Hola a todos! perdón por molestarlos nuevamente con los contrastes, pero estoy trantando de entender que es lo que está haciendo R y de donde vienen los valores que informa pero no lo logro. Creí haberlo entendido pero a la hora de usar mis datos los resultados no dan como deberían. Tengo dos variables explicativas que son factores con 3 niveles cada uno. Esta es la tabla de medias de la variable respuesta (LD) para cada combianción de los dos factores.> tapply(rec$LD,list(rec$Modelo,rec$Periodo),mean)1 2 3 Z 250.6250 277.5 329.7143 T 364.2857 86.0 191.7143 CH 110.1250 508.5 457.6667 Ajusté un modelo lineal en el cual incluí la interacción entre ambos factores (más abajo está el modelo). Siendo el nivel Z de la Varialbe "Modelo" y el nivel 1 de la Variable "Período" los niveles de referencia, no se supone que el valor del "Intercept" debería ser 250.6250??? Además, el contraste que el R realiza si no se indica otra cosa es el de tratamiento, o sea que cada nivel del factor se compara con el valor de referencia. Entonces, si tengo una interacción deberia comparar por ejemplo la diferencia (Modelo Z en Periodo1 - Modelo T en Periodo1) con esta otra diferencia (ModeloZ en Periodo2 -Modelo T en Período 2). Esto en números y siguiendo la tabla de medias deberia ser: 250.63 - 364.29 -277.5 + 86= -302.16 este valor no debería ser el valor de lo que en el summary del modelo figura como Modelo[T.T]:Periodo[T.2] ????> m<-lme(LD~Modelo*Periodo,random=~1|ID,data=rec) > summary(m)Linear mixed-effects model fit by REML Data: rec AIC BIC logLik 918.0673 941.1051 -448.0337 Random effects: Formula: ~1 | ID (Intercept) Residual StdDev: 114.4336 346.7797 Fixed effects: LD ~ Modelo * Periodo Value Std.Error DF t-value p-value (Intercept) 237.0836 128.6034 38 1.8435255 0.0731 Modelo[T.T] 135.4110 187.8035 38 0.7210247 0.4753 Modelo[T.CH] -120.5998 181.4945 38 -0.6644819 0.5104 Periodo[T.2] 57.3990 181.4945 38 0.3162572 0.7535 Periodo[T.3] 88.6981 187.8035 38 0.4722919 0.6394 Modelo[T.T]:Periodo[T.2] -344.6546 263.6859 38 -1.3070652 0.1990 Modelo[T.CH]:Periodo[T.2] 313.1157 272.1145 38 1.1506763 0.2571 Modelo[T.T]:Periodo[T.3] -276.7085 274.8079 38 -1.0069162 0.3203 Modelo[T.CH]:Periodo[T.3] 261.1671 263.6859 38 0.9904477 0.3282 Number of Observations: 69 Number of Groups: 23 Como veran los valores informados en el resumen del modelo que arroja el R no concuerdan con el razonamiento que seguí y que con otros datos si se corroboran. La verdad es que no entiendo que es lo que está informando el R como intercept ni los valores de los contrastes.... Alguién me podrá ayudar porque la verdad es que estoy bastante atascada con esto. Muchas gracias Lic. Carolina Haupt [[alternative HTML version deleted]]
Hola Carolina, Por ayudar en algo, sobre lo que hace R cuando se aplica un modelo "lme()" te sugeriría que revisaras el capítulo 10 del libro "Data Analysis and Graphics Using R (An Example-Based Approach) - 3rd Edition - John Maindonald and W. John Braun". Si describes con más detalle tu experimento, el significado de las variables y factores que intervienen seguramente hasta en la lista te podamos sugerir un modelo alternativo al que planteas sobre el que sería más fácil interpretar los resultados. Saludos, Carlos Ortega www.qualityexcellence.es El 8 de mayo de 2012 01:00, Carolina Haupt <carolina_haupt@yahoo.com.ar>escribió:> Hola a todos! perdón por molestarlos nuevamente con los contrastes, pero > estoy trantando de entender que es lo que está haciendo R y de donde vienen > los valores que informa pero no lo logro. Creí haberlo entendido pero a la > hora de usar mis datos los resultados no dan como deberían. > > Tengo dos variables explicativas que son factores con 3 niveles cada uno. > Esta es la tabla de medias de la variable respuesta (LD) para cada > combianción de los dos factores. > > > tapply(rec$LD,list(rec$Modelo,rec$Periodo),mean) > > > 1 2 3 > > Z 250.6250 277.5 329.7143 > > T 364.2857 86.0 191.7143 > > CH 110.1250 508.5 457.6667 > > Ajusté un modelo lineal en el cual incluí la interacción entre ambos > factores (más abajo está el modelo). Siendo el nivel Z de la Varialbe > "Modelo" y el nivel 1 de la Variable "Período" los niveles de referencia, > no se supone que el valor del "Intercept" debería ser 250.6250??? > Además, el contraste que el R realiza si no se indica otra cosa es el de > tratamiento, o sea que cada nivel del factor se compara con el valor de > referencia. Entonces, si tengo una interacción deberia comparar por ejemplo > la diferencia (Modelo Z en Periodo1 - Modelo T en Periodo1) con esta otra > diferencia (ModeloZ en Periodo2 -Modelo T en Período 2). Esto en números y > siguiendo la tabla de medias deberia ser: > 250.63 - 364.29 -277.5 + 86= -302.16 este valor no debería ser el valor > de lo que > en el summary del modelo figura como Modelo[T.T]:Periodo[T.2] ???? > > > > m<-lme(LD~Modelo*Periodo,random=~1|ID,data=rec) > > summary(m) > Linear mixed-effects model fit by REML > Data: rec > AIC BIC logLik > 918.0673 941.1051 -448.0337 > > Random effects: > Formula: ~1 | ID > (Intercept) Residual > StdDev: 114.4336 346.7797 > > Fixed effects: LD ~ Modelo * Periodo > Value Std.Error DF > t-value p-value > (Intercept) 237.0836 128.6034 38 1.8435255 > 0.0731 > Modelo[T.T] 135.4110 187.8035 38 0.7210247 0.4753 > Modelo[T.CH] -120.5998 181.4945 38 -0.6644819 0.5104 > Periodo[T.2] 57.3990 181.4945 38 0.3162572 0.7535 > Periodo[T.3] 88.6981 187.8035 38 0.4722919 0.6394 > Modelo[T.T]:Periodo[T.2] > -344.6546 263.6859 38 -1.3070652 0.1990 > Modelo[T.CH]:Periodo[T.2] 313.1157 272.1145 38 1.1506763 0.2571 > Modelo[T.T]:Periodo[T.3] -276.7085 274.8079 38 -1.0069162 0.3203 > Modelo[T.CH]:Periodo[T.3] 261.1671 263.6859 38 0.9904477 0.3282 > > > Number of Observations: 69 > Number of Groups: 23 > > Como veran los valores informados en el resumen del modelo que arroja el R > no > concuerdan con el razonamiento que seguí y que con otros datos si se > corroboran. La > verdad es que no entiendo que es lo que está informando el R como > intercept ni los valores de los contrastes.... > > Alguién me podrá ayudar porque la verdad es que estoy bastante atascada > con esto. > > Muchas gracias > > Lic. Carolina Haupt > > > > [[alternative HTML version deleted]] > > > _______________________________________________ > R-help-es mailing list > R-help-es@r-project.org > https://stat.ethz.ch/mailman/listinfo/r-help-es > >-- Saludos, Carlos Ortega www.qualityexcellence.es [[alternative HTML version deleted]]
Hola, Siguiendo la recomendación de Carlos, les detallo el experimento que es más complejo de lo que pregunté en un principio que era solo a modo de ejemplo , para saber de donde salen los valores que informa R. Realicé un experimento cross-over para estudiar la intensidad de defensa del nido de un ave frente a tres tipos de intrusos en dos estadios del ciclo de nidificación. Son tres tratamientos en tres periodos por estadio. Cada pareja/nido fue expuesta a los tres tipos de intrusos de forma secuencial con un intervalo entre presentaciones. Por lo tanto tengo un grupo de parejas/nido que fue expuesta a los tres tipos de intrusos durante el estadio de puesta de huevos y un segundo grupo que fue expuesto a los mismos tres intrusos durante la cría de pichones. Durante el experimento registré varios tipos de comportamientos. La variable del ejemplo es el tiempo que transcurrió hasta que el intruso fuera detectado (casi no hay datos censurados). El modelo lme que corrí tiene como variables explicativas el tipo de intruso (3 niveles), el estadio en el ciclo de nidificación (2 niveles), el período, la secuencia y las interacciones entre las tres primeras variables. No incluí carry-over effect porque considero que el intervalo entre presentaciones es suficiente para "limpiar" el efecto del tratamiento anterior. También incluyo co-variables(PV, MB, Date). m1<-lme(LD~Modelo*Estadio*Periodo+Sec+PV+MB+Date,random=~1|ID,data=rec2) mi idea es ajustar un modelo por cada variable respuesta, el tipo de modelo dependerá de la variable respuesta, varias de ellas son proporciones. El modelo final que obtuve es el siguiente Linear mixed-effects model fit by REML Data: rec2 AIC BIC logLik 870.6254 899.2281 -421.3127 Random effects: Formula: ~1 | ID (Intercept) Residual StdDev: 104.4265 305.043 Fixed effects: LD ~ Modelo + Estadio + Periodo + Modelo:Periodo + Estadio:Periodo Value Std.Error DF t-value p-value (Intercept) 301.4819 120.0281 36 2.5117604 0.0166 Modelo[T.T] 208.3419 180.1428 36 1.1565379 0.2551 Modelo[T.CH] -44.7514 177.2589 36 -0.2524634 0.8021 Estadio[T.N] -199.8820 152.9881 21 -1.3065195 0.2055 Periodo[T.2] -138.1894 208.5479 36 -0.6626267 0.5118 Periodo[T.3] 354.0325 183.3053 36 1.9313816 0.0613 Modelo[T.T]:Periodo[T.2] -336.9111 251.8804 36 -1.3375835 0.1894 Modelo[T.CH]:Periodo[T.2] 341.9817 264.6137 36 1.2923809 0.2045 Modelo[T.T]:Periodo[T.3] -357.8652 253.3635 36 -1.4124576 0.1664 Modelo[T.CH]:Periodo[T.3] 168.6080 246.5327 36 0.6839175 0.4984 Estadio[T.N]:Periodo[T.2] 327.8061 206.4646 36 1.5877111 0.1211 Estadio[T.N]:Periodo[T.3] -367.4931 194.7441 36 -1.8870565 0.0672 las interacciones dobles (Modelo:Período y Estadio:Período) son significativas Mi consulta original acerca de los contrastes venía a que me interesa saber que combinaciones de Modelo:período y Estadio:Período difieren. Y no solo para este caso particular sino para saber como son los contrastes de las interacciones en general. Lo que hice para poder ver todas las comparaciones que me interesan es ir modificando el nivel de referencia de los factores hasta obtener todas los contrastes. Si alguién me puede ayudar sería genial, hace días que leo y leo libros y demás información pero no encuentro mi respuesta. Muchas gracias Lic. Carolina Haupt --- El mié 9-may-12, Carlos Ortega <cof@qualityexcellence.es> escribió: De: Carlos Ortega <cof@qualityexcellence.es> Asunto: Re: [R-es] que valores está informando R en summary??? Para: "Carolina Haupt" <carolina_haupt@yahoo.com.ar> Cc: r-help-es@r-project.org Fecha: miércoles, 9 de mayo de 2012, 6:22 Hola Carolina, Por ayudar en algo, sobre lo que hace R cuando se aplica un modelo "lme()" te sugeriría que revisaras el capítulo 10 del libro "Data Analysis and Graphics Using R (An Example-Based Approach) - 3rd Edition - John Maindonald and W. John Braun". Si describes con más detalle tu experimento, el significado de las variables y factores que intervienen seguramente hasta en la lista te podamos sugerir un modelo alternativo al que planteas sobre el que sería más fácil interpretar los resultados. Saludos,Carlos Ortegawww.qualityexcellence.es El 8 de mayo de 2012 01:00, Carolina Haupt <carolina_haupt@yahoo.com.ar> escribió: Hola a todos! perdón por molestarlos nuevamente con los contrastes, pero estoy trantando de entender que es lo que está haciendo R y de donde vienen los valores que informa pero no lo logro. Creí haberlo entendido pero a la hora de usar mis datos los resultados no dan como deberían. Tengo dos variables explicativas que son factores con 3 niveles cada uno. Esta es la tabla de medias de la variable respuesta (LD) para cada combianción de los dos factores.> tapply(rec$LD,list(rec$Modelo,rec$Periodo),mean)1 2 3 Z 250.6250 277.5 329.7143 T 364.2857 86.0 191.7143 CH 110.1250 508.5 457.6667 Ajusté un modelo lineal en el cual incluí la interacción entre ambos factores (más abajo está el modelo). Siendo el nivel Z de la Varialbe "Modelo" y el nivel 1 de la Variable "Período" los niveles de referencia, no se supone que el valor del "Intercept" debería ser 250.6250??? Además, el contraste que el R realiza si no se indica otra cosa es el de tratamiento, o sea que cada nivel del factor se compara con el valor de referencia. Entonces, si tengo una interacción deberia comparar por ejemplo la diferencia (Modelo Z en Periodo1 - Modelo T en Periodo1) con esta otra diferencia (ModeloZ en Periodo2 -Modelo T en Período 2). Esto en números y siguiendo la tabla de medias deberia ser: 250.63 - 364.29 -277.5 + 86= -302.16 este valor no debería ser el valor de lo que en el summary del modelo figura como Modelo[T.T]:Periodo[T.2] ????> m<-lme(LD~Modelo*Periodo,random=~1|ID,data=rec)> summary(m)Linear mixed-effects model fit by REML Data: rec AIC BIC logLik 918.0673 941.1051 -448.0337 Random effects: Formula: ~1 | ID (Intercept) Residual StdDev: 114.4336 346.7797 Fixed effects: LD ~ Modelo * Periodo Value Std.Error DF t-value p-value (Intercept) 237.0836 128.6034 38 1.8435255 0.0731 Modelo[T.T] 135.4110 187.8035 38 0.7210247 0.4753 Modelo[T.CH] -120.5998 181.4945 38 -0.6644819 0.5104 Periodo[T.2] 57.3990 181.4945 38 0.3162572 0.7535 Periodo[T.3] 88.6981 187.8035 38 0.4722919 0.6394 Modelo[T.T]:Periodo[T.2] -344.6546 263.6859 38 -1.3070652 0.1990 Modelo[T.CH]:Periodo[T.2] 313.1157 272.1145 38 1.1506763 0.2571 Modelo[T.T]:Periodo[T.3] -276.7085 274.8079 38 -1.0069162 0.3203 Modelo[T.CH]:Periodo[T.3] 261.1671 263.6859 38 0.9904477 0.3282 Number of Observations: 69 Number of Groups: 23 Como veran los valores informados en el resumen del modelo que arroja el R no concuerdan con el razonamiento que seguí y que con otros datos si se corroboran. La verdad es que no entiendo que es lo que está informando el R como intercept ni los valores de los contrastes.... Alguién me podrá ayudar porque la verdad es que estoy bastante atascada con esto. Muchas gracias Lic. Carolina Haupt [[alternative HTML version deleted]] _______________________________________________ R-help-es mailing list R-help-es@r-project.org https://stat.ethz.ch/mailman/listinfo/r-help-es -- Saludos, Carlos Ortega www.qualityexcellence.es [[alternative HTML version deleted]]
Marcuzzi, Javier Rubén
2012-May-09 20:55 UTC
[R-es] que valores está informando R en summary???
Carolina Hauput
¿Algo como?
m1<-lme(LD~Modelo*Estadio*Periodo+Sec+PV+MB+Date,random=~1|ID/PV,data=rec2)
Ni idea que es PV, simplemente lo anide para que al correr el modelo
visualice el cambio, lo que escribí puede estar muy lejos de su
requerimiento.
Javier Marcuzzi
-----Mensaje original-----
From: Carolina Haupt
Sent: Wednesday, May 09, 2012 5:31 PM
To: r-help-es en r-project.org
Cc: r-help-es en r-project.org
Subject: Re: [R-es] que valores está informando R en summary???
Hola,
Siguiendo la recomendación de Carlos, les detallo el experimento que es más
complejo de lo que pregunté en un principio que era solo a modo de ejemplo ,
para saber de donde salen los valores que informa R.
Realicé un experimento cross-over para estudiar la intensidad de defensa del
nido de un ave frente a tres tipos de intrusos en dos estadios del ciclo de
nidificación. Son tres tratamientos en tres periodos por estadio.
Cada pareja/nido fue expuesta a los tres tipos de intrusos de forma
secuencial con un intervalo entre presentaciones. Por lo tanto tengo un
grupo de parejas/nido que fue expuesta a los tres tipos de intrusos durante
el estadio de puesta de huevos y un segundo grupo que fue expuesto a los
mismos tres intrusos durante la cría de pichones. Durante el experimento
registré varios tipos de comportamientos. La
variable del ejemplo es el tiempo que transcurrió hasta que el intruso fuera
detectado (casi no hay datos censurados).
El modelo lme que corrí tiene como variables explicativas el tipo de intruso
(3 niveles), el estadio en el ciclo de nidificación (2 niveles), el período,
la secuencia y las interacciones entre las tres primeras variables. No
incluí carry-over effect porque considero que el intervalo entre
presentaciones es suficiente para "limpiar" el efecto del tratamiento
anterior. También incluyo co-variables(PV, MB, Date).
m1<-lme(LD~Modelo*Estadio*Periodo+Sec+PV+MB+Date,random=~1|ID,data=rec2)
mi idea es ajustar un modelo por cada variable respuesta, el tipo de modelo
dependerá de la variable respuesta, varias de ellas son proporciones.
El modelo final que obtuve es el siguiente
Linear mixed-effects model fit by REML
Data: rec2
AIC BIC
logLik
870.6254
899.2281 -421.3127
Random effects:
Formula: ~1 |
ID
(Intercept) Residual
StdDev:
104.4265 305.043
Fixed effects: LD ~ Modelo + Estadio + Periodo +
Modelo:Periodo + Estadio:Periodo
Value Std.Error
DF t-value p-value
(Intercept) 301.4819 120.0281 36
2.5117604 0.0166
Modelo[T.T] 208.3419 180.1428 36
1.1565379 0.2551
Modelo[T.CH] -44.7514 177.2589 36 -0.2524634 0.8021
Estadio[T.N] -199.8820 152.9881 21 -1.3065195 0.2055
Periodo[T.2] -138.1894 208.5479 36 -0.6626267 0.5118
Periodo[T.3] 354.0325 183.3053 36
1.9313816 0.0613
Modelo[T.T]:Periodo[T.2] -336.9111
251.8804 36 -1.3375835 0.1894
Modelo[T.CH]:Periodo[T.2] 341.9817
264.6137 36 1.2923809 0.2045
Modelo[T.T]:Periodo[T.3] -357.8652
253.3635 36 -1.4124576 0.1664
Modelo[T.CH]:Periodo[T.3] 168.6080
246.5327 36 0.6839175 0.4984
Estadio[T.N]:Periodo[T.2] 327.8061
206.4646 36 1.5877111 0.1211
Estadio[T.N]:Periodo[T.3]
-367.4931 194.7441 36 -1.8870565 0.0672
las interacciones dobles (Modelo:Período y Estadio:Período) son
significativas
Mi consulta original acerca de los contrastes venía a que me interesa saber
que combinaciones de Modelo:período y Estadio:Período difieren. Y no solo
para este caso particular sino para saber como son los contrastes de las
interacciones en general.
Lo que hice para poder ver todas las comparaciones que me interesan es ir
modificando el nivel de referencia de los factores hasta obtener todas los
contrastes.
Si alguién me puede ayudar sería genial, hace días que leo y leo libros y
demás información pero no encuentro mi respuesta.
Muchas gracias
Lic. Carolina Haupt
--- El mié 9-may-12, Carlos Ortega <cof en qualityexcellence.es> escribió:
De: Carlos Ortega <cof en qualityexcellence.es>
Asunto: Re: [R-es] que valores está informando R en summary???
Para: "Carolina Haupt" <carolina_haupt en yahoo.com.ar>
Cc: r-help-es en r-project.org
Fecha: miércoles, 9 de mayo de 2012, 6:22
Hola Carolina,
Por ayudar en algo, sobre lo que hace R cuando se aplica un modelo
"lme()"
te sugeriría que revisaras el capítulo 10 del libro
"Data Analysis and Graphics Using R (An Example-Based Approach) - 3rd
Edition - John Maindonald and W. John Braun".
Si describes con más detalle tu experimento, el significado de las variables
y factores que intervienen seguramente hasta en la lista te podamos sugerir
un modelo alternativo al que planteas sobre el que sería más fácil
interpretar los resultados.
Saludos,Carlos Ortegawww.qualityexcellence.es
El 8 de mayo de 2012 01:00, Carolina Haupt <carolina_haupt en
yahoo.com.ar>
escribió:
Hola a todos! perdón por molestarlos nuevamente con los contrastes, pero
estoy trantando de entender que es lo que está haciendo R y de donde vienen
los valores que informa pero no lo logro. Creí haberlo entendido pero a la
hora de usar mis datos los resultados no dan como deberían.
Tengo dos variables explicativas que son factores con 3 niveles cada uno.
Esta es la tabla de medias de la variable respuesta (LD) para cada
combianción de los dos factores.
> tapply(rec$LD,list(rec$Modelo,rec$Periodo),mean)
1 2 3
Z 250.6250 277.5 329.7143
T 364.2857 86.0 191.7143
CH 110.1250 508.5 457.6667
Ajusté un modelo lineal en el cual incluí la interacción entre ambos
factores (más abajo está el modelo). Siendo el nivel Z de la Varialbe
"Modelo" y el nivel 1 de la Variable "Período" los niveles
de referencia,
no se supone que el valor del "Intercept" debería ser 250.6250???
Además, el contraste que el R realiza si no se indica otra cosa es el de
tratamiento, o sea que cada nivel del factor se compara con el valor de
referencia. Entonces, si tengo una interacción deberia comparar por ejemplo
la diferencia (Modelo Z en Periodo1 - Modelo T en Periodo1) con esta otra
diferencia (ModeloZ en Periodo2 -Modelo T en Período 2). Esto en números y
siguiendo la tabla de medias deberia ser:
250.63 - 364.29 -277.5 + 86= -302.16 este valor no debería ser el valor de
lo que
en el summary del modelo figura como Modelo[T.T]:Periodo[T.2] ????
> m<-lme(LD~Modelo*Periodo,random=~1|ID,data=rec)
> summary(m)
Linear mixed-effects model fit by REML
Data: rec
AIC BIC logLik
918.0673 941.1051 -448.0337
Random effects:
Formula: ~1 | ID
(Intercept) Residual
StdDev: 114.4336 346.7797
Fixed effects: LD ~ Modelo * Periodo
Value Std.Error DF
t-value p-value
(Intercept) 237.0836 128.6034 38 1.8435255
0.0731
Modelo[T.T] 135.4110 187.8035 38 0.7210247 0.4753
Modelo[T.CH] -120.5998 181.4945 38 -0.6644819 0.5104
Periodo[T.2] 57.3990 181.4945 38 0.3162572 0.7535
Periodo[T.3] 88.6981 187.8035 38 0.4722919 0.6394
Modelo[T.T]:Periodo[T.2]
-344.6546 263.6859 38 -1.3070652 0.1990
Modelo[T.CH]:Periodo[T.2] 313.1157 272.1145 38 1.1506763 0.2571
Modelo[T.T]:Periodo[T.3] -276.7085 274.8079 38 -1.0069162 0.3203
Modelo[T.CH]:Periodo[T.3] 261.1671 263.6859 38 0.9904477 0.3282
Number of Observations: 69
Number of Groups: 23
Como veran los valores informados en el resumen del modelo que arroja el R
no
concuerdan con el razonamiento que seguí y que con otros datos si se
corroboran. La
verdad es que no entiendo que es lo que está informando el R como
intercept ni los valores de los contrastes....
Alguién me podrá ayudar porque la verdad es que estoy bastante atascada con
esto.
Muchas gracias
Lic. Carolina Haupt
[[alternative HTML version deleted]]
_______________________________________________
R-help-es mailing list
R-help-es en r-project.org
https://stat.ethz.ch/mailman/listinfo/r-help-es
--
Saludos,
Carlos Ortega
www.qualityexcellence.es
[[alternative HTML version deleted]]
_______________________________________________
R-help-es mailing list
R-help-es en r-project.org
https://stat.ethz.ch/mailman/listinfo/r-help-es
Maybe Matching Threads
- Buscando la solución más eficiente para generar resultados a partir de un list
- necesito ayuda para realizar contrastes
- Rv: Re: Buscando la solución más eficiente para generar resultados a partir de un list
- Mann-Whitney con datos temporales
- test z de tres proporciones