Ctrl+K

✏️ Esercizi

6. ✏️ Esercizi#

source("../_common.R")

6.1. Scaling Likert dei dati del questionario ordinale, creazione di un punteggio totale e scaling normativo#

Il Strengths and Difficulties Questionnaire (SDQ) è un breve questionario di screening comportamentale riguardante bambini e adolescenti di età compresa tra 3 e 16 anni. Esiste in diverse versioni consultabili su http://www.sdqinfo.org/. Dal sito è possibile scaricare il questionario, il metodo di scoring e le norme del test.

La versione autovalutativa (SDQ Pupil) include 25 item che misurano 5 scale (faccette), con 5 item ciascuna:

  • Sintomi Emotivi somatico preoccupazioni triste attaccamento paura

  • Problemi di Condotta scatti ubbidisce* litiga mente ruba

  • Iperattività irrequietezza agitato distratto riflessivo* attento*

  • Problemi con i Peer solitario amico* popolare* vittima di bullismo vecchio migliore amico

  • Pro-sociale prendersi cura condivide gentilezza aiuta

Ai partecipanti viene chiesto di valutare ciascuna domanda utilizzando le seguenti opzioni di risposta: 0 = “Non vero” 1 = “Un po’ vero” 2 = “Certamente vero”

NOTA che alcuni item del SDQ sono reverse: item a punteggio invertito – punteggi più alti della scala corrispondono a punteggi inferiori degli item. Ad esempio, l’item “Di solito faccio quello che mi dicono” (variabile ubbidisce) è reverse dei Problemi di Condotta. Ci sono 5 item di questo tipo nel SDQ; sono contrassegnati nella tabella sopra con asterischi (*).

I partecipanti a questo studio sono alunni di seconda media della stessa scuola (N=228). Si tratta di un campione di comunità e non ci aspettiamo che molti bambini abbiano punteggi al di sopra delle soglie cliniche. Il SDQ è stato somministrato due volte, la prima volta quando i bambini hanno appena iniziato la scuola secondaria (erano in anno 7), e un anno dopo (erano in anno 8).

6.2. Emotional Symptoms scale#

Questa scala non contiene item reverse.

Importiamo i dati in R.

load("../data/data_sdq/SDQ.RData")
glimpse(SDQ)

Rows: 228
Columns: 51
$ Gender   <dbl> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1…
$ consid   <dbl> 1, 2, 2, 2, 0, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 1, 2, 2, 2, 2…
$ restles  <dbl> 2, 0, 0, 0, 1, 0, 2, 1, 2, 0, 1, 1, 0, 1, 0, 2, 0, 1, 1, 1, 0…
$ somatic  <dbl> 2, 2, 0, 0, 2, 1, 0, 0, 1, 0, 0, 2, 0, 0, 1, 2, 1, 1, 1, 1, 1…
$ shares   <dbl> 1, 1, 2, 2, 0, 2, 2, 2, 2, 2, 1, 2, 2, 2, 2, 2, 1, 2, 1, 2, 2…
$ tantrum  <dbl> 0, 0, 0, 0, 1, 0, 2, 0, 2, 0, 0, 1, 0, 1, 1, 2, 0, 1, 1, 1, 0…
$ loner    <dbl> 0, 0, 0, 0, 0, 0, 0, 2, 2, 0, 0, 1, 0, 0, 0, 1, 0, 0, 2, 2, 0…
$ obeys    <dbl> 2, 2, 2, 2, 0, 2, 2, 2, 2, 2, 1, 1, 2, 2, 1, 2, 2, 2, 1, 2, 2…
$ worries  <dbl> 1, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 2, 0, 1, 2, 0, 1, 1, 2, 1, 0…
$ caring   <dbl> 2, 2, 2, 1, 2, 2, 2, 2, 2, 2, 1, 2, 2, 2, 2, 2, 1, 2, 2, 1, 2…
$ fidgety  <dbl> 0, 0, 0, 0, 0, 0, 2, 0, 0, 0, 1, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0…
$ friend   <dbl> 2, 2, 2, 2, 0, 2, 2, 2, 2, 2, 1, 2, 2, 2, 2, 2, 2, 2, 1, 2, 2…
$ fights   <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0…
$ unhappy  <dbl> 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 2, 1, 0…
$ popular  <dbl> 2, 2, 2, 1, 1, 2, 2, 2, 2, 2, 2, 2, 1, 1, 1, 2, 1, 2, 1, 1, 2…
$ distrac  <dbl> 0, 1, 0, 0, 1, 0, 2, 0, 0, 0, 0, 1, 0, 0, 1, 2, 0, 0, 1, 0, 0…
$ clingy   <dbl> 1, 1, 0, 1, 1, 1, 2, 0, 0, 0, 0, 1, 0, 2, 2, 1, 2, 0, 2, 2, 0…
$ kind     <dbl> 1, 2, 2, 2, 1, 2, 2, 2, 2, 1, 1, 2, 2, 2, 2, 2, 1, 2, 2, 2, 2…
$ lies     <dbl> 0, 0, 0, 0, 2, 0, 1, 0, 2, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0…
$ bullied  <dbl> 0, 0, 0, 0, 2, 0, 1, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 1, 1, 0…
$ helpout  <dbl> 2, 1, 2, 2, 0, 2, 2, 2, 1, 2, 1, 2, 2, 1, 2, 2, 1, 2, 1, 2, 2…
$ reflect  <dbl> 1, 1, 2, 2, 0, 2, 2, 2, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 1, 1, 2…
$ steals   <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0…
$ oldbest  <dbl> 1, 0, 2, 1, 0, 1, 1, 1, 0, 0, 0, 1, 0, 0, 1, 1, 0, 0, 2, 1, 1…
$ afraid   <dbl> 0, 0, 1, 1, 0, 0, 0, 0, 0, 1, 0, 2, 2, 0, 1, 1, 1, 0, 1, 1, 0…
$ attends  <dbl> 2, 2, 1, 2, 0, 2, 2, 2, 2, 2, 1, 1, 2, 1, 2, 2, 1, 1, 1, 1, 2…
$ consid2  <dbl> 1, 2, 2, 2, NA, 2, 2, 2, 2, 2, NA, 1, NA, 2, 2, NA, 1, 2, 2, …
$ restles2 <dbl> 0, 1, 2, 1, NA, 0, 1, 1, 0, 0, NA, 2, NA, 0, 1, NA, 1, 1, 2, …
$ somatic2 <dbl> 0, 1, 1, 0, NA, 0, 0, 0, 0, 0, NA, 2, NA, 0, 1, NA, 0, 1, 2, …
$ shares2  <dbl> 1, 2, 2, 1, NA, 2, 1, 2, 2, 2, NA, 2, NA, 2, 2, NA, 1, 2, 1, …
$ tantrum2 <dbl> 0, 1, 2, 0, NA, 0, 2, 0, 0, 0, NA, 2, NA, 0, 1, NA, 1, 0, 2, …
$ loner2   <dbl> 0, 0, 1, 0, NA, 0, 0, 0, 0, 0, NA, 1, NA, 1, 0, NA, 0, 0, 1, …
$ obeys2   <dbl> 2, 1, 2, 1, NA, 2, 2, 2, 2, 1, NA, 1, NA, 2, 1, NA, 1, 2, 1, …
$ worries2 <dbl> 0, 0, 1, 0, NA, NA, 1, 0, 0, 0, NA, 1, NA, 1, 2, NA, 0, 0, 2,…
$ caring2  <dbl> 2, 2, 1, 2, NA, 2, 2, 2, 2, 2, NA, 2, NA, 2, 2, NA, 1, 2, 2, …
$ fidgety2 <dbl> 0, 1, 0, 0, NA, 0, 1, 0, 0, 0, NA, 2, NA, 0, 0, NA, 1, 0, 2, …
$ friend2  <dbl> 2, 2, 1, 2, NA, 2, 2, 2, 2, 2, NA, 2, NA, 1, 2, NA, 2, 2, 2, …
$ fights2  <dbl> 0, 0, 0, 0, NA, 0, 0, 0, 0, 0, NA, 2, NA, 0, 0, NA, 0, 0, 0, …
$ unhappy2 <dbl> 0, 0, 1, 0, NA, 0, 0, 0, 0, 0, NA, 1, NA, 0, 0, NA, 0, 0, 1, …
$ popular2 <dbl> 2, 1, 1, 2, NA, 2, 1, 2, 2, 2, NA, 2, NA, 2, 2, NA, 1, 2, 1, …
$ distrac2 <dbl> 0, 0, 0, 2, NA, 0, 2, 1, 0, 0, NA, 1, NA, 0, 1, NA, 1, 0, 2, …
$ clingy2  <dbl> 1, 1, 1, 0, NA, 1, 1, 1, 0, 0, NA, 1, NA, 0, 0, NA, 2, 0, 2, …
$ kind2    <dbl> 2, 2, 2, 2, NA, 2, 2, 2, 2, 2, NA, 2, NA, 2, 2, NA, 1, 2, 2, …
$ lies2    <dbl> 1, 0, 0, 0, NA, 0, 1, 0, 1, 0, NA, 1, NA, 0, 0, NA, 1, 0, 0, …
$ bullied2 <dbl> 0, 0, 0, 0, NA, 0, 2, 0, 0, 0, NA, 0, NA, 0, 0, NA, 0, 0, 0, …
$ helpout2 <dbl> 1, 1, 1, 2, NA, 2, 2, 1, 2, 1, NA, 2, NA, 2, 1, NA, 0, 2, 1, …
$ reflect2 <dbl> 1, 1, 2, 1, NA, 2, 1, 2, 1, 2, NA, 1, NA, 2, 1, NA, 1, 2, 1, …
$ steals2  <dbl> 0, 0, 0, 0, NA, 0, 0, 0, 0, 0, NA, 2, NA, 0, 0, NA, 0, 0, 0, …
$ oldbest2 <dbl> 0, 0, 1, 0, NA, 1, 0, 1, 1, 0, NA, 1, NA, 0, 0, NA, 0, 0, 1, …
$ afraid2  <dbl> 0, 1, 0, 0, NA, 0, 0, 0, 0, 0, NA, 2, NA, 0, 0, NA, 0, 0, 2, …
$ attends2 <dbl> 1, 1, 2, 0, NA, 2, 2, 2, 2, 1, NA, 1, NA, 2, 2, NA, 1, 1, 0, …

Selezioniamo solo gli item della Emotional Symptoms scale.

items_emotion <- c("somatic", "worries", "unhappy", "clingy", "afraid")
sdq_emo <- SDQ[, items_emotion]  
sdq_emo |>
    head()
A tibble: 6 × 5
somaticworriesunhappyclingyafraid
<dbl><dbl><dbl><dbl><dbl>
21010
20010
00001
00011
21010
10010

Calcoliamo il punteggio della scala.

rowSums(sdq_emo)
  1. 4
  2. 3
  3. 1
  4. 2
  5. 4
  6. 2
  7. 4
  8. 0
  9. 1
  10. 1
  11. 0
  12. 8
  13. 2
  14. 3
  15. 7
  16. 4
  17. 5
  18. 2
  19. 8
  20. 6
  21. 1
  22. 4
  23. 9
  24. 4
  25. 5
  26. 9
  27. 0
  28. 3
  29. 3
  30. 1
  31. 0
  32. 2
  33. 6
  34. 3
  35. 9
  36. 4
  37. 4
  38. 0
  39. 7
  40. 1
  41. 3
  42. 6
  43. 4
  44. 5
  45. 4
  46. 1
  47. 4
  48. 1
  49. 0
  50. 5
  51. 1
  52. 2
  53. 2
  54. 4
  55. 4
  56. 4
  57. 6
  58. 1
  59. 8
  60. 3
  61. 2
  62. 2
  63. 4
  64. 1
  65. 1
  66. 0
  67. 2
  68. 2
  69. 7
  70. 5
  71. 0
  72. <NA>
  73. <NA>
  74. 1
  75. 1
  76. 7
  77. 4
  78. 1
  79. 8
  80. 3
  81. 5
  82. 0
  83. 5
  84. 4
  85. 0
  86. 1
  87. 1
  88. 5
  89. 3
  90. 6
  91. 1
  92. 3
  93. 2
  94. 6
  95. 6
  96. 0
  97. 2
  98. 4
  99. 5
  100. 3
  101. 3
  102. 1
  103. 1
  104. 7
  105. 2
  106. 3
  107. 5
  108. 5
  109. <NA>
  110. 0
  111. 4
  112. 0
  113. 4
  114. 1
  115. 1
  116. 1
  117. 1
  118. 0
  119. 2
  120. 7
  121. 0
  122. 3
  123. 8
  124. 4
  125. 6
  126. <NA>
  127. 2
  128. 4
  129. 7
  130. 1
  131. 0
  132. 0
  133. 1
  134. 0
  135. 4
  136. 3
  137. 0
  138. 10
  139. 5
  140. 2
  141. 1
  142. 6
  143. 1
  144. 2
  145. 1
  146. 0
  147. 1
  148. <NA>
  149. 4
  150. 4
  151. 2
  152. 4
  153. 7
  154. 5
  155. 6
  156. 1
  157. 0
  158. 5
  159. 3
  160. 1
  161. 3
  162. 3
  163. 6
  164. 4
  165. 2
  166. 3
  167. 1
  168. 0
  169. 3
  170. 3
  171. 0
  172. 3
  173. 0
  174. 0
  175. 0
  176. 2
  177. 2
  178. 2
  179. 0
  180. 1
  181. 5
  182. 3
  183. 3
  184. 1
  185. 4
  186. 3
  187. 1
  188. 6
  189. 2
  190. 4
  191. 2
  192. <NA>
  193. 0
  194. 2
  195. 5
  196. 5
  197. 0
  198. 2
  199. 2
  200. 3
  201. 4
  202. 0
  203. 2
  204. 4
  205. 2
  206. 2
  207. 1
  208. 3
  209. 2
  210. 0
  211. 1
  212. 0
  213. 0
  214. 8
  215. 1
  216. 1
  217. 2
  218. 1
  219. 2
  220. 2
  221. 4
  222. 0
  223. 0
  224. 1
  225. 2
  226. 2
  227. 1
  228. 6

Notiamo che ci sono diversi punteggi mancanti, denotati da NA.

Un primo metodo per affrontare i dati mancanti è semplicemente quello di ignorarli:

rowSums(sdq_emo, na.rm = TRUE)
  1. 4
  2. 3
  3. 1
  4. 2
  5. 4
  6. 2
  7. 4
  8. 0
  9. 1
  10. 1
  11. 0
  12. 8
  13. 2
  14. 3
  15. 7
  16. 4
  17. 5
  18. 2
  19. 8
  20. 6
  21. 1
  22. 4
  23. 9
  24. 4
  25. 5
  26. 9
  27. 0
  28. 3
  29. 3
  30. 1
  31. 0
  32. 2
  33. 6
  34. 3
  35. 9
  36. 4
  37. 4
  38. 0
  39. 7
  40. 1
  41. 3
  42. 6
  43. 4
  44. 5
  45. 4
  46. 1
  47. 4
  48. 1
  49. 0
  50. 5
  51. 1
  52. 2
  53. 2
  54. 4
  55. 4
  56. 4
  57. 6
  58. 1
  59. 8
  60. 3
  61. 2
  62. 2
  63. 4
  64. 1
  65. 1
  66. 0
  67. 2
  68. 2
  69. 7
  70. 5
  71. 0
  72. 2
  73. 7
  74. 1
  75. 1
  76. 7
  77. 4
  78. 1
  79. 8
  80. 3
  81. 5
  82. 0
  83. 5
  84. 4
  85. 0
  86. 1
  87. 1
  88. 5
  89. 3
  90. 6
  91. 1
  92. 3
  93. 2
  94. 6
  95. 6
  96. 0
  97. 2
  98. 4
  99. 5
  100. 3
  101. 3
  102. 1
  103. 1
  104. 7
  105. 2
  106. 3
  107. 5
  108. 5
  109. 4
  110. 0
  111. 4
  112. 0
  113. 4
  114. 1
  115. 1
  116. 1
  117. 1
  118. 0
  119. 2
  120. 7
  121. 0
  122. 3
  123. 8
  124. 4
  125. 6
  126. 0
  127. 2
  128. 4
  129. 7
  130. 1
  131. 0
  132. 0
  133. 1
  134. 0
  135. 4
  136. 3
  137. 0
  138. 10
  139. 5
  140. 2
  141. 1
  142. 6
  143. 1
  144. 2
  145. 1
  146. 0
  147. 1
  148. 4
  149. 4
  150. 4
  151. 2
  152. 4
  153. 7
  154. 5
  155. 6
  156. 1
  157. 0
  158. 5
  159. 3
  160. 1
  161. 3
  162. 3
  163. 6
  164. 4
  165. 2
  166. 3
  167. 1
  168. 0
  169. 3
  170. 3
  171. 0
  172. 3
  173. 0
  174. 0
  175. 0
  176. 2
  177. 2
  178. 2
  179. 0
  180. 1
  181. 5
  182. 3
  183. 3
  184. 1
  185. 4
  186. 3
  187. 1
  188. 6
  189. 2
  190. 4
  191. 2
  192. 4
  193. 0
  194. 2
  195. 5
  196. 5
  197. 0
  198. 2
  199. 2
  200. 3
  201. 4
  202. 0
  203. 2
  204. 4
  205. 2
  206. 2
  207. 1
  208. 3
  209. 2
  210. 0
  211. 1
  212. 0
  213. 0
  214. 8
  215. 1
  216. 1
  217. 2
  218. 1
  219. 2
  220. 2
  221. 4
  222. 0
  223. 0
  224. 1
  225. 2
  226. 2
  227. 1
  228. 6

Tuttavia, questa non è una buona idea. Anche per il fatto che, in questo modo non verrà calcolato il punteggio totale di 7 partecipanti. Possiamo identificare le colonne in cui ci sono dei valori mancanti usando summary().

summary(sdq_emo)

    somatic          worries          unhappy           clingy      
 Min.   :0.0000   Min.   :0.0000   Min.   :0.0000   Min.   :0.0000  
 1st Qu.:0.0000   1st Qu.:0.0000   1st Qu.:0.0000   1st Qu.:0.0000  
 Median :0.0000   Median :0.0000   Median :0.0000   Median :1.0000  
 Mean   :0.6106   Mean   :0.6211   Mean   :0.3172   Mean   :0.8421  
 3rd Qu.:1.0000   3rd Qu.:1.0000   3rd Qu.:1.0000   3rd Qu.:1.0000  
 Max.   :2.0000   Max.   :2.0000   Max.   :2.0000   Max.   :2.0000  
 NA's   :2        NA's   :1        NA's   :1                        
     afraid    
 Min.   :0.00  
 1st Qu.:0.00  
 Median :0.00  
 Mean   :0.48  
 3rd Qu.:1.00  
 Max.   :2.00  
 NA's   :3     

sdq_emo <- sdq_emo %>%
    mutate_at(vars(somatic:afraid), ~ ifelse(is.na(.), mean(., na.rm = TRUE), .))

Questa istruzione utilizza la funzione mutate_at del pacchetto dplyr per applicare una trasformazione a colonne specifiche (da somatic a afraid). All’interno della funzione di trasformazione, essa controlla se ogni valore è mancante (NA). Se lo è, lo sostituisce con la media della colonna usando mean(., na.rm = TRUE), che calcola la media escludendo eventuali valori mancanti.

Possiamo ora calcolare il punteggio della scala per ciascun partecipante.

SDQ$s_emotion <- rowSums(sdq_emo)
SDQ$s_emotion
  1. 4
  2. 3
  3. 1
  4. 2
  5. 4
  6. 2
  7. 4
  8. 0
  9. 1
  10. 1
  11. 0
  12. 8
  13. 2
  14. 3
  15. 7
  16. 4
  17. 5
  18. 2
  19. 8
  20. 6
  21. 1
  22. 4
  23. 9
  24. 4
  25. 5
  26. 9
  27. 0
  28. 3
  29. 3
  30. 1
  31. 0
  32. 2
  33. 6
  34. 3
  35. 9
  36. 4
  37. 4
  38. 0
  39. 7
  40. 1
  41. 3
  42. 6
  43. 4
  44. 5
  45. 4
  46. 1
  47. 4
  48. 1
  49. 0
  50. 5
  51. 1
  52. 2
  53. 2
  54. 4
  55. 4
  56. 4
  57. 6
  58. 1
  59. 8
  60. 3
  61. 2
  62. 2
  63. 4
  64. 1
  65. 1
  66. 0
  67. 2
  68. 2
  69. 7
  70. 5
  71. 0
  72. 2.48
  73. 7.62114537444934
  74. 1
  75. 1
  76. 7
  77. 4
  78. 1
  79. 8
  80. 3
  81. 5
  82. 0
  83. 5
  84. 4
  85. 0
  86. 1
  87. 1
  88. 5
  89. 3
  90. 6
  91. 1
  92. 3
  93. 2
  94. 6
  95. 6
  96. 0
  97. 2
  98. 4
  99. 5
  100. 3
  101. 3
  102. 1
  103. 1
  104. 7
  105. 2
  106. 3
  107. 5
  108. 5
  109. 5.09061946902655
  110. 0
  111. 4
  112. 0
  113. 4
  114. 1
  115. 1
  116. 1
  117. 1
  118. 0
  119. 2
  120. 7
  121. 0
  122. 3
  123. 8
  124. 4
  125. 6
  126. 0.317180616740088
  127. 2
  128. 4
  129. 7
  130. 1
  131. 0
  132. 0
  133. 1
  134. 0
  135. 4
  136. 3
  137. 0
  138. 10
  139. 5
  140. 2
  141. 1
  142. 6
  143. 1
  144. 2
  145. 1
  146. 0
  147. 1
  148. 4.48
  149. 4
  150. 4
  151. 2
  152. 4
  153. 7
  154. 5
  155. 6
  156. 1
  157. 0
  158. 5
  159. 3
  160. 1
  161. 3
  162. 3
  163. 6
  164. 4
  165. 2
  166. 3
  167. 1
  168. 0
  169. 3
  170. 3
  171. 0
  172. 3
  173. 0
  174. 0
  175. 0
  176. 2
  177. 2
  178. 2
  179. 0
  180. 1
  181. 5
  182. 3
  183. 3
  184. 1
  185. 4
  186. 3
  187. 1
  188. 6
  189. 2
  190. 4
  191. 2
  192. 4.61061946902655
  193. 0
  194. 2
  195. 5
  196. 5
  197. 0
  198. 2
  199. 2
  200. 3
  201. 4
  202. 0
  203. 2
  204. 4
  205. 2
  206. 2
  207. 1
  208. 3
  209. 2
  210. 0
  211. 1
  212. 0
  213. 0
  214. 8
  215. 1
  216. 1
  217. 2
  218. 1
  219. 2
  220. 2
  221. 4
  222. 0
  223. 0
  224. 1
  225. 2
  226. 2
  227. 1
  228. 6

Un istogramma si ottiene nel modo seguente.

p <- SDQ |>
    ggplot(aes(x = s_emotion)) +
    geom_histogram(bins = 10)
p
../_images/5dc8db8d451980f2e988e4379de168a6cbb86352df27bf959dec337093bc5ec7.png 
hist(SDQ$s_emotion)
../_images/08a55a398d3b4fe4dd6b8c22fcd04282a89a1bd24047989ac5b937a1dc829ff0.png

Più utile è un KDE plot.

p <- SDQ |>
    ggplot(aes(x = s_emotion)) +
    geom_density()
p
../_images/721ce31e1d8d209bb824eeb1afab6471cd51aab9aa9147e003227764eb64e81c.png

Possiamo ottenere le statistiche descrittive della scala usando la funzione describe del pacchetto psych.

describe(SDQ$s_emotion)
A psych: 1 × 13
varsnmeansdmediantrimmedmadminmaxrangeskewkurtosisse
<dbl><dbl><dbl><dbl><dbl><dbl><dbl><dbl><dbl><dbl><dbl><dbl><dbl>
X112282.8710512.30894322.6520572.9652010100.7163348-0.15151750.1529135

Come si può vedere, la mediana (il punteggio al di sotto del quale si trova la metà del campione) di s_emotion è 2, mentre la media è più alta e pari a 2.87. Questo perché la distribuione dei punteggi è asimmetrica positiva; in questo caso, la mediana è più rappresentativa della tendenza centrale. Queste statistiche sono coerenti con la nostra osservazione dell’istogramma, che mostra un forte floor effect.

Di seguito sono riportati i valori di soglia per i casi “Normali”, “Borderline” e “Anormali” per i Sintomi Emotivi forniti dal publisher del test (vedi https://sdqinfo.org/). Questi sono i punteggi che distinguono i casi probabilmente borderline e anormali dai casi “normali”.

Normale: 0-5 Borderline: 6 Anormale: 7-10

table(SDQ$s_emotion <= 5)

FALSE  TRUE 
   33   195

In questo campione, dunque, l’85% dei partecipanti è classificato nell’intervallo Normale.

table(SDQ$s_emotion <= 5)[2] / length(SDQ$s_emotion)
TRUE: 0.855263157894737

In maniera equivalente otteniamo

table(SDQ$s_emotion == 6)[2] / length(SDQ$s_emotion)
TRUE: 0.0570175438596491
table(SDQ$s_emotion >= 7)[2] / length(SDQ$s_emotion)
TRUE: 0.0833333333333333

6.3. Item reverse#

La scala Conduct Problems contiene item reverse. Esaminiamo lo scoring di questo tipo di item.

items_conduct <- c("tantrum", "obeys", "fights", "lies", "steals")

Per i Problemi di Condotta, abbiamo solo un item reverse, obeys.

tantrum    obeys*      fights       lies       steals

Per invertire il codice di questo item, useremo una funzione dedicata del pacchetto psych, reverse.code(). Questa funzione ha la forma generale reverse.code(keys, items,…). L’argomento keys è un vettore di valori 1 o -1, dove -1 implica l’inversione dell’item. L’argomento items sono i nomi delle variabili che vogliamo valutare.

R_conduct <- reverse.code(keys = c(1, -1, 1, 1, 1), SDQ[, items_conduct]) |> as.data.frame()
R_conduct |> head()
A data.frame: 6 × 5
tantrumobeys-fightsliessteals
<dbl><dbl><dbl><dbl><dbl>
100000
200000
300000
400000
512020
600000
 
SDQ[, items_conduct] |> head()
A tibble: 6 × 5
tantrumobeysfightsliessteals
<dbl><dbl><dbl><dbl><dbl>
02000
02000
02000
02000
10020
02000

Anche in questo caso ci sono dei dati mancanti.

summary(R_conduct)

    tantrum           obeys-           fights           lies       
 Min.   :0.0000   Min.   :0.0000   Min.   :0.000   Min.   :0.0000  
 1st Qu.:0.0000   1st Qu.:0.0000   1st Qu.:0.000   1st Qu.:0.0000  
 Median :0.0000   Median :1.0000   Median :0.000   Median :0.0000  
 Mean   :0.5708   Mean   :0.5789   Mean   :0.193   Mean   :0.5442  
 3rd Qu.:1.0000   3rd Qu.:1.0000   3rd Qu.:0.000   3rd Qu.:1.0000  
 Max.   :2.0000   Max.   :2.0000   Max.   :2.000   Max.   :2.0000  
 NA's   :2                                         NA's   :2       
     steals     
 Min.   :0.000  
 1st Qu.:0.000  
 Median :0.000  
 Mean   :0.185  
 3rd Qu.:0.000  
 Max.   :2.000  
 NA's   :1      

R_conduct <- R_conduct %>%
    mutate_at(vars(tantrum:steals), ~ ifelse(is.na(.), mean(., na.rm = TRUE), .))

Calcoliamo ora il punteggio totale.

SDQ$s_conduct <- rowMeans(R_conduct)

p <- SDQ |>
    ggplot(aes(x = s_conduct)) +
    geom_histogram(bins = 10)
p
../_images/ab659d4668cf2a4692966641af0170c02b95939b4984262ee789aee5926c6667.png

6.4. Session Info#

sessionInfo() 

R version 4.3.3 (2024-02-29)
Platform: x86_64-apple-darwin20 (64-bit)
Running under: macOS Sonoma 14.3.1

Matrix products: default
BLAS:   /Library/Frameworks/R.framework/Versions/4.3-x86_64/Resources/lib/libRblas.0.dylib 
LAPACK: /Library/Frameworks/R.framework/Versions/4.3-x86_64/Resources/lib/libRlapack.dylib;  LAPACK version 3.11.0

locale:
[1] en_US.UTF-8/UTF-8/en_US.UTF-8/C/en_US.UTF-8/en_US.UTF-8

time zone: Europe/Rome
tzcode source: internal

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base     

other attached packages:
 [1] ggokabeito_0.1.0   viridis_0.6.5      viridisLite_0.4.2  ggpubr_0.6.0      
 [5] ggExtra_0.10.1     bayesplot_1.11.1   gridExtra_2.3      patchwork_1.2.0   
 [9] semTools_0.5-6.920 semPlot_1.1.6      lavaan_0.6-17      psych_2.4.1       
[13] scales_1.3.0       markdown_1.12      knitr_1.45         lubridate_1.9.3   
[17] forcats_1.0.0      stringr_1.5.1      dplyr_1.1.4        purrr_1.0.2       
[21] readr_2.1.5        tidyr_1.3.1        tibble_3.2.1       ggplot2_3.5.0     
[25] tidyverse_2.0.0    here_1.0.1        

loaded via a namespace (and not attached):
  [1] rstudioapi_0.15.0  jsonlite_1.8.8     magrittr_2.0.3    
  [4] TH.data_1.1-2      estimability_1.5   farver_2.1.1      
  [7] nloptr_2.0.3       rmarkdown_2.26     vctrs_0.6.5       
 [10] minqa_1.2.6        base64enc_0.1-3    rstatix_0.7.2     
 [13] htmltools_0.5.7    broom_1.0.5        Formula_1.2-5     
 [16] htmlwidgets_1.6.4  plyr_1.8.9         sandwich_3.1-0    
 [19] emmeans_1.10.0     zoo_1.8-12         uuid_1.2-0        
 [22] igraph_2.0.2       mime_0.12          lifecycle_1.0.4   
 [25] pkgconfig_2.0.3    Matrix_1.6-5       R6_2.5.1          
 [28] fastmap_1.1.1      shiny_1.8.0        digest_0.6.34     
 [31] OpenMx_2.21.11     fdrtool_1.2.17     colorspace_2.1-0  
 [34] rprojroot_2.0.4    Hmisc_5.1-1        labeling_0.4.3    
 [37] fansi_1.0.6        timechange_0.3.0   abind_1.4-5       
 [40] compiler_4.3.3     withr_3.0.0        glasso_1.11       
 [43] htmlTable_2.4.2    backports_1.4.1    carData_3.0-5     
 [46] ggsignif_0.6.4     MASS_7.3-60.0.1    corpcor_1.6.10    
 [49] gtools_3.9.5       tools_4.3.3        pbivnorm_0.6.0    
 [52] foreign_0.8-86     zip_2.3.1          httpuv_1.6.14     
 [55] nnet_7.3-19        glue_1.7.0         quadprog_1.5-8    
 [58] nlme_3.1-164       promises_1.2.1     lisrelToR_0.3     
 [61] grid_4.3.3         pbdZMQ_0.3-11      checkmate_2.3.1   
 [64] cluster_2.1.6      reshape2_1.4.4     generics_0.1.3    
 [67] gtable_0.3.4       tzdb_0.4.0         data.table_1.15.2 
 [70] hms_1.1.3          car_3.1-2          utf8_1.2.4        
 [73] sem_3.1-15         pillar_1.9.0       IRdisplay_1.1     
 [76] rockchalk_1.8.157  later_1.3.2        splines_4.3.3     
 [79] lattice_0.22-5     survival_3.5-8     kutils_1.73       
 [82] tidyselect_1.2.0   miniUI_0.1.1.1     pbapply_1.7-2     
 [85] stats4_4.3.3       xfun_0.42          qgraph_1.9.8      
 [88] arm_1.13-1         stringi_1.8.3      boot_1.3-29       
 [91] evaluate_0.23      codetools_0.2-19   mi_1.1            
 [94] cli_3.6.2          RcppParallel_5.1.7 IRkernel_1.3.2    
 [97] rpart_4.1.23       xtable_1.8-4       repr_1.1.6        
[100] munsell_0.5.0      Rcpp_1.0.12        coda_0.19-4.1     
[103] png_0.1-8          XML_3.99-0.16.1    parallel_4.3.3    
[106] ellipsis_0.3.2     jpeg_0.1-10        lme4_1.1-35.1     
[109] mvtnorm_1.2-4      openxlsx_4.2.5.2   crayon_1.5.2      
[112] rlang_1.1.3        multcomp_1.4-25    mnormt_2.1.1
Contents