Muchas gracias, un saludo.

Gracias, ya he vuelto a grabar videos. En breve los iré subiendo.

Muchas gracias. Pues quiero retomar. Tuve un hijo, una mudanza intercontinental y varias cosas más que me han dificultado continuar con el proyecto. Pero como ves, no estoy desaparecido, ojalá pueda volver.

@@PabloVallejoMedina Bueno parece que son cambios a mejor. Tus fieles seguidores estaremos expectantes de la vuelta a los terrenos de juego

Síi, a mi me parece a fin de cuenta una cosa super subjetiva. Por eso apoyarse en cuestiones visuales es clave, con todo y con eso fallamos. Pero al menos cumplir unos mínimos ;)

Muchas gracias!!

ME alegra ;)

Muchas gracias ;)

Muchas gracias!!!

De nada, un saludo!!!

Has oído @KZfaq, por que no me quieres monetizar!!! Un saludo!

@@PabloVallejoMedina es una buena pregunta. Lo haré! Sabes si hay manera de poner like pero sin que se añada a tus favoritos. Esa es la principal razón por la que no pongo like.

@@luisroca835 No ni idea. No te preocupes ;).

@@PabloVallejoMedina tienes toda la razón! Es lo mínimo que puedo hacer. Todos tus vídeos son buenos!

@@luisroca835 No tranquilo, siéntete libre de darle like o no. Con que te guste el material es toda una alegría ;)

Hola, muchas gracias. Si en principio como tu dices se debería de poder extrapolar la normalidad de los errores a la de la variable. Aunque esto solo será así con variables continuas y que sigan distribuciones lineales. Es decir es riesgoso. Prefiero la fuente. Respecto a las técnicas hay muuuuchas. Pero con total honestidad. Yo que trabajo con muestras grandes casi siempre, no le paro bolas a este supuesto casi nunca. NO cambia nada, y su violación no suele comprometer nada ;) Pero no puedes poner eso Pablo... está bien entonces pon: la laxitud sobre este supuesto está en parte supeditada al tamaño muestral y a la intencionalidad del investigador.

Un placer ;)

1 me gusta y un comentario son perfectos ;)

Muchas gracias Raidell ;)

Un saludo Cristhian ;)

De nada ;)!!!

Esa función también está genial. Hay opciones que se quedan por fuera sino sería imposible. Muchas gracias como siempre.

Un saludo, muchas gracias ;)

Hola, síIIII es cierto. A ver muchas veces va a ser igual, pero inténtalo cuando tengas una regresión logística binomial. Cuando la variable es dicotómica ya estamos agrandando el error. Pero vaya, yo mismo me equivoco en muchas cosas en los videos y como youtube le sienta muy mal que borremos los vídeos así se quedan (como máximo con una adenda ;).

Hola Kathia, sí pero no ;). échale un ojo a este paper -que está en la descripción-. Seguro te saca de dudas. peerj.com/articles/3323/

Claro, cualquier libro serio de metodología. Pero si necesitas un soporte para un paper, creo que este está bien: peerj.com/articles/3323/

Hola, muchas gracias. He dicho yo que no se deba usar Levene? a ver este tipo de análisis tienen el problema de que todo recae en el pvalue y por tanto en el tamaño muestral. Es un análisis válido, pero creo que hay otros más completos. Acá te dejo algo en inglés que sigue con mi idea: It relies too much on p-values, and therefore, sample sizes. If the sample size is large, Levene’s will have a smaller p-value than if the sample size is small, given the same variances.So it’s very likely that you’re overstating a problem with the assumption in large samples and understating it in small samples. You can’t ignore the actual size difference in the variances when making this decision. So sure, look at the p-value, but also look at the actual variances and how much bigger some are than others. (In other words, actually look at the effect size, not just the p-value). The ANOVA is generally considered robust to violations of this assumption when sample sizes across groups are equal. So even if Levene’s is significant, moderately different variances may not be a problem in balanced data sets. Keppel (1992) suggests that a good rule of thumb is that if sample sizes are equal, robustness should hold until the largest variance is more than 9 times the smallest variance. This robustness goes away the more unbalanced the samples are. So you need to use judgment here, taking into account both the imbalance and the actual difference in variances.

Me refiero a los comandos, no que en cada prueba haya que evaluar estos supuestos

Jajajja, tooodo es regresión. Llegará un punto en que te darás cuenta y cuando eso suceda estarás por encima del bien y del mal ;). Para todas las paramétricas debería ser así. Pero se puede flexibilizar un poco algunos, sobre todo a grandes tamaños muestrales.

@@PabloVallejoMedina jajajaj muchas gracias Pablo, espero que puedas seguir subiendo videos como antes, cuando saque mi primer artículo cientifico pondré en agradecimientos a Chupitos de R😂

@@eduardomoya8447 Sí, estoy en un momento convulso de mi vida y no tengo ni tiempo ni energía para subir más. Pero en septiembre volveré.

Una opcion es realizar la "transformacion" de tu variable de respuesta (Y)...

library(lmtest)

@@fabriciomiergoyes9938 gracias

Hola Renato, yo nunca utilizaría ese test para una muestra tan grande. Más de 50 personas ya no se recomienda usar Shapiro. Tienes un tamaño muestral muy grande yo me decantaría por un multimétodo multifuente: Kolmogorov-Smirnov y modificación de Lillefors. La función lillie.test() del paquete nortest permite aplicarlo. Test de normalidad de Jarque-Bera ... jarque.bera.test() del paquete tseries y el gráfico Q-Q. Con eso te vas a hacer una idea más correcta. Un saludo.

@@PabloVallejoMedina Muchas gracias por la explicación Pablo!

T test de muestras relacionadas. Ya está grabado. Luego imputación de valores perdidos utilizando forest

@@PabloVallejoMedina Muchas gracias, Pablo.

No he contando los ceros, pero sí, estas en lo cierto. Es eso.

@@PabloVallejoMedina Muchas gracias :D que maravilloso tu apoyo