Árbol de decisión: condicionantes de la práctica EpJG en el aula
1. Paquetes
2. Carga y preparación de datos
# ── Carga del archivo ─────────────────────────────────────────────────────────
raw <- read_excel("C:/Users/Usuario/OneDrive - Universitat de Barcelona/0_RECERCA/Artículos/EN CURSO/Justicia Global_Bea/Artículo/Global Justice Education.xlsx")
# Referencia de columnas (índices R, 1-based):
# [2] Edad
# [3] Género
# [4] Formación más alta
# [5] Años de experiencia docente
# [6] Régimen del centro
# [7] Autoconocimiento EpJG (1-5)
# [8] Conocimiento EpJG del centro (1-5)
# [9] Importancia EpJG en labor educativa (1-5)
# [10:16] Apoyo a movimientos sociales (7 ítems) (1-5)
# [17:26] Conocimiento de temáticas EpJG (10 ítems) (1-5)
# [27:36] Trabajo en el aula (10 ítems) (Sí/No)
# [37:46] Principal dificultad por temática (categórica)
# [47:56] Interés en formarse por temática (1-5)# ── Variable dependiente ──────────────────────────────────────────────────────
# Contamos cuántas de las 10 temáticas EpJG se trabajan en el aula
trabajo_cols <- raw[, 27:36]
n_temas <- rowSums(trabajo_cols == "Sí", na.rm = TRUE)
# Binarizamos en la mediana (7): "trabaja intensamente" vs "trabaja poco/no trabaja"
# Distribución: media = 6.79, mediana = 7
trabaja_bin <- factor(
ifelse(n_temas >= 7, "Sí trabaja", "No trabaja"),
levels = c("No trabaja", "Sí trabaja")
)
cat("Distribución de la variable dependiente:\n")## Distribución de la variable dependiente:## trabaja_bin
## No trabaja Sí trabaja
## 401 580##
## Proporción (%):## trabaja_bin
## No trabaja Sí trabaja
## 40.9 59.1##
## N_temas: media = 6.79 | mediana = 7# ── Predictores ───────────────────────────────────────────────────────────────
# · Conoc. temáticas EpJG: media de 10 ítems 1-5 (cols 17-26)
conoc_temas <- rowMeans(
apply(raw[, 17:26], 2, as.numeric),
na.rm = TRUE
)
# · Autoconocimiento EpJG (col 7)
auto_conoc <- as.numeric(raw[[7]])
# · Conocimiento EpJG del centro (col 8)
centro_conoc <- as.numeric(raw[[8]])
# · Importancia percibida EpJG (col 9)
importancia <- as.numeric(raw[[9]])
# · Apoyo a movimientos sociales: media de 7 ítems 1-5 (cols 10-16)
apoyo_mov <- rowMeans(
apply(raw[, 10:16], 2, as.numeric),
na.rm = TRUE
)
# · Interés en formación EpJG: media de 10 ítems 1-5 (cols 47-56)
interes_form <- rowMeans(
apply(raw[, 47:56], 2, as.numeric),
na.rm = TRUE
)
# · Barreras (col 37: primera dificultad como proxy)
# Codificación: barrera interna (formación + interés personal) vs externa
barrera_interna <- as.integer(
raw[[37]] %in% c("Falta de formación", "Falta de interés personal")
)
barrera_tiempo <- as.integer(raw[[37]] == "Falta de tiempo")
# · Experiencia docente (col 5) → numérica ordinal
experiencia_num <- dplyr::recode(raw[[5]],
"0 a 5 años" = 1L,
"6 a 10 años" = 2L,
"11 a 15 años" = 3L,
"16 a 20 años" = 4L,
"21 a 25 años" = 5L,
"26 a 30 años" = 6L,
"31 a 35 años" = 7L,
"Más de 35 años" = 8L,
.default = NA_integer_
)
# · Género (col 3) → dummy femenino
genero_fem <- as.integer(raw[[3]] == "Femenino")
# · Régimen del centro (col 6) → dummy público
regimen_pub <- as.integer(raw[[6]] == "Público")
# ── Ensamblaje del dataset de modelado ───────────────────────────────────────
df_arbol <- data.frame(
trabaja = trabaja_bin,
conoc_temas = conoc_temas,
auto_conoc = auto_conoc,
centro_conoc = centro_conoc,
importancia = importancia,
apoyo_mov = apoyo_mov,
interes_form = interes_form,
barrera_interna = barrera_interna,
barrera_tiempo = barrera_tiempo,
experiencia_num = experiencia_num,
genero_fem = genero_fem,
regimen_pub = regimen_pub
) |> na.omit()
cat("\nN disponible para el árbol:", nrow(df_arbol), "\n")##
## N disponible para el árbol: 9813. Árbol de clasificación
# ── Paso 1: árbol sin podar (CP mínimo) ──────────────────────────────────────
set.seed(2024)
arbol_full <- rpart(
trabaja ~ .,
data = df_arbol,
method = "class",
parms = list(split = "gini"),
control = rpart.control(
cp = 0.001, # CP pequeño → árbol grande antes de podar
minsplit = 30, # mín. obs. para intentar un split
minbucket = 15, # mín. obs. en un nodo hoja
maxdepth = 6, # profundidad máxima
xval = 10 # 10-fold CV interno
)
)
# ── Tabla de complejidad (CP) con error de validación cruzada ────────────────
cat("Tabla CP (error de validación cruzada):\n")## Tabla CP (error de validación cruzada):##
## Classification tree:
## rpart(formula = trabaja ~ ., data = df_arbol, method = "class",
## parms = list(split = "gini"), control = rpart.control(cp = 0.001,
## minsplit = 30, minbucket = 15, maxdepth = 6, xval = 10))
##
## Variables actually used in tree construction:
## [1] apoyo_mov auto_conoc barrera_tiempo conoc_temas
## [5] experiencia_num importancia
##
## Root node error: 401/981 = 0.40877
##
## n= 981
##
## CP nsplit rel error xerror xstd
## 1 0.2493766 0 1.00000 1.00000 0.038398
## 2 0.0083126 1 0.75062 0.79302 0.036559
## 3 0.0074813 8 0.68329 0.82793 0.036958
## 4 0.0049875 9 0.67581 0.80050 0.036648
## 5 0.0024938 10 0.67082 0.80549 0.036706
## 6 0.0010000 13 0.66334 0.81047 0.036763# ── Paso 2: poda con la regla 1-SE ───────────────────────────────────────────
# Seleccionamos el CP más sencillo cuyo xerror ≤ min(xerror) + xstd
cp_tabla <- arbol_full$cptable
idx_min <- which.min(cp_tabla[, "xerror"])
umbral_1se <- cp_tabla[idx_min, "xerror"] + cp_tabla[idx_min, "xstd"]
idx_1se <- which(cp_tabla[, "xerror"] <= umbral_1se)[1]
cp_optimo <- cp_tabla[idx_1se, "CP"]
arbol <- prune(arbol_full, cp = cp_optimo)
cat("CP óptimo (1-SE rule):", round(cp_optimo, 4), "\n")## CP óptimo (1-SE rule): 0.0083## Profundidad efectiva: 6## Nodos terminales: 2# ── Métricas de rendimiento (CV interna de rpart) ────────────────────────────
# El error de CV relativo al nodo raíz
cp_arbol <- arbol$cptable
xerror_opt <- cp_arbol[nrow(cp_arbol), "xerror"]
xstd_opt <- cp_arbol[nrow(cp_arbol), "xstd"]
# Error raíz = proporción de clase minoritaria en el nodo raíz
error_raiz <- arbol_full$cptable[1, "rel error"] *
(1 - max(prop.table(table(df_arbol$trabaja))))
# Precisión estimada en CV
prec_cv <- 1 - (xerror_opt * (1 - max(prop.table(table(df_arbol$trabaja)))))
# Precisión en entrenamiento
pred_train <- predict(arbol, type = "class")
prec_train <- mean(pred_train == df_arbol$trabaja)
# Matriz de confusión
conf_mat <- table(
Predicho = pred_train,
Observado = df_arbol$trabaja
)
cat("── Rendimiento del árbol ──────────────────────────\n")## ── Rendimiento del árbol ──────────────────────────## Precisión (entrenamiento): 69.3 %## CP óptimo usado: 0.0083## Error CV relativo (rpart): 0.793 ± 0.037## Matriz de confusión (entrenamiento):## Observado
## Predicho No trabaja Sí trabaja
## No trabaja 202 102
## Sí trabaja 199 4784. Tabla: importancia de variables
if (!is.null(arbol$variable.importance)) {
# Nombre legible para cada predictor
etiquetas <- c(
conoc_temas = "Conocimiento de temáticas EpJG (índice)",
auto_conoc = "Autoconocimiento del enfoque EpJG",
centro_conoc = "Conocimiento EpJG del centro educativo",
importancia = "Importancia percibida de la EpJG",
apoyo_mov = "Apoyo a movimientos sociales (índice)",
interes_form = "Interés en formación EpJG (índice)",
barrera_interna = "Barrera interna (formación / interés personal)",
barrera_tiempo = "Barrera externa: falta de tiempo",
experiencia_num = "Experiencia docente",
genero_fem = "Género (femenino = 1)",
regimen_pub = "Régimen del centro (público = 1)"
)
imp_raw <- arbol$variable.importance
imp_df <- data.frame(
Variable = etiquetas[names(imp_raw)],
Gini = round(imp_raw, 3),
Pct_relativa = round(imp_raw / sum(imp_raw) * 100, 1),
row.names = NULL
) |>
dplyr::arrange(dplyr::desc(Gini)) |>
dplyr::mutate(Ranking = dplyr::row_number()) |>
dplyr::select(Ranking, Variable, Gini, Pct_relativa)
imp_df |>
kable(
caption = paste0(
"Importancia de variables en el árbol de clasificación (criterio Gini). ",
"N = ", nrow(df_arbol), ". ",
"Variable dependiente: trabaja ≥ 7 temáticas EpJG en el aula."
),
col.names = c("Rg.", "Variable predictora",
"Importancia (Gini)", "% relativa"),
align = c("c", "l", "r", "r"),
digits = 3
) |>
kable_styling(
bootstrap_options = c("striped", "hover", "condensed", "responsive"),
full_width = FALSE,
position = "center",
font_size = 13
) |>
row_spec(0, bold = TRUE, background = "#185FA5", color = "white") |>
row_spec(
which(imp_df$Gini > 0),
bold = FALSE
) |>
row_spec(1,
bold = TRUE,
background = "#EBF5FB"
) |>
column_spec(3, width = "12em") |>
column_spec(4, width = "10em") |>
footnote(
general = paste0(
"Únicamente las variables con Gini > 0 contribuyen a la partición del árbol. ",
"Las variables con importancia = 0 (conocimiento del centro, importancia percibida, ",
"apoyo a movimientos sociales, barreras, género, régimen del centro) ",
"no discriminan la práctica EpJG en el aula en este modelo."
),
general_title = "Nota.",
footnote_as_chunk = TRUE
)
} else {
cat("El árbol es trivial: la clase mayoritaria domina sin ninguna partición.\n")
}| Rg. | Variable predictora | Importancia (Gini) | % relativa |
|---|---|---|---|
| 1 | Conocimiento de temáticas EpJG (índice) | 57.606 | 83.7 |
| 2 | Autoconocimiento del enfoque EpJG | 8.338 | 12.1 |
| 3 | Importancia percibida de la EpJG | 1.326 | 1.9 |
| 4 | Apoyo a movimientos sociales (índice) | 0.758 | 1.1 |
| 5 | Interés en formación EpJG (índice) | 0.758 | 1.1 |
| Nota. Únicamente las variables con Gini > 0 contribuyen a la partición del árbol. Las variables con importancia = 0 (conocimiento del centro, importancia percibida, apoyo a movimientos sociales, barreras, género, régimen del centro) no discriminan la práctica EpJG en el aula en este modelo. |
5. Figura: árbol de decisión
# ── Paleta de colores por clase predicha ─────────────────────────────────────
# rpart.plot asigna el color según el nivel del factor en el orden de levels()
# levels = c("No trabaja", "Sí trabaja") → color[1] = No, color[2] = Sí
# levels = c("No trabaja", "Sí trabaja") → color[1] = azul claro, color[2] = azul medio
paleta_arbol <- list(
col_no_fuerte, # No trabaja → azul muy claro (#E6F1FB)
col_si_fuerte # Sí trabaja → azul medio (#85B7EB)
)
rpart.plot(
arbol,
type = 4, # etiqueta de clase en nodos internos + hojas
extra = 104, # % clase mayoritaria + n de observaciones
fallen.leaves = TRUE, # hojas alineadas en la base
branch = 0.4, # apertura de las ramas
gap = 3,
tweak = 1.1, # tamaño relativo del texto
box.palette = paleta_arbol,
border.col = c(col_no_borde, col_si_borde), # azul-600 / azul-800
shadow.col = NA,
split.col = col_azul,
split.border.col = col_azul,
split.font = 1,
split.cex = 0.85,
nn = FALSE,
under = FALSE,
main = paste0(
"Árbol de clasificación: ¿Qué condiciona trabajar la EpJG en el aula?\n",
"(N = ", nrow(df_arbol),
" | cp = ", round(cp_optimo, 4),
" | Profundidad = ", sum(arbol$frame$var == "<leaf>") - 1, " niveles",
" | Precisión entrenamiento = ", round(prec_train * 100, 1), "%)"
),
cex.main = 0.85,
col.main = col_azul
)
cat(
"<p style='font-size:0.85em; color:#73726c; text-align:center;'>",
"En cada nodo: <b>clase predicha</b> | % de la clase mayoritaria | n de observaciones.",
"<br>Los nodos más saturados indican mayor certeza en la predicción.</p>"
)
En cada nodo: clase predicha | % de la clase mayoritaria | n de
observaciones.
Los nodos más saturados indican mayor certeza en la
predicción.
6. Figura: importancia relativa de variables
if (!is.null(arbol$variable.importance)) {
etiquetas_cortas <- c(
conoc_temas = "Conoc. temáticas EpJG (índice)",
auto_conoc = "Autoconocimiento EpJG",
interes_form = "Interés en formación (índice)",
experiencia_num = "Experiencia docente",
centro_conoc = "Conoc. EpJG del centro",
importancia = "Importancia percibida EpJG",
apoyo_mov = "Apoyo mov. sociales (índice)",
barrera_interna = "Barrera interna",
barrera_tiempo = "Barrera tiempo",
genero_fem = "Género",
regimen_pub = "Régimen del centro"
)
imp_plot <- data.frame(
variable = etiquetas_cortas[names(arbol$variable.importance)],
pct = arbol$variable.importance / sum(arbol$variable.importance) * 100
) |>
dplyr::filter(pct > 0) |>
dplyr::arrange(pct) |>
dplyr::mutate(
variable = forcats::fct_inorder(variable),
color = ifelse(pct == max(pct), col_azul, col_azul_suave)
)
ggplot(imp_plot, aes(x = variable, y = pct, fill = color)) +
geom_col(width = 0.65, show.legend = FALSE) +
geom_text(
aes(label = paste0(round(pct, 1), "%")),
hjust = -0.15, size = 3.5, color = col_azul
) +
scale_fill_identity() +
scale_y_continuous(
expand = expansion(mult = c(0, 0.15)),
labels = function(x) paste0(x, "%")
) +
coord_flip() +
labs(
x = NULL,
y = "Importancia relativa (%)",
title = "Importancia de variables en el árbol de clasificación EpJG",
caption = paste0(
"Criterio: reducción de impureza Gini. ",
"Solo se muestran variables con importancia > 0."
)
) +
theme_minimal(base_size = 12) +
theme(
plot.title = element_text(size = 12, face = "bold", color = col_azul,
margin = margin(b = 8)),
plot.caption = element_text(size = 9, color = "#73726c",
margin = margin(t = 8)),
axis.text.y = element_text(size = 10, color = "#3d3d3a"),
axis.text.x = element_text(size = 9, color = "#73726c"),
panel.grid.major.y = element_blank(),
panel.grid.major.x = element_line(color = col_azul_suave, linewidth = 0.4),
panel.grid.minor = element_blank()
)
}
7. Resumen de los resultados
# Extraer el split primario para el resumen
nodo_raiz <- arbol$frame[1, ]
var_split1 <- as.character(nodo_raiz$var)
thresh1 <- round(arbol$splits[1, "index"], 2)
cat(paste0(
"### Hallazgos principales\n\n",
"El árbol de clasificación (N = ", nrow(df_arbol), "; cp = ", round(cp_optimo, 4), "; ",
"precisión en entrenamiento = ", round(prec_train * 100, 1), "%) identifica como ",
"**predictor dominante** del trabajo de la EpJG en el aula ",
"el **conocimiento de las temáticas EpJG** (índice medio de 10 ítems, escala 1-5), ",
"con una importancia relativa del ", round(
arbol$variable.importance["conoc_temas"] /
sum(arbol$variable.importance) * 100, 1
), "% sobre el total.\n\n",
"La partición primaria se establece en el umbral de conocimiento = **", thresh1, "** (escala 1-5):\n\n",
"- Docentes con conocimiento **≤ ", thresh1, "**: tienden a **no trabajar** la EpJG ",
"de forma intensiva en el aula.\n",
"- Docentes con conocimiento **> ", thresh1, "**: tienden a **sí trabajar** la EpJG ",
"de forma intensiva en el aula.\n\n",
"Las variables **autoconocimiento EpJG** (", round(
arbol$variable.importance["auto_conoc"] /
sum(arbol$variable.importance) * 100, 1
), "%), **interés en formación** (", round(
arbol$variable.importance["interes_form"] /
sum(arbol$variable.importance) * 100, 1
), "%) y **experiencia docente** (", round(
arbol$variable.importance["experiencia_num"] /
sum(arbol$variable.importance) * 100, 1
), "%) actúan únicamente como diferenciadores secundarios ",
"dentro de las bandas intermedias de conocimiento.\n\n",
"**Variables sin capacidad predictiva** en el árbol: conocimiento EpJG del centro, ",
"importancia percibida, apoyo a movimientos sociales, tipo de barrera percibida, ",
"género y régimen del centro educativo.\n\n",
"### Implicaciónes\n\n",
"El conocimiento (y no el compromiso ideológico, el género, el tipo de centro, etc)",
"es la variable que más discrimina si un docente trabaja o no la EpJG en el aula. ",
"Esto orienta las intervenciones formativas hacia el **contenido disciplinar** ",
"de la EpJG, más que hacia la sensibilización o la reducción de obstáculos percibidos."
))Hallazgos principales
El árbol de clasificación (N = 981; cp = 0.0083; precisión en entrenamiento = 69.3%) identifica como predictor dominante del trabajo de la EpJG en el aula el conocimiento de las temáticas EpJG (índice medio de 10 ítems, escala 1-5), con una importancia relativa del 83.7% sobre el total.
La partición primaria se establece en el umbral de conocimiento = 3.25 (escala 1-5):
- Docentes con conocimiento ≤ 3.25: tienden a no trabajar la EpJG de forma intensiva en el aula.
- Docentes con conocimiento > 3.25: tienden a sí trabajar la EpJG de forma intensiva en el aula.
Las variables autoconocimiento EpJG (12.1%), interés en formación (1.1%) y experiencia docente (NA%) actúan únicamente como diferenciadores secundarios dentro de las bandas intermedias de conocimiento.
Variables sin capacidad predictiva en el árbol: conocimiento EpJG del centro, importancia percibida, apoyo a movimientos sociales, tipo de barrera percibida, género y régimen del centro educativo.
Implicaciónes
El conocimiento (y no el compromiso ideológico, el género, el tipo de centro, etc)es la variable que más discrimina si un docente trabaja o no la EpJG en el aula. Esto orienta las intervenciones formativas hacia el contenido disciplinar de la EpJG, más que hacia la sensibilización o la reducción de obstáculos percibidos.
sessionInfo()
## R version 4.4.2 (2024-10-31 ucrt)
## Platform: x86_64-w64-mingw32/x64
## Running under: Windows 11 x64 (build 26200)
##
## Matrix products: default
##
##
## locale:
## [1] LC_COLLATE=Spanish_Spain.utf8 LC_CTYPE=Spanish_Spain.utf8
## [3] LC_MONETARY=Spanish_Spain.utf8 LC_NUMERIC=C
## [5] LC_TIME=Spanish_Spain.utf8
##
## time zone: Europe/Madrid
## tzcode source: internal
##
## attached base packages:
## [1] stats graphics grDevices utils datasets methods base
##
## other attached packages:
## [1] forcats_1.0.0 ggplot2_4.0.1 kableExtra_1.4.0 rpart.plot_3.1.2
## [5] rpart_4.1.23 dplyr_1.1.4 readxl_1.4.3
##
## loaded via a namespace (and not attached):
## [1] gtable_0.3.6 jsonlite_1.8.9 compiler_4.4.2 tidyselect_1.2.1
## [5] xml2_1.3.6 stringr_1.5.1 jquerylib_0.1.4 systemfonts_1.2.1
## [9] scales_1.4.0 yaml_2.3.10 fastmap_1.2.0 R6_2.5.1
## [13] labeling_0.4.3 generics_0.1.3 knitr_1.49 tibble_3.2.1
## [17] svglite_2.1.3 bslib_0.8.0 pillar_1.10.1 RColorBrewer_1.1-3
## [21] rlang_1.1.7 cachem_1.1.0 stringi_1.8.4 xfun_0.50
## [25] S7_0.2.1 sass_0.4.9 viridisLite_0.4.2 cli_3.6.5
## [29] withr_3.0.2 magrittr_2.0.3 grid_4.4.2 digest_0.6.37
## [33] rstudioapi_0.17.1 lifecycle_1.0.4 vctrs_0.6.5 evaluate_1.0.3
## [37] glue_1.8.0 farver_2.1.2 cellranger_1.1.0 rmarkdown_2.29
## [41] tools_4.4.2 pkgconfig_2.0.3 htmltools_0.5.8.1