Lectura de datos

Se leen los datos saeraq.Rdata, que provienen del fichero raq.dat utilizado en (A. Field, Miles, and Field 2012) (disponible en la web del libro).

Y

load( "saeraq.RData" )

Descriptivos con paquete tables

Se realizan descriptivos de cada variable con el paquete tables (Murdoch (2016)).

# library( tables )
op <- booktabs()

# Función para imprimir tablas en latex
tablaLatex <- function( tabla, caption = NULL ){
  cat( '\\begin{table} \\centering\n' )
  if( !is.null( caption ) ) cat( paste0( '\\caption{', caption, '}\n' ) )
  latex( tt )
  cat( '\\end{table}' )
}

Variable sexo

tt <- tabular( ~  ( Sexo = sexo ) + ( Total = 1 ), data = df )

# tablaLatex( tt, caption = "Variable \\texttt{sexo}." )
html( tt, options = htmloptions( HTMLcaption = "Variable sexo", pad = TRUE ) )
Variable sexo
  Sexo  
Mujer Hombre Total
1927 644 2571

Variable actividadS

tt <- tabular( ~  ( `Actividad S` = actividadS ) + ( Total = 1 ), data = df )

# tablaLatex( tt, "Variable \\texttt{actividadS}." )
html( tt, options = htmloptions( HTMLcaption = "Variable actividadS", pad = TRUE ) )
Variable actividadS
  Actividad S  
Nada Poco Mucho Muchísimo Total
613 658 669 631 2571

Variable ingresos

ic1 <- function(x){
  mean( x ) - qt( 0.975, df = length( x ) - 1 ) * sd( x ) / sqrt( length( x ) ) 
}

ic2 <- function(x){
  mean( x ) + qt( 0.975, df = length( x ) - 1 ) * sd( x ) / sqrt( length( x ) ) 
}

tt <- tabular( ~  ( Ingresos = ingresos ) * ( ic1 + mean + sd + ic2 + median ) +
                 ( Total = 1 ), data = df )

# tablaLatex( tt, "Variable \\texttt{ingresos}." )
html( tt, options = htmloptions( HTMLcaption = "Variable ingresos", pad = TRUE ) )
Variable ingresos
  Ingresos  
ic1 mean sd ic2 median Total
29320 29672 9095 30024 27771 2571

Variable origen

tt <- tabular( ~  ( Origen = origen ) + ( Total = 1 ), data = df )

# tablaLatex( tt, "Variable \\texttt{origen}." )
html( tt, options = htmloptions( HTMLcaption = "Variable origen", pad = TRUE ) )
Variable origen
  Origen  
Albacete Murcia Helsinki Total
1178 1112 281 2571

Variable nivelIngles

tt <- tabular( ( `Nivel de inglés` = nivelIngles ) + ( Total = 1 ) ~ ( Frecuencia = 1 ),
               data = df )

# tablaLatex( tt, "Variable \\texttt{nivelIngles}." )
html( tt, options = htmloptions( HTMLcaption = "Variable nivelIngles", pad = TRUE ) )
Variable nivelIngles
Nivel de inglés Frecuencia
Nulo  297
CasiNulo  289
A1  451
A2  455
B1  473
B2  377
C1  145
C2   79
IsabelII    3
Shakespeare    2
Total 2571

Descriptivos con paquete likert

Se realizan gráficos descriptivos de los datos con el paquete likert (Bryer and Speerschneider (2015)) que, al estar basados en ggplot2 (Wickham (2009)), permite modificarlos de forma sencilla.

# library( likert )
dfLikert <- df[ , grep( "^Q", colnames( df ) ) ]
colnames( dfLikert ) <- dicc[ grep( "^Q", dicc$item ), "spanish" ]

bloque1 <- 1:8
bloque2 <- 9:17
bloque3 <- 18:23

items1 <- likert( items = dfLikert[ , bloque1 ] )
items2 <- likert( items = dfLikert[ , bloque2 ] )
items3 <- likert( items = dfLikert[ , bloque3 ] )

Gráficos de barras

plot( items1, centered = TRUE, group.order = colnames( items1$items ),
      legend.position = "right" ) +
  theme( axis.text.x = element_text( size = 10 ),
         axis.text.y = element_text( size = 13, hjust = 0 ),
         legend.text = element_text( size = 10 ),
         legend.title = element_text( size = 10 ) )
Gráfico de barras de los ítems 1 a 8.

Gráfico de barras de los ítems 1 a 8. 

plot( items2, centered = TRUE, group.order = colnames( items2$items ),
      legend.position = "right" ) +
  theme( axis.text.x = element_text( size = 10 ),
         axis.text.y = element_text( size = 13, hjust = 0 ),
         legend.text = element_text( size = 10 ),
         legend.title = element_text( size = 10 ) )
Gráfico de barras de los items 9 a 17.

Gráfico de barras de los items 9 a 17. 

plot( items3, centered = TRUE, group.order = colnames( items3$items ),
      legend.position = "right" ) +
  theme( axis.text.x = element_text( size = 10 ),
         axis.text.y = element_text( size = 13, hjust = 0 ),
         legend.text = element_text( size = 10 ),
         legend.title = element_text( size = 10 ) )
Gráfico de barras de los items 18 a 23.

Gráfico de barras de los items 18 a 23.

Gráficos de densidad

plot( items1, type = "density" )
Gráfico de densidad de los items 1 a 8.

Gráfico de densidad de los items 1 a 8. 

plot( items2, type = "density" )
Gráfico de densidad de los items 9 a 17.

Gráfico de densidad de los items 9 a 17. 

plot( items3, type = "density" )
Gráfico de densidad de los items 18 a 23.

Gráfico de densidad de los items 18 a 23.

Gráficos de calor

plot( items1, type = "heat", group.order = colnames( items1$items ) ) +
  theme( axis.text.x = element_text( size = 8 ),
         axis.text.y = element_text( size = 13, hjust = 0 ),
         legend.text = element_text( size = 10 ),
         legend.title = element_text( size = 10 ) )
Gráfico de calor de los items 1 a 8.

Gráfico de calor de los items 1 a 8. 

plot( items2, type = "heat", group.order = colnames( items2$items ) ) +
  theme( axis.text.x = element_text( size = 8 ),
         axis.text.y = element_text( size = 13, hjust = 0 ),
         legend.text = element_text( size = 10 ),
         legend.title = element_text( size = 10 ) )
Gráfico de calor de los items 9 a 17.

Gráfico de calor de los items 9 a 17. 

plot( items3, type = "heat", group.order = colnames( items3$items ) ) +
  theme( axis.text.x = element_text( size = 8 ),
         axis.text.y = element_text( size = 13, hjust = 0 ),
         legend.text = element_text( size = 10 ),
         legend.title = element_text( size = 10 ) )
Gráfico de calor de los items 18 a 23.

Gráfico de calor de los items 18 a 23.

Correlaciones

Se estudian correlaciones con los paquetes corrr (Jackson (2016)) y corrplot (Wei and Simko (2016)).

# library( corrr )
# library( corrplot )

dfCor <- df[ , grep( "^Q", colnames( df ) ) ]

Matriz de correlaciones

Se calcula la correlación con la función cor de la librería stats.

dfCor <- lapply( dfCor, as.numeric ) # devuelve una lista 
dfCor <- as.data.frame( dfCor )      # coarcionamos a data.frame

corr <- cor( dfCor )
kable( corr[ 1:8, 1:8 ],
       caption = "Tabla de correlaciones (solo se muestran las ocho primeras)" )
Tabla de correlaciones (solo se muestran las ocho primeras)
Q01 Q02 Q03 Q04 Q05 Q06 Q07 Q08
Q01 1.0000000 -0.0987240 -0.3366489 0.4358602 0.4024399 0.2167340 0.3053651 0.3307376
Q02 -0.0987240 1.0000000 0.3183902 -0.1118597 -0.1193466 -0.0742097 -0.1591745 -0.0496226
Q03 -0.3366489 0.3183902 1.0000000 -0.3804602 -0.3103088 -0.2267405 -0.3819533 -0.2586342
Q04 0.4358602 -0.1118597 -0.3804602 1.0000000 0.4006722 0.2782015 0.4086150 0.3494294
Q05 0.4024399 -0.1193466 -0.3103088 0.4006722 1.0000000 0.2574601 0.3393918 0.2686270
Q06 0.2167340 -0.0742097 -0.2267405 0.2782015 0.2574601 1.0000000 0.5135805 0.2228318
Q07 0.3053651 -0.1591745 -0.3819533 0.4086150 0.3393918 0.5135805 1.0000000 0.2974970
Q08 0.3307376 -0.0496226 -0.2586342 0.3494294 0.2686270 0.2228318 0.2974970 1.0000000

Otra opción es utilizar las funciones correlate y fashion de librería corrr (Jackson 2016).

corr2 <- correlate( dfCor )
kable( fashion( corr2[ 1:8, 1:9 ] ),
       caption = "Tabla de correlaciones (solo se muestran las ocho primeras)" )
Tabla de correlaciones (solo se muestran las ocho primeras)
rowname Q01 Q02 Q03 Q04 Q05 Q06 Q07 Q08
Q01 -.10 -.34 .44 .40 .22 .31 .33
Q02 -.10 .32 -.11 -.12 -.07 -.16 -.05
Q03 -.34 .32 -.38 -.31 -.23 -.38 -.26
Q04 .44 -.11 -.38 .40 .28 .41 .35
Q05 .40 -.12 -.31 .40 .26 .34 .27
Q06 .22 -.07 -.23 .28 .26 .51 .22
Q07 .31 -.16 -.38 .41 .34 .51 .30
Q08 .33 -.05 -.26 .35 .27 .22 .30

Gráficos de correlaciones

network_plot( corr2, min_cor = 0.4 )
Red de correlaciones. Valor correlación mínima

Red de correlaciones. Valor correlación mínima 

corrplot.mixed( corr, tl.pos = "lt", diag = 'n', upper = "ellipse",
                number.cex = 0.4, tl.cex = 0.8,
                order = "hclust" )
Matriz de correlaciones mixta

Matriz de correlaciones mixta

Referencias y bibliografía

Bryer, Jason, and Kimberly Speerschneider. 2015. Likert: Functions to Analyze and Visualize Likert Type Items. http://CRAN.R-project.org/package=likert.

Field, Andy, Jeremy Miles, and Zoe Field. 2012. Discovering Statistics Using R. 1st edition. Sage Publications Ltd.

Jackson, Simon. 2016. Corrr: Correlations in R. https://CRAN.R-project.org/package=corrr.

Murdoch, Duncan. 2016. Tables: Formula-Driven Table Generation. http://CRAN.R-project.org/package=tables.

Wei, Taiyun, and Viliam Simko. 2016. Corrplot: Visualization of a Correlation Matrix. http://CRAN.R-project.org/package=corrplot.

Wickham, Hadley. 2009. Ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag New York. http://ggplot2.org.

Xie, Yihui. 2015. Dynamic Documents with R and Knitr. Vol. 29. CRC Press.

  1. Servicio de Apoyo Estadístico; alvarohv@um.es, elvira@um.es, antoniojose.peran@um.es, anabelen.marin4@um.es, amaurandi@um.es↩

  2. http://r-es.org/8jornadasR/↩

  3. doc:T1_descriptivos.Rmd↩