Haciendo tablas con R

Datos

Ver/Ocultar código
datos <- read_excel("datos/argentina_esp.xlsx") # Asi cargamos los datos


datos %>% glimpse() # Le damos un primer vistazo a los datos 
Rows: 347
Columns: 10
$ set                      <dbl> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, …
$ numero                   <chr> "1030", "1040", "1070", "1080", "1200", "1220…
$ desc                     <chr> "Serpienie", "Serpiente", "Serpiente", "Serpi…
$ valencia_media_general   <dbl> 4.22, 3.86, 3.54, 3.93, 3.89, 4.02, 4.37, 3.9…
$ valencia_DE_general      <dbl> 2.01, 2.10, 2.01, 2.00, 1.89, 1.89, 1.79, 1.8…
$ arousal_media_general    <dbl> 6.22, 7.01, 6.94, 6.35, 6.42, 6.60, 5.76, 5.8…
$ arousal_DE_general       <dbl> 2.25, 215.00, 2.20, 2.10, 2.32, 2.15, 2.15, 2…
$ dominancia_media_general <dbl> 4.04, 3.53, 3.83, 3.69, 4.04, 4.42, 4.58, 4.4…
$ dominancia_DE_general    <dbl> 2.35, 2.44, 2.73, 2.21, 2.40, 2.56, 2.17, 2.3…
$ pais                     <chr> "esp", "esp", "esp", "esp", "esp", "esp", "es…

Ordenando un poco…

Ver/Ocultar código
datos_ordenados <- datos %>% 
  select(set, pais, starts_with(c("valencia", "arousal", "dominancia"))) %>% # Con esto selecciono todas las que arrancon con "texto"
  mutate(
    pais_factor = as_factor(pais)
  ) %>% 
  relocate(
    c("pais_factor", "pais"), .after = dominancia_DE_general # Acomodo dos variables
  )

# Esta es una manera de hacer tablas.
# Usar la función kable de knitr (que es el paquete
# que renderea el documento)

knitr::kable(head(datos_ordenados))
set valencia_media_general valencia_DE_general arousal_media_general arousal_DE_general dominancia_media_general dominancia_DE_general pais_factor pais
1 4.22 2.01 6.22 2.25 4.04 2.35 esp esp
1 3.86 2.10 7.01 215.00 3.53 2.44 esp esp
1 3.54 2.01 6.94 2.20 3.83 2.73 esp esp
1 3.93 2.00 6.35 2.10 3.69 2.21 esp esp
1 3.89 1.89 6.42 2.32 4.04 2.40 esp esp
1 4.02 1.89 6.60 2.15 4.42 2.56 esp esp

Una vez que tenemos los datos que queremos ya podemos generar la tabla. Hay muchas opciones para generar tablas. Una de estas opciones es generarla “a mano”. Tendríamos que hacer las correlaciones y luego incrustar los resultados en cada sección de una tabla.

Veamos:

Para crear la tabla se utiliza markdown. Lo que se debe hacer es lo siguiente:

| Col1 | Col2 | Col3 |
|------|------|------|
|      |      |      |
|      |  s   |      |
|      |      |      |

Luego se llevan a cabo las correlaciones

Ver/Ocultar código
# El paquete correlation esta muy bueno para este analisis

correlation::correlation(datos_ordenados) 
# Correlation Matrix (pearson-method)

Parameter1               |               Parameter2 |     r |         95% CI | t(345) |         p
-------------------------------------------------------------------------------------------------
set                      |   valencia_media_general |  0.01 | [-0.09,  0.12] |   0.25 | > .999   
set                      |      valencia_DE_general | -0.11 | [-0.22, -0.01] |  -2.11 | 0.429    
set                      |    arousal_media_general |  0.08 | [-0.02,  0.19] |   1.58 | > .999   
set                      |       arousal_DE_general | -0.07 | [-0.18,  0.03] |  -1.32 | > .999   
set                      | dominancia_media_general | -0.03 | [-0.14,  0.07] |  -0.60 | > .999   
set                      |    dominancia_DE_general | -0.22 | [-0.32, -0.12] |  -4.29 | < .001***
valencia_media_general   |      valencia_DE_general |  0.06 | [-0.04,  0.16] |   1.13 | > .999   
valencia_media_general   |    arousal_media_general | -0.66 | [-0.71, -0.59] | -16.18 | < .001***
valencia_media_general   |       arousal_DE_general | -0.03 | [-0.14,  0.07] |  -0.62 | > .999   
valencia_media_general   | dominancia_media_general |  0.38 | [ 0.28,  0.46] |   7.55 | < .001***
valencia_media_general   |    dominancia_DE_general | -0.34 | [-0.43, -0.24] |  -6.73 | < .001***
valencia_DE_general      |    arousal_media_general |  0.14 | [ 0.03,  0.24] |   2.61 | 0.123    
valencia_DE_general      |       arousal_DE_general |  0.08 | [-0.02,  0.19] |   1.55 | > .999   
valencia_DE_general      | dominancia_media_general | -0.06 | [-0.17,  0.04] |  -1.18 | > .999   
valencia_DE_general      |    dominancia_DE_general |  0.35 | [ 0.25,  0.44] |   6.93 | < .001***
arousal_media_general    |       arousal_DE_general |  0.09 | [-0.01,  0.20] |   1.77 | 0.857    
arousal_media_general    | dominancia_media_general | -0.39 | [-0.47, -0.30] |  -7.84 | < .001***
arousal_media_general    |    dominancia_DE_general |  0.39 | [ 0.30,  0.48] |   7.95 | < .001***
arousal_DE_general       | dominancia_media_general | -0.04 | [-0.14,  0.07] |  -0.68 | > .999   
arousal_DE_general       |    dominancia_DE_general |  0.05 | [-0.05,  0.16] |   0.95 | > .999   
dominancia_media_general |    dominancia_DE_general | -0.21 | [-0.31, -0.11] |  -3.96 | 0.001**  

p-value adjustment method: Holm (1979)
Observations: 347

Y lo que restaría seria armar la tabla resultado por resultado. El problema de esto es que no es muy reproducible que digamos, es tedioso y puede llevarnos a cometer errores.

ApaTables

Entonces, una de las opciones que podemos utilizar para evitar lo de arriba es el paquete apaTables (Stanley, 2021). Este paquete genera tablas en formato apa luego de realizar la estadística.

Para utilizarlo, primero lo instalamos (Si ya lo tienen, entonces omitir esto)

Luego lo cargamos

Ahora si podemos generar nuestra tabla de correlaciones.

New names:
• `pais_factor` -> `pais_factor...1`
• `pais_factor` -> `pais_factor...4`

Si vamos al archivo…

Paquete rempsyc

Ver/Ocultar código
modelo_Dif <- nice_t_test(data = datos_ordenados,
                                 response = "arousal_media_general",
                                 group = "pais_factor",
                                 warning = FALSE)

#nice_table(modelo_Dif)

Integrado con el paquete report

Ver/Ocultar código
modelo_diferencias <- t.test(arousal_media_general ~ pais_factor, datos_ordenados)

modelo_diferencias

    Welch Two Sample t-test

data:  arousal_media_general by pais_factor
t = 3.3642, df = 332.04, p-value = 0.0008575
alternative hypothesis: true difference in means between group esp and group arg is not equal to 0
95 percent confidence interval:
 0.182999 0.698348
sample estimates:
mean in group esp mean in group arg 
         5.046429          4.605755
Ver/Ocultar código
tabla_diferencias <- as.data.frame(report(modelo_diferencias))
Warning: Unable to retrieve data from htest object. Returning an approximate
  effect size using t_to_d().
Ver/Ocultar código
tabla_diferencias %>% rename("Media España" = Mean_Group1,
                             "Media Argentina" = Mean_Group2,
                             Respuesta = Parameter,
                             Grupo = Group) %>% 
  select(-Difference) %>% 
  nice_table(., report = "t.test", short = T) %>% 
  flextable::save_as_docx(., path = "resultados/t-tests.docx")

Si vamos al archivo…

References

Stanley, D. (2021). apaTables: Create american psychological association (APA) style tables. https://CRAN.R-project.org/package=apaTables