Problema 3, Taller 5
Giancarlos Santos
10/21/2021
Hipótesis
Ho: El factor tiempo no influye en la calidad del recuerdo. Ho: σ² = σ² Ha: El factor tiempo influye en la calidad del recuerdo. Ha: σ² ≠ σ²
library(tidyverse)## -- Attaching packages --------------------------------------- tidyverse 1.3.1 --## v ggplot2 3.3.5 v purrr 0.3.4
## v tibble 3.1.4 v dplyr 1.0.7
## v tidyr 1.1.4 v stringr 1.4.0
## v readr 2.0.2 v forcats 0.5.1## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()library(ggpubr)
library(rstatix)##
## Attaching package: 'rstatix'## The following object is masked from 'package:stats':
##
## filterlibrary(datarium)
```r
df<-read.csv("https://raw.githubusercontent.com/gidasan08/DExperimental/main/Problema%203.csv")
df## ï..ID Memoria t1 t2 t3 t4
## 1 1 R 10 8 7 8
## 2 2 R 9 8 7 6
## 3 3 R 8 6 6 7
## 4 4 R 7 7 6 6
## 5 5 R 10 9 8 8
## 6 6 RA 8 6 5 3
## 7 7 RA 8 7 6 5
## 8 8 RA 9 7 5 6
## 9 9 RA 8 6 4 4
## 10 10 RA 7 5 4 5
## 11 11 RL 7 5 4 3
## 12 12 RL 8 6 4 4
## 13 13 RL 8 6 5 6
## 14 14 RL 8 5 3 4
## 15 15 RL 7 5 4 3df$ï..ID=factor(df$ï..ID)
df$Memoria=factor(df$Memoria)
df$t1=as.numeric(df$t1)
df$t2=as.numeric(df$t2)
df$t3=as.numeric(df$t3)
df$t4=as.numeric(df$t4)
df## ï..ID Memoria t1 t2 t3 t4
## 1 1 R 10 8 7 8
## 2 2 R 9 8 7 6
## 3 3 R 8 6 6 7
## 4 4 R 7 7 6 6
## 5 5 R 10 9 8 8
## 6 6 RA 8 6 5 3
## 7 7 RA 8 7 6 5
## 8 8 RA 9 7 5 6
## 9 9 RA 8 6 4 4
## 10 10 RA 7 5 4 5
## 11 11 RL 7 5 4 3
## 12 12 RL 8 6 4 4
## 13 13 RL 8 6 5 6
## 14 14 RL 8 5 3 4
## 15 15 RL 7 5 4 3df<-df %>% gather(key="time",value="score",t1,t2,t3,t4) %>% convert_as_factor(ï..ID,time)
df## ï..ID Memoria time score
## 1 1 R t1 10
## 2 2 R t1 9
## 3 3 R t1 8
## 4 4 R t1 7
## 5 5 R t1 10
## 6 6 RA t1 8
## 7 7 RA t1 8
## 8 8 RA t1 9
## 9 9 RA t1 8
## 10 10 RA t1 7
## 11 11 RL t1 7
## 12 12 RL t1 8
## 13 13 RL t1 8
## 14 14 RL t1 8
## 15 15 RL t1 7
## 16 1 R t2 8
## 17 2 R t2 8
## 18 3 R t2 6
## 19 4 R t2 7
## 20 5 R t2 9
## 21 6 RA t2 6
## 22 7 RA t2 7
## 23 8 RA t2 7
## 24 9 RA t2 6
## 25 10 RA t2 5
## 26 11 RL t2 5
## 27 12 RL t2 6
## 28 13 RL t2 6
## 29 14 RL t2 5
## 30 15 RL t2 5
## 31 1 R t3 7
## 32 2 R t3 7
## 33 3 R t3 6
## 34 4 R t3 6
## 35 5 R t3 8
## 36 6 RA t3 5
## 37 7 RA t3 6
## 38 8 RA t3 5
## 39 9 RA t3 4
## 40 10 RA t3 4
## 41 11 RL t3 4
## 42 12 RL t3 4
## 43 13 RL t3 5
## 44 14 RL t3 3
## 45 15 RL t3 4
## 46 1 R t4 8
## 47 2 R t4 6
## 48 3 R t4 7
## 49 4 R t4 6
## 50 5 R t4 8
## 51 6 RA t4 3
## 52 7 RA t4 5
## 53 8 RA t4 6
## 54 9 RA t4 4
## 55 10 RA t4 5
## 56 11 RL t4 3
## 57 12 RL t4 4
## 58 13 RL t4 6
## 59 14 RL t4 4
## 60 15 RL t4 3REsumen Estadístico
df %>% group_by(time) %>% get_summary_stats(score,type="mean_sd")## # A tibble: 4 x 5
## time variable n mean sd
## <fct> <chr> <dbl> <dbl> <dbl>
## 1 t1 score 15 8.13 0.99
## 2 t2 score 15 6.4 1.24
## 3 t3 score 15 5.2 1.42
## 4 t4 score 15 5.2 1.70df## ï..ID Memoria time score
## 1 1 R t1 10
## 2 2 R t1 9
## 3 3 R t1 8
## 4 4 R t1 7
## 5 5 R t1 10
## 6 6 RA t1 8
## 7 7 RA t1 8
## 8 8 RA t1 9
## 9 9 RA t1 8
## 10 10 RA t1 7
## 11 11 RL t1 7
## 12 12 RL t1 8
## 13 13 RL t1 8
## 14 14 RL t1 8
## 15 15 RL t1 7
## 16 1 R t2 8
## 17 2 R t2 8
## 18 3 R t2 6
## 19 4 R t2 7
## 20 5 R t2 9
## 21 6 RA t2 6
## 22 7 RA t2 7
## 23 8 RA t2 7
## 24 9 RA t2 6
## 25 10 RA t2 5
## 26 11 RL t2 5
## 27 12 RL t2 6
## 28 13 RL t2 6
## 29 14 RL t2 5
## 30 15 RL t2 5
## 31 1 R t3 7
## 32 2 R t3 7
## 33 3 R t3 6
## 34 4 R t3 6
## 35 5 R t3 8
## 36 6 RA t3 5
## 37 7 RA t3 6
## 38 8 RA t3 5
## 39 9 RA t3 4
## 40 10 RA t3 4
## 41 11 RL t3 4
## 42 12 RL t3 4
## 43 13 RL t3 5
## 44 14 RL t3 3
## 45 15 RL t3 4
## 46 1 R t4 8
## 47 2 R t4 6
## 48 3 R t4 7
## 49 4 R t4 6
## 50 5 R t4 8
## 51 6 RA t4 3
## 52 7 RA t4 5
## 53 8 RA t4 6
## 54 9 RA t4 4
## 55 10 RA t4 5
## 56 11 RL t4 3
## 57 12 RL t4 4
## 58 13 RL t4 6
## 59 14 RL t4 4
## 60 15 RL t4 3Visualización de datos
bxp<-ggboxplot(df,x="time",y="score",color="Memoria",palette="jco")
bxp
Supuestos del modelo
df %>% group_by(Memoria,time) %>% identify_outliers(score)## # A tibble: 5 x 6
## Memoria time ï..ID score is.outlier is.extreme
## <fct> <fct> <fct> <dbl> <lgl> <lgl>
## 1 RA t1 8 9 TRUE TRUE
## 2 RA t1 10 7 TRUE TRUE
## 3 RL t3 13 5 TRUE TRUE
## 4 RL t3 14 3 TRUE TRUE
## 5 RL t4 13 6 TRUE FALSENormalidad
df %>% group_by(Memoria,time) %>% shapiro_test(score)## # A tibble: 12 x 5
## Memoria time variable statistic p
## <fct> <fct> <chr> <dbl> <dbl>
## 1 R t1 score 0.902 0.421
## 2 R t2 score 0.961 0.814
## 3 R t3 score 0.881 0.314
## 4 R t4 score 0.821 0.119
## 5 RA t1 score 0.883 0.325
## 6 RA t2 score 0.881 0.314
## 7 RA t3 score 0.881 0.314
## 8 RA t4 score 0.961 0.814
## 9 RL t1 score 0.684 0.00647
## 10 RL t2 score 0.684 0.00647
## 11 RL t3 score 0.883 0.325
## 12 RL t4 score 0.833 0.146ggqqplot(df,"score",ggtheme=theme_bw()) + facet_grid(time~
Memoria,labeller="label_both")
Homogeneidad de Varianzas
df %>% group_by(time) %>% levene_test(score~Memoria)## # A tibble: 4 x 5
## time df1 df2 statistic p
## <fct> <int> <int> <dbl> <dbl>
## 1 t1 2 12 1.64e+ 0 0.235
## 2 t2 2 12 4.62e- 1 0.641
## 3 t3 2 12 2.22e- 1 0.804
## 4 t4 2 12 1.16e-31 1res.aov<-anova_test(data=df,dv=score,wid=ï..ID,between = Memoria,within=time)
get_anova_table(res.aov)## ANOVA Table (type II tests)
##
## Effect DFn DFd F p p<.05 ges
## 1 Memoria 2 12 11.839 1.00e-03 * 0.572
## 2 time 3 36 76.978 9.94e-16 * 0.673
## 3 Memoria:time 6 36 2.622 3.30e-02 * 0.123one.way<- df %>% group_by(time) %>% anova_test(dv=score,wid=ï..ID,between=Memoria) %>%
get_anova_table() %>% adjust_pvalue(method="bonferroni")## Coefficient covariances computed by hccm()
## Coefficient covariances computed by hccm()
## Coefficient covariances computed by hccm()
## Coefficient covariances computed by hccm()one.way## # A tibble: 4 x 9
## time Effect DFn DFd F p `p<.05` ges p.adj
## * <fct> <chr> <dbl> <dbl> <dbl> <dbl> <chr> <dbl> <dbl>
## 1 t1 Memoria 2 12 2.24 0.149 "" 0.272 0.596
## 2 t2 Memoria 2 12 8.09 0.006 "*" 0.574 0.024
## 3 t3 Memoria 2 12 16.4 0.000367 "*" 0.732 0.00147
## 4 t4 Memoria 2 12 9.95 0.003 "*" 0.624 0.012Conclusión
El tiempo es significativo según el boxplot de cajas y bigotes. Según el estudio realizado, la memoria de reconocimiento prevalece sobre el recuerdo asistido o recuerdo libre. se encuentran 2 outliers que son significativos para RA y 2 para el RL por lo que se debe prestar atención, pues esto puede producir una variación de los resultados, es recomentable hacer más replicas o ampliar la muestra. En la prueba de Normalidad de Shapiro al 95% de confianza, se registran datos no normales para el tiempo t1 y t2 con un valor de p<0.05 con 95% de confianza. Los mismos se confirman en los gráficos de Normalidad. La prueba de Levene, nos indica homogeneidad en las varianzas, con un valor de p>0.05, con lo cual no se puede rechazar la hipótesis de igualdad de varianzas. El ANOVA, muestra significancia para los factores memoria, tiempo y su interacción,mostrando valores para p<0.05 al límite de confianza de 95%. En la prueba de ajuste de Bonferroni se determina que exiten diferencias estadísticamente significativas de las desviaciones estandar de t2,t3 y t4. Con los resultados obtenidos, podemos rechazar la Ho respecto al factor tiempo, por lo tano el efecto de dicho factor es significativo y la calidad del recuerdo no es la misma en los cuatro estudios aplicados.