25.2: Ejemplo de delitos de odio

Última actualización
Guardar como PDF

Page ID: 150803

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

Ahora veremos los datos de delitos de odio del paquete de cincotreinta y ocho. Primero necesitamos preparar los datos deshaciéndonos de los valores de NA y creando abreviaturas para los estados. Para hacer esto último, utilizamos las variables state.abb y state.name que vienen con R junto con la función match () que hará coincidir los nombres de estado en la variable hate_crimes con los de la lista.

hateCrimes <- 
  hate_crimes %>%
  mutate(state_abb = state.abb[match(state,state.name)]) %>%
  drop_na(avg_hatecrimes_per_100k_fbi, gini_index)

# manually fix the DC abbreviation
hateCrimes$state_abb[hateCrimes$state=="District of Columbia"] <- 'DC'

## 
##  Pearson's product-moment correlation
## 
## data:  hateCrimes$avg_hatecrimes_per_100k_fbi and hateCrimes$gini_index
## t = 3, df = 48, p-value = 0.001
## alternative hypothesis: true correlation is greater than 0
## 95 percent confidence interval:
##  0.21 1.00
## sample estimates:
##  cor 
## 0.42

Recuerda que también podemos calcular el valor p usando aleatorización. A esto, barajamos el orden de una de las variables, de manera que rompemos el vínculo entre las variables X e Y —haciendo efectivamente cierta la hipótesis nula (que la correlación es menor o igual a cero). Aquí primero crearemos una función que tome en dos variables, baraja el orden de una de ellas (sin reemplazo) y luego devuelve la correlación entre esa variable barajada y la copia original de la segunda variable.

Ahora tomamos la distribución de las correlaciones observadas después del barajado y las comparamos con nuestra correlación observada, para obtener la probabilidad empírica de nuestros datos observados bajo la hipótesis nula.

mean(shuffleDist$cor >corr_results$estimate )

## [1] 0.0066

Este valor es bastante cercano (aunque un poco más grande) al obtenido usando cor.test ().