EJERCICIO Head de los datos

EJERCICIO

Head de los datos

Validación de variables de acuerdo con el tratamiento y la variable respuesta: Tratamiento debe ser cualitativa, de lo contrario, la debo convertir y variable respuesta debe ser cuantitativa.

Exploración de datos

Summary

Data Frame

Ahora exploración gráfica de los datos con diagrama de cajas para verificar la mediana.

Gráfico de cajas incluyendo la mediana y la media.

Gráfico que muestra dispersión de los datos.

ANOVA Análisis de las varianzas

Hacer AOV para ajustar el modelo: Arroja suma de cuadrados del tratamiento, del error y grados de libertad.

Realizar ANOVA muestra resultados del análisis de las varianzas.

Sistema de Hipótesis La media del número de los xxxxxx es la misma en todos los tratamientos.

𝐻0:μ1=μ2=μ3...=μ𝑗

𝐻1:𝑝𝑜𝑟 𝑙𝑜 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛𝑝𝑎𝑟 μ𝑖≠μ𝑗

Hipótesis alternativa por lo menos un par de la diferencia de las medias difiere.

Criterio de rechazo Valor p ≤ α

Decisión estadística Pvalue= xxx < 0.05 nivel de significancia Rechazo hipótesis nula

Interpretación estadística Con un nivel de significancia al menos un par de la diferencia de las medias del xxxxx.

Diagnósticos

Tabla de efectos para verificar el efecto de cada tratamiento. Para revisar las restricciones del modelo, la sumatoria de los efectos sea cero y limitar la respuesta del modelo.

Gran media de todos los tratamientos (de toda la información) y medias de cada tratamiento del modelo.

Gráficos de residuales-errores (me sirve para ver la tendencia de los valores ajustados y los residuales) la idea es ver una línea recta).

Residuals vs Fitted: Muestra dispersión de los errores, no debe haber una concentración de los puntos, de lo contrario no hay homocedasticidad.

Gráfico de normalidad: La idea es que mis puntos estén lo más cercano a la recta.

Raíz cuadrada de los errores, busca minimizar los errores para el modelo.

Se verifica en los gráficos una forma de embudo, como una tendencia, es decir no hay varianza constante.

Gráfico de residuales estandarizados. En este caso muestra forma de embudo

Gráfico de cajas de los residuales y muestra outliers.

Histogramas residuales estandarizados.

Gráfico de normalidad de los residuales.

Comprobación de supuestos:

Sobre los residuales cuando ya se tiene ajustado el modelo, no se realiza sobre los datos iniciales.

Test de normalidad Shapiro

Sistema de Hipótesis Ho: Normalidad

H1: No hay normalidad

Criterio de rechazo Valor p ≤ α

Decisión estadística

Pvalue= xxxxxx <0.05 nivel de significancia Rechazo hipótesis nula

Interpretación estadística Los datos de los residuales xxx tienen normalidad.

Test de Barlett Homocedasticidad (no tiene validez para datos no normales).

Sistema de Hipótesis Ho: δ21 = δ22 = δ23 = δ24 = δ25

H1: δ2i ≠ δ2j Por lo menos una de las varianzas difiere.

Criterio de rechazo Valor p ≤ α

Decisión estadística

Pvalue= xxx06 <0.05 nivel de significancia Rechazo hipótesis nula

Interpretación estadística Por lo menos una de las varianzas difiere, es decir no se cumple el supuesto de homocedasticidad.

Prueba de Levene (aplica cuando no tenemos normalidad, analiza la desviación mediana absoluta)

Sistema de Hipótesis Ho: δ21 = δ22 = δ23 = δ24 = δ25

H1: δ2i ≠ δ2j Por lo menos una de las varianzas difiere.

Criterio de rechazo Valor p ≤ α

Decisión estadística

Pvalue= xx <0.05 nivel de significancia Rechazo hipótesis nula

Interpretación estadística Por lo menos una de las varianzas difiere, es decir no se cumple el supuesto de homocedasticidad.

Test Durbin Watson para independencia

Sistema de Hipótesis Ho: Residuales son independientes.

H1: Residuales son dependientes.

Criterio de rechazo Valor p ≤ α

Decisión estadística

Pvalue= xx <0.05 nivel de significancia Rechazo hipótesis nula

Interpretación estadística Hay independencia en los datos de los residuales.

Sino se cumplen mis supuestos hago una transformación:

Ya que el supuesto xx no se cumple, procedo hacer transformación o se corre modelo con pruebas no paramétricas.

Nuevamente realizo mi ANOVA

Nuevamente hago comprobación de supuestos. (Pruebas y test estadísticos)

Y continúo con el análisis.

Gráfico de residuales wallyplot con otro paquete, el rojo es mi modelo.

Gráfico normalidad.

Pruebas de comparaciones múltiples o por pares:

Prueba de Schefee, para comparar grupos de tratamientos. (Cuando tenemos conocimiento del sector) Se comparan dos grupos, no necesita ortogonalidad.

Sistema de Hipótesis Ho: Ţu=0 𝐻0:μ1=μ2=μ3...=μ𝑗

H1: Ţu≠0 Para al menos un i. 𝐻1: μ𝑖≠μ𝑗

Criterio de rechazo Valor p ≤ α

Decisión estadística

PvalueGrupo= <0.05 nivel de significancia Rechazo hipótesis nula

PvalueGrupo= <0.05 nivel de significancia Rechazo hipótesis nula

Interpretación estadística Contraste poblacional diferente de ceros para cada grupo de comparación de tratamientos.

Prueba LSD

Sistema de Hipótesis 𝐻0:μ1=μ2=μ3...=μ𝑗

𝐻1:𝑝𝑜𝑟𝑙𝑜𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝑝𝑎𝑟 μ𝑖≠μ𝑗

Criterio de rechazo Valor p ≤ α

Decisión estadística

Pvalue= xx>0.05 nivel de significancia Acepto hipótesis nula

Interpretación estadística Con un nivel de significancia del xxxxx podemos concluir que para el par de tratamientos xxxx sus medias son iguales, resultado del valor P y del intervalo de confianza que pasa por cero. Para el resto de pares las medias son diferentes.

Prueba de Duncan

Sistema de Hipótesis 𝐻0:μ1=μ2=μ3...=μ𝑗

𝐻1:𝑝𝑜𝑟 𝑙𝑜 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝑝𝑎𝑟 μ𝑖≠μ𝑗

Criterio de rechazo Valor p ≤ α

Decisión estadística

Pvalue= xx >0.05

...