Imagina que tienes datos de la severidad de una enfermedad en diferentes cultivos y notas que los datos están muy sesgados a la derecha (hay muchos cultivos con baja severidad y pocos con alta severidad).
Transformar datos puede parecer complicado, pero es una herramienta muy útil para asegurar que tus análisis estadísticos sean válidos y significativos.
Antes de realizar un análisis estadístico en R, puede ser necesario transformar los datos dependiendo de la naturaleza de los datos y los requisitos del análisis. Las transformaciones pueden ayudar a cumplir con los supuestos de los análisis estadísticos, como la normalidad y la homogeneidad de variancias.
Antes de realizar transformaciones, necesitamos entender la naturaleza de los datos. Vamos a familiarizarnos con un conjunto de datos, en este caso, el conjunto de datos mofo, presente dentro del archivo de datos datos-diversos.xlsx.
Aquí tienes el código ajustado con el texto añadido para cada paso del análisis de datos, siguiendo la guía proporcionada:
# Evita que se muestren advertencias y mensajes
#| warning: false
#| message: false
# Cargar librerías necesarias
library(tidyverse) # Para manipulación y visualización de datos
library(readxl) # Para leer archivos de Excel
library(DT) # Para visualizar tablas dinámicas
library(patchwork) # Para juntar gráficos# Leer el conjunto de datos 'mofo' desde el archivo 'dados-diversos.xlsx'
mofo <- read_excel("dados-diversos.xlsx", "mofo")
# Mostrar los datos en una tabla interactiva
mofo %>%
DT::datatable(
extensions = 'Buttons',
options = list(dom = 'Bfrtip',
buttons = c('excel', "csv"))
)Para entender mejor nuestros datos, comenzamos con una exploración inicial. Esta fase incluye visualizar los datos y realizar pruebas de normalidad.
Podemos visualizar los datos de diferentes maneras, como gráficos de dispersión, histogramas y boxplots. Inicialmente, visualizaremos los datos de incidencia (inc) por tratamientos y por estudio.
# Gráfico de dispersión de la incidencia por tratamientos y estudios
mofo |>
ggplot(aes(treat, inc)) +
facet_wrap(~study) + # Facetas por estudio
geom_point() # Puntos de dispersión
Los histogramas nos permiten ver la distribución de nuestros datos. Aquí, creamos histogramas para las variables inc y scl.
# Histograma de incidencia
inc <- mofo |>
ggplot(aes(inc)) +
geom_histogram()
inc
mofo |> ggplot(aes(scl)) + geom_histogram()
### Boxplot de Escleródio
El boxplot ayuda a visualizar la distribución y posibles outliers en los datos de `scl`.
::: {.cell}
```{.r .cell-code}
# Boxplot de escleródio
scl <- mofo |>
ggplot(aes(scl)) +
geom_boxplot()
scl
:::
Podemos juntar los gráficos anteriores para una visualización combinada.
# Juntar los gráficos de incidencia y escleródio
inc / scl
Podemos usar pruebas estadísticas como la prueba de Shapiro-Wilk para verificar la normalidad de nuestros datos.
# Prueba de Shapiro-Wilk para la normalidad
shapiro.test(mofo$scl)
Shapiro-Wilk normality test
data: mofo$scl
W = 0.89096, p-value = 0.0001851Dado que los datos están sesgados a la derecha y no son normales, decidimos usar la transformación logarítmica porque ayuda a normalizar datos sesgados.
Antes de aplicar la transformación, calculamos la media de la columna scl.
# Calcular la media de la columna 'scl'
mean(mofo$scl)[1] 1639.096Aplicamos la transformación logarítmica a nuestros datos. La fórmula usada es (( + 1)) para evitar problemas con valores cero.
# Transformar los datos usando logaritmo
mofo2 <- mofo |>
mutate(scl2 = log(scl + 1)) # Crear nueva columna 'scl2' con el logaritmo de 'scl'
# Mostrar los datos transformados en una tabla interactiva
mofo2 %>%
DT::datatable(
extensions = 'Buttons',
options = list(dom = 'Bfrtip',
buttons = c('excel', "csv"))
) |>
formatRound("scl2", 2)Revisamos la distribución de los datos transformados mediante un histograma.
# Visualizar los datos transformados en logaritmo con un histograma
mofo2 |>
ggplot(aes(scl2)) +
geom_histogram(bins = 10)
Verificamos si la transformación logarítmica ha mejorado la normalidad de los datos.
# Prueba de Shapiro-Wilk para la normalidad en datos transformados
shapiro.test(mofo2$scl2)
Shapiro-Wilk normality test
data: mofo2$scl2
W = 0.96708, p-value = 0.1585Vuelves a hacer un histograma y notas que los datos transformados se parecen más a una distribución normal. Esto sugiere que la transformación ha sido efectiva.
Ahora que los datos están transformados y tienen una distribución más normal, puedes proceder a realizar el análisis estadístico, como ANOVA o regresión.
# Realizar ANOVA con los datos transformados
anova_result <- aov(scl2 ~ treat, data = mofo2)
summary(anova_result) Df Sum Sq Mean Sq F value Pr(>F)
treat 1 6.92 6.915 8.924 0.00435 **
Residuals 50 38.75 0.775
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Es importante documentar que transformaste los datos de scl usando (( + 1)) porque los datos originales estaban sesgados y no eran normales. Esto garantiza la transparencia y reproducibilidad de tu análisis.
# Documentación del proceso
notas <- "Transformamos los datos de severidad usando log(scl + 1) porque los datos originales estaban sesgados y no eran normales."
writeLines(notas, "documentacion.txt")Como comparación, también podemos aplicar la transformación de raíz cuadrada y revisar su efecto.
# Transformar los datos usando raíz cuadrada
mofo2 <- mofo |>
mutate(scl2 = sqrt(scl)) # Crear nueva columna 'scl2' con la raíz cuadrada de 'scl'
# Mostrar los datos transformados en una tabla interactiva
mofo2 %>%
DT::datatable(
extensions = 'Buttons',
options = list(dom = 'Bfrtip',
buttons = c('excel', "csv"))
) |>
formatRound("scl2", 2)# Visualizar los datos transformados en raíz cuadrada con un histograma
mofo2 |>
ggplot(aes(scl2)) +
geom_histogram(bins = 10)
# Prueba de Shapiro-Wilk para la normalidad en datos transformados (raíz cuadrada)
shapiro.test(mofo2$scl2)
Shapiro-Wilk normality test
data: mofo2$scl2
W = 0.97263, p-value = 0.2724Este enfoque completo asegura que cada fase del análisis de datos se realice de manera lógica y coherente, desde la exploración inicial hasta la documentación final.