Gráficos de Interacción (T3)

Unos investigadores desarrollan un nuevo entorno virtual de aprendizaje basado en Google Apps. Para evaluar la incidencia de la utilización de este nuevo entorno en las calificaciones de los estudiantes, durante dos años se realiza un estudio de caso con dos grupos de estudiantes: un grupo de control que utiliza Moodle y un grupo experimental que utiliza Google Apps; el reparto de sujetos entre ambos grupos se realiza siguiendo un criterio de paridad de sexo.

1) Observación de los datos y reflexión acerca de la relación que existe entre las variables calificación, grupo y sexo.

A simple vista ser observa que más mujeres usan Moodle y que los hombres usan Google Apps. Usando los filtros se pueden visualizar las notas más altas pertenecen a usuarios de Google Apps.

2) Dibujo en Excel de gráfico de interacción este paso pude completarlo luego de realizada la función aov y el plot de interacción. Una vez conseguidos esos datos, los copie en Excel y entonces pude realizar la gráfica. 

¿Coinciden los resultados mostrados en el gráfico con mis reflexiones del apartado anterior? 

Coinciden los resultados, al punto que mi reflexión anterior parece una explicación del gráfico. 

3) Análisis de las diferencias estadísticamente significativas en las calificaciones en función del grupo y del sexo.

Seguimos el mismo proceso de la T2

Insertar los comandos para función de GRUPO

datosMoodle <- subset(Notas.2grupos.v3, grupo=="Moodle")

datosGoogleApps <- subset(Notas.2grupos.v3, grupo=="Google Apps")

Ahora analizamos la diferencia estadística

t.test(datosMoodle$nota, datosGoogleApps$nota)

data:  datosMoodle$nota and datosGoogleApps$nota

t = -5.6569, df = 38, p-value = 1.683e-06

alternative hypothesis: true difference in means is not equal to 0

95 percent confidence interval:

 -2.715731 -1.284269

sample estimates:

mean of x mean of y

     5.25      7.25

Traducción al español, la diferencia entre las medias es de 2 puntos, pero para analizar si es significante estadísticamente la diferencia.

Recordemos siempre que esto nos lo indica el p-value, que si es mayor o igual a 5% (0.05) es considerado significativo.

Busquemos en el resultado anterior p-value.

Este es igual a 1.683e-06

0.0001683%

NO llega al 5% y por ende, no es significativa. 

Insertar los comandos para función de SEXO

datosMale <- subset(Notas.2grupos.v3, sexo=="M")

datosFemale <- subset(Notas.2grupos.v3, sexo=="F")

Ahora analizamos la diferencia estadística

t.test(datosMale$nota, datosFemale$nota)

Welch Two Sample t-test

data:  datosMale$nota and datosFemale$nota

t = 0, df = 28.082, p-value = 1

alternative hypothesis: true difference in means is not equal to 0

95 percent confidence interval:

 -0.982814  0.982814

sample estimates:

mean of x mean of y 

     6.25      6.25 

Nueva vez, lo relevante aquí es el valor de p

p-value= 1

Multiplicado por 100, da un riesgo de equivocarnos al afirmar que hay una diferencia estadística por el sexo de 100%. Es decir el sexo no influye en las notas. 

4) (Mirar este paso antes de realizar el punto 2) Uso de la función aov() de R para saber si existe una interacción estadísticamente significativa entre las variables grupo y sexo. Honestamente, no tengo la más mínima remota idea de dónde sacaron esta función y la explicación de su uso, la copie del screenshot que tomó Ana Brito para su blog. ¡Gracias!

aov.oc <-aov(nota~sexo*grupo,Notas.2grupos.v3)

summary(aov.oc)

            Df Sum Sq Mean Sq F value   Pr(>F)   

sexo         1    0.0    0.00    0.00        1   

grupo        1   40.0   40.00   47.06 5.02e-08 ***

sexo:grupo   1   16.9   16.90   19.88 7.74e-05 ***

Residuals   36   30.6    0.85                    

---

Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

tapply(Notas.2grupos.v3$nota,list(Notas.2grupos.v3$sexo,Notas.2grupos.v3$grupo),mean)

  Google AppsMoodle

F         6.6    5.9

M         7.9    4.6

Combinaciones de las variables grupo y sexo

	Medias de las calificaciones
Moodle-Male	4.6
Moodle-Female	5.9
GoogleApps-Male	7.9
GoogleApps-Female	6.6

Esta fue la tabla que copié a Excel para generar el gráfico de interacción.

Mercadóloga al fin, entiendo mejor los gráficos de pastel, pero estos también dejan ver la relación de los Grupos, Sexo y Notas.

Fue muy difícil realizar esta tarea ya que no contaba con el dominio de los comandos para R. 

La Media en la Data (Tarea 2)

Para una persona que se considera ágil al adquirir conocimiento, las matemáticas siempre generan una inseguridad inmediata… Esta tarea me tomó mucho tiempo, pero los resultados siento valieron la pena, ya que me hizo pensar acerca de mi TFM.

Agrego que se habrían dado vida leyendo mis múltiples errores al intentar ingresar los datos en el programa para lograr esta entrada, pero espero les sirva los señalamientos que he hecho con OJO, para que no les pase lo mismo. 

Planteamiento del Problema

Unos investigadores desarrollan un nuevo entorno virtual de aprendizaje basado en Google Apps. Para evaluar la incidencia de la utilización de este nuevo entorno en las calificaciones de los estudiantes, durante dos años se realiza un estudio de caso con dos grupos de estudiantes: un grupo de control que utiliza Moodle y un grupo experimental que utiliza Google Apps.

A continuación:

A.    Proceso seguido para realizar el análisis

B.    Análisis de diferencias estadísticamente significativas entre las calificaciones de ambos grupos ANUAL (dos años)

C.     Justificación de los resultados de forma razonada

 A. Proceso seguido para realizar el análisis.

1. Descargar los dos ficheros de http://www.mutae.net/2016/02/bt01-bt02-tarea-evaluable-t2.html

2. Abrir R-Studio (aplicación descargable, incluso en celulares para el análisis de datos estadísticos) R-Studio no requiere de conocimientos de programación, ya que solo hay que insertar comandos pre-establecidos, al igual que en Excel. Estos comandos están disponibles en http://www.mutae.net/2016/01/bt01-bt02-actividad-9-introduccion-r.html

3. Importar Data Año 1 (from textfile) El nombre dado será Year1

4. Filtro de datos en la consola

> datosMoodle <- subset(Year1, grupo=="Moodle")

> datosGoogleApps <- subset(Year1, grupo=="GoogleApps")

R-studio convierte un texto de datos en una tabla más legible. En este caso, resultó con 40 observaciones de 3 variables (tres columnas encabezadas como: Sujeto, Grupo y Nota).

Una vez completado el filtro de datos podemos pasar a analizar. 

¿Para qué analizar? 

Para saber si hay una diferencia significativa entre las notas obtenidas por los usuarios de Moodle y los usuarios de Google Apps, en cada uno de los dos años, además. Esto ayudará al docente a determinar cual es el mejor entorno para el uso de sus estudiantes.

B. Análisis de diferencias estadísticamente significativas entre las calificaciones de ambos grupos ANUAL (dos años)

1. Copiar el comando a ejecutar: > t.test(datosMoodle$nota, datosGoogleApps$nota) 

2. Observar el resultado, equivalente a

t = -2.8284, df = 38, p-value = 0.007427

alternative hypothesis: true difference in means is not equal to 0

95 percent confidence interval:

 -1.7157314 -0.2842686

sample estimates:

mean of x mean of y

     6.25      7.25

Conclusión de todo esto que se ve raro y poco entendible:

MEDIA DE X= 6.25

MEDIA DE Y= 7.25

Aparentemente, 1 solo punto entre ambas MEDIAS no es mucha diferencia.

Sin embargo, estadísticamente esto puede variar ya que una diferencia (p-value) mayor o igual a 5% (0.05) es considerado significativo.

Busquemos en el resultado anterior p-value. Este es igual a 0.007427. Es decir casi ni llega a 1% de diferencia.

Conclusión Año 1:

Es este análisis, no hay diferencia estadística significativa en las notas de los estudiantes que utilizan Moodle y Google Apps.

3. Repetir el Punto A, para el Año 2

OJO, para poder filtrar asegurarse de que el textfile para el año dos está en el formato entendido por R-studio, separaciones de tablas deben ser los indicados por ellos.

Dado que el signo de numero (#) que separaba originalmente no está entre ellos, hay que arreglar el documento, sustituyendo # por uno de los indicados más arriba. Toma unos dos minutos hacer y revisar esto.

Sugerencia: Al filtrar los datos agregarle un indicativo de que son para el segundo año: OJO, a los espacios y las mayúsculas al introducir los comandos para filtros.

>datosMoodle2 <- subset(Year2, Grupo=="Moodle")

>datosGoogleApps2 <- subset(Year2, Grupo=="Google Apps")

Ahora repetir puntos 1 y 2 del acápite B: Introducir el comando y analizar.

Comando: > t.test(datosMoodle2$Nota, datosGoogleApps2$Nota)

Análisis: 

t = -1.7514, df = 36.284, p-value = 0.08832

alternative hypothesis: true difference in means is not equal to 0

95 percent confidence interval:

 -1.5103499  0.1103499

sample estimates:

mean of x mean of y

     6.55      7.25

Conclusión de todo esto que ya no se ve tan raro y quizás ahora empiece a ser entendible:

MEDIA DE X= 6.55

MEDIA DE Y= 7.25

La diferencia entre ambas medias es de apenas 0.7. Nada. Supuestamente, veamos la diferencia estadística (recordemos que p-value mayor o igual a 5% (0.05) es considerado significativo, caemos en el riesgo de ser ridiculizados por la comunidad científica)

Busquemos en el resultado anterior p-value.

Este es igual a 0.08832

Al multiplicarlo por 100 para obtener un valor porcentual, resulta que la diferencia es de 8.83%. ¿Significativo, no?

Conclusión Año 2:

Es este análisis, hay una diferencia estadística significativa en las notas de los estudiantes que utilizan Moodle y Google Apps. Le va mejor a uno de los dos grupos.

C.   Justificación de los resultados de forma razonada

Considerando que en el año 1 no hubo un diferencia estadística significativa entre los resultados calificativos de los estudiantes que usaron el entorno de aprendizaje Moodle y el entorno Google Apps, no se podría recomendar cuál sería un mejor PLE.

Observando que el en año 2 hubo diferencia significativa de 8% entre las notas de los usuarios de Google Apps y los usuarios de Moodle, se podría ahora realizar un estudio para identificar qué cambió en cada entorno del primer al segundo año para:

1. Mejorar el entorno en el cual los estudiantes no mejoraron sus calificaciones
2. Determinar cuales cambios en el entorno que sí mejoró las calificaciones le son útiles a los estudiantes para ellos individualmente mejorar su PLE.