knitr::opts_chunk$set(warning = FALSE, message = FALSE)

pacman::p_load(tidyverse, 
               performance, 

               ggpubr)

theme_set(theme_minimal())

Data

# datos felipe
 df <- read_csv("https://docs.google.com/spreadsheets/d/e/2PACX-1vQ4Nk96Jx1n-pLC1e7lXlUgMtqAFc1xOTyNCP6_72cvgtcZXjITM2-wocUbgKWin63eOHWZP3ezwJoB/pub?gid=1163641714&single=true&output=csv")

# datos que yo tenía
# df <- read_csv("https://docs.google.com/spreadsheets/d/e/2PACX-1vQ4Nk96Jx1n-pLC1e7lXlUgMtqAFc1xOTyNCP6_72cvgtcZXjITM2-wocUbgKWin63eOHWZP3ezwJoB/pub?gid=1163641714&single=true&output=csv")

head(df)

Convert colutorio to factor

df <- df %>% 
  mutate(Colutorio = as.factor(Colutorio))

glimpse(df)

## Rows: 273
## Columns: 4
## $ ID        <dbl> 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 3, 3, 3, 3, 3, 3, …
## $ Colutorio <fct> 97, 97, 97, 97, 97, 97, 97, 97, 97, 97, 97, 97, 97, 97, 97, …
## $ Tiempo    <chr> "T0", "T1", "T2", "T3", "T4", "T5", "T6", "T0", "T1", "T2", …
## $ Reduccion <dbl> 100.0, 43.9, 63.4, 71.4, 85.6, 71.8, 73.9, 100.0, 55.4, 50.0…

df %>% 
  # pivot_longer(Colutorio:Tiempo, 
  #             names_to = "Variables", 
  #             values_to = "Values") %>% 
  ggplot(aes(x = Reduccion)) + 
  geom_histogram() + 
  facet_grid(Tiempo ~ Colutorio)

EDA

df %>% 
  select(-ID) %>% 
  gtsummary::tbl_summary(by = Colutorio)

Characteristic	96, N = 77¹	97, N = 98¹	98, N = 98¹
Tiempo
T0	11 (14%)	14 (14%)	14 (14%)
T1	11 (14%)	14 (14%)	14 (14%)
T2	11 (14%)	14 (14%)	14 (14%)
T3	11 (14%)	14 (14%)	14 (14%)
T4	11 (14%)	14 (14%)	14 (14%)
T5	11 (14%)	14 (14%)	14 (14%)
T6	11 (14%)	14 (14%)	14 (14%)
Reduccion	93 (82, 100)	70 (53, 89)	89 (70, 100)
¹ n (%); Median (IQR)

Graphs

df %>% 
  ggplot(aes(x = Tiempo, 
             y = Reduccion, 
             fill = Colutorio)) + 
  geom_violin(draw_quantiles = 0.5)

df %>% 
ggline(x = "Tiempo", 
       y = "Reduccion", 
       color = "Colutorio",
       add = c("mean_se", "dotplot")) + 
  labs(title = "Profile plot de reducción en tiempo y por tipo de colutorio") + 
  theme_pubr()

the model

a2w <- aov(Reduccion ~ Tiempo + Colutorio + Tiempo*Colutorio , 
           data = df)

summary(a2w)

##                   Df Sum Sq Mean Sq F value  Pr(>F)    
## Tiempo             6  27338    4556  15.276 6.4e-15 ***
## Colutorio          2  29277   14639  49.078 < 2e-16 ***
## Tiempo:Colutorio  12  10037     836   2.804 0.00129 ** 
## Residuals        252  75164     298                    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

df %>% 
  with(aov(Reduccion ~ Tiempo + Colutorio + Tiempo:Colutorio + Error(ID))) %>% 
  summary()

## 
## Error: ID
##           Df Sum Sq Mean Sq
## Colutorio  1  254.8   254.8
## 
## Error: Within
##                   Df Sum Sq Mean Sq F value   Pr(>F)    
## Tiempo             6  27338    4556  15.221 7.33e-15 ***
## Colutorio          2  29050   14525  48.522  < 2e-16 ***
## Tiempo:Colutorio  12  10037     836   2.794  0.00134 ** 
## Residuals        251  75136     299                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

performance::check_model(a2w)

performance::model_performance(a2w)

Eliminar el interpecto por cada medicion

a2w_sinID <- aov(Reduccion ~ Tiempo + Colutorio + Tiempo:Colutorio, 
                 data = df)

summary(a2w_sinID)

##                   Df Sum Sq Mean Sq F value  Pr(>F)    
## Tiempo             6  27338    4556  15.276 6.4e-15 ***
## Colutorio          2  29277   14639  49.078 < 2e-16 ***
## Tiempo:Colutorio  12  10037     836   2.804 0.00129 ** 
## Residuals        252  75164     298                    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

performance::compare_performance(a2w, a2w_sinID)

son iguales

a2w_3 <- lm(Reduccion ~ Tiempo:Colutorio, 
                 data = df)

summary(a2w_3)

## 
## Call:
## lm(formula = Reduccion ~ Tiempo:Colutorio, data = df)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -59.429 -10.086   0.000   8.014  77.800 
## 
## Coefficients: (1 not defined because of singularities)
##                      Estimate Std. Error t value Pr(>|t|)    
## (Intercept)           95.8143     4.6157  20.758  < 2e-16 ***
## TiempoT0:Colutorio96   4.1857     6.9585   0.602 0.548030    
## TiempoT1:Colutorio96  -4.1870     6.9585  -0.602 0.547906    
## TiempoT2:Colutorio96  -4.7688     6.9585  -0.685 0.493768    
## TiempoT3:Colutorio96  -2.9143     6.9585  -0.419 0.675711    
## TiempoT4:Colutorio96  -0.3779     6.9585  -0.054 0.956730    
## TiempoT5:Colutorio96   0.9675     6.9585   0.139 0.889527    
## TiempoT6:Colutorio96   0.2312     6.9585   0.033 0.973525    
## TiempoT0:Colutorio97   4.1857     6.5276   0.641 0.521956    
## TiempoT1:Colutorio97 -41.7429     6.5276  -6.395 7.75e-10 ***
## TiempoT2:Colutorio97 -39.5929     6.5276  -6.065 4.79e-09 ***
## TiempoT3:Colutorio97 -33.8500     6.5276  -5.186 4.42e-07 ***
## TiempoT4:Colutorio97 -33.7000     6.5276  -5.163 4.94e-07 ***
## TiempoT5:Colutorio97 -24.7714     6.5276  -3.795 0.000185 ***
## TiempoT6:Colutorio97 -11.8286     6.5276  -1.812 0.071164 .  
## TiempoT0:Colutorio98   4.1857     6.5276   0.641 0.521956    
## TiempoT1:Colutorio98 -29.1643     6.5276  -4.468 1.19e-05 ***
## TiempoT2:Colutorio98 -22.6429     6.5276  -3.469 0.000615 ***
## TiempoT3:Colutorio98  -9.2857     6.5276  -1.423 0.156111    
## TiempoT4:Colutorio98  -2.9286     6.5276  -0.449 0.654075    
## TiempoT5:Colutorio98  -0.5500     6.5276  -0.084 0.932919    
## TiempoT6:Colutorio98       NA         NA      NA       NA    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 17.27 on 252 degrees of freedom
## Multiple R-squared:   0.47,  Adjusted R-squared:  0.4279 
## F-statistic: 11.17 on 20 and 252 DF,  p-value: < 2.2e-16

performance::compare_performance(a2w, a2w_3)

performance::test_performance(a2w, a2w_3)

Anova Two ways

Data

EDA

Graphs

the model