G

get_pwc_label() {rstatix}
¡Atención!
Instalar el paquete rstatix para hacer uso de la función get_pwc_label. 

Para ello utilizar el siguiente código:

install.packages("rstatix")
Descripción Argumentos
Extrae información de etiquetas de pruebas estadísticas. Útil para etiquetar gráficos con resultados de pruebas

  • stat.test = resultados de pruebas estadísticas devueltos por las funciones rstatix

  • type = tipo de etiqueta. Puede ser "text" o "expresion"

 
Ejemplo práctico disponible en letra G, función ggboxplot() {ggpubr}
get_test_label() {rstatix}
¡Atención!
Instalar el paquete rstatix para hacer uso de la función get_test_label. 

Para ello utilizar el siguiente código:

install.packages("rstatix")
Descripción Argumentos
Extrae información de etiquetas de pruebas estadísticas. Útil para etiquetar gráficos con resultados de pruebas

  • stat.test = resultados de pruebas estadísticas devueltos por las funciones rstatix

  • type = tipo de etiqueta. Puede ser "text" o "expresion"

  • detailed = valor lógico. Si es TRUE, devuelve la etiqueta detallada

 
Ejemplo práctico disponible en letra G, función ggboxplot() {ggpubr}
ggboxplot() {ggpubr}
¡Atención!
Instalar el paquete ggpubr para hacer uso de la función ggboxplot. 

Para ello utilizar el siguiente código:

install.packages("ggpubr")
Descripción Argumentos
Crear un gráfico de caja con puntos

  • data = data.frame

  • x = variable a graficar en el eje x

  • y = variable a graficar en el eje y

  • color = color del contorno de la caja definido a partir de una variable tipo factor

  • palette = paleta de colores que se utilizará para colorear por grupos

  • add = vector de caracteres para añadir otro elemento al gráfico

 
palette
"Dark2", "Set1"
add
"jitter" : agrega los valores de un vector numérico de forma dispersa
"mean" : agrega la media en el boxplot
afluentes = factor(rep(c("Archibarca","Cerro Overo","Rosario"), each = 12))
MOT = c(1.40,2.16,0.74,0.86,1.13,1.75,1.86,1.16,2.36,1.46,0.98,1.14,
        4.14,2.25,2.16,2.45,2.56,2.36,2.78,2.69,3.16,2.48,2.63,2.59,
        1.10,1.05,1.15,0.60,1.11,0.63,0.89,0.75,1.03,1.06,1.09,0.55)
data.kruskal = data.frame(afluentes, MOT)
library(ggpubr)
ggboxplot(data = data.kruskal,
          x = "afluentes",
          y = "MOT",
          color = "afluentes",
          palette = "Dark2",
          add = c("jitter","mean"))

ggboxplot(data = data.kruskal,
          x = "afluentes",
          y = "MOT",
          color = "afluentes",
          palette = "Set1",
          add = "mean")

Con el símbolo + se añaden nuevas capas al gráfico construido. 

#theme()
ggboxplot(data = data.kruskal,
          x = "afluentes",
          y = "MOT",
          color = "afluentes",
          palette = "Set1",
          add = "mean") +
  theme(legend.position = "none")

#add_xy_position()
library(rstatix)
pwc = data.kruskal %>%
  wilcox_test(MOT ~ afluentes,
              p.adjust.method = "bonferroni",
              paired = F)
library(tidyverse) #para utilizar %>% 
pwc = pwc %>% 
  add_xy_position(x = "afluentes")
#stat_pvalue_manual()
ggboxplot(data = data.kruskal,
          x = "afluentes",
          y = "MOT",
          color = "afluentes",
          palette = "Set1",
          add = "mean") +
  stat_pvalue_manual(data = pwc,
                     hide.ns = TRUE)

# labs() get_test_label() y get_pwc_label()
res.kruskal = data.kruskal %>% 
  kruskal_test(MOT ~ afluentes)
data.kruskal %>% 
  ggboxplot(x = "afluentes",
            y = "MOT",
            color = "afluentes",
            palette = "Dark2",
            add = c("jitter","mean")) +
  theme(legend.position = "none") +
  stat_pvalue_manual(pwc,
                     hide.ns = TRUE) +
  labs(subtitle = "Subtítulo",
       caption = "Título en parte inferior")

data.kruskal %>% 
  ggboxplot(x = "afluentes",
            y = "MOT",
            color = "afluentes",
            palette = "Dark2",
            add = c("jitter","mean")) +
  stat_pvalue_manual(pwc,
                     hide.ns = TRUE) +
  labs(title = "tidyverse, rstatix, ggpubr",
       subtitle = get_test_label(res.kruskal,
                                 type = "expression",
                                 detailed = TRUE),
       caption = get_pwc_label(stat.test = pwc,
                               type = "expression"))

glht() {multcomp}
¡Atención!
Instalar el paquete multcomp para hacer uso de la función glht. 

Para ello utilizar el siguiente código:

install.packages("multcomp")
Descripción Argumentos
Realiza comparaciones múltiples

  • model = objeto generado por la función lm

  • linfct = especificación de las hipótesis lineales que deben comprobarse. Las comparaciones múltiples se especifican mediante objetos devueltos por la función mcp

 
#Importación de datos
datos.glht = data.frame(
  CO2 = factor(
    rep(
      c("0.0","0.083","0.29","0.50","0.86"),
      each = 10
    )
  ),
  respuesta = c(
    62.6,59.6,64.5,59.3,58.6,64.6,50.9,56.2,52.3,62.8,
    50.9,44.3,47.5,49.5,48.5,50.4,35.2,49.9,42.6,41.6,
    45.5,41.1,29.8,38.3,40.2,38.5,30.2,27.0,40.0,33.9,
    29.5,22.8,19.2,20.6,29.2,24.1,22.6,32.7,24.4,29.6,
    24.9,17.2,7.8,10.5,17.8,22.1,22.6,16.8,15.9,8.8
  )
)
#Construcción del modelo
modelo.glht = lm(respuesta ~ CO2, data = datos.glht)
library(multcomp)
dunnett = glht(model = modelo.glht,
               linfct = mcp(CO2 = "Dunnett"))
grepl() {base}
Descripción Argumentos
Se utiliza para buscar patrones de texto en un vector de caracteres y devuelve un vector lógico que indica si cada elemento del vector contiene una coincidencia con el patrón especificado

  • pattern = El patrón de texto que se busca.

  • x = El vector de caracteres en el que se realiza la búsqueda.

  • ignore.case = TRUE o FALSE. Cuando es TRUE ignora las diferencias entre mayúsculas y minúsculas al realizar la búsqueda. Sí es FALSE no ignora las diferencias entre mayúsculas y minúsculas al realizar la búsqueda. Por defecto, es FALSO

 
datos$Caracterización #Visualizar los datos de la columna Caracterización de la Tabla 1: datos
##  [1] "Acidulado"        "Dulce"            "Dulce"            "Dulce"           
##  [5] "Acidulado"        "Acido"            "Dulce"            "Amargo"          
##  [9] "Acidulado"        "Dulce-amargo"     "Dulce"            "Acido-amargo"    
## [13] "Acido"            "Acido"            "Dulce"            "Dulce"           
## [17] "Amargo-acidulado"
grepl(pattern = "D",
      x = datos$Caracterización,
      ignore.case = F)
##  [1] FALSE  TRUE  TRUE  TRUE FALSE FALSE  TRUE FALSE FALSE  TRUE  TRUE FALSE
## [13] FALSE FALSE  TRUE  TRUE FALSE
# No ignora las diferencias entre mayuscúlas y minúsculas
grepl(pattern = "d",
      x = datos$Caracterización,
      ignore.case = T)
##  [1]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE
## [13]  TRUE  TRUE  TRUE  TRUE  TRUE
# Ignora las diferencias entre mayuscúlas y minúsculas

En este caso se está realizando la búsqueda de patrones que contengan la letra “D” (en el primer código) y la letra “d” (en el segundo código) en la columna Caracterización de la Tabla 1: datos. 

group_by() {dplyr}
¡Atención!
Instalar el paquete dplyr para hacer uso de la función group_by. 

Para ello utilizar el siguiente código:

install.packages("dplyr")
Descripción
La mayoría de las operaciones de datos se realizan en grupos definidos por variables. group_by() toma un tabla existente y lo convierte en una tabla agrupada donde las operaciones se realizan “por grupo” 
library(dplyr)
datos %>% 
  group_by(Departamento) %>% 
  summarise(Mediana = median(pH))
## # A tibble: 2 × 2
##   Departamento Mediana
##   <chr>          <dbl>
## 1 Humahuaca       3.74
## 2 Tumbaya         3.64