1))
require(ICC)
result <- ICCbare(x1, x2)
p <- permute_icc(x1, x2)
df <- add_row(df,
var1 = names(x)[i],
var2 = names(x)[j],
statistic = "ICC",
value = result,
p_value = p,
n = n
)
} else if(var_1_type == "numeric" & var_2_type == "factor") {
# run an ANOVA or t-test, depending on number of levels
num_levels <- length(levels(x2))
require(ICC)
result <- ICCbare(x2, x1)
p <- permute_icc(x2, x1)
df <- add_row(df,
var1 = names(x)[i],
var2 = names(x)[j],
statistic = "ICC",
value = result,
p_value = p,
n = n
)
} else if(var_1_type == "factor" & var_2_type == "factor") {
require("GoodmanKruskal")
# compute the GKtau statistic
stat1 <- GKtau(x1, x2)$tauxy
stat2 <- GKtau(x1, x2)$tauyx
p1 <- permute_tau(x1, x2)
p2 <- permute_tau(x2, x1)
df <- add_row(df,
var1 = names(x)[i],
var2 = names(x)[j],
statistic = "tau",
value = stat1,
p_value = p1,
n = n
)
df <- add_row(df,
var1 = names(x)[j],
var2 = names(x)[i],
statistic = "tau",
value = stat2,
p_value = p2,
n = n
)
} else{
# return an empty row
df <- add_row(df,
var1 = names(x)[i],
var2 = names(x)[j],
statistic = NA_character_,
value = NA_integer_,
p_value = NA_real_,
n = n
)
}
}
}
if(plot == TRUE) {
df[-1,] %>%
filter(!is.na(value)) %>%
unite(variables, var1, var2, sep = " by ") %>%
mutate(`possibly significant` = if_else(p_value < 0.05, "significant", "NS")) %>%
ggplot(aes(y = value, x = reorder(variables, value), color = `possibly significant`)) +
geom_point() +
coord_flip() +
facet_wrap(~statistic, scales = "free") +
theme_minimal() +
scale_color_manual(values = c("#37454B", "#E84F22"))
} else{
df[-1,]
}
}
ajusteAFC <- function (x) {as.data.frame(cbind("Modelo"=deparse(substitute(x)),
"gl"=round(lavaan::fitMeasures(x) ["df"],digits=3),
"WLS X2"=round(lavaan::fitMeasures(x)["chisq"],digits=3),
"CMIN/df"=round((lavaan::fitMeasures(x)["chisq"]/fitMeasures(x) ["df"]),digits=3),
"aGFI"=round(lavaan::fitMeasures(x)["agfi"],digits=3),
"GFI"=round(lavaan::fitMeasures(x)["gfi"],digits=3),
"RMSEA [90% IC]"=paste0(round(lavaan::fitMeasures(x) ["rmsea"],3),"[",round(lavaan::fitMeasures(x) ["rmsea.ci.lower"],3),"-",round(lavaan::fitMeasures(x) ["rmsea.ci.upper"],3),"]"),
"CFit"=round(lavaan::fitMeasures(x)["rmsea.pvalue"],digits=3),
"CFI"=round(lavaan::fitMeasures(x)["cfi"],digits=3),
"NNFI"=round(lavaan::fitMeasures(x)["nnfi"],digits=3),
"SRMR"=round(lavaan::fitMeasures(x)["srmr"],digits=3)))
return(
as.data.frame(cbind("Modelo"=deparse(substitute(x)),
"gl"=round(lavaan::fitMeasures(x) ["df"],digits=3),
"WLS X2"=sprintf("%7.3f",round(lavaan::fitMeasures(x)["chisq"],digits=3)),
"CMIN/df"=sprintf("%5.3f",round((lavaan::fitMeasures(x)["chisq"]/fitMeasures(x) ["df"]),digits=3)),
"aGFI"=sprintf("%5.3f",round(lavaan::fitMeasures(x)["agfi"],digits=3)),
"GFI"=sprintf("%5.3f",round(lavaan::fitMeasures(x)["gfi"],digits=3)),
"RMSEA [90% IC]"=paste0(sprintf("%5.3f",round(lavaan::fitMeasures(x) ["rmsea"],3)),"[",sprintf("%5.3f",round(lavaan::fitMeasures(x) ["rmsea.ci.lower"],3)),"-",sprintf("%5.3f",round(lavaan::fitMeasures(x) ["rmsea.ci.upper"],3)),"]"),
"CFit"=sprintf("%5.3f",round(lavaan::fitMeasures(x)["rmsea.pvalue"],digits=3)),
"CFI"=sprintf("%5.3f",round(lavaan::fitMeasures(x)["cfi"],digits=3)),
"NNFI"=sprintf("%5.3f",round(lavaan::fitMeasures(x)["nnfi"],digits=3)),
"SRMR"=sprintf("%5.3f",round(lavaan::fitMeasures(x)["srmr"],digits=3))))
)
}1 DAG
Estimamos modelos de regresión simples de la asociación entre razón EPPs, el sexo y el soporte de jefaturas y pares en ansiedad o depresión.
gr3<-
DiagrammeR::grViz("
digraph causal {
# Nodes
node [shape = plaintext]
a [label = 'Razón\nEPPs\n(X1)',fontsize=10]
b [label = 'Sexo\n(Mujer)\n(X2)',fontsize=10]
c [label = 'Ansiedad\n y/o Depresión\n(Y)',fontsize=10]
d [label = 'Soporte\nSupervisores & Pares\n(X3)',fontsize=10]
# Edges
edge [color = black,
arrowhead = vee]
a -> c
d -> c
b -> c
# rankdir = TB
#{ rank = same; a; c}
rankdir = LR
{ rank = same; a; b; d }
# Graph
graph [overlap = true]
}")#LR
gr3Figure 0a. Grafo acíclico dirigido
Apuntamos a identificar el efecto de ajustar por un mediador (M) en la estimación de la asociación exposición (A)- resultado (Y) en la presencia de un confusor en el mediador y la variable de resultado (U).
#a) Underlying causal structure. b) Effect of adjustment for the mediator M
gr1<-
DiagrammeR::grViz("
digraph causal {
# Nodes
node [shape = plaintext]
a [label = 'Razón\nEPPs\n(M)',fontsize=10]
b [label = 'Sexo\n(Mujer)\n(U)',fontsize=10]
c [label = 'Ansiedad\n y/o Depresión\n(Y)',fontsize=10]
d [label = 'Soporte\nSupervisores & Pares\n(A)',fontsize=10]
# Edges
edge [color = black,
arrowhead = vee]
rankdir = TB
d -> a [minlen=3]
a -> c [minlen=3]
b -> a [minlen=.5]
b -> c
{ rank = same; c; a; d }
#{ rank = same; b; d }
rankdir = TB
#{ rank = same; d; c } #Ver si lo saco, creo que da problemas
# Graph
graph [overlap = true]
}")#LR
gr1Figure 0b. Grafo acíclico dirigido
En este modelo existe un efecto directo de la variable de exposición.
gr2<-
DiagrammeR::grViz("
digraph causal {
# Nodes
node [shape = plaintext]
a [label = 'Razón\nEPPs\n(M)',fontsize=10]
b [label = 'Sexo\n(Mujer)\n(U)',fontsize=10]
c [label = 'Ansiedad\n y/o Depresión\n(Y)',fontsize=10]
d [label = 'Soporte\nSupervisores & Pares\n(X)',fontsize=10]
# Edges
edge [color = black,
arrowhead = vee]
rankdir = TB
a -> c [minlen=3]
d -> a [minlen=3]
d -> c [minlen=3]
b -> a [minlen=.5]
b -> c
{ rank = same; c; d }
#{ rank = same; b; d }
rankdir = TB
{ rank = same; d; c } #Ver si lo saco, creo que da problemas
# Graph
graph [overlap = true]
}")#LR
gr2Figure 0c. Grafo acíclico dirigido
Con la finalidad de recoger mayor complejidad, decidimos incorporar este modelo a nuestro análisis y no el anterior.
2 Exploración de Datos
options(knitr.kable.NA = '')
#surveymonkey_accionsalududp_df2_ins%>% dplyr::select(-(resp_id:correo_final))%>%
# dplyr::select(where(is.character)) %>% glimpse()
skimr_surveymonkey_accionsalududp_df2_cor_table<-
surveymonkey_accionsalududp_df2_cor_table%>% dplyr::select(c( "p5_animo_1", "p5_animo_2", "p5_animo_3", "p5_animo_4",
"p40_cond_trab_istas_08", "p40_cond_trab_istas_09",
"p40_cond_trab_istas_06", "p40_cond_trab_istas_07",
paste0("p12_contr_cont_imp_nec_0",c(1,2,3,4,6,7,9)),
paste0("p13_contr_cont_imp_disp_0",c(1,2,3,4,6,7,9)),
"estamento", "p45_demo_sexo"))%>%
dplyr::mutate(p45_demo_sexo=factor(p45_demo_sexo)) %>%
#-p31_cond_trab_otr, #no hay otros en SPSS
#-p33_cond_trab_sit_cont_otr) %>% #no hay otros en SPSS
dplyr::mutate(p12_13_nec_insuf_01=dplyr::case_when(p12_contr_cont_imp_nec_01=="TRUE" & p13_contr_cont_imp_disp_01=="Insuficiente"~1,T~0)) %>%
dplyr::mutate(p12_13_nec_insuf_02=dplyr::case_when(p12_contr_cont_imp_nec_02=="TRUE" & p13_contr_cont_imp_disp_02=="Insuficiente"~1,T~0)) %>%
dplyr::mutate(p12_13_nec_insuf_03=dplyr::case_when(p12_contr_cont_imp_nec_03=="TRUE" & p13_contr_cont_imp_disp_03=="Insuficiente"~1,T~0)) %>%
dplyr::mutate(p12_13_nec_insuf_04=dplyr::case_when(p12_contr_cont_imp_nec_04=="TRUE" & p13_contr_cont_imp_disp_04=="Insuficiente"~1,T~0)) %>%
dplyr::mutate(p12_13_nec_insuf_06=dplyr::case_when(p12_contr_cont_imp_nec_06=="TRUE" & p13_contr_cont_imp_disp_06=="Insuficiente"~1,T~0)) %>%
dplyr::mutate(p12_13_nec_insuf_07=dplyr::case_when(p12_contr_cont_imp_nec_07=="TRUE" & p13_contr_cont_imp_disp_07=="Insuficiente"~1,T~0)) %>%
dplyr::mutate(p12_13_nec_insuf_09=dplyr::case_when(p12_contr_cont_imp_nec_09=="TRUE" & p13_contr_cont_imp_disp_09=="Insuficiente"~1,T~0)) %>%
dplyr::rowwise() %>%
dplyr::mutate(imp_nec_sum = sum(c_across(paste0("p12_contr_cont_imp_nec_0",c(1,2,3,4,6,7,9))),na.rm=T)) %>%
dplyr::mutate(insuf_nec_sum = sum(c_across(paste0("p12_13_nec_insuf_0",c(1,2,3,4,6,7,9))),na.rm=T)) %>%
dplyr::mutate(ratio_nec_insuf=dplyr::case_when(imp_nec_sum==0 & insuf_nec_sum==0 & is.na(p12_contr_cont_imp_nec_09)~NA_real_,
#simplemente no hay necesidad
imp_nec_sum==0 & insuf_nec_sum==0 & !is.na(p12_contr_cont_imp_nec_09)~0, #por que no aplica o porque no los necesitan
#no contestaron
imp_nec_sum==0 & insuf_nec_sum==0 & is.na(p12_contr_cont_imp_nec_09) & !is.na(p13_contr_cont_imp_disp_09)~NA_real_,#menos mal no hay casos así
#tiene 0 insuficientes, pero más de 1 necesidad
imp_nec_sum>0 & insuf_nec_sum==0~0,
#el resto
T~insuf_nec_sum/imp_nec_sum
)) %>%
dplyr::ungroup() %>%
dplyr::select(c( "p5_animo_1", "p5_animo_2", "p5_animo_3", "p5_animo_4",
"p40_cond_trab_istas_08", "p40_cond_trab_istas_09",
"p40_cond_trab_istas_06", "p40_cond_trab_istas_07",
paste0("p12_contr_cont_imp_nec_0",c(1,2,3,4,6,7,9)),
paste0("p13_contr_cont_imp_disp_0",c(1,2,3,4,6,7,9)),
"estamento", "p45_demo_sexo","ratio_nec_insuf"))%>%
#View()
skimr::skim() %>%
tibble::as_tibble() %>%
dplyr::mutate(complete_rate=scales::percent(complete_rate)) %>%
dplyr::mutate(logical.mean=scales::percent(logical.mean))
skimr_surveymonkey_accionsalududp_df2_cor_table %>%
dplyr::left_join(var_lbls_no_char, by=c("skim_variable"="nam")) %>%
dplyr::select(skim_type,skim_variable,var_lab, everything()) %>%
knitr::kable(.,format = "html", format.args = list(decimal.mark = ".", big.mark = ","),
caption = paste0("Tabla 1. Resumen de Variables"),#,
col.names = c("Tipo","Variable","Etiqueta","Perdidos","% Completos",
"Ordenado","Valores únicos","Más frecuentes","Media (lógica)", "Recuento (lógica)","Media", "Desv.Est.","Min","Perc. 25", "Mediana", "Perc. 75", "Max", "Hist"),
align =c("c","l",rep('c', 101))) %>%
kableExtra::kable_styling(bootstrap_options = c("striped", "hover"),font_size = 12) %>%
kableExtra::scroll_box(width = "100%", height = "375px")| Tipo | Variable | Etiqueta | Perdidos | % Completos | Ordenado | Valores únicos | Más frecuentes | Media (lógica) | Recuento (lógica) | Media | Desv.Est. | Min | Perc. 25 | Mediana | Perc. 75 | Max | Hist |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| factor | p5_animo_1 | Señale con qué frecuencia ha experimentado las siguientes situaciones en los últimos 7 días | Me he sentido Nervioso, ansioso o con los nervios de punta. | 185 | 78.9% | TRUE | 4 | Alg: 344, Más: 147, Nun: 134, Cas: 65 | ||||||||||
| factor | p5_animo_2 | Señale con qué frecuencia ha experimentado las siguientes situaciones en los últimos 7 días | No he podido dejar de preocuparme. | 185 | 78.9% | TRUE | 4 | Alg: 289, Más: 193, Cas: 105, Nun: 103 | ||||||||||
| factor | p5_animo_3 | Señale con qué frecuencia ha experimentado las siguientes situaciones en los últimos 7 días | He sentido falta de interés o poca satisfacción en hacer cosas. | 185 | 78.9% | TRUE | 4 | Alg: 336, Nun: 159, Más: 136, Cas: 59 | ||||||||||
| factor | p5_animo_4 | Señale con qué frecuencia ha experimentado las siguientes situaciones en los últimos 7 días | Me he sentido decaído, deprimido o desesperanzado. | 185 | 78.9% | TRUE | 4 | Alg: 338, Nun: 170, Más: 138, Cas: 44 | ||||||||||
| factor | p40_cond_trab_istas_08 | En su trabajo principal: | ¿Recibe ayuda y apoyo para el trabajo de sus compañeras o compañeros de trabajo? | 349 | 60.1% | TRUE | 5 | La : 203, Sie: 165, Alg: 110, Sól: 33 | ||||||||||
| factor | p40_cond_trab_istas_09 | En su trabajo principal: | ¿Hay un buen ambiente entre usted y sus compañeros y compañeras de trabajo? | 349 | 60.1% | TRUE | 5 | La : 239, Sie: 198, Alg: 70, Sól: 13 | ||||||||||
| factor | p40_cond_trab_istas_06 | En su trabajo principal: | Su superior directo, ¿está dispuesto a escuchar sus problemas en el trabajo? | 349 | 60.1% | TRUE | 5 | Sie: 253, La : 154, Alg: 61, Sól: 38 | ||||||||||
| factor | p40_cond_trab_istas_07 | En su trabajo principal: | ¿Recibe ayuda y apoyo de su superior directo? | 349 | 60.1% | TRUE | 5 | Sie: 202, La : 164, Alg: 89, Sól: 49 | ||||||||||
| factor | p13_contr_cont_imp_disp_01 | En base a su lugar de trabajo principal, ¿Cómo evalúa la disponibilidad de los siguientes Elementos de Protección Personal (EPP)? | Guantes. | 241 | 72.5% | TRUE | 3 | Suf: 384, No : 159, Ins: 91 | ||||||||||
| factor | p13_contr_cont_imp_disp_02 | En base a su lugar de trabajo principal, ¿Cómo evalúa la disponibilidad de los siguientes Elementos de Protección Personal (EPP)? | Protector de ojos. | 241 | 72.5% | TRUE | 3 | Suf: 250, No : 222, Ins: 162 | ||||||||||
| factor | p13_contr_cont_imp_disp_03 | En base a su lugar de trabajo principal, ¿Cómo evalúa la disponibilidad de los siguientes Elementos de Protección Personal (EPP)? | Protector facial. | 241 | 72.5% | TRUE | 3 | Suf: 343, Ins: 156, No : 135 | ||||||||||
| factor | p13_contr_cont_imp_disp_04 | En base a su lugar de trabajo principal, ¿Cómo evalúa la disponibilidad de los siguientes Elementos de Protección Personal (EPP)? | Overol. | 241 | 72.5% | TRUE | 3 | No : 455, Suf: 92, Ins: 87 | ||||||||||
| factor | p13_contr_cont_imp_disp_06 | En base a su lugar de trabajo principal, ¿Cómo evalúa la disponibilidad de los siguientes Elementos de Protección Personal (EPP)? | Mascarilla quirúrgica. | 241 | 72.5% | TRUE | 3 | Suf: 501, Ins: 93, No : 40 | ||||||||||
| factor | p13_contr_cont_imp_disp_07 | En base a su lugar de trabajo principal, ¿Cómo evalúa la disponibilidad de los siguientes Elementos de Protección Personal (EPP)? | Mascarilla N95. | 241 | 72.5% | TRUE | 3 | Ins: 232, No : 218, Suf: 184 | ||||||||||
| factor | p13_contr_cont_imp_disp_09 | En base a su lugar de trabajo principal, ¿Cómo evalúa la disponibilidad de los siguientes Elementos de Protección Personal (EPP)? | Delantal/Pechera. | 241 | 72.5% | TRUE | 3 | Suf: 302, No : 265, Ins: 67 | ||||||||||
| factor | estamento | 337 | 61.5% | FALSE | 5 | Otr: 251, Enf: 92, Téc: 81, Adm: 59 | |||||||||||
| factor | p45_demo_sexo | 359 | 59.0% | FALSE | 2 | Muj: 394, Hom: 122 | |||||||||||
| logical | p12_contr_cont_imp_nec_01 | En base a su lugar de trabajo principal, seleccione aquellos implementos que considera necesario utilizar: | Guantes | 241 | 72.5% | 56.6% | TRU: 359, FAL: 275 | |||||||||||
| logical | p12_contr_cont_imp_nec_02 | En base a su lugar de trabajo principal, seleccione aquellos implementos que considera necesario utilizar: | Protector de ojos (lentes) | 241 | 72.5% | 45.9% | FAL: 343, TRU: 291 | |||||||||||
| logical | p12_contr_cont_imp_nec_03 | En base a su lugar de trabajo principal, seleccione aquellos implementos que considera necesario utilizar: | Protector facial | 241 | 72.5% | 61.2% | TRU: 388, FAL: 246 | |||||||||||
| logical | p12_contr_cont_imp_nec_04 | En base a su lugar de trabajo principal, seleccione aquellos implementos que considera necesario utilizar: | Overol | 241 | 72.5% | 7.7% | FAL: 585, TRU: 49 | |||||||||||
| logical | p12_contr_cont_imp_nec_06 | En base a su lugar de trabajo principal, seleccione aquellos implementos que considera necesario utilizar: | Mascarilla quirúrgica | 241 | 72.5% | 86.1% | TRU: 546, FAL: 88 | |||||||||||
| logical | p12_contr_cont_imp_nec_07 | En base a su lugar de trabajo principal, seleccione aquellos implementos que considera necesario utilizar: | Mascarilla N95 | 241 | 72.5% | 50.0% | FAL: 317, TRU: 317 | |||||||||||
| logical | p12_contr_cont_imp_nec_09 | En base a su lugar de trabajo principal, seleccione aquellos implementos que considera necesario utilizar: | Delantal/Pechera | 241 | 72.5% | 45.9% | FAL: 343, TRU: 291 | |||||||||||
| numeric | ratio_nec_insuf | 241 | 72.5% | 0.2383544 | 0.3268377 | 0 | 0 | 0 | 0.5 | 1 | <U+2587><U+2581><U+2582><U+2581><U+2581> |
#table(surveymonkey_accionsalududp_df2_cor_table$estamento)2.1 Descriptivo
#surveymonkey_accionsalududp_df2_cor %>% dplyr::filter(!is.na(inst))%>% janitor::tabyl(inst) %>% dplyr::mutate(percent=scales::percent(percent))
#surveymonkey_accionsalududp_df2_cor %>% dplyr::filter(!is.na(inst))%>% janitor::tabyl(resp_status) %>% dplyr::mutate(percent=scales::percent(percent))
#surveymonkey_accionsalududp_df2_cor %>% dplyr::filter(!is.na(inst))%>% janitor::tabyl(resp_status) %>% dplyr::mutate(percent=scales::percent(percent)) %>% summarise(n=sum(n))
#surveymonkey_accionsalududp_df2_cor %>% janitor::tabyl(resp_status) %>% dplyr::mutate(percent=scales::percent(percent)) %>% summarise(n=sum(n))
library(plotly)
#cols_labels2 %>% dplyr::filter(V1=="p14_contr_cont_cap_epp")
m <- list(
l = -120,
r = -230,
b = 100,
t = 100,
pad =1
)
#surveymonkey_accionsalududp_df2_cor$ p7_exp_c19_trab_cont p8_exp_c19_cerca_cont p10_exp_c19_preocupa_llevar p14_contr_cont_cap_epp p15_contr_cont_14a_eval_cap p16_contr_cont_conf_epps p18_contr_cont_conf_eval_ri p19_contr_cont_nieg_epp p11_exp_c19_miedo_pand_rec p27_cond_trab_sup_jef p28_cond_trab_sis_trab p29_cond_trab_28c_sis_mix_0 p29_cond_trab_28c_sis_mix p30_cond_trab_28c_sis_mix_a p36_cond_trab_reasig p37_cond_trab_num_est p38_cond_trab_sal_psi p39_cond_trab_cult_org
inst_resp<-
surveymonkey_accionsalududp_df2_cor_table %>%
dplyr::group_by(inst,resp_status)%>%
dplyr::summarise(n=n()) %>%
dplyr::group_by(inst) %>%
dplyr::mutate(sum=sum(n),percent=round(n/sum(n),2))%>%
dplyr::ungroup() %>%
tidyr::pivot_wider(names_from="resp_status",values_from="n") %>%
dplyr::group_by(inst) %>%
dplyr::mutate(completed=max(completed,na.rm=T),disqualified=max(disqualified,na.rm=T),partial=max(partial,na.rm=T)) %>%
slice(1) %>%
dplyr::ungroup() %>%
dplyr::mutate(inst=factor(ifelse(is.na(inst),"General",as.character(inst))))
fig <- plot_ly(data= inst_resp, x = ~inst, y = ~completed , type = 'bar', name = 'Completado',
marker= list(color=c('#424242'))) %>% #rgb(191, 183, 182)
add_trace(y = ~disqualified , name = 'Descalificado',
marker= list(color=c('#FF5252'))) %>% #rgba(222,45,38,0.8)
add_trace(y = ~partial, name = 'Parcial',
marker= list(color=c('#9e9e9e'))) %>% #rgb(145, 22, 0)
layout(textinfo = 'label+percent', sort = FALSE,direction = "clockwise",
title = "Estatus de respuesta por Institución",
xaxis = list(title = "Institución"),
yaxis = list(title = 'Recuento'),
barmode = 'stack')
figFigura 1. Recuento de Estatus de Respuesta por Institución
#rm(list=ls());gc()
library(compareGroups)
#p12_contr_cont_imp_nec_01 p12_contr_cont_imp_nec_02 p12_contr_cont_imp_nec_03 p12_contr_cont_imp_nec_04 p12_contr_cont_imp_nec_06 p12_contr_cont_imp_nec_07 p12_contr_cont_imp_nec_09 p13_contr_cont_imp_disp_01 p13_contr_cont_imp_disp_02 p13_contr_cont_imp_disp_03 p13_contr_cont_imp_disp_04 p13_contr_cont_imp_disp_06 p13_contr_cont_imp_disp_07 p13_contr_cont_imp_disp_09
#janitor::tabyl(p20_contr_cont_med_pev_1_simpler)
table1_all_art <- suppressWarnings(compareGroups( ~
p5_animo_1+
p5_animo_2+
p5_animo_3+
p5_animo_4+
p40_cond_trab_istas_08+
p40_cond_trab_istas_09+
p40_cond_trab_istas_06+
p40_cond_trab_istas_07+
p12_contr_cont_imp_nec_01+
p12_contr_cont_imp_nec_02+
p12_contr_cont_imp_nec_03+
p12_contr_cont_imp_nec_04+
p12_contr_cont_imp_nec_06+
p12_contr_cont_imp_nec_07+
p12_contr_cont_imp_nec_09+
p13_contr_cont_imp_disp_01+
p13_contr_cont_imp_disp_02+
p13_contr_cont_imp_disp_03+
p13_contr_cont_imp_disp_04+
p13_contr_cont_imp_disp_06+
p13_contr_cont_imp_disp_07+
p13_contr_cont_imp_disp_09+
estamento+
p45_demo_sexo,
method= c(
p5_animo_1=3,
p5_animo_2=3,
p5_animo_3=3,
p5_animo_4=3,
p40_cond_trab_istas_08=3,
p40_cond_trab_istas_09=3,
p40_cond_trab_istas_06=3,
p40_cond_trab_istas_07=3,
p12_contr_cont_imp_nec_01=3,
p12_contr_cont_imp_nec_02=3,
p12_contr_cont_imp_nec_03=3,
p12_contr_cont_imp_nec_04=3,
p12_contr_cont_imp_nec_06=3,
p12_contr_cont_imp_nec_07=3,
p12_contr_cont_imp_nec_09=3,
p13_contr_cont_imp_disp_01=3,
p13_contr_cont_imp_disp_02=3,
p13_contr_cont_imp_disp_03=3,
p13_contr_cont_imp_disp_04=3,
p13_contr_cont_imp_disp_06=3,
p13_contr_cont_imp_disp_07=3,
p13_contr_cont_imp_disp_09=3,
estamento=3,
p45_demo_sexo=3),
data = surveymonkey_accionsalududp_df2_cor_table,
include.miss = T, #baja el número de casos
p.corrected=T,
chisq.test.perm=T,
chisq.test.seed=1234,
var.equal=T)
)
restab1_all_art <- createTable(table1_all_art, show.p.overall = T)
pvals1_art <- getResults(table1_all_art)
#p.adjust(pvals, method = "BH")
export2md(restab1_all_art, size=12, first.strip=T, hide.no="no", position="center",
format="html",caption= "Tabla 2. Descriptivo Aplicación Total",
col.names=c("Variables", "Todos los casos", "N")
)%>%
kableExtra::add_footnote(c("Note. N= Número de participantes con al menos una respuesta válida en las variables seleccionadas; Variables continuas se presentan como medianas y percentiles 25 y 75;",
"Variables categóricas son presentadas como el recuento y el porcentaje"), notation = "none")%>%
kableExtra::scroll_box(width = "100%", height = "800px")| Variables | Todos los casos | N |
|---|---|---|
| N=875 | ||
| Señale con qué frecuencia ha experimentado las siguientes situaciones en los últimos 7 días | Me he sentido Nervioso, ansioso o con los nervios de punta.: | 875 | |
| Nunca | 134 (15.3%) | |
| Algunos días | 344 (39.3%) | |
| Más de la mitad de los días | 147 (16.8%) | |
| Casi todos los días | 65 (7.43%) | |
| ‘Missing’ | 185 (21.1%) | |
| Señale con qué frecuencia ha experimentado las siguientes situaciones en los últimos 7 días | No he podido dejar de preocuparme.: | 875 | |
| Nunca | 103 (11.8%) | |
| Algunos días | 289 (33.0%) | |
| Más de la mitad de los días | 193 (22.1%) | |
| Casi todos los días | 105 (12.0%) | |
| ‘Missing’ | 185 (21.1%) | |
| Señale con qué frecuencia ha experimentado las siguientes situaciones en los últimos 7 días | He sentido falta de interés o poca satisfacción en hacer cosas.: | 875 | |
| Nunca | 159 (18.2%) | |
| Algunos días | 336 (38.4%) | |
| Más de la mitad de los días | 136 (15.5%) | |
| Casi todos los días | 59 (6.74%) | |
| ‘Missing’ | 185 (21.1%) | |
| Señale con qué frecuencia ha experimentado las siguientes situaciones en los últimos 7 días | Me he sentido decaído, deprimido o desesperanzado.: | 875 | |
| Nunca | 170 (19.4%) | |
| Algunos días | 338 (38.6%) | |
| Más de la mitad de los días | 138 (15.8%) | |
| Casi todos los días | 44 (5.03%) | |
| ‘Missing’ | 185 (21.1%) | |
| En su trabajo principal: | ¿Recibe ayuda y apoyo para el trabajo de sus compañeras o compañeros de trabajo?: | 875 | |
| Siempre | 165 (18.9%) | |
| La mayoría <br>de las veces | 203 (23.2%) | |
| Algunas veces | 110 (12.6%) | |
| Sólo unas <br>pocas veces | 33 (3.77%) | |
| Nunca | 15 (1.71%) | |
| ‘Missing’ | 349 (39.9%) | |
| En su trabajo principal: | ¿Hay un buen ambiente entre usted y sus compañeros y compañeras de trabajo?: | 875 | |
| Siempre | 198 (22.6%) | |
| La mayoría <br>de las veces | 239 (27.3%) | |
| Algunas veces | 70 (8.00%) | |
| Sólo unas <br>pocas veces | 13 (1.49%) | |
| Nunca | 6 (0.69%) | |
| ‘Missing’ | 349 (39.9%) | |
| En su trabajo principal: | Su superior directo, ¿está dispuesto a escuchar sus problemas en el trabajo?: | 875 | |
| Siempre | 253 (28.9%) | |
| La mayoría <br>de las veces | 154 (17.6%) | |
| Algunas veces | 61 (6.97%) | |
| Sólo unas <br>pocas veces | 38 (4.34%) | |
| Nunca | 20 (2.29%) | |
| ‘Missing’ | 349 (39.9%) | |
| En su trabajo principal: | ¿Recibe ayuda y apoyo de su superior directo?: | 875 | |
| Siempre | 202 (23.1%) | |
| La mayoría <br>de las veces | 164 (18.7%) | |
| Algunas veces | 89 (10.2%) | |
| Sólo unas <br>pocas veces | 49 (5.60%) | |
| Nunca | 22 (2.51%) | |
| ‘Missing’ | 349 (39.9%) | |
| En base a su lugar de trabajo principal, seleccione aquellos implementos que considera necesario utilizar: | Guantes: | 875 | |
| FALSE | 275 (31.4%) | |
| TRUE | 359 (41.0%) | |
| ‘Missing’ | 241 (27.5%) | |
| En base a su lugar de trabajo principal, seleccione aquellos implementos que considera necesario utilizar: | Protector de ojos (lentes): | 875 | |
| FALSE | 343 (39.2%) | |
| TRUE | 291 (33.3%) | |
| ‘Missing’ | 241 (27.5%) | |
| En base a su lugar de trabajo principal, seleccione aquellos implementos que considera necesario utilizar: | Protector facial: | 875 | |
| FALSE | 246 (28.1%) | |
| TRUE | 388 (44.3%) | |
| ‘Missing’ | 241 (27.5%) | |
| En base a su lugar de trabajo principal, seleccione aquellos implementos que considera necesario utilizar: | Overol: | 875 | |
| FALSE | 585 (66.9%) | |
| TRUE | 49 (5.60%) | |
| ‘Missing’ | 241 (27.5%) | |
| En base a su lugar de trabajo principal, seleccione aquellos implementos que considera necesario utilizar: | Mascarilla quirúrgica: | 875 | |
| FALSE | 88 (10.1%) | |
| TRUE | 546 (62.4%) | |
| ‘Missing’ | 241 (27.5%) | |
| En base a su lugar de trabajo principal, seleccione aquellos implementos que considera necesario utilizar: | Mascarilla N95: | 875 | |
| FALSE | 317 (36.2%) | |
| TRUE | 317 (36.2%) | |
| ‘Missing’ | 241 (27.5%) | |
| En base a su lugar de trabajo principal, seleccione aquellos implementos que considera necesario utilizar: | Delantal/Pechera: | 875 | |
| FALSE | 343 (39.2%) | |
| TRUE | 291 (33.3%) | |
| ‘Missing’ | 241 (27.5%) | |
| En base a su lugar de trabajo principal, ¿Cómo evalúa la disponibilidad de los siguientes Elementos de Protección Personal (EPP)? | Guantes.: | 875 | |
| Suficiente | 384 (43.9%) | |
| Insuficiente | 91 (10.4%) | |
| No Aplica | 159 (18.2%) | |
| ‘Missing’ | 241 (27.5%) | |
| En base a su lugar de trabajo principal, ¿Cómo evalúa la disponibilidad de los siguientes Elementos de Protección Personal (EPP)? | Protector de ojos.: | 875 | |
| Suficiente | 250 (28.6%) | |
| Insuficiente | 162 (18.5%) | |
| No Aplica | 222 (25.4%) | |
| ‘Missing’ | 241 (27.5%) | |
| En base a su lugar de trabajo principal, ¿Cómo evalúa la disponibilidad de los siguientes Elementos de Protección Personal (EPP)? | Protector facial.: | 875 | |
| Suficiente | 343 (39.2%) | |
| Insuficiente | 156 (17.8%) | |
| No Aplica | 135 (15.4%) | |
| ‘Missing’ | 241 (27.5%) | |
| En base a su lugar de trabajo principal, ¿Cómo evalúa la disponibilidad de los siguientes Elementos de Protección Personal (EPP)? | Overol.: | 875 | |
| Suficiente | 92 (10.5%) | |
| Insuficiente | 87 (9.94%) | |
| No Aplica | 455 (52.0%) | |
| ‘Missing’ | 241 (27.5%) | |
| En base a su lugar de trabajo principal, ¿Cómo evalúa la disponibilidad de los siguientes Elementos de Protección Personal (EPP)? | Mascarilla quirúrgica.: | 875 | |
| Suficiente | 501 (57.3%) | |
| Insuficiente | 93 (10.6%) | |
| No Aplica | 40 (4.57%) | |
| ‘Missing’ | 241 (27.5%) | |
| En base a su lugar de trabajo principal, ¿Cómo evalúa la disponibilidad de los siguientes Elementos de Protección Personal (EPP)? | Mascarilla N95.: | 875 | |
| Suficiente | 184 (21.0%) | |
| Insuficiente | 232 (26.5%) | |
| No Aplica | 218 (24.9%) | |
| ‘Missing’ | 241 (27.5%) | |
| En base a su lugar de trabajo principal, ¿Cómo evalúa la disponibilidad de los siguientes Elementos de Protección Personal (EPP)? | Delantal/Pechera.: | 875 | |
| Suficiente | 302 (34.5%) | |
| Insuficiente | 67 (7.66%) | |
| No Aplica | 265 (30.3%) | |
| ‘Missing’ | 241 (27.5%) | |
| Estamento: | 875 | |
| Administrativo | 59 (6.74%) | |
| Enfermeros | 92 (10.5%) | |
| Médicos | 55 (6.29%) | |
| Otros Profesionales No Médicos | 251 (28.7%) | |
| Técnicos y Auxiliares | 81 (9.26%) | |
| ‘Missing’ | 337 (38.5%) | |
| Sexo (Recodificación Binaria): | 875 | |
| Hombre | 122 (13.9%) | |
| Mujer | 394 (45.0%) | |
| ‘Missing’ | 359 (41.0%) | |
| Note. N= Número de participantes con al menos una respuesta válida en las variables seleccionadas; Variables continuas se presentan como medianas y percentiles 25 y 75; | ||
| Variables categóricas son presentadas como el recuento y el porcentaje |
- Tener en consideración el importante porcentaje de perdidos en el sexo (~41%), preguntas psicosociales, seguido por el estamento.
#janitor::tabyl(p20_contr_cont_med_pev_1_simpler)
# p27_cond_trab_sup_jef
surveymonkey_accionsalududp_df2_cor_table2<-
surveymonkey_accionsalududp_df2_cor_table %>%
dplyr::mutate(p11_exp_c19_miedo_pand=as.numeric(p11_exp_c19_miedo_pand)) %>%
dplyr::mutate(p45_demo_sexo=dplyr::case_when(grepl("Mujer",p45_demo_sexo)~1,
grepl("Hombre",p45_demo_sexo)~0,
T~NA_real_)) %>%
#-p31_cond_trab_otr, #no hay otros en SPSS
#-p33_cond_trab_sit_cont_otr) %>% #no hay otros en SPSS
dplyr::mutate(p12_13_nec_insuf_01=dplyr::case_when(p12_contr_cont_imp_nec_01=="TRUE" & p13_contr_cont_imp_disp_01=="Insuficiente"~1,T~0)) %>%
dplyr::mutate(p12_13_nec_insuf_02=dplyr::case_when(p12_contr_cont_imp_nec_02=="TRUE" & p13_contr_cont_imp_disp_02=="Insuficiente"~1,T~0)) %>%
dplyr::mutate(p12_13_nec_insuf_03=dplyr::case_when(p12_contr_cont_imp_nec_03=="TRUE" & p13_contr_cont_imp_disp_03=="Insuficiente"~1,T~0)) %>%
dplyr::mutate(p12_13_nec_insuf_04=dplyr::case_when(p12_contr_cont_imp_nec_04=="TRUE" & p13_contr_cont_imp_disp_04=="Insuficiente"~1,T~0)) %>%
dplyr::mutate(p12_13_nec_insuf_06=dplyr::case_when(p12_contr_cont_imp_nec_06=="TRUE" & p13_contr_cont_imp_disp_06=="Insuficiente"~1,T~0)) %>%
dplyr::mutate(p12_13_nec_insuf_07=dplyr::case_when(p12_contr_cont_imp_nec_07=="TRUE" & p13_contr_cont_imp_disp_07=="Insuficiente"~1,T~0)) %>%
dplyr::mutate(p12_13_nec_insuf_09=dplyr::case_when(p12_contr_cont_imp_nec_09=="TRUE" & p13_contr_cont_imp_disp_09=="Insuficiente"~1,T~0)) %>%
dplyr::rowwise() %>%
dplyr::mutate(imp_nec_sum = sum(c_across(paste0("p12_contr_cont_imp_nec_0",c(1,2,3,4,6,7,9))),na.rm=T)) %>%
dplyr::mutate(insuf_nec_sum = sum(c_across(paste0("p12_13_nec_insuf_0",c(1,2,3,4,6,7,9))),na.rm=T)) %>%
dplyr::mutate(ratio_nec_insuf=dplyr::case_when(imp_nec_sum==0 & insuf_nec_sum==0 & is.na(p12_contr_cont_imp_nec_09)~NA_real_,
#simplemente no hay necesidad
imp_nec_sum==0 & insuf_nec_sum==0 & !is.na(p12_contr_cont_imp_nec_09)~0, #por que no aplica o porque no los necesitan
#no contestaron
imp_nec_sum==0 & insuf_nec_sum==0 & is.na(p12_contr_cont_imp_nec_09) & !is.na(p13_contr_cont_imp_disp_09)~NA_real_,#menos mal no hay casos así
#tiene 0 insuficientes, pero más de 1 necesidad
imp_nec_sum>0 & insuf_nec_sum==0~0,
#el resto
T~insuf_nec_sum/imp_nec_sum
)) %>%
dplyr::ungroup()
attr(surveymonkey_accionsalududp_df2_cor_table2$p11_exp_c19_miedo_pand,"label")<-'¿Cómo califica su nivel de miedo de la situación de pandemia al día de hoy?'
attr(surveymonkey_accionsalududp_df2_cor_table2$p45_demo_sexo,"label")<-'Sexo (Recodificación Binaria) (1= Mujer)'
attr(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf,"label")<-'Razón entre EPPs requeridos e insuficientes (guantes,lentes,delantal,overol,mascarilla q,pantalla, mascarilla n95)'
table5_estamento_art <- suppressWarnings(compareGroups(estamento ~
p5_animo_1+
p5_animo_2+
p5_animo_3+
p5_animo_4+
p40_cond_trab_istas_08+
p40_cond_trab_istas_09+
p40_cond_trab_istas_06+
p40_cond_trab_istas_07+
p12_contr_cont_imp_nec_01+
p12_contr_cont_imp_nec_02+
p12_contr_cont_imp_nec_03+
p12_contr_cont_imp_nec_04+
p12_contr_cont_imp_nec_06+
p12_contr_cont_imp_nec_07+
p12_contr_cont_imp_nec_09+
p13_contr_cont_imp_disp_01+
p13_contr_cont_imp_disp_02+
p13_contr_cont_imp_disp_03+
p13_contr_cont_imp_disp_04+
p13_contr_cont_imp_disp_06+
p13_contr_cont_imp_disp_07+
p13_contr_cont_imp_disp_09+
p45_demo_sexo+
ratio_nec_insuf,
method= c(
p5_animo_1=3,
p5_animo_2=3,
p5_animo_3=3,
p5_animo_4=3,
p40_cond_trab_istas_08=3,
p40_cond_trab_istas_09=3,
p40_cond_trab_istas_06=3,
p40_cond_trab_istas_07=3,
p12_contr_cont_imp_nec_01=3,
p12_contr_cont_imp_nec_02=3,
p12_contr_cont_imp_nec_03=3,
p12_contr_cont_imp_nec_04=3,
p12_contr_cont_imp_nec_06=3,
p12_contr_cont_imp_nec_07=3,
p12_contr_cont_imp_nec_09=3,
p13_contr_cont_imp_disp_01=3,
p13_contr_cont_imp_disp_02=3,
p13_contr_cont_imp_disp_03=3,
p13_contr_cont_imp_disp_04=3,
p13_contr_cont_imp_disp_06=3,
p13_contr_cont_imp_disp_07=3,
p13_contr_cont_imp_disp_09=3,
p45_demo_sexo=3,
ratio_nec_insuf=2),
data = surveymonkey_accionsalududp_df2_cor_table2,
include.miss = T, #baja el número de casos
p.corrected=T,
chisq.test.perm=T,
chisq.test.seed=1234,
var.equal=T)
)
restab5_estamento_art <- createTable(table5_estamento_art, show.p.overall = T)
pvals5_art <- getResults(restab5_estamento_art)
#p.adjust(pvals, method = "BH")
export2md(restab5_estamento_art, size=13, first.strip=T, hide.no="no", position="center",
format="html",caption= "Tabla 3. Descriptivo Aplicación Total según Estamento",
col.names=c("Variables","Admin.", "Enfermeros", "Médicos", "Otros Prof. No-Médicos", "Técnicos y Aux.", "Sig.")
)%>%
kableExtra::add_footnote(c("Note. N= Número de participantes con al menos una respuesta válida en las variables seleccionadas; Variables continuas se presentan como medianas y percentiles 25 y 75;",
"Variables categóricas son presentadas como el recuento y el porcentaje"), notation = "none")%>%
kableExtra::scroll_box(width = "100%", height = "800px")| Variables | Admin. | Enfermeros | Médicos | Otros Prof. No-Médicos | Técnicos y Aux. | Sig. |
|---|---|---|---|---|---|---|
| N=59 | N=92 | N=55 | N=251 | N=81 | ||
| Señale con qué frecuencia ha experimentado las siguientes situaciones en los últimos 7 días | Me he sentido Nervioso, ansioso o con los nervios de punta.: | 0.062 | |||||
| Nunca | 16 (27.1%) | 14 (15.2%) | 9 (16.4%) | 46 (18.3%) | 14 (17.3%) | |
| Algunos días | 26 (44.1%) | 40 (43.5%) | 38 (69.1%) | 127 (50.6%) | 38 (46.9%) | |
| Más de la mitad de los días | 11 (18.6%) | 24 (26.1%) | 7 (12.7%) | 58 (23.1%) | 18 (22.2%) | |
| Casi todos los días | 6 (10.2%) | 14 (15.2%) | 1 (1.82%) | 20 (7.97%) | 11 (13.6%) | |
| Señale con qué frecuencia ha experimentado las siguientes situaciones en los últimos 7 días | No he podido dejar de preocuparme.: | 0.436 | |||||
| Nunca | 8 (13.6%) | 8 (8.70%) | 9 (16.4%) | 34 (13.5%) | 12 (14.8%) | |
| Algunos días | 26 (44.1%) | 33 (35.9%) | 23 (41.8%) | 115 (45.8%) | 32 (39.5%) | |
| Más de la mitad de los días | 15 (25.4%) | 34 (37.0%) | 18 (32.7%) | 64 (25.5%) | 29 (35.8%) | |
| Casi todos los días | 10 (16.9%) | 17 (18.5%) | 5 (9.09%) | 38 (15.1%) | 8 (9.88%) | |
| Señale con qué frecuencia ha experimentado las siguientes situaciones en los últimos 7 días | He sentido falta de interés o poca satisfacción en hacer cosas.: | 0.566 | |||||
| Nunca | 16 (27.1%) | 17 (18.5%) | 9 (16.4%) | 63 (25.1%) | 18 (22.2%) | |
| Algunos días | 21 (35.6%) | 44 (47.8%) | 33 (60.0%) | 115 (45.8%) | 43 (53.1%) | |
| Más de la mitad de los días | 16 (27.1%) | 22 (23.9%) | 9 (16.4%) | 53 (21.1%) | 16 (19.8%) | |
| Casi todos los días | 6 (10.2%) | 9 (9.78%) | 4 (7.27%) | 20 (7.97%) | 4 (4.94%) | |
| Señale con qué frecuencia ha experimentado las siguientes situaciones en los últimos 7 días | Me he sentido decaído, deprimido o desesperanzado.: | 0.467 | |||||
| Nunca | 19 (32.2%) | 24 (26.1%) | 13 (23.6%) | 61 (24.3%) | 15 (18.5%) | |
| Algunos días | 23 (39.0%) | 41 (44.6%) | 31 (56.4%) | 124 (49.4%) | 42 (51.9%) | |
| Más de la mitad de los días | 10 (16.9%) | 20 (21.7%) | 8 (14.5%) | 52 (20.7%) | 21 (25.9%) | |
| Casi todos los días | 7 (11.9%) | 7 (7.61%) | 3 (5.45%) | 14 (5.58%) | 3 (3.70%) | |
| En su trabajo principal: | ¿Recibe ayuda y apoyo para el trabajo de sus compañeras o compañeros de trabajo?: | 0.227 | |||||
| Siempre | 24 (40.7%) | 33 (35.9%) | 15 (27.3%) | 75 (29.9%) | 18 (22.2%) | |
| La mayoría <br>de las veces | 14 (23.7%) | 35 (38.0%) | 27 (49.1%) | 95 (37.8%) | 32 (39.5%) | |
| Algunas veces | 12 (20.3%) | 18 (19.6%) | 9 (16.4%) | 49 (19.5%) | 22 (27.2%) | |
| Sólo unas <br>pocas veces | 4 (6.78%) | 4 (4.35%) | 1 (1.82%) | 21 (8.37%) | 3 (3.70%) | |
| Nunca | 4 (6.78%) | 1 (1.09%) | 1 (1.82%) | 6 (2.39%) | 3 (3.70%) | |
| ‘Missing’ | 1 (1.69%) | 1 (1.09%) | 2 (3.64%) | 5 (1.99%) | 3 (3.70%) | |
| En su trabajo principal: | ¿Hay un buen ambiente entre usted y sus compañeros y compañeras de trabajo?: | 0.694 | |||||
| Siempre | 28 (47.5%) | 36 (39.1%) | 15 (27.3%) | 89 (35.5%) | 30 (37.0%) | |
| La mayoría <br>de las veces | 19 (32.2%) | 39 (42.4%) | 31 (56.4%) | 114 (45.4%) | 36 (44.4%) | |
| Algunas veces | 9 (15.3%) | 13 (14.1%) | 7 (12.7%) | 30 (12.0%) | 11 (13.6%) | |
| Sólo unas <br>pocas veces | 2 (3.39%) | 2 (2.17%) | 0 (0.00%) | 8 (3.19%) | 1 (1.23%) | |
| Nunca | 0 (0.00%) | 1 (1.09%) | 0 (0.00%) | 5 (1.99%) | 0 (0.00%) | |
| ‘Missing’ | 1 (1.69%) | 1 (1.09%) | 2 (3.64%) | 5 (1.99%) | 3 (3.70%) | |
| En su trabajo principal: | Su superior directo, ¿está dispuesto a escuchar sus problemas en el trabajo?: | 0.899 | |||||
| Siempre | 31 (52.5%) | 49 (53.3%) | 27 (49.1%) | 111 (44.2%) | 35 (43.2%) | |
| La mayoría <br>de las veces | 12 (20.3%) | 28 (30.4%) | 16 (29.1%) | 73 (29.1%) | 25 (30.9%) | |
| Algunas veces | 8 (13.6%) | 7 (7.61%) | 6 (10.9%) | 30 (12.0%) | 10 (12.3%) | |
| Sólo unas <br>pocas veces | 3 (5.08%) | 6 (6.52%) | 3 (5.45%) | 20 (7.97%) | 6 (7.41%) | |
| Nunca | 4 (6.78%) | 1 (1.09%) | 1 (1.82%) | 12 (4.78%) | 2 (2.47%) | |
| ‘Missing’ | 1 (1.69%) | 1 (1.09%) | 2 (3.64%) | 5 (1.99%) | 3 (3.70%) | |
| En su trabajo principal: | ¿Recibe ayuda y apoyo de su superior directo?: | 0.593 | |||||
| Siempre | 28 (47.5%) | 39 (42.4%) | 20 (36.4%) | 92 (36.7%) | 23 (28.4%) | |
| La mayoría <br>de las veces | 12 (20.3%) | 28 (30.4%) | 18 (32.7%) | 79 (31.5%) | 27 (33.3%) | |
| Algunas veces | 10 (16.9%) | 15 (16.3%) | 10 (18.2%) | 36 (14.3%) | 18 (22.2%) | |
| Sólo unas <br>pocas veces | 4 (6.78%) | 5 (5.43%) | 3 (5.45%) | 31 (12.4%) | 6 (7.41%) | |
| Nunca | 4 (6.78%) | 4 (4.35%) | 2 (3.64%) | 8 (3.19%) | 4 (4.94%) | |
| ‘Missing’ | 1 (1.69%) | 1 (1.09%) | 2 (3.64%) | 5 (1.99%) | 3 (3.70%) | |
| En base a su lugar de trabajo principal, seleccione aquellos implementos que considera necesario utilizar: | Guantes: | <0.001 | |||||
| FALSE | 35 (59.3%) | 24 (26.1%) | 17 (30.9%) | 157 (62.5%) | 10 (12.3%) | |
| TRUE | 24 (40.7%) | 68 (73.9%) | 38 (69.1%) | 94 (37.5%) | 71 (87.7%) | |
| En base a su lugar de trabajo principal, seleccione aquellos implementos que considera necesario utilizar: | Protector de ojos (lentes): | <0.001 | |||||
| FALSE | 42 (71.2%) | 40 (43.5%) | 23 (41.8%) | 162 (64.5%) | 27 (33.3%) | |
| TRUE | 17 (28.8%) | 52 (56.5%) | 32 (58.2%) | 89 (35.5%) | 54 (66.7%) | |
| En base a su lugar de trabajo principal, seleccione aquellos implementos que considera necesario utilizar: | Protector facial: | <0.001 | |||||
| FALSE | 36 (61.0%) | 24 (26.1%) | 18 (32.7%) | 115 (45.8%) | 22 (27.2%) | |
| TRUE | 23 (39.0%) | 68 (73.9%) | 37 (67.3%) | 136 (54.2%) | 59 (72.8%) | |
| En base a su lugar de trabajo principal, seleccione aquellos implementos que considera necesario utilizar: | Overol: | <0.001 | |||||
| FALSE | 59 (100%) | 88 (95.7%) | 51 (92.7%) | 236 (94.0%) | 62 (76.5%) | |
| TRUE | 0 (0.00%) | 4 (4.35%) | 4 (7.27%) | 15 (5.98%) | 19 (23.5%) | |
| En base a su lugar de trabajo principal, seleccione aquellos implementos que considera necesario utilizar: | Mascarilla quirúrgica: | 0.276 | |||||
| FALSE | 7 (11.9%) | 7 (7.61%) | 11 (20.0%) | 32 (12.7%) | 12 (14.8%) | |
| TRUE | 52 (88.1%) | 85 (92.4%) | 44 (80.0%) | 219 (87.3%) | 69 (85.2%) | |
| En base a su lugar de trabajo principal, seleccione aquellos implementos que considera necesario utilizar: | Mascarilla N95: | <0.001 | |||||
| FALSE | 40 (67.8%) | 35 (38.0%) | 13 (23.6%) | 160 (63.7%) | 26 (32.1%) | |
| TRUE | 19 (32.2%) | 57 (62.0%) | 42 (76.4%) | 91 (36.3%) | 55 (67.9%) | |
| En base a su lugar de trabajo principal, seleccione aquellos implementos que considera necesario utilizar: | Delantal/Pechera: | <0.001 | |||||
| FALSE | 57 (96.6%) | 27 (29.3%) | 10 (18.2%) | 185 (73.7%) | 23 (28.4%) | |
| TRUE | 2 (3.39%) | 65 (70.7%) | 45 (81.8%) | 66 (26.3%) | 58 (71.6%) | |
| En base a su lugar de trabajo principal, ¿Cómo evalúa la disponibilidad de los siguientes Elementos de Protección Personal (EPP)? | Guantes.: | <0.001 | |||||
| Suficiente | 20 (33.9%) | 74 (80.4%) | 50 (90.9%) | 117 (46.6%) | 66 (81.5%) | |
| Insuficiente | 7 (11.9%) | 8 (8.70%) | 2 (3.64%) | 41 (16.3%) | 14 (17.3%) | |
| No Aplica | 32 (54.2%) | 10 (10.9%) | 3 (5.45%) | 93 (37.1%) | 1 (1.23%) | |
| En base a su lugar de trabajo principal, ¿Cómo evalúa la disponibilidad de los siguientes Elementos de Protección Personal (EPP)? | Protector de ojos.: | <0.001 | |||||
| Suficiente | 17 (28.8%) | 53 (57.6%) | 28 (50.9%) | 67 (26.7%) | 43 (53.1%) | |
| Insuficiente | 7 (11.9%) | 24 (26.1%) | 17 (30.9%) | 56 (22.3%) | 27 (33.3%) | |
| No Aplica | 35 (59.3%) | 15 (16.3%) | 10 (18.2%) | 128 (51.0%) | 11 (13.6%) | |
| En base a su lugar de trabajo principal, ¿Cómo evalúa la disponibilidad de los siguientes Elementos de Protección Personal (EPP)? | Protector facial.: | <0.001 | |||||
| Suficiente | 22 (37.3%) | 68 (73.9%) | 41 (74.5%) | 109 (43.4%) | 49 (60.5%) | |
| Insuficiente | 16 (27.1%) | 15 (16.3%) | 10 (18.2%) | 64 (25.5%) | 25 (30.9%) | |
| No Aplica | 21 (35.6%) | 9 (9.78%) | 4 (7.27%) | 78 (31.1%) | 7 (8.64%) | |
| En base a su lugar de trabajo principal, ¿Cómo evalúa la disponibilidad de los siguientes Elementos de Protección Personal (EPP)? | Overol.: | <0.001 | |||||
| Suficiente | 4 (6.78%) | 13 (14.1%) | 13 (23.6%) | 33 (13.1%) | 11 (13.6%) | |
| Insuficiente | 3 (5.08%) | 17 (18.5%) | 7 (12.7%) | 24 (9.56%) | 24 (29.6%) | |
| No Aplica | 52 (88.1%) | 62 (67.4%) | 35 (63.6%) | 194 (77.3%) | 46 (56.8%) | |
| En base a su lugar de trabajo principal, ¿Cómo evalúa la disponibilidad de los siguientes Elementos de Protección Personal (EPP)? | Mascarilla quirúrgica.: | 0.001 | |||||
| Suficiente | 42 (71.2%) | 81 (88.0%) | 52 (94.5%) | 187 (74.5%) | 68 (84.0%) | |
| Insuficiente | 11 (18.6%) | 10 (10.9%) | 1 (1.82%) | 45 (17.9%) | 13 (16.0%) | |
| No Aplica | 6 (10.2%) | 1 (1.09%) | 2 (3.64%) | 19 (7.57%) | 0 (0.00%) | |
| En base a su lugar de trabajo principal, ¿Cómo evalúa la disponibilidad de los siguientes Elementos de Protección Personal (EPP)? | Mascarilla N95.: | <0.001 | |||||
| Suficiente | 7 (11.9%) | 41 (44.6%) | 34 (61.8%) | 56 (22.3%) | 23 (28.4%) | |
| Insuficiente | 16 (27.1%) | 34 (37.0%) | 14 (25.5%) | 80 (31.9%) | 46 (56.8%) | |
| No Aplica | 36 (61.0%) | 17 (18.5%) | 7 (12.7%) | 115 (45.8%) | 12 (14.8%) | |
| En base a su lugar de trabajo principal, ¿Cómo evalúa la disponibilidad de los siguientes Elementos de Protección Personal (EPP)? | Delantal/Pechera.: | <0.001 | |||||
| Suficiente | 5 (8.47%) | 71 (77.2%) | 46 (83.6%) | 75 (29.9%) | 57 (70.4%) | |
| Insuficiente | 2 (3.39%) | 7 (7.61%) | 4 (7.27%) | 26 (10.4%) | 14 (17.3%) | |
| No Aplica | 52 (88.1%) | 14 (15.2%) | 5 (9.09%) | 150 (59.8%) | 10 (12.3%) | |
| Sexo (Recodificación Binaria) (1= Mujer): | 0.058 | |||||
| 0 | 11 (18.6%) | 11 (12.0%) | 20 (36.4%) | 61 (24.3%) | 19 (23.5%) | |
| 1 | 47 (79.7%) | 75 (81.5%) | 33 (60.0%) | 180 (71.7%) | 59 (72.8%) | |
| ‘Missing’ | 1 (1.69%) | 6 (6.52%) | 2 (3.64%) | 10 (3.98%) | 3 (3.70%) | |
| Razón entre EPPs requeridos e insuficientes (guantes,lentes,delantal,overol,mascarilla q,pantalla, mascarilla n95) | 0.00 [0.00;0.50] | 0.00 [0.00;0.25] | 0.00 [0.00;0.18] | 0.00 [0.00;0.50] | 0.20 [0.00;0.50] | <0.001 |
| Note. N= Número de participantes con al menos una respuesta válida en las variables seleccionadas; Variables continuas se presentan como medianas y percentiles 25 y 75; | ||||||
| Variables categóricas son presentadas como el recuento y el porcentaje |
Existen algunas diferencias por estamento:
- Los guantes son más necesarios en técnicos y auxiliares, mientras que poco en administrativos y otros profesionales no médicos. Llama la atención que un gran porcentaje de técnicos y auxiliares haya indicado que este elemento su disponibilidad era insuficiente, seguido por otros profesionales no médicos.
- Los protectores de ojos son bastante necesarios en técnicos y auxiliares, en contraste con administrativos y otros profesionales no médicos. Sin embargo, un tercio de los técnicos y auxiliares indicaron que dicho elemento era insuficiente, seguido de médicos que bordean esta cifra.
- El protector facial es considerado muy necesario en técnicos y auxiliares, pero muy poco en administrativos. Sin embargo, cerca de un tercio de técnicos y auxiliares, y alrededor de un cuarto de administrativos y otros profesionales no-médicos indicaron que su disponibilidad es insuficiente.
- El overol es un elemento requerido entre técnicos y auxiliares, pero nada o muy poco requerido entre administativos, enfermeros y profesionales no médicos. No obstante, casi un tercio de técnicos y auxiliares señala que su disponobilidad es insuiciente, seguido de lejos por casi 1 de cada 5 enfermeros.
- La mascarilla N95 es muy requerida por médicos, técnicos y auxiliares y enfermeros, pero menos entre administrativos y otros profesionales no médicos. Ahora bien, su disponibilidad es insuficiente en más de la mitad de técnicos y auxiliares, seguido por más de un tercio de enfermeros y cerca de un tercio de otros profesionales no-médicos.
- El delantal/pechera es muy requerido entre médicos, técnicos y auxiliares y enfermeros, pero muy poco entre administrativos y otros profesionales no médicos. Con todo, más de 1 de cada 6 técnicos y auxiliares indica que la disponibilidad de este elemento es insuficiente.
- Si bien la mascarilla quirúgica se mostró necesaria en todos los estamentos, fueron los administrativos, otros profesionales no-médicos y técnicos y auxiliares quienes indicaron en mayor proporción que su diponibilidad era insuficiente.
#janitor::tabyl(p20_contr_cont_med_pev_1_simpler)
# p27_cond_trab_sup_jef
table6_sex <- suppressWarnings(compareGroups(p45_demo_sexo ~
p5_animo_1+
p5_animo_2+
p5_animo_3+
p5_animo_4+
p40_cond_trab_istas_08+
p40_cond_trab_istas_09+
p40_cond_trab_istas_06+
p40_cond_trab_istas_07+
p12_contr_cont_imp_nec_01+
p12_contr_cont_imp_nec_02+
p12_contr_cont_imp_nec_03+
p12_contr_cont_imp_nec_04+
p12_contr_cont_imp_nec_06+
p12_contr_cont_imp_nec_07+
p12_contr_cont_imp_nec_09+
p13_contr_cont_imp_disp_01+
p13_contr_cont_imp_disp_02+
p13_contr_cont_imp_disp_03+
p13_contr_cont_imp_disp_04+
p13_contr_cont_imp_disp_06+
p13_contr_cont_imp_disp_07+
p13_contr_cont_imp_disp_09+
estamento+
ratio_nec_insuf,
method= c(
p5_animo_1=3,
p5_animo_2=3,
p5_animo_3=3,
p5_animo_4=3,
p40_cond_trab_istas_08=3,
p40_cond_trab_istas_09=3,
p40_cond_trab_istas_06=3,
p40_cond_trab_istas_07=3,
p12_contr_cont_imp_nec_01=3,
p12_contr_cont_imp_nec_02=3,
p12_contr_cont_imp_nec_03=3,
p12_contr_cont_imp_nec_04=3,
p12_contr_cont_imp_nec_06=3,
p12_contr_cont_imp_nec_07=3,
p12_contr_cont_imp_nec_09=3,
p13_contr_cont_imp_disp_01=3,
p13_contr_cont_imp_disp_02=3,
p13_contr_cont_imp_disp_03=3,
p13_contr_cont_imp_disp_04=3,
p13_contr_cont_imp_disp_06=3,
p13_contr_cont_imp_disp_07=3,
p13_contr_cont_imp_disp_09=3,
estamento=3,
ratio_nec_insuf=2),
data = surveymonkey_accionsalududp_df2_cor_table2,
include.miss = T, #baja el número de casos
p.corrected=T,
chisq.test.perm=T,
chisq.test.seed=1234,
var.equal=T)
)
restab6_sex_art <- createTable(table6_sex, show.p.overall = T)
pvals6_art <- getResults(restab6_sex_art)
#p.adjust(pvals, method = "BH")
export2md(restab6_sex_art, size=13, first.strip=T, hide.no="no", position="center",
format="html",caption= "Tabla 4. Descriptivo Aplicación Total según Sexo",
col.names=c("Variables", "Hombres","Mujeres", "Sig.")
)%>%
kableExtra::add_footnote(c("Note. N= Número de participantes con al menos una respuesta válida en las variables seleccionadas; Variables continuas se presentan como medianas y percentiles 25 y 75;",
"Variables categóricas son presentadas como el recuento y el porcentaje"), notation = "none")%>%
kableExtra::scroll_box(width = "100%", height = "800px")| Variables | Hombres | Mujeres | Sig. |
|---|---|---|---|
| N=122 | N=394 | ||
| Señale con qué frecuencia ha experimentado las siguientes situaciones en los últimos 7 días | Me he sentido Nervioso, ansioso o con los nervios de punta.: | <0.001 | ||
| Nunca | 35 (28.7%) | 61 (15.5%) | |
| Algunos días | 65 (53.3%) | 193 (49.0%) | |
| Más de la mitad de los días | 17 (13.9%) | 96 (24.4%) | |
| Casi todos los días | 5 (4.10%) | 44 (11.2%) | |
| Señale con qué frecuencia ha experimentado las siguientes situaciones en los últimos 7 días | No he podido dejar de preocuparme.: | 0.005 | ||
| Nunca | 23 (18.9%) | 45 (11.4%) | |
| Algunos días | 60 (49.2%) | 159 (40.4%) | |
| Más de la mitad de los días | 30 (24.6%) | 123 (31.2%) | |
| Casi todos los días | 9 (7.38%) | 67 (17.0%) | |
| Señale con qué frecuencia ha experimentado las siguientes situaciones en los últimos 7 días | He sentido falta de interés o poca satisfacción en hacer cosas.: | 0.878 | ||
| Nunca | 29 (23.8%) | 89 (22.6%) | |
| Algunos días | 59 (48.4%) | 187 (47.5%) | |
| Más de la mitad de los días | 26 (21.3%) | 83 (21.1%) | |
| Casi todos los días | 8 (6.56%) | 35 (8.88%) | |
| Señale con qué frecuencia ha experimentado las siguientes situaciones en los últimos 7 días | Me he sentido decaído, deprimido o desesperanzado.: | 0.006 | ||
| Nunca | 43 (35.2%) | 85 (21.6%) | |
| Algunos días | 56 (45.9%) | 194 (49.2%) | |
| Más de la mitad de los días | 15 (12.3%) | 90 (22.8%) | |
| Casi todos los días | 8 (6.56%) | 25 (6.35%) | |
| En su trabajo principal: | ¿Recibe ayuda y apoyo para el trabajo de sus compañeras o compañeros de trabajo?: | 0.050 | ||
| Siempre | 46 (37.7%) | 117 (29.7%) | |
| La mayoría <br>de las veces | 52 (42.6%) | 146 (37.1%) | |
| Algunas veces | 19 (15.6%) | 90 (22.8%) | |
| Sólo unas <br>pocas veces | 4 (3.28%) | 28 (7.11%) | |
| Nunca | 1 (0.82%) | 13 (3.30%) | |
| En su trabajo principal: | ¿Hay un buen ambiente entre usted y sus compañeros y compañeras de trabajo?: | 0.754 | ||
| Siempre | 45 (36.9%) | 147 (37.3%) | |
| La mayoría <br>de las veces | 59 (48.4%) | 178 (45.2%) | |
| Algunas veces | 16 (13.1%) | 54 (13.7%) | |
| Sólo unas <br>pocas veces | 1 (0.82%) | 12 (3.05%) | |
| Nunca | 1 (0.82%) | 3 (0.76%) | |
| En su trabajo principal: | Su superior directo, ¿está dispuesto a escuchar sus problemas en el trabajo?: | 0.297 | ||
| Siempre | 69 (56.6%) | 180 (45.7%) | |
| La mayoría <br>de las veces | 29 (23.8%) | 123 (31.2%) | |
| Algunas veces | 14 (11.5%) | 46 (11.7%) | |
| Sólo unas <br>pocas veces | 7 (5.74%) | 29 (7.36%) | |
| Nunca | 3 (2.46%) | 16 (4.06%) | |
| En su trabajo principal: | ¿Recibe ayuda y apoyo de su superior directo?: | 0.675 | ||
| Siempre | 52 (42.6%) | 146 (37.1%) | |
| La mayoría <br>de las veces | 39 (32.0%) | 123 (31.2%) | |
| Algunas veces | 18 (14.8%) | 71 (18.0%) | |
| Sólo unas <br>pocas veces | 10 (8.20%) | 37 (9.39%) | |
| Nunca | 3 (2.46%) | 17 (4.31%) | |
| En base a su lugar de trabajo principal, seleccione aquellos implementos que considera necesario utilizar: | Guantes: | 0.358 | ||
| FALSE | 60 (49.2%) | 173 (43.9%) | |
| TRUE | 62 (50.8%) | 221 (56.1%) | |
| En base a su lugar de trabajo principal, seleccione aquellos implementos que considera necesario utilizar: | Protector de ojos (lentes): | 0.391 | ||
| FALSE | 72 (59.0%) | 213 (54.1%) | |
| TRUE | 50 (41.0%) | 181 (45.9%) | |
| En base a su lugar de trabajo principal, seleccione aquellos implementos que considera necesario utilizar: | Protector facial: | 0.151 | ||
| FALSE | 56 (45.9%) | 150 (38.1%) | |
| TRUE | 66 (54.1%) | 244 (61.9%) | |
| En base a su lugar de trabajo principal, seleccione aquellos implementos que considera necesario utilizar: | Overol: | 0.009 | ||
| FALSE | 105 (86.1%) | 370 (93.9%) | |
| TRUE | 17 (13.9%) | 24 (6.09%) | |
| En base a su lugar de trabajo principal, seleccione aquellos implementos que considera necesario utilizar: | Mascarilla quirúrgica: | 0.724 | ||
| FALSE | 17 (13.9%) | 48 (12.2%) | |
| TRUE | 105 (86.1%) | 346 (87.8%) | |
| En base a su lugar de trabajo principal, seleccione aquellos implementos que considera necesario utilizar: | Mascarilla N95: | 0.909 | ||
| FALSE | 63 (51.6%) | 199 (50.5%) | |
| TRUE | 59 (48.4%) | 195 (49.5%) | |
| En base a su lugar de trabajo principal, seleccione aquellos implementos que considera necesario utilizar: | Delantal/Pechera: | 0.134 | ||
| FALSE | 76 (62.3%) | 213 (54.1%) | |
| TRUE | 46 (37.7%) | 181 (45.9%) | |
| En base a su lugar de trabajo principal, ¿Cómo evalúa la disponibilidad de los siguientes Elementos de Protección Personal (EPP)? | Guantes.: | 0.199 | ||
| Suficiente | 82 (67.2%) | 233 (59.1%) | |
| Insuficiente | 11 (9.02%) | 56 (14.2%) | |
| No Aplica | 29 (23.8%) | 105 (26.6%) | |
| En base a su lugar de trabajo principal, ¿Cómo evalúa la disponibilidad de los siguientes Elementos de Protección Personal (EPP)? | Protector de ojos.: | 0.198 | ||
| Suficiente | 52 (42.6%) | 147 (37.3%) | |
| Insuficiente | 22 (18.0%) | 102 (25.9%) | |
| No Aplica | 48 (39.3%) | 145 (36.8%) | |
| En base a su lugar de trabajo principal, ¿Cómo evalúa la disponibilidad de los siguientes Elementos de Protección Personal (EPP)? | Protector facial.: | 0.574 | ||
| Suficiente | 67 (54.9%) | 210 (53.3%) | |
| Insuficiente | 25 (20.5%) | 98 (24.9%) | |
| No Aplica | 30 (24.6%) | 86 (21.8%) | |
| En base a su lugar de trabajo principal, ¿Cómo evalúa la disponibilidad de los siguientes Elementos de Protección Personal (EPP)? | Overol.: | 0.323 | ||
| Suficiente | 21 (17.2%) | 52 (13.2%) | |
| Insuficiente | 20 (16.4%) | 53 (13.5%) | |
| No Aplica | 81 (66.4%) | 289 (73.4%) | |
| En base a su lugar de trabajo principal, ¿Cómo evalúa la disponibilidad de los siguientes Elementos de Protección Personal (EPP)? | Mascarilla quirúrgica.: | 0.084 | ||
| Suficiente | 106 (86.9%) | 307 (77.9%) | |
| Insuficiente | 11 (9.02%) | 66 (16.8%) | |
| No Aplica | 5 (4.10%) | 21 (5.33%) | |
| En base a su lugar de trabajo principal, ¿Cómo evalúa la disponibilidad de los siguientes Elementos de Protección Personal (EPP)? | Mascarilla N95.: | 0.517 | ||
| Suficiente | 41 (33.6%) | 115 (29.2%) | |
| Insuficiente | 38 (31.1%) | 143 (36.3%) | |
| No Aplica | 43 (35.2%) | 136 (34.5%) | |
| En base a su lugar de trabajo principal, ¿Cómo evalúa la disponibilidad de los siguientes Elementos de Protección Personal (EPP)? | Delantal/Pechera.: | 0.801 | ||
| Suficiente | 58 (47.5%) | 187 (47.5%) | |
| Insuficiente | 10 (8.20%) | 40 (10.2%) | |
| No Aplica | 54 (44.3%) | 167 (42.4%) | |
| Estamento: | 0.014 | ||
| Administrativo | 11 (9.02%) | 47 (11.9%) | |
| Enfermeros | 11 (9.02%) | 75 (19.0%) | |
| Médicos | 20 (16.4%) | 33 (8.38%) | |
| Otros Profesionales No Médicos | 61 (50.0%) | 180 (45.7%) | |
| Técnicos y Auxiliares | 19 (15.6%) | 59 (15.0%) | |
| Razón entre EPPs requeridos e insuficientes (guantes,lentes,delantal,overol,mascarilla q,pantalla, mascarilla n95) | 0.00 [0.00;0.17] | 0.00 [0.00;0.50] | 0.001 |
| Note. N= Número de participantes con al menos una respuesta válida en las variables seleccionadas; Variables continuas se presentan como medianas y percentiles 25 y 75; | |||
| Variables categóricas son presentadas como el recuento y el porcentaje |
Mujeres:
- Menos respuestas “Nunca” en preguntas sobre sintomatología ansiosa
- Más frecuencia de sintomatología ansiosa (Más “Más de la mitad de los días” y “Casi todos los días”)
- En pregunta sobre haberse sentido decaído, deprimido y desesperanzado, más frecuencia de “Más de la mitad de los días”
- Mayor porcentaje enfermeros, menor porcentaje de mujeres médicos
- Mayor razón EPP’s insuficientes de los indicados como necesarios
- Menos requieren overol
2.2 Regresiones
ord_vec1<-
c(
"p5_animo_1", "p5_animo_2", "p5_animo_3", "p5_animo_4",
"tamizaje_ans", "tamizaje_dep",
"p40_cond_trab_istas_08", "p40_cond_trab_istas_09",
"p40_cond_trab_istas_08_p40_num", "p40_cond_trab_istas_09_p40_num",
"p40_cond_trab_istas_06", "p40_cond_trab_istas_07",
"p40_cond_trab_istas_06_p40_num", "p40_cond_trab_istas_07_p40_num",
"p11_exp_c19_miedo_pand")
surveymonkey_accionsalududp_df2_cor_table2<-
surveymonkey_accionsalududp_df2_cor_table2 %>%
# dplyr::mutate(tamizaje_ans=ifelse(grepl("Indicadores de",tamizaje_ans),1,0)) %>%
# dplyr::mutate(tamizaje_dep=ifelse(grepl("Indicadores de",tamizaje_dep),1,0)) %>%
rowwise() %>%
dplyr::mutate(p40_istas_soporte = sum(c_across(c("p40_cond_trab_istas_08_p40_num",
"p40_cond_trab_istas_09_p40_num",
"p40_cond_trab_istas_06_p40_num",
"p40_cond_trab_istas_07_p40_num")),na.rm=F)) %>%
dplyr::ungroup()
attr(surveymonkey_accionsalududp_df2_cor_table2$p40_istas_soporte,"label")<-'Suma ítems Soporte Pares y Superiores ISTAS21'
dependent = "tamizaje_ans"
explanatory0 = c("p40_istas_soporte","ratio_nec_insuf")
explanatory1 = c("p40_istas_soporte","ratio_nec_insuf", "estamento")
explanatory2 = c("p40_istas_soporte","ratio_nec_insuf","estamento", "p45_demo_sexo")
explanatory3 = c("p40_istas_soporte*ratio_nec_insuf", "estamento", "p45_demo_sexo")
#tamizaje_ans tamizaje_dep
model1<-
surveymonkey_accionsalududp_df2_cor_table2 %>%
dplyr::mutate(
p40_istas_soporte= ff_label(p40_istas_soporte,"Soporte Pares y Superiores ISTAS21"),
ratio_nec_insuf= ff_label(ratio_nec_insuf, "Razón EPPs insuficientes por aquellos necesarios"),
estamento= ff_label(estamento, "Estamento"),
tamizaje_ans= ff_label(tamizaje_ans, "Presencia Sint. Ansiosa")) %>%
glmmulti(dependent, explanatory0, family = "binomial") %>%
fit2df(exp = TRUE, estimate_name = "OR1", estimate_suffix = "Sin Estamento")
#tidy(glm(tamizaje_ans~ p40_istas_soporte*p11_exp_c19_miedo_pand+estamento, data=na.omit(surveymonkey_accionsalududp_df2_cor_table[,ord_vec]), family="binomial"))
fit_metrics1 = surveymonkey_accionsalududp_df2_cor_table2 %>%
glmmulti(dependent, explanatory0, family = "binomial") %>%
ff_metrics()
model2<-
surveymonkey_accionsalududp_df2_cor_table2 %>%
dplyr::mutate(
p40_istas_soporte= ff_label(p40_istas_soporte,"Soporte Pares y Superiores ISTAS21"),
ratio_nec_insuf= ff_label(ratio_nec_insuf, "Razón EPPs insuficientes por aquellos necesarios"),
estamento= ff_label(estamento, "Estamento"),
tamizaje_ans= ff_label(tamizaje_ans, "Presencia Sint. Ansiosa")) %>%
glmmulti(dependent, explanatory1, family = "binomial") %>%
fit2df(exp = TRUE, estimate_name = "OR2", estimate_suffix = "Con Estamento")
fit_metrics2 = surveymonkey_accionsalududp_df2_cor_table2 %>%
glmmulti(dependent, explanatory1, family = "binomial") %>%
ff_metrics()
model3<-
surveymonkey_accionsalududp_df2_cor_table2 %>%
dplyr::mutate(
p40_istas_soporte= ff_label(p40_istas_soporte,"Soporte Pares y Superiores ISTAS21"),
ratio_nec_insuf= ff_label(ratio_nec_insuf, "Razón EPPs insuficientes por aquellos necesarios"),
estamento= ff_label(estamento, "Estamento"),
p45_demo_sexo= ff_label(factor(p45_demo_sexo), "Sexo Mujer"),
tamizaje_ans= ff_label(tamizaje_ans, "Presencia Sint. Ansiosa")) %>%
glmmulti(dependent, explanatory2, family = "binomial") %>%
fit2df(exp = TRUE, estimate_name = "OR3", estimate_suffix = "Estamento+ Sexo")
fit_metrics3 = surveymonkey_accionsalududp_df2_cor_table2 %>%
glmmulti(dependent, explanatory2, family = "binomial") %>%
ff_metrics()
model4<-
surveymonkey_accionsalududp_df2_cor_table2 %>%
dplyr::mutate(
p40_istas_soporte= ff_label(p40_istas_soporte,"Soporte Pares y Superiores ISTAS21"),
ratio_nec_insuf= ff_label(ratio_nec_insuf, "Razón EPPs insuficientes por aquellos necesarios"),
estamento= ff_label(estamento, "Estamento"),
p45_demo_sexo= ff_label(factor(p45_demo_sexo), "Sexo Mujer"),
tamizaje_ans= ff_label(tamizaje_ans, "Presencia Sint. Ansiosa")) %>%
glmmulti(dependent, explanatory3, family = "binomial") %>%
fit2df(exp = TRUE, estimate_name = "OR4", estimate_suffix = "Estamento+ Sexo+ Soporte x Razón EPPs")
fit_metrics4 = surveymonkey_accionsalududp_df2_cor_table2 %>%
glmmulti(dependent, explanatory3, family = "binomial") %>%
ff_metrics()
model4 %>%
dplyr::left_join(model3, by=c("explanatory")) %>%
dplyr::left_join(model2, by=c("explanatory")) %>%
dplyr::left_join(model1, by=c("explanatory")) %>%
dplyr::mutate(Variable=c("Soporte Pares y Superiores ISTAS21",
"Razón EPPs insuficientes por aquellos necesarios",
"Estamento- Enfermeros",
"Estamento- Médicos",
"Estamento- Otros profesionales no médicos",
"Estamento- Técnicos y auxiliares",
"Sexo (1= Mujer)",
"Soporte x Razón EPPs")) %>%
dplyr::select(Variable, `OR4Estamento+ Sexo+ Soporte x Razón EPPs`, `OR3Estamento+ Sexo`,`OR2Con Estamento`,`OR1Sin Estamento`) %>%
knitr::kable(row.names=FALSE,
align=c("l", "l", "c", "c", "c", "c"),
caption="Tabla 5a. Coeficientes Asociaciones con Sintomatología Ansiosa") %>%
kableExtra::kable_styling(bootstrap_options = c("striped", "hover","condensed"),font_size= 13) %>%
kableExtra::add_footnote(paste0("Nota. Sin Estamento: ",fit_metrics1,"\nCon estamento: ",fit_metrics2,"\nCon Estamento y Sexo: ", fit_metrics3, "\nCon Interacción: ",fit_metrics4), notation = "none") %>%
kableExtra::scroll_box(width = "100%", height = "370px")| Variable | OR4Estamento+ Sexo+ Soporte x Razón EPPs | OR3Estamento+ Sexo | OR2Con Estamento | OR1Sin Estamento |
|---|---|---|---|---|
| Soporte Pares y Superiores ISTAS21 | 0.89 (0.82-0.96, p=0.002) | 0.89 (0.84-0.94, p<0.001) | 0.89 (0.84-0.94, p<0.001) | 0.89 (0.84-0.94, p<0.001) |
| Razón EPPs insuficientes por aquellos necesarios | 1.58 (0.20-13.44, p=0.669) | 1.84 (1.05-3.27, p=0.035) | 2.05 (1.18-3.60, p=0.012) | 1.91 (1.11-3.32, p=0.021) |
| Estamento- Enfermeros | 1.68 (0.84-3.40, p=0.148) | 1.68 (0.84-3.40, p=0.148) | 1.91 (0.96-3.83, p=0.065) | |
| Estamento- Médicos | 1.28 (0.58-2.82, p=0.546) | 1.28 (0.58-2.82, p=0.544) | 1.13 (0.52-2.46, p=0.762) | |
| Estamento- Otros profesionales no médicos | 1.07 (0.58-1.97, p=0.833) | 1.07 (0.58-1.97, p=0.829) | 1.00 (0.55-1.84, p=0.995) | |
| Estamento- Técnicos y auxiliares | 1.28 (0.63-2.63, p=0.496) | 1.28 (0.63-2.63, p=0.493) | 1.22 (0.60-2.48, p=0.584) | |
| Sexo (1= Mujer) | 2.04 (1.31-3.23, p=0.002) | 2.05 (1.31-3.23, p=0.002) | ||
| Soporte x Razón EPPs | 1.01 (0.85-1.20, p=0.878) | |||
|
Nota. Sin Estamento: Number in dataframe = 875, Number in model = 526, Missing = 349, AIC = 707.7, C-statistic = 0.629, H&L = Chi-sq(8) 8.60 (p=0.377) Con estamento: Number in dataframe = 875, Number in model = 526, Missing = 349, AIC = 708.9, C-statistic = 0.644, H&L = Chi-sq(8) 6.09 (p=0.637) Con Estamento y Sexo: Number in dataframe = 875, Number in model = 516, Missing = 359, AIC = 687.8, C-statistic = 0.656, H&L = Chi-sq(8) 7.14 (p=0.522) Con Interacción: Number in dataframe = 875, Number in model = 516, Missing = 359, AIC = 689.7, C-statistic = 0.656, H&L = Chi-sq(8) 10.19 (p=0.252) |
dependent2 = "tamizaje_dep"
explanatory02 = c("p40_istas_soporte","ratio_nec_insuf")
explanatory12 = c("p40_istas_soporte","ratio_nec_insuf", "estamento")
explanatory22 = c("p40_istas_soporte","ratio_nec_insuf","estamento", "p45_demo_sexo")
explanatory32 = c("p40_istas_soporte*ratio_nec_insuf", "estamento", "p45_demo_sexo")
#tamizaje_ans tamizaje_dep
model12<-
surveymonkey_accionsalududp_df2_cor_table2 %>%
dplyr::mutate(
p40_istas_soporte= ff_label(p40_istas_soporte,"Soporte Pares y Superiores ISTAS21"),
ratio_nec_insuf= ff_label(ratio_nec_insuf, "Razón EPPs insuficientes por aquellos necesarios"),
estamento= ff_label(estamento, "Estamento"),
tamizaje_dep= ff_label(tamizaje_dep, "Presencia Sint. Depresiva")) %>%
glmmulti(dependent2, explanatory02, family = "binomial") %>%
fit2df(exp = TRUE, estimate_name = "OR1", estimate_suffix = "Sin Estamento")
#tidy(glm(tamizaje_ans~ p40_istas_soporte*p11_exp_c19_miedo_pand+estamento, data=na.omit(surveymonkey_accionsalududp_df2_cor_table[,ord_vec]), family="binomial"))
fit_metrics12 = surveymonkey_accionsalududp_df2_cor_table2 %>%
glmmulti(dependent2, explanatory02, family = "binomial") %>%
ff_metrics()
model22<-
surveymonkey_accionsalududp_df2_cor_table2 %>%
dplyr::mutate(
p40_istas_soporte= ff_label(p40_istas_soporte,"Soporte Pares y Superiores ISTAS21"),
ratio_nec_insuf= ff_label(ratio_nec_insuf, "Razón EPPs insuficientes por aquellos necesarios"),
estamento= ff_label(estamento, "Estamento"),
tamizaje_dep= ff_label(tamizaje_dep, "Presencia Sint. Depresiva")) %>%
glmmulti(dependent2, explanatory12, family = "binomial") %>%
fit2df(exp = TRUE, estimate_name = "OR2", estimate_suffix = "Con Estamento")
fit_metrics22 = surveymonkey_accionsalududp_df2_cor_table2 %>%
glmmulti(dependent2, explanatory12, family = "binomial") %>%
ff_metrics()
model32<-
surveymonkey_accionsalududp_df2_cor_table2 %>%
dplyr::mutate(
p40_istas_soporte= ff_label(p40_istas_soporte,"Soporte Pares y Superiores ISTAS21"),
ratio_nec_insuf= ff_label(ratio_nec_insuf, "Razón EPPs insuficientes por aquellos necesarios"),
estamento= ff_label(estamento, "Estamento"),
p45_demo_sexo= ff_label(factor(p45_demo_sexo), "Sexo Mujer"),
tamizaje_dep= ff_label(tamizaje_dep, "Presencia Sint. Depresiva")) %>%
glmmulti(dependent2, explanatory22, family = "binomial") %>%
fit2df(exp = TRUE, estimate_name = "OR3", estimate_suffix = "Estamento+ Sexo")
fit_metrics32 = surveymonkey_accionsalududp_df2_cor_table2 %>%
glmmulti(dependent2, explanatory22, family = "binomial") %>%
ff_metrics()
model42<-
surveymonkey_accionsalududp_df2_cor_table2 %>%
dplyr::mutate(
p40_istas_soporte= ff_label(p40_istas_soporte,"Soporte Pares y Superiores ISTAS21"),
ratio_nec_insuf= ff_label(ratio_nec_insuf, "Razón EPPs insuficientes por aquellos necesarios"),
estamento= ff_label(estamento, "Estamento"),
p45_demo_sexo= ff_label(factor(p45_demo_sexo), "Sexo Mujer"),
tamizaje_dep= ff_label(tamizaje_dep, "Presencia Sint. Depresiva")) %>%
glmmulti(dependent2, explanatory32, family = "binomial") %>%
fit2df(exp = TRUE, estimate_name = "OR4", estimate_suffix = "Estamento+ Sexo+ Soporte x Razón EPPs")
fit_metrics42 = surveymonkey_accionsalududp_df2_cor_table2 %>%
glmmulti(dependent2, explanatory32, family = "binomial") %>%
ff_metrics()
model42 %>%
dplyr::left_join(model32, by=c("explanatory")) %>%
dplyr::left_join(model22, by=c("explanatory")) %>%
dplyr::left_join(model12, by=c("explanatory")) %>%
dplyr::mutate(Variable=c("Soporte Pares y Superiores ISTAS21",
"Razón EPPs insuficientes por aquellos necesarios",
"Estamento- Enfermeros",
"Estamento- Médicos",
"Estamento- Otros profesionales no médicos",
"Estamento- Técnicos y auxiliares",
"Sexo (1= Mujer)",
"Soporte x Razón EPPs")) %>%
dplyr::select(Variable, `OR4Estamento+ Sexo+ Soporte x Razón EPPs`, `OR3Estamento+ Sexo`,`OR2Con Estamento`,`OR1Sin Estamento`) %>%
knitr::kable(row.names=FALSE,
align=c("l", "l", "c", "c", "c", "c"),
caption="Tabla 5b. Coeficientes Asociaciones con Sintomatología Depresiva") %>%
kableExtra::kable_styling(bootstrap_options = c("striped", "hover","condensed"),font_size= 13) %>%
kableExtra::add_footnote(paste0("Nota. Sin Estamento: ",fit_metrics12,"\nCon estamento: ",fit_metrics22,"\nCon Estamento y Sexo: ", fit_metrics32, "\nCon Interacción: ",fit_metrics42), notation = "none") %>%
kableExtra::scroll_box(width = "100%", height = "370px")| Variable | OR4Estamento+ Sexo+ Soporte x Razón EPPs | OR3Estamento+ Sexo | OR2Con Estamento | OR1Sin Estamento |
|---|---|---|---|---|
| Soporte Pares y Superiores ISTAS21 | 0.88 (0.81-0.95, p=0.001) | 0.87 (0.81-0.92, p<0.001) | 0.87 (0.82-0.92, p<0.001) | 0.87 (0.82-0.92, p<0.001) |
| Razón EPPs insuficientes por aquellos necesarios | 2.24 (0.29-19.07, p=0.448) | 1.38 (0.78-2.45, p=0.268) | 1.58 (0.90-2.78, p=0.110) | 1.55 (0.89-2.70, p=0.121) |
| Estamento- Enfermeros | 1.29 (0.63-2.66, p=0.492) | 1.28 (0.63-2.66, p=0.495) | 1.35 (0.67-2.77, p=0.401) | |
| Estamento- Médicos | 0.80 (0.34-1.84, p=0.599) | 0.80 (0.34-1.83, p=0.591) | 0.75 (0.32-1.72, p=0.500) | |
| Estamento- Otros profesionales no médicos | 1.02 (0.55-1.93, p=0.955) | 1.01 (0.55-1.91, p=0.970) | 0.97 (0.53-1.83, p=0.933) | |
| Estamento- Técnicos y auxiliares | 0.95 (0.46-2.01, p=0.902) | 0.95 (0.45-1.99, p=0.887) | 0.92 (0.44-1.93, p=0.826) | |
| Sexo (1= Mujer) | 1.49 (0.94-2.41, p=0.095) | 1.48 (0.93-2.38, p=0.103) | ||
| Soporte x Razón EPPs | 0.96 (0.80-1.14, p=0.636) | |||
|
Nota. Sin Estamento: Number in dataframe = 875, Number in model = 526, Missing = 349, AIC = 667.2, C-statistic = 0.635, H&L = Chi-sq(8) 7.52 (p=0.482) Con estamento: Number in dataframe = 875, Number in model = 526, Missing = 349, AIC = 672.3, C-statistic = 0.646, H&L = Chi-sq(8) 7.35 (p=0.500) Con Estamento y Sexo: Number in dataframe = 875, Number in model = 516, Missing = 359, AIC = 657.7, C-statistic = 0.651, H&L = Chi-sq(8) 3.26 (p=0.917) Con Interacción: Number in dataframe = 875, Number in model = 516, Missing = 359, AIC = 659.4, C-statistic = 0.65, H&L = Chi-sq(8) 2.87 (p=0.942) |
Se realizaron con los datos completos disponibles (n= 523).
ORs_table_long_wide<-
model4 %>%
dplyr::left_join(model3, by=c("explanatory")) %>%
dplyr::left_join(model2, by=c("explanatory")) %>%
dplyr::left_join(model1, by=c("explanatory")) %>%
dplyr::mutate(Variable=c("Soporte Pares y\nSuperiores ISTAS21",
"Razón EPPs\nInsuficientes/Necesarios",
"Estamento- Enfermeros",
"Estamento- Médicos",
"Estamento- Otros\nprofesionales no médicos",
"Estamento- Técnicos\ny auxiliares",
"Sexo (1= Mujer)",
"Soporte x Razón EPPs")) %>%
dplyr::select(Variable, `OR4Estamento+ Sexo+ Soporte x Razón EPPs`, `OR3Estamento+ Sexo`,`OR2Con Estamento`,`OR1Sin Estamento`) %>%
dplyr::mutate(OR4_est=as.numeric(str_sub( `OR4Estamento+ Sexo+ Soporte x Razón EPPs`, 1, 4))) %>%
dplyr::mutate(OR4_lcl=as.numeric(str_sub( `OR4Estamento+ Sexo+ Soporte x Razón EPPs`, 7, 10))) %>%
dplyr::mutate(OR4_ucl=as.numeric(str_sub( `OR4Estamento+ Sexo+ Soporte x Razón EPPs`, 12, 15))) %>%
dplyr::mutate(OR3_est=as.numeric(str_sub( `OR3Estamento+ Sexo`, 1, 4))) %>%
dplyr::mutate(OR3_lcl=as.numeric(str_sub( `OR3Estamento+ Sexo`, 7, 10))) %>%
dplyr::mutate(OR3_ucl=as.numeric(str_sub( `OR3Estamento+ Sexo`, 12, 15))) %>%
dplyr::mutate(OR2_est=as.numeric(str_sub( `OR2Con Estamento`, 1, 4))) %>%
dplyr::mutate(OR2_lcl=as.numeric(str_sub( `OR2Con Estamento`, 7, 10))) %>%
dplyr::mutate(OR2_ucl=as.numeric(str_sub( `OR2Con Estamento`, 12, 15))) %>%
dplyr::mutate(OR1_est=as.numeric(str_sub( `OR1Sin Estamento`, 1, 4))) %>%
dplyr::mutate(OR1_lcl=as.numeric(str_sub( `OR1Sin Estamento`, 7, 10))) %>%
dplyr::mutate(OR1_ucl=as.numeric(str_sub( `OR1Sin Estamento`, 12, 15))) %>%
dplyr::select(-`OR4Estamento+ Sexo+ Soporte x Razón EPPs`, -`OR3Estamento+ Sexo`,-`OR2Con Estamento`,-`OR1Sin Estamento`) %>%
melt(id.vars="Variable") %>%
tidyr::separate(variable,into=c("Modelo","metric"),sep="_") %>%
tidyr::pivot_wider(id_cols = c("Variable","Modelo"),names_from="metric")
p1<-
ORs_table_long_wide %>%
ggplot2::ggplot(aes(x = `Variable`, y = `est`, fill = Modelo)) +
ylim(0,4)+
geom_hline(yintercept = 1, alpha=0.8, colour = "gray10",linetype = 2) +
geom_bar(stat="identity", position=position_dodge())+
geom_text(aes(label=`est`), position=position_dodge(width=1.1), vjust = -10, size = 4.5) +
geom_errorbar(aes(ymin=lcl, ymax=ucl,alpha=.65), width=.2,
position=position_dodge(.9)) +
labs(y="Estimación de Asociaciones (Odds Ratio)")+
theme_sjplot() +
scale_fill_manual(values=c("grey15", "grey35", "grey55", "grey80"), labels=c("Sin Estamento","Con Estamento","Con Estamento\ny Sexo","Con Interacción")) +
theme(legend.position = "bottom")+
theme(axis.text.x=element_text(size=13, angle=45, vjust=.5),
axis.title.x = element_text(size=15),
axis.title.y = element_text(size=15),
legend.title = element_text(size=15),
legend.text = element_text(size=11))
p1
Figura 2. Chances de Presentar Sintomatología Ansiosa
jpeg("_Fig2_chances_sint_ansiosa.jpg", width = 13, height = 13, units = 'in', res = 600)
p1+ theme(plot.background = element_rect(fill=NA, color = NA))
dev.off()## png
## 2ORs_table_long_wide2<-
model42 %>%
dplyr::left_join(model32, by=c("explanatory")) %>%
dplyr::left_join(model22, by=c("explanatory")) %>%
dplyr::left_join(model12, by=c("explanatory")) %>%
dplyr::mutate(Variable=c("Soporte Pares y\nSuperiores ISTAS21",
"Razón EPPs\nInsuficientes/Necesarios",
"Estamento- Enfermeros",
"Estamento- Médicos",
"Estamento- Otros\nprofesionales no médicos",
"Estamento- Técnicos\ny auxiliares",
"Sexo (1= Mujer)",
"Soporte x Razón EPPs")) %>%
dplyr::select(Variable, `OR4Estamento+ Sexo+ Soporte x Razón EPPs`, `OR3Estamento+ Sexo`,`OR2Con Estamento`,`OR1Sin Estamento`) %>%
dplyr::mutate(OR4_est=as.numeric(str_sub( `OR4Estamento+ Sexo+ Soporte x Razón EPPs`, 1, 4))) %>%
dplyr::mutate(OR4_lcl=as.numeric(str_sub( `OR4Estamento+ Sexo+ Soporte x Razón EPPs`, 7, 10))) %>%
dplyr::mutate(OR4_ucl=as.numeric(str_sub( `OR4Estamento+ Sexo+ Soporte x Razón EPPs`, 12, 15))) %>%
dplyr::mutate(OR3_est=as.numeric(str_sub( `OR3Estamento+ Sexo`, 1, 4))) %>%
dplyr::mutate(OR3_lcl=as.numeric(str_sub( `OR3Estamento+ Sexo`, 7, 10))) %>%
dplyr::mutate(OR3_ucl=as.numeric(str_sub( `OR3Estamento+ Sexo`, 12, 15))) %>%
dplyr::mutate(OR2_est=as.numeric(str_sub( `OR2Con Estamento`, 1, 4))) %>%
dplyr::mutate(OR2_lcl=as.numeric(str_sub( `OR2Con Estamento`, 7, 10))) %>%
dplyr::mutate(OR2_ucl=as.numeric(str_sub( `OR2Con Estamento`, 12, 15))) %>%
dplyr::mutate(OR1_est=as.numeric(str_sub( `OR1Sin Estamento`, 1, 4))) %>%
dplyr::mutate(OR1_lcl=as.numeric(str_sub( `OR1Sin Estamento`, 7, 10))) %>%
dplyr::mutate(OR1_ucl=as.numeric(str_sub( `OR1Sin Estamento`, 12, 15))) %>%
dplyr::select(-`OR4Estamento+ Sexo+ Soporte x Razón EPPs`, -`OR3Estamento+ Sexo`,-`OR2Con Estamento`,-`OR1Sin Estamento`) %>%
melt(id.vars="Variable") %>%
tidyr::separate(variable,into=c("Modelo","metric"),sep="_") %>%
tidyr::pivot_wider(id_cols = c("Variable","Modelo"),names_from="metric")
p2<-
ORs_table_long_wide2 %>%
ggplot2::ggplot(aes(x = `Variable`, y = `est`, fill = Modelo)) +
ylim(0,20)+
geom_hline(yintercept = 1, alpha=0.8, colour = "gray10",linetype = 2) +
geom_bar(stat="identity", position=position_dodge())+
geom_text(aes(label=`est`), position=position_dodge(width=1.1), vjust = -10, size = 4.5) +
geom_errorbar(aes(ymin=lcl, ymax=ucl,alpha=.65), width=.2,
position=position_dodge(.9)) +
labs(y="Estimación de Asociaciones (Odds Ratio)")+
theme_sjplot() +
scale_fill_manual(values=c("grey15", "grey35", "grey55", "grey80"), labels=c("Sin Estamento","Con Estamento","Con Estamento\ny Sexo","Con Interacción")) +
theme(legend.position = "bottom")+
theme(axis.text.x=element_text(size=13, angle=45, vjust=.5),
axis.title.x = element_text(size=15),
axis.title.y = element_text(size=15),
legend.title = element_text(size=15),
legend.text = element_text(size=11))
p2
Figura 3. Chances de Presentar Sintomatología Depresiva
jpeg("_Fig3_chances_sint_depresiva.jpg", width = 13, height = 13, units = 'in', res = 600)
p2+ theme(plot.background = element_rect(fill=NA, color = NA))
dev.off()## png
## 2fmla2 <- as.formula(paste0( "tamizaje_ans ~ ","p40_istas_soporte+ ratio_nec_insuf + estamento+ p45_demo_sexo"))
# fit glm model
assign(paste0("reg_log_glm_tamizaje_ans"), glm(fmla2, data= dplyr::mutate(surveymonkey_accionsalududp_df2_cor_table2,p45_demo_sexo=factor(p45_demo_sexo)), family=binomial()))
#jtools::summ(reg_log_glm_tamizaje_dep)
preddat_soporte <-
predict(reg_log_glm_tamizaje_ans,
type = "response",
newdata=data.frame(
p40_istas_soporte=c(quantile(surveymonkey_accionsalududp_df2_cor_table2$p42_res_total,.95,na.rm=T),
quantile(surveymonkey_accionsalududp_df2_cor_table2$p42_res_total,.05,na.rm=T)),
ratio_nec_insuf=c(median(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf, na.rm=T),
median(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf, na.rm=T)),
p45_demo_sexo=c("0","0"),
estamento=rep("Enfermeros",2)),
se.fit=TRUE) %>%
as.data.frame() %>%
dplyr::mutate(p_val=as.numeric(tidy(reg_log_glm_tamizaje_ans, Exp=T)[which(grepl("p40_istas_soporte",tidy(reg_log_glm_tamizaje_ans, Exp=T)$term)),5])) %>%
dplyr::mutate(p_val=dplyr::case_when(p_val<0.001~"<0.001",
p_val>=0.05~"NS",
T~as.character(round(p_val,3)))) %>%
dplyr::mutate(p_val_lab=dplyr::case_when(p_val=="<0.001"~paste0("p ",p_val),
T~paste0("p=",p_val)))
preddat_miedo <-
predict(reg_log_glm_tamizaje_ans,
type = "response",
newdata=data.frame(
p40_istas_soporte=c(median(surveymonkey_accionsalududp_df2_cor_table2$p42_res_total,na.rm=T),
median(surveymonkey_accionsalududp_df2_cor_table2$p42_res_total,na.rm=T)),
ratio_nec_insuf=c(quantile(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf,.95,na.rm=T),
quantile(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf,.05,na.rm=T)),
p45_demo_sexo=c("0","0"),
estamento=rep("Enfermeros",2)),
se.fit=TRUE) %>%
as.data.frame() %>%
dplyr::mutate(p_val=as.numeric(tidy(reg_log_glm_tamizaje_ans, Exp=T)[which(grepl("ratio_nec_insuf",tidy(reg_log_glm_tamizaje_ans, Exp=T)$term)),5])) %>%
dplyr::mutate(p_val=dplyr::case_when(p_val<0.001~"<0.001",
p_val>=0.05~"NS",
T~as.character(round(p_val,3)))) %>%
dplyr::mutate(p_val_lab=dplyr::case_when(p_val=="<0.001"~paste0("p ",p_val),
T~paste0("p=",p_val)))
preddat_mujer <-
predict(reg_log_glm_tamizaje_ans,
type = "response",
newdata=data.frame(
p40_istas_soporte=c(median(surveymonkey_accionsalududp_df2_cor_table2$p42_res_total,na.rm=T),
median(surveymonkey_accionsalududp_df2_cor_table2$p42_res_total,na.rm=T)),
ratio_nec_insuf=c(median(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf, na.rm=T),
median(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf, na.rm=T)),
p45_demo_sexo=c("0","1"),
estamento=rep("Enfermeros",2)),
se.fit=TRUE) %>%
as.data.frame() %>%
dplyr::mutate(p_val=as.numeric(tidy(reg_log_glm_tamizaje_ans, Exp=T)[which(grepl("p45_demo_sexo",tidy(reg_log_glm_tamizaje_ans, Exp=T)$term)),5])) %>%
dplyr::mutate(p_val=dplyr::case_when(p_val<0.001~"<0.001",
p_val>=0.05~"NS",
T~as.character(round(p_val,3)))) %>%
dplyr::mutate(p_val_lab=dplyr::case_when(p_val=="<0.001"~paste0("p ",p_val),
T~paste0("p=",p_val)))
p4a<-
rbind(cbind(preddat_soporte,cat=c("95%","5%"),var=rep("Soporte Pares y Sup",2)),
cbind(preddat_miedo,cat=c("95%","5%"),var=rep("Razón EPPs",2)),
cbind(preddat_mujer,cat=c("Hombre","Mujer"),var=rep("Sexo",2))) %>%
dplyr::mutate(var=factor(var, levels=c("Soporte Pares y Sup","Razón EPPs","Sexo"))) %>%
dplyr::group_by(var) %>%
dplyr::mutate(cat=factor(cat)) %>%
dplyr::ungroup() %>%
dplyr::mutate(lab=paste0(round(fit,2)*100,"%"), half=(fit/10)*4) %>%
ggplot2::ggplot(aes(x = var, y = fit, fill=cat)) +
scale_y_continuous(breaks = seq(0,1,by=.1),labels = scales::percent_format(accuracy = 1))+
geom_bar(stat = "identity", position = "dodge", width = 0.8)+
geom_text(aes(label=`p_val_lab`, y=.9), size = 5) +
#geom_text(aes(label=lab, y=.0), position=position_dodge(width=0.9), vjust = -.5, size = 5) +
geom_errorbar(aes(ymin=fit-se.fit, ymax=fit+se.fit), width=.2,
position=position_dodge(.8)) +
theme_sjplot() +
scale_fill_manual(name="Valor", values=c("grey50","grey20","grey50","grey20")) +
theme(legend.position = "bottom")+
theme(axis.text.x= element_text(size=15),
axis.text.y= element_text(size=15),
axis.title.x = element_blank(),
axis.title.y = element_blank(),
title = element_blank(),
legend.title = element_text(size=15),
legend.text = element_text(size=14),
plot.caption = element_blank())+#element_text(hjust = 0))+
labs(title="Probabilidad condicional de presentar Sintomatología Ansiosa",
subtitle="manteniendo valores iguales en el resto de las variables",
caption=paste0("Nota. Barras verticales, Intervalos de Error;\nResiliencia, ptje percentil 95= ",quantile(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf,.95,na.rm=T),"; ptje percentil 05=",quantile(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf,.05,na.rm=T)))+
theme(
panel.grid.minor = element_blank(),
panel.grid.major = element_blank(),
panel.grid.major.x = element_blank(),
panel.background = element_blank(),
line = element_blank())+
geom_label(aes(y=half, label=lab),
#position = position_dodge(width = .5), # move to center of bars
#vjust = 0, # nudge above top of bar
position = position_dodge(width = .8),
vjust = .1,
#position_stack(vjust = 0.5),
size = 8,
#direction = "y",
#force=1,
#seed=123,
colour = "white", fontface = "bold")
p4a
Figura 4a. Probabilidad de Presentar Sintomatología Ansiosa, manteniendo constantes el resto de las variables
jpeg("_Fig3.jpg", height = 7, width = 11.5, units = 'in', res = 600)
p4a+ theme(plot.background = element_rect(fill=NA, color = NA))
dev.off()## png
## 2fmla2b <- as.formula(paste0( "tamizaje_dep ~ ","p40_istas_soporte+ ratio_nec_insuf+ estamento+ p45_demo_sexo"))
# fit glm model
assign(paste0("reg_log_glm_tamizaje_dep"), glm(fmla2b, data= dplyr::mutate(surveymonkey_accionsalududp_df2_cor_table2,p45_demo_sexo=factor(p45_demo_sexo)), family=binomial()))
#jtools::summ(reg_log_glm_tamizaje_dep)
preddat_soporte2 <-
predict(reg_log_glm_tamizaje_dep,
type = "response",
newdata=data.frame(
p40_istas_soporte=c(quantile(surveymonkey_accionsalududp_df2_cor_table2$p42_res_total,.95,na.rm=T),
quantile(surveymonkey_accionsalududp_df2_cor_table2$p42_res_total,.05,na.rm=T)),
ratio_nec_insuf=c(median(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf, na.rm=T),
median(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf, na.rm=T)),
p45_demo_sexo=c("0","0"),
estamento=rep("Enfermeros",2)),
se.fit=TRUE) %>%
as.data.frame() %>%
dplyr::mutate(p_val=as.numeric(tidy(reg_log_glm_tamizaje_dep, Exp=T)[which(grepl("p40_istas_soporte",tidy(reg_log_glm_tamizaje_dep, Exp=T)$term)),5])) %>%
dplyr::mutate(p_val=dplyr::case_when(p_val<0.001~"<0.001",
p_val>=0.05~"NS",
T~as.character(round(p_val,3)))) %>%
dplyr::mutate(p_val_lab=dplyr::case_when(p_val=="<0.001"~paste0("p ",p_val),
T~paste0("p=",p_val)))
preddat_miedo2 <-
predict(reg_log_glm_tamizaje_dep,
type = "response",
newdata=data.frame(
p40_istas_soporte=c(median(surveymonkey_accionsalududp_df2_cor_table2$p42_res_total,na.rm=T),
median(surveymonkey_accionsalududp_df2_cor_table2$p42_res_total,na.rm=T)),
ratio_nec_insuf=c(quantile(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf,.95,na.rm=T),
quantile(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf,.05,na.rm=T)),
p45_demo_sexo=c("0","0"),
estamento=rep("Enfermeros",2)),
se.fit=TRUE) %>%
as.data.frame() %>%
dplyr::mutate(p_val=as.numeric(tidy(reg_log_glm_tamizaje_dep, Exp=T)[which(grepl("ratio_nec_insuf",tidy(reg_log_glm_tamizaje_dep, Exp=T)$term)),5])) %>%
dplyr::mutate(p_val=dplyr::case_when(p_val<0.001~"<0.001",
p_val>=0.05~"NS",
T~as.character(round(p_val,3)))) %>%
dplyr::mutate(p_val_lab=dplyr::case_when(p_val=="<0.001"~paste0("p ",p_val),
T~paste0("p=",p_val)))
preddat_mujer2 <-
predict(reg_log_glm_tamizaje_dep,
type = "response",
newdata=data.frame(
p40_istas_soporte=c(median(surveymonkey_accionsalududp_df2_cor_table2$p42_res_total,na.rm=T),
median(surveymonkey_accionsalududp_df2_cor_table2$p42_res_total,na.rm=T)),
ratio_nec_insuf=c(median(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf, na.rm=T),
median(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf, na.rm=T)),
p45_demo_sexo=c("0","1"),
estamento=rep("Enfermeros",2)),
se.fit=TRUE) %>%
as.data.frame() %>%
dplyr::mutate(p_val=as.numeric(tidy(reg_log_glm_tamizaje_dep, Exp=T)[which(grepl("p45_demo_sexo",tidy(reg_log_glm_tamizaje_dep, Exp=T)$term)),5])) %>%
dplyr::mutate(p_val=dplyr::case_when(p_val<0.001~"<0.001",
p_val>=0.05~"NS",
T~as.character(round(p_val,3)))) %>%
dplyr::mutate(p_val_lab=dplyr::case_when(p_val=="<0.001"~paste0("p ",p_val),
T~paste0("p=",p_val)))
p4b<-
rbind(cbind(preddat_soporte2,cat=c("95%","5%"),var=rep("Soporte Pares y Sup",2)),
cbind(preddat_miedo2,cat=c("95%","5%"),var=rep("Razón EPPs",2)),
cbind(preddat_mujer2,cat=c("Hombre","Mujer"),var=rep("Sexo",2))) %>%
dplyr::mutate(var=factor(var, levels=c("Soporte Pares y Sup","Razón EPPs","Sexo"))) %>%
dplyr::group_by(var) %>%
dplyr::mutate(cat=factor(cat)) %>%
dplyr::ungroup() %>%
dplyr::mutate(lab=paste0(round(fit,2)*100,"%"), half=(fit/10)*4) %>%
ggplot2::ggplot(aes(x = var, y = fit, fill=cat)) +
scale_y_continuous(breaks = seq(0,1,by=.1),labels = scales::percent_format(accuracy = 1))+
geom_bar(stat = "identity", position = "dodge", width = 0.8)+
geom_text(aes(label=`p_val_lab`, y=.9), size = 5) +
#geom_text(aes(label=lab, y=.0), position=position_dodge(width=0.9), vjust = -.5, size = 5) +
geom_errorbar(aes(ymin=fit-se.fit, ymax=fit+se.fit), width=.2,
position=position_dodge(.8)) +
theme_sjplot() +
scale_fill_manual(name="Valor", values=c("grey50","grey20","grey50","grey20")) +
theme(legend.position = "bottom")+
theme(axis.text.x= element_text(size=15),
axis.text.y= element_text(size=15),
axis.title.x = element_blank(),
axis.title.y = element_blank(),
title = element_blank(),
legend.title = element_text(size=15),
legend.text = element_text(size=14),
plot.caption = element_blank())+#element_text(hjust = 0))+
labs(title="Probabilidad condicional de presentar Sintomatología Depresiva",
subtitle="manteniendo valores iguales en el resto de las variables",
caption=paste0("Nota. Barras verticales, Intervalos de Error;\nResiliencia, ptje percentil 95= ",quantile(surveymonkey_accionsalududp_df2_cor_table2$p11_exp_c19_miedo_pand,.95,na.rm=T),"; ptje percentil 05=",quantile(surveymonkey_accionsalududp_df2_cor_table2$p11_exp_c19_miedo_pand,.05,na.rm=T)))+
theme(
panel.grid.minor = element_blank(),
panel.grid.major = element_blank(),
panel.grid.major.x = element_blank(),
panel.background = element_blank(),
line = element_blank())+
geom_label(aes(y=half, label=lab),
#position = position_dodge(width = .5), # move to center of bars
#vjust = 0, # nudge above top of bar
position = position_dodge(width = .8),
vjust = .1,
#position_stack(vjust = 0.5),
size = 8,
#direction = "y",
#force=1,
#seed=123,
colour = "white", fontface = "bold")
p4b
Figura 4b. Probabilidad de Presentar Sintomatología Depresiva, manteniendo constantes el resto de las variables
jpeg("_Fig4.jpg", height = 7, width = 11.5, units = 'in', res = 600)
p4b+ theme(plot.background = element_rect(fill=NA, color = NA))
dev.off()## png
## 22.3 Relación con variables de resultado
Para ver cuán relventas fueron los modelos propuestos más arriba, se comparó la importancia de hasta 1,000 modelos distintos con distintas combinaciones de las variables explicativas, en explicar la sintomatología ansiosa y depresiva. Entre las variables incorporadas se encuentra el estamento, la razón de EPPs, el soporte pares y supervisores y el sexo.
library(glmulti)
#sin_otros_prob_sm+ dg_cons_dep
res <- glmulti::glmulti(tamizaje_ans ~ p40_istas_soporte+ ratio_nec_insuf+ estamento+ p45_demo_sexo, #tal vez no debería meter esta última variable.
data=surveymonkey_accionsalududp_df2_cor_table2,
level=2, #The level of interaction between explanatory variables to be considered. Currently only 1 (only main effects) or 2 (main effects plus all pairwise interactions) are supported.
fitfunction=glm, crit="aicc",
family=binomial,
marginality=T,#Whether to use the general marginality rule or not. Default is FALSE. With TRUE, all predictors found in interaction terms are also included as main effects.
confsetsize = 1000 #How many models should be returned in the confidence set of models?
)## Initialization...
## TASK: Exhaustive screening of candidate set.
## Fitting...
##
## After 50 models:
## Best model: tamizaje_ans~1+p40_istas_soporte+ratio_nec_insuf+p45_demo_sexo
## Crit= 683.331845347383
## Mean crit= 712.918114925291##
## After 100 models:
## Best model: tamizaje_ans~1+p40_istas_soporte+ratio_nec_insuf+p45_demo_sexo
## Crit= 683.331845347383
## Mean crit= 704.747814622929## Completed.#t is not iterative (all models are compared), and is fully automatic (no intervention of the user is required). It is primarily intended to be used for exploratory analyses with many candidate explanatory variables (say 10 to 20)
##########################################################################################
##################DEBIESE INCORPORAR EL TIPO DE PLAN!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
##########################################################################################
#http://www.metafor-project.org/doku.php/tips:model_selection_with_glmulti_and_mumin
#But let's take a look at the top 10 models:
top <- weightable(res) #Prepares a table with model formulas, IC values and IC relative supports
top <- top[top$aicc <= min(top$aicc) + 5,]
############################################################################################
###########################################################################################
plot.glmulti<-function(x, type="p", ...)
{
if ( type == "p") {
plot(x@crits,xlab="Mejores modelos",
ylab=paste("Soporte (",x@params$crit,")"),pch=19, main="Perfil de Criterio de Informción", ...)
abline(h=x@crits[1]+2,col="red")
return(assign("ic_glmulti",data.table::data.table(data.frame(imp),keep.rownames = T),envir = .GlobalEnv))
} else if (type == "w") {
ww = exp(-(x@crits - x@crits[1])/2)
ww=ww/sum(ww)
plot(ww,xlab="Mejores modelos",
ylab=paste("Peso de la evidencia (",x@params$crit,")"),pch=19, main="Perfil de peso de los modelos", ...)
cucu=function(i) sum(ww[1:i])
wwc=lapply(1:length(ww),cucu)
abline(v=min(which(wwc>=0.95)),col="red")
} else if (type=="r") {
if (length(x@objects)) {
# shows some diagnostics of the fit
dev.new()
par(mfrow=c(2,min(length(x@crits), 5)))
for (k in 1:min(length(x@crits), 5))
plot(x@objects[[k]],which=c(1), main=deparse(x@formulas[[k]]),...)
for (k in 1:min(length(x@crits), 5))
plot(x@objects[[k]],which=c(2),...)
} else warning("Unavailable: use includeobjects=T when calling glmulti.")
} else if (type=="s") {
# plots variable (i.e. terms) importances
ww = exp(-(x@crits - x@crits[1])/2)
ww=ww/sum(ww)
# handle synonymies for interactions
# this translates to unique notations (e.g. x:y and y:x are the same)
clartou=function(x) {
sort(strsplit(x, ":")[[1]])-> pieces
if (length(pieces)>1) paste(pieces[1],":",pieces[2],sep="")
else x
}
# list terms in models
tet = lapply(x@formulas, function(x) sapply(attr(delete.response(terms(x)),"term.labels"), clartou))
# all unique terms
unique(unlist(tet))-> allt
# importances
sapply(allt, function(x) sum(ww[sapply(tet, function(t) x%in%t)]))-> imp
# draw
#par(oma=c(0,13,0,0))
barplot(sort(imp),xlab="",xlim=c(0,1), ylab="",horiz=T,las=2, names.arg=allt[order(imp)],main="Importancia promediada por el modelo de términos", ...)#Promediado por el modelo Model-averaged importance of terms
abline(v=0.8, col="red")
return(assign(paste0("var_imp_glmulti_",gsub(".*y \\= (.+) \\, xr.*", "\\1", x@call)[2]),data.table::data.table(data.frame(imp),keep.rownames = T),envir = .GlobalEnv))
} else warning("plot: Invalid type argument for plotting glmulti objects.")
}
plot(res, type="s")############################################################################################data.frame(res@crits)%>% dplyr::mutate(rn=row_number())%>%
ggplot(aes(x=rn,y=res.crits))+
geom_point(color="steelblue")+
sjPlot::theme_sjplot2() +
ylab("Soporte (aicc)")+
theme(axis.text.x = element_text(size=8,vjust = .5,angle=25), axis.text.y = element_text(size=10),
axis.title.y = element_text(size = 14)) +
theme(
panel.grid.minor = element_blank(),
panel.grid.major = element_blank(),
panel.grid.major.x = element_blank(),
panel.background = element_blank(),
line = element_blank(),
plot.caption= element_text(hjust=0))+
geom_hline(yintercept=res@crits[1]+2, color="red", linetype=2,size=1)+
xlab("Mejores modelos")+
labs(caption=paste0("Línea roja segmentada= AICc mínimo más 8 puntos (",round(res@crits[1]+8,2),")"))
Figura 5. Modelos ordenados y AICC
Se seleccionó el primer modelo dado que presentó valores más parsimoniosos pero con términos menos complejos (AICc= 683.8, Soporte relativo de Criterio de Información= 0.223).
top %>%
knitr::kable(.,format = "html", format.args = list(decimal.mark = ".", big.mark = ","),
caption="Tabla 6. Contraste Modelos",
col.names= c("Modelos","AICc","Pesos"),
align =c("l","l",rep('c', 101))) %>%
#col.names = c("Variable","Category","OR", "95% IC"))%>%
kableExtra::kable_styling(bootstrap_options = c("striped", "hover"),font_size = 12) %>%
kableExtra::scroll_box(width = "100%", height = "375px") | Modelos | AICc | Pesos |
|---|---|---|
| tamizaje_ans ~ 1 + p40_istas_soporte + ratio_nec_insuf + p45_demo_sexo | 683.3318 | 0.2232116 |
| tamizaje_ans ~ 1 + p40_istas_soporte + ratio_nec_insuf + p45_demo_sexo + p45_demo_sexo:p40_istas_soporte | 683.9166 | 0.1666218 |
| tamizaje_ans ~ 1 + p40_istas_soporte + p45_demo_sexo | 685.1013 | 0.0921455 |
| tamizaje_ans ~ 1 + p40_istas_soporte + p45_demo_sexo + p45_demo_sexo:p40_istas_soporte | 685.3341 | 0.0820206 |
| tamizaje_ans ~ 1 + p40_istas_soporte + ratio_nec_insuf + p45_demo_sexo + ratio_nec_insuf:p40_istas_soporte | 685.3578 | 0.0810568 |
| tamizaje_ans ~ 1 + p40_istas_soporte + ratio_nec_insuf + p45_demo_sexo + p45_demo_sexo:ratio_nec_insuf | 685.3706 | 0.0805408 |
| tamizaje_ans ~ 1 + p40_istas_soporte + ratio_nec_insuf + p45_demo_sexo + p45_demo_sexo:p40_istas_soporte + p45_demo_sexo:ratio_nec_insuf | 685.8432 | 0.0635896 |
| tamizaje_ans ~ 1 + p40_istas_soporte + ratio_nec_insuf + p45_demo_sexo + ratio_nec_insuf:p40_istas_soporte + p45_demo_sexo:p40_istas_soporte | 685.9525 | 0.0602070 |
| tamizaje_ans ~ 1 + p40_istas_soporte + ratio_nec_insuf + p45_demo_sexo + ratio_nec_insuf:p40_istas_soporte + p45_demo_sexo:ratio_nec_insuf | 687.4037 | 0.0291421 |
| tamizaje_ans ~ 1 + p40_istas_soporte + ratio_nec_insuf + p45_demo_sexo + ratio_nec_insuf:p40_istas_soporte + p45_demo_sexo:p40_istas_soporte + p45_demo_sexo:ratio_nec_insuf | 687.8936 | 0.0228112 |
| tamizaje_ans ~ 1 + estamento + p40_istas_soporte + ratio_nec_insuf + p45_demo_sexo | 688.0508 | 0.0210864 |
#par(oma=c(0,0,0,24))
ggplot(var_imp_glmulti_tamizaje_ans, aes(x=reorder(rn, -imp),y=imp))+
geom_bar(stat="identity",alpha=.7, fill="steelblue")+
sjPlot::theme_sjplot2() +
ylab("Importancia Promediada por el Modelo")+#Model-averaged importance
theme(axis.text.x = element_text(size=6.5,vjust = .5,angle=25),
axis.text.y = element_text(size=10),
axis.title.y = element_text(size = 14),
plot.caption= element_text(hjust=0)) +
theme(
panel.grid.minor = element_blank(),
panel.grid.major = element_blank(),
panel.grid.major.x = element_blank(),
panel.background = element_blank(),
line = element_blank())+
geom_hline(yintercept=.5, color="red", linetype=2)+
xlab("Terms")+
labs(caption="Nota. Línea segmentada roja=umbral del 50% de importancia relativa")
Figura 6. Importancia de los términos promediada por el modelo
Por lo visto, el sexo y el soporte de pares y superiores y la razón EPPs explican mayormente la sintomatología ansiosa. Sin embargo, el estamento no es del todo importante como variable explicativa.
#para seleccionar el primer modelo
options(knitr.kable.NA = '')
or_raw<-
data.table::data.table(Epi::ci.lin(
glm(tamizaje_ans ~ p40_istas_soporte+ ratio_nec_insuf ,data=surveymonkey_accionsalududp_df2_cor_table2, family= "binomial"),Exp=T),keep.rownames = T)%>%
dplyr::select(-Estimate, -StdErr,-z)%>%
dplyr::mutate(`exp(Est.)`=sprintf("%04.2f",as.numeric(`exp(Est.)`)))%>%
dplyr::mutate(OR=`exp(Est.)`)%>%
dplyr::mutate(OR=dplyr::case_when(P<.001~paste0(OR,"***"),P<.01~paste0(OR,"**"),P<.05~paste0(OR,"*"),TRUE~OR))%>%
dplyr::mutate(`2.5%`= sprintf("%04.2f",as.numeric(`2.5%`)))%>%
dplyr::mutate(`97.5%`=sprintf("%04.2f",as.numeric(`97.5%`)))%>%
dplyr::mutate("95% IC"=paste0("[",`2.5%`,"-",`97.5%`,"]"))%>%
dplyr::mutate("95% IC"= ifelse(grepl("NA]",`95% IC`),NA_character_,`95% IC`))%>%
dplyr::select(rn,OR,`95% IC`,`2.5%`,`97.5%`)%>%
dplyr::filter(!grepl("Intercept",rn)) %>%
dplyr::mutate(OR_num=readr::parse_number(OR, "\\d+")) %>%
dplyr::mutate(model="Primer Modelo (Más Simple)")
or1<-
Epi::ci.lin(res@objects[[1]], Exp=T) %>%
data.table(keep.rownames = T) %>%
dplyr::select(-Estimate, -StdErr,-z) %>%
dplyr::mutate(`exp(Est.)`=sprintf("%04.2f",as.numeric(`exp(Est.)`)))%>%
dplyr::mutate(OR=`exp(Est.)`)%>%
dplyr::mutate(OR=dplyr::case_when(P<.001~paste0(OR,"***"),P<.01~paste0(OR,"**"),P<.05~paste0(OR,"*"),TRUE~OR))%>%
dplyr::mutate(`2.5%`= sprintf("%04.2f",as.numeric(`2.5%`)))%>%
dplyr::mutate(`97.5%`=sprintf("%04.2f",as.numeric(`97.5%`)))%>%
dplyr::mutate("95% IC"=paste0("[",`2.5%`,"-",`97.5%`,"]"))%>%
dplyr::mutate("95% IC"= ifelse(grepl("NA]",`95% IC`),NA_character_,`95% IC`))%>%
dplyr::mutate(Variable=
dplyr::case_when(
grepl("p40_istas_rel_su",rn)~"Relación con Supervisores (ISTAS-21)",
grepl("p45_demo_sexoMujer$",rn)~"Sexo(Mujer)",
T~NA_character_))%>%
dplyr::select(rn,OR,`95% IC`,`2.5%`,`97.5%`)%>%
dplyr::filter(!grepl("Intercept",rn))%>%
dplyr::mutate(OR_num=readr::parse_number(OR, "\\d+")) %>%
dplyr::mutate(model="Segundo Modelo (Controles), seleccionado")
or2<-
Epi::ci.lin(res@objects[[2]], Exp=T) %>%
data.table(keep.rownames = T) %>%
dplyr::select(-Estimate, -StdErr,-z) %>%
dplyr::mutate(`exp(Est.)`=sprintf("%04.2f",as.numeric(`exp(Est.)`)))%>%
dplyr::mutate(OR=`exp(Est.)`)%>%
dplyr::mutate(OR=dplyr::case_when(P<.001~paste0(OR,"***"),P<.01~paste0(OR,"**"),P<.05~paste0(OR,"*"),TRUE~OR))%>%
dplyr::mutate(`2.5%`= sprintf("%04.2f",as.numeric(`2.5%`)))%>%
dplyr::mutate(`97.5%`=sprintf("%04.2f",as.numeric(`97.5%`)))%>%
dplyr::mutate("95% IC"=paste0("[",`2.5%`,"-",`97.5%`,"]"))%>%
dplyr::mutate("95% IC"= ifelse(grepl("NA]",`95% IC`),NA_character_,`95% IC`))%>%
dplyr::select(rn,OR,`95% IC`,`2.5%`,`97.5%`)%>%
dplyr::filter(!grepl("Intercept",rn))%>%
dplyr::mutate(OR_num=readr::parse_number(OR, "\\d+")) %>%
dplyr::mutate(model="Tercer Modelo (Interacción)")
rbind.data.frame(or_raw,or1,or2) %>%
dplyr::mutate(Variable=
dplyr::case_when(
grepl("p40_istas_soporte:p45_demo_sexo$",rn)~"Rel. Pares y Supervisores (ISTAS-21) x Sexo",
grepl("p40_istas_soporte$",rn)~"Relación con Pares y Supervisores (ISTAS-21)",
grepl("ratio_nec_insuf$",rn)~"Razón EPPs",
grepl("p45_demo_sexo$",rn)~"Sexo(Mujer)",
T~NA_character_))%>%
dplyr::select(Variable,everything()) %>%
dplyr::select(-rn,-`2.5%`,-`97.5%`,-OR_num,-model) %>%
knitr::kable(.,format = "html", format.args = list(decimal.mark = ".", big.mark = ","),
caption="Tabla 7. Coeficientes Impacto en Sintomatología Ansiosa",
align =c("l","l",rep('c', 101))) %>%
#col.names = c("Variable","Category","OR", "95% IC"))%>%
kableExtra::kable_styling(bootstrap_options = c("striped", "hover"),font_size = 11)%>%
kableExtra::add_footnote( c(paste("Nota. AICc=",round(res@objects[[1]]$aic,3)),
paste("Modelo definido=",top$model[1])), notation = "none")%>%
kableExtra::pack_rows("Primer Modelo (Más simple)", 1, 2) %>%
kableExtra::pack_rows("Segundo Modelo (Incorporando Controles), seleccionado", 3, 5) %>%
kableExtra::pack_rows("Tercer Modelo (Incorporando Interacción)", 6, 9) %>%
kableExtra::scroll_box(width = "100%", height = "375px")| Variable | OR | 95% IC |
|---|---|---|
| Primer Modelo (Más simple) | ||
| Relación con Pares y Supervisores (ISTAS-21) | 0.89*** | [0.84-0.95] |
| Razón EPPs | 1.91* | [1.10-3.30] |
| Segundo Modelo (Incorporando Controles), seleccionado | ||
| Relación con Pares y Supervisores (ISTAS-21) | 0.89*** | [0.84-0.95] |
| Razón EPPs | 1.74 | [0.99-3.04] |
| Sexo(Mujer) | 2.11*** | [1.36-3.29] |
| Tercer Modelo (Incorporando Interacción) | ||
| Relación con Pares y Supervisores (ISTAS-21) | 0.83** | [0.72-0.95] |
| Razón EPPs | 1.70 | [0.97-2.97] |
| Sexo(Mujer) | 0.68 | [0.10-4.64] |
| Rel. Pares y Supervisores (ISTAS-21) x Sexo | 1.10 | [0.94-1.28] |
| Nota. AICc= 683.254 | ||
| Modelo definido= tamizaje_ans ~ 1 + p40_istas_soporte + ratio_nec_insuf + p45_demo_sexo | ||
#mod <- res@objects[[1]]
#nullmod <- glm(abandono_temp ~ 1,data=CONS_C1_df_dup_JUL_2020_match_top_sel2,family= "binomial")
#1-logLik(mod)/logLik(nullmod)
#https://thestatsgeek.com/2014/02/08/r-squared-in-logistic-regression/
#round(Epi::ci.lin(glm(abandono_temp ~ 1+compromiso_biopsicosocial+ origen_ingreso_mod + dg_cie_10_rec + dg_trs_fisico,data=CONS_C1_df_dup_JUL_2020_match_top_sel2,family= "binomial"),Exp=T),3)
#abandono_temp ~ 1 + compromiso_biopsicosocial + origen_ingreso_mod + dg_cie_10 + dg_trs_fisico + dg_trs_fisico:compromiso_biopsicosocial
#print(res@formulas[[2]])El primer modelo incorpora menos términos pero de igual manera encuentra asociaciones con sintomatología ansiosa, sexo, razón epps y relación con pares y supervisores (no se contempla el estamento). Dichas asociaciones identifican que aún controlando por el resto de las variables, ser mujer reporta 2 veces mayores chances de presentar sintomatología ansiosa y mayores puntajes de relación con pares y supervisores se asocian con menores chances de reportar sintomatología ansiosa.
library(glmulti)
#sin_otros_prob_sm+ dg_cons_dep
res2 <- glmulti::glmulti(tamizaje_dep ~ p40_istas_soporte+ ratio_nec_insuf+ estamento+ p45_demo_sexo, #tal vez no debería meter esta última variable.
data=surveymonkey_accionsalududp_df2_cor_table2,
level=2, #The level of interaction between explanatory variables to be considered. Currently only 1 (only main effects) or 2 (main effects plus all pairwise interactions) are supported.
fitfunction=glm,
crit="aicc",
family=binomial,
marginality=T,#Whether to use the general marginality rule or not. Default is FALSE. With TRUE, all predictors found in interaction terms are also included as main effects.
confsetsize = 1000 #How many models should be returned in the confidence set of models?
)## Initialization...
## TASK: Exhaustive screening of candidate set.
## Fitting...
##
## After 50 models:
## Best model: tamizaje_dep~1+p40_istas_soporte+p45_demo_sexo
## Crit= 650.550283993849
## Mean crit= 679.165379177613##
## After 100 models:
## Best model: tamizaje_dep~1+p40_istas_soporte+p45_demo_sexo
## Crit= 650.550283993849
## Mean crit= 671.753990439424## Completed.#t is not iterative (all models are compared), and is fully automatic (no intervention of the user is required). It is primarily intended to be used for exploratory analyses with many candidate explanatory variables (say 10 to 20)
##########################################################################################
##################DEBIESE INCORPORAR EL TIPO DE PLAN!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
##########################################################################################
#http://www.metafor-project.org/doku.php/tips:model_selection_with_glmulti_and_mumin
#But let's take a look at the top 10 models:
top2 <- weightable(res2) #Prepares a table with model formulas, IC values and IC relative supports
top2 <- top2[top2$aicc <= min(top2$aicc) + 5,]
plot(res2, type="s")############################################################################################data.frame(res2@crits)%>% dplyr::mutate(rn=row_number())%>%
ggplot(aes(x=rn,y=res2.crits))+
geom_point(color="steelblue")+
sjPlot::theme_sjplot2() +
ylab("Soporte (aicc)")+
theme(axis.text.x = element_text(size=8,vjust = .5,angle=25), axis.text.y = element_text(size=10),
axis.title.y = element_text(size = 14)) +
theme(
panel.grid.minor = element_blank(),
panel.grid.major = element_blank(),
panel.grid.major.x = element_blank(),
panel.background = element_blank(),
line = element_blank(),
plot.caption= element_text(hjust=0))+
geom_hline(yintercept=res2@crits[1]+2, color="red", linetype=2,size=1)+
xlab("Mejores modelos")+
labs(caption=paste0("Línea roja segmentada= AICc mínimo más 8 puntos (",round(res2@crits[1]+8,2),")"))
Figura 7. Modelos ordenados y AICC
Se seleccionó el segundo modelo dado que presentó valores más parsimoniosos pero con términos menos complejos (AICc= 651.38, Soporte relativo de Criterio de Información= 0.184).
top2 %>%
knitr::kable(.,format = "html", format.args = list(decimal.mark = ".", big.mark = ","),
caption="Tabla 8. Contraste Modelos",
col.names= c("Modelos","AICc","Pesos"),
align =c("l","l",rep('c', 101))) %>%
#col.names = c("Variable","Category","OR", "95% IC"))%>%
kableExtra::kable_styling(bootstrap_options = c("striped", "hover"),font_size = 12) %>%
kableExtra::scroll_box(width = "100%", height = "375px") | Modelos | AICc | Pesos |
|---|---|---|
| tamizaje_dep ~ 1 + p40_istas_soporte + p45_demo_sexo | 650.5503 | 0.2896402 |
| tamizaje_dep ~ 1 + p40_istas_soporte + ratio_nec_insuf + p45_demo_sexo | 651.4603 | 0.1837595 |
| tamizaje_dep ~ 1 + p40_istas_soporte + p45_demo_sexo + p45_demo_sexo:p40_istas_soporte | 652.0575 | 0.1363213 |
| tamizaje_dep ~ 1 + p40_istas_soporte + ratio_nec_insuf + p45_demo_sexo + p45_demo_sexo:p40_istas_soporte | 653.0810 | 0.0817202 |
| tamizaje_dep ~ 1 + p40_istas_soporte + ratio_nec_insuf + p45_demo_sexo + ratio_nec_insuf:p40_istas_soporte | 653.2510 | 0.0750593 |
| tamizaje_dep ~ 1 + p40_istas_soporte + ratio_nec_insuf + p45_demo_sexo + p45_demo_sexo:ratio_nec_insuf | 653.4908 | 0.0665776 |
| tamizaje_dep ~ 1 + p40_istas_soporte + ratio_nec_insuf + p45_demo_sexo + ratio_nec_insuf:p40_istas_soporte + p45_demo_sexo:p40_istas_soporte | 654.8686 | 0.0334317 |
| tamizaje_dep ~ 1 + p40_istas_soporte + ratio_nec_insuf + p45_demo_sexo + p45_demo_sexo:p40_istas_soporte + p45_demo_sexo:ratio_nec_insuf | 655.1153 | 0.0295511 |
| tamizaje_dep ~ 1 + p40_istas_soporte + ratio_nec_insuf + p45_demo_sexo + ratio_nec_insuf:p40_istas_soporte + p45_demo_sexo:ratio_nec_insuf | 655.2958 | 0.0270018 |
#par(oma=c(0,0,0,24))
ggplot(var_imp_glmulti_tamizaje_dep, aes(x=reorder(rn, -imp),y=imp))+
geom_bar(stat="identity",alpha=.7, fill="steelblue")+
sjPlot::theme_sjplot2() +
ylab("Importancia Promediada por el Modelo")+#Model-averaged importance
theme(axis.text.x = element_text(size=6.5,vjust = .5,angle=25),
axis.text.y = element_text(size=10),
axis.title.y = element_text(size = 14),
plot.caption= element_text(hjust=0)) +
theme(
panel.grid.minor = element_blank(),
panel.grid.major = element_blank(),
panel.grid.major.x = element_blank(),
panel.background = element_blank(),
line = element_blank())+
geom_hline(yintercept=.5, color="red", linetype=2)+
xlab("Terms")+
labs(caption="Nota. Línea segmentada roja=umbral del 50% de importancia relativa")
Figura 8. Importancia de los términos promediada por el modelo
Por lo visto, el soporte de pares y superiores, el sexo y la razón EPPs explican mayormente la sintomatología depresiva, aunque no el estamento. Considerando la tabla anterior sumado a la figura ya mostrada, decidimos elegir el segundo modelo, que incorpora la variable Razón EPPs, a pesar de no obtener el mejor ajuste.
#para seleccionar el primer modelo
options(knitr.kable.NA = '')
or_raw2<-
data.table::data.table(Epi::ci.lin(
glm(tamizaje_dep ~ p40_istas_soporte+ ratio_nec_insuf,data=surveymonkey_accionsalududp_df2_cor_table2, family= "binomial"),Exp=T),keep.rownames = T)%>%
dplyr::select(-Estimate, -StdErr,-z)%>%
dplyr::mutate(`exp(Est.)`=sprintf("%04.2f",as.numeric(`exp(Est.)`)))%>%
dplyr::mutate(OR=`exp(Est.)`)%>%
dplyr::mutate(OR=dplyr::case_when(P<.001~paste0(OR,"***"),P<.01~paste0(OR,"**"),P<.05~paste0(OR,"*"),TRUE~OR))%>%
dplyr::mutate(`2.5%`= sprintf("%04.2f",as.numeric(`2.5%`)))%>%
dplyr::mutate(`97.5%`=sprintf("%04.2f",as.numeric(`97.5%`)))%>%
dplyr::mutate("95% IC"=paste0("[",`2.5%`,"-",`97.5%`,"]"))%>%
dplyr::mutate("95% IC"= ifelse(grepl("NA]",`95% IC`),NA_character_,`95% IC`))%>%
dplyr::select(rn,OR,`95% IC`,`2.5%`,`97.5%`)%>%
dplyr::filter(!grepl("Intercept",rn)) %>%
dplyr::mutate(OR_num=readr::parse_number(OR, "\\d+")) %>%
dplyr::mutate(model="Primer Modelo (Simple)")
or12<-
Epi::ci.lin(res2@objects[[1]], Exp=T) %>%
data.table(keep.rownames = T) %>%
dplyr::select(-Estimate, -StdErr,-z) %>%
dplyr::mutate(`exp(Est.)`=sprintf("%04.2f",as.numeric(`exp(Est.)`)))%>%
dplyr::mutate(OR=`exp(Est.)`)%>%
dplyr::mutate(OR=dplyr::case_when(P<.001~paste0(OR,"***"),P<.01~paste0(OR,"**"),P<.05~paste0(OR,"*"),TRUE~OR))%>%
dplyr::mutate(`2.5%`= sprintf("%04.2f",as.numeric(`2.5%`)))%>%
dplyr::mutate(`97.5%`=sprintf("%04.2f",as.numeric(`97.5%`)))%>%
dplyr::mutate("95% IC"=paste0("[",`2.5%`,"-",`97.5%`,"]"))%>%
dplyr::mutate("95% IC"= ifelse(grepl("NA]",`95% IC`),NA_character_,`95% IC`))%>%
dplyr::mutate(Variable=
dplyr::case_when(
grepl("p40_istas_rel_su",rn)~"Relación con Supervisores (ISTAS-21)",
grepl("p45_demo_sexoMujer$",rn)~"Sexo(Mujer)",
T~NA_character_))%>%
dplyr::select(rn,OR,`95% IC`,`2.5%`,`97.5%`)%>%
dplyr::filter(!grepl("Intercept",rn))%>%
dplyr::mutate(OR_num=readr::parse_number(OR, "\\d+")) %>%
dplyr::mutate(model="Segundo Modelo (Controles)")
or22<-
Epi::ci.lin(res2@objects[[2]], Exp=T) %>%
data.table(keep.rownames = T) %>%
dplyr::select(-Estimate, -StdErr,-z) %>%
dplyr::mutate(`exp(Est.)`=sprintf("%04.2f",as.numeric(`exp(Est.)`)))%>%
dplyr::mutate(OR=`exp(Est.)`)%>%
dplyr::mutate(OR=dplyr::case_when(P<.001~paste0(OR,"***"),P<.01~paste0(OR,"**"),P<.05~paste0(OR,"*"),TRUE~OR))%>%
dplyr::mutate(`2.5%`= sprintf("%04.2f",as.numeric(`2.5%`)))%>%
dplyr::mutate(`97.5%`=sprintf("%04.2f",as.numeric(`97.5%`)))%>%
dplyr::mutate("95% IC"=paste0("[",`2.5%`,"-",`97.5%`,"]"))%>%
dplyr::mutate("95% IC"= ifelse(grepl("NA]",`95% IC`),NA_character_,`95% IC`))%>%
dplyr::select(rn,OR,`95% IC`,`2.5%`,`97.5%`)%>%
dplyr::filter(!grepl("Intercept",rn))%>%
dplyr::mutate(OR_num=readr::parse_number(OR, "\\d+")) %>%
dplyr::mutate(model="Tercer Modelo (Más Razón EPPs), seleccionado")
rbind.data.frame(or_raw2,or12,or22) %>%
dplyr::mutate(Variable=
dplyr::case_when(
grepl("p40_istas_soporte:p11_exp_c19_miedo_pand$",rn)~"Rel. Pares y Supervisores (ISTAS-21) x Miedo Pandemia",
grepl("p40_istas_soporte$",rn)~"Relación con Pares y Supervisores (ISTAS-21)",
grepl("ratio_nec_insuf$",rn)~"Razón EPPs",
grepl("p45_demo_sexo$",rn)~"Sexo(Mujer)",
T~NA_character_))%>%
dplyr::select(Variable,everything()) %>%
dplyr::select(-rn,-`2.5%`,-`97.5%`,-OR_num,-model) %>%
knitr::kable(.,format = "html", format.args = list(decimal.mark = ".", big.mark = ","),
caption="Tabla 9. Coeficientes Impacto en Sintomatología Depresiva",
align =c("l","l",rep('c', 101))) %>%
#col.names = c("Variable","Category","OR", "95% IC"))%>%
kableExtra::kable_styling(bootstrap_options = c("striped", "hover"),font_size = 11)%>%
kableExtra::add_footnote( c(paste("Nota. AICc=",round(res2@objects[[2]]$aic,3)),
paste("Modelo definido=",top2$model[2])), notation = "none")%>%
kableExtra::pack_rows("Primer Modelo (Más simple)", 1, 2) %>%
kableExtra::pack_rows("Segundo Modelo (Incorporando Controles)", 3, 4) %>%
kableExtra::pack_rows("Tercer Modelo (Incorporando Razón EPPs), seleccionado", 5, 7) %>%
kableExtra::scroll_box(width = "100%", height = "375px")| Variable | OR | 95% IC |
|---|---|---|
| Primer Modelo (Más simple) | ||
| Relación con Pares y Supervisores (ISTAS-21) | 0.87*** | [0.82-0.93] |
| Razón EPPs | 1.55 | [0.89-2.70] |
| Segundo Modelo (Incorporando Controles) | ||
| Relación con Pares y Supervisores (ISTAS-21) | 0.86*** | [0.81-0.92] |
| Sexo(Mujer) | 1.59* | [1.01-2.51] |
| Tercer Modelo (Incorporando Razón EPPs), seleccionado | ||
| Relación con Pares y Supervisores (ISTAS-21) | 0.87*** | [0.82-0.92] |
| Razón EPPs | 1.36 | [0.77-2.39] |
| Sexo(Mujer) | 1.55 | [0.98-2.46] |
| Nota. AICc= 651.382 | ||
| Modelo definido= tamizaje_dep ~ 1 + p40_istas_soporte + ratio_nec_insuf + p45_demo_sexo | ||
#mod <- res@objects[[1]]
#nullmod <- glm(abandono_temp ~ 1,data=CONS_C1_df_dup_JUL_2020_match_top_sel2,family= "binomial")
#1-logLik(mod)/logLik(nullmod)
#https://thestatsgeek.com/2014/02/08/r-squared-in-logistic-regression/
#round(Epi::ci.lin(glm(abandono_temp ~ 1+compromiso_biopsicosocial+ origen_ingreso_mod + dg_cie_10_rec + dg_trs_fisico,data=CONS_C1_df_dup_JUL_2020_match_top_sel2,family= "binomial"),Exp=T),3)
#abandono_temp ~ 1 + compromiso_biopsicosocial + origen_ingreso_mod + dg_cie_10 + dg_trs_fisico + dg_trs_fisico:compromiso_biopsicosocial
#print(res@formulas[[2]])Del modelo seleccionado, el efecto del sexo resulta no significativo producto de la incorporación de la razón EPPs como confusor. Por otra parte, la relación con pares y supervisores no se ve del todo atenuada por la incorporación de la razón EPPs, indicando que a mayores puntajes de relación con pares y supervisores, menor chance de presentar sintomatología depresiva. Es importante mencionar que el estamento no fue una variable que tuviera mayor impacto.
fmla3 <- as.formula(paste0( "tamizaje_ans ~ ","p40_istas_soporte+ ratio_nec_insuf+ p45_demo_sexo"))
# fit glm model
assign(paste0("reg_log_glm_tamizaje_ans3"), glm(fmla3, data= dplyr::mutate(surveymonkey_accionsalududp_df2_cor_table2,p45_demo_sexo=factor(p45_demo_sexo)), family=binomial()))
#jtools::summ(reg_log_glm_tamizaje_dep)
preddat_soporte <-
predict(reg_log_glm_tamizaje_ans3,
type = "response",
newdata=data.frame(
p40_istas_soporte=c(quantile(surveymonkey_accionsalududp_df2_cor_table2$p42_res_total,.95,na.rm=T),
quantile(surveymonkey_accionsalududp_df2_cor_table2$p42_res_total,.05,na.rm=T)),
ratio_nec_insuf=c(median(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf, na.rm=T),
median(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf, na.rm=T)),
p45_demo_sexo=c("0","0")),
# estamento=rep("Enfermeros",2)),
se.fit=TRUE) %>%
as.data.frame() %>%
dplyr::mutate(p_val=as.numeric(tidy(reg_log_glm_tamizaje_ans3, Exp=T)[which(grepl("p40_istas_soporte",tidy(reg_log_glm_tamizaje_ans3, Exp=T)$term)),5])) %>%
dplyr::mutate(p_val=dplyr::case_when(p_val<0.001~"<0.001",
p_val>=0.05~"NS",
T~as.character(round(p_val,3)))) %>%
dplyr::mutate(p_val_lab=dplyr::case_when(p_val=="<0.001"~paste0("p ",p_val),
T~paste0("p=",p_val)))
preddat_miedo <-
predict(reg_log_glm_tamizaje_ans3,
type = "response",
newdata=data.frame(
p40_istas_soporte=c(median(surveymonkey_accionsalududp_df2_cor_table2$p42_res_total,na.rm=T),
median(surveymonkey_accionsalududp_df2_cor_table2$p42_res_total,na.rm=T)),
ratio_nec_insuf=c(quantile(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf,.95,na.rm=T),
quantile(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf,.05,na.rm=T)),
p45_demo_sexo=c("0","0")),
# estamento=rep("Enfermeros",2)),
se.fit=TRUE) %>%
as.data.frame() %>%
dplyr::mutate(p_val=as.numeric(tidy(reg_log_glm_tamizaje_ans3, Exp=T)[which(grepl("ratio_nec_insuf",tidy(reg_log_glm_tamizaje_ans3, Exp=T)$term)),5])) %>%
dplyr::mutate(p_val=dplyr::case_when(p_val<0.001~"<0.001",
p_val>=0.05~"NS",
T~as.character(round(p_val,3)))) %>%
dplyr::mutate(p_val_lab=dplyr::case_when(p_val=="<0.001"~paste0("p ",p_val),
T~paste0("p=",p_val)))
preddat_mujer <-
predict(reg_log_glm_tamizaje_ans3,
type = "response",
newdata=data.frame(
p40_istas_soporte=c(median(surveymonkey_accionsalududp_df2_cor_table2$p42_res_total,na.rm=T),
median(surveymonkey_accionsalududp_df2_cor_table2$p42_res_total,na.rm=T)),
ratio_nec_insuf=c(median(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf, na.rm=T),
median(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf, na.rm=T)),
p45_demo_sexo=c("0","1")),
# estamento=rep("Enfermeros",2)),
se.fit=TRUE) %>%
as.data.frame() %>%
dplyr::mutate(p_val=as.numeric(tidy(reg_log_glm_tamizaje_ans3, Exp=T)[which(grepl("p45_demo_sexo",tidy(reg_log_glm_tamizaje_ans3, Exp=T)$term)),5])) %>%
dplyr::mutate(p_val=dplyr::case_when(p_val<0.001~"<0.001",
p_val>=0.05~"NS",
T~as.character(round(p_val,3)))) %>%
dplyr::mutate(p_val_lab=dplyr::case_when(p_val=="<0.001"~paste0("p ",p_val),
T~paste0("p=",p_val)))
p5a<-
rbind(cbind(preddat_soporte,cat=c("95%","5%"),var=rep("Soporte Pares y Sup",2)),
cbind(preddat_miedo,cat=c("95%","5%"),var=rep("Razón EPPs",2)),
cbind(preddat_mujer,cat=c("Hombre","Mujer"),var=rep("Sexo",2))) %>%
dplyr::mutate(var=factor(var, levels=c("Soporte Pares y Sup","Razón EPPs","Sexo"))) %>%
dplyr::group_by(var) %>%
dplyr::mutate(cat=factor(cat)) %>%
dplyr::ungroup() %>%
dplyr::mutate(lab=paste0(round(fit,2)*100,"%"), half=(fit/10)*4) %>%
ggplot2::ggplot(aes(x = var, y = fit, fill=cat)) +
scale_y_continuous(breaks = seq(0,1,by=.1),labels = scales::percent_format(accuracy = 1))+
geom_bar(stat = "identity", position = "dodge", width = 0.8)+
geom_text(aes(label=`p_val_lab`, y=.9), size = 5) +
#geom_text(aes(label=lab, y=.0), position=position_dodge(width=0.9), vjust = -.5, size = 5) +
geom_errorbar(aes(ymin=fit-se.fit, ymax=fit+se.fit), width=.2,
position=position_dodge(.8)) +
theme_sjplot() +
scale_fill_manual(name="Valor", values=c("grey50","grey20","grey50","grey20")) +
theme(legend.position = "bottom")+
theme(axis.text.x= element_text(size=15),
axis.text.y= element_text(size=15),
axis.title.x = element_blank(),
axis.title.y = element_blank(),
title = element_blank(),
legend.title = element_text(size=15),
legend.text = element_text(size=14),
plot.caption = element_blank())+#element_text(hjust = 0))+
labs(title="Probabilidad condicional de presentar Sintomatología Ansiosa",
subtitle="manteniendo valores iguales en el resto de las variables",
caption=paste0("Nota. Barras verticales, Intervalos de Error;\nResiliencia, ptje percentil 95= ",quantile(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf,.95,na.rm=T),"; ptje percentil 05=",quantile(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf,.05,na.rm=T)))+
theme(
panel.grid.minor = element_blank(),
panel.grid.major = element_blank(),
panel.grid.major.x = element_blank(),
panel.background = element_blank(),
line = element_blank())+
geom_label(aes(y=half, label=lab),
#position = position_dodge(width = .5), # move to center of bars
#vjust = 0, # nudge above top of bar
position = position_dodge(width = .8),
vjust = .1,
#position_stack(vjust = 0.5),
size = 8,
#direction = "y",
#force=1,
#seed=123,
colour = "white", fontface = "bold")
p5a
Figura 9a. Probabilidad de Presentar Sintomatología Ansiosa, manteniendo constantes el resto de las variables
fmla4 <- as.formula(paste0( "tamizaje_dep ~ ","p40_istas_soporte+ ratio_nec_insuf+ p45_demo_sexo"))
# fit glm model
assign(paste0("reg_log_glm_tamizaje_dep4"), glm(fmla4, data= dplyr::mutate(surveymonkey_accionsalududp_df2_cor_table2,p45_demo_sexo=factor(p45_demo_sexo)), family=binomial()))
#jtools::summ(reg_log_glm_tamizaje_dep)
preddat_soporte4 <-
predict(reg_log_glm_tamizaje_dep4,
type = "response",
newdata=data.frame(
p40_istas_soporte=c(quantile(surveymonkey_accionsalududp_df2_cor_table2$p42_res_total,.95,na.rm=T),
quantile(surveymonkey_accionsalududp_df2_cor_table2$p42_res_total,.05,na.rm=T)),
ratio_nec_insuf=c(median(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf, na.rm=T),
median(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf, na.rm=T)),
p45_demo_sexo=c("0","0")),
# estamento=rep("Enfermeros",2)),
se.fit=TRUE) %>%
as.data.frame() %>%
dplyr::mutate(p_val=as.numeric(tidy(reg_log_glm_tamizaje_dep4, Exp=T)[which(grepl("p40_istas_soporte",tidy(reg_log_glm_tamizaje_dep4, Exp=T)$term)),5])) %>%
dplyr::mutate(p_val=dplyr::case_when(p_val<0.001~"<0.001",
p_val>=0.05~"NS",
T~as.character(round(p_val,3)))) %>%
dplyr::mutate(p_val_lab=dplyr::case_when(p_val=="<0.001"~paste0("p ",p_val),
T~paste0("p=",p_val)))
preddat_miedo4 <-
predict(reg_log_glm_tamizaje_dep4,
type = "response",
newdata=data.frame(
p40_istas_soporte=c(median(surveymonkey_accionsalududp_df2_cor_table2$p42_res_total,na.rm=T),
median(surveymonkey_accionsalududp_df2_cor_table2$p42_res_total,na.rm=T)),
ratio_nec_insuf=c(quantile(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf,.95,na.rm=T),
quantile(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf,.05,na.rm=T)),
p45_demo_sexo=c("0","0")),
# estamento=rep("Enfermeros",2)),
se.fit=TRUE) %>%
as.data.frame() %>%
dplyr::mutate(p_val=as.numeric(tidy(reg_log_glm_tamizaje_dep4, Exp=T)[which(grepl("ratio_nec_insuf",tidy(reg_log_glm_tamizaje_dep4, Exp=T)$term)),5])) %>%
dplyr::mutate(p_val=dplyr::case_when(p_val<0.001~"<0.001",
p_val>=0.05~"NS",
T~as.character(round(p_val,3)))) %>%
dplyr::mutate(p_val_lab=dplyr::case_when(p_val=="<0.001"~paste0("p ",p_val),
T~paste0("p=",p_val)))
preddat_mujer4 <-
predict(reg_log_glm_tamizaje_dep4,
type = "response",
newdata=data.frame(
p40_istas_soporte=c(median(surveymonkey_accionsalududp_df2_cor_table2$p42_res_total,na.rm=T),
median(surveymonkey_accionsalududp_df2_cor_table2$p42_res_total,na.rm=T)),
ratio_nec_insuf=c(median(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf, na.rm=T),
median(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf, na.rm=T)),
p45_demo_sexo=c("0","1")),
# estamento=rep("Enfermeros",2)),
se.fit=TRUE) %>%
as.data.frame() %>%
dplyr::mutate(p_val=as.numeric(tidy(reg_log_glm_tamizaje_dep4, Exp=T)[which(grepl("p45_demo_sexo",tidy(reg_log_glm_tamizaje_dep4, Exp=T)$term)),5])) %>%
dplyr::mutate(p_val=dplyr::case_when(p_val<0.001~"<0.001",
p_val>=0.05~"NS",
T~as.character(round(p_val,3)))) %>%
dplyr::mutate(p_val_lab=dplyr::case_when(p_val=="<0.001"~paste0("p ",p_val),
T~paste0("p=",p_val)))
p5b<-
rbind(cbind(preddat_soporte4,cat=c("95%","5%"),var=rep("Soporte Pares y Sup",2)),
cbind(preddat_miedo4,cat=c("95%","5%"),var=rep("Razón EPPs",2)),
cbind(preddat_mujer4,cat=c("Hombre","Mujer"),var=rep("Sexo",2))) %>%
dplyr::mutate(var=factor(var, levels=c("Soporte Pares y Sup","Razón EPPs","Sexo"))) %>%
dplyr::group_by(var) %>%
dplyr::mutate(cat=factor(cat)) %>%
dplyr::ungroup() %>%
dplyr::mutate(lab=paste0(round(fit,2)*100,"%"), half=(fit/10)*4) %>%
ggplot2::ggplot(aes(x = var, y = fit, fill=cat)) +
scale_y_continuous(breaks = seq(0,1,by=.1),labels = scales::percent_format(accuracy = 1))+
geom_bar(stat = "identity", position = "dodge", width = 0.8)+
geom_text(aes(label=`p_val_lab`, y=.9), size = 5) +
#geom_text(aes(label=lab, y=.0), position=position_dodge(width=0.9), vjust = -.5, size = 5) +
geom_errorbar(aes(ymin=fit-se.fit, ymax=fit+se.fit), width=.2,
position=position_dodge(.8)) +
theme_sjplot() +
scale_fill_manual(name="Valor", values=c("grey50","grey20","grey50","grey20")) +
theme(legend.position = "bottom")+
theme(axis.text.x= element_text(size=15),
axis.text.y= element_text(size=15),
axis.title.x = element_blank(),
axis.title.y = element_blank(),
title = element_blank(),
legend.title = element_text(size=15),
legend.text = element_text(size=14),
plot.caption = element_blank())+#element_text(hjust = 0))+
labs(title="Probabilidad condicional de presentar Sintomatología Ansiosa",
subtitle="manteniendo valores iguales en el resto de las variables",
caption=paste0("Nota. Barras verticales, Intervalos de Error;\nResiliencia, ptje percentil 95= ",quantile(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf,.95,na.rm=T),"; ptje percentil 05=",quantile(surveymonkey_accionsalududp_df2_cor_table2$ratio_nec_insuf,.05,na.rm=T)))+
theme(
panel.grid.minor = element_blank(),
panel.grid.major = element_blank(),
panel.grid.major.x = element_blank(),
panel.background = element_blank(),
line = element_blank())+
geom_label(aes(y=half, label=lab),
#position = position_dodge(width = .5), # move to center of bars
#vjust = 0, # nudge above top of bar
position = position_dodge(width = .8),
vjust = .1,
#position_stack(vjust = 0.5),
size = 8,
#direction = "y",
#force=1,
#seed=123,
colour = "white", fontface = "bold")
p5b
Figura 9b. Probabilidad de Presentar Sintomatología Depresiva, manteniendo constantes el resto de las variables
2.4 Ecuaciones estructurales
library(lavaan)
ord_vec_a<-
c("p45_demo_sexo", "tamizaje_ans", "tamizaje_dep")
ord_vec_b<-
c(
"p5_animo_1", "p5_animo_2", "p5_animo_3", "p5_animo_4",
"p40_cond_trab_istas_08", "p40_cond_trab_istas_09",
"p40_cond_trab_istas_06", "p40_cond_trab_istas_07",
"p45_demo_sexo")
modelo_simple_ans <- "
# direct effect
tamizaje_ans ~ c*p40_istas_soporte
# mediator
ratio_nec_insuf~ a*p40_istas_soporte+ p45_demo_sexo
#mediator effect
tamizaje_ans ~ b*ratio_nec_insuf+ p45_demo_sexo
#indirect effect (a*b)
ab := a*b
total effect:= c + (a*b) "
modelo_simple_dep <- "
# direct effect
tamizaje_dep ~ c*p40_istas_soporte
# mediator
ratio_nec_insuf~ a*p40_istas_soporte+ p45_demo_sexo
#mediator effect
tamizaje_dep ~ b*ratio_nec_insuf+ p45_demo_sexo
#indirect effect (a*b)
ab := a*b
total effect:= c + (a*b) "
modelo_final <- "
SM =~ p5_animo_1+ p5_animo_2+ p5_animo_3+ p5_animo_4
PSICOSOC =~p40_cond_trab_istas_06+ p40_cond_trab_istas_07+ p40_cond_trab_istas_08+ p40_cond_trab_istas_09
# direct effect
SM ~ c*PSICOSOC
# mediator
ratio_nec_insuf~ a*PSICOSOC+ p45_demo_sexo
#mediator effect
SM ~ b*ratio_nec_insuf+ p45_demo_sexo
#indirect effect (a*b)
ab := a*b
total effect:= c + (a*b) "
modelo_final_sin_med <- "
SM =~ p5_animo_1+ p5_animo_2+ p5_animo_3+ p5_animo_4
PSICOSOC =~p40_cond_trab_istas_06+ p40_cond_trab_istas_07+ p40_cond_trab_istas_08+ p40_cond_trab_istas_09
SM ~ PSICOSOC+ ratio_nec_insuf+ p45_demo_sexo"
modelo_final_sin_med2 <- "
SM =~ p5_animo_1+ p5_animo_2+ p5_animo_3+ p5_animo_4
PSICOSOC =~p40_cond_trab_istas_06+ p40_cond_trab_istas_07+ p40_cond_trab_istas_08+ p40_cond_trab_istas_09
SM ~ PSICOSOC+ ratio_nec_insuf+ p45_demo_sexo+ estamento"
SEM_a <- sem(modelo_simple_ans, data=surveymonkey_accionsalududp_df2_cor_table2, ordered=ord_vec_a,
estimator= "WLSMV", warn = T, std.lv=T, parameterization="theta")#
SEM_b <- sem(modelo_simple_dep, data=surveymonkey_accionsalududp_df2_cor_table2, ordered=ord_vec_a,
estimator= "WLSMV", warn = T, std.lv=T, parameterization="theta")#
SEM_c <- sem(modelo_final, data=surveymonkey_accionsalududp_df2_cor_table2%>%
dplyr::mutate_at(vars("p40_cond_trab_istas_08", "p40_cond_trab_istas_09","p40_cond_trab_istas_06", "p40_cond_trab_istas_07"),~fct_rev(.)), ordered=ord_vec_b,
estimator= "WLSMV", warn = T, std.lv=T, parameterization="theta")#
SEM_d <- sem(modelo_final_sin_med, data=surveymonkey_accionsalududp_df2_cor_table2 %>%
dplyr::mutate_at(vars("p40_cond_trab_istas_08", "p40_cond_trab_istas_09","p40_cond_trab_istas_06", "p40_cond_trab_istas_07"),~fct_rev(.)), ordered=ord_vec_b,
estimator= "WLSMV", warn = T, std.lv=T)#
SEM_e <- sem(modelo_final_sin_med2, data=surveymonkey_accionsalududp_df2_cor_table2%>%
dplyr::mutate_at(vars("p40_cond_trab_istas_08", "p40_cond_trab_istas_09","p40_cond_trab_istas_06", "p40_cond_trab_istas_07"),~fct_rev(.)), ordered=c(ord_vec_b,"estamento"),
estimator= "WLSMV", warn = T, std.lv=T)#2.4.1 Modelo sobre ansiedad
summary(SEM_a, fit.measures=TRUE, rsq=TRUE, standardized=TRUE)## lavaan 0.6-7 ended normally after 27 iterations
##
## Estimator DWLS
## Optimization method NLMINB
## Number of free parameters 8
##
## Used Total
## Number of observations 516 875
##
## Model Test User Model:
## Standard Robust
## Test Statistic 0.000 0.000
## Degrees of freedom 0 0
##
## Model Test Baseline Model:
##
## Test statistic 3.904 3.904
## Degrees of freedom 1 1
## P-value 0.048 0.048
## Scaling correction factor 1.000
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 1.000 1.000
## Tucker-Lewis Index (TLI) 1.000 1.000
##
## Robust Comparative Fit Index (CFI) NA
## Robust Tucker-Lewis Index (TLI) NA
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.000 0.000
## 90 Percent confidence interval - lower 0.000 0.000
## 90 Percent confidence interval - upper 0.000 0.000
## P-value RMSEA <= 0.05 NA NA
##
## Robust RMSEA NA
## 90 Percent confidence interval - lower 0.000
## 90 Percent confidence interval - upper 0.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.000 0.000
##
## Parameter Estimates:
##
## Standard errors Robust.sem
## Information Expected
## Information saturated (h1) model Unstructured
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## tamizaje_ans ~
## p40_sts_sp (c) -0.070 0.019 -3.793 0.000 -0.070 -0.210
## ratio_nec_insuf ~
## p40_sts_sp (a) -0.020 0.005 -4.255 0.000 -0.020 -0.191
## p45_dem_sx 0.093 0.039 2.385 0.017 0.093 0.120
## tamizaje_ans ~
## rat_nc_nsf (b) 0.338 0.170 1.990 0.047 0.338 0.104
## p45_dem_sx 0.466 0.139 3.345 0.001 0.466 0.187
##
## Intercepts:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .tamizaje_ans 0.000 0.000 0.000
## .ratio_nec_insf 0.403 0.059 6.801 0.000 0.403 1.230
##
## Thresholds:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## tamizaje_ns|t1 -0.326 0.261 -1.246 0.213 -0.326 -0.307
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .tamizaje_ans 1.000 1.000 0.888
## .ratio_nec_insf 0.102 0.010 10.599 0.000 0.102 0.945
##
## Scales y*:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## tamizaje_ans 0.994 0.994 1.000
##
## R-Square:
## Estimate
## tamizaje_ans 0.112
## ratio_nec_insf 0.055
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## ab -0.007 0.004 -1.796 0.072 -0.007 -0.020
## totaleffect -0.077 0.018 -4.254 0.000 -0.077 -0.230#subset(lavaan::modindices(SEM_a)[order(lavaan::modindices(SEM_a)$mi, decreasing=TRUE), ], mi > 5 & abs(sepc.all)>0.2)El efecto nulo encontrado en el modelo más complejo se contrastó mediante un análisis de sensibilidad utilizando simulaciones de Monte Carlo de 5,000 iteraciones.
med0a <- 'a*b'
medabc0a <- ' c + a*b'
myParams0a <- c("a","b")
myCoefs_final0a <- coef(SEM_a)[myParams0a]
myACM_final0a <- vcov(SEM_a)[myParams0a, myParams0a]
set.seed(2125)
fit_SEM_c_0a <- semTools::monteCarloMed(med0a, myCoefs_final0a, ACM = myACM_final0a, rep=10000 , CI=95, plot=TRUE)
Figura 10a. Simulaciones Monte Carlo, Sintomatología Ansiosa
print(fit_SEM_c_0a)## $`Point Estimate`
## [1] -0.006651143
##
## $`95% Confidence Interval`
##
## LL -0.0151
## UL 0.0001paste0("OR= ",round(exp(fit_SEM_c_0a$`Point Estimate`),3),"[",
round(exp(fit_SEM_c_0a$`95% Confidence Interval`)[1],3),"-",
round(exp(fit_SEM_c_0a$`95% Confidence Interval`)[2],3),"]")## [1] "OR= 0.993[0.985-1]"En efecto, la mediación no ejerció un efecto sinificativo, siendo valores Odds ratio que circundan en efectos nulos (0.985-1).
standardizedSolution(SEM_a) %>%
dplyr::mutate(reg=paste0(lhs,"_",op,"_",rhs)) %>%
dplyr::filter(reg %in% c("tamizaje_ans_~_p40_istas_soporte", "tamizaje_ans_~_ratio_nec_insuf", "ratio_nec_insuf_~_p40_istas_soporte", "ab_:=_a*b", "totaleffect_:=_c+(a*b)")) %>%
mutate_if(is.numeric, round, 3) %>%
mutate(est.std, STD=ifelse(pvalue<.001, paste0(round(exp(est.std),3),"***"),
ifelse(pvalue<.01, paste0(round(exp(est.std),3),"**"),
ifelse(pvalue<.05, paste0(round(exp(est.std),3),"*"), round(exp(est.std),3))))) %>%
knitr::kable(.,format = "html", format.args = list(decimal.mark = ".", big.mark = ","),
caption="Tabla 10a. Prueba Mediación, Modelo sobre Sintomatología Ansiosa",
align =c("l","l",rep('c', 101))) %>%
#col.names = c("Variable","Category","OR", "95% IC"))%>%
kableExtra::kable_styling(bootstrap_options = c("striped", "hover"),font_size = 13) %>%
kableExtra::scroll_box(width = "100%", height = "375px")| lhs | op | rhs | est.std | se | z | pvalue | ci.lower | ci.upper | reg | STD |
|---|---|---|---|---|---|---|---|---|---|---|
| tamizaje_ans | ~ | p40_istas_soporte | -0.210 | 0.053 | -3.970 | 0.000 | -0.314 | -0.107 | tamizaje_ans_~_p40_istas_soporte | 0.811*** |
| ratio_nec_insuf | ~ | p40_istas_soporte | -0.191 | 0.041 | -4.671 | 0.000 | -0.270 | -0.111 | ratio_nec_insuf_~_p40_istas_soporte | 0.826*** |
| tamizaje_ans | ~ | ratio_nec_insuf | 0.104 | 0.052 | 1.999 | 0.046 | 0.002 | 0.207 | tamizaje_ans_~_ratio_nec_insuf | 1.11* |
| ab | := | a*b | -0.020 | 0.011 | -1.811 | 0.070 | -0.041 | 0.002 | ab_:=_a*b | 0.98 |
| totaleffect | := | c+(a*b) | -0.230 | 0.051 | -4.504 | 0.000 | -0.331 | -0.130 | totaleffect_:=_c+(a*b) | 0.795*** |
2.4.2 Modelo sobre depresión
summary(SEM_b, fit.measures=TRUE, rsq=TRUE, standardized=TRUE)## lavaan 0.6-7 ended normally after 28 iterations
##
## Estimator DWLS
## Optimization method NLMINB
## Number of free parameters 8
##
## Used Total
## Number of observations 516 875
##
## Model Test User Model:
## Standard Robust
## Test Statistic 0.000 0.000
## Degrees of freedom 0 0
##
## Model Test Baseline Model:
##
## Test statistic 1.097 1.097
## Degrees of freedom 1 1
## P-value 0.295 0.295
## Scaling correction factor 1.000
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 1.000 1.000
## Tucker-Lewis Index (TLI) 1.000 1.000
##
## Robust Comparative Fit Index (CFI) NA
## Robust Tucker-Lewis Index (TLI) NA
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.000 0.000
## 90 Percent confidence interval - lower 0.000 0.000
## 90 Percent confidence interval - upper 0.000 0.000
## P-value RMSEA <= 0.05 NA NA
##
## Robust RMSEA NA
## 90 Percent confidence interval - lower 0.000
## 90 Percent confidence interval - upper 0.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.000 0.000
##
## Parameter Estimates:
##
## Standard errors Robust.sem
## Information Expected
## Information saturated (h1) model Unstructured
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## tamizaje_dep ~
## p40_sts_sp (c) -0.087 0.019 -4.641 0.000 -0.087 -0.264
## ratio_nec_insuf ~
## p40_sts_sp (a) -0.020 0.005 -4.255 0.000 -0.020 -0.191
## p45_dem_sx 0.093 0.039 2.385 0.017 0.093 0.120
## tamizaje_dep ~
## rat_nc_nsf (b) 0.187 0.179 1.049 0.294 0.187 0.058
## p45_dem_sx 0.267 0.142 1.876 0.061 0.267 0.108
##
## Intercepts:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .tamizaje_dep 0.000 0.000 0.000
## .ratio_nec_insf 0.403 0.059 6.801 0.000 0.403 1.230
##
## Thresholds:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## tamizaje_dp|t1 -0.441 0.268 -1.647 0.100 -0.441 -0.419
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .tamizaje_dep 1.000 1.000 0.902
## .ratio_nec_insf 0.102 0.010 10.599 0.000 0.102 0.945
##
## Scales y*:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## tamizaje_dep 0.998 0.998 1.000
##
## R-Square:
## Estimate
## tamizaje_dep 0.098
## ratio_nec_insf 0.055
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## ab -0.004 0.004 -1.018 0.309 -0.004 -0.011
## totaleffect -0.091 0.019 -4.900 0.000 -0.091 -0.275#subset(lavaan::modindices(SEM_b)[order(lavaan::modindices(SEM_b)$mi, decreasing=TRUE), ], mi > 5 & abs(sepc.all)>0.2)El efecto nulo encontrado en el modelo más complejo se contrastó mediante un análisis de sensibilidad utilizando simulaciones de Monte Carlo de 10,000 iteraciones.
#```{r sem0b_c,dpi = 96, message=F, error=T, eval=T, warnings=F}
med0b <- 'a*b'
medabc0b <- ' c + a*b'
myParams0b <- c("a","b")
myCoefs_final0b <- coef(SEM_b)[myParams0b]
myACM_final0b <- vcov(SEM_b)[myParams0b, myParams0b]
set.seed(2125)
fit_SEM_c_0b <- semTools::monteCarloMed(med0b, myCoefs_final0b, ACM = myACM_final0b, rep=10000 , CI=95, plot=TRUE)
Figura 10b. Simulaciones Monte Carlo, Sintomatología Depresiva
print(fit_SEM_c_0b)## $`Point Estimate`
## [1] -0.003684002
##
## $`95% Confidence Interval`
##
## LL -0.0118
## UL 0.0033paste0("OR= ",round(exp(fit_SEM_c_0b$`Point Estimate`),3),"[",
round(exp(fit_SEM_c_0b$`95% Confidence Interval`)[1],3),"-",
round(exp(fit_SEM_c_0b$`95% Confidence Interval`)[2],3),"]")## [1] "OR= 0.996[0.988-1.003]"Se descarta el efecto, siendo valores Odds ratio que se superponen a los efectos nulos (0.988-1.003).
standardizedSolution(SEM_b) %>%
dplyr::mutate(reg=paste0(lhs,"_",op,"_",rhs)) %>%
dplyr::filter(reg %in% c("tamizaje_dep_~_p40_istas_soporte", "tamizaje_dep_~_ratio_nec_insuf", "ratio_nec_insuf_~_p40_istas_soporte", "ab_:=_a*b", "totaleffect_:=_c+(a*b)")) %>%
mutate_if(is.numeric, round, 3) %>%
mutate(est.std, STD=ifelse(pvalue<.001, paste0(round(exp(est.std),3),"***"),
ifelse(pvalue<.01, paste0(round(exp(est.std),3),"**"),
ifelse(pvalue<.05, paste0(round(exp(est.std),3),"*"), round(exp(est.std),3))))) %>%
knitr::kable(.,format = "html", format.args = list(decimal.mark = ".", big.mark = ","),
caption="Tabla 10a. Prueba Mediación, Modelo sobre Sintomatología Depresiva",
align =c("l","l",rep('c', 101))) %>%
#col.names = c("Variable","Category","OR", "95% IC"))%>%
kableExtra::kable_styling(bootstrap_options = c("striped", "hover"),font_size = 13) %>%
kableExtra::scroll_box(width = "100%", height = "375px")| lhs | op | rhs | est.std | se | z | pvalue | ci.lower | ci.upper | reg | STD |
|---|---|---|---|---|---|---|---|---|---|---|
| tamizaje_dep | ~ | p40_istas_soporte | -0.264 | 0.053 | -4.977 | 0.000 | -0.368 | -0.160 | tamizaje_dep_~_p40_istas_soporte | 0.768*** |
| ratio_nec_insuf | ~ | p40_istas_soporte | -0.191 | 0.041 | -4.671 | 0.000 | -0.270 | -0.111 | ratio_nec_insuf_~_p40_istas_soporte | 0.826*** |
| tamizaje_dep | ~ | ratio_nec_insuf | 0.058 | 0.056 | 1.051 | 0.293 | -0.050 | 0.167 | tamizaje_dep_~_ratio_nec_insuf | 1.06 |
| ab | := | a*b | -0.011 | 0.011 | -1.021 | 0.307 | -0.032 | 0.010 | ab_:=_a*b | 0.989 |
| totaleffect | := | c+(a*b) | -0.275 | 0.052 | -5.302 | 0.000 | -0.376 | -0.173 | totaleffect_:=_c+(a*b) | 0.76*** |
2.4.3 Mediación, alternativa
#Mediación -ans
med.fit_ans <- lm(ratio_nec_insuf ~ p40_istas_soporte + p45_demo_sexo, data = surveymonkey_accionsalududp_df2_cor_table2)
out.fit_ans <- glm(tamizaje_ans ~ ratio_nec_insuf+ p40_istas_soporte + p45_demo_sexo, data = surveymonkey_accionsalududp_df2_cor_table2, family = binomial("logit"))
set.seed(2125)
med.out_ans <- mediation::mediate(med.fit_ans, out.fit_ans, treat = "p40_istas_soporte", mediator = "ratio_nec_insuf",
robustSE = TRUE, sims = 10000)
med.fit_dep <- lm(ratio_nec_insuf ~ p40_istas_soporte + p45_demo_sexo, data = surveymonkey_accionsalududp_df2_cor_table2)
out.fit_dep <- glm(tamizaje_dep ~ ratio_nec_insuf+ p40_istas_soporte + p45_demo_sexo, data = surveymonkey_accionsalududp_df2_cor_table2, family = binomial("logit"))
set.seed(2125)
med.out_dep <- mediation::mediate(med.fit_dep, out.fit_dep, treat = "p40_istas_soporte", mediator = "ratio_nec_insuf",
robustSE = TRUE, sims = 10000)
#average causal mediation effects ACME
#average direct effects (ADE)
#sens.out <- #mediation::medsens(med.out_dep, rho.by = 0.1, effect.type = "indirect", sims = 100)
summary(med.out_ans)##
## Causal Mediation Analysis
##
## Quasi-Bayesian Confidence Intervals
##
## Estimate 95% CI Lower 95% CI Upper p-value
## ACME (control) -0.00173 -0.00411 0.00 0.0576 .
## ACME (treated) -0.00183 -0.00429 0.00 0.0576 .
## ADE (control) -0.01793 -0.02171 -0.01 0.0002 ***
## ADE (treated) -0.01802 -0.02175 -0.01 0.0002 ***
## Total Effect -0.01975 -0.02288 -0.01 0.0002 ***
## Prop. Mediated (control) 0.08132 -0.00268 0.23 0.0578 .
## Prop. Mediated (treated) 0.08714 -0.00285 0.23 0.0578 .
## ACME (average) -0.00178 -0.00420 0.00 0.0576 .
## ADE (average) -0.01797 -0.02172 -0.01 0.0002 ***
## Prop. Mediated (average) 0.08423 -0.00275 0.23 0.0578 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Sample Size Used: 516
##
##
## Simulations: 10000summary(med.out_dep)##
## Causal Mediation Analysis
##
## Quasi-Bayesian Confidence Intervals
##
## Estimate 95% CI Lower 95% CI Upper p-value
## ACME (control) -0.00105 -0.00338 0.00 0.29
## ACME (treated) -0.00112 -0.00355 0.00 0.29
## ADE (control) -0.02511 -0.02921 -0.02 <2e-16 ***
## ADE (treated) -0.02518 -0.02918 -0.02 <2e-16 ***
## Total Effect -0.02623 -0.02973 -0.02 <2e-16 ***
## Prop. Mediated (control) 0.03674 -0.03480 0.13 0.29
## Prop. Mediated (treated) 0.03960 -0.03708 0.14 0.29
## ACME (average) -0.00108 -0.00347 0.00 0.29
## ADE (average) -0.02515 -0.02921 -0.02 <2e-16 ***
## Prop. Mediated (average) 0.03817 -0.03620 0.14 0.29
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Sample Size Used: 516
##
##
## Simulations: 10000#https://m-clark.github.io/posts/2019-03-12-mediation-models/
#https://cran.r-project.org/web/packages/mediation/vignettes/mediation.pdfTampoco se identificaron efectos de mediación en los modelos utilizados en el paquete mediation.
2.4.4 Modelo más complejo, efecto sobre SM (Ansiedad y Depresión)
summary(SEM_c, fit.measures=TRUE, rsq=TRUE, standardized=TRUE)## lavaan 0.6-7 ended normally after 99 iterations
##
## Estimator DWLS
## Optimization method NLMINB
## Number of free parameters 43
##
## Used Total
## Number of observations 516 875
##
## Model Test User Model:
## Standard Robust
## Test Statistic 181.674 231.430
## Degrees of freedom 32 32
## P-value (Chi-square) 0.000 0.000
## Scaling correction factor 0.816
## Shift parameter 8.714
## simple second-order correction
##
## Model Test Baseline Model:
##
## Test statistic 11185.859 6616.674
## Degrees of freedom 36 36
## P-value 0.000 0.000
## Scaling correction factor 1.694
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.987 0.970
## Tucker-Lewis Index (TLI) 0.985 0.966
##
## Robust Comparative Fit Index (CFI) NA
## Robust Tucker-Lewis Index (TLI) NA
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.095 0.110
## 90 Percent confidence interval - lower 0.082 0.097
## 90 Percent confidence interval - upper 0.109 0.124
## P-value RMSEA <= 0.05 0.000 0.000
##
## Robust RMSEA NA
## 90 Percent confidence interval - lower NA
## 90 Percent confidence interval - upper NA
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.068 0.068
##
## Parameter Estimates:
##
## Standard errors Robust.sem
## Information Expected
## Information saturated (h1) model Unstructured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## SM =~
## p5_animo_1 1.365 0.121 11.287 0.000 1.457 0.824
## p5_animo_2 1.217 0.100 12.182 0.000 1.298 0.792
## p5_animo_3 1.062 0.089 11.901 0.000 1.133 0.750
## p5_animo_4 1.574 0.147 10.725 0.000 1.680 0.859
## PSICOSOC =~
## p40_cnd_tr__06 2.444 0.307 7.954 0.000 2.444 0.926
## p40_cnd_tr__07 3.279 0.744 4.404 0.000 3.279 0.957
## p40_cnd_tr__08 0.802 0.065 12.264 0.000 0.802 0.626
## p40_cnd_tr__09 0.791 0.071 11.147 0.000 0.791 0.620
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## SM ~
## PSICOSOC (c) -0.310 0.058 -5.361 0.000 -0.291 -0.291
## ratio_nec_insuf ~
## PSICOSOC (a) -0.066 0.016 -4.149 0.000 -0.066 -0.201
## p45_dem_sx 0.107 0.039 2.759 0.006 0.107 0.138
## SM ~
## rat_nc_nsf (b) 0.165 0.155 1.065 0.287 0.155 0.051
## p45_dem_sx 0.409 0.120 3.412 0.001 0.383 0.163
##
## Intercepts:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .p5_animo_1 0.000 0.000 0.000
## .p5_animo_2 0.000 0.000 0.000
## .p5_animo_3 0.000 0.000 0.000
## .p5_animo_4 0.000 0.000 0.000
## .p40_cnd_tr__06 0.000 0.000 0.000
## .p40_cnd_tr__07 0.000 0.000 0.000
## .p40_cnd_tr__08 0.000 0.000 0.000
## .p40_cnd_tr__09 0.000 0.000 0.000
## .ratio_nec_insf 0.155 0.043 3.596 0.000 0.155 0.472
## .SM 0.000 0.000 0.000
## PSICOSOC 0.000 0.000 0.000
##
## Thresholds:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## p5_animo_1|t1 -0.899 0.190 -4.729 0.000 -0.899 -0.509
## p5_animo_1|t2 1.566 0.209 7.486 0.000 1.566 0.886
## p5_animo_1|t3 3.041 0.258 11.801 0.000 3.041 1.721
## p5_animo_2|t1 -1.314 0.184 -7.124 0.000 -1.314 -0.802
## p5_animo_2|t2 0.760 0.177 4.295 0.000 0.760 0.464
## p5_animo_2|t3 2.255 0.209 10.773 0.000 2.255 1.376
## p5_animo_3|t1 -1.012 0.164 -6.174 0.000 -1.012 -0.669
## p5_animo_3|t2 0.913 0.165 5.545 0.000 0.913 0.604
## p5_animo_3|t3 2.177 0.196 11.133 0.000 2.177 1.441
## p5_animo_4|t1 -0.800 0.195 -4.105 0.000 -0.800 -0.409
## p5_animo_4|t2 1.746 0.233 7.477 0.000 1.746 0.893
## p5_animo_4|t3 3.496 0.301 11.609 0.000 3.496 1.788
## p40_cnd___06|1 -5.197 0.612 -8.489 0.000 -5.197 -1.968
## p40_cnd___06|2 -3.755 0.492 -7.632 0.000 -3.755 -1.422
## p40_cnd___06|3 -2.479 0.390 -6.354 0.000 -2.479 -0.939
## p40_cnd___06|4 -0.342 0.281 -1.216 0.224 -0.342 -0.130
## p40_cnd___07|1 -6.494 1.271 -5.111 0.000 -6.494 -1.894
## p40_cnd___07|2 -4.301 0.941 -4.572 0.000 -4.301 -1.255
## p40_cnd___07|3 -2.207 0.572 -3.859 0.000 -2.207 -0.644
## p40_cnd___07|4 0.588 0.381 1.546 0.122 0.588 0.172
## p40_cnd___08|1 -2.808 0.203 -13.801 0.000 -2.808 -2.191
## p40_cnd___08|2 -2.058 0.166 -12.403 0.000 -2.058 -1.605
## p40_cnd___08|3 -0.990 0.145 -6.812 0.000 -0.990 -0.772
## p40_cnd___08|4 0.307 0.139 2.204 0.028 0.307 0.239
## p40_cnd___09|1 -3.134 0.262 -11.965 0.000 -3.134 -2.458
## p40_cnd___09|2 -2.393 0.193 -12.370 0.000 -2.393 -1.877
## p40_cnd___09|3 -1.270 0.149 -8.542 0.000 -1.270 -0.996
## p40_cnd___09|4 0.370 0.138 2.680 0.007 0.370 0.290
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .p5_animo_1 1.000 1.000 0.320
## .p5_animo_2 1.000 1.000 0.372
## .p5_animo_3 1.000 1.000 0.438
## .p5_animo_4 1.000 1.000 0.262
## .p40_cnd_tr__06 1.000 1.000 0.143
## .p40_cnd_tr__07 1.000 1.000 0.085
## .p40_cnd_tr__08 1.000 1.000 0.608
## .p40_cnd_tr__09 1.000 1.000 0.615
## .ratio_nec_insf 0.101 0.010 10.333 0.000 0.101 0.940
## .SM 1.000 0.878 0.878
## PSICOSOC 1.000 1.000 1.000
##
## Scales y*:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## p5_animo_1 0.572 0.572 1.000
## p5_animo_2 0.616 0.616 1.000
## p5_animo_3 0.667 0.667 1.000
## p5_animo_4 0.517 0.517 1.000
## p40_cnd_tr__06 0.379 0.379 1.000
## p40_cnd_tr__07 0.292 0.292 1.000
## p40_cnd_tr__08 0.780 0.780 1.000
## p40_cnd_tr__09 0.784 0.784 1.000
##
## R-Square:
## Estimate
## p5_animo_1 0.680
## p5_animo_2 0.628
## p5_animo_3 0.562
## p5_animo_4 0.738
## p40_cnd_tr__06 0.857
## p40_cnd_tr__07 0.915
## p40_cnd_tr__08 0.392
## p40_cnd_tr__09 0.385
## ratio_nec_insf 0.060
## SM 0.122
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## ab -0.011 0.010 -1.040 0.298 -0.010 -0.010
## totaleffect -0.321 0.056 -5.771 0.000 -0.301 -0.301#subset(lavaan::modindices(SEM_c)[order(lavaan::modindices(SEM_c)$mi, decreasing=TRUE), ], mi > 5 & abs(sepc.all)>0.2)El efecto nulo encontrado en el modelo más complejo se contrastó mediante un análisis de sensibilidad utilizando simulaciones de Monte Carlo de 10,000 iteraciones.
med <- 'a*b'
medabc <- ' c + a*b'
myParams <- c("a","b")
myCoefs_final <- coef(SEM_c)[myParams]
myACM_final <- vcov(SEM_c)[myParams, myParams]
set.seed(2125)
fit_SEM_c_final<-semTools::monteCarloMed(med, myCoefs_final, ACM = myACM_final, rep=10000 , CI=95, plot=TRUE)
Figura 10c. Simulaciones Monte Carlo, Sintomatología Ansiosa y Depresiva
print(fit_SEM_c_final)## $`Point Estimate`
## [1] -0.01089818
##
## $`95% Confidence Interval`
##
## LL -0.0344
## UL 0.0095paste0("OR= ",round(exp(fit_SEM_c_final$`Point Estimate`),3),"[",
round(exp(fit_SEM_c_final$`95% Confidence Interval`)[1],3),"-",
round(exp(fit_SEM_c_final$`95% Confidence Interval`)[2],3),"]")## [1] "OR= 0.989[0.966-1.01]"En efecto, la mediación no ejerció un efecto significativo, siendo valores Odds ratio que circundan en efectos nulos (0.966-1.01).
standardizedSolution(SEM_c) %>%
dplyr::mutate(reg=paste0(lhs,"_",op,"_",rhs)) %>%
dplyr::filter(reg %in% c("SM_~_PSICOSOC", "SM_~_ratio_nec_insuf", "ratio_nec_insuf_~_PSICOSOC", "ab_:=_a*b", "totaleffect_:=_c+(a*b)")) %>%
mutate_if(is.numeric, round, 3) %>%
mutate(est.std, STD=ifelse(pvalue<.001, paste0(round(exp(est.std),3),"***"),
ifelse(pvalue<.01, paste0(round(exp(est.std),3),"**"),
ifelse(pvalue<.05, paste0(round(exp(est.std),3),"*"), round(exp(est.std),3))))) %>%
knitr::kable(.,format = "html", format.args = list(decimal.mark = ".", big.mark = ","),
caption="Tabla 10c. Prueba Mediación, Modelo Final sobre Salud Mental",
align =c("l","l",rep('c', 101))) %>%
#col.names = c("Variable","Category","OR", "95% IC"))%>%
kableExtra::kable_styling(bootstrap_options = c("striped", "hover"),font_size = 13) %>%
kableExtra::scroll_box(width = "100%", height = "375px")| lhs | op | rhs | est.std | se | z | pvalue | ci.lower | ci.upper | reg | STD |
|---|---|---|---|---|---|---|---|---|---|---|
| SM | ~ | PSICOSOC | -0.291 | 0.050 | -5.833 | 0.000 | -0.388 | -0.193 | SM_~_PSICOSOC | 0.748*** |
| ratio_nec_insuf | ~ | PSICOSOC | -0.201 | 0.045 | -4.435 | 0.000 | -0.290 | -0.112 | ratio_nec_insuf_~_PSICOSOC | 0.818*** |
| SM | ~ | ratio_nec_insuf | 0.051 | 0.048 | 1.062 | 0.288 | -0.043 | 0.144 | SM_~_ratio_nec_insuf | 1.052 |
| ab | := | a*b | -0.010 | 0.010 | -1.040 | 0.298 | -0.029 | 0.009 | ab_:=_a*b | 0.99 |
| totaleffect | := | c+(a*b) | -0.301 | 0.047 | -6.349 | 0.000 | -0.394 | -0.208 | totaleffect_:=_c+(a*b) | 0.74*** |
A partir de la tabla anterior podemos observar que el efecto mediador sólo añadió una magnitud muy menor al efecto total.
2.4.5 Modelo más complejo, efecto sobre SM (Ansiedad y Depresión), sin mediación
summary(SEM_d, fit.measures=TRUE, rsq=TRUE, standardized=TRUE)## lavaan 0.6-7 ended normally after 22 iterations
##
## Estimator DWLS
## Optimization method NLMINB
## Number of free parameters 39
##
## Used Total
## Number of observations 516 875
##
## Model Test User Model:
## Standard Robust
## Test Statistic 222.487 250.045
## Degrees of freedom 33 33
## P-value (Chi-square) 0.000 0.000
## Scaling correction factor 0.925
## Shift parameter 9.482
## simple second-order correction
##
## Model Test Baseline Model:
##
## Test statistic 10654.171 6198.110
## Degrees of freedom 28 28
## P-value 0.000 0.000
## Scaling correction factor 1.722
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.982 0.965
## Tucker-Lewis Index (TLI) 0.985 0.970
##
## Robust Comparative Fit Index (CFI) NA
## Robust Tucker-Lewis Index (TLI) NA
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.106 0.113
## 90 Percent confidence interval - lower 0.093 0.100
## 90 Percent confidence interval - upper 0.119 0.126
## P-value RMSEA <= 0.05 0.000 0.000
##
## Robust RMSEA NA
## 90 Percent confidence interval - lower NA
## 90 Percent confidence interval - upper NA
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.074 0.074
##
## Parameter Estimates:
##
## Standard errors Robust.sem
## Information Expected
## Information saturated (h1) model Unstructured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## SM =~
## p5_animo_1 0.789 0.025 31.119 0.000 0.841 0.829
## p5_animo_2 0.757 0.026 29.681 0.000 0.807 0.796
## p5_animo_3 0.709 0.028 25.008 0.000 0.756 0.747
## p5_animo_4 0.816 0.024 34.242 0.000 0.870 0.857
## PSICOSOC =~
## p40_cnd_tr__06 0.922 0.017 53.168 0.000 0.922 0.922
## p40_cnd_tr__07 0.958 0.019 50.142 0.000 0.958 0.958
## p40_cnd_tr__08 0.611 0.032 19.251 0.000 0.611 0.611
## p40_cnd_tr__09 0.605 0.035 17.186 0.000 0.605 0.605
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## SM ~
## PSICOSOC -0.300 0.055 -5.415 0.000 -0.281 -0.281
## ratio_nec_insf 0.362 0.157 2.309 0.021 0.339 0.111
## p45_demo_sexo 0.388 0.120 3.243 0.001 0.364 0.155
##
## Intercepts:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .p5_animo_1 0.000 0.000 0.000
## .p5_animo_2 0.000 0.000 0.000
## .p5_animo_3 0.000 0.000 0.000
## .p5_animo_4 0.000 0.000 0.000
## .p40_cnd_tr__06 0.000 0.000 0.000
## .p40_cnd_tr__07 0.000 0.000 0.000
## .p40_cnd_tr__08 0.000 0.000 0.000
## .p40_cnd_tr__09 0.000 0.000 0.000
## .SM 0.000 0.000 0.000
## PSICOSOC 0.000 0.000 0.000
##
## Thresholds:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## p5_animo_1|t1 -0.508 0.109 -4.668 0.000 -0.508 -0.501
## p5_animo_1|t2 0.903 0.113 7.976 0.000 0.903 0.890
## p5_animo_1|t3 1.746 0.125 13.931 0.000 1.746 1.721
## p5_animo_2|t1 -0.807 0.114 -7.101 0.000 -0.807 -0.797
## p5_animo_2|t2 0.472 0.109 4.316 0.000 0.472 0.466
## p5_animo_2|t3 1.394 0.120 11.643 0.000 1.394 1.375
## p5_animo_3|t1 -0.647 0.109 -5.963 0.000 -0.647 -0.640
## p5_animo_3|t2 0.643 0.109 5.929 0.000 0.643 0.636
## p5_animo_3|t3 1.491 0.124 12.032 0.000 1.491 1.474
## p5_animo_4|t1 -0.365 0.103 -3.557 0.000 -0.365 -0.360
## p5_animo_4|t2 0.966 0.107 9.019 0.000 0.966 0.951
## p5_animo_4|t3 1.882 0.120 15.720 0.000 1.882 1.853
## p40_cnd___06|1 -2.081 0.143 -14.547 0.000 -2.081 -2.081
## p40_cnd___06|2 -1.532 0.123 -12.431 0.000 -1.532 -1.532
## p40_cnd___06|3 -1.042 0.114 -9.131 0.000 -1.042 -1.042
## p40_cnd___06|4 -0.216 0.110 -1.973 0.048 -0.216 -0.216
## p40_cnd___07|1 -2.005 0.141 -14.260 0.000 -2.005 -2.005
## p40_cnd___07|2 -1.359 0.119 -11.407 0.000 -1.359 -1.359
## p40_cnd___07|3 -0.739 0.111 -6.640 0.000 -0.739 -0.739
## p40_cnd___07|4 0.091 0.108 0.842 0.400 0.091 0.091
## p40_cnd___08|1 -2.292 0.161 -14.260 0.000 -2.292 -2.292
## p40_cnd___08|2 -1.700 0.134 -12.655 0.000 -1.700 -1.700
## p40_cnd___08|3 -0.858 0.118 -7.244 0.000 -0.858 -0.858
## p40_cnd___08|4 0.166 0.113 1.470 0.142 0.166 0.166
## p40_cnd___09|1 -2.563 0.213 -12.058 0.000 -2.563 -2.563
## p40_cnd___09|2 -1.974 0.152 -12.981 0.000 -1.974 -1.974
## p40_cnd___09|3 -1.081 0.120 -8.985 0.000 -1.081 -1.081
## p40_cnd___09|4 0.222 0.111 1.990 0.047 0.222 0.222
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .p5_animo_1 0.322 0.322 0.313
## .p5_animo_2 0.375 0.375 0.366
## .p5_animo_3 0.452 0.452 0.441
## .p5_animo_4 0.274 0.274 0.266
## .p40_cnd_tr__06 0.151 0.151 0.151
## .p40_cnd_tr__07 0.083 0.083 0.083
## .p40_cnd_tr__08 0.626 0.626 0.626
## .p40_cnd_tr__09 0.634 0.634 0.634
## .SM 1.000 0.880 0.880
## PSICOSOC 1.000 1.000 1.000
##
## Scales y*:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## p5_animo_1 1.000 1.000 1.000
## p5_animo_2 1.000 1.000 1.000
## p5_animo_3 1.000 1.000 1.000
## p5_animo_4 1.000 1.000 1.000
## p40_cnd_tr__06 1.000 1.000 1.000
## p40_cnd_tr__07 1.000 1.000 1.000
## p40_cnd_tr__08 1.000 1.000 1.000
## p40_cnd_tr__09 1.000 1.000 1.000
##
## R-Square:
## Estimate
## p5_animo_1 0.687
## p5_animo_2 0.634
## p5_animo_3 0.559
## p5_animo_4 0.734
## p40_cnd_tr__06 0.849
## p40_cnd_tr__07 0.917
## p40_cnd_tr__08 0.374
## p40_cnd_tr__09 0.366
## SM 0.120#subset(lavaan::modindices(SEM_a)[order(lavaan::modindices(SEM_a)$mi, decreasing=TRUE), ], mi > 5 & abs(sepc.all)>0.2)subset(lavaan::modindices(SEM_d)[order(lavaan::modindices(SEM_d)$mi, decreasing=TRUE), ], mi > 5 & abs(sepc.all)>0.2)## lhs op rhs mi epc sepc.lv
## 108 p40_cond_trab_istas_08 ~~ p40_cond_trab_istas_09 98.063 0.394 0.394
## 103 p40_cond_trab_istas_06 ~~ p40_cond_trab_istas_07 89.657 0.790 0.790
## 111 PSICOSOC ~ ratio_nec_insuf 45.681 -0.639 -0.639
## 81 p5_animo_1 ~~ p5_animo_2 39.926 0.308 0.308
## 107 p40_cond_trab_istas_07 ~~ p40_cond_trab_istas_09 35.894 -0.385 -0.385
## 110 PSICOSOC ~ SM 34.062 -0.908 -0.969
## 94 p5_animo_3 ~~ p5_animo_4 31.504 0.269 0.269
## 104 p40_cond_trab_istas_06 ~~ p40_cond_trab_istas_08 29.450 -0.329 -0.329
## 105 p40_cond_trab_istas_06 ~~ p40_cond_trab_istas_09 28.387 -0.333 -0.333
## 106 p40_cond_trab_istas_07 ~~ p40_cond_trab_istas_08 17.800 -0.258 -0.258
## 82 p5_animo_1 ~~ p5_animo_3 15.291 -0.209 -0.209
## 89 p5_animo_2 ~~ p5_animo_4 11.982 -0.199 -0.199
## 88 p5_animo_2 ~~ p5_animo_3 11.008 -0.171 -0.171
## 83 p5_animo_1 ~~ p5_animo_4 8.546 -0.170 -0.170
## sepc.all sepc.nox
## 108 0.625 0.625
## 103 7.061 7.061
## 111 -0.210 -0.639
## 81 0.887 0.887
## 107 -1.678 -1.678
## 110 -0.969 -0.969
## 94 0.763 0.763
## 104 -1.072 -1.072
## 105 -1.077 -1.077
## 106 -1.133 -1.133
## 82 -0.549 -0.549
## 89 -0.619 -0.619
## 88 -0.415 -0.415
## 83 -0.570 -0.570summary(SEM_e, fit.measures=TRUE, rsq=TRUE, standardized=TRUE)## lavaan 0.6-7 ended normally after 24 iterations
##
## Estimator DWLS
## Optimization method NLMINB
## Number of free parameters 40
##
## Used Total
## Number of observations 516 875
##
## Model Test User Model:
## Standard Robust
## Test Statistic 233.723 255.083
## Degrees of freedom 40 40
## P-value (Chi-square) 0.000 0.000
## Scaling correction factor 0.961
## Shift parameter 11.985
## simple second-order correction
##
## Model Test Baseline Model:
##
## Test statistic 10721.953 6229.578
## Degrees of freedom 28 28
## P-value 0.000 0.000
## Scaling correction factor 1.724
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.982 0.965
## Tucker-Lewis Index (TLI) 0.987 0.976
##
## Robust Comparative Fit Index (CFI) NA
## Robust Tucker-Lewis Index (TLI) NA
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.097 0.102
## 90 Percent confidence interval - lower 0.085 0.090
## 90 Percent confidence interval - upper 0.109 0.114
## P-value RMSEA <= 0.05 0.000 0.000
##
## Robust RMSEA NA
## 90 Percent confidence interval - lower NA
## 90 Percent confidence interval - upper NA
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.075 0.075
##
## Parameter Estimates:
##
## Standard errors Robust.sem
## Information Expected
## Information saturated (h1) model Unstructured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## SM =~
## p5_animo_1 0.789 0.025 31.641 0.000 0.842 0.830
## p5_animo_2 0.759 0.025 30.262 0.000 0.810 0.799
## p5_animo_3 0.712 0.028 25.416 0.000 0.759 0.750
## p5_animo_4 0.816 0.024 34.445 0.000 0.870 0.857
## PSICOSOC =~
## p40_cnd_tr__06 0.921 0.017 53.153 0.000 0.921 0.921
## p40_cnd_tr__07 0.958 0.019 50.303 0.000 0.958 0.958
## p40_cnd_tr__08 0.609 0.032 19.177 0.000 0.609 0.609
## p40_cnd_tr__09 0.605 0.035 17.204 0.000 0.605 0.605
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## SM ~
## PSICOSOC -0.302 0.055 -5.472 0.000 -0.283 -0.283
## ratio_nec_insf 0.369 0.158 2.337 0.019 0.346 0.114
## p45_demo_sexo 0.382 0.120 3.194 0.001 0.358 0.152
## estamento -0.015 0.041 -0.361 0.718 -0.014 -0.017
##
## Intercepts:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .p5_animo_1 0.000 0.000 0.000
## .p5_animo_2 0.000 0.000 0.000
## .p5_animo_3 0.000 0.000 0.000
## .p5_animo_4 0.000 0.000 0.000
## .p40_cnd_tr__06 0.000 0.000 0.000
## .p40_cnd_tr__07 0.000 0.000 0.000
## .p40_cnd_tr__08 0.000 0.000 0.000
## .p40_cnd_tr__09 0.000 0.000 0.000
## .SM 0.000 0.000 0.000
## PSICOSOC 0.000 0.000 0.000
##
## Thresholds:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## p5_animo_1|t1 -0.418 0.169 -2.470 0.014 -0.418 -0.412
## p5_animo_1|t2 0.995 0.175 5.699 0.000 0.995 0.981
## p5_animo_1|t3 1.838 0.181 10.126 0.000 1.838 1.811
## p5_animo_2|t1 -0.948 0.176 -5.396 0.000 -0.948 -0.935
## p5_animo_2|t2 0.333 0.172 1.931 0.054 0.333 0.328
## p5_animo_2|t3 1.256 0.178 7.049 0.000 1.256 1.239
## p5_animo_3|t1 -0.829 0.169 -4.899 0.000 -0.829 -0.819
## p5_animo_3|t2 0.464 0.169 2.751 0.006 0.464 0.458
## p5_animo_3|t3 1.315 0.177 7.432 0.000 1.315 1.299
## p5_animo_4|t1 -0.326 0.159 -2.051 0.040 -0.326 -0.321
## p5_animo_4|t2 1.006 0.162 6.219 0.000 1.006 0.991
## p5_animo_4|t3 1.921 0.160 12.025 0.000 1.921 1.892
## p40_cnd___06|1 -2.276 0.191 -11.887 0.000 -2.276 -2.276
## p40_cnd___06|2 -1.728 0.183 -9.454 0.000 -1.728 -1.728
## p40_cnd___06|3 -1.237 0.177 -7.003 0.000 -1.237 -1.237
## p40_cnd___06|4 -0.409 0.174 -2.352 0.019 -0.409 -0.409
## p40_cnd___07|1 -2.215 0.184 -12.070 0.000 -2.215 -2.215
## p40_cnd___07|2 -1.570 0.178 -8.843 0.000 -1.570 -1.570
## p40_cnd___07|3 -0.948 0.171 -5.533 0.000 -0.948 -0.948
## p40_cnd___07|4 -0.116 0.168 -0.689 0.491 -0.116 -0.116
## p40_cnd___08|1 -2.506 0.194 -12.891 0.000 -2.506 -2.506
## p40_cnd___08|2 -1.916 0.180 -10.665 0.000 -1.916 -1.916
## p40_cnd___08|3 -1.073 0.169 -6.347 0.000 -1.073 -1.073
## p40_cnd___08|4 -0.045 0.164 -0.274 0.784 -0.045 -0.045
## p40_cnd___09|1 -2.615 0.268 -9.771 0.000 -2.615 -2.615
## p40_cnd___09|2 -2.025 0.210 -9.635 0.000 -2.025 -2.025
## p40_cnd___09|3 -1.133 0.184 -6.147 0.000 -1.133 -1.133
## p40_cnd___09|4 0.170 0.178 0.955 0.339 0.170 0.170
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .p5_animo_1 0.320 0.320 0.311
## .p5_animo_2 0.371 0.371 0.361
## .p5_animo_3 0.447 0.447 0.437
## .p5_animo_4 0.273 0.273 0.265
## .p40_cnd_tr__06 0.151 0.151 0.151
## .p40_cnd_tr__07 0.083 0.083 0.083
## .p40_cnd_tr__08 0.629 0.629 0.629
## .p40_cnd_tr__09 0.634 0.634 0.634
## .SM 1.000 0.879 0.879
## PSICOSOC 1.000 1.000 1.000
##
## Scales y*:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## p5_animo_1 1.000 1.000 1.000
## p5_animo_2 1.000 1.000 1.000
## p5_animo_3 1.000 1.000 1.000
## p5_animo_4 1.000 1.000 1.000
## p40_cnd_tr__06 1.000 1.000 1.000
## p40_cnd_tr__07 1.000 1.000 1.000
## p40_cnd_tr__08 1.000 1.000 1.000
## p40_cnd_tr__09 1.000 1.000 1.000
##
## R-Square:
## Estimate
## p5_animo_1 0.689
## p5_animo_2 0.639
## p5_animo_3 0.563
## p5_animo_4 0.735
## p40_cnd_tr__06 0.849
## p40_cnd_tr__07 0.917
## p40_cnd_tr__08 0.371
## p40_cnd_tr__09 0.366
## SM 0.121#subset(lavaan::modindices(SEM_a)[order(lavaan::modindices(SEM_a)$mi, decreasing=TRUE), ], mi > 5 & abs(sepc.all)>0.2)subset(lavaan::modindices(SEM_e)[order(lavaan::modindices(SEM_d)$mi, decreasing=TRUE), ], mi > 5 & abs(sepc.all)>0.2)## lhs op rhs mi epc sepc.lv
## 113 p40_cond_trab_istas_08 ~~ p40_cond_trab_istas_09 98.410 0.394 0.394
## 108 p40_cond_trab_istas_06 ~~ p40_cond_trab_istas_07 89.523 0.789 0.789
## 116 PSICOSOC ~ ratio_nec_insuf 41.518 -0.612 -0.612
## 86 p5_animo_1 ~~ p5_animo_2 42.073 0.312 0.312
## 112 p40_cond_trab_istas_07 ~~ p40_cond_trab_istas_09 35.704 -0.384 -0.384
## 115 PSICOSOC ~ SM 31.432 -0.873 -0.931
## 99 p5_animo_3 ~~ p5_animo_4 32.830 0.270 0.270
## 109 p40_cond_trab_istas_06 ~~ p40_cond_trab_istas_08 29.434 -0.328 -0.328
## 110 p40_cond_trab_istas_06 ~~ p40_cond_trab_istas_09 28.215 -0.331 -0.331
## 111 p40_cond_trab_istas_07 ~~ p40_cond_trab_istas_08 17.700 -0.257 -0.257
## 87 p5_animo_1 ~~ p5_animo_3 15.798 -0.210 -0.210
## 94 p5_animo_2 ~~ p5_animo_4 12.349 -0.199 -0.199
## 93 p5_animo_2 ~~ p5_animo_3 12.582 -0.182 -0.182
## 88 p5_animo_1 ~~ p5_animo_4 8.814 -0.170 -0.170
## sepc.all sepc.nox
## 113 0.624 0.624
## 108 7.034 7.034
## 116 -0.201 -0.612
## 86 0.905 0.905
## 112 -1.671 -1.671
## 115 -0.931 -0.931
## 99 0.772 0.772
## 109 -1.061 -1.061
## 110 -1.070 -1.070
## 111 -1.122 -1.122
## 87 -0.554 -0.554
## 94 -0.626 -0.626
## 93 -0.446 -0.446
## 88 -0.576 -0.576data.table::data.table(cbind(modelo= c("SM ~ Psicosocial +Miedo+ Sexo","SM ~ Psicosocial +Razón EPPs+ Sexo+ Estamento"),
rbind(ajusteAFC(SEM_d),ajusteAFC(SEM_e))),keep.rownames = F) %>%
knitr::kable(.,format = "html", format.args = list(decimal.mark = ".", big.mark = ","),
caption = paste0("Tabla 27. Comparativo Índices de Ajuste de Modelos Propuestos"),
align =c('l',rep('c', 101)),
col.names = c("Modelos","Código", "gl","WLS X2","CMIN/df","aGFI","GFI", "RMSEA\n[IC 90%]","CFit","CFI","NNFI","SRMR")) %>%
#kableExtra::row_spec(1, bold= T, color= "black", background= "white")%>%
kableExtra::kable_styling(bootstrap_options = c("striped", "hover"),font_size = 12)| Modelos | Código | gl | WLS X2 | CMIN/df | aGFI | GFI | RMSEA [IC 90%] | CFit | CFI | NNFI | SRMR |
|---|---|---|---|---|---|---|---|---|---|---|---|
| SM ~ Psicosocial +Miedo+ Sexo | SEM_d | 33 | 222.487 | 6.742 | 0.964 | 0.983 | 0.106[0.093-0.119] | 0.000 | 0.982 | 0.985 | 0.074 |
| SM ~ Psicosocial +Razón EPPs+ Sexo+ Estamento | SEM_e | 40 | 233.723 | 5.843 | 0.962 | 0.981 | 0.097[0.085-0.109] | 0.000 | 0.982 | 0.987 | 0.075 |
#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_
#Para ver el número de parámetros
#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_
if(no_mostrar==1){
for (i in 2:100){
ano<-i
try(semPlot::semPaths(SEM_d,
residuals=T,
what="std",
label.cex=1.5,
edge.label.cex=1,
fade=FALSE,
thresholds = F,
edge.label.position=rep(.5,ano),
filetype="pdf",
filename=paste0("Número de parámetros ",ano),
intercepts=F)
)
}
}
#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_
#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_#_
#standardizedSolution(SEM_d)
semPlot::semPaths(SEM_d,
residuals=T,
what="std",
#label.cex=c(2,2,2,4),
edge.label.cex=.5,
fade=FALSE,
thresholds = F,
#33 en total
edge.label.position=c(rep(c(0.45,0.55),7),
rep(c(0.45,0.55),7),rep(0.5,5)), #10 pars
nodeLabels=c("animo_1","animo_2","animo_3","animo_4",
"istas_06",
"istas_07","istas_08","istas_09","Razón\nEPPs",
"Sexo",
"Ans\ny Dep","Soporte\nSup y Par"),
intercepts=F,
curveAdjacent = TRUE,
title=F,
layout="tree3",
sizeMan=10,
gui = T,
allVars = FALSE,
cut=1.1,
sizeLat=11,
edge.color="black",
curvePivot=T,
borders=FALSE,
edge.width = 0.3,
node.width =.5,
node.height= .5,
label.scale=T,
curve = -.3,
mar = c(5.8, 0.8, 7.8, 0.8))
Figura 11. Cargas factoriales estandarizadas y comunalidades para modelo de Ecuaciones Estructurales
jpeg("_SEM_PATH.jpg", height = 11.5, width = 11.5, units = 'in', res = 600)
semPlot::semPaths(SEM_d,
residuals=T,
what="std",
#label.cex=c(2,2,2,4),
edge.label.cex=.5,
fade=FALSE,
thresholds = F,
#33 en total
edge.label.position=c(rep(c(0.45,0.55),7),
rep(c(0.45,0.55),7),rep(0.5,5)), #10 pars
nodeLabels=c("animo_1","animo_2","animo_3","animo_4",
"istas_06",
"istas_07","istas_08","istas_09","Razón\nEPPs",
"Sexo",
"Ans\ny Dep","Soporte\nSup y Par"),
intercepts=F,
curveAdjacent = TRUE,
title=F,
layout="tree3",
sizeMan=10,
gui = T,
allVars = FALSE,
cut=1.1,
sizeLat=11,
edge.color="black",
curvePivot=T,
borders=FALSE,
edge.width = 0.3,
node.width =.5,
node.height= .5,
label.scale=T,
curve = -.3,
mar = c(5.8, 0.8, 7.8, 0.8))
dev.off()## png
## 2p40_cond_trab_istas_06(En su trabajo principal: | Su superior directo, ¿está dispuesto a escuchar sus problemas en el trabajo?)p40_cond_trab_istas_07(En su trabajo principal: | ¿Recibe ayuda y apoyo de su superior directo?)p40_cond_trab_istas_08(En su trabajo principal: | ¿Recibe ayuda y apoyo para el trabajo de sus compañeras o compañeros de trabajo?)p40_cond_trab_istas_09(En su trabajo principal: | ¿Hay un buen ambiente entre usted y sus compañeros y compañeras de trabajo?)p5_animo_1(Señale con qué frecuencia ha experimentado las siguientes situaciones en los últimos 7 días | Me he sentido Nervioso, ansioso o con los nervios de punta.)p5_animo_2(Señale con qué frecuencia ha experimentado las siguientes situaciones en los últimos 7 días | No he podido dejar de preocuparme.)p5_animo_3(Señale con qué frecuencia ha experimentado las siguientes situaciones en los últimos 7 días | He sentido falta de interés o poca satisfacción en hacer cosas.)p5_animo_4(Señale con qué frecuencia ha experimentado las siguientes situaciones en los últimos 7 días | Me he sentido decaído, deprimido o desesperanzado.)
3 Información de la Sesión
Sys.getenv("R_LIBS_USER")## [1] "C:/Users/andre/Google Drive/AccionSaludUDP_win/renv/library/R-4.0/x86_64-w64-mingw32;C:/Users/andre/AppData/Local/Temp/Rtmpugl6J7/renv-system-library"rstudioapi::getSourceEditorContext()## Document Context:
## - id: '50227AD6'
## - path: 'C:/Users/andre/Google Drive/AccionSaludUDP_win/Articulo2.Rmd'
## - contents: <2619 rows>
## Document Selection:
## - [2589, 21] -- [2589, 21]: ''sessionInfo()## R version 4.0.2 (2020-06-22)
## Platform: x86_64-w64-mingw32/x64 (64-bit)
## Running under: Windows 10 x64 (build 19042)
##
## Matrix products: default
##
## locale:
## [1] LC_COLLATE=Spanish_Chile.1252 LC_CTYPE=Spanish_Chile.1252
## [3] LC_MONETARY=Spanish_Chile.1252 LC_NUMERIC=C
## [5] LC_TIME=Spanish_Chile.1252
##
## attached base packages:
## [1] parallel grid splines stats graphics grDevices datasets
## [8] utils methods base
##
## other attached packages:
## [1] diagram_1.6.5 shape_1.4.6
## [3] finalfit_1.0.2 mediation_4.5.0
## [5] sandwich_3.0-0 Matrix_1.2-18
## [7] glmulti_1.0.8 leaps_3.1
## [9] rJava_1.0-4 jtools_2.1.3
## [11] heatmaply_1.2.1 viridis_0.5.1
## [13] viridisLite_0.3.0 random.polychor.pa_1.1.4-4
## [15] boot_1.3-25 semTools_0.5-4
## [17] semPlot_1.1.2 lavaan_0.6-7
## [19] parameters_0.11.0 rpivotTable_0.3.0
## [21] survminer_0.4.8 ggpubr_0.4.0
## [23] ggfortify_0.4.11 forcats_0.5.1
## [25] purrr_0.3.4 tibble_3.0.6
## [27] tidyverse_1.3.0 factoextra_1.0.7
## [29] ggiraph_0.7.8 nFactors_2.4.1
## [31] homals_1.0-8 radiant_1.3.2
## [33] radiant.multivariate_1.3.5 radiant.model_1.3.14
## [35] radiant.basics_1.3.4 radiant.design_1.3.5
## [37] radiant.data_1.3.12 tidyr_1.1.2
## [39] magrittr_2.0.1 ggcorrplot_0.1.3
## [41] MVN_5.8 polycor_0.7-10
## [43] mvtnorm_1.1-1 GPArotation_2014.11-1
## [45] psych_2.0.12 wordcloud_2.6
## [47] RColorBrewer_1.1-2 wordcloud2_0.2.1
## [49] tm_0.7-8 NLP_0.2-1
## [51] skimr_2.1.2 ExPanDaR_0.5.3
## [53] devtools_2.3.2 usethis_2.0.0
## [55] sqldf_0.4-11 RSQLite_2.2.3
## [57] gsubfn_0.7 proto_1.0.0
## [59] altair_4.1.1 rbokeh_0.5.1
## [61] rio_0.5.16 SCtools_0.3.1
## [63] future_1.21.0 doParallel_1.0.16
## [65] iterators_1.0.13 foreach_1.5.1
## [67] ggforce_0.3.2 dplyr_1.0.4
## [69] compareGroups_4.4.6 Hmisc_4.4-2
## [71] Formula_1.2-4 survival_3.1-12
## [73] ggsci_2.9 MASS_7.3-51.6
## [75] astsa_1.12 vcd_1.4-8
## [77] Epi_2.43 lmtest_0.9-38
## [79] zoo_1.8-8 tsModel_0.6
## [81] foreign_0.8-80 sjPlot_2.8.7
## [83] textreg_0.1.5 estimatr_0.30.2
## [85] rjson_0.2.20 janitor_2.1.0
## [87] lattice_0.20-41 DT_0.17
## [89] data.table_1.13.6 stringr_1.4.0
## [91] readr_1.4.0 gganimate_1.0.7
## [93] htmlwidgets_1.5.3 lubridate_1.7.9.2
## [95] plotly_4.9.3 ggplot2_3.3.3
## [97] pacman_0.5.1
##
## loaded via a namespace (and not attached):
## [1] pander_0.6.3 pbapply_1.4-3 haven_2.3.1
## [4] tcltk_4.0.2 vctrs_0.3.6 mgcv_1.8-31
## [7] blob_1.2.1 prodlim_2019.11.13 later_1.1.0.1
## [10] nloptr_1.2.2.2 DBI_1.1.1 jpeg_0.1-8.1
## [13] sjmisc_2.8.6 pls_2.7-3 kutils_1.70
## [16] laeken_0.5.1 regsem_1.6.2 sROC_0.1-2
## [19] markdown_1.1 DEoptimR_1.0-8 Rcpp_1.0.6
## [22] KernSmooth_2.23-17 promises_1.1.1 ggeffects_1.0.1
## [25] pkgload_1.1.0 fs_1.5.0 mnormt_2.0.2
## [28] ranger_0.12.1 digest_0.6.27 png_0.1-7
## [31] crul_1.0.0 pkgconfig_2.0.3 gower_0.2.2
## [34] estimability_1.3 minqa_1.2.4 reticulate_1.18
## [37] gistr_0.9.0 modeltools_0.2-23 nortest_1.0-4
## [40] xfun_0.20 tidyselect_1.1.0 performance_0.7.0
## [43] reshape2_1.4.4 kernlab_0.9-29 randomizr_0.20.0
## [46] pcaPP_1.9-73 pkgbuild_1.2.0 rlang_0.4.10
## [49] AlgDesign_1.2.0 manipulateWidget_0.10.1 HardyWeinberg_1.7.1
## [52] hexbin_1.28.2 glue_1.4.2 gdtools_0.2.3
## [55] pryr_0.1.4 registry_0.5-1 modelr_0.1.8
## [58] fpc_2.2-9 emmeans_1.5.4 sgeostat_1.0-27
## [61] lava_1.6.8.1 tictoc_1.0 rockchalk_1.8.144
## [64] ggsignif_0.6.0 bayestestR_0.8.2 recipes_0.1.15
## [67] kableExtra_1.3.1 labeling_0.4.2 GGally_2.1.0
## [70] import_1.2.0 httpuv_1.5.5 class_7.3-17
## [73] corpcor_1.6.9 qgraph_1.6.9 webshot_0.5.2
## [76] jsonlite_1.7.2 tmvnsim_1.0-2 bit_4.0.4
## [79] shinyFiles_0.9.0 mime_0.9 systemfonts_1.0.0
## [82] gridExtra_2.3 zCompositions_1.3.4 stringi_1.5.3
## [85] insight_0.12.0 processx_3.4.5 sem_3.1-11
## [88] bitops_1.0-6 cli_2.3.0 maps_3.3.0
## [91] rrcov_1.5-5 mvoutlier_2.0.9 energy_1.7-7
## [94] officer_0.3.16 rstudioapi_0.13 TSP_1.1-10
## [97] sfsmisc_1.1-8 nlme_3.1-148 ks_1.11.7
## [100] lpSolve_5.6.15 listenv_0.8.0 miniUI_0.1.1.1
## [103] survMisc_0.5.5 httpcode_0.3.0 prabclus_2.3-2
## [106] NADA_1.6-1.1 dbplyr_2.1.0 sessioninfo_1.1.1
## [109] readxl_1.3.1 lifecycle_0.2.0 timeDate_3043.102
## [112] munsell_0.5.0 cellranger_1.1.0 robCompositions_2.3.0
## [115] moments_0.14 ggalluvial_0.12.3 vegawidget_0.3.2
## [118] visNetwork_2.0.9 codetools_0.2-16 coda_0.19-4
## [121] mi_1.0 htmlTable_2.1.0 xtable_1.8-4
## [124] diptest_0.75-7 OpenMx_2.18.1 scatterplot3d_0.3-41
## [127] abind_1.4-5 farver_2.0.3 parallelly_1.23.0
## [130] km.ci_0.5-2 askpass_1.1 sjstats_0.18.1
## [133] rgl_0.104.16 patchwork_1.1.1 cluster_2.1.0
## [136] dendextend_1.14.0 fda_5.1.9 ellipsis_0.3.1
## [139] prettyunits_1.1.1 reprex_1.0.0 ggridges_0.5.3
## [142] mclust_5.4.7 flextable_0.6.3 igraph_1.2.6
## [145] sjlabelled_1.1.7 pdp_0.7.0 remotes_2.2.0
## [148] slam_0.1-48 etm_1.1.1 VIM_6.1.0
## [151] testthat_3.0.1 htmltools_0.5.1.1 yaml_2.2.1
## [154] XML_3.99-0.5 fds_1.8 e1071_1.7-4
## [157] hdrcde_3.4 withr_2.4.1 xgboost_1.3.2.1
## [160] bit64_4.0.5 effectsize_0.4.3 robustbase_0.93-7
## [163] progressr_0.7.0 data.tree_1.0.0 memoise_2.0.0
## [166] evaluate_0.14 pwr_1.3-0 callr_3.5.1
## [169] ps_1.5.0 curl_4.3 DiagrammeR_1.0.6.1
## [172] fdrtool_1.2.16 highr_0.8 checkmate_2.0.0
## [175] renv_0.13.2 cachem_1.0.3 desc_1.2.0
## [178] cmprsk_2.2-10 truncnorm_1.0-8 openxlsx_4.2.3
## [181] rstatix_0.6.0 ggrepel_0.9.1 shinycssloaders_1.0.0
## [184] easyalluvial_0.3.0 rprojroot_2.0.2 tools_4.0.2
## [187] rainbow_3.6 Rsolnp_1.16 RCurl_1.98-1.2
## [190] mice_3.13.0 ape_5.4-1 car_3.0-10
## [193] pbivnorm_0.6.0 xml2_1.3.2 httr_1.4.2
## [196] assertthat_0.2.1 rmarkdown_2.6 globals_0.14.0
## [199] R6_2.5.0 nnet_7.3-14 progress_1.2.2
## [202] gtools_3.8.2 statmod_1.4.35 repr_1.1.3
## [205] lisrelToR_0.1.4 clustMixType_0.2-9 snakecase_0.11.0
## [208] carData_3.0-4 colorspace_2.0-0 generics_0.1.0
## [211] stats4_4.0.2 base64enc_0.1-3 chron_2.3-56
## [214] pillar_1.4.7 tweenr_1.0.1 sp_1.4-5
## [217] uuid_0.1-4 plyr_1.8.6 gtable_0.3.0
## [220] rvest_0.3.6 zip_2.1.1 knitr_1.31
## [223] latticeExtra_0.6-29 fastmap_1.1.0 seriation_1.2-9
## [226] crosstalk_1.1.1 flexmix_2.3-17 NeuralNetTools_1.5.2
## [229] broom_0.7.4 arm_1.11-2 openssl_1.4.3
## [232] scales_1.1.1 backports_1.2.1 writexl_1.3.1
## [235] ipred_0.9-9 lme4_1.1-26 hms_1.0.0
## [238] shiny_1.6.0 KMsurv_0.1-5 polyclip_1.10-0
## [241] numDeriv_2016.8-1.1 glasso_1.11 lazyeval_0.2.2
## [244] cvTools_0.3.2 crayon_1.4.0 shinyAce_0.4.1
## [247] pROC_1.17.0.1 matrixcalc_1.0-3 reshape_0.8.8
## [250] rpart_4.1-15 compiler_4.0.2save.image("__accion_salud_regresion_jun_21_2.RData")
unlink("*_cache", recursive = T, force = T, expand = TRUE)