Sesión 3

Curso: R Aplicado a los Proyectos de Investigación

Percy Soto-Becerra, M.D., M.Sc(c)

InkaStats Data Science Solutions | Medical Branch

2022-10-05

  https://github.com/psotob91

Importación de datos

Agenda

  1. Importación de datos

  2. Más verbos de dplyr para manejo de datos

  3. Otros verbos útiles para manejo de datos

  4. Uso de helpers

  5. Análisis Exploratorio de Datos versus Análisis Inicial de Datos

  6. Pasos para un buen AID / AED

Importar datos de fuentes externas a R

El paquete {rio} es la navaja suiza
 de la importación de datos en R.

          Su función import
          permite importar
          prácticamente
          cualquier formato.

Importando datos con {rio}

  • Instalar {rio}
  • import
  • Plano
  • MS Excel
  • Stata (*.dta)
  • SPSS (*.sav)
  • Otros

  • {rio} debe instalarse de una manera especial

  • Pasos:

    1. Primero se instala como siempre, usando install.packages
    2. Adicionalmente, se sugiere correr install_formats. inmediatamente después de la primera instalación.
    3. Se carga el paquete usando library.
install.packages("rio")
rio::install_formats()
library(rio)
  • Más detalles sobre el paquete y sus funciones pueden encontrarse en la página web del paquete: https://thomasleeper.com/rio/index.html
  • Se usa import() para importar nuevos datos y <- para asignar los datos a un nuevo data.frame
nuevos_datos <- import(file = "datos_para_importar.fmt")


Podemos omitir los nombres de los argumentos cuando utilizamos funciones.


nuevos_datos <- import(file = "datos_para_importar.fmt")
nuevos_datos <- import("datos_para_importar.fmt")

  • Para archivos de tipo *.csv o *.txt

  • No importa el tipo de separación de las columnas: comas, puntos y comas, otros caracteres.

    • import() determinará rápidamente el tipo de separación y hará el trabajo.
datos_csv <- import("maca_meno_perclin.csv")
head(datos_csv)
  id_jaula id_raton tratamiento protocolo peso_inicial peso_final peso_utero
1        1        1     control       ovx        26.00      33.28      0.089
2        1        2     control       ovx        24.50      30.50      0.063
3        1        3     control       ovx        20.40      29.93      0.078
4        2        4     control   hemiovx        26.59      32.19      0.134
5        2        5     control       ovx        23.50      30.37      0.052
6        2        6        maca       ovx        25.00      30.43      0.055
    chol glucose    tag prot  urea album
1  85.99  109.97 182.42 5.37 66.27 66.82
2  94.46   81.62 211.87 4.68 76.73 55.36
3  99.67  118.37 195.16   NA 52.32    NA
4  83.38   71.91  98.46   NA 50.71    NA
5  82.08   95.53 108.13 5.33 26.02    NA
6 107.49  160.36 141.10   NA    NA 72.14
  • Útil para archivos con las extensiones *.xls o *.xlsx
datos_xlsx <- import("maca_meno_perclin.xlsx")
head(datos_xlsx)
  id_jaula id_raton tratamiento protocolo peso_inicial peso_final peso_utero
1        1        1     control       ovx        26.00      33.28      0.089
2        1        2     control       ovx        24.50      30.50      0.063
3        1        3     control       ovx        20.40      29.93      0.078
4        2        4     control   hemiovx        26.59      32.19      0.134
5        2        5     control       ovx        23.50      30.37      0.052
6        2        6        maca       ovx        25.00      30.43      0.055
    chol glucose    tag prot  urea album
1  85.99  109.97 182.42 5.37 66.27 66.82
2  94.46   81.62 211.87 4.68 76.73 55.36
3  99.67  118.37 195.16   NA 52.32    NA
4  83.38   71.91  98.46   NA 50.71    NA
5  82.08   95.53 108.13 5.33 26.02    NA
6 107.49  160.36 141.10   NA    NA 72.14

  • Permite importar datos de formato Stata. Sin embargo, en Stata, los valores de las variables suelen estar etiquetados, por lo que es importante también recuperar esta información.

  • Si importamos una tabla de datos en formato Stata, vemos que algunas variables categóricas como married o married2 se importan como números. ¿Qué significa 1 o 0?

datos_dta <- import("maca_meno_fase1.dta")
head(datos_dta)
  id time treat age    race married married2  procedence weight height     e2
1  1    0     1  33 Mestiza       1        0      Callao   59.0    1.4  87.30
2  1    1     1  32 Mestiza       1        0      Callao   59.9    1.3 210.05
3  2    0     3  27 Mestiza       1        0 Santa Anita   62.0    1.5 169.01
4  2    1     3  27 Mestiza       1        0 Santa Anita   62.1    1.6  99.91
5  3    0     2  25 Mestiza       1        0      Callao   62.0    1.6  78.76
6  3    1     2  25 Mestiza       1        0      Callao   60.0    1.6 155.04
     lh  fsh  prog
1  3.28 1.95 14.20
2 26.85 8.83 12.95
3  6.34 4.32  0.50
4  5.77 1.70  9.61
5 11.86 2.81 10.46
6 10.14 4.51  5.04
  • Lo mismo que ocurre con Stata, sucede con SPSS: los metadatos se pierden.
datos_sav <- import("RECH0.sav")
head(datos_sav)
   ID1            HHID HV000 HV001 HV002 HV002A HV003 HV004 HV007 HV008 HV009
1 2021       000100301   PE6     1     3      1     2     1  2021  1454     6
2 2021       000100401   PE6     1     4      1     1     1  2021  1454     5
3 2021       000100801   PE6     1     8      1     2     1  2021  1454     6
4 2021       000101001   PE6     1    10      1     1     1  2021  1454     5
5 2021       000102901   PE6     1    29      1     0     1  2021  1454     0
6 2021       000104201   PE6     1    42      1     2     1  2021  1454     3
  HV010 HV011 HV012 HV013 HV014 HV015 HV017 HV020 HV021 HV023 HV024 HV025 HV026
1     2     0     6     5     1     1     1     0     1     1     1     1     1
2     1     0     5     5     1     1     1     0     1     1     1     1     1
3     2     0     6     6     2     1     1     0     1     1     1     1     1
4     1     0     5     5     0     1     1     0     1     1     1     1     1
5     0     0     0     0     0     3     4     0     1     1     1     1     1
6     1     0     3     3     1     1     1     0     1     1     1     1     1
  HV027 HV028 HV030 HV031 HV032 HV033 HV035 HV040 HV041 HV042 HV043 HV044
1     0    NA     0    NA     0    NA     1  2338     2     1     0     1
2     0    NA     0    NA     0    NA     1  2338     1     1     0     1
3     0    NA     0    NA     0    NA     1  2338     2     1     0     1
4     0    NA     0    NA     0    NA     0  2338     1     1     0     1
5     0    NA     0    NA     0    NA     0  2338     0     1     0     1
6     0    NA     0    NA     0    NA     1  2338     1     1     0     1
  UBIGEO HV022 CODCCPP     NOMCCPP NCONGLOME  HV005 longitudx  latitudy
1 010101     3    0001 CHACHAPOYAS   0706402 103273 -77.87403 -6.221249
2 010101     3    0001 CHACHAPOYAS   0706402 103273 -77.87403 -6.221249
3 010101     3    0001 CHACHAPOYAS   0706402 103273 -77.87403 -6.221249
4 010101     3    0001 CHACHAPOYAS   0706402 532968 -77.87403 -6.221249
5 010101     3    0001 CHACHAPOYAS   0706402      0 -77.87403 -6.221249
6 010101     3    0001 CHACHAPOYAS   0706402 103273 -77.87403 -6.221249

  • La función import soporta una gran variedad de formatos.

  • Si alguna vez necesita, puede consultar la web del paquete y encontrará tutoriales de cómo importar los formatos que requiera.

https://thomasleeper.com/rio/index.html

¿Cómo importar metadatos de Stata o SPSS?

  • ¿Metadatos?
  • Stata (*.dta)
  • SPSS (*.sav)

  • Son los datos de los datos.

  • En bases de datos para análisis estadístico, dos metadatos bastante usados son:

    • Etiquetas de la variable

    • Etiquetas de los valores de la variable

Importar datos Stata solo con import()

  • Las etiquetas de valor para time, treat, married y married2 se pierden.
datos_dta <- import("maca_meno_fase1_v2.dta")

head(datos_dta)
  id time treat age
1  1    0     1  33
2  1    1     1  32
3  2    0     3  27
4  2    1     3  27
5  3    0     2  25
6  3    1     2  25

Usar import() más characterize()

  • Las etiquetas de valor para time, treat, married y married2 se recuperan
datos_dta <- import("maca_meno_fase1_v2.dta") %>% 
  characterize()
head(datos_dta)
  id     time   treat age
1  1 Baseline Placebo  33
2  1 3 months Placebo  32
3  2 Baseline Dosis 2  27
4  2 3 months Dosis 2  27
5  3 Baseline Dosis 1  25
6  3 3 months Dosis 1  25

Importar datos SPSS solo con import()

  • Las etiquetas de valor para time, treat, married y married2 se pierden.
datos_sav <- import("maca_meno_fase1_v2.sav")

head(datos_sav)
  id time treat age
1  1    0     1  33
2  1    1     1  32
3  2    0     3  27
4  2    1     3  27
5  3    0     2  25
6  3    1     2  25

Usar import() más characterize()

  • Las etiquetas de valor para time, treat, married y married2 se recuperan
datos_sav <- import("maca_meno_fase1_v2.sav") %>% 
  characterize()
head(datos_sav)
  id     time   treat age
1  1 Baseline Placebo  33
2  1 3 months Placebo  32
3  2 Baseline Dosis 2  27
4  2 3 months Dosis 2  27
5  3 Baseline Dosis 1  25
6  3 3 months Dosis 1  25

Exportando datos con {rio}

  • export()
  • Ejemplos:
  • Se usa export() para exportar un objeto data frame o data tibble a otro formato:
export(datos_para_importa, file = "datos_exportados.fmt")
  • Los formatos pueden ser:
Formato Extensión típica
Comma-separated data .csv
Pipe-separated data .psv
Tab-separated data .tsv
CSVY (CSV + YAML metadata header) .csvy
SAS .sas7bdat
SPSS .sav
SPSS (compressed) .zsav
Stata .dta
SAS XPORT .xpt
SPSS Portable .por
Excel .xls
Excel .xlsx
R syntax .R
Saved R objects .RData, .rda
Serialized R objects .rds
Epiinfo .rec
  • A formato .rds (sugerido para guardar base de datos individuales en R):
export(datos, "datos.rds")
  • A formato .xlsx:
export(datos, "datos.xlsx")
  • A formato .csv:
export(datos, "datos.csv")
  • A formato .dta:
export(datos, "datos.dta")
  • A formato .sav:
export(datos, "datos.sav")

Nuestro turno


  • Descargue la carpeta denominada taller03 disponible en la carpeta compartida.

  • Abra el proyecto denominado taller03.Rproj

  • Complete y ejecute el código faltante en los chunk de código de la PRIMERA PARTE.

  • Una vez culmine todo el proceso, renderice el archivo .qmd.



 

10:00

Hagamos una pausa

Tomemos un descanso de 5 minutos…

Estire las piernas …

Deje de ver las pantallas …

… cualquier , las del celular también.

05:00

Más verbos de dplyr para manejo de datos

Agenda

  1. Importación de datos

  2. Más verbos de dplyr para manejo de datos

  3. Otros verbos útiles para manejo de datos

  4. Uso de helpers

  5. Análisis Exploratorio de Datos versus Análisis Inicial de Datos

  6. Pasos para un buen AID / AED

Creación de nuevas columnas con mutate()

  • La función mutate() crea columnas nuevas o modifica existentes.

Larga

mutate(.data = DATA, ...)

Abreviada

mutate(DATA, ...)

Se estila usar %>%

DATA %>% 
  mutate(...)


Argumento Descripción
.data Data frame o extensión de data frame (por ejemplo, tibble).
... Columnas existente para modificar o columnas nuevas para crear.

mutate() en acción

  • Crear una nueva variable
  • Crear varias nuevas variables
  • Remplazar variable existente
  • Si queremos crear la variable índice de masa corporal:
datos_fase1 %>% 
  select(id, weight, height) %>% # Nos quedamos con peso y talla 
  mutate(imc = weight / height ^ 2) # Creamos IMC en base a peso y talla
# A tibble: 106 × 4
      id weight height   imc
   <dbl>  <dbl>  <dbl> <dbl>
 1     1   59      1.4  30.1
 2     1   59.9    1.3  35.4
 3     2   62      1.5  27.6
 4     2   62.1    1.6  24.3
 5     3   62      1.6  24.2
 6     3   60      1.6  23.4
 7     4   60.9    1.5  27.1
 8     4   61.4    1.5  27.3
 9     5   64      1.5  28.4
10     5   58.1    1.6  22.7
# … with 96 more rows

  • También podemos crear más de una variable nueva.

  • Incluso, podemos reutilizar la variable recién creada para crear otra nueva dentro del mismo argumento de mutate()

datos_fase1 %>% 
  select(id, weight, height) %>% 
  mutate(
    imc = weight / height ^ 2, 
    imc_escalado = imc / 10
    ) 
# A tibble: 106 × 5
      id weight height   imc imc_escalado
   <dbl>  <dbl>  <dbl> <dbl>        <dbl>
 1     1   59      1.4  30.1         3.01
 2     1   59.9    1.3  35.4         3.54
 3     2   62      1.5  27.6         2.76
 4     2   62.1    1.6  24.3         2.43
 5     3   62      1.6  24.2         2.42
 6     3   60      1.6  23.4         2.34
 7     4   60.9    1.5  27.1         2.71
 8     4   61.4    1.5  27.3         2.73
 9     5   64      1.5  28.4         2.84
10     5   58.1    1.6  22.7         2.27
# … with 96 more rows

  • Tener cuidado si se quiere reutilizar la variable original, en ese caso es mejor crear columna nueva.

  • Queremos que la edad sea reportada en meses:

Crear columna nueva:

datos_fase1 %>% 
  select(id, age) %>% 
  mutate(age2 = age * 12) # Columna nueva llamada age2
# A tibble: 106 × 3
      id   age  age2
   <dbl> <dbl> <dbl>
 1     1    33   396
 2     1    32   384
 3     2    27   324
 4     2    27   324
 5     3    25   300
 6     3    25   300
 7     4    37   444
 8     4    38   456
 9     5    31   372
10     5    32   384
# … with 96 more rows

Remplazar la edad:

datos_fase1 %>% 
  select(id, age) %>% 
  mutate(age = age * 12) # Notar que se remplazó age 
# A tibble: 106 × 2
      id   age
   <dbl> <dbl>
 1     1   396
 2     1   384
 3     2   324
 4     2   324
 5     3   300
 6     3   300
 7     4   444
 8     4   456
 9     5   372
10     5   384
# … with 96 more rows

Otros verbos útiles para manejo de datos

Agenda

  1. Importación de datos

  2. Más verbos de dplyr para manejo de datos

  3. Otros verbos útiles para manejo de datos

  4. Uso de helpers

  5. Análisis Exploratorio de Datos versus Análisis Inicial de Datos

  6. Pasos para un buen AID / AED

Renombrar variables con rename()

  • Cambia los nombres de variables individuales.

 

Larga

rename(.data = DATA, ...)

Abreviada

rename(DATA, ...)

Se estila usar %>%

DATA %>% 
  rename(...)


Argumento Descripción
.data Data frame o extensión de data frame (por ejemplo, tibble).
... nuevo_nombre = viejo_nombre

rename() en acción

  • Cambiar el nombre de married por casado1 y el de age por edad.
datos_fase1 %>% 
  rename(
    casado1 = married, 
    edad = age
    )
# A tibble: 106 × 14
      id time     treat   edad race  casado1 marri…¹ proce…² weight height    e2
   <dbl> <fct>    <fct>  <dbl> <chr> <fct>   <fct>   <chr>    <dbl>  <dbl> <dbl>
 1     1 Baseline Place…    33 Mest… Single  Withou… Callao    59      1.4  87.3
 2     1 3 months Place…    32 Mest… Single  Withou… Callao    59.9    1.3 210. 
 3     2 Baseline Dosis…    27 Mest… Single  Withou… Santa …   62      1.5 169. 
 4     2 3 months Dosis…    27 Mest… Single  Withou… Santa …   62.1    1.6  99.9
 5     3 Baseline Dosis…    25 Mest… Single  Withou… Callao    62      1.6  78.8
 6     3 3 months Dosis…    25 Mest… Single  Withou… Callao    60      1.6 155. 
 7     4 Baseline Dosis…    37 Mest… Divorc… Withou… Callao    60.9    1.5  41.0
 8     4 3 months Dosis…    38 Mest… Divorc… Withou… Callao    61.4    1.5 109. 
 9     5 Baseline Place…    31 Mest… Single  Withou… La Mol…   64      1.5  43.0
10     5 3 months Place…    32 Mest… Single  Withou… La Mol…   58.1    1.6  56.0
# … with 96 more rows, 3 more variables: lh <dbl>, fsh <dbl>, prog <dbl>, and
#   abbreviated variable names ¹​married2, ²​procedence

Recodificar valores de variables con recode()

  • Cambia los nombres de las etiquetas de valores de las variables.

 

Larga

recode(.data = DATA, ...)

Abreviada

recode(DATA, ...)

Se estila usar %>%

DATA %>% 
  recode(...)

recode es el raro del grupo: primeo viejo nombre y luego nuevo nombre

Argumento Descripción
.data Data frame o extensión de data frame (por ejemplo, tibble).
... viejo_nombre = nuevo_nombre

recode() en acción

  • Cambiar los valores de married2 del inglés al español:
datos_fase1 %>% 
  mutate(married2 = recode(married2, 
                           "Without couple" = "Sin pareja", 
                           "With couple" = "Con pareja"))
# A tibble: 106 × 14
      id time     treat    age race  married marri…¹ proce…² weight height    e2
   <dbl> <fct>    <fct>  <dbl> <chr> <fct>   <fct>   <chr>    <dbl>  <dbl> <dbl>
 1     1 Baseline Place…    33 Mest… Single  Sin pa… Callao    59      1.4  87.3
 2     1 3 months Place…    32 Mest… Single  Sin pa… Callao    59.9    1.3 210. 
 3     2 Baseline Dosis…    27 Mest… Single  Sin pa… Santa …   62      1.5 169. 
 4     2 3 months Dosis…    27 Mest… Single  Sin pa… Santa …   62.1    1.6  99.9
 5     3 Baseline Dosis…    25 Mest… Single  Sin pa… Callao    62      1.6  78.8
 6     3 3 months Dosis…    25 Mest… Single  Sin pa… Callao    60      1.6 155. 
 7     4 Baseline Dosis…    37 Mest… Divorc… Sin pa… Callao    60.9    1.5  41.0
 8     4 3 months Dosis…    38 Mest… Divorc… Sin pa… Callao    61.4    1.5 109. 
 9     5 Baseline Place…    31 Mest… Single  Sin pa… La Mol…   64      1.5  43.0
10     5 3 months Place…    32 Mest… Single  Sin pa… La Mol…   58.1    1.6  56.0
# … with 96 more rows, 3 more variables: lh <dbl>, fsh <dbl>, prog <dbl>, and
#   abbreviated variable names ¹​married2, ²​procedence

Nuestro turno


  • Descargue la carpeta denominada taller03 disponible en la carpeta compartida.

  • Abra el proyecto denominado taller03.Rproj

  • Complete y ejecute el código faltante en los chunk de código de la SEGUNDA PARTE.

  • Una vez culmine todo el proceso, renderice el archivo .qmd.



 

10:00

Uso de helpers

Agenda

  1. Importación de datos

  2. Más verbos de dplyr para manejo de datos

  3. Otros verbos útiles para manejo de datos

  4. Uso de helpers

  5. Análisis Exploratorio de Datos versus Análisis Inicial de Datos

  6. Pasos para un buen AID / AED

Selectores tidy

  • Son funciones que ayudan a especificar un grupo específico de columnas.

  • Ejemplos típicos de funciones tidyselect son:

    • starts_with()

    • end_with()

    • contains()

    • matches()

    • last_col()

    • num_range()

    • where()

  • Más información sobre tidylsect: https://dplyr.tidyverse.org/reference/select.html

Nuestro turno


  • Descargue la carpeta denominada taller03 disponible en la carpeta compartida.

  • Abra el proyecto denominado taller03.Rproj

  • Complete y ejecute el código faltante en los chunk de código de la TERCERA PARTE.

  • Una vez culmine todo el proceso, renderice el archivo .qmd.



 

10:00

Análisis Exploratorio de Datos versus Análisis Inicial de Datos

Agenda

  1. Importación de datos

  2. Más verbos de dplyr para manejo de datos

  3. Otros verbos útiles para manejo de datos

  4. Uso de helpers

  5. Análisis Exploratorio de Datos versus Análisis Inicial de Datos

  6. Pasos para un buen AID / AED

  

El análisis inicial de datos y el análisis exploratorio de datos son dos cosas diferentes!!

Análisis Exploratorio de Datos

Análisis Exploratorio de Datos

  • El AED es un enfoque de análisis de conjunto de datos para identificar patrones y formular nuevas hipótesis.

  • Se trata de ver qué nos dice los datos más allá de ideas pre-concebidas.

  • Las nuevas hipótesis luego se confirman en otros nuevos estudios rigurosos.

  • Su versión moderna: Minería de Datos (Data Minning)

Análisis Inicial de Datos

  • El AID, a menudo, se confunde erróneamente con el AED:

    • Ambos son dos enfoques totalmente diferentes que comparten herramietnas comunes.

  • Objetivo del AID:

“(…) garantizar principalmente la transparencia y la integridad de las condiciones previas para realizar análisis estadísticos apropiados de manera responsable para responder preguntas de investigación predefinidas.”
Baillie M, et al. [PLoS Comput Biol, 2022](https://doi.org/10.1371/journal.pcbi.1009819)

Análisis Inicial de Datos vs. Análisis Exploratorio de Datos


AID AED
1. AID es el paso inicial del proceso de confirmación de hipótesis pre-definidas. 1. AED busca generar hipótesis nuevas.
2. En investigación clínico-epidemiológica, a menudo queremos y deberíamos hacer AID. 2. Rara vez queremos AED (p. ej., enfermedades nuevas, fenómenos muy poco conocidos)
3. Proceso clave para garantizar responder adecuadamente objetivos pre-planeados de estudio. 3. Proceso con alto riesgo de contaminar respuesta a objetivos pre-planeados de estudio.

Mala práctica: ¡Hacer AED en vez de AID!


  • A menudo, investigadores no realizan AID de manera sistemática.

  • Mezclan actividades de AID con tareas posteriores de análisis de datos, como generación o exploración de hipótesis, análisis formal e interpretación de conclusiones.

  • Como se hacen “informalmente”, no se reportan en detalle generándose análisis ocultos.

  • Estos análisis ocultos generan problemas en la reproducibilidad de los estudios.

  • Generan muchos grados de libertad adicionales ocasionando problemas serios de validez de los análisis: p-hacking, post-selection inference, double-dipping, overfitting, etc.

  • Iniciativa STRATOS ha dado pautas para realizar AID apropiados.

BMC Med Res Methodol 20, 61 (2020)

El problema de los análisis ocultos

BMC Med Res Methodol 20, 61 (2020)

Recomendaciones de STRATOS para hacer un buen AID

PLoS Comput Biol 18(2): e1009819

AID es un proceso iterativo


  • Proceso no lineal, al contrario, requiere muchas iteraciones.

  • Riesgo: Puede influir en análisis e inducir conclusiones erróneas.

    • Mayor riesgo de restultados falsos positivos.

  • Ser cuidados para:

    • Evitar alterar la pregunta de investigación.
    • Proveer documentación completa del proceso.

AID como parte del plan de investigación

Introducing the Initial Data Analysis Topic Group (TG3)

AID como parte del plan de investigación

Huebner M, Vach W, et al.

10 recomendaciones de STRATOS para un buen AID

  • Regla 1: Desarrolle un plan de AID que respalde el objetivo de la investigación.

  • Regla 2: AID toma tiempo y recursos.

  • Regla 3: AID debe ser reproducible.

  • Regla 4: El contexto importa, conoce tus datos.

  • Regla 5: Evite los adelantos, AID no toca la pregunta de investigación.

  • Regla 6: Visualiza tus datos.

  • Regla 7: Compruebe lo que falte.

  • Regla 8: Comunicar los hallazgos y considerar las consecuencias.

  • Regla 9: Reporte los hallazgos del AID en trabajos de investigación (¡adjunte anexos!)

  • Regla 10: Sea proactivo y riguroso.

10 recomendaciones de STRATOS para un buen AID

  • Regla 1: Desarrolle un plan de AID que respalde el objetivo de la investigación → ¡Escríbalo en el proyecto o anexe un plan de análisis estadístico detallado!

  • Regla 2: AID toma tiempo y recursos.→ Presupueste RRHH y tiempo razonable

  • Regla 3: AID debe ser reproducible.→ Use programas que generen código

  • Regla 4: El contexto importa, conoce tus datos.→ {dplyr} en R

  • Regla 5: Evite los adelantos, AID no toca la pregunta de investigación.→ ¡No haga ’análisis perliminar` sin antes inspeccionar y limpiar bien lso datos!

  • Regla 6: Visualiza tus datos.→ {ggplot2} en R

  • Regla 7: Compruebe lo que falte.→ {tidyverse} para queries en R

  • Regla 8: Comunicar los hallazgos y considerar las consecuencias.→ Quarto para programación literaria en R

  • Regla 9: Reporte los hallazgos del AID en trabajos de investigación (¡adjunte anexos!).→ Ídem

  • Regla 10: Sea proactivo y riguroso.→ ¡Los datos son como sus pacientes, use las mejores técnicas y herramientas disponibles!

Regla 4: El contexto importa, conoce tus datos


  • Dé una primera mirada global a los datos
  • Diseñe una lista de validaciones a realizar desde el proyecto.
  • Valida tus datos:
    • Identifique duplicados y detecte inconsistencias
    • Valores extremos no plausibles
    • Identifique valores perdidos
  • En R, use los verbos básicos de {dplyr} para hacer consultas (“queries”) a sus datos: filter(), select(), mutate(), arrange() y summarise().

Pasos para un buen AID / AED

Agenda

  1. Importación de datos

  2. Más verbos de dplyr para manejo de datos

  3. Otros verbos útiles para manejo de datos

  4. Uso de helpers

  5. Análisis Exploratorio de Datos versus Análisis Inicial de Datos

  6. Pasos para un buen AID / AED

Paso 1: Resumen global de los datos

  • ¿Qué debo inspeccionar de manera global?
  • glimpse()
  • skim()
  • describe()

  • Dimensiones: columnas y filas

  • Variables y tipos

  • Datos completos y faltantes

  • Variables numéricas: Mínimos, máximos y valores extremos

  • Variables categóricas: Valores o categorías muy poco frecuentes y datos perdidos encubiertos

  • Heche un vistazo de los datos con glimpse():
glimpse(datos)
Rows: 26
Columns: 13
$ id_jaula     <dbl> 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 5, 5, 5, 5, 8, 8, 9, 9, 9, …
$ id_raton     <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17…
$ tratamiento  <chr> "control", "control", "control", "control", "control", "m…
$ protocolo    <chr> "ovx", "ovx", "ovx", "hemiovx", "ovx", "ovx", "ovx", "ovx…
$ peso_inicial <dbl> 26.00, 24.50, 20.40, 26.59, 23.50, 25.00, 24.80, 23.20, 2…
$ peso_final   <dbl> 33.28, 30.50, 29.93, 32.19, 30.37, 30.43, 28.77, 27.30, 2…
$ peso_utero   <dbl> 0.089, 0.063, 0.078, 0.134, 0.052, 0.055, 0.064, 0.062, 0…
$ chol         <dbl> 85.990, 94.460, 99.670, 83.380, 82.080, 107.490, 76.870, …
$ glucose      <dbl> 109.97, 81.62, 118.37, 71.91, 95.53, 160.36, 195.53, 182.…
$ tag          <dbl> 182.42, 211.87, 195.16, 98.46, 108.13, 141.10, 95.82, 105…
$ prot         <dbl> 5.37, 4.68, NA, NA, 5.33, NA, 5.02, 6.12, NA, 4.85, NA, N…
$ urea         <dbl> 66.27, 76.73, 52.32, 50.71, 26.02, NA, 40.78, 66.94, NA, …
$ album        <dbl> 66.82, 55.36, NA, NA, NA, 72.14, 67.09, 70.64, 66.27, 83.…
  • La función skim() del paquete [skim]r]{.plo} genera un resumen global de los datos:
skim(datos)
Data summary
Name datos
Number of rows 26
Number of columns 13
_______________________
Column type frequency:
character 2
numeric 11
________________________
Group variables None

Variable type: character

skim_variable n_missing complete_rate min max empty n_unique whitespace
tratamiento 0 1 4 25 0 5 0
protocolo 0 1 3 7 0 3 0

Variable type: numeric

skim_variable n_missing complete_rate mean sd p0 p25 p50 p75 p100 hist
id_jaula 0 1.00 4.92 3.36 1.00 2.00 4.00 8.75 10.00 ▇▃▃▂▆
id_raton 0 1.00 11.19 6.85 1.00 5.25 10.50 16.75 23.00 ▇▆▆▅▆
peso_inicial 0 1.00 23.72 1.93 18.90 22.69 23.50 24.95 27.90 ▂▃▇▆▂
peso_final 0 1.00 28.77 2.30 23.80 26.97 28.77 30.34 33.28 ▂▇▇▆▃
peso_utero 0 1.00 0.09 0.10 0.01 0.06 0.07 0.09 0.54 ▇▁▁▁▁
chol 0 1.00 82.25 12.13 59.28 74.91 82.73 85.99 107.49 ▃▃▇▂▂
glucose 0 1.00 125.35 37.52 60.10 97.30 116.53 148.82 195.53 ▃▇▆▃▅
tag 0 1.00 150.08 51.70 90.99 108.13 137.80 184.39 282.64 ▇▂▅▁▁
prot 12 0.54 5.24 0.45 4.68 4.93 5.24 5.36 6.17 ▇▃▇▁▃
urea 10 0.62 55.60 31.21 26.02 38.16 48.16 66.27 157.89 ▇▃▁▁▁
album 13 0.50 66.21 7.71 52.77 64.64 66.82 68.59 83.73 ▂▂▇▁▁
  • La función describe() del paquete Hmisc genera un reporte general bien detallado, variable por variable:
describe(datos)
datos 

 13  Variables      26  Observations
--------------------------------------------------------------------------------
id_jaula : ID de jaula 
       n  missing distinct     Info     Mean      Gmd 
      26        0        7    0.978    4.923    3.815 

lowest :  1  2  3  5  8, highest:  3  5  8  9 10
                                                    
Value          1     2     3     5     8     9    10
Frequency      4     5     4     4     2     4     3
Proportion 0.154 0.192 0.154 0.154 0.077 0.154 0.115
--------------------------------------------------------------------------------
id_raton : ID de ratón 
       n  missing distinct     Info     Mean      Gmd      .05      .10 
      26        0       23    0.999    11.19    8.046     1.25     2.50 
     .25      .50      .75      .90      .95 
    5.25    10.50    16.75    20.50    21.75 

lowest :  1  2  3  4  5, highest: 19 20 21 22 23
--------------------------------------------------------------------------------
tratamiento : Tratamiento asignado 
       n  missing distinct 
      26        0        5 

lowest : control                   maca                      maca + critro             sham operated             triple dosis maca + citro
highest: control                   maca                      maca + critro             sham operated             triple dosis maca + citro

control (7, 0.269), maca (6, 0.231), maca + critro (4, 0.154), sham operated
(4, 0.154), triple dosis maca + citro (5, 0.192)
--------------------------------------------------------------------------------
protocolo : Tipo de protocolo de modelo animal 
       n  missing distinct 
      26        0        3 
                                  
Value      hemiovx  no ovx     ovx
Frequency        3       4      19
Proportion   0.115   0.154   0.731
--------------------------------------------------------------------------------
peso_inicial : Peso inicial 
       n  missing distinct     Info     Mean      Gmd      .05      .10 
      26        0       19    0.997    23.72    2.171    20.77    21.90 
     .25      .50      .75      .90      .95 
   22.69    23.50    24.95    26.00    26.44 

lowest : 18.90 20.40 21.90 22.40 22.50, highest: 25.30 25.50 26.00 26.59 27.90
                                                                            
Value      18.90 20.40 21.90 22.40 22.50 22.69 22.90 23.20 23.40 23.50 23.90
Frequency      1     1     2     1     1     2     1     1     2     3     1
Proportion 0.038 0.038 0.077 0.038 0.038 0.077 0.038 0.038 0.077 0.115 0.038
                                                          
Value      24.50 24.80 25.00 25.30 25.50 26.00 26.59 27.90
Frequency      2     1     1     1     1     2     1     1
Proportion 0.077 0.038 0.038 0.038 0.038 0.077 0.038 0.038
--------------------------------------------------------------------------------
peso_final : Peso final 
       n  missing distinct     Info     Mean      Gmd      .05      .10 
      26        0       21    0.998    28.77    2.616    25.37    26.69 
     .25      .50      .75      .90      .95 
   26.97    28.77    30.34    31.34    33.01 

lowest : 23.80 24.93 26.68 26.70 26.86, highest: 30.37 30.43 30.50 32.19 33.28
--------------------------------------------------------------------------------
peso_utero : Peso uterino 
       n  missing distinct     Info     Mean      Gmd      .05      .10 
      26        0       23    0.999  0.09012  0.07069  0.01750  0.03400 
     .25      .50      .75      .90      .95 
 0.05550  0.06900  0.08875  0.12350  0.16550 

lowest : 0.014 0.016 0.022 0.046 0.052, highest: 0.108 0.113 0.134 0.176 0.535
--------------------------------------------------------------------------------
chol : Colesterol 
       n  missing distinct     Info     Mean      Gmd      .05      .10 
      26        0       21    0.997    82.25     13.8    64.75    66.44 
     .25      .50      .75      .90      .95 
   74.91    82.73    85.99    97.72   103.58 

lowest :  59.28  64.40  65.79  67.10  68.40, highest:  94.46  95.76  99.67 104.88 107.49
--------------------------------------------------------------------------------
glucose : Glucosa 
       n  missing distinct     Info     Mean      Gmd      .05      .10 
      26        0       23    0.999    125.3    43.48    73.49    79.92 
     .25      .50      .75      .90      .95 
   97.30   116.53   148.82   183.46   184.51 

lowest :  60.10  71.91  78.22  81.62  94.23, highest: 160.36 168.50 182.41 184.51 195.53
--------------------------------------------------------------------------------
tag : Triglicéridos 
       n  missing distinct     Info     Mean      Gmd      .05      .10 
      26        0       22    0.998    150.1     58.3    91.54    94.50 
     .25      .50      .75      .90      .95 
  108.13   137.81   184.39   205.94   236.60 

lowest :  90.99  93.19  95.82  98.46 105.49, highest: 199.12 200.00 211.87 244.84 282.64
--------------------------------------------------------------------------------
prot : Proteína 
       n  missing distinct     Info     Mean      Gmd      .05      .10 
      14       12       10    0.987     5.24   0.4943    4.745    4.801 
     .25      .50      .75      .90      .95 
   4.930    5.240    5.360    5.895    6.138 

lowest : 4.68 4.78 4.85 4.93 5.02, highest: 5.15 5.33 5.37 6.12 6.17
                                                                      
Value       4.68  4.78  4.85  4.93  5.02  5.15  5.33  5.37  6.12  6.17
Frequency      1     1     1     2     1     1     3     2     1     1
Proportion 0.071 0.071 0.071 0.143 0.071 0.071 0.214 0.143 0.071 0.071
--------------------------------------------------------------------------------
urea : Urea 
       n  missing distinct     Info     Mean      Gmd      .05      .10 
      16       10       14    0.997     55.6     29.8    26.02    30.25 
     .25      .50      .75      .90      .95 
   38.16    48.16    66.27    71.84    97.02 

lowest :  26.02  34.48  37.96  38.23  40.78, highest:  60.37  66.27  66.94  76.73 157.89
                                                                         
Value       26.02  34.48  37.96  38.23  40.78  43.06  45.61  50.71  52.32
Frequency       2      1      1      1      1      1      1      1      1
Proportion  0.125  0.062  0.062  0.062  0.062  0.062  0.062  0.062  0.062
                                             
Value       60.37  66.27  66.94  76.73 157.89
Frequency       1      2      1      1      1
Proportion  0.062  0.125  0.062  0.062  0.062
--------------------------------------------------------------------------------
album : Albuminemia 
       n  missing distinct     Info     Mean      Gmd      .05      .10 
      13       13       11    0.995    66.21    8.408    54.32    56.21 
     .25      .50      .75      .90      .95 
   64.64    66.82    68.59    71.84    76.78 

lowest : 52.77 55.36 59.59 64.64 66.27, highest: 67.09 68.59 70.64 72.14 83.73
                                                                            
Value      52.77 55.36 59.59 64.64 66.27 66.82 67.09 68.59 70.64 72.14 83.73
Frequency      1     1     1     1     2     2     1     1     1     1     1
Proportion 0.077 0.077 0.077 0.077 0.154 0.154 0.077 0.077 0.077 0.077 0.077
--------------------------------------------------------------------------------

Nuestro turno


  • Descargue la carpeta denominada taller03 disponible en la carpeta compartida.

  • Abra el proyecto denominado taller03.Rproj

  • Complete y ejecute el código faltante en los chunk de código de la CUARTA PARTE.

  • Una vez culmine todo el proceso, renderice el archivo .qmd.



 

10:00

¡Gracias!
¿Preguntas?




@psotob91

https://github.com/psotob91

percys1991@gmail.com

R Aplicado a los Proyectos de Investigación - Sesión 3

1 / 38
Sesión 3 Curso: R Aplicado a los Proyectos de Investigación Percy Soto-Becerra, M.D., M.Sc(c) InkaStats Data Science Solutions | Medical Branch 2022-10-05 https://github.com/psotob91

  1. Slides

  2. Tools

  3. Close
  • Sesión 3
  • Importación de datos
  • Importar datos de fuentes externas a R
  • Importando datos con {rio}
  • ¿Cómo importar metadatos de Stata o SPSS?
  • Exportando datos con {rio}
  • Nuestro turno
  • Hagamos una pausa
  • Más verbos de dplyr para manejo de datos
  • Creación de nuevas columnas con mutate()
  • mutate() en acción
  • Otros verbos útiles para manejo de datos
  • Renombrar variables con rename()
  • rename() en acción
  • Recodificar valores de variables con recode()
  • recode() en acción
  • Nuestro turno
  • Uso de helpers
  • Selectores tidy
  • Nuestro turno
  • Análisis Exploratorio de Datos versus Análisis Inicial de Datos
  • El análisis inicial...
  • Análisis Exploratorio de Datos
  • Análisis Inicial de Datos vs. Análisis Exploratorio de Datos
  • Mala práctica: ¡Hacer AED en vez de AID!
  • El problema de los análisis ocultos
  • Recomendaciones de STRATOS para hacer un buen AID
  • AID es un proceso iterativo
  • AID como parte del plan de investigación
  • AID como parte del plan de investigación
  • 10 recomendaciones de STRATOS para un buen AID
  • 10 recomendaciones de STRATOS para un buen AID
  • Regla 4: El contexto importa, conoce tus datos
  • Pasos para un buen AID / AED
  • Paso 1: Resumen global...
  • Nuestro turno
  • ¡Gracias! ¿Preguntas?...
  • @psotob91 https://github.com/psotob91...
  • f Fullscreen
  • s Speaker View
  • o Slide Overview
  • e PDF Export Mode
  • b Toggle Chalkboard
  • c Toggle Notes Canvas
  • d Download Drawings
  • ? Keyboard Help