Trabajo de investigacin realizado por:

Alejandro Salazar Couso

como proyecto de fin de mster para el:
Mster Oficial en Estadstica Aplicada
de la:
Universidad de Granada

ndice.
Captulo 1: Introduccin ........................................................................................... 6
Captulo 2: Metodologa........................................................................................... 11
2.1 Los modelos de respuesta discreta .............................................................. 11
2.1.1 El modelo lineal ............................................................................... 12
2.1.1 El modelo logit ................................................................................. 13
2.1.1 El modelo probit ............................................................................... 14
2.2: Modelo de regresin logstica binaria .......................................................... 15
2.2.1: Formulacin e interpretacin ............................................................... 15
2.2.1.1: Formulacin del modelo .............................................................. 15
2.2.1.2: Interpretacin ............................................................................... 17
2.2.2 Estimacin ............................................................................................ 18
2.2.3 Contrastes sobre los parmetros.......................................................... 21
2.2.3.1: Contrastes ................................................................................... 21
2.2.3.2: Intervalos de confianza ................................................................ 22
2.2.4: Bondad de ajuste ................................................................................. 23
2.2.5: Seleccin de variables ......................................................................... 26
2.2.6: Validacin y diagnosis ......................................................................... 28
Captulo 3: Aplicacin en R...................................................................................... 31
3.1 Primeros pasos con R .................................................................................. 32
3.2 Estadstica descriptiva bsica con R ............................................................ 37
3.2.1 Variables categricas ............................................................................ 37
3.2.2 Variables cualitativas ordinales ............................................................. 41
3.2.3 Variables cuantitativas .......................................................................... 43
3

3.2.4 Variables de intervalo ........................................................................... 44

3.2.5 Variables de razn ................................................................................ 45
3.3 Anlisis exploratorio de datos multidimensionales ....................................... 50
3.4 Ajuste de un modelo logstico binario con R ................................................. 52
3.4.1: Formulacin ......................................................................................... 53
3.4.2: Parmetros .......................................................................................... 56
3.4.3: Bondad de ajuste ................................................................................. 58
3.4.4: Seleccin de variables ......................................................................... 60
3.4.5: Validacin y diagnosis ......................................................................... 61
Captulo 4: Aplicacin a datos reales....................................................................... 64
4.1: Introduccin y antecedentes del problema .................................................. 64
4.2: Material y mtodo ........................................................................................ 65
4.3 Resultados .................................................................................................... 67
4.3.1: Anlisis descriptivo .............................................................................. 67
4.3.2: Prevalencia de dolor crnico diagnosticado ........................................ 76
4.3.3: Factores asociados a la presencia de dolor. Modelo logit ................... 77
4.3.3.1: Seleccin de variables ................................................................. 77
4.3.3.2: Parmetros del modelo................................................................ 82
4.3.3.3: Bondad de ajuste ......................................................................... 85
4.3.3.4: Validacin y diagnosis ................................................................. 86
4.4: Conclusiones ............................................................................................... 87
Anexo: Sentencias de R .......................................................................................... 89
Bibliografa ............................................................................................................... 97

Captulo 1
Introduccin
En el presente trabajo se estudiarn modelos de respuesta discreta, su
formulacin, su ajuste y evaluacin con R y se aplicarn a un conjunto de datos reales.
En particular, nos centraremos en los modelos de regresin logstica binaria.
Los modelos de respuesta discreta son la herramienta estadstica apropiada
para modelizar el comportamiento de una variable dependiente (respuesta) de
naturaleza discreta a partir de un conjunto de variables independientes (predictoras),
que pueden ser tanto discretas como continuas. Estos modelos son un caso particular
de los Modelos Lineales Generalizados introducidos por Nelder y Wedderburn en
1972. Para un mayor conocimiento de stos, pueden consultarse obras como las de
McCullagh y Nelder1 o Agresti2.
Existen distintos tipos de modelos de respuesta discreta que dependen, entre
otros aspectos, del tipo de respuesta. En particular, si la variable dependiente es
dicotmica, estamos hablando de modelos de respuesta binaria, mientras que si
tiene ms de dos categoras de respuesta, estamos hablando de modelos de
respuesta mltiple. Ms an, si esas categoras tienen un orden natural, entonces
estamos hablando de modelos de respuesta ordenada. Segn la funcin utilizada
para la estimacin de la probabilidad, encontramos el modelo lineal, el modelo Logit
y el modelo Probit. Cuando las variables explicativas que se utilizan para estimar las
probabilidades asociadas a cada una de las posibles alternativas que presenta la
variable dependiente se refieren a atributos de las distintas alternativas, y no a
caractersticas especficas de los individuos, entonces hablamos de un modelo
condicional.
En el ejemplo que se estudiar en el ltimo captulo de esta memoria, la
variable respuesta es dicotmica, por lo que debera ajustarse un modelo de respuesta
binaria.
6

Existen diversas alternativas para la aplicacin de modelos de respuesta

discreta, pero en el presente trabajo usaremos la alternativa ofrecida por R. El
programa R es un entorno para la estadstica computacional y grficos. Funciona en
una amplia variedad de plataformas UNIX, Windows y MacOS. Es un lenguaje de
rdenes (funciona con comandos) basado en los lenguajes previos S y Scheme.
Ofrece un amplio abanico de posibilidades (modelos lineales y no lineales, test
estadsticos, anlisis de series temporales, clasificacin, anlisis clster) as como
tcnicas grficas, y puede ser ampliado casi sin lmites. El propsito, por tanto es de
estadstica general, pero al ser software libre permite crear paquetes ms especficos,
otorgndole mayor versatilidad. Sus grficos son de reconocida calidad e incluye
simbologa matemtica. Tal y como se afirma en la pgina oficial3 del proyecto R, se
trata de un entorno en el que se implementan tcnicas estadsticas, pero que ofrece
muchas ms opciones. En el presente trabajo se har uso de la versin R 2.13.0 con
R-Commander, que es una Interfaz Grfica de Usuario que permite hacer uso del
entorno estadstico R de una forma mucho ms intuitiva, sin necesidad de conocer
completamente el lenguaje de comandos propio de este entorno. R-Commander dota
a R de una interfaz mucho ms amigable de cara al usuario, tratando de corregir uno
de los aspectos ms criticados del paquete estadstico.
Como se ha indicado previamente en la presente memoria, se mostrar una
aplicacin con datos reales de los modelos de respuesta discreta. Se describe a
continuacin la informacin disponible:
La base de datos escogida es la correspondiente a la Encuesta de
Discapacidad, Autonoma personal y situaciones de Dependencia (EDAD-2008)4
llevada a cabo por el Instituto Nacional de Estadstica (INE) entre noviembre de 2007 y
febrero de 2008. En la misma se recogen datos de diferente ndole (sociodemogrficos y de carcter sanitario principalmente) de individuos discapacitados en
Espaa. Los objetivos de esta encuesta son ofrecer informacin sobre los fenmenos
de la discapacidad, la dependencia, el envejecimiento y el estado de salud de la
poblacin. Adems de en 2008, el INE ha realizado esta encuesta en otras dos
ocasiones: 1986 y 1999, y pone a disposicin de todo el mundo los datos recogidos en
1999 y en 2008, debidamente anonimizados. Sin embargo, las versiones de algunas
preguntas en ambos cuestionarios difieren en mayor o menor medida, lo que hace
complicada la comparacin entre ambos aos, razn por la que se opt por un estudio
de corte transversal con la versin del ao 2008.

En cuanto a nuestro estudio, nos centraremos en aquellos individuos

discapacitados que padezcan dolor crnico, ya que se trata de dos problemas de salud
frecuentes (discapacidad y dolor) actualmente y que pueden estar ligados5-7. Se trata,
por tanto, de un ejemplo relativo a la sanidad, con evidentes aplicaciones y utilidad
real, que pone de manifiesto la importancia de los modelos de respuesta discreta, que
trasciende lo puramente estadstico para meterse de lleno en otras reas de la ciencia
y el conocimiento humano. Son muchos los estudios epidemiolgicos (como el de
nuestro ejemplo) que hacen uso de estas herramientas estadsticas. Para saber ms
sobre el papel que la estadstica juega en los estudios epidemiolgicos, puede
consultarse el libro de Selvin, Statistical Analysis of Epidemiological Data8.

En vista de lo expuesto, los objetivos de este trabajo son:

1. Profundizar en los modelos de respuesta discreta (y en particular en el modelo de

regresin logstica binaria) desde un punto de vista terico, mostrando el desarrollo
matemtico que subyace.
2. Explicar el funcionamiento del paquete estadstico R, particularmente el de
aquellas funciones que sern necesarias para la realizacin de este trabajo, y
mostrar las tcnicas disponibles para el ajuste y evaluacin de un modelo de
respuesta discreta con R.
3. Aplicar la metodologa expuesta al conjunto de datos reales especificado
anteriormente. Con esta aplicacin nuestros objetivos son, a su vez, conocer la
prevalencia,

caractersticas

factores

asociados

al

dolor

crnico

en

discapacitados, as como la comorbilidad dolor crnico-ansiedad y dolor crnicodepresin. Las conclusiones del estudio estn encaminadas a mejorar el
tratamiento del dolor en estos pacientes mediante la exploracin sistemtica de
trastornos psiquitricos asociados.

Para lograr nuestros objetivos, y al objeto de facilitar la lectura y comprensin

del trabajo, se ha dividido el mismo en 4 captulos, cada uno enfocado a un objetivo:

El capitulo 1, Introduccin, es el captulo donde se introducen los conceptos,

la metodologa, los objetivos y la estructura del trabajo. Es una breve visin del
mismo a modo de resumen, para tener una idea global de este trabajo.
El captulo 2, Metodologa, es el captulo que entra de lleno en la base terica
de los modelos de respuesta discreta. En l se presentan de forma genrica los
modelos de respuesta discreta y, con rigor, la formulacin, interpretacin,
ajuste, contraste de bondad de ajuste, validacin y diagnosis de los modelos de
regresin logstica binaria. Este captulo responde al primer objetivo planteado.
El captulo 3, Aplicacin en R, ofrece una descripcin detallada del software
utilizado para el anlisis estadstico propuesto. Para adaptarnos a cualquier
nivel de conocimientos previos sobre R, el captulo comienza con unos
primeros pasos en R y R-Commander, desde su instalacin hasta la creacin e
importacin de bases de datos, incluyendo unas pinceladas sobre la creacin y
manejo de objetos en R. Tambin se describen las tcnicas para la realizacin
de todos los anlisis que se vern en el captulo 4, desde los anlisis
descriptivos

bsicos,

incluyendo

figuras,

pasando

por

anlisis

multidimensionales, hasta el propio ajuste de un modelo logstico binario. Este

captulo responde al segundo objetivo planteado.
El captulo 4, Aplicacin a datos reales, se dedica al anlisis de los
resultados. En l se expone de manera detallada la base de datos reales
seleccionada para ilustrar la metodologa, se ofrece una visin global del
problema de salud planteado en el ejemplo, se detalla el procedimiento seguido
para los anlisis descriptivos y el ajuste del modelo, se muestran y se explican
los resultados obtenidos y se sacan conclusiones. Este captulo responde al
tercer y ltimo objetivo planteado, incluidos los objetivos especficos marcados
para el ejemplo concreto con datos reales.

10

Captulo 2
Metodologa
En el presente captulo se presentan de forma genrica los modelos de
respuesta discreta y, con rigor, la formulacin, interpretacin, ajuste, contraste de
bondad de ajuste, validacin y diagnosis de los modelos de regresin logstica binaria.

2.1: Los modelos de respuesta discreta.

Como se ha avanzado en la introduccin del trabajo, los modelos de respuesta
discreta son la herramienta estadstica apropiada para modelizar el comportamiento de
una variable dependiente (respuesta) de naturaleza discreta a partir de un conjunto de
variables independientes (predictoras), que pueden ser tanto discretas como
continuas. Estos modelos son un caso particular de los Modelos Lineales
Generalizados introducidos por Nelder y Wedderburn en 1972. Veremos en este
captulo distintos modelos de respuesta discreta, pero para un mayor conocimiento de
stos, remitimos nuevamente a los libros de McCullagh y Nelder1 y Agresti2.
Recordando la clasificacin que ya ha sido introducida en el captulo 1,
encontramos que los modelos de respuesta discreta pueden clasificarse en modelos
de respuesta binaria y modelos de respuesta mltiple, segn la variable dependiente
tenga, respectivamente, 2 categoras o ms de 2. Si existe un orden natural en las
categoras, entonces es un modelo de respuesta ordenada. Tambin se han
presentado anteriormente los modelos condicionales. Finalmente, segn la funcin
utilizada para la estimacin de la probabilidad, encontramos el modelo lineal, el
modelo Logit y el modelo Probit.
Como los modelos de respuesta mltiple (en los que la variable dependiente
tiene J posibles respuestas (J>2)) no son el objeto de este trabajo, nos remitimos a los
libros de Agresti, Multivariate Analysis: Discrete Variables (Overview)9 y Categorical
11

data analisys2. Estos libros son una lectura recomendada tanto para modelos de
respuesta mltiple como para modelos de respuesta discreta, en general.
Los modelos de respuesta binaria tienen una variable dependiente dicotmica
que llamaremos Y. Esta variable puede tomar dos valores, que podremos recodificar
en 0 y 1. Generalmente se asocia el valor 0 a la ausencia, al fracaso o a una
respuesta negativa en general, y el valor 1 a la presencia, el xito o una respuesta
afirmativa en general. Con la variable as codificada, se tiene que Y sigue una
distribucin de Bernouilli de parmetro p (0<p<1).
Puesto que contamos con una serie de variables independientes X
predictoras del comportamiento de Y, lo propio es considerar la distribucin de Y en
cada valor observado de X, Y(x). Se tiene que es tambin una Bernouilli de
esperanza p(x) y varianza p(x)[1-p(x)]. El objetivo final ser la construccin de un
modelo para Y(x) en funcin de los parmetros, x, y un error.
Para satisfacer esta necesidad, disponemos de los modelos lineales, los
modelos logit y probit, aunque los modelos lineales tienen ciertos problemas que
veremos a continuacin.
2.1.1: El modelo lineal
Supongamos que tenemos R variables independientes con N observaciones en
,,

cada una. Sea

el vector que contiene las observaciones de cada

variable para el individuo i-simo. El modelo de probabilidad lineal, que deriva del

modelo de regresin lineal

, (

1, , ), (

1, , )

teniendo en cuenta que los errores son variables aleatorias independientes y de

esperanza 0, es de la forma:
|

, (

1, , ), (

1, , )

Este modelo presenta diversos problemas, entre los que destaca la no

normalidad, la no homocedasticidad (varianza de la respuesta no constante sobre los
valores de x), la posibilidad de obtener valores de la probabilidad por debajo de 0 y por
encima de 1, la subestimacin del parmetro

y, sobre todo, el hecho de que

aumentos iguales en las variables explicativas originen aumentos iguales en la

probabilidad de respuesta. Esta ltima situacin no es en absoluto realista, ya que en
general esta dependencia no ser lineal.

12

En la imagen 2.1 se muestra la representacin grfica de un modelo lineal.

Podemos observar algunos de los problemas explicados como el de los aumentos
constantes y, de forma ms evidente, la falta de acotacin en el intervalo [0,1].
Imagen 2.1: Representacin grfica de un modelo lineal.

Todos los problemas presentados hacen que estos modelos no sean tan
utilizados y, en su lugar, la comunidad cientfica tienda a hacer uso de los modelos no
lineales, que vienen a corregir dichos problemas. En el caso de los modelos no
lineales, lo que se busca es un modelo del tipo:

,(

1, , ), (

1, , )

Es decir:

1, , ), (

, (

1, , )

La eleccin de esa funcin F determina el modelo considerado. Los modelos

ms destacados son el modelo logit y el modelo probit.
2.1.2: El modelo logit.
Siguiendo con la notacin anterior, el modelo de regresin logstica es de la
forma:

, (

1, , ), (

1, , )

O equivalentemente:
ln

, (

13

1, , ), (

1, , )

Este modelo no se sale del rango [0,1] como ocurra con el lineal. Adems, las
rectas Y=0 e Y=1 son asntotas horizontales y la tasa de cambio en p(x

en funcin de

los cambios en las variables independientes, no es constante en esta ocasin.

En la imagen 2.2 podemos ver una representacin grfica de este modelo
ajustando los mismos datos que se ajustaron linealmente en la imagen 2.1. Dicha
imagen muestra, entre otras cosas, que la curva en esta ocasin s que est acotada
en [0,1] y que los aumentos no son constantes, dando como resultado una
representacin ms fiel a la realidad:
Imagen 2.2: Representacin grfica de un modelo logit.

Se trata de un modelo que es ampliamente utilizado por la comunidad

cientfica10-14 y, en particular, en estudios epidemiolgicos15-18 como el que se presenta
en el captulo 4 de este trabajo. Por esta razn se har un estudio ms detallado del
mismo en el apartado 2.2 del presente captulo. Paralelamente, para un mayor
conocimiento se pueden consultar los trabajos de Hosmer y Lemeshow19, Kleinbaum20
o Silva Aycaguer21 entre otros.
2.1.3: El modelo probit.
Para el modelo probit se considera la funcin de densidad de una normal
estndar (N(0,1)), siendo sta:
1

F x

dt, x R

La expresin del modelo sigue siendo la misma, pero con esa eleccin
concreta de F:

, (

14

1, , ), (

1, , )

Este modelo tiene caractersticas similares a las del modelo logit, con la
particularidad de aproximarse a las asntotas horizontales (Y=0, Y=1) con mayor
rapidez. Es un modelo que tambin se usa con cierta frecuencia en el mbito de la
investigacin cientfica22-26 y, particularmente, es muy usado en toxicologa27-30. Para
un mayor conocimiento sobre estos modelos pueden consultarse las obras de Bliss31,
Finney32 o Steinbrecher y Shaw33.

2.2: Modelo de regresin logstica binaria.

El modelo de regresin logstica binaria tiene un gran inters desde el punto de
vista epidemiolgico, como ya se ha visto. En este apartado se describir el modelo
con mayor nivel de detalle. El desarrollo terico que se presenta a continuacin parte
de la base de los principales textos sobre regresin logstica como son los de Agresti2,
Hosmer y Lemeshow19 y Kleinbaun20, as como del libro de Aguilera Modelos de
Respuesta Discreta: Asignatura Modelizacin y Prediccin Estocsticas34.
2.2.1: Formulacin e interpretacin.
2.2.1.1: Formulacin del modelo
Recordemos que un modelo logit viene expresado a travs de:

ln

, (

1, , ), (

1, , )

Donde k es el nmero de variables independientes, n el nmero de observaciones en

cada una,

,,

el vector que contiene las observaciones de cada variable

representa la ventaja de respuesta Y=1

para el individuo i-simo y el cociente

para los valores observados de las variables independientes. El caso ms sencillo de

modelo logstico es aquel en el que se tiene una nica variable independiente
continua, esto es:
ln

Veamos las principales caractersticas de la curva de respuesta en el caso de

una nica variable con un nico parmetro b. En primer lugar, se tiene que la curva
tiene forma de S y est acotada dentro del intervalo de valores [0,1], siendo las rectas
Y=0 e Y=1 asntotas horizontales. Su crecimiento es montono, pudiendo ser creciente

15

(si b>0) o decreciente (si b<0). Por tanto, con b>0 la probabilidad de respuesta tender
a 1 para

y a 0 para

. La situacin se invierte si b<0. Si b=0, la curva es

en realidad una recta e Y es independiente de x. La tasa de cambio en p(x) por cada

unidad de cambio en x no es constante, ya que viene dada por la pendiente de la recta
tangente a la curva.
En el caso de tener ms de una variable independiente, pero todas continuas,
el modelo adopta la forma:
ln

, (

1, , ), (

1, , )

Si se tiene alguna variable independiente categrica, es necesario definir una

serie de variables nuevas, artificiales, que servirn para poder pasar de una variable
categrica con k categoras a k-1 variables indicadoras de la presencia de cada
categora, por separado35. Dichas variables de diseo, tambin conocidas como
variables ficticias o dummies, son introducidas en el modelo como variables
continuas, tal y como se explica a continuacin:
Para crear las k-1 variables de diseo asociadas a una variable con k
categoras podemos elegir entre dos posibles mtodos: el mtodo parcial y el mtodo
marginal.
El mtodo parcial consiste en elegir una categora de referencia dentro de las k
posibles y construir para cada una de las restantes una variable que valga 1 en la
categora considerada y 0 en el resto. Por ejemplo, si tenemos una variable con las
categoras bajo, medio y alto, podramos elegir bajo como categora de
referencia y crear dos variables de diseo: una que valga 1 cuando se de la categora
medio y 0 en los otros dos casos y una segunda variable que valga 1 cuando se de la
categora alto y 0 en los otros dos casos. Estas dos variables son las que entran en
el modelo.
El mtodo marginal es similar en su concepto, salvo que en esta ocasin todas
las dummies toman el valor -1 cuando se da la categora de referencia, en lugar de 0.
Un caso especial es el de las variables ordinales, ya que adems de poder usar
los mtodos anteriores, contamos con la posibilidad ordenar las categoras, asignar
puntuaciones y tratarla como continua.

16

Lo comn en epidemiologa es utilizar el mtodo parcial36,

37

, que permite

interpretar los parmetros en trminos de cocientes de ventajas de forma sencilla,

como se ver en el siguiente apartado.
2.2.1.2: Interpretacin.
En la frmula del modelo tenemos una serie de coeficientes que son los
parmetros del mismo. Adems, a partir de ellos pueden calcularse los denominados
cocientes de ventajas, que sern de mucha utilidad a la hora de interpretar el
modelo.
En el caso trivial de que todos los coeficientes del modelo fuesen 0, la
variable Y sera independiente de las variables explicativas. Obviando este caso,
tenemos que:
En un modelo con una nica variable independiente, el riesgo relativo de
y

respuesta Y=1 para dos valores distintos

del predictor se define como:

y el cociente de ventajas de respuesta Y=1 dados dos valores distintos

del

predictor se define como:

1
1
Estando ambos conceptos relacionados a travs de la expresin:

1
1

De tal forma que si la probabilidad de respuesta Y = 1 es cercana a 0, el riesgo relativo

puede ser aproximado mediante el cociente de ventajas. Esta situacin es beneficiosa
para el epidemilogo, ya que el riesgo relativo no tiene sentido en estudios
retrospectivos al estar el nmero de enfermos (Y=1) prefijado de antemano, mientras
que el cociente de ventajas tiene sentido siempre. Por esta razn se interpretarn los
parmetros de los modelos en trminos de cocientes de ventajas. Teniendo en cuenta
esto, pasamos a interpretar los parmetros del modelo:

17

La constante a es el valor del logaritmo de la ventaja de respuesta Y=1 para

un individuo que tiene valor 0 en todas las variables independientes, o bien cuando la
respuesta es independiente de las variables predictoras. Por tanto, es su exponencial
la que indica la ventaja de respuesta Y=1.
A partir de los parmetros podemos calcular los cocientes de ventaja de
respuesta Y=1 como las exponenciales de dichos parmetros. Es lo que se conoce
como odds ratio (OR). La interpretacin de estos parmetros vara ligeramente segn
la naturaleza de la variable que le acompaa. Si la variable es continua, el cociente de
ventajas representa la variacin en la ventaja de respuesta Y=1 por cada unidad de
aumento de la variable, cuando el resto de variables permanece constante. Al
aumentar en una unidad dicha variable y dejar el resto fijas, la ventaja de respuesta
Y=1 queda multiplicada por la exponencial de (OR). Por lo tanto, si OR=1
(equivalentemente, =0), significa que dicha variable en concreto no afecta a la
respuesta. Si OR<1 ( <0) se tiene que la ventaja de respuesta Y=1 disminuye. En
trminos epidemiolgicos se dice que esa variable es un factor protector. Si OR>1
( >0), la ventaja aumenta y se tiene un factor de riesgo. Si la variable original es
categrica y se han definido las dummies con el mtodo parcial, tenemos una OR para
cada una de las variables de diseo (es decir, cada una de las categoras) y dicho
valor representa la ventaja de respuesta Y=1 de esa categora en concreto con
respecto a la categora de referencia, cuando el resto de variables queda fijo. Los
conceptos de factor protector y factor de riesgo siguen teniendo validez en este caso.
Si las dummies han sido definidas mediante el mtodo marginal, la interpretacin de
los parmetros es algo ms compleja. Cada parmetro es la desviacin del logit de la
categora que lleva asociada con respecto a la media de todos los logit, por lo que la
exponencial del parmetro es el cociente entre la ventaja de respuesta Y=1 para su
categora asociada y la media geomtrica de todas las ventajas de respuesta Y=1.
2.2.2: Estimacin.
Sea

,,

con q=1,...,Q la q-sima combinacin de valores de

las R variables explicativas en la muestra de tamao N. Sea

e

observaciones muestrales con

observaciones. Sea

1|

el nmero de

el nmero de respuestas Y=1 entre dichas

. Considerando la constante a del modelo

como primer elemento del vector de coeficientes , podemos expresar el modelo en

forma matricial como L=XB, donde L es el vector de las transformaciones logit, B es el
vector de parmetros (incluido a) y X es la matriz del diseo que contiene las

18

observaciones de las variables explicativas. Lo ms usual es ajustar el modelo a

travs del mtodo de mxima verosimilitud (MV).
Los estimadores MV dan mxima probabilidad a los datos observados. Se
calculan maximizando la funcin de verosimilitud de los datos respecto de los
parmetros del modelo logit, o equivalentemente, maximizando el logaritmo del ncleo
de la funcin de verosimilitud. Teniendo en cuenta que la funcin de verosimilitud es el
producto de las Q funciones masa de probabilidad de las Q binomiales
independientes, partimos de:

Calculando el logaritmo del ncleo de la funcin de verosimilitud anterior,

derivando con respecto a cada parmetro

e igualando a 0 obtenemos las

ecuaciones de verosimilitud:

con el estimador MV de

0,

0, ,

los estimadores MV de

Debido a la concavidad de la log-verosimilitud, estos estimadores existen y son

nicos siempre que exista cierto solapamiento en los datos. En otras palabras, no
debe darse el caso en el que a todos los valores para los que la variable respuesta sea
0 correspondan valores de la variable explicativa menores que aquellos para los que la
respuesta es 1 (separacin completa)38, 39.
Las ecuaciones de verosimilitud no son lineales en los parmetros. Para
resolverlas, se propone el uso de un mtodo iterativo como es el de NewtonRaphson, que puede usarse para el clculo aproximado del mximo de una funcin40.
Este mtodo parte de una aproximacin inicial del mximo y, en cada paso, se toma
como localizacin del mximo de la funcin la del polinomio de segundo grado
obtenido truncando el desarrollo de Taylor de la funcin en un entorno de la
aproximacin obtenida en el paso anterior. El mtodo converge siempre que verifique

19

ciertas condiciones de regularidad y el valor inicial sea adecuado. Pueden verse ms

detalles en la revisin realizada por Tjalling sobre el mtodo de Newton-Raphson40.
En nuestro caso, aplicando el mtodo a partir de unos valores iniciales

que

ms adelante se detallan, podemos obtener la aproximacin a travs de la frmula

iterativa:
1

La convergencia de

hacia los estimadores MV y

es de orden 2 y

el criterio de parada suele ser cuando entre dos pasos consecutivos, el cambio en las
probabilidades o la log-verosimilitud es inferior a 10 , o el de los parmetros B inferior
40, 41

a 10

. En cuanto a la eleccin de los valores iniciales adecuados, algunas

opciones son asumir que son 0, partir de la estimacin obtenida mediante mnimos
cuadrados ordinarios, o partir de los valores ms adecuados obtenidos mediante
anlisis discriminante sobre las variables explicativas, como proponen Hosmer y
Lemeshow19.
Por otra parte, se podra usar el mtodo de estimacin por mnimos cuadrados
ponderados para la estimacin de los parmetros. Este mtodo pondera cada
observacin por el inverso de su varianza, debido a la heterocedasticidad. Se trata de
un mtodo que conduce a la obtencin de estimadores asintticamente ptimos para
valores

grandes, aunque no est exento de dificultades, como la fuerte

dependencia de los valores iniciales y el hecho de ignorar los casos en los que

y la prctica totalidad de la informacin de las variables continuas, aunque esto ltimo

puede corregirse sustituyendo las frecuencias de respuesta 0 por el valor 0.5.
Para la aplicacin del mtodo de estimacin por mnimos cuadrados
ponderados partimos del modelo en forma matricial: L=XB. Sea

la proporcin

observada de respuestas Y=1 en la q-sima combinacin de valores de las variables

explicativas. El ajuste del modelo logit se corresponde con el del modelo lineal:
, siendo Z el vector de elementos

ln

y e el vector de errores

centrados e independientes. La estimacin por mnimos cuadrados ponderados de sus

parmetros viene dada por:
1

1
20

Los estimadores de mxima verosimilitud tienen, bajo ciertas condiciones,

distribucin asinttica normal de media el valor poblacional del parmetro estimado y
matriz de covarianzas dada por la inversa de la matriz de informacin de Fisher. As,
son asintticamente insesgados y adems se puede hacer inferencia sobre ellos
basndose en dicha distribucin normal cuando el tamao muestral es suficientemente
grande. Estos resultados se deben a Wald.
2.2.3: Contrastes sobre los parmetros.
2.2.3.1: Contrastes.
Sobre los parmetros podemos realizar contrastes de Wald, contrastes
condicionales de razn de verosimilitudes y test de Score.
El contraste de Wald se basa en la normalidad asinttica de los estimadores
MV. La hiptesis nula es que un subconjunto de los parmetros , denotado
,,

es nulo. El estimador MV de los parmetros del subconjunto C tiene

distribucin asinttica de media c y matriz de covarianzas igual a la submatriz de la

matriz de covarianzas de los parmetros generada por el subconjunto de
). El estadstico de Wald es la forma

parmetros C (a la que llamaremos

cuadrtica

que asintticamente sigue una

con l grados de libertad (l

es el nmero de parmetros nulos bajo la hiptesis nula), rechazndose sta a nivel

de significacin

si el valor del estadstico es mayor o igual que el cuantil 1

de la

distribucin.
El contraste condicional de razn de verosimilitudes es ms fiable en general
que el de Wald, siendo su uso ms recomendable, razn por la que la seleccin de
variables en el apartado 2.2.5 se plantea con este tipo de contrastes. En este contraste
se parte de un modelo M que se ajusta bien y se quiere contrastar si un subconjunto
de los parmetros , denotado

,,

es nulo. Al hacer 0 esos parmetros

en M obtenemos un modelo MA anidado a M. La hiptesis nula es C=0 frente al

modelo completo M y el estadstico de contraste verifica que:

, es decir, es la diferencia de los contrastes de razn de verosimilitudes de

bondad de ajuste para cada modelo. ste tiene, bajo el modelo ME, distribucin
con l grados de libertad. Se rechazar la hiptesis nula en las mismas condiciones que
en el test de Wald.
El test de Score, basado en la distribucin de las derivadas parciales de la
log-verosimilitud, reduce los clculos con respecto a los anteriores contrastes. Las
21

hiptesis siguen siendo las mismas pero el estadstico, en esta ocasin, es la forma
cuadrtica:
1
donde

es el estimador MV de los parmetros del modelo MA, D( ) el vector de

derivadas parciales de la log-verosimilitud evaluado en

, con

y X es tal que

el vector de valores esperados. Este estadstico tiene, bajo la hiptesis

nula, distribucin

con grados de libertad igual al nmero de componentes nulas en

MA.
2.2.3.2: Intervalos de confianza.
Basndonos en la distribucin normal asinttica de los estimadores MV,
podemos construir los siguientes intervalos de confianza a nivel 1
Para los parmetros: Para cada

(que sigue una N

:
,

), se tiene el

intervalo:

Para las transformaciones logit (L(x)): Teniendo en cuenta que el estimador MV

de L,

, tiene distribucin asinttica N(L(x),

), se tiene el

intervalo:
z

Para las probabilidades de respuesta Y=1: A travs de la transformacin

se obtiene el intervalo:

Para los cocientes de ventajas: Al tratarse de las exponenciales de las ,

basta con tomar exponenciales en sus intervalos de confianza, quedando los
intervalos de la forma:

22

2.2.4: Bondad de ajuste.

Sea y el nmero de respuestas Y=1 en las n observaciones correspondientes
a la q-sima combinacin de valores de las variables explicativas, con q=1,...,Q. Sean
p las probabilidades y m

n p las frecuencias esperadas de valores Y=1. Sean p

y m sus estimaciones de mxima verosimilitud.

El test global de bondad de ajuste del modelo contrasta la hiptesis nula:

1, ,

frente a la alternativa de ser distinto para algn valor de q. Si el nmero de

observaciones en cada combinacin de valores de las variables explicativas es
grande, podemos hacer uso del estadstico

de Pearson y del estadstico de Wilks

de razn de verosimilitudes. En cambio, si el nmero de observaciones no es

demasiado grande, existe una modificacin del estadstico

conocida como el

estadstico de Hosmer y Lemeshow. Finalmente, algunas medidas globales para la

bondad del ajuste son la tasa de clasificaciones correctas, el rea bajo la curva ROC y
las medidas tipo

. Se explican a continuacin todos los contrastes y las medidas

mencionadas:
El estadstico

de Pearson es el resultado de sumar los estadsticos

de

bondad de ajuste a cada una de las distribuciones B(n , p ) que generan a los datos
muestrales bajo la hiptesis nula de que las probabilidades p verifiquen el modelo,
resultando ser:

Este estadstico tiene distribucin asinttica

con tantos grados de libertad

como la diferencia entre el nmero de parmetros p

(transformaciones logit

muestrales) y el nmero de parmetros independientes en el modelo, es decir, Q(R+1), de tal modo que se rechazar

a nivel de significacin

estadstico supere al cuantil de orden 1- , esto es,

equivalentemente, cuando el p-valor sea

cuando el valor del

;

, o

El test chi-cuadrado de razn de verosimilitudes se basa en el estadstico de

Wilks, calculado como menos dos veces el logaritmo del cociente entre el supremo de
23

la verosimilitud bajo la hiptesis nula y el supremo de la verosimilitud en la poblacin.

El estadstico resulta ser:

Este estadstico, tambin conocido como devianza, tiene la misma

distribucin asinttica que el de Pearson, de modo que se rechazar la hiptesis nula
en las mismas condiciones que en aquel.
Para poder asumir la distribucin chi-cuadrado de ambos estadsticos, ha de
ocurrir que el 80% de las frecuencias estimadas bajo el modelo, m

n p , sean

mayores que cinco y todas mayores que uno. En caso contrario debe hacerse uso del
test de Hosmer y Lemeshow19. Para la construccin del estadstico, se agruparn las
variables explicativas en G grupos o clases (los autores recomiendan 10 grupos
basados en los deciles de las probabilidades estimadas). Sea n el nmero total de
observaciones en el g-simo grupo,

el nmero de respuestas Y=1 en el g-simo

grupo, y la probabilidad estimada bajo el modelo de respuesta Y=1 para el g-simo

grupo obtenida como la media de las probabilidades p de los valores

de dicho

grupo. El estadstico viene dado por:

que tiene distribucin asinttica chi-cuadrado con G-2 grados de libertad, por lo que
con sta compararemos para rechazar o aceptar la hiptesis nula.
Adems de los tests previamente descritos, podemos calcular distintas
medidas de bondad de ajuste global como la tasa de clasificaciones correctas, el
rea bajo la curva ROC o las medidas tipo

La tasa de clasificaciones correctas se calcula como el cociente entre los

aciertos y el tamao muestral. Se entiende por acierto el hecho de que la prediccin
del modelo para la respuesta coincida con el verdadero valor de la respuesta. Para
clasificar a los individuos se fija un punto de corte (cut off) tal que si la probabilidad
estimada por el modelo para un individuo es menor, se clasifica como Y=0, y si es
mayor, como Y=1. Aunque muchas veces ese cut off se toma como 0.5, es ms
apropiado tomar como punto de corte la proporcin de valores Y=1 en la muestra, e

24

incluso ms aconsejable es probar distintos puntos de corte y quedarnos con el que

maximice la tasa de clasificaciones correctas.
La curva ROC es una grfica que permite evaluar la capacidad del modelo para
discriminar. El rea bajo la curva ROC representa la probabilidad de que un individuo
enfermo elegido al azar tenga mayor probabilidad estimada de padecer la enfermedad
que un individuo no enfermo elegido tambin al azar. Por tanto, lo deseable es que
esta medida sea lo ms alta posible, considerndose que el modelo es preciso y tiene
alta capacidad de discriminacin cuando el rea es al menos 0.7

19

. El rango de

posibles valores es entre 0.5 y 1, correspondiendo el primero a la peor curva ROC

posible (la recta y=x) y el segundo a la curva ROC ideal. Para construirla, se
representa grficamente la tasa de verdaderos positivos (en el numerador, el nmero
de individuos con Y=1 para los que el modelo predice tambin Y=1; en el
denominador, total de individuos en la muestra con Y=1) frente a la tasa de falsos
positivos (en el numerador, el nmero de individuos con Y=0 para los que el modelo
predice Y=1; en el denominador, total de individuos en la muestra con Y=0) para
distintos puntos de corte. En la imagen 2.3 vemos un ejemplo de curva ROC dibujada
junto a la recta y=x.
Imagen 2.3: Ejemplo de curva ROC.

Las medidas tipo

intentan adaptar a la regresin logstica la medida

de la

lineal, aunque no son tan potentes19. Se pueden definir distintas medidas de este tipo,
pero muchas de ellas presentan inconvenientes como el hecho de decrecer al aadir
una variable explicativa al modelo o que llegue a tomar valores pequeos cuando el
ajuste es casi perfecto. Como medida

en regresin logstica se propone la

de

Cox y Snell:
1
donde V es el mximo de la verosimilitud bajo el modelo nulo y V el mximo de la
verosimilitud bajo el modelo ajustado con todos los parmetros. No obstante, el

25

mximo de esa medida es 1

la

, pero puede ajustarse para que sea 1 a travs de

de Nagelkerke, cuya definicin es:

2.2.5: Seleccin de variables.

De todos los posibles modelos que se pueden ajustar, debemos escoger un
nico modelo final que explique el comportamiento de la variable dependiente en
funcin de las variables independientes. Para tal efecto, la regla de oro que se debe
tener siempre presente es el conocido como principio de parsimonia, consistente en
la eleccin del modelo que ajuste bien los datos con el menor nmero de variables
posible y lleve a una interpretacin sencilla en trminos de cocientes de ventajas.
Ajustar todos y cada uno de los posibles modelos a partir de n variables
explicativas para compararlos entre s es una labor tediosa e innecesaria. En su lugar,
existen procedimientos que ahorran tiempo y clculos y que nos guan a travs de un
camino ms directo en la bsqueda del mejor modelo posible, como son los
procedimientos paso a paso (stepwise). En cada paso del procedimiento stepwise se
incluye una nueva variable (stepwise forward) o se elimina una variable (stepwise
backward) y se determina si el modelo resultante mejora al anterior.
El procedimiento stepwise forward-backward ajusta en primer lugar un modelo
para cada una de las variables y, selecciona para entrar en el modelo final aquella
variable que origine el mejor modelo. En el siguiente paso, parte del modelo con la
variable introducida en el paso anterior y vuelve a calcular todos los modelos posibles
que combinan dicha variable con cada una de las restantes, seleccionando para entrar
en el modelo la mejor entre todas las que mejoran el modelo del paso anterior.
Asimismo, en cada paso se analiza el modelo resultante si se eliminaran variables de
los pasos anteriores (salvo el inmediatamente anterior). El procedimiento se repite
hasta que en un determinado paso ningn modelo mejore al del paso anterior,
quedndonos entonces con este ltimo modelo como el modelo definitivo.
La forma de determinar si un modelo mejora a otro o no es a travs de
contrastes de hiptesis. En los pasos en los que se prueba introducir una nueva
variable, se realizan contrastes condicionales de razn de verosimilitudes con el
modelo del paso anterior como hiptesis nula y cada uno de los nuevos como
hiptesis alternativa en cada contraste. Aquellos contrastes cuyo p-valor sea inferior al
26

nivel de significacin requerido determinarn las variables susceptibles de ser

introducidas en el modelo en ese paso. Entre todas, se elegir la ms mejore el
modelo, en el sentido de reducir ms la devianza, con un p-valor adecuado. En los
pasos en los que se prueba eliminar una variable, los contrastes tienen como hiptesis
nula los modelos resultantes de eliminar cada una de las variables y como hiptesis
alternativa el modelo que se tena del paso anterior. En esta ocasin, las variables
susceptibles de ser eliminadas sern aquellas cuyos modelos proporcionen un p-valor
que supere el nivel de significacin establecido, que por otra parte debe ser mayor que
el nivel de significacin fijado para la entrada de variables, de modo que se evite que
salga la variable introducida en el paso anterior.
Hay ciertos detalles que deben tenerse en cuenta cuando se est eligiendo el
modelo definitivo. El primero de ellos hace referencia a las variables categricas: si al
menos una variable de diseo es significativa y decide dejarse en el modelo, todas y
cada una de las variables de diseo asociadas a la misma variable categrica original
deben permanecer en el modelo, sean o no significativas. En este caso se puede
contrastar el modelo completo frente al modelo si se sacan todas las dummies de la
variable categrica en bloque para tomar una decisin. Tambin hay que tener en
mente la recomendacin de que el nmero total de variables en el modelo sea tal que
haya al menos 10 individuos de la muestra para cada categora de respuesta por cada
variable del modelo42. Para poder ajustar un modelo con 10 variables, por ejemplo,
deberamos tener al menos 100 individuos con respuesta Y=0 y otros 100 con
respuesta Y=1. En el mejor de los casos (50%-50%) se requerira una muestra de 200
personas, pero el tamao total de la muestra se dispara si tenemos en cuenta que la
distribucin de la respuesta no suele ser equitativa sino muy desigual.
Mencin aparte merecen los conceptos de interaccin43 y confusin44. En
ciertas ocasiones ocurre que el grado de asociacin de la variable respuesta Y y una
variable explicativa X depende de los valores de otra variable explicativa X que se
relaciona con X . Decimos entonces que tenemos una interaccin de orden 1 entre
esas variables. En general, una interaccin de orden k es aquella que involucra k+1
variables predictoras, si bien es cierto que en la prctica suelen considerarse solo las
de orden 1 porque interacciones de rdenes superiores complican demasiado el
modelo y suelen ser difciles de interpretar. No obstante, si la asociacin entre Y y X
cambia significativamente por el mero hecho de incluir X en el anlisis, diremos que X
es una variable de confusin.

27

Cada interaccin entre variables continuas aade un sumando a la frmula del

modelo, estando dicho sumando formado por un coeficiente junto al producto de
las variables que interaccionan. En el caso de dos variables categricas, se aade al
modelo un sumando por cada uno de los posibles productos cruzados entre sus
variables de diseo. Si se tiene una variable continua interaccionando con una
categrica, se incluye en el modelo el producto de la continua con cada una de las
variables de diseo de las categricas.
Un ltimo detalle que debe tenerse en cuenta si se introducen interacciones en
el modelo es el conocido como principio jerrquico43, que obliga a dejar en el modelo
todos los trminos de orden inferior, hasta las propias variables que forman parte de la
interaccin, aunque por s solos no fuesen significativos.
2.2.6: Validacin y diagnosis.
En el apartado 2.2.4 se han ofrecido herramientas para contrastar la bondad
global del ajuste. En ste se describen mtodos para estudiar la bondad del ajuste
observacin a observacin, as como la naturaleza de la falta de ajuste. Las tcnicas
ms usadas son las de los residuos y las medidas de influencia.
Podemos definir dos tipos de residuos distintos, dependiendo de si estn
basados en el estadstico

o en el

. Basados en

se definen los residuos de

Pearson o residuos estandarizados:

Estos residuos pueden ajustarse para que sigan una N(0,1)45:

1
con h

el elemento diagonal de la matriz

1

. Entonces se contrasta la hiptesis nula de que los residuos son 0

frente a que no lo son, rechazando H cuando el residuo en valor absoluto es

z .A

veces los residuos no ajustados son tratados como N(0,1) para obviar el paso del
ajuste. En ese caso se rechaza H si el valor absoluto del residuo es mayor que 2.
Basados en

se definen los residuos de la devianza o residuos

estudentizados:
28

ln

ln

que pueden ajustarse igualmente para seguir una N(0,1), siendo la convergencia ms
rpida que en los residuos estandarizados:

1
El contraste de hiptesis es similar al anterior.
Existe una ltima opcin muy til cuando los tamaos

son pequeos. Se

trata de los residuos de la devianza modificados:

1

Si un resido resulta ser significativo, debe estudiarse su influencia sobre el

ajuste del modelo a travs de medidas de influencia como las distancias de Cook46.
Se define las distancias de Cook como:
1
1

Y las distancias de Cook modificadas:

Donde p
X

1
1 1

es el estimador de p obtenido eliminando las observaciones para las que

x . Cada observacin tiene su distancia y se considera significativa si es mayor

que 1 46.
Aparte de los procedimientos anteriores, en estos casos resulta muy til recurrir
tambin a mtodos grficos. Podemos representar grficamente los residuos frente a
los valores predichos por el modelo ajustado y observar si estn todos en una banda
horizontal alrededor del 0, o bien representar grficamente las observaciones frente a
los valores predichos y observar si se mantienen en una banda en torno a la recta Y=x,
como se sugiere en el libro de Aguilera34.

29

30

Captulo 3
Aplicacin en R

El presente captulo ofrece una descripcin detallada del software utilizado para
el anlisis estadstico propuesto. El software elegido para tal efecto es el paquete
estadstico R. Las razones de su eleccin son diversas: en primer lugar cabe destacar
su cantidad y calidad de tcnicas y funciones implementadas. Es reseable tambin su
manejabilidad, as como su versatilidad. Es fcilmente adaptable a una gran variedad
de tareas. Adems, es libre, accesible y tiene una mayor implantacin en la comunidad
cientfica, hasta el punto de considerarse un referente e incluso el estndar para el
anlisis de datos. En este trabajo se hace uso de la versin R 2.13.0 con la Interfaz
Grfica de Usuario R-Commander, que permite hacer uso del entorno estadstico R
de una forma mucho ms intuitiva, dotando a R de una interfaz mucho ms amigable
de cara al usuario.
Imagen 3.1: Consola de R (izquierda) e interfaz de R-Commander (derecha).

31

Como ya se detall en la introduccin del trabajo, R es un entorno para la

estadstica computacional y grficos, que funciona en una amplia variedad de
plataformas. En nuestro caso, Windows XP. Este lenguaje de rdenes ofrece un
amplio abanico de posibilidades, entre las cuales detallaremos aquellas que
respondan a las necesidades especficas de este proyecto, como son la estadstica
descriptiva y los modelos de respuesta discreta. Pero antes, veremos unas nociones
bsicas sobre el manejo de R, dejando, obviamente, cosas en el tintero que pueden
consultarse tanto en la pgina oficial como en el centro de documentacin o en otros
artculos o libros publicados. En particular, se recomienda como libro de iniciacin el
de Arriaza et al.47

3.1 Primeros pasos con R.

Dedicaremos este apartado a lo que puede considerarse como una puesta a
punto y unos primeros pasos antes de entrar de lleno en el anlisis estadstico, de
cara al usuario que se encuentre por primera vez con este software estadstico.
Para instalar R, el usuario puede acudir a la pgina oficial3 del Proyecto R, que
tiene el inconveniente de no estar en castellano, y seguir las instrucciones segn la
plataforma sobre la que se desee instalar. Tambin se podrn instalar paquetes
adicionales y revisar la documentacin. Adems, dicha pgina es un punto de
encuentro en el que se resuelven dudas y se intercambia informacin. Tngase en
cuenta que, dada su naturaleza, R no ofrece un servicio de atencin al cliente ni
soporte tcnico. Corresponder, por tanto, a la propia comunidad cientfica solucionar
los problemas derivados del uso de R, si queremos que el proyecto funcione.
Imagen 3.2: Pgina oficial del proyecto R.

32

Una vez instalado R, la instalacin de R-Commander es tan sencilla como

ejecutar R y pinchar en Paquetes->Instalar Paquete(s), elegir el mirror de descarga,
que en nuestro caso puede ser Spain (Madrid) y seleccionar Rcmdr. Para ejecutar
R-Commander, es necesario escribir la orden library(Rcmdr) en R. Si se cerrara RCommander sin haber cerrado R, se puede volver a cargar mediante la orden
Commander()
Con R perfectamente operativo en nuestro ordenador, nos disponemos a
realizar nuestros primeros anlisis estadsticos. Pero antes necesitamos lo primordial,
el elemento esencial para poder realizar cualquier estudio estadstico: los datos.
Podemos tener datos de diversa ndole y en muy diferente formato. Lo primero
que debemos saber es cmo introducir esos datos en R. Existe, en primer lugar, la
posibilidad de introducir esos datos manualmente. En R-Commander, debemos entrar
en Datos->Nuevo conjunto de datos. Se nos pedir que le demos un nombre al
conjunto de datos y se abrir la ventana del editor de datos, en forma de tabla, donde
podremos introducirlos sin mayor dificultad, adems de otorgarle nombre a cada
variable e indicar el tipo de variable que es. Sencillamente hay que tener en cuenta
que cada fila representa un caso y cada columna representa una variable. En la
siguiente imagen vemos el editor de datos con un cuadro de dilogo abierto para una
variable:
Imagen 3.3: Editor de datos en R-Commander.

En R, la orden para la creacin de una base de datos es data.frame, pero

antes de explicar esta orden, veamos cmo podemos crear un objeto en R y, en
particular, un vector de valores o una matriz.

33

Para crear un objeto en R hay que escribir su nombre seguido de los

caracteres que se muestran entrecomillados, <-, pero sin las comillas. A continuacin
se escribe la expresin deseada. Con ello hemos realizado una asignacin y ahora el
objeto que lleva por nombre el que pusimos a la izquierda del smbolo tiene asignado
el valor a la derecha del smbolo.
Para crear un vector debemos usar la orden c(), escribiendo dentro del
parntesis los valores de cada coordenada separados por comas. Para crear una
matriz usamos la orden matrix(), especificando el nmero de filas con nrows y el
nmero de columnas con ncol
Volviendo a la creacin de datos, la orden data.frame tiene la siguiente
sintaxis:

data.frame(..., row.names = NULL, check.rows = FALSE, check.names = TRUE,

stringsAsFactors = default.stringsAsFactors())

Tanto sta como el resto de sintaxis que veremos en este captulo se pueden
consultar en el centro de documentacin de R, al cual podemos acceder directamente
desde la consola de comandos escribiendo help(nombre-de-la-funcin). Para hacer
uso de este comando, lo esencial es introducir al principio del parntesis los datos del
modo deseado, bien sea a travs de listas o vectores creados previamente con
rdenes como c(), generando valores o usando cualquier otra funcin cuya salida
sea un conjunto de datos. Si se desea convertir alguna variable en factor, debe
indicarse stringsAsFactors=TRUE. Recordemos que un factor es un tipo especial
de vector que est formado por distintos niveles de la variable en cuestin, como en el
caso de las variables cualitativas. El resto son argumentos que permiten indicar los
nombres de las filas o hacer comprobaciones de consistencia.
Una vez que tenemos creada nuestra base de datos, puede almacenarse y
volver a cargarse en cualquier otro momento.
Pero en la realidad, lo habitual es tener una base de datos en algn formato
electrnico previo, de modo que no tengamos que generar los datos nosotros mismos,
sino tan solo importarlos. R ofrece posibilidades tambin para esos casos. En
particular, R es capaz de importar sin problema bases de datos que estn en formato
34

de archivo de texto, portapapeles, URL, SPSS, Minitab, STATA, Excel, Access o

dBase. Desde R-Commander lo nico que tenemos que hacer es pinchar en Datos>Importar datos, elegir la fuente y seguir las instrucciones. La orden equivalente en R
se encuentra dentro de la librera foreign y es read.formato-deseado, por ejemplo,
read.spss. La sintaxis de esta orden es:

read.spss(file, use.value.labels = TRUE, to.data.frame = FALSE, max.value.labels =

Inf, trim.factor.names = FALSE, trim_values = TRUE, reencode = NA, use.missings =
to.data.frame)

Donde los principales argumentos que se usarn son:

file: es el archivo original que queremos importar. Tenemos que escribir el
nombre y la ubicacin dentro de nuestro ordenador (c:/Archivos de
programas/...)
use.value.labels: sirve para convertir variables con etiquetas de valores en
factores de R con esos niveles.
to.data.frame: permite devolver el marco de datos.
max.value.labels indica si slo deben convertirse a factores aquellas variables
con etiquetas de valores.
Y el resto son argumentos para recodificar datos (aunque se recomienda usar por
separado la funcin recode, que se explica en este mismo captulo), para el
tratamiento de los espacios en blanco o los datos perdidos. Un dato perdido es una
casilla en la base de datos (el data.frame) que no tiene ningn valor asignado. Estos
valores surgen en algunas ocasiones cuando una base de datos tiene valores que son
incorrectos, estn ausentes o presentan anomalas. En algunos de estos casos se le
puede asignar al individuo un valor que sea congruente con el resto de caracteres,
mediante tcnicas de imputacin. Los casos que queden irremediablemente sin un
valor asignado son los que llamaremos valores perdidos o missing. R se referir a
estos valores como NA.
Por ltimo, antes de comenzar con los anlisis estadsticos, es posible que
todava quede un fleco suelto en nuestra base de datos: que algunas variables no
tengan el formato adecuado para los anlisis que queremos realizar con ellas. En ese

35

caso, la solucin consiste en recodificar dichas variables. En R-Commander

realizamos esta tarea entrando en Datos->Modificar variables de los datos activos>Recodificar variables. R, por su parte, cuenta con la funcin recode, que se detalla
a continuacin:
La sintaxis de la funcin recode es:

recode(var, recodes, as.factor.result, as.numeric.result=TRUE, levels)

Donde:
var es la variable a recodificar (vector numrico, vector de cadena o factor).
recodes son las instrucciones propias de la recodificacin. Si queremos
recodificar un valor aislado, sencillamente se escribir el valor antiguo, se
pondr = y se igualar al valor nuevo asignado. Si queremos recodificar
varios valores a un mismo valor nuevo, podemos usar la notacin de vector,
por ejemplo c(1,2,5)=9, lo que har que todos los valores que antes eran 1, 2 o
5, ahora valgan 9. Si adems los valores que queremos recodificar en un nico
valor nuevo estn seguidos, podemos usar la notacin : para indicar un rango
de valores, por ejemplo, 5:10=Aprobado. Y si queremos recodificar el resto de
valores que faltan por recodificar, podemos indicarlo mediante else, que hace
referencia a todo lo que queda por especificar.
as.factor.result es un valor lgico que indica si se devuelve un factor.
as.numeric.result es un valor lgico que hace que los resultados se
consideren numricos.
levels es un argumento opcional para especificar el orden de los niveles del
factor devuelto.
Con todo lo anterior, ya sabemos lo bsico y estamos en condiciones de usar R
con una base de datos para comenzar a realizar anlisis sobre los mismos, como
veremos en los siguientes apartados.

36

3.2 Estadstica descriptiva bsica con R

Antes de realizar cualquier anlisis estadstico, es muy recomendable realizar
un anlisis descriptivo de las variables que entran en juego. Lgicamente, las medidas
y grficas consideradas dependern de la naturaleza de cada variable. A continuacin
se exponen diferentes formas de explorar y mostrar la informacin de las variables,
segn sean categricas, cualitativas ordinales, cuantitativas, de intervalo o de razn.
3.2.1 Variables categricas.
En caso de tener variables categricas, al no tener valores numricos ni orden,
lo que procede es calcular la distribucin de frecuencias y, en todo caso, la moda.
Grficamente sera adecuado decantarse por un diagrama de sectores.
Para calcular la distribucin de frecuencias (con los porcentajes) desde RCommander, podemos seleccionar Estadsticos -> Resmenes -> Distribucin de
Frecuencia, elegir la variable y pulsar aceptar. Las rdenes correspondientes en R
son:

> .Table<-table(Datos$V1)
> 100*.Table/sum(.Table)

Datos es el nombre que le hayamos puesto al data.frame, es decir, la base de datos

con la que estamos trabajando y V1 es la variable objeto de estudio dentro de
data.frame. El comando table nos tabula las frecuencias absulutas y mediante la
segunda orden obtenemos las relativas. En la imagen 3.4 puede verse el ejemplo
sencillo de una variable dicotmica con sus frecuencias absolutas y relativas
tabuladas:
Imagen 3.4: Ejemplo de tablas de distribucin de frecuencias.

37

Es posible que queramos calcular tambin los intervalos de confianza para las
proporciones

calculadas,

realizar

un

contraste

de

hiptesis.

La

orden

correspondiente en R para dichas operaciones es prop.test y se explica a

continuacin:

prop.test(x, n, p = NULL, alternative = c("two.sided", "less", "greater"), conf.level =

0.95, correct = TRUE)

Donde:
x puede ser el vector con el recuento de xitos o una matriz con el recuento
de xitos y fracasos.
n es el vector de recuento de intentos, salvo que ya estuviese incluido en el
argumento anterior.
p es un vector de probabilidades de los sucesos, por lo que oscilar entre 0 y
1 y su longitud coincidir con la de x.
alternative es una cadena de caracteres con la hiptesis alternativa, que
puede ser "two.sided" (dos colas), "greater" (mayor que) or "less" (menor que).
Basta con dar la inicial. Se usa con la hiptesis nula de que una proporcin es
igual a un valor dado, o dos proporciones son iguales. En ningn otro caso.
conf.level es el nivel de confianza del intervalo de confianza, expresado entre
0 y 1. Se usa en los mismos casos que el argumento anterior.
correct es un valor lgico que indica si debe usarse correccin por
continuidad de Yates48.
Entre los objetos que devuelve esta funcin, los ms importantes son:
statistic: devuelve el valor del estadstico chi-cuadrado de Pearson.
parameter: devuelve los grados de libertad de la distribucin chi-cuadrado
aproximada.
p.value: devuelve el p-valor del test.
conf.int: devuelve un intervalo de confianza para el parmetro poblacional si
hay un grupo, o para la diferencia de proporciones si hay dos grupos y no se
especifica el valor de p.

38

Imagen 3.5: Ejemplo de contraste de hiptesis y clculo de un intervalo de confianza

para una proporcin en R.

La moda no viene implementada en R, de modo que tendremos que crear

nuestra propia funcin. Normalmente no es necesario calcular la moda porque puede
verse simplemente mirando la distribucin de frecuencias. No obstante, es posible que
en algunos casos concretos venga bien tener definida dicha funcin. Podemos
programar la funcin moda como sigue:

> moda=function(x){names(sort(table(x),decreasing=T))[1]}

Siguiendo con el ejemplo anterior, si definimos la funcin moda y solicitamos la

moda de dicha variable, obtenemos que su valor es la categora S, como puede
verse en la imagen 3.6.
Imagen 3.6: Ejemplo de aplicacin de la funcin moda definida manualmente.

Finalmente, para representar los datos a travs de un diagrama de sectores,

podemos seleccionar Grficas->Grfica de sectores desde R-Commander y
conformarnos con las opciones que R-Commander estime oportunas para dicha
representacin, o bien podemos tomar el control sobre las opciones usando la funcin
pie en R, que se describe a continuacin:
La funcin pie tiene la siguiente sintaxis:

39

pie(x, labels = names(x), edges = 200, radius = 0.8, clockwise = FALSE, init.angle =
if(clockwise) 90 else 0, density = NULL, angle = 45, col = NULL, border = NULL, lty =
NULL, main = NULL, ...)

Donde los principales argumentos que se usarn son:

x: es un vector de cantidades no negativas cuyos valores se muestran en las
areas de las porciones del sector.
labels: son las etiquetas para las porciones.
radius: es el radio del sector, que se puede reducir para dejar espacio a las
etiquetas.
col: es el vector de colores que se desea usar. Se recomienda cargar el
paquete colorspace (desde Paquetes->Cargar paquetes en R) para
aumentar las posibilidades de coloreado de la grfica, con funciones como por
ejemplo rainbow_hcl, que distribuye todo el espectro de colores segn el
nmero de objetos a colorear.

main: sirve para introducir un ttulo.

Y el resto de argumentos permiten, esencialmente, personalizar la grfica todo lo que

se quiera. Un ejemplo de grfico de sectores realizado en R a travs de la orden pie
es el siguiente:

>

pie(table(Datos$ANDAR_FUERA),

edges=200,

radius=0.7,

labels=levels(Datos$ANDAR_FUERA),

density=30,

angle=45,

main="ANDAR_FUERA",

col=rainbow_hcl(length(levels(Datos$ANDAR_FUERA))))

Figura 3.7: Grfico de sectores en R.

40

Si quisiramos dibujar varios grficos juntos, debemos usar la orden

par(mfrow=c(x,y)), donde x es el nmero de filas e y el nmero de columnas en
los que queremos dividir el espacio grfico.
3.2.2 Variables cualitativas ordinales.
Cuando tenemos variables cualitativas ordinales, lo adecuado es dar sus
medidas de posicin, generalmente la mediana y el resto de cuartiles como medidas
centrales (aunque puede considerarse cualquier cuantil) y el recorrido intercuartlico
como medida de dispersin. La representacin grfica ms recomendada es el
diagrama de barras.
Para calcular los cuantiles desde R-Commander podemos entrar en
Estadsticos->Resmenes->Resmenes

numricos,

seleccionar

la

variable

especificar los cuantiles deseados. La orden desde R es:

> numSummary(Datos[,"V1"], statistics=c("quantiles"), quantiles=c(0,.25,.5,.75,1))

Donde Datos es el nombre de la base de datos (data.frame), V1 es la

variable objeto de estudio y los valores 0,.25,.5... corresponden a los cuantiles
concretos que se quieran calcular. En el ejemplo se estn calculando el mnimo, Q1, la
mediana, Q3 y el mximo. Podemos ver un ejemplo de los resultados de este anlisis
en la imagen 3.8.
Imagen 3.8: Ejemplo del clculo de cuantiles.

El recorrido intercuartlico relativo se define como el cociente entre la diferencia

de los cuartiles tercero y primero, y la mediana. No existe una orden para su clculo
directo, de modo que tendremos que definirlo a mano a partir de los cuartiles ya
obtenidos:

> RIR<-as.numeric((Q3-Q1)/Q2)

41

En el ejemplo anterior, si solicitamos el clculo de este parmetro obtenemos:

Imagen 3.9: Ejemplo del clculo de recorrido intercuartlico relativo.

Para la representacin del diagrama de barra, entramos en Grficas->Grfica

de barras y elegimos la variable, todo ello desde R-Commander. No obstante, es
recomendable hacer las representaciones grficas siempre desde R, ya que nos
permite controlar todos los aspectos relacionados con el grfico. Para ello contamos
con la funcin barplot, que se detalla a continuacin:
La sintaxis de la funcin barplot es:

barplot(height, width = 1, space = NULL, names.arg = NULL, legend.text = NULL,

beside = FALSE, horiz = FALSE, density = NULL, angle = 45, col = NULL, border =
par("fg"), main = NULL, sub = NULL, xlab = NULL, ylab = NULL, xlim = NULL, ylim =
NULL, xpd = TRUE, log = "", axes = TRUE, axisnames = TRUE, cex.axis =
par("cex.axis"), cex.names = par("cex.axis"),

inside = TRUE, plot = TRUE, axis.lty

= 0, offset = 0, add = FALSE, args.legend = NULL, ...)

Donde los principales argumentos que se usarn son:

col y main, que son argumentos ya explicados en la funcin pie.
height es un vector o matriz que determina las alturas de las barras que
formarn el grfico. Si es un vector, el grfico ser de barras sencillas con sus
alturas. Si es una matriz, el grfico ser de barras juxtapuestas o apiladas,
dependiendo del valor lgico en el argumento beside.
names.arg es el vector de nombres que se quieren colocar bajo cada barra.
beside es un valor lgico que indica si las barras en height deben apilarse
(FALSE) o aparecer en juxtaposicin (TRUE).
sub aade un subttulo al grfico.
xlab e ylab son las etiquetas de los ejes, y xlim e ylim sus lmites.
add es un valor lgico que indica si las barras deberan agregarse a un
grfico previo.

42

Y el resto de argumentos permiten, esencialmente, personalizar la grfica todo lo que

se quiera. Podemos ver a continuacin un ejemplo de diagrama de barras:

> barplot(table(Datos$GRUPOS_EDAD), xlab="Grupos de edad", ylab="Frecuancia",

col=c("green"), main="Distribucin por edades", sub="Poblacin global")

Figura 3.10: Ejemplo de diagrama de barras en R.

3.2.3 Variables cuantitativas.

En esta ocasin las medidas recomendadas son la media y la desviacin tpica.
En cuanto a grficos, el diagrama de barras, detallado en el apartado anterior, se
presenta como la opcin ms adecuada.
En

R-Commander,

podemos

entrar

en

Estadsticos->Resmenes-

>Resmenes numricos, seleccionar la variable e indicar que deseamos la media y la

desviacin tpica. No obstante, el valor sd devuelto no es la desviacin tpica de la
poblacin, sino la cuasi-desviacin tpica calculada a partir de la muestra de tamao n
con n-1 en el denominador. La orden correspondiente en R es:

> numSummary(Datos[,"V1"], statistics=c("mean", "sd"))

43

Donde Datos es el nombre de nuestra base de datos (data.frame) y V1 el

nombre de la variable objeto de estudio dentro de data.frame. Obsrvese que pueden
realizarse con una sola orden los calculos de la media, desviacin tpica y cuantiles, si
fuera necesario:

> numSummary(Datos[,"V1"], statistics=c("mean", "sd", "quantiles"),

quantiles=c(0,.25,.5,.75,1))

Un ejemplo de lo anterior puede verse en la imagen 3.11.

Imagen 3.11: Ejemplo del clculo de la media, DT y cuantiles en R.

3.2.4 Variables de intervalo.

Cuando se trata de datos que estn recogidos o van a presentarse en forma de
intervalos, la media y la desviacin tpica siguen siendo medidas adecuadas. En lo que
a grficas se refiere, la eleccin correcta es el histograma.
Desde R-Commander podemos dibujar un histograma entrando en Grficas>Histograma, pudiendo elegir entre el recuento de frecuencias, los porcentajes o las
densidades como escala de los ejes. No ostante, se insiste en la recomendacin de
dibujar usando directamente los comandos de R, en esta ocasin la funcin hist,
cuya sintaxis es:

hist(x, breaks = "Sturges", freq = NULL, probability = !freq, include.lowest = TRUE,

right = TRUE, density = NULL, angle = 45, col = NULL, border = NULL, main =
paste("Histogram of" , xname), xlim = range(breaks), ylim = NULL, xlab = xname, ylab,
axes = TRUE, plot = TRUE, labels = FALSE, nclass = NULL, warn.unused = TRUE,
...)

Los principales argumentos ya han sido explicados con anterioridad en otras funciones
grficas. El argumento freq es un valor lgico que indica si el histograma debe
44

representarse con las frecuencias (TRUE) o densidades de probabilidad (FALSE). El

resto de argumentos permiten personalizar el grfico, pero no son necesarios. En la
figura 3.12 podemos ver un ejemplo de histograma en R, generado a partir del
siguiente cdigo:

Hist(Datos$ALTURA_RECOD,

scale="percent",

breaks="Sturges",

col="red",

main="Ejemplo de histograma", xlab="Alturas", ylab="Porcentajes", density=20,

angle=110)

Figura 3.12: Ejemplo de histograma en R

3.2.5 Variables de razn.

Una variable de razn es similar a una de intervalo, con la diferencia de que
cuenta con un cero absoluto, es decir, el valor cero representa la ausencia total de
medida. Por ejemplo, la temperatura (C) es una variable de intervalo (la diferencia
real entre 2 y 3 grados es la misma que entre 40 y 41 grados), pero no de razn (0C
no es ausencia de temperatura y no se pueden afirmar cosas como que con 30C
haga el doble de calor que con 15). En cambio, el peso (Kg) s es de razn porque
0Kg es ausencia de peso y se pueden afirmar cosas como que un objeto de 20Kg
pesa el doble que otro de 10 Kg.
Para el caso de variables de razn podemos usar la media geomtrica como
medida central y el coeficiente de variacin de Pearson como medida de dispersin. A
la hora de representarlo grficamente tenemos distintas opciones: podemos
decantarnos por un histograma, un diagrama de dispersin o un diagrama de cajas.

45

Puesto que el logaritmo de la media geomtrica es igual a la media aritmtica

de los logaritmos de los valores de la variable, podemos calcular en R la media
geomtrica a partir de la aritmtica, sencillamente calculando el logaritmo de los datos
previamente y luego su media aritmtica. El resultado de esta operacin no es la
media geomtrica en s, sino su logaritmo, por lo que el ltimo paso ser aplicarle la
funcin exponencial:

> exp(mean(log(V1)))

Donde V1 representa la variable objeto de estudio.

Para el clculo del coeficiente de variacin de Pearson podemos crear la
siguiente funcin en R:

cvp <- function(x)

{ni<- table(x);
n<-sum(ni);
m1<- mean(x);
s1 <-sd(x)*sqrt((n-1)/n);
cv<- s1/abs(m1);
cv}

El diagrama de dispersin es accesible desde R-Commander en Grficas>Diagramas de dispersin y tiene una serie de opciones interesantes desde ese
mismo men. En particular se pueden aadir etiquetas, identificar observacin, pasar
los datos a escala logartmica, elegir el tamao de los textos, as como de los puntos,
aadir lnea de mnimos cuadrados, etctera. A diferencia de para otros tipos de
grficos, las opciones ofrecidas por R-commander para la generacin de diagramas de
dispersin son bastante completas y por esta razn se ofrece, a ttulo ilustrativo, una
imagen que muestra dichas opciones aunque, como siempre, ser la correspondiente
orden en R la que se explique con ms detalle.

46

Imagen 3.13: Opciones de R-Commander para los diagramas de dispersin.

Por su parte, la funcin en R para este tipo de grficos es scatterplot, cuya

sintaxis es:

scatterplot(x,y,
reg.line=lm,

smooth=TRUE,

boxplots=if

spread=!by.groups,

(by.groups)

""

else

"xy",

span=.5,

loess.threshold=5,

xlab=deparse(substitute(x)),

ylab=deparse(substitute(y)), las=par("las"), lwd=1, lwd.smooth=lwd, lwd.spread=lwd,

lty=1,

lty.smooth=lty,

lty.spread=2,

labels,

id.method="mahal",

id.n=if(id.method[1]=="identify") length(x) else 0, id.cex=1, id.col=palette()[1], log="",

jitter=list(),

xlim=NULL,

ylim=NULL,

cex=par("cex"),

cex.axis=par("cex.axis"),

cex.lab=par("cex.lab"), cex.main=par("cex.main"), cex.sub=par("cex.sub"), groups,

by.groups=!missing(groups), legend.title=deparse(substitute(groups)), legend.coords,
ellipse=FALSE, levels=c(.5, .95), robust=TRUE, col=if (n.groups == 1) palette()[3:1]
else rep(palette(), length=n.groups), pch=1:n.groups, legend.plot=!missing(groups),
reset.par=TRUE, grid=TRUE, ...)

Donde los principales argumentos son:

xlab, ylab, xlim e ylim: argumentos ya explicados con anterioridad.
x: es el vector de coordenadas horizontales o una frmula.

47

 y: es el vector de coordenadas verticales.

data: son los datos a los que aplicarle la frmula (el data.frame).
subset sirve para definir un subconjunto de observaciones.
reg.line es una funcin que dibuja una recta de regresin.
boxplot dibuja un diagrama de cajas arriba del grfico si es para x, a la
derecha del mismo si es para y o ambos para xy.
groups es un factor o variable que divide los datos en distintos grupos, de
forma que puedan dibujarse con colores y caractersticas distintas.
Y el resto de argumentos para incluir leyendas, etiquetas, personalizar tamaos,
colores y otras caractersticas. A continuacin se muestra un ejemplo de diagrama de
dispersin en R, cuyo cdigo es el que sigue y su resultado puede verse en la figura
3.14.

>

scatterplot(ALTURA_RECOD~PESO_RECOD,

reg.line=lm,

smooth=TRUE,

spread=TRUE, boxplots='xy', span=0.5, xlab="Pesos", ylab="Alturas", data=Datos)

Figura 3.14: Ejemplo de diagrama de dispersin en R

El diagrama de caja tiene tambin su atajo desde R-Commander, entrando en

Grficas->Diagrama de caja y su correspondiente funcin en R es boxplot, con la
siguiente sintaxis:

48

boxplot(formula, data = NULL, ..., subset, na.action = NULL)

boxplot(x, ..., range = 1.5, width = NULL, varwidth = FALSE, notch = FALSE, outline =
TRUE, names, plot = TRUE, border = par("fg"), col = NULL, log = "", pars =
list(boxwex = 0.8, staplewex = 0.5, outwex = 0.5), horizontal = FALSE, add = FALSE,
at = NULL)

Donde los principales argumentos usados son:

data, subset, x, plot, col, add y names: especificados en otras
funciones ya explicadas previamente en este trabajo.
formula: es una formula del tipo y~grp donde y es el vector de valores que
se dividen en grupos segn una variable de agrupacin.
width: es un vector que da la anchura relativa de las cajas y varwidth es un
valor lgico que hace que las cajas se dibujen con anchuras proporcionales a
las races cuadradas del nmero de observaciones en los grupos.
notch: es un valor lgico para dibujar una marca a cada lado de las cajas, de
forma que si las marcas de dos cajas no se solapan, hay evidencias de que las
medianas difieren49.
outline: valor lgico para dibujar o no los valores anmalos.
Mas el resto de argumentos que permiten personalizarlo y no es necesario especificar
aqu. A continuacin se muestra un ejemplo de diagrama de caja realizado en R:
Figura 3.15: Ejemplo de diagrama de caja en R.

Por ltimo, cabe destacar que no son stas las nicas opciones que ofrece R a
la hora de realizar un anlisis descriptivo unidimensional, pero s las ms comunes y
las que vamos a necesitar en este trabajo.

49

3.3 Anlisis exploratorio de datos multidimensionales.

Adems de analizar las variables de forma individual, es interesante realizar
tambin un anlisis conjunto de las mismas. Generalmente, este anlisis suele ser
bidimensional, aunque podra ser, en general, multidimensional. No es una buena idea
realizar anlisis indiscriminados con todos los posibles cruces de variables (tngase en
cuenta que el nmero de posibilidades ser un nmero combinatorio que crecer
rpidamente a medida que aumente el nmero de variables iniciales). El usuario debe,
por tanto, escoger con criterio qu variables conviene cruzar en este tipo de anlisis,
basndose en la literatura existente sobre el tema tratado y en su propio conocimiento
o experiencia, y todo ello siempre con sentido comn. Adems, es conveniente
completar el anlisis con alguna prueba que nos indique el grado de relacin entre las
variables y la significacin estadstica de la misma, como puede ser la prueba Chicuadrado.
Dependiendo de la naturaleza de las variables, existen distintas tcnicas para
realizar estos anlisis. Si las variables son contnuas, existe un amplio abanico de
modelos matemticos que pueden construirse para explicar el comportamiento de una
variable en funcin de otra. Un ejemplo de ello es el modelo logstico binario explicado
en el apartado 3.4. Si las variables son categricas, la mejor forma de resumir la
informacin que ofrecen de manera conjunta es mediante una tabla de doble entrada.
Grficamente puede representarse a travs de diagramas de barras o grficos de
mosaicos.
En una tabla de doble entrada encontramos las categoras de una de las
variables en las filas y las de la otra en las columnas. La tabla se completa con las
frecuencias absolutas o relativas (segn convenga) correspondientes al cruce de cada
una de las categoras de ambas variables, as como las distribuciones marginales en
la ltima fila y columna, respectivamente. Para realizar este anlisis en R-Commander
entramos en Estadsticos->Tablas de contingencia->Tabla de doble entrada. Despus
de elegir las variables para las filas y las columnas, las opciones ofrecidas son, entre
otras, aadir porcentajes totales, por filas o columnas y realizar algn test de hiptesis.
Si queremos realizar este anlisis desde R, la orden adecuada para la tabla es:

.Table <- xtabs(~V1+V2, data=Datos)

50

Siendo V1 y V2 las variables que se quieren cruzar y Datos nuestro conjunto de

datos (data.frame). Y la orden para el test es:

.Test <- chisq.test(.Table, correct=FALSE)

A continuacin podemos ver un ejemplo de tabla de doble entrada con su test

chi-cuadrado en R:

.Table <- xtabs(~COM_8_1+VISI_1_1, data=Datos)

.Table
totPercents(.Table) # Porcentajes del total
.Test <- chisq.test(.Table, correct=FALSE)
.Test

Imagen 3.16: Ejemplo de tabla de doble entrada con test Chi-cuadrado.

Para dibujar los grficos de mosaico contamos con la funcin mosaicplot, que
no ser explicada porque no es necesaria para la realizacin del presente trabajo. El
lector interesado puede consultar su sintaxis escribiendo help(mosaicplot) en la
consola de R.

51

3.4 Ajuste de un modelo logstico binario con R.

En este apartado se describir con detalle el procedimiento para el ajuste de un
modelo logstico binario con R. A lo largo del mismo se dar respuesta a cmo abordar
cada uno de los apartados vistos en el captulo 2. En el primer apartado (formulacin
del modelo) se describir con detenimiento la principal funcin de la que se har uso
para el ajuste: la funcin glm. Antes de presentar sta y el resto de funciones, cabe
sealar que desde R-Commander podemos ajustar el modelo entrando en
Estadsticos->Ajuste de modelos->Modelo lineal generalizado y especificando la
frmula del modelo con las variables deseadas, una expresin de seleccin en caso
necesario, la familia (binomial, poisson...) y la funcin de enlace (logit, probit...). En
nuestro caso, la familia es la binomial y la funcin de enlace, logit.
Imagen 3.17: Opciones de R-Commander para el ajuste de modelo lineal
generalizado.

En el primer cuadro se introduce el nombre que se le quiere dar al modelo (en

el ejemplo, GLM.8). A continuacin figura la lista de variables del data.frame. En los
cuadros para la frmula del modelo, se introduce a la izquierda del smbolo ~ la
variable dependiente (basta hacer doble click sobre la variable deseada en la lista
anterior), y a la derecha del smbolo todas las covariables deseadas con los
operadores matemticos que fueran necesarios (y que figuran justo arriba). En nuestro
caso seran sumas de covariables y productos, en el caso de interaccin. En la
expresin de seleccin se puede introducir opcionalmente una condicin del tipo
Peso>60 para indicar que slo se incluirn en el modelo los casos que cumplan
dicha condicin (las personas que pesen ms de 60Kg., por ejemplo). Finalmente se

52

indica la familia y la funcin de enlace (como vimos, en nuestro caso es binomial y

logit, respectivamente).
3.4.1: Formulacin del modelo.
El modelo logstico binario es un caso particular dentro de los modelos lineales
generalizados, cuya expresin ya se ha visto en el apartado 2.2.1. La funcin de R
cuyas caractersticas se describen a continuacin no slo sirve para el ajuste del
modelo que proponemos, sino para el ajuste, en general, de cualquier modelo lineal
generalizado. De esta forma, se explicar el procedimiento general sealando en qu
momento debemos indicar que el modelo lineal generalizado deseado es, en concreto,
un modelo logstico binario. La funcin en cuestin es glm, cuyo nombre procede de
la sigla en ingls (generalized linear model). Dicha funcin tiene la siguiente sintaxis:

glm(formula, family = binomial(link="logit), data, weights = NULL, subset = NULL,

na.action, start = NULL, etastart = NULL, mustart = NULL, offset = NULL, control =
glm.control(...), model = TRUE, method = "glm.fit", x = FALSE, y = TRUE, contrasts =
NULL, ...)
glm.fit(x, y, weights = rep(1, nobs), start = NULL, etastart = NULL, mustart = NULL,
offset = rep(0, nobs), family = gaussian(), control = glm.control(), intercept = TRUE)

Donde los principales argumentos a usar:

formula: es la descripcin simblica del modelo a ajustar, es decir, la frmula
en s del modelo que queremos ajustar. Recordemos que una frmula es una
expresin del tipo:
VDep~Cov1+Cov2+...
Donde VDep es el nombre de la variable dependiente y Cov1, Cov2 (en
general Cov(i)) son las covariables que entran en el modelo. Si se desea
introducir una interaccin entre las covariables i y j, debe incluirse en la frmula
el trmino:
...+Cov(i)*Cov(j)+...

53

y el propio programa tiene en cuenta el principio jerrquico e incluye, sin

necesidad de que el usuario lo especifique, cada una de las variables que
interaccionan por separado, como sumandos independientes.
Un detalle a tener en cuenta es la posibilidad de estar trabajando con ms de
un data.frame al mismo tiempo, en cuyo caso los nombres de las variables
deben ir acompaados del smbolo $ y el nombre del data.frame del que
deben ser extradas, tal y como se vi en el apartado 3.2.
family: indica la familia de distribuciones y, en el parntesis contiguo, link
indica la funcin de enlace que debe usarse para el ajuste de este modelo. Las
opciones son: binomial, gaussian, Gamma, inverse.gaussian, poisson, quasi,
quasibinomial y quasipoisson. Cada una de estas familias acepta distintas
funciones de enlace. As, la familia gaussiana y la familia Gamma aceptan
como enlace las funciones identity, log e inverse. La familia binomial
acepta como enlaces las funciones logit, probit, log y cloglog. El resto de
familias con sus funciones de enlace aceptadas puede verse en la
documentacin de R, tecleando en la consola de comandos help(family). En
este punto es, por tanto, donde se especifica el modelo concreto que queremos
ajustar, que en nuestro caso ser binomial(link=logit).
data: es un argumento opcional con las variables del modelo, aunque por
defecto las variables se tomarn a partir del campo formula.
subset: es un vector opcional que selecciona un subconjunto de la poblacin
para realizar el ajuste. Este argumento es innecesario si se carga directamente
la base de datos nica y exclusivamente con los individuos objeto de estudio.
control: es una lista de parmetros que controlan el proceso. Su sintaxis viene
dada, a su vez, por: glm.control(epsilon=1e-8, maxit=25, trace=FALSE), donde
psilon marca la tolerancia de convergencia deseada, maxit marca el
nmero mximo de iteraciones del proceso y trace es un valor lgico que
indica si deben mostrarse las salidas en cada iteracin.
method: indica el mtodo a utilizar. Para el caso de la regresin logstica
binaria, se utiliza un mtodo que es equivalente al de mxima verosimilitud
explicado en el captulo 2.
intercept: es un valor lgico que indica si debera incluirse una constante en el
modelo.
Aparte de lo anterior, existen algunos otros argumentos que pueden incluirse, mas con
los argumentos explicados podremos ajustar nuestro modelo perfectamente.
54

Antes de explicar con detenimiento las salidas de esta funcin, veremos el

resumen bsico que se nos devuelve a travs de la orden summary. A travs de:

summary(Modelo)

Donde Modelo es el nombre que le hayamos dado a nuestro modelo ajustado,

obtenemos la siguiente salida:
Imagen 3.18: Ejemplo de salida bsica de la funcin glm.

Donde puede verse en primer lugar la orden usada para el ajuste del modelo
(call), incluyendo la formulacin del mismo. A continuacin se nos muestran los
valores mnimo, mximo y los cuartiles (incluida mediana) de los residuos de la
devianza (Deviance Residuals), que nos sern tiles a la hora de validar el modelo
(vase apartado 2.4.6). Seguidamente aparecen los coeficientes del modelo. Por filas
encontramos todas las variables incluidas y la constante (Intercept). Por columnas
encontramos, en primer lugar, los valores estimados de los parmetros (Estimate),
luego el error estndar de cada estimacin (Std. Error), seguido del valor del
estadstico del test de Wald (z value) y su significacin (Pr(>| |)) junto con un
cdigo de puntos y asteriscos que facilitan el visionado rpido de la significacin de
cada parmetro. Estas dos ltimas columnas sern usadas en el apartado 3.4.2 para
realizar los contrastes sobre los parmetros del modelo. Por ltimo, tenemos el valor
de la devianza del modelo nulo (Null deviance) y del nuevo modelo ajustado
(Residual deviance), junto con los respectivos grados de libertad (degrees of
freedom) de sus distribuciones asintticas, el criterio de informacin de Akaike (AIC)
(menos dos veces la log-verosimilitud maximizada mas dos veces el nmero de
coeficientes) y el nmero de iteraciones.
55

sta es la salida bsica ms rpida y directa que rene en poco espacio

bastante informacin interesante, pero no es lo nico que podemos obtener a partir de
la funcin glm. Analicemos ahora estos y otros objetos que nos puede devolver esta
funcin por separado:
formula, family, data y control devuelven lo especificado en dichos
argumentos (la familia que se ha usado...)
coefficients devuelve el vector de coeficientes.
residuals devuelve los residuos de la ltima iteracin.
fitted.values

devuelve

los

valores

medios

ajustados,

mediante

la

transformacin de los predictores lineales por la inversa de la funcin de

enlace.
deviance es, salvo constante, menos 2 veces el mximo de la logverosimilitud.

null.deviance es el argumento deviance pero para el modelo nulo (sin

variables).

aic es el criterio de informacin de Akaike (recordemos: menos dos veces la

log-verosimilitud maximizada mas dos veces el nmero de coeficientes).
iter devuelve el nmero de iteraciones realizadas en el proceso.
converged es un valor lgico que indica si el algoritmo convergi.
Por otra parte, tambin podemos pedir predicciones de los resultados gracias a
la funcin predict, que es una funcin genrica que devuelve predicciones de los
resultados de varios modelos de ajuste. La funcin llama a mtodos concretos que
dependen de la clase del primer argumento.
3.4.2: Parmetros.
Como ya hemos visto, una de las salidas de la funcin glm son los parmetros
del modelo. Podemos obtener directamente las estimaciones de los parmetros,
con su error estndar, el valor del estadstico Z del test de Wald y el nivel de
significacin a travs de la orden:

coef(summary(Modelo))

56

De este modo, tenemos la informacin de los contrastes sobre los parmetros y

las propias estimaciones de los mismos en una sola salida (ver apartado anterior).
A la hora de interpretar los parmetros es conveniente considerar sus
exponenciales, de modo que sean interpretables en trminos de cocientes de ventajas.
Para ello, sencillamente puede usarse la orden exp para calcular las exponenciales
de los valores obtenidos mediante coef. Es muy importante tener en cuenta que al
hacer uso de esta orden, R calcula la exponencial de todos los valores de la salida
anterior, por lo que estamos calculando ms cosas de las necesarias, y algunas
incluso absurdas (como las exponenciales del los p-valores). El usuario debe tener en
cuenta que lo nico que necesita son las exponenciales de la primera columna (la de
la estimacin de los parmetros) e ignorar el resto. La orden, por tanto, es:

exp(coef(summary(Modelo)))

Finalmente, para el clculo de intervalos de confianza encontramos, en la

librera MASS, la funcin confint, cuya sintaxis es:

confint(object, parm, level = 0.95, ...)

Donde:
En object debemos poner el modelo que hemos ajustado y para el cul
queremos calcular intervalos de confianza.
param es un vector que indica a qu parmetros se les debe calcular un
intervalo de confianza. Es opcional y si no se especifica se calculan para todos
los parmetros.
level es el nivel de confianza (por defecto, 95%).
De tal forma que podemos obtener los intervalos de confianza para las a travs de
esa orden directa y usando la funcin matemtica exp obtener los intervalos
correspondientes a las OR, en virtud de lo visto en teora en el apartado 2.2.3.2, donde
se especifica que un intervalo de confianza para la exponencial viene dado a partir de
las exponenciales de los extremos de un intervalo de confianza para .

57

3.4.3: Bondad de ajuste.

Tal y como se coment en el captulo 2, lo habitual es tener tanto variables
discretas como continuas en el modelo. Este hecho hace que sea complicado que se
d la circunstancia de que el 80% de las frecuencias estimadas bajo el modelo sean
mayores que cinco y todas mayores que uno, lo que nos lleva a no poder asumir la
distribucin chi-cuadrado de los principales estadsticos de contraste de bondad de
ajuste y tener que recurrir al test de Hosmer y Lemeshow para estudiar la bondad del
ajuste global. La funcin glm no devuelve el valor de este estadstico ni su
significacin, de modo que ser necesario definir una nueva funcin que lo calcule.
Dicha funcin es la que sigue:

hosmerlem <-function (y, yhat, g = 10)

{
cutyhat <-cut(yhat, breaks = quantile(yhat, probs = seq(0, 1, 1/g)), include.lowest = T)
obs <- xtabs(cbind(1 - y, y) ~ cutyhat)
expect <- xtabs(cbind(1 - yhat, yhat) ~ cutyhat)
chisq <- sum((obs - expect)^2/expect)
P <- 1 - pchisq(chisq, g - 2)
c("X^2" = chisq, Df = g - 2, "P(>Chi)" = P)
}

Donde y es el vector de valores de la variable dependiente, yhat son los

valores ajustados (obtenidos con la orden predict) y g el nmero de grupos a
considerar para el clculo del estadstico (vase apartado 2.2.4).
Puesto que no existe una funcin predefinida en R para el clculo de la tasa de
clasificaciones correctas, ha sido necesario crearla para este trabajo, siendo su
sintaxis:

58

tcc<-function(corte,yajus,y)
{
verpos<-table(yajus>corte & y==1)[2]
falpos<-table(yajus>corte & y==0)[2]
falneg<-table(yajus<corte & y==1)[2]
verneg<-table(yajus<corte & y==0)[2]
tasa<-(verpos+verneg)/(verpos+falpos+falneg+verneg)*100
tasa
}

Donde:
corte es el punto de corte para clasificar a los individuos en positivos y
negativos.
yajus es el vector de valores ajustados por el modelo.
y es el vector de valores de la variable dependiente.
Para el clculo del rea bajo la curva ROC, Laura Thompson propone en su
manual50 una medida equivalente a travs de la funcin lrm, del paquete Design.
Dicha funcin admite como argumento la frmula del modelo que ya hemos ajustado
con glm y los datos a partir de los cuales se ajusta. Con ello se ajustar el mismo
modelo que ya tenamos, pero con la ventaja de que entre sus salidas de encuentra
una medida llamada C, que es un indicador de la correlacin entre la respuesta
predicha por el modelo ajustado y la respuesta real. Es la probabilidad de
concordancia entre las predicciones y los resultados, siendo una medida equivalente al
rea bajo la curva ROC. La sintaxis es:

lrm(formula, data)

Donde:
formula es la frmula del modelo final al que hemos llegado.
data es el conjunto de datos (data.frame).
59

3.4.4: Seleccin de variables.

Cuando se ajusta el modelo, es necesario decidir qu variables entran y cules
se quedan fuera del mismo, tratando siempre de llegar al modelo que mejor explique la
variabilidad de la variable dependiente con el menor nmero de variables
independientes (principio de parsimonia). Como vimos en el apartado 2.2.5, una buena
tcnica es usar el procedimiento stepwise forward-backward para elegir paso a paso
las variables que entran en el modelo. En cada uno de los pasos hay que ajustar
distintos modelos a travs de la funcin glm como ya se ha visto previamente, para
compararlos luego a travs de un contraste. El contraste puede realizarse en R a
travs la funcin anova:

anova(Modelos, test="Chisq")

Simplemente introducimos los modelos que queremos contrastar en Modelos,

separados por comas, e indicamos finalmente que realice un test chi-cuadrado a
travs de test="Chisq". Con ello obtenemos una salida que nos muestra el anlisis de
la devianza donde se comparan los modelos. A continuacin vemos un ejemplo junto
con la explicacin de la salida obtenida.
Imagen 3.19: Ejemplo de contraste para la seleccin de variables.

En la imagen anterior vemos que se han contrastado dos modelos: el del paso
previo (Modelo_1), que slo incluye la variable edad, y el nuevo (Modelo_2) que
incluye, adems de la edad, una nueva variable: el sexo. La salida de este anlisis es
una tabla que tiene en sus filas cada uno de los modelos contrastados (2 en este caso)
y en sus columnas encontramos, en primer lugar, Resid.Df que son los grados de
libertad de la distribucin asinttica de la devianza. A continuacin Resid.Dev, que es
el valor de la devianza, seguido de Df, que muestra la variacin de los grados de
libertad. Luego aparece la columna Deviance, que muestra la variacin de la
devianza en el nuevo modelo respecto al anterior. Valores positivos en esta columna
60

indican una disminucin y valores negativos, un aumento de la devianza. Finalmente,

la columna P(>|

|) muestra la significacin del test, que viene acompaada de un

cdigo de puntos y estrellas que permite hacerse una idea sobre la significacin en un
solo vistazo.
En este apartado de seleccin de variables tambin puede hacerse uso de la
funcin recode, explicada al final del apartado 3.1, en los casos en los que sea
necesario recodificar alguna variable antes de introducirla en el modelo, o si se quieren
crear manualmente las variables dummies, otorgndole valor 1 a la categora deseada
y 0 al resto, a travs de la recodificacin. Un ejemplo de esto sera el siguiente:
supongamos que tenemos la variable nivel de estudios (NIV_ESTUD_GRUPOS) con
cuatro

categoras

codificadas

numricamente

(0=Sin

estudios,

1=Estudios

primarios, 2=Estudios secundarios y 3=Estudios superiores). Si quisiramos crear

manualmente la variable dummie correpondiente, por ejemplo, a la categora Estudios
secundarios, la orden sera:

DatosGlobales&NIV_ESTUD_GRUPO_B_C<recode(DatosGlobales$NIV_ESTUD_GRUPOS, '2=1; else=0; ')

3.4.5: Validacin y diagnosis.

Como vimos, existen distintas tcnicas para analizar la bondad del ajuste
observacin a observacin, como el anlisis de los residuos de la devianza. Y en el
caso de que algn residuo resulte significativo, ser necesario estudiar su influencia
sobre el ajuste del modelo mediante medidas de influencia (concretamente, las
distancias de Cook). A continuacin se explica cmo realizar estos anlisis en R.
Para el estudio de los residuos de la devianza simplemente echamos mano de
la salida bsica de la funcin glm, la que se obtiene a travs de summary(Modelo).
Como se explic en el apartado 3.4.1 (imagen 3.18), en esa salida se nos muestran
los valores mnimo, mximo y los cuartiles (incluida mediana) de los residuos de la
devianza (Deviance Residuals). A partir de estos datos podemos concluir si existe un
buen ajuste caso a caso dependiendo de los valores que tomen los residuos
(habitualmente, valores inferiores a 2 en valor absoluto se consideran adecuados para
determinar que el ajuste es bueno).

61

Es posible que un modelo tenga un buen ajuste y, an as, existan

determinados casos cuyos residuos sobrepasen el valor mximo aceptable. En esta
situacin se calcularn las medidas de influencia correspondientes a travs de la
orden:
cook<-coks.distance(Modelo)

Donde Modelo es el nombre del modelo con el que estamos trabajando. Si procede,
se usar la orden subset para seleccionar solamente las distancias cooks de los
casos cuyos residuos resultaron significativos.
Otra opcin a la hora de abordar el problema de los residuos significativos es
identificar los casos, eliminarlos y volver a ajustar el modelo sin ellos, para comprobar
si las covariables siguen siendo las mismas y el ajuste es ms fino. Si ese fuera el
caso, podramos ajustar el modelo sin esos casos del siguiente modo:

res<-abs(residuals(Modelo))
Modelo_Final=glm(formula, family=binomial(logit), data, subset=res<2)
summary(Modelo_Final)

Donde:
abs es la funcin que calcula el valor absoluto.
residuals() es la salida devuelta por la funcin glm con los residuos de la
devianza del modelo que figure dentro del parntesis.
Modelo es el nombre otorgado al modelo que hayamos calculado y del que
queramos extraer los casos.
La funcin glm tiene los argumentos ya explicados, con la particularidad de
que en esta ocasin se hace uso del argumento subset, indicndole que solo
realice el ajuste con aquellos datos que verifiquen la condicin res<2, es
decir, que los residuos fuesen menores que 2 en valor absoluto.
Con todas las rdenes vistas en los apartados anteriores y aplicando el
procedimiento visto en el captulo 2, podremos ajustar nuestro modelo de regresin
logstica binaria, tal y como se ver en el prximo captulo.

62

63

Captulo 4
Aplicacin a datos reales
Para ilustrar la metodologa descrita en el trabajo, se propone su aplicacin a
un caso real. Como ya se mencion en la introduccin, se utilizarn los datos
procedentes de la EDAD-2008, llevada a cabo por el INE entre noviembre de 2007 y
febrero de 2008, con el objetivo de conocer la prevalencia, caractersticas y factores
asociados al dolor crnico en discapacitados, as como la relacin dolor crnicoansiedad y dolor crnico-depresin en estos pacientes.

4.1: Introduccin y antecedentes del problema.

Las enfermedades crnicas, en especial las causantes de dolor, son los
principales problemas de salud que afectan a la sociedad actualmente y han sido
objeto de investigacin en los ltimos aos tanto por su frecuencia, como por sus
efectos sobre la calidad de vida de los enfermos que las padecen.
Se estima que el dolor crnico afecta a un tercio de la poblacin en Europa51,
siendo comunes las limitaciones funcionales que produce, y las consecuencias
sociales y laborales que ocasiona. En Espaa, la prevalencia de dolor crnico en la
poblacin general se ha estimado en un 12%52, habindose considerado uno de los
principales motivos de consulta mdica51,

53

y una fuente importante de gastos

sanitarios.
La discapacidad es tambin un problema frecuente. Segn la EDAD-20084, la
prevalencia de discapacidad para el conjunto de la poblacin espaola era del 8,97%.
Ambos procesos (dolor crnico y discapacidad) pueden estar asociados. Sin
embargo la relacin causal entre ambos no ha sido demostrada, ni si esta relacin es
bidireccional5-7,

54

. Es conocido que el dolor crnico es una causa importante de

discapacidad. Sin embargo, no todas las causas de discapacidad causan dolor7.

64

Algunos estudios sitan en torno al 50% la prevalencia de dolor crnico en adultos con
discapacidad7 y se ha especulado acerca de que las personas con discapacidad
podran tener mayor riesgo de padecer dolor crnico que las personas que no tienen
estas limitaciones. Distintos factores como la edad, el sexo y otras variables sociales
se han identificado como posibles condicionantes tanto de la forma de enfermar como
de la manera en que los pacientes se enfrentan a las consecuencias de la
enfermedad55, 56. Sin embargo, el papel que juegan estos factores en la relacin entre
el dolor crnico y la discapacidad no ha sido suficientemente estudiado57, ni
adecuadamente tratada la visin del dolor desde la perspectiva de los pacientes con
discapacidad.
La comorbilidad entre dolor crnico y alteraciones mentales, especialmente
ansiedad o depresin, se ha descrito de manera constante en distintos estudios. Sin
embargo, la naturaleza que esta asociacin conjunta tiene sobre la discapacidad no ha
sido suficientemente aclarada en estudios previos58. Pinto-Meza y cols. han sugerido
que, aunque tanto las enfermedades de causa fsica como las de causa mental se han
relacionado con la presencia de discapacidad, la comorbilidad entre ambas es mas
discapacitante que la presencia de cada una de ellas por separado59.
Por otra parte, otros factores como los trastornos del sueo han sido tambin
relacionados con el dolor crnico60 y se ha visto que aquellos individuos que tenan el
sueo alterado por el dolor estaban significativamente ms discapacitados que
aquellos que no61.
Por ello, se propuso realizar este estudio con el principal objetivo de conocer la
prevalencia, caractersticas y factores asociados al dolor crnico en discapacitados,
as como la comorbilidad dolor crnico-ansiedad y dolor crnico-depresin.

4.2: Material y mtodo.

La EDAD-2008 se realiz en una muestra de hogares seleccionados al azar,
representativos de la geografa espaola, en los que se entrevist a todos los
convivientes mayores de 6 aos que tenan algn tipo de discapacidad. El nmero final
de hogares estudiados fue de 96075, siendo el total de personas con discapacidad
entrevistadas 22795. Para este estudio fueron eliminados los individuos que tuvieran
valores perdidos en las variables de nuestro inters. El nmero final de individuos
discapacitados sobre los que se realiza este estudio es de 16505.

65

Tal y como se especifica en la metodologa de la EDAD-200862, se entiende por

discapacidad toda limitacin importante para realizar las actividades de la vida diaria
que haya durado o se prevea que vaya a durar ms de 1 ao y tenga su origen en una
deficiencia. Asimismo, se considera que una persona tiene una discapacidad aunque
la tenga superada con el uso de ayudas tcnicas externas o con la ayuda o
supervisin de otra persona.
Para lograr nuestros objetivos, calcularemos la prevalencia de dolor crnico de
los discapacitados estudiados en base a una variable llamada "Dolor Crnico
Diagnosticado" (DCD), siendo considerada con DCD a toda persona que en la
entrevista refera tener el diagnostico de alguna de las siguientes enfermedades:
artritis, artrosis, artritis reumatoide, espondilitis anquilopoytica o distrofia muscular.
Consideraremos tambin otras variables que han sido relacionadas con la
presencia o ausencia de enfermedades y trastornos mentales en otros estudios55,

56

como por ejemplo: sexo, edad, nivel de estudios, tamao del municipio de residencia,
presencia de ansiedad crnica, presencia de depresin crnica y nmero de horas de
sueo al da, considerando que una persona alcanza el nivel normal de sueo si
duerme 8 horas al da, basndonos en la literatura previa que sita este valor
fluctuando entre las 7 y 8 horas diarias63, 64.
En la tabla 4.1, que se muestra a continuacin, podemos ver una descripcin
de las variables consideradas, incluyendo su nombre en la base de datos, las
unidades en que se miden las cuantitativas y los distintos valores o categoras en el
caso de variables cualitativas.
Tabla 4.1: Descripcin de las variables consideradas.
Nombre de la
variable

Nombre en la
base de datos

Descripcin de la variable

Tipo de variable

Sexo

SEXO

Sexo del individuo

Categrica

Edad

EDAD

Edad del individuo

Continua

Nivel de
estudios

NIV_ESTUD_
GRUPOS

Mayor nivel de estudios

alcanzado por el individuo

Categrica

Tamao del
municipio

TMUNI

Horas de
sueo al da

H_SUEO_
2BLOQUES

Ansiedad
crnica
Depresin
crnica

ANSI_CRO
DEPRE_CRO

Tamao del municipio de

residencia del individuo

Nmero de horas de sueo al

da, considerando que se
alcanza un nivel normal si se
duerme 8 o ms horas al da
El individuo sufre ansiedad
crnica
El individuo sufre depresin
crnica

Categrica

Categrica
(Recodificada de una
continua, medida en
horas)
Categrica
Categrica

66

Valores que toma o unidades

de medida
Hombre
Mujer
Aos
Sin estudios
Estudios primarios
Estudios secundarios
Estudios superiores
Capital de provincia y
municipios de ms de 100.000
habitantes
De 50.000 a 100.000 habitantes
De 20.000 a menos de 50.000
habitantes
De 10.000 a menos de 20.000
habitantes
Menos de 10.000 habitantes

Codificacin en
la base de datos
1
6
0
1
2
3
1
2
3
4
5

< 8 horas

8 horas

S
No
S
No

1
0
1
0

Los datos de todas estas variables recogidos para cada uno de los individuos
de la encuesta estn disponibles, libre y gratuitamente, en la pgina web del INE65, en
formato de microdatos en un archivo de texto. A partir de ese archivo de microdatos se
cre la base de datos en formato SPSS y, para la realizacin de este trabajo, dicha
base fue importada en R siguiendo las instrucciones descritas en el captulo 3. sta y
el resto de rdenes y comandos de R utilizados para obtener los resultados sern
obviados en este captulo y figurarn en un anexo al final del trabajo.
Tras el anlisis descriptivo de los datos, se ajustar un modelo de regresin
logstica binaria para la presencia de DCD. Dicha variable ser la variable respuesta
del modelo, mientras que las variables predictoras sern, a priori, el resto de variables
mencionadas, aunque probablemente no todas figurarn en el modelo final ajustado.
En el caso de las variables categricas, se introducirn en el modelo sus
correspondientes variables de diseo, que estaban recogidas en la base de datos bajo
el nombre genrico de NOMBRE_LETRA1_LETRA2, donde NOMBRE es el
nombre de la variable original, LETRA1 indica la posicin de la categora
correspondiente a esa dummie en concreto sin contar con la categora de referencia y
LETRA2 indica el total de categoras de esa variable (sin la de referencia). Por
ejemplo, NIV_ESTUD_GRUPOS_B_C es la variable de diseo correspondiente a la
segunda categora tras la de referencia de la variable nivel de estudios, es decir, la
dummie que vale 1 cuando el individuo tiene estudios secundarios y 0 en caso
contrario. La C indica que hay 3 categoras adems de la de referencia. Las categoras
de referencia de cada variable sern especificas en la tabla resumen del modelo.
Finalmente, se considerar tambin la posibilidad de existencia de ciertas
interacciones entre algunas variables, como el sexo con la presencia de ansiedad o
depresin crnicas.

4.3: Resultados
4.3.1: Anlisis descriptivo.
A continuacin se realiza un anlisis descriptivo de las variables consideradas,
en el que podr verse la distribucin tanto de la poblacin total como del subconjunto
de la poblacin que padece DCD y el subconjunto de los que no padecen DCD.
Para las variables categricas se ofrecer la distribucin en porcentajes y las
modas, con diagramas de sectores en el apartado grfico y diagramas de barras para
las variables tamao del municipio y nivel de estudios. Para describir la variable
67

edad, que es continua, se mostrarn las medias, desviaciones tpicas, cuartiles

(incluida la mediana), mnimo y mximo en cada uno de los grupos poblacionales. En
el apartado grfico, se resumir la informacin de esta variable a travs de grficos de
cajas.
A travs de R-Commander se ha cargado la base de datos y el anlisis
descriptivo planteado se ha realizado a travs de estadsticos->resmenes>distribuciones de frecuencias y estadsticos->resmenes->resmenes numricos.
Como ya se ha mencionado, todos los detalles de las sentencias en R figuran en el
anexo al final del documento.
En la distribucin por sexos encontramos una mayora de mujeres tanto en la
poblacin global (63.9%) como en la poblacin con DCD (72.6%), siendo ms acusada
la diferencia por sexos en la poblacin con DCD, como puede verse. Por el contrario,
en poblacin sin DCD son ms frecuentes los varones (51.99%). Se ilustra esta
situacin a travs de grficos de sectores:
Figura 4.2: Distribucin de la poblacin general, con y sin DCD por sexo.

Adems, las diferencias encontradas en la distribucin por sexo entre los

grupos poblacionales con y sin dolor son significativas (p-valor del orden de 10

),

segn se desprende del test chi-cuadrado que se muestra en la imagen 4.3. Es de

esperar, por tanto, que la variable sexo est en el modelo final, si bien es cierto que
depender tambin del resto de variables que incluyamos, pero a priori parece
razonable incluir sta.
Imagen 4.3: Test chi-cuadrado para el estudio de la relacin entre el sexo y la
presencia de dolor crnico.

68

La edad media en poblacin global es 68 aos, con una desviacin tpica de

16.36. El mnimo y el mximo son, respectivamente, 16 y 104 aos, siendo Q1=58,
Me=72 y Q3=81. En poblacin con DCD encontramos un ligero aumento generalizado
de la edad, con una media de 72 aos y desviacin tpica de 13.83. Los valores
mnimo y mximo siguen siendo 16 y 104. Los cuartiles son Q1=63, Me=74 y Q3=82.
En poblacin sin DCD, por el contrario, la media disminuye a 63 aos, con una
desviacin tpica de 18.62. El mnimo y el mximo son 16 y 102, respectivamente, y
los cuartiles son Q1=48, Me=65 y Q3=78.
En la figura 4.4 vemos los grficos de cajas de la variable edad para cada
grupo poblacional juxtapuestos, para un completo conocimiento de la distribucin de
ambos por edades de un solo vistazo. Como los tamaos de cada grupo son
diferentes, se ha hecho uso del argumento varwidth para que la anchura de cada
caja est determinada por el tamao del grupo. Tambin se ha usado el argumento
notch para visualizar las marcas de solapamiento que muestran si las medianas son
o no significativamente distintas49.
Figura 4.4: Distribucin de los grupos poblacionales por edades.

Podemos observar que las marcas no se solapan y que, por tanto, las
medianas en cada grupo son significativamente distintas. Esto nos indica, en
particular, que hay diferencias en las edades de los individuos segn se padezca o no
dolor crnico. El grupo poblacional que est ms envejecido es el que padece DCD,
mientras que el grupo poblacional que no padece DCD es ms joven que el resto.
Cabe destacar que la poblacin objeto de estudio est, en general, bastante
envejecida, como se resalta en estos grficos de cajas. Recordemos que este estudio
se realiz en poblacin discapacitada.
Antes de analizar la variable tamao del municipio, hemos de tener en cuenta
que no puede entenderse como variable aleatoria igual que las dems, ya que de
69

alguna forma est determinada por el diseo muestral. A pesar de ello, se ofrece una
descripcin de esta variable y los resultados del test chi-cuadrado que descarta la
relacin entre sta y la presencia de dolor crnico.
Se observa que el grueso de la poblacin est principalmente distribuida entre
capitales y grandes municipios (38.97% en poblacin global; 38.59% en poblacin con
DCD; 39.84% en poblacin sin DCD) o bien ya en municipios muy pequeos (31.31%
en poblacin global; 31.88% en poblacin con DCD; 30.28% en poblacin sin DCD),
siendo bastante menos frecuentes las categoras intermedias, como puede verse en
las salidas tabulares de R:
Imagen 4.5: Distribucin de los grupos poblacionales por tamao del municipio.
En poblacin global:

En poblacin con DCD:

En poblacin sin DCD:

La informacin completa sobre la distribucin de la poblacin global, con y sin

DCD segn el tamao del municipio se muestra tambin a travs de un diagrama de
barras con las barras azules correspondientes a la poblacin sin DCD, superpuestas a
las rojas correspondientes a la poblacin con DCD y las verdes correspondientes a la
poblacin global. De este modo puede verse la distribucin y al mismo tiempo
comparar los tres grupos.
Figura 4.6: Diagrama de barras para la distribucin de la poblacin global (verde), con
DCD (rojo) y sin DCD (azul) por tamao del municipio.

70

En la imagen 4.7 se muestran los resultados del test chi-cuadrado que, con un
valor p=0.2877, confirma la ausencia de relacin entre esta variable y la presencia de
dolor crnico diagnosticado.
Imagen 4.7: Test chi-cuadrado para el estudio de la relacin entre el tamao del
municipio de residencia y la presencia de dolor crnico.

Sobre el nivel de estudios destaca una gran mayora en los tres grupos con
estudios primarios (66.56% en poblacin global; 69.31% en poblacin con DCD;
61.54% en poblacin sin DCD) y el bajo porcentaje de personas con estudios
superiores (5.68% en poblacin global; 4.46% en poblacin con DCD; 7.89% en
poblacin sin DCD). La distribucin completa podemos verla en la imagen 4.8
Imagen 4.8:
En poblacin global:

En poblacin con DCD:

En poblacin sin DCD:

En el siguiente diagrama de barras se muestra tambin la informacin completa

sobre la distribucin de los tres grupos segn el nivel de estudios. Igual que en el caso
anterior, las barras azules corresponden a la poblacin sin DCD, las rojas a la
poblacin con DCD y las barras verdes a la poblacin global. En el caso de los
estudios superiores, apenas puede apreciarse la barra rojo porque tiene prcticamente
el mismo nmero de casos que la azul (476 en poblacin con DCD vs. 461 en
poblacin sin DCD).
71

Figura 4.9: Diagrama de barras para la distribucin de la poblacin global (verde), con
DCD (rojo) y sin DCD (azul) por nivel de estudios.

La prueba chi-cuadrado para el anlisis de la posible relacin entre esta

variable y la presencia de dolor crnico se muestra en la imagen 4.10. Con un p-valor
del orden de 10

se concluye que s estn relacionadas.

Imagen 4.10: Test chi-cuadrado para el estudio de la relacin entre el nivel de estudios
y la presencia de dolor crnico.

Para la variable horas de sueo encontramos un reparto bastante equilibrado

de la poblacin tanto global como de DCD y algo ms descompensado en poblacin
sin DCD. En global encontramos un 53.75% de la poblacin que duerme bien (al
menos 8 horas al da) y en poblacin con DCD el porcentaje es de 49.66%. En
poblacin sin DCD, es mayor el porcentaje de personas que duerme 8 o ms horas
(61.2%). Se ilustra esta situacin en la figura 4.11.

72

Figura 4.11: Distribucin de la poblacin global y con DCD por horas de sueo al da.

La relacin de esta variable con la presencia del dolor es estadsticamente

significativa (p del orden de 10

), segn vemos en los resultados del test:

Imagen 4.12: Test chi-cuadrado para el estudio de la relacin entre las horas de sueo
al da y la presencia de dolor crnico.

Los trastornos mentales como ansiedad o depresin crnica no llegan a afectar

a una cuarta parte de la poblacin, tanto global como con DCD o sin DCD. La
ansiedad crnica est presente en un 15.74% de la poblacin global, un 18.02% en
poblacin con DCD y un 11.59% en poblacin sin DCD. La depresin crnica afecta a
un 21.3% de la poblacin global, un 24.09% si hablamos de poblacin con DCD y un
16% en poblacin sin DCD. La informacin se resume grficamente en los siguientes
diagramas de sectores:

73

Figura 4.13: Ansiedad y depresin crnicas en poblacin global y con DCD.

Tanto la ansiedad como la depresin estn relacionadas con la presencia de

dolor crnico, segn vemos en la imagen 4.14, que muestra los resultados de los tests
chi-cuadrado.
Imagen 4.14: Tests chi-cuadrado para el estudio de las relaciones ansiedad-dolor
crnico (izquierda) y depresin-dolor crnico (derecha).

Por ltimo se han realizado tablas de contingencia entre las variables que
indican la presencia de depresin o ansiedad crnicas y la variable sexo, ya que en la
literatura encontramos que a menudo estn relacionadas66-69. Incluso autores como
Keogan et al.70 han determinado que la relacin entre depresin y discapacidad (tanto
fsica como mental) es ms fuerte en mujeres que en hombres.
Mediante la opcin de tablas de contingencia de doble entrada, se ha obtenido
que un 11.2% de los varones de la poblacin global tienen ansiedad crnica y en las
mujeres el porcentaje sube hasta el 18.3%. Los porcentajes de depresin crnica son
un 14.8% de varones y un 24.9% de mujeres. Restringindonos al grupo que padece
DCD, los porcentajes suben ligeramente (unos 2 puntos), pero manteniendo la
proporcin por sexos. En poblacin sin DCD los porcentajes son inferiores pero aun
74

manteniendo proporcin por sexos. En todos los casos el test chi-cuadrado fue
significativo, con p-valores del orden de 10
10

en poblacin global y con DCD, y 10

en poblacin sin DCD. Podemos ver los resultados completos de estos anlisis

en la imagen 4.15.
Imagen 4.15: Tablas de contingencia con porcentajes por sexo y test chi-cuadrado
entre las variables sexo-ansiedad crnica y sexo-depresin crnica para cada uno de
los grupos poblacionales.
En poblacin global:

En poblacin con DCD:

En poblacin sin DCD:

75

A lo largo de este apartado se ha realizado un anlisis descriptivo y se han

sacado las primeras conclusiones sobre las posibles relaciones entre variables. No
obstante, debemos ser muy cautelosos a la hora de sacar conclusiones sobre las
relaciones entre variables, ya que podran existir otras variables que no se estn
considerando en este anlisis meramente descriptivo y que, de hecho, sean factores
de confusin. Es importante sealar que las conclusiones de relaciones entre variables
a partir de un anlisis descriptivo pueden llevar a resultados falsos e, incluso,
contradictorios. La paradoja de Simpson71 es una paradoja estadstica que se
manifiesta en un cambio en el sentido de una asociacin entre dos variables
(numricas o cualitativas) cuando se controla el efecto de una tercera variable. Esta
paradoja ha sido ampliamente estudiada por muchos autores y, en el libro de Aguilera
del Pino72, "Modelizacin de tablas de contingencia multidimensionales", pueden verse
distintos ejemplos donde la interpretacin de resultados de los anlisis marginales
tiene un efecto catastrfico debido a ello. Son muchos los artculos cientficos que
hablan sobre la paradoja de Simpson, desde aquellos que se dedican exclusivamente
a su estudio desde un punto de vista estadstico, como el de Tu73, hasta los que
muestran sus consecuencias en distintas ramas del conocimiento humano74-77.
4.3.2: Prevalencia de dolor crnico diagnosticado.
Intencionadamente, no se ha incluido la variable presencia de DCD en el
anlisis descriptivo previo, pues al tratarse de una variable dicotmica con respuesta
S o No, la distribucin de la poblacin da directamente la prevalencia de dicha
dolencia, que era uno de nuestros objetivos. Para mostrar la prevelencia de DCD se
ha generado en R un diagrama de sectores que pueden verse en la figura 4.16.
Figura 4.16: Prevalencia de DCD en poblacin con discapacidad.

Es interesante tambin conocer la prevalencia de DCD por sexos y por edades.

Para tal efecto se ha optado por la categorizacin de la variable edad en distintos
grupos. Tales resultados, junto con los resultados globales mostrados en la figura
anterior, pueden verse en la tabla 4.17:
76

Tabla 4.17: Prevalencia de DCD por sexos y por edades.

Global

IC 95%

56.3%

(55.67;57.00)

Sexo

IC 95%

Varn

40.5%

(39.45;41.56)

Mujer

66.4%

(65.57;67.19)

Grupos de edad

IC 95%

6-17

6.8%

(4.86;9.45)

18-44

21.5%

(19.97;23.16)

45-64

52.2%

(50.85;53.52)

65

67.0%

(66.19;67.81)

A la vista de esta tabla podemos extraer algunas conclusiones, como que la

prevalencia de DCD es mayor en mujeres que en hombres y va aumentando con la
edad. Estos resultados concuerdan con los de otros estudios, como el de Catal78.
Esta mayor prevalencia en ancianos y mujeres ha sido descrita en otros estudios con
poblaciones no discapacitadas, donde se ha justificado a travs de la mayor
esperanza de vida de las mujeres y la mayor prevalencia de enfermedades causantes
de dolor en poblacin anciana54, 55. Ms an, tal y como concluyen Stubbs et al.79, las
mujeres reportan Dolores de mayor intensidad y mayor discapacidad relacionada con
el dolor que los hombres, incluso despus de controlar las variables ansiedad,
depresin y otra serie de factores psicolgicos.
4.3.3: Factores asociados a la presencia de dolor. Modelo logit.
En este apartado se ajusta el modelo de regresin logstica binaria para la
presencia de dolor crnico diagnosticado. Para ello se seguirn los pasos explicados
en el captulo 2 para el ajuste de un modelo de regresin logstica binaria, usando el
mtodo de seleccin stepwise forward-backward. Se har uso de la funcin glm de R
vista en el captulo 3. Finalmente, se interpretarn los resultados en trminos de
cocientes de ventajas.
4.3.3.1: Seleccin de variables.
En este aparatado se explican los pasos seguidos dentro del procedimiento de
seleccin stepwise forward-backward. En primer lugar se ajustar el modelo sin
variables y a continuacin se irn aadiendo y/o eliminando variables en cada paso tal
y como se explic cuando se habl de este mtodo de seleccin. En cada paso se
realizar un test condicional de razn de verosimilitudes para contrastar el modelo del
paso anterior con cada uno de los posibles modelos planteados en el nuevo paso. En
base a l, se decidir qu variable debe entrar (o salir) en ese paso, si procede.
Obsrvese que a lo largo del proceso se ha considerado la variable tamao del
municipio como candidata a formar parte del modelo, a pesar de que el anlisis
77

vibariante no lo sugera, sencillamente para comprobar que de verdad no est

relacionada

an

cuando

se

consideran

otras

variables

que

podran

estar

interrelacionadas y, al mismo tiempo, ilustrar la situacin en la que una variable debe

ser descartada del modelo porque no mejora al modelo anterior. Todo el procedimiento
paso a paso puede verse en el anexo de sentencias de R.
Paso 1:
En primer lugar se ajusta el modelo sin variables, que ser el modelo bsico
frente al que contrastaremos los nuevos modelos en este paso. Posteriormente se
ajustar un modelo para cada una de las variables consideradas, incluidas las
variables de diseo, y mediante el test condicional de razn de verosimilitudes
decidiremos cul debera entrar. Los resultados del test en este primer paso se
observan en la siguiente imagen:
Imagen 4.18: Test de razn de verosimilitudes para el paso 1.

A la vista de los resultados obtenidos, el modelo 3 es el que ms reduce la

devianza, con una reduccin de 1149, que adems es estadsticamente significativa,
con un p-valor del orden de 10

. Dicho modelo es el resultante tras aadir la variable

edad, por lo que decidimos que debe entrar en el modelo la variable edad en primer
lugar.
Paso 2:
Para el segundo paso partimos del modelo con la variable edad y ajustamos
nuevos modelos para cada una de las variables restantes. Los resultados del test RV
son:
Imagen 4.19: Test de razn de verosimilitudes para el paso 2.

78

El segundo modelo, que es el que incluye la variable sexo, reduce la devianza

en 785 y tiene un p-valor del orden de 10

. La siguiente variable que debe entrar en

el modelo es, por tanto, el sexo. En este paso an no procede estudiar el modelo
resultante si se eliminara una variable.
Paso 3:
Siguiendo el mismo procedimiento, se obtiene:
Imagen 4.20: Test de razn de verosimilitudes para el paso 3.

Determinamos que en el tercer paso debe entrar la variable horas de sueo,

que reduce la devianza en 200. En este paso procede considerar la posibilidad de que
la variable que entr en el paso 1 deba salir ahora. Para ello se ha eliminado del
modelo la variable edad y el resultado del test RV puede verse a continuacin:
Imagen 4.21: Test de razn de verosimilitudes para el modelo del paso 3 si se elimina
la variable edad.

Al eliminar la edad el modelo empeora, de modo que la mantenemos. En este

momento, nuestro modelo cuenta con las variables sexo, edad y horas de sueo.
Paso 4:
En el cuarto paso entra la variable ansiedad crnica, correspondiente al
modelo 4 (ver imagen 4.22), ya que disminuye la devianza en 172. Ninguna de las
anteriores variables debe salir (ver imagen 4.23), puesto que no mejorara el modelo.
Imagen 4.22: Test de razn de verosimilitudes para el paso 4.

79

Imagen 4.23: Test de razn de verosimilitudes para el modelo del paso 4 si se eliminan
variables.

Paso 5:
Partiendo del modelo con edad, sexo, horas de sueo y ansiedad crnica,
ajustamos modelos para cada una de las restantes variables y realizamos el test de
RV.
Imagen 4.24: Test de razn de verosimilitudes para el paso 5.

La variable del modelo 4 es la que debe entrar por reducir la devianza en 50.
Dicha variable es la depresin crnica. Veamos qu ocurre si a ese modelo se le
extraen las variables anteriores:
Imagen 4.25: Test de razn de verosimilitudes para el modelo del paso 5 si se eliminan
variables.

La eliminacin de ninguna variable mejora el modelo, por tanto, se queda con

todas las variables que tena.
Paso 6:
Imagen 4.26: Test de razn de verosimilitudes para el paso 6.

80

En el sexto paso vemos que debe introducirse la variable nivel de estudios,

correspondiente al modelo 2 de la imagen anterior. Por otra parte, nos planteamos
nuevamente la posibilidad de eliminar del modelo variables previamente incluidas:
Imagen 4.27: Test de razn de verosimilitudes para el modelo del paso 6 si se eliminan
variables.

Y se concluye que no debe salir ninguna variable de los pasos anteriores.

Paso 7:
Se ajusta el modelo con la variable tamao del municipio pero resulta no ser
significativa y no se introduce en el modelo, tal y como vemos en la imagen:
Imagen 4.28: Test de razn de verosimilitudes para el paso 7.

Paso 8:
En este paso se probaron las interacciones sexo*ansiedad crnica y
sexo*depresin crnica sugeridas por la literatura pero no fueron incluidas porque no
hubo significacin en el test de RV. Se muestran los resultados del test en la imagen
4.29:
Imagen 4.29: Test de razn de verosimilitudes para el paso 8.

Paso 9:
Finalmente, comparamos el modelo propuesto con el modelo saturado:

81

Imagen 4.30: Test de razn de verosimilitudes para la comparacin del modelo

propuesto con el modelo saturado.

El modelo propuesto no est lejos del modelo saturado en lo que a bondad de

ajuste se refiere. El ligero aumento de la devianza se ve compensado con la notable
simplificacin del modelo, que no contiene interacciones de ningn orden, mientras
que el saturado las contiene todas hasta orden 7. Atendiendo al principio de
parsimonia, nuestro modelo es el que mejor explica la variabilidad de la variable
dependiente con un menor nmero de parmetros.
Resumen:
El modelo final es aquel que incluye las variables edad, sexo, horas de
sueo, ansiedad crnica, depresin crnica y nivel de estudios, sin ninguna
interaccin de ningn orden:
Imagen 4.31: Modelo final para la presencia de dolor crnico diagnosticado.

4.3.3.2: Parmetros del modelo.

Los contrastes sobre los parmetros se realizan a travs de tests de Wald. La
funcin glm devuelve automticamente el estadstico y la significacin del test de
Wald para cada parmetro del modelo. Segn puede verse en la imagen 4.31, los pvalores asociados a las variables edad, sexo, horas de sueo, ansiedad crnica
y depresin crnica son mucho menores de 0.05 (de hecho, son de rdenes entre
10

y 10

). En cuanto a las tres categoras de la variable nivel de estudios, slo

la de estudios superiores es estadsticamente significativa, mientras que estudios

82

secundarios no llegara a serlo (aunque su p-valor est relativamente cerca del lmite
aceptable) y estudios primarios est muy lejos de ser significativa. Por tanto,
concluimos que todas las variables continuas y al menos una categora de cada
variable categrica son significativas, es decir, sus coeficientes son significativamente
distintos de 0, sus OR son significativamente distintas de 1 y los intervalos de
confianza para las mismas no contienen al 1 (como se ver seguidamente). Las
categoras que estn en el modelo sin ser significativas lo estn por formar parte de
una variable que tiene alguna categora significativa.
Dentro de la librera MASS encontramos la funcin confint para el clculo de
intervalos de confianza, en este caso, para los parmetros de nuestro modelo. Los
intervalos de confianza para los parmetros del modelo ajustado pueden verse en
la imagen 4.32.
Imagen 4.32: Intervalos de confianza para los parmetros del modelo.

Sin embargo, de cara a la interpretacin final del modelo desde el punto de

vista de su aplicacin, resulta ms interesante obtener los intervalos de confianza para
las exponenciales de los parmetros (las OR). Como ya se vio en el apartado
2.2.3.2, basta con tomar exponenciales en los intervalos de confianza de las para
obtener los intervalos de confianza de los cocientes de ventajas. Los resultados
obtenidos son:
Imagen 4.33: Intervalos de confianza para las OR.

Con todo, el modelo final queda resumido en la tabla 4.35, donde se han
incluido los coeficientes , las exponenciales de dichos coeficientes (OR), un
intervalo de confianza para las OR al 95% y el p-valor correspondiente a cada variable
o categora obtenido a travs del test de Wald.

83

Tabla 4.34: Modelo para la presencia de DCD.

Variable
Constante
Edad
Sexo
Hombre*
Mujer
Horasdesueo
<8horas*
8horas
AnsiedadCrnica
No*
S
DepresinCrnica
No*
S
Niveldeestudios
Sinestudios*
Estudiosprimarios
Estudiossecundarios
Estudiossuperiores

B
2.300
0.036

0.173

0.480

0.467

0.361

0.039
0.131
0.283

OR
0.100
1.037

1.189

0.619

1.595

1.435

0.962
0.877
0.754

IC95%OR pvalor
(0.081;0.124) <0.001
(1.034;1.039) <0.001

(1.172;1.206) <0.001

(0.577;0.664) <0.001

(1.419;1.794) <0.001

(1.295;1.589) <0.001

(0.856;1.078) 0.503
(0.763;1.008) 0.064
(0.632;0.898) 0.002

*Categoradereferencia

Pasemos a interpretar los parmetros del modelo en trminos de cocientes de

ventajas. Se entiende que cuando estemos hablando de una variable en concreto, las
conclusiones extradas asumen que el resto de variables permanecen fijas.
Para la variable sexo se obtuvo una OR=1.189 en la categora de las mujeres.
Eso significa que la ventaja a favor de tener dolor crnico diagnosticado por un mdico
es aproximadamente 1.189 veces superior en mujeres que en hombres.
Para la variable edad, que es continua, se obtuvo una OR=1.037, lo que
significa que por cada ao que aumenta la edad, aumenta algo ms de 1 vez la
ventaja a favor de tener dolor crnico diagnosticado por un mdico. Equivalentemente,
en trminos ms ilustrativos, la ventaja a favor de tener dolor crnico diagnosticado
por un mdico se duplica cada 19 aos aproximadamente.
Para la variable horas de sueo se obtuvo una OR=0.619 en la categora
dormir 8 o ms horas. Considerando su inverso obtenemos una OR=1.616 para la
categora dormir menos de 8 horas tomando como referencia dormir 8 o ms horas,
lo que indica que la ventaja a favor de tener dolor crnico diagnosticado por un mdico
aumenta 1.616 veces ms en individuos que no alcanzan el nivel de sueo apropiado
con respecto a aquellos que s lo alcanzan.
Para la variable tener ansiedad crnica se obtuvo una OR=1.595 en la
categora del s, lo que indica que la ventaja a favor de tener dolor crnico
diagnosticado por un mdico es aproximadamente una vez y media superior en
pacientes con ansiedad crnica con respecto a los que no la tienen.

84

Un resultado similar se obtiene para la presencia de depresin, con una

OR=1.435 para el s, que se interpreta de forma anloga al anterior.
Mencin aparte merece la variable nivel de estudios, que tiene ms de 2
categoras. En dicha variable encontramos las siguientes OR: 0.962 para estudios
primarios, 0.877 para estudios secundarios y 0.754 para estudios superiores,
auqnue slo es significativa la categora de estudios superiores, ya que el resto de pvalores superan 0.5 y los respectivos intervalos de confianza contienen al 1. Tomando
la inversa de la OR de esta categora, obtenemos una OR=1.326 para la categora
Sin estudios, tomando como referencia Estudios superiores. Esto indica que la
ventaja a favor de padecer dolor crnico diagnosticado por un mdico es 1.326 veces
superior en personas sin estudios que en personas con estudios superiores.
4.3.3.3: Bondad de ajuste.
Para determinar la bondad del ajuste global de los datos se ha realizado un test
de Hosmer y Lemeshow ya que, al contar con alguna variable continua, no se tiene
que el 80% de las frecuencias estimadas bajo el modelo (m

n p ) sean mayores

que cinco y todas mayores que uno, por lo que no podr asumirse la distribucin chicuadrado. Los resultados de dicho test pueden verse en la imagen 4.35
Imagen 4.35: Resultados del test de Hosmer y Lemeshow para el ajuste global.

En el caso del test de Hosmer y Lemeshow se tiene que el ajuste global es

bueno cuando no se obtiene significacin estadstica. Con un p-valor de 0.58, este test
indica que hay buen ajuste global.
Podemos calcular la tasa de clasificaciones correctas como medida de la
bondad del ajuste global, siendo sta el cociente entre los aciertos y el tamao
muestral. Dicha tabla depende del punto de corte a partir del cual se considerar que
un individuo debe clasificarse como positivo. La funcin para el clculo de la tasa de
clasificaciones correctas explicada en el captulo 3 contempla la posibilidad de elegir
distintos puntos de corte. Ejecutaremos dicha funcin para puntos de corte entre 0.1 y
0.9, de 0.1 en 0.1, para poder ver cul de ellos maximiza la tasa de clasificaciones
correctas. En la imagen 4.36 se muestran las salidas de R para estos clculos, donde
vemos que el punto de corte que maximiza la tasa de clasificaciones correctas est
cerca de 0.5. Si se quiere afinar ms, se pueden probar puntos de corte, por ejemplo,
entre 0.45 y 0.55 de 0.01 en 0.01. Los resultados de esos clculos tambin se

85

muestran en la imagen 4.37 y la conclusin es que 0.5 sigue siendo el mejor punto de
corte, que da lugar a una tasa de clasificaciones correctas del 70.44%.
Imagen 4.36: Tasas de clasificaciones correctas para distintos puntos de corte.

Calcularemos el valor del rea bajo la curva ROC a travs de una medida
equivalente, tal y como se explic en el apartado 3.4.3. Una vez conocida la frmula
del modelo definitivo, ajustamos el mismo a travs de la funcin lrm y solicitamos el
resumen que puede verse en la imagen 4.37:
Imagen 4.37: Resumen del ajuste del modelo definitivo usando lrm.

Donde la medida que nos interesa es C, equivalente al rea bajo la curva

ROC, cuyo valor de 0.718 supera el mnimo de 0.7 exigido para considerar que el
modelo es preciso con capacidad de discriminacin alta, segn vimos en el apartado
2.2.4.
4.3.3.4: Validacin y diagnosis.
La validacin completa del modelo se realiza a travs del anlisis de los
residuos de la devianza y las medidas de influencia (en concreto las distancias de
Cook).
En el anlisis de los residuos de la devianza, podemos considerar que los
residuos que indican una falta de ajuste global son aquellos que en valor absoluto
excedan de 2. En el resumen del modelo final que se puede ver en la imagen 4.26, se
observa que los residuos de la devianza tienen un mnimo de -2.3945 y un mximo de
2.0896, lo que a priori indicara que podra llegar a haber valores que estropearan el
ajuste global, en particular por la izquierda. Sin embargo, tambin se tiene que Q1=1.0810 y Q3=0.8651, valores relativamente lejanos de 2 en valor absoluto y la

86

mediana es 0.6358. En conjunto, se tiene la certeza de que al menos la mitad de los

valores est bastante por debajo del mximo permitido y adems se deduce que la
mayora del resto de los casos seguir estando probablemente por debajo de 2. De
hecho, se ha procedido a la identificacin de los casos cuyos residuos excedan de 2
en valor absoluto y se ha encontrado que son slo 118 del total de 16505 casos.
Imagen 4.38: Recuento de casos cuyos residuos exceden de 2 en valor absoluto.

No obstante, a pesar de que esta situacin no es alarmante, se han calculado

las medidas de influencia mediante la orden coks.distance, obtenindose que el
mximo es del rden de 10

(imagen 4.39), con lo que no hay ninguna mayor que 1 y

por tanto podemos aceptar el exceso detectado en los residuos y dar por validado
nuestro modelo.
Imagen 4.39: Clculo de las distancias de Cook.

4.4: Conclusiones.
Como conclusin, podemos afirmar que la prevalencia de dolor crnico es
elevada en pacientes con discapacidad y a menudo coexiste con la depresin, la
ansiedad y los trastornos del sueo. Es necesario plantearse la necesidad de evaluar y
tratar el dolor de manera rutinaria, as como los trastornos psiquitricos y del sueo en
estos pacientes. Otros factores asociados a la presencia de dolor crnico son la edad,
el sexo y el nivel de estudios.
No podemos pasar por alto una limitacin importante como es el hecho de
haber utilizado datos secundarios obtenidos por el INE con otra finalidad. Por esta
razn, la definicin de DCD utilizada en el estudio no incluye algunas enfermedades
causantes de dolor crnico como la fibromialgia, debiendo conformarnos con la
informacin de la que se dispona.
Extendiendo las conclusiones al resto del trabajo, podemos afirmar que los
modelos de regresin logstica binaria son muy tiles en epidemiologa, como se ha
puesto de manifiesto. El ajuste de un buen modelo puede llevarnos a conclusiones
importantes que han de ser tenidas en cuenta de cara a mejorar en el futuro.
87

88

Anexo: Sentencias de R.
En el captulo 4 se han omitido las sentencias de R que han generado los
resultados mostrados. Dichas sentencias estn recogidas en este anexo.
#Cargamos R-Commander:
library(Rcmdr)
#Cargamos el paquete colorspace:
local({pkg <- select.list(sort(.packages(all.available = TRUE)),graphics=TRUE)
+ if(nchar(pkg)) library(pkg, character.only=TRUE)})
#Hacer click en el paquete "colorspace" cuando salga el cuadro de eleccin de paquetes.
#Cargamos las bases de datos de los 3 grupos poblacionales:
DatosGlobales <read.spss("C:/Documents and Settings/Administrador/Escritorio/Dropbox/Trabajo fin de mster/Primeras correcciones (verano)/Base de
discapacidad 2008.sav",
use.value.labels=TRUE, max.value.labels=Inf, to.data.frame=TRUE)
DatosDCD <read.spss("C:/Documents and Settings/Administrador/Escritorio/Dropbox/Trabajo fin de mster/Primeras correcciones (verano)/Base
DCD.sav",
use.value.labels=TRUE, max.value.labels=Inf, to.data.frame=TRUE)
DatosNoDCD <read.spss("C:/Documents and Settings/Administrador/Escritorio/Dropbox/T_Fin de mster/Trabajo version noviembre/No DCD.sav",
use.value.labels=TRUE, max.value.labels=Inf, to.data.frame=TRUE)
####Variable sexo:
#Poblacin global:
.Table <- table(DatosGlobales$SEXO)
.Table # counts for SEXO
round(100*.Table/sum(.Table), 2) # percentages for SEXO
remove(.Table)
#Poblacin con DCD:
.Table <- table(DatosDCD$SEXO)
.Table # counts for SEXO
round(100*.Table/sum(.Table), 2) # percentages for SEXO
remove(.Table)
#Poblacin sin DCD:
.Table <- table(DatosNoDCD$SEXO)
.Table # counts for SEXO
round(100*.Table/sum(.Table), 2) # percentages for SEXO
remove(.Table)
#Diagramas de sectores: (Figura 4.2)
par(mfrow=c(1,3))
pie(table(DatosGlobales$SEXO), labels=c("VARN (36.1%)","MUJER (63.9%)"), main="Sexo. Poblacin global.", radius=1,
col=rainbow_hcl(2))
pie(table(DatosDCD$SEXO), labels=c("VARN (27.4%)","MUJER (72.6%)"), main="Sexo. Poblacin con DCD.", radius=1,
col=rainbow_hcl(2))
pie(table(DatosNoDCD$SEXO), labels=c("VARN (51.99%)","MUJER (48.01%)"), main="Sexo. Poblacin sin DCD.", radius=1,
col=rainbow_hcl(2))
#Prueba chi-cuadrado: (Imagen 4.3)
.Table <- xtabs(~SEXO+DIAG_SUMA_RECOD, data=DatosGlobales)
.Table
chisq.test(.Table, correct=FALSE)
####Variable edad:
#Poblacin global:
numSummary(DatosGlobales[,"EDAD"], statistics=c("mean", "sd", "quantiles"), quantiles=c(0,.25,.5,.75,1))
#Poblacin con DCD:
numSummary(DatosDCD[,"EDAD"], statistics=c("mean", "sd", "quantiles"), quantiles=c(0,.25,.5,.75,1))
#Poblacin sin DCD:
numSummary(DatosNoDCD[,"EDAD"], statistics=c("mean", "sd", "quantiles"), quantiles=c(0,.25,.5,.75,1))
#Diagramas de cajas para la edad. (Figura 4.4)
par(mfrow=c(1,3))
boxplot(DatosGlobales$EDAD, ylab="EDAD", varwidth=TRUE, notch=TRUE, main="Edad. Poblacin global.")
boxplot(DatosDCD$EDAD, ylab="EDAD", varwidth=TRUE, notch=TRUE, main="Edad. Poblacin con DCD.")
boxplot(DatosNoDCD$EDAD, ylab="EDAD", varwidth=TRUE, notch=TRUE, main="Edad. Poblacin sin DCD.")
####Variable tamao del municipio:
#Poblacin global: (Imagen 4.5)
.Table <- table(DatosGlobales$TMUNI)
.Table # counts for TMUNI
round(100*.Table/sum(.Table), 2) # percentages for TMUNI
remove(.Table)
#Poblacin con DCD: (Imagen 4.5)
.Table <- table(DatosDCD$TMUNI)
.Table # counts for TMUNI
round(100*.Table/sum(.Table), 2) # percentages for TMUNI

89

remove(.Table)
#Poblacin sin DCD: (Imagen 4.5)
.Table <- table(DatosNoDCD$TMUNI)
.Table # counts for TMUNI
round(100*.Table/sum(.Table), 2) # percentages for TMUNI
remove(.Table)
#Diagrama de barras: (Figura 4.6)
names=c("1","2","3","4","5")
par(mfrow=c(1,1))
barplot(table(DatosGlobales$TMUNI), names.arg=FALSE, col="green")
barplot(table(DatosDCD$TMUNI), names.arg=names, xlab="Tamao del municipio", ylab="Frecuencia", col="red", main="Distribucin de
la poblacin por tamao del municipio", sub="1: Cap. de prov. y municipios >100.000 hab.; 2: De 50.000 a 100.000 hab.; 3: De 20.000 a
50.000 hab.; 4: De 10.000 a 20.000 hab.; 5: <10.000 hab.", add=TRUE)
barplot(table(DatosNoDCD$TMUNI), names.arg=names, xlab="Tamao del municipio", ylab="Frecuencia", col="blue",
main="Distribucin de la poblacin por tamao del municipio", sub="1: Cap. de prov. y municipios >100.000 hab.; 2: De 50.000 a
100.000 hab.; 3: De 20.000 a 50.000 hab.; 4: De 10.000 a 20.000 hab.; 5: <10.000 hab.", add=TRUE)
#Prueba chi-cuadrado: (Imagen 4.7)
.Table <- xtabs(~TMUNI+DIAG_SUMA_RECOD, data=DatosGlobales)
.Table
chisq.test(.Table, correct=FALSE)
####Variable nivel de estudios:
#Poblacin global: (Imagen 4.8)
.Table <- table(DatosGlobales$NIV_ESTUD_GRUPOS)
.Table # counts for NIV_ESTUD_GRUPOS
round(100*.Table/sum(.Table), 2) # percentages for NIV_ESTUD_GRUPOS
remove(.Table)
#Poblacin con DCD: (Imagen 4.8)
.Table <- table(DatosDCD$NIV_ESTUD_GRUPOS)
.Table # counts for NIV_ESTUD_GRUPOS
round(100*.Table/sum(.Table), 2) # percentages for NIV_ESTUD_GRUPOS
remove(.Table)
#Poblacin sin DCD: (Imagen 4.8)
.Table <- table(DatosNoDCD$NIV_ESTUD_GRUPOS)
.Table # counts for NIV_ESTUD_GRUPOS
round(100*.Table/sum(.Table), 2) # percentages for NIV_ESTUD_GRUPOS
remove(.Table)
#Diagrama de barras: (Figura 4.9)
names=c("1","2","3","4")
par(mfrow=c(1,1))
barplot(table(DatosGlobales$NIV_ESTUD_GRUPOS), names.arg=FALSE, col="green")
barplot(table(DatosDCD$NIV_ESTUD_GRUPOS), names.arg=names, xlab="Nivel de estudios", ylab="Frecuencia", col="red",
main="Distribucin de la poblacin por nivel de estudios", sub="1: Sin estudios; 2: Estudios primarios; 3: Estudios secundarios; 4:
Estudios superiores", add=TRUE)
barplot(table(DatosNoDCD$NIV_ESTUD_GRUPOS), names.arg=names, xlab="Nivel de estudios", ylab="Frecuencia", col="blue",
main="Distribucin de la poblacin por nivel de estudios", sub="1: Sin estudios; 2: Estudios primarios; 3: Estudios secundarios; 4:
Estudios superiores", add=TRUE)
#Prueba chi-cuadrado: (Imagen 4.10)
.Table <- xtabs(~NIV_ESTUD_GRUPOS+DIAG_SUMA_RECOD, data=DatosGlobales)
.Table
chisq.test(.Table, correct=FALSE)
####Variable horas de sueo
#Poblacin global:
.Table <- table(DatosGlobales$H_SUEO_2BLOQUES)
.Table # counts for H_SUEO_2BLOQUES
round(100*.Table/sum(.Table), 2) # percentages for H_SUEO_2BLOQUES
remove(.Table)
#Poblacin con DCD:
.Table <- table(DatosDCD$H_SUEO_2BLOQUES)
.Table # counts for H_SUEO_2BLOQUES
round(100*.Table/sum(.Table), 2) # percentages for H_SUEO_2BLOQUES
remove(.Table)
#Poblacin sin DCD:
.Table <- table(DatosNoDCD$H_SUEO_2BLOQUES)
.Table # counts for H_SUEO_2BLOQUES
round(100*.Table/sum(.Table), 2) # percentages for H_SUEO_2BLOQUES
remove(.Table)
#Diagramas de sectores: (Figura 4.11)
par(mfrow=c(1,3))
pie(table(DatosGlobales$H_SUEO_2BLOQUES), labels=c("De 0-7 h. (46.25%)","8 o ms h. (53.75%)"), main="Poblacin global.",
radius=1, col=rainbow_hcl(2))
pie(table(DatosDCD$H_SUEO_2BLOQUES), labels=c("De 0-7 h. (50.34%)","8 o ms h. (49.66%)"), main="Poblacin con DCD.",
radius=1, col=rainbow_hcl(2))
pie(table(DatosNoDCD$H_SUEO_2BLOQUES), labels=c("De 0-7 h. (38.8%)","8 o ms h. (61.2%)"), main="Poblacin sin DCD.",
radius=1, col=rainbow_hcl(2))
#Prueba chi-cuadrado: (Imagen 4.12)
.Table <- xtabs(~H_SUEO_2BLOQUES+DIAG_SUMA_RECOD, data=DatosGlobales)
.Table
chisq.test(.Table, correct=FALSE)
####Trastornos psiquitricos:
#Ansiedad crnica en poblacin global:
.Table <- table(DatosGlobales$ANSI_CRO)
.Table # counts for ANSI_CRO
round(100*.Table/sum(.Table), 2) # percentages for ANSI_CRO

90

remove(.Table)
#Ansiedad crnica en poblacin con DCD:
.Table <- table(DatosDCD$ANSI_CRO)
.Table # counts for ANSI_CRO
round(100*.Table/sum(.Table), 2) # percentages for ANSI_CRO
remove(.Table)
#Ansiedad crnica en poblacin sin DCD:
.Table <- table(DatosNoDCD$ANSI_CRO)
.Table # counts for ANSI_CRO
round(100*.Table/sum(.Table), 2) # percentages for ANSI_CRO
remove(.Table)
#Depresin crnica en poblacin global
.Table <- table(DatosGlobales$DEPRE_CRO)
.Table # counts for DEPRE_CRO
round(100*.Table/sum(.Table), 2) # percentages for DEPRE_CRO
remove(.Table)
#Depresin crnica en poblacin con DCD:
.Table <- table(DatosDCD$DEPRE_CRO)
.Table # counts for DEPRE_CRO
round(100*.Table/sum(.Table), 2) # percentages for DEPRE_CRO
remove(Table)
#Depresin crnica en poblacin sin DCD:
.Table <- table(DatosNoDCD$DEPRE_CRO)
.Table # counts for DEPRE_CRO
round(100*.Table/sum(.Table), 2) # percentages for DEPRE_CRO
remove(Table)
#Diagramas de sectores: (Figura 4.13)
par(mfrow=c(2,3))
pie(table(DatosGlobales$ANSI_CRO), labels=c("No (84.26%)","S (15.74%)"), main="Tiene ansiedad crnica. Poblacin global.",
radius=1, col=rainbow_hcl(2))
pie(table(DatosDCD$ANSI_CRO), labels=c("No (81.98%)","S (18.02%)"), main="Tiene ansiedad crnica. Poblacin con DCD.",
radius=1, col=rainbow_hcl(2))
pie(table(DatosNoDCD$ANSI_CRO), labels=c("No (88.41%)","S (11.59%)"), main="Tiene ansiedad crnica. Poblacin sin DCD.",
radius=1, col=rainbow_hcl(2))
pie(table(DatosGlobales$DEPRE_CRO), labels=c("No (78.7%)","S (21.3%)"), main="Tiene depresin crnica. Poblacin global.",
radius=1, col=rainbow_hcl(2))
pie(table(DatosDCD$DEPRE_CRO), labels=c("No (75.91%)","S (24.09%)"), main="Tiene depresin crnica. Poblacin con DCD.",
radius=1, col=rainbow_hcl(2))
pie(table(DatosNoDCD$DEPRE_CRO), labels=c("No (84%)","S (16%)"), main="Tiene depresin crnica. Poblacin sin DCD.", radius=1,
col=rainbow_hcl(2))
#Pruebas chi-cuadrado: (Imagen 4.14)
.Table <- xtabs(~ANSI_CRO+DIAG_SUMA_RECOD, data=DatosGlobales)
.Table
chisq.test(.Table, correct=FALSE)
.Table <- xtabs(~DEPRE_CRO+DIAG_SUMA_RECOD, data=DatosGlobales)
.Table
chisq.test(.Table, correct=FALSE)
#Tabla de contingencia Sexo-Ansiedad crnica en poblacin global. (Imagen 4.15)
.Table <- xtabs(~SEXO+ANSI_CRO, data=DatosGlobales)
.Table
rowPercents(.Table) # Row Percentages
.Test <- chisq.test(.Table, correct=FALSE)
.Test
remove(.Test)
remove(.Table)
#Tabla de contingencia Sexo-Depresin crnica en poblacin global. (Imagen 4.15)
.Table <- xtabs(~SEXO+DEPRE_CRO, data=DatosGlobales)
.Table
rowPercents(.Table) # Row Percentages
.Test <- chisq.test(.Table, correct=FALSE)
.Test
remove(.Test)
remove(.Table)
#Tabla de contingencia Sexo-Ansiedad crnica en poblacin con DCD. (Imagen 4.15)
.Table <- xtabs(~SEXO+ANSI_CRO, data=DatosDCD)
.Table
rowPercents(.Table) # Row Percentages
.Test <- chisq.test(.Table, correct=FALSE)
.Test
remove(.Test)
remove(.Table)
#Tabla de contingencia Sexo-Depresin crnica en poblacin con DCD. (Imagen 4.15)
.Table <- xtabs(~SEXO+DEPRE_CRO, data=DatosDCD)
.Table
rowPercents(.Table) # Row Percentages
.Test <- chisq.test(.Table, correct=FALSE)
.Test
remove(.Test)
remove(.Table)
#Tabla de contingencia Sexo-Ansiedad crnica en poblacin sin DCD. (Imagen 4.15)
.Table <- xtabs(~SEXO+ANSI_CRO, data=DatosNoDCD)
.Table
rowPercents(.Table) # Row Percentages
.Test <- chisq.test(.Table, correct=FALSE)
.Test

91

remove(.Test)
remove(.Table)
#Tabla de contingencia Sexo-Depresin crnica en poblacin sin DCD. (Imagen 4.15)
.Table <- xtabs(~SEXO+DEPRE_CRO, data=DatosNoDCD)
.Table
rowPercents(.Table) # Row Percentages
.Test <- chisq.test(.Table, correct=FALSE)
.Test
remove(.Test)
remove(.Table)
#Clculo de la prevalencia de DCD en poblacin discapacitada:
.Table <- table(DatosGlobales$DIAG_SUMA_RECOD)
.Table # counts for DIAG_SUMA_RECOD
round(100*.Table/sum(.Table), 2) # percentages for DIAG_SUMA_RECOD
remove(.Table)
#Diagrama de sectores para la prevalencia de DCD en poblacin discapacitada. (Figura 4.16)
nombres<-c("No (43.66%)", "S (56.34%)")
pie(table(DatosGlobales$DIAG_SUMA_RECOD), labels=nombres, main="Prevalencia de DCD", radius=1,
col=rainbow_hcl(length(levels(DatosGlobales$DIAG_SUMA_RECOD))))
#Prevalencia de DCD por sexo y edad. (Tabla 4.17)
.Table <- xtabs(~SEXO+DIAG_SUMA_RECOD, data=DatosGlobales)
.Table
rowPercents(.Table) # Row Percentages
remove(.Table)
.Table <- xtabs(~GRUPOS_EDAD+DIAG_SUMA_RECOD, data=DatosGlobales)
.Table
rowPercents(.Table) # Row Percentages
remove(.Table)
#Intervalos de confianza. (Tabla 4.17)
#Clculo de un intervalo de confianza para la prevalencia de DCD global.
prop.test(12159, 21583, conf.level = 0.95)
#Clculo de un intervalo de confianza para la prevalencia de DCD en varones.
prop.test(3394, 8380, conf.level = 0.95)
#Clculo de un intervalo de confianza para la prevalencia de DCD en mujeres.
prop.test(8765, 13203, conf.level = 0.95)
#Clculo de un intervalo de confianza para la prevalencia de DCD en personas de 6 a 17 aos.
prop.test(35, 513, conf.level = 0.95)
#Clculo de un intervalo de confianza para la prevalencia de DCD en personas de 18 a 44 aos.
prop.test(561, 2607, conf.level = 0.95)
#Clculo de un intervalo de confianza para la prevalencia de DCD en personas de 45 a 64 aos.
prop.test(2844, 5450, conf.level = 0.95)
#Clculo de un intervalo de confianza para la prevalencia de DCD en personas de 65 o ms aos.
prop.test(8719, 13013, conf.level = 0.95)
##########################################################
#Ajuste del modelo para DCD
##########################################################
#Paso 1. Ajuste del modelo para cada variable.
#Modelo sin variables:
Modelo_0<-glm(formula = DIAG_SUMA_RECOD ~ NULL, family = binomial(logit), data = DatosGlobales)
summary(Modelo_0)
#Modelos con cada variable:
Modelo_1_1<-glm(formula = DIAG_SUMA_RECOD ~ SEXO, family = binomial(logit), data = DatosGlobales)
summary(Modelo_1_1)
Modelo_1_2<-glm(formula = DIAG_SUMA_RECOD ~ EDAD, family = binomial(logit), data = DatosGlobales)
summary(Modelo_1_2)
Modelo_1_3<-glm(formula = DIAG_SUMA_RECOD ~
NIV_ESTUD_GRUPOS_A_C+NIV_ESTUD_GRUPOS_B_C+NIV_ESTUD_GRUPOS_C_C, family = binomial(logit), data =
DatosGlobales)
summary(Modelo_1_3)
Modelo_1_4<-glm(formula = DIAG_SUMA_RECOD ~ TMUNI_A_D+TMUNI_B_D+TMUNI_C_D+TMUNI_D_D, family = binomial(logit),
data = DatosGlobales)
summary(Modelo_1_4)
Modelo_1_5<-glm(formula = DIAG_SUMA_RECOD ~ H_SUEO_2BLOQUES, family = binomial(logit), data = DatosGlobales)
summary(Modelo_1_5)
Modelo_1_6<-glm(formula = DIAG_SUMA_RECOD ~ ANSI_CRO, family = binomial(logit), data = DatosGlobales)
summary(Modelo_1_6)
Modelo_1_7<-glm(formula = DIAG_SUMA_RECOD ~ DEPRE_CRO, family = binomial(logit), data = DatosGlobales)
summary(Modelo_1_7)
#Test RV. (Imagen 4.18)
anova(Modelo_0, Modelo_1_1, Modelo_1_2, Modelo_1_3, Modelo_1_4, Modelo_1_5, Modelo_1_6, Modelo_1_7, test="Chisq")
#Nos quedamos con el modelo que incluye constante+edad:
Modelo_1=Modelo_1_2
#Paso 2. Ha entrado la edad. Ajuste del modelo con cada una de las restantes variables.
Modelo_2_1<-glm(formula = DIAG_SUMA_RECOD ~ EDAD+SEXO, family = binomial(logit), data = DatosGlobales)
summary(Modelo_2_1)
Modelo_2_2<-glm(formula = DIAG_SUMA_RECOD ~
EDAD+NIV_ESTUD_GRUPOS_A_C+NIV_ESTUD_GRUPOS_B_C+NIV_ESTUD_GRUPOS_C_C, family = binomial(logit), data =
DatosGlobales)
summary(Modelo_2_2)

92

Modelo_2_3<-glm(formula = DIAG_SUMA_RECOD ~ EDAD+TMUNI_A_D+TMUNI_B_D+TMUNI_C_D+TMUNI_D_D, family =

binomial(logit), data = DatosGlobales)
summary(Modelo_2_3)
Modelo_2_4<-glm(formula = DIAG_SUMA_RECOD ~ EDAD+H_SUEO_2BLOQUES, family = binomial(logit), data = DatosGlobales)
summary(Modelo_2_4)
Modelo_2_5<-glm(formula = DIAG_SUMA_RECOD ~ EDAD+ANSI_CRO, family = binomial(logit), data = DatosGlobales)
summary(Modelo_2_5)
Modelo_2_6<-glm(formula = DIAG_SUMA_RECOD ~ EDAD+DEPRE_CRO, family = binomial(logit), data = DatosGlobales)
summary(Modelo_2_6)
#Test RV. (Imagen 4.19)
anova(Modelo_1, Modelo_2_1, Modelo_2_2, Modelo_2_3, Modelo_2_4, Modelo_2_5, Modelo_2_6, test="Chisq")
#Nos quedamos con el modelo que incluye constante+edad+sexo:
Modelo_2=Modelo_2_1
#Paso 3. Han entrado la edad y el sexo. Ajuste del resto de modelos.
Modelo_3_1<-glm(formula = DIAG_SUMA_RECOD ~
EDAD+SEXO+NIV_ESTUD_GRUPOS_A_C+NIV_ESTUD_GRUPOS_B_C+NIV_ESTUD_GRUPOS_C_C, family = binomial(logit), data
= DatosGlobales)
summary(Modelo_3_1)
Modelo_3_2<-glm(formula = DIAG_SUMA_RECOD ~ EDAD+SEXO+TMUNI_A_D+TMUNI_B_D+TMUNI_C_D+TMUNI_D_D, family =
binomial(logit), data = DatosGlobales)
summary(Modelo_3_2)
Modelo_3_3<-glm(formula = DIAG_SUMA_RECOD ~ EDAD+SEXO+H_SUEO_2BLOQUES, family = binomial(logit), data =
DatosGlobales)
summary(Modelo_3_3)
Modelo_3_4<-glm(formula = DIAG_SUMA_RECOD ~ EDAD+SEXO+ANSI_CRO, family = binomial(logit), data = DatosGlobales)
summary(Modelo_3_4)
Modelo_3_5<-glm(formula = DIAG_SUMA_RECOD ~ EDAD+SEXO+DEPRE_CRO, family = binomial(logit), data = DatosGlobales)
summary(Modelo_3_5)
#Test RV. (Imagen 4.20)
anova(Modelo_2, Modelo_3_1, Modelo_3_2, Modelo_3_3, Modelo_3_4, Modelo_3_5, test="Chisq")
#Nos quedamos con el modelo que incluye constante+edad+sexo+horas de sueo:
Modelo_3=Modelo_3_3
#Modelo si se elimina la edad:
Modelo_3_sin_1<-glm(formula = DIAG_SUMA_RECOD ~ SEXO+H_SUEO_2BLOQUES, family = binomial(logit), data =
DatosGlobales)
summary(Modelo_3_sin_1)
#Test RV. (Imagen 4.21)
anova(Modelo_3, Modelo_3_sin_1, test="Chisq")
#No debe salir el sexo.
#Paso 4. Han entrado la edad, el sexo, y las horas de sueo. Ajuste de los nuevos modelos.
Modelo_4_1<-glm(formula = DIAG_SUMA_RECOD ~
EDAD+SEXO+H_SUEO_2BLOQUES+NIV_ESTUD_GRUPOS_A_C+NIV_ESTUD_GRUPOS_B_C+NIV_ESTUD_GRUPOS_C_C,
family = binomial(logit), data = DatosGlobales)
summary(Modelo_4_1)
Modelo_4_2<-glm(formula = DIAG_SUMA_RECOD ~
EDAD+SEXO+H_SUEO_2BLOQUES+TMUNI_A_D+TMUNI_B_D+TMUNI_C_D+TMUNI_D_D, family = binomial(logit), data =
DatosGlobales)
summary(Modelo_4_2)
Modelo_4_3<-glm(formula = DIAG_SUMA_RECOD ~ EDAD+SEXO+H_SUEO_2BLOQUES+ANSI_CRO, family = binomial(logit), data
= DatosGlobales)
summary(Modelo_4_3)
Modelo_4_4<-glm(formula = DIAG_SUMA_RECOD ~ EDAD+SEXO+H_SUEO_2BLOQUES+DEPRE_CRO, family = binomial(logit),
data = DatosGlobales)
summary(Modelo_4_4)
#Test RV. (Imagen 4.22)
anova(Modelo_3, Modelo_4_1, Modelo_4_2, Modelo_4_3, Modelo_4_4, test="Chisq")
#Nos quedamos con el modelo que incluye constante+sexo+edad+horas de sueo+ansiedad crnica:
Modelo_4=Modelo_4_3
#Modelo si se elimina la edad:
Modelo_4_sin_1<-glm(formula = DIAG_SUMA_RECOD ~ SEXO+H_SUEO_2BLOQUES+ANSI_CRO, family = binomial(logit), data =
DatosGlobales)
summary(Modelo_4_sin_1)
#Modelo si se elimina el sexo:
Modelo_4_sin_2<-glm(formula = DIAG_SUMA_RECOD ~ EDAD+H_SUEO_2BLOQUES+ANSI_CRO, family = binomial(logit), data =
DatosGlobales)
summary(Modelo_4_sin_2)
#Test RV. (Imagen 4.23)
anova(Modelo_4, Modelo_4_sin_1, Modelo_4_sin_2, test="Chisq")
#No debe salir ninguna variable.
#Paso 5. Han entrado la edad, el sexo, las horas de sueo y la ansiedad crnica. Ajuste de los nuevos modelos.
Modelo_5_1<-glm(formula = DIAG_SUMA_RECOD ~
EDAD+SEXO+H_SUEO_2BLOQUES+ANSI_CRO+NIV_ESTUD_GRUPOS_A_C+NIV_ESTUD_GRUPOS_B_C+NIV_ESTUD_GRUP
OS_C_C, family = binomial(logit), data = DatosGlobales)
summary(Modelo_5_1)
Modelo_5_2<-glm(formula = DIAG_SUMA_RECOD ~
EDAD+SEXO+H_SUEO_2BLOQUES+ANSI_CRO+TMUNI_A_D+TMUNI_B_D+TMUNI_C_D+TMUNI_D_D, family = binomial(logit),
data = DatosGlobales)
summary(Modelo_5_2)
Modelo_5_3<-glm(formula = DIAG_SUMA_RECOD ~ EDAD+SEXO+H_SUEO_2BLOQUES+ANSI_CRO+DEPRE_CRO, family =
binomial(logit), data = DatosGlobales)
summary(Modelo_5_3)
#Test RV. (Imagen 4.24)
anova(Modelo_4, Modelo_5_1, Modelo_5_2, Modelo_5_3, test="Chisq")

93

#Nos quedamos con el modelo que incluye constante+sexo+edad+horas de sueo+ansiedad crnica+depresin crnica:
Modelo_5=Modelo_5_3
#Modelo si se elimina la edad:
Modelo_5_sin_1<-glm(formula = DIAG_SUMA_RECOD ~ SEXO+H_SUEO_2BLOQUES+ANSI_CRO+DEPRE_CRO, family =
binomial(logit), data = DatosGlobales)
summary(Modelo_5_sin_1)
#Modelo si se elimina el sexo:
Modelo_5_sin_2<-glm(formula = DIAG_SUMA_RECOD ~ EDAD+H_SUEO_2BLOQUES+ANSI_CRO+DEPRE_CRO, family =
binomial(logit), data = DatosGlobales)
summary(Modelo_5_sin_2)
#Modelo si se eliminan las horas de sueo:
Modelo_5_sin_3<-glm(formula = DIAG_SUMA_RECOD ~ EDAD+SEXO+ANSI_CRO+DEPRE_CRO, family = binomial(logit), data =
DatosGlobales)
summary(Modelo_5_sin_3)
#Test RV. (Imagen 4.25)
anova(Modelo_5, Modelo_5_sin_1, Modelo_5_sin_2, Modelo_5_sin_3, test="Chisq")
#No debe salir ninguna variable.
#Paso 6. Han entrado la edad, el sexo, las horas de sueo, la ansiedad crnica y la depresin crnica. Ajuste de los nuevos modelos.
Modelo_6_1<-glm(formula = DIAG_SUMA_RECOD ~
EDAD+SEXO+H_SUEO_2BLOQUES+ANSI_CRO+DEPRE_CRO+NIV_ESTUD_GRUPOS_A_C+NIV_ESTUD_GRUPOS_B_C+NIV_E
STUD_GRUPOS_C_C, family = binomial(logit), data = DatosGlobales)
summary(Modelo_6_1)
Modelo_6_2<-glm(formula = DIAG_SUMA_RECOD ~
EDAD+SEXO+H_SUEO_2BLOQUES+ANSI_CRO+DEPRE_CRO+TMUNI_A_D+TMUNI_B_D+TMUNI_C_D+TMUNI_D_D, family =
binomial(logit), data = DatosGlobales)
summary(Modelo_6_2)
#Test RV. (Imagen 4.26)
anova(Modelo_5, Modelo_6_1, Modelo_6_2, test="Chisq")
#Entra en bloque el nivel de estudios. Nos quedamos con el modelo que incluye constante+sexo+edad+horas de sueo+ansiedad
crnica+depresin crnica+nivel de estudios:
Modelo_6=Modelo_6_1
#Modelo si se elimina la edad:
Modelo_6_sin_1<-glm(formula = DIAG_SUMA_RECOD ~
SEXO+H_SUEO_2BLOQUES+ANSI_CRO+DEPRE_CRO+NIV_ESTUD_GRUPOS_A_C+NIV_ESTUD_GRUPOS_B_C+NIV_ESTUD_
GRUPOS_C_C, family = binomial(logit), data = DatosGlobales)
summary(Modelo_6_sin_1)
#Modelo si se elimina el sexo:
Modelo_6_sin_2<-glm(formula = DIAG_SUMA_RECOD ~
EDAD+H_SUEO_2BLOQUES+ANSI_CRO+DEPRE_CRO+NIV_ESTUD_GRUPOS_B_C+NIV_ESTUD_GRUPOS_C_C, family =
binomial(logit), data = DatosGlobales)
summary(Modelo_6_sin_2)
#Modelo si se eliminan las horas de sueo:
Modelo_6_sin_3<-glm(formula = DIAG_SUMA_RECOD ~
EDAD+SEXO+ANSI_CRO+DEPRE_CRO+NIV_ESTUD_GRUPOS_B_C+NIV_ESTUD_GRUPOS_C_C, family = binomial(logit), data =
DatosGlobales)
summary(Modelo_6_sin_3)
#Modelo si se elimina la ansiedad:
Modelo_6_sin_4<-glm(formula = DIAG_SUMA_RECOD ~
EDAD+SEXO+H_SUEO_2BLOQUES+DEPRE_CRO+NIV_ESTUD_GRUPOS_B_C+NIV_ESTUD_GRUPOS_C_C, family =
binomial(logit), data = DatosGlobales)
summary(Modelo_6_sin_4)
#Test RV. (Imagen 4.27)
anova(Modelo_6, Modelo_6_sin_1, Modelo_6_sin_2, Modelo_6_sin_3, Modelo_6_sin_4, test="Chisq")
#No debe salir ninguna variable.
#Paso 7. Han entrado la edad, el sexo, las horas de sueo, la ansiedad crnica, la depresin crnica y el nivel de estudios en bloque.
Modelo_7_1<-glm(formula = DIAG_SUMA_RECOD ~
EDAD+SEXO+H_SUEO_2BLOQUES+ANSI_CRO+DEPRE_CRO+NIV_ESTUD_GRUPOS_A_C+NIV_ESTUD_GRUPOS_B_C+NIV_E
STUD_GRUPOS_C_C+TMUNI_A_D+TMUNI_B_D+TMUNI_C_D+TMUNI_D_D, family = binomial(logit), data = DatosGlobales)
summary(Modelo_7_1)
#Test RV: (Imagen 4.28)
anova(Modelo_6, Modelo_7_1, test="Chisq")
#El tamao del municipio NO debe entrar en el modelo.
Modelo_7=Modelo_6
#Paso 8. Se prueban las interacciones sexo*ansiedad crnica y sexo*depresin crnica sugeridas por la literatura.
Modelo_8_1<-glm(formula = DIAG_SUMA_RECOD ~
EDAD+SEXO+H_SUEO_2BLOQUES+ANSI_CRO+DEPRE_CRO+NIV_ESTUD_GRUPOS_A_C+NIV_ESTUD_GRUPOS_B_C+NIV_E
STUD_GRUPOS_C_C+SEXO*ANSI_CRO, family = binomial(logit), data = DatosGlobales)
summary(Modelo_8_1)
Modelo_8_2<-glm(formula = DIAG_SUMA_RECOD ~
EDAD+SEXO+H_SUEO_2BLOQUES+ANSI_CRO+DEPRE_CRO+NIV_ESTUD_GRUPOS_A_C+NIV_ESTUD_GRUPOS_B_C+NIV_E
STUD_GRUPOS_C_C+SEXO*DEPRE_CRO, family = binomial(logit), data = DatosGlobales)
summary(Modelo_8_2)
#Test RV. (Imagen 4.29)
anova(Modelo_7, Modelo_8_1, Modelo_8_2, test="Chisq")
Modelo_8=Modelo_7
#Paso 9. Contraste con el modelo saturado. (Imagen 4.30)
Modelo=glm(formula = DIAG_SUMA_RECOD ~
EDAD+SEXO+H_SUEO_2BLOQUES+ANSI_CRO+DEPRE_CRO+NIV_ESTUD_GRUPOS_A_C+NIV_ESTUD_GRUPOS_B_C+NIV_E
STUD_GRUPOS_C_C, family = binomial(logit), data = DatosGlobales)
Modelo_Saturado<-glm(formula = DIAG_SUMA_RECOD ~
EDAD*SEXO*H_SUEO_2BLOQUES*ANSI_CRO*DEPRE_CRO*NIV_ESTUD_GRUPOS_A_C*NIV_ESTUD_GRUPOS_B_C*NIV_EST
UD_GRUPOS_C_C, family = binomial(logit), data = DatosGlobales)

94

anova(Modelo,Modelo_Saturado,test="Chisq")
#MODELO FINAL PARA LA PRESENCIA DE DCD. (Imagen 4.31)
Modelo=Modelo_8
summary(Modelo)
###############################
#APARTADO 4.3.3.2: Parmetros del modelo.
#Intervalos de confianza mediante RV para las b. (Imagen 4.32)
library(MASS)
Int_Conf_95_b<-confint(Modelo_8)
#Intervalos para las OR. (Imagen 4.33)
Int_Conf_95_OR<-exp(Int_Conf_95_b)
#Clculo de OR (Tabla 4.34)
exp(coef(summary(Modelo)))
###############################
Apartado 4.3.3.3: Bondad de ajuste.
#Se define la funcin que realiza el test de Hosmer y Lemeshow
hosmerlem <function (y, yhat, g = 10)
{ cutyhat <- cut(yhat, breaks = quantile(yhat, probs = seq(0,
1, 1/g)), include.lowest = T)
obs <- xtabs(cbind(1 - y, y) ~ cutyhat)
expect <- xtabs(cbind(1 - yhat, yhat) ~ cutyhat)
chisq <- sum((obs - expect)^2/expect)
P <- 1 - pchisq(chisq, g - 2)
c("X^2" = chisq, Df = g - 2, "P(>Chi)" = P)
}
#Test de H-L. (Imagen 4.35)
y<-DatosGlobales$DIAG_SUMA_RECOD
yhat<-predict(Modelo_8, type="response", se=T)
hosmerlem(y, yhat$fit, 10)
#Se define la funcin que calcula la tasa de clasificaciones correctas
yajus=fitted.values(Modelo)
y<-DatosGlobales$DIAG_SUMA_RECOD
tcc<-function(corte,yajus,y)
{ verpos<-table(yajus>corte & y==1)[2]
falpos<-table(yajus>corte & y==0)[2]
falneg<-table(yajus<corte & y==1)[2]
verneg<-table(yajus<corte & y==0)[2]
tasa<-(verpos+verneg)/(verpos+falpos+falneg+verneg)*100
tasa
}
#Se calcula la tasa para distintos puntos de corte: (Imagen 4.36)
tcc(0.1,yajus,y)
tcc(0.2,yajus,y)
tcc(0.3,yajus,y)
tcc(0.4,yajus,y)
tcc(0.5,yajus,y)
tcc(0.6,yajus,y)
tcc(0.7,yajus,y)
tcc(0.8,yajus,y)
tcc(0.9,yajus,y)
#Alrededor de 0.5 estn los mejores resultados. Intentamos afinar ms: (Imagen 4.36)
tcc(0.45,yajus,y)
tcc(0.46,yajus,y)
tcc(0.47,yajus,y)
tcc(0.48,yajus,y)
tcc(0.49,yajus,y)
tcc(0.5,yajus,y)
tcc(0.51,yajus,y)
tcc(0.52,yajus,y)
tcc(0.53,yajus,y)
tcc(0.54,yajus,y)
tcc(0.55,yajus,y)
#El mejor punto de corte es 0.5
#Area bajo la curva ROC. (Imagen 4.37)
#Cargar librera "Design"
a<-lrm(DIAG_SUMA_RECOD ~
EDAD+SEXO+H_SUEO_2BLOQUES+ANSI_CRO+DEPRE_CRO+NIV_ESTUD_GRUPOS_A_C+NIV_ESTUD_GRUPOS_B_C+NIV_E
STUD_GRUPOS_C_C, data = DatosGlobales)
a
###############################
#Apartado 4.3.3.4: Validacin y diagnsis.
#Identificar residuos mayores que 2. (Imagen 4.38)
res<-abs(residuals(Modelo))
table(res>2)
#Calculamos las distancias de Cook. (Imagen 4.39)
cook<-cooks.distance(Modelo)
max(cook)

95

96

Bibliografa.
1. McCullagh P, Nelder J. Generalized linear models. 2nd ed. Chapman and Hall/CRC; 1983.
ISBN:0412317605 / 978-0412317606.
2. Agresti A. Categorical data analisys. 2 ed. Wiley-Interscience; 2002. ISBN:0471360937, 978-0471360933.
3. Pgina web oficial del proyecto R. [Internet]Institute for Statistics and Mathematics of the WU Wien.; c2011
[cited 2011 09/10]. Available from: http://www.r-project.org/.
4. Instituto Nacional de Estadstica (INE). Encuesta de discapacidad, autonoma personal y situaciones de
dependencia. INE 2008 2008;1.
5. Alschuler KN, Theisen-Goodvich ME, Haig AJ, Geisser ME. A comparison of the relationship between
depression, perceived disability, and physical performance in persons with chronic pain. Eur J Pain 2008
8;12(6):757-64.
6. Arnstein P, Caudill M, Mandle CL, Norris A, Beasley R. Self efficacy as a mediator of the relationship
between pain intensity, disability and depression in chronic pain patients. Pain 1999 4/1;80(3):483-91.
7. Astin M, Lawton D, Hirst M. The prevalence of pain in a disabled population. Soc Sci Med 1996
6;42(11):1457-64.
8. Selvin S. Statistical analysis of epidemiological data. 2 ed. Oxford University Press, USA; 1996.
ISBN:0195097602, 978-0195097603.
9. Agresti A. Multivariate analysis: Discrete variables (overview). In: Editors-in-Chief: Neil J. Smelser, Paul B.
Baltes, editors. International encyclopedia of the social & behavioral sciences. Oxford: Pergamon; 2001.
10. Lober DJ, Green DP. NIMBY or NIABY: A logit model of opposition to solid-waste-disposal facility siting. J
Environ Manage 1994 1;40(1):33-50.
11. T. Florian J. Categorical data analysis: Away from ANOVAs (transformation or not) and towards logit mixed
models. Journal of Memory and Language 2008 11;59(4):434-46.
12. Naoya S. Non-linear logit models for high-frequency data analysis. Physica A: Statistical Mechanics and its
Applications 2005 9/1;355(1):183-9.
13. Pai C, Saleh W. Modelling motorcyclist injury severity by various crash types at T-junctions in the UK. Saf
Sci 2008 10;46(8):1234-47.
14. Sarma S, Simpson W. A panel multinomial logit analysis of elderly living arrangements: Evidence from
aging in manitoba longitudinal data, canada. Soc Sci Med 2007 12;65(12):2539-52.
15. Janssens GK, van Dam PA, van Goethem MLA, Buytaert P. A logit model to evaluate the performance of
diagnosis of solid palpable breast tumours. European Journal of Obstetrics & Gynecology and
Reproductive Biology 1990 2;34(1-2):157-65.
16. Byung-Ryang K. A logit analysis of hospital choice behavior in chollabukdo province of korea. Soc Sci Med
1990;30(10):1119-29.
17. Taylor SM, Frank J, White NF, Myers J. Modelling the incidence of childhood diarrhea. Soc Sci Med
1986;23(10):995-1002.
18. Failde I, Ramos I, Fernandez-Palacin F, Gonzalez-Pinto A. Women, mental health and health-related
quality of life in coronary patients. Women Health 2006;43(2):35-49.
19. Hosmer DW, Lemeshow S. Applied logistic regression. 2, ilustrada ed. John Wiley and Sons; 1989.
ISBN:0471356328, 9780471356325.
20. Kleinbaum DG, Klein M, Pryor ER. Logistic regression. A self-learning text. 3 ed. New York: Springer;
1994. ISBN:1441917411, 9781441917416.
21. Silva Aycaguer L, Barroso Utra I. Regresin logstica. 1 ed. La Muralla.; 2004. ISBN:847133738X.

97

22. Vlchez JA, Montiel H, Casal J, Arnaldos J. Analytical expressions for the calculation of damage
percentage using the probit methodology. J Loss Prev Process Ind 2001;14(3):193-7.
23. Alsakka R, ap Gwilym O. A random effects ordered probit model for rating migrations. Finance Research
Letters 2010 9;7(3):140-7.
24. Lemp JD, Kockelman KM, Unnikrishnan A. Analysis of large truck crash severity using heteroskedastic
ordered probit models. Accident Analysis & Prevention 2011 1;43(1):370-80.
25. Chen G, Hamori S. Bivariate probit analysis of differences between male and female formal employment in
urban china. Journal of Asian Economics 2010 10;21(5):494-501.
26. Nkamleu GB, Adesina AA. Determinants of chemical input use in peri-urban lowland systems: Bivariate
probit analysis in cameroon. Agricultural Systems 2000 2;63(2):111-21.
27. Simon S. Comparison of probit expressions for the prediction of lethality due to toxic exposure. J Loss Prev
Process Ind 1995;8(4):197-204.
28. Millie DF, Mark Hersh C. Statistical characterizations of the atrazine-induced photosynthetic inhibition of
cyclotella meneghiniana (bacillariophyta). Aquatic Toxicology 1987 7;10(4):239-49.
29. Hong W, Meier PG, Deininger RA. Estimation of a single probit line from multiple toxicity test data. Aquatic
Toxicology 1988 3;12(3):193-202.
30. R.F. G. The use of probit expressions in the assessment of acute population impact of toxic releases. J
Loss Prev Process Ind 1991 1;4(1):49-57.
31. Bliss CI. The method of probits. Science 79 (2037); 1934. DOI:10.1126/science.79.2037.38.
32. Finney DJ. Probit analysis. 3 ed. Cambridge University Press, Cambridge, UK.; 1971. ISBN:052108041X.
33. Steinbrecher G, Shaw WT. Quantile mechanics. European Journal of Applied Mathematics 19 (2); 2008.
DOI:10.1017/S0956792508007341.
34. Aguilera A. Modelos de respuesta discreta: Asignatura modelizacin y prediccin estocsticas. 1 ed.
Aguilera; 2002.
35. Suits D. Use of dummies variables in regression equations. Journal of the American Statistical Association
1957;52 (280):548-51.
36. Schoenfeld D. Analysis of categorical data: Logistic model. statistics in medical research. New York: Mike
V, Staley KE 1982:433-54.
37. Silva L. Excursin a la regresin logstica en ciencias de la salud. Madrid: Daz Santos 1994:3-11.
38. Albert A, Anderson J. On the existence of maximum likelihood estimates in logistic regression models.
Biometrika 1984;71:1-10.
39. Christmann A, Rousseeuw P. Measuring overlap in logistic regression. Comput Stat Data Anal 2001;37:6575.
40. Tjalling J. Historical development of the newton-raphson method. 1995;SIAM Review 37 (4):531-51.
41. Venables W, Ripley B. Modern applied statistics with S. 4th ed. New York: Springer; 2002. ISBN:0-38795457-0, 2002.
42. Caballero F. Modelos de regresin logstica. Sociedad Andaluza De Enfermedades Infecciosas [Internet].
[revised 2010 22/12/10;Available from http://saei.org/hemero/epidemiol/nota4.html.
43. De Irala-Estvez J, Martnez-Gonzlez M. Variables modificadoras de efecto. Barcelona: Editorial Ariel
S.A.; 2004.
44. De Irala J, Martnez-Gonzlez M, Guilln-Grima F. Qu es una variable de confusin? Med Clin (Barc)
2001;117:377-85.
45. Molinero L. Asociacin de variables cualitativas nominales y ordinales. Asociacin De La Sociedad
Espaola

De

Hipertensin

[Internet].

[revisado

2004]

Available

from

http://www.seh-

lelha.org/asociacion.htm.

98

46. Cook R, Weisberg S. Residuals and influence in regression. 8th ed. London: Chapman and Hall, New York;
1982. DOI:10.1002/bimj.4710270110.
47. Arriaza Gmez AJ, Fernndez Palacn F, Lpez Snchez MA, Muoz Mrquez M, Prez Plaza S, Snchez
Navas A. Estadstica bsica con R y R-commander. 1 ed. Cdiz: Servicio de Publicaciones de la
Universidad de Cdiz; 2008. ISBN:978-84-9828-186-6.
48. Yates F. Contingency tables involving small numbers and the chi-square test. Journal of the Royal
Statistical Society;Ser. B, Supp.:217-35.
49. John M. Chambers. Graphical methods for data analysis. 1st ed. Universidad de Michigan: Wadsworth
International Group; 1983. ISBN:053498052X, 9780534980528.
50. Thompson L. S-PLUS (and R) manual to accompany Agrestis categorical data analysis. 2 ed. John Wiley
and Sons; 2007.
51. Breivik H, Collett B, Ventafridda V, Cohen R, Gallacher D. Survey of chronic pain in europe: Prevalence,
impact on daily life, and treatment. Eur J Pain 2006 May;10(4):287-333.
52. Bastida JL, Oliva J. Los costes sociales del dolor. II Reunin Nacional Dolor y Sociedad. El Dolor y la
Dependencia 2009:p.161-70.
53. Mantyselka P, Kumpusalo E, Ahonen R, Kumpusalo A, Kauhanen J, Viinamaki H, Halonen P, Takala J.
Pain as a reason to visit the doctor: A study in finnish primary health care. Pain 2001 Jan;89(2-3):175-80.
54. Leveille SG, Bean J, Ngo L, McMullen W, Guralnik JM. The pathway from musculoskeletal pain to mobility
difficulty in older disabled women. Pain 2007 3;128(1-2):69-77.
55. Valderrama-Gama E, Damian J, Ruigomez A, Martin-Moreno JM. Chronic disease, functional status, and
self-ascribed causes of disabilities among noninstitutionalized older people in spain. J Gerontol A Biol Sci
Med Sci 2002 Nov;57(11):M716-21.
56. Escobar Bravo MA, Puga D, Martin M. Protective effects of social networks on disability among older adults
in madrid and barcelona, spain, in 2005]. Rev Esp Salud Publica 2008 Nov-Dec;82(6):637-51.
57. Ehde DM, Jensen MP, Engel JM, Turner JA, Hoffman AJ, Cardenas DD. Chronic pain secondary to
disability: A review. Clin J Pain 2003 Jan-Feb;19(1):3-17.
58. Scott KM, Von Korff M, Alonso J, Angermeyer MC, Bromet E, Fayyad J, de Girolamo G, Demyttenaere K,
Gasquet I, Gureje O, et al. Mental-physical co-morbidity and its relationship with disability: Results from the
world mental health surveys. Psychol Med 2009 Jan;39(1):33-43.
59. Pinto-Meza A, Fernandez A, Fullana MA, Haro JM, Palao D, Luciano JV, Serrano-Blanco A. Impact of
mental disorders and chronic physical conditions in health-related quality of life among primary care
patients: Results from an epidemiological study. Qual Life Res 2009 Oct;18(8):1011-8.
60. Ohayon MM. Relationship between chronic painful physical condition and insomnia. J Psychiatr Res 2005
3;39(2):151-9.
61. Frank AO, De Souza LH, Frank CA. Neck pain and disability: A cross-sectional survey of the demographic
and clinical characteristics of neck pain seen in a rheumatology clinic. Int J Clin Pract 2005 Feb;59(2):17382.
62. Encuesta sobre Discapacidad, Autonoma personal y Situaciones de Dependencia (EDAD). Metodologa.
[Internet]Madrid:

Instituto

Nacional

de

Estadstica

(INE).

Available

from:

http://www.ine.es/metodologia/t15/t1530418.pdf.
63. Nihayah M, Ismarulyusda I, Syarif HL, Zakiah MSN, Baharudin O, Fadzil MH. Sleeping hours and
academic achievements: A study among biomedical science students. Procedia - Social and Behavioral
Sciences 2011;18:617-21.
64. Kachikis AB, Breitkopf CR. Predictors of sleep characteristics among women in southeast texas. Womens
Health Issues 2011 Aug 27.

99

65. Pgina web oficial del Instituto Nacional de Estadstica [Internet]Madrid; c2011 [cited 2011 09/08].
Available from: http://www.ine.es/.
66. Mueser KT, Pratt SI, Bartels SJ, Forester B, Wolfe R, Cather C. Neurocognition and social skill in older
persons with schizophrenia and major mood disorders: An analysis of gender and diagnosis effects. J
Neurolinguistics 2010 May;23(3):297-317.
67. Xu Y, Schneier F, Heimberg RG, Princisvalle K, Liebowitz MR, Wang S, Blanco C. Gender differences in
social anxiety disorder: Results from the national epidemiologic sample on alcohol and related conditions.
J Anxiety Disord 2011 Aug 17.
68. Molendijk ML, Bus BA, Spinhoven P, Penninx BW, Prickaerts J, Oude Voshaar RC, Elzinga BM. Gender
specific associations of serum levels of brain-derived neurotrophic factor in anxiety. World J Biol Psychiatry
2011 Sep 5.
69. Monteggia LM, Luikart B, Barrot M, Theobold D, Malkovska I, Nef S, Parada LF, Nestler EJ. Brain-derived
neurotrophic factor conditional knockouts show gender differences in depression-related behaviors. Biol
Psychiatry 2007 Jan 15;61(2):187-97.
70. Keogh E, McCracken LM, Eccleston C. Gender moderates the association between depression and
disability in chronic pain patients. Eur J Pain 2006 Jul;10(5):413-22.
71. Simpson EH. The interpretation of interaction in contingency tables. Journal of the Royal Statistical Society
1951;B 13:238-41.
72. Aguilera AM. Modelizacin de tablas de contingencia multidimensionales. 1 ed. Madrid: La muralla; 2006.
ISBN:9788471337603.
73. Tu Y-. Statistical paradoxes. In: Editors-in-Chief: Penelope Peterson A2Eva Baker and Barry McGawA2
Editors-in-Chief: Penelope Peterson,Eva Baker, Barry McGaw, editors. International encyclopedia of
education (third edition). Oxford: Elsevier; 2010.
74. Douglas L. H. Simpson's paradox and the analysis of memory retrieval. Psychol Rev 1980 7;87(4):398-410.
75. Dardanoni V, Modica S, Pennisi A. The simpson paradox of school grading in italy. Research in Economics
2009 6;63(2):91-4.
76. C.Ineke N. The potential for simpson's paradox in drug utilization studies. Ann Epidemiol 1997 10;7(7):51721.
77. Smith K, O'Day J. Simpson's paradox: An example using accident data from the state of texas. Accident
Analysis & Prevention 1982 4;14(2):131-3.
78. Catal E, Reig E, Arts M, Aliaga L, Lpez JS, Seg JL. Prevalence of pain in the spanish population:
Telephone survey in 5000 homes. Eur J Pain 2002 4;6(2):133-40.
79. Stubbs D, Krebs E, Bair M, Damush T, Wu J, Sutherland J, Kroenke K. Sex differences in pain and painrelated disability among primary care patients with chronic musculoskeletal pain. Pain Med 2010
Feb;11(2):232-9.

100

101