Guía de campo de R - Historial de revisiones

Andrea Cocucci: /* Creando nuevas columnas */

2016-12-22T19:34:27Z

Creando nuevas columnas

Andrea Cocucci: /* Sobre colinealidad */

2013-12-09T19:07:54Z

Sobre colinealidad

Andrea Cocucci: /* Sobre colinealidad */

2013-12-09T18:54:19Z

Sobre colinealidad

Andrea Cocucci: /* Diagnósticos numéricos */

2013-12-09T18:51:35Z

Diagnósticos numéricos

Andrea Cocucci: /* Diagnósticos Gráficos */

2013-12-09T18:49:40Z

Diagnósticos Gráficos

Andrea Cocucci: /* Diagnósticos de modelos */

2013-12-09T18:47:12Z

Diagnósticos de modelos

Andrea Cocucci: /* Salida de un modelo lineal */

2013-12-09T18:46:02Z

Salida de un modelo lineal

Andrea Cocucci: /* Construcción de modelos lineales */

2013-12-09T18:43:31Z

Construcción de modelos lineales

Andrea Cocucci: /* Construcción de modelos lineales */

2013-12-09T18:43:03Z

Construcción de modelos lineales

Andrea Cocucci: /* Construcción de modelos lineales */

2013-12-09T18:40:52Z

Construcción de modelos lineales

@@ Línea 727: / Línea 727: @@
 Importante, el principal error en este tipo de sintaxis son los paréntesis, se cuidadoso.
 |-
-!style="color:black; background-color:#679fd2;" |sep
+!style="color:black; background-color:#679fd2;" |seq
 !style="color:black; background-color:#679fd2;" |
 |-

@@ Línea 2237: / Línea 2237: @@
 Valores de correlación por arriba 0.7 indican que las variables son colineales.
 |-
-!style="color:black; background-color:#679fd2;"|vif
+!style="color:black; background-color:#679fd2;"|library(car); vif
-!style="color:black; background-color:#679fd2;"|Library (car)
+!style="color:black; background-color:#679fd2;"|
 |-
+|

@@ Línea 2220: / Línea 2220: @@
 ====Sobre colinealidad====
-Existe uno problema extra: la colinealidad. La colinealidad surge cuando se agregan variables independientes en un modelo que estan altamente relacionadas entre ellas, son redundantes, o que aportan la misma información (tres definiciones de redundante... ¡qué redundante!). La colinealidad afecta tanto la estimación de los parámetros como su significancia. Aqui presentamos dos métodos para estimar la colinealidad: los coeficientes de correlación (cor) y los valores de inflación de la varianza (vif). La colindealidad estimada a partir de ''cor'' solo es examinada entre pares mientras que la estimada por los ''vif'' evalúa la información redundante entre una variable y todas las otras.  En caso de detectar problemas de colinealidad lo recomendable dejar sólo las variables no redundantes en el análisis y eliminar las otras.
+Existe uno problema extra: la colinealidad. La colinealidad surge cuando se agregan variables independientes en un modelo que estan altamente relacionadas entre ellas, son redundantes, o que aportan la misma información (tres definiciones de redundante... ¡qué redundante!). La colinealidad afecta tanto la estimación de los parámetros como su significancia. Aqui presentamos dos métodos para estimar la colinealidad: los coeficientes de correlación (''cor'') y los valores de inflación de la varianza (''vif''). La colinealidad estimada a partir de ''cor'' solo es examinada entre pares de variables mientras que la estimada por los ''vif'' evalúa la información redundante entre una variable y todas las otras.  En caso de detectar problemas de colinealidad lo recomendable dejar sólo las variables no redundantes en el análisis y eliminar las otras o utilizar combinaciones de variables que resuman la información (por ejemplo componentes principales).
 {| class="wikitable" border="1"
@@ Línea 2231: / Línea 2231: @@
 mibase$tam2 <- mibase$tam + rnorm(24, mean = 1, sd = 0.5)
-cor(mibase[,c("tam", "tam2")], use="complete.obs")
+cor(mibase[, c("tam", "tam2")], use = "complete.obs")
-|Creamos para este ejemplo una variable tam2 que es indentica a tam mas un pequeño error generado por rnorm. Valores de correlación por arriba 0.7 indican que las variables son colineales.
+|Creamos para este ejemplo una variable tam2 que es indéntica a tam mas un pequeño error generado por rnorm.
 |-
 !style="color:black; background-color:#679fd2;"|vif
@@ Línea 2247: / Línea 2249: @@
 vif(fit)
-|Ajustamos un modelo con las tres variables y evaluamos la inflación de la varianza (vif). Si una de las variables es un factor con más de dos niveles calcula los vif generalizados. Valores de vif o Gvif mayores a 5 indican problemas de colinealidad.
+|Ajustamos un modelo con las tres variables y evaluamos los factores de inflación de la varianza (''vif''). Si una de las variables fuera un factor con más de dos niveles, R calcula los "vif generalizados". Valores de vif o mayores a 5 indican problemas de colinealidad.
 |-
 ! style="color:white; background-color:#0c5da5;"|
 ! style="color:white; background-color:#0c5da5;"|
 |}

@@ Línea 2200: / Línea 2200: @@
 shapiro.test(res.fit)
-|Prueba la normalidad de los residuos. Para eso primero guardamos los residuos de nuestro modelo en el objeto res.fit. Un resultado significativo indica que la distribución de los residuales es significativamente diferente a una distribución normal. Por lo que un valor de P menor a 0.05 confirma que la distribución no es normal.
+|Prueba la normalidad de los residuos. Para eso primero guardamos los residuos de nuestro modelo en el objeto res.fit. Un resultado significativo (P < 0.05) indica que la distribución de los residuales es significativamente diferente a la esperada para una distribución normal.
 |-
 !style="color:black; background-color:#679fd2;"|barlett.test
@@ Línea 2212: / Línea 2212: @@
 bartlett.test(res.fit ~ pob, data = mibase)
-|Para barlett.test únicamente se puede usar los residuales derivados de una ANOVA. El resultado signficiativo indica que no hay homogeneidad de varianza.
+|Para barlett.test únicamente se puede usar los residuales derivados de una ANOVA (hay algunos trucos para extender su uso, pero finalmente es mejor hacer un gráfico). Un resultado significativo indica que no hay homogeneidad de varianza.
 |-
 ! style="color:white; background-color:#0c5da5;"|

@@ Línea 2177: / Línea 2177: @@
-*'''''Grafico de residuales vs. predichos.''''' Para probar linealidad y homogeneidad de residuos (homocedasticidad). La linealidad se examina evaluando que la linea roja sea lo mas horizontal posible y sin curvatura. Si tuviera curvatura indicaría que el modelo puede necesitar un termino de ajuste no lineal (i.e. cuadrático, logaritmico etc) o que hay una variable importante no incluida en el modelo. La homogeneidad de varianza se examina observando que la distribución de los valores (puntos) sea lo más homogenea posible en el espacio ("como una nube"). Cuando esto no se cumple el patrón más típico es de forma de trompeta, lo que indica que valores más altos son también más variables.
+*'''''Gráfico de residuales vs. predichos.''''' Para probar linealidad y homogeneidad de residuos (homocedasticidad). La linealidad se examina evaluando que la linea roja sea lo mas horizontal posible y sin curvatura. Si tuviera curvatura indicaría que el modelo puede necesitar un termino de ajuste no lineal (i.e. cuadrático, logarítmico etc) o que hay una variable importante no incluida en el modelo. La homogeneidad de varianza se examina observando que la distribución de los valores (puntos) sea lo más homogénea posible en el espacio ("como una nube"). Cuando esto no se cumple el patrón más típico es de forma de trompeta, lo que indica que valores más altos son también más variables.
 *'''''Raíz cuadrada de residuales estandarizados (i.e. residuales studentizados) vs. predichos.''''' Prueba homogeneidad de residuos (homocedasticidad). Si la linea de roja muestra una tendencia de los datos es también falta de homogeneidad. Al estar estandarizados, los valores por arriba y por abajo de 2 son observaciones con residuos extremos lo que implica que el modelo no los ajusta bien (su valor predicho por el modelo y su valor observado están muy alejados).
-*'''''Normal Q-Q plot.''''' Este gráfico pruebea la normalidad de los residuos. Los valores (puntos) deben estar lo más cercanos de la linea diagonal. Las desviaciones indican desajuste.
+*'''''Normal Q-Q plot.''''' Este gráfico prueba la normalidad de los residuos. Los valores (puntos) deben estar lo más cercanos de la linea diagonal. Las desviaciones indican desajuste.
-*'''''Residuales estandarizados vs leverage (gráfico de influencias).''''' Un observación será muy influyente si posee un valor residual muy grande y al mismo tiempo un leverage muy alto (esto último indica que la variable independiente tiene un valor muy grande o muy pequeño). Esto significa que la presencia o ausencia de ese punto podrá afectar los resultados y párametros del modelo. Una medida de esa influencia es la distancia de Cook (que combina residuales y leverage) la cual aparece dibujada en el gráfico como curvas. Por arriba de 1 es peligrosamente influyente, aunque no hay una regla estricta.
+*'''''Residuales estandarizados vs leverage (gráfico de influencias).''''' Un observación será muy influyente si posee un valor residual muy grande y al mismo tiempo un leverage muy alto (esto último indica que el valor de la variable independiente para esa observación es muy grande o muy pequeño). Esto significa que la presencia o ausencia de ese punto podrá afectar los resultados y párametros del modelo. Una medida de esa influencia es la distancia de Cook (que combina residuales y leverage) la cual aparece dibujada en el gráfico como curvas. Por arriba de 1 se considera influyente, aunque no hay una regla estricta.
 ====Diagnósticos numéricos====

@@ Línea 2153: / Línea 2153: @@
 ==Diagnósticos de modelos==
-La violación del supuesto de no normalidad afectará la significancia de los terminos evaluados. Por otro lado, la presencia de observaciones influyentes (outliers) afectará la estimación de los parámetros. Esto no quiere decir necesariamente que hay removerlos. Generalmente, lo que indica es que el muestreo fue deficiente o que hubo un error en la toma de datos. Hay dos formas de analizar los datos: la gráfica y la numérica. Te recomendamos confiar en la gráfica porque cuando el número de observaciones es muy pequeño los diagnósticos numéricos son poco sensibles y, cuando es muy grande, son excesivamente sensibles.
+La violación del supuesto de no normalidad afectará la significancia de los terminos evaluados. Por otro lado, la presencia de observaciones influyentes afectará la estimación de los parámetros. Esto no quiere decir necesariamente que hay remover esas observaciones. Generalmente, lo que indica es que el muestreo fue deficiente o que hubo un error en la toma de datos. Hay dos formas de analizar los datos: la gráfica y la numérica. Te recomendamos confiar en la gráfica (aunque requiere práctica) porque cuando el número de observaciones es muy pequeño los diagnósticos numéricos son poco sensibles y, cuando es muy grande, son excesivamente sensibles.
 ====Diagnósticos Gráficos====

@@ Línea 2073: / Línea 2073: @@
 ==Salida de un modelo lineal==
-Los objetos creado a partir de un modelo lineal (en este caso el objeto fit) contienen mucha mas información de la que muestra summary y anova. Este tipo de información puede usarse para pruebas subsecuentes y análisis más detallados.
+Los objetos creado a partir de un modelo lineal (en este caso el objeto ''fit'') contienen mucha mas información que la que muestran ''summary'' y ''anova''. Este tipo de información puede usarse para pruebas subsecuentes y análisis más detallados.
 {| class="wikitable" border="1"
@@ Línea 2086: / Línea 2086: @@
 coef.fit <- fit$coef
-|Permite extraer los coeficientes. Hay dos formas alternativas de hacerlo. Guardamos los valores en un objeto al que llamamos coef.fit.
+|Permite extraer los coeficientes. Hay dos formas alternativas de hacerlo. Guardamos los valores en un objeto al que llamamos ''coef.fit''.
 |-
 !style="color:black; background-color:#679fd2;"|confint
@@ Línea 2094: / Línea 2094: @@
 confint(fit, level = 0.95)
-|Genera los intervalos de confianza (inferiror y superior) de los coeficientes estimados. El nivel de confianza puede manipularse con ''level''.
+|Genera los intervalos de confianza (inferior y superior) de los coeficientes estimados. El nivel de confianza puede manipularse con ''level''.
 |-
 !style="color:black; background-color:#679fd2;"|residuals
@@ Línea 2104: / Línea 2104: @@
 res.fit <- fit$resid
-|Permite extraer los residuales del modelo. Es importante guardarlos en un nuevo objeto (que llamamos res.fit) para después poder utilizarlos.
+|Permite extraer los residuales del modelo. Es importante guardarlos en un nuevo objeto (que llamamos ''res.fit'') para después poder utilizarlos.
 |-
 !style="color:black; background-color:#679fd2;"|fitted
@@ Línea 2114: / Línea 2114: @@
 fit.fit <- fit$fit
-|Permite extraer los valores predichos del modelo. Igual que arriba es importante guardarlos en un objeto (fit.fit).
+|Permite extraer los valores predichos del modelo. Igual que arriba es importante guardarlos en un objeto (''fit.fit'').
 |-
 ! style="color:white; background-color:#0c5da5;"|
@@ Línea 2145: / Línea 2145: @@
 recordando el modelo...
-Usamos la funcion predict a partir del objeto fit y de los valores de x recien creados. Predice nuevos valores de frutos basados en el ajuste entre frutos y tamaño pero ahora utilizando los valores de x. Si se le añade el se.fit = TRUE generará una columna de predichos y otra de errores estandar. Toda esa información se puede graficar.
+Usamos la función ''predict'' a partir del objeto ''fit'' y de los valores de ''x'' recién creados. Predice nuevos valores de frutos basados en el ajuste entre frutos y tamaño pero ahora utilizando los valores de ''x''. Si se le añade el ''se.fit'' = TRUE generará una columna de predichos y otra de errores estándar. Toda esa información se puede graficar.
 |-
 ! style="color:white; background-color:#0c5da5;"|

@@ Línea 1964: / Línea 1964: @@
 |}
-==Construcción de modelos lineales==
+==Construcción de modelos lineales y resúmenes básicos==
 Los modelos lineales tienen la ventaja de poder de poder incrementar en nivel de complejidad dependiendo de las necesidades y el diseño experimental utilizado. Los resultados de estos modelos pueden resumirse de dos maneras básicas, usando: ''summary'' y ''anova''.

@@ Línea 1970: / Línea 1970: @@
 *'''''summary''''' da la tabla de coeficientes. En el caso de una regresión los coeficientes son las conocidas ordenada al origen (β0) y la pendiente (β1) o pendientes parciales (β1, β2, β3) cuando el modelo contienen mas de un variable independiente. Para cada coeficiente hay una prueba t asociada que indica si difiere de 0. Cuando el modelo es una análisis de la varianza los coeficientes corresponden a las diferencias de medias entre los niveles de un factor y uno tomado como referencia alfabéticamente. Esta función también da los parámetros generales del modelo tales como el coeficiente de determinación (R<sup>2</sup>), el valor de ''F'', los grados de libertad y el valor de P.
-*'''''anova''''' da la tabla de análisis de varianza que muestra para cada variable los grados de libertad, la suma de cuadrados, los cuadrados medios, una prueba ''F'' con su correspondiente valor de P que indica si la porción de la variabilidad explicada por esa variable es significativa en relación con la variabilidad del error. Por defecto la función ''anova'' utiliza una suma de cuadrados de tipo I (secuencial).
+*'''''anova''''' da la tabla de análisis de varianza que muestra para cada variable los grados de libertad, la suma de cuadrados, los cuadrados medios, una prueba ''F'' con su correspondiente valor de P que indica si la porción de la variabilidad explicada por esa variable es significativa en relación con la variabilidad del error. Por defecto la función ''anova'' utiliza una suma de cuadrados de tipo I (secuencial). Para las otros tipos de sumas de cuadrados (II y III) utilizar la función ''Anova'' del paquete ''car''. Por ejemplo Anova(nombre_modelo, type ="II")
 {| class="wikitable" border="1"

@@ Línea 1968: / Línea 1968: @@
 Los modelos lineales tienen la ventaja de poder de poder incrementar en nivel de complejidad dependiendo de las necesidades y el diseño experimental utilizado. Los resultados de estos modelos pueden resumirse de dos maneras básicas, usando: ''summary'' y ''anova''.
-*'''''summary''''' da la tabla de coeficientes. En el caso de una regresión los coeficientes son las conocidas ordenada al origen (β0) y la pendiente (β1) o pendientes parciales (β1, β2, β3) cuando el modelo contienen mas de un variable independiente. Para cada coeficiente hay una prueba t asociada que indica si difiere de 0. Cuando el modelo es una análisis de la varianza los coeficientes corresponden a las diferencias de medias entre los niveles de un factor y uno tomado como referencia alfabéticamente. Esta función también da los parámetros generales del modelo tales como el coeficiente de determinación (R<sup>2</sup>), el valor de F, los grados de libertad y el valor de P.
+*'''''summary''''' da la tabla de coeficientes. En el caso de una regresión los coeficientes son las conocidas ordenada al origen (β0) y la pendiente (β1) o pendientes parciales (β1, β2, β3) cuando el modelo contienen mas de un variable independiente. Para cada coeficiente hay una prueba t asociada que indica si difiere de 0. Cuando el modelo es una análisis de la varianza los coeficientes corresponden a las diferencias de medias entre los niveles de un factor y uno tomado como referencia alfabéticamente. Esta función también da los parámetros generales del modelo tales como el coeficiente de determinación (R<sup>2</sup>), el valor de ''F'', los grados de libertad y el valor de P.
-*'''''anova''''' da la tabla de análisis de varianza que muestra, para cada variable, los grados de libertad, la suma de cuadrados, los cuadrados medios, una prueba ''F'' con su correspondiente valor de p que indica si la porción de la variabilidad explicada por esa variable es significativa en relación con la variabilidad del error (i.e. residuales). Por defecto la función ''anova'' utiliza una suma de cuadrados de tipo I.
+*'''''anova''''' da la tabla de análisis de varianza que muestra para cada variable los grados de libertad, la suma de cuadrados, los cuadrados medios, una prueba ''F'' con su correspondiente valor de P que indica si la porción de la variabilidad explicada por esa variable es significativa en relación con la variabilidad del error. Por defecto la función ''anova'' utiliza una suma de cuadrados de tipo I (secuencial).
 {| class="wikitable" border="1"
@@ Línea 1994: / Línea 1994: @@
 anova(fit)
-|Análisis de la varianza (ANOVA) de una vía. La variable pob es categorica con tres niveles. Si una variable es categorica y esta codificada con números (ej. la variable trat) es necesario transfromarla previamente utilizando ''factor'' o ''as.factor''.
+|Análisis de la varianza (ANOVA) de una vía. La variable pob es categórica con tres niveles. Si una variable es categórica y esta codificada con números (ej. la variable trat) es necesario transformarla previamente utilizando ''factor'' o ''as.factor''.
 |-
+|
@@ Línea 2021: / Línea 2021: @@
 |}
-Las '''formulas''' en los modelos lineales pueden respresentar distintas combinaciones de variables para ajustar modelos aditivos, con interacción (no aditivos), polinomios y modelos anidados.
+Las '''formulas''' en los modelos lineales pueden representar distintas combinaciones de variables para ajustar modelos aditivos, con interacción (no aditivos), polinomios y modelos anidados.
 {| class="wikitable" border="1"
@@ Línea 2066: / Línea 2066: @@
 Y~ A + I(A^2)
-|Modelo con efectos lineales y cuadráticos. I permite introducir efectos no lineales (cuadraticos, cubicos, logaritmicos etc).
+|Modelo con efectos lineales y cuadráticos. I permite introducir efectos no lineales (cuadráticos, cúbicos, logarítmicos etc).
 |-
 ! style="color:white; background-color:#0c5da5;"|