El paquete RcmdrPlugin.UCA añade algunas opciones al menú de Rcmdr que son útiles para los usuarios noveles en R. A saber:
En las siguientes secciones se describirán detalladamente cada una de estas opciones.
Dentro del menú “Estadísticos” -> “Varianzas”, se proporcionan una
nueva entrada para calcular intervalos de confianza y hacer contrastes
sobre la varianza en una población normal. Esta opción usa la función
sigma.test del paquete TeachingDemos.
En primer lugar cargaremos el paquete randtest del cual vamos a cargar los datos. Para ello:
En la ventana de mensajes debe aparecer
[x] NOTA: Paquetes cargados: randtest. Si randtest no
aparece en la lista deberá previamente instalar el paquete.
A continuación cargaremos un conjunto de datos, por ejemplo, “sweetpotato” mediante los pasos siguientes:
Rcmdr responde con la siguiente instrucción en el cuadro de instrucciones (R Script)
En la ventana de mensajes aparecerá
[x] NOTA: El conjunto de datos sweetpotato tiene 70 filas y 4 columnas.
y en el cuadro de diálogo anexo a la etiqueta “Conjunto de datos:”
aparecerá “sweetpotato”.
Para construir el intervalo de confianza para sigma para la variable “yield” (rendimiento), seleccione del menú de Rcmdr: “Estadísticos” -> “Varianzas” -> “Test de varianza para una muestra…” seleccione “yield” y “OK”. Rcmdr responde con la siguiente instrucción en el cuadro de instrucciones (R Script)
with(sweetpotato, sigma.test(yield[!is.na(yield)], alternative='two.sided', sigmasq=1.0, conf.level=0.95))y en el cuadro de salida
with(sweetpotato, sigma.test(yield[!is.na(yield)], alternative='two.sided', sigmasq=1.0, conf.level=0.95))
#>
#> One sample Chi-squared test for variance
#>
#> data: yield[!is.na(yield)]
#> X-squared = 6514.8, df = 69, p-value < 2.2e-16
#> alternative hypothesis: true variance is not equal to 1
#> 95 percent confidence interval:
#> 69.41231 135.93966
#> sample estimates:
#> var of yield[!is.na(yield)]
#> 94.41731Se ha rechazado la hipótesis nula σ = 1 a un nivel de confianza del 95%, obeniéndose un intervalo de confianza a dicho nivel para σ de (69.41231, 135.93966).
Si se desea en el cuadro de diálogo anterior se puede especificar:
Se proporcionan dos opciones dentro del menú “Test no paramétricos” para realizar el test de aleatoriedad según el tipo de variable.
Dentro del menú “Estadísticos” -> “Test no paramétricos” ->
“Test de aleatoriedad para un factor de dos niveles…”, se proporcionan
una nueva entrada para contrastar la aleatoriedad de una variable de
tipo factor con dos niveles. Esta opción usa la función
runs.test del paquete tseries, si bien para evitar
conflictos ha sido renombrada a
twolevelfactor.runs.test.
En primer lugar cargaremos un conjunto de datos, por ejemplo, “AMSsurvey” mediante los pasos siguientes:
Rcmdr responde con la siguiente instrucción en el cuadro de instrucciones (R Script)
En la ventana de mensajes aparecerá
[x] NOTA: El conjunto de datos AMSsurvey tiene 24 filas y 5 columnas.
y en el cuadro de diálogo anexo a la etiqueta “Conjunto de datos:”
aparecerá “AMSsurvey”.
Para hacer el test de aleatoriedad a la variable “sex”, seleccionamos del menú de Rcmdr: “Estadísticos” -> “Test no paramétricos” -> “Test de aleatoriedad para un factor con dos niveles…”, seleccionamos “sex” y “OK”. Rcmdr responde con la siguiente instrucción en el cuadro de instrucciones (R Script)
y en el cuadro de salida
with(AMSsurvey, twolevelfactor.runs.test(sex))
#>
#> Runs Test
#>
#> data: sex
#> Standard Normal = 4.5917, p-value = 4.397e-06
#> alternative hypothesis: two.sidedSe ha rechazado la hipótesis nula de aleatoriedad con un p-valor de 4.3973622^{-6}, antes de proseguir con el estudio habría que investigar la causa de esta falta de aleatoriedad.
Dentro del menú “Estadísticos” -> “Test no paramétricos” ->
“Test de aleatoriedad para una variable numérica…”, se proporcionan una
nueva entrada para contrastar la aleatoriedad de una variable de tipo
numérico. Esta opción usa la función runs.test del paquete
randtest, si bien para evitar conflictos ha sido renombrada a
numeric.runs.test.
En primer lugar, si aún no lo hemos hecho, cargaremos el conjunto de datos sweetpotato. Si el conjunto de datos está cargado pero no está activo, se pulsa el botón anexo al texto “Conjunto de datos:”, se selecciona sweetpotato y se pulsa “Aceptar”. El texto del botón cambia a “sweetpotato”.
Para hacer el test de aleatoriedad a la variable “yield” (rendimiento), seleccionamos del menú de Rcmdr: “Estadísticos” -> “Test no paramétricos” -> “Test de aleatoriedad para una variable numérica…” seleccionamos “yield” y “OK”. Rcmdr responde con la siguiente instrucción en el cuadro de instrucciones (R Script)
y en el cuadro de salida
with(sweetpotato, numeric.runs.test(yield))
#>
#> Runs Test
#>
#> data: yield
#> statistic = -4.5751, runs = 17, n1 = 35, n2 = 35, n = 70, p-value =
#> 4.759e-06
#> alternative hypothesis: nonrandomnessLa hipótesis de aleatoriedad se rechaza con un p-valor de 4.7589499^{-6}, antes de proseguir con el estudio habría que investigar la causa de esta falta de aleatoriedad.
La entrada de menú “Predecir usando el modelo activo”, en el menú modelos, tiene dos opciones para predecir datos usando el modelo activo dependiendo de cómo se proporcionen los valores para las variables predictoras.
Si selecciona “Modelos” -> “Predecir usando el modelo activo” -> “Introducir datos y predecir”, se creará un nuevo conjunto de datos, como un data.frame y se abrirá el editor automáticamente. A continuación, se pueden introducir los valores de la variable predictora que se desea utilizar para la predicción, no es necesario introducir los valores de las variables no predictoras. Al cerrar el editor de datos se muestran los valores predichos.
Cargar los datos “Chile” eligiendo del menu de Rcmdr: “Datos” -> “Conjuntos de datos en paquetes” -> “Leer conjunto de datos desde paquete adjunto…” pulsar dos veces sobre “carData”, pulsar sobre “Chile” y sobre “Aceptar”. Rcmdr responde con la siguiente instrucción en el cuadro de instrucciones (R Script)
En la ventana de mensajes aparecerá
[x] NOTA: El conjunto de datos car tiene 2700 filas y 8 columnas.
y en el cuadro de diálogo anexo a la etiqueta “Conjunto de datos:”
aparecerá “Chile”.
Para construir un modelo seleccione del menú de Rcmdr: “Estadisticos” -> “Ajuste de modelos” -> “Regresion lineal…”. Como “Variable explicada” seleccione income y age como “Variables explicativas” y pulse “Aceptar”. Rcmdr responde con la siguiente instrucción en el cuadro de instrucciones (R Script)
y en el cuadro de salida
RegModel.1 <- lm(income~age, data=Chile)
summary(RegModel.1)
#>
#> Call:
#> lm(formula = income ~ age, data = Chile)
#>
#> Residuals:
#> Min 1Q Median 3Q Max
#> -33175 -23653 -17457 1673 168847
#>
#> Coefficients:
#> Estimate Std. Error t value Pr(>|t|)
#> (Intercept) 37240.54 2176.34 17.112 <2e-16 ***
#> age -86.96 52.68 -1.651 0.0989 .
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#>
#> Residual standard error: 39500 on 2599 degrees of freedom
#> (99 observations deleted due to missingness)
#> Multiple R-squared: 0.001047, Adjusted R-squared: 0.000663
#> F-statistic: 2.725 on 1 and 2599 DF, p-value: 0.09891Obsérvese que el modelo se ha establecido a RegModel.1. Si quiere predecir el ingreso (income) para personas de 35 y 40 años de edad (age). Del menú de Rcmdr seleccione: “Modelos” -> “Predecir usando el modelo activo” -> “Introducir datos y predecir”. En la columna edad (age) introduzca 35 y 40 y cierre el editor. Rcmdr responde con la siguiente instrucción en el cuadro de instrucciones (R Script)
y en el cuadro de salida, suponiendo que se han introducido 35 y 45 en la columna age
.data <- edit(Chile[0,])
.data
#> region population sex age education income statusquo vote
#> 1 <NA> NA <NA> 34 <NA> NA NA <NA>
#> 2 <NA> NA <NA> 45 <NA> NA NA <NA>
predict(RegModel.1, .data)
#> 1 2
#> 34283.74 33327.13
remove(.data)Se muestra el valor predicho de ingresos para esas edades usando el modelo activo (RegModel.1).
Si se selecciona “Modelos” -> “Predecir usando el modelo activo” -> Agregar predicciones a un conjunto de datos existente …” se agregan las predicciones usando el modelo activo al conjunto de datos seleccionado, usando para las variables predictoras los valores de dicho conjunto de datos. Después de seleccionar esta opción, el usuario o usuaria puede seleccionar un conjunto de datos existente utilizando el cuadro de diálogo correspondiente.
Si el conjunto de datos no proporciona los valores para todas las variables predictoras, se producirá un error y no se proporcionarán valores predichos.
A diferencia de la opción del menú “Añadir las estadísticas de las observaciones a los datos…”, esta opción puede ser usada con un conjunto de datos distinto al que se ha utilizado para construir el modelo, siempre que dicho conjunto de datos proporcione los valores para todas las variables predictoras.
Cargar los datos “Chile” como se describió anteriormente.
Para construir un modelo seleccione del menu de Rcmdr: “Estadisticos” -> “Ajuste de modelos” -> “Regresion lineal…” como “Variable explicada” seleccione income y age como “Variables explicativas” y pulse “Aceptar”.
Rcmdr responde con la siguiente instrucción en el cuadro de instrucciones (R Script)
y en la ventana de salida
RegModel.1 <- lm(income~age, data=Chile)
summary(RegModel.1)
#>
#> Call:
#> lm(formula = income ~ age, data = Chile)
#>
#> Residuals:
#> Min 1Q Median 3Q Max
#> -33175 -23653 -17457 1673 168847
#>
#> Coefficients:
#> Estimate Std. Error t value Pr(>|t|)
#> (Intercept) 37240.54 2176.34 17.112 <2e-16 ***
#> age -86.96 52.68 -1.651 0.0989 .
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#>
#> Residual standard error: 39500 on 2599 degrees of freedom
#> (99 observations deleted due to missingness)
#> Multiple R-squared: 0.001047, Adjusted R-squared: 0.000663
#> F-statistic: 2.725 on 1 and 2599 DF, p-value: 0.09891Obsérvese que el modelo se ha establecido a RegModel.1. Si se quiere predecir los valores para los ingresos (income) para los valores de edad (age) en el conjunto de datos Chile del menu “Modelos” de Rcmdr seleccione: “Predicir usando el modelo activo” -> “Anadir predicciones a un conjunto de datos existente…”. En el diálogo seleccione un conjunto de datos compatible con el modelo. En este caso seleccione Chile. Rcmdr responde con la siguiente instrucción en el cuadro de instrucciones (R Script)
y en la ventana de salida
Las predicciones para ingreso (income) se han guardado como fitted.RegModel.1 en el conjunto de datos (Chile). Se pueden ver los valores añadidos usando el boton “Visualizar datos”.