Ejercicio Práctico parte II - Estudio de Caso

Evaluación de Introducción a R y estadística

Author

Affiliation

Mtro. Santiago Ríos

Cursos Orca

En este ejercicio, seguiremos trabajando con el conjunto de datos de la Organización Mundial de la Salud (OMS) sobre la incidencia de enfermedades en diferentes países.
Si ya obtuviste los datos limpios, puedes continuar con el siguiente paso.
Tus datos limpios deberían verse de la siguiente manera. En este ejercicio, los datos limpios ya están cargados en la variable oms_limpio.

Con estos datos limpios, podríamos comenzar a contestar preguntar sobre nuestros datos: ¿Cuál es el país y año que más casos nuevos registró?, ¿Cuál es el país y año con más casos de recaída?, ¿Hay más casos de tb en hombres o mujeres?, entre otras preguntas.
Este tipo de preguntas se verán hasta el tema de pruebas de hipótesis, pero por ahora, nos enfocaremos en la exploración de datos y visualización. por ahora, solo queremos ver tendencias, patrones y relaciones en nuestros datos.
Vamos a visualizar cómo han cambiado los casos de tuberculosis en los últimos años. Nos interesa ver las tendencias por país y año.

Antes de comenzar

¿Cuántos países hay en nuestros datos?

Como ves, son muchos países. Para facilitar el análisis, vamos a filtrar para trabajar solo con algunos países: “México”, “Canadá”, “Bolivia”, “Guatemala”, “Estados Unidos”.

Exploración de datos

Vamos a filtrar y graficar los datos de los países seleccionados.
Nos interesa ver la tendencia de los casos de tuberculosis a través de los años.
¿Cómo podemos ver tendencias en los datos? ¿Qué tipo de gráfico nos permitiría ver esto?
Sugerencia:
- Podríamos usar un gráfico de líneas para ver la tendencia de los casos de tuberculosis a través de los años. Muchas veces en conveniente juntar el gráfico de líneas con un gráfico de puntos para ver mejor la tendencia.
- ¿Cómo se llama el geom que se usa para hacer gráficos de líneas en ggplot?
- ¿Qué variables usarías en los ejes x y y? ¿Qué variable usarías para el color? ¿qué tipo de variables son estas?
- Sugerencia:
  - En el eje x, podrías poner el año.
  - En el eje y, podrías poner la cantidad de casos.
  - Para el color, podrías poner el país.
NOTA: Para agilizar el análisis, vamos a hacer todo en un paso utilizando pipas: tomamos los datos limpios -> filtramos los países -> graficamos. Recuerda que para hacer esto, usamos el operador %>% y para ggplot, usamos el operador + para agregar capas al gráfico.
Vamos a ver el primer ejemplo juntos:

¿Cuál es el problema con el gráfico anterior?
Como ves, tenemos muchas observaciones por cada país y año. Esto hace que el gráfico sea difícil de interpretar.
¿Qué podríamos hacer para solucionar esto?
Sugerencia:
- Podríamos agrupar los datos por país y año, y promediar los casos de tuberculosis. (también podríamos sumar los casos con sum, ambos son válidos).
- De esta manera, tendríamos una sola observación por país y año: el promedio de casos de tuberculosis en ese año en cada país.
Completa el gráfico, agrupando los datos por país y año y promediando los casos de tuberculosis:

Solución

oms_limpio %>%
  filter(pais %in% c("México", "Canadá", "Bolivia", "Guatemala", "Estados Unidos")) %>%
  group_by(anio, pais) %>%
  summarise(ncasos = mean(valor)) %>%
  ggplot(aes(x = anio, y = ncasos, color = pais)) +
  geom_line() +
  geom_point()

¿Qué puedes observar en el gráfico?
Claramente hay un país que tiene muchos más casos de tuberculosis que los demás. ¿Cuál es este país?

viewof respuesta = Inputs.radio(
  [ "México", "Canadá", "Estados Unidos", "Guatemala", "Ninguna de las anteriores"],
  { value: "Ninguna de las anteriores", label: "Marca tu respuesta", class: "vertical-radio" }
);

html`${await do_respuestas(respuesta)}`

Por último, grafica el número total de casos de tuberculosis por país. ¿Qué tipo de gráfico usarías para esto? ¿Qué variables usarías en los ejes x y y? ¿Qué variable usarías para el color? ¿Qué tipo de variables son estas?
Sugerencia:
- Podrías usar un gráfico de barras para ver el número total de casos de tuberculosis por país.
- ¿Cómo se llama el geom que se usa para hacer gráficos de barras en ggplot? Recuerda que tenemos dos formas de hacer gráficos de barras: geom_col y geom_bar. ¿Cuál usarías en este caso?
- ¿Qué variables usarías en los ejes x y y? ¿Qué variable usarías para el color? ¿qué tipo de variables son estas?
- Sugerencia:
  - En el eje x, podrías poner el país.
  - En el eje y, podrías poner el número total de casos. Estos casos los puedes obtener sumando los casos de tuberculosis en cada país.
  - Para el color, podrías poner el país. Recuerda que en geom_col, si queremos que las barras tengan un color diferente por cada país, usamos fill para el “relleno” y color para el “borde” de las barras.

Solución

oms_limpio %>%
  filter(pais %in% c("México", "Canadá", "Bolivia", "Guatemala", "Estados Unidos")) %>%
  group_by(anio, pais) %>%
  summarise(ncasos = sum(valor)) %>%
  ggplot(aes(x = pais, y = ncasos, fill = pais)) +
  geom_col()

Sigue siendo evidente que un país tiene muchos más casos de tuberculosis que los demás.
Sin embargo, esto puede deberse a muchas razones:
- población del país: a mayor población, esperamos mayor número de casos.
- calidad de los servicios de salud: a mejor calidad de los servicios de salud, esperamos menor número de casos.
- la calidad de los datos: es posible que un país tenga un mayor registro de datos que otro. En este caso, podríamos tener un sesgo en los datos.
- entre otras razones.
En lo que queda del curso, vamos a ver cómo podemos responder a estas preguntas y cómo podemos hacer inferencias sobre nuestros datos.
En las siguientes lecciones, veremos cómo podemos hacer pruebas de hipótesis para responder preguntas como: ¿hay una diferencia significativa en el número de casos de tuberculosis entre hombres y mujeres?, ¿hay una diferencia significativa en el número de casos de tuberculosis entre países? Este tipo de preguntas son muy comunes en la investigación científica y en la toma de decisiones basada en datos.
Por ahora, sigue practicando con tus datos y familiarizándote con las funciones de R y los paquetes de tidyverse. Trata de tomar datos de diferentes fuentes (preferentemente de tu tesis o trabajo) y practica lo que has aprendido en este curso: limpia tus datos, explóralos y visualízalos.