evaluacion_final_markdown.Rmd

---
title: "Evaluación final"
output:
  html_document:
    toc: true
    toc_depht: 3
    toc_float: true
    theme: flatly
    lang: es-ES
    df_print: paged
  pdf_document: default
editor_options: 
  markdown: 
    wrap: 72
---

```{css echo = FALSE}
# Cambiar color del título y subtítulos

.columns {display:flex;}
h1 {color: #E94B4F;}
h2 {color: #240406;}
```

```{css echo = FALSE}
.list-group-item.active, .list-group-item.active:focus, .list-group-item.active:hover {
    z-index: 2;
    color: #fff;
    background-color: #E94B4F;
    border-color: #337ab7;
}
```

```{r, echo=FALSE}
htmltools::img(src = knitr::image_uri("logo.png"), 
               alt = 'logo', 
               style = 'position:absolute;
                        top:0; 
                        right:0;
                        padding:10px;',
               width  = "180px",
               heigth = "180px")
```

## Pasos previos

#### Cargar paquetes

```{r}
library(pacman)

p_load(tidyverse,  # Manipulación y visualización de datos
       openxlsx,   # Importar archivos excel
       patchwork,  # Manipulación de gráficos 
       psych,      # Estadisticos descriptivos
       skimr,      # Estadisticos descriptivos
       car,        # Análisis de homocedasticidad
       corrr,      # Análisis de correlación
       effectsize) # Tamaño del efecto
```

## Actividad 1

#### Importa la base de datos `data3_clean` y guárdala en un objeto

```{r}
burnout_df <- readxl::read_excel("data3_clean.xlsx")
```

```{r echo = FALSE}
head(burnout_df)
```

## Actividad 2

#### Selecciona todas las variables sociodemográficas. Luego filtra a los participantes de la escuela "Vocación salud", que sean mujeres y mayores de edad. Finalmente, guárdalo en un objeto llamado "demograficos" y expórtalo en un archivo excel con el mismo nombre

```{r eval = FALSE}
demograficos <- burnout_df %>% 
  select(sexo:edad) %>% 
  filter(escuela == "Vocación salud",
         sexo    == "Mujer",
         edad    >=  18)
```

```{r echo = FALSE}
burnout_df %>% 
  select(sexo:edad) %>% 
  filter(escuela == "Vocación salud",
         sexo    == "Mujer",
         edad    >=  18) %>% 
  head(6)
```

```{r eval=FALSE}
write.xlsx(demograficos, "demograficos.xlsx")
```

## Actividad 3

#### Halla el puntaje total de la escala de ***burnout*** y colócale el nombre "bur_total", luego halla el puntaje total de la escala de ***autoeficacia académica*** y colócale el nombre "ase_total". Finalmente, categoriza estos puntajes totales y usa los nombres "bur_cat" y "ase_cat" para las variables categóricas creadas.

##### Crear variables totales para burnout y autoeficacia académica

```{r}
burnout_df <- burnout_df %>% 
              rowwise() %>% 
              mutate(bur_total = sum(c_across(bur1:bur24))) %>% 
              ungroup()
                     
```

```{r}
burnout_df <- burnout_df %>% 
              rowwise() %>% 
              mutate(ase_total = sum(c_across(ase1:ase31))) %>% 
              ungroup()
```

##### Categorizar variables de burnout y autoeficacia académica

```{r}
burnout_df <- burnout_df %>% 
  mutate(
    bur_cat = case_when(bur_total <= 48 ~ "leve",
                        bur_total <  97 ~ "moderado",
                        bur_total >= 97 ~ "severo") 
    )
```

```{r}
burnout_df <- burnout_df %>% 
  mutate(
    ase_cat = case_when(ase_total <  62 ~ "baja",
                        ase_total <= 93 ~ "moderada",
                        ase_total >= 94 ~ "alta")
  )
```

```{r echo = FALSE}
burnout_df %>% 
  select(bur_total, bur_cat, ase_total, ase_cat) %>% 
  head()
```

## Actividad 4

#### Halla la frecuencia en porcentajes de burnout (leve, moderado, severo) y de autoeficacia académica (baja, moderada y alta) en mujeres que viven solas de la escuela de vocación de salud. (Las frecuencias para cada variable deben tener códigos separados).

```{r eval=FALSE}
burnout_df %>% 
  filter(sexo == "Mujer",
         convive == "Solo",
         escuela == "Vocación salud") %>% 
  count(bur_cat) %>% 
  mutate(porcentaje = n/sum(n)*100)
```

```{r eval=FALSE}
burnout_df %>% 
  filter(sexo == "Mujer",
         convive == "Solo",
         escuela == "Vocación salud") %>% 
  count(ase_cat) %>% 
  mutate(porcentaje = n/sum(n)*100)
```

## Actividad 5

#### Realiza un resumen descriptivo de ***burnout*** y ***autoeficacia académica*** según las variable ***sexo*** y ***convive***

```{r}
# Según la variable sexo
burnout_df %>% 
  select(bur_total, ase_total, sexo) %>%
  describeBy(group = .$sexo)
```

```{r}
# Según la variable convive
burnout_df %>% 
  select(bur_total, ase_total, convive) %>%
  describeBy(group = .$convive)
```

## Actividad 6

#### Visualiza el comportamiento (distribución de puntajes) de las variables ***burnout*** y ***autoeficacia académica***, utiliza colores a tu elección, junta ambos gráficos y exportalos con el nombre "puntajes_variables". Asimismo coloca etiquetas con los nombres que consideres adecuados y que describan el gráfico (título, subtítulo, X y Y)

```{r}
# Elaborar histograma de la variable burnout
p1 <- burnout_df %>%
  ggplot(aes(x = bur_total)) +
  geom_histogram(binwidth = 10,
                 color = "#121317",
                 fill  = "#506AD4") +
  labs(
    title = "Distribución de puntajes de burnout",
    subtitle = "Examen-Taller AMP",
    x = "Burnout",
    y = "Frecuencia"
  ) +
  theme_bw()
```

```{r echo=FALSE}
p1
```

```{r}
# Elaborar histograma de la variable autoeficacia academica
p2 <- burnout_df %>%
  ggplot(aes(x = ase_total)) +
  geom_histogram(binwidth = 10,
                 color = "#121317",
                 fill  = "#F2CC39") +
  labs(
    title = "Distribución de puntajes de autoeficacia académica",
    subtitle = "Examen-Taller AMP",
    x = "Autoeficacia académica",
    y = "Frecuencia"
  ) +
  theme_bw()
```

```{r echo=FALSE}
p2
```

```{r}
# Unir gráficos 
p3 <- p1 + p2
```

```{r echo=FALSE, fig.width = 8, out.width = "100%"}
p3
```

```{r eval=FALSE}
# Exportar gráfico 
ggsave(filename = "puntajes_variables.jpg",
       plot = p3,
       height = 4,
       width = 8,
       scale = 1.5,
       dpi = 300)
```

## Actividad 7

#### Realiza un gráfico de barras de la variable bur_cat que brinde la información mediante porcentajes. Así mismo utiliza colores e incluye las etiquetas, posteriormente expórtalo con el nombre "barras_variables"

```{r}
p4 <- burnout_df %>% 
  count(bur_cat) %>% 
  mutate(porcentaje = n/sum(n)*100) %>% 
  ggplot(aes(x = porcentaje,
             y = bur_cat, 
             fill = bur_cat)) +
  geom_col() +
  scale_fill_manual("Niveles", 
                    values = c("severo" = "#D95F69",
                               "moderado" = "#F2E18D",
                               "leve" = "#BFB99B")) +
  labs(title = "Categorías de la variable burnout",
       subtitle = "Examen-Taller AMP",
       x = NULL,
       y = NULL) +
  theme_minimal() 
```

```{r echo=FALSE}
p4
```
```{r eval = FALSE}
# Exportar gráfico 
ggsave(filename = "barras_variables.jpg",
       plot = p4,
       height = 4,
       width = 8,
       scale = 1.5,
       dpi = 300)
```

## Actividad 8

#### Evalúa el supuesto de normalidad para las variables ***burnout*** y ***autoeficacia académica*** según el ***sexo***; y visualiza la normalidad en un histograma simple. Analiza el supuesto de homocedasticidad y brinda una interpretación para ambos supuestos.

##### ***Evaluar el supuesto de normalidad (Shapiro-Wilk test)***

```{r}
# Burnout y sexo
tapply(burnout_df$bur_total,
       burnout_df$sexo,
       shapiro.test)
```

```{r}
# Autoeficacia académica y sexo
tapply(burnout_df$ase_total,
       burnout_df$sexo,
       shapiro.test)
```

> ^Ambas variables no cumplen el supuesto de normalidad^

##### ***Evaluar el supuesto de homocedasticidad (Levene test)***

```{r}
# Burnout y sexo
leveneTest(burnout_df$bur_total ~ factor(burnout_df$sexo))
```

```{r}
# Autoeficacia académica y sexo
leveneTest(burnout_df$ase_total ~ factor(burnout_df$sexo))
```

> ^Ambas variables cumplen el supuesto de homocedasticidad^

## Actividad 9

#### A partir de lo hallado en los supuestos realiza la comparación de grupos para cada variable (***burnout*** y ***autoeficacia académica***) según la variable ***sexo***. Asimismo, halla el tamaño del efecto y brinda una interpretación de los resultados.

##### ***Evaluar si existen diferencias entre los grupos***

```{r}
# Burnout y sexo
wilcox.test(burnout_df$bur_total ~ burnout_df$sexo)
```

```{r}
# Autoeficacia académica y sexo
wilcox.test(burnout_df$ase_total ~ burnout_df$sexo)
```

> ^En ambas variables no se observan diferencias significativas según sexo.^

##### ***Analizar el tamaño del efecto***

```{r}
# Burnout y sexo
rank_biserial("bur_total", "sexo", data = burnout_df)
```

> ^El tamaño del efecto calculado puede categorizarse como pequeño^

```{r}
# Autoeficacia académica y sexo
rank_biserial("ase_total", "sexo", data = burnout_df)
```

> ~El tamaño del efecto calculado puede categorizarse como nulo~

## Actividad 10

#### Analiza la linealidad de las variables ***burnout*** y ***autoeficacia académica***, evalúa el supuesto de normalidad, visualízalo gráficamente mediante un histograma sencillo, realiza el análisis de correlación con el método que corresponda y brinda una explicación de los resultados.

##### ***Analizar la linealidad (forma gráfica)***

```{r message = FALSE}
burnout_df %>% 
  ggplot(aes(x = bur_total,
             y = ase_total)) +
  geom_point() +
  geom_smooth(method = lm) 
```

> ^Las variables presentan una relación lineal negativa^

##### ***Evaluar el supuesto de normalidad (Shapiro-Wilk test)***

```{r}
shapiro.test(burnout_df$bur_total)
shapiro.test(burnout_df$ase_total)
```

##### ***Evaluar el supuesto de normalidad (histograma)***

```{r}
# Burnout
burnout_df %>%
  ggplot(aes(x = bur_total)) +
  geom_histogram(binwidth = 10) +
  theme_bw()
```

```{r}
# Autoeficacia académica
burnout_df %>%
  ggplot(aes(x = ase_total)) +
  geom_histogram(binwidth = 10) +
  theme_bw()
```

> ^Las variables no cumplen con el supuesto de normalidad, por lo que se utilizará una prueba no paramétrica (Spearman)^

##### ***Análisis de correlación (Spearman)***

```{r message = FALSE}
burnout_df %>% 
  select(bur_total, ase_total) %>%
  correlate(method = "spearman")
```

> ^Las variables presentan una fuerte correlación negativa es decir, a mayor puntaje burnout menor de autoeficacia académica^