Test con proporciones
testp.RdTest para una proporcion o estudio de la homogeneidad de dos proporciones binomiales independientes o dos proporciones apareadas. (Texto intencionadamente sin tildes u otros caracteres especiales por la incompatibilidad de los mapas de caracteres)
Usage
testp(
x = NULL,
n = 0,
x1 = NULL,
n1 = 0,
x2 = NULL,
n2 = 0,
grupos = NULL,
x0 = NA,
p0 = 0.5,
par = FALSE,
alfa = 0.05,
conf = 1 - alfa,
delta = 0,
beta = 0.2,
potencia = 1 - beta,
decs = 3
)Arguments
- x
valor entero de casos favorables cuando se trata de una unica muestra o vector binario de observaciones .
- n
valor entero = tamano de muestra cuando esta es unica o vector con la tabla para test de McNemar
- x1
valor entero o vector: casos favorables en la muestra 1 o vector de observaciones.
- n1
valor entero: tamano de la muestra 1.
- x2
valor entero o vector: casos favorables en la muestra 2 o vector de observaciones
- n2
valor entero: tamano de la muestra 2.
- grupos
vector: variable de agrupacion o indicacion a la variable x1 o x2 que haga esta funcion
- x0
indicador de la categoria a analizar
- p0
valor de la proporcion para estimar n exclusivamente
- par
valor logico: indicador de muestras apareadas
- alfa
real en (0,1): Nivel de error de los intervalos (alternativa a conf)
- conf
real en (0,1): Nivel de confianza de los intervalos (alternativa a alfa)
- delta
real en (0,1): Diferencia a detectar (tamano del efecto)
- beta
real en (0,1): Nivel de error de tipo II (alternativa a indicar la potencia)
- potencia
real en (0,1): Nivel de potencia (alternativa a indicar el error de tipo II)
- decs
entero: Numero de decimales en las salidas
Examples
# test con una muestra
testp(x=30,n=70,p0=0.4)
#>
#> # Test para contrastar una proporción binomial
#> # --------------------------------------------
#>
#> # Información muestral
#> n = 70
#> x = 30 n-x=40
#> p = 0.429; q = (1-p) = 0.571
#>
#> # Test Ho:π=0.400
#> [1] Método exacto
#> H1 Fexp Valor.p
#> Cola derecha π>0.400 1.098 0.355
#> Bilateral π≠0.400 - 0.709
#>
#> 95%-IC(π) = (0.315, 0.553) (método de Clooper-Pearson)
#>
#> [2] Método aproximado a la distribución normal
#> Validez: min(nπ₀, n(1-π₀)) = 28.0 (>5, el método es válido)
#> zexp = 0.366, p = 0.714
#>
#> 95%-IC(π) = (0.313, 0.552) (método de Wilson)
#>
testp(x=30,n=70,p0=0.4,delta=0.05,potencia=0.9)
#>
#> # Test para contrastar una proporción binomial
#> # --------------------------------------------
#>
#> # Información muestral
#> n = 70
#> x = 30 n-x=40
#> p = 0.429; q = (1-p) = 0.571
#>
#> # Test Ho:π=0.400
#> [1] Método exacto
#> H1 Fexp Valor.p
#> Cola derecha π>0.400 1.098 0.355
#> Bilateral π≠0.400 - 0.709
#>
#> 95%-IC(π) = (0.315, 0.553) (método de Clooper-Pearson)
#>
#> [2] Método aproximado a la distribución normal
#> Validez: min(nπ₀, n(1-π₀)) = 28.0 (>5, el método es válido)
#> zexp = 0.366, p = 0.714
#>
#> 95%-IC(π) = (0.313, 0.552) (método de Wilson)
#>
#>
#> # Tamaño de muestra para detectar |π-p₀|=δ
#> p₀ = 0.400; δ = 0.05
#> Casos (cpc = corrección por continuidad):
#> p1 n n_cpc
#> 1 Unilateral π<0.400 0.350 804 824
#> 2 Unilateral π>0.400 0.450 804 824
#> 3 Bilateral π≠0.400 0.450 1022 1042
#>
modos<-c("A","A","A","A","A","A","A","A","A","A","B","B","B","B")
edad <-c(5,4,8,6,7,4,5,4,5,6,9,6,5,4,5,6,4)
testp(x=modos, p0=0.4,delta=0.05,potencia=0.9)
#>
#> # Test para contrastar una proporción binomial
#> # --------------------------------------------
#>
#> # Información muestral
#> No se ha especificado un criterio en x0. Se considera modos = 'A'
#> n = 14
#> x = 10 n-x=4
#> p = 0.714; q = (1-p) = 0.286
#>
#> # Test Ho:π=0.400
#> [1] Método exacto
#> H1 Fexp Valor.p
#> Cola derecha π>0.400 3.000 0.018
#> Bilateral π≠0.400 - 0.035
#>
#> 95%-IC(π) = (0.446, 0.916) (método de Clooper-Pearson)
#>
#> [2] Método aproximado a la distribución normal
#> Validez: min(nπ₀, n(1-π₀)) = 5.6 (>5, el método es válido)
#> zexp = 2.128, p = 0.033
#>
#> 95%-IC(π) = (0.449, 0.884) (método de Wald ajustado)
#>
#>
#> # Tamaño de muestra para detectar |π-p₀|=δ
#> p₀ = 0.400; δ = 0.05
#> Casos (cpc = corrección por continuidad):
#> p1 n n_cpc
#> 1 Unilateral π<0.400 0.350 804 824
#> 2 Unilateral π>0.400 0.450 804 824
#> 3 Bilateral π≠0.400 0.450 1022 1042
#>
testp(x=edad, x0=6,p0=0.5, delta=0.05,potencia=0.9)
#>
#> # Test para contrastar una proporción binomial
#> # --------------------------------------------
#>
#> # Información muestral
#> Inferencia sobre la proporción π de valores edad ⩽ 6
#> n = 17
#> x = 14 n-x=3
#> p = 0.824; q = (1-p) = 0.176
#>
#> # Test Ho:π=0.500
#> [1] Método exacto
#> H1 Fexp Valor.p
#> Cola derecha π>0.500 3.500 0.006
#> Bilateral π≠0.500 - 0.013
#>
#> 95%-IC(π) = (0.612, 0.962) (método de Clooper-Pearson)
#>
#> [2] Método aproximado a la distribución normal
#> Validez: min(nπ₀, n(1-π₀)) = 8.5 (>5, el método es válido)
#> zexp = 2.425, p = 0.015
#>
#> 95%-IC(π) = (0.580, 0.944) (método de Wald ajustado)
#>
#>
#> # Tamaño de muestra para detectar |π-p₀|=δ
#> p₀ = 0.500; δ = 0.05
#> Casos (cpc = corrección por continuidad):
#> p1 n n_cpc
#> 1 Unilateral π<0.500 0.450 853 873
#> 2 Unilateral π>0.500 0.550 853 873
#> 3 Bilateral π≠0.500 0.450 1047 1067
#>
testp(x=as.factor(edad), x0=6,p0=0.5, delta=0.05,potencia=0.9)
#>
#> # Test para contrastar una proporción binomial
#> # --------------------------------------------
#>
#> # Información muestral
#> Inferencia sobre la proporción π de valores as.factor(edad) = '6'
#> n = 17
#> x = 4 n-x=13
#> p = 0.235; q = (1-p) = 0.765
#>
#> # Test Ho:π=0.500
#> [1] Método exacto
#> H1 Fexp Valor.p
#> Cola izquierda π<0.500 2.600 0.025
#> Bilateral π≠0.500 - 0.049
#>
#> 95%-IC(π) = (0.068, 0.499) (método de Clooper-Pearson)
#>
#> [2] Método aproximado a la distribución normal
#> Validez: min(nπ₀, n(1-π₀)) = 8.5 (>5, el método es válido)
#> zexp = 1.940, p = 0.052
#>
#> 95%-IC(π) = (0.092, 0.479) (método de Wald ajustado)
#>
#>
#> # Tamaño de muestra para detectar |π-p₀|=δ
#> p₀ = 0.500; δ = 0.05
#> Casos (cpc = corrección por continuidad):
#> p1 n n_cpc
#> 1 Unilateral π<0.500 0.450 853 873
#> 2 Unilateral π>0.500 0.550 853 873
#> 3 Bilateral π≠0.500 0.450 1047 1067
#>
testp(p0=0.65,delta=0.05,potencia=0.9) #solo tamano de muestra
#>
#> # Tamaño de muestra para detectar |π-p₀|=δ
#> # ----------------------------------------
#> p₀ = 0.650; δ = 0.05
#> Casos (cpc = corrección por continuidad):
#> p1 n n_cpc
#> 1 Unilateral π<0.650 0.600 798 818
#> 2 Unilateral π>0.650 0.700 798 818
#> 3 Bilateral π≠0.650 0.600 977 997
#>
testp(p0=0.5,delta=0.05,alfa=0.05,potencia=0.9)
#>
#> # Tamaño de muestra para detectar |π-p₀|=δ
#> # ----------------------------------------
#> p₀ = 0.500; δ = 0.05
#> Casos (cpc = corrección por continuidad):
#> p1 n n_cpc
#> 1 Unilateral π<0.500 0.450 853 873
#> 2 Unilateral π>0.500 0.550 853 873
#> 3 Bilateral π≠0.500 0.450 1047 1067
#>
# 2 muestras independientes ---
fumaH=c("S","N","N","N","N","N","S","N","S","N","S","N","S","N","S","N","N")
fumaM=c("N","N","N","N","N","N","S","S","S","S","S","N","N","S","N","N","S")
testp(x1=fumaH,x2=fumaM)
#>
#> [!] Las muestras m1 y m2 tienen el mismo tamaño, pero no se ha indicado
#> par=TRUE. Se asume que las muestras son independientes.
#>
#> # Test para contrastar la diferencia de dos proporciones independientes
#> # ---------------------------------------------------------------------
#>
#> # Información muestral
#>
#> [!] No se ha especificado la categoría a estudiar. Se considera 'N'
#>
#>
#> Tabla de contingencia de Respuesta['N','S'] x Muestra['fumaH','fumaM']
#> Muestra Respuesta
#> N S Total
#> fumaH 11 6 17
#> fumaM 10 7 17
#> Total 21 13 34
#>
#>
#> # Estimación para Respuesta = 'N'
#>
#> Muestra = fumaH
#> p₁ = 0.647 (q₁=1-p₁ = 0.353)
#> 95%-IC(π₁) = (0.411, 0.827)
#>
#> Muestra = fumaM
#> p₂ = 0.588 (q₂=1-p₂ = 0.412)
#> 95%-IC(π₂) = (0.36, 0.783)
#> ____
#> * Intervalos obtenidos por el método de Wald ajustado (Agresti-Coull)
#>
#>
#> # Test de homogeneidad para contrastar Ho:π₁=π₂ (π₁-π₂=0)
#> p|H₀ = 0.618 (q|H₀ = 0.382)
#> Método:
#> Zexp cpc cdv p.bilat b p.unilat u
#> Condicionado exacto (Fisher) - - - 1.000 ✓ 0.500 ✓
#> Condicionado adn (Yates) 0.000 0.059 E<8.8 1.000 ✓ 0.500 x
#> Incondicionado adn 0.311 0.007 E<7.7 0.756 x 0.378 x
#> ____
#> * Alternativas: bilateral H₁:π₁≠π₂; unilateral H₁:π₁>π₂
#> ** E=6.5 es la frecuencia mínima esperada bajo H₀
#> *** adn = aproximación a la distribución normal
#>
#>
#> # Estimación de la diferencia p₁-p₂=0.059
#> Aproximación a la distribución normal (válido):
#> 95%-IC(π₁-π₂) = (-0.326, 0.444)
#>
#> Método de Agresti-Caffo:
#> 95%-IC(π₁-π₂) = (-0.258, 0.364)
#>
#>
testp(x1=fumaH,x2=fumaM,x0="S")
#>
#> [!] Las muestras m1 y m2 tienen el mismo tamaño, pero no se ha indicado
#> par=TRUE. Se asume que las muestras son independientes.
#>
#> # Test para contrastar la diferencia de dos proporciones independientes
#> # ---------------------------------------------------------------------
#>
#> # Información muestral
#>
#> Tabla de contingencia de Respuesta['S','N'] x Muestra['fumaH','fumaM']
#> Muestra Respuesta
#> S N Total
#> fumaH 6 11 17
#> fumaM 7 10 17
#> Total 13 21 34
#>
#>
#> # Estimación para Respuesta = 'S'
#>
#> Muestra = fumaH
#> p₁ = 0.353 (q₁=1-p₁ = 0.647)
#> 95%-IC(π₁) = (0.173, 0.589)
#>
#> Muestra = fumaM
#> p₂ = 0.412 (q₂=1-p₂ = 0.588)
#> 95%-IC(π₂) = (0.217, 0.64)
#> ____
#> * Intervalos obtenidos por el método de Wald ajustado (Agresti-Coull)
#>
#>
#> # Test de homogeneidad para contrastar Ho:π₁=π₂ (π₂-π₁=0)
#> p|H₀ = 0.382 (q|H₀ = 0.618)
#> Método:
#> Zexp cpc cdv p.bilat b p.unilat u
#> Condicionado exacto (Fisher) - - - 1.000 ✓ 0.500 ✓
#> Condicionado adn (Yates) 0.000 0.059 E<8.8 1.000 ✓ 0.500 x
#> Incondicionado adn 0.311 0.007 E<7.7 0.756 x 0.378 x
#> ____
#> * Alternativas: bilateral H₁:π₁≠π₂; unilateral H₁:π₁<π₂
#> ** E=6.5 es la frecuencia mínima esperada bajo H₀
#> *** adn = aproximación a la distribución normal
#>
#>
#> # Estimación de la diferencia p₂-p₁=0.059
#> Aproximación a la distribución normal (válido):
#> 95%-IC(π₂-π₁) = (-0.444, 0.326)
#>
#> Método de Agresti-Caffo:
#> 95%-IC(π₂-π₁) = (-0.364, 0.258)
#>
#>
sexo=c("H","H","H","M","M","H","M","M","H","H","M","M","M","M","H","M",
"M","M","M","M","H","M","H","H","H","H")
fuma=c("S","N","S","S","N","N","S","N","S","S","N","N","N","N","S","N",
"N","N","S","N","S","N","S","N","N","N")
testp(x=fuma,grupos=sexo, x0="S")
#>
#> # Test para contrastar la diferencia de dos proporciones independientes
#> # ---------------------------------------------------------------------
#>
#> # Información muestral
#>
#> Tabla de contingencia de fuma['S','N'] x sexo['H','M']
#> sexo fuma
#> S N Total
#> H 7 5 12
#> M 3 11 14
#> Total 10 16 26
#>
#>
#> # Estimación para fuma = 'S'
#>
#> sexo = H
#> p₁ = 0.583 (q₁=1-p₁ = 0.417)
#> 95%-IC(π₁) = (0.319, 0.806)
#>
#> sexo = M
#> p₂ = 0.214 (q₂=1-p₂ = 0.786)
#> 95%-IC(π₂) = (0.071, 0.485)
#> ____
#> * Intervalos obtenidos por el método de Wald ajustado (Agresti-Coull)
#>
#>
#> # Test de homogeneidad para contrastar Ho:π₁=π₂ (π₁-π₂=0)
#> p|H₀ = 0.385 (q|H₀ = 0.615)
#> Método:
#> Zexp cpc cdv p.bilat b p.unilat u
#> Condicionado exacto (Fisher) - - - 0.105 ✓ 0.063 ✓
#> Condicionado adn (Yates) 1.524 0.077 E<8.8 0.128 ✓ 0.064 x
#> Incondicionado adn 1.897 0.006 E<7.7 0.058 x 0.029 x
#> ____
#> * Alternativas: bilateral H₁:π₁≠π₂; unilateral H₁:π₁>π₂
#> ** E=4.6 es la frecuencia mínima esperada bajo H₀
#> *** adn = aproximación a la distribución normal
#>
#>
#> # Estimación de la diferencia p₁-p₂=0.369
#> Aproximación a la distribución normal (NO es válido):
#> 95%-IC(π₁-π₂) = (-0.06, 0.799)
#>
#> Método de Agresti-Caffo:
#> 95%-IC(π₁-π₂) = (-0.013, 0.659)
#>
#>
testp(x=fuma,grupos=sexo, x0="N")
#>
#> # Test para contrastar la diferencia de dos proporciones independientes
#> # ---------------------------------------------------------------------
#>
#> # Información muestral
#>
#> Tabla de contingencia de fuma['N','S'] x sexo['H','M']
#> sexo fuma
#> N S Total
#> H 5 7 12
#> M 11 3 14
#> Total 16 10 26
#>
#>
#> # Estimación para fuma = 'N'
#>
#> sexo = H
#> p₁ = 0.417 (q₁=1-p₁ = 0.583)
#> 95%-IC(π₁) = (0.194, 0.681)
#>
#> sexo = M
#> p₂ = 0.786 (q₂=1-p₂ = 0.214)
#> 95%-IC(π₂) = (0.515, 0.929)
#> ____
#> * Intervalos obtenidos por el método de Wald ajustado (Agresti-Coull)
#>
#>
#> # Test de homogeneidad para contrastar Ho:π₁=π₂ (π₂-π₁=0)
#> p|H₀ = 0.615 (q|H₀ = 0.385)
#> Método:
#> Zexp cpc cdv p.bilat b p.unilat u
#> Condicionado exacto (Fisher) - - - 0.105 ✓ 0.063 ✓
#> Condicionado adn (Yates) 1.524 0.077 E<8.8 0.128 ✓ 0.064 x
#> Incondicionado adn 1.897 0.006 E<7.7 0.058 x 0.029 x
#> ____
#> * Alternativas: bilateral H₁:π₁≠π₂; unilateral H₁:π₁<π₂
#> ** E=4.6 es la frecuencia mínima esperada bajo H₀
#> *** adn = aproximación a la distribución normal
#>
#>
#> # Estimación de la diferencia p₂-p₁=0.369
#> Aproximación a la distribución normal (NO es válido):
#> 95%-IC(π₂-π₁) = (-0.799, 0.06)
#>
#> Método de Agresti-Caffo:
#> 95%-IC(π₂-π₁) = (-0.659, 0.013)
#>
#>
a<-rbinom(250,1,0.4)
b<-rbinom(250,1,0.6)
testp(x1=a,x2=b,x0=1)
#>
#> [!] Las muestras m1 y m2 tienen el mismo tamaño, pero no se ha indicado
#> par=TRUE. Se asume que las muestras son independientes.
#>
#> # Test para contrastar la diferencia de dos proporciones independientes
#> # ---------------------------------------------------------------------
#>
#> # Información muestral
#>
#> Tabla de contingencia de Respuesta['1','0'] x Muestra['a','b']
#> Muestra Respuesta
#> 1 0 Total
#> a 94 156 250
#> b 143 107 250
#> Total 237 263 500
#>
#>
#> # Estimación para Respuesta = '1'
#>
#> Muestra = a
#> p₁ = 0.376 (q₁=1-p₁ = 0.624)
#> 95%-IC(π₁) = (0.318, 0.438)
#>
#> Muestra = b
#> p₂ = 0.572 (q₂=1-p₂ = 0.428)
#> 95%-IC(π₂) = (0.51, 0.632)
#> ____
#> * Intervalos obtenidos por el método de Wald ajustado (Agresti-Coull)
#>
#>
#> # Test de homogeneidad para contrastar Ho:π₁=π₂ (π₂-π₁=0)
#> p|H₀ = 0.474 (q|H₀ = 0.526)
#> Método:
#> Zexp cpc cdv p.bilat b p.unilat u
#> Condicionado exacto (Fisher) - - - < 0.001 ✓ < 0.001 ✓
#> Condicionado adn (Yates) 4.299 0.004 E>8.8 < 0.001 ✓ < 0.001 ✓
#> Incondicionado adn 4.388 <0.001 E>7.7 < 0.001 ✓ < 0.001 ✓
#> ____
#> * Alternativas: bilateral H₁:π₁≠π₂; unilateral H₁:π₁<π₂
#> ** E=118.5 es la frecuencia mínima esperada bajo H₀
#> *** adn = aproximación a la distribución normal
#>
#>
#> # Estimación de la diferencia p₂-p₁=0.196
#> Aproximación a la distribución normal (válido):
#> 95%-IC(π₂-π₁) = (-0.286, -0.106)
#>
#> Método de Agresti-Caffo:
#> 95%-IC(π₂-π₁) = (-0.28, -0.109)
#>
#>
#'# 2 muestras apareadas ----
testp(n=c(12,35,43,20), par=TRUE, delta=0.05)
#>
#>
#> # Inferencia con dos proporciones (muestras apareadas)
#> # ----------------------------------------------------
#>
#> # Frecuencias observadas pretest x posttest
#> + - Total
#> + 12 35 47
#> - 43 20 63
#> Total 55 55 110
#>
#>
#> # Proporciones observadas pretest x posttest
#> + - Total
#> + 0.109 0.318 0.427
#> - 0.391 0.182 0.573
#> Total 0.500 0.500 1.000
#>
#> # Test de McNemar: H₀:π₁₂=π₂₁
#> Validez: n₁₂+n₂₁ = 78 > 10 el test es válido
#> Zexp = 0.849
#> valor.p Alternativa
#> Bilateral 0.396 H₁:π₁₂≠π₂₁
#> Unilateral 0.198 H₁:π₁₂<π₂₁
#>
#>
#> # Test exacto de Fisher:
#> H₀:π₁₂=0.5 para n₁₂ ~ B(n₁₂+n₂₁, π₁₂)
#> Valor.p Alternativa
#> Bilateral 0.443 H₁:π₁₂≠0.5
#> Unilateral 0.214 H₁:π₁₂<0.5
#> ____
#> * Aquí se alude a la probabilidad total de la discordancia, es decir que π₁₂+π₂₁=1
#>
#> # Estimación de las proporciones individuales de discordancias π₁₂ y π₂₁ (método de Wald ajustado)
#> [1] p₁₂ = 0.325, 95%-IC(π₁₂) = (0.239, 0.411)
#> [2] p₂₁ = 0.395, 95%-IC(π₂₁) = (0.305, 0.484)
#>
#>
#> # Intervalo de confianza para la diferencia de 2 proporciones apareadas
#> [1] Método de Wald (clásico con cpc):
#> Estimación puntual de π₁₂-π₂₁ = -0.073
#> Validez: n₁₂+n₂₁ = 78 > 5, el IC es válido
#> 95%-IC(π₁₂-π₂₁) = (-0.230, 0.085)
#>
#> [2] Método de Agresti-Min:
#> Estimación puntual de π₁₂-π₂₁ = -0.071
#> Validez: siempre es válido
#> 95%-IC(π₁₂-π₂₁) = (-0.226, 0.084)
#>
#>
#> # Estudio de la potencia: δ = 0.05 -> ±δ=[-0.05, 0.05], potencia θ = 0.8, α = 0.05
#> 60%-IC(π₁₂-π₂₁) = (-0.138, -0.005) (método de Agresti-Min)
#>
#> -(--[-)-|---]--- potencia < 80%
#>
#> Leyenda: --(---)-- --[---|---]--
#> IC- IC+ -δ 0 +δ
#>
#>
#> # Tamaño de muestra necesario para declarar significativa una diferencia δ
#> Diferencia: δ = 0.05
#> Potencia: θ = 0.800
#> Error de tipo I: α = 0.050
#>
#> [1] Estimación para la varianza máxima:
#> Asumiendo p₁₂ = 0.475 p₂₁ = 0.525
#> n ⩾ 3138
#>
#> [2] Basado en la información muestral:
#> Asumiendo p₁₂ = 0.411 p₂₁ = 0.461
#> n ⩾ 2733
#> ____
#> *Si se desea la estimación de n para el test unilateral, repetir
#> el análisis indicando alfa=0.100 y asumir el n obtenido.
testp(x1=150,n1=450,x2=34,n2=49, par=TRUE)
#>
#>
#> # Inferencia con dos proporciones (muestras apareadas)
#> # ----------------------------------------------------
#>
#> # Frecuencias observadas pretest x posttest
#> + - Total
#> + 150 300 450
#> - 34 15 49
#> Total 184 315 499
#>
#>
#> # Proporciones observadas pretest x posttest
#> + - Total
#> + 0.301 0.601 0.902
#> - 0.068 0.030 0.098
#> Total 0.369 0.631 1.000
#>
#> # Test de McNemar: H₀:π₁₂=π₂₁
#> Validez: n₁₂+n₂₁ = 334 > 10 el test es válido
#> Zexp = 14.528
#> valor.p Alternativa
#> Bilateral < 0.001 H₁:π₁₂≠π₂₁
#> Unilateral < 0.001 H₁:π₁₂>π₂₁
#>
#>
#> # Test exacto de Fisher:
#> H₀:π₁₂=0.5 para n₁₂ ~ B(n₁₂+n₂₁, π₁₂)
#> Valor.p Alternativa
#> Bilateral < 0.001 H₁:π₁₂≠0.5
#> Unilateral < 0.001 H₁:π₁₂>0.5
#> ____
#> * Aquí se alude a la probabilidad total de la discordancia, es decir que π₁₂+π₂₁=1
#>
#> # Estimación de las proporciones individuales de discordancias π₁₂ y π₂₁ (método de Wald ajustado)
#> [1] p₁₂ = 0.600, 95%-IC(π₁₂) = (0.558, 0.643)
#> [2] p₂₁ = 0.072, 95%-IC(π₂₁) = (0.049, 0.094)
#>
#>
#> # Intervalo de confianza para la diferencia de 2 proporciones apareadas
#> [1] Método de Wald (clásico con cpc):
#> Estimación puntual de π₁₂-π₂₁ = 0.533
#> Validez: n₁₂+n₂₁ = 334 > 5, el IC es válido
#> 95%-IC(π₁₂-π₂₁) = (0.479, 0.588)
#>
#> [2] Método de Agresti-Min:
#> Estimación puntual de π₁₂-π₂₁ = 0.531
#> Validez: siempre es válido
#> 95%-IC(π₁₂-π₂₁) = (0.476, 0.585)
fuma1<-c("S","S","S","N","S","N","S","S","S","N","S","N","S","N","S","N","N",
"N","N","S","N","N","N","S","S","S","S","S","N","N","S","N","N","S")
fuma2<-c("N","N","S","N","N","S","S","N","S","N","S","N","S","N","N","N","N",
"N","N","N","N","N","S","N","N","N","N","N","N","N","N","N","N","S")
testp(x1=fuma1,x2=fuma2,par=TRUE)
#>
#>
#> # Inferencia con dos proporciones (muestras apareadas)
#> # ----------------------------------------------------
#>
#> # Frecuencias observadas fuma1 x fuma2
#> + - Total
#> + 14 2 16
#> - 12 6 18
#> Total 26 8 34
#>
#>
#> # Proporciones observadas fuma1 x fuma2
#> + - Total
#> + 0.412 0.059 0.471
#> - 0.353 0.176 0.529
#> Total 0.765 0.235 1.000
#>
#> # Test de McNemar: H₀:π₁₂=π₂₁
#> Validez: n₁₂+n₂₁ = 14 > 10 el test es válido
#> Zexp = 2.539
#> valor.p Alternativa
#> Bilateral 0.011 H₁:π₁₂≠π₂₁
#> Unilateral 0.006 H₁:π₁₂<π₂₁
#>
#>
#> # Test exacto de Fisher:
#> H₀:π₁₂=0.5 para n₁₂ ~ B(n₁₂+n₂₁, π₁₂)
#> Valor.p Alternativa
#> Bilateral 0.107 H₁:π₁₂≠0.5
#> Unilateral 0.006 H₁:π₁₂<0.5
#> ____
#> * Aquí se alude a la probabilidad total de la discordancia, es decir que π₁₂+π₂₁=1
#>
#> # Estimación de las proporciones individuales de discordancias π₁₂ y π₂₁ (método de Wald ajustado)
#> [1] p₁₂ = 0.105, 95%-IC(π₁₂) = (0.008, 0.203)
#> [2] p₂₁ = 0.368, 95%-IC(π₂₁) = (0.215, 0.522)
#>
#>
#> # Intervalo de confianza para la diferencia de 2 proporciones apareadas
#> [1] Método de Wald (clásico con cpc):
#> Estimación puntual de π₁₂-π₂₁ = -0.294
#> Validez: n₁₂+n₂₁ = 14 > 5, el IC es válido
#> 95%-IC(π₁₂-π₂₁) = (-0.490, -0.098)
#>
#> [2] Método de Agresti-Min:
#> Estimación puntual de π₁₂-π₂₁ = -0.278
#> Validez: siempre es válido
#> 95%-IC(π₁₂-π₂₁) = (-0.468, -0.087)