Problem Set 1

Curso R Aplicado a los Proyectos de Investigación

Introducción

Para este problem set 1, procesaremos los datos del artículo titulado “Comorbid Depression and Heart Failure: A Community Cohort Study” y publicado en la revista Plos One (doi: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0158570).

Hemos modificado ligeramente los datos originales para agregarles algunos problemas que permitan enfrentar problemas de calidad de datos.

En este problem set 1 nos centraremos solo en manejo de datos y análisis incicial de datos incluyendo gráficos. Todos los ejercicios requieren que usted haga algún tipo de comentario personal, ya sea describir los resultados observados o comentar el proceso / razonamiento seguido.

Advertencia

Es importante que se respondan con comentarios, no solo código! La pregunta que no tiene comentarios solo valdrá 25% del puntaje total.

Entregable

Enviar este trabajo a más tardar el miércoles 19 de octubre a las 23:59 horas.

Use la plantilla denominada: Problem_Set1_ApellidoPaterno_ApellidoMaterno_Nombre.qmd ubicada en la carpeta compartida Enlace aquí.

Deberá enviar al siguiente correo electrónico una carpeta comprimida o compartida por Drive / Onedrive /Dropbox con los siguientes archivos:

Importante

  • Problem_Set1_ApellidoPaterno_ApellidoMaterno_Nombre.Rproj (configure el proyecto como aprendimos al inicio)

  • Problem_Set1_ApellidoPaterno_ApellidoMaterno_Nombre.qmd

  • Problem_Set1_ApellidoPaterno_ApellidoMaterno_Nombre.html (resultado de renderizar)

La carpeta comprimida o compartida por nube (Drive/Onedrive/Dropbox) deberá llamarse según las especificaciones siguientes:

Importante

Problem_Set1_ApellidoPaterno_Nombre.

Ejemplo:

Problem_Set1_SotoBecerra_Percy

Advertencia

  • Se descontará 1 punto por no seguir las instrucciones de nombrado de carpeta.

  • Se descontará 3 puntos si la carpeta no tiene el archivo .Rproj.

  • Se descontará 2 puntos si el código en el archivo .qmd no reproduce exactamente lo mostrado en el .html.

Ejercicios

Ejercicio 1: Cargue los paquetes que usará. Comentar con # al lado de cada paquete un resumen breve de para qué lo usarán. Tip: Use library()

Nota: Todos los paquetes que usará deberán estar en este chunk, no en otro chunk posterior

Ejercicio 2: Importe los datos denominados "pone.0158570.s002_modified.xlsx" que se encuentran en la carpeta compartida Enlace aquí. Llame a los datos importados: “datos_crudos”.

Ejercicio 3: Haga un inspección global de los datos

  • Dé un vistazo a los datos. Describa brevemente sus resultados.
  • Obtenga un resumen global superficial de los datos. Describa brevemente sus resultados.
  • Obtenga una descripción un poco más detallada variable por variable de los datos. Describa brevementesus resultados.

Ejercicio 4: Procese los datos según el siguiente diccionario:

  • En un solo pipeline, haga lo siguiente:

      1. Renombre variables.
      1. Recodifique las etiquetas de las variables categóricas.
      1. Cree las nuevas variables.
      1. Etiquete a las variables.
# Colocar aquí el pipeline (borrar este comentario)

Ejercicio 5: Identifique duplicados

  • Identifique duplicados de fila. Describa brevementesus resultados.
  • Identifique duplicados de id. Describa brevemente sus resultados.
  • Solo si hubo duplicados de fila, elimine los duplicados de fila, quedándose solo con una versión de cada observación. Comente el proceso/razonamiento.

Tip: Puedes usar distinct()

  • Solo si hubo duplicados de id, elimine el duplicado de fila que menos información completa tenga. Comente el proceso/razonamiento.

Tip: Puedes usar slice() o filter()

Ejercicio 6: Identifique datos perdidos

  • Presente el número de datos perdidos y tasa de completitud variable por variable en una sola salida. Describa los resultados relacionados a datos perdidos.
  • Muestre gráficos de datos perdidos y como se agrupan entre variables.Describa los resultados relacionados a datos perdidos.

Ejercicio 7: Haga las siguientes consultas (“queries”) con los datos limpios (renombrados, etiquetados y sin duplicados)

  • Seleccione las variables id, age y phq-9. Muestre los participantes que tienen edades entre 50 y 55 años
  • Seleccione las variables id, ej_Frac, sod, bun y et_hf. Luego, muestre a los participantes que tiene etiología isquémica.
  • ¿Quiénes fueron los pacientes mujeres que sobrevivieron y tuvieron un phq-9 > 10?
  • ¿Cuáles fueron los valores de tiempo a muerte en los pacientes varones que murieron, que tuvieron etiología isquémica y un puntaj de phq-9 > 10?

Ejercicio 8: Haga los siguientes gráficos:

  • Mediante un gráfico de cajas, compare los valores de ejection fraction (%) entre los pacientes con etiología isquémica versus sin etiología isquémica. Muestre el resultado más simple posible.
  • Mediante un gráfico de cajas, compare los valores de ejection fraction (%) entre los pacientes con etiología isquémica versus sin etiología isquémica. Muestre el resultado más elaborado posible: Elija un tema de su agrado, agregue etiquetas (título general, título de eje X, título de eje Y, etiquetas de leyenda si aplica), modifique la escala de colores, etc.
  • Use un gráfico de cajas y puntos dispersos (combinelos), para mostrar el nivel de bun según sexo. Muestre el resultado más simple posible.

Tip: use geom_jitter() para los puntos dispersos. Más info aquí: https://ggplot2.tidyverse.org/reference/geom_jitter.html

  • Use un gráfico de cajas y puntos (combinelos), para mostrar el nivel de bun según sexo. Muestre el resultado más elaborado posible: Elija un tema de su agrado, agregue etiquetas (título general, título de eje X, título de eje Y, etiquetas de leyenda si aplica), modifique la escala de colores, etc.

Tip: use geom_jitter() para los puntos dispersos. Más info aquí: https://ggplot2.tidyverse.org/reference/geom_jitter.html

Ejercicio 9: Exporte los datos a los siguientes formatos. Llame a los datos exportados: “datos_limpios”

  • Formato de R: “.rds”
  • Formato de Excel: “.xlsx”
  • Formato de archivo plano: “.csv”
  • Formato de Stata: “.dta”

Ejercicio 10: Renderice el archivo .qmd final. Comparta la carpeta entera, la cual debe contener el .qmd, así como el .html.