Práctico 4. Visualización de variables

R data analisis

Fecha de publicación

26 de marzo de 2024

Presentación

Objetivo de la práctica

Esta práctica asume como base el desarrollo de la Práctica anterior, a la cual se hará referencia permanente. Sin embargo, en esta oportunidad la base de datos contiene los datos de los 18 países participantes en la encuesta, no solo Chile. El código específico que crea esta base está disponible acá

En la Práctica anterior se desarrolló un código de preparación de datos que generó una base de datos procesada para el análisis. En esta Práctica comenzamos con el segundo momento de procesamiento de datos, que es el análisis propiamente tal. El análisis se divide en descripción de variables y contraste de hipótesis. En esta práctica nos enfocaremos en la primera fase, que llega hasta el punto 3 del código de análisis:

Al igual que el Código de Preparación, el Código de Análisis posee una estructura definida. En este caso son 4 partes, donde las primeras son similares al código de preparación:

  1. Identificación y descripción general: Título, autor(es), fecha, información breve sobre el contenido del documento
  2. Librerías principales (de R) a utilizar en el análisis
  3. Datos (que provienen de los preparados en la fase anterior)
  4. Descripción de variables
    • Tabla general de variables para la sección metodológica del reporte
    • Exploración descriptiva de relaciones entre variables
  5. Contraste de hipótesis / inferencia estadística según la técnica que corresponda

Al final de esta práctica la idea es que cada un_ pueda avanzar hasta el punto 3 del Código de Análisis. El punto 4 (contraste de hipótesis) se desarrollará más adelante en este curso con énfasis en la técnica de regresión.

Código de análisis

1. Librerías

Código 
pacman::p_load(sjlabelled,
               dplyr, #Manipulacion de datos
              stargazer, #Tablas
              sjmisc, # Tablas
              summarytools, # Tablas
              kableExtra, #Tablas
              sjPlot, #Tablas y gráficos
              corrplot, # Correlaciones
              sessioninfo, # Información de la sesión de trabajo
              ggplot2) # Para la mayoría de los gráficos

2. Cargar base de datos

Vamos a cargar la base de datos latinobarometro_proc.Rdata, que generamos durante la práctica anterior. Se puede llamar desde el directorio en que se guardó anteriormente dando la ruta completa:

Código 
load("ruta-hacia-carpeta-local/latinobarometro_proc.RData") #Cargar base de datos

O también para esta práctica la podemos llamar directamente desde nuestro sitio web:

Código 
load(url("https://github.com/Kevin-carrasco/R-data-analisis/raw/main/files/data/latinobarometro_total.RData")) #Cargar base de datos
  • Exploración inicial general de la base de datos
Código 
names(proc_data) # Muestra los nombres de las variables de la base de datos
[1] "conf_gob"     "conf_cong"    "conf_jud"     "conf_partpol" "educacion"   
[6] "sexo"         "edad"         "idenpa"       "conf_inst"
Código 
dim(proc_data) # Dimensiones
[1] 20204     9

En el caso de esta base, 20204 casos y 9 variables

Recordando el contenido de cada variable preparada en la práctica anterior:

  • [conf_gob] = Confianza en el gobierno.

  • [conf_cong] = Confianza en el congreso.

  • [conf_jud] = Confianza en el poder judicial.

  • [conf_partpol] = Confianza en los partidos políticos.

  • [conf_inst] = Indice sumativo de confianza en instituciones políticas.

  • [educacion] = Nivel educacional(1 = Educacion básica, 2 = Educacion media, 3 = superior)

  • [sexo] = Sexo (O = Hombre; 1 = Mujer)

  • [edad] = ¿Cuáles su edad?

3. Descripción de variables

Los resultados referidos a descripción de variables se presentan en dos momentos del reporte de investigación:

  • en la sección de metodología, cuando se presentan las variables del estudio en una tabla descriptiva de variables.

  • en la sección de análisis, que en general comienza con una exploración de asociaciones entre variables, también conocido como análisis descriptivo.

3.1 Tabla descriptiva de variables para sección metodológica

A continuación se presentan dos opciones de generar esta tabla descriptiva de variables con distintas librerías de R.

a. Tabla descriptiva con stargazerstargazer

La función stargazer (de la librería del mismo nombre) permitirá mostrar los principales estadísticos descriptivos univariados de las variables: medidas de tendencia central (media), de dispersión (desviación estándar) y posición (mínimo, máximo, percentiles).

Código 
stargazer(proc_data,type = "text")

============================================
Statistic      N     Mean   St. Dev. Min Max
--------------------------------------------
conf_gob     19,748  0.967   1.001    0   3 
conf_cong    19,382  0.819   0.876    0   3 
conf_jud     19,467  0.940   0.923    0   3 
conf_partpol 19,653  0.603   0.798    0   3 
edad         20,204 40.999   16.538  16  100
idenpa       20,204 365.378 260.493  32  862
conf_inst    18,768  3.303   2.851    0  12 
--------------------------------------------

Algunas observaciones sobre esta tabla:

  • La opción type="text" permite que podamos ver los resultados directamente en la consola, de manera bastante rudimentaria. Con otras opciones que veremos más adelante se puede estilizar para su publicación.

  • Una distinción relevante a considerar cuando se describen variables es si estas son categóricas o continuas. La definición de si una variables es tratada como categórica o continua es algo que hace el/la autor/a del reporte, sin embargo hay variables nominales como sexo que claramente corresponden a categóricas, y por lo tanto no corresponde hacer un promedio entre ambas. Sin embargo, como esta variable está codificada 0 (hombre) y 1 (mujer), en este caso lo que indica el valor de la columna promedio (Mean=0.537) es la proporción de mujeres vs hombres. En otras palabras, hay un 54% de mujeres y 46% de hombres en la muestra.

b. Tablas descriptivas con descr, librería sjmiscsjmisc::descr

La opción básica de descr es la siguiente:

Código 
sjmisc::descr(proc_data)

## Basic descriptive statistics

          var        type                         label     n NA.prc   mean
     conf_gob     numeric           Confianza: Gobierno 19748   2.26   0.97
    conf_cong     numeric           Confianza: Congreso 19382   4.07   0.82
     conf_jud     numeric     Confianza: Poder judicial 19467   3.65   0.94
 conf_partpol     numeric Confianza: Partidos politicos 19653   2.73   0.60
    educacion categorical                     Educación 20201   0.01   1.88
         sexo categorical                          Sexo 20204   0.00   1.52
         edad     numeric                          Edad 20204   0.00  41.00
       idenpa     numeric                        idenpa 20204   0.00 365.38
    conf_inst     numeric    Confianza en instituciones 18768   7.11   3.30
     sd   se  md trimmed        range iqr  skew
   1.00 0.01   1    0.83      3 (0-3)   2  0.70
   0.88 0.01   1    0.71      3 (0-3)   1  0.82
   0.92 0.01   1    0.84      3 (0-3)   2  0.65
   0.80 0.01   0    0.47      3 (0-3)   1  1.19
   0.76 0.01   2    1.85      2 (1-3)   1  0.20
   0.50 0.00   2    1.53      1 (1-2)   1 -0.09
  16.54 0.12  39   39.90  84 (16-100)  28  0.49
 260.49 1.83 222  343.35 830 (32-862) 421  0.56
   2.85 0.02   3    2.99    12 (0-12)   4  0.75

En este caso utilizamos la forma librería::función (sjmisc::descr), ya que la función descr también existe en otras librerías y así nos aseguramos que la función utilizada es de esa librería específica.

Seleccionamos algunas columnas específicas con información más relevante con la opción show. Además, agregamos la función kable para obtener una tabla que luego sea fácilmente publicable en distintos formatos (a profundizar en ejercicios posteriores):

Código 
sjmisc::descr(proc_data,
      show = c("label","range", "mean", "sd", "NA.prc", "n"))%>%
      kable(.,"markdown")
var label n NA.prc mean sd range
2 conf_gob Confianza: Gobierno 19748 2.2569788 0.9668321 1.0013733 3 (0-3)
1 conf_cong Confianza: Congreso 19382 4.0685013 0.8193169 0.8761394 3 (0-3)
4 conf_jud Confianza: Poder judicial 19467 3.6477925 0.9404633 0.9232323 3 (0-3)
5 conf_partpol Confianza: Partidos politicos 19653 2.7271827 0.6032158 0.7975983 3 (0-3)
7 educacion Educación 20201 0.0148485 1.8826296 0.7588656 2 (1-3)
9 sexo Sexo 20204 0.0000000 1.5215304 0.4995486 1 (1-2)
6 edad Edad 20204 0.0000000 40.9985151 16.5383434 84 (16-100)
8 idenpa idenpa 20204 0.0000000 365.3783409 260.4932509 830 (32-862)
3 conf_inst Confianza en instituciones 18768 7.1075035 3.3030158 2.8506243 12 (0-12)

c. Tabla descriptiva con summarytools::dfSummarysummarytools::dfSummary

Esta tercera opción nos ofrece una tabla aún más detallada, con gráficos para cada variable, las frecuencias para cada valor, y las etiquetas de las variables, por lo que es muy recomendable.

Se específica de la siguiente manera:

Código 
summarytools::dfSummary(proc_data, plain.ascii = FALSE)
### Data Frame Summary  
#### proc_data  
**Dimensions:** 20204 x 9  
**Duplicates:** 2673  

----------------------------------------------------------------------------------------------------------------------------------------------------------
No   Variable        Label                           Stats / Values               Freqs (% of Valid)   Graph                          Valid      Missing  
---- --------------- ------------------------------- ---------------------------- -------------------- ------------------------------ ---------- ---------
1    conf_gob\       Confianza: Gobierno             Mean (sd) : 1 (1)\           0 : 8138 (41.2%)\    IIIIIIII \                     19748\     456\     
     [numeric]                                       min < med < max:\            1 : 6228 (31.5%)\    IIIIII \                       (97.7%)    (2.3%)   
                                                     0 < 1 < 3\                   2 : 3281 (16.6%)\    III \                                              
                                                     IQR (CV) : 2 (1)             3 : 2101 (10.6%)     II                                                 

2    conf_cong\      Confianza: Congreso             Mean (sd) : 0.8 (0.9)\       0 : 8495 (43.8%)\    IIIIIIII \                     19382\     822\     
     [numeric]                                       min < med < max:\            1 : 6905 (35.6%)\    IIIIIII \                      (95.9%)    (4.1%)   
                                                     0 < 1 < 3\                   2 : 2971 (15.3%)\    III \                                              
                                                     IQR (CV) : 1 (1.1)           3 : 1011 ( 5.2%)     I                                                  

3    conf_jud\       Confianza: Poder judicial       Mean (sd) : 0.9 (0.9)\       0 : 7550 (38.8%)\    IIIIIII \                      19467\     737\     
     [numeric]                                       min < med < max:\            1 : 6886 (35.4%)\    IIIIIII \                      (96.4%)    (3.6%)   
                                                     0 < 1 < 3\                   2 : 3671 (18.9%)\    III \                                              
                                                     IQR (CV) : 2 (1)             3 : 1360 ( 7.0%)     I                                                  

4    conf_partpol\   Confianza: Partidos politicos   Mean (sd) : 0.6 (0.8)\       0 : 11097 (56.5%)\   IIIIIIIIIII \                  19653\     551\     
     [numeric]                                       min < med < max:\            1 :  5857 (29.8%)\   IIIII \                        (97.3%)    (2.7%)   
                                                     0 < 0 < 3\                   2 :  2099 (10.7%)\   II \                                               
                                                     IQR (CV) : 1 (1.3)           3 :   600 ( 3.1%)                                                       

5    educacion\      Educación                       1\. Educacion basica\        7141 (35.3%)\        IIIIIII \                      20201\     3\       
     [factor]                                        2\. Educacion media\         8290 (41.0%)\        IIIIIIII \                     (100.0%)   (0.0%)   
                                                     3\. Educacion superior       4770 (23.6%)         IIII                                               

6    sexo\           Sexo                            1\. Hombre\                  9667 (47.8%)\        IIIIIIIII \                    20204\     0\       
     [factor]                                        2\. Mujer                    10537 (52.2%)        IIIIIIIIII                     (100.0%)   (0.0%)   

7    edad\           Edad                            Mean (sd) : 41 (16.5)\       81 distinct values   : : :\                         20204\     0\       
     [numeric]                                       min < med < max:\                                 : : : \ \ .\                   (100.0%)   (0.0%)   
                                                     16 < 39 < 100\                                    : : : : : :\                                       
                                                     IQR (CV) : 28 (0.4)                               : : : : : : .\                                     
                                                                                                       : : : : : : : .                                    

8    idenpa\                                         Mean (sd) : 365.4 (260.5)\   18 distinct values   \ \ \ \ \ \ \ \ \ \ \ \ :\     20204\     0\       
     [numeric]                                       min < med < max:\                                 : : . \ \ \ \ \ \ :\           (100.0%)   (0.0%)   
                                                     32 < 222 < 862\                                   : : : . \ \ \ \ : \ \ \ \ .\                       
                                                     IQR (CV) : 421 (0.7)                              : : : : \ \ . : \ \ \ \ :\                         
                                                                                                       : : : : \ \ : : \ \ \ \ :                          

9    conf_inst\      Confianza en instituciones      Mean (sd) : 3.3 (2.9)\       13 distinct values   :\                             18768\     1436\    
     [numeric]                                       min < med < max:\                                 :\                             (92.9%)    (7.1%)   
                                                     0 < 3 < 12\                                       : \ \ \ \ .\                                       
                                                     IQR (CV) : 4 (0.9)                                : . : : :\                                         
                                                                                                       : : : : : . . . \ \ .                              
----------------------------------------------------------------------------------------------------------------------------------------------------------

Es muy ancha para visualizar bien en la consola de R, pero en su versión más definitiva de publicación se verá así:

Código 
view(dfSummary(proc_data, headings=FALSE))
No Variable Label Stats / Values Freqs (% of Valid) Graph Valid Missing
1 conf_gob [numeric] Confianza: Gobierno
Mean (sd) : 1 (1)
min ≤ med ≤ max:
0 ≤ 1 ≤ 3
IQR (CV) : 2 (1)
0 : 8138 ( 41.2% )
1 : 6228 ( 31.5% )
2 : 3281 ( 16.6% )
3 : 2101 ( 10.6% )
19748 (97.7%) 456 (2.3%)
2 conf_cong [numeric] Confianza: Congreso
Mean (sd) : 0.8 (0.9)
min ≤ med ≤ max:
0 ≤ 1 ≤ 3
IQR (CV) : 1 (1.1)
0 : 8495 ( 43.8% )
1 : 6905 ( 35.6% )
2 : 2971 ( 15.3% )
3 : 1011 ( 5.2% )
19382 (95.9%) 822 (4.1%)
3 conf_jud [numeric] Confianza: Poder judicial
Mean (sd) : 0.9 (0.9)
min ≤ med ≤ max:
0 ≤ 1 ≤ 3
IQR (CV) : 2 (1)
0 : 7550 ( 38.8% )
1 : 6886 ( 35.4% )
2 : 3671 ( 18.9% )
3 : 1360 ( 7.0% )
19467 (96.4%) 737 (3.6%)
4 conf_partpol [numeric] Confianza: Partidos politicos
Mean (sd) : 0.6 (0.8)
min ≤ med ≤ max:
0 ≤ 0 ≤ 3
IQR (CV) : 1 (1.3)
0 : 11097 ( 56.5% )
1 : 5857 ( 29.8% )
2 : 2099 ( 10.7% )
3 : 600 ( 3.1% )
19653 (97.3%) 551 (2.7%)
5 educacion [factor] Educación
1. Educacion basica
2. Educacion media
3. Educacion superior
7141 ( 35.3% )
8290 ( 41.0% )
4770 ( 23.6% )
20201 (100.0%) 3 (0.0%)
6 sexo [factor] Sexo
1. Hombre
2. Mujer
9667 ( 47.8% )
10537 ( 52.2% )
20204 (100.0%) 0 (0.0%)
7 edad [numeric] Edad
Mean (sd) : 41 (16.5)
min ≤ med ≤ max:
16 ≤ 39 ≤ 100
IQR (CV) : 28 (0.4)
81 distinct values 20204 (100.0%) 0 (0.0%)
8 idenpa [numeric]
Mean (sd) : 365.4 (260.5)
min ≤ med ≤ max:
32 ≤ 222 ≤ 862
IQR (CV) : 421 (0.7)
18 distinct values 20204 (100.0%) 0 (0.0%)
9 conf_inst [numeric] Confianza en instituciones
Mean (sd) : 3.3 (2.9)
min ≤ med ≤ max:
0 ≤ 3 ≤ 12
IQR (CV) : 4 (0.9)
13 distinct values 18768 (92.9%) 1436 (7.1%)

Generated by summarytools 1.0.1 (R version 4.3.2)
2024-05-07

Nota sobre casos perdidos (NAs) na.omit(data)

Hasta ahora hemos mantenido los casos perdidos en la base de datos, ya que son importantes de reportar en la tabla general de variables. Sin embargo, de aquí en adelante se recomienda trabajar solo con casos completos, es decir, sacar los casos perdidos. El quitar los casos perdidos de una base de datos es muy simple con la función na.omit, pero para tomar precauciones y asegurarse que funciona se recomienda el siguiente procedimiento:

  • respaldar la base de datos original en el espacio de trabajo (por si queremos en adelante realizar algún análisis referido a casos perdidos), la dejaremos con el nombre proc_data_original.
  • contamos el número de casos con el comando dim
  • contamos el número de casos perdidos con sum(is.na(proc_data))
  • borramos los casos perdidos con proc_data <-na.omit(proc_data)
  • contamos nuevamente con dim para asegurarnos que se borraron
  • y por temas de funcionamiento de R, al realizar la operación de sacar casos perdidos, se borra toda la información de las etiquetas (labels), así que las recuperamos de la base original con el comando copy_labels, de la librería sjlabelled.
Código 
proc_data_original <-proc_data
dim(proc_data)
[1] 20204     9
Código 
sum(is.na(proc_data))
[1] 4005
Código 
proc_data <-na.omit(proc_data)
dim(proc_data)
[1] 18765     9
Código 
proc_data <-sjlabelled::copy_labels(proc_data,proc_data_original)

3.2 Visualización de variables

Para visualizar variables mediante gráficos, en R el paquete más comúnmente usado es ggplot2. La lógica detrás de este paquete es que funciona por capas.

Código 
ggplot()

Código 
ggplot(proc_data, aes(x = conf_inst))

Código 
proc_data %>% ggplot(aes(x = conf_inst)) + 
  geom_bar()

Código 
proc_data %>% ggplot(aes(x = conf_inst)) + 
  geom_bar(fill = "coral")

Código 
proc_data %>% ggplot(aes(x = conf_inst)) + 
  geom_bar(fill = "coral")+
  labs(title = "Confianza en instituciones",
       x = "Confianza en instituciones",
       y = "Frecuencia")

Código 
# Crear el gráfico usando ggplot2
graph1 <- proc_data %>% ggplot(aes(x = conf_inst)) + 
  geom_bar(fill = "coral")+
  labs(title = "Confianza en instituciones",
       x = "Confianza en instituciones",
       y = "Frecuencia") +
  theme_bw()

graph1

Código 
# y lo podemos guardar:

ggsave(graph1, file="files/img/graph1.png")
Saving 7 x 5 in image

3.3 Exploración de asociación entre variables

Dado que las hipótesis de investigación corresponden a asociación entre variables, antes de realizar el contraste de hipótesis se suele presentar un análisis descriptivo que explora las asociaciones entre variables.

La forma de explorar las asociaciones entre variables dependen de la naturaleza de las variables que se asocian:

  • Variables categóricas: tabla de contingencia
  • Variable categórica y continua: tabla de promedios por cada categoría

En esta sección también es muy relevante la visualización de datos mediante gráficos, por lo que incluiremos algunos.

El uso tanto de tablas como de gráficos en el reporte queda a discreción del/a autor/a. La pregunta que orienta esta decisión es: ¿Me permite enriquecer la discusión de los resultados en relación a las hipótesis planteadas?

Tablas de contingencia para variables categóricas

Para tablas de contingencia categóricas utilizaremos la función sjt.xtab, de la librería sjPlot. Veamos primero una especificación simple: sjPlot::sjt.xtab

Código 
sjt.xtab(proc_data$educacion, proc_data$sexo)
Educación Sexo Total
Hombre Mujer
Educacion basica 3027 3216 6243
Educacion media 3845 4041 7886
Educacion superior 2252 2384 4636
Total 9124 9641 18765
χ2=0.108 · df=2 · Cramer's V=0.002 · p=0.948

Al ejecutar el comando, el resultado aparece automáticamente en el visor de RStudio. A esta tabla podemos también agregar porcentajes de filas y/o columnas, según sea lo más relevante analizar. En general se recomienda agregar solo un porcentaje, de otra manera la tabla se satura de información. Además, vamos a quitar el pie de la tabla (conviene dejarlo solo si hay hipótesis asociadas al cruce simple entre las dos variables).

Código 
sjt.xtab(proc_data$educacion, proc_data$sexo,
        show.col.prc=TRUE,
        show.summary=FALSE,
        encoding = "UTF-8"
)
Educación Sexo Total
Hombre Mujer
Educacion basica 3027
33.2 %		 3216
33.4 %		 6243
33.3 %
Educacion media 3845
42.1 %		 4041
41.9 %		 7886
42 %
Educacion superior 2252
24.7 %		 2384
24.7 %		 4636
24.7 %
Total 9124
100 %		 9641
100 %		 18765
100 %

Tablas de promedio de variable continua por una categóricas

En ejemplo vamos a explorar datos de nuestra variable de confianza en instituciones conf_inst por los niveles educacionales educacion.

Una forma rápida de explorar esto es mediante la función tapply, que nos entrega de manera simple el promedio de una variable por otra:

Código 
tapply(proc_data$conf_inst, proc_data$educacion, mean)
  Educacion basica    Educacion media Educacion superior 
          3.396604           3.229647           3.303063

Aquí vemos en promedio de conf_inst para cada uno de los 3 niveles de la variable educación educacion. Si se estima conveniente este tipo de cruces se puede representar también en una tabla con más opciones de información y también de publicación. Para esto utilizaremos una función algo más compleja de la librería dplyr.dplyr Esta librería permite aplicar una serie de funciones concatenadas y enlazadas mediante el operador %>%. El sentido de cada función aparece comentado abajo:

Código 
proc_data %>% # se especifica la base de datos
  select(conf_inst,educacion) %>% # se seleccionan las variables
  dplyr::group_by(Educación=sjlabelled::as_label(educacion)) %>% # se agrupan por la variable categórica y se usan sus etiquetas con as_label
  dplyr::summarise(Obs.=n(),Promedio=mean(conf_inst),SD=sd(conf_inst)) %>% # se agregan las operaciones a presentar en la tabla
  kable(., format = "markdown") # se genera la tabla
Educación Obs. Promedio SD
Educacion basica 6243 3.396604 3.038681
Educacion media 7886 3.229648 2.751494
Educacion superior 4636 3.303063 2.749961

Esta asociación también se puede representar de manera más simple con un gráfico, en este caso de cajas o boxplot mediante la función geom_boxplot de gplot2:

Código 
graph <- ggplot(proc_data, aes(x =educacion, y = conf_inst)) +
  geom_boxplot() +
  labs(x = "Educación", y = "Confianza en instituciones") +
  theme_minimal()

graph

Código 
# y lo podemos guardar:

ggsave(graph, file="files/img/graph.png")
Saving 7 x 5 in image

Sin embargo, al ser los promedios similares no permite ver demasiadas diferencias… Probemos otro

Código 
ggplot(proc_data, aes(x =educacion, y = conf_inst)) +
  geom_point() +
  labs(x = "Educación", y = "Confianza en instituciones") +
  theme_minimal()

En este gráfico cada punto representa una observación para cada categoría. Por lo tanto, al existir tantos valores difernetes en cada categoría, el gráfico tampoco nos presenta información sustantiva ¿Qué necesitamos hacer? Necesitamos obtener exactamente los datos que queremos graficar, esto es, el promedio por cada categoría. Volvamos a group_by

Código 
datos <- proc_data %>% group_by(educacion) %>% 
  summarise(promedio = mean(conf_inst))

ggplot(datos, aes(x =educacion, y = promedio)) +
  geom_point() +
  labs(x = "Educación", y = "Confianza en instituciones") +
  theme_minimal()+
  ylim(0, 12)

Este gráfico entrega un poco más de información, pero al ver pocas diferencias en el promedio de cada categoría no se logran evidenciar

Código 
proc_data$idenpa <- factor(proc_data$idenpa,
            labels=c("Argentina",
         "Bolivia",
         "Brasil",
         "Chile",
         "Colombia",
         "Costa Rica",
         "Cuba",
         "República Dominicana",
         "Ecuador",
         "El Salvador",
         "Guatemala",
         "Honduras",
         "México",
         "Nicaragua",
         "Panamá",
         "Paraguay",
         "Uruguay",
         "Venezuela"),
            levels=c("32",
         "68",
         "76",
         "152",
         "170",
         "188",
         "214",
         "218",
         "222",
         "320",
         "340",
         "484",
         "558",
         "591",
         "600",
         "604",
         "858",
         "862"))


graph_box <- ggplot(proc_data, aes(x = idenpa, y = conf_inst)) +
  geom_boxplot() +
  labs(x = "País", y = "Confianza en instituciones") +
  theme_minimal()+
  theme(axis.text.x = element_text(angle = 45, hjust = 1))  # Rotar las etiquetas del eje x

graph_box

Código 
# y lo podemos guardar:

ggsave(graph_box, file="files/img/graph.png")
Saving 7 x 5 in image

De manera alternativa, podemos seguir explorando nuestros datos con otros gráficos

Para varias variables univariadas, tipo escala likert, una buena alternativa es el paquete sjPlot, en este caso la función plot_stackfrq:

Código 
graph2 <- sjPlot::plot_stackfrq(dplyr::select(proc_data, conf_gob,
                                 conf_cong,
                                 conf_jud,
                                 conf_partpol),
                                 title = "Confianza en instituciones políticas") +
  theme(legend.position="bottom")

graph2

Código 
# Guardamos

ggsave(graph2, file="files/img/graph2.png")
Saving 7 x 5 in image

Para asociación de dos variables, retomemos el primer gráfico:

Código 
graph3 <- proc_data %>% ggplot(aes(x = conf_inst, fill = sexo)) + 
  geom_bar() +
  xlab("Confianza en instituciones") +
  ylab("Cantidad") + 
  labs(fill="Sexo")+
  scale_fill_discrete(labels = c('Hombre','Mujer'))

graph3

Código 
# Guardamos

ggsave(graph3, file="files/img/graph3.png")
Saving 7 x 5 in image

una forma alternativa:

Código 
proc_data %>% ggplot(aes(x = conf_inst)) + 
  geom_bar() +
  xlab("Confianza en instituciones") +
  ylab("Cantidad")+
  facet_wrap(~sexo)

Para variables continuas

Código 
graph4 <- ggplot(proc_data, aes(x = as.numeric(edad))) +
  geom_histogram(binwidth=0.6, colour="black", fill="yellow") +
  theme_bw() +
  xlab("Edad") +
  ylab("Cantidad")

graph4

Código 
# Guardamos

ggsave(graph4, file="files/img/graph4.png")
Saving 7 x 5 in image

y lo podemos complicar un poco más…

Asociación entre tres variables

con facet_wrap dividimos el gráfico en distintos paneles, según la cantidad de categorías que tenga una variable

Código 
datos <- proc_data %>% group_by(educacion, sexo) %>% 
  summarise(promedio = mean(conf_inst))
`summarise()` has grouped output by 'educacion'. You can override using the
`.groups` argument.
Código 
ggplot(datos, aes(x =educacion, y = promedio)) +
  geom_point() +
  labs(x = "Educación", y = "Confianza en instituciones") +
  theme_bw()+
  ylim(0, 12)+
  facet_wrap(~sexo)

o alternativamente…

Código 
ggplot(datos, aes(x =sexo, y = promedio)) +
  geom_point() +
  labs(x = "Sexo", y = "Confianza en instituciones") +
  theme_bw()+
  ylim(0, 12)+
  facet_wrap(~educacion)

Probemos otras agrupaciones. Por ejemplo, categorizar edad en grupos para estimar promedios grupales. Una función clave para lograr esto puede ser case_when de dplyr, combinándolo con mutate. Es decir, crear una nueva variable a partir de un condicional

Código 
summary(proc_data$edad)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
  16.00   26.00   38.00   40.53   53.00  100.00
Código 
proc_data <- proc_data %>% 
  mutate(edad_groups = case_when(edad >=16 & edad<=25 ~ "Entre 16 y 25 años",
                                 edad >=26 & edad<=39 ~ "Entre 26 y 39 años",
                                 edad >=40 & edad<=65 ~ "Entre 40 y 65 años",
                                 edad >65 ~ "Más de 65 años"))

table(proc_data$edad_groups)

Entre 16 y 25 años Entre 26 y 39 años Entre 40 y 65 años     Más de 65 años 
              4304               5487               7390               1584

Ahora creamos este gráfico

Código 
datos <- proc_data %>% group_by(educacion, edad_groups) %>% 
  summarise(promedio = mean(conf_inst))
`summarise()` has grouped output by 'educacion'. You can override using the
`.groups` argument.
Código 
ggplot(datos, aes(x =educacion, y = promedio)) +
  geom_point() +
  labs(x = "Educación", y = "Confianza en instituciones") +
  theme_bw()+
  ylim(0, 7)+
  facet_wrap(~edad_groups)

y lo podemos seguir complicando, por ejemplo, agregando otra variable en el gráfico

Código 
datos <- proc_data %>% group_by(educacion, sexo, edad_groups) %>% 
  summarise(promedio = mean(conf_inst))
`summarise()` has grouped output by 'educacion', 'sexo'. You can override using
the `.groups` argument.
Código 
ggplot(datos, aes(x =educacion, y = promedio, color=sexo)) +
  geom_point() +
  labs(x = "Educación", y = "Confianza en instituciones") +
  theme_bw()+
  ylim(0, 7)+
  facet_wrap(~edad_groups)

Con ‘color’ (gráfico anterior) solo se diferencia la variable según color. Con ‘shape’ (gráfico siguiente) también se diferencia según la forma de la representación

Código 
ggplot(datos, aes(x =educacion, y = promedio, color=sexo, shape=sexo)) +
  geom_point() +
  labs(x = "Educación", y = "Confianza en instituciones") +
  theme_bw()+
  ylim(0, 7)+
  facet_wrap(~edad_groups)

Y tenemos aún un problema… las categorías del eje x se están solapando. Eso lo podemos corregir modificando el ángulo del eje x.

Código 
ggplot(datos, aes(x = educacion, y = promedio, color = sexo, shape = sexo)) +
  geom_point() +
  labs(x = "Educación", y = "Confianza en instituciones") +
  theme_bw() +
  ylim(0, 7) +
  facet_wrap(~edad_groups) +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Unir bases de datos

Una de las grandes ventajas del uso de sofwares para el análisis de datos es poder utilizar distintas fuentes de datos y combinarlas en una sola base de datos que nos permita potenciar y profundizar nuestros análisis. Por ejemplo, si utilizamos la base de datos del Latinobarómetro, que incluye datos de 18 países de latinoamérica, podemos combinar esta base enfocada en preguntas de percepciones, creencias y actitudes sociopolíticas con datos administrativos de cada país.

En este ejemplo, vincularemos la base del Latinobarómetro con la World Values Survey, una encuesta internacional que incluye datos para 86 países de todo el mundo. Sin embargo, debido a la gran envergadura de esta base de datos, no contamos con datos para los 18 países del latinobarómetro. Vamos verificando paso a paso lo que podemos hacer.

Retomando desde el comienzo

Cargamos ambas bases de datos desde internet

Código 
load(url("https://github.com/Kevin-carrasco/R-data-analisis/raw/main/files/data/latinobarometro_total.RData")) #Cargar base de datos
load(url("https://github.com/Kevin-carrasco/R-data-analisis/raw/main/files/data/data_wvs.RData")) #Cargar base de datos

Para trabajar con ambas bases, agruparemos las variables de interés por país, por lo que ya no trabajaremos directamente con individuos.

Código 
context_data <- wvs %>% group_by(B_COUNTRY) %>% # Agrupar por país
  summarise(gdp = mean(GDPpercap1, na.rm = TRUE), # Promedio de GDP per capita
         life_exp = mean(lifeexpect, na.rm = TRUE), # Promedio esperanza de vida
         gini = mean(giniWB, na.rm = TRUE)) %>%  # Promedio gini
  rename(idenpa=B_COUNTRY) # Para poder vincular ambas bases, es necesario que la variable de identificación se llamen igual
context_data$idenpa <- as.numeric(context_data$idenpa) # Como era categórica, la dejamos numérica

proc_data <- proc_data %>% group_by(idenpa) %>%  # agrupamos por país
  summarise(promedio = mean(conf_inst, na.rm = TRUE)) # promedio de confianza en instituciones por país

Para vincular nuestras bases de datos existen múltiples opciones, la primera es ‘merge’ de R base y las siguinetes tres vienen desde dplyr: ‘right_join’, ‘full_join’ y ‘left_join’. Cada una tiene sus propias potencialidades y limitaciones y dependerá de cada caso cuál usemos

Probemos merge

Código 
data <- merge(proc_data, context_data, by="idenpa")

data tiene 12 observaciones y 5 variables. En el fondo lo que hace es vincular solo aquellos casos que tienen datos disponibles para ambas bases originales

Código 
data1 <- right_join(proc_data, context_data, by="idenpa")

data1 tiene 64 observaciones y 5 variables. Esta función lo que hace es mantener todos los valores de la base de la ‘derecha’ (los 64 originales) y añadir los de la ‘izquierda’ con la identificación que corresponde. Para el resto de países que no tienen valores en la base del latinobarómetro, los agrega como NA

Código 
data2 <- left_join(proc_data, context_data, by="idenpa")

data2 tiene 18 observaciones y 5 variables. Esta función es el proceso inverso de right_join. Mantiene todos los valores de la base de la ‘izquierda’ y los vincula con los de la ‘derecha’ cuando corresponde. Para el resto de países de latinobarómetro que no tienen casos en WVS, los deja como NA en las nuevas varaibles

Código 
data3 <- full_join(proc_data, context_data, by="idenpa")

Finalmente data3 tiene 70 observaciones y 5 variables. Esta función junta todo lo que pueda, es decir, mantiene todos los casos de latinobarómetro y de WVS, por eso si nos fijamos en el país que tiene por código 909, esta función lo mantiene aunque no tenga valores en latinobarómetro ni en WVS.

¿Cuál es la mejor opción para este caso?

Vamos a quedarnos con la función original de R base ‘merge’ ya que para poder visualizar y representar resultados en un gráfico, en este ejemplo solo nos interesa mostrar aquellos casos completos.

Código 
data <- data %>%
  mutate(idenpa = as.character(idenpa)) %>%
  mutate(idenpa = case_when(
    idenpa == "32" ~ "Argentina",
    idenpa == "68" ~ "Bolivia",
    idenpa == "76" ~ "Brasil",
    idenpa == "152" ~ "Chile",
    idenpa == "170" ~ "Colombia",
    idenpa == "188" ~ "Costa Rica",
    idenpa == "214" ~ "Cuba",
    idenpa == "218" ~ "República Dominicana",
    idenpa == "222" ~ "Ecuador",
    idenpa == "320" ~ "El Salvador",
    idenpa == "340" ~ "Guatemala",
    idenpa == "484" ~ "Honduras",
    idenpa == "558" ~ "México",
    idenpa == "591" ~ "Nicaragua",
    idenpa == "600" ~ "Panamá",
    idenpa == "604" ~ "Paraguay",
    idenpa == "858" ~ "Uruguay",
    idenpa == "862" ~ "Venezuela"))
data$gdp <- as.numeric(data$gdp)
data$gdp[data$gdp==0] <- NA
data <- na.omit(data)
Código 
data %>%
  ggplot(aes(x = gdp, y = promedio, label = idenpa)) +
  geom_point() +
  geom_text(vjust = -0.5) +
  labs(x = "GDP", y = "Promedio") +
  theme_bw()