martes, 16 de mayo de 2017

Minería de Datos en Psicología: Introducción al algoritmo C5

El procedimiento de análisis secuencial C5, destinado a crear árboles de decisión (conjunto de reglas), fué desarrollado por Quinlan (Chambers, & Dinsmore, 2014). Facilitando la interpretación de las decisiones, así como la comprensión de las reglas usadas, a la vez que reduce el número de variables independientes en los modelos explicativos (Pérez, 2011).

Este algoritmo es el resultado de la actualización de algoritmos ID3 y C4.5 (Quinlan & Kaufmann, 1993). Se caracteriza por dividir en subconjuntos, cada vez más pequeños, los datos de partida. Consiguiendo con esta estrategia elaborar reglas de extracción adecuadas a la hora de predecir de forma óptima un objetivo (Quinlan, 2014). Para ello se sirve de índices como "Gain Ratio" (razón entre la ganancia de información y la ganancia intrínseca) que es una modificación destinada a reducir el sesgo de la ganancia de información.

A la hora de evaluar el grado de información se usa la formulación de la entropía siguiente:
H(S )=−pd*log2(pd) − pm*log2(pm)
donde...
S: Conjunto de muestras
pd: proporción de casos en la clase d
pm: proporción de casos en la clase m

Por ejemplo, para un caso con 5 elementos, con dos niveles que contengan 2 y 3 casos respectivamente....
H(caso=nivel1)=− 2/5*log2(2/5) − 3/5* log2(3/5) =0.971

El algoritmo ofrece la ventaja de poder trabajar con muestras tanto reducidas como grandes, a la hora de formar los distintos grupos de clasificación. Además de utilizar la técnica de refuerzo (Boosting). Siendo, por otra parte, problemático en el sobre-ajuste de modelos y la creación de árboles muy extensos.

En el procedimiento implementado en SPSS puede generar dos tipos de modelos, uno en forma de árbol de decisión (descripción sencilla de las divisiones que se han encontrado en los datos), donde los nodos finales (hojas) describen un subconjunto de datos. El segundo tipo de modelos se expresa en forma de conjunto de reglas que intentan realizar pronósticos de registros individuales. Estas reglas, se derivan de los árboles de decisión, son una simplificación de la información recogida en los mismos.  La diferencia más importante entre las dos soluciones, es que las reglas pueden aplicarse a más de un registro específico. Cuando esto ocurre, a cada una de ellas se le asigna una ponderación basada en la "confianza" asociada a dicha regla. El resultado final se obtiene por la combinación de los votos

En nuestro caso, como ejemplo ilustrativo, hemos utilizado los árboles de decisión con el fin de descubrir reglas en el conjunto de datos del abandono de estudiantes en la universidad. Para ello usamos el software IBM SPSS Modeler 18.0, sin dividir la base de datos en los grupos de formación, prueba y validación (aconsejable ya en etapas de investigación mas rigurosas).


Referencias.
*Chambers, M.  & Dinsmore, T. W. (2014). Advanced analytics methodologies: Driving business value with analytics . Pearson Education .
*Pérez, C. (2011). Técnicas de segmentación. Conceptos, herramientas y aplicaciones. Madrid: Gaceta Grupo Editorial.
*Quinlan, J.R. &  Kaufmann,C.A.M. (1993). C4.5: Programs for Machine Learning. 1st Edn., Revised, Morgan Kaufmann,
*Quinlan, J. R. (2014). C4. 5: Programs for machine learning . Elsevier .

domingo, 13 de noviembre de 2016

Procedimiento de correlaciones heterogéneas en SPSS 24

En ciertas situaciones la naturaleza de las variables no permite el uso de la correlación de Pearson, o sus algoritmos asociados. Para este tipo de situaciones el SPSS 24 (IBM Corp., 2016) contempla módulos integrados en R como el que vamos a describir en esta entrada brevemente.

Este procedimiento extendido de las correlaciones heterogéneas requiere, además del modulo IBM SPSS Statistics, los complementos de integración para R como para Python.

miércoles, 6 de julio de 2016

Procedimiento DETECTANOMALY en SPSS 24

El proceso de análisis de datos que describimos "Detectanomaly", se puede encontrar en distintas versiones del SPSS, en nuestro caso corresponde con la versión 24. Este procedimiento permite identificar los valores "anómalos", buscando para ellos los casos atípicos basados sobre las desviaciones de casos similares y de las razones para tales desviaciones. 

Este recurso, se puede verificar tanto sobre variables originales o mediante la creación de nuevas variables (transformación de las existentes en la base de datos). Y una vez que hayan identificado los casos inusuales, se puede examinar más a fondo estos casos y determinar si se deben incluir en nuestros análisis. Para este caso hemos usado la base de datos correspondiente a las elecciones al parlamento español, celebradas en junio de 2016, con objeto de averiguar si existen patrones anómalos interesantes en el comportamiento del voto (Parsons, 1998; Tung, 2016).

viernes, 11 de marzo de 2016

Grado de significación (p). Revisión ASA

Desde hace tiempo, se ha venido señalando que los valores de p son, en el mejor de los casos, un estadístico con bajo valor informativo sobre la investigación realizada, y muchas veces engañoso. Y sobre todo a raíz de artículo de E.Vul (2009), este concepto del grado de significación (pruebas p), ha sido objeto de críticas generalizadas. Se han intentado corregir sus resultados más contradictorios, como podemos observar en distintas librerías implementadas por ejemplo en R (Herrero et al., 2011), e incluso eliminarlo (Newcombe, 2013), pero la gran aceptación que tiene en el campo de las publicaciones científicas ha resistido hasta ahora todos los intentos.

sábado, 9 de enero de 2016

La replicación de los estudios en Psicología:Uso del programa R

En el proceso de obtención del conocimiento científico, son importantes los mecanismos que replican los experimentos en el campo de la Psicología. El fundamento es que otros investigadores deben de poder ser capaces de repetir los resultados de los estudios publicados. 

Dentro de esta filosofía encontramos el proyecto de B.Nosek (Open Science Collaboration, 2015), destinado a facilitar la replicación de los resultados de 100 estudios publicados en revistas de Psicología, repitiéndose los estudios tal como se describen en los documentos seleccionados, y analizando los datos recogidos. Con el fin de maximizar la reproductibilidad y precisión, los análisis de todos los estudios duplicados fueron repetidos por otros analistas independientes del primer equipo de ejecución, usando para ello el lenguaje de programación R, con un formato estandarizado. 

lunes, 4 de enero de 2016

Control del sistema en Windows 10: Opciones avanzadas

Cuando se desea controlar un ordenador de forma precisa, bajo el sistema operativo Windows 10, accediendo a los ajustes de personalización, ocultos normalmente al usuario normal, una forma rápida y sencilla es tecleando el siguiente procedimiento:

*Se crea una nueva carpeta y como nombre tecleamos el código: 
ID.{ED7BA470-8E54-465E-825C-99712043E01C} 

El resultado es que automáticamente accedemos a una carpeta que modifica el icono por defecto, y añade la etiqueta que hemos prefijado de nuestra identidad (ID), que frecuentemente suele aparecer en Internet como "Modo dios" o "GodMode", pero admite cualquier etiqueta que prefiera el usuario. 
Al final con un sola pulsación de ratón, obtenemos un acceso sencillo a toda una serie de opciones avanzadas de configuración, agrupadas en una pantalla.

domingo, 31 de mayo de 2015

Modelado geoespacial en SPSS 23

Los sistemas de información geográfica (SIG), compuestos de una base de datos espacialmente referenciada y de un conjunto de instrucciones (procedimientos) que nos ayudan a manejarla (Burrough y McDonnell, 1998), son un elemento básico en la construcción de modelos psicosociales operados a la luz de la Metodología Mixta. Este modelado geoespacial puede utilizar datos de mapas que contienen información respecto a las áreas geográficas y datos demográficos u otros elementos descriptivos como, por ejemplo, informes de población relativos a las tasas de desempleo.

El programa SPSS 23, en su módulo base, incorpora ahora un asistente de modelado geoespacial, bastante sencillo de utilizar. Está incorporado en las opciones de análisis:


miércoles, 15 de abril de 2015

Publicar resultados "negativos" en el campo científico

En el campo científico, el paradigma dominante, impide que gran parte de los resultados experimentales nunca sean públicos. Esto ocurre frecuentemente cuando las hipótesis que se manejan no terminan corroboradas por el análisis de los datos. 

Un ejemplo sencillo podría ser el ensayo de una técnica nueva de aprendizaje escolar que se cree que ayuda a los niños a mejorar su rendimiento en matemáticas. Si los resultados del experimento muestran que no hay ninguna diferencia significativa entre el grupo control y el grupo con la nueva técnica de aprendizaje, entonces el resultado terminará como un informe inédito, archivado junto a otros informes en los almacenes universitarios o incluso destruido con objeto de no ocupar espacio.


miércoles, 25 de marzo de 2015

El estadístico Masa en Análisis de Correspondencias

El Análisis de Correspondencias(AC), es un procedimiento que permite describir de forma geométrica las relaciones entre variables de diversa naturaleza. Dentro de este procedimiento nos encontramos entre los primeros resultados el concepto estadístico de Masa, que simplemente es la frecuencia relativa de los totales filas y columnas en la tabla de datos analizada.
Se utiliza tanto para ponderar los perfiles de los puntos, como en la interpretación de la importancia de un punto (influencia) en el análisis desarrollado (los modelos deben seguir a los datos, y no al revés; Benzécri, 1976).  De esta forma, al considerar los puntos con una masa proporcional se evita privilegiar las categorías con frecuencias bajas o nulas.

sábado, 28 de febrero de 2015

Odds Ratio en R

En Metodología, frecuentemente usamos algoritmos para considerar una exposición (por ejemplo , absentismo escolar) y determinar su relación al comportamiento problemático (por ejemplo , la delincuencia juvenil) . Son útiles a la hora de expresar una cantidad (magnitud) del riesgo de comportamiento problemático para las personas que son expuestas a determinados agentes.

Supongamos un ejemplo con los datos siguientes: 
Tabla de Absentismo escolarxComportamientos-delictivos 
                        Delincuentes    No delincuentes 
Si-absentismo     2 (a)                8 (b) 
No-absentismo 10 (c)            990 (d) 

El riesgo se expresa en modelos de probabilidad, de una exposición dada causando un comportamiento. Es decir, la probabilidad de comportamiento problemático en los expuestos con respecto a la probabilidad de comportamiento problemático en los que no han sido expuestos. A esto, se conoce como el riesgo relativo (RR).
RR(delincuente en el grupo con absentismo/delincuente en el grupo no absentista)=(2/10)/(10/990)=19,8