Sesión 13: Muestreo estadístico — Transcript

Introducción a la regresión logística binaria para modelar variables categóricas dicotómicas y su aplicación en diferentes campos.

Key Takeaways

La regresión logística binaria es la herramienta adecuada para modelar variables dicotómicas.
No se debe usar regresión lineal para variables binarias porque no cumple supuestos estadísticos.
El modelo permite predecir probabilidades de eventos binarios como morosidad, fraude o enfermedad.
La interpretación se basa en el logaritmo del cociente de probabilidades y el odds ratio.
La evaluación del modelo requiere métricas específicas como matriz de confusión y AUC.

Summary

Se explica la diferencia entre regresión lineal simple y regresión logística binaria.
La regresión logística binaria es útil para variables categóricas con dos posibles resultados (0 o 1).
No es adecuado usar regresión lineal para variables dicotómicas porque viola supuestos del modelo.
La función logística se ajusta mejor a datos binarios que la recta de regresión lineal.
Se presentan ejemplos de aplicación en banca, salud, marketing y detección de fraude.
El modelo predice la probabilidad de éxito o fracaso en función de variables explicativas.
Se discute la interpretación de coeficientes y odds ratio en regresión logística.
Se mencionan métricas para evaluar el modelo, como matriz de confusión y área bajo la curva ROC.
Se destaca la importancia de seleccionar buenas variables explicativas para obtener resultados confiables.
Se ejemplifican casos prácticos y se muestran pasos para construir y optimizar el modelo.

Chapters

Full Transcript — Download SRT & Markdown

Speaker A

PC también puedes ya en la nueva está ya perfecto. Listo. Ya. Muy bien, muchachos. Buenas noches, mil disculpas con el pequeño inconveniente de la licencia del Zoom, pero no se preocupen, vamos a avanzar con el tema del día de hoy, eh, regresión logística binaria, ¿no? Vamos a hacer una pequeña introducción a eso para poder entender un poco mejor.

Speaker A

Ya. Sí, se me escucha, ¿verdad? Me avisan, por favor. Sí, todo bien con el audio.

Speaker A

Ya, buenazo. No dicen nada, entonces se debe estar escuchando. Okay, gracias Jmer. Muy bien.

Speaker A

Las sesiones anteriores habíamos visto el tema de regresión lineal simple, ¿no? Entonces esas regresiones eran muy interesantes porque te permitían pues modelar un conjunto de datos, ¿no?, mediante una ecuación matemática, ¿no?

Speaker A

Entonces, eso era interesante porque era muy útil para, bueno, para modelos proyectivos y todo eso, ¿no?

Speaker A

Pero, ¿qué sucedía? Había un conjunto de datos o un conjunto de, se podría ser, de distribuciones que tú podías ajustar acá una recta de regresión, ¿no? ¿Por qué? Porque el comportamiento de los puntos, pues efectivamente era un comportamiento lineal, ¿no? Entonces millones de rectas que pueden pasar por ese conjunto de puntos, solo una era el mejor, ¿no? Y ese mejor efectivamente ya tenía su ecuación de regresión, ¿no?

Speaker A

Generalmente es un modelo estimado, ¿no? Entonces, si tengo un comportamiento lineal en los puntos, yo puedo modelarlo usando una regresión lineal, en este caso simple, ¿no?

Speaker A

Muy bien. Pero, ¿qué pasa? Ojo acá, ¿qué era lo que tenemos que tener en cuenta, muchachos? Que la variable era una variable numérica,

Speaker A

numérica continua en sí, ni siquiera discreta, ¿no? Numérica continua, ¿no? Pero, ¿qué pasa si tus datos tienen este comportamiento? Por ejemplo, tienes valores concentrados en cero y también tienes valores concentrados en uno, supongamos, ¿no?

Speaker A

Varios valores que varios valores de y = 0 y varios valores y = 1.

Speaker A

Entonces, ¿esto dónde ocurre? Cuando tu variable ya no es una variable numérica, sino es una variable categórica binaria, ¿no? Una variable categórica de tipo binario, la variable categórica binaria, ¿no? Es decir, solamente puede tomar dos posibles resultados.

Speaker A

Puede ser uno o puede ser cero, ¿no? Éxito o fracaso, como se dice. Entonces, cuando yo quiero modelar estos puntos con una regresión lineal, era obsoleto, ¿no? Es decir, este modelo pues no explicaba el comportamiento de esos datos.

Speaker A

Entonces, una regresión lineal para este tipo de datos, en este caso dicotómico, era absurdo, ¿no? ¿Por qué? Porque también estaba yendo en contra pues de lo de lo la suposición de que la variable y tiene que ser una variable

Speaker A

numérica continua, ¿no? Muy aparte tener distribución normal y todo ello, ¿no? Entonces, cuando nos encontrábamos con una variable categórica binaria específicamente, entonces si yo quisiera forzar una regresión sería algo eh en vano, ¿no? No sería nada útil y

Speaker A

estaría yendo en contra de los supuestos del modelo lineal, ¿no? En ese sentido se tiene que usar otro tipo de modelo más especializado.

Speaker A

Por ejemplo, algunos decían, quizás una recta no es la mejor manera de modelar esos esos datos, pero quizás una función de este tipo sí puede hacerlo, ¿no?

Speaker A

A ver, más o menos así, ¿no? Y justo es una función logística, ¿no? Es una función logística, ¿no?

Speaker A

Es decir, una función logística como que sí se ajusta a ese comportamiento, ¿no? Eso es lo interesante.

Speaker A

Entonces de ahí más o menos ya surge el concepto de la regresión logística binaria, ¿no?

Speaker A

Muy bien. Entonces, cuando se habla de regresión logística binaria, muchachos, lo que se está hablando es, por ejemplo, de un modelo que me va a ser útil para poder explicar o predecir variables de esta naturaleza, ¿no? Dicotómicas.

Speaker A

Entonces, las variables dicotómicas tienen ese comportamiento, ¿no? Efectivamente, por acá habrá un grupo de variables, yo no sé cuántas variables, xn, por ejemplo, y yo voy a explicar el comportamiento de esta variable numérica en función, pues, a las demás variables, ¿no? Es decir, en

Speaker A

función a estas variables, como que acá debería haber alguna especie de conexión entre esos dos, ¿no?

Speaker A

Entonces, la regresión logística binaria te va a permitir ello, ¿no? Vincular una variable dicotómica versus un grupo de covariables, ¿no?

Speaker A

Eso es. Acá hay que tener en cuenta tu y dicotómica 1 y 0. Generalmente el y = 1 es para un caso de éxito y y = 0 es generalmente para un caso de fracaso, ¿no? Por ejemplo, para los

Speaker A

bancos. Los bancos tienen un problema muy importante que es la morosidad. Es un evento binario, ¿sí? Dicotómico, ¿sí? ¿Por qué? Porque un cliente puede ser moroso o puede ser no moroso, ¿no?

Speaker A

Entonces, ¿cuál es mi éxito para mí? Para el caso del banco, al banco le interesa pues los clientes morosos, muchachos. ¿Por qué? Porque eso es el problema, el que le genera problema, ¿no?

Speaker A

Entonces lo que yo quiero o mi éxito para mí es la morosidad. ¿Se dan cuenta?

Speaker A

Por ejemplo, si una empresa de telecomunicaciones está analizando la fuga de los clientes, un cliente fuga o no fuga, ¿cuál es mi éxito para mí? ¿O qué es lo que me interesa a mí como una empresa de telefonía?

Speaker A

La fuga de los clientes, ¿no? Eso me interesa a mí. Los que no se fugan, es decir, son clientes fieles, no, no hay no hay ningún problema.

Speaker A

Entonces, no siempre lo positivo o el éxito va a ser el que no fugue, ¿no? No, al contrario, a mí me interesa pues este este grupo de población que fuga o ese grupo de población que es moroso, ¿no? Y

Speaker A

así pueden existir muchos casos de variables dicotómicas, ¿no? En salud, si un tumor es cancerígeno o no cancerígeno, si un paciente va a tener COVID o no va a tener COVID, si un cliente va a estar en defol. Un

Speaker A

montón, hay un montón de casos dicotómicos, muchachos. Entonces, la regresión logística se va a encargar de efectivamente modelar estos tipos de variables en función a un grupo de variables, ¿no? Eso es en esencia, eh, lo que ve la regresión logística

Speaker A

binaria. Por ejemplo, ¿dónde se usa o dónde se ve casos de clasificación binaria? Por ejemplo, seguramente ustedes se han dado cuenta en su correo, ¿no? A veces les llega un mensaje y se va al correo no deseado, ¿no?

Speaker A

El famoso spam. Entonces, el algoritmo del correo del OL, del Gmail o de cualquier otra empresa, tiene internamente un algoritmo para decir si un correo es spam o no.

Speaker A

Ya hay un modelo entrenado, hay un algoritmo entrenado, muchachos, de tal manera que por defecto detecta algo sospechoso y lo manda a spam. No es un evento binario. ¿Sí? ¿Por qué?

Speaker A

Porque un mensaje puede ser spam o no spam, ¿no? ¿Qué más? Fraude de tarjeta de crédito, por ejemplo, predecir si una transacción de tarjeta de crédito es fraudulenta o no.

Speaker A

El banco sabe cuando una transacción es fraudulenta, ¿no? ¿Por qué? Porque nosotros tenemos un patrón de consumo.

Speaker A

Por ejemplo, su compañero, por ejemplo, a ver, ¿quién está acá? Su compañero, a ver, vamos a ver. La MEC, por ejemplo, usa su tarjeta de crédito del 10 de la mañana a 7 de la noche, supongamos, ¿no?

Speaker A

Y así durante 10 años, ¿no? Y un día X se le ocurre usar a las 4 de la mañana, ¿no?

Speaker A

O quizás, no sé, se le perdió la tarjeta, n cosas, ¿no? Entonces, esa transacción automáticamente para el banco es fraudulenta y por ende bloquea la tarjeta, ¿no?

Speaker A

¿Se dan cuenta? Es decir, ya tú tienes un perfil de consumo, pero a ver, al haber un consumo raro, a eso le dicen transacción fraudulenta, ¿no? Por seguridad el banco bloquea la tarjeta.

Speaker A

Es una manera de defenderse, ¿no? Muy bien. Entonces, el evento binario es fraude o no fraude, ¿no? En salud, por ejemplo, se puede predecir si un tumor cancerígeno es benigno o maligno, ¿no?

Speaker A

Cancerígeno o no cancerígeno. ¿Qué más? En marketing, por ejemplo, para predecir si un usuario determinado comprará o no un producto, ¿no?

Speaker A

Eso es interesante, ¿no? ¿Cómo puedes saber si un cliente va a comprar o no un producto?

Speaker A

Pero es un evento binario, ¿no? Compra o no compra. ¿Qué más? En banca ni hablar, muchachos.

Speaker A

Los bancos, su dolor de cabeza son los clientes morosos, ¿no? Aquellos que incumplen su pago, ¿no? Y así, muchachos, ustedes.

Speaker A

Pero es un evento binario, ¿no? Compra o no compra. ¿Qué más? En banca ni hablar, muchachos.

Speaker A

Los bancos, su dolor de cabeza son los clientes morosos, ¿no? Aquellos que incumplen su pago, ¿no? Y así, muchachos, ustedes pueden encontrar muchas aplicaciones más en educación, por ejemplo, si un alumno va a desertar o no va a desertar.

Speaker A

Si un niño va a padecer anemia o no, un montón. ¿Se dan cuenta? El evento binario o las variables binarias están presente en casi todo, muchachos.

Speaker A

Muy bien, esas son algunas aplicaciones muy famosas, ¿no? Ahora bien, la regresión logística. ¿Qué es la regresión logística entonces?

Speaker A

Específicamente binaria, ¿no? Porque también hay multinomial y ordinal. La binaria es la más usada, muchachos. La regresión logística binaria es un tipo especial de regresión donde la variable respuesta es binaria.

Speaker A

Es decir, tu variable y está relacionada con un conjunto de variables explicativas que pueden ser discretas y o continuas, inclusive también categóricas, obviamente debidamente recodificadas, ¿no?

Speaker A

En la regresión logística dice, la probabilidad de que la respuesta tome un valor particular se modela en función de las combinaciones de los valores tomados por los proyectores.

Speaker A

Está un poco complicado ese concepto, pero les voy a explicar de la siguiente manera.

Speaker A

Cuando yo pregunto qué es una regresión logística binaria a mis alumnos, todos me responden, profesor, la reacción logística binaria sirve para modelar ceros y unos.

Speaker A

Eso me dicen todos y yo les digo, no están equivocados. La regresión logística binaria no modela unos y ceros o ceros y unos, como quieran llamarlo.

Speaker A

¿Por qué? Porque la reacción logística modela la probabilidad de ocurrencia. El en sí modela el cociente de probabilidades de ocurrencia. ¿Por qué? Si tu variable y es dicotómica, por ejemplo, uno es el éxito de cer es el fracaso,

Speaker A

que tu variable dicotómica tome valor de un debe tener una probabilidad de éxito, ¿no? A eso lo voy a llamar p o pi también se le denomina, ¿no?

Speaker A

Por lende, tu probabilidad de fracaso es 1 - pi, porque recuerden que las probabilidades suman uno, ¿no?

Speaker A

Muy bien. Lo que hace la también lo pueden denotar por P. Algunos autores denotan por P, no hay problema.

Speaker A

Lo que hace la revisión logística binaria, muchachos, no es modelar ceros y unos, sino modela el logaritmo del cociente de probabilidades.

Speaker A

Este cociente de probabil, ¿qué vendría a ser? la probabilidad de éxito entre el problema del fracaso. El logaritmo de eso se modela de la siguiente manera, ¿no?

Speaker A

Es decir, como está acá, ¿no? En otras palabras, muchachos, la revisión logística binaria modela el cociente de probabilidades, ¿no? De éxito versus fracaso en función a una expresión lineal.

Speaker A

Eso es lo que hace, no es que modele ceros y unos. Pero lo interesante que este modelo es que te va a predecir probabilidades.

Speaker A

Por ejemplo, tu modelo que vas a entrenar o que vas a estimar, una vez que lo conoces, lo que te va a dar son probabilidades.

Speaker A

En función a esas probabilidades, tú vas a poder clasificar si pertenece al grupo uno o si pertenece al grupo cero, ¿no?

Speaker A

Eso es lo lo útil de la realizción logística binaria, muchachos. Al final el modelo que vas a encontrar te va a predecir probabilidades. En función a esas probabilidades vas a saber si pertenece a otro grupo u otro, ¿no? Uno o cero.

Speaker A

Entonces, hay que sacarnos de la cabeza esa idea de que la reacción logística binaria modela ceros y unos. Lo que modela es el cociente de probabilidades de éxito versus fracaso, ¿no?

Speaker A

Muy bien. Si nos preguntan a qué familia extensa pertenece la reacción logística binaria muchachos la reacción logística binaria pertenece a la familia de los modelos lineales generalizados.

Speaker A

Esta familia contempla un montón de modelos más, por ejemplo, una regresión beta, una regresión gama, una regresión binominal negativa, una regresión, no sé, de wble, un montón y todos sus variantes, ¿no?

Speaker A

Entonces, la familia de los modelos generalizados es la familia grande, mucho más grande que alberga muchos modelos ¿no?

Speaker A

Y cada uno de esos modelos sirven para modelar cosas específicas, ¿no? Eso es lo interesante.

Speaker A

Muy bien. Supuestos del modelo. Lo bueno de la de los modelos que pertenecen a la familia de los modelos lineales generalizados, muchacho, no tiene supuestos, no es como el modelo lineal normal que tiene el supuesto de normalidad, el

Speaker A

supuesto de homoseasticidad y todo ello, ¿no? Este tipo de modelos, especialmente los que pertenecen a las GLM, los modelos lineales generalizados, no asume una relación lineal entre las variables dependientes e independientes.

Speaker A

No asume para nada. Tampoco se requiere que la variable Y tenga distribución normal. No se necesita la normalidad, muchachos.

Speaker A

Tampoco utiliza mínimos cuadrados para estimar sus parámetros. ¿Se acuerdan del famoso MCO que se que se usaba en en regresión lineal?

Speaker A

Acá no se usa MCO, muchachos. Acá se usa máxima verosimlitud, que es una estimación mucho más eficiente ¿no?

Speaker A

Los herreros deben ser independientes. Esto es un supuesto teórico, muchachos. Todo modelo estadístico tiene este supuesto.

Speaker A

Sin la independencia no existiría la estadística, pero no hay ninguna suposición de distribución. En otras palabras, este tipo de modelos, específicamente o especialmente aquellos modelos que pertenecen a la familia de los modelos lineales generalizados no asume supuesto alguno,

Speaker A

no existe, pero hay que tener en cuenta algunos recomendaciones, ¿no? Por ejemplo, eh usar variables pues que van a ser útiles, ¿no?, en el modelo, ¿no?

Speaker A

variables que est que tengan cierta relación posible, ¿no? Tampoco el modelo va a ser milagros, ¿no? Si es que tú no le das buenos insumos, los resultados tampoco van a ser buenos, ¿no?

Speaker A

Muy bien. ¿Qué más? ¿Qué más podemos decir del modelo? Muy bien. Acá vamos a explicar algo interesante, ¿no? ¿Cómo se construye el modelo? de regresión logística binaria, ¿cómo se construye, no? Acá hemos visto simplemente el modelo, ¿no? El modelo

Speaker A

logístico binario simple, ¿no? Con una sola variable. Pero si nos preguntan cómo se construye este modelo, es decir, cómo se vincula cada componente de tal manera que se llega este modelo, ¿no? Y efectivamente sí se puede.

Speaker A

Solo necesitamos tres componentes, una componente aleatoria, una componente sistemática y una función de enlace.

Speaker A

Recuerden muchachos que tu variable y es una variable dicotómica que toma unos y ceros donde cada uno tiene una probabilidad de éxito, ¿no?

Speaker A

Acá es pi y esto por default 1 men pi. ¿Qué distribución, qué variable aleatoria solamente tiene dos posibles resultados?

Speaker A

Esa es la distribución bernulí, muchachos. Si se acuerdan la teoría de probabilidades que vimos antes de la binomial estaba la bernul con probabilidad de éxito pi, ¿no?

Speaker A

Entonces, por default, ya sabemos que y es una variable bernun con probabilidad de éxito Pub, ¿no?

Speaker A

Por default ya sabemos la naturaleza de la variable dicotómica. es una variable vernic. La componente sistemática se refiere a aquellas variables que tú vas a usar para poder modelar tu variable, ¿no?

Speaker A

Es decir, si tuvieras dos variables, tu parte sistemática sería esta combinación lineal, ¿no? Solo que acá está expresado matricialmente ¿no?

Speaker A

A eso se le conoce como la componente sistemática. Muy bien. Entonces, tengo la componente aleatoria, tengo la componente sistemática y ahora tengo que ver la manera de cómo vincular estos dos conceptos.

Speaker A

Para ello se usa la función de enlace, muchachos. La función de enlace tiene que ser una función muy especial, monótona y diferenciable ¿no?

Speaker A

En el cual lo que va a ser la función de enlace miren muchachos. es vincular el pi con la parte sistemática.

Speaker A

Muy bien. Entonces, ¿cómo encuentro esa función de enlace? Ya existen varias funciones de enlace que han sido estudiadas, ¿no?

Speaker A

Por ejemplo, si la función G es una es un enlace de tipo logit, la regresión se llama regresión logística binaria.

Speaker A

De ahí viene el nombre, ¿no? Porque es un enlace longit. ¿Qué pasaría si enlace es un probit?

Speaker A

Sería una regresión probit binario, ¿no? Y así el nombre varía según el enlace. Miren, si G es una función logit, vendría a ser así, ¿no? Si G es logit, yo diría que logit, la función logit de P sub

Speaker A

sería igual a la parte sistemática, ¿no? que no es más que la combinación lineal, pero el logit de algo se define como un cociente de probabilidades por definición, ¿no?

Speaker A

Y esta expresión es lo que anteriormente hemos mencionado, ¿no? Entonces, así es como se construye, muchachos, un modelo logístico binario paso a paso, ¿no?

Speaker A

Esa es la manera cómo se construye. Claro, nosotros conocemos ya pues por los libros este modelo, ¿no?

Speaker A

Sabemos que si vemos algo así se trata de una revisión logística binaria, ¿no? ¿Cómo se construye paso a paso? Ahí están las secuencias.

Speaker A

Nada complicado, ¿no? Son conceptos que ya hemos visto. Muy bien. Y bien, ahí está, ¿no? Nuestra regresión logística binaria.

Speaker A

Por cierto, esto de acá, ¿no? Esta expresión de acá se puede escribir de la siguiente manera ¿no?

Speaker A

X1 y así sucesivamente. Esta es la cantidad de variables que estoy usando, ¿no? Muy bien.

Speaker A

Y acá viene una pregunta interesante, ¿no? ¿Cómo interpreto estos coeficientes? ¿No? Por ejemplo, ¿cómo interpreto él?

Speaker A

¿Qué me quiere decir este coeficiente? No. O este coeficiente, ¿qué me quiere decir? En regresión lineal simples, muchachos, la interpretación era directa, ¿no? Se decía, ¿no? Por cada incremento en una unidad de x sub 1, aumenta en beta sub1 unidades, ¿no?

Speaker A

Pero estamos en un modelo no lineal. La reacción logística es un modelo no lineal muchachos.

Speaker A

Entonces, la interpretación no va a ser directa. Para interpretar el impacto de una variable, en este caso x1, sobre mi variable y, lo que debo tomar es el exponencial a los coeficientes.

Speaker A

¿Por qué? Porque el exponencial no es coeficientes, te hace ver el impacto entre el ex y el fracaso.

Speaker A

Entonces, cada vez que yo quiero interpretar, debo tomar el exponencial del coeficiente que me interesa, ¿no?

Speaker A

Si yo quiero interpretar beta sub, yo voy a interpretar el exponencial de beta sub 1. Ese valor que me sale, por ejemplo, 5.26, eso sería el impacto real ¿no?

Speaker A

Eso sería el impacto real. Entonces, no hay que confundirse con la regresión lineal, muchachos. Acá la interpretación es distinta, ¿no?

Speaker A

Muy bien. Y bueno, cuando se habla de regresión lineal, muchachos, simple, por ejemplo, les había comentado que la estimación de los parámetros se realiza usando MCO, ¿no? Mínimos cuadrados ordinarios.

Speaker A

Entonces, consistían en qué? en minimizar la suma de los residuos al cuadrado, ¿no? Entonces, minimizaba esa expresión y ya obtenía los coeficient los parámetros, ¿no?

Speaker A

Muy bien. En regresión logística binaria, muchachos, no se usa MCO. Lo que se usa es el método de máxima velocímitos, que es un método más eficiente que el MCO ¿no?

Speaker A

El lo único malo, muchachos, del modelo logístico binario es que no se conoce una forma cerrada para la estimación de los parámetros.

Speaker A

Es decir, no existe una forma cerrada, una forma analítica definida. ¿Por qué? Porque su función de velocidad es de esta manera.

Speaker A

Es un una expresión muy compleja que no se puede derivar, mucho menos despejarlo. Lo único que nos queda, muchachos, es aproximar, usar aproximaciones usando algunos métodos iterativos, ¿no?

Speaker A

Por ejemplo, Newton Rapson, Scoring the Fisher, inclusive el algoritmo em, ¿no? decir, la estimación de los parámetros, muchachos, para la relación logística binaria no es nada sencillo, manualmente imposible.

Speaker A

Solo nos queda hacer y simulaciones, es decir, aproximaciones usando algún proceso interactivo, ¿no? Analíticamente no se puede conocer.

Speaker A

Por ejemplo, si tú quieres despejar acá, por ejemplo, Pub de estas dos sistemas de ecuaciones, no se va a poder, muchachos, por más que quieran, no se puede.

Speaker A

Entonces, por eso se recurre a los procesos iterativos, ¿no? Que nos va a ayudar a aproximarnos, ¿no?

Speaker A

Los que han visto Newton, Rapson, por ejemplo, pueden aproximarse inclusive a funciones y todo ello, ¿no?

Speaker A

Entonces, esa misma técnica se usa para este caso. Muy bien. Interpretación de los coeficientes, ¿no?

Speaker A

Ya les he explicado, muchachos, que la interpretación no es directa. Si yo quiero interpretar un coeficiente, tengo que interpretarlo como el exponencial de ese coeficiente. Esto me va a medir el impacto real, muchachos.

Speaker A

Eso me va me va a indicar el impacto real de la variable, ¿no? En este caso es la variable x u2, ¿no?

Speaker A

Sobre sobre y pues no siempre exponencial de beta sub. Al exponencial de beta de un del coeficiente, muchachos, se le conoce como s ratio, ¿no? El famoso OR, muchachos.

Speaker A

Esto lo usan mucho los médicos, ¿no? Muy bien. Por eso les comento que la interpretación de los coeficientes no es directo, ¿no? Te dice que en la regresión logística la interpretación de los coeficientes no es tan directa debido a la naturaleza no lineal,

Speaker A

muchachos, no lineal del modelo. No es una reacción lineal. En la reacción lineal la interpretación es directa, ¿no? El impacto es directo también, pero una redión logística binaria no es tan directa. Hay que hacer esa pequeña transformación.

Speaker A

Luis, sí adelante. Eh, buenas noches para ti, para los compañeros. Para el caso, una pregunta. Para el caso de la interpretación en los en R podemos obtener igual que en SPCS el exponencial directamente en la tabla de salida.

Speaker A

Sí, no directamente la tabla de salida, pero sí se le puede pedir como un nuevo Exacto. Exacto. Que se le pida el cálculo y esos resultados para no tener que estar haciéndolo, qué sé yo, fuera de ahí, digamos.

Speaker A

en la tabla te da al final el exponencial del del beta. Sí, sí. El eso te simplifica trabajo realmente.

Speaker A

Sí, totalmente de acuerdo. Lo que pasa el SPC sea más práctico, como se dice, ¿no? El R no te bota en el modelo como sí, pero puedes generar los cálculos en otro objeto, ¿no? No hay problema.

Speaker A

Perfecto. Gracias. Eso sí, justamente lo vamos a ver en el laboratorio, no se preocupen. Hay un caso interesante que de traje de aplicación que es para una enfermedad coronaria. Interesante. Ah, data real, por cierto.

Speaker A

Muy bien. Eh, claro, otro otra consideración es que para la interpretación según las posibles escalas de medida, ¿no?

Speaker A

Claro, si es una variable numérica es interesante, ¿no? Si es una variable categórica también la interpretación es interesante. Eso lo vamos a ver en la aplicación.

Speaker A

Justo lo que les comentaba, ¿no? El famoso OTS. El OTS, muchachos, es la probabilidad de que suceda un evento dividido por la probabilidad de que no suceda.

Speaker A

Eso es muy bien. Pero el ratio es una medida de asociación entre dos variables, algo así como una correlación bivariada, ¿no?

Speaker A

que indica la fortaleza de relación entre dos variables, ¿no? Por ejemplo, cuando nosotros calculemos el coeficiente del el exponencial de ese coeficiente asociado a la variable, lo que estoy calculando es el famoso rat.

Speaker A

Por eso si el OR me sale 1, implica pues que no hay relación entre las variables, ¿no?

Speaker A

Pero si el OR me sale mayor a 1, indica una asociación positiva entre las variables o r menor a 1, una asociación negativa entre las variables.

Speaker A

Lo que se esperaría, muchachos, es interpretar los OR mayores a uno, ¿no? ¿Por qué? Porque ahí se ve el impacto.

Speaker A

Eso es lo interesante. Por ejemplo, en la aplicación que les voy a traer es una enfermedad coronaria, seguramente ustedes lo han escuchado, angina de pecho.

Speaker A

Y la pregunta es la siguiente, ¿no? ¿Qué variables influyen para que una persona sufra esa condición?

Speaker A

Pero eh Luis, perdón, adelante, yo quiero entender los OR menores que uno. Eh, tú dices que se esperan eh tú dices que se esperan eh se espera interpretar valores de mayores que uno porque así se ve el impacto.

Speaker A

Pero, por ejemplo, no dependería eso del tipo de enfermedad para el caso de la medicina, por ejemplo, qué sé yo, digamos que yo estoy analizando el impacto de un tratamiento, yo esperaría entonces una situación negativa porque baje los niveles de azúcar, por

Speaker A

ejemplo, para un diabético con el tratamiento indicado. ¿Sería correcto eso? Sí, totalmente de acuerdo. Va a depender eh de la aplicación.

Speaker A

Totalmente de acuerdo, ¿no? Siempre pues lo como quien dice, ¿no? Lo negativo es es malo, ¿no? Ya vimos en la aplicación en costos de salud, ¿no? Eh, hacer ejercicio tenía un impacto negativo, pero eso era favorable para la persona,

Speaker A

¿no? Entonces, no siempre lo negativo es malo, ¿no? Hay que ver también el contexto de la de de tus variables.

Speaker A

Sí, correcto. Muy bien. Estos puntos que hemos discutido y todo ello, lo vamos a definir o lo vamos a tener más claro en la aplicación, ¿no?

Speaker A

Ahí está toda la condición. Y acá viene un dolor de de cabeza, muchachos. Muchos usan la revisión logística binaria de manera indiscriminada.

Speaker A

Ahí viene un problema fuerte, ¿no? ¿Por qué? Así como todo modelo, ya sea la regresión lineal, la regresión logística, todo modelo, muchachos, en sí todo modelo estadístico se le puede dar dos usos. Se le puede dar us dos usos, muchachos. un uso

Speaker A

explicativo y un uso predictivo. No se le puede dar los dos usos simultáneamente. Eso no se puede, muchachos.

Speaker A

Yo he discutido con varios colegas sobre esto. ¿Por qué? Porque son dos cosas diferentes, ¿no?

Speaker A

Y siempre me preguntan, "¿Y por qué y cómo elige uno u otro?" No, la lección de un tipo de enfoque, ya sea explicativo, o predictivo, muchachos, depende de ¿qué?

Speaker A

De los objetivos de investigación. De eso va a depender de tu trabajo, de tu paper, de tu tesis, lo que sea. La elección de uno u otro enfoque va a depender de los objetivos de investigación.

Speaker A

Por ejemplo, justamente para la aplicación que vamos a ver, si yo quiero saber qué variables o qué factores influyen para que una persona sufra una enfermedad coronaria, es decir, ¿qué variables influyen o cuáles son los factores asociados para

Speaker A

que una persona tenga esa condición? Lo que estoy haciendo es un modelo explicativo muchachos.

Speaker A

Claro, porque yo quiero saber qué variables influyen más en esa variable, en esa condición.

Speaker A

Pero si les digo, quiero saber qué clientes van a hacer o van a tener mayor riesgo de incumplimiento de pagos.

Speaker A

Entonces ahí me está interesando, me está preocupando saber, oye, ¿cuál es la probabilidad de riesgo o cuál es el riesgo de morcidad de ese cliente? No, literal quiero estimar la probabilidad de morosidad, es decir, conocer esa probidad de

Speaker A

morosidad, es decir, voy a predecir esa problema de morosidad. ¿Se dan cuenta que el enfoque va a depender de lo que yo quiero? En otras palabras, ¿cuál es la moraleja de esto, muchachos?

Speaker A

No existe un solo modelo en el PAS de la Tierra que sea explicativo y proyectivo a la vez. Eso no existe.

Speaker A

¿Por qué? Porque dentro del modelo explicativo a mí me va a interesar la significancia de las variables.

Speaker A

Me va a interesar la significancia que sean variables significativas, ¿no? Que la regresión sea significativa, que las variables sean significativas, que tenga un ruadrado alto, un montón de cosas, que tenga bondad de ajuste. Me interesa. ¿Por qué? Porque yo voy a

Speaker A

interpretar la variable. Por ende, me interesa pues variables significativas, ¿no? Para que el modelo sea explicativo.

Speaker A

Pero un modelo predictivo no interesa la significancia, muchachos. Acá no hay pruebas de hipótesis, no hay nada.

Speaker A

¿Qué interesa en modelo proyectivo? simplemente tener una probabilidad más precisa ¿no? Mejor estimación o mejor predicción, pero en ningún momento se preocupa por la significancia de las variables, nada.

Speaker A

Ahí simplemente es si mi probabilidad tiene es buena, es decir, el error de predicción es menos es chiquita o es menor, para mí mejor, ¿no?

Speaker A

Entonces son enfoques totalmente diferentes muchachos. Se explicaba varios colegas y bueno, han entendido felizmente cómo me he dado cuenta que la gente cometía muchos errores cuando en su tesis mezclaban los dos, mezclaban explicativo y predictivo a la vez y era una mezcolancia análisis, ¿no?

Speaker A

Sin embargo, si tú sabes perfectamente tu objetivo de investigación y sabes qué enfoque usar, no vas a tener problemas con eso, ¿no?

Speaker A

Y justamente para nuestro caso del R, nuestro laboratorio, vamos a usar un caso explicativo que es el más usado.

Speaker A

Por cierto, por ejemplo, si están en un caso explicativo miren cómo se valida un modelo, yo me tengo que preocupar por la significancia de los parámetros.

Speaker A

El test de B que ve la significancia global, el test de Hostmer Lema Show que ve bondad de ajuste.

Speaker A

Esto es equivalente al R cuadrado en regresión lineal, ¿no? Y el criterio de información, estos dos son equivalentes.

Speaker A

Entonces, ¿cuál es la moralja de esto, muchachos? Si yo voy a usar la revisión logística binaria con un enfoque explicativo, me tengo que preocupar efectivamente por la significancia de los parámetros.

Speaker A

Es decir, tengo que trabajar con variables significativas. ¿Por qué? Porque yo quiero explicar, yo no puedo explicar un evento con variables que no son significativas, no tiene sentido.

Speaker A

¿Se dan cuenta? Lógica pura, muchachos. Acá no hay fórmulas complejas, no sentido común, como se dice.

Speaker A

Muy bien. ¿Qué pasa en el caso predictivo? Al caso predictivo, a mí me interesa simplemente predecir y yo quiero que mi predicción sea buena.

Speaker A

Para nada me interesa significancia, prueba de hipótesis, bondad de ajuste. No, no me interesa eso. Yo solamente quiero un modelo que me prediga lo mejor posible, que sea preciso, muy preciso.

Speaker A

Por eso ellos evalúan usando una matriz de confusión, por ejemplo, que te va a indicar el porcentaje de clasificación correcta de tu modelo.

Speaker A

Por ejemplo, si tu modelo clasifica el 95% casos correctamente, solamente se ha equivocado cinco, si encuentras un modelo con 97%, te quedas con ese modelo porque clasifica mejor, comete menos error.

Speaker A

Entonces, la matriz de confusión te permite calcular esa métrica, ¿no? También la curva de rock.

Speaker A

Esta es la curva de rock, por ejemplo, variación cruzada y la UC que es el área bajo la curva, ¿no?

Speaker A

Entonces validar un modelo es totalmente diferente según el enfoque, sea predictivo, tiene una más fortaleza en la significancia, las pruebas de hipótesis. En el caso predictivo, lo que te interesa es qué también clasifica tu modelo, nada más, Luis.

Speaker A

Es sí adelante. Ahí en ese punto, cuando yo trazo la curva de rock, me da la curva de rock me da unos estadísticos. Tiene que ser significativo ese resultado porque me da un un valor de significancia ahí.

Speaker A

No, acá no hay ningún valor de significancia. Acá te da un valor de área bajo la curva.

Speaker A

este valor de área bajo la curva, hay unos rangos o algo por el estilo que yo deba considerar para yo decir esto es bueno, esto es malo.

Speaker A

Sí, el AUC varía de 0 a un. Ajá. Literal, si es uno, es un modelo perfecto y eso no existe en la vida real.

Speaker A

Pero yo esperaría que sea lo más próximo a uno, ¿no? A partir de dónde yo lo puedo considerar bueno.

Speaker A

¡Uf! Ahí hizo un debate, pero muchos autores coinciden que a partir de digo, me refiero, me refiero en cuanto a a la a la teoría académica que hay, a partir de dónde los autores consideran que el modelo es se puede considerar

Speaker A

adecuado. A partir de ese punto se considera un modelo ya medianamente aceptable, ¿no? Lo que pasa en la vida real, pues es sería ideal llegar a 0,95, ¿no?

Speaker A

sería bacán, pero a veces llegamos 0.70, 0.75, 80 y eso ya es un gran avance, ¿no?

Speaker A

Sí, tiene razón. Sí, son modelos predictivos, recuerden. Sí, eso va a depender de la calidad de datos, ¿no?, que tengas.

Speaker A

Claro, también va a depender de muchos factores, ¿no? Si tú tienes una data bien limpia, por ejemplo, es decir, data bien procesada y has usado los modelos adecuados porque la reción logística tiene muchas variantes, por cierto, entonces vas a

Speaker A

tener una buena precisión, ¿no? Pero si tu data está no trabajado, cochina, ¿cómo se dice?

Speaker A

Entonces, no esperes pues que tu modelo haga milagros, ¿no? Eso no sucede, ¿no? Pero esas son las métricas, ¿no? Hay muchas más, pero esa es las una de las más usadas, ¿no?

Speaker A

Entonces, por ejemplo, también esta curva rock sirve para comparar modelos, ¿no? Por ejemplo, la curva rock ideal es esta, la que coincide con las diagonales.

Speaker A

Si tengo otro modelo cuya curva de rock es de esta manera, quiere decir que este modelo es mejor que esto, ¿no?

Speaker A

¿Por qué? Porque se aproxima mucho más al ideal, ¿no?, que es 01. Y el AUC es el área bajo la curva, es decir, toda esta área que deja bajo la curva ¿no?

Speaker A

Área bajo la curva, ¿no? Que también es una métrica para el valor. Voy aparte de las métricas, muchachos, de la UC, del rock, quiero que quede bien claro que son cosas totalmente diferentes, explicativo y predictivo.

Speaker A

Si ustedes ven alguna tesis de reción logística binaria, lo que van a hacer es combinar test de vol significancia con curva de rock. Y ahí uno se da cuenta que han mezclado todo lo que han encontrado en internet o por ahí en

Speaker A

algún en algún libro quizás, ¿no? ¿Cuándo no se debe hacer esas cosas? Por eso es muy importante, muchachos, el objetivo de investigación.

Speaker A

El objetivo de investigación te va a decir, "Oye, ¿qué enfoque usar? Explicativo o predictivo. Y se acabó.

Speaker A

Así de simple. Y en la aplicación lo van se van a dar cuenta ustedes. Miren, les voy a dar un caso, ejemplos para que ustedes puedan identificar.

Speaker A

Es una base de datos de morosidad que contiene información sobre clientes en el sistema financiero.

Speaker A

Deseamos saber si el sexo cliente está asociado o no con la probabilidad de caer en Morocial.

Speaker A

En otras palabras, esta data tiene sexo, calificación, tarjeta y línea promedio, línea de crédito.

Speaker A

La pregunta es, ¿no?, ¿cómo determinar si un cliente es moroso? ¿Cómo podrían determinar eso?

Speaker A

Entonces, los bancos ya tienen un un modelo de para predecir la morosía, ¿no? Creo que le dicen el famoso credit scoring ¿no?

Speaker A

Ellos ya tienen un modelo para eso, algo así, ¿no? Imagínense el modelo sea esto.

Speaker A

tiene una persona con ciertas características y el modelo le arroja una probabilidad de 0.95 95 quiere decir que la probabilidad moros de ese cliente es alto. Por ende le doy el préstamo, pero si viene otra persona y sale su

Speaker A

probabilidad de morosidad igual a 0, dice su probabilidad de morosidad es baja, por ende le doy el préstamo, ¿no?

Speaker A

Entonces, la única manera para determinar si un cliente es moroso es estimando sus probabilidades de morosar.

Speaker A

Por ende, se trata de un modelo predictivo ¿no? Es la única manera de saber si un cliente es moroso, estimando su probabilidad de de morosidad.

Speaker A

¿Se dan cuenta? Es es la única manera. tiene que predecir o estimar su problema de morosidad y en función a ello pues sabrá si es moroso o no moroso o riesgo de morosidad, ¿no? Como se dice.

Speaker A

Muy bien. ¿Qué pasa en este caso? Justamente lo que vamos a ver con con el R.

Speaker A

¿Qué sucede ahí? hablan de la angina de pecho, ¿no?, que es una enfermedad que está a la altura del corazón y todo eso.

Speaker A

Entonces, la pregunta es, ¿qué variables influyen para que una persona tenga esta condición? Quizás el sexo, quizás la edad, si tiene, no sé, no sé, hipertensión quizás y varias variables, ¿no?

Speaker A

En otras palabras, acá lo que yo quiero saber es cuáles son los factores determinantes para que una persona tenga esa condición ¿no?

Speaker A

En ningún momento he mencionado cuál es la probabilidad de que una persona sufrina de pecho. Nunca.

Speaker A

Acá lo que me interesa saber es qué variables o qué factores influyen para que una persona tenga angina de pecho.

Speaker A

Por ende, se trata de un modelo explicativo muchachos. Así de simple. Generalmente en salud, educación y ciencias sociales en general, muchachos, la reacción logística se usa con fines explicativos, pero si estás en banca, en telefonía, generalmente le dan más enfoque

Speaker A

predictivo, ¿no? ¿Por qué? Porque ahí les interesa medir el riesgo de fuga de un cliente, medir el riesgo de morosidad de un cliente y todo que es tiene que ver con riesgo es probabilidad, muchachos. Así de simple, son probabilidades.

Speaker A

Entonces, muy importante identificar en qué contexto estamos y usar el enfoque adecuado. Muy bien.

Speaker A

Bueno, acá hay algunos ejemplos que extraje para entender un poquito, ¿no? Por ejemplo, la reacción logística.

Speaker A

Vamos a hacer una revisión logística con un Y y un X. Y si votó o no votó y acá está si lee periódico o no lee periódico.

Speaker A

Una variable dicotómica versus otra dicotómica. No se puede hacer reón logística binaria. Sí se puede.

Speaker A

Muy bien. Lo que quiero saber es pues si es que votó o no votó. están asociados si lee o no lee, ¿no? Pero desde un punto de vista desde un punto de vista de la reacción logística binaria, ¿no? Con la

Speaker A

prueba chiuadrado también lo puedo hacer ¿no? Pero la reacción logística binaria también me va a dar una idea de si están asociadas o no.

Speaker A

Por ejemplo, la probabilidad del éxito. Acá lo puedes se puede calcular, ¿no? ¿Cuál es mi éxito? Si votó y si lee, ahí está la probabilidad, ¿no? Es un cociente nada más.

Speaker A

Las probabilidades obviamente varían de 0 a un, ¿no? Generalmente el 0.5, 5, muchachos, es un valor que divide, por ejemplo, moroso y no moroso, pero ese valor es al final decidido según el negocio, ¿no? 0.5 es el valor

Speaker A

central, como se dice, pero en banca, por ejemplo, lo que elevan es ese umbral a 0.8, ¿no?

Speaker A

Y acá estarían los clientes de riesgo de hemorrocial. Claro, porque 0.5, mucha es muy amplio, ¿no? Y yo como empresa no puedo darme el gusto de perder dinero, tengo que ser más estricto.

Speaker A

Por ende, el umbral lo mueven generalmente, no lo evalúan, como se dice, porque el mínimo error para los bancos es mucho dinero, ¿no?

Speaker A

Entonces, hay que ser mucho más exigentes, como se dice, ¿no? Entonces, siempre hay que definir un umbral para poder saber si es moroso o no moroso, si es un cliente en riesgo de fuga o no.

Speaker A

No. Muy bien. ¿Cuál cuál fue la idea de este ejemplito? Si ustedes le llevan al SPCS, les va a dar pues su modelo, su ecuación, ¿no? Y justamente su compañero la Meg dice, "Profesor, el SPCS yo sé que me da por

Speaker A

default. el OR, muchachos, que no es más que el exponencial de los coeficientes, ¿no? Y te has dado cuenta que los que votan, los que sí votaron son generalmente los que sí leen periódico.

Speaker A

Un impacto de, mira, 3.293, un OR mayor a 1, impacto positivo, ¿no? ¿Se dan cuenta?

Speaker A

Entonces, algo así nos va a salir en el R, pero con el caso de salud, muchachos.

Speaker A

Y si quieren formar su ecuación de regresión logística binaria, ustedes se preguntarán, "Profesor, ¿y cómo formo acá?" Recuerden que por definición era algo así ¿no?

Speaker A

Era algo así, ¿no? Lo que se debe hacer es despejar el pi. ¿Cómo me deshago el logaritmo? Le tomo antilogaritmo a todos, ¿no? O el exponencial a ambos lados.

Speaker A

Recuérdense cuando hablamos de logaritmo, muchachos, estamos hablando del logaritmo natural, ¿ya? Y el logaritmo natural es el logaritmo en base e, ¿no?

Speaker A

Y otra propiedad del logaritmo de x es x, ¿no? Entonces, si acá yo le tomo exponencial a ambos lados, lo que voy a obtener es efectivamente, ¿no? Acá me queda simplemente de esta expresión me queda pi / 1 men

Speaker A

pi. No, poco de para recordar acá ser exponencial de beta sub más beta sub 1.

Speaker A

Si ustedes despejan el pi, muchachos, les va a salir así, ¿no? No, tendrían que despejar con mucha paciencia, no es nada complicado.

Speaker A

Y esto sería tu modelo para estimar las probabilidades de mor de moros lo que desees, ¿no?

Speaker A

Según sea el caso. Y justamente les pongo acá, ¿no? Claro. ¿Cómo surgen todas estas cosas acá? ¿Cómo les he explicado acá? No, simplemente es un despeje que que se tiene que hacer.

Speaker A

Y luego una vez que ya tengas tu ecuación general reemplazas pues por los valores que obtienes, ¿dónde?

Speaker A

gracias al software, ¿no? Esos coeficientes estimados, simplemente lo reemplazas, ¿no? Y por ende ya tienes tu modelo final, ¿no?

Speaker A

Muy bien. Eso es. Entonces estas salidas del SPCS nos sirven para construir esa ecuación, ¿no?

Speaker A

Aunque no es necesario, pero igual si es que alguna vez lo necesitamos, ahí está, ¿no?

Speaker A

Y cada vez que reemplazan valores de x, ya vas a conocer las probabilidades, ¿no?

Speaker A

Por eso la reacción logística, claro, si vas a hacer un modelo explicativo, no te no te es útil pues con calcular probabilidades, no no tiene sentido.

Speaker A

Basta que encuentres el modelo suficiente para el modelo explicativo, ¿no? Si quieres predecir, sí va a ser interesante pues calcular las probabilidades ¿no?

Speaker A

Muy bien. Y ahí está, miren. Cuando y vale 1 y x vale 1, ahí está la probabilidad.

Speaker A

Cuando y vale 1, x vale 0, ahí está la probabilidad ¿no? Entonces, una vez que conoces la ecuación, ya puedes reemplazar para cualquier valor y te va a salir sus sus probabilidades.

Speaker A

Así de sencillo, muchachos. Ojo, solo se reemplazan los valores en la ecuación. Nada más, muchachos, no hay nada de otro mundo.

Speaker A

¿Qué más tenemos por acá? Profesor, una pregunta. Los famosos ODS, ¿no? Perdón, profesor, una pregunta.

Speaker A

Sí adelante. Sí, si puedes volver a la a la página de atrás. A ver, ahí está. En este caso no es necesario que esta la suma de estas probabilidades en este caso no debería dar uno, ¿no? Sino simplemente un número

Speaker A

de probabilidad. Claro, ¿no? Hay que tener mucho cuidado, muchachos. Ah. Ajá. Una cosa es que tu variable binaria sea unos y ceros y cada evento tiene una probabilidad de éxito.

Speaker A

Y acá 1 men pi, ¿no? Y otra cosa muy diferente es que calcules la probabilidad por individuo.

Speaker A

Es diferente, ¿no? Entendido, profesor. Gracias. Claro. Sí. Acá si suman uno por definición de variable aleatoria es un evento binario. Dos posibilidades por ende sumar probabilidades uno. Pero cuando ya conoces el modelo y vas a estimar sus probabilidades, estás

Speaker A

calculando probabilidades por individuo. Ahí no van a sumar uno, ¿no? Porque vas a tener un montón de probabilidades.

Speaker A

Literalmente esa probabilidad te va a indicar simplemente una estimación. de tu caso de éxito, por ejemplo, morosidad.

Speaker A

Si esto es la probable morosidad, yo diría pues tiene una probable de morosidad. Ese cliente tiene una probable morosidad de 0.52, ¿no?

Speaker A

Nada más por default. ¿Cuál es su problema de no morosad? El complemento, ¿no? Eso sí, eso sí suman una, ¿no? Pero las personas de todas las problemas de todas las personas para nada deben sumar una. Son cosas literal, son mediciones

Speaker A

independientes. Muy bien. Igual sí adelante. Pero para calcular esa probabilidad se utiliza una determinado número de variables.

Speaker A

Efectivamente justamente. Ah, y usted decía que no interesa la significancia de esas variables, pero tampoco se puede meter cualquier variable que no tenga significancia para explicar una probabilidad.

Speaker A

Tienes que tener la significancia de esa variable, porque esa x puede ser una xi.

Speaker A

Ajá. Correcto. Puede tener 4, 5, 6, 7, 8, hasta n variables y todas puedo meter como usted dice que no interesa la significancia de las variables, solo interesa el minimizar el riesgo de la el error en laabilidad.

Speaker A

Entonces, ah, ¿cómo cómo discrimino qué variables incluyo? ¿Qué variables no incluyen el modelo para calcular estimar la probabilidad?

Speaker A

Ya. Ya. Muy bien, muy buena pregunta. O incluyo esas variables y considero solamente aquellas que son significantes que me ayudan a explicar esa probabilidad alta, digamos.

Speaker A

En cierta manera esa variable se convierte ya en una variable explicativa porque pues estoy estoy explicando qué variables contribuyen a que mi probabilidad sea más alta o más baja dependiendo qué estoy buscando con con mi investigación, ¿no?

Speaker A

Ya. Excelente. Excelente. Acá vamos a explicar eso. Claro. Yo les hablé de dos enfoques, ¿no? Explicativo y predictivo.

Speaker A

Muy bien. El explicativo quedó claro. La significancia es muy importante. Existe pruebas, hipótesis y todo. Muy bien. En lo predictivo les he comentado lo siguiente, ¿no?

Speaker A

No es relevante la significancia de las variables, no es útil, como se dice. ¿Por qué?

Speaker A

Porque el modelo solo se basa en qué también está prediciendo el modelo, por ejemplo, algo así, ¿no?

Speaker A

Supongamos estas variables sean pues eh las dos sean significativas y esto será un modelo predictivo y te da una precisión del 85%.

Speaker A

No hay problema, no está bien, ¿no? Ojo, uno también cuando está en el sector o en el negocio conoce qué variables pueden ayudar a predecir mejor, ¿no? Eso también es mucho el conocimiento del negocio ¿no?

Speaker A

Muy bien. Supongamos que yo quiero incorporar una nueva variable, pero que yo sé que no es significativo, pero mi probabilidad aumenta en 87% o la precisión de mi modelo aumenta en 87%.

Speaker A

Pero no es significativo. Entonces, cuando es un modelo predictivo, yo no discrimino si es significativo o no significativo, muchach. Claro, lo significativo aporta más. Sí, efectivamente, pero hay ciertas variables que no son significativos, pero que mejoran la precisión del modelo.

Speaker A

Luis, inclusive puedes incorporar interacciones, Luis, que también pueden elevar tu precisión del modelo. Sí. Adelante.

Speaker A

Entonces, en función de lo que dice el compañero es cierto. O sea, tiene sentido cuando él dice, "Pero ven acá, ¿qué yo tomo en cuenta para yo poder saber que una variable la voy a incorporar al modelo o no?" Según lo que

Speaker A

nos ha explicado ahora. Eh, entonces esto es ensayo y error. Yo voy probando y a medida que voy poniendo variables, las que me ayuden a explicar mejor son las que voy a elegir.

Speaker A

Lógicamente. Totalmente acuerdo. Así es. Inicialmente, inicialmente entonces sería yo elegir por experiencia las que yo entiendo por la experiencia que tenga del del tema. Eh, pero vamos a suponer que yo no tengo ninguna experiencia, entonces voy a elegir las que sí sean

Speaker A

significativas inicialmente. Mm. Y luego comienzo a probar y a agregar y a quitar las que me las que me ayuden a a afinar el modelo, a que tengan una mejor predicción.

Speaker A

Sí, así es. El nuevo enfoque que está de moda ahorita el machine learning, que es netamente modelo proyectivo, se basa en eso.

Speaker A

Necesario error. Sí. Lo ideal es qué hacen qué hacen los científicos de datos, por ejemplo, meten todas las variables.

Speaker A

Todas las variables. Claro. Variables que por sentido común sí pueden aportar, ¿no? No vas a meter pues la dirección de la casa, el número de celular, no tiene sentido. No tienes razón. Estamos hablando de variables que sí van a ayudar de alguna

Speaker A

otra manera en predecir mejor, ¿no? Entonces, metemos todos a a la cajita a la cajita negra, como se le dice, y vemos qué tan bien predice el modelo.

Speaker A

Muy bien. Ahora, ¿qué me queda? Evaluar qué pasa. A eso le dicen análisis de sensibilidad, ¿no? ¿Qué pasa si yo quito una variable? ¿Mejora o no la precisión?

Speaker A

Si empeora no lo quito, pues no lo mantengo. Pero quizás en ese proceso tú excluyes una variable que generaba ruido, por ende, tu modelo mejora la precisión, ¿no?

Speaker A

Pero en ningún momento nos preocupamos por la significancia. Puede haber variables que no son significativos, pero que aumentan la precisión de tu modelo. ¿Cómo cómo explicas eso?

Speaker A

La razón es simple, ¿no? Mi enfoque es predictivo. Yo estoy optimizando la predicción. Este tipo de modelos generalmente optimizan ya el famoso error cuadrático medio, ¿no?, que es un una métrica para precisiones de de los de la de las

Speaker A

predicciones o puede haber otra métrica, ¿no? Coeficiente y también usan para para optimizar esos modelos, ¿no? En todo ese enfoque para nada se habla de significancia, para nada. Entonces, ¿cuál es el criterio para descartar una variable?

Speaker A

Simplemente el hecho que te incremente o te disminuya la probabilidad dependiendo de lo que tú busques.

Speaker A

Sí, en sí, estos modelos definen una función de costo. No hay una racionalidad en ese en esa estimación. Bueno, yo he visto modelos que son ambivalentes.

Speaker A

Es decir, si bien es cierto el enfoque principal es el predictivo, pero para antes de de para definir el modelo predictivo, llama aquel que te da mayor probabilidad, tienes que utilizar primero eh ver aquellas variables que ah son

Speaker A

explicativas y que tienen significancia y que te efectivamente te ayuden a a incrementar el valor de la predicción.

Speaker A

por ejemplo, en aplicaciones, por ejemplo, en en economía ambiental, estimar la disposición a pagar eh de una persona eh por conservar o proteger eh algún área protegida, por ejemplo, o un servicio ecosistémico de un área protegida.

Speaker A

Entonces, eh si bien es cierto interesado en estimar el valor de de que tienen, la disposición que tienen, la probabilidad de que está dispuesta a pagar un individuo por ese bien ambiental y necesito estimar esa probabilidad, pero necesito yo conocer

Speaker A

primero qué variables contribuyen a que ese individuo está tenga mayor probabilidad de que pague o qué variables contribuyen a que ese individuo tenga menor probabilidad de que pague. y luego yo poder establecer alguna medida que contribuya a incrementar esa probabilidad, porque

Speaker A

para eso necesito tener la explicación de las variables y entonces ese modelo es ambivalente y es válido. Hay muchos papers que te demuestran que se utiliza ambas ambos modelos, ambos enfoques.

Speaker A

Ahí sí discrepo un poquito, Carlos. Lo que pasa son enfoques totalmente diferentes y con el ejercicio les voy a demostrar eso. Te puedo enviar algunos papers donde se utiliza ese tipo de modelos y donde se utiliza ambos enfoques. Si bien

Speaker A

el el enfoque principal es probabilístico, eh estimar la probabilidad, pero tiene el enfoque también explicativo, porque eh por eso se le llama modelos ambivalentes.

Speaker A

Mm. Sí. Sí. Se utiliza mucho en economía. del bien en la economía del medio ambiente y hay muchos papers publicados que estiman eso y puedes inclusive te te estilan, te hacen las estimaciones, las validaciones de ambos lados por de los enfoques, ¿no?

Speaker A

De tanto la parte predictiva como la parte explicativa. Sí, sí, es verdad. Sí, he visto esos papers, la verdad, pero y son totalmente validades. Entonces, son en revistas y publicaciones Q1, Q2, o sea, no pueden estar rechazados esos

Speaker A

modelos. Claro. Sí, totalmente de acuerdo. Totalmente de acuerdo. Eh, eso son posturas muy muy especiales, como se dice, ¿no?

Speaker A

Pero en sí, muchachos, son enfoques totalmente diferentes. Ah, la naturaleza en sí de la reción logística binaria es estimar probalidades.

Speaker A

Entonces, por esa parte es netamente se podría decir que es un enfoque más predictivo ¿no?

Speaker A

Pero también se le puede dar el caso el enfoque explicativo, ¿no? Y ahí hay que tener mucho cuidado porque es muy importante pues la significancia de las variables y muchas pruebas de hipótesis, bondad de ajuste inclusive, ¿no?

Speaker A

Hasta ahí queda claro. En la parte del enfoque predictivo, sí hay ese debate, ¿no?

Speaker A

Y yo siempre les he explicado a los muchachos ¿no? Efectivamente va a haber variables que va a haber que que son significativas que van a entrar en el modelo, pero aquellas variables que no son significativas tampoco yo lo puedo

Speaker A

ignorar porque quizás tenga un efecto positivo en la precisión del modelo, ¿no? A eso me refiero.

Speaker A

Perdón, profesor. En todo caso, un elemento importante para la inclusión de variable o exclusión de variable es la teoría que está detrás de esa de esa de ese estudio, de esa discriminación, por llamarlo de alguna manera, ¿no? Claro, si tú no tienes un

Speaker A

un componente teórico, a menos que estés expresando desde cero, probablemente eh sea como estamos discutiendo, pero si hay un entramado teórico que sustente la inclusión de algunas variables, probablemente el modelo tenga mayor éxito. No sé si me me equivoco en esa apreciación que estoy

Speaker A

haciendo. Sí. Eh, por ejemplo, actualmente la banca usa regón logística para, por ejemplo supongamos ¿no? riesgo creditio y todo.

Speaker A

Eh, el modelo explicativo, por ejemplo, lo que hace es optimizar, como quien dice, los errores, ¿no?

Speaker A

Pero la banca, por ejemplo, la reacción logística lo que hace es optimizar otra función de costo, por ejemplo, algo así, ¿no?, a ver, existe una, no sé si han escuchado el famoso coeficiente Gini, ¿no?

Speaker A

Ellos optimizan esa función, por ejemplo. Sí, se usa mucho economía. Sí, exacto. Economía para medir desigualdad y todo eso, ¿no?

Speaker A

Sí, sí, sí. Pero eh para el caso de relación logística binaria, como te permite generar una frontera de decisión, como quien dice, moroso y no moroso, le han dado un enfoque interesante, ¿no?

Speaker A

Ese esa reacción logística binaria bajo la restricción de optimizar una función de costo basado en coeficiente Gin.

Speaker A

Ahí totalmente cambia el enfoque, ¿no? Claro, el modelo tradicional, la teoría clásica de aleración logística binaria se ha orientado pues de una manera diferente, ¿no? Pero actualmente ya hay variantes de este de este tipo de modelos ¿no?

Speaker A

Entonces, por eso yo les comento que cuando se habla de modelos proyectivos, ya el enfoque cambia totalmente.

Speaker A

¿Por qué creen que sus métricas de validación son totalmente diferentes? ¿No? Por ejemplo, estas métricas de de validación para los modelos proyectivos, ninguno ninguno de estos usa significancias variables. Ninguno.

Speaker A

También hay otro famoso el F1 Score, ¿no? Tampoco usa nada del modelo. Todo esto se basan en las predicciones el modelo obtenido.

Speaker A

Todas. como quien dice, eh, la significancia, si bien pueden haber variables significativas incorporadas en el modelo, eso eso es normal, pero no es requisito usar esos insumos para calcular las métricas de validación de modelos predictivos, ¿no?

Speaker A

Luis, ¿y qué haga la multicolinaridad, la hemosasticidad, aunque no sea un modelo? Ah, ese problema. Muy bueno. Ese eso sí hay que tener en cuenta acá.

Speaker A

Lo que pasa la multicolinealidad puede alterar la significancia de los parámetros. Entonces, la multicolonalidad no es una forma de valiar, sino es una especificación que se, bueno, es un paso previo que se tendría que hacer antes de entrar a

Speaker A

estimar todos los todas estas cosas acá, ¿no? supuestamente tu data, tu base de datos que tú vas a usar para modelar, ya sea explicativo o predictivo, debería estar libre de esos problemas, ¿no?

Speaker A

No debería haber esos problemas. Por eso hay un ciclo de vida de del análisis de datos, ¿no? El famoso metodología Cris DM, por ejemplo, tiene tus datos, tratamiento de datos, modelamiento, evaluación y despliegue o presentación de resultados, ¿no? Se supone que la multicolinearía es

Speaker A

un problema que tú debiste identificar en la parte de análisis exploratorio. Si efectivamente, si vas a estar en un caso explicativo, hay que tener en cuenta ese concepto, ¿no? Porque si no vamos a tener problemas acá para el caso predictivo

Speaker A

también juega un efecto importante. La multicolinalea le afecta a los dos. Recuerden que la multicolineralidad, muchachos es redundancia información.

Speaker A

Es decir, hay variables que están, como quien dice, eh, explicando casi lo mismo, ¿no?

Speaker A

Entonces, eh para evitar esos problemas, los que construyen modelos predictivos lo que hacen es aplicar una técnica.

Speaker A

Seguramente han escuchado el análisis componentes principales. Sí. Ya. Muy bien. El ACP lo que hace es construir nuevas variables llamados componentes principales que eliminan el problema de multicolinearidad ¿no?

Speaker A

Y a ese nueva data recién se le aplica el modelo predictivo. Solo si es que hubiera problemas de multicolinearidad, muchachos. Solo si no hubiera ese problema, entonces procede con la misma data. No se dan cuenta que si lo pasas a

Speaker A

compuestes principales también ya pierdes las variables originales. Como quien dice, el fin del modelo predictivo es la precisión del modelo, no tanto lo que hay detrás, ¿no?

Speaker A

Eso es eso es la esencia, ¿no? Pero la multiconalidad sí le afecta a todo, Luis. El caso de las variables que tienen, por ejemplo, el caso que mencionaste de la angina, angina era de pecho, sí.

Speaker A

Eh, vamos a suponer que tú tienes 200 pacientes y 180 tienen eh hipertensión arterial.

Speaker A

Ya. Entonces es obvio que esa variable está muy marcada hacia una determinada, o sea, tiene presión arterial o no tiene presión arterial. Si yo tengo 180 de 200, 180, sí, esa variable me va a inflarti, me va a inflar otras cosas, la

Speaker A

probabilidad y ese tipo de cosas. Entonces esa esa variable en en la en la parte exploratoria de los datos también yo debo detectarla y eliminarla, hacer ese tipo de cosas o ajustarla como yo necesito.

Speaker A

Muy buena pregunta. A esos le dicen variables desbalanceadas. Okay. Sí. ¿Qué sucede? ¿A quién le afecta más el desbalance? A los modelos predictivos.

Speaker A

¿Por qué? Porque literalmente tus datos, tu modelo va a aprender de tus datos, ¿no? Si tú tienes poquito caso de los moros y más caso de los no morosos, el modelo va a aprender más de los no moros

Speaker A

y lo que yo quiero es que aprenda más de los morosos. Entonces, cuando hay un desbalance, hay un sobreajuste del modelo, mejor dicho, un subajuste del modelo, es decir, está aprendiendo eh débilmente o mal, ¿no? De tal manera

Speaker A

que tu tu predicción no va a ser buena, ¿no? Eso es la limitación para modelos predictivos. Para casos explicativos no va a tener tanto enfoque porque recuerda que tú no vas a estimar probabilidades.

Speaker A

Lo que tú vas a ver es el efecto de las variables sobre la variable de interés, ¿no?

Speaker A

Eso es. Pero lo ideal, muchachos, es lo ideal en casos de de este tipo de de variables es encontrar pues una distribución moderadamente balanceada, ¿no?

Speaker A

40 60 50 ideal, ¿no? Pero ahí. Pero, ¿qué sucede en la vida real en banca muchachos? En Morosidad, por ejemplo, que es un dolor de cabeza.

Speaker A

Acá en el Perú la morosidad representa menos del 5%, muchachos. Ponle 5%. Ya se dan cuenta.

Speaker A

Pero así construyen sus modelos predictivos. Bueno, en Perú también. Entonces, sí, acá en Perú es así, menos de 5% la morosidad.

Speaker A

Entonces, ¿qué pasa? Aquí tenemos problemas serios con eso. Sí, es un problema. Pero, ¿cuál es la solución para este tipo de desbalances, sobre todo si quiero aplicar módulos proyectivos?

Speaker A

En la función de enlace, muchachos. La reón logística es una función de enlace logit, ¿no?

Speaker A

Esa función de enlace es un enlace simétrico para escenarios desbalanceados, como este tipo de casos, se tienen que usar enlaces asimétricos.

Speaker A

Los enlaces asimétricos sirven para escenarios desbalanceados. Y eso es otro tema de investigación. Algunos autores han planteado el balanceo, pero es un balanceo un poco obsoleto.

Speaker A

Miren, supongamos que tu categoría mayoritaria sea esto y tu categoría minoritaria sea esto. Una solución de un autor es la siguiente: borrar todo esto de acá y quedar con las cantidades iguales.

Speaker A

Grave error, ¿no? A eso le dicen como el famoso undersampling. Seguramente lo han escuchado por ahí.

Speaker A

Sí, estos estos se encuentras en los libros de eh una pregunta ahí. Eh, sí, antes de en los libros de ¿qué?

Speaker A

en los libros de eh minería de datos y todo eso, ahí encuentras eso. Okay. Una pregunta, en casos en estos casos donde yo tengo una variable desbalanceada, eh yo he tenido eh situaciones, bueno, han llegado a mí algunas

Speaker A

situaciones en las cuales eh vienen con ese problema, sobre todo, por ejemplo, en encuestas políticas donde tenían que encuestar, vamos a suponer, eh 60 mujeres y 30 hombres en una determinada ciudad y resulta que encuestaron eh 70 mujeres y 20 hombres.

Speaker A

Entonces, eh una solución que yo he implementado y quería ver qué tanto eso afectaría a un modelo es la ponderación.

Speaker A

la ponderación en función, o sea, yo calculo un peso en función del de la variable de la muestra original y se la aplico a la base de datos y y literalmente la la balancea, la equilibra en las cantidades que se

Speaker A

supone tenía que estar. Ahora, para un modelo predictivo o explicativo, ¿qué tanto afectaría una variable alterada por una ponderación?

Speaker A

Altera mucho, la verdad. ¿Por qué? Porque cuando tú recoges datos, la MEC, tú estás reflejando el comportamiento real de ese evento en ese momento.

Speaker A

Tu modelo debería ser capaz de explicar ese comportamiento. Si tú alteras con ponderaciones o balanceos artificiales, ya estás sesgando la información.

Speaker A

Entonces existen modelos especializados para cualquier escenario. Entonces, por ejemplo, ya les mencioné, ¿no?, la revisión logística con enlaces asimétricos que funciona muy bien para escenarios desbalanceados.

Speaker A

Enlace Probit, ¿han escuchado alguna vez la regresión Probit binario? Es una red logística cuando la función de enlace viene a ser una función probit y así hay logón, pero esos son cosas ya muy buscados, ¿no? Pero sí existen herramientas.

Speaker A

Claro, el la ponderación es una solución que está en los libros, inclusive eso es válido, ¿no? Pero el costo es el sesgo que le estás incorporando a a tus datos, ¿no? Ese es el costo.

Speaker A

Es medible ese sesgo. ¡Uf! Tendrías que ver lo siguiente, ¿cómo lo mes, usa tu modelo ponderado, calcula el OR de tu var interés.

Speaker A

Ahora usa tu logística binaria con las simétricos y mira cuánto error estás cometiendo, cuánto cuánto es la variación, el impacto. Es la única manera de medirlo.

Speaker A

Okay. Es la única manera. No existe un test, nada. Es la única manera es compararlos.

Speaker A

Comparar los OR. Sí, así de simple. Los OR. Quizás con el ponderado te está dando un OR de 11 veces más.

Speaker A

Sin embargo, con tu logística binaria, con enlace asimétrico, te está dando, no sé, 5.8, por ejemplo, el error que te está llevando a comentar ¿no?

Speaker A

Si bien ambos son impactos positivos, pero en magnitud es mucho, ¿no? Hay casos extremos. Yo tuve un caso de que me dio 40 millones, literal.

Speaker A

Eso es una cosa de loco, como se dice. Sí, sí. Ahí te das cuenta la MEC que esa esa estrategia de solución de ponderaciones tiene sus problemas para estadística descriptiva funciona muy bien, pero para cuando usted va a

Speaker A

estar haciendo inferencia haciendo modelo, creo que sí, sí, sí. Para inferenciar hay que tener mucho cuidado, pero hayciales. Eh, una preguntica final ya de mi parte, eh, ¿usted tiene algún texto, algún libro que sobre estos modelos?

Speaker A

Sí. Eh, no solo sobre modelos sobre logística binaria, sino modelos de forma general. Cuando dices modelos, ¿te refieres a todos los modelos que existen de un contexto sobre sobre los modelos estadísticos predictivos y explicativos?

Speaker A

Ya hay ya le voy a compartir uno netamente de esos dos, ¿ya? Para que vean la diferencia, ¿ya? No se preocupen, lo busco y lo comparto al grupo de WhatsApp. Perfecto, le agradezco.

Speaker A

Okay, muy bien. A ver, ya vamos a ver la aplicación, muchachos. Esto es un cociente de de esto es el modelo de logit al final, ¿no? Ah, le dicen revisión logística binaria o también revisión logit binario, ¿no? Es

Speaker A

lo mismo. Ya. Muy bien. Ahora vamos a leer para ver el caso de angina, una enfermedad coronaria, se dice, ¿no?

Speaker A

Con el R todo es mucho más sencillo porque todo está automatizado con sus funciones ¿no?

Speaker A

A ver, mira las variables que tiene la base de datos, muchachos. Y1 es la variable angina de pecho. Uno si el paciente tiene angina y cer si no presenta.

Speaker A

X1 es la edad, X2 es el sexo, X3 es si tiene colesterol, X4 si tiene triglicéridos, X5 si tiene glucosa, X6 si tiene hipertensión y X7 si tiene obesidad.

Speaker A

Por sentido común, muchachos. ¿Cuál de esas variables creen que influye para que una persona tenga esa condición de angina de pecho?

Speaker A

¿Cuál creen? La hipertensión es la primera. Hipertensión. ¿Y qué más? Eh eh el colesterol, aunque colesterol influye en la hipertensión.

Speaker A

Ya. Muy bien. A ver, la obesidad podía ser también. también, ¿no? Muy bien. Entonces, esta es una real, muchachos, acá de una clínica de de Lima que se recogió a 110 pacientes, si no me equivoco. Muy bien.

Speaker A

Vamos a cargar la data. Ya. Objetivo implementar un modelo log binario y determinar los factores asociados a la angina de pecho, es decir, qué variables influyen o impactan más sobre esta condición, ¿no?

Speaker A

Muy bien. Vamos a cargar esta base de datos y uy, ¿qué pasó? A ver, vamos a redireccionar nuevamente.

Speaker A

No existe, dice. ¿Qué pasó? A ver, creo que le puse otro nombre. Vamos a ver.

Speaker A

Sí, le puse otro nombre. Es B de Ángil. Muy bien. Ahí está, muchachos. Mira, ahí está la base de ATOS.

Speaker A

Acá tengo Y1, edad, sexo, colesterol, triplicerios, hipertensión, glucosa y obesial. Recordar, muchachos, que el R a las variables dicotómicas o categóricas hay que declararlos como factor.

Speaker A

Si no, el R no lo entiende, lo va a asumir como numéricas, ¿no? Cuando en realidad es una variable categórica recodificada, ¿no? Es decir, factor.

Speaker A

Muy bien. Entonces vamos a pasar todas las categóricas, las binarias a factor. ¿Cómo se hace eso? La función se llama AS factor, ¿no?

Speaker A

Y listo. Acá he automatizado un poco la revisión logística binaria con selección de variables y todo ello. ¿Qué pasaría si ustedes están construyendo un modelo, un modelo explicativo, mejor dicho, y tu data tiene 100 variables, eh, tendrías que meter tus 50 variables

Speaker A

y luego correr el modelo y elegir cuáles son significativas y volver a correr tu modelo con las significativas, ¿no?

Speaker A

Entonces, es un proceso un poco molestoso. Pues acá hay una rutina de selección de variables que simplemente leas un modelo base y un modelo completo y lo que te va a dar es una selección de variables de las solo solamente de las

Speaker A

significativas, ¿no? Para que ya no estemos demorando mucho tiempo. Pero, ¿cómo se construye un modelo de revisión logística binaria desde cero antes de entrar a esa parte?

Speaker A

La función es GLM, muchachos. Y yo le voy a dar dos variables, ¿no? Supongamos le voy a dar eh edad, sexo y colesterol. Supongamos tres variables, ¿no? Me voy a complicar. Ahí está. Y acá especifico algo. ¿Qué tipo

Speaker A

de enlace es logit? ¿Qué tipo de data es BD angina? No. Muy bien. Lo único que voy a hacer es ejecutar esto, ¿no? Ahí está.

Speaker A

Miren muchachos acá están los coeficientes estimados. Las tres variables influyen positivamente sobre la angina de pecho, ¿no? Pero ojo, esto no se interpreta directamente, sino su or, ¿no?

Speaker A

Muy bien. ¿Por qué no me sale acá los las significancias? porque tendrías que pedirle un resumen de todo esto, ¿no? Un summary, ¿no? Pero simplemente para que vea.

Speaker A

Ahora, así mejor, muchachos, es cómo se ejecuta una regresión logística binaria, ¿no? ¿Qué pasa si yo busco ayuda de la función GLM de general linear model o modelos lineales generalizados?

Speaker A

Miren lo que me va a dar. Tengo familia gausiuciana. ¿Qué más tengo? Tengo un montón de parámetros ¿no?

Speaker A

En familia, si yo le doy clic, miren cuántas variantes existen. Logit es la regresión logística binaria.

Speaker A

Tengo gama, tengo gausana inversa, tengo poazón. un montón, ¿no? O sea, hay varias funciones de enlace.

Speaker A

Ustedes pueden explorar mucho más, ¿no? Y acá hay algunos ejemplitos. O también puedes crear tu propio función de enlace, puedes crear, ¿no?

Speaker A

Muy bien. Todo lo que hay que tener en cuenta, ¿no? Si es que quieres usar, por ejemplo, Logit, ahí está Logit. No sé si Probit está activo. Vamos a ver.

Speaker A

No creo que esté activo. Ah, sí, mira, Probit también está activo. Esto sería la revisión probit binaria.

Speaker A

La anterior sería la revisión logit binaria, ¿no? Entonces, se han dado cuenta que ambos, miren, me da diferentes estimaciones, ¿no? Miren, obviamente, ¿no? Porque son diferentes funciones de enlace, ¿no? Pero ambos son positivos. Eso es lo bueno.

Speaker A

Muy bien, explicado esto, vamos a ver cómo se hace lo siguiente. Yo voy a generar una selección de variables significativas usando la función step A y C de la librería más.

Speaker A

¿Qué me pide esta librería o esta función? generar un modelo base. Un modelo base es aquel modelo que no va a incorporar variables, solamente el intercepto y un modelo general.

Speaker A

El modelo general va a ser aquel modelo que tenga todas las variables y quiero un resumen de mis modelos. ¿Y qué es lo que va a hacer? Miren, ah, lo que va a hacer esta rutina de la función step, muchachos, es correr todos

Speaker A

los modelos posibles con todas las combinaciones posibles hasta encontrar el modelo adecuado. Miren, ustedes se preguntaron, "Profesor, ¿por qué tan rápido?" Miren todas las iteraciones que hecho.

Speaker A

Modelo uno, modelo dos, modelo 3, modelo 4, modelo 5 y encontró el modelo final.

Speaker A

y el modelo final. Todas las variables son significativas muchachos. Miren, todas las variables son significativas.

Speaker A

Literal encontró un modelo significativo. Entonces, esa rutina de step IC te permite hacer una selección de variables significativas para no estar demorando, ¿no? Probando. ¿Y cómo se dice?

Speaker A

Ya existe una función que automatiza ese proceso. Muy bien. Una vez que ya has encontrado, lo que vas a hacer es correr correr tu modelo final. ¿Con qué variables? Pues con colesterol, con edad, con hipertensión y con triglicerios, ¿no? Es

Speaker A

decir edad colesterol trigliceridos hipertensión. ejecuto el modelo final y ahí está, ¿no? Ahí estaría mi modelo final.

Speaker A

Muy bien. ¿Qué observo en ese modelo final, muchachos? ¿Por qué no están todas las demás variables?

Speaker A

Porque no son significativas, muchachos. No son significativas. Si yo quiero un modelo explicativo, lo que yo quiero es variables significativas.

Speaker A

Edad colesterol trigliféos hipertensión son significativas. Muy bien. Si yo quiero interpretar estos coeficientes, no lo puedo hacer directamente. Lo que tengo que hacer es calcular sus or. No, otra manera de valiar son con las métricas AIC y Big el modelo, muchachos.

Speaker A

El mejor modelo va a ser el que tiene menor IC o menor big, ¿no? Pero esta función usa A y C para seleccionar el mejor modelo, ¿no? Que ya está incorporado ahí, como se dice.

Speaker A

Puedes calcular los intervalos de confianza, muchachos, para tus coeficientes. Ahí está. interles de confianza para tus coeficientes.

Speaker A

La función se llama confin. Y acá viene lo más importante. Voy a calcular el exponencial de los coeficientes del modelo final.

Speaker A

También puedo calcular del los intervalos de confianza, ¿no? Acá está, muchachos. ¿Qué variable impacta más, muchachos?

Speaker A

Esto es oro puro, muchachos. la hipertensión la que tiene mayor impacto. Miren, muchachos, todas las variables tienen un impacto.

Speaker A

Edad, colesterol, trigéos tiene un OR mayor a uno suficiente. Hay un impacto positivo sobre la enfermedad angina del pecho. Es decir, la edad influye, el colesterol influye, tiglicerios influye, hipertensión influye también.

Speaker A

Recuerden que la variable de hipertensión es una variable dicotómica, ¿no? Uno con hipertensión y cero sin hipertensión.

Speaker A

Siempre estima la categoría máxima sobre uno. El cero es referencia, ¿no? Quiere decir que una persona con hipertensión tiene 11 veces más probabilidad de tener angina de pecho que aquella persona que no tiene hipertensión.

Speaker A

Así de simple, muchachos. 11 veces más probable muchachos. Eso es terrible. ¿Se dan cuenta?

Speaker A

Claro, la interpretación de una manera categórica es así, ¿no? 11 veces más probable si tuviera hipertensión que tenga obviamente aquí de pecho, que una persona que no tiene hipertensión.

Speaker A

Eh Luis sí, una pregunta ahí en esa en esa parte. Esa interpretación es de sobre una variable dicotómica.

Speaker A

Sí. el valor más alto uno respecto al al otro. Si la variable es categórica, no dicotómica, sino digamos que tiene cuatro cuatro o cinco niveles.

Speaker A

Sí, en en R podemos tomar como en otro software un una un nivel de referencia, una categoría de referencia.

Speaker A

Sí. y esa compara con todas las otras, no usas, eliges una categoría de referencia y si no le das por al azar elige uno.

Speaker A

Okay. Entonces, él me compara todas las demás respecto a esa, ¿sí? Sobre lo que tú eliges, pero si no le das lo y me y me Ya, ya, ya.

Speaker A

Sí, sí se puede. Simplemente define esa varel catórica como factor nada más. ¿Te acuerdas cuando vimos regresión lineal y vimos eh estado civil?

Speaker A

Sí. Ya. Igualito. Acá es igualito. Sí. Okay. Muy bien. Ahora, la pregunta es, ¿cómo se estima ese or para los coeficient para las variables numéricas? Edad, por ejemplo, cambia las cosas, ¿no?

Speaker A

¿Por qué cambian las cosas? Porque al ser numérica no tengo pues una categoría de referencia, ¿no?

Speaker A

Acá se interpreta de la siguiente manera muchachos. ¿Cuánto por cento de Si uno es el 100%, ¿cuánto se pasó en términos porcentuales?

Speaker A

9. El 0.09 en términos porcentuales es 9.1%. Bueno, 9%. 9%. No hay que ser tan exactos.

Speaker A

¿Qué quiere decir? Quiere decir que si una persona tiene un año más o cada vez que una persona cumple un año más de vida, el riesgo de parecer una enfermedad coronaria se incrementa en un 9%.

Speaker A

Eso ocurre siempre que sea la variable eh numérica mayor o uno. Yo digo, si la variable es numérica, esta es la forma de interpretarla.

Speaker A

Sí. Por ejemplo, colesterol es una variable numérica también. Sí, se aumenta en 3%, ¿no?

Speaker A

Es el caso mismo, ¿verdad? Sí. Triglicérido también es una variable numérica. Ahí es un 1%.

Speaker A

Sí. 1% del incremento, es decir, por ya cuando es categoría categórica, sí, hay que es respecto a la al nivel de referencia ¿no?

Speaker A

Mm. Y eso es la manera de cómo interpretar, ¿no? Y ahí finaliza el modelo explicativo de la regresión logística binaria.

Speaker A

Claro, ustedes se preguntarán, "Profesor, ¿y no ha hecho la significancia?" esa selección de variables ya te da todo eso, ¿no? Y ustedes también pueden corroborar, ¿no? Miren, si ustedes se fijan, todos los todos son significativos, no hay duda de eso.

Speaker A

Y la pregunta del millón es las demás, bueno, por ejemplo, sexo no tiene nada que ver con la gina de pecho, glucosa tampoco, imagínense. Pero hipertensión muchachos no solamente creo que es una un factor influyente para la esquina de pecho,

Speaker A

creo que es para muchos temas de salud la hipertensión es es algo delicado, ¿no?

Speaker A

11 veces más probable, muchachos. Imagínate, eso es un valor muy grande. Una cosa es decir, pues que tu riesgo o tu probabilidad se incrementa en 9% decir que 11 veces más probable, ¿no?

Speaker A

Muy bien. Y acá quiero hacerle un plus. ¿Qué pasaría por acá? Voy a poner algún extra.

Speaker A

¿Qué pasaría si acá no le pongo sumas? Si pongo sumas quiere decir que va a medir el efecto de cada variable, ¿no?

Speaker A

El impacto de cada variable. Hace interacciones. Claro. Si hago por va a calcular todas las combinaciones posibles entre ellas.

Speaker A

Todas, absolutamente todas. Dos a dos, tres a tres, cu a cu 5 a c.

Speaker A

Pero miren lo que sucede. El modelo se complejiza. Pero miren los p valores, muchachos.

Speaker A

¿Qué opinan? Se disparan los valores. No tiene sentido, ¿sí o no? Por eso, muchachos, siempre no es lo mismo un enfoque explicativo que un enfoque predictivo. Entonces, esos datos funcionarían perfectamente para un enfo para un enfoque predictivo.

Speaker A

Claro, estas que son significativas propiamente va a funcionar en tu modelo predictivo, pero estas es más probable que mejoren aún tu modelo.

Speaker A

para el modelo predictivo. Exacto. Por eso no hay que no hay que decir, "Profesor, no, la significancia también sirve efectivamente para los modelos proyectivos porque sí o sí estas variables van a entrar en el modelo.

Speaker A

Pero para un modelo explicativo, yo no podría agregar interacción porque me malogra el modelo, pero para un fin predictivo puede que mejore la precisión del modelo.

Speaker A

Esto es un claro ejemplo de que ambos enfoques no pueden convivir juntos. No se puede.

Speaker A

No se puede, muchachos. Ahí está demostrado, no no puedes o tienes que hacer un enfoque explicativo o un enfoque predictivo.

Speaker A

Porque si yo incorporo algo para el modelo explicativo que no sirve, ese ruido, mira cómo perjudica el modelo.

Speaker A

Estas que eran significativas por generar incorporar ruido, mira, dejan de ser significativas, muchachos. Eso era lo que les quería comentar como un plus, ¿no?

Speaker A

Entonces, si quieren ver interacción, simplemente le agregan el el asterisco, ¿no? Eh, si a mí me interesa solamente interacciones entre dos variables en particular, porque sospecho que ellas dos me ayudan. Por ejemplo, triglicéridos e hipertensión. Yo puedo multiplicar esas dos y

Speaker A

las otras. Vamos a Nunca he hecho eso, pero vamos a ver. Vamos a ver.

Speaker A

Mira, acá estamos aprendiendo todos, muchachos. ¿Se dan cuenta? Eso es. Así se aprende, muchachos.

Speaker A

Ustedes aprenden, yo también aprendo. Para que vean. Sí, no siempre las interacciones van a ser significativas.

Speaker A

¿Se dan cuenta? ¿Y qué pasa si en un modelo explicativo yo incorporo la interacción?

Speaker A

A pesar que no es significativo. ¿Qué sucede? El costo es que vas a perder interpretabilidad, precisión a la hora de de interpretar los or, ¿no?

Speaker A

Ya, eso es lo único malo. Por eso es bien claro, muchachos, identificar el objetivo de investigación. ¿Qué es lo que quieren hacer?

Speaker A

Eso. Muy bien, muchachos. Nos quedamos acá. Sí, aquí es medianoche ya. Sí, acá son 10:42.

Speaker A

Muy bien, muchachos. El día viernes vamos a ver ya validación de instrumentos de medición, alfa y crombat y todo esos puntos interesantes. Ya.

Speaker A

Muy bien, nos quedamos acá y nos vemos el día viernes, muchachos. Muchas gracias por su atención.

Speaker A

Pasen. Buenas noches. Okay, nos vemos. Luis, no olvides los libros, por favor. Sí, lo busco un ratito y lo comparto al grupo de WhatsApp. No se preocup cuando pueda, cuando pueda, no hay problema.

Speaker A

Okay. Nos vemos, muchachos.

Topics:regresión logística binariavariables dicotómicasmodelos estadísticosanálisis de datosprobabilidadodds ratiomatriz de confusiónárea bajo la curvaaplicaciones bancadetección de fraude

Frequently Asked Questions

¿Por qué no se debe usar regresión lineal para variables binarias?

Porque la regresión lineal asume que la variable dependiente es numérica continua y normalmente distribuida, lo cual no se cumple en variables binarias, haciendo el modelo inapropiado.

¿Qué es la regresión logística binaria?

Es un modelo estadístico que permite predecir la probabilidad de que un evento binario ocurra, usando una función logística que ajusta mejor datos categóricos con dos posibles resultados.

¿Cuáles son algunas aplicaciones comunes de la regresión logística binaria?

Se usa en banca para predecir morosidad, en salud para clasificar tumores, en marketing para predecir compras y en seguridad para detectar fraude en transacciones.

Get More with the Söz AI App

Transcribe recordings, audio files, and YouTube videos — with AI summaries, speaker detection, and unlimited transcriptions.

App Store Google Play

Or transcribe another YouTube video here →