Introducción al flujo de investigación reproducible

1 Introducción al flujo de investigación reproducible

1.1 Prerequisitos

2 Github

2.1 Descripción

Github es una plataforma de desarrollo colaborativo que permite alojar proyectos utilizando el sistema de control de versiones Git. Se utiliza principalmente para la creación de código fuente de programas (software).

Note

El 4 de junio de 2018 Microsoft compró GitHub por la cantidad de 7500 millones de dólares. Al inicio, el cambio de propietario generó preocupaciones y la salida de algunos proyectos de este sitio; sin embargo, no fueron representativos. GitHub continúa siendo la plataforma más importante de colaboración para proyectos de código abierto.

2.2 Repositorios

Un repositorio contiene todo el código, tus archivos y el historial de revisiones y cambios de cada uno de ellos. Es el elemento más básico de Github.

Los repositorios pueden contar con múltiples colaboradores y pueden ser públicos o privados.

2.3 Principales términos

Término Definición
Branch Una versión paralela del código contenido en el repositorio, pero que no afecta a la rama principal.
Clonar Para descargar una copia completa de los datos de un repositorio de GitHub.com, incluidas todas las versiones de cada archivo y carpeta.
Fork Un nuevo repositorio que comparte la configuración de visibilidad y código con el repositorio «ascendente» original.
Merge Para aplicar los cambios de una rama y en otra.
Pull request Una solicitud para combinar los cambios de una branch en otra.
Remote Un repositorio almacenado en GitHub, no en el equipo.
Upstream La branch de un repositorio original que se ha forkeado o clonado. La branch correspondiente de la branch clonada o forkeada se denomina «descendente».

2.4 Crear cuenta e instalación

  1. Acceder a la página de github

Registrarse ingresando correo electrónico y siguiendo los pasos descritos (crear contraseña y nombre de usuario)

La personalización de la cuenta se puede saltar haciendo click en skip abajo de la selección de opciones

  1. Descargar e instalar Github Desktop

2.5 Crear repositorio

En la página principal de github hacer click en el ícono de usuario de la esquina superior derecha y luego ir a Tus repositorios

Una vez accedemos a Tus repositorios hacemos click en New/Nuevo

Luego le ponemos un nombre a nuestro repositorio, evitando siempre espacios, ñ y tíldes, y apretamos Crear repositorio

Note

Un buen nombre debería intentar resumir las principales características del proyecto de investigación en no más de 3 o 4 conceptos (por ejemplo, movilidad-social-AL para proyecto sobre movilidad social en América Latina)

En esta oportunidad, una recomendación sería generar un repositorio “ejercicios-practicos-RAD” para almacenar los distintos scripts de ejercicios prácticos que realizaremos en el curso R para el Análisis de Datos.

Luego pueden generar un segundo repositorio que sea “Trabajo RAD” para almacenar el desarrollo de sus trabajos de investigación.

2.6 Github desktop

Una vez creado un repositorio, lo que nos interesa es descargarlo. Al abrir la aplicación de Github desktop por primera vez (descargada anteriormente), nos debería aparecer la opción de clonar nuestro repositorio R-data-analisis en la pantalla de inicio. Lo clonamos y seleccionamos una carpeta de nuestro computador para almacenarlo.

Para todas las siguientes veces, las instrucciones son estas:

1- Apretamos Repositorio actual en la esquina superior izquierda

2- Apretamos añadir

3- Apretamos clonar repositorio…

4- Seleccionamos nuestro repositorio

5- seleccionamos la carpeta donde se almacenará. Siempre evitando tener tíldes, ñ y espacios en la dirección de almacenamiento y apretamos ‘clone’.

Note

La aplicación de escritorio de Github es un poco más intuitiva y fácil de usar. Sin embargo, RStudio también tiene una extensión para utilizar github de manera directa dentro de la plataforma.

Mientras tanto utilicen Github Desktop en sus computadores personales. Las siguientes clases en el laboratorio de computación de la UAH utilizaremos Rstudio para clonar sus repositorios y hacer las modificaciones correspondientes.

7- Creamos las carpetas pertenecientes al protocolo IPO (input-procesamiento-output) para organizar nuestro proyecto)

2.7 RStudio Projects

  • File -> New Project

2.8 Abriendo la sesión de RStudio como proyecto

  • identificar en la carpeta respectiva el archivo .Rproj

  • ejecutar y se abre R / RStudio con ese directorio como raíz

2.9 Rutas relativas en código

  • forma de “señalar el camino” para abrir y guardar archivos al interior de una carpeta de proyecto autocontenido (= sin referencias locales)

  • este camino tiene básicamente 3 direcciones:

    • bajar -> hacia subcarpetas

    • subir -> hacia carpetas superiores

    • subir y bajar -> hacia otras subcarpetas

2.9.1 bajando

  • para “bajar” hacia a una subcarpeta, simplemente damos la ruta de la carpeta/archivo

    • ej: si estoy en el archivo paper.Rmd (directorio raíz), y quiero incluir una imagen (directorio input/images/imagen.jpg), entonces la ruta es input/images/imagen.jpg

    • o para señalar la ruta al bib desde paper.Rmd (en raíz): input/bib/referencias.bib

2.9.2 subiendo

  • para subir se utilizan los caracteres ../ por cada nivel.

  • Ej: si quiero guardar una tabla en el directorio raíz generada desde un archivo de código en la subcarpeta proc, entonces la ruta es ../tabla.html

2.9.3 subiendo y bajando

  • combinación de las anteriores

  • Ej: para abrir la base de datos original en la subcarpeta input/data desde el código de procesamiento en la subcarpeta proc, entonces:

../input/data/original.dat

3 Quarto

La escritura en Quarto tiene algunos códigos o funciones, aquí un resumen de su mayoría:

Código Así se ve 
Algo de texto en el párrafo.

Más texto
espacio entre lineas.

Algo de texto.

Algo de texto en el párrafo. Siempre utilizando espacios para dividir párrafos
*Cursivas* Cursivas
**Negrita** Negrita
# Título 1

4 Título 1
## Título 2

4.1 Título 2
### Título 3

4.1.1 Título 3
(puedes llegar hasta un título N° 6 con ######)
[Texto enlace](https://quarto.org/) Texto enlace
![Texto imagen](/path/to/image.png)

Texto imagen
> Citas

Citas

 
1. Una
2. lista
3 ordenada

  1. Una

  2. lista

  3. ordenada

 
- Otro
- tipo
- de lista

  • Otro

  • tipo

  • de lista
  1. Abrimos nuestro Rproject y creamos un nuevo documento de Quarto file –> new file –> Quarto document

Note

YAML: Lenguaje de programación. Es un formato de serialización de datos que proporcionan un mecanismo de intercambio de datos legible por humanos. Dan formato a los datos de manera estandarizada para su intercambio entre aplicaciones de software.

---
title: "Mi Documento"
format:
  html:
    toc: true
    number-sections: true
---

Luego, podemos escribir en el documento, separando por títulos (#) cada sección. La jerarquía de los títulos se establece según la cantidad de ‘#’.

A continuación, en esta guía combinaremos el paso-a-paso de crear un documento dinámico con quarto, a la vez que vamos viendo distintas funciones de este proceso.

Por ejemplo, como hacer una nota al pie. Para hacerlo, solo debemos escribir [ ^2] pero sin el espacio entre los corchetes. Luego, en otra línea escribimos [^2]: Esta es la nota al pie

5 Código de análisis de ejemplo

Para poder escribir código de análisis en un documento Quarto debemos generar trozo de código llamado ‘Chunk’, que se puede crear con ctrl+alt+i o directamente en el menú de arriba en ‘Code -> Insert Chunk’.

5.1 Cargar paquetes

Code 
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

5.2 Cargar bases de datos

Cargamos ambas bases de datos desde internet

Code 
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.

Code 
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

5.3 Unir bases de datos

Para vincular nuestras bases de datos existen múltiples opciones, la primera es ‘merge’ de R base y las siguientes 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

5.3.1 Probemos merge

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

5.3.2 Guardamos esta nueva base en nuestra carpeta input

Code 
save(data, file="input/data/proc/data.RData")

5.4 Visualizaciones

Podemos establecer referencias cruzadas para las tablas y gráficos dentro del texto, para poder automatizarlo, como ejemplo así, pero dentro del chunk:

#| label: tbl-sjmisc

#| tbl-cap: “Descriptivos con sjmisc”

5.4.1 Descriptivos

El Chunk se debería ver así:

#| label: tbl-sjmisc

#| tbl-cap: “Descriptivos con sjmisc”

sjmisc::descr(data,

  show = c("label","range", "mean", "sd", "NA.prc", "n"))%>% # Selecciona estadísticos

  kable(.,"markdown") # Esto es para que se vea bien en quarto
Code 
sjmisc::descr(data,
      show = c("label","range", "mean", "sd", "NA.prc", "n"))%>% # Selecciona estadísticos
      kable(.,"markdown") # Esto es para que se vea bien en quarto
Table 1: Descriptivos con sjmisc
var label n NA.prc mean sd range
4 promedio promedio 11 0 3.40077 1.016976 3.59 (2.3-5.9)
1 gdp gdp 11 0 15528.18364 6480.045512 19523.79 (5631.2-25154.99)
3 life_exp life_exp 11 0 75.90909 2.286593 8.8 (71.24-80.04)
2 gini gini 11 0 45.46364 4.156266 14.2 (39.7-53.9)

Luego de establecer el link y el nombre de la tabla, podemos referenciar acá con un @, así: @ tbl-sjmisc (pero junto), y que se vería así

5.4.2 Gráficos

Y para los gráficos se hace de la misma forma:

#| label: fig-gdp

#| fig-cap: “Plots”

Code 
graph1<-ggplot(data, aes(x = idenpa, y = gdp)) +
  geom_point() +
  labs(x = "País", y = "Gdp") +
  theme_minimal()+
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

graph1
Figure 1: Producto interno bruto por país

Sin embargo la entrega información desordenada. Mejor ordenar por tamaño de PIB que por orden alfabético de los países. Para eso

Code 
data_sorted <- data %>% arrange(desc(gdp))
graph2<-ggplot(data_sorted, aes(x = factor(idenpa, levels = idenpa), y = gdp)) +
  geom_point() +
  labs(x = "País", y = "GDP") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

graph2
Figure 2: Producto interno bruto por país ordenado

Ahora sí la muestra un gráfico más ordenado.

5.4.3 Guardamos este nuevo gráfico en la carpeta output

Code 
ggsave(graph2, file="output/graphs/graph2.png")

Y comparar el promedio de confianza en instituciones según producto interno bruto por país?

Code 
data %>%
  ggplot(aes(x = gdp, y = promedio, label = idenpa)) +
  geom_point() +
  geom_text(vjust = -0.5) +
  labs(x = "GDP", y = "Promedio") +
  theme_bw()
Figure 3: Confianza en instituciones según el producto interno bruto por país

La muestra la relación que existe entre el producto interno bruto y la confianza en instituciones para los 18 países analizados. Es interesante comparar los casos de Chile y urugay, que al tener similar GDP, tienen un nivel de confianza en instituciones muy diferente.

  1. Luego renderizamos

y se debería ver así:

  1. Ahora que tenemos nuestra investigación podemos subirla a Github Pages a través de Github Desktop.

5.5 Github desktop

5.6 Github pages

Ahora podemos ver los documentos modificados en nuestro repositorio online de github.

  1. Vamos a settings

  1. Dentro de Settings vamos a Pages, luego ‘none’ y seleccionamos ‘main’. Luego apretamos Save

Luego de aproximadamente un minuto se actualiza la página y aparecerá un link en la parte superior, algo así como kevin-carrasco.github.io/ipo que es nuestra página principal de nuestro sitio web de github.

El link para llegar a nuestro documento renderizado de quarto sigue la estructura del repositorio:

kevin-carrasco.github.io/ipo/trabajo.html

6 Tarea (+5 décimas trabajo 1)

El objetivo de esta tarea es que exploren una base de datos que pueda ser utilizada en su trabajo 1. La idea es que puedan realizar los 5 pasos del proceso de operacionalización/recodificación de variables y luego generar al menos una tabla descriptiva y al menos un gráfico.

La tarea debe ser subida a github y debe ser posible de visualizar con github pages, siguiende las instrucciones de este mismo taller.

Entonces:

1- Pensar en un tema de investigación de interés sociológico y que sea investigable cuantitativamente en el contexto del curso.

2- Elegir una base de datos de acceso abierto que permita investigar el tema elegido

3- Crear un documento .qmd que operacionalice las variables de interés en el tema de investigación escogido (dos o tres variables en esta tarea)

4- Crear al menos una tabla descriptiva y al menos un gráfico

5- renderizar el documento (que se cree el archivo .html), almacenarlo en un repositorio de github y visualizarlo a través de github pages.

  • La fecha de entrega es el próximo martes 1 de abril, hasta antes de la clase. Se revisará solo el envío del enlace al documento subido a github pages (ej. kevin-carrasco.github.io/tareas/tarea1.html)

Footnotes

  1. Esta es la nota al pie↩︎