Para iniciar esta segunda sesión, vamos a hacer un nuevo experimento. Anteriormente, trabajamos con archivos de scriptingnormal y ahora vamos a hacerlo con el llamado scriptingmarkdown que es el que nos permitirá crear informes reproducibles.
El ejercicio consistirá en utilizar las opciones de ejemplo para que el estudiante vea la diferencia entre trabajar con archivo .R y archivos .Rmd,con la particularidad de su salida a HTML, Diapositivas (ioslides) o PDF si se dispone de la utilidad adecuada instalada.
File > New > New RMarkdown > Documentation > HTML
File > New > New RMarkdown > Presentation > ioslides
El script que permitiría la lectura de un archivo denominado ‘df.csv’ (texto separado por comas)…
require('readr')df <-suppressMessages(read_csv("https://drive.google.com/uc?export=download&id=1OStFMmg5fzIpfTZnzX9Ql8sefN7se5SW", col_names=TRUE)) #df.csv, archivo con su ruta en el discodf
require('expss')# se necesita el paquete expss; si no está cargado, cárgalodata <-suppressMessages(read_spss("https://drive.google.com/uc?export=download&id=11q4pg2iWwWdV9mk5P44ejoAcj5CJEfJM")) # 3192.sav, archivo con su ruta en el discohead(data, 5)
ABCDEFGHIJ0123456789
ESTU
<labelled>
CUES
<labelled>
CCAA
<labelled>
PROV
<labelled>
MUN
<labelled>
TAMUNI
<labelled>
CAPITAL
<labelled>
1
3192
1
16
1
59
5
1
2
3192
2
16
1
59
5
1
3
3192
3
16
1
59
5
1
4
3192
4
16
1
59
5
1
5
3192
5
16
1
59
5
1
tail(data, 5)
ABCDEFGHIJ0123456789
ESTU
<labelled>
CUES
<labelled>
CCAA
<labelled>
PROV
<labelled>
MUN
<labelled>
TAMUNI
<labelled>
CAPITAL
<labelled>
2553
3192
2596
19
52
1
4
1
2554
3192
2597
19
52
1
4
1
2555
3192
2598
19
52
1
4
1
2556
3192
2599
19
52
1
4
1
2557
3192
2600
19
52
1
4
1
Nuestros dataframedf y data están cargados y listos para ser utilizados a lo largo de las sesiones.
2.1.2 Ejercicio: script 05
Obtención de una tabla de frecuencias estilo SPSS.
Nótese que la tabla sale igual con las dos formas, pero mientras que en el primer caso se usa la nomenclatura estándar de R, y el campo se llama data$P31, es decir nombre del marco de datos en R (data) el símbolo del $ que separa y nombre del campo en el marco de datos P31 en la segunda al definir de inicio que se utilizará dataya se usa el nombre P31directamente, aunque debamos dar la orden de cálculo con el comando calculate().
fre(data$P31)
Sexo de la persona entrevistada
Count
Valid percent
Percent
Responses, %
Cumulative responses, %
Hombre
1256
49.1
49.1
49.1
49.1
Mujer
1301
50.9
50.9
50.9
100.0
#Total
2557
100
100
100
<NA>
0
0.0
2.1.3 Ejercicio: script 06
Para este script, indicaremos que usamos la fuente de datos cargado anteriormente. Redactamos pues nuestro script, donde identificamos el dataframe, el campo P31 del cual vamos a calcular el número de casos.
# Script 6
data %>%tab_cells(P31) %>%tab_stat_cases() %>%tab_pivot()
#Total
Sexo de la persona entrevistada
Hombre
1256
Mujer
1301
#Total cases
2557
2.1.4 Ejercicio: script 07a
Realicemos ahora una pequeña pero importante variación en el cálculo del estadístico casos -frecuencias- y utilicemos la posibilidad de ubicar donde queramos el total de casos, así como su etiqueta. Ello lo hacemos con total_row_position = "above", label = "Casos" aplicado a la función tab_stat_cases().
data %>%tab_cells(P31) %>%tab_stat_cases(total_row_position ="above", label ="Casos") %>%tab_pivot()
#Total
Sexo de la persona entrevistada
#Total cases
Casos
2557
Hombre
Casos
1256
Mujer
Casos
1301
2.1.5 Ejercicio: script 07b
Si en lugar de obtener casos (valores absolutos) queremos sacar valores porcentuales, el cambio es mínimo. Usaremos el comando tab_stat_cpct() para indicarlo.
Cuando deseamos hacer combinaciones de frecuencias y porcentajes, la filosofía de trabajo es muy parecida. En nuestro caso vamos a hacer algo muy típico. Aunque creo que resulta más sencillo leer cada estadístico en su tabla, hay ocasiones en las que la comparativa es muy necesaria y por tanto es necesario unir los estadísticos en la misma tabla. Nótese la diferencia con el siguiente cuadro…
2.2 A fondo con el proceso de datos con tablas y cuadros
En esta documentación acerca de R, mostramos un conjunto de términos que serán habitualmente utilizados en los sucesivos capítulos que se presentan en este documento. estos son los más relevantes y los hemos separado en dos grupos. un grupo hace referencia a términos básicos de R y otro grupo a términos básicos del manejo de tablas o del proceso de tabulación. Cada término tiene une breve reseña, y posteriormente algunos de ellos serán más tratados en sus respectivas funcionalidades.
2.2.1 Términos básicos de proceso de datos
variable, elemento de tipo vector que contiene los valores de una determinada observación, un valor en cada fila; debe entenderse en el contexto de la estructura tabular o dataframe.
valores, cada una de las diferentes celdas que componen un dataframe. Una variable toma un valor en cada fila y se representa en la celda.
medidas, valores de los que se pretende calcular estadísticos como la media, la desviación típica o la mediana entre otras. Suelen responder a escalas de tipo numérico (ordinal o métrico).
dimensiones, valores de los que se pretende calcular frecuencias y/o porcentajes.
factores, niveles, códigos, etiquetas de variable.
NA, es como R representa los valores nulos o ausentes.
valores perdidos, missing values, valores ausentes; tal como hemos indicado en el término NA, así es como R representa este tipo de valores.
2.2.2 Términos básicos de tabulación
En nuestro trabajo vamos a crear objetos de tipo tabla; una tabla es una estructura tabular, igual que un dataframe. De hecho, con nuestro trabajo utilizando el paquete EXPSS, vamos a generar tablas que serán dataframe de tipo (clase) etable. Al ser un dataframe, podremos operar entre filas, columnas y celdas de forma lógica o aritmética utilizando funciones y comandos de R.
Dejamos este glosario de términos relacionados con las tablas que utilizaremos en esta guía.
título (caption), texto que se publicará sobre la tabla;
pie (footer), texto que se publicará bajo la tabla;
fila, cada una de las líneas de información dentro de una tabla; se suele asimilar a un nivel (código) de una variable y/o a un resultados estadístico de una variable;
columna, cada una de las variables que conforman el dataframe de una tabla (estructura tabular); en un cuadro o tabla de contingencia suele equivaler a un nivel de la variable que originalmente se diseñó para ser usada en columnas (si por ejemplo SEXO, una columna sería hombre y otra mujer);
celda, cada una de las unidades de información del cuadro o tabla;
row_labels, primera columna donde se escriben los textos de las filas y que sirven para identificar el contenido de las mismas;
etiqueta de variable, texto extra identificativo de la variable usada en filas o columnas;
etiqueta de valor, texto del código identificativo de la variable usada;
estadístico, medida calculada;
frecuencia, tipo específico de medida calculada que significa número de veces en términos absolutos;
porcentaje, tipo específico de medida calculada que significa número de veces en términos relativos;
|, símbolo denominado pipe que en el paquete expss se utilizará para separar conjuntos de texto en una celda (o columna o fila);
significación, prueba estadística de contraste.
2.3 Carga de datos para la sesión
Procedamos a ejecutar el siguiente script para cargar los paquetes necesarios y los datos del estudio CIS 3192, barómetro sanitario de 2017.
Para descargar el cuestionario (PDF), haz clic en este enlace. Para verlo puedes probar con este otro enlace.
2.4 Tablas marginales
Vamos a comenzar con un conjunto de tablas muy sencillas. En ellas representaremos los valores obtenidos del análisis de un campo extraído de nuestra fuente de datos de referencia, la tercera oleada del Barómetro Sanitario en España de 2017 del realizado y publicado por el CIS. Por ahora, trabajaremos sólo con la variable denominada P31 (sexo del entrevistado), variable medida en escala nominal, cuyas etiquetas (valores) son hombre (1) y mujer (2) y con la variable P3, escala de satisfacción (1-10) con el funcionamiento del sistema sanitario español, medida de 1 a 10. En nuestra fuente de datos tenemos 2557 casos (entrevistas realizadas).
Para ello utilizaremos un script, es decir una pocas líneas de código que mostraremos en este mismo documento con un fondo gris. Lo que quede fuera de ese trozo del documento, será como este texto que estoy escribiendo. Este texto que además, puede ser formateado como si de un HTML se tratará, es lo que llamamos un archivo markdown, y como es de R, pues lo llamamos rmarkdown. Verás que también este documento tiene títulos, que se obtienen anteponiendo el símbolo # desde 1 vez hasta 6 veces y que se corresponde con las etiquetas de título de HTML. Inicialmente, comentaremos las líneas del script utilizando el también el mismo símbolo, pero no al inicio de la línea sino al final Lo que quede por detrás de él, se considera un comentario.
2.4.1 Tablas de frecuencia
Este conjunto de tablas sólo trabajará que con el estadístico de cálculo de frecuencias. Comenzaremos con variables de respuesta simple, para luego avanzar a las variables de respuesta múltiple y al uso de medidas estadísticas básicas (suma, media, mediana, máximo, mínimo, etc..).
2.4.1.1 Variables de respuesta simple
2.4.1.1.1 Cálculo de frecuencias, estilo SPSS
Utilizaremos en estos ejemplos de forma inicial un campo del marco de datos, P31, de respuesta simple. La primera tabla que haremos responde a un recuento de frecuencias, y es muy usada para el análisis univariante de una campo. Este comando muestra una tabla básica utilizando la función fre() que copia la salida del SPSS. Nótese que la columna de porcentaje válido y porcentaje es igual ante la inexistencia de NA (valores perdidos).
fre(data$P31)
Sexo de la persona entrevistada
Count
Valid percent
Percent
Responses, %
Cumulative responses, %
Hombre
1256
49.1
49.1
49.1
49.1
Mujer
1301
50.9
50.9
50.9
100.0
#Total
2557
100
100
100
<NA>
0
0.0
Alternativamente se puede presentar la forma que trabajaremos a lo largo de este curso, esta forma es la denominada script encadenado, donde definimos el marco de datos al inicio, y encadenamos instrucciones con el símbolo %>% que irían línea a línea sucesivamente para una mejor lectura y comprensión del texto escrito; podrían perfectamente ir en una línea. Nótese que la tabla sale igual con las dos formas, pero mientras que en el primer caso se usa la nomenclatura estándar de R, y el campo se llama data$P31, es decir nombre del marco de datos en R (data) el símbolo del $ que separa y nombre del campo en el marco de datos P31 en la segunda al definir de inicio que se utilizará dataya se usa el nombre P31directamente, aunque debamos dar la orden de cálculo con el comando calculate().
data %>%calculate(fre(P31))
Sexo de la persona entrevistada
Count
Valid percent
Percent
Responses, %
Cumulative responses, %
Hombre
1256
49.1
49.1
49.1
49.1
Mujer
1301
50.9
50.9
50.9
100.0
#Total
2557
100
100
100
<NA>
0
0.0
Veamos ahora cómo solicitaremos tablas de frecuencias, porcentajes y estadísticos simples con R.
2.4.1.1.2 Tablas de frecuencias (absolutos)
La segunda tabla que vamos a hacer, ya responde a la típica presentación de una tabla de contingencia, sólo que en este casos vamos a mostrar sólo un campo y por tanto no va a haber cruce de variables. En el paquete expss, para construir un cuadro deberemos indicar al menos:
un marco de datos (dataframe en nomenclatura R)
referenciar la variable sobre la que se deben calcular el estadístico seleccionado (frecuencia -casos-, media, mediana, máximo, mínimo…)
una orden de impresión de tabla
Estos elementos básicos pueden completarse con campos de columnas, campos de filas, pruebas de significación, etc.. Iremos desarrollando estos conceptos a lo largo de este documento. ¡Vamos a por el cuadro!
La que ahora entregamos, es la estructura básica de un script de R con el paquete expss. A lo largo del documento veremos cómo ir introduciendo mínimas variaciones a esta estructura que te permitirán descubrir un sinnúmero de posibilidades que ofrece este paquete de R. Por ejemplo, podemos modificar la etiqueta de TOTAL o indicar donde debe situarse la fila que contiene el cálculo TOTAL. Todas estas posibilidades las puedes conocer en la documentación original del package, aunque en este manual trataremos de ir desgranado las más relevantes para nuestro objetivo. Inicialmente iremos añadiendo tras el operador %>% comentarios precedidos por el símbolo #. Estos comentarios irán desapareciendo a medida que avancemos en el manual, y sólo se recurrirá a ellos cuando se aporte alguna nueva funcionalidad.
El dataframe tendrá el nombre que le hayas indicado en la carga. Redactamos pues nuestro script, donde identificamos el dataframe, el campo P31 del cual vamos a calcular el número de casos:
data %>%tab_cells(P31) %>%tab_stat_cases() %>%tab_pivot()
#Total
Sexo de la persona entrevistada
Hombre
1256
Mujer
1301
#Total cases
2557
Realicemos ahora una pequeña pero importante variación en el cálculo del estadístico casos -frecuencias- y utilicemos la posibilidad de ubicar donde queramos el total de casos, así como su etiqueta. Ello lo hacemos con total_row_position = "above", label = "Casos" aplicado a la función tab_stat_cases().
data %>%tab_cells(P31) %>%tab_stat_cases(total_row_position ="above", label ="Casos") %>%tab_pivot()
#Total
Sexo de la persona entrevistada
#Total cases
Casos
2557
Hombre
Casos
1256
Mujer
Casos
1301
2.4.1.1.3 Tablas de frecuencias relativas
Si en lugar de obtener casos (valores absolutos) queremos sacar valores porcentuales, el cambio es mínimo. Usaremos el comando tab_stat_cpct()para indicarlo.
data %>%tab_cells(P31) %>%tab_stat_cpct(total_row_position ="above", label ="% casos") %>%tab_pivot()
#Total
Sexo de la persona entrevistada
#Total cases
% casos
2557
Hombre
% casos
49.1
Mujer
% casos
50.9
2.4.1.1.4 Tablas de absolutos y realativos (juntos)
Cuando deseamos hacer combinaciones de frecuencias y porcentajes, la filosofía de trabajo es muy parecida. En nuestro caso vamos a hacer algo muy típico. Aunque creo que resulta más sencillo leer cada estadístico en su tabla, hay ocasiones en las que la comparativa es muy necesaria y por tanto es necesario unir los estadísticos en la misma tabla. Nótese la diferencia con el siguiente cuadro…
Vamos a trabajar ahora con variables multi-respuesta. SPSS divide la variable múltiple en tantas variables simples (o dicotómicas binarias) como requiera para poder representar la multi-respuesta. Por ejemplo, si tenemos una variable múltiple denominada P01, y el máximo número de respuestas (menciones) en el banco de datos es 3, al crear el dataframe se crean las variables P01_1, P01_2 y P01_3; es con estas variables con las que trabajamos. Cada una de estas variables puede tomar cualquiera de los valores codificados.
Para expss, la forma de indicar que un conjunto de campos forman una multi-respuesta es muy simple anteponer mrset_f() al nombre del campo que vamos a usar. Debemos tener la precaución de que no haya variables en el banco de datos que comiencen por la misma raíz. Así, el campo de ejemplo sería mrset_f(P01_)y con eso procesaría las tres variables de forma conjunta. Alternativamente, podríamos usar también:
mrset(P01_1 %to% P01_3) o también,
mrset(P01_1,P01_2,P01_3)
Cualquiera de ellas sería también válida, pero nótese que en estas últimas listadas, es necesario saber donde empieza y acaba la múltiple y esto puede variar sobretodo si creamos los scripts antes de acabar el campo. Al acabar el campo, pudiera haber algún nuevo caso que tuviera más menciones que 3 y por tanto existirían también _4, _5 o, _n.
Como hemos indicado, no olvides que existe otra forma de trabajar las múltiples, utilizando variables dicotómicas o binarias (así es como están en nuestro banco de datos del CIS). En este caso, serviría todo lo afirmado anteriormente, pero en lugar de mrset_f(), usaríamos mdset_f().
2.4.1.2.1 Tablas de frecuencias absolutas
Usaremos el campo P18C para procesar su información, que se localiza en el banco de datos desde P18C01 hasta P18C08.
data %>%tab_cells(mdset_f(P18C)) %>%tab_stat_cases(total_row_position="above", label="Casos") %>%tab_pivot(stat_position="inside_columns")
#Total
Casos
#Total cases
198
La tarjeta sanitaria no funcionaba
33
El ordenador de la farmacia no funcionaba
23
Estaba fuera de plazo (era demasiado pronto o demasiado tarde)
75
No aparecían los medicamentos recetados
57
No pudo retirarlos en una comunidad autónoma distinta a la suya
17
Otro tipo de problema
48
No recuerda
N.C.
3
2.4.1.2.2 Tablas de frecuencias relativas
También se pueden, como es obvio, obtener porcentajes en las tablas marginales múltiples. A diferencia de cuando la variables es simple que todos los porcentajes suman 100, en las variables múltiples cada alternativa tiene un rango de 0 a 100, desde no ser elegida una opción en ningún registro del dataframe, hasta ser elegida por todos los registros. Usaremos nuevamente el campo P18C para procesar su información, que se localiza en el banco de datos desde P18C01 hasta P18C08.
data %>%tab_cells(mdset_f(P18C)) %>%tab_stat_cpct(total_row_position="above", label="% casos") %>%tab_pivot(stat_position="inside_columns")
#Total
% casos
#Total cases
198
La tarjeta sanitaria no funcionaba
16.7
El ordenador de la farmacia no funcionaba
11.6
Estaba fuera de plazo (era demasiado pronto o demasiado tarde)
37.9
No aparecían los medicamentos recetados
28.8
No pudo retirarlos en una comunidad autónoma distinta a la suya
8.6
Otro tipo de problema
24.2
No recuerda
N.C.
1.5
Pero vamos a introducir una nueva variación. En una múltiple, también pueden calcularse los resultados en lo que se llama base respuestas, donde sí suman 100% los porcentajes nuevamente, pero recuerda que el porcentaje hace referencia a las respuestas, no a los individuos. En este caso el script modifica el estadístico solicitado.
data %>%tab_cells(mdset_f(P18C)) %>%tab_stat_cpct_responses(total_row_position="above", label="% casos") %>%tab_pivot(stat_position="inside_columns")
#Total
% casos
#Total responses
256
La tarjeta sanitaria no funcionaba
12.9
El ordenador de la farmacia no funcionaba
9.0
Estaba fuera de plazo (era demasiado pronto o demasiado tarde)
29.3
No aparecían los medicamentos recetados
22.3
No pudo retirarlos en una comunidad autónoma distinta a la suya
6.6
Otro tipo de problema
18.8
No recuerda
N.C.
1.2
2.4.1.3 Tablas combinadas
Con las múltiples también funciona el posicionamiento del estadístico casos -frecuencias- cuando combinamos los mismos (frecuencia y porcentaje) y podemos realizar las mismas variantes que antes.
Ubicar los cálculos dentro de las columnas …
data %>%tab_cells(mdset_f(P18C)) %>%# o tab_cells(mdset(P18C01 %to% P18C08))tab_stat_cases(label ="Casos") %>%tab_stat_cpct(label="% casos") %>%tab_stat_cpct_responses(label="% respuestas") %>%tab_pivot(stat_position="inside_columns")
#Total
Casos
% casos
% respuestas
La tarjeta sanitaria no funcionaba
33
16.7
12.9
El ordenador de la farmacia no funcionaba
23
11.6
9.0
Estaba fuera de plazo (era demasiado pronto o demasiado tarde)
75
37.9
29.3
No aparecían los medicamentos recetados
57
28.8
22.3
No pudo retirarlos en una comunidad autónoma distinta a la suya
17
8.6
6.6
Otro tipo de problema
48
24.2
18.8
No recuerda
N.C.
3
1.5
1.2
#Total responses
256
#Total cases
198
198
Préstese atención a las dos líneas de #Total, dado que las bases son diferentes (número de individuos y número de respuestas).
Podemos ubicar los cálculos dentro de las filas …
data %>%tab_cells(mdset_f(P18C)) %>%# o tab_cells(mdset(P18C01 %to% P18C08))tab_stat_cases(label ="Casos") %>%tab_stat_cpct(label="% casos") %>%tab_stat_cpct_responses(label="% respuestas") %>%tab_pivot(stat_position="inside_rows")
#Total
La tarjeta sanitaria no funcionaba
Casos
33.0
% casos
16.7
% respuestas
12.9
El ordenador de la farmacia no funcionaba
Casos
23.0
% casos
11.6
% respuestas
9.0
Estaba fuera de plazo (era demasiado pronto o demasiado tarde)
Casos
75.0
% casos
37.9
% respuestas
29.3
No aparecían los medicamentos recetados
Casos
57.0
% casos
28.8
% respuestas
22.3
No pudo retirarlos en una comunidad autónoma distinta a la suya
Casos
17.0
% casos
8.6
% respuestas
6.6
Otro tipo de problema
Casos
48.0
% casos
24.2
% respuestas
18.8
No recuerda
Casos
% casos
% respuestas
N.C.
Casos
3.0
% casos
1.5
% respuestas
1.2
#Total cases
Casos
198
% casos
198
#Total responses
% respuestas
256
Podemos ubicar los cálculos fuera de las columnas (igual a la anterior inside... porque no hay campo de columna) …
data %>%tab_cells(mdset_f(P18C)) %>%# o tab_cells(mdset(P18C01 %to% P18C08))tab_stat_cases(label ="Casos") %>%tab_stat_cpct(label="% casos") %>%tab_stat_cpct_responses(label="% respuestas") %>%tab_pivot(stat_position="outside_columns")
#Total
Casos
% casos
% respuestas
La tarjeta sanitaria no funcionaba
33
16.7
12.9
El ordenador de la farmacia no funcionaba
23
11.6
9.0
Estaba fuera de plazo (era demasiado pronto o demasiado tarde)
75
37.9
29.3
No aparecían los medicamentos recetados
57
28.8
22.3
No pudo retirarlos en una comunidad autónoma distinta a la suya
17
8.6
6.6
Otro tipo de problema
48
24.2
18.8
No recuerda
N.C.
3
1.5
1.2
#Total responses
256
#Total cases
198
198
Podemos ubicar los cálculos fuera de las filas; nótese que la agrupación es diferente a la anterior con inside_rows...
data %>%tab_cells(mdset_f(P18C)) %>%# o tab_cells(mdset(P18C01 %to% P18C08))tab_stat_cases(label ="Casos") %>%tab_stat_cpct(label="% casos") %>%tab_stat_cpct_responses(label="% respuestas") %>%tab_pivot(stat_position="outside_rows")
#Total
La tarjeta sanitaria no funcionaba
Casos
33.0
El ordenador de la farmacia no funcionaba
Casos
23.0
Estaba fuera de plazo (era demasiado pronto o demasiado tarde)
Casos
75.0
No aparecían los medicamentos recetados
Casos
57.0
No pudo retirarlos en una comunidad autónoma distinta a la suya
Casos
17.0
Otro tipo de problema
Casos
48.0
No recuerda
Casos
N.C.
Casos
3.0
#Total cases
Casos
198
La tarjeta sanitaria no funcionaba
% casos
16.7
El ordenador de la farmacia no funcionaba
% casos
11.6
Estaba fuera de plazo (era demasiado pronto o demasiado tarde)
% casos
37.9
No aparecían los medicamentos recetados
% casos
28.8
No pudo retirarlos en una comunidad autónoma distinta a la suya
% casos
8.6
Otro tipo de problema
% casos
24.2
No recuerda
% casos
N.C.
% casos
1.5
#Total cases
% casos
198
La tarjeta sanitaria no funcionaba
% respuestas
12.9
El ordenador de la farmacia no funcionaba
% respuestas
9.0
Estaba fuera de plazo (era demasiado pronto o demasiado tarde)
% respuestas
29.3
No aparecían los medicamentos recetados
% respuestas
22.3
No pudo retirarlos en una comunidad autónoma distinta a la suya
% respuestas
6.6
Otro tipo de problema
% respuestas
18.8
No recuerda
% respuestas
N.C.
% respuestas
1.2
#Total responses
% respuestas
256
2.4.2 Estadísticos
Hasta ahora hemos trabajado sólo con casos, pero ya hemos anticipado que al igual que con los recuentos de casos o frecuencias se puede trabajar con otros estadísticos como la suma, máximo, mínimo, media, mediana, error estándar y desviación típica. Vamos a ir viendo cómo se desarrollan estos cuadros.
2.4.2.1 Estadísticos básicos
Recordemos que hasta ahora no hemos cruzado la información, solo estamos trabajando con lo que se denomina medidas marginales.Nuestro primer ejemplo es un caso típico, donde queremos obtener la media (tab_stat_mean), la desviación típica (tab_stat_sd()) y la base de cálculo, es decir el número de casos con valor (tab_stat_valid_n()) para el cálculo.
Así, siguiendo la misma estructura de las tablas anteriores, redactamos el siguiente script:
data %>%tab_cells(P3) %>%tab_stat_mean() %>%tab_stat_sd() %>%tab_stat_valid_n() %>%tab_pivot()
#Total
Escala de satisfacción (1-10) con el funcionamiento del sistema sanitario español
Mean
7.3
Std. dev.
7.2
Valid N
2557.0
No, no tienes por qué ver los nombres de los estadísticos en lengua inglesa. También aquí podemos jugar con la etiqueta (label).
data %>%tab_cells(P3) %>%tab_stat_mean(label ='media') %>%tab_stat_sd(label ='desviación') %>%tab_stat_valid_n(label ='casos') %>%tab_pivot()
#Total
Escala de satisfacción (1-10) con el funcionamiento del sistema sanitario español
media
7.3
desviación
7.2
casos
2557.0
Hagamos una nueva tabla con una pequeña variación, ahora vamos a poner los estadísticos en columnas.
Escala de satisfacción (1-10) con el funcionamiento del sistema sanitario español
7.3
7.2
2557
expss tiene además la posibilidad de obtener estos tres cálculos, bastante habituales por cierto, con un solo comando: tab_stat_mean_sd_n() pudiendo añadir además etiquetas separadas.
data %>%tab_cells(P3) %>%tab_stat_mean_sd_n(labels =c("media", "desviación", "casos")) %>%tab_pivot()
#Total
Escala de satisfacción (1-10) con el funcionamiento del sistema sanitario español
media
7.3
desviación
7.2
casos
2557.0
2.4.2.2 Otros estadísticos
Además de los estadísticos más básicos, otros que podemos añadir son el máximo, el mínimo, la mediana, el error estándar y la suma. Los unimos todos.
Escala de satisfacción (1-10) con el funcionamiento del sistema sanitario español
Media
7.3
Desviación
7.2
Máximo
99.0
Mínimo
1.0
Mediana
7.0
Error estándar
0.1
Suma
18789.0
Nótese que no se han definido ni filas, ni columnas. Es el modificador de la posición de los estadísticos (stat_position) el que habilita la posición en una fila.
Del mismo modo, estos estadísticos pueden ubicarse en las columnas.
Escala de satisfacción (1-10) con el funcionamiento del sistema sanitario español
7.3
7.2
99
1
7
0.1
18789
Hagamos finalmente una leve variación. Nótese que al utilizar '|'en la etiqueta del estadístico casos, hemos eliminado la columna intermedia y aparece todo como más compacto. Este será un recurso que utilizaremos en muchas ocasiones.
Escala de satisfacción (1-10) con el funcionamiento del sistema sanitario español
Media
7.3
Desviación
7.2
Máximo
99.0
Mínimo
1.0
Mediana
7.0
Error estándar
0.1
Suma
18789.0
1 Muy insatisfecho/a
40.0
2
35.0
3
75.0
4
111.0
5
295.0
6
397.0
7
584.0
8
623.0
9
210.0
10 Muy satisfecho/a
172.0
N.S.
14.0
N.C.
1.0
#Total cases
2557
2.5 Tablas cruzadas
A diferencia de lo visto en el anterior capítulo, en este epígrafe analizaremos como obtener cuadros resumen en los que existen variables en la cabecera, que determinan grupos de análisis y existen variables en las filas, de las cuáles queremos conocer como se distribuyen sus alternativas de respuesta entre los diferentes perfiles o grupos que determinan las variables de columna. Al igual que sucedió con las tablas marginales, mostraremos poco a poco como trabajar con variables de respuesta simple, múltiple o con medidas estadísticas. Vamos a utilizar otros campos que se localizan en la base de datos del CIS (P3, P21A01, P21A02, P21A03, P31, P33).
2.5.1 Básica con variables simples
Las tablas que vamos a hacer a continuación, siempre son tablas en las que intervienen al menos dos variables. Una de las variables irá a columnas y la otra variable irá a filas. De ellas se calcularán las frecuencias absolutas o relativas y/o los estadísticos. Vamos a empezar sólo con el estadístico frecuencias, y posteriormente ya pasaremos a estadísticos como la media, suma, etc…
2.5.1.1 De frecuencias, variable simple y sólo absolutos
data %>%tab_cells(P33) %>%tab_cols(total(), P31) %>%tab_stat_cases(total_row_position ="above", total_label ="Total") %>%tab_pivot()
#Total
Sexo de la persona entrevistada
Hombre
Mujer
Estado civil de la persona entrevistada
#Total
2557
1256
1301
Casado/a
1388
677
711
Soltero/a
817
455
362
Viudo/a
190
41
149
Separado/a
57
24
33
Divorciado/a
97
55
42
N.C.
8
4
4
2.5.1.2 De frecuencias, variable simple, con porcentajes de columna
Al igual que hicimos con las tablas marginales vamos a repetir esta tabla, pero en porcentaje de columna (vertical).
data %>%tab_cells(P33) %>%tab_cols(total(), P31) %>%tab_stat_cpct(total_row_position ="above", total_label ="Total") %>%# aquí señalo los porcentajes de columnatab_pivot()
#Total
Sexo de la persona entrevistada
Hombre
Mujer
Estado civil de la persona entrevistada
#Total
2557
1256
1301
Casado/a
54.3
53.9
54.7
Soltero/a
32.0
36.2
27.8
Viudo/a
7.4
3.3
11.5
Separado/a
2.2
1.9
2.5
Divorciado/a
3.8
4.4
3.2
N.C.
0.3
0.3
0.3
2.5.1.3 De frecuencias, variable simple, con porcentajes de fila
Al igual que hicimos con las tablas marginales vamos a repetir esta tabla, pero en porcentaje de fila (horizontal).
data %>%tab_cells(P33) %>%tab_cols(total(), P31) %>%tab_stat_rpct(total_row_position ="above", total_label ="Total") %>%# aquí señalamos los porcentajes de filatab_pivot()
#Total
Sexo de la persona entrevistada
Hombre
Mujer
Estado civil de la persona entrevistada
#Total
2557
1256
1301
Casado/a
100
48.8
51.2
Soltero/a
100
55.7
44.3
Viudo/a
100
21.6
78.4
Separado/a
100
42.1
57.9
Divorciado/a
100
56.7
43.3
N.C.
100
50.0
50.0
2.5.1.4 De frecuencias, variable simple, con porcentajes total muestra
Al igual que hicimos con las tablas marginales vamos a repetir esta tabla, pero en porcentaje sobre el total de la muestra.
data %>%tab_cells(P33) %>%tab_cols(total(), P31) %>%tab_stat_tpct(total_row_position ="above", total_label ="Total") %>%# aquí señalamos los porcentajes total muestratab_pivot()
#Total
Sexo de la persona entrevistada
Hombre
Mujer
Estado civil de la persona entrevistada
#Total
2557
1256
1301
Casado/a
54.3
26.5
27.8
Soltero/a
32.0
17.8
14.2
Viudo/a
7.4
1.6
5.8
Separado/a
2.2
0.9
1.3
Divorciado/a
3.8
2.2
1.6
N.C.
0.3
0.2
0.2
2.5.1.5 Combinaciones de los anteriores
Vamos ahora a hacer combinaciones entre ellos. Advierto que cada vez se dificulta más la tabla en su lectura. Como dije inicialmente, me decanto más por tablas sencillas y con un sólo dato.
Vamos a realizar ahora el mismo conjunto de tablas, pero en las filas, en lugar de una variable de tipo simple, vamos a utilizar una variable de tipo múltiple. Repetimos los cruces pero cambiamos las celdas donde ahora usaremos la variable P21A con la instrucción tab_cells(mdset(P21A01 %to% P21A03)).
2.5.2.1 De frecuencias, variable múltiple y sólo absolutos
Medicamentos que recetan por adelantado (para que no falten)
225
108
117
Envases que han quedado sin usar porque cambiaron el tratamiento
136
70
66
Medicamentos que decidió no tomar
82
42
40
2.5.2.2 De frecuencias, variable múltiple, con porcentajes de columna
Al igual que hicimos con las tablas marginales vamos a repetir esta tabla, pero en porcentaje de columna (vertical).
data %>%tab_cells(mdset(P21A01 %to% P21A03)) %>%tab_cols(total(), P31) %>%tab_stat_cpct(total_row_position ="above", total_label ="Total") %>%# aquí señalamos los porcentajes de columnatab_pivot()
#Total
Sexo de la persona entrevistada
Hombre
Mujer
#Total
415
206
209
Medicamentos que recetan por adelantado (para que no falten)
54.2
52.4
56.0
Envases que han quedado sin usar porque cambiaron el tratamiento
32.8
34.0
31.6
Medicamentos que decidió no tomar
19.8
20.4
19.1
2.5.2.3 De frecuencias, variable múltiple, con porcentajes de fila
Al igual que hicimos con las tablas marginales vamos a repetir esta tabla, pero en porcentaje de fila (horizontal).
data %>%tab_cells(mdset(P21A01 %to% P21A03)) %>%tab_cols(total(), P31) %>%tab_stat_rpct(total_row_position ="above", total_label ="Total") %>%# aquí señalamos los porcentajes de filatab_pivot()
#Total
Sexo de la persona entrevistada
Hombre
Mujer
#Total
415
206
209
Medicamentos que recetan por adelantado (para que no falten)
100
48.0
52.0
Envases que han quedado sin usar porque cambiaron el tratamiento
100
51.5
48.5
Medicamentos que decidió no tomar
100
51.2
48.8
2.5.2.4 De frecuencias, variable múltiple, con porcentajes total muestra
Al igual que hicimos con las tablas marginales vamos a repetir esta tabla, pero en porcentaje sobre el total de la muestra.
data %>%tab_cells(mdset(P21A01 %to% P21A03)) %>%tab_cols(total(), P31) %>%tab_stat_tpct(total_row_position ="above", total_label ="Total") %>%# aquí señalamos los porcentajes total muestratab_pivot()
#Total
Sexo de la persona entrevistada
Hombre
Mujer
#Total
415
206
209
Medicamentos que recetan por adelantado (para que no falten)
54.2
26.0
28.2
Envases que han quedado sin usar porque cambiaron el tratamiento
32.8
16.9
15.9
Medicamentos que decidió no tomar
19.8
10.1
9.6
2.5.2.5 Combinaciones de los anteriores
Vamos ahora a hacer combinaciones entre ellos. Advierto que cada vez se dificulta más la tabla en su lectura. Como dije inicialmente, me decanto más por tablas sencillas y con un sólo dato.
Medicamentos que recetan por adelantado (para que no falten)
Casos
225.0
108.0
117.0
Envases que han quedado sin usar porque cambiaron el tratamiento
Casos
136.0
70.0
66.0
Medicamentos que decidió no tomar
Casos
82.0
42.0
40.0
#Total cases
Casos
415
206
209
Medicamentos que recetan por adelantado (para que no falten)
% casos
54.2
52.4
56.0
Envases que han quedado sin usar porque cambiaron el tratamiento
% casos
32.8
34.0
31.6
Medicamentos que decidió no tomar
% casos
19.8
20.4
19.1
#Total cases
% casos
415
206
209
Recordamos que siempre con las múltiples existe la posibilidad de calcular los porcentajes con base respuesta en lugar de con base cuestionario (individuos). Para ello debes utilizar tab_stat_cpct_responses().
2.5.3 Básica con estadísticos
Del mismo modo que antes utilizábamos la tabla cruzada para obtener los casos de intersección entre las categorías de columna y las categorías de fila, ahora procederemos a hacer lo mismo pero con categorías en columnas y cálculo de estadísticos básicos en otro. En definitiva, calcular las medidas estadísticas para cada grupo creado por la variable que general las categorías.
2.5.3.1 Cruce entre variable simple y dos estadísticos
Vamos a comenzar con las más simples, dos estadísticos (media y desviación) de una variable métrica (P3) calculados para una variable (P31) que genera dos categorías (hombre y mujer). Nótese el juego a realizar con más de 2 estadísticos con la ubicación de los mismos.
data %>%tab_cells(P3) %>%tab_cols(total(), P31) %>%tab_stat_mean(label ="Media") %>%tab_stat_sd(label ="Desviación") %>%tab_pivot()
#Total
Sexo de la persona entrevistada
Hombre
Mujer
Escala de satisfacción (1-10) con el funcionamiento del sistema sanitario español
Media
7.3
7.3
7.4
Desviación
7.2
6.6
7.8
Hagamos ahora su traspuesta, es decir ubiquemos en filas P31 y en columnas
Recordemos que los estadísticos los podemos ir moviendo a nuestra necesidad para que se organicen de una forma u otra…
Dentro de las columnas …
data %>%tab_cells(P3) %>%tab_cols(total(), P31) %>%tab_stat_mean(label ="Media") %>%tab_stat_sd(label ="Desviación") %>%tab_pivot(stat_position ="inside_columns")
#Total
Sexo de la persona entrevistada
Media
Desviación
Hombre
Mujer
Media
Desviación
Media
Desviación
Satisfacción
7.3
7.2
7.3
6.6
7.4
7.8
Dentro de las filas …
data %>%tab_cells(P3) %>%tab_cols(total(), P31) %>%tab_stat_mean(label ="Media") %>%tab_stat_sd(label ="Desviación") %>%tab_pivot(stat_position ="inside_rows")
#Total
Sexo de la persona entrevistada
Hombre
Mujer
Satisfacción
Media
7.3
7.3
7.4
Desviación
7.2
6.6
7.8
Como columnas separadas o fuera de columnas …
data %>%tab_cells(P3) %>%tab_cols(total(), P31) %>%tab_stat_mean(label ="Media") %>%tab_stat_sd(label ="Desviación") %>%tab_pivot(stat_position ="outside_columns")
#Total
Sexo de la persona entrevistada
#Total
Sexo de la persona entrevistada
Media
Hombre
Mujer
Desviación
Hombre
Mujer
Media
Media
Desviación
Desviación
Satisfacción
7.3
7.3
7.4
7.2
6.6
7.8
Como filas separadas o fuera de filas…
data %>%tab_cells(P3) %>%tab_cols(total(), P31) %>%tab_stat_mean(label ="Media") %>%tab_stat_sd(label ="Desviación") %>%tab_pivot(stat_position ="outside_rows")
#Total
Sexo de la persona entrevistada
Hombre
Mujer
Satisfacción
Media
7.3
7.3
7.4
Desviación
7.2
6.6
7.8
Repitamos ahora estas cuatro últimas tablas, pero en lugar de con una variable que genera grupos y de ellos se calcula la medida estadística, vamos a hacerlo con un cruce de categorías (un campo en columnas y otro en filas) y que en esos cruces, se calcule la medida estadística. Por ejemplo esta tabla me permitiría saber la media de P3 en los hombres de 18 a 25 años.
data %>%tab_cells(P3) %>%tab_cols(total(), P31) %>%tab_rows(P33) %>%tab_stat_mean(label ="Media") %>%tab_stat_sd(label ="Desviación") %>%tab_pivot()
#Total
Sexo de la persona entrevistada
Hombre
Mujer
Estado civil de la persona entrevistada
Casado/a
Satisfacción
Media
7.3
7.5
7.2
Soltero/a
Satisfacción
Media
7.2
6.9
7.4
Viudo/a
Satisfacción
Media
7.9
7.2
8.1
Separado/a
Satisfacción
Media
6.7
6.5
6.9
Divorciado/a
Satisfacción
Media
7.5
8.3
6.3
N.C.
Satisfacción
Media
18.2
7.5
29.0
Casado/a
Satisfacción
Desviación
6.7
7.2
6.2
Soltero/a
Satisfacción
Desviación
7.4
4.6
9.8
Viudo/a
Satisfacción
Desviación
6.9
2.3
7.7
Separado/a
Satisfacción
Desviación
2.1
2.5
1.8
Divorciado/a
Satisfacción
Desviación
9.5
12.5
2.3
N.C.
Satisfacción
Desviación
32.3
2.4
46.0
y juguemos con la posición del cálculo estadística que ahora sí arrojará cuatro configuraciones diferentes.
La primera con los estadísticos fuera de las filas…
data %>%tab_cells(P3) %>%tab_cols(total(), P31) %>%tab_rows(P33) %>%tab_stat_mean(label ="Media") %>%tab_stat_sd(label ="Desviación") %>%tab_pivot(stat_position ="outside_rows") # por defecto, sin lo ponemos muestra esta opción
2.5.3.1.1 Tabulación cruzada (con cálculo estadístico) y múltiples
Vamos a comenzar con las más simples, dos estadísticos (media y desviación) de una variable métrica (P3) calculados para una variable múltiple (P4_1 a P4_3) que genera categorías. Nótese el juego a realizar con más de 2 estadísticos con la ubicación de los mismos.
Medicamentos que recetan por adelantado (para que no falten)
Envases que han quedado sin usar porque cambiaron el tratamiento
Medicamentos que decidió no tomar
Satisfacción
Media
7.3
7.2
6.9
6.7
Desviación
7.2
6.4
1.5
1.7
Repitamos ahora estas cuatro últimas tablas, pero en lugar de con una variable que genera grupos y de ellos se calcula la medida estadística, vamos a hacerlo con un cruce de categorías (un campo en columnas y otro en filas) y que en esos cruces, se calcule la medida estadística. Por ejemplo esta tabla me permitiría saber la media de P3 en los hombres de 18 a 25 años.
Medicamentos que recetan por adelantado (para que no falten)
Envases que han quedado sin usar porque cambiaron el tratamiento
Medicamentos que decidió no tomar
Estado civil de la persona entrevistada
Casado/a
Satisfacción
Media
7.3
6.7
6.7
7.0
Soltero/a
Satisfacción
Media
7.2
8.2
6.8
6.4
Viudo/a
Satisfacción
Media
7.9
7.3
7.8
5.0
Separado/a
Satisfacción
Media
6.7
7.8
5.3
5.0
Divorciado/a
Satisfacción
Media
7.5
6.4
7.1
8.7
N.C.
Satisfacción
Media
18.2
Casado/a
Satisfacción
Desviación
6.7
2.0
1.5
1.3
Soltero/a
Satisfacción
Desviación
7.4
11.4
1.4
2.0
Viudo/a
Satisfacción
Desviación
6.9
1.7
2.0
Separado/a
Satisfacción
Desviación
2.1
0.8
0.6
Divorciado/a
Satisfacción
Desviación
9.5
2.1
1.2
2.3
N.C.
Satisfacción
Desviación
32.3
y juguemos con la posición del cálculo estadística que ahora sí arrojará cuatro configuraciones diferentes. La primera con los estadísticos dentro de las filas es idéntica a la anterior (por defecto).
data %>%tab_cells(P3) %>%tab_cols(total(), mdset(P21A01 %to% P21A03)) %>%tab_rows(P33) %>%tab_stat_mean(label ="Media") %>%tab_stat_sd(label ="Desviación") %>%tab_pivot(stat_position ="outside_rows") # por defecto, sin lo ponemos muestra esta opción
#Total
Medicamentos que recetan por adelantado (para que no falten)
Envases que han quedado sin usar porque cambiaron el tratamiento
Medicamentos que recetan por adelantado (para que no falten)
Envases que han quedado sin usar porque cambiaron el tratamiento
Medicamentos que decidió no tomar
#Total
Medicamentos que recetan por adelantado (para que no falten)
Envases que han quedado sin usar porque cambiaron el tratamiento
Medicamentos que decidió no tomar
Media
Media
Media
Media
Desviación
Desviación
Desviación
Desviación
Estado civil de la persona entrevistada
Casado/a
Satisfacción
7.3
6.7
6.7
7.0
6.7
2.0
1.5
1.3
Soltero/a
Satisfacción
7.2
8.2
6.8
6.4
7.4
11.4
1.4
2.0
Viudo/a
Satisfacción
7.9
7.3
7.8
5.0
6.9
1.7
2.0
Separado/a
Satisfacción
6.7
7.8
5.3
5.0
2.1
0.8
0.6
Divorciado/a
Satisfacción
7.5
6.4
7.1
8.7
9.5
2.1
1.2
2.3
N.C.
Satisfacción
18.2
32.3
Bien, como has podido observar, el resultado no difiere cuando es múltiple a cuando es simple. Igual que hemos calculado la media y la desviación lo podemos hacer con otros estadísticos:
media
desviación
máximo
mínimo
mediana
suma
error estándar
un caso especial que calcula media, desviación y nº de casos
algunos otros que iremos mostrando para temas muy específicos.
2.6 Conclusión a la creación de tablas
Creo que esta primera muestra de cómo procesar tablas de una única variable o cruzadas, es más que suficiente para colmar las expectativas más exigentes. Para aquellos que conozcan un poco más el funcionamiento de R, indicar que cada una de estas tablas, se puede almacenar como objeto sobre el que se puede trabajar. Este objeto es del tipo etable pero en el fondo es un objeto de tipo dataframe que por tanto puedes ser trabajado con comandos R estándar.
Es de esta posibilidad de ser un dataframe de donde deriva su capacidad de integración con otros paquetes como por ejemplo highcharterKunst (2020) que será uno de nuestros paquetes de referencia para gráficos. Para una presentación completa, véase la sesión R2 de visualizacion gráfica para una presentación de gráficos a partir de un dataframe o de tablas marginales / cruzadas.
2.7 Pruebas inferenciales
Cuando trabajamos con tablas de contingencia es muy frecuente que sintamos la necesidad de tener que inferir acerca de la dependencia de las categorías analizadas o de las diferencias entre los grupos analizados. Siempre que nuestras variables cumplan con los requisitos que para ellas cada prueba establece (normalidad, homoscedasticidad, linealidad y en algunos casos independencia), podremos aplicar las pruebas inferenciales típicas con tablas de contingencia en la investigación básica:
Chi2 en su variantes de tabla y celda;
Pruebas z de contraste proporciones;
Prueba t de contraste de medias.
Para todas ellas expss nos da la oportunidad de hacer los cálculos desde el propio script de realización de la tabla y/o desde una instrucción posterior a la realización de la tabla. Pasemos por ello a explicar, no tanto el cometido de estas pruebas, sino el como llevarlas adelante.
2.7.1 Prueba de dependencia
El contraste Chi2 de Pearson es una prueba estadística no paramétrica, que compara las frecuencias realmente obtenidas con las frecuencias esperadas que son las que corresponderían a cada celda o casilla de la tabla si su valor se ajustase a cualquier norma teórica previamente adoptada; en nuestro caso, una distribución proporcional de frecuencias normales. En definitiva, “se está calculando un índice acerca de la distancia entre lo real y lo esperado” Manzano Arrondo (1995).
El valor numérico de esta prueba se obtiene como:
fo, serán las frecuencias observadas en el experimento o muestra
fe, serán las frecuencias esperadas teóricamente
Las frecuencias esperadas se calculan con …
fo, serán las frecuencias observadas en el experimento o muestra
fe, serán las frecuencias esperadas teóricamente
N, es el número de efectivos muestrales
Esta prueba se suele utilizar (entre muchas otras posibilidades) para contrastar la hipótesis nula que los resultados obtenidos de una muestra no son significativos con relación a la población total, o bien como prueba de dependencia para comprobar la existencia o no de asociación entre las variables. En este caso, la prueba indica la existencia de asociación pero no la cuantifica Manzano Arrondo (1995).
2.7.1.1 De una tabla
La prueba Chi2 puede hacerse a nivel de tabla, lo que muestra la relación de dependencia entre las categorías. Hagamos una primera aproximación con dos tablas de contingencia muy sencillas, pero que nos mostrarán como se indica que la relación de dependencia existe o no existe. La función tab_last_sig_cases realiza la prueba base de R denominada chisq.test.
Nótese el uso de ‘|’=unvr() para utilizar la variable sin que se publiquen los texto extra de la misma.
data %>%tab_cols(total(), '|'=unvr(P31)) %>%tab_cells('|'=unvr(P2)) %>%tab_stat_cases() %>%tab_last_sig_cases() %>%tab_pivot()
#Total
Hombre
Mujer
En general, el sistema sanitario funciona bastante bien
538.0
277.0
261.0
El sistema sanitario funciona bien, aunque son necesarios al
1247.0
620.0
627.0
El sistema sanitario necesita cambios fundamentales, aunque
637.0
288.0
349.0
Nuestro sistema sanitario está tan mal que necesitaríamos re
120.0
61.0
59.0
N.S.
9.0
6.0
3.0
N.C.
6.0
4.0
2.0
#Chi-squared p-value
(warn.)
#Total cases
2557.0
1256.0
1301.0
data %>%tab_cols(total(), '|'=unvr(P31)) %>%tab_cells('|'=unvr(P33)) %>%tab_stat_cases() %>%tab_last_sig_cases() %>%tab_pivot()
#Total
Hombre
Mujer
Casado/a
1388.0
677.0
711.0
Soltero/a
817.0
455.0
362.0
Viudo/a
190.0
41.0
149.0
Separado/a
57.0
24.0
33.0
Divorciado/a
97.0
55.0
42.0
N.C.
8.0
4.0
4.0
#Chi-squared p-value
<0.05 (warn.)
#Total cases
2557.0
1256.0
1301.0
En la primera tabla se muestra la relación entre la variable P31 (sexo) y la P2 (valoración del sistema sanitario). Nótese que en la tabla se ha usado una línea tras el cálculo de los casos con la función tab_last_sig_cases() que indica que se debe realizar la prueba Chi2 a la relación. Esta línea provoca que en la tabla surja una nueva fila sobre el #Total con el texto #Chi-squared p-value que indica que se realiza la prueba al 5% (0,05). Si el resultado es el rechazo de la hipótesis nula de independencia se muestra un #Chi-squared p-value <0.05 (warn.), pero si no se puede rechazar la hipótesis nula de independencia sale sólo #Chi-squared p-value <0.05 En la tabla no se publica el resultado de la prueba, pero podemos hacerlo siguiendo el formato estándar.
table(data$P2, data$P31)
Hombre Mujer
En general, el sistema sanitario funciona bastante bien 277 261
El sistema sanitario funciona bien, aunque son necesarios al 620 627
El sistema sanitario necesita cambios fundamentales, aunque 288 349
Nuestro sistema sanitario está tan mal que necesitaríamos re 61 59
N.S. 6 3
N.C. 4 2
Donde se puede observar que para la primera relación, no se puede rechazar la hipótesis de independencia pues el valor de significación es p-value > 0,05 (0.2015); para la segunda relación, sí podemos rechazar la hipótesis nula de independencia, puesto que p-value < 0,05 (por tanto, existe dependencia).
2.7.1.2 De una celda de una tabla
Particularmente de interés es la prueba Chi2 de celda. A diferencia de la anterior, en este caso se realiza la prueba para cada celda de la tabla en particular. La lógica de la misma sería comparar un valor de la tabla (una celda), con el resto de su fila, el resto de su columna, y el resto de la muestra. De este forma, indicamos que valores son significativos en la tabla, aquellos que cabría contemplar con un interés especial.
Para obtener la tabla y la subsiguiente prueba se utilizará una nueva función denominada tab_last_sig_cell_chisq() sobre la misma estructura ya conocida de tabla. Nótese que en este caso, para la prueba se requiere utilizar los porcentajes en lugar de los casos, para que el cálculo sea el oportuno. Chi2 es una prueba muy sensible al tamaño de la muestra.
data %>%tab_cols(total(), '|'=unvr(P31)) %>%tab_cells('|'=unvr(P2)) %>%tab_stat_cpct() %>%tab_last_sig_cell_chisq() %>%tab_pivot()
#Total
Hombre
Mujer
En general, el sistema sanitario funciona bastante bien
21.0
22.1
20.1
El sistema sanitario funciona bien, aunque son necesarios al
48.8
49.4
48.2
El sistema sanitario necesita cambios fundamentales, aunque
24.9
22.9 <
26.8 >
Nuestro sistema sanitario está tan mal que necesitaríamos re
4.7
4.9
4.5
N.S.
0.4
0.5
0.2
N.C.
0.2
0.3
0.2
#Total cases
2557
1256
1301
data %>%tab_cols(total(), '|'=unvr(P31)) %>%tab_cells('|'=unvr(P33)) %>%tab_stat_cpct() %>%tab_last_sig_cell_chisq() %>%tab_pivot()
#Total
Hombre
Mujer
Casado/a
54.3
53.9
54.7
Soltero/a
32.0
36.2 >
27.8 <
Viudo/a
7.4
3.3 <
11.5 >
Separado/a
2.2
1.9
2.5
Divorciado/a
3.8
4.4
3.2
N.C.
0.3
0.3
0.3
#Total cases
2557
1256
1301
La salida es muy clara. Con los símbolos mayor y menor, se marcan aquellas celdas que son significativamente mayores (>) o menores (<) que lo esperado y por tanto son las que direccionan las relaciones de dependencia que en la tabla se producen.
2.7.2 Pruebas de diferencias
Un conjunto diferentes de pruebas son aquellas cuya hipótesis de partida se basa en determinar si existen diferencias entre los porcentajes (prueba z) o las medias (prueba t) de dos grupos independientes en la muestra extraídos de la misma población. Desarrollamos ambas pruebas en las líneas siguientes.
2.7.2.1 Porcentajes (prueba z)
Asumiendo las hipótesis necesarias para poder trabajar con estadística paramétrica (normalidad, homoscedasticidad, linealidad y en algunos casos independencia), la función tab_last_sig_cpct realiza z-test entre columnas de porcentajes derivadas de la aplicación de tab_stat_cpct. Los resultados son calculados con la misma fórmula que con la función base de R prop.test y sin la corrección de continuidad.
Obsérvese la diferencia de concepto; mientras que la prueba Chi2 de celda realiza la prueba comparando con el marginal total, la prueba z realiza esa comparación entre los grupos formados por las columnas, a los que se suele llamar perfiles. De esta forma considera la independencia de los grupos muestrales entre sí.
Para utilizar esta funcionalidad el script sería el siguiente:
data %>%tab_cols(total(), 'SEXO'=unvr(P31)) %>%tab_cells('|'=unvr(P2)) %>%tab_stat_cpct() %>%tab_last_sig_cpct() %>%tab_pivot()
#Total
SEXO
Hombre
Mujer
A
B
En general, el sistema sanitario funciona bastante bien
21.0
22.1
20.1
El sistema sanitario funciona bien, aunque son necesarios al
48.8
49.4
48.2
El sistema sanitario necesita cambios fundamentales, aunque
24.9
22.9
26.8 A
Nuestro sistema sanitario está tan mal que necesitaríamos re
4.7
4.9
4.5
N.S.
0.4
0.5
0.2
N.C.
0.2
0.3
0.2
#Total cases
2557
1256
1301
data %>%tab_cols(total(), 'SEXO'=unvr(P31)) %>%tab_cells('|'=unvr(P33)) %>%tab_stat_cpct() %>%tab_last_sig_cpct() %>%tab_pivot()
#Total
SEXO
Hombre
Mujer
A
B
Casado/a
54.3
53.9
54.7
Soltero/a
32.0
36.2 B
27.8
Viudo/a
7.4
3.3
11.5 A
Separado/a
2.2
1.9
2.5
Divorciado/a
3.8
4.4
3.2
N.C.
0.3
0.3
0.3
#Total cases
2557
1256
1301
En nuestro caso, los resultados son muy semejantes a los vistos con Chi2 de celda, porque la variable elegida para las columnas es dicotómica, es decir, con sólo dos opciones de respuesta, exhaustivas y mutuamente excluyentes. No sería así si la variable de columnas presentara más de 2 perfiles.
La lectura de esta prueba es la siguiente. El porcentaje de casos en en el grupo B (mujeres) de la tabla 1, es significativamente más elevado que el de hombres, determinándose esta diferencia con una significación del 5%. En el caso de la tabla 2, el porcentaje de hombres solteros es significativamente diferente del porcentaje de mujeres solteras. Del mismo modo y a la inversa el porcentaje de mujeres viudas entrevistadas en la muestra es significativamente mayor que el de hombres.
Por tanto, creemos que queda claro el funcionamiento de la prueba. Se etiquetan las columnas y se muestra la letra de la columna con la que se presentan diferencias positivas junto al valor porcentual. La prueba se realiza para cada celda, pero siempre comparando con las celdas que tiene a su derecha o izquierda en la misma fila (no con el total).
2.7.2.2 Medias (prueba t)
Al igual que en el apartado anterior el objetivo es determinar si existen o no diferencias entre los grupos que se están testando, teniendo como hipótesis nula que las medias de los grupos son iguales. En nuestro ejemplo, hemos tomado la de auto clasificación ideológica (recodificando las posiciones de 1 a 10, izquierda a derecha respectivamente) creando grupos de izquierda, centro y derecha. Sobre esta tabla que calcula las medias, se aplica el estadístico tab_stat_mean_sd_n()que contiene todos los datos requeridos para el cálculo del valor t y se le indica que requerimos el test con tab_last_sig_means(). Se asume que los grupos son independientes, que existe normalidad y que las varianzas de los grupos son iguales.
Se puede observar que la salida es igual a la de la prueba Z. Se rotulan las columnas con las letras A, B … y las que sean necesarias, y posteriormente se muestra (por defecto) la letra de la columna con la que la media de la columna en la que se ubica la media presenta diferencias positivas (es mayor). Podemos por tanto observar, que en la población de la que se ha extraído la muestra, se puede afirmar que la media de satisfacción con el funcionamiento del sistema sanitario español es más alta en los individuos cuya auto clasificación ideológica es del grupo de derecha (C), que en la izquierda (A) y en el centro (B). No entramos a valorar si la distribución de grupos es la correcta o no, en cuanto al significado general. Se ha hecho una distribución acorde al significado de los números en sí mismos.
Existen ocasiones en las que esta prueba, se requiere publicar para un conjunto de ítemes que forman parte de una misma batería. En estos casos, no es tan interesante publicar las desviaciones y las bases, por lo que podemos formular de esta forma el script.
Los cuidados y la atención recibida del personal médico
Mean
7.7
7.7
7.8
7.9
Los cuidados y la atención recibida del personal de enfermería
Mean
7.8
7.8
7.7
7.9
La confianza y seguridad que transmite el personal médico
Mean
7.8
7.7
7.8
8.0 A
La confianza y seguridad que transmite el personal de enfermería
Mean
7.8
7.7
7.7
8.0 A B
El tiempo dedicado por el médico o la médica a cada enfermo o enferma
Mean
7.1
6.9
7.0
7.2
El conocimiento del historial y seguimiento de los problemas de salud de cada usuario o usuaria
Mean
7.5
7.4
7.4
7.7 A B
La información recibida sobre su problema de salud
Mean
7.5
7.4
7.5
7.8 A B
Se puede observar que la instrucción keep='means' lo que ha conseguido es eliminar la publicación de la desviación y la media del cuadro presentado. De este modo el resultado es más compacto y da una visión general de la batería de ítemes
2.7.3 Parámetros posibles en las pruebas de significación
De manera conjunta exponemos aquí diferentes parámetros que modifican el comportamiento por defecto de las cuatro pruebas anteriormente vistas. Algunos son de uso en todas ellas y otros específicos de alguna de las pruebas.
sig_level, numérico; nivel de significación, por defecto es igual a 0.05.
min_base, numérico; el test de significación se realizará si ambas columnas tienes bases mayores o iguales al valor determinado que por defecto es 2.
delta_cpct, numérico; delta mínimo entre el porcentaje para el que marcamos diferencias significativas (en puntos porcentuales); de forma predeterminada, es igual a cero. Tenga en cuenta que, por ejemplo, para una diferencia mínima de 5 por ciento de puntos, delta_cpct debe ser igual a 5, no 0.05.
delta_means, numérico; delta mínimo entre medias para las que marcamos diferencias significativas: por defecto es igual a cero.
correct, lógico (TRUE o FALSE), indica si aplicar corrección de continuidad al calcular el estadístico Chi2 de prueba para tablas de 2 por 2. Solo para significance_cases y significance_cell_chisq. Para más detalles ver chisq.test. TRUE por defecto.
compare_type tipo de comparación por columnas. Por defecto, es subtabla (variable por variable). otras posibilidades son "first_column", "adjusted_first_column" y "previous_column"; podemos realizar varios test simultáneamente.
bonferroni lógico; FALSE por defecto; uso del ajuste de Bonferroni por cada fila.
subtable_marks, carácter; una de las siguientes opciones: "greater", "both" or "less"; por defecto se marcan sólo valores cuya significación sea mayor ("greater") que alguna otra columna. Para significance_cell_chisq por defecto es "both". podemos modificar este comportamiento usando las otras alternativas.
inequality_sign logical. FALSE if subtable_marks is “less” or “greater”. Should we show > or < before significance marks of subtable comparisons.
sig_labels character vector labels for marking differences between columns of subtable.
sig_labels_previous_column a character vector with two elements. Labels for marking a difference with the previous column. First mark means ‘lower’ (by default it is v) and the second means greater (^).
sig_labels_first_column a character vector with two elements. Labels for marking a difference with the first column of the table. First mark means ‘lower’ (by default it is -) and the second means ‘greater’ (+).
sig_labels_chisq a character vector with two labels for marking a difference with row margin of the table. First mark means ‘lower’ (by default it is <) and the second means ‘greater’ (>). Only for significance_cell_chisq.
keep, carácter. Una o más de las siguientes "percent", "cases", "means", "bases", "sd" o "none". Este argumento determina qué estadísticos permanecerán en la tabla después del marcado de significación.
row_margin, carácter. Uno de los valores "auto" (predeterminado), "sum_row" o "first_column". Si es "auto", tratamos de encontrar la columna total en la subtabla por total_column_marker. Si la búsqueda falla, usamos la suma de cada fila como total de filas. Con la opción "sum_row" siempre sumamos cada fila para obtener margen. Tenga en cuenta que en este caso el resultado de las variables de respuesta múltiple en la cabecera puede ser incorrecta. Con la opción "first_column" usamos la tabla primera columna como margen de fila para todas las subtablas. En este caso, el resultado de las subtablas con bases incompletas puede ser incorrecto. Solo para significance_cell_chisq.
total_marker, carácter. Total de fila marcado en la tabla. " # " por defecto.
total_row, entero/carácter. En el caso de varios totales por subtabla, es un número o nombre de fila total para el cálculo de significación.
digits, un número entero que indica cuántos dígitos después del separador decimal se mostrarán en la tabla final.
na_as_zero, lógico; FALSE por defecto. ¿Deberíamos tratar a NA como cero casos?
var_equal, lógico; variable que indica si se deben tratar las dos varianzas como iguales. Para más detalles ver t.test.
mode, carácter; "replace" (default) o "append". En el primer caso, el resultado anterior en la secuencia del cálculo de la tabla se reemplazará con el resultado de la prueba de significación. En el segundo caso, el resultado de la prueba de significación se agregará a la secuencia del cálculo de la tabla.
label, carácter; etiqueta para la estadística en tab_*. Ignorado si el modo es igual a replace.
total_column_marker, carácter; marca para la columna de totales en las subtablas. “#” por defecto.
x table (class etable): result of cro_cpct with proportions and bases for significance_cpct, result of cro_mean_sd_n with means, standard deviations and valid N for significance_means, and result of cro_cases with counts and bases for significance_cases.
cases_matrix, matriz numérica con recuentos de tamaño filas*columnas.
row_base, vector de números con las bases de fila.
col_base, vector de números con las bases de columna.
total_base, número con la base total.
2.7.3.1 Algunos ejemplos de uso de los parámetros
Cambio del nivel de significación de la prueba y eliminación de las filas con las frecuencias, entre otros…
Hasta aquí llegamos. Hemos presentado de forma muy breve y simplificada como podemos aprovechar toda la potencia de expss en nuestros script. Lo importante es practicar y practicar. No dejes de acudir a las viñetas de ayuda de Gregory Demin acerca de como usar el paquete y como generar nuevas tablas. Nosotros tan sólo hemos sentado las bases. Combinando las tablas con lenguaje R se puede llegar a conseguir casi todo.
El paquete highcharter es un contenedor para la biblioteca Highcharts que incluye funciones de acceso directo para trazar objetos gráficos de R. Es una biblioteca de gráficos que ofrece numerosos tipos de gráficos con una sintaxis de configuración muy simple y repetitiva. Suponemos que ya estás acostumbrado a trabajar con R, por lo que no te resultará complicado seguir los pasos aquí indicados.
Este documento fundamentalmente se ha dedicado a trabajar con tablas cruzadas (o mejor con los dataframe creados con esas tablas), ese elemento que tanta productividad produce y que tan claras deja las visualizaciones; sin embargo la mayoría de librerías de gráficos trabajan con dataframe, por lo que deberemos hacer una simplificación de la tabla para trabajar con ella de forma adecuada. No sería necesario, pero como digo te ayudará a ver con otros ojos la simplicidad de highcharter. Comenzaremos trabajando con la base de la librería y en el desarrollo del capítulo indicaremos como trabajar con tablas cruzadas.
Debemos saber que highcharteRnos permite utilizar dos tipos diferentes de funciones que a continuación explicamos, aunque nos centramos en la primera de ellas. La segunda es una forma de acortar la primera.
highchart()
hchart()
2.8.1.1 highchart()
Esta función crea un gráfico highchart usando un widget. El widget creado se puede representar en páginas HTML generadas a partir de rmarkdown y con características de interactividad. Si estás familiarizado con el paquete ggplot2 (Wickham (2016)), es una función similar a ggplot() del paquete donde se define un objeto ggplot base sobre el cual se pueden agregar más capas geométricas. De manera similar, una vez que se define la función highchart(), se pueden agregar más elementos highchart encima de ella, como si fueran capas superpuestas.
2.8.1.2 hchart()
Por otro lado, hchart () es una función genérica para dibujar diferentes gráficos sobre la marcha. El gráfico resultante es un objeto highchart, por lo que puede seguir modificando con la API implícita. Si estás familiarizado con ggplot2, esta función es similar a qplot(). Comencemos nuestro viaje de visualización interactiva con los diseño más sencillos.
2.8.2 Mi primer gráfico
Para trabajar con los gráficos, utilizaremos la siguiente tabla de datos, muy sencilla, propuesta por el autor del paquete, que además contiene los nombres de campo estandarizados que nos van a ayudar a de forma muy sencilla a generar nuestras visualizaciones.
Lo primero que debemos saber, es que hay unos nombres de campo (por defecto) en el dataframe cuya presencia facilita enormemente el trabajo con los gráficos. Mira esta tabla de datos. En esta tabla son muy importantes los nombres de los campos, porque su existencia hace que sin apenas código, el gráfico ya visualiza de acuerdo a nuestra necesidad.
x
y
z
low
high
value
name
color
from
to
weight
0
1.6
-34.0
-6.0
9.2
1
lemon
#d35400
lemon
olive
1
1
11.0
-23.0
6.7
15.3
10
nut
#2980b9
lemon
guava
1
2
20.4
6.8
2.8
38.0
19
olive
#2ecc71
lemon
fig
1
3
22.1
32.3
19.4
24.8
21
guava
#f1c40f
nut
olive
1
4
15.4
27.7
12.1
18.7
14
fig
#2c3e50
olive
pear
2
5
7.4
3.2
-11.8
26.6
6
pear
#7f8c8d
guava
pear
2
A saber …
x, que contiene la secuencia de datos
y, que contiene el dato que habitualmente representaremos en el eje de las Y (ordenadas)
z, dimensiona el valor de y cuando se quieren usar tres dimensiones de representación (por ejemplo cuando queremos que en un scatter la burbuja sea tan grande como una tercera variable)
low, valor más bajo para la categoría
high, valor más alto para la categoría
value, valor de la categoría
name, que contiene lo nombres o textos de las categorías; suele ser lo que queremos que aparezca en el eje de las X (abscisas)
color, código del color en hexadecimal que modificará el color por defecto de la serie (puede ser también el nombre del color)
from, importante en gráficos especiales de tipo organización o donde hay una relación “desde”
to, igual al anterior, importante en gráficos especiales de tipo organización o donde hay una relación “hasta”
weight, utilizado en algunos gráficos a los que nos referiremos después.
2.8.3 Gráfico de barras
Un diagrama de barras (o columnas) muestra la relación entre una variable numérica (y) y una categórica (name). Cada entidad de la variable categórica se representa como una barra. El tamaño de la barra representa su valor numérico. A veces se describe como una forma aburrida de visualizar información. Sin embargo, probablemente sea la forma más eficaz de mostrar este tipo de datos.
Vamos a mostrar las dos formas de hacer este gráfico y entenderás la información que te aportábamos en la descripción anterior de las funciones posibles para hacer un gráfico.
require(highcharter) # solicitamos la carga de highcharter si no lo está yarequire(readr)require(dplyr)library(expss)df <-suppressMessages(read_csv("https://drive.google.com/uc?export=download&id=1OStFMmg5fzIpfTZnzX9Ql8sefN7se5SW", col_names=TRUE)) #df.csv, archivo con su ruta en el discodf1 <-select(df, name, y, color) # seleccionamos las columnas name e y, por un motivo que más adelante explicamoshighchart() %>%hc_chart(type ='bar') %>%hc_xAxis(categories = df1$name) %>%hc_add_series(df1)
¿Por qué hemos seleccionado estos tres campos? Ya hemos hablado de la importancia del nombre de los campos en highcharter. El gráfico de barras que es un estándar, es transformado a un gráfico de barras low-high si se localizan estos nombres de campo, low y high en el dataframe de trabajo, y el dataframe original df los tenía. Por tanto si repetimos este gráfico, pero con el dataframe original con esos dos campos, veremos que variación se produce.
La barra no se traza completa sino que se traza con origen en el valor más bajo (low), y con final en el valor más alto (high). Sin embargo si acercas el ratón a una barra, verás que el valor listado se corresponde con el campo y del dataframe.
Vamos a realizar unas pequeñas variaciones muy habituales en los gráficos.
2.8.3.1 Cambiar el nombre de la serie de datos
La primera modificación sería añadir el nombre de la serie al gráfico …
Podemos observar, como en ángulo inferior derecho de la ventana del gráfico aparece la palabra fruits que hemos escrito como nombre del conjunto de datos, que en realidad es una única serie.
2.8.3.2 Añadir créditos al gráfico
Añadir un pie de gráfico con créditos del creador del mismo.
Ver ángulo inferior derecho, justo debajo del nombre de la serie. Posibilidad de hacer clic y llegar hasta la URL indicada.
2.8.3.3 Añadir el valor del dato al elemento
En muchas ocasiones nos interesa activar que se visualice el valor del dato en el gráfico y no sólo en el tooltip del mismo. Para ello usaremos el modificador dataLabel.
En ocasiones es necesario dar la oportunidad al usuario del gráfico de poder guardarlo como imagen o guardarlo como tabla de EXCEL o fichero de texto separado por ‘,’ (CSV).
2.8.3.5 API de Highcharts, toda la potencia de los gráficos
La pregunta que ahora nos deberíamos estar haciendo es… ¿como puedo yo saber que debo usar hc_credits(), o hc_exporting() o dataLabels(list=())?
Para eso tenemos lo que se llama la API de la librería de gráficos. Ahora entenderemos mejor el apartado de presentación cuando decíamos que highcharter es un wrapper de la librería Highcharts. Si visitamos el sitio web de la api de highcharts podemos ver que todas las opciones que se pueden usar en los gráficos están documentadas. Si a ello añadimos el sitio demo de esta marca podemos ver todo lo que se puede hacer. Te recomiendo la lectura del post de Danton Noriega acerca de como usar la API para saber construir nuestros gráficos en de highchart en R, en especial la parte en la que refiere a este punto que estamos hablando (Highcharts API and highcharter functions). Tras la lectura de ese documento te darás cuenta de que en tus manos de analista de datos, tienes un auténtico cañón de magníficas visualizaciones.
Pero vayamos poco a poco y continuemos con nuestros ejemplos de gráficos.
2.8.4 Gráfico de columna
Es un gráfico idéntico al anterior, pero con la barra vertical en lugar de horizontal. Mantenemos la última vista básica con los elementos añadidos de exportación, créditos y mostrado de valores de aquí en adelante.
Obsérvese que en el gráfico lo único que hemos hecho ha sido modificar el tipo de gráfico de bara column. Añadamos ahora perspectiva al gráfico, incluyendo la lista de opciones de 3D.
Y si lo presentamos en forma de lollipop, debemos variar al dataframe al completo, porque este gráfico muy parecido a la variación de rango, requiere del low-high.
Nótese que se ha añadido el modificador polar=TRUE Una buena vista, espectacular pero poco efectiva. Desde el propio script, sin embargo se puede añadir una mínima opción que mejoraría esta salida.
Esta nueva función hc_pane() hace que el círculo termine en el ángulo 270 (de 360), de forma que las etiquetas se leen mejor. Pero no es una visualización fácil, visualmente atractiva, pero difícil de leer e intepretar.
2.8.5 Diagramas de secciones
2.8.5.1 Tarta o pie chart
Si hay algún gráfico tan o más famoso que el de barras o el de columnas, ese es el gráfico de tarta.
df <-select(df, -sliced) #eliminamos el campo sliced
Además de haberle añadido un título y un subtítulo este gráfico presenta un nuevo elemento fundamental: el modificador showInLegend=TRUE que nos permite mostrar una leyenda con las diferentes frutas y sus colores. Además, en el script hemos comenzado por añadir un nuevo campo a la tabla df, denominado sliced que ya puedes ver su efecto, separa del centro una sección de la tarta. En este caso ha sucedido para la fruta en segundo lugar (nut) y para la que está en quinto lugar (fig).
2.8.5.2 Anillo o doughnut
Y si queremos convertir este gráfico en un anillo o doughnut utilizaremos el modificador innerSize='75%' en la función hc_add_series(). Este modificador traza un círculo desde el baricentro del diagrama hasta el porcentaje indicado dejando espacio central en blanco. El gráfico puede tomar diferente aspecto según ese porcentaje indicado.
Una variante para gráficos de un único campo es el funnel.
2.8.5.4 Pirámide
Una nueva variante para un gráfico de una sola variable. el tipo pyramid.
2.8.6 Gráfico de línea
Un nuevo pero tradicional modelo, el gráfico de línea. Vamos a aprovechar para no ser demasiado repetitivos para añadir una nueva serie de valores; recordemos la tabla de datos inicial.
x
y
z
low
high
value
name
color
from
to
weight
0
1.6
-34.0
-6.0
9.2
1
lemon
#d35400
lemon
olive
1
1
11.0
-23.0
6.7
15.3
10
nut
#2980b9
lemon
guava
1
2
20.4
6.8
2.8
38.0
19
olive
#2ecc71
lemon
fig
1
3
22.1
32.3
19.4
24.8
21
guava
#f1c40f
nut
olive
1
4
15.4
27.7
12.1
18.7
14
fig
#2c3e50
olive
pear
2
5
7.4
3.2
-11.8
26.6
6
pear
#7f8c8d
guava
pear
2
Vamos a utilizar z, como si fuera una nueva serie de valores. Es decir como si quisiéramos representar en el diagrama dos conjuntos de valores. Primero lo mostramos como hasta ahora, con una sola serie…
df1 <-select(df, name, y, z, color) # seleccionamos las columnas name, y y zhighchart() %>%hc_chart(type ='line') %>%hc_xAxis(categories = df1$name) %>%hc_add_series(df1, name='Fruits', dataLabels=list(enabled=TRUE)) %>%hc_credits(enabled=TRUE, text='InvestigaOnline.com', href ='https://www.investigaonline.com') %>%hc_exporting(enabled=TRUE)
Para ahora añadir la nueva serie. Nótese la variación en el modificador hc_add_series()donde ahora hay dos líneas, como si de dos capas se tratara.
Quisiera hacer notar que simplemente hemos añadido una nueva serie que se contiene en la columna denominada z de df1 (df1$z) y no hemos modificado la anterior serie que por defecto era el campo y. Creo que sería mucho más limpio y ordenado el escribir este mismo gráfico así.
De este modo, identificamos que es cada una de las series yy z, obteniendo idéntico resultado pero quedando más clara la sintaxis de cada una de las series introducidas.
2.8.6.0.1 Suavizado de la línea
En muchas ocasiones es interesante suavizar la línea. Para ello highcharts tiene un modificador del tipo de gráfico denominado spline.
Vaya sorpresón y qué sencillo, ¿verdad? Hemos combinado línea con columna (no todas las combinaciones son posibles). Además como z tenía valores negativos, las barras negativas se muestran muy claramente. ¿Y si polarizamos este gráfico?
¡Nada mal! aunque es posible que no combinando el tipo de representación en las series, la visualización sea más clara, en lo que se denomina gráfico spider que es muy utilizado para las baterías o tablas de ítems en nuestras encuestas. Y ya puestos, añadimos un toque de color a nuestro gráfico. Analiza tú mismo los modificadores que cambian.
2.8.7 Gráficos de columnas o barras con apilamiento
Volvamos la vista un poco atrás, y ahora que tenemos dos series, vamos a jugar un poco más el gráfico o más específicamente con las columnas (o barras). Vamos a realizar los apilamientos (no se pueden hacer lógicamente con los gráficos de tarta).
Recuperamos nuestro gráfico de columnas, pero lo hacemos ahora con las dos series, pero ahora, para que los dos valores (y,z) sean positivos, vamos a trabajar con el campo denominado yy el campo denominado value.
df1 <-select(df, name, y, z, value, color) # seleccionamos las columnas name, y y valuehighchart() %>%hc_chart(type ='column') %>%hc_xAxis(categories = df1$name) %>%hc_add_series(df1$y, name='Año 1900', dataLabels=list(enabled=TRUE), color='#EB6909') %>%hc_add_series(df1$value, name='Año 2000', dataLabels=list(enabled=TRUE), color='#C2C2C2') %>%hc_credits(enabled=TRUE, text='InvestigaOnline.com', href ='https://www.investigaonline.com') %>%hc_exporting(enabled=TRUE)
Nótese que hemos añadido una novedad y es la asignación a la serie del color que nos gusta para ella, mediente el modificador color en la opción hc_add_series(). Procedamos con el apilamiento.
Nótese que en ambas series, se ha introducido el modificador stacking='normal'que ocasiona ese ajuste en las series. Podemos combinar series con apilamiento y series sin apilamiento (agrupaciones de categorías para verlas conjuntamente).
Y por último, el apilamiento puede ser normal o puede ser percent donde la representación (que no el valor mostrado) se calcula en base 100. Nótese que todas las columnas son igual de altas y nótese que nuevamente z se mantiene sin apilamiento.
Volvamos a nuestras dos series (y, value) para presentar ahora una nueva visualización, el gráfico de área. Esta es una variación del gráfico de línea donde se dibujan éstas pero con la superficie bajo las líneas con el color indicado, mostrándose de esta forma.
Nótese la superposición de una y otra. Normalmente ese gráfico se usa para representar mediciones en las que una siempre está por encima de la otra (como aquí sucede), pero siempre pensando que las áreas de intersección van a combinar el color.
Variación de los anteriores vamos a presentar sus dos versiones. La versión llamemos natural sería representar los puntos (igual que en el gráfico de línea) pero sin dibujar el trazo que los une.
Sin embargo, cuando uno piensa en un scatterplot, lo que piensa es en un diagrama de dispersión o mapa cartesiano donde se presentan los puntos con sus coordenadas en x y también en y. Un diagrama de dispersión muestra la relación entre 2 variables numéricas. Para cada punto de datos, el valor de su primera variable se representa en el eje X, el segundo en el eje Y. Como no disponemos datos para un buen scatterplot, vamos a construirnos un banco de datos (aleatorio) y trabajamos con él.
##==================== construcción del dataframeset.seed(311265) # para que la aleatoriedad sea siempre la misma, fijamos su semilla de aleatorizacióndfextra <-data.frame(mat =sample(1:100, 400, replace =TRUE),# un valor de un campo X, por ejemplo puntuación en habilidad en matemáticasbio =sample(1:100, 400, replace =TRUE),# un valor de un campo y, por ejemplo puntuación en habilidad en biologíaglob =sample(50:100, 400, replace =TRUE),# un valor z de peso global de adecuación al puestogrp =sample(1:3, 400, replace =TRUE) # grupo de pertenencia (tres grupos, 1, 2 y 3) )##================== mostramos extracto del data frameknitr::kable(head(dfextra)) # mostramos breve extracto de la tabla creada
Puedes observar que para este tipo de gráfico hemos optado por la forma acotada; esto es debido a que la forma de ofrecerle los datos es más simple, sin embargo podemos seguir añadiendo elementos al mismo del mismo modo que lo hacíamos con el uso de la función highchart(). La agrupación por colores es debida al modificador de grupo group=grpen la función hcaes(). Si no lo ponemos, simplemente el color sería único.
Una última variación al scatterplot sería convertirlo en un bubble scatterplot. Un diagrama de burbujas es un diagrama de dispersión donde se agrega una tercera dimensión: el valor de una variable numérica adicional se representa mediante el tamaño de los puntos. Necesita 3 variables numéricas como entrada: una está representada por el eje X, una por el eje Y y otra por el tamaño del punto. Más vale un imagen que mil palabras.
También en este caso vamos a recurrir a la forma simple. Un histograma solo toma como entrada una variable numérica. La variable se divide en varios cortes y el número de observaciones por corte se representa mediante la altura de la barra. Es posible representar la distribución de varias variables en el mismo eje utilizando esta técnica. Sigamos utilizando nuestro nuevo dataframedfextra.
hchart(dfextra$mat, color ='teal', name ='Matemáticas') %>%hc_credits(enabled =TRUE,text ='InvestigaOnline.com',href ='https://www.investigaonline.com') %>%hc_exporting(enabled =TRUE)
Este gráfico puede fácilmente reconvertirse a la función de densidad. Una gráfica de densidad muestra la distribución de una variable numérica. Solo toma variables numéricas como entrada y está muy cerca de un histograma. Puede usarse exactamente en las mismas condiciones.
hchart(density(dfextra$mat), color ='teal', name ='Matemáticas') %>%hc_credits(enabled =TRUE,text ='InvestigaOnline.com',href ='https://www.investigaonline.com') %>%hc_exporting(enabled =TRUE)
2.8.11 Gráficos indicadores
Estos gráfico están caracterizados en su mayor parte por presentar un único valor numérico en una imagen muy simplificada. Su mayor exponente es el denominado gauge que estamos acostumbrados a ver en multitud de páginas web de tipo dashboard. Se caracterizan por tener datos que se proporcionan de forma externa al dataframe de donde se representa la información. Veamos algunos ejemplos.
2.8.11.1 Gauge
Un gráfico de indicador (o gráfico de velocímetro) combina un gráfico de anillo y un gráfico circular en un solo gráfico. Muestra el valor deseado al que se le presupone un valor mínimo y un máximo. Es muy típico para representar por ejemplo el NPS y presentarlo con secciones tipo semáforo. En nuestro script y con afán de ir probando nuevas cosas, crearemos primero lo que se denominan las secciones del semáforo (3 o n) y luego haremos el gráfico. Representemos el campo value de nuestras frutas, comenzando por la oliva (fila 3) . Presentamos el script de forma más extendida para ir apreciando y comentando alguno de sus detalles
col_stops <-data.frame(q =c(0.25, 0.50, 0.75),# se establecen las secciones de valor en término porcentualc =c('#CD5C5C', '#F0E68C', '#3CB371'),# se establecen los colores que tomará cada secciónstringsAsFactors =FALSE )stops <-list_parse2(col_stops) # se crea una lista con este dataframe que hemos creado, pues highcharts lo necesita así.highchart() %>%hc_chart(type ="solidgauge") %>%hc_pane(startAngle =-90,# determina el ángulo donde comienzaendAngle =90,# determina el ángulo donde acababackground =list(outerRadius ='100%',# "vaciamos" el hueco del círculo que hemos dibujadoinnerRadius ='60%',# "vaciamos" el hueco del círculo que hemos dibujadoshape ="arc" ) ) %>%hc_tooltip(enabled =FALSE) %>%hc_yAxis(stops = stops,# le aplicamos la lista de secciones colo (semáforo)lineWidth =0,minorTickWidth =0,tickAmount =2,min =0,max =100,labels =list(y =25) # baja las etiquetas 0 y 100 de límites para que no sitúen sobre el gráfico ) %>%hc_add_series(data = df$high[3],# le indicamos que capturamos el valor desde dataframe 'df', del campo 'high', y la fila '3'dataLabels =list(borderWidth =0,useHTML =TRUE,style =list(fontSize ="60px") ) ) %>%hc_credits(enabled =TRUE,text ='InvestigaOnline.com',href ='https://www.investigaonline.com') %>%hc_exporting(enabled =TRUE)
38
Prueba si lo deseas a ir cambiando el valor de df$high[3] a cualquier valor entre 0 y 10 y observarás el cambio de color.
Otra forma de representar valores unitario pero que tienen un objetivo definido y que pueden haber superado ese objetivo es el gráfico denominado bullet. vamos a imaginar que en nuestro dataframe, y es el valor alcanzado, y valuees el objetivo.
Nótese que en el gráfico la barra vertical perpendicular a cada barra horizontal, que es el target se toma de los propios datos. Es un gráfico que también se ve mucho en los dashboard, al igual que el anterior.
2.8.12 Gráfico o boxplot
No lo hemos olvidado, el gráfico más típico en estadística junto con los histogramas, el denominado boxplot o diagrama de caja o diagrama de Box-Whiskers. Un diagrama de caja ofrece un buen resumen de una o varias variables numéricas. La línea que divide el cuadro en 2 partes representa la mediana de los datos. El final del cuadro muestra los cuartiles superior e inferior. Las líneas extremas muestran el valor más alto y más bajo excluyendo los valores atípicos. Nótese que es usada una función de tranformación de los datos del campo valuepara obtener los valores adecuados para el gráfico. Del mismo modo, nótese que la función de adición de las series, se ve mínimamente modificada ya que va a recibir una lista de valores por cada campos de trabajo. Usamos hc_add_series_list().
A menudo tenemos necesidad de incluir un gráfico denominado de barras de error. Este gráfico toma los valores de low-high (que podrían ser lo límites de confianza de un intervalo) y los representa en forma gráfica, quedando de esta forma.
Probando nuevas cosas, hemos movido la etiqueta del valor hacia la derecha (x=15) y hacia abajo (y=5). Eso hace que no se solape con el punto señalado en el gráfico.
2.8.14 Gráficos de transiciones
En nuestro trabajo en mucho casos debemos a veces plantear gráficos en los que se trata de graficar relaciones de objetos con fuente y destino. Aunque nuestro banco de datos es muy simple, hemos creado campos con el nombrede weight, from y to para que nos permitan hacer este tipo de gráficos que tienen dos versiones diferentes: el diagrama de Sankey y el diagrama de rueda de dependencia. Veamos ambos.
2.8.14.1 Diagrama de Sankey
El diagrama de Sankey es un tipo específico de diagrama de flujo, en el que la anchura de las linea de relación entre dos puntos (from y to) se muestra proporcional a la cantidad de flujo transferido (weight, que podría ser frecuencia de emparejamiento).
Un streamgraph es un tipo de gráfico de áreas apiladas. Muestra la evolución de un valor numérico (eje Y) después de otro valor numérico (eje X). Esta evolución está representada por varios grupos, todos con un color distinto. Al contrario que en un área apilada, no hay esquinas: los bordes están redondeados, lo que da esta agradable impresión de flujo. Además, las áreas generalmente se desplazan alrededor de un eje central, lo que da como resultado una forma fluida y orgánica.
Usaremos los valores y, z y value para crear tres series.
Hasta aquí llegamos. Hemos presentado de forma muy breve y simplificada como podemos aprovechar toda la potencia de highcharts en nuestros script. Lo importante es practicar y practicar. No dejes de leer el post de Danton Noriega acerca de como usar la API para saber construir los gráficos highchart en R mediante highcharteR Del mismo modo, no dejes de acudir al sitio web de Joshua Kunst, creador y mantenedor del paquete junto con otros colaboradores que permiten llevar adelante este excelente proyecto.
