Coeficiente Alfa ordinal en R

Frecuentemente vemos que cuando se intenta obtener la fiabilidad de una escala se utiliza el estadístico conocido como alfa de Cronbach. No obstante, este uso tan generalizado puede tener objeciones (Osburn, 2000; Gadermann, Guhn, & Zumbo, 2012; Contreras y Novoa-Muñoz, 2018), cuando la escala de medida usada es ordinal (Elosua y Zumbo,2008), como puede ser en el uso de items likert, ya que uno de los supuestos del estadístico es la naturaleza continua de los datos. 

Cuando esto ocurre podemos usar como estadísticos alternativos tanto Omega ordinal (Dunn, Baguley & Brunsden, 2014; Viladrich, Angulo-Brunet and Doval, 2017) como el alfa ordinal de Cronbach (Contreras y Novoa-Muñoz, 2018), pudiendo dar tanto a una infraestimación como sobreestimación de los resultados respecto al estadístico clásico.

Procedimiento de correlaciones heterogéneas en SPSS 24

En ciertas situaciones la naturaleza de las variables no permite el uso de la correlación de Pearson, o sus algoritmos asociados. Para este tipo de situaciones el SPSS 24 (IBM Corp., 2016) contempla módulos integrados en R como el que vamos a describir en esta entrada brevemente.

Este procedimiento extendido de las correlaciones heterogéneas requiere, además del modulo IBM SPSS Statistics, los complementos de integración para R como para Python.

La replicación de los estudios en Psicología:Uso del programa R

En el proceso de obtención del conocimiento científico, son importantes los mecanismos que replican los experimentos en el campo de la Psicología. El fundamento es que otros investigadores deben de poder ser capaces de repetir los resultados de los estudios publicados. 

Dentro de esta filosofía encontramos el proyecto de B.Nosek (Open Science Collaboration, 2015), destinado a facilitar la replicación de los resultados de 100 estudios publicados en revistas de Psicología, repitiéndose los estudios tal como se describen en los documentos seleccionados, y analizando los datos recogidos. Con el fin de maximizar la reproductibilidad y precisión, los análisis de todos los estudios duplicados fueron repetidos por otros analistas independientes del primer equipo de ejecución, usando para ello el lenguaje de programación R, con un formato estandarizado. 

Odds Ratio en R

En Metodología, frecuentemente usamos algoritmos para considerar una exposición (por ejemplo , absentismo escolar) y determinar su relación al comportamiento problemático (por ejemplo , la delincuencia juvenil) . Son útiles a la hora de expresar una cantidad (magnitud) del riesgo de comportamiento problemático para las personas que son expuestas a determinados agentes.

Supongamos un ejemplo con los datos siguientes: 
Tabla de Absentismo escolarxComportamientos-delictivos 
                        Delincuentes    No delincuentes 
Si-absentismo     2 (a)                8 (b) 
No-absentismo 10 (c)            990 (d) 

El riesgo se expresa en modelos de probabilidad, de una exposición dada causando un comportamiento. Es decir, la probabilidad de comportamiento problemático en los expuestos con respecto a la probabilidad de comportamiento problemático en los que no han sido expuestos. A esto, se conoce como el riesgo relativo (RR).

RR(delincuente en el grupo con absentismo/delincuente en el grupo no absentista)=(2/10)/(10/990)=19,8 

Análisis de Datos Simbólicos: librería ISDA.R

Si se requiere usar una aproximación numérica a un problema matemático, y se exige precisión, los datos se suele asumir, que deben representarse por intervalos. Ya que cualquier dato incorpora un error en la entrada:
 Dato = modelo + error 
En el análisis clásico de datos, una variable en cada individuo, observación o unidad solo puede tomar un valor. Mientras que en el ADS [Análisis de Datos Simbólicos (Bock & Diday, 2000)] una variable puede ser un intervalo de números reales (valorada por intervalos). Son un caso particular de los datos simbólicos...
 X = [Xi,Xs] ={Xi <= X <= Xs}
Una librería en R, muy aconsejable para introducirse en este nuevo tipo de análisis, es ISDA.R

Referencias 
Bock,H.-H. & Diday,E. (eds.) (2000). Analysis of Symbolic Data. Berlin,Germany: Springer-Berlag.

Simulación en R: Matrices de correlaciones

Brevemente presentamos un procedimiento de simulación en R, que tiene como objetivo la generación de números pseudoaleatorios relacionados de acuerdo a un patrón fijado de antemano por el investigador. 

Posteriormente se presenta de forma gráfica la estructura alcanzada.

----

Procedimiento general de simulación:

library(psych)

library(MASS)

PatCorr <- matrix(c(1, 0.8, -0.4, 0.2,

                   0.8, 1,   0.15, 0.3,

                  -0.4, 0.15,   1, 0.1,  

                   0.2, 0.3, 0.1,   1),nrow=4)

M <- mvrnorm(5000, mu=rep(0,4), Sigma = PatCorr,empirical = TRUE)

---

Procedimiento de resultados:

head(M)  
pairs.panels(M)
---
Obteniéndose en este caso simulado...
            [,1]        [,2]       [,3]        [,4]
[1,]  0.04508237  0.13164350 -0.4929757  0.37310566
[2,]  1.07220292  0.67510691 -0.9520928 -1.01714666
[3,]  0.41117075  0.38988280 -0.6533527 -0.21138061
[4,] -0.05390150 -0.04880109  0.1695599 -0.05594154
[5,] -0.54652194  0.32840506  0.7111292 -0.18216643
[6,] -1.23544943 -1.51118618 -1.0223330  0.92505704
....

En caso de ajustar el valor de p para múltiples contrastes usaremos el procedimiento:
datos<-as.data.frame(M)

corr.test(datos, y = NULL, 
use = "pairwise",method="pearson",adjust="holm",alpha=.05)

Integración de SPSS y R

Es de todos bien sabido la integración existente entre el programa comercial IBM SPSS, y las herramientas libres de la comunidad conocido como R.

En este enlace recogemos un ejemplo claro y sencillo de la filosofía que se va extendiendo poco a poco entre los investigadores. Muy recomendable para aquellos usuarios que se acercan por primera vez a la fusión de las herramientas informáticas en Proceso de Datos en la Nube.

http://datamininginsights.co.uk/2013/05/04/using-r-spss-statistics-to-add-custom-visualizations-to-modeler/

R(3.0.0)

La distribución de R (versión 3.0.0) ya está disponible para su descarga desde el repositorio principal de CRAN (USA). Las versiones para Windows, MacOS y Linux estará disponibles desde la red de espejo CRAN en los próximos días.
Presenta mejoras en GUI, las funciones gráficas, la gestión de memoria, el rendimiento y la internacionalización.

R (2.15.3)

La distribución de R (versión 2.15.3) ya está disponible para su descarga desde el repositorio principal de CRAN (USA). Las versiones para Windows, MacOS y Linux estará disponibles desde la red de espejo CRAN en los próximos días.

Sonificación (III)

Para aquellos que estén interesados en introducirse en el mundo de la sonificación, la mejor forma es usar en un primer momento herramientas sencillas. Una nueva herramienta, que está en fase de desarrollo, y de la cual existe una pequeña demo en formato de vídeo, es audiolyzR:
http://youtu.be/gVn74OceIfw

R (2.15.2)

La distribución de R (versión 2.15.2) ya está disponible para su descarga desde el repositorio principal de CRAN (USA). Las versiones para Windows, MacOS y Linux estará disponibles desde la red de espejo CRAN en los próximos días.

Los cambios pueden consultarse en el archivo de noticias, pero entre ellas podemos destacar:
*.- Nuevo método de análisis estadístico: Multistratum MANOVA.
*.- Método splines de interpolación monotónica.   
*.- En las funciones del paquete paralelo se hará uso de un cluster de forma predeterminada.   
*.- Mejoras en el rendimiento y uso de memoria reducida para algunas funciones habituales como matriz, rep, tabular e hist.
*.- Aumento de la memoria disponible para datos en sistemas de 64 bits (se incrementa a 32 Gb).

Modificación de algoritmos clásicos

De todos es bien conocido el algoritmo clásico de diferencias de medias, para dos muestras independientes. Sus pasos resumidos son:
1.- Comprobar que los datos se ajustan a una distribución normal y son independientes los grupos.
2.- Verificar que las dispersiones (varianzas) son iguales.
3.- Determinar si las medias son iguales en la población.

Como todos recordaremos, los datos son los mismos en las tres situaciones.

Bien, llegados a este punto, y a la luz de la nueva metodología, y estrictamente hablando (Rasch, Kubinger y Yanagida, 2011) deberían ser usados datos procedentes de muestras distintas en cada uno de las ocasiones. Evitando los problemas que se comenten con el error de tipo I y la repetición de las pruebas.

Una alternativa ante este tipo de situaciones (Mundfrom et al., 2006), que es la recomendada por nosotros (Herrero et al., 2011), será corregir el valor de p de acuerdo al número de contrastes, usando el algoritmo que consideremos más adecuado (ej.:Bonferroni , Holm, Hommel, etc....).

Por ejemplo, una solución al problema sería usando un procedimiento en R como el siguiente:
p.adjust(p,method="holm")
 ...donde el vector p en este caso contendrá los 3 valores (grados de significación) correspondientes obtenidos en los pasos anteriormente comentados.

Referencias.
*Herrero,F.J.;Cuesta,M.; Fernández,P. y Vallejo,G. (2011). Uso de 4 procedimientos de ajuste del grado de significación en una matriz de correlaciones: Un algoritmo R incrustado en SPSS. Grupo Diseños de Investigación y Análisis de Datos, Report DPAM#18.08.1.A, Informe inédito, Universidad de Oviedo.
*Mundfrom,D.J.;Perret,J.J.;Piccone,A. y Roozeboom,M.(2006). Bonferroni adjustments in tests for regression coefficients. Multiple Linear Regression Viewpoints, 32(1), 1-6.
*Rasch,D.;Kubinger,K.D. y Yanagida,T. (2011). Statistics in Psychology Using R and SPSS. West Sussex: Wiley & Sons.

Libreria OpenMX en R

La librería OpenMX es una de las versiones libre en R para solventar modelos de ecuaciones estructurales.

Su página web contiene distintas versiones, ejemplos y manuales sobre el páquete estadístico.