ggrain: a R package for raincloud plots

El paquete `ggrain` para R introduce la función `geom_rain` para generar gráficos de lluvia (raincloud plots) que combinan de manera transparente datos crudos, estadísticas resumen y distribuciones, integrándose en el ecosistema de la gramática de gráficos para facilitar visualizaciones complejas y robustas.

Lo esencial

Imagina que eres un chef y quieres mostrarle a tus comensales cómo quedó tu nuevo plato.

El problema de los gráficos antiguos (los "barras"):
Antes, los científicos solían usar gráficos de barras para mostrar sus datos. Es como si el chef solo te dijera: "El plato tiene un promedio de 5 estrellas". Pero, ¿qué pasa si la mitad de la gente lo odió y la otra mitad lo amó? La barra no te lo dice. Oculta la realidad, es como si el chef te diera solo un resumen aburrido y te ocultara los ingredientes reales.

La solución: Los "Gráficos de Nube de Lluvia" (Raincloud Plots):
Los autores de este artículo crearon una forma mucho más honesta y bonita de mostrar los datos. Imagina que en lugar de una simple barra, te muestran tres cosas a la vez, como si fueran las tres caras de una moneda:

1. La "Lluvia" (Puntos sueltos): Son como gotas de lluvia cayendo. Cada gota representa a una persona real o un dato real. Así puedes ver exactamente cuánta gente participó y si hay alguna "gota" que se salió del grupo (un dato raro o extremo).
2. La "Nube" (Violín): Es una forma suave y esponjosa que flota arriba. Muestra cómo se agrupan los datos. ¿Están todos juntos como una nube compacta? ¿O están dispersos como una nube de tormenta? Te dice la "forma" de los datos.
3. El "Caja" (Caja de estadística): Es una pequeña caja dentro de la nube que te da los números importantes (como la mediana) para que los expertos sepan que todo está bien calculado.

¿Qué hace este nuevo paquete llamado ggrain?
Hasta ahora, hacer este tipo de gráficos en el programa R (una herramienta muy usada por científicos) era como intentar construir una casa de LEGO sin las instrucciones: difícil y tedioso.

El paquete ggrain es como un kit de construcción mágico. Con una sola instrucción sencilla (llamada geom_rain), cualquier investigador puede crear estos gráficos complejos y hermosos en segundos.

¿Por qué es genial?

• Para ver cambios en el tiempo: Imagina que quieres ver si un tratamiento ayuda a dos grupos de personas. Con ggrain, puedes conectar las "gotas de lluvia" de la misma persona antes y después del tratamiento con una línea. Así, no solo ves el promedio, sino que puedes ver cómo cambió cada individuo. Es como ver si un atleta mejoró su tiempo en cada carrera, no solo el promedio del equipo.
• Es transparente: Ya no se pueden esconder los datos raros o las distribuciones extrañas. Todo se ve a la luz del día.

En resumen:
Este artículo presenta una herramienta (un "kit de construcción" llamado ggrain) que permite a los científicos en España y en todo el mundo dejar de usar gráficos aburridos y engañosos (las barras) y empezar a usar gráficos que cuentan la historia completa de sus datos (la lluvia, la nube y la caja), todo de una manera fácil, bonita y honesta.

Resumen técnico

A continuación presento un resumen técnico detallado del artículo sobre el paquete R ggrain, estructurado según los puntos solicitados y redactado en español.

Resumen Técnico: ggrain – Un paquete R para gráficos de "Raincloud"

1. El Problema

La visualización de datos es fundamental para comunicar hallazgos científicos, pero la práctica convencional en muchas disciplinas sigue dependiendo de gráficos de barras (barplots). El artículo identifica varias deficiencias críticas en este enfoque tradicional:

• Ocultamiento de la distribución: Los gráficos de barras enmascaran las propiedades distribucionales subyacentes de los datos.
• Sensibilidad a la distorsión: Son propensos a distorsionar la percepción de las magnitudes de las diferencias estadísticas entre muestras.
• Falta de transparencia: No permiten visualizar los datos crudos ni identificar valores atípicos (outliers), lo que puede llevar a interpretaciones erróneas.
• Vacío en el ecosistema R: Aunque los gráficos de "Raincloud" (nube de lluvia) ya existían como concepto y se utilizaban ampliamente, faltaba un paquete en R que se alineara con la "gramática de gráficos" (grammar of graphics) de ggplot2, facilitando su implementación de manera modular y estandarizada.

2. Metodología

Los autores desarrollaron ggrain, un paquete de software de código abierto para el lenguaje R, diseñado para integrarse nativamente con el ecosistema de ggplot2. La metodología se centra en la creación de una única función principal, geom_rain, que automatiza la generación de gráficos compuestos.

La construcción del gráfico combina tres elementos visuales en una sola representación estética y estadísticamente robusta:

1. Diagrama de puntos (Dot plot): Muestra los datos crudos con mínima distorsión, permitiendo una evaluación rápida del tamaño de la muestra y la identificación de valores atípicos.
2. Diagrama de caja (Box plot): Visualiza estadísticos resumen clave de la distribución, como la mediana y el rango intercuartílico.
3. Diagrama de violín (Violin plot): Muestra de forma transparente la densidad de probabilidad y la distribución subyacente de los datos.

El paquete permite la personalización avanzada mediante la sintaxis de ggplot2, soportando agrupaciones factoriales, mapeo con covariables continuas secundarias y conexiones longitudinales.

3. Contribuciones Clave

• Implementación de geom_rain: Proporciona una función de un solo paso para generar gráficos de Raincloud complejos, eliminando la necesidad de ensamblar manualmente múltiples capas de gráficos.
• Compatibilidad con la Gramática de Gráficos: Alinea los gráficos de Raincloud con los estándares de ggplot2, permitiendo una integración fluida en flujos de trabajo de análisis de datos existentes en R.
• Soporte para Diseños Complejos:
  • Agrupación factorial: Facilita la comparación de múltiples grupos y subgrupos.
  • Covariables continuas: Permite mapear una segunda variable continua para enriquecer la visualización.
  • Diseños longitudinales: Una característica distintiva es la capacidad de conectar observaciones a través de múltiples oleadas temporales (pre/post), visualizando el cambio intra-individual junto con el cambio promedio del grupo.
• Accesibilidad y Ecosistema: El paquete está disponible en CRAN y GitHub. Además, el artículo destaca la expansión de los gráficos de Raincloud a otros lenguajes (Python, mediante ptitprince) y entornos de interfaz gráfica (JASP), democratizando su uso para investigadores con menos experiencia en programación.

4. Resultados

El artículo no presenta resultados empíricos de un estudio experimental, sino que demuestra la eficacia del paquete a través de ejemplos de aplicación (Figura 1):

• Visualización de diferencias distribucionales: Se muestra cómo el paquete revela diferencias en la forma y dispersión de los datos entre dos grupos que un gráfico de barras ocultaría.
• Análisis de cambio intra-individual: En un diseño pre/post con dos grupos, el gráfico permite observar no solo el cambio en la media, sino también la evolución de la variabilidad entre sujetos. El ejemplo ilustra cómo la variabilidad entre grupos (medida en desviaciones estándar) puede diferir en el tiempo inicial y desaparecer tras una intervención, un detalle crítico que los gráficos tradicionales no capturan.
• Reproducibilidad: Se proporciona el código fuente completo y los datos para la generación de las figuras, garantizando la transparencia y la reproducibilidad del método.

5. Significado e Impacto

El desarrollo de ggrain representa un avance significativo para la ciencia abierta y la comunicación de datos:

• Mejora en la Integridad Científica: Al forzar la visualización de datos crudos y distribuciones completas, reduce el riesgo de malinterpretación de los resultados estadísticos y fomenta una mayor transparencia.
• Adopción Estándar: Al integrar los gráficos de Raincloud en la gramática de gráficos más popular de R, facilita su adopción masiva por parte de la comunidad científica, reemplazando progresivamente a los gráficos de barras obsoletos.
• Versatilidad: Su capacidad para manejar diseños longitudinales y factoriales lo convierte en una herramienta esencial para campos como la neurociencia, la psicología y las ciencias sociales, donde el cambio individual y la variabilidad grupal son cruciales.
• Democratización: Al ofrecer interfaces en R, Python y JASP, el enfoque de los autores asegura que investigadores de todos los niveles de habilidad técnica puedan producir visualizaciones de alta calidad.

En conclusión, ggrain cierra una brecha técnica importante en el ecosistema de visualización de datos, proporcionando una solución robusta, modular y estéticamente agradable para comunicar hallazgos empíricos de manera honesta y detallada.