Una nueva forma de analizar datos de investigación

En el mundo de la investigación, los científicos suelen recopilar todo tipo de información. Recogen diferentes tipos de respuestas, como números que indican cuánto hay de algo (como altura o peso) y calificaciones que categorizan cosas (como notas para actuaciones o productos). A veces, incluso les falta información, como cuando pierdes piezas de tu rompecabezas favorito. Esto puede complicar las cosas. Pero, ¿y si pudiéramos analizar todas estas diferentes respuestas juntas en lugar de por separado?

Eso es lo que hace un nuevo modelo conjunto. Este modelo permite a los investigadores observar respuestas continuas (como altura o ingresos) y respuestas Ordinales (como calificaciones de malo a excelente) al mismo tiempo. Es como intentar entender un armario desordenado; en lugar de sacar todo pieza por pieza, encuentras una forma de organizarlo mientras todo sigue adentro.

#¿Por qué combinar datos?

Cuando los investigadores analizan diferentes respuestas por separado, pueden perderse conexiones importantes entre ellas. Por ejemplo, si quisiéramos ver cómo se relacionan las notas de un estudiante (respuesta ordinal) con sus horas de estudio (respuesta continua), examinarlas juntas podría revelar más que separarlas. Este modelo conjunto hace precisamente eso, ayudando a los investigadores a obtener respuestas de una sola vez. Es como hornear un pastel donde mezclas todos los ingredientes de una vez en lugar de añadir cada uno por separado.

#Diferentes formas de crear Modelos Conjuntos

Hay varios métodos para configurar estos modelos conjuntos. Una forma es usar lo que se llama efectos aleatorios. Esto significa que en lugar de tratar cada resultado como completamente independiente, reconocemos que puede haber algunas conexiones ocultas entre ellos. Supongamos que consideramos la calificación de dos amigos que a menudo evalúan las actuaciones del otro. Sus calificaciones podrían reflejar su amistad más que solo la actuación en sí, y esta relación se puede tener en cuenta en el modelo.

Otra forma es asumir una distribución multivariante, que es un término elegante para decir que existen ciertas conexiones y patrones entre diferentes resultados. Es como darse cuenta de que si sacas una buena nota en una materia, también podrías sacar buenas notas en otra porque están conectadas de alguna manera.

#Cómo funciona el modelo

El modelo conjunto que estamos viendo puede manejar diferentes tipos de respuestas, incluyendo binarias (sí o no), ordinales (como calificaciones) y continuas (como mediciones). Usa un tipo especial de matemáticas llamado distribución normal multivariante. En términos más simples, esto significa que asume que los errores en estas respuestas siguen un patrón que permite a los investigadores hacer mejores estimaciones.

Para estimar qué tan bien funciona nuestro modelo, usamos algo llamado métodos de verosimilitud por pares. Imagina jugar un juego donde solo te importa conseguir la mejor puntuación con tus amigos más cercanos. No solo miras tu puntuación, sino también cómo les va a los demás en comparación contigo. Este método nos ayuda a ver cómo se relacionan las diferentes respuestas entre sí.

#Una herramienta útil para investigadores

Para facilitar el uso de este modelo conjunto, los investigadores crearon una herramienta especial llamada paquete R llamado mvordnorm. Este paquete es como un cuchillo suizo para manejar todo tipo de datos, permitiendo a los investigadores adaptar sus modelos sin necesidad de ser expertos en matemáticas.

Usando esta herramienta, los investigadores pueden introducir sus datos, especificar el tipo de respuestas que tienen (ya sea continuas u ordinales) y ejecutar un ajuste del modelo. El paquete hace el trabajo pesado, realizando toda la complicada matemáticas detrás de escena.

#Ejemplos del mundo real

Para demostrar cómo funciona el modelo conjunto, veamos dos situaciones de la vida real: calificaciones de crédito y puntuaciones ambientales.

#Calificaciones de crédito e indicadores de fallo

En un ejemplo, los investigadores recopilaron datos sobre empresas de un período de tiempo en el que observaron calificaciones de crédito, estados de incumplimiento y diferenciales de swaps de incumplimiento de crédito (CDS). Las calificaciones de crédito nos dicen qué tan probable es que una empresa pague su deuda, mientras que un estado de incumplimiento muestra si realmente lo hizo o no. Al combinar estas respuestas, los investigadores pudieron obtener una imagen más clara de la salud financiera.

Usaron medidas financieras como cuánto dinero gana una empresa en comparación con lo que debe (el ratio deuda-ingresos). Con el modelo conjunto, pudieron ver cómo todos estos diferentes aspectos del rendimiento financiero interactuaban, en lugar de solo mirarlos uno a la vez.

#Calificaciones de medio ambiente, sociales y de gobernanza (ESG)

Otro ejemplo observó las calificaciones ESG. Hay muchas empresas que evalúan qué tan bien se desempeña un negocio en términos de factores ambientales, sociales y de gobernanza. Sin embargo, estas calificaciones pueden variar mucho de una agencia a otra, como elegir tu sabor de helado favorito cuando hay tantas opciones.

Al usar el modelo conjunto, los investigadores combinaron calificaciones de tres proveedores diferentes y analizaron cómo se correlacionaban. Descubrieron que las calificaciones a menudo eran inconsistentes; un proveedor podría pensar que una empresa estaba haciendo excelente, mientras que otro creía que era simplemente promedio. Este modelo ayudó a ilustrar y cuantificar estas diferencias de una manera más clara.

#Lo bueno, lo malo y los datos faltantes

Una ventaja de este modelo es que también puede trabajar con datos que tienen valores faltantes. Esto es crucial porque no todos los datos son perfectos. A veces, las empresas pueden no reportar todas sus calificaciones o cifras financieras. En lugar de tener que descartar esos conjuntos de datos incompletos, el modelo conjunto aún puede considerar la información disponible.

Por ejemplo, si una empresa tiene calificaciones de dos de tres agencias, el modelo todavía puede utilizar esas dos calificaciones en lugar de desechar todo porque falta una. Es un poco como jugar un juego donde aún puedes anotar puntos incluso si no tienes a todos los jugadores en tu equipo.

#Herramientas para investigadores

A medida que los investigadores se profundizan en el estudio de estas relaciones, el paquete mvordnorm sigue evolucionando. Cada nueva versión busca hacer el proceso aún más fluido. El objetivo final es permitir que los investigadores hagan modelos complejos fácilmente sin necesidad de profundizar en las profundidades de la matemática estadística.

Este paquete proporciona resúmenes después de ajustar el modelo, muy parecido a recibir un boletín de calificaciones después de un semestre de clases. La salida muestra qué tan bien cada respuesta fue explicada por los Covariables (los factores que piensas que podrían influir en las calificaciones), dando a los investigadores valiosos conocimientos sobre sus datos.

#Mirando hacia adelante: más aplicaciones

A medida que los investigadores continúan usando y refinando este enfoque de modelo conjunto, hay muchas posibilidades emocionantes en el horizonte. Por ejemplo, podrían investigar la combinación de medidas de riesgo financiero con calificaciones ESG. A medida que más personas se centran en la sostenibilidad y la inversión responsable, entender cómo estas dos áreas se afectan mutuamente podría ser muy esclarecedor.

Además, al permitir diferentes distribuciones de error en el modelo, los investigadores pueden explorar más cómo diferentes tipos de datos pueden comportarse de manera diferente bajo varias condiciones. Esto podría revelar mucho más sobre cómo los resultados están relacionados en el mundo real.

#Conclusión: dando sentido a los datos

En conclusión, la mezcla de respuestas continuas y ordinales en un modelo conjunto presenta una herramienta poderosa para los investigadores. Al combinar estos diferentes tipos de datos, los científicos pueden obtener una comprensión más profunda de sus estudios, descubrir relaciones ocultas y mejorar sus hallazgos.

Al igual que organizar un armario desordenado, se trata de encontrar conexiones y crear orden a partir del caos. Con herramientas como el paquete mvordnorm, los investigadores pueden llevar su análisis de datos al siguiente nivel. ¿Quién diría que mirar números y calificaciones podría ser tan divertido? Ahora, los investigadores tienen un enfoque práctico para abordar preguntas complejas y reunir una imagen más clara de lo que está pasando en varios campos. ¡El futuro de la investigación se ve brillante!