Sí, es perfectamente posible con los sumarios que tienes.
Si aún no tienes los datos en un data.frame el primer paso es crear la estructura de datos para posteriormente hacer el gráfico. Necesitas:
x
= El identificador de grupo, la categoría a la que pertenecen las medidas.
Se podría hacer un boxplot con una sola variable, pero en general estos gráficos se utilizan para comparar la distribución de una variable condicional a un factor o variable categórica.
mediana
= la mediana de cada categoría de x
q1
= el cuartil 1, controla la ubicación de la parte inferior de la caja
q3
= el cuartil 3, controla la ubicación de la parte superior de la caja
Los extremos de la distribución (bigotes) los obtienes a partir de estos datos.
Por la documentación de geom_boxplot()
el máximo del bigote está 1.5IQR arriba de la mediana y el mínimo 1.5IQR debajo. El IQR (rango intercuartil) es q3-q1
.
tibble(
x = c("primero", "segundo", "tercero"),
mediana = c(3, 4, 5),
q1 = c(2, 3, 4),
q3 = c(4, 5, 6),
distancia = (1.5*(q3-q1)),
minbigote = mediana - distancia,
maxbigote = mediana + distancia -> datos_para_box
Luego tienes que mapear, uno a uno, estos valores a la llamada de geom_boxplot()
y usar stat = "identity"
para impedir que la función trate de calcular por sí sola estos estadísticos.
ggplot(data = datos_para_box) +
geom_boxplot(aes(x = x,
middle = mediana,
lower = q1,
upper = q3,
ymin = minbigote,
ymax = maxbigote,
group = x),
stat = "identity")
Si prefieres que las cajas queden horizontales deberías mapear y
en lugar de x
y luego xlower
, xupper
, xmin
y xmax
. Por suerte los errores que da geom_boxplot()
son bastante informativos sobre los parámetros que hacen falta.
Digresión extensa sobre la extensión de los bigotes (whiskers)
En Exploratory Data Analysis de John Tukey (1977) se presentan dos versión del boxplot, una en la que los bigotes definen el rango de la variable medida (los percentiles 1 y 100) y otro en el que presentan a los "innermost identified values" (p.40) y, más allá de los bigotes, se presentan a los valores outliers como puntos. Por esta característica Tukey recomienda usar este método por encima del de rango. Sin embargo no define como se obtienen esos "innermost identified values". Hay varias formas de hacerlo.
En R base
y ggplot
tienen métodos de cálculo diferentes. Según la ayuda de geom_boxplot()
por defecto esta "zona interior" se define como Q2 +- 1.5*IQR, es decir, 1.5 veces el rango intercuartil +- la mediana. Es el método de cálculo más común.
Sin embargo boxplot.stats
indica que el cálculo es Q2 +- 1.58*IQR/ sqrt(n). Es decir, divide 1.58*IQR entre la raíz cuadrada de n. Esta segunda versión aproxima mejor al error estándar de una distribución normal e indican algo parecido a un intervalo de confianza del 95%. Esto suena muy bien, excepto que si los datos no provienen de una distribución normal esos errores no son nada robustos.
La elección de uno u otro depende de los objetivos de la investigación y de nuestros supuestos distribucionales (asumir o no distribución normal subyacente). En lo personal me gusta la estadística no paramétrica... no paramétrica. No le encuentro el caso a usar la teoría normal para un gráfico que usamos, muchas veces, para explorar distribuciones sesgadas, asimétricas y sobredispersas.