En este post te voy a explicar cómo interpretar la causalidad o lo que es lo mismo, cómo interpretar un modelo estadístico con un ejemplo paso a paso.
¡Y si!
Si quieres estudiar…
… Cómo influye la edad en la diabetes
… Cómo afectan los hábitos saludables a la fertilidad
… Cómo explican las acciones de publicidad en relación a la facturación de una empresa
… Cómo influye la carga de trabajo de deportistas en las lesiones
En definitiva si quieres ver cómo influye un determinado factor a una característica que quieres estudiar este es tu artículo.
¿¡Te animas!?
¿Qué es la causalidad? (a diferencia de la asociación, relación o correlación)
Como te decía en la introducción. Básicamente se tratar de contestar a preguntas, como por ejemplo:
- ¿Cómo influye la edad en la diabetes.?
- ¿Cómo afectan los hábitos saludables a la fertilidad?
- ¿Cómo explican las acciones de publicidad en relación a la facturación de una empresa?
- ¿Cómo influye la carga de trabajo de deportistas en las lesiones?
Fíjate que en estas preguntas uno segundos más.
Siempre puedes indetificar una causa y un efecto.
El efecto es lo que quieres estudiar.
O también se llama la salida o respuesta.
Por ejemplo: cómo influye la edad en la diabetes. Aquí el efecto es tener diabetes.
Y la causa: la edad.
¿Se ve?
Otro ejemplo: cómo afectan los hábitos saludables a la fertilidad, el efecto o respuesta es la fertilidad y la causa son los hábitos saludables.
(Mini ejercicio: Vuelve a leer los ejemplos e identifica el efecto en cada una de ellas y también la causa)
Estadísticamente, o matemáticamente podemos explicar relaciones de este estilo: causa-efecto.
Siguiendo con los dos ejemplos:
- «cómo influye la edad en la diabetes» es lo mismo que Estudiar la diabetes en función de la edad. Matemáticamente: diabetes = f(Edad)
- «cómo afectan los hábitos saludables a la fertilidad» es lo mismo que Estudiar la fertilidad en función de los hábitos saludables. Matemáticamente: Fertilidad = f(Hábitos Saludables)
Fíjate sobretodo en cómo escribo esta relación: Diabetes = f(Edad)
Esta es la clave para entender la causalidad.
Y es muy diferente a la correlación o la relación.
En el caso de la correlación se trata de ver si existe relación entre la diabetes y edad, o viceversa, la edad con la diabetes.
En definitiva, la correlación explica la relación en ambas dirección sin importar quién es la causa y el efecto.
En cambio la causalidad propone una estructura causa-efecto como por ejemplo Diabetes = f(Edad)
¿Se va viendo?
Sigue avanzado para verlo más claro …
¿Cuáles son los dos grandes súper poderes de cualquier modelo estadístico (causal)?
Al final si quieres explicar relaciones causales.
Lo mejor es ordenar tus preguntas en entradas y salida. O lo que es lo mismo, entre causa y efecto.
Primer paso: identifica la causa y el efecto.
Puedes seguir este esquema:
(Este ejemplo te lo expliqué en otro artículo sobre modelos estadísticos.
Pero vamos a repasarlo más a fondo ahora con el vídeo ejemplo.
En este ejemplo, se trata de ver cómo afecta la edad a la frecuencia cardíaca máxima y construir un modelo predictivo.
El efecto, es la frecuencia cardíaca máxima, y la causa la edad.
Para construir este tipo de modelos tenemos que pensar en forma de caja entrada salida:
- La salida o respuesta: frecuencia cardíaca máxima
- Las entradas o variables explicativas: edad y sexo.
Este es el primer paso para entender un modelo estadístico.
El siguiente punto es conocer…
¡Los dos grandes súper poderes!
Vamos allá.
Es sencillo.
Por un lado, el modelo o función matemática nos ayuda a entender la relación causa – efecto.
En este caso:
Te invito a que te fijes en el coeficiente (número) que acompaña la edad, que es -0.72.
Este es el «peso» de la causa Edad al efecto Frec. Cardíaca máxima.
Y es negativo.
Lo cual, cuando la edad aumenta, disminuye la frecuencia cardíaca máxima.
¡Acabas de explicar la relación causal gracias al modelo estadístico!
Y el segundo gran súper poder es la predicción.
¡Si!
Sin necesidad de medir la frecuencia cardíaca máxima podemos calcular de forma aproximada (predecir) la frecuencia cardíaca máxima en función de la edad.
Por ejemplo, mi edad es de 33 años.. entoces:
-0.72·33+209.6 = 185.84 pulsaciones por minuto
(Mini ejercicio: Utiliza la ecuación y calculo tu FCM con tu edad.)
Este valor que acabas de calcular es el valor predicho por el modelo. (calculado)
No es tu valor real (observado)
Entonces, como toda predicción tiene un error. Puedes calcular el error o residuo del modelo.
En todo modelo estadístico podemos calcular el error que se define como el valor observado o real menos el valor predicho o calculado por el modelo.
Si no lo acabas de ver. No pasa nada.
Te he preparado un vídeo con un ejemplo paso a paso para que veas cómo interpretar un modelo estadístico.
Para que te quede mucho más claro.
¡Adelante!
Vídeo lección: cómo interpretar un modelo estadístico (con un ejemplo paso a paso)
Tienes una vídeo lección muy buena. (un poco larga…lo siento…) Pero muy importante para interpretar los modelos estadísticos.
Espero y deseo que te sirva.
En ella vas a ver lo que te explicado anteriormente paso por paso y lo vas a ver clarísimo 😉
De esta forma me aseguro que lo entiendes para que lo puedas aplicar este tipo de técnicas en tu próximo proyecto.
¡A por ello!
Take away: resumen de la vídeo lección
- Un modelo causal se base en explicar cómo influyen los factores (entradas) a la respuesta (salida)
- Los dos grandes súper poderes de un modelo son:
- Explicar las relaciones causales
- Predicción
- Las partes de un modelo son:
- Las variables de entrada, predictoras o explicativas
- Las variables de salida, respuesta
- La función matemática que explica la relación de causalidad (entrada-salida)
- Los coeficientes del modelo
- En los resultados: al calcular cualquier modelo causal tenemos que fijarnos en la significación de los coeficientes y el signo para interpretar las relaciones de cada factor.
…
Espero y deseo que te haya servido para que puedas implementar lo aprendido en tu propio proyecto.
Cuéntame en los comentarios cuál es esa relación causal que quieres explicar mediante un modelo estadístico.
Y recuerda que si te ha gustado esta lección encontrarás esto y mucho más en el programa Analiza tus Datos.
Un programa paso a paso para aprender la ciencia de los datos y revolucionar tus proyectos y tu profesión.
Pre inscríbete en Analiza tus Datos
1 fuerte abrazo ?
Amigo Jordi. Como siempre genial tus artículos. Una pregunta, este método se puede aplicar para predecir un número de casos?. Es decir «x» sería la semana del año, «y» el numero esperado de casos. Saludos y gracias.
Muy buenos temas, y muy claros la explicacion, gracias por compartir sus conocimientos
felicitaciones