grafica.panel.fnc

OBJETIVO

Permite la subdivisión de una gráfica de líneas o de puntos entre los distintos niveles de un factor. Frecuentemente una gráfica por sujeto. Especialmente útil cuando tratamos de estudiar el curso de cada sujeto a través de las condiciones de medidas repetidas. Asimismo podemos subdividir la gráfica donde cada panel el un nivel percentílico (cuartiles) de una variable cuantitativa seleccionada por el usuario.

Gráfica de panel

Sobre los datos apilados de la base de datos OBrienKaiser solicitaremos distintas gráficas de panel.

Queremos ver el promedio de las 5 medidas de hora en cada nivel de fase para cada sujeto de la investigación. El argumento x.panel lo utilizaremos para indicar la variable sobre la que queremos realizar las subdivisiones de las gráficas. En este caso indicamos la variable sujeto.

1.- grafica.panel.fnc(datos.ap, que.factor='fase', x.panel='sujeto')

Con el argumento regresion=T, queremos ver la relación que existe entre la variable dependiente y el factor fase. La función estima un modelo lineal y otro no lineal para cada sujeto. En es caso de desear que no se dibujen los puntos de cada observación deberemos incluir el argumento tipo= ' '

2. grafica.panel.fnc(datos.ap, que.factor='fase', x.panel='sujeto', regresion=T)

3. grafica.panel.fnc(datos.ap, que.factor='fase', x.panel='sujeto',

regresion=T, tipo=' ')

En el argumento que.factor definimos ahora la interacción fase x hora (fase:hora).

4. grafica.panel.fnc(datos.ap, que.factor='hora:fase', x.panel='sujeto')

Si deseamos la gráfica anterior del cruce de los dos factores de medidas repetidas fase x hora en cada nivel de los factores intergrupo treatment y gender, lo podemos lograr rápidamente mediante la inclusión de tal "interacción" en el argumento x.panel. Si incluimos el argumento ic=T indicamos que deseamos los intervalos de confianza (95%) para cada condición.

grafica.panel.fnc(datos.ap, que.factor='hora:fase', x.panel='gender:treatment')

grafica.panel.fnc(datos.ap, que.factor='hora:fase', x.panel='gender:treatment', ic=T)

La gráfica de panel es asimismo de gran utilidad cuando deseamos ver si la relación que existe entre dos variables está siendo modulada por una tercera variable cuantitativa (numérica). Para mostrar este uso, partiremos de la base de datos epi_bfi.xlsx que contiene 13 variables medidas en 231 sujetos. Las 5 primeras provienen del inventario de personalidad de Eysenck, las 5 siguientes del cuestionario Big 5 (Acomodación, Conciencia, Extraversión, Neuroticismo y Apertura), bdi (depresión de Beck) y las dos últimas son medidas de Ansiedad rasgo-estado.

epi.bfi=lee.archivo.fnc('epi_bfi.xlsx')

nombres.var(epi.bfi) # O de forma equivalente

nv(epi.bfi)

nombre numero tipo

1 epiE 1 integer

2 epiS 2 integer

3 epiImp 3 integer

4 epilie 4 integer

5 epiNeur 5 integer

6 bfagree 6 integer

7 bfcon 7 integer

8 bfext 8 integer

9 bfneur 9 integer

10 bfopen 10 integer

11 bdi 11 integer

12 traitanx 12 integer

13 stateanx 13 integer

Como puedes ver todas las variables son de tipo entero (integer). Vamos a solicitar inicialmente la gráfica de correlaciones de todas las variables con el objeto de tomar contacto con la relación que existe entre las distintas variables medidas.

grafica.correlacion.fnc(epi.bfi)

correlacion.fnc(epi.bfi, grafica=T)

Vemos un grupo claro de correlación elevada entre las 3 primeras variables del cuestionario de Eysenck (extraversión, sociabilidad e impulsividad). Otro grupo esta formado por 3 factores del cuestionario Big 5 (bfagree (conformidad), bfcon (actuación conforme a la conciencia propia) y bfext (extraversión). Por último tenemos el grupo formado por bdi (Cuestionario de depresión de Beck) y las medidas de ansiedad rasgo y estado.

Queremos investigar si la relación entre la Extraversión y la Sociabilidad se ve modulada por el nivel de depresión medido con el cuestionario de depresión de Beck (bdi).

Crearemos en primer lugar una versión cuartílica de dicha variable.

epi.bfi=discretiza.variable.fnc(epi.bfi, variable='bdi', ntiles=4)

La función creará una nueva variable nominal (bdi.r) con cuatro niveles (Q1 hasta Q4) relativo a los cuatro cuartiles en los que se ha subdividido la variable bdi.

grafica.panel.fnc(epi.bfi, vd='epiE', que.factor='epiS',

x.panel='bdi.r')

grafica.panel.fnc(epi.bfi, vd='epiE', que.factor='epiS',

x.panel='bdi.r', regresion=T)

Sobre todo la gráfica derecha muestra con claridad que la relación entre Extraversión (epiE) y Sociabilidad (epiS) no se ve modulada en absoluto por el nivel de depresión medido con el cuestionario de beck (bdi). Este proceso modulador puede estudiarse desde dos puntos de vista: el primero y mas evidente responde a la pregunta de si la pendiente de regresión de la Extroversión sobre la Socialización se ve modificada a medida que aumenta el valor de la variable depresión medida con el BDI. La segunda se refiere a si los valores de Extroversión se acumulan en la zona baja, media o alta según va incrementándose los valores de depresión. La respuesta a la primera es que podemos asumir una pendiente de regresión común a los cuatro cuartiles de bdi y a la segunda que no parece que los valores de Extraversión se vean sustancialmente modificados por el cambio en la intensidad de la depresión

Subir ->