Package {BayesAiken}

Type:	Package
Title:	Bayesian Content Validity Coefficients with Credibility Intervals
Version:	2.0.0
Date:	2026-09-24
Description:	Bayesian inference for the six rating coefficients proposed by Aiken (1985) <doi:10.1177/0013164485451012> and Aiken (1989) <doi:10.1177/0013164489492003>: V (content validity), H (homogeneity), C (congruence), R (repeatability), A (rater agreement) and I (item coherence). All six are expressed as functionals of the population distribution of rating categories, so a single Dirichlet-Multinomial model yields their full posterior by push-forward. This treats each judge as one categorical observation and avoids the pseudo-replication of Beta-Binomial formulations. R is modelled on the c-by-c joint table because it is not a functional of the marginal distribution. Provides classical estimates with the correct parity correction, highest density and equal-tailed credibility intervals, posterior threshold probabilities, prior sensitivity analysis and a friendly step-by-step verbose report.
License:	MIT + file LICENSE
Encoding:	UTF-8
RoxygenNote:	7.3.2
Depends:	R (≥ 4.0.0)
Imports:	stats, graphics, grDevices, utils
Suggests:	testthat (≥ 3.0.0), shiny, readxl, writexl, openxlsx
URL:	https://github.com/jventural/BayesAiken
BugReports:	https://github.com/jventural/BayesAiken/issues
NeedsCompilation:	no
Packaged:	2026-10-16 13:21:58 UTC; PC
Author:	Jose Ventura-Leon [aut, cre]
Maintainer:	Jose Ventura-Leon <jventuraleon@gmail.com>
Repository:	CRAN
Date/Publication:	2026-10-28 11:00:18 UTC

BayesAiken: Bayesian Content Validity Coefficients

Description

Bayesian inference for the six rating coefficients of Aiken (V, H, C, R, A and I) with a Dirichlet-Multinomial model, together with the classical coefficients, the Penfield-Giacobbi confidence interval for V and the significance tests of Aiken (1985).

Author(s)

Maintainer: Jose Ventura-Leon jventuraleon@gmail.com (ORCID)

See Also

Useful links:

• https://github.com/jventural/BayesAiken

• Report bugs at https://github.com/jventural/BayesAiken/issues

Intervalo de puntuacion de Penfield-Giacobbi para la V (frecuentista)

Description

Intervalo tipo Wilson que trata la suma de puntuaciones como binomial(n*k, V). Se incluye para poder compararlo con el intervalo de credibilidad: no es bayesiano y su interpretacion es la de un intervalo de confianza.

Usage

aiken_V_ic_pg(V, n, k, cred_level = 0.95)

Arguments

Details

En simulacion (n de 5 a 20, escala 0-3) su cobertura real va de .905 a .972 frente al .95 nominal, y resulta entre un 2 de credibilidad. Aguanta mejor de lo que cabria esperar porque el supuesto binomial sobrestima la varianza cuando los jueces se concentran en dos categorias contiguas, y ese error compensa en parte el de tratar n*k ensayos como independientes.

Value

Vector de dos elementos: limites inferior y superior.

References

Penfield, R. D., & Giacobbi, P. R. (2004). Applying a score confidence interval to Aiken's item content-relevance index. Measurement in Physical Education and Exercise Science, 8(4), 213-225.

Examples

aiken_V_ic_pg(0.92, n = 5, k = 3)

Tabla de resultados en formato APA compacto

Description

Convierte la salida de aiken_bayes_table en una tabla de pocas columnas, con un coeficiente por celda.

Usage

aiken_apa(
  x,
  umbral = NULL,
  clasico = TRUE,
  sep = "\n",
  digits = 2,
  html = FALSE,
  pg = FALSE
)

Arguments

Value

Un data.frame con las columnas identificadoras y una columna por coeficiente.

Examples

d <- data.frame(Item = c("I1", "I2"), J1 = c(3, 2), J2 = c(3, 3),
                J3 = c(2, 3), J4 = c(3, 2))
r <- aiken_bayes_table(d, seed = 1, B = 500, local = FALSE, verbose = FALSE)
aiken_apa(r)

Coeficientes de Aiken bayesianos por el modelo Dirichlet-Multinomial

Description

Calcula cualquiera de los seis coeficientes de Aiken (V, H, C, R, A, I) con su distribucion posterior completa, intervalo de credibilidad y probabilidades de superar umbrales, bajo un unico modelo Dirichlet-Multinomial.

Usage

aiken_bayes(
  x,
  y = NULL,
  focal = NULL,
  coef = c("V", "H", "C", "R", "A", "I"),
  l = 0,
  s = 3,
  prior = c("perks", "jeffreys", "uniform"),
  alpha0 = NULL,
  cred_level = 0.95,
  thresholds = c(0.7, 0.8),
  ci_type = c("HDI", "ETI"),
  B = 20000,
  seed = NULL,
  verbose = TRUE
)

Arguments

Value

Objeto de clase aiken_bayes con la posterior y sus resumenes.

El estimando

La posterior es sobre el funcional poblacional del coeficiente, es decir sobre el parametro de la poblacion de jueces (o de items), no sobre el valor muestral de Aiken. Para H y C ambos difieren de forma sistematica con paneles pequenos: el coeficiente muestral esta sesgado al alza en (2 GMD / k) (n - j)/(n^2 - j) para H y en (4 s2 / k^2) (n - d)/(n^2 - d) para C. El valor clasico se reporta igualmente como descriptivo.

El caso de R

R no es funcional de la distribucion marginal: dos tablas de contingencia con marginales identicas pueden dar R = 1 y R = 0.33. Por eso R se modela con una Dirichlet sobre las c^2 celdas de la tabla ocasion-1 x ocasion-2. Con c = 4 son 16 celdas, de modo que el prior uniforme aportaria 16 pseudo-observaciones: use el prior de Perks.

Examples

# Un item valorado por 5 jueces en escala 0-3
aiken_bayes(c(3, 3, 2, 3, 3), coef = "V", seed = 1)

# Homogeneidad del mismo panel
aiken_bayes(c(3, 3, 2, 3, 3), coef = "H", seed = 1, verbose = FALSE)

# Reproducibilidad test-retest
aiken_bayes(c(3, 3, 2, 3, 3), y = c(3, 2, 2, 3, 3), coef = "R", seed = 1,
            verbose = FALSE)

Analisis bayesiano completo de una tabla de calificaciones de jueces

Description

Calcula V, H y C por fila (item o combinacion item-criterio) y, opcionalmente, A por juez y I por item, todo bajo el modelo Dirichlet-Multinomial.

Usage

aiken_bayes_table(
  data,
  judge_cols = NULL,
  id_cols = NULL,
  coefs = c("V", "H", "C"),
  local = TRUE,
  item_col = NULL,
  l = 0,
  s = 3,
  prior = c("perks", "jeffreys", "uniform"),
  alpha0 = NULL,
  cred_level = 0.95,
  thresholds = c(0.7, 0.8),
  ci_type = c("HDI", "ETI"),
  B = 10000,
  seed = NULL,
  verbose = TRUE
)

Arguments

Value

Objeto de clase aiken_table con los elementos global (una fila por unidad evaluada), acuerdo (coeficiente A) y coherencia (coeficiente I).

Examples

d <- data.frame(
  Item = paste0("It", rep(1:3, each = 2)),
  Criterio = rep(c("Relevancia", "Claridad"), 3),
  J1 = c(3,3,2,3,3,3), J2 = c(3,2,3,3,2,3),
  J3 = c(2,3,3,2,3,3), J4 = c(3,3,3,3,3,2)
)
res <- aiken_bayes_table(d, seed = 1, verbose = FALSE)
res$global

Coeficientes clasicos de Aiken

Description

Implementacion literal de las formulas originales, incluida la correccion de paridad (j = 0 si n es par, j = 1 si n es impar) que suele omitirse en las implementaciones disponibles.

Usage

aiken_V_classic(x, k)

aiken_H_classic(x, k)

aiken_C_classic(x, k)

aiken_R_classic(x, y, k)

aiken_A_classic(focal, otros, k)

aiken_I_classic(focal, otros, k)

Arguments

Value

Un numero: el valor del coeficiente clasico.

Prueba de significacion de Aiken (1985) para V, R y H

Description

Contrasta si un coeficiente de Aiken es mayor que el esperado cuando los jueces responden al azar, es decir, con calificaciones independientes y uniformes sobre las c categorias de la escala. Es la prueba que propone Aiken (1985): una probabilidad de cola derecha y, para muestras grandes, una aproximacion normal. Es frecuentista y complementa, no reemplaza, al intervalo de credibilidad de aiken_bayes.

Usage

aiken_test(x, coef = c("V", "R", "H"), y = NULL, l = 0, s = 3, B = 1e+05)

Arguments

Details

V

V = S / [n(c - 1)], con S la suma de las calificaciones desplazadas a 0..k. Bajo la hipotesis nula S es la suma de n uniformes discretas, cuya distribucion se obtiene exactamente por convolucion. La media nula es .5 y el desvio \sqrt{(c + 1) / [12 n (c - 1)]}.

R

R = 1 - \sum |x_i - y_i| / [m(c - 1)]. Bajo la hipotesis nula cada diferencia absoluta tiene P(D = 0) = 1/c y P(D = d) = 2(c - d)/c^2, y la distribucion de su suma tambien se obtiene exactamente. La media nula es (2c - 1)/(3c).

H

Se calcula con aiken_H_classic. Su distribucion nula se estima por simulacion con B muestras, y la probabilidad lleva la correccion (1 + b)/(B + 1).

La columna z usa la media y el desvio de la distribucion nula; con mas de 25 jueces o items coincide con la prueba de muestras grandes de Aiken (1985). Con muestras pequenas conviene reportar la probabilidad exacta (p).

Value

Un data frame de una fila con coef, el valor observado (valor), el numero de jueces o pares (n), la probabilidad de cola derecha (p), el metodo con que se obtuvo (metodo: "exacta" o "simulacion"), la media y el desvio nulos (media_nula, de_nula), el estadistico z y su probabilidad normal de cola derecha (p_z).

References

Aiken, L. R. (1985). Three coefficients for analyzing the reliability and validity of ratings. Educational and Psychological Measurement, 45(1), 131-142. doi:10.1177/0013164485451012

See Also

aiken_V_ic_pg para el intervalo de confianza de la V (Penfield y Giacobbi, 2004).

Examples

# Cinco jueces califican un item en una escala de 0 a 3
aiken_test(c(3, 3, 2, 3, 3), coef = "V", l = 0, s = 3)

# Repetibilidad: mismos 8 items calificados en dos ocasiones (escala 1-5)
aiken_test(c(5, 4, 4, 5, 3, 4, 5, 5), coef = "R",
           y = c(5, 4, 3, 5, 3, 4, 4, 5), l = 1, s = 5)

# Homogeneidad (probabilidad por simulacion)
aiken_test(c(2, 3, 3, 3, 2, 3), coef = "H", l = 0, s = 3, B = 5000)

Convertir un aiken_table a data.frame

Description

Convertir un aiken_table a data.frame

Usage

## S3 method for class 'aiken_table'
as.data.frame(x, row.names = NULL, optional = FALSE, ...)

Arguments

Value

Un data.frame: el elemento global del objeto, con una fila por unidad evaluada (item o item-criterio) y, por cada coeficiente, la estimacion clasica, la media posterior, el intervalo de credibilidad y las probabilidades posteriores de superar los umbrales.

Convertir bayes_coef a data.frame

Description

Convertir bayes_coef a data.frame

Usage

## S3 method for class 'bayes_coef'
as.data.frame(x, row.names = NULL, optional = FALSE, ...)

Arguments

Value

Un data.frame de una fila con el nombre del coeficiente (coeficiente), el numero de jueces (n_jueces), la estimacion clasica (clasico), la media, mediana, moda y desviacion estandar posteriores, los limites de los intervalos ETI y HDI, las probabilidades posteriores de superar .70 y .80 y los parametros post_alpha y post_beta de la posterior Beta.

Convertir resultados de simulacion a data.frame (formato Tabla 3)

Description

Convertir resultados de simulacion a data.frame (formato Tabla 3)

Usage

## S3 method for class 'bayes_simulation'
as.data.frame(x, row.names = NULL, optional = FALSE, format = "wide", ...)

Arguments

Value

Data.frame con resultados formateados

Examples

sim <- simulate_judges_planning(true_V = 0.80, n_judges = c(5, 10), n_sim = 100)
tabla <- as.data.frame(sim)
print(tabla)

============================================================================= BAYES AIKEN - FUNCION PRINCIPAL Calcula todos los coeficientes de validez de contenido con enfoque bayesiano

Description

============================================================================= BAYES AIKEN - FUNCION PRINCIPAL Calcula todos los coeficientes de validez de contenido con enfoque bayesiano

Usage

bayes_aiken(
  data,
  coefficient = "V",
  l = 0,
  s = 3,
  c = 4,
  ratings_t2 = NULL,
  ratings_others = NULL,
  ratings_item2 = NULL,
  item_col = NULL,
  criterion_col = NULL,
  prior_alpha = 1,
  prior_beta = 1,
  cred_level = 0.95,
  verbose = TRUE,
  plot = FALSE
)

Arguments

Details

## Coeficientes disponibles: - **V**: V de Aiken - Validez de contenido - **H**: Homogeneidad entre jueces - **R**: Reproducibilidad temporal (test-retest) - **C**: Consenso (basado en varianza) - **A**: Acuerdo de un juez vs los demas - **I**: Consistencia inter-item

## Modelo Bayesiano: - Prior: Beta(alpha, beta), default uniforme Beta(1,1) - Posterior: Beta(alpha + exitos, beta + fracasos) - Intervalos: HDI (Highest Density Interval) y ETI (Equal-Tailed Interval)

## Tipos de Prior: - Beta(1, 1): Uniforme (no informativo) - Beta(0.5, 0.5): Jeffreys - Beta(2, 2): Debilmente informativo, centrado en 0.5

Value

Objeto de clase 'bayes_aiken' con todos los resultados

Author(s)

Jose Ventura-Leon ============================================================================= Calcular coeficientes de validez de contenido con intervalos bayesianos

Funcion principal que calcula uno o mas coeficientes de validez de contenido (V, H, R, C, A, I) utilizando un enfoque bayesiano con intervalos de credibilidad. Acepta tanto vectores como data.frames.

Examples

# Ejemplo 1: Vector simple - Coeficiente V
ratings <- c(3, 3, 2, 3, 3, 2, 3, 3, 2, 3)
result <- bayes_aiken(ratings, coefficient = "V", l = 0, s = 3)
print(result)
plot(result)

# Ejemplo 2: Multiples coeficientes
ratings <- c(2, 2, 3, 2, 2)
result <- bayes_aiken(ratings, coefficient = c("V", "H", "C"), l = 0, s = 3, c = 4)

# Ejemplo 3: Data.frame con multiples items
data <- data.frame(
  item = rep(1:3, each = 3),
  criterio = rep(c("relevancia", "representatividad", "claridad"), 3),
  J1 = c(3,3,3, 2,3,3, 3,2,3),
  J2 = c(3,3,2, 3,3,3, 3,3,2),
  J3 = c(2,3,3, 3,2,3, 2,3,3),
  J4 = c(3,3,3, 3,3,2, 3,3,3),
  J5 = c(3,2,3, 2,3,3, 3,2,3)
)
result <- bayes_aiken(data, coefficient = "V",
                      item_col = "item", criterion_col = "criterio",
                      l = 0, s = 3)

============================================================================= FUNCIONES DE EXPORTACION Y CAPTURA - BayesAiken ============================================================================= Capturar salida verbose de bayes_aiken

Description

Ejecuta bayes_aiken y captura toda la salida verbose como texto

Usage

bayes_aiken_capture(...)

Arguments

Value

Objeto de clase 'bayes_aiken_capture' con texto capturado

Examples

ratings <- c(3, 3, 2, 3, 3, 2, 3, 3, 2, 3)
output <- bayes_aiken_capture(ratings, coefficient = "V", l = 0, s = 3)
print(output)  # Muestra el texto formateado

Exportar resultados de bayes_aiken

Description

Exporta los resultados a diferentes formatos

Usage

bayes_aiken_export(x, file, format = "txt", include_verbose = TRUE)

Arguments

Value

Invisible NULL

Examples

ratings <- c(3, 3, 2, 3, 3, 2, 3, 3, 2, 3)
result <- bayes_aiken(ratings, coefficient = "V", l = 0, s = 3, verbose = FALSE)
out <- file.path(tempdir(), "bayes_aiken_output")
bayes_aiken_export(result, out, format = "both")
unlink(paste0(out, c(".txt", ".csv")))

============================================================================= UTILIDADES Y HELPERS - BayesAiken ============================================================================= Diagnostico de heterogeneidad entre jueces

Description

Evalua si existe heterogeneidad significativa entre los jueces que podria violar el supuesto de intercambiabilidad del modelo binomial. Reporta estadisticos descriptivos, identifica jueces extremos y genera advertencias.

Usage

check_judge_heterogeneity(
  ratings,
  l = 0,
  s = 3,
  threshold_cv = 0.2,
  threshold_outlier = 2,
  verbose = TRUE
)

Arguments

Details

El diagnostico incluye:

• Media y desviacion estandar por juez

• Coeficiente de variacion (CV) entre jueces

• Indice de dispersion (varianza/media)

• Identificacion de jueces outliers (muy duros o muy blandos)

• Prueba de Levene simplificada para homogeneidad de varianzas

Niveles de advertencia:

• none: CV < 0.10 (heterogeneidad minima)

• low: CV 0.10-0.20 (heterogeneidad baja, aceptable)

• moderate: CV 0.20-0.30 (heterogeneidad moderada, considerar)

• high: CV > 0.30 (heterogeneidad alta, intervalos pueden ser optimistas)

Value

Objeto de clase 'judge_heterogeneity' con:

• summary: Estadisticos descriptivos por juez

• overall: Metricas globales de heterogeneidad

• outliers: Jueces identificados como extremos

• warning_level: Nivel de advertencia ("none", "low", "moderate", "high")

• recommendations: Recomendaciones basadas en el diagnostico

Examples

# Vector simple (un item, multiples jueces)
ratings <- c(3, 3, 2, 3, 1, 3, 3, 2, 3, 3)
check <- check_judge_heterogeneity(ratings)

# Matriz (multiples items x jueces)
mat <- matrix(c(3,3,2,3,1,
                3,3,3,3,2,
                2,3,2,3,1), nrow = 3, byrow = TRUE)
check <- check_judge_heterogeneity(mat)

Calcular Coeficiente A (Acuerdo del Juez) con intervalos bayesianos

Description

Calcular Coeficiente A (Acuerdo del Juez) con intervalos bayesianos

Usage

coef_A(
  ratings_judge,
  ratings_others,
  c = 4,
  prior_alpha = 1,
  prior_beta = 1,
  cred_level = 0.95,
  verbose = TRUE
)

Arguments

Value

Lista con resultados del coeficiente A

Examples

judge <- c(2, 3, 3)
others <- matrix(c(2,3,2,2, 3,3,3,3, 3,3,3,3), nrow=3, byrow=TRUE)
result <- coef_A(judge, others, c = 4)

Calcular A para multiples jueces

Description

Calcular A para multiples jueces

Usage

coef_A_multi(
  ratings_matrix,
  c = 4,
  prior_alpha = 1,
  prior_beta = 1,
  cred_level = 0.95
)

Arguments

Value

Un data.frame con una fila por juez (cada juez frente al resto) y las columnas: judge (numero de columna del juez), A_clasico (estimacion clasica de Aiken), A_bayesiano (media posterior), IC_lower e IC_upper (limites del intervalo de credibilidad HDI), y P_70 y P_80 (probabilidad posterior de que el coeficiente supere .70 y .80).

Calcular Coeficiente C (Consenso) con intervalos bayesianos

Description

Calcular Coeficiente C (Consenso) con intervalos bayesianos

Usage

coef_C(
  ratings,
  l = 0,
  s = 3,
  prior_alpha = 1,
  prior_beta = 1,
  cred_level = 0.95,
  verbose = TRUE
)

Arguments

Value

Lista con resultados del coeficiente C

Examples

ratings <- c(2, 2, 3, 2, 2)
result <- coef_C(ratings, l = 0, s = 3)

Calcular C para multiples items

Description

Calcular C para multiples items

Usage

coef_C_multi(
  data,
  item_col = NULL,
  criterion_col = NULL,
  l = 0,
  s = 3,
  prior_alpha = 1,
  prior_beta = 1,
  cred_level = 0.95
)

Arguments

Value

Un data.frame con una fila por item (y criterio) y las columnas item, criterio, n_jueces, varianza (varianza de las calificaciones), C_clasico (estimacion clasica de Aiken), C_bayesiano (media posterior), IC_lower e IC_upper (limites del intervalo de credibilidad HDI), y P_70 y P_80 (probabilidad posterior de que el coeficiente supere .70 y .80).

Calcular Coeficiente H (Homogeneidad) con intervalos bayesianos

Description

Calcular Coeficiente H (Homogeneidad) con intervalos bayesianos

Usage

coef_H(
  ratings,
  c = 4,
  prior_alpha = 1,
  prior_beta = 1,
  cred_level = 0.95,
  verbose = TRUE
)

Arguments

Value

Lista con resultados del coeficiente H

Examples

ratings <- c(2, 2, 3, 2, 2)
result <- coef_H(ratings, c = 4)

Calcular H para multiples items

Description

Calcular H para multiples items

Usage

coef_H_multi(
  data,
  item_col = NULL,
  criterion_col = NULL,
  c = 4,
  prior_alpha = 1,
  prior_beta = 1,
  cred_level = 0.95
)

Arguments

Value

Un data.frame con una fila por item (y criterio) y las columnas item, criterio, n_jueces, S (suma de las desviaciones entre jueces), H_clasico (estimacion clasica de Aiken), H_bayesiano (media posterior), IC_lower e IC_upper (limites del intervalo de credibilidad HDI), y P_70 y P_80 (probabilidad posterior de que el coeficiente supere .70 y .80).

Calcular Coeficiente I (Consistencia Inter-Item) con intervalos bayesianos

Description

Calcular Coeficiente I (Consistencia Inter-Item) con intervalos bayesianos

Usage

coef_I(
  ratings_item1,
  ratings_item2,
  c = 4,
  prior_alpha = 1,
  prior_beta = 1,
  cred_level = 0.95,
  verbose = TRUE
)

Arguments

Value

Lista con resultados del coeficiente I

Examples

item1 <- c(2, 3, 3)
item2 <- c(3, 3, 3)
result <- coef_I(item1, item2, c = 4)

Calcular I para todos los pares de items

Description

Calcular I para todos los pares de items

Usage

coef_I_multi(
  ratings_matrix,
  c = 4,
  prior_alpha = 1,
  prior_beta = 1,
  cred_level = 0.95
)

Arguments

Value

Un data.frame con una fila por par de items y las columnas: item1 e item2 (columnas del par), I_clasico (estimacion clasica de Aiken), I_bayesiano (media posterior), IC_lower e IC_upper (limites del intervalo de credibilidad HDI), y P_70 y P_80 (probabilidad posterior de que el coeficiente supere .70 y .80).

Calcular Coeficiente R (Reproducibilidad) con intervalos bayesianos

Description

Calcular Coeficiente R (Reproducibilidad) con intervalos bayesianos

Usage

coef_R(
  ratings_t1,
  ratings_t2,
  c = 4,
  prior_alpha = 1,
  prior_beta = 1,
  cred_level = 0.95,
  verbose = TRUE
)

Arguments

Value

Lista con resultados del coeficiente R

Examples

t1 <- c(3, 3, 3, 3, 3)
t2 <- c(3, 3, 3, 2, 3)
result <- coef_R(t1, t2, c = 4)

Calcular R para multiples items (requiere datos en formato especial)

Description

Calcular R para multiples items (requiere datos en formato especial)

Usage

coef_R_multi(
  data_t1,
  data_t2,
  c = 4,
  prior_alpha = 1,
  prior_beta = 1,
  cred_level = 0.95
)

Arguments

Value

Un data.frame con una fila por item y las columnas: item (numero de fila), R_clasico (estimacion clasica de Aiken), R_bayesiano (media posterior), IC_lower e IC_upper (limites del intervalo de credibilidad HDI), y P_70 y P_80 (probabilidad posterior de que el coeficiente supere .70 y .80).

============================================================================= COEFICIENTES DE VALIDEZ DE CONTENIDO - FUNCIONES MODULARES Cada coeficiente puede usarse de forma independiente ============================================================================= Calcular Coeficiente V de Aiken con intervalos bayesianos

Description

============================================================================= COEFICIENTES DE VALIDEZ DE CONTENIDO - FUNCIONES MODULARES Cada coeficiente puede usarse de forma independiente ============================================================================= Calcular Coeficiente V de Aiken con intervalos bayesianos

Usage

coef_V(
  ratings,
  l = 0,
  s = 3,
  prior_alpha = 1,
  prior_beta = 1,
  cred_level = 0.95,
  verbose = TRUE
)

Arguments

Value

Lista con resultados del coeficiente V

Examples

ratings <- c(3, 3, 2, 3, 3, 2, 3, 3, 2, 3)
result <- coef_V(ratings, l = 0, s = 3)

Calcular Coeficiente V de Aiken con modelo Dirichlet-Multinomial

Description

Esta funcion implementa una alternativa al modelo Beta-Binomial estandar, modelando directamente las frecuencias de cada categoria usando una distribucion Dirichlet. Esto respeta mejor la naturaleza categorica de los datos y proporciona intervalos de credibilidad mas honestos.

Usage

coef_V_dirichlet(
  ratings,
  l = 0,
  s = 3,
  prior_alpha = 1,
  cred_level = 0.95,
  n_samples = 10000,
  seed = NULL,
  verbose = TRUE
)

Arguments

Details

El modelo Dirichlet-Multinomial:

• Cuenta cuantos jueces eligieron cada categoria (n_0, n_1, ..., n_k)

• Usa prior Dirichlet(alpha) sobre las probabilidades de categoria

• La posterior es Dirichlet(alpha + n)

• V se calcula como suma ponderada: V = sum(pi_c * c/k)

• Los intervalos se obtienen via simulacion Monte Carlo

Ventajas sobre Beta-Binomial:

• Respeta que los datos son categoricos, no puntos binarios

• Cada juez contribuye exactamente 1 observacion (sin pseudorreplicacion)

• Intervalos mas amplios y honestos cuando hay variabilidad

Value

Lista con resultados del coeficiente V usando modelo Dirichlet

Examples

ratings <- c(3, 3, 2, 3, 3, 2, 3, 3, 2, 3)
result <- coef_V_dirichlet(ratings, l = 0, s = 3)

# Comparar con modelo estandar
result_std <- coef_V(ratings, l = 0, s = 3)

Calcular V de Aiken Dirichlet para multiples items

Description

Calcular V de Aiken Dirichlet para multiples items

Usage

coef_V_dirichlet_multi(
  ratings_matrix,
  l = 0,
  s = 3,
  prior_alpha = 1,
  cred_level = 0.95,
  n_samples = 10000,
  seed = NULL,
  item_names = NULL,
  verbose = TRUE
)

Arguments

Value

Data frame con resultados para cada item

Examples

# Matriz de 3 items x 10 jueces
ratings <- matrix(c(
  3, 3, 2, 3, 3, 2, 3, 3, 2, 3,
  2, 2, 2, 3, 2, 2, 2, 3, 2, 2,
  3, 3, 3, 3, 3, 3, 3, 3, 3, 2
), nrow = 3, byrow = TRUE)
result <- coef_V_dirichlet_multi(ratings, l = 0, s = 3)

Calcular V de Aiken para multiples items

Description

Calcular V de Aiken para multiples items

Usage

coef_V_multi(
  data,
  item_col = NULL,
  criterion_col = NULL,
  l = 0,
  s = 3,
  prior_alpha = 1,
  prior_beta = 1,
  cred_level = 0.95
)

Arguments

Value

Data frame con resultados

Comparar modelos Beta-Binomial vs Dirichlet-Multinomial

Description

Esta funcion calcula V de Aiken usando ambos modelos y compara los intervalos de credibilidad resultantes.

Usage

compare_V_models(
  ratings,
  l = 0,
  s = 3,
  cred_level = 0.95,
  n_samples = 10000,
  seed = NULL,
  plot = TRUE
)

Arguments

Value

Lista con resultados de ambos modelos y comparacion

Examples

ratings <- c(3, 3, 2, 3, 3, 2, 3, 3, 2, 3)
comp <- compare_V_models(ratings, l = 0, s = 3)

Comparar dos items usando diferencias posteriores

Description

Calcula la distribucion posterior de la diferencia entre dos coeficientes y reporta P(Delta > 0) o P(Delta > delta).

Usage

compare_items(
  result1,
  result2,
  delta = 0,
  n_samples = 10000,
  seed = NULL,
  verbose = TRUE
)

Arguments

Value

Lista con distribucion de diferencias y probabilidades

Examples

ratings1 <- c(3, 3, 3, 3, 2, 3, 3, 3, 3, 3)
ratings2 <- c(2, 3, 2, 3, 2, 2, 3, 2, 3, 2)
res1 <- coef_V(ratings1, l = 0, s = 3, verbose = FALSE)
res2 <- coef_V(ratings2, l = 0, s = 3, verbose = FALSE)
compare_items(res1, res2)

Comparar grupos de jueces

Description

Compara las evaluaciones de dos grupos independientes de jueces (ej. clinicos vs investigadores, Lima vs provincias).

Usage

compare_judge_groups(
  ratings_group1,
  ratings_group2,
  l = 0,
  s = 3,
  delta = 0.05,
  prior_alpha = 1,
  prior_beta = 1,
  n_samples = 10000,
  seed = NULL,
  verbose = TRUE
)

Arguments

Value

Lista con comparacion de grupos

Examples

# Grupo 1: Clinicos
grupo1 <- c(3, 3, 2, 3, 3)
# Grupo 2: Investigadores
grupo2 <- c(3, 2, 3, 3, 2)
compare_judge_groups(grupo1, grupo2, l = 0, s = 3)

Comparar diferentes priors

Description

Compara los resultados usando diferentes distribuciones prior

Usage

compare_priors(
  ratings,
  l = 0,
  s = 3,
  priors = list(Uniform = c(1, 1), Jeffreys = c(0.5, 0.5), `Weakly Informative` = c(2,
    2), Skeptical = c(1, 3), Optimistic = c(3, 1)),
  cred_level = 0.95
)

Arguments

Value

Data frame con comparacion de priors

Examples

ratings <- c(3, 3, 2, 3, 3)
compare_priors(ratings, l = 0, s = 3)

Calcular HDI (Highest Density Interval)

Description

Calcula el intervalo de mayor densidad para una distribucion Beta

Usage

compute_hdi(alpha, beta, cred_level = 0.95)

Arguments

Value

Vector con limites inferior y superior del HDI

Examples

compute_hdi(25, 5, 0.95)

============================================================================= FUNCIONES AVANZADAS - BayesAiken Analisis bayesianos avanzados para validez de contenido

Description

============================================================================= FUNCIONES AVANZADAS - BayesAiken Analisis bayesianos avanzados para validez de contenido

Usage

decision_rule(result, threshold = 0.7, min_prob = 0.95, verbose = TRUE)

Arguments

Details

La regla de decision es: - ACEPTAR: si P(V >= threshold) >= min_prob - RECHAZAR: si P(V < threshold) >= min_prob - INDECISO: en otro caso

Value

Lista con decision, probabilidad y justificacion

Author(s)

Jose Ventura-Leon ============================================================================= Regla de decision bayesiana para validez de contenido

Evalua si un item cumple con criterios de validez usando probabilidades posteriores en lugar de intervalos de confianza.

Examples

ratings <- c(3, 3, 2, 3, 3, 3, 3, 2, 3, 3)
result <- coef_V(ratings, l = 0, s = 3)
decision <- decision_rule(result, threshold = 0.70, min_prob = 0.95)

Aplicar regla de decision a multiples items

Description

Aplicar regla de decision a multiples items

Usage

decision_rule_multi(results, threshold = 0.7, min_prob = 0.95)

Arguments

Value

Data.frame con decisiones para cada item

Detectar las columnas de jueces en un data.frame

Description

Detectar las columnas de jueces en un data.frame

Usage

detect_judge_cols(data, judge_cols = NULL, id_cols = NULL)

Arguments

Value

Lista con id y judges (vectores de nombres).

Exportar a archivo CSV

Description

Exportar a archivo CSV

Usage

export_to_csv(x, file)

Arguments

Value

Sin valor de retorno (NULL invisible). Se invoca por su efecto secundario: escribir la tabla de resultados en formato CSV en file.

Examples

ratings <- c(3, 3, 2, 3, 3, 2, 3, 3, 2, 3)
result <- bayes_aiken(ratings, coefficient = "V", l = 0, s = 3, verbose = FALSE)
out <- tempfile(fileext = ".csv")
export_to_csv(result, out)
unlink(out)

Exportar a archivo de texto

Description

Exportar a archivo de texto

Usage

export_to_txt(x, file, include_verbose = TRUE)

Arguments

Value

Sin valor de retorno (NULL invisible). Se invoca por su efecto secundario: escribir el informe en texto plano en file.

Examples

ratings <- c(3, 3, 2, 3, 3, 2, 3, 3, 2, 3)
result <- bayes_aiken(ratings, coefficient = "V", l = 0, s = 3, verbose = FALSE)
out <- tempfile(fileext = ".txt")
export_to_txt(result, out)
unlink(out)

Extraer resultados en formato data.frame

Description

Extrae los coeficientes y sus intervalos de credibilidad de uno o varios objetos bayes_coef o bayes_aiken en un data.frame ordenado.

Usage

extract_results(..., ci_type = "HDI")

Arguments

Value

Data.frame con los resultados extraidos

Examples

# Un solo coeficiente
v1 <- coef_V(c(3,3,2,3,3), l=0, s=3, verbose=FALSE)
extract_results(v1)

# Multiples coeficientes
v2 <- coef_V(c(3,2,3,3,2), l=0, s=3, verbose=FALSE)
extract_results(v1, v2)

# Con nombres
extract_results(item1 = v1, item2 = v2)

Formatear un numero acotado en 0-1 al estilo APA

Description

Sin cero a la izquierda, como exige APA 7 para valores que no pueden superar la unidad.

Usage

fmt_apa(x, d = 2)

Arguments

Value

Vector de caracteres.

Examples

fmt_apa(c(0.75, -0.04, 1))

Grafico de la posterior de un coeficiente de Aiken

Description

Grafico de la posterior de un coeficiente de Aiken

Usage

## S3 method for class 'aiken_bayes'
plot(x, ...)

Arguments

Value

Devuelve el objeto x de forma invisible, sin modificarlo. Se invoca por su efecto secundario: dibujar el grafico en el dispositivo activo.

============================================================================= FUNCIONES DE VISUALIZACION - BayesAiken ============================================================================= Plot del objeto bayes_aiken

Description

============================================================================= FUNCIONES DE VISUALIZACION - BayesAiken ============================================================================= Plot del objeto bayes_aiken

Usage

## S3 method for class 'bayes_aiken'
plot(x, show_prior = TRUE, show_hdi = TRUE, ...)

Arguments

Value

Devuelve el objeto x de forma invisible, sin modificarlo. Se invoca por su efecto secundario: dibujar el grafico en el dispositivo activo.

Plot de comparacion de items

Description

Plot de comparacion de items

Usage

## S3 method for class 'bayes_comparison'
plot(x, show_rope = FALSE, rope = c(-0.05, 0.05), ...)

Arguments

Value

Devuelve el objeto x de forma invisible, sin modificarlo. Se invoca por su efecto secundario: dibujar el grafico en el dispositivo activo.

Plot del analisis ROPE

Description

Plot del analisis ROPE

Usage

## S3 method for class 'bayes_rope'
plot(x, ...)

Arguments

Value

Devuelve el objeto x de forma invisible, sin modificarlo. Se invoca por su efecto secundario: dibujar el grafico en el dispositivo activo.

Plot del planeamiento de muestra

Description

Plot del planeamiento de muestra

Usage

## S3 method for class 'bayes_sample_plan'
plot(x, ...)

Arguments

Value

Devuelve el objeto x de forma invisible, sin modificarlo. Se invoca por su efecto secundario: dibujar el grafico en el dispositivo activo.

Grafico de resultados de simulacion

Description

Grafico de resultados de simulacion

Usage

## S3 method for class 'bayes_simulation'
plot(x, type = "all", ...)

Arguments

Value

Devuelve el objeto x de forma invisible, sin modificarlo. Se invoca por su efecto secundario: dibujar el grafico en el dispositivo activo.

Grafico del analisis de sensibilidad

Description

Grafico del analisis de sensibilidad

Usage

## S3 method for class 'sensitivity_analysis'
plot(x, type = "all", ...)

Arguments

Value

Devuelve el objeto x de forma invisible, sin modificarlo. Se invoca por su efecto secundario: dibujar el grafico en el dispositivo activo.

Graficar densidad posterior del modelo Beta-Binomial

Description

Genera un grafico de la distribucion posterior de V usando el modelo Beta-Binomial estandar.

Usage

plot_V_beta_binomial(
  ratings,
  l = 0,
  s = 3,
  prior_alpha = 1,
  prior_beta = 1,
  cred_level = 0.95,
  threshold = 0.7,
  main = NULL,
  col = "steelblue",
  show_prior = TRUE,
  show_hdi = TRUE
)

Arguments

Value

Invisible: lista con parametros de la posterior

Examples

ratings <- c(3, 3, 2, 3, 3)
plot_V_beta_binomial(ratings, l = 0, s = 3)

Graficar densidad posterior del modelo Dirichlet-Multinomial

Description

Genera un grafico de la distribucion posterior de V usando el modelo Dirichlet-Multinomial (mas conservador que Beta-Binomial).

Usage

plot_V_dirichlet(
  ratings,
  l = 0,
  s = 3,
  prior_alpha = 1,
  cred_level = 0.95,
  n_samples = 10000,
  threshold = 0.7,
  main = NULL,
  col = "coral",
  show_prior = FALSE,
  show_hdi = TRUE,
  seed = NULL
)

Arguments

Details

El modelo Dirichlet-Multinomial modela directamente las frecuencias de cada categoria, produciendo intervalos mas amplios y conservadores que el modelo Beta-Binomial, especialmente con muestras pequenas.

Value

Invisible: lista con parametros y muestras de la posterior

Examples

ratings <- c(3, 3, 2, 3, 3)
plot_V_dirichlet(ratings, l = 0, s = 3)

Graficar todos los coeficientes

Description

Graficar todos los coeficientes

Usage

plot_all_coefficients(results, show_prior = FALSE)

Arguments

Value

Sin valor de retorno (NULL invisible). Se invoca por su efecto secundario: dibujar la distribucion posterior de cada coeficiente en el dispositivo grafico activo.

Grafico de comparacion de items

Description

Grafico de comparacion de items

Usage

plot_comparison(x, coef = NULL, order_by = "none")

Arguments

Value

No return value, called for its side effect: it draws, on the current graphics device, a dot-and-interval plot that compares the posterior estimate and credibility interval of every item against the 0.70 threshold. It returns NULL invisibly.

Graficar multiples items en un panel

Description

Genera un panel con multiples graficos de distribucion posterior

Usage

plot_multiple_posteriors(
  results_list,
  n_cols = 4,
  show_prior = FALSE,
  main_title = "Posterior Distributions by Item",
  coef = "V",
  prior_alpha = 1,
  prior_beta = 1,
  cred_level = 0.95
)

Arguments

Value

Invisible NULL

Examples

# Crear datos de ejemplo
items_data <- lapply(1:20, function(i) {
  list(post_alpha = 20 + sample(-5:10, 1),
       post_beta = 3 + sample(0:3, 1),
       item_name = paste0("Item ", i))
})
plot_multiple_posteriors(items_data, n_cols = 5)

Graficar distribucion posterior

Description

Graficar distribucion posterior

Usage

plot_posterior(
  post_alpha,
  post_beta,
  coef = "V",
  prior_alpha = 1,
  prior_beta = 1,
  cred_level = 0.95,
  show_prior = TRUE,
  show_hdi = TRUE,
  main = NULL,
  compact = FALSE
)

Arguments

Value

Invisible NULL

Examples

plot_posterior(post_alpha = 25, post_beta = 5, coef = "V")

Imprimir un objeto aiken_bayes

Description

Imprimir un objeto aiken_bayes

Usage

## S3 method for class 'aiken_bayes'
print(x, ...)

Arguments

Value

Devuelve el objeto x de forma invisible, sin modificarlo. Se invoca por su efecto secundario: imprimir el resumen en la consola.

Imprimir un objeto aiken_table

Description

Imprimir un objeto aiken_table

Usage

## S3 method for class 'aiken_table'
print(x, ...)

Arguments

Value

Devuelve el objeto x de forma invisible, sin modificarlo. Se invoca por su efecto secundario: imprimir el resumen en la consola.

Print method for bayes_aiken objects

Description

Print method for bayes_aiken objects

Usage

## S3 method for class 'bayes_aiken'
print(x, ...)

Arguments

Value

Devuelve el objeto x de forma invisible, sin modificarlo. Se invoca por su efecto secundario: imprimir el resumen en la consola.

Print method for bayes_coef objects

Description

Muestra el resultado de coef_V, coef_H, etc. en formato de tabla ordenada

Usage

## S3 method for class 'bayes_coef'
print(x, ...)

Arguments

Value

Devuelve el objeto x de forma invisible, sin modificarlo. Se invoca por su efecto secundario: imprimir el resumen en la consola.

Imprimir resultados de simulacion

Description

Imprimir resultados de simulacion

Usage

## S3 method for class 'bayes_simulation'
print(x, ...)

Arguments

Value

Devuelve el objeto x de forma invisible, sin modificarlo. Se invoca por su efecto secundario: imprimir el resumen en la consola.

Imprimir diagnostico de heterogeneidad

Description

Imprimir diagnostico de heterogeneidad

Usage

## S3 method for class 'judge_heterogeneity'
print(x, ...)

Arguments

Value

Devuelve el objeto x de forma invisible, sin modificarlo. Se invoca por su efecto secundario: imprimir el resumen en la consola.

Imprimir analisis de sensibilidad

Description

Imprimir analisis de sensibilidad

Usage

## S3 method for class 'sensitivity_analysis'
print(x, ...)

Arguments

Value

Devuelve el objeto x de forma invisible, sin modificarlo. Se invoca por su efecto secundario: imprimir el resumen en la consola.

Imprimir la tabla APA en consola

Description

Coloca cada celda en tres lineas alineadas, que es lo que hace legible el formato. Un data.frame normal no lo consigue.

Usage

print_apa(x, ...)

Arguments

Value

Se invoca por su efecto.

Recomendar modelo para V de Aiken

Description

Esta funcion analiza las caracteristicas de los datos y recomienda cual modelo usar: Beta-Binomial (estandar) o Dirichlet-Multinomial (conservador).

Usage

recommend_model(
  ratings,
  l = 0,
  s = 3,
  threshold_n = 7,
  threshold_cv = 0.15,
  threshold_consensus = 0.8,
  seed = NULL,
  verbose = TRUE
)

Arguments

Details

La funcion evalua tres criterios:

• Tamano muestral: n < threshold_n sugiere Dirichlet

• Heterogeneidad: CV > threshold_cv sugiere Dirichlet

• Consenso: proporcion modal < threshold_consensus sugiere Dirichlet

Regla de decision:

• 0 banderas rojas: Beta-Binomial

• 1 bandera roja: Beta-Binomial con precaucion

• 2+ banderas rojas: Dirichlet-Multinomial

Value

Lista con recomendacion y justificacion

Examples

# Caso con alto consenso - recomienda Beta-Binomial
ratings_good <- c(3, 3, 3, 3, 3, 3, 3, 3, 2, 3)
recommend_model(ratings_good)

# Caso con baja n y heterogeneidad - recomienda Dirichlet
ratings_risky <- c(1, 2, 3, 2, 3)
recommend_model(ratings_risky)

Analisis ROPE para equivalencia practica

Description

Evalua si un coeficiente cae dentro de una region de equivalencia practica usando el enfoque HDI + ROPE.

Usage

rope_analysis(
  result,
  rope_lower = 0.7,
  rope_upper = 1,
  cred_level = 0.95,
  verbose = TRUE
)

Arguments

Details

Decisiones posibles: - ACEPTAR: Todo el HDI esta dentro del ROPE - RECHAZAR: Todo el HDI esta fuera del ROPE - INDECISO: El HDI se superpone parcialmente con el ROPE

Value

Lista con decision ROPE

Examples

ratings <- c(3, 3, 2, 3, 3, 3, 3, 2, 3, 3)
result <- coef_V(ratings, l = 0, s = 3)
rope_analysis(result, rope_lower = 0.70, rope_upper = 1.00)

Abrir la aplicacion AikenBayes

Description

Lanza en local la interfaz grafica para calcular los seis coeficientes de Aiken bajo el modelo Dirichlet-Multinomial. No requiere conexion ni despliegue: la aplicacion corre en la propia sesion de R.

Usage

run_aiken_app(launch.browser = TRUE, port = NULL, ...)

Arguments

Value

Se invoca por su efecto: abre la aplicacion.

Examples

if (interactive()) {
  run_aiken_app()
}

Planear numero de jueces usando posterior predictivo

Description

Simula que pasaria si se agregan mas jueces y calcula la probabilidad de alcanzar el umbral de validez con diferentes tamanos de panel.

Usage

sample_size_planning(
  current_result,
  target_prob = 0.95,
  threshold = 0.7,
  additional_judges = 1:10,
  n_simulations = 2000,
  seed = NULL,
  verbose = TRUE
)

Arguments

Value

Data.frame con probabilidades por numero de jueces

Examples

ratings <- c(3, 2, 3, 3, 2)  # 5 jueces actuales
result <- coef_V(ratings, l = 0, s = 3)
plan <- sample_size_planning(result, target_prob = 0.95, threshold = 0.70)

Analisis de sensibilidad completo

Description

Realiza un analisis de sensibilidad que incluye: (1) comparacion de priors, (2) analisis de influencia de jueces, y (3) bootstrap no parametrico.

Usage

sensitivity_analysis(
  ratings,
  l = 0,
  s = 3,
  priors = list(`Uniforme Beta(1,1)` = c(1, 1), `Jeffreys Beta(0.5,0.5)` = c(0.5, 0.5),
    `Debil Beta(2,2)` = c(2, 2)),
  cred_level = 0.95,
  n_bootstrap = 1000,
  seed = NULL,
  verbose = TRUE
)

Arguments

Value

Objeto de clase 'sensitivity_analysis' con:

• prior_comparison: Comparacion de diferentes priors

• influence_analysis: Efecto de remover cada juez

• bootstrap: Intervalos bootstrap (no parametrico)

• summary: Resumen de estabilidad

Examples

ratings <- c(3, 3, 2, 3, 3, 2, 3, 3, 1, 3)
sens <- sensitivity_analysis(ratings, l = 0, s = 3)
plot(sens)

Simulacion para planificacion del numero de jueces

Description

Realiza una simulacion Monte Carlo para evaluar como cambia la precision de los intervalos y la probabilidad de cumplir una regla decisional al variar el numero de jueces. Replica la metodologia de la Tabla 3 del articulo "V de Aiken Bayesiana".

Usage

simulate_judges_planning(
  true_V = c(0.8, 0.9),
  n_judges = c(5, 10, 15),
  k = 3,
  prior_alpha = 1,
  prior_beta = 1,
  cred_level = 0.95,
  threshold = 0.7,
  min_prob = 0.95,
  n_sim = 1000,
  seed = NULL,
  verbose = TRUE
)

Arguments

Details

Para cada combinacion de V verdadero y numero de jueces, la funcion:

1. Genera n_sim conjuntos de calificaciones simuladas

2. Calcula la posterior Beta para cada simulacion

3. Computa ETI y HDI al nivel cred_level

4. Evalua cobertura (si el intervalo contiene V verdadero)

5. Evalua si se cumple la regla P(V > threshold) >= min_prob

Las metricas reportadas son:

• Cobertura ETI/HDI: Proporcion de simulaciones donde el intervalo contiene V verdadero

• Ancho ETI/HDI: Ancho promedio del intervalo de credibilidad

• Pr(regla): Proporcion de simulaciones que cumplen la regla decisional

Value

Objeto de clase 'bayes_simulation' con:

• results: Data.frame con resultados por V verdadero y n de jueces

• parameters: Lista con parametros de la simulacion

• raw_data: Lista con datos crudos de cada simulacion

Examples

# Version breve (pocas simulaciones)
sim <- simulate_judges_planning(true_V = 0.80, n_judges = c(5, 10),
                                k = 3, n_sim = 100)
print(sim)


# Replicar Tabla 3 del articulo
sim <- simulate_judges_planning(
  true_V = c(0.80, 0.90),
  n_judges = c(5, 10, 15),
  k = 3,
  n_sim = 1000
)
plot(sim)

Resumen de un objeto aiken_bayes

Description

Resumen de un objeto aiken_bayes

Usage

## S3 method for class 'aiken_bayes'
summary(object, ...)

Arguments

Value

Un data.frame de una fila con el coeficiente, el numero de jueces (n), la estimacion clasica, la media y desviacion estandar posteriores, los limites del intervalo de credibilidad (ci_inf, ci_sup) y una columna por umbral con la probabilidad posterior de superarlo.

Summary method for bayes_aiken objects

Description

Summary method for bayes_aiken objects

Usage

## S3 method for class 'bayes_aiken'
summary(object, ...)

Arguments

Value

Devuelve el objeto object (clase bayes_aiken) de forma invisible, sin modificarlo. Se invoca por su efecto secundario: imprimir la configuracion del analisis y la tabla resumen de resultados.

Crear tabla resumen formateada

Description

Crear tabla resumen formateada

Usage

summary_table(x, digits = 3)

Arguments

Value

Data frame con resumen formateado