library(pacman)
p_load("DT","xfun","ggplot2", "readr","tseries","ggfortify","tidyr", "dplyr")

Estado de animo de los Twitteros en México

En este caso de estudio se pretende analizar el cambio de animo que hubo antes y despues de la pandemia por covid 19 en los Twitteros mexicanos.

¿Qué es una serie de tiempo?

Una serie temporal o serie de tiempo, es una sucesión de datos medidos en determinados momentos y ordenados cronológicamente. Los datos pueden estar espaciados a intervalos iguales (como la temperatura en un observatorio meteorológico en días sucesivos al mediodía) o desiguales (como el peso de una persona en sucesivas mediciones en el consultorio médico, la farmacia, etc.).

https://aprendeconeli.com/que-es-una-serie-de-tiempo/

¿Qué es un ciclo?

Un ciclo es una fase que se repite constantemente de forma similar.

¿Qué fue lo qué causo la pandemia en las personas mexicanas y como esto se vio reflejado el twitter?

Ansiedad en pandemia

Vivimos en una rutina constante de ir y venir, de mantenernos ocupados en el trabajo, con las amistades, en el deporte, juegos, cine, comidas o convivios en restaurantes, etc.. En todas y cada una de las actividades que tenemos día a día y la mayoría de ellas, por no decir todas, son en contacto con el exterior, lo que nos lleva a vivir en un mundo externo a nosotros mismos, lleno de prisas, a la corre y corre, a tal grado que no tenemos tiempo o no deseamos detenernos a reflexionar en lo que se piensa o se siente realmente, en esos momentos.

Dicho de otra manera, llenamos nuestros tiempos y espacios con actividades y no nos damos tiempo para nosotros mismos, para hacer contacto con nuestro ser interior. Y cuando llega este momento de recogimiento, de limitación al afuera, se ha visto que muy frecuentemente, asusta o da miedo el solo hecho de pensar que no se saldrá de casa, que no se podrá hacer todo lo que hacía con anterioridad. Es en ese momento cuando uno se detiene a revisar lo que piensa, siente o recuerda de su vida. Al menos eso es lo que la mayoría de los pacientes en consulta reportan y que lo expresan como:

Sentimiento de soledad
Tener miedo primero a la situación sanitaria y posteriormente a enfermarse, y esto se agrava si algún familiar o amigo pasa por esta situación o incluso fallece por este virus.
Dando pie a un recuento del pasado. A recordar errores cometidos en el transcurso de la vida, que se hizo, que no hizo, que me hicieron otros y que he superado y que no, en sí, todo lo bueno, en menor proporción, y lo malo, en demasía, con mi familia, amigos, conmigo mismo (a).
Hasta llegar a estar frente a frente consigo mismos, pero ¿Cómo lo hago? Si nunca antes lo había hecho por estar enfrascado en tanta actividad, comentan algunos pacientes.

Agotamiento mental

Ante la mezcla de la vida personal y la laboral durante el confinamiento, las especialistas mencionan que ha incrementado el sentimiento de agotamiento mental, también conocido como “burnout”. El trabajo excesivo, los horarios, todo se combinó; la noche, la mañana, ¿a qué hora empieza mi trabajo y mis labores de casa? Esto ha tenido efectos hasta biológicos en el cuerpo como el insomnio o el sedentarismo.

Datos

Los datos fueron tomados del Inegi proporcionados en la siguiente página: https://www.inegi.org.mx/app/animotuitero/#/app/collect, en los cuales podemos encontrar el número de twitts positivos y negativos ya sea diarios, semanales, mensuales o anuales. Para este caso utilizaremos los datos diarios.

twitter_diaria <- read_csv("twitter_diaria.csv")

## Rows: 2255 Columns: 7

## -- Column specification --------------------------------------------------------
## Delimiter: ","
## chr  (2): tipo_usuario, lugar
## dbl  (4): tuits_negativos, indice, recoleccion_promedio, tuits_positivos
## date (1): fecha

## 
## i Use `spec()` to retrieve the full column specification for this data.
## i Specify the column types or set `show_col_types = FALSE` to quiet this message.

datosTwitter <- data.frame(twitter_diaria)
datatable(datosTwitter)

En esta tabla se muestran los tweets positivos y negativos agrupados por mes.

twittsST <- ts(datosTwitter[ ,c(2,7)],start = c(2016,1),end = c(2022,1),frequency = 12)
twittsST

##          tuits_negativos tuits_positivos
## Jan 2016           34401          102401
## Feb 2016           34689           87432
## Mar 2016           39431           94997
## Apr 2016           46229          109772
## May 2016           44575          100176
## Jun 2016           43144           99458
## Jul 2016           42547           96080
## Aug 2016           46027          101565
## Sep 2016           38919          100065
## Oct 2016           40552           96689
## Nov 2016           48545           97004
## Dec 2016           43537           91623
## Jan 2017           47347           96110
## Feb 2017           47837          100735
## Mar 2017           39033           96099
## Apr 2017           38003           95216
## May 2017           40682           99796
## Jun 2017           43126           92845
## Jul 2017           41019           91236
## Aug 2017           41634           92049
## Sep 2017           39618           91049
## Oct 2017           38079           92008
## Nov 2017           34354           87731
## Dec 2017           40478           96211
## Jan 2018           42117           92564
## Feb 2018           41156           91793
## Mar 2018           41919           94864
## Apr 2018           40741           95124
## May 2018           37697           97175
## Jun 2018           35741           93764
## Jul 2018           36328           95785
## Aug 2018           41179           98240
## Sep 2018           39212           92347
## Oct 2018           40859           95664
## Nov 2018           34781           83783
## Dec 2018           27802           75733
## Jan 2019           35124           92330
## Feb 2019           42267          106284
## Mar 2019           38856           95356
## Apr 2019           39781           96370
## May 2019           39921          102481
## Jun 2019           39653          101153
## Jul 2019           38781          106535
## Aug 2019           37918          103034
## Sep 2019           39535          107637
## Oct 2019           41594           97946
## Nov 2019           40646           92341
## Dec 2019           40679           94491
## Jan 2020           40914           94602
## Feb 2020           37659           93483
## Mar 2020           39047          101287
## Apr 2020           39771           96473
## May 2020           40344           92336
## Jun 2020           25731           60898
## Jul 2020           32683           77274
## Aug 2020           24428           58417
## Sep 2020           29111           80843
## Oct 2020           38719           98482
## Nov 2020           50372          129741
## Dec 2020           41075           98033
## Jan 2021           40870          103955
## Feb 2021           40547           94638
## Mar 2021           39683           98942
## Apr 2021           38156           97899
## May 2021           38114          103154
## Jun 2021           37973           99533
## Jul 2021           41352           96870
## Aug 2021           42023           99510
## Sep 2021           48202           96191
## Oct 2021           43881           95608
## Nov 2021           36746           93498
## Dec 2021           37097           98650
## Jan 2022           44881          111260

Lo anterior representa una variable que es orientado a tiempo, el cual, indica la cantidad de tweets positivos y negativos por mes, empezando en enero de 2016 y terminando en enero de 2022, esto es posible gracias a la frecuencia, ya que representa el periodo de un año (12 meses).

autoplot(twittsST, ts.colour = "blue",ts.linetype = "dotted")

El anterior gráfico representa una serie de tiempo, la cual indica el comportamiento de los tweets positivos y negativos a lo largo de los años. Aquí podemos observar el contraste de manera más gráfica de los tweets negativos y positivos, desde el año 2016, hasta el presente. Se puede observar que cuando inició la pandemia hubo una ola muy notoria de twits negativos, esto porque en su mayoria, las personas tenían el temor se enfermarse y empezaron a padecer transtornos psicológicos por el encierro.

Gráfica de tiempo con ggplot

df <- datosTwitter %>%
select(fecha, tuits_negativos, tuits_positivos) %>%
gather(key = "variable", value = "No.Twitts", -fecha)

ggplot(df, aes(x = fecha, y = No.Twitts)) +
geom_line(aes(color = variable), size = 1) +
scale_color_manual(values=c("#BB4100", "#6ABB00"))

Aquí podemos observar el contraste de manera más gráfica de los tweets negativos y positivos, desde el año 2016, hasta el presente. Estos datos no muestran una tendencia, sin embargo, podemos destacar como los tweets positivos disminuyen drásticamente a partir del 2020, por el contrario a los negativos, los cuales presentan picos de aumento apartir del mismo año.

Tweets negativos

El ánimo de los tuiteros mexicanos estaba en descenso desde 2017, mostrando algunos puntos de ascenso (según la gáfica anterior), sin embargo, aún muy debajo de las cifras manejadas en 2016. Sin embargo, este descenso empeoró en el primer trimestre del 2020, cuando inició la pandemias. Demostrando así, que la pandemia afectó a la comunidad de esta red social, reflejandosé así en el aumento de tweets negativos.

twittsNegativosST <- ts(datosTwitter$tuits_negativos,start = c(2016,1),end = c(2022,1),frequency = 12)

boxplot(twittsNegativosST~cycle(twittsNegativosST))

Observemos la tendencia de los tweets negativos a lo largo del año. Se puede observar como los datos no suelen ser muy anormales, a excepción de meses como Junio o Noviembre. Esto puede deberse a las consecuencias de una ola de la pandemia, las cuales suelen aparcer en periodos vacacionales, tal como junio, o bien, “noviembre el mes triste”, considerados así por ABC, un diario español, esto debido ala aparición de apatía, cansancio, somnolencia o tristeza. A su vez, se observa como existen valores muy atípicos que no son considerados para la gráfica de caja y bigote. Esto quiere decir, que los tweets negativos tuvieron un comportamiento muy similar a lo largo del año.

Tweets positivos.

Los twits positivos empezaron a diminuir apartir del año 2017, esto puede deberse a la disminución de twits en general provocada por el surgimiento de nuevas redes sociales. Sin embargo, estos van aumentando su cantidad. Ya que, por datos de la INEGI (utilizados en este caso de estudio), se observa que los tuiteros mexicanos tuvieron un enero más feliz que los de otros años, alcanzando así el enero más feliz desde 2016.

twittsPositivosST <- ts(datosTwitter$tuits_positivos,start = c(2016,1),end = c(2022,1),frequency = 12)

boxplot(twittsPositivosST~cycle(twittsPositivosST))

Observemos la tendencia de los tweets positivos a lo largo del año. Estos tweets positivos, reflejan que los datos fueron muy normal a lo largo del año, es decir, no presentaron cambios muy bruscos, provocando que su distribución fuera normal. Sin embargo, algunos de estos datos, son valores atípicos, los cuales no son considerados en el modelo.

Tweets en 2019-2020-2021

Veamos la linea de tiempo de twitts, antes, durante y despues de la pandemia.

twitts2022ST <- ts(datosTwitter[ ,c(2,7)],start = c(2019,1),end = c(2022,1),frequency = 12)
twitts2022ST

##          tuits_negativos tuits_positivos
## Jan 2019           34401          102401
## Feb 2019           34689           87432
## Mar 2019           39431           94997
## Apr 2019           46229          109772
## May 2019           44575          100176
## Jun 2019           43144           99458
## Jul 2019           42547           96080
## Aug 2019           46027          101565
## Sep 2019           38919          100065
## Oct 2019           40552           96689
## Nov 2019           48545           97004
## Dec 2019           43537           91623
## Jan 2020           47347           96110
## Feb 2020           47837          100735
## Mar 2020           39033           96099
## Apr 2020           38003           95216
## May 2020           40682           99796
## Jun 2020           43126           92845
## Jul 2020           41019           91236
## Aug 2020           41634           92049
## Sep 2020           39618           91049
## Oct 2020           38079           92008
## Nov 2020           34354           87731
## Dec 2020           40478           96211
## Jan 2021           42117           92564
## Feb 2021           41156           91793
## Mar 2021           41919           94864
## Apr 2021           40741           95124
## May 2021           37697           97175
## Jun 2021           35741           93764
## Jul 2021           36328           95785
## Aug 2021           41179           98240
## Sep 2021           39212           92347
## Oct 2021           40859           95664
## Nov 2021           34781           83783
## Dec 2021           27802           75733
## Jan 2022           35124           92330

Lo anterior representa una variable que es orientado a tiempo, el cual, indica la cantidad de tweets positivos y negativos por mes después de la pandemia (2019-2020-2021-2022) esto es posible gracias a la frecuencia, ya que representa el periodo de un año (12 meses).

Graficas

autoplot(twitts2022ST, ts.colour = "blue",ts.linetype = "dotted")

Comparando la cantidad de tweets negativos y postivos con ggplot. Esta gráfica nos muestra el comportamiento de los tweets durante esos años. Observamos que, como se menciona anteriormemte, los tweets positivos suelen disminuir, teniendo algunos picos de ascenso. Sin embargo, a finales de 2021 se presenta una disminución muy abrupta. Por otro lado, los tweets negativos no presenta ninguna tendencia, ya que durante todo el periodo, estos suelen aumentar y disminuir abruptamente.

datosTwitter<- with(datosTwitter,datosTwitter[fecha >= "2019-01-01",]) 
df <- datosTwitter %>%
select(fecha, tuits_negativos, tuits_positivos) %>%
gather(key = "variable", value = "No.Twitts", -fecha)


ggplot(df, aes(x = fecha, y = No.Twitts)) +
geom_line(aes(color = variable), size = 1) +
scale_color_manual(values=c("#BB4100", "#6ABB00"))

Representa el contraste de manera más gráfica de los tweets negativos y positivos, desde el año 2019, hasta el presente. Estos datos no muestran una tendencia, sin embargo, podemos destacar como los tweets positivos disminuyen drásticamente a partir del 2020, por el contrario a los negativos, los cuales presentan picos de aumento apartir del mismo año.

Conclusión

Después de analizar con series de tiempo los twits negativos como positivos durante la pandemia podemos concluir parcialmente que los twits negativos se vieron en aumento durante las etapas en que las olas de contagios estuvieron altas, esto puede deberse a distintos trastornos psicológicos que se presentaron durante dicha pandemia. También se observa que los twits positivos también disminuyeron.

Conclusión personal.

Después de realizar el análisis he llegado a la conclusión de que los twits negativos sí tuvieron un aumento durante los picos de la pandemia en nuestro país, por lo tanto, los twits positivos disminuyeron en ese mismo lapso. Esto debido al gran impacto que tiene la pandemia sobre nuestro ánimo, no solo en redes sociales como lo es Twitter, si no en nuestra vida cotidiana.

Fuentes.

Garcia, R. I. A. (2022, 10 febrero). La Ansiedad en tiempos de Pandemia. ISEP. https://www.isep.es/actualidad-psicologia-clinica/ansiedad-en-tiempos-de-pandemia/
Villanueva, A. (2021, 17 septiembre). 6 efectos psicológicos de la pandemia y cómo afrontarlos. Tecnológico de Monterrey. https://tec.mx/es/noticias/nacional/salud/efectos-psicologicos-de-la-pandemia
Saldaña, S. (2022, 1 febrero). El ánimo de los tuiteros de México va en ascenso, según el INEGI: no había un enero tan feliz desde 2016. Xataka México. https://www.xataka.com.mx/aplicaciones/animo-tuiteros-mexico-va-ascenso-inegi-no-habia-enero-feliz-2016
abc.es. (2013, 3 noviembre). ¿Por qué noviembre no gusta? abc. https://www.abc.es/sociedad/20131103/abci-noviembre-triste-201310311845.html

Descargas.

Código.

xfun::embed_file("A8U1.Rmd")

Download A8U1.Rmd

Datos.

xfun::embed_file("twitter_diaria.csv")

Download twitter_diaria.csv