logo

Pasos previos

Cargar paquetes

library(pacman)

p_load(tidyverse,  # Manipulación y visualización de datos
       openxlsx,   # Importar archivos excel
       patchwork,  # Manipulación de gráficos 
       psych,      # Estadisticos descriptivos
       skimr,      # Estadisticos descriptivos
       car,        # Análisis de homocedasticidad
       corrr,      # Análisis de correlación
       effectsize) # Tamaño del efecto

Actividad 1

Importa la base de datos data3_clean y guárdala en un objeto

burnout_df <- readxl::read_excel("data3_clean.xlsx")

Actividad 2

Selecciona todas las variables sociodemográficas. Luego filtra a los participantes de la escuela “Vocación salud”, que sean mujeres y mayores de edad. Finalmente, guárdalo en un objeto llamado “demograficos” y expórtalo en un archivo excel con el mismo nombre

demograficos <- burnout_df %>% 
  select(sexo:edad) %>% 
  filter(escuela == "Vocación salud",
         sexo    == "Mujer",
         edad    >=  18)
write.xlsx(demograficos, "demograficos.xlsx")

Actividad 3

Halla el puntaje total de la escala de burnout y colócale el nombre “bur_total”, luego halla el puntaje total de la escala de autoeficacia académica y colócale el nombre “ase_total”. Finalmente, categoriza estos puntajes totales y usa los nombres “bur_cat” y “ase_cat” para las variables categóricas creadas.

Crear variables totales para burnout y autoeficacia académica
burnout_df <- burnout_df %>% 
              rowwise() %>% 
              mutate(bur_total = sum(c_across(bur1:bur24))) %>% 
              ungroup()
burnout_df <- burnout_df %>% 
              rowwise() %>% 
              mutate(ase_total = sum(c_across(ase1:ase31))) %>% 
              ungroup()
Categorizar variables de burnout y autoeficacia académica
burnout_df <- burnout_df %>% 
  mutate(
    bur_cat = case_when(bur_total <= 48 ~ "leve",
                        bur_total <  97 ~ "moderado",
                        bur_total >= 97 ~ "severo") 
    )
burnout_df <- burnout_df %>% 
  mutate(
    ase_cat = case_when(ase_total <  62 ~ "baja",
                        ase_total <= 93 ~ "moderada",
                        ase_total >= 94 ~ "alta")
  )

Actividad 4

Halla la frecuencia en porcentajes de burnout (leve, moderado, severo) y de autoeficacia académica (baja, moderada y alta) en mujeres que viven solas de la escuela de vocación de salud. (Las frecuencias para cada variable deben tener códigos separados).

burnout_df %>% 
  filter(sexo == "Mujer",
         convive == "Solo",
         escuela == "Vocación salud") %>% 
  count(bur_cat) %>% 
  mutate(porcentaje = n/sum(n)*100)
burnout_df %>% 
  filter(sexo == "Mujer",
         convive == "Solo",
         escuela == "Vocación salud") %>% 
  count(ase_cat) %>% 
  mutate(porcentaje = n/sum(n)*100)

Actividad 5

Realiza un resumen descriptivo de burnout y autoeficacia académica según las variable sexo y convive

# Según la variable sexo
burnout_df %>% 
  select(bur_total, ase_total, sexo) %>%
  describeBy(group = .$sexo)
## 
##  Descriptive statistics by group 
## group: Hombre
##           vars  n  mean    sd median trimmed   mad min max range  skew kurtosis
## bur_total    1 15 91.27 26.11     95   92.08 31.13  48 124    76 -0.24    -1.47
## ase_total    2 15 73.20 13.93     68   72.08 10.38  57 104    47  0.75    -0.67
## sexo*        3 15  1.00  0.00      1    1.00  0.00   1   1     0   NaN      NaN
##             se
## bur_total 6.74
## ase_total 3.60
## sexo*     0.00
## ------------------------------------------------------------ 
## group: Mujer
##           vars  n  mean    sd median trimmed   mad min max range  skew kurtosis
## bur_total    1 54 81.65 36.51   94.0   84.43 37.06  10 125   115 -0.48    -1.24
## ase_total    2 54 74.91 16.09   67.5   74.18 11.12  44 114    70  0.50    -0.82
## sexo*        3 54  1.00  0.00    1.0    1.00  0.00   1   1     0   NaN      NaN
##             se
## bur_total 4.97
## ase_total 2.19
## sexo*     0.00
# Según la variable convive
burnout_df %>% 
  select(bur_total, ase_total, convive) %>%
  describeBy(group = .$convive)
## 
##  Descriptive statistics by group 
## group: Con familia
##           vars  n  mean    sd median trimmed   mad min max range  skew kurtosis
## bur_total    1 46 82.35 35.77     78   84.84 54.11  10 125   115 -0.45    -1.14
## ase_total    2 46 73.76 15.29     67   73.13 14.83  44 104    60  0.41    -0.98
## convive*     3 46  1.00  0.00      1    1.00  0.00   1   1     0   NaN      NaN
##             se
## bur_total 5.27
## ase_total 2.26
## convive*  0.00
## ------------------------------------------------------------ 
## group: Solo
##           vars  n  mean    sd median trimmed   mad min max range  skew kurtosis
## bur_total    1 23 86.52 32.62    100   89.16 20.76  14 124   110 -0.70    -0.96
## ase_total    2 23 76.09 16.32     68   74.63 10.38  53 114    61  0.75    -0.69
## convive*     3 23  1.00  0.00      1    1.00  0.00   1   1     0   NaN      NaN
##            se
## bur_total 6.8
## ase_total 3.4
## convive*  0.0

Actividad 6

Visualiza el comportamiento (distribución de puntajes) de las variables burnout y autoeficacia académica, utiliza colores a tu elección, junta ambos gráficos y exportalos con el nombre “puntajes_variables”. Asimismo coloca etiquetas con los nombres que consideres adecuados y que describan el gráfico (título, subtítulo, X y Y)

# Elaborar histograma de la variable burnout
p1 <- burnout_df %>%
  ggplot(aes(x = bur_total)) +
  geom_histogram(binwidth = 10,
                 color = "#121317",
                 fill  = "#506AD4") +
  labs(
    title = "Distribución de puntajes de burnout",
    subtitle = "Examen-Taller AMP",
    x = "Burnout",
    y = "Frecuencia"
  ) +
  theme_bw()

# Elaborar histograma de la variable autoeficacia academica
p2 <- burnout_df %>%
  ggplot(aes(x = ase_total)) +
  geom_histogram(binwidth = 10,
                 color = "#121317",
                 fill  = "#F2CC39") +
  labs(
    title = "Distribución de puntajes de autoeficacia académica",
    subtitle = "Examen-Taller AMP",
    x = "Autoeficacia académica",
    y = "Frecuencia"
  ) +
  theme_bw()

# Unir gráficos 
p3 <- p1 + p2

# Exportar gráfico 
ggsave(filename = "puntajes_variables.jpg",
       plot = p3,
       height = 4,
       width = 8,
       scale = 1.5,
       dpi = 300)

Actividad 7

Realiza un gráfico de barras de la variable bur_cat que brinde la información mediante porcentajes. Así mismo utiliza colores e incluye las etiquetas, posteriormente expórtalo con el nombre “barras_variables”

p4 <- burnout_df %>% 
  count(bur_cat) %>% 
  mutate(porcentaje = n/sum(n)*100) %>% 
  ggplot(aes(x = porcentaje,
             y = bur_cat, 
             fill = bur_cat)) +
  geom_col() +
  scale_fill_manual("Niveles", 
                    values = c("severo" = "#D95F69",
                               "moderado" = "#F2E18D",
                               "leve" = "#BFB99B")) +
  labs(title = "Categorías de la variable burnout",
       subtitle = "Examen-Taller AMP",
       x = NULL,
       y = NULL) +
  theme_minimal() 

# Exportar gráfico 
ggsave(filename = "barras_variables.jpg",
       plot = p4,
       height = 4,
       width = 8,
       scale = 1.5,
       dpi = 300)

Actividad 8

Evalúa el supuesto de normalidad para las variables burnout y autoeficacia académica según el sexo; y visualiza la normalidad en un histograma simple. Analiza el supuesto de homocedasticidad y brinda una interpretación para ambos supuestos.

Evaluar el supuesto de normalidad (Shapiro-Wilk test)
# Burnout y sexo
tapply(burnout_df$bur_total,
       burnout_df$sexo,
       shapiro.test)
## $Hombre
## 
##  Shapiro-Wilk normality test
## 
## data:  X[[i]]
## W = 0.92082, p-value = 0.1983
## 
## 
## $Mujer
## 
##  Shapiro-Wilk normality test
## 
## data:  X[[i]]
## W = 0.88445, p-value = 8.613e-05
# Autoeficacia académica y sexo
tapply(burnout_df$ase_total,
       burnout_df$sexo,
       shapiro.test)
## $Hombre
## 
##  Shapiro-Wilk normality test
## 
## data:  X[[i]]
## W = 0.90872, p-value = 0.1294
## 
## 
## $Mujer
## 
##  Shapiro-Wilk normality test
## 
## data:  X[[i]]
## W = 0.92655, p-value = 0.002668

Ambas variables no cumplen el supuesto de normalidad

Evaluar el supuesto de homocedasticidad (Levene test)
# Burnout y sexo
leveneTest(burnout_df$bur_total ~ factor(burnout_df$sexo))
# Autoeficacia académica y sexo
leveneTest(burnout_df$ase_total ~ factor(burnout_df$sexo))

Ambas variables cumplen el supuesto de homocedasticidad

Actividad 9

A partir de lo hallado en los supuestos realiza la comparación de grupos para cada variable (burnout y autoeficacia académica) según la variable sexo. Asimismo, halla el tamaño del efecto y brinda una interpretación de los resultados.

Evaluar si existen diferencias entre los grupos
# Burnout y sexo
wilcox.test(burnout_df$bur_total ~ burnout_df$sexo)
## 
##  Wilcoxon rank sum test with continuity correction
## 
## data:  burnout_df$bur_total by burnout_df$sexo
## W = 462.5, p-value = 0.4068
## alternative hypothesis: true location shift is not equal to 0
# Autoeficacia académica y sexo
wilcox.test(burnout_df$ase_total ~ burnout_df$sexo)
## 
##  Wilcoxon rank sum test with continuity correction
## 
## data:  burnout_df$ase_total by burnout_df$sexo
## W = 393, p-value = 0.867
## alternative hypothesis: true location shift is not equal to 0

En ambas variables no se observan diferencias significativas según sexo.

Analizar el tamaño del efecto
# Burnout y sexo
rank_biserial("bur_total", "sexo", data = burnout_df)

El tamaño del efecto calculado puede categorizarse como pequeño

# Autoeficacia académica y sexo
rank_biserial("ase_total", "sexo", data = burnout_df)

El tamaño del efecto calculado puede categorizarse como nulo

Actividad 10

Analiza la linealidad de las variables burnout y autoeficacia académica, evalúa el supuesto de normalidad, visualízalo gráficamente mediante un histograma sencillo, realiza el análisis de correlación con el método que corresponda y brinda una explicación de los resultados.

Analizar la linealidad (forma gráfica)
burnout_df %>% 
  ggplot(aes(x = bur_total,
             y = ase_total)) +
  geom_point() +
  geom_smooth(method = lm)

Las variables presentan una relación lineal negativa

Evaluar el supuesto de normalidad (Shapiro-Wilk test)
shapiro.test(burnout_df$bur_total)
## 
##  Shapiro-Wilk normality test
## 
## data:  burnout_df$bur_total
## W = 0.89722, p-value = 3.403e-05
shapiro.test(burnout_df$ase_total)
## 
##  Shapiro-Wilk normality test
## 
## data:  burnout_df$ase_total
## W = 0.92585, p-value = 0.0005314
Evaluar el supuesto de normalidad (histograma)
# Burnout
burnout_df %>%
  ggplot(aes(x = bur_total)) +
  geom_histogram(binwidth = 10) +
  theme_bw()

# Autoeficacia académica
burnout_df %>%
  ggplot(aes(x = ase_total)) +
  geom_histogram(binwidth = 10) +
  theme_bw()

Las variables no cumplen con el supuesto de normalidad, por lo que se utilizará una prueba no paramétrica (Spearman)

Análisis de correlación (Spearman)
burnout_df %>% 
  select(bur_total, ase_total) %>%
  correlate(method = "spearman")

Las variables presentan una fuerte correlación negativa es decir, a mayor puntaje burnout menor de autoeficacia académica