6.4: Gráficas de dispersión

Última actualización
Guardar como PDF

Page ID: 150293

\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

Como se señaló anteriormente, muchas veces es útil tratar de ver patrones entre dos variables. Examinamos las parcelas de densidad de machos y hembras con respecto al riesgo de cambio climático, luego probamos estas diferencias para determinar la significancia estadística. Sin embargo, a menudo queremos saber más que la diferencia de medias entre grupos; también podemos querer saber si existen diferencias para variables con varios valores posibles. Por ejemplo, aquí examinamos la relación entre ideología y riesgo percibido de cambio climático. Una de las formas más eficientes de hacerlo es producir una gráfica de dispersión. %Usa geom_jitter. Esto se debe a que la ideología y el riesgo glbcc son variables discretas (es decir, números enteros), por lo que necesitamos “fluctuar” los datos. Si tus valores son continuos, usa geom_point. ¹³ El resultado se muestra en la Figura.

ds %>%
  ggplot(aes(ideol, glbcc_risk)) +
  geom_jitter(shape = 1)

Figura\(\PageIndex{7}\): Gráfica de dispersión de ideología y riesgo glbcc

Podemos ver que la densidad de valores indica que los liberales fuertes —11 en la escala ideológica— tienden a considerar el cambio climático como bastante arriesgado, mientras que los conservadores fuertes —los 77 en la escala ideológica— tienden a ver el cambio climático como menos riesgoso. Al igual que nuestro ejemplo anterior, queremos saber más sobre la naturaleza de esta relación. Por lo tanto, podemos trazar una línea de regresión y una línea de “loess”. Estas líneas son las estimaciones lineales y no lineales de la relación entre la ideología política y el riesgo percibido de cambio climático. Tendremos más que decir sobre las estimaciones lineales cuando volvamos al análisis de regresión en el siguiente capítulo.

ds %>%
  drop_na(glbcc_risk, ideol) %>%
  ggplot(aes(ideol, glbcc_risk)) +
  geom_jitter(shape = 1) +
  geom_smooth(method = "loess", color = "green") +
  geom_smooth(method = "lm", color = "red")

Figura\(\PageIndex{8}\): Gráfica de dispersión de ideología y riesgo GLBCC con línea de regresión y línea de Lowess

Obsérvese que las líneas de regresión se inclinan a la baja, con un riesgo promedio percibido que va de más de 8 para los liberales fuertes (ideología=1) a menos de 5 para los conservadores fuertes (ideología=7). Esto ilustra cómo los diagramas de dispersión pueden proporcionar información sobre la naturaleza de la relación entre dos variables. Daremos el siguiente paso —al análisis de regresión bivariado— en el siguiente capítulo.

Figura\(\PageIndex{9}\): Mesa Cuadrada Chi

Reiterar la regla general de decisión: si la probabilidad de que podamos tener una diferencia del 20% en nuestra muestra si la hipótesis nula es cierta es menor que .05, rechazaremos nuestra hipótesis nula. ↩
Eso significa que se aplica un “jit” (un valor muy pequeño) a cada punto observado en la gráfica, para que pueda ver observaciones que están “apiladas” en la misma coordenada. ¡Ja! Es broma; no se les llama jits. No sabemos cómo se llaman. Pero deberían llamarse jits. ↩