Panguipulli
# Cargar datos
##########################################################
datos <- read.csv("Pangui6.csv",h=TRUE) #proviene de la planilla maestra pangui6.xls
# str(datos) #verifico que los datos estén OK
#deberían haber 212, 132 casos y 80 controles
summary(datos$Caso.o.control)/6## Caso Control
## 132 80# hago una selección de los primeros 212 para hacer gráficos
datos212 <- datos[1:212,]
#verifico que esté OK
summary(datos212$Caso.o.control)## Caso Control
## 132 80# str(datos)
names(datos)## [1] "ID" "Genero"
## [3] "Lugar.de.examen" "Caso.o.control"
## [5] "Nombres.y.apellido.del.menor" "SumaRiesgoTotal"
## [7] "N_caries" "N_actividad"
## [9] "Riesgo" "FR"
## [11] "Caries_bin" "Actividad_bin"
## [13] "SUMCLI" "SUMFAM"
## [15] "SUMSOC" "TienerRiesgoClinico"
## [17] "TieneRiesgoFamiliar" "TieneRiesgoSocial"
## [19] "C_Placa" "C_No_cepillado"
## [21] "C_No_pasta" "C_No_controlODG"
## [23] "C_No_controlMED" "F_mamadera_dia"
## [25] "F_Mamadera_noche" "F_bebidas"
## [27] "F_No_jugonatural" "F_Idioma_casa"
## [29] "F_Etnia_fliar" "S_No_huerta"
## [31] "S_No_agua" "S_No_luz"
## [33] "S_Rural" "Edad.apoderado"
## [35] "Fecha.examen" "Nombre2"
## [37] "Calza" "Fecha.nacimiento"
## [39] "Edad" "Genero2"
## [41] "Colegio2" "Apellidos.mapuches."
## [43] "Lesion5.5" "Lesion5.4"
## [45] "Lesion5.3" "Lesion5.2"
## [47] "Lesion5.1" "Lesion6.1"
## [49] "Lesion6.2" "Lesion6.3"
## [51] "Lesion6.4" "Lesion6.5"
## [53] "Lesion7.5" "Lesion7.4"
## [55] "Lesion7.3" "Lesion7.2"
## [57] "Lesion7.1" "Lesion8.1"
## [59] "Lesion8.2" "Lesion8.3"
## [61] "Lesion8.4" "Lesion8.5"
## [63] "Actividad5.5" "Actividad5.4"
## [65] "Actividad5.3" "Actividad5.2"
## [67] "Actividad5.1" "Actividad6.1"
## [69] "Actividad6.2" "Actividad6.3"
## [71] "Actividad6.4" "Actividad6.5"
## [73] "Actividad7.5" "Actividad7.4"
## [75] "Actividad7.3" "Actividad7.2"
## [77] "Actividad7.1" "Actividad8.1"
## [79] "Actividad8.2" "Actividad8.3"
## [81] "Actividad8.4" "Actividad8.5"
## [83] "Caso.o.control.1" "c1"
## [85] "c3" "e"
## [87] "o" "c3eo"
## [89] "c13eo" "Lesiones.Activas"
## [91] "Lesiones.Detenidas" "CARIES"
## [93] "ACTIVIDAD"dim(datos) # filas y columnas## [1] 1272 93summary(datos$Caso.o.control)## Caso Control
## 792 480with(datos,table(FR,Riesgo))## Riesgo
## FR Clinico Familiar Social
## 0 62 40 28
## 1 188 118 214
## 2 134 158 152
## 3 34 82 26
## 4 4 24 4
## 5 2 2 0with(datos212, table(Genero,Caso.o.control))## Caso.o.control
## Genero Caso Control
## Femenino 62 45
## Masculino 70 35with(datos212, table(Genero,Caso.o.control))## Caso.o.control
## Genero Caso Control
## Femenino 62 45
## Masculino 70 35You can also embed plots, for example:
## [1] 3.90566
# verifico, y los 1272? deberían tener el mismo promedio
PromedioCaries2 <- mean(datos$N_caries)
PromedioCaries2 #OK, vamos bien## [1] 3.90566# hay diferencias significativas?
t.test(datos212$N_caries~datos212$Genero) # NS no hay diferencias signif de caries por género##
## Welch Two Sample t-test
##
## data: datos212$N_caries by datos212$Genero
## t = -0.11539, df = 209.45, p-value = 0.9082
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -1.332779 1.185383
## sample estimates:
## mean in group Femenino mean in group Masculino
## 3.869159 3.942857
#########################################################
# Hay diferencias entre los grupos?
##########################################################
# edad
t.test(datos212$Edad~datos212$Caso.o.control) # No hay diferencias de edad##
## Welch Two Sample t-test
##
## data: datos212$Edad by datos212$Caso.o.control
## t = 0.41766, df = 186.01, p-value = 0.6767
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -0.1763019 0.2709988
## sample estimates:
## mean in group Caso mean in group Control
## 4.984848 4.937500# género
library(MASS)
tbl = table(datos212$Caso.o.control, datos212$Genero)
tbl##
## Femenino Masculino
## Caso 62 70
## Control 45 35chisq.test(tbl) # no hay diferencias de género entre casos y controles##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: tbl
## X-squared = 1.365, df = 1, p-value = 0.2427# No hay diferencias significativas entre casos y controles acerca para edad o género. Estamos bien. #########################################################
# Tablas de contingencia por cada factor de riesgo con presencia/ausencia caries y presencia/ausencia actividad de caries
#########################################################
PlacaSi <- table ( datos212$Caries_bin , datos212$C_Placa )
rownames(PlacaSi) <- c("Controles","Casos")
colnames(PlacaSi) <- c("Sin placa","Con placa")
PlacaSi##
## Sin placa Con placa
## Controles 40 40
## Casos 31 101chisq.test(PlacaSi) # SIGNIFICATIVO##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: PlacaSi
## X-squared = 14.554, df = 1, p-value = 0.0001362PastaDeficiente <- table ( datos212$Caries_bin , datos212$C_No_pasta )
rownames(PastaDeficiente) <- c("Controles","Casos")
colnames(PastaDeficiente) <- c("Pasta adecuada","Pasta inadecuada")
PastaDeficiente##
## Pasta adecuada Pasta inadecuada
## Controles 75 5
## Casos 125 7chisq.test(PastaDeficiente) #NS## Warning in chisq.test(PastaDeficiente): Chi-squared approximation may be
## incorrect##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: PastaDeficiente
## X-squared = 4.1968e-31, df = 1, p-value = 1ControlOdg <- table ( datos212$Caries_bin , datos212$C_No_controlODG )
rownames(ControlOdg) <- c("Controles","Casos")
colnames(ControlOdg) <- c("Con control ODG","Sin control ODG")
ControlOdg##
## Con control ODG Sin control ODG
## Controles 54 26
## Casos 105 27chisq.test(ControlOdg) #NS##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: ControlOdg
## X-squared = 3.2389, df = 1, p-value = 0.07191ControlMed <- table ( datos212$Caries_bin , datos212$C_No_controlMED )
rownames(ControlMed) <- c("Controles","Casos")
colnames(ControlMed) <- c("Con control Med","Sin control Med")
ControlMed##
## Con control Med Sin control Med
## Controles 78 2
## Casos 131 1chisq.test(ControlMed) #NS## Warning in chisq.test(ControlMed): Chi-squared approximation may be
## incorrect##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: ControlMed
## X-squared = 0.1948, df = 1, p-value = 0.6589MamaderaDia <- table ( datos212$Caries_bin , datos212$F_mamadera_dia )
rownames(MamaderaDia) <- c("Controles","Casos")
colnames(MamaderaDia) <- c("No ocupa mamadera dia","Si ocupa mamadera dia")
MamaderaDia##
## No ocupa mamadera dia Si ocupa mamadera dia
## Controles 64 16
## Casos 111 21chisq.test(MamaderaDia) #NS##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: MamaderaDia
## X-squared = 0.32951, df = 1, p-value = 0.5659MamaderaNoche <- table ( datos212$Caries_bin , datos212$F_Mamadera_noche )
rownames(MamaderaNoche) <- c("Controles","Casos")
colnames(MamaderaNoche) <- c("No ocupa mamadera noche","Si ocupa mamadera noche")
MamaderaNoche##
## No ocupa mamadera noche Si ocupa mamadera noche
## Controles 61 19
## Casos 104 28chisq.test(MamaderaNoche) #NS##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: MamaderaNoche
## X-squared = 0.067939, df = 1, p-value = 0.7944ConsumoDeBebidas <- table ( datos212$Caries_bin , datos212$F_bebidas )
rownames(ConsumoDeBebidas) <- c("Controles","Casos")
colnames(ConsumoDeBebidas) <- c("No consume bebidas","Si consume bebidas")
ConsumoDeBebidas##
## No consume bebidas Si consume bebidas
## Controles 35 45
## Casos 28 104chisq.test(ConsumoDeBebidas) # SIGNIFICATIVO##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: ConsumoDeBebidas
## X-squared = 11.059, df = 1, p-value = 0.0008825JugoNatural <- table ( datos212$Caries_bin , datos212$F_No_jugonatural )
rownames(JugoNatural) <- c("Controles","Casos")
colnames(JugoNatural) <- c("Consume jugo natural","No consume jugo natural") #está al reves para que calce
JugoNatural##
## Consume jugo natural No consume jugo natural
## Controles 65 15
## Casos 106 26chisq.test(JugoNatural) # NS##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: JugoNatural
## X-squared = 8.3044e-31, df = 1, p-value = 1IdiomaMapuche <- table ( datos212$Caries_bin , datos212$F_Idioma_casa )
rownames(IdiomaMapuche) <- c("Controles","Casos")
colnames(IdiomaMapuche) <- c("No idioma mapuche","Si idioma mapuche")
IdiomaMapuche##
## No idioma mapuche Si idioma mapuche
## Controles 79 1
## Casos 115 17chisq.test(IdiomaMapuche) # SIGNIFICATIVO##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: IdiomaMapuche
## X-squared = 7.2374, df = 1, p-value = 0.00714FliaMapuche <- table ( datos212$Caries_bin , datos212$F_Etnia_fliar )
rownames(FliaMapuche) <- c("Controles","Casos")
colnames(FliaMapuche) <- c("No familia mapuche","Si familia mapuche")
FliaMapuche##
## No familia mapuche Si familia mapuche
## Controles 52 28
## Casos 59 73chisq.test(FliaMapuche) # SIGNIFICATIVO, confirma el anterior##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: FliaMapuche
## X-squared = 7.4377, df = 1, p-value = 0.006387Huerta <- table ( datos212$Caries_bin , datos212$S_No_huerta )
rownames(Huerta) <- c("Controles","Casos")
colnames(Huerta) <- c("Con huerta en casa","Sin huerta en casa")
Huerta##
## Con huerta en casa Sin huerta en casa
## Controles 17 63
## Casos 60 72chisq.test(Huerta) # SIGNIFICATIVO##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: Huerta
## X-squared = 11.593, df = 1, p-value = 0.0006622AguaPotable <- table ( datos212$Caries_bin , datos212$S_No_agua )
rownames(AguaPotable) <- c("Controles","Casos")
colnames(AguaPotable) <- c("Con agua potable","Sin agua potable")
AguaPotable##
## Con agua potable Sin agua potable
## Controles 71 9
## Casos 98 34chisq.test(AguaPotable) # SIGNIFICATIVO##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: AguaPotable
## X-squared = 5.6177, df = 1, p-value = 0.01778Electricidad <- table ( datos212$Caries_bin , datos212$S_No_luz )
rownames(Electricidad) <- c("Controles","Casos")
colnames(Electricidad) <- c("Con electricidad","Sin electricidad")
Electricidad##
## Con electricidad Sin electricidad
## Controles 80 0
## Casos 124 8chisq.test(Electricidad) # NS## Warning in chisq.test(Electricidad): Chi-squared approximation may be
## incorrect##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: Electricidad
## X-squared = 3.5078, df = 1, p-value = 0.06108Rural <- table ( datos212$Caries_bin , datos212$S_Rural )
rownames(Rural) <- c("Controles","Casos")
colnames(Rural) <- c("Urbano","Rural")
Rural##
## Urbano Rural
## Controles 45 35
## Casos 47 85chisq.test(Rural) # SIGNIFICATIVO##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: Rural
## X-squared = 7.822, df = 1, p-value = 0.005161#########################################################
# GLM
#########################################################
# str(datos)
library(lme4)## Loading required package: Matrix# chequear si hay sobredispersion: si la varianza residual es mucho
# mayor que los df entonces probar con quasipoisson
# nota: para comparar dos modelos anidados hacer anova(m1,m2, test="Chisq")
m1 <- glmer(CARIES~ACTIVIDAD*Riesgo+Edad+FR+(1|ID)+(1|Lugar.de.examen),family=poisson,datos)
m1## Generalized linear mixed model fit by maximum likelihood (Laplace
## Approximation) [glmerMod]
## Family: poisson ( log )
## Formula:
## CARIES ~ ACTIVIDAD * Riesgo + Edad + FR + (1 | ID) + (1 | Lugar.de.examen)
## Data: datos
## AIC BIC logLik deviance df.resid
## 15602.122 15653.606 -7791.061 15582.122 1262
## Random effects:
## Groups Name Std.Dev.
## ID (Intercept) 0
## Lugar.de.examen (Intercept) 0
## Number of obs: 1272, groups: ID, 212; Lugar.de.examen, 11
## Fixed Effects:
## (Intercept) ACTIVIDADSi
## 2.146e+00 2.917e-01
## RiesgoFamiliar RiesgoSocial
## 3.476e-15 5.547e-15
## Edad FR
## 1.374e-13 1.365e-14
## ACTIVIDADSi:RiesgoFamiliar ACTIVIDADSi:RiesgoSocial
## -2.642e-14 -2.085e-14# a continuación, saco el odds ratio, una medida epidemiológica que representa el riesgo. Se interpreta como
# OR=2 de X para Y significa que una persona expuesta a X tiene 2 veces más riesgo de enfermar de Y
# que si no hubiese estado expuesta a X
se <- sqrt(diag(vcov(m1)))
(tab <- cbind(Est = fixef(m1), LL = fixef(m1) - 1.96 * se, UL = fixef(m1) + 1.96 *
se))## Est LL UL
## (Intercept) 2.146152e+00 2.02380923 2.26849464
## ACTIVIDADSi 2.916730e-01 0.23083066 0.35251533
## RiesgoFamiliar 3.476077e-15 -0.06575606 0.06575606
## RiesgoSocial 5.546600e-15 -0.06511142 0.06511142
## Edad 1.373958e-13 -0.02131357 0.02131357
## FR 1.365330e-14 -0.01946713 0.01946713
## ACTIVIDADSi:RiesgoFamiliar -2.642245e-14 -0.08604407 0.08604407
## ACTIVIDADSi:RiesgoSocial -2.085231e-14 -0.08604401 0.08604401#ahora saco el odds ratio
exp(tab)## Est LL UL
## (Intercept) 8.551887 7.5670949 9.664841
## ACTIVIDADSi 1.338665 1.2596459 1.422641
## RiesgoFamiliar 1.000000 0.9363592 1.067966
## RiesgoSocial 1.000000 0.9369631 1.067278
## Edad 1.000000 0.9789120 1.021542
## FR 1.000000 0.9807211 1.019658
## ACTIVIDADSi:RiesgoFamiliar 1.000000 0.9175538 1.089854
## ACTIVIDADSi:RiesgoSocial 1.000000 0.9175539 1.089854#voy a probar y agregar todos los factores
m2 <- glmer(CARIES~ACTIVIDAD*Riesgo
+ Edad
+ FR
+ datos$C_Placa
+ datos$C_No_cepillado
+ datos$C_No_pasta
+ datos$C_No_controlODG
+ datos$C_No_controlMED
+ datos$F_mamadera_dia
+ datos$F_Mamadera_noche
+ datos$F_bebidas
+ datos$F_No_jugonatural
+ datos$F_Idioma_casa
+ datos$F_Etnia_fliar
+ datos$S_No_huerta
+ datos$S_No_agua
+ datos$S_No_luz
+ datos$S_Rural
+ (1|ID)+(1|Lugar.de.examen),
family=poisson,datos)
m2## Generalized linear mixed model fit by maximum likelihood (Laplace
## Approximation) [glmerMod]
## Family: poisson ( log )
## Formula:
## CARIES ~ ACTIVIDAD * Riesgo + Edad + FR + datos$C_Placa + datos$C_No_cepillado +
## datos$C_No_pasta + datos$C_No_controlODG + datos$C_No_controlMED +
## datos$F_mamadera_dia + datos$F_Mamadera_noche + datos$F_bebidas +
## datos$F_No_jugonatural + datos$F_Idioma_casa + datos$F_Etnia_fliar +
## datos$S_No_huerta + datos$S_No_agua + datos$S_No_luz + datos$S_Rural +
## (1 | ID) + (1 | Lugar.de.examen)
## Data: datos
## AIC BIC logLik deviance df.resid
## 15632.122 15760.831 -7791.061 15582.122 1247
## Random effects:
## Groups Name Std.Dev.
## ID (Intercept) 0
## Lugar.de.examen (Intercept) 0
## Number of obs: 1272, groups: ID, 212; Lugar.de.examen, 11
## Fixed Effects:
## (Intercept) ACTIVIDADSi
## 2.146e+00 2.917e-01
## RiesgoFamiliar RiesgoSocial
## -1.143e-13 -1.193e-13
## Edad FR
## -1.758e-14 1.692e-14
## datos$C_Placa datos$C_No_cepillado
## -3.224e-14 -2.527e-14
## datos$C_No_pasta datos$C_No_controlODG
## -4.562e-15 -2.086e-14
## datos$C_No_controlMED datos$F_mamadera_dia
## 1.402e-16 -3.479e-14
## datos$F_Mamadera_noche datos$F_bebidas
## -1.925e-14 -1.787e-14
## datos$F_No_jugonatural datos$F_Idioma_casa
## -2.173e-14 -7.960e-15
## datos$F_Etnia_fliar datos$S_No_huerta
## -5.073e-14 -7.341e-14
## datos$S_No_agua datos$S_No_luz
## -1.466e-14 7.768e-15
## datos$S_Rural ACTIVIDADSi:RiesgoFamiliar
## -5.440e-14 1.012e-13
## ACTIVIDADSi:RiesgoSocial
## 1.130e-13se <- sqrt(diag(vcov(m2)))
# esto permite calcular el odds ratio
(tab <- cbind(Est = fixef(m2), LL = fixef(m2) - 1.96 * se, UL = fixef(m2) + 1.96 * se))## Est LL UL
## (Intercept) 2.146152e+00 1.99892289 2.29338098
## ACTIVIDADSi 2.916730e-01 0.23083075 0.35251524
## RiesgoFamiliar -1.142758e-13 -0.06623646 0.06623646
## RiesgoSocial -1.192983e-13 -0.06512066 0.06512066
## Edad -1.758175e-14 -0.02325332 0.02325332
## FR 1.692091e-14 -0.02565869 0.02565869
## datos$C_Placa -3.224407e-14 -0.04017131 0.04017131
## datos$C_No_cepillado -2.527470e-14 -0.03807878 0.03807878
## datos$C_No_pasta -4.561820e-15 -0.07921021 0.07921021
## datos$C_No_controlODG -2.086152e-14 -0.04394336 0.04394336
## datos$C_No_controlMED 1.402039e-16 -0.15916484 0.15916484
## datos$F_mamadera_dia -3.478876e-14 -0.05512600 0.05512600
## datos$F_Mamadera_noche -1.925290e-14 -0.05198734 0.05198734
## datos$F_bebidas -1.786607e-14 -0.04140051 0.04140051
## datos$F_No_jugonatural -2.172762e-14 -0.04636003 0.04636003
## datos$F_Idioma_casa -7.959926e-15 -0.07321764 0.07321764
## datos$F_Etnia_fliar -5.072824e-14 -0.04143657 0.04143657
## datos$S_No_huerta -7.341004e-14 -0.04412251 0.04412251
## datos$S_No_agua -1.466440e-14 -0.05676594 0.05676594
## datos$S_No_luz 7.767708e-15 -0.09940423 0.09940423
## datos$S_Rural -5.439815e-14 -0.04320310 0.04320310
## ACTIVIDADSi:RiesgoFamiliar 1.012491e-13 -0.08604397 0.08604397
## ACTIVIDADSi:RiesgoSocial 1.129580e-13 -0.08604387 0.08604387exp(tab)## Est LL UL
## (Intercept) 8.551887 7.3811016 9.908381
## ACTIVIDADSi 1.338665 1.2596460 1.422641
## RiesgoFamiliar 1.000000 0.9359095 1.068479
## RiesgoSocial 1.000000 0.9369544 1.067288
## Edad 1.000000 0.9770150 1.023526
## FR 1.000000 0.9746677 1.025991
## datos$C_Placa 1.000000 0.9606249 1.040989
## datos$C_No_cepillado 1.000000 0.9626371 1.038813
## datos$C_No_pasta 1.000000 0.9238457 1.082432
## datos$C_No_controlODG 1.000000 0.9570082 1.044923
## datos$C_No_controlMED 1.000000 0.8528558 1.172531
## datos$F_mamadera_dia 1.000000 0.9463659 1.056674
## datos$F_Mamadera_noche 1.000000 0.9493409 1.053362
## datos$F_bebidas 1.000000 0.9594448 1.042269
## datos$F_No_jugonatural 1.000000 0.9546982 1.047451
## datos$F_Idioma_casa 1.000000 0.9293985 1.075965
## datos$F_Etnia_fliar 1.000000 0.9594102 1.042307
## datos$S_No_huerta 1.000000 0.9568367 1.045110
## datos$S_No_agua 1.000000 0.9448152 1.058408
## datos$S_No_luz 1.000000 0.9053767 1.104513
## datos$S_Rural 1.000000 0.9577169 1.044150
## ACTIVIDADSi:RiesgoFamiliar 1.000000 0.9175539 1.089854
## ACTIVIDADSi:RiesgoSocial 1.000000 0.9175540 1.089854m3 <- glmer(datos212$CARIES~ ACTIVIDAD
+ datos212$C_Placa # clinico
+ datos212$F_bebidas # familiar
+ datos212$F_Idioma_casa
+ datos212$F_Etnia_fliar
+ datos212$S_No_huerta # social
+ datos212$S_No_agua
+ datos212$S_No_luz
+ datos212$S_Rural
+ (1|ID)+(1|Lugar.de.examen),
family=poisson, data=datos212)## Warning in checkConv(attr(opt, "derivs"), opt$par, ctrl = control
## $checkConv, : Model failed to converge with max|grad| = 0.0657254 (tol =
## 0.001, component 1)m3## Generalized linear mixed model fit by maximum likelihood (Laplace
## Approximation) [glmerMod]
## Family: poisson ( log )
## Formula:
## datos212$CARIES ~ ACTIVIDAD + datos212$C_Placa + datos212$F_bebidas +
## datos212$F_Idioma_casa + datos212$F_Etnia_fliar + datos212$S_No_huerta +
## datos212$S_No_agua + datos212$S_No_luz + datos212$S_Rural +
## (1 | ID) + (1 | Lugar.de.examen)
## Data: datos212
## AIC BIC logLik deviance df.resid
## 651.426 691.705 -313.713 627.426 200
## Random effects:
## Groups Name Std.Dev.
## ID (Intercept) 0.825276
## Lugar.de.examen (Intercept) 0.005302
## Number of obs: 212, groups: ID, 212; Lugar.de.examen, 11
## Fixed Effects:
## (Intercept) ACTIVIDADSi datos212$C_Placa
## -3.11771 3.86911 0.23732
## datos212$F_bebidas datos212$F_Idioma_casa datos212$F_Etnia_fliar
## 0.23333 0.36061 0.02919
## datos212$S_No_huerta datos212$S_No_agua datos212$S_No_luz
## 0.02848 -0.23230 0.24447
## datos212$S_Rural
## -0.03840
## convergence code 0; 1 optimizer warnings; 0 lme4 warnings