APUNPORTES Beler Nolasco: Tarea evaluable T3

Tarea evaluable 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.

El registro del caso se recoge en el siguiente fichero: https://www.dropbox.com/s/d4egha6ag2hgt9i/Notas-2grupos-v3.csv?dl=0

SE PIDE:

1. Observar los datos y reflexionar acerca de la relación que existe entre las variables calificación, grupo y sexo.

2. Dibujar en Excel o Google Sheets un gráfico de interacción (http://courses.washington.edu/smartpsy/interactions.htm) de las medias de las calificaciones combinando las variables grupo y sexo, es decir: Moodle-Male, Moodle-Female, GoogleApps-Male, GoogleApps-Female. ¿Coinciden los resultados mostrados en el gráfico con tus reflexiones del apartado anterior?

3. Analizar si existen diferencias estadísticamente significativas en las calificaciones en función del grupo y del sexo.

4. Utilizar la función aov() de R para saber si existe una interacción estadísticamente significativa entre las variables grupo y sexo.

1. Observar los datos y reflexionar acerca de la relación que existe entre las variables calificación, grupo y sexo.

Figura 1.0

Abrimos la interfaz R studio y cargamos el fichero de datos desde la cuadrícula superior derecha: Import Dataset → From text file

Figura 1.1

A continuación se abre una ventana en cuya parte derecha se muestra, por un lado, el contenido del fichero de texto que deseamos cargar, y por otro lado, la estructura de datos que se va a cargar en R a partir de dicho contenido según las opciones indicadas en la parte izquierda de ventana. Para que la creación de la estructura de datos se realice de forma correcta, debemos indicar a través de dichas opciones si el contenido del fichero de datos incluye una cabecera, cuál es el separador utilizado entre variables, cuál es el carácter utilizado para separar la parte entera de la parte decimal de un número, etc.

Figura 1.2

Figura 1.3

Si el proceso se realiza correctamente, la estructura de datos debería aparecer representada en una nueva cuadrícula. El entorno queda compuesto de 4 cuadrículas: la cuadrícula superior derecha se utiliza para cargar datos y visualizar las variables de trabajo; la cuadrícula superior izquierda se utiliza para visualizar el contenido de dichas variables; la cuadrícula inferior izquierda se utiliza para introducir los comandos para procesar y analizar los datos; y la cuadrícula inferior derecha se utilizar para visualizar gráficas.

Figura 1.4

Los siguientes pasos van dirigidos a la obtención de los siguientes grupos de datos a partir del primer archivo: Moodle-Male, Moodle-Female, GoogleApps-Male, GoogleApps-Female. En dicha figura se diferenciarán, mediante distintos colores, los estudiantes entorno sexo

FILTRADO DE DATOS

Para filtrar los sujetos por tipo entorno, escribimos los siguientes comandos en la consola:

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

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

Al ejecutar estos comandos, se crearán dos nuevas variables: grupoMoodle y grupoGoogleApps.

Figura 1.5

Para filtrar los sujetos por tipo de entorno y sexo, escribimos los siguientes comandos en la consola:

oodle-Male <- subset(grupoMoodle, sexo==”M”)

Moodle-Female <- subset(grupoMoodle, sexo==”F”)

GoogleAppMale <- subset(grupoGoogleApps, sexo=="M")

GoogleappsFemale <- subset(grupoGoogleApps, sexo=="F")

Al ejecutar estos comandos, se crearán cuatro nuevas variables: oodle-Male, Moodle-Female, GoogleAppMale y GoogleappsFemale.

Figura 1.6

En este punto tenemos la división por sexo, grupo y calificaciones al mismo tiempo.

ANÁLISIS REFLEXIVO

Observando detenidamente cada grupo ordenados o agrupados de la siguiente manera ( Moodle.Male, Moodle.Female, GoogleApp.Male y Googleapps.Female) podemos visualizar a simple vista que no existe ninguna relación aparentemente significativa, ya que las notas en la mayoría de casos guardan similitudes en ambos grupos tomando en cuenta el sexo, como lo hemos hecho en este caso.

En el siguiente proceso analizaremos la media de cada grupo atendiendo a su sexo

Creamos los grupos GrupoMoodle y GrupoGoogleApps

Con los siguientes códigos:

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

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

Figura 2.0

Luego agrupamos por sexo cada grupo con los siguientes códigos

GoogleApps.Male <- subset(GrupoGoogleApps, sexo =="M")

GoogleApps.Female <- subset(GrupoGoogleApps, sexo =="F")

Moodle.Male <- subset(GrupoMoodle, sexo =="M")

Moodel.Female <- subset(GrupoMoodle, sexo =="F")

Figura 2.1

ANÁLISIS DE DATOS.
En primer lugar, debemos de obtener los valores del análisis en cada categoría para luego realizar nuestros gráficos de interacción.

Primero buscaremos los datos estadísticos, tomando en cuenta la calificación o nota por grupo y por sexo con la siguiente línea de códigos:

t.test(grupoGoogleApps$nota, grupoMoodle$nota)

RESULTADOS

Análisis de datos por grupo (GrupoGoogleApps vs GrupoMoodle)

Figura 2.2

ANÁLISIS DE DATOS POR SEXO

Moodle.Female$nota vs GoogleApps.Female$nota

Figura 2.3

Figura 2.4

Veamos algunos gráficos de interacción de los datos de las figuras 2.2, 2.3 y 2.4.

GoogleApps	Moodle
7.25	5.25

Moodle.Female	GoogleApps.Female
5.9	6.6

Moodle.Male	GoogleApps.Male
4.6	7.9

3. Analizar si existen diferencias estadísticamente significativas en las calificaciones en función del grupo y del sexo.

Haciendo referencia a la figura 2.2 la cual analiza en función de los grupos Moodle y Google Apps, donde tenemos una media en x=7.25 y=5.25 y un p-value = 1.683e-06 encontramos que se encuentra muy por encima del margen de error de 5%.
La figura 2.3 nos referencia en el análisis de Moodle.Female y GoogleApps.Female donde obtuvimos un media de x=5.9 y=6.6 y un p-value = 0.1069 para un 10% de margen de error.
Para la figura 2.4 tenemos la siguiente media x=4.6 y=7.9 con un p-value=2.603 para un margen de error muy alto.

De los tres casos anteriores podemos sacar las siguientes conclusiones:

Existe un margen de error muy grande al afirmar que es debido al azar y no al factor diferencial del grupo.

Que los estudiantes con la media mas alta corresponden a los Google App.