Estadística aplicada con R

Tests, modelos y reporte estadístico defendible

Ruta progresiva para hacer estadística aplicada con R: elegir el test correcto, ajustar modelos lineales con diagnóstico y reportar resultados con rigor.

Para quién es esta ruta

Analistas con base en R y dplyr que necesitan validar hipótesis con datos reales y publicar resultados con rigor, desde un t-test hasta un modelo lineal múltiple con diagnóstico y reporte editorial. Asume manejo básico del tidyverse (Ruta 1).

Nota

Antes de empezar: necesitas R, RStudio y tidyverse instalados. Si todavía no los tienes, ve a Instalar R, RStudio y tidyverse.

Qué vas a saber hacer al terminar

  • Elegir el test estadístico correcto según los datos y la pregunta
  • Ajustar modelos lineales simples y múltiples con diagnóstico de residuos
  • Reportar tamaños de efecto e intervalos de confianza, no solo p-values
  • Producir tablas estadísticas publicables con gtsummary

Estructura

Bloque 1: Fundamentos

  1. Estadística descriptiva sin sorpresas
  2. Distribuciones: lo que un test asume
  3. Comparar dos grupos: t-test y Wilcoxon
  4. ANOVA: cuando hay más de dos grupos

Bloque 2: Tests categóricos y de relación

  1. Tablas cruzadas y chi-cuadrado
  2. Correlación: Pearson, Spearman, qué reportar

Bloque 3: Regresión

  1. Regresión lineal: el modelo más útil que existe
  2. Múltiples predictores: cuando uno no basta
  3. Diagnóstico: residuales, outliers, leverage
  4. Tamaños de efecto e intervalos: lo que el p-value no dice

Bloque 4: Reporte y caso completo

  1. Reporte con gtsummary
  2. Caso completo: análisis estadístico publicable

¿Quieres ir más a fondo?

El libro Estadística para datos reales con R está en preparación. Cuando esté listo, ampliará esta ruta con un caso clínico completo, modelos mixtos, supervivencia y la práctica que separa estadística defendible de estadística “porque salió p < 0.05”.