Análisis univariante

• Author: Jordi Mas Elias
• Profession: Profesor de los Estudios de Derecho y Ciencia Política en la Universitat Oberta de Catalunya (UOC)
• Pages: 135-188

Editorial UOC Capítulo III. Análisis univariante

135

Capítulo III

Análisis univariante

1. Introducción

Tal como su nombre indica, el análisis univariante significa el

análisis de una sola variable. La naturaleza de la variable que

queremos estudiar determinará en buena parte los instrumentos

que utilizaremos para el análisis univariante: si es una variable

categórica, haremos un tipo de tratamiento, mientras que si es

una variable numérica, realizaremos otro. Por este motivo, será

muy importante que tengamos identificada la variable en R con

el vector más apropiado.

En muchas ocasiones, el análisis univariante requiere utilizar

más de una variable. Por ejemplo, quizás queremos observar una

variable teniendo en cuenta los valores que toman otras variables

del marco de datos. Esto puede llevar a confusión con el trabajo

del análisis bivariante, que se ocupa de estudiar la relación entre

dos variables. Por eso distinguiremos dos tareas cruciales del

análisis de datos: la descripción y la explicación (King y otros,

1994). Este módulo se ocupa de la descripción. Por lo tanto, la

utilización de dos variables se orienta a describir una variable y a

comparar sus valores entre los diversos subgrupos de otra varia-

ble (Babbie, 2013). En ningún momento este proceso se orienta a

sugerir si las dos variables en cuestión están o no asociadas entre

ellas, que es trabajo del análisis bivariante.

En la primera parte del capítulo veremos diferentes represen-

taciones gráficas que podemos utilizar en el análisis univariante.

Editorial UOC Análisis de datos con R en estudios internacionales

136

El principal objetivo de una buena visualización es representar

de manera clara cómo se distribuyen los valores en una variable.

En gran parte, cómo representamos estos valores estará deter-

minado por si la variable es de tipo categórico o numérico. En

la segunda parte del capítulo pasaremos de la visualización a la

cuantificación. Es decir, buscaremos cómo resumir la distribu-

ción de los datos en una variable de manera numérica, mediante

uno o pocos números. Miraremos medidas de frecuencia, de

centralidad, de dispersión y de localización.

2. Representaciones gráficas

En esta sección combinaremos funciones de los paquetes

dplyr y ggplot2 para representar gráficamente la distribución de

una variable del marco de datos gapminder. Para poder hacer

estas representaciones, tendremos que estar suficientemente

familiarizados con la gramática de ggplot2, puesto que en las

páginas siguientes aplicaremos diversas de las geometrías que

ofrece el paquete. Según el tipo de variable que queramos repre-

sentar y la manera como la queramos representar, utilizaremos

como principales formas de representación gráfica:

• el histograma,

• el diagrama de líneas,

• el diagrama de barras,

• el diagrama de cajas, y

• el diagrama de dispersión.

Editorial UOC Capítulo III. Análisis univariante

137

2.1. Histograma

El histograma nos permite visualizar con varias barras ver-

ticales la distribución de los valores de una variable numérica.

Cada una de las barras representa un intervalo de valores de la

variable y la altura de la barra corresponde al número de casos de

cada intervalo. Hay que tener en cuenta, pues, que las barras del

histograma no representan los valores numéricos originales de

la variable, sino una función estadística que separa los datos en

diferentes intervalos y las apila por columnas. Con R, representa-

remos esta figura con la función geom_histogram().

En la figura 6 hemos creado un histograma para observar

cómo están distribuidos los valores de la variable gdpPercap en

1992. Cada barra horizontal representa un intervalo de valores

de la variable que indicaremos en el eje de las x dentro de los

estéticos de ggplot. No hace falta que indiquemos el eje vertical de

las y, puesto que siempre veremos el recuento de casos de cada

columna (denominaremos frecuencias a la cantidad de casos). Por

defecto, el histograma corta la variable en treinta intervalos de

la misma anchura y representa la cantidad de valores que hay en

cada intervalo con la estatura de las columnas. En nuestro caso,

cada barra representa un intervalo de unos 1.300 dólares. Así, en

el primer intervalo, encontraremos el número de países situados

entre el intervalo de 0 y 1.300 dólares; en el segundo, aquellos

entre 1.300 y 2.600 dólares; en el tercero, los de entre 2.600 y

3.900, y así sucesivamente.