# Tutorial R

# Métodos de investigación cuantitativa

# Pablo De Tezanos-Pinto C.
# padeteza@uc.cl
# 2013

# Para este tutorial vamos a ocupar RStudio (disponbile en

http://www.rstudio.com/),
# porque facilita un poco las cosas. En todo caso, los comandos
funcionan exactamente
# igual en cualquier programa que ocupe R.

# La idea es que lean esto directamente en RStudio para que puedan ir

ejecutando
# los comandos a medida que avanzamos. Si bien no es necesario, puede
ser una buena idea
# que vayan escribiendo en este mismo archivo sus comentarios, e
intentando hacer
# los análisis por su cuenta con otras variables o con su propia base
de datos.

# Configuración de RStudio.

# Depediendo de la configuración de su computador, puede que no

alcancen a ver bien
# este texto. En ese caso, les recomiendo ajustar esta ventana con el
mouse y cambiar
# el tamaño de la letra (en Tools -> Options -> Appearance).

# También pueden aprovechar de cambiar otra configuración importante,

en Tools ->
# Options -> General. "Save workspace to .RData on exit" dice "Ask".
Debiea decir
# "Always". De esta forma, los objetos que vamos a ir creando van a
quedar guardados
# para la próxima vez que abran el programa.

# Introducción a R

# R funciona escribiendo comandos en esta ventana -el editor-

# o en la consola -la ventana justo abajo de ésta. En general, los
comandos
# están compuestos de dos cosas: una función y un objeto.

# las funciones son simplemente procesamientos que le pedimos a R,

# por ejemplo

2 + 2 # o
mean(c(1,4,7,3,2)) # o incluso
help(mean)

# son ejemplos de funciones. Si están leyendo esto en RStudio,

# pueden ejecutar cada una de las funciones presionando "ctrl + Enter"
# (en Mac, es "Command + Enter")
# en la línea correspondiente -por ejemplo en la línea 18 para
calcular 2 + 2.
# El resultado de la función va a aparecer abajo, en la consola,
# con la excepción de "help()", que abre el archivo de ayuda de R,
# en este caso con información sobre la función "mean".
# La idea es que a medida que avanzan en este tutorial vayan
ejecutando
# todas las funciones que estamos revisando.

# Normalmente, los resultados de las funciones son asignados a

objetos,
# lo que permite seguir trabajando con esos resultados.
# Por ejemplo, en vez de 2 + 2, podemos escribir

resultado = 2+2 # (apreten "ctrl + Enter" para crear el objeto)

# Esto asigna el resultado de la función "2 + 2" a un objeto llamado

"resultado"
# (?podríamos haber puesto cualquier nombre!)
# En la ventana de la derecha (Workspace), RStudio lista los objetos
que hemos creado.
# La gracia es que ahora podemos seguir trabajando con este objeto:

resultado + 1

# es igual a 5, y si lo ejecutan el resultado va a aparecer en la

consola.
# Si ejecutan simplemente "resultado", R entrega el valor asignado a
este objeto.

resultado

# Los objetos pueden ser el resultado de cualquier operación,

incluyendo
# los resultados de análisis estadísticos, bases de datos,
# tablas, listas y variables.

# La función remove() elimina el objeto de su espacio de trabajo.

# Un detalle importante... en R las mayúsculas y minúsculas no son lo

mismo.

Resultado # y
Help(mean)

# van a generar un mensaje de error en la consola, porque no son lo

mismo
# que "resultado" y "help(mean)".

# Librerías de R

# Una de las principales virtudes de R es que el código es abierto

(open source),
# lo que permite que sea desarrollado y actualizado permanentemente y
que distintas
# personas puedan extender este programa desarrollando "paquetes" o
"librerías"
# para que R sea capaz de realizar nuevos análisis.

# Por ejemplo, una librería que vamos a ocupar bastante es "psych",

que
# incluye una serie de funciones típicamente utilizadas en
investigación en psicología.
# Antes de poder utilizar estas funciones en R, es necesario instalar
"psych".
# Para esto, pueden ir a menú "Packages" en la ventana de abajo a la
derecha -al
# lado de "Help"- presionar el botón "Install Packages" y escribir
psych en el
# cuadro de diálogo. Esto va a descargar la librería e instalarla en
su
# computador. Como siempre, también es posible hacer esto ocupando una
función,
# en este caso:

install.packages("psych") # El progreso de la instalación aparece en

la consola.

# Luego de que una librería ya está instalada, es necesario abrirla

antes de poder ocupar
# sus funciones. Es una buena idea agregar las librerías utilizadas al
comienzo de la
# sintaxis. La función para cargar una librería instalada es

library(psych)

# Si abren el archivo de ayuda de esta librería,

help(psych)

# pueden ver una descripción de todas las nuevas funciones que ahora
están disponibles.
# Además de funciones, esta librería incluye bases de datos que
podemos ocupar como
# ejemplos. El comando

personalidad = epi.bfi

# crea un nuevo objeto, una base de datos llamada "personalidad",

ocupando los datos
# disponibles en la librería psych (epi.bfi). La base de datos incluye
13 variables
# de personalidad medidas en 231 personas.
# Esta información aparece en la ventana de la derecha (Workspace),
# donde se listan los objetos que hemos creado en nuestro espacio de
trabajo. En RStudio,
# pueden hacer click en este objeto para ver los datos, o ejecutar

View(personalidad)

# Pueden ver más información sobre esta base de datos ejecutando

help(epi.bfi)

# Simplemente a modo de ejemplo, ahora podemos pedir un dispersiograma

que muestra
# la relación entre extroversión y apertura a la experiencia. Este
comando tiene dos
# líneas (aunque podría haberlo escrito en una), por lo que antes de
ejecutarlo
# tienen que seleccionar ambas.

with (personalidad,
plot(bfext,bfopen))
# El gráfico que aparece en "Plots" muestra que en general las
personas más extrovertidas
# tienen también mayores puntajes de apertura a la experiencia.

# Antes de terminar esta sección me gustaría notar la importancia de

escribir una
# sintaxis ordenada. Obviamente, a R le da exactamente lo mismo si la
sintaxis está
# ordenada o no. ?Pero R no es el único que tiene que leerla! Para los
lectores humanos
# -para ustedes mismos y para las personas con quienes colaboran- es
mucho más fácil
# entender una sintaxis ordenada:

# a) Escojan nombres amigables para las variables y los objetos.

# Es decir, nombres que sean cortos pero que sean legibles y
describan de qué
# estamos hablando. Por ejemplo, "bfext" es un nombre relativamente
bueno (se refiere
# al constructo extroversión en el contexto de una medición de
personalidad
# "big five"); bffac3 (factor 3 de la medición big-five), en
cambio, es malo.
# Aunque puedo imaginarme peores nombres.
#
# b) Ocupen generosamente la opción de hacer comentarios en la
sintaxis. Cualquier texto
# que sea precedido por un signo # es ignorado por R, pero puede
ser tremendamente
# útil para quien está leyendo y tratando de entender la sintaxis.
#
# c) Indenten los comandos de forma que sean más fáciles de entender.
El ejemplo del
# gráfico de dispersión que acabamos de hacer

with (personalidad,
plot(bfext,bfopen))

# está indentado porque esto facilita su interpretación. La primera

línea indica que
# el comando será ejecutado usando la base de datos "personalidad",
y la segunda línea
# indica que se está pidiendo un gráfico que relacione las
variables bfext y bfopen.
# Para comandos más complicados, con varias líneas, indentar hace
una diferencia
# mucho más grande. Por consenso, y porque ocupar "Tab" tiene
comportamientos
# diferentes en distintos editores de texto, normalmente se ocupa
la barra espacio
# para indentar.

# Explorando una base de datos

# Abrir una base de datos en R puede ser un proceso complicado, pero

para eso está este
# tutorial. En verdad no tiene por qué ser complicado. Típicamente se
ocupa Excel
# para digitar los datos de un estudio. Si bien es posible importar
directamente
# los datos desde Excel, lo más fácil es guardar los datos en formato
de texto,
# porque es el formato preferido de R.

# Específicamente, les recomiendo guardar los datos en formato .csv

(comma separated
# values). Todo lo que tienen que hacer es abrir el archivo Excel,
poner "guardar como"
# y seleccionar este formato. En este tutorial incluye una base de
datos en Excel llamada
# alumnos2012.xlsx, que tiene los datos de un estudio hecho con los
alumnos del curso
# durante el año 2012, en que grupos de alumnos generaron varias
preguntas para medir
# distintos constructos. Incluye temas tan diversos como las actitudes
hacia el aborto,
# hacia el Starbucks en la universidad y el horóscopo de cada alumno.
El archivo
# alumnos2012.pdf contiene más información sobre esta base de datos,
que vamos a ocupar
# como ejemplo a lo largo de este tutorial.

# Abran los datos en Excel, y guardénla como alumnos2012.csv (valores

separados por
# comas) en la misma carpeta donde está este archivo (Tutorial R.R).
Si bien es posible
# abrir el archivo ocupando comandos, esto requiere poner la dirección
completa
# del archivo o cambiar el directorio de trabajo, y R a veces se
confunde cuando los
# nombres de las carpetas tienen espacios o acentos. Por lo tanto, la
mejor opción es
# abrirlo ocupando un menú. Pueden hacer esto en la ventana de
"Workspace" presionando
# el botón "Import Dataset", o pueden ocupar el siguiente comando para
abrir un cuadro de
# diálogo. Les recomiendo esta segunda opción, porque así queda un
registro
# de la necesidad de abrir una base de datos para continuar. El
comando

estudio2012 = read.csv(file.choose(),
header = TRUE) # abrir archivo alumnos2012.csv

# abre un cuadro de diálogo donde pueden seleccionar el archivo

alumnos2012.csv. Les
# recomiendo que siempre pongan un comentario indicando el nombre del
archivo que hay
# que abrir -en beneficio de sus colaboradores y de ustedes mismos.

# Dependiendo de la configuración del computador, es posible que el

archivo
# está separado por ; en vez de comas (porque en español se ocupa coma
para
# indicar decimales). En este caso, hay que explicitar el separador.

estudio2012 = read.csv(file.choose(), # abrir archivo alumnos2012.csv

header = TRUE,
sep=";") # Ocupar ; como separador
# En detalle, este comando hace lo siguiente:

estudio2012 = # crea un objeto llamado estudio2012

read.csv( # lee un archivo .csv
file.choose(), # abre un cuadro de diálogo para elegir un
archivo
header = TRUE # indica que la primera línea del archivo
) # incluye los nombres de las variables.

# Si todo salió bien, ahora tienen un objeto llamado "estudio2012" en

su espacio
# de trabajo. Pueden hacer click sobre este objeto para mirar los
datos. El estudio
# incluye 84 variables medidas en 112 alumnos.

# Un detalle técnico...

# Si se fijan, el archivo se llamaba "alumnos2012" pero el objeto que

creamos se llama
# "estudio2012". Esto es precisamente para que quede claro que el
archivo con los datos
# y la base de datos que creamos en R son cosas distintas. Pueden
modificar todo lo que
# quieran el objeto de R, y eso no va a cambiar el archivo original
con los datos. ?Esto
# es tremendamente bueno para su paz mental! En caso de cualquier
problema, simplemente
# pueden volver a cargar los datos originales.

# El comando

names(estudio2012)

# nos entrega los nombres de todas las variables incluidas en la base

de datos.
# y el comando

head(estudio2012)

# muestra en la consola las 6 primeras líneas de la base de datos.

Esto cumple la
# misma función que hacer abrir el objeto en RStudio. A veces
simplemente
# necesitamos mirar los datos con que estamos trabajando. Noten que
hay algunos casos
# en que las personas no contestaron algunas preguntas (el
participante 52,
# por ejemplo). En R, estos valores son codificados como NA, lo que es
importante
# para algunas funciones.

estudio2012[52,] # imprime en la consola los datos de la fila 52

# Ok, una de las primeras cosas que debiéramos hacer cuando abrimos
una base de datos
# es revisar los descriptivos para cada una de las variables. Más allá
de ser una primera
# mirada a los resultados del estudio, esto permite identificar
cualquier error en la
# digitación o en la construcción de la base de datos.
describe(estudio2012)

# es una función de la librería "psych" que entrega los descriptivos

de cada una de las
# variables. En cuanto a la calidad de la base de datos lo más
importante es revisar el n,
# que nos indica la cantidad de personas que contestaron cada pregunta
(un n de cero en
# una pregunta probablemente refleja un error en la creación de la
base de datos) y
# el rango de respuesta (min y max). Las preguntas del cuestionario
tenían un rango de
# 1 a 7; claramente habría un error en la base de datos si en alguna
pregunta el rango
# fuera distinto (de 1 a 34, por ejemplo).

# Además de esto, describe() entrega una buena cantidad de información

descriptiva. El
# promedio, la mediana, la desviación estándar y el grado de asimetría
(skew).

# Algunas de las variables tienen un * junto a su nombre. Esto

significa
# que son variables categóricas (porque están codificadas como texto
en la base de datos).
# La variable sitsent (situación sentimental) incluía tres opciones,

table(estudio2012$sitsent)

# El promedio de esta variable no tiene ningún sentido. R simplemente

asigna un número a
# cada categoría y la función describe() promedia todas las variables,
aunque sean
# categóricas.

# Descriptivos.

# La información descriptiva entregada con el comando describe() es

más que suficiente
# para tener una buena idea del comportamiento de las variables. En
general,
# vamos a estar interesados en el promedio (mean), la mediana (median)
y la desviación
# estándar (sd). Todos estos indicadores pueden ser solicitados con su
propio comando.

# En la mayoría de las situaciones vamos a querer referirnos a

variables específicas,
# no a la base de datos completa como hicimos con
describe(estudio2012). Como en R
# podemos tener un número ilimitado de bases de datos en nuestro
espacio de trabajo,
# es necesario indicar tanto el nombre de la variable como la base de
datos a la
# que pertenece. Hay dos formas principales para hacer esto, y pueden
ocupar
# cualquiera de las dos dependiendo de lo que sea más fácil para cada
situación.
# La primera es ocupar el signo $ para indicar base de datos y el
nombre de la variable:

mean(estudio2012$insom1, na.rm=TRUE)

# En este comando, se pide el promedio de la variable "insom1" en la

base de datos
# "estudio2012". La función mean() requiere especificar qué hacer con
los datos
# perdidos (la gente que no contesta). na.rm=TRUE simplemente le dice
a R que ignore
# a estos participantes para calcular el promedio.

# La otra forma, que también ocupamos hace un rato, es con el comando

with().

help(with)

# Esto es especialmente útil cuando queremos ocupar varias variables.

El comando

insomnio = with(estudio2012,
data.frame(insom1, insom2, insom3, insom4, insom5))

# crea una nueva base de datos -ocupando la función data.frame()- que

sólo tiene la
# información de los ítems de insomnio. Esto permite hacer análisis
con la escala
# completa sin tener que volver a escribir cada variable.

describe(insomnio)

# Otras funciones descriptivas son:

sd(estudio2012$insom1, na.rm=TRUE)
median(estudio2012$insom1, na.rm=TRUE)

# y summary(), que es más o menos equivalente a describe() pero no

requiere
# cargar una librería.

summary(insomnio)

# Tablas y gráficos de frecuencia.

# Además de indicadores descriptivos básicos como el promedio y la

desviación estándar,
# muchas veces nos interesa revisar la distribución de una variable.
El item insom1 es
# un buen indicador general de insomnio: "Generalmente me cuesta
conciliar el sueño
# o despierto muchas veces en la noche". A partir de los descriptivos,

describe(estudio2012$insom1)

# podemos observar que los niveles de insomnio están aproximadamente

en el punto medio
# de la escala (M = 3.44), que hay una variación considerable entre
los participantes
# (SD = 2.03), y que la distribución es algo asimétrica: la mayoría de
los participantes
# están a la izquierda de la distribución (Skew = .46). Esto es
visible también
# a partir de una simple tabla de frecuencia:

table(estudio2012$insom1)

help(table)

# En esta tabla, queda claro que hay una importante variación en el

grado de acuerdo
# con este ítem, aunque hay más personas en desacuerdo que de acuerdo.
En vez de mirar
# un montón de números, podemos pedirle a R que nos dibuje un gráfico.
El comando

barplot(table(estudio2012$insom1))

# dibuja un gráfico de barras con la información de la tabla que

pedimos antes.
# Además de los datos para el gráfico, podemos agregar un título y
otras cosas.
# Esto no es necesario si están revisando el gráfico para ustedes
mismos,
# para tener una idea decómo se comportan los datos, pero si es
necesario cuando quieren
# mostrar estos resultados en un informe, artículo o presentación.

# Abajo vamos a pedir el mismo gráfico, pero agregando opciones para

mejorar
# la presentación:

barplot(table(estudio2012$insom1), # datos del gráfico

main="Insomnio en estudiantes", # título principal
xlab="Grado de acuerdo", # etiqueta eje horizontal
ylab="Frecuencia", # etiqueta eje vertical
col="lightblue" # cambio de color. ver
colors()
)

# Estas opciones están disponibles, con la misma sintaxis, para todo

tipo de gráficos.
# Si están ocupando RStudio, pueden guardar el gráfico como imagen,
pdf, o simplemente
# copiarlo en la memoria (para pegarlo en Word, por ejemplo)
seleccionando la opción
# correspondiente en el botón "Export". Si apretan el botón "Zoom", el
gráfico
# se abre en una nueva ventana, lo que puede ser útil para cambiar sus
dimensiones.
# En ese caso hay que hacer click derecho para copiarlo o exportarlo.

# Cuando las variables son continuas, hacer una tabla de frecuencia es

poco práctico
# y no entrega información útil. Consideremos por ejemplo el promedio
de todos los ítems
# de insomnio:

estudio2012$insom = with(insomnio,
(insom1 + insom2 + insom3 + insom4 +
insom5)/5)
describe(estudio2012$insom)

# Esta escala sigue siendo de 1 a 7, pero ahora tiene valores

relativamente continuos.
# Por este motivo, hacer una tabla de frecuencia es una mala idea:

table(estudio2012$insom)

# La solución es hacer un histograma. Los histogramas grafican una

tabla de intervalos,
# donde queremos saber cuántas personas tienen puntajes entre 1 y 2, 2
y 3, etc.
# El comando es simplemente:

hist(estudio2012$insom)

# Al igual que en los gráficos anteriores, podemos agregar opciones

para mejorar la
# presentación.

hist(estudio2012$insom, # datos del gráfico

main="Histograma escala de Insomnio", # título principal
xlab="Grado de acuerdo", # etiqueta eje
horizontal
ylab="Frecuencia", # etiqueta eje
vertical
col="lightblue" # cambio de color
)

# ?Por qué no ocupamos desde un comienzo his() para hacer el gráfico

de frecuenciasí
# Los histogramas están diseñados para variables continuas (por eso
las barras están
# juntas), y desgraciadamente R se confunde cuando le ponemos una
variable discreta,
# como el primer item de la escala.

hist(estudio2012$insom1)

# dibuja una situación muy distinta, y menos preocupante, que la

situación real:

barplot(table(estudio2012$insom1))

# De todas formas, esto es un error con la función hist(), que está

sumando a las
# personas que marcan 1 y las que marcan 2 en la primera barra. Espero
que lo solucionen
# pronto. La función truehist() de la librería MASS no tiene este
problema.
# El punto que hay que recordar es que los histogramas son para
variables continuas,
# no para variables discretas.

# Medidas de tendencia central

# Podemos ocupar el mismo comando que ocupamos antes (barplot) para

hacer un gráfico
# con los promedios de múltiples variables. Por ejemplo,
colMeans(insomnio, na.rm=TRUE) # imprime una tabla con los promedios
de los ítems

barplot(colMeans(insomnio, na.rm=TRUE)) # grafica esta tabla

# Simplemente, la función barplot() saca los datos de una tabla de

promedios
# en vez de una tabla de frecuencia.

# Abajo les copio un comando para el mismo gráfico, pero con mejor
presentación.
# Como ven, indentar y poner comentarios es más útil cuando los
comandos son más largos.

barplot(colMeans(insomnio, na.rm=TRUE),
main="Promedios itemes escala insomnio", # título principal

ylab="Grado de acuerdo", # etiqueta eje

vertical

names=c("Item 1", "Item 2",

"Item 3", "Item 4", "Item 5"), # Nombres para las
variables

col=rainbow(20, alpha = .6), # R incluye también

paletas de color.
# pueden ejecutar help(rainbow)
# para más información

ylim=c(1,7), # la pregunta era

de 1 a 7.
xpd=F, # Es necesario para
que las barras
# no comiencen en el valor 0
)

# Si bien muchas veces basta con graficar los promedios, también es

bueno incluir más
# información -dispersión y asimetría, por ejemplo. Una forma simple
de hacerlo es
# con un box-plot. R tiene un comando especialmente para este tipo de
gráficos:

boxplot(insomnio)

# Simple, ?cierto? Abajo lo copio con algunas opciones para mejorar la

presentación.

boxplot(insomnio,
main="Itemes escala insomnio",
ylab="Grado de acuerdo",
names=c("Item 1", "Item 2", "Item 3", "Item 4", "Item 5"),
col=rainbow(5, alpha = .3)
)

# Si no hubiéramos hecho la base de datos con los ítems de insomnio,

el comando
# sería un poco más largo. Abajo está hecho para los ítems de ansiedad
ante las
# evaluaciones:
with(estudio2012,
boxplot(data.frame(ansev1, ansev2, ansev3, ansev4, ansev5),
main="Ansiedad ante evaluaciones",
sub="Frecuencia de distintas conductas en periodos de
evaluacion",
ylab="Frecuencia conductas",
names=c("Dificultad dormir", "Despertar frecuente",
"Irritable", "Dolores", "Incapacidad de
desconectarse"),
col=rainbow(5, alpha = .3))
)

# Esta vez pusimos nombres descriptivos a los distintos ítems, por lo

que probablemente
# es necesario abrir el gráfico en una nueva ventana para verlos bien
(apretando Zoom).

# Comparando distintos grupos.

# La base de datos alumnos2012.csv que importamos incluía una serie de

variables
# que identifican distintos grupos a los que pertenecen las personas.
Por ejemplo,
# si son hombres o mujeres, o su situación sentimental.

table(estudio2012$genero)
table(estudio2012$sitsent)

# Estas variables están codificadas como texto, y en los casos en que

alguien no contestá
# estas preguntas (3 personas no indicaron su género y 1 persona no
indicó su situación
# sentimental) los datos tienen simplemente una celda vacía. Además, R
(al menos en mi
# computador) no reacciona muy bien a los acentos.

# Todo esto significa que tenemos que hacer algo de trabajo antes de
poder ocupar estas
# variables para nuestros análisis. Por ejemplo, si hacemos un gráfico
de barras para
# situación sentimental, nos encontramos con un par de problemas:

barplot(table(estudio2012$sitsent))

# 1. Hay una barra extra con la persona que prefirió no contestar esta
pregunta.
# 2. El acento de "relación" es reemplazado por un punto en el
gráfico.

# Las variables categóricas son importantes, y las vamos a ocupar para

una serie de
# análisis. Vale la pena hacer un procesamiento preliminar de los
datos.

# El siguiente comando crea una nueva variable -sitsentf- en la base

de datos estudio2012
# donde se seleccionan solamente los grupos que nos interesan.

# En mi computador, "relación" aparece en la base de datos como

"relaci\227n".
# Puede que en su computador el acento aparezca sin problemas, o salga
otra cosa:
# "relaci-n", por ejemplo. Pueden revisar con el comando

levels(estudio2012$sitsent)

# y ajustar la sintaxis en base a eso.

estudio2012$sitsentf = factor(estudio2012$sitsent,

# Esto crea una variable nueva a partir

de sitsent,
# considerándola como un factor (una
variable categórica)
# por eso le puse el nombre sitsentf

levels=c("En una relación",

"Es complicado", "Soltero/a"),

# Esto selecciona los niveles que nos

interesan, es decir,
# sin incluir las personas que no
contestaron.
# Noten que hay que escribir el texto
tal cual como
# aparece en R ("relación" en mi
computador).

labels=c("En una relacion",

"Es complicado", "Soltero/a"))

# Por último, el argumento labels define las etiquetas

# para las categorías, lo que nos permite sacar el
# acento que producía problemas.

# El comando

estudio2012$sitsentf

# imprime todos los datos de esta variable en la consola. El

participante
# 52 ahora tiene <NA> en vez de "". Cuando pedimos la tabla, ahora ya
no incluye a este
# participante:

table(estudio2012$sitsentf)

# La base de datos,

names(estudio2012)

# ahora incluye al final una nueva variable "sitsentf". Esta variable

está en la base de
# datos estudio2012 que tenemos en nuestro espacio de trabajo. No en
el archivo
# alumnos2012.

# Vamos a hacer el mismo procesamiento con genero

table(estudio2012$genero)
estudio2012$generof = factor(estudio2012$genero,
levels=c("Femenino","Masculino"),
labels=c("Mujer","Hombre"))

table(estudio2012$generof)

# y con orientación política

table(estudio2012$orienpol)

estudio2012$orienpolf = factor(estudio2012$orienpol,

# Al seleccionar los niveles, podemos

hacer varias cosas
# con esta variable: ordenarlos de
izquierda a derecha,
# omitir los independientes y los que
dicen "ninguna",
# y omitir a los que no contestaron.
Todos estos van a
# quedar como NA. (por supuesto, para
otros análisis
# podríamos querer mantener a los
independientes y a los
# que no se identifican)

levels=c("Izquierda","Centro
Izquierda","Centro",
"Centro Derecha","Derecha"))

# Dado que los niveles tienen buenos nombres,

# no es necesario agregar etiquetas.

table(estudio2012$orienpolf)

# Descripción de la muestra.

# Una de las cosas más simples que podemos querer hacer con este tipo
de variables
# es describir la cantidad de personas que pertenecen a cada grupo,
por ejemplo
# a través de gráficos de barra

barplot(table(estudio2012$orienpolf),
col=rainbow(30, alpha=.6))

# Si quieren hacer un gráfico de torta, el comando es pie()

pie(table(estudio2012$sitsentf),
main="Situacion sentimental estudiantes 2012",
col=c("powderblue", "whitesmoke","skyblue2"),
radius = 1)

# También es común querer cruzar dos tablas de frecuencia (crosstabs),

# lo que se hace simplemente agregando otra variable al comando
table():

table(estudio2012$sitsentf,estudio2012$generof)
# ?Cómo podemos graficar esto? Una buena opción es ocupar nuevamente
un gráfico
# de barras.

barplot(table(estudio2012$sitsentf, estudio2012$generof),
legend=TRUE, # agrega automáticamente una leyenda
col=heat.colors(3, alpha=.6)
)

# Para hacer que cada grupo tenga una barra, hay que ocupar el
argumento "beside".

barplot(table(estudio2012$sitsentf, estudio2012$generof),
legend=TRUE,
col=heat.colors(3, alpha=.6),
beside=TRUE # esta opción hace que cada grupo tenga una barra
)

# Por último, es común querer comparar los grupos en una o más

variables continuas,
# como querer ver los niveles de insomnio separado por hombres y
mujeres.
# En un boxplot, podemos ocupar el signo ~ para indicar que se quiere
separar por grupos.
# En general, ~ significa "predicho por" en R. (En mi computador,
tengo que presionar
# alt+? para escribir este tilde, pero eso va a depender de la
distribución
# de su teclado).

boxplot(insom1~sitsentf, data=estudio2012,
main="Problemas de insomnio en relaciones complicadas",
ylab="Insomnio",
col=heat.colors(3,alpha=.6))

# Aunque creo que comparar grupos a partir de boxplots es mejor,

también pueden hacer
# un gráfico de barras con los promedios. La función tapply() es ideal
para obtener
# los promedios de distintos grupos.

# El formato de esta función es poner primero la variable dependiente,

después el
# factor que define los grupos y después la función que se quiere
ocupar. El resultado
# de tapply() puede ser entregado directamente a barplot().

barplot(tapply(estudio2012$insom1, estudio2012$sitsentf, mean,

na.rm=TRUE))

# Abajo lo copio mejorando la presentación.

barplot(tapply(estudio2012$insom1, estudio2012$sitsentf, mean,

na.rm=TRUE),
main="Problemas de insomnio en relaciones complicadas",
ylab="Insomnio",
col=heat.colors(3,alpha=.6),
ylim=c(1,7), # la pregunta era
de 1 a 7.
 xpd=F) # Es necesario para
que las barras
# no comiencen en el valor 0

# Finalmente, la función tapply() también permite ocupar dos o más

factores para definir
# los grupos. Todo lo que hay que hacer es ocupar el comando list()
para hacer una lista
# con los factores a ocupar. El comando de abajo hace una tabla con
los promedios de
# insomnio según situación sentimental, separando además hombres de
mujeres.

tapply(estudio2012$insom1,
list(estudio2012$sitsentf, estudio2012$generof), mean,
na.rm=TRUE)

# Esta vez vamos a asignar esta tabla a un objeto para simplificar los
comandos
# siguientes. Como es un objeto temporal, le vamos a poner "x". Si
tuviera un uso
# más permanente sería mejor ponerle un nombre más descriptivo.

x = tapply(estudio2012$insom1,
list(estudio2012$sitsentf, estudio2012$generof), mean,
na.rm=TRUE)

# Gráfico sin mayores opciones de formato.

barplot(x,
beside=TRUE)

# Gráfico formateado para documentos, presentaciones, etc.

barplot(x,
legend=TRUE,
args.legend=list(x=8, y=-1, horiz=TRUE),
# ?Sin este argumento la leyenda tapa los datos!

beside=TRUE,
main="Insomnio segun genero y situacion sentimental",
ylab="Insomnio",
col=heat.colors(3,alpha=.6),
ylim=c(1,7),
xpd=F)

# Especialmente al reportar experimentos, es común hacer un gráfico de

líneas
# para reportar interacciones entre dos factores. R tiene un comando
para esto,
# interaction.plot(factor eje x, factor con diferentes líneas,
variable dependiente).

with(estudio2012,
interaction.plot(generof, sitsentf, insom1))

# Nuevamente, podemos mejorar la presentación del gráfico agregando

más parámetros:

with(estudio2012,
interaction.plot(generof, sitsentf, insom1,
 ylim=c(1,7),
lty = 1,
col=c("red","blue","darkgreen"),
main="Insomnio segun genero y situacion
sentimental",
ylab="Insomnio",
xlab=""))

# Desgraciadamente esta función no reacciona bien a NAs en la variable

dependiente.
# Por ejemplo, el cuarto ítem de desconfianza en la pareja, "Si mi
pareja reacciona
# de manera fría, tiendo a pensar que tiene un problema conmigo" tiene
3 personas
# que no contestaron.

summary(estudio2012$desconf4)

# Si hacemos el gráfico tal como lo hicimos antes, nos van a faltar

varias líneas

with(estudio2012,
interaction.plot(generof, sitsentf, desconf4,
ylim=c(1,7)))

# La solución es explicitar que la fórmula para el promedio tiene que

ignorar los
# datos perdidos,

with(estudio2012,
interaction.plot(generof, sitsentf, desconf4,
ylim=c(1,7),

# agregando el siguiente argumento:

fun=function(x) mean(x, na.rm=TRUE)))

# Pareciera que los hombres, pero no las mujeres, tienden a tener

mayor desconfianza
# o inseguridad en relaciones complicadas (recuerden que hay solo 4
participantes hombres
# que reportan su situación sentimental como complicada, ?no se tomen
muy en serio estos
# resultados!)

table(estudio2012$sitsentf, estudio2012$generof)

# Relaciones entre variables continuas.

# Es tremendamente común el psicología querer relacionar distintas

# variables continuas a partir de dispersiogramas, como ya hicimos al
comienzo de
# este tutorial con los niveles de extroversión y de apertura a la
experiencia.
# Revisemos la relación entre insomnio y ansiedad en periodo de
evaluaciones.

# Primero tenemos que calcular el promedio de la escala. Dado que

vamos a relacionarla
# con los niveles de insomnio, prefiero no ocupar los ítems que se
refieren a
# problemas de dormir en periodos de evaluaciones.

estudio2012$ansev = with(estudio2012,
(ansev3+ansev4+ansev5)/3)

# Ahora podemos pedir un dispersiograma

plot(estudio2012$ansev, estudio2012$insom,
main="Relacion entre ansiedad ante evaluaciones e insomnio",
col="cadetblue4",
xlab="Ansiedad ante evaluaciones",
ylab="Insomnio"
)

# Como se observa en el gráfico, hay una correlación positiva entre

las dos
# variables. Quienes reportan más ansiedad en periodos de evaluaciones
reportan
# también mayores niveles de insomnio.

# Para obtener el coeficiente de correlación entre estas variables

pueden ocupar
# la función cor().

cor(estudio2012$ansev, estudio2012$insom,
use = "pairwise.complete.obs" # necesario cuando hay NAs
)

# Este tipo de gráficos permite además agregar más información. Por

ejemplo, poner
# una línea que indica la relación lineal entre las variables:

abline(lm(estudio2012$insom~estudio2012$ansev),
col="firebrick")

# Para hacer esto más complicado, la función lm() ocupa un orden

distinto para las
# variables x e y. El comando plot tiene el formato (x, y), mientras
que el
# comando lm() tiene el formato y~x (y predicho por x).

# Otra opción es dibujar una linea que se ajuste a los datos, pero no
forzar
# que sea una linea recta. supsmu() es una buena función para hacer
esto.

lines(supsmu(estudio2012$ansev, estudio2012$insom,
bass=2), # de 0 a 10, controla el nivel de "smoothness"
de la linea
col="royalblue1")

# A veces nos interesa revisar la relación de dos variables continuas,

pero separando
# por distintos grupos. Una forma simple de hacer esto es con la
librería lattice.

install.packages("lattice") # Una vez que ya lo tienen instalado no es

necesario
# ejecutar nuevamente este comando.

library(lattice)
# La función xyplot() de lattice funciona con la misma sintaxis que
lm(): y~x,
# pero además permite separar por grupos ocupando el signo | (en mi
computador,
# esto es alt+1).

xyplot(insom~ansev|generof, estudio2012)

# La librería lattice tiene una gran cantidad de comandos para hacer

gráficos,
# que pueden explorar libremente. En general opté por ocupar librerías
solamente
# cuando facilita substancialmente las cosas. Ahora vamos a ver una
opción para
# visualizar estos datos sin ocupar lattice.

# En vez de hacer gráficos por separado, podemos hacer que los

círculos en el
# dispersiograma tengan un color distinto en base al grupo al que
pertenece la persona.

# Hacer el gráfico por separado para hombres y mujeres es más que

suficiente,
# pero al explicarcómo incluir ambos en el mismo gráfico vamos a
aprovechar de explicar
# algunas funciones más fundamentales de R y ejemplificarcómo podemos
usar
# las funciones de forma creativa para llegar al resultado que
queremos.

# Primero tenemos que hacer un objeto con los colores que vamos a
ocupar:

colores = c("red","blue")

# Esto simplemente crea un objeto con una lista de dos colores. La

función c(),
# que ya habíamos ocupado más arriba sin explicar, simplemente
concatena los elementos
# para que queden en una lista.

colores

# En vez de ocupar rainbow() o repetir los colores que se van a ocupar

en cada gráfico,
# cuando están haciendo un informe puede ser útil hacer una paleta de
colores
# personalizada ocupando esta función. Esto permite además cambiar los
colores de
# todos los gráficos sin tener que modificar cada uno de los comandos.
Basta reemplazar
# los colores en el objeto que crearon.

# Lo que tenemos ahora es una lista en que el elemento 1 es "red" y el

elemento 2
# es "blue". Los factores (las variables categóricas) también están
codificados
# como una lista. La función

levels(estudio2012$generof)
# muestra los valores que puede tener la variable generof. El primer
elemento es "Mujer",
# y el segundo elemento es "Hombre".

# La gracia es que ahora podemos reemplazar "Mujer" y "Hombre" por

"red" o "blue" tal
# como aparecen en el objeto "colores":

colores[estudio2012$generof] # obtiene los datos de "generof",

# ocupando los elementos del objeto "colores"

# Ok, no importa por qué funciona. Lo que importa es que podemos hacer
el siguiente
# gráfico de dispersión:

plot(estudio2012$ansev, estudio2012$insom,
main="Relacion entre ansiedad ante evaluaciones e insomnio",

col=colores[estudio2012$generof], # Magia

xlab="Ansiedad ante evaluaciones",

ylab="Insomnio"
)

# También podemos agregar una leyenda con los colores:

legend("topleft", # Ubicación de la leyenda

levels(estudio2012$generof), # Texto.
# Podríamos haber escrito c("Mujer","Hombre")
col = colores, # Los colores asociados con el
texto
pch=19 # El símbolo a ocupar en la
leyenda
)

# También podemos incluir una línea para cada grupo. Esto requiere
ocupar solamente
# a los participantes hombres o mujeres según corresponda.

# Al comienzo de este tutorial, vimos los datos del participante 52

con el comando

estudio2012[52,]

# En este caso, lo que está entre corchetes es un subgrupo de la base

de datos,
# con la forma: datos[filas, columnas]. Si quisiéramos ver los datos
de la segunda
# columna (la situación sentimental), podemos ejecutar

estudio2012[,2]

# Noten que ahora el número está después de la coma, porque se refiere

a una columna.
# Si quisiéramos saber la situación sentimental del participante 86,
tenemos que
# ejecutar

estudio2012[86,2]
# Pero los números de fila y columna también pueden ser expresiones
lógicas,
# lo que nos permite seleccionar parte de la base de datos según
alguna condición,
# por ejemplo que los participantes sean hombres:

estudio2012[estudio2012$generof=="Hombre", ]

# Noten que la condición está puesta antes de la coma, queremos

seleccionar las filas
# donde el valor de generof es "Hombre". El uso de "==" también es
importante.
# Esto es para distinguirlo de "=", que se ocupa para asignar el
resultado de una función
# a un objeto. Para dibujar las líneas que mejor se ajustan a los
datos de mujeres y
# hombres, podemos correr el mismo comando de antes, abline(), pero
ocupando un subset
# de la base de datos:

with(estudio2012[estudio2012$generof=="Mujer", ], # Selecciona
únicamente a las mujeres
abline(lm(insom~ansev),
col=colores[1]) # Selecciona el primer color de la
lista
)

with(estudio2012[estudio2012$generof=="Hombre", ], # Selecciona
únicamente a los hombres
abline(lm(insom~ansev),
col=colores[2]) # Selecciona el segundo color de la
lista
)

# Matriz de correlaciones.

# Para terminar con el tema de los gráficos y de la exploración de

datos, queda
# por mencionar que la función plot() también puede graficar las
correlaciones entre
# múltiples variables. Por ejemplo, podemos ver las correlaciones
entre los cinco
# factores de personalidad del "big five" en la base de datos que
viene con la
# librería psych.

# En caso de que no la tengan cargada:

library(psych)
personalidad = epi.bfi

# La función plot hace automáticamente la matriz de dispersiogramas si

le entregan
# más de dos variables. Para simplificar los comandos, vamos a crear
una nueva
# base de datos solamente con los factores del big-five.

bf = with(personalidad,
data.frame(bfagree, bfcon, bfext, bfneur, bfopen))

plot(bf)
# Si quieren ver la tabla de correlaciones en la consola, pueden
ejecutar:

cor(bf)

# La función round() permite quitar decimales a esta o cualquier otra

tabla.

round(cor(bf),
2)

# La librería psych también tiene funciones gráficas para esto, con

algunas opciones
# extra. En mi opinión estos gráficos son horribles, pero son útiles
para explorar
# rápidamente las variables. Por defecto, la función pairs.panels()
entrega
# dispersiogramas con una línea de ajuste, histogramas para ver la
distribución
# de las variables, y además los coeficientes de correlación.

pairs.panels(bf)

# Obviamente, este tipo de gráficos pierde sentido a medida que

aumenta el número de
# variables. Ejecutar

plot(personalidad)

# es poco práctico. Pero la librería psych incluye un gráfico que es

perfecto para esto,
# y que no es horrible: cor.plot(). Este gráfico pone distintos
colores dependiendo de
# qué tan fuerte es la correlación entre dos variables. A diferencia
de plot() o de
# pairs.panels(), cor.plot() requiere los datos de una tabla de
correlaciones.

cor(personalidad)

cor.plot(cor(personalidad))

# Como ven, el gráfico permite identificar de manera rápida cuáles son

las
# variables que correlacionan entre si.

# Cálculo de escalas y psicometría.

# El gráfico de correlaciones que entrega cor.plot() es una excelente

introducción
# al tema de la psicometría ycómo calcular escalas. Normalmente, al
medir constructos
# psicológicos es preferible ocupar múltiples itemes ya que cada uno
de ellos
# es un indicador imperfecto de los niveles del constructo. Pero si
los ítems
# efectivamente están midiendo el mismo constructo, uno esperaría que
la correlación
# entre ellos sea alta. Por ejemplo, veamos la correlación entre los
ítems de
# insomnio:

x = cor(insomnio, # Vamos a asignar las correlaciones a un objeto, x

use = "pairwise.complete.obs") # necesario cuando hay NAs

x # Imprime la tabla de correlaciones en la consola

cor.plot(x) # Grafica la tabla de correlaciones

# Claramente, los ítems 1 y 2 correlacionan muy fuertemente entre si

(r = .9),
# y bastante bien con el resto. El ítem 3 correlaciona algo con el 1 y
2,
# pero no correlaciona con los ítems 4 y 5, que si correlacionan entre
si.

# Hay dos formas principales de simplificar toda esta información para

poder
# decidir si estos itemes son una medición confiable de los niveles de
insomnio,
# o si están midiendo más de un constructo.

# La primera, y la más simple, es analizar la confiabilidad de la

escala
# por medio del alpha de Cronbach. La librería psych tiene un comando
para hacer
# esto.

alpha(insomnio) # Probablemente tienen que moverse en la consola para

ver
# el output completo de este análisis
help(alpha)

# A pesar de los problemas con el ítem 3, la escala tiene un alpha

adecuado
# (std.alpha=.74), pero que podría ser un poco mejor al eliminar este
ítem (.78),
# que tiene una correlación con el total relativamente baja (r.cor =
.32).

# En estos casos, la decisión es más conceptual que estadística.

Considerando el
# contenido del ítem 3 "A veces me despierto mucho antes de lo que
tenía presupuestado",
# quizás sea mejor eliminarlo de la escala y ocuparlo por separado, ya
que se refiere
# a un tipo de insomnio diferente, que además es menos frecuente en
esta muestra.

# Antes de calcular el puntaje de insomnio sin el ítem 3, revisemos la

confiabilidad
# de esta nueva escala. Ahora que no podemos ocupar el objeto insomnio
que habíamos
# creado antes, tenemos que escribir cada una de las variables en la
base de datos
# estudio2012.

# La función cbind() combina objetos de R, en este caso columnas en la

base de datos
# estudio2012. También podríamos haber ocupado data.frame().

with(estudio2012,
alpha(cbind(insom1, insom2, insom4, insom5)))

# Ahora el alpha subió a .78, y vemos que los ítems 4 y 5 funcionan un

poco peor.
# Más adelante vamos a ver por qué, pero por ahora vamos a calcular la
escala de
# insomnio con estos cuatro ítems.

# Calculo de escalas:

estudio2012$insom = with(estudio2012,
rowMeans(cbind(insom1, insom2, insom4,
insom5),
na.rm=TRUE))

# Para simplificar las cosas, antes habíamos calculado la escala

sumando las
# variables y dividiendo por el número de elementos. El principal
problema de esto
# es que no permite especificar qué hacer con los datos perdidos.
# Al incluir na.rm=TRUE en la función rowMeans(), especificamos que si
alguien
# contestá solamente algunos de los cuatro ítems, se calcule el
promedio con la
# información que si está disponible. De otra forma ese participante
quedaría con un
# valor NA en esta escala. Ocupando esta opción, un participante
quedaría con NA
# solamente cuando no haya contestado ninguno de los ítems.

summary(estudio2012$insom)

# Revisemos los ítems de ansiedad ante evaluaciones:

names(estudio2012) # ?Se acuerdan cuál era el nombre de estas

variablesi

x = cor(with(estudio2012,
cbind(ansev1, ansev2, ansev3, ansev4, ansev5)),
use = "pairwise.complete.obs")

cor.plot(x)

# Esta escala se ve mucho mejor, ya que todos los ítems correlacionan

entre si.

alpha(with(estudio2012,
cbind(ansev1, ansev2, ansev3, ansev4, ansev5)))

# La confiabilidad es adecuada (.71) y no mejora al eliminar ningún

ítem.

estudio2012$ansev = with(estudio2012,
rowMeans(cbind(ansev1, ansev2, ansev3,
ansev4, ansev5),
na.rm=TRUE))
summary(estudio2012$ansev)

# Análisis factorial

# Es perfectamente posible que una serie de ítems que fueron

desarrollados
# para medir un constructo están en realidad midiendo dos o tres. Eso
es exactamente
# lo que está ocurriendo con los ítems de insomnio. Aunque ahora nos
vamos
# a concentrar en el análisis estadístico, este proceso debiera
integrar también
# un análisis teórico y conceptual.

# Entender exactamentecómo funciona un análisis factorial es mucho más

avanzado
# de lo que vamos a cubrir en el curso. Pero eso no significa que no
lo podamos
# ocupar.

# ?Cuántos factores estamos midiendo con los ítems de insomnio?

# Una forma de responder a esta pregunta es ejecutar la siguiente
función:

fa.parallel(insomnio)

# fa.parallel() es una función de la librería psych nos ayuda a

evaluar cuál es la
# solución más optima en términos de cantidad de factores considerando
parsimonia
# -donde tener menos factores es mejor- y ajuste con los datos -donde
tener más factores
# es mejor.

# El gráfico entrega más información de la que realmente necesitamos,

lo que importa
# es la línea de FA (análisis factorial). El primer factor logra
explicar más
# varianza en la escala que el segundo factor, que a su vez logra
explicar más
# varianza en la escala que el tercer factor. Agregar un tercer factor
es ciertamente
# poco práctico, ya que dos factores pueden explicar la mayor parte de
la varianza.
# De hecho, probablemente un solo factor también es aceptable en este
caso.

# Con esta información, podemos hacer un análisis factorial

exploratorio con dos
# factores, ocupando la función fa() de la librería psych.

fa(insomnio, # las variables a incluir en el análisis

2) # la cantidad de factores

# La información entregada en la primera tabla nos indica cuánto se

relaciona
# cada ítem con cada uno de los factores. Esto puede verse de forma
gráfica con

plot(fa(insomnio,2))
# Los ítems 1 y 2 se relacionan fuertemente con el primer factor
(MR1), y los
# ítems 4 y 5 se relacionan fuertemente con el segundo factor (MR2).
El ítem 3 está
# más relacionado con el primer factor (.41) que con el segundo (-
.09).

# ?qué significa esto? Significa que la escala mide dos cosas, que de
hecho
# son perfectamente comprensibles al leer los ítems:

# Factor 1: Problemas de insomnio.

# Generalmente me cuesta conciliar el sueño o despierto muchas veces
en la noche (insom1)
# Suelo presentar grandes dificultades para iniciar y mantener el
sueño (insom2)
# A veces me despierto mucho antes de lo que tenía presupuestado
(insom3)

# Factor 2: Conductas problemáticas de higiene del sueño.

# Cuando es hora de dormir, me dan ganas de ver televisión,
# leer o hacer otra cosa (insom4)
# Suelo tener horarios de sueño desordenados, dormir siestas o pasar
# un tiempo excesivo en la cama (insom5)

# Obviamente estos dos constructos están relacionados, de hecho tienen

una correlación
# de .39 según el análisis factorial. Pero no son lo mismo.

# Revisemos la confiabilidad antes de calcular cada escala.

# Problemas de insomnio:

alpha(with(estudio2012,
cbind(insom1, insom2, insom3)))

# El alpha es .78.

estudio2012$insom = with(estudio2012,
rowMeans(cbind(insom1, insom2, insom3),
na.rm=TRUE))
summary(estudio2012$insom)

# Conductas problemáticas insomnio:

alpha(with(estudio2012,
cbind(insom4, insom5)))

# El alpha es .71, aunque con dos ítems normalmente se reporta la

correlación (.56)

estudio2012$cinsom = with(estudio2012,
rowMeans(cbind(insom4, insom5),
na.rm=TRUE))

summary(estudio2012$cinsom)

# ?qué pasa cuando hacemos un análisis factorial para los ítems de

ansiedad en
# periodo de evaluacionesi De acuerdo al scree plot,

fa.parallel(with(estudio2012,
cbind(ansev1, ansev2, ansev3, ansev4, ansev5)))

# parece que la mejor solución es ocupar dos factores, aunque también

sería
# aceptable ocupar uno.

x = fa(with(estudio2012,
cbind(ansev1, ansev2, ansev3, ansev4, ansev5)),2)

plot(x)

# Los ítems 3, 4 y 5 cargan en un factor (MR2), y los ítems 1 y 2

# cargan en otro (MR1). El factor MR2 puede ser más propiamente
llamado ansiedad
# en periodo de evaluaciones (irritable, dolores e incapacidad de
desconectarse),
# el segundo factor son los ítems de insomnio durante este periodo. Al
revisar
# la confiabilidad que tendrían estas escalas,

alpha(with(estudio2012,
cbind(ansev3, ansev4, ansev5)))

alpha(with(estudio2012,
cbind(ansev1, ansev2)))

# vemos que es usable, pero ciertamente no es buena. ?qué hacer en

este caso?
# La respuesta no está en los análisis estadísticos, sino en un
análisis conceptual
# y de los objetivos de investigación. Los dos ítems de insomnio
(ansev1 y ansev2)
# no correlacionan muy bien, y además ya tenemos otra escala para
medir insomnio en
# general. Por lo tanto, creo que lo mejor es ocupar solamente el
primer factor
# sin incluir los ítems de insomnio.

estudio2012$ansev = with(estudio2012,
rowMeans(cbind(ansev3, ansev4, ansev5),
na.rm=TRUE))

summary(estudio2012$ansev)

# Itemes invertidos.

# Es común que las escalas incluyan ítems invertidos, donde un mayor

puntaje en el
# item refleja un menor nivel en el constructo que se quiere medir.
Por ejemplo,
# la escala de "tolerancia hacia la diversidad sexual" tiene los
siguientes ítems:

# (tolsex1) Me siento incómodo compartiendo socialmente con personas

que son
# de distinta orientación sexual a la mía.
# (tolsex2) Las relaciones de pareja no heterosexuales son "anti
naturales".
# (tolsex3) Las parejas del mismo sexo no deberían andar de la mano ni
besarse en público.
# (tolsex4) Considero que el matrimonio debiera ser sólo entre un
hombre y una mujer.
# (tolsex5) Me gustaría que cambiaran las leyes para promover un mayor
# respeto a las minorías sexuales.

# En realidad, esta escala debiera llamarse "intolerancia" a la

diversidad sexual.
# Un mayor puntaje en los ítems 1, 2, 3 o 4 se asocia a una mayor
intolerancia. Pero
# el quinto ítem está invertido: un mayor puntaje se asocia a una
menor intolerancia.

# Veamos que pasa con estos ítems en un análisis factorial.

tolsex = with(estudio2012,
data.frame(tolsex1, tolsex2, tolsex3, tolsex4, tolsex5))

fa.parallel(tolsex)

# A diferencia de las escalas que revisamos antes, estos ítems se

agrupan
# claramente en un factor.

fa(tolsex)
plot(fa(tolsex))

# Como debiera ser, el ítem 5 tiene una relación negativa con el

factor.
# Además, el ítem 1 parece no estar funcionando muy bien con el resto
de la escala.
# Si hacemos un análisis de confiabilidad,

alpha(tolsex)

# R automáticamente invierte el ítem 5, imprime un aviso en la

consola, e indica
# que se invirtió el ítem con un signo - junto a su nombre. El alpha
de la escala
# es bueno (.79), pero quedaría mejor si se elimina el ítem 1 (.84).

# Nuevamente, esta decisión tiene que ser conceptual también. A mí me

parece adecuado
# eliminarlo, no porque sea un mal ítem, sino porque está midiendo
algo ligeramente
# distinto -una reacción emocional vs. actitudes conservadoras más
discursivas.

# Antes de promediar los ítems, en todo caso, tenemos que invertir los
valores
# de tolsex5! Lo más fácil es hacerlo directamente con la fórmula:

# Puntaje invertido = Máximo + Mínimo - Puntaje original.

estudio2012$tolsex5i = 7 + 1 - estudio2012$tolsex5

summary(estudio2012$tolsex5i)
# Ahora podemos calcular la escala, donde un mayor puntaje va a
reflejar un menor
# nivel de tolerancia hacia la diversidad sexual. Por lo tanto, vamos
a aprovechar
# de cambiarle el nombre a "intolsex" (mayor puntaje mayor
intolerancia)

estudio2012$intolsex = with(estudio2012,
rowMeans(cbind(tolsex2, tolsex3, tolsex4,
tolsex5i),
na.rm=TRUE))

summary(estudio2012$intolsex)

# Contraste de hipótesis y estimación de parámetros poblacionales

# Hasta ahora, hemos visto una serie de análisis, gráficos y tablas

para visualizar
# la información obtenida en la muestra. Las siguientes secciones
tratan en cambio
# sobre la estimación de lo que está ocurriendo en la población, a
partir de los datos
# muestrales.

# Chi-cuadrado
# Relaciones entre variables categóricas.

# En las secciones anteriores vimoscómo producir una tabla para ver la

cantidad de
# personas que pertenecen a ciertos grupos o categorías,

table(estudio2012$sitsentf)

# o hacer un cruce entre dos variables categóricas, como por ejemplo

comparar la
# situación sentimental de hombres y mujeres:

table(estudio2012$sitsentf, estudio2012$generof)

# ?Cómo saber si estas dos variables están relacionadasí ?Es más

probable que los
# hombres tengan relaciones complicadasí El análisis que corresponde
ocupar para
# contestar esta pregunta es un análisis de chi-cuadrado, que puede
aplicarse
# a la frecuencia de una sola variable categórica, o a un cruce de
varias variables.

# La función para hacer un análisis de chi-cuadrado es chisq.test(), y

requiere
# la información de una tabla de frecuencia -que puede obtenerse con
table().
# Por ejemplo,

table(estudio2012$generof) # Obtiene la cantidad de hombres y mujeres

en la muestra.

chisq.test(table(estudio2012$generof)) # Hace un análisis de chi-

cuadrado
# con esta tabla.
# a partir de este análisis de chi-cuadrado vemos que la probabilidad
de que nuestra
# muestra venga de una población donde hay igual cantidad de hombres y
mujeres es
# tremendamente baja (x2 = 27.75, p < .05). Esto nos indica que
debemos rechazar esta
# hipótesis nula y concluir que en la carrera de psicología en nuestra
universidad
# hay más mujeres que hombres.

# Al parecer las mujeres tienen menos probabilidades de estar solteras

que los hombres,
# quienes además tienen más probabilidades de estar en relaciones
complicadas.

table(estudio2012$sitsentf, estudio2012$generof)

# Veamos si podemos generalizar esto a la población de estudiantes de

psicología.

chisq.test(table(estudio2012$sitsentf, estudio2012$generof))

# Como se observa en la consola, la relación entre estas variables no

alcanza a
# ser estadísticamente significativa (x2 = 5.05, p = .08). Además, R
imprime
# un mensaje advirtiendo que la estimación del chi-cuadrado puede ser
incorrecta.
# Esto se debe a que hay muy pocas mujeres y muy pocos hombre (menos
de 5) que
# tienen una relación complicada.

# La función table() tiene un argumento especialmente diseñado para

estos casos,
# es decir, para excluir ciertas categorías del análisis:

table(estudio2012$sitsentf, estudio2012$generof,
exclude="Es complicado")

# Esta vez, vamos a asignar el resultado del análisis a un objeto

llamado x2
# (podríamos haber puesto cualquier nombre)

x2 = chisq.test(table(estudio2012$sitsentf, estudio2012$generof,
exclude="Es complicado"))

x2

# La probabilidad de que esta muestra venga de una población donde el

género no se
# relaciona con estar soltero(a) o en un una relación es mayor a .05
(x2 = 1.64, p = .2),
# por lo que no corresponde rechazar la hipótesis nula. Los hombres y
las mujeres
# tienen la misma probabilidad de estar en una relación.

# El análisis de chi-cuadrado, como la mayoría de los análisis que

vamos a ver de
# ahora en adelante, son objetos más complejos que los que hemos visto
hasta ahora.
# Si bien ejecutar

x2 # el nombre del objeto al que asignamos el análisis de chi-cuadrado

# nos entrega la información básica, el objeto "x2" tiene más

información. Para
# acceder a esta información se ocupa el mismo formato con que
seleccionamos
# una variable en una base de datos. Por ejemplo, para obtener la
tabla de
# valores observados, podemos ocupar

x2$observed

# lo que es exactamente lo mismo que la tabla original con que hicimos

el análisis.
# Para obtener los valores esperados según la hipótesis nula, podemos
ejecutar

x2$expected

# En cualquier análisis, los valores que pueden obtenerse están

listados en la página
# de ayuda.

help(chisq.test)

# Estimación del promedio poblacional y relaciones entre variables

categóricas
# y numéricas.

# Prueba t

# Prueba t para una muestra:

# Estimación del promedio de la población.

# En caso de querer estimar los niveles poblacionales de una variable

numérica,
# pueden hacer una prueba t para una muestra en esta variable con la
función
# t.test(). Por ejemplo, los datos de escala de intolerancia a la
diversidad sexual

t.test(estudio2012$intolsex)

# indican que el promedio poblacional está entre 1.95 y 2.54 ocupando

un intervalo
# de confianza de 95%. Considerando que la escala es de 1 a 7, el
nivel es bastante
# bajo. Por defecto, la hipótesis nula de esta prueba es que el
promedio
# poblacional es igual a cero, algo que por supuesto no tiene sentido
en esta escala
# de 1 a 7. Para cambiar la hipótesis nula, por ejemplo para estimar
la probabilidad
# de que esta muestra venga de una población en que el promedio es
cuatro (el punto
# medio de la escala), es necesario agregar el parámetro mu:

t.test(estudio2012$intolsex, mu=4)
# Obviamente, la probabilidad es tremendamente baja (p < 2.2e-16; eso
son 16 ceros
# después de la coma).

# La librería psych incluye un comando para hacer gráficos con barras

de error
# ocupando intervalos de confianza.

error.bars(with(estudio2012,
cbind(ansev1, ansev2, ansev3, ansev4, ansev5)),
ylim=c(1,7))

# Este gráfico puede ser una forma útil de comparar los niveles de
diferentes variables
# considerando información de estadística inferencial, pero es
importante destacar
# que no es una prueba de hipótesis estadísticas. Son estimaciones
independientes
# del promedio poblacional en cada ítem.

# Prueba t para muestras independientes:

# comparación del promedio de dos grupos.

# La misma función que ocupamos en la sección anterior, t.test(),

puede ser ocupada
# para comparar los promedios de dos grupos de participantes, y
evaluar la hipótesis
# nula de que ambos tienen el mismo promedio en la población. El
formato para hacer
# este análisis es el mismo que ya hemos visto otras veces: la
variable dependiente
# predicha por la variable independiente (y~x). A modo de ejemplo,
podemos evaluar
# si los niveles de intolerancia a la diversidad sexual son diferentes
según el género
# de los participantes:

t.test(estudio2012$intolsex~estudio2012$generof)

# Curiosamente, las mujeres muestran mayores niveles de intolerancia

que los hombres
# (t(64)=2.48, p < .05). Es importante recordar que estos resultados
son generalizables
# a una población particular; estudiantes de psicología de nuestra
universidad, y
# no a los hombres y mujeres de chile, por ejemplo. Al revisar los
resultados de otras
# variables, como opiniones hacia el aborto y orientación política,
pareciera que las
# mujeres tienden a ser más conservadoras que los hombres en esta
población,
# lo que podría explicar las diferencias en tolerancia hacia la
diversidad sexual.

table(estudio2012$orienpolf, estudio2012$generof)

# Volviendo a la revisión del output de una prueba t de muestras

independientes,
# es importante notar un par de aspectos más técnicos.
t.test(estudio2012$intolsex~estudio2012$generof)

# El título de esta prueba indica que se realizó una prueba t de

Welch. Esto es porque
# las varianzas de los grupos no son iguales, y R automáticamente
realiza el ajuste
# apropiado. Para forzar una prueba t clásica se puede agregar el
argumento

t.test(estudio2012$intolsex~estudio2012$generof,
var.equal=TRUE)

# que indica que deben asumirse varianzas iguales. Esto no es

recomendado, ?para eso
# existe este ajuste!

# Otro detalle es que esta función realiza por defecto un contraste de

# hipótesis bilateral. En caso de que se quiera hacer un contraste
unilateral,
# pueden ocupar el argumento:

t.test(estudio2012$intolsex~estudio2012$generof,
alternative="greater")

# Pero incluso aunque quieran hacer un contraste unilateral esto no es

necesario,
# la probabilidad asociada a la hipótesis nula en un contraste
unilateral es simplemente
# la mitad de la probabilidad obtenida en un contraste bilateral.

# Prueba t para muestras dependientes

# Comparar el promedio poblacional de dos variables en un grupo.

# Para realizar una prueba t para muestras dependientes simplemente

hay que agregar
# un argumento a la función t.test(): paired=TRUE.

# Esta prueba asume que las variables efectivamente son comparables,

lo que no siempre
# es cierto. En este estudio, la escala de empatía frente al aborto
parece adecuada,
# ya que los participantes tenían que contestar la misma pregunta pero
referida a
# distintas situaciones:

# Imagina que una mujer recientemente tuvo un aborto y te relata su

experiencia. ?qué
# tanto puedes empatizar con ella en las siguientes situacionesi
(desde 1 = nada, hasta
# 7 = mucho).

# Las situaciones presentadas fueron las siguientes:

# abor1 Mi embarazo era un riesgo grave para mi salud.

# abor2 Mi hijo hubiese nacido con una enfermedad genética grave que
lo
# condenaba a sufrir.
# abor3 Fui víctima de violación, tenerlo hubiera sido un recuerdo
constante de mi
# experiencia traumática.
# abor4 Por razones económicas era incapaz de hacerme cargo de un
hijo, no hubiese podido
# abastecerlo ni en sus necesidades más básicas.
# abor5 Hubiera sido una madre soltera, estigmatizada por el resto de
mi vida.

# En general, los niveles de empatía reportados disminuyen

progresivamente:

with(estudio2012,
describe(data.frame(abor1, abor2, abor3, abor4, abor5)))

# Dado que es la misma escala para cada situación, podemos comparar

dos de ellas
# con una prueba t de muestras dependientes. Por ejemplo, ?Produce más
empatía
# una situación de riesgo grave para la salud de la madre que una
situación donde
# se encuentra una enfermedad genética grave en el hijo(a)?

t.test(estudio2012$abor1, estudio2012$abor2,
paired=TRUE)

# Si, al menos en esta población. La probabilidad de que ambos

promedios sean
# iguales es menor a .05, por lo que podemos rechazar la hipótesis
nula.

# ANOVA Simple
# comparación de los promedios poblacionales de múltiples grupos.

# Para comparar los promedios de más de dos grupos es necesario hacer

un análisis de
# varianza. La función para hacer esto en R es aov(). Para estos
análisis, vamos a
# ocupar la escala de intuición:

# intui1 Muchas veces tengo muy claro la decisión que voy a tomar,
aunque
# no podría explicar por qué.
# intui2 A veces siento que puedo predecir lo que va a pasar antes de
que suceda,
# como por ejemplo que me llamar? alguien.???
# intui3 Siento que puedo sabercómo es una persona casi
inmediatamente, incluso
# antes de conversar con ella.
# intui4 Si en una prueba o examen de alternativas no me acuerdo de la
materia,
# muchas veces puedo elegir de forma intuitiva, porque "algo"
me dice que
# es la respuesta correcta.
# intui5 Para cosas realmente importantes, confío más en mis
sentimientos e intuición
# que en argumentos racionales.

alpha(with(estudio2012,
data.frame(intui1, intui2, intui3, intui4, intui5)))

# Parece mejor eliminar el ítem 1.

estudio2012$intui = with(estudio2012,
rowMeans(data.frame(intui2, intui3, intui4,
intui5),
na.rm=TRUE))

# ?Estar? relacionada la intuición con el signo zodiacal? Primero

tenemos que preparar
# la variable zodiaco.

table(estudio2012$zodiaco)

estudio2012$zodiacof = factor(estudio2012$zodiaco,
levels=c("Acuario (21 Enero - 19
Febrero)",
"Piscis (20 Febrero - 20
Marzo)",
"Aries (21 Marzo - 20 Abril)",
"Tauro (21 Abril - 20 Mayo)",
"Géminis (21 Mayo - 20 Junio)",
"Cáncer (21 Junio - 22 Julio)",
"Leo (23 Julio - 22 Agosto)",
"Virgo (23 Agosto - 22
Septiembre)",
"Libra (23 Septiembre - 23
Octubre)",
"Escorpión (24 Octubre - 21
Noviembre)",
"Sagitario (22 Noviembre - 21
Diciembre)",
"Capricornio (22 Diciembre - 20
Enero)"),
labels=c("Acuario",
"Piscis",
"Aries",
"Tauro",
"Geminis",
"Cancer",
"Leo",
"Virgo",
"Libra",
"Escorpion",
"Sagitario",
"Capricornio"))

barplot(table(estudio2012$zodiacof))

# Ahora podemos hacer un ANOVA para ver si el signo zodiacal está

relacionado con los
# niveles de intuición.

# Ejecutar simplemente,

aov(intui~zodiacof, data=estudio2012)

# nos entrega una tabla con la suma de cuadrados y los grados de

libertad, lo que no
# es suficiente información. Para este análisis, es absolutamente
necesario asignar
# el resultado a un objeto, que vamos a llamar "aov" (podemos poner
cualquier nombre).
aov = aov(intui~zodiacof, data=estudio2012)

# Ahora podemos ocupar la función summary() para ver el resultado de

este análisis.

summary(aov)

# En base a los resultados del ANOVA, podemos concluir que no existe

una relación
# entre el signo zodiacal y los niveles de intuición (F(11,98) = 1.15,
p = .33).
# Pero es importante notar que los n de cada grupo son muy pequeños
para este análisis.
# Si vemos la información descriptiva,

boxplot(intui~zodiacof, data=estudio2012)

# Los participantes del signo Cáncer son los que reportan mayores
niveles de intuición,
# lo que es consistente con la descripción entregada en
# http://www.astrology-online.com/cancer.htm

# De acuerdo a Astro Lady, en todo caso, Cáncer, Escorpión y Picis son

los signos
# más intuitivos (asociados al agua).
# ver
http://answers.yahoo.com/question/index?qid=20080124235717AAdSk0S
# Esto no parece cumplirse en esta muestra.

# Quizás la intuición está relacionada con la mención que quieren

elegir los alumnos
# de psicología...

table(estudio2012$mencion)

# Dado que desgraciadamente hay muy pocas personas que reportan estar
interesados
# en psicología comunitaria o psicología de la salud, vamos a sacarlos
del análisis.

estudio2012$mencionf = factor(estudio2012$mencion,
levels=c("Clínica",
"Educacional",
"Laboral/Organizacional"),
labels=c("Clinica",
"Educacional",
"Laboral/Organizacional"))

# Ahora podemos hacer el ANOVA

aov = aov(intui~mencionf, data=estudio2012)

summary(aov)

# Esta vez, los resultados si son estadísticamente significativos.

Pero qué grupos
# son diferentes de cualesi La información descriptiva

boxplot(intui~mencionf, data=estudio2012)
# parece indicar que las personas que quieren tomar psicología
organizacional
# reportan un menor nivel de intuición. Para evaluar qué grupos
presentan diferencias
# estadísticamente significativas es necesario hacer un test de Tukey,
ocupando la
# función TukeyHSD(), que requiere el resultado de un análisis de
varianza.

TukeyHSD(aov)

# Al hacer las comparaciones entre estos grupos, vemos que la única

diferencia
# estadísticamente significativa es la comparación entre los alumnos
que quieren
# especializarse en clínica y los alumnos que quieren especializarse
en psicología
# organizacional. Los alumnos interesados en clínica reportan mayores
niveles
# de intuición que los interesados en organizacional.

# Uno de los supuestos del ANOVA es que las varianzas de los grupos
son iguales.
# Para evaluar si se cumple este supuesto, pueden hacer una prueba de
levene ocupando
# la función levene.test() de la librería lawstat:

install.packages("lawstat")
library(lawstat)

levene.test(estudio2012$intui, estudio2012$mencionf)
help(levene.test)

# En este caso, la prueba no es estadísticamente significativa, por lo

que podemos
# asumir que las varianzas de los grupos en la población efectivamente
son iguales.
# Si las varianzas fueran diferentes, corresponde hacer un ANOVA de
Welch, que
# no asume varianzas iguales:

oneway.test(intui~mencionf, data=estudio2012)

# Estos resultados se reportan así: F de Welch (2, 28.63) = 3.56, p <

.05.

# Desgraciadamente, R no incluye por defecto el R2 en el output de

ANOVA.
# para obtenerlo, podemos ocupar la función summary.lm() en el objeto
que creamos
# para el análisis.

summary.lm(aov)

# ANOVA Factorial
# Relación entre una variable numérica y múltiples variables
categóricas.

# La función aov() también permite agregar más de una variable

categórica, y evaluar
# la interacción entre estas variables con el formato
# aov(variable dependiente~factor1*factor2). Nuevamente sería ideal
tener más n del que
# tenemos en este estudio, especialmente para evaluar la interacción
entre los dos
# factores pero vamos a ver un ejemplo de todas formas, agregando
género al análisis
# que acabamos de hacer.

# Hagamos primero un gráfico para ver los descriptivos.

with(estudio2012,
interaction.plot(generof, mencionf, intui))

# Y ahora el análisis de varianza.

aov = aov(intui~mencionf*generof, data=estudio2012)

summary(aov)

# Si bien al parecer el género tiene un efecto más grande en los

estudiantes interesados
# en psicología educacional, la interacción entre estos dos factores
no es
# estadísticamente significativa. En cambio, hay un efecto principal
de género, donde
# los hombres reportan menos intuición que las mujeres (F(1,93) =
6.86, p < .05), y de
# mención, donde las personas interesadas en especializarse en clínica
reportan mayores
# niveles de intuición (F(2,93) = 10.34, p < .05).

# También pueden pedir los descriptivos para cada factor y sus

interacciones con
# model.tables(), lo que además tiene la ventaja de que incluye el n
de cada grupo (rep).
# Solamente una de las personas que está interesada en psicología
educacional es hombre.

model.tables(aov, "means")

# Ahora el test de Tukey va a incluir comparaciones múltiples para

género, para mención
# y también para la interacción entre estos dos factores, aunque
típicamente las
# coparaciones uno a uno entre las combinaciones de factores no se
reportan.

TukeyHSD(aov)

# Para hacer un anova con múltiples factores sin incluir sus

interacciones, basta
# reemplazar el signo * por un +.

aov = aov(intui~mencionf+generof, data=estudio2012)

summary(aov)

# El anova simple con mención explicaba un 5.5% de la varianza en los

niveles de intuición.
# Al incluir género el nivel de varianza explicada es ahora un 9%.

summary.lm(aov)
# ANCOVA

# Para hacer un ancova y controlar estadísticamente por el efecto de

una variable
# continua, simplemente puede agregarse esta variable como predictor
en la función aov(),
# con +, ya que normalmente no nos interesan sus interacciones.

# Relaciones entre variables lineales.

# Prueba estadística para correlaciones.

# En la sección de descriptivos, vimos que era posible obtener el

coeficiente de
# correlación entre dos variables continuas con la función cor():

cor(estudio2012$insom, estudio2012$cinsom,
use = "pairwise.complete.obs")

# Para saber si esta correlación es estadísticamente significativa, la

función que hay
# que ocupar es

cor.test(estudio2012$insom, estudio2012$cinsom)

# Esta función no requiere especificar que deben omitirse los

participantes con NA,
# por lo que probablemente es más práctica que cor() para obtener una
correlación.
# Aún así, la gracia de cor es que permite hacer una matriz de
correlaciones,
# lo que no es posible con cor.test().

# El output de esta prueba nos entrega la significación estadística (r

= .35, p < .01),
# y también un intervalo de confianza para la correlación. En este
caso, entre
# .18 y .50.

# Al igual que en una prueba t (de hecho esto es una prueba t) podemos
hacer una
# hipótesis unilateral o bilateral. En caso de que tengan una
hipótesis unilateral,
# simplemente tienen que agregar alternative="greater" (o "less") a la
función
# cor.test(). En general esto no es necesario. Simplemente pueden
reportar la mitad
# de p cuando el contraste es unilateral.

cor.test(estudio2012$insom, estudio2012$cinsom,
alternative="greater")

# Correlación parcial

# Para hacer una correlación parcial entre x e y, controlando por z,

es necesario
# instalar la librería ppcor, y ocupar la función pcor.test(). Esta
función simplemente
# no acepta observaciones con NAs, por lo que vamos a tener que
procesar un poco nuestra
# base de datos. El procedimiento que vamos a ocupar se aplica a
cualquier otra
# situación en que queramos sacar de una base de datos a las personas
que no
# contestaron algunas de las variables, así que vale la pena revisarlo
de todas formas.

# Primero, para simplificar las cosas, vamos a crear una nueva base de
datos incluyendo
# Únicamente las variables insom, ansev y cinsom; que vamos a llamar
corpar.

corpar = with(estudio2012,
data.frame(insom, ansev, cinsom))

# Una vez hecho esto, podemos seleccionar Únicamente a las personas

que efectivamente
# tienen puntajes en estas tres variables, ocupando el argumento
"complete.cases":

corpar = corpar[complete.cases(corpar), ]

# Ahora que tenemos una base de datos que no tiene ningún NA,

corpar

# vamos a revisar la correlación entre insomnio y ansiedad ante

evaluaciones,
# controlando por conductas negativas del sueño.

install.packages("ppcor") # Primero tenemos que instalar

library(ppcor) # y cargar la librería ppcor

# La función pcor.test() ocupa el formato pcor.test(x, y, z), donde z

es la variable
# que queremos controlar.

pcor.test(corpar$insom, corpar$ansev, corpar$cinsom)

# La correlación se mantiene prácticamente igual al controlar por

conductas negativas
# del sueño, lo que nos da cierta indicación de que la relación entre
insomnio y
# ansiedad en periodos de evaluaciones no puede ser explicada por esta
variable.

# Regresión

# Hacer regresión en R es exactamente lo mismo que hacer un ANOVA. De

hecho, la función
# aov() ocupa la función básica para hacer modelos de regresión: lm().
El formato de esta
# función es exactamente el mismo: lm(variable
dependiente~predictor1+predictor2).

# Una de las escalas que no hemos ocupado es la de estrés

universitario, que podemos
# usar para predecir los niveles de insomnio. La escala tiene los
siguientes ítems:
# streu1 Siento que no me alcanza el tiempo para cumplir con todas mis
responsabilidades
# académicas.
# streu2 Siento molestias físicas (dolor de cabeza, de estómago,
náuseas, etc.) debido
# a la cantidad de actividades que debo realizar.
# streu3 Siento que tengo tantas responsabilidades académicas que no
logro
# "desconectarme" en mi tiempo libre.
# streu4 Cuando pienso en todas las actividades que tengo que hacer me
pongo irritable.
# streu5 Siento mucha presión para cumplir con todas mis
responsabilidades
# en la universidad.

# La confiabilidad es buena,

alpha(with(estudio2012,
data.frame(streu1, streu2, streu3, streu4, streu5)))

# y aunque eliminar el primer ítem mejoraría un poco el alpha, la

correlación del ítem
# con el total es adecuada (.4), por lo que prefiero incluirlo de
todas formas.

estudio2012$streu = with(estudio2012,
rowMeans(data.frame(streu1, streu2, streu3,
streu4, streu5),
na.rm=TRUE))

summary(estudio2012$streu)

# Noten que el promedio está claramente por sobre el punto medio de la

escala.

# Podemos predecir los niveles de insomnio a partir de los niveles de

estrés
# universitario reportados por los participantesi La función lm()
funciona igual que
# aov(), y también es necesario asignar el resultado a un objeto, que
ahora vamos
# a llamar lm.

lm = lm(insom~streu, data=estudio2012)
summary(lm)

# El resultado de este análisis indica que efectivamente los niveles

de estrés
# universitario predicen los niveles de insomnio de forma
significativa. El output
# entrega los coeficientes no estandarizados: un punto en la escala de
estrés
# se asocia (en general) a un aumento de .35 puntos en la escala de
insomnio.

# Como vimos en la sección de descriptivos, el resultado de este

análisis puede
# ser ocupado para dibujar la línea de regresión sobre un
dispersiograma
# que muestra la relación entre las variables.
plot(estudio2012$streu, estudio2012$insom)
abline(lm(insom~streu, data=estudio2012))

# lm() no entrega los coeficientes estandarizados. Si bien no es

complicado hacer esto
# de forma manual, probablemente la opción más práctica es ocupar
variables
# estandarizadas (puntajes z) desde un comienzo. La librería psych
incluye
# una función para convertir a puntaje z, o definir cualquier otro
valor
# para el promedio y la desviación estándar de una variable.

datosz = with(estudio2012,
rescale(cbind(insom, streu), mean = 0, sd = 1))

lmz = lm(insom~streu, data=datosz) # La misma regresión que hicimos

antes
# pero con puntajes z

summary(lmz) # Ahora los coeficientes son betas estandarizados

# También es posible ocupar lm.beta() de la librería QuantPsyc, pero

este
# comando no funciona cuando hay interacciones entre los predictores.

install.packages("QuantPsyc")
library(QuantPsyc)
lm.beta(lm) # Entrega los coeficientes estandarizados.

# Regesión múltiple

# Para hacer una regresión múltiple, simplemente hay que agregar otros
predictores
# ocupando + (a no ser que quieran evaluar también la interacción
entre dos predictores).

lm = lm(insom~streu+ansev+intui, data=estudio2012)
summary(lm)

# Al incluir ansiedad en periodo de evaluaciones el efecto de estrés

universitario
# deja de ser significativo, y -como es esperable- los niveles de
intuición no predicen
# los niveles de insomnio. Es perfectamente posible entender ansiedad
en periodo de
# evaluaciones como un mediador del efecto de estrés universitario en
insomnio.
# La idea es que las personas pueden tener más o menos estrés
universitario (streu),
# por ejemplo porque tomaron muchos ramos, y esto genera problemas de
sueño (insom)
# justamente porque disminuye la capacidad de enfrentar tranquilamente
los periodos
# de evaluaciones (ansev).

# Una forma de evaluar mediación es haciendo tres regresiones,

mostrando que

# 1. La variable independiente predice la variable dependiente.

lm1 = lm(insom~streu, data=estudio2012)
summary(lm1)

# 2. La variable independiente predice el mediador.

lm2 = lm(ansev~streu, data=estudio2012)

summary(lm2)

# 3. El efecto de la variable independiente deja de ser significativo

al incluir
# el mediador.

lm3 = lm(insom~ansev+streu, data=estudio2012)

summary(lm3)

# También es posible que el efecto de la variable independiente siga

siendo
# significativo, pero se observe una reducción importante. Más abajo
vamos a instalar
# la librería QuantPsyc, que incluye funciones para análisis más
sofisticados de
# mediación.

# Interacciones entre variables continuas

# Incluir interacciones en ecuaciones de regresión es prácticamente

igual que en
# ANOVAs, con la importante excepción de que los predictores tienen
que estar centrados.
# Es decir, su promedio debe ser 0.

# Para hacer esto se podría crear otra variable restando el promedio a

la variable
# original, pero podemos ocupar la función meanCenter() de la librería
QuantPsyc.

# A modo de ejemplo, vamos a incluir la interacción entre estrés

universitario y conductas
# negativas del sueño. Quizás el estrés universitario afecta menos a
las personas
# que evitan ver televisión hasta tarde.

install.packages("QuantPsyc")
library(QuantPsyc)

estudio2012$streuc = meanCenter(estudio2012$streu)
estudio2012$cinsomc = meanCenter(estudio2012$cinsom)

# Ahora el modelo de regresión incluye un * en vez de un +, para

incluir la
# interacción entre los dos predictores ya centrados.

lm = lm(insom~streuc*cinsomc, data=estudio2012)
summary(lm)

# Como es esperable, las conductas asociadas a baja calidad del sueño

predicen los
# niveles de insomnio. Pero la interacción entre estrés universitario
y estas conductas
# no es estadísticamente significativa.
# La librería QuantPsyc tiene funciones específicas para evaluar
mediación y moderación
# (interacciones) entre las variables. Si les interesa pueden revisar
las páginas
# de ayuda de esta librería.

help(QuantPsyc)
help(moderate.lm) # Para moderación en regresiones.
help(proximal.med) # Para cálculo de efectos indirectos (mediación)

# Regresiones y ANOVA

# En R, el hecho de que las regresiones lineales y los ANOVA son lo

mismo es explícito:
# aov() simplemente hace un modelo ocupando lm() y lo reporta como es
tradicional en
# los análisis de varianza. De hecho, tanto aov() como lm() permiten
agregar predictores
# continuos o categóricos. En el caso de las variables categóricas R
automáticamente
# crea las variables dicotómicas que sean necesarias. La consecuencia
práctica que
# tiene esto es que pueden agregar tranquilamente predictores
categóricos a lm() y
# predictores continuos a aov().

# Por ejemplo, podemos pedir el siguiente modelo, donde se incluyen

genero y situación
# sentimental como predictores de insomnio.

lm = lm(insom~streu+ansev+ # Predictores continuos

generof+sitsentf, # Predictores categóricos
data=estudio2012)

# El output de

summary(lm)

# muestra que el único predictor significativo de insomnio es ansiedad

en periodos
# de evaluaciones. También se observa ser hombre predice mayores
niveles de
# insomnio, pero el efecto no es significativo. Además estar tener una
situación
# sentimental "complicada" (vs. "En una relación") predice mayores
niveles de insomnio,
# pero nuevamente el efecto no es estadísticamente significativo,
posiblemente
# porque hay muy pocos participantes que reportan su situación
sentimental como
# complicada.

# Lo que hemos revisado debiera ser más que suficiente para la mayoría
de los análisis
# que se realizan típicamente en psicología. Los anexos incluyen un
poco más de
# información en caso de que alguna vez la necesiten.

# ANEXOS
# Otras funciones útiles:

# Para buscar información.

help(mean) # también puede escribirse como

?mean # y agregar dos ?? permite buscar en la documentación
online de R
# por palabras clave. Por ejemplo,
??mean
??"mean center"

# Para combinar bases de datos en base a una variable (identificador)

común:

help(merge)

# El lugar donde aparecen los gráficos puede dividirse para incluir

varios
# gráficos en la misma imagen

par(mfrow=c(1,2)) # Divide el output gráfico en dos columnas.

hist(estudio2012$intolsex)
boxplot(estudio2012$intolsex)
par(mfrow=c(1,1)) # Quita la división del output gráfico.

# Otros análisis estadísticos

# Evaluación de supuestos estadísticos en modelos de regresión.

# El comando plot() entrega cuatro gráficos útiles para evaluar si los

datos cumplen
# los supuestos estadísticos asociados a un modelo de regresión. Como
aparece en la
# consola, tienen que apretar enter para ver el siguiente gráfico.

plot(lm)

# El primer gráfico muestra la distribución de los residuos. Esto es

equivalente
# a la idea de homogeneidad de varianza en ANOVA. La distribución de
los residuos
# debiera ser uniforme, y la línea roja debiera ser horizontal.

# El segundo gráfico evalúa si los residuos tienen una distribución

normal. Los
# puntos en el gráfico debieran ajustarse a la línea diagonal. Los
gráficos 2 y 3 son
# menos importantes.

# ANOVA de mediciones repetidas

# Requiere transformar la base de datos de forma que cada participante

tenga
# varias líneas, una por cada medición intra-sujeto. Dado esto, creo
que es mejor
# hacer un análisis multinivel en todo caso. De todas formas abajo les
copio
# el ejemplo disponible en http://personality-project.org.
datafilename="http://personality-
project.org/r/datasets/R.appendix3.data"
data.ex3=read.table(datafilename,header=T) #read the data into a
table
data.ex3 #show the data
aov.ex3 = aov(Recall~Valence+Error(Subject/Valence),data.ex3)
summary(aov.ex3)
print(model.tables(aov.ex3,"means"),digits=3)
#report the means and the number of subjects/cell
boxplot(Recall~Valence,data=data.ex3) #graphical output

# Para modelos de ecuaciones estructurales (SEM) pueden ocupar la

librería
# lavaan. Ver más información en http://lavaan.ugent.be

install.packages("lavaan")
??lavaan

# Para modelos multinivel pueden ocupar la librería lme4,

específicamente la función
# lmer().

install.packages("lme4")
??lmer