Gráficos de Cleveland en versión ggplot2
Introducción
En este material se presentan ejemplos de las funciones ofrecidas por
el paquete ggcleveland, todas ellas destinadas al Análisis
Exploratorio de Datos.
Gráficos de cuantiles
El dataset futbol contiene datos sobre la distancia
(dist) que recorre la pelota al ser pateada por jugadores
de fútbol según la longitud de pierna (long) del pateador,
que se encuentra categorizada. El objetivo es determinar si la distancia
está relacionada con la longitud de pierna. Se podría esperar que los
jugadores de piernas más largas tengan una contextura física mayor y por
lo tanto mayor potencia al patear.
La función gg_quantiles() produce gráficos QQ
(cuantil-cuantil) para comparar la distribución de una variable
cuantitativa en dos o más grupos:
data(futbol)
# Quedarse con solo dos grupos
futbol2 <-
futbol %>%
filter(longp %in% c("< 0.81 m", "0.81 a 0.90 m"))
# Gráfico de cuantiles para dos grupos
gg_quantiles(futbol2, dist, longp)
# Más de dos grupos
gg_quantiles(futbol, dist, longp, size = 0.4, color = "red", shape = 3) +
labs(title = "Gráficos QQ de a pares", x = "Distancia (m)", y = "Distancia (m)")
También permite graficar los cuantiles de cada grupo vs cuantiles calculados con todos los grupos combinados. Esto puede ser útil para estudiar residuos luego de algún ajuste, con el objetivo de evaluar la homogeneidad de los mismos. En el siguiente ejemplo, se realiza un ajuste por la media (como en un modelo lineal) y se comparar los residuos de cada grupo versus todos los residuos juntos:
futbol <-
futbol %>%
group_by(longp) %>%
mutate(ajuste = mean(dist), res = dist - ajuste)
gg_quantiles(futbol, res, longp, combined = TRUE) 
El gráfico Media-Diferencia de Tukey.
Las funciones gg_tmd() y gg_tmd_paired()
producen el gráfico de medias-diferencias de Tukey (Tukey’s
Mean-Difference Plot), que puede ser utilizado para evaluar visualmente
el desplazamiento entre 2 o más distribuciones:
Cuando se tienen dos muestras apareadas, se debe utilizar la función
gg_tmd_paired(), que requiere la misma cantidad de
observaciones en cada grupo y que las variables estén medidas en la
misma escala, como ocurre con el dataset ozone, el cual
presenta la concentración de ozono en dos ciudades distintas durante los
mismos días:
Gráfico de residuos y valores ajustados
La función gg_rf() produce un residual-fit plot
(gráfico de residuos y valores ajustados), que permite comparar la
dispersión de los residuos de un ajuste y de los valores ajustados,
dando una idea de la variabilidad total explicada por el ajuste del
modelo:
# Agregando las observaciones centradas por la media general
gg_rf(futbol, dist, ajuste, res, cen_obs = TRUE, ylabel = "Distancia (m)")
Gráfico de dispersión-posición (spread-location plot)
La función gg_sl() produce un spread-location
plot, una herramienta que busca detectar cambios en dispersión,
reduciéndolo a un problema de observación de la posición.
gg_sl(futbol2, dist, longp, xlabel = "Mediana de distancia jittered (m)",
jitterwidth = 1.5) +
xlim(45, 68)
Gráficos de transformaciones de potencia
La función gg_pt() produce gráficos QQ Normal para
evaluar transformaciones de potencia, que consisten en elevar a las
observaciones a un conjunto de potencias señaladas en el argumento
tau, en el cual el valor 0 indica la transformación
logarítmica:
Gráficos condicionantes
La función gg_coplot() produce conditioning
plots o coplots, los cuales son una herramienta de
visualización útil para estudiar cómo una variable respuesta depende de
2 o más factores. Un coplot permite visualizar
dependencia condicional. El panel superior indica cada rango de valores
de la variable condicionante a los cuales queda condicionada la relación
que se observa entre las otras dos variables en los paneles inferiores,
que pueden considerarse como los paneles dependientes.
Se ejemplifica con los datos rubber, que tratan sobre un
experimento industrial donde se probó el efecto de un material abrasivo
sobre 30 piezas de caucho, registrando tres variables.
data(rubber)
# Slicing con intervalos solapados
gg_coplot(rubber, x = tensile.strength, y = abrasion.loss, faceting = hardness,
number_bins = 6, overlap = 3/4,
ylabel = "Pérdida de abrasión (g/hp-hour))",
xlabel = "Resistencia a la tracción (kg/cm2)",
facet_label = "Dureza (grados Shore)",
loess_family = "symmetric", size = 2)
# Slicing con intervalos sin solapamientos, con igual amplitud
gg_coplot(rubber, x = tensile.strength, y = abrasion.loss, faceting = hardness,
number_bins = 6, overlap = 0,
ylabel = "Pérdida de abrasión (g/hp-hour))",
xlabel = "Resistencia a la tracción (kg/cm2)",
facet_label = "Dureza (grados Shore)",
loess = FALSE, size = 2)
# Slicing con intervalos sin solapamientos, con aprox. igual cantidad de datos
gg_coplot(rubber, x = tensile.strength, y = abrasion.loss, faceting = hardness,
number_bins = 6, overlap = 0, equal_length = F,
ylabel = "Pérdida de abrasión (g/hp-hour))",
xlabel = "Resistencia a la tracción (kg/cm2)",
facet_label = "Dureza (grados Shore)",
loess = FALSE, size = 2)
En el caso de que la variable condicionante tenga pocos valores
distintos, cada uno de ellos puede utilizarse como un panel
condicionante para explorar la relación entre las otras dos variables,
como ocurre con el dataset galaxy:
data(galaxy)
# Slicing con los valores únicos de la variable de faceting
gg_coplot(galaxy, x = posicion.radial, y = velocidad,
faceting = angulo, number_bins = 7, loess_span = .5, loess_degree = 2,
facet_labeller = function(x) paste0("Ángulo = ", x, "º"),
facet_label = "Ángulo (grado)", facets_nrow = 2, intervals_height = 0.2,
xlabel = "Posición radial (arcsec)", ylabel = "Velocidad (km/s)")
Para armar los intervalos solapados se emplea el algoritmo de conteos
iguales, el cual puede ser implementado por fuera de la construcción del
gráfico mediante la función equal_count().