Paso 1. Configuración, paquetes y funciones auxiliares (código plegado: pulse Show para verlo)
# =====================================================================
# 0. CONFIGURACIÓN GENERAL, PAQUETES Y FUNCIONES AUXILIARES
# =====================================================================
# Opciones de los bloques: cada bloque muestra su código (echo = TRUE) y,
# debajo, su resultado. Cada bloque tiene su propio botón Hide/Show.
# warning = TRUE: si algún cálculo emitiera una advertencia, aparecería en el
# informe en lugar de quedar oculta.
knitr::opts_chunk$set(
echo = TRUE,
eval = TRUE,
warning = TRUE,
message = FALSE
)
knitr::opts_chunk$set(dpi = 150, out.width = "95%", fig.align = "center")
options(scipen = 999, OutDec = ".")
# Paquetes requeridos; se instalan solo los que falten.
paquetes <- c("readxl", "dplyr", "tidyr", "ggplot2", "psych", "car", "lmtest",
"sandwich", "pROC", "GGally", "gridExtra", "knitr", "rmarkdown")
faltan <- paquetes[!vapply(paquetes, requireNamespace, logical(1), quietly = TRUE)]
if (length(faltan) > 0) install.packages(faltan, repos = "https://cloud.r-project.org")
# ResourceSelection (prueba de Hosmer-Lemeshow) es opcional: si no puede
# instalarse, más abajo se define una función equivalente.
if (!requireNamespace("ResourceSelection", quietly = TRUE)) {
tryCatch(install.packages("ResourceSelection", repos = "https://cloud.r-project.org"),
error = function(e) message("No se pudo instalar ResourceSelection: ", conditionMessage(e)),
warning = function(w) message("No se pudo instalar ResourceSelection: ", conditionMessage(w)))
}
# Versión mínima de ggplot2 (el código usa el argumento linewidth).
if (packageVersion("ggplot2") < "3.4.0") {
stop("Se requiere ggplot2 3.4.0 o superior. Ejecute install.packages('ggplot2').")
}
suppressPackageStartupMessages({
library(readxl); library(dplyr); library(tidyr); library(ggplot2)
library(psych); library(car); library(lmtest); library(sandwich)
library(pROC); library(GGally); library(gridExtra)
})
## Warning: package 'ggplot2' was built under R version 4.6.2
## Warning: package 'sandwich' was built under R version 4.6.2
## Warning: package 'pROC' was built under R version 4.6.2
## Warning: package 'GGally' was built under R version 4.6.2
## Warning: package 'gridExtra' was built under R version 4.6.2
hay_RS <- requireNamespace("ResourceSelection", quietly = TRUE)
# Carpetas de salida (rutas relativas a la carpeta del proyecto).
dir.create("Graficos_Estadisticos", showWarnings = FALSE)
dir.create("Tablas_Estadisticas", showWarnings = FALSE)
# Constantes del análisis.
alfa <- 0.05 # nivel de significación
B_boot <- 2000 # réplicas bootstrap
semilla <- 2026 # semilla para reproducibilidad
azul <- "#1F3A5F"; rojo <- "#9B2C2C"; gris <- "#6B7280"; claro <- "#C9D3E0"
# Tema gráfico sobrio y homogéneo para todas las figuras.
theme_set(theme_minimal(base_size = 11) +
theme(plot.title = element_text(face = "bold", size = 11.5),
plot.subtitle = element_text(colour = "grey30", size = 9.5),
panel.grid.minor = element_blank(),
strip.text = element_text(face = "bold"),
legend.position = "bottom"))
# ---- Registro y numeración automática de figuras y tablas -------------
en_knit <- isTRUE(getOption("knitr.in.progress"))
.reg <- new.env()
.reg$nf <- 0; .reg$nt <- 0; .reg$fig <- list(); .reg$tab <- list()
# fig(): numera la figura, la guarda como PNG y la muestra en el informe.
fig <- function(p, id, titulo, w = 8, h = 5) {
.reg$nf <- .reg$nf + 1
.reg$fig[[id]] <- list(n = .reg$nf, cap = sprintf("**Figura %d.** %s", .reg$nf, titulo))
archivo <- file.path("Graficos_Estadisticos",
sprintf("Figura_%02d_%s.png", .reg$nf, id))
dibujar <- function() {
if (inherits(p, "gtable")) { grid::grid.newpage(); grid::grid.draw(p) } else print(p)
}
png(archivo, width = w, height = h, units = "in", res = 200)
dibujar(); dev.off()
if (en_knit) dibujar() else message("Figura guardada: ", archivo)
invisible(p)
}
cap <- function(id) .reg$fig[[id]]$cap # pie de figura
rf <- function(id) paste("Figura", .reg$fig[[id]]$n) # referencia en el texto
# tab(): numera la tabla, da formato a las cifras, la guarda como CSV y la
# muestra en el informe.
# - Las columnas numéricas se redondean a `digits` decimales (un valor o uno
# por columna); las de valores enteros se escriben sin decimales. El CSV
# guarda exactamente las mismas cifras que muestra el informe.
# - Las columnas de cifras se alinean a la derecha y las de texto a la izquierda.
# - El CSV se escribe en UTF-8 con marca BOM para que las tildes se lean
# bien al abrirlo; para leerlo en R use fileEncoding = "UTF-8-BOM".
tab <- function(df, id, titulo, digits = 3) {
.reg$nt <- .reg$nt + 1
.reg$tab[[id]] <- list(n = .reg$nt, cap = sprintf("Tabla %d. %s", .reg$nt, titulo))
df <- as.data.frame(df, check.names = FALSE, stringsAsFactors = FALSE)
digits <- rep_len(digits, ncol(df))
cifra <- logical(ncol(df))
patron <- "^[<>]? ?[-+]?[0-9][0-9.,]*(e[-+]?[0-9]+)?$|^—$|^\\[[-0-9., e+]+\\]$"
for (j in seq_along(df)) {
x <- df[[j]]
if (is.numeric(x)) {
cifra[j] <- TRUE
df[[j]] <- if (all(x == round(x))) formatC(x, format = "d", big.mark = ",") else
formatC(x, format = "f", digits = digits[j])
} else {
df[[j]] <- as.character(x)
cifra[j] <- all(grepl(patron, df[[j]]))
}
}
ruta <- file.path("Tablas_Estadisticas", sprintf("Tabla_%02d_%s.csv", .reg$nt, id))
write.csv(df, ruta, row.names = FALSE, fileEncoding = "UTF-8")
bytes <- readBin(ruta, what = "raw", n = file.size(ruta))
writeBin(c(as.raw(c(0xEF, 0xBB, 0xBF)), bytes), ruta) # marca BOM de UTF-8
if (en_knit) {
k <- knitr::kable(df, caption = sprintf("**Tabla %d.** %s", .reg$nt, titulo),
align = ifelse(cifra, "r", "l"), row.names = FALSE)
# En Word, pandoc reparte el ancho de las columnas según el número de
# guiones de la línea separadora. Se fija un ancho proporcional al
# contenido: ninguna columna queda más estrecha que su cifra más larga
# ni que la palabra más larga de su encabezado.
if (isTRUE(knitr::pandoc_to("docx"))) {
i <- grep("^\\|[:|-]+\\|$", k)[1]
mas_larga <- function(z) max(nchar(unlist(strsplit(z, "[ /]"))), 1)
# Las cifras e intervalos no se parten: su mínimo es la cifra completa.
minimo <- pmax(ifelse(cifra, vapply(df, function(z) max(nchar(z)), numeric(1)) + 1,
vapply(df, mas_larga, numeric(1))),
vapply(names(df), mas_larga, numeric(1))) + 2
deseado <- pmax(pmin(pmax(vapply(df, function(z) max(nchar(z)), numeric(1)),
nchar(names(df))) + 2, 40), minimo)
capacidad <- 98 # caracteres que caben en el ancho de página
if (sum(deseado) > capacidad && sum(deseado) > sum(minimo)) {
f <- max(0, (capacidad - sum(minimo)) / (sum(deseado) - sum(minimo)))
deseado <- minimo + (deseado - minimo) * f
}
ancho <- pmax(round(deseado), 3)
sep <- ifelse(cifra, paste0(strrep("-", ancho - 1), ":"), paste0(":", strrep("-", ancho - 1)))
if (!is.na(i)) k[i] <- paste0("|", paste(sep, collapse = "|"), "|")
}
k
} else {
cat("\n", .reg$tab[[id]]$cap, "\n", sep = ""); print(df, row.names = FALSE); invisible(df)
}
}
rt <- function(id) paste("Tabla", .reg$tab[[id]]$n) # referencia en el texto
# ---- Formato de números y textos interpretativos ----------------------
f0 <- function(x) formatC(x, format = "f", digits = 0)
f1 <- function(x) formatC(x, format = "f", digits = 1)
f2 <- function(x) formatC(x, format = "f", digits = 2)
f3 <- function(x) formatC(x, format = "f", digits = 3)
f4 <- function(x) formatC(x, format = "f", digits = 4)
# Coeficientes muy pequeños en notación científica para no mostrarlos como 0.0000.
fs <- function(x) ifelse(abs(x) < 0.001, formatC(x, format = "e", digits = 2), formatC(x, format = "f", digits = 4))
fp <- function(p) ifelse(p < 0.001, "< 0.001", formatC(p, format = "f", digits = 3))
pt <- function(p) ifelse(p < 0.001, "p < 0.001", paste0("p = ", formatC(p, format = "f", digits = 3)))
ic <- function(li, ls, d = 3) paste0("[", formatC(li, format = "f", digits = d), ", ",
formatC(ls, format = "f", digits = d), "]")
# Intensidad de la asociación según el valor absoluto del coeficiente.
intensidad <- function(r) {
a <- abs(r)
ifelse(a < 0.20, "muy débil", ifelse(a < 0.40, "débil",
ifelse(a < 0.60, "moderada", ifelse(a < 0.80, "fuerte", "muy fuerte"))))
}
direccion <- function(r) ifelse(r > 0, "positiva", ifelse(r < 0, "negativa", "nula"))
# (H~0~ es la sintaxis de subíndice de pandoc: se usa solo dentro del texto del informe.)
decision <- function(p) ifelse(p < alfa, "se rechaza H~0~", "no se rechaza H~0~")
signif_txt <- function(p) ifelse(p < alfa, "estadísticamente significativa",
"no estadísticamente significativa")
cumple <- function(ok) ifelse(ok, "Cumple", "No cumple")
# Etiquetas legibles para variables y términos de los modelos.
etiquetas <- c(
longitud_url_caracteres = "Longitud de la URL (caracteres)",
terminos_sospechosos = "Términos sospechosos (conteo)",
subdominios = "Subdominios (conteo)",
antiguedad_dominio_dias = "Antigüedad del dominio (días)",
https = "HTTPS (1 = sí)",
ranking_trafico = "Ranking de tráfico (índice)",
puntaje_amenaza_0_100 = "Puntaje de amenaza (0–100)",
severidad_incidente_1_4 = "Severidad del incidente (1–4)",
tiempo_respuesta_min = "Tiempo de respuesta (min)",
comprometido = "Comprometido (1 = sí)",
`(Intercept)` = "Intercepto",
severidad_f = "Severidad (factor, 3 gl)")
# Los coeficientes del factor severidad (severidad_fModerada, etc.) se
# etiquetan por patrón, sin depender de nombres con tilde.
etq <- function(x) {
y <- unname(etiquetas[x])
nivel <- grepl("^severidad_f.+", x)
y[nivel] <- paste0("Severidad: ", tolower(sub("^severidad_f", "", x[nivel])), " (vs. baja)")
y[is.na(y)] <- x[is.na(y)]
y
}
# IC bootstrap percentil para coeficientes de correlación por rangos.
ic_boot <- function(x, y, metodo, B = B_boot) {
set.seed(semilla); n <- length(x)
r <- replicate(B, { i <- sample.int(n, n, replace = TRUE)
cor(x[i], y[i], method = metodo) })
stopifnot(!anyNA(r)) # todas las réplicas deben producir un coeficiente
unname(quantile(r, c(0.025, 0.975)))
}
# Prueba de Hosmer-Lemeshow: usa ResourceSelection si está instalado; de lo
# contrario aplica el mismo algoritmo (g grupos por cuantiles, gl = g - 2).
hosmer_lemeshow <- function(y, prob, g = 10) {
if (hay_RS) {
h <- ResourceSelection::hoslem.test(y, prob, g = g)
return(list(X2 = unname(h$statistic), gl = unname(h$parameter), p = h$p.value))
}
grupo <- cut(prob, breaks = quantile(prob, probs = seq(0, 1, 1 / g)), include.lowest = TRUE)
obs <- xtabs(cbind(1 - y, y) ~ grupo); esp <- xtabs(cbind(1 - prob, prob) ~ grupo)
X2 <- sum((obs - esp)^2 / esp)
list(X2 = X2, gl = g - 2, p = 1 - pchisq(X2, g - 2))
}
Paso 2. Importación de la hoja Datos y creación de la base de trabajo
# =====================================================================
# PARTE I. IMPORTACIÓN, VALIDACIÓN Y PREPARACIÓN DE LA BASE
# =====================================================================
# El Excel se usa únicamente como fuente de datos: se importa la hoja
# "Datos" con readxl y todo el análisis se realiza en R.
archivo <- list.files(pattern = "^Datos_Practica_Correlacion_Regresion.*\\.xlsx$")
if (length(archivo) == 0) {
stop("No se encontró el archivo de datos. Copie 'Datos_Practica_Correlacion_Regresion (1).xlsx' ",
"en la carpeta del proyecto y establezca esa carpeta como directorio de trabajo.")
}
datos_orig <- readxl::read_excel(archivo[1], sheet = "Datos") # copia intacta
# Base de trabajo: se conservan todas las columnas originales y se añaden
# versiones como factor de las variables categóricas (transformaciones
# documentadas; ningún valor original se modifica ni se elimina).
d <- datos_orig %>%
mutate(
severidad_f = factor(severidad_incidente_1_4, levels = 1:4,
labels = c("Baja", "Moderada", "Alta", "Crítica")),
https_f = factor(https, levels = 0:1, labels = c("No", "Sí")),
comprometido_f = factor(comprometido, levels = 0:1,
labels = c("No comprometido", "Comprometido")),
log10_ranking = log10(ranking_trafico))
n <- nrow(d)
# Variables cuantitativas/ordinales para la descripción (id excluido).
vars_num <- c("longitud_url_caracteres", "terminos_sospechosos", "subdominios",
"antiguedad_dominio_dias", "ranking_trafico", "puntaje_amenaza_0_100",
"severidad_incidente_1_4", "tiempo_respuesta_min")
entero <- function(x) all(x == round(x))
La respuesta a incidentes de ciberseguridad exige decidir con rapidez qué alertas atender primero. Para ello resulta útil saber qué características observables de una URL o de su dominio se asocian con el nivel de amenaza asignado, con el tiempo que tarda el equipo en responder y con la probabilidad de que el registro termine clasificado como comprometido. Este informe desarrolla la práctica taller de correlación y regresión de la asignatura Estadística aplicada sobre una base didáctica de 240 URL observadas en un escenario simulado.
Todo el trabajo se realizó en RStudio con el lenguaje R y se
documentó en R Markdown. El archivo de Excel entregado por el profesor
se utilizó exclusivamente como fuente de datos: se importó con
readxl::read_excel() y ningún cálculo, tabla o gráfico se
elaboró en Excel. Las cifras que aparecen en el texto se calculan en el
momento de generar el documento, de modo que las interpretaciones
coinciden siempre con las salidas del software.
Es importante advertir desde el inicio que los 240 registros son sintéticos y fueron generados para docencia. Los resultados describen únicamente este conjunto simulado y no constituyen evidencia sobre ataques reales. Además, el diseño es observacional y transversal, por lo que las relaciones encontradas se interpretan como asociaciones y no como relaciones de causa y efecto.
Aplicar e interpretar correlaciones de Pearson, Spearman y Kendall, y modelos de regresión lineal simple, lineal múltiple y logística binaria sobre la base simulada de ciberseguridad, justificando cada técnica, verificando sus supuestos y comunicando los resultados en su contexto.
Un equipo de respuesta a incidentes desea explorar qué características de las URL y de los dominios se asocian con el puntaje de amenaza y con el tiempo de respuesta, y estimar la probabilidad de que un registro figure como comprometido. La unidad de observación es una URL. La base contiene 240 filas y 11 columnas: un identificador, cinco características de la URL y del dominio (longitud, términos sospechosos, subdominios, antigüedad y uso de HTTPS), un índice de ranking de tráfico, el puntaje de amenaza, la severidad ordinal del incidente, el tiempo de respuesta en minutos y el indicador binario de compromiso.
El profesor plantea cinco preguntas de investigación, que este informe responde de forma explícita en la sección de conclusiones:
Software. El análisis se ejecutó con R version 4.6.1
(2026-06-24 ucrt). Se emplearon los paquetes readxl
(importación), dplyr y tidyr (manejo de
datos), ggplot2, GGally y
gridExtra (gráficos), psych (descriptivos),
car (VIF, pruebas tipo II y Box–Tidwell),
lmtest (Breusch–Pagan, Durbin–Watson, RESET y razón de
verosimilitud), sandwich (errores estándar robustos),
pROC (curva ROC y AUC) y
knitr/rmarkdown (informe). La prueba de
Hosmer–Lemeshow se calculó con el paquete ResourceSelection.
Procedimiento. El trabajo sigue las cinco partes de la práctica: (I) revisión y preparación de la base; (II) correlaciones; (III) regresión lineal simple y múltiple; (IV) regresión logística binaria; y (V) conclusiones. En cada técnica se justifica primero su elección a partir de la escala de las variables y de la forma observada en los gráficos, luego se formulan las hipótesis, se calculan los estadísticos y por último se revisan los supuestos.
Marco de referencia. Los supuestos y diagnósticos de los modelos lineales siguen a Kutner et al. (2005) y a Fox y Weisberg (2019); los de la regresión logística, a Hosmer et al. (2013) y a Agresti (2018); y la evaluación predictiva, a James et al. (2021). Para la elección de los coeficientes de correlación se siguió a Field et al. (2012).
Criterios de decisión. Todas las pruebas son
bilaterales con α = 0.05. Se informan intervalos de confianza del 95 %.
Para Pearson el intervalo se obtiene con la transformación z de Fisher;
para Spearman y Kendall, que no tienen un intervalo analítico estándar
en cor.test(), se usa bootstrap percentil con 2000 réplicas
y semilla 2026. La intensidad de una correlación se describe por el
valor absoluto del coeficiente: muy débil (menos de 0.20), débil (0.20 a
0.39), moderada (0.40 a 0.59), fuerte (0.60 a 0.79) y muy fuerte (0.80 o
más). El valor p se usa solo para decidir sobre la hipótesis nula, nunca
como medida del tamaño de la asociación.
Reproducibilidad. El proyecto usa rutas relativas,
fija la semilla de los procedimientos aleatorios y guarda
automáticamente cada figura en Graficos_Estadisticos/ y
cada tabla en Tablas_Estadisticas/.
Las hipótesis se detallan junto a cada análisis. En síntesis:
La hoja Datos del archivo
Datos_Practica_Correlacion_Regresion.xlsx se importó con
readxl::read_excel(). La copia original se conserva sin
cambios en el objeto datos_orig y el análisis trabaja sobre
una copia (d). Las comprobaciones de integridad se resumen
a continuación.
Paso 3. Validación de la integridad de la base
# Comprobaciones de integridad: dimensiones, faltantes, duplicados, rangos
# y codificaciones. Cada fila de la tabla es una regla verificada en R.
validacion <- data.frame(
`Comprobación` = c(
"Número de filas igual a 240", "Número de columnas igual a 11",
"Valores faltantes en toda la base", "Identificadores duplicados (id_registro)",
"Filas completas duplicadas (sin el identificador)",
"Formato del identificador (URL + 3 dígitos)",
"Puntaje de amenaza dentro de 0–100", "Severidad con códigos 1, 2, 3 o 4",
"HTTPS con códigos 0 o 1", "Comprometido con códigos 0 o 1",
"Conteos enteros y no negativos (longitud, términos, subdominios)",
"Antigüedad del dominio positiva", "Ranking de tráfico positivo",
"Tiempo de respuesta positivo"),
Resultado = c(
nrow(datos_orig), ncol(datos_orig), sum(is.na(datos_orig)),
sum(duplicated(datos_orig$id_registro)), sum(duplicated(datos_orig[, -1])),
paste(sum(grepl("^URL[0-9]{3}$", datos_orig$id_registro)), "de", n, "válidos"),
paste(range(d$puntaje_amenaza_0_100), collapse = " a "),
paste(sort(unique(d$severidad_incidente_1_4)), collapse = ", "),
paste(sort(unique(d$https)), collapse = ", "),
paste(sort(unique(d$comprometido)), collapse = ", "),
paste0("mínimos: ", min(d$longitud_url_caracteres), ", ", min(d$terminos_sospechosos),
", ", min(d$subdominios)),
paste(range(d$antiguedad_dominio_dias), collapse = " a "),
paste(range(d$ranking_trafico), collapse = " a "),
paste(range(d$tiempo_respuesta_min), collapse = " a ")),
Estado = cumple(c(
nrow(datos_orig) == 240, ncol(datos_orig) == 11, sum(is.na(datos_orig)) == 0,
!any(duplicated(datos_orig$id_registro)), !any(duplicated(datos_orig[, -1])),
all(grepl("^URL[0-9]{3}$", datos_orig$id_registro)),
all(d$puntaje_amenaza_0_100 >= 0 & d$puntaje_amenaza_0_100 <= 100),
all(d$severidad_incidente_1_4 %in% 1:4), all(d$https %in% 0:1),
all(d$comprometido %in% 0:1),
entero(d$longitud_url_caracteres) && entero(d$terminos_sospechosos) &&
entero(d$subdominios) && min(d$terminos_sospechosos, d$subdominios) >= 0,
all(d$antiguedad_dominio_dias > 0), all(d$ranking_trafico > 0),
all(d$tiempo_respuesta_min > 0))),
check.names = FALSE)
tab(validacion, "validacion_integridad", "Validación de la integridad de la base de datos")
| Comprobación | Resultado | Estado |
|---|---|---|
| Número de filas igual a 240 | 240 | Cumple |
| Número de columnas igual a 11 | 11 | Cumple |
| Valores faltantes en toda la base | 0 | Cumple |
| Identificadores duplicados (id_registro) | 0 | Cumple |
| Filas completas duplicadas (sin el identificador) | 0 | Cumple |
| Formato del identificador (URL + 3 dígitos) | 240 de 240 válidos | Cumple |
| Puntaje de amenaza dentro de 0–100 | 0 a 89 | Cumple |
| Severidad con códigos 1, 2, 3 o 4 | 1, 2, 3, 4 | Cumple |
| HTTPS con códigos 0 o 1 | 0, 1 | Cumple |
| Comprometido con códigos 0 o 1 | 0, 1 | Cumple |
| Conteos enteros y no negativos (longitud, términos, subdominios) | mínimos: 20, 0, 0 | Cumple |
| Antigüedad del dominio positiva | 20 a 4202 | Cumple |
| Ranking de tráfico positivo | 1393 a 550772 | Cumple |
| Tiempo de respuesta positivo | 2 a 91.1 | Cumple |
La base cumple las 14 comprobaciones de 14. Tiene 240 filas y 11 columnas, 0 valores faltantes, 0 identificadores duplicados y ningún valor fuera de los rangos o códigos declarados por el profesor. En consecuencia no fue necesario eliminar, imputar ni corregir ningún registro, y todos los análisis usan n = 240.
Paso 4. Diccionario de variables y escalas de medición
# Diccionario: tipo de dato con que R importó cada columna, escala de
# medición, unidad y tratamiento que recibe en el análisis.
diccionario <- data.frame(
Variable = names(datos_orig),
`Tipo en R` = vapply(datos_orig, function(x) class(x)[1], character(1)),
`Escala de medición` = c(
"Cualitativa nominal (identificador)", "Cuantitativa discreta, razón",
"Cuantitativa discreta, razón", "Cuantitativa discreta, razón",
"Cuantitativa discreta, razón", "Binaria nominal",
"Cuantitativa discreta, razón (muy asimétrica)",
"Cuantitativa aprox. continua, intervalo", "Ordinal (4 niveles)",
"Cuantitativa continua, razón", "Binaria nominal"),
Unidad = c("—", "caracteres", "términos", "subdominios", "días",
"1 = sí; 0 = no", "posición (menor = más tráfico)", "puntos (0–100)",
"1 baja, 2 moderada, 3 alta, 4 crítica", "minutos",
"1 = comprometido; 0 = no"),
`Uso en este informe` = c(
"Solo identifica; no se usa como predictor ni como número",
"Descripción; segunda pareja de Pearson", "Spearman; predictor",
"Descripción", "Predictor", "Predictor (logística), factor",
"Descripción; se explora log10", "Pearson; predictor principal",
"Spearman y Kendall; predictor como factor",
"Variable dependiente lineal", "Variable dependiente logística"),
check.names = FALSE)
tab(diccionario, "diccionario_variables", "Diccionario de variables, unidades y escalas de medición")
| Variable | Tipo en R | Escala de medición | Unidad | Uso en este informe |
|---|---|---|---|---|
| id_registro | character | Cualitativa nominal (identificador) | — | Solo identifica; no se usa como predictor ni como número |
| longitud_url_caracteres | numeric | Cuantitativa discreta, razón | caracteres | Descripción; segunda pareja de Pearson |
| terminos_sospechosos | numeric | Cuantitativa discreta, razón | términos | Spearman; predictor |
| subdominios | numeric | Cuantitativa discreta, razón | subdominios | Descripción |
| antiguedad_dominio_dias | numeric | Cuantitativa discreta, razón | días | Predictor |
| https | numeric | Binaria nominal | 1 = sí; 0 = no | Predictor (logística), factor |
| ranking_trafico | numeric | Cuantitativa discreta, razón (muy asimétrica) | posición (menor = más tráfico) | Descripción; se explora log10 |
| puntaje_amenaza_0_100 | numeric | Cuantitativa aprox. continua, intervalo | puntos (0–100) | Pearson; predictor principal |
| severidad_incidente_1_4 | numeric | Ordinal (4 niveles) | 1 baja, 2 moderada, 3 alta, 4 crítica | Spearman y Kendall; predictor como factor |
| tiempo_respuesta_min | numeric | Cuantitativa continua, razón | minutos | Variable dependiente lineal |
| comprometido | numeric | Binaria nominal | 1 = comprometido; 0 = no | Variable dependiente logística |
R importó id_registro como texto
(character) y las otras diez columnas como numéricas
(numeric). El identificador se mantiene como texto y no
interviene en ningún cálculo. La severidad, https y
comprometido están almacenadas como números, pero sus
valores son códigos; por eso se crearon versiones como factor con
etiquetas (severidad_f, https_f,
comprometido_f) para los gráficos y los modelos,
conservando las columnas numéricas originales.
Paso 5. Medidas de tendencia central, dispersión y posición
# Descriptivos con psych::describe más cuartiles, CV y atípicos (regla
# de 1.5 veces el rango intercuartílico).
des <- psych::describe(as.data.frame(d[, vars_num]))
cuart <- t(sapply(d[, vars_num], quantile, probs = c(0.25, 0.75)))
# Enteros sin decimales; el resto con dos decimales.
fnum <- function(x) ifelse(x == round(x), formatC(x, format = "d", big.mark = ","),
formatC(x, format = "f", digits = 2, big.mark = ","))
desc_pos <- data.frame(
Variable = etq(vars_num), n = des$n,
Media = formatC(des$mean, format = "f", digits = 2, big.mark = ","),
DE = formatC(des$sd, format = "f", digits = 2, big.mark = ","),
Mediana = fnum(des$median), `Mín.` = fnum(des$min), Q1 = fnum(cuart[, 1]),
Q3 = fnum(cuart[, 2]), `Máx.` = fnum(des$max), check.names = FALSE)
tab(desc_pos, "descriptivos_posicion", "Medidas de tendencia central, dispersión y posición")
| Variable | n | Media | DE | Mediana | Mín. | Q1 | Q3 | Máx. |
|---|---|---|---|---|---|---|---|---|
| Longitud de la URL (caracteres) | 240 | 72.59 | 21.09 | 71 | 20 | 59 | 86 | 132 |
| Términos sospechosos (conteo) | 240 | 1.47 | 1.32 | 1 | 0 | 0 | 2 | 6 |
| Subdominios (conteo) | 240 | 1.37 | 1.14 | 1 | 0 | 1 | 2 | 5 |
| Antigüedad del dominio (días) | 240 | 1,077.16 | 682.08 | 933.50 | 20 | 578.75 | 1,448.50 | 4,202 |
| Ranking de tráfico (índice) | 240 | 55,019.09 | 75,486.19 | 29,635 | 1,393 | 10,581.50 | 63,931.50 | 550,772 |
| Puntaje de amenaza (0–100) | 240 | 41.04 | 16.21 | 42 | 0 | 30 | 52 | 89 |
| Severidad del incidente (1–4) | 240 | 1.93 | 0.94 | 2 | 1 | 1 | 3 | 4 |
| Tiempo de respuesta (min) | 240 | 42.15 | 16.81 | 43.20 | 2 | 29.35 | 53.20 | 91.10 |
Paso 6. Forma de la distribución, atípicos y normalidad
n_atip <- function(x) { q <- quantile(x, c(.25, .75)); r <- q[2] - q[1]
sum(x < q[1] - 1.5 * r | x > q[2] + 1.5 * r) }
desc_forma <- data.frame(
Variable = etq(vars_num),
`CV (%)` = f1(100 * des$sd / des$mean),
RIC = fnum(cuart[, 2] - cuart[, 1]),
`Asimetría` = f2(des$skew), Curtosis = f2(des$kurtosis),
`Atípicos` = sapply(d[, vars_num], n_atip),
`W (S–W)` = f3(sapply(d[, vars_num], function(x) shapiro.test(x)$statistic)),
`p (S–W)` = fp(sapply(d[, vars_num], function(x) shapiro.test(x)$p.value)),
check.names = FALSE)
tab(desc_forma, "descriptivos_forma", "Variabilidad relativa, forma de la distribución, valores atípicos univariados (regla de 1.5 veces el RIC) y prueba de normalidad de Shapiro–Wilk (S–W)", digits = 2)
| Variable | CV (%) | RIC | Asimetría | Curtosis | Atípicos | W (S–W) | p (S–W) |
|---|---|---|---|---|---|---|---|
| Longitud de la URL (caracteres) | 29.1 | 27 | 0.11 | -0.16 | 1 | 0.994 | 0.422 |
| Términos sospechosos (conteo) | 90.1 | 2 | 0.99 | 0.69 | 2 | 0.871 | < 0.001 |
| Subdominios (conteo) | 83.3 | 1 | 0.75 | 0.22 | 11 | 0.882 | < 0.001 |
| Antigüedad del dominio (días) | 63.3 | 869.75 | 1.08 | 1.42 | 6 | 0.927 | < 0.001 |
| Ranking de tráfico (índice) | 137.2 | 53,350 | 2.99 | 11.40 | 25 | 0.653 | < 0.001 |
| Puntaje de amenaza (0–100) | 39.5 | 22 | -0.04 | -0.03 | 1 | 0.996 | 0.808 |
| Severidad del incidente (1–4) | 48.6 | 2 | 0.67 | -0.55 | 0 | 0.824 | < 0.001 |
| Tiempo de respuesta (min) | 39.9 | 23.85 | 0.16 | -0.35 | 2 | 0.992 | 0.192 |
Paso 7. Frecuencias de las variables categóricas
# Distribución de frecuencias de las variables categóricas.
frec <- function(f, nombre) {
t <- table(f)
data.frame(Variable = nombre, `Categoría` = names(t), n = as.integer(t),
`%` = 100 * as.numeric(t) / sum(t), check.names = FALSE)
}
frecuencias <- rbind(frec(d$severidad_f, "Severidad del incidente"),
frec(d$https_f, "HTTPS"),
frec(d$comprometido_f, "Estado"))
tab(frecuencias, "frecuencias_categoricas", "Distribución de frecuencias de las variables categóricas", digits = 1)
| Variable | Categoría | n | % |
|---|---|---|---|
| Severidad del incidente | Baja | 96 | 40.0 |
| Severidad del incidente | Moderada | 82 | 34.2 |
| Severidad del incidente | Alta | 44 | 18.3 |
| Severidad del incidente | Crítica | 18 | 7.5 |
| HTTPS | No | 109 | 45.4 |
| HTTPS | Sí | 131 | 54.6 |
| Estado | No comprometido | 165 | 68.8 |
| Estado | Comprometido | 75 | 31.2 |
Paso 8. Valores auxiliares para la interpretación de los descriptivos
# Valores usados en el texto interpretativo.
md <- function(v) mean(d[[v]]); de <- function(v) sd(d[[v]]); me <- function(v) median(d[[v]])
asim <- setNames(des$skew, vars_num)
prev <- mean(d$comprometido)
El tiempo de respuesta tiene una media de 42.2 minutos (DE = 16.8) y una mediana de 43.2; como media y mediana casi coinciden y la asimetría es 0.16, la distribución es prácticamente simétrica. El puntaje de amenaza se comporta igual (media 41.0, mediana 42.0, asimetría -0.04) y usa el recorrido de 0 a 89 puntos. La longitud de la URL también es simétrica (asimetría 0.11).
En cambio, los conteos de términos sospechosos y de subdominios son discretos con pocos valores distintos y asimetría positiva (0.99 y 0.75), la antigüedad del dominio tiene cola a la derecha (asimetría 1.08) y el ranking de tráfico es muy asimétrico (asimetría 2.99; media 55,019 frente a mediana 29,635). Estas características orientan la elección de los coeficientes de correlación en la Parte II.
En las variables categóricas, la severidad se concentra en los niveles bajos (96 registros de severidad baja frente a 18 de severidad crítica), el 54.6 % de las URL usa HTTPS y el 31.2 % figura como comprometido (75 eventos y 165 no eventos). Las clases de la variable dependiente logística están, por tanto, moderadamente desbalanceadas, lo que se tendrá en cuenta al elegir el umbral de clasificación.
Paso 9. Histogramas
largo <- d %>% select(all_of(vars_num)) %>%
pivot_longer(everything(), names_to = "variable", values_to = "valor") %>%
mutate(variable = factor(etq(variable), levels = etq(vars_num)))
p <- ggplot(largo, aes(valor)) +
geom_histogram(bins = 20, fill = azul, colour = "white", alpha = 0.9) +
facet_wrap(~variable, scales = "free", ncol = 3) +
labs(x = NULL, y = "Frecuencia")
fig(p, "histogramas", "Histogramas de las variables cuantitativas y ordinales", w = 9, h = 6.2)
Figura 1. Histogramas de las variables cuantitativas y ordinales
Paso 10. Diagramas de caja
p <- ggplot(largo, aes(x = "", y = valor)) +
geom_boxplot(fill = claro, colour = azul, outlier.colour = rojo, width = 0.5) +
facet_wrap(~variable, scales = "free", ncol = 4) + coord_flip() +
labs(x = NULL, y = NULL)
fig(p, "cajas", "Diagramas de caja de las variables cuantitativas y ordinales (los puntos señalan atípicos según la regla de 1.5 veces el RIC)", w = 9, h = 6.2)
Figura 2. Diagramas de caja de las variables cuantitativas y ordinales (los puntos señalan atípicos según la regla de 1.5 veces el RIC)
Los histogramas (Figura 1) confirman la forma aproximadamente simétrica y acampanada del puntaje de amenaza, del tiempo de respuesta y de la longitud de la URL, y la marcada asimetría del ranking de tráfico. Los diagramas de caja (Figura 2) muestran dónde aparecen los valores atípicos univariados, que se cuantifican a continuación.
Paso 11. Detalle de los valores atípicos univariados
# Detalle de los atípicos univariados: límites de la regla y registros.
det_atip <- lapply(vars_num, function(v) {
x <- d[[v]]; q <- quantile(x, c(.25, .75)); r <- q[2] - q[1]
li <- q[1] - 1.5 * r; ls <- q[2] + 1.5 * r; fuera <- which(x < li | x > ls)
ids <- d$id_registro[fuera][order(-abs(x[fuera] - median(x)))]
data.frame(Variable = etq(v), `Límite inferior` = fnum(unname(li)), `Límite superior` = fnum(unname(ls)),
`N.º de atípicos` = length(fuera),
`Registros más extremos` = if (length(ids)) paste(head(ids, 4), collapse = ", ") else "—",
check.names = FALSE)
})
atipicos <- do.call(rbind, det_atip)
tab(atipicos, "atipicos_univariados", "Valores atípicos univariados según la regla de 1.5 veces el rango intercuartílico", digits = 1)
| Variable | Límite inferior | Límite superior | N.º de atípicos | Registros más extremos |
|---|---|---|---|---|
| Longitud de la URL (caracteres) | 18.50 | 126.50 | 1 | URL067 |
| Términos sospechosos (conteo) | -3 | 5 | 2 | URL012, URL218 |
| Subdominios (conteo) | -0.50 | 3.50 | 11 | URL057, URL076, URL176, URL031 |
| Antigüedad del dominio (días) | -725.88 | 2,753.12 | 6 | URL174, URL218, URL010, URL234 |
| Ranking de tráfico (índice) | -69,443.50 | 143,956.50 | 25 | URL022, URL140, URL125, URL085 |
| Puntaje de amenaza (0–100) | -3 | 85 | 1 | URL198 |
| Severidad del incidente (1–4) | -2 | 6 | 0 | — |
| Tiempo de respuesta (min) | -6.43 | 88.98 | 2 | URL144, URL076 |
Paso 12. Ranking de tráfico en escala original y logarítmica
rk <- rbind(data.frame(escala = "Escala original", valor = d$ranking_trafico),
data.frame(escala = "Escala log10", valor = d$log10_ranking))
p <- ggplot(rk, aes(valor)) +
geom_histogram(bins = 22, fill = azul, colour = "white") +
facet_wrap(~escala, scales = "free") + labs(x = "Ranking de tráfico", y = "Frecuencia")
fig(p, "ranking", "Ranking de tráfico en escala original y en escala logarítmica", w = 8.5, h = 3.6)
Figura 3. Ranking de tráfico en escala original y en escala logarítmica
Paso 13. Asimetría del ranking transformado y conteo de atípicos
asim_log <- psych::skew(d$log10_ranking)
n_at <- setNames(desc_forma$`Atípicos`, vars_num)
La variable con más atípicos es el ranking de tráfico (25 valores por encima del límite superior), consecuencia directa de su asimetría. Al aplicar el logaritmo en base 10 la asimetría baja de 2.99 a -0.03 (Figura 3), de modo que la transformación logarítmica o un método basado en rangos son las opciones adecuadas si esta variable se analizara. Como el ranking no forma parte de las correlaciones ni de los modelos pedidos, solo se documenta la exploración. La antigüedad del dominio presenta 6 atípicos altos, el tiempo de respuesta 2 y el puntaje de amenaza 1.
Todos estos valores están dentro de los rangos posibles de cada variable (por ejemplo, un dominio con 4202 días tiene unos 11.5 años, lo cual es verosímil). Son observaciones extremas, no errores, por lo que se conservan. Su posible influencia sobre los resultados se evalúa con diagnósticos específicos en las Partes II, III y IV.
Paso 14. Matriz de dispersión
# Matriz de dispersión de las variables que se analizarán. En la parte
# inferior se añade una curva suavizada (loess) para detectar relaciones
# no lineales; en la superior, la correlación de Pearson como referencia.
vars_matriz <- c("puntaje_amenaza_0_100", "terminos_sospechosos", "antiguedad_dominio_dias",
"longitud_url_caracteres", "severidad_incidente_1_4", "tiempo_respuesta_min")
dm <- as.data.frame(d[, vars_matriz])
names(dm) <- c("Puntaje", "Términos", "Antigüedad", "Longitud", "Severidad", "Tiempo")
panel_suave <- function(data, mapping, ...) {
ggplot(data, mapping) +
geom_jitter(alpha = 0.35, size = 0.7, colour = azul, width = 0.12, height = 0.12) +
geom_smooth(method = "loess", formula = y ~ x, se = FALSE, colour = rojo,
linewidth = 0.6, span = 1, method.args = list(degree = 1))
}
p <- GGally::ggpairs(dm, lower = list(continuous = panel_suave),
upper = list(continuous = GGally::wrap("cor", size = 3.3, stars = FALSE)),
diag = list(continuous = GGally::wrap("densityDiag", fill = claro, colour = azul)),
progress = FALSE) +
theme(strip.text = element_text(size = 8.5), axis.text = element_text(size = 6.5))
fig(p, "matriz", "Matriz de dispersión de las variables analizadas, con curva suavizada (loess) y correlación de Pearson de referencia", w = 9, h = 8)
Figura 4. Matriz de dispersión de las variables analizadas, con curva suavizada (loess) y correlación de Pearson de referencia
Paso 15. Tiempo de respuesta frente a cada predictor
# Tiempo de respuesta frente a cada predictor del modelo múltiple.
g1 <- ggplot(d, aes(puntaje_amenaza_0_100, tiempo_respuesta_min)) +
geom_point(alpha = 0.5, colour = azul) +
geom_smooth(method = "lm", formula = y ~ x, se = FALSE, colour = gris, linetype = 2) +
geom_smooth(method = "loess", formula = y ~ x, se = FALSE, colour = rojo) +
labs(x = "Puntaje de amenaza (0–100)", y = "Tiempo de respuesta (min)")
g2 <- ggplot(d, aes(terminos_sospechosos, tiempo_respuesta_min)) +
geom_jitter(alpha = 0.5, colour = azul, width = 0.15, height = 0) +
stat_summary(fun = mean, geom = "line", colour = rojo, linewidth = 0.9) +
stat_summary(fun = mean, geom = "point", colour = rojo, size = 2) +
scale_x_continuous(breaks = 0:6) +
labs(x = "Términos sospechosos (conteo)", y = "Tiempo de respuesta (min)")
g3 <- ggplot(d, aes(antiguedad_dominio_dias, tiempo_respuesta_min)) +
geom_point(alpha = 0.5, colour = azul) +
geom_smooth(method = "lm", formula = y ~ x, se = FALSE, colour = gris, linetype = 2) +
geom_smooth(method = "loess", formula = y ~ x, se = FALSE, colour = rojo) +
labs(x = "Antigüedad del dominio (días)", y = "Tiempo de respuesta (min)")
g4 <- ggplot(d, aes(severidad_f, tiempo_respuesta_min)) +
geom_boxplot(fill = claro, colour = azul, outlier.shape = NA) +
geom_jitter(alpha = 0.35, colour = azul, width = 0.15, height = 0, size = 0.9) +
labs(x = "Severidad del incidente", y = "Tiempo de respuesta (min)")
p <- gridExtra::arrangeGrob(g1, g2, g3, g4, ncol = 2)
fig(p, "bivariados", "Tiempo de respuesta frente a cada predictor. Línea gris discontinua: recta de mínimos cuadrados; línea roja: curva loess o medias por nivel", w = 9, h = 6.4)
Figura 5. Tiempo de respuesta frente a cada predictor. Línea gris discontinua: recta de mínimos cuadrados; línea roja: curva loess o medias por nivel
La matriz de dispersión (Figura 4) y los gráficos bivariados (Figura 5) permiten tres lecturas antes de calcular ningún coeficiente:
No se observan patrones curvos (en forma de U o de saturación) que obliguen a transformar las variables de los modelos, ni grupos de puntos aislados del resto de la nube.
Paso 16. Registro de las decisiones de limpieza
limpieza <- data.frame(
Aspecto = c("Valores faltantes", "Registros duplicados", "Rangos y códigos",
"Identificador", "Variables categóricas", "Valores atípicos",
"Ranking de tráfico", "Datos originales"),
Hallazgo = c(
paste(sum(is.na(datos_orig)), "valores faltantes"),
paste(sum(duplicated(datos_orig$id_registro)), "identificadores y",
sum(duplicated(datos_orig[, -1])), "filas duplicadas"),
"Todos los valores dentro de los rangos y códigos declarados",
"Texto con 240 valores únicos",
"Severidad, HTTPS y comprometido almacenadas como números",
paste(sum(n_at), "valores extremos univariados, todos plausibles"),
paste0("Asimetría de ", f2(asim["ranking_trafico"])),
"Hoja Datos importada sin modificaciones"),
`Decisión` = c(
"No se imputa ni se elimina nada; n = 240 en todos los análisis",
"No se elimina ningún registro",
"No se corrige ningún valor",
"Se mantiene como texto; excluido de cálculos y modelos",
"Se crean factores etiquetados; se conservan las columnas originales",
"Se conservan; su influencia se evalúa con diagnósticos",
"Se documenta la transformación log10; no entra en los modelos pedidos",
"Se conserva una copia intacta (datos_orig) y se trabaja sobre d"),
check.names = FALSE)
tab(limpieza, "decisiones_limpieza", "Decisiones de limpieza y preparación de la base")
| Aspecto | Hallazgo | Decisión |
|---|---|---|
| Valores faltantes | 0 valores faltantes | No se imputa ni se elimina nada; n = 240 en todos los análisis |
| Registros duplicados | 0 identificadores y 0 filas duplicadas | No se elimina ningún registro |
| Rangos y códigos | Todos los valores dentro de los rangos y códigos declarados | No se corrige ningún valor |
| Identificador | Texto con 240 valores únicos | Se mantiene como texto; excluido de cálculos y modelos |
| Variables categóricas | Severidad, HTTPS y comprometido almacenadas como números | Se crean factores etiquetados; se conservan las columnas originales |
| Valores atípicos | 48 valores extremos univariados, todos plausibles | Se conservan; su influencia se evalúa con diagnósticos |
| Ranking de tráfico | Asimetría de 2.99 | Se documenta la transformación log10; no entra en los modelos pedidos |
| Datos originales | Hoja Datos importada sin modificaciones | Se conserva una copia intacta (datos_orig) y se trabaja sobre d |
En resumen, la base llegó completa y coherente, y la preparación
consistió únicamente en recodificar como factores las variables
categóricas. Las únicas columnas añadidas son severidad_f,
https_f, comprometido_f y
log10_ranking, todas derivadas de las originales sin
alterarlas.
Los tres coeficientes miden asociación entre dos variables, pero responden a preguntas distintas. Pearson (r) mide la intensidad de una relación lineal entre dos variables cuantitativas. Spearman (ρs) es la correlación de Pearson calculada sobre los rangos y mide una relación monótona, por lo que sirve para variables ordinales, conteos con pocos valores o distribuciones asimétricas. Kendall (τ) también mide monotonía, pero a partir de la proporción de pares concordantes y discordantes, y su variante τ-b corrige los empates. La elección en cada pareja se justifica por la escala de las variables y por la forma vista en la Parte I.
Paso 17. Cálculo de las correlaciones de Pearson, Spearman y Kendall
# =====================================================================
# PARTE II. CORRELACIONES DE PEARSON, SPEARMAN Y KENDALL
# =====================================================================
x_pa <- d$puntaje_amenaza_0_100; y_tr <- d$tiempo_respuesta_min
x_lu <- d$longitud_url_caracteres; x_ts <- d$terminos_sospechosos
x_sv <- d$severidad_incidente_1_4
# Pearson (IC 95 % por transformación z de Fisher, incluido en cor.test).
p1 <- cor.test(x_pa, y_tr, method = "pearson") # puntaje - tiempo
p2 <- cor.test(x_lu, x_pa, method = "pearson") # longitud - puntaje
# Spearman (exact = FALSE por la presencia de empates).
s1 <- cor.test(x_ts, x_pa, method = "spearman", exact = FALSE) # términos - puntaje
s2 <- cor.test(x_sv, y_tr, method = "spearman", exact = FALSE) # severidad - tiempo
# Kendall tau-b (cor.test ajusta los empates).
k1 <- cor.test(x_sv, y_tr, method = "kendall", exact = FALSE) # severidad - tiempo
# IC 95 % bootstrap percentil para los coeficientes por rangos.
ic_s1 <- ic_boot(x_ts, x_pa, "spearman")
ic_s2 <- ic_boot(x_sv, y_tr, "spearman")
ic_k1 <- ic_boot(x_sv, y_tr, "kendall")
Justificación de la técnica. Ambas variables son cuantitativas (el puntaje en escala de intervalo y el tiempo en escala de razón), sus distribuciones son aproximadamente simétricas y la nube de puntos de la Parte I es lineal. La pregunta de investigación se refiere expresamente a una asociación lineal, que es lo que mide r.
Hipótesis. H0: ρ = 0 (no hay asociación lineal entre el puntaje de amenaza y el tiempo de respuesta en la población). H1: ρ ≠ 0. Prueba t bilateral con n − 2 grados de libertad y α = 0.05.
Paso 18. Nubes de puntos de las parejas de Pearson
nube <- function(x, y, xl, yl, tit) {
ggplot(data.frame(x, y), aes(x, y)) + geom_point(alpha = 0.5, colour = azul) +
geom_smooth(method = "lm", formula = y ~ x, se = TRUE, colour = azul, fill = claro) +
geom_smooth(method = "loess", formula = y ~ x, se = FALSE, colour = rojo, linetype = 2) +
labs(x = xl, y = yl, title = tit)
}
g1 <- nube(x_pa, y_tr, "Puntaje de amenaza (0–100)", "Tiempo de respuesta (min)",
paste0("r = ", f3(p1$estimate)))
g2 <- nube(x_lu, x_pa, "Longitud de la URL (caracteres)", "Puntaje de amenaza (0–100)",
paste0("r = ", f3(p2$estimate)))
p <- gridExtra::arrangeGrob(g1, g2, ncol = 2)
fig(p, "pearson", "Nubes de puntos de las dos parejas analizadas con Pearson. Línea continua: recta de mínimos cuadrados con banda de confianza del 95 %; línea discontinua: curva loess", w = 9, h = 4)
Figura 6. Nubes de puntos de las dos parejas analizadas con Pearson. Línea continua: recta de mínimos cuadrados con banda de confianza del 95 %; línea discontinua: curva loess
Paso 19. Revisión de los supuestos de Pearson
# Revisión de supuestos de Pearson para las dos parejas:
# - normalidad marginal (Shapiro-Wilk),
# - linealidad (significación de un término cuadrático),
# - homocedasticidad de la nube (Breusch-Pagan),
# - atípicos bivariados (distancia de Mahalanobis, límite ji-cuadrado 0.975),
# - sensibilidad del coeficiente al retirar esos casos y contraste con Spearman.
revisa_pearson <- function(x, y) {
m <- lm(y ~ x); mq <- lm(y ~ x + I(x^2))
D <- cbind(x, y); md2 <- mahalanobis(D, colMeans(D), cov(D))
fuera <- md2 > qchisq(0.975, 2)
list(p_cuad = summary(mq)$coefficients[3, 4], p_bp = lmtest::bptest(m)$p.value,
n_fuera = sum(fuera), r_sin = cor(x[!fuera], y[!fuera]),
rho = cor(x, y, method = "spearman"), fuera = fuera)
}
rp1 <- revisa_pearson(x_pa, y_tr); rp2 <- revisa_pearson(x_lu, x_pa)
sw <- function(x) shapiro.test(x)
pearson_sup <- data.frame(
Aspecto = c("Normalidad de X: Shapiro–Wilk (p)", "Normalidad de Y: Shapiro–Wilk (p)",
"Linealidad: término cuadrático (p)", "Dispersión constante: Breusch–Pagan (p)",
"Atípicos bivariados (Mahalanobis)", "r con todos los casos",
"r sin los atípicos bivariados", "Spearman de la misma pareja"),
`X = Puntaje, Y = Tiempo` = c(fp(sw(x_pa)$p.value), fp(sw(y_tr)$p.value), fp(rp1$p_cuad), fp(rp1$p_bp),
rp1$n_fuera, f3(p1$estimate), f3(rp1$r_sin), f3(rp1$rho)),
`X = Longitud, Y = Puntaje` = c(fp(sw(x_lu)$p.value), fp(sw(x_pa)$p.value), fp(rp2$p_cuad), fp(rp2$p_bp),
rp2$n_fuera, f3(p2$estimate), f3(rp2$r_sin), f3(rp2$rho)),
check.names = FALSE)
tab(pearson_sup, "pearson_supuestos", "Revisión de supuestos de la correlación de Pearson")
| Aspecto | X = Puntaje, Y = Tiempo | X = Longitud, Y = Puntaje |
|---|---|---|
| Normalidad de X: Shapiro–Wilk (p) | 0.808 | 0.422 |
| Normalidad de Y: Shapiro–Wilk (p) | 0.192 | 0.808 |
| Linealidad: término cuadrático (p) | 0.146 | 0.752 |
| Dispersión constante: Breusch–Pagan (p) | 0.649 | 0.945 |
| Atípicos bivariados (Mahalanobis) | 5 | 2 |
| r con todos los casos | 0.745 | 0.456 |
| r sin los atípicos bivariados | 0.740 | 0.449 |
| Spearman de la misma pareja | 0.736 | 0.456 |
Paso 20. Gráficos Q-Q de normalidad
qq <- rbind(data.frame(v = "Puntaje de amenaza", x = as.numeric(scale(x_pa))),
data.frame(v = "Tiempo de respuesta", x = as.numeric(scale(y_tr))),
data.frame(v = "Longitud de la URL", x = as.numeric(scale(x_lu))))
p <- ggplot(qq, aes(sample = x)) + stat_qq(colour = azul, alpha = 0.6, size = 1) +
stat_qq_line(colour = rojo) + facet_wrap(~v) +
labs(x = "Cuantiles teóricos de la normal", y = "Cuantiles observados (estandarizados)")
fig(p, "qq_pearson", "Gráficos Q-Q de normalidad de las variables analizadas con Pearson", w = 9, h = 3.4)
Figura 7. Gráficos Q-Q de normalidad de las variables analizadas con Pearson
Resultado. r = 0.745, n = 240, IC 95 % [0.683, 0.797], t(238) = 17.26, p < 0.001. Con α = 0.05, se rechaza H0.
Revisión de supuestos (Tabla 8, Figura 6 y Figura 7).
Interpretación. Existe una asociación lineal positiva y fuerte entre el puntaje de amenaza y el tiempo de respuesta: las URL con mayor puntaje tienden a registrar tiempos de respuesta más largos. El intervalo de confianza no incluye el cero y sus dos extremos corresponden a una asociación fuerte, por lo que la conclusión es estable. El coeficiente de determinación r² = 0.556 indica que ambas variables comparten alrededor del 55.6 % de su variabilidad. Esto es una asociación: no demuestra que un puntaje alto provoque una respuesta más lenta, pues ambas variables podrían depender de la complejidad del incidente.
Justificación de la pareja y de la técnica. Como segunda pareja se eligió la longitud de la URL y el puntaje de amenaza. Tiene interés sustantivo, porque las URL largas suelen usarse para ocultar el destino real y es razonable preguntarse si los registros con URL más largas reciben puntajes más altos. Y cumple mejor que otras parejas los requisitos de Pearson: de las variables cuantitativas disponibles, la longitud es la más simétrica (asimetría 0.11) y toma 88 valores distintos, mientras que los términos y los subdominios son conteos con muy pocos valores, y la antigüedad y el ranking son asimétricos.
Hipótesis. H0: ρ = 0 (no hay asociación lineal entre la longitud de la URL y el puntaje de amenaza). H1: ρ ≠ 0.
Resultado. r = 0.456, n = 240, IC 95 % [0.350, 0.551], t(238) = 7.90, p < 0.001; se rechaza H0.
Revisión de supuestos. La nube (Figura 6, panel derecho) es ascendente y sin curvatura (término cuadrático, p = 0.752); la longitud no se aparta de la normalidad (Shapiro–Wilk, p = 0.422); la dispersión es homogénea (Breusch–Pagan, p = 0.945); y al retirar los 2 atípicos bivariados el coeficiente cambia de 0.456 a 0.449. Spearman da 0.456, valor muy próximo.
Interpretación. La asociación es positiva y moderada: las URL más largas tienden a tener puntajes de amenaza más altos, aunque con bastante dispersión, ya que la longitud comparte solo el 20.8 % de la variabilidad del puntaje. Es claramente más débil que la asociación entre puntaje y tiempo de respuesta.
Justificación de la técnica. La cantidad de términos sospechosos es un conteo que solo toma 7 valores distintos (de 0 a 6), con asimetría positiva (0.99) y muchos empates. La pregunta de investigación, además, es de tipo monótono: si al aumentar los términos tiende a aumentar el puntaje. Spearman trabaja con rangos, no exige normalidad ni linealidad y es adecuado para este caso.
Hipótesis. H0: ρs = 0 (no hay asociación monótona entre la cantidad de términos sospechosos y el puntaje de amenaza). H1: ρs ≠ 0.
Paso 21. Gráficos de términos sospechosos y puntaje de amenaza
g1 <- ggplot(d, aes(terminos_sospechosos, puntaje_amenaza_0_100)) +
geom_jitter(alpha = 0.45, colour = azul, width = 0.15, height = 0) +
stat_summary(fun = median, geom = "line", colour = rojo, linewidth = 0.9) +
stat_summary(fun = median, geom = "point", colour = rojo, size = 2.2) +
scale_x_continuous(breaks = 0:6) +
labs(x = "Términos sospechosos (conteo)", y = "Puntaje de amenaza (0–100)",
title = "Valores originales y mediana por nivel")
g2 <- ggplot(data.frame(rx = rank(x_ts), ry = rank(x_pa)), aes(rx, ry)) +
geom_point(alpha = 0.45, colour = azul) +
geom_smooth(method = "lm", formula = y ~ x, se = FALSE, colour = rojo) +
labs(x = "Rango de términos sospechosos", y = "Rango del puntaje de amenaza",
title = paste0("Rangos (ρs = ", f3(s1$estimate), ")"))
p <- gridExtra::arrangeGrob(g1, g2, ncol = 2)
fig(p, "spearman1", "Términos sospechosos y puntaje de amenaza: dispersión con mediana por nivel y diagrama de rangos", w = 9, h = 4)
Figura 8. Términos sospechosos y puntaje de amenaza: dispersión con mediana por nivel y diagrama de rangos
Paso 22. Puntaje de amenaza por cantidad de términos
por_term <- d %>% group_by(`Términos sospechosos` = terminos_sospechosos) %>%
summarise(n = n(), Mediana = median(puntaje_amenaza_0_100), Media = mean(puntaje_amenaza_0_100),
DE = sd(puntaje_amenaza_0_100), `Mín.` = min(puntaje_amenaza_0_100),
`Máx.` = max(puntaje_amenaza_0_100), .groups = "drop")
tab(por_term, "puntaje_por_terminos", "Puntaje de amenaza según la cantidad de términos sospechosos", digits = 1)
| Términos sospechosos | n | Mediana | Media | DE | Mín. | Máx. |
|---|---|---|---|---|---|---|
| 0 | 61 | 30.0 | 30.8 | 14.4 | 0 | 61 |
| 1 | 82 | 38.0 | 38.0 | 13.5 | 0 | 74 |
| 2 | 51 | 46.0 | 45.8 | 14.2 | 1 | 83 |
| 3 | 26 | 51.5 | 49.3 | 13.4 | 23 | 75 |
| 4 | 12 | 56.5 | 57.0 | 9.0 | 43 | 73 |
| 5 | 6 | 68.0 | 70.5 | 11.0 | 58 | 89 |
| 6 | 2 | 65.5 | 65.5 | 2.1 | 64 | 67 |
Paso 23. Comprobación de monotonía y conteo de empates
med_term <- por_term$Mediana
monot_term <- all(diff(med_term) >= 0)
empate <- function(x) { t <- table(x); sum(t[t > 1]) } # observaciones empatadas
Resultado. ρs = 0.529, n = 240, IC 95 % bootstrap [0.424, 0.621], S = 1,084,491, p < 0.001; se rechaza H0.
Revisión de supuestos.
exact = FALSE) y el intervalo de
confianza por bootstrap.Interpretación. La asociación es positiva y moderada: a mayor cantidad de términos sospechosos, el puntaje de amenaza tiende a ser más alto. El intervalo de confianza queda completo dentro de valores positivos. La relación no es perfecta: dentro de cada nivel de términos el puntaje varía ampliamente, así que el conteo de términos por sí solo no determina el puntaje.
Justificación de la técnica. La severidad es una variable ordinal de cuatro categorías (baja, moderada, alta y crítica). Sus códigos 1 a 4 indican orden, pero no garantizan que la distancia entre niveles sea igual, por lo que Pearson no es apropiado. Spearman solo utiliza el orden.
Hipótesis. H0: ρs = 0 (no hay asociación monótona entre la severidad y el tiempo de respuesta). H1: ρs ≠ 0.
Paso 24. Gráficos de severidad y tiempo de respuesta
g1 <- ggplot(d, aes(severidad_f, tiempo_respuesta_min)) +
geom_boxplot(fill = claro, colour = azul, outlier.shape = NA) +
geom_jitter(alpha = 0.35, colour = azul, width = 0.15, height = 0, size = 0.9) +
stat_summary(aes(group = 1), fun = median, geom = "line", colour = rojo, linewidth = 0.9) +
labs(x = "Severidad del incidente", y = "Tiempo de respuesta (min)",
title = "Distribución por nivel y línea de medianas")
g2 <- ggplot(data.frame(rx = rank(x_sv), ry = rank(y_tr)), aes(rx, ry)) +
geom_point(alpha = 0.45, colour = azul) +
geom_smooth(method = "lm", formula = y ~ x, se = FALSE, colour = rojo) +
labs(x = "Rango de la severidad", y = "Rango del tiempo de respuesta",
title = paste0("Rangos (ρs = ", f3(s2$estimate), ")"))
p <- gridExtra::arrangeGrob(g1, g2, ncol = 2)
fig(p, "severidad", "Severidad del incidente y tiempo de respuesta: diagramas de caja por nivel y diagrama de rangos", w = 9, h = 4)
Figura 9. Severidad del incidente y tiempo de respuesta: diagramas de caja por nivel y diagrama de rangos
Paso 25. Tiempo de respuesta por nivel de severidad
por_sev <- d %>% group_by(Severidad = severidad_f) %>%
summarise(n = n(), Mediana = median(tiempo_respuesta_min), Media = mean(tiempo_respuesta_min),
DE = sd(tiempo_respuesta_min), Q1 = quantile(tiempo_respuesta_min, .25),
Q3 = quantile(tiempo_respuesta_min, .75), .groups = "drop")
tab(por_sev, "tiempo_por_severidad", "Tiempo de respuesta (min) según la severidad del incidente", digits = 1)
| Severidad | n | Mediana | Media | DE | Q1 | Q3 |
|---|---|---|---|---|---|---|
| Baja | 96 | 29.2 | 30.2 | 12.3 | 21.0 | 40.9 |
| Moderada | 82 | 44.8 | 44.4 | 12.6 | 36.9 | 51.7 |
| Alta | 44 | 57.4 | 54.8 | 13.0 | 47.7 | 61.4 |
| Crítica | 18 | 63.5 | 64.6 | 12.9 | 54.1 | 75.2 |
Resultado. ρs = 0.667, n = 240, IC 95 % bootstrap [0.588, 0.734], S = 766,721, p < 0.001; se rechaza H0.
Revisión de supuestos. La mediana del tiempo de respuesta aumenta en cada escalón de severidad: 29.2, 44.8, 57.4, 63.5 minutos para los niveles baja, moderada, alta y crítica (Tabla 10), lo que confirma una relación monótona creciente. La severidad genera empates masivos, pues las 240 observaciones se reparten en cuatro valores, mientras que en el tiempo de respuesta hay 73 observaciones empatadas. Los diagramas de caja no muestran valores extremos que alteren el orden de los grupos.
Interpretación. La asociación es positiva y fuerte: los incidentes de mayor severidad tienden a tener tiempos de respuesta más largos. Entre el nivel bajo y el crítico la mediana aumenta 34.3 minutos.
Justificación de la técnica. Kendall es
especialmente recomendable cuando una variable ordinal tiene pocas
categorías y, por tanto, muchos empates, que es exactamente la situación
de la severidad. Se usa la variante τ-b, que es la que calcula
cor.test() y que corrige el denominador por los pares
empatados en cada variable.
Hipótesis. H0: τ = 0 (la probabilidad de que un par de registros sea concordante es igual a la de que sea discordante). H1: τ ≠ 0.
Paso 26. Pares concordantes, discordantes y empatados (τ-b a mano)
# Descomposición de los n(n-1)/2 pares para verificar tau-b a mano.
sx <- sign(outer(x_sv, x_sv, "-")); sy <- sign(outer(y_tr, y_tr, "-"))
tri <- upper.tri(sx)
conc <- sum(sx[tri] * sy[tri] > 0); disc <- sum(sx[tri] * sy[tri] < 0)
emp_x <- sum(sx[tri] == 0 & sy[tri] != 0) # empatados solo en severidad
emp_y <- sum(sx[tri] != 0 & sy[tri] == 0) # empatados solo en tiempo
emp_xy <- sum(sx[tri] == 0 & sy[tri] == 0) # empatados en ambas
tau_b_manual <- (conc - disc) / sqrt((conc + disc + emp_x) * (conc + disc + emp_y))
total_pares <- n * (n - 1) / 2
kendall_pares <- data.frame(
`Tipo de par` = c("Concordantes", "Discordantes", "Empatados solo en severidad",
"Empatados solo en tiempo de respuesta", "Empatados en ambas variables", "Total"),
`Número de pares` = c(conc, disc, emp_x, emp_y, emp_xy, total_pares),
`% del total` = 100 * c(conc, disc, emp_x, emp_y, emp_xy, total_pares) / total_pares,
check.names = FALSE)
tab(kendall_pares, "kendall_pares", "Descomposición de los pares de observaciones para el coeficiente τ-b de Kendall", digits = 1)
| Tipo de par | Número de pares | % del total |
|---|---|---|
| Concordantes | 16,149 | 56.3 |
| Discordantes | 3,522 | 12.3 |
| Empatados solo en severidad | 8,961 | 31.2 |
| Empatados solo en tiempo de respuesta | 29 | 0.1 |
| Empatados en ambas variables | 19 | 0.1 |
| Total | 28,680 | 100.0 |
Resultado. τ-b = 0.532, n = 240, IC 95 % bootstrap
[0.464, 0.593], z = 10.78, p < 0.001; se rechaza H0. El
cálculo manual a partir de la Tabla 11 da τ-b = 0.532, igual al valor de
cor.test().
Revisión de supuestos. Las variables son ordinal y continua, las observaciones son independientes y la relación es monótona, como ya se comprobó con las medianas por nivel. Sobre los empates, de los 28,680 pares posibles, 8,961 (31.2 %) están empatados en severidad. Este volumen de empates es la razón de usar τ-b y no τ-a, que los ignoraría y subestimaría la asociación. No hay observaciones influyentes: cada registro participa en 239 pares y ninguno puede dominar el coeficiente.
Interpretación ordinal. Entre los pares que no están empatados en ninguna de las dos variables, 16,149 son concordantes (el registro de mayor severidad también tiene mayor tiempo de respuesta) y 3,522 son discordantes. Es decir, al comparar dos URL de distinta severidad, la de severidad más alta tiene el tiempo de respuesta más largo en el 82.1 % de los casos. La asociación es positiva y, en la escala propia de Kendall, de magnitud considerable.
Paso 27. Comparación entre Spearman y Kendall
comp_sk <- data.frame(
Aspecto = c("Coeficiente", "IC 95 % (bootstrap)", "Estadístico de prueba", "Valor p",
"Qué mide", "Tratamiento de los empates"),
Spearman = c(f3(s2$estimate), ic(ic_s2[1], ic_s2[2]),
paste0("S = ", format(round(s2$statistic), big.mark = ",")), fp(s2$p.value),
"Correlación lineal entre los rangos",
"Rangos promedio"),
`Kendall τ-b` = c(f3(k1$estimate), ic(ic_k1[1], ic_k1[2]),
paste0("z = ", f2(k1$statistic)), fp(k1$p.value),
"Diferencia entre proporción de pares concordantes y discordantes",
"Corrige el denominador por los pares empatados"),
check.names = FALSE)
tab(comp_sk, "spearman_vs_kendall", "Comparación entre Spearman y Kendall para severidad y tiempo de respuesta")
| Aspecto | Spearman | Kendall τ-b |
|---|---|---|
| Coeficiente | 0.667 | 0.532 |
| IC 95 % (bootstrap) | [0.588, 0.734] | [0.464, 0.593] |
| Estadístico de prueba | S = 766,721 | z = 10.78 |
| Valor p | < 0.001 | < 0.001 |
| Qué mide | Correlación lineal entre los rangos | Diferencia entre proporción de pares concordantes y discordantes |
| Tratamiento de los empates | Rangos promedio | Corrige el denominador por los pares empatados |
Los dos coeficientes llevan a la misma conclusión: asociación monótona positiva, con p < 0.001 en ambos casos e intervalos de confianza alejados del cero. La diferencia numérica (ρs = 0.667 frente a τ-b = 0.532) no significa que Kendall encuentre una relación más débil. Los dos coeficientes están en escalas distintas: ρs es una correlación entre rangos, mientras que τ-b es una diferencia de proporciones de pares, y para una misma relación |τ| suele ser menor que |ρs|. Aquí la razón ρs/τ-b es 1.25, un valor habitual. Por eso las etiquetas de intensidad pensadas para r o ρs no se trasladan directamente a τ.
Para esta pareja se prefiere Kendall como medida principal por dos motivos: maneja de forma explícita la gran cantidad de empates que produce una variable de cuatro categorías, y tiene una interpretación directa en términos de probabilidad de concordancia. Spearman se conserva como contraste y por su comparabilidad con Pearson.
Paso 28. Tabla resumen de las correlaciones
cor_resumen <- data.frame(
Pareja = c("Puntaje – Tiempo", "Longitud – Puntaje", "Términos – Puntaje",
"Severidad – Tiempo", "Severidad – Tiempo"),
`Método` = c("Pearson", "Pearson", "Spearman", "Spearman", "Kendall τ-b"),
Coeficiente = f3(c(p1$estimate, p2$estimate, s1$estimate, s2$estimate, k1$estimate)),
`IC 95 %` = c(ic(p1$conf.int[1], p1$conf.int[2]), ic(p2$conf.int[1], p2$conf.int[2]),
ic(ic_s1[1], ic_s1[2]), ic(ic_s2[1], ic_s2[2]), ic(ic_k1[1], ic_k1[2])),
`Estadístico` = c(paste0("t = ", f2(p1$statistic)), paste0("t = ", f2(p2$statistic)),
paste0("S = ", format(round(s1$statistic), big.mark = ",")),
paste0("S = ", format(round(s2$statistic), big.mark = ",")),
paste0("z = ", f2(k1$statistic))),
p = fp(c(p1$p.value, p2$p.value, s1$p.value, s2$p.value, k1$p.value)),
`Dirección e intensidad` = paste0(direccion(c(p1$estimate, p2$estimate, s1$estimate, s2$estimate, k1$estimate)),
c(paste0(", ", intensidad(c(p1$estimate, p2$estimate, s1$estimate, s2$estimate))), "")),
check.names = FALSE)
tab(cor_resumen, "correlaciones_resumen", paste0("Resumen de las correlaciones (n = ", n, " en todas). Puntaje: puntaje de amenaza; Tiempo: tiempo de respuesta; Longitud: longitud de la URL; Términos: términos sospechosos. IC de Pearson por transformación de Fisher; IC de Spearman y Kendall por bootstrap percentil"))
| Pareja | Método | Coeficiente | IC 95 % | Estadístico | p | Dirección e intensidad |
|---|---|---|---|---|---|---|
| Puntaje – Tiempo | Pearson | 0.745 | [0.683, 0.797] | t = 17.26 | < 0.001 | positiva, fuerte |
| Longitud – Puntaje | Pearson | 0.456 | [0.350, 0.551] | t = 7.90 | < 0.001 | positiva, moderada |
| Términos – Puntaje | Spearman | 0.529 | [0.424, 0.621] | S = 1,084,491 | < 0.001 | positiva, moderada |
| Severidad – Tiempo | Spearman | 0.667 | [0.588, 0.734] | S = 766,721 | < 0.001 | positiva, fuerte |
| Severidad – Tiempo | Kendall τ-b | 0.532 | [0.464, 0.593] | z = 10.78 | < 0.001 | positiva |
Las cinco correlaciones son positivas y estadísticamente significativas con α = 0.05. La más intensa es la de puntaje de amenaza con tiempo de respuesta (r = 0.745) y la más débil la de longitud de la URL con puntaje (r = 0.456). Que todos los valores p sean muy pequeños no indica que todas las asociaciones sean igual de fuertes; el tamaño lo informa el coeficiente y su intervalo. Ninguna de estas asociaciones prueba causalidad: son relaciones observadas en datos transversales y simulados, en las que no se controla ninguna otra variable.
La correlación cuantifica la intensidad de una asociación; la regresión, además, describe cómo cambia en promedio la variable dependiente por cada unidad de cambio en los predictores. En ambos modelos la variable dependiente es el tiempo de respuesta en minutos.
Paso 29. Ajuste de los modelos lineales simple y múltiple
# =====================================================================
# PARTE III. REGRESIÓN LINEAL SIMPLE (m1) Y MÚLTIPLE (m2)
# =====================================================================
m1 <- lm(tiempo_respuesta_min ~ puntaje_amenaza_0_100, data = d)
# Severidad como factor con codificación de tratamiento (referencia: Baja).
m2 <- lm(tiempo_respuesta_min ~ puntaje_amenaza_0_100 + terminos_sospechosos +
antiguedad_dominio_dias + severidad_f, data = d)
# Modelo auxiliar con la severidad como número (solo para contrastar la
# codificación; está anidado en m2).
m2_num <- lm(tiempo_respuesta_min ~ puntaje_amenaza_0_100 + terminos_sospechosos +
antiguedad_dominio_dias + severidad_incidente_1_4, data = d)
# Tabla de coeficientes con EE, t, p e IC 95 %.
tabla_coef <- function(m) {
s <- summary(m)$coefficients; ci <- confint(m)
data.frame(`Término` = etq(rownames(s)), `Coeficiente` = f4(s[, 1]), EE = f4(s[, 2]),
t = f2(s[, 3]), p = fp(s[, 4]), `IC 95 % inf.` = f4(ci[, 1]), `IC 95 % sup.` = f4(ci[, 2]),
check.names = FALSE)
}
s1m <- summary(m1); s2m <- summary(m2)
b1 <- coef(m1); b2 <- coef(m2); ci1 <- confint(m1); ci2 <- confint(m2)
pF <- function(s) pf(s$fstatistic[1], s$fstatistic[2], s$fstatistic[3], lower.tail = FALSE)
p2c <- s2m$coefficients[, 4]
Especificación. Variable dependiente:
tiempo_respuesta_min. Predictor:
puntaje_amenaza_0_100. La ecuación general es
Tiempo de respuesta = β0 + β1 · Puntaje de amenaza + ε
donde β0 es el intercepto, β1 la pendiente y ε el error aleatorio, que se supone independiente, de media cero, varianza constante y distribución normal.
Hipótesis. Pendiente: H0: β1 = 0 frente a H1: β1 ≠ 0 (prueba t). Modelo global: H0: el modelo no explica más que la media del tiempo de respuesta (β1 = 0) frente a H1: β1 ≠ 0 (prueba F). En la regresión simple ambas pruebas son equivalentes (F = t²).
Paso 30. Coeficientes del modelo simple
tab(tabla_coef(m1), "coeficientes_modelo_simple", "Coeficientes del modelo de regresión lineal simple (variable dependiente: tiempo de respuesta en minutos)")
| Término | Coeficiente | EE | t | p | IC 95 % inf. | IC 95 % sup. |
|---|---|---|---|---|---|---|
| Intercepto | 10.4244 | 1.9765 | 5.27 | < 0.001 | 6.5308 | 14.3181 |
| Puntaje de amenaza (0–100) | 0.7731 | 0.0448 | 17.26 | < 0.001 | 0.6848 | 0.8613 |
Ecuación estimada.
Tiempo de respuesta estimado = 10.42 + 0.773 · Puntaje de amenaza
Ajuste. n = 240; R² = 0.556; R² ajustado = 0.554; error estándar residual = 11.23 minutos con 238 grados de libertad; F(1, 238) = 297.74, p < 0.001.
Paso 31. Recta ajustada con bandas de confianza y de predicción
nuevo <- data.frame(puntaje_amenaza_0_100 = seq(min(x_pa), max(x_pa), length.out = 100))
banda <- cbind(nuevo, predict(m1, nuevo, interval = "prediction"))
p <- ggplot(d, aes(puntaje_amenaza_0_100, tiempo_respuesta_min)) +
geom_ribbon(data = banda, aes(y = fit, ymin = lwr, ymax = upr), fill = claro, alpha = 0.45) +
geom_point(alpha = 0.5, colour = azul) +
geom_smooth(method = "lm", formula = y ~ x, colour = rojo, fill = gris) +
labs(x = "Puntaje de amenaza (0–100)", y = "Tiempo de respuesta (min)")
fig(p, "ajuste_m1", "Modelo lineal simple: recta ajustada con banda de confianza del 95 % para la media (gris) y banda de predicción del 95 % para un registro individual (azul claro)", w = 7.5, h = 4.6)
Figura 10. Modelo lineal simple: recta ajustada con banda de confianza del 95 % para la media (gris) y banda de predicción del 95 % para un registro individual (azul claro)
Interpretación.
Especificación. Variable dependiente:
tiempo_respuesta_min. Predictores: puntaje de amenaza,
términos sospechosos, antigüedad del dominio y severidad del incidente.
La ecuación general es
Tiempo de respuesta = β0 + β1 · Puntaje + β2 · Términos + β3 · Antigüedad + β4 · Sev.Moderada + β5 · Sev.Alta + β6 · Sev.Crítica + ε
Codificación de la severidad. La severidad se incluyó como factor con codificación de tratamiento (variables indicadoras), tomando el nivel baja como referencia. Así, β4, β5 y β6 son la diferencia en el tiempo medio de cada nivel respecto del nivel bajo, con los demás predictores constantes. Se eligió esta codificación porque la severidad es ordinal: usar sus códigos 1 a 4 como número obligaría a suponer que cada salto de nivel añade exactamente la misma cantidad de minutos, y ese supuesto no está garantizado por la escala. El factor no impone esa restricción y, a cambio, consume tres grados de libertad en lugar de uno. Se tomó baja como referencia por ser el nivel más frecuente (96 registros) y el punto de comparación natural. Más abajo se contrasta esta decisión con la alternativa numérica.
Hipótesis. Individuales: para cada coeficiente, H0: βj = 0 frente a H1: βj ≠ 0, manteniendo constantes los demás predictores (prueba t). Para la severidad en conjunto: H0: β4 = β5 = β6 = 0 frente a H1: al menos uno distinto de cero (prueba F parcial con 3 grados de libertad). Global: H0: β1 = β2 = … = β6 = 0 frente a H1: al menos un βj ≠ 0 (prueba F).
Paso 32. Coeficientes del modelo múltiple
tab(tabla_coef(m2), "coeficientes_modelo_multiple", "Coeficientes del modelo de regresión lineal múltiple (variable dependiente: tiempo de respuesta en minutos)", digits = 4)
| Término | Coeficiente | EE | t | p | IC 95 % inf. | IC 95 % sup. |
|---|---|---|---|---|---|---|
| Intercepto | 17.4270 | 2.3821 | 7.32 | < 0.001 | 12.7339 | 22.1202 |
| Puntaje de amenaza (0–100) | 0.5414 | 0.0675 | 8.02 | < 0.001 | 0.4084 | 0.6745 |
| Términos sospechosos (conteo) | 0.4502 | 0.6463 | 0.70 | 0.487 | -0.8230 | 1.7235 |
| Antigüedad del dominio (días) | -0.0029 | 0.0010 | -2.81 | 0.005 | -0.0049 | -0.0009 |
| Severidad: moderada (vs. baja) | 5.8103 | 1.8755 | 3.10 | 0.002 | 2.1153 | 9.5054 |
| Severidad: alta (vs. baja) | 10.1826 | 2.5052 | 4.06 | < 0.001 | 5.2469 | 15.1183 |
| Severidad: crítica (vs. baja) | 14.1899 | 3.5247 | 4.03 | < 0.001 | 7.2455 | 21.1343 |
Paso 33. Pruebas F parciales y contraste de la codificación de la severidad
# Prueba F parcial tipo II de cada predictor (la severidad con 3 gl) y
# contraste de la codificación: factor frente a severidad numérica.
an2 <- car::Anova(m2, type = 2)
sev_lin <- anova(m2_num, m2)
tipo2 <- data.frame(
Predictor = etq(rownames(an2)[1:4]), `Suma de cuadrados` = an2$`Sum Sq`[1:4],
gl = an2$Df[1:4], F = an2$`F value`[1:4], p = fp(an2$`Pr(>F)`[1:4]), check.names = FALSE)
tab(tipo2, "pruebas_tipo2_modelo_multiple", "Pruebas F parciales (tipo II) de cada predictor del modelo múltiple", digits = 2)
| Predictor | Suma de cuadrados | gl | F | p |
|---|---|---|---|---|
| Puntaje de amenaza (0–100) | 7336.60 | 1 | 64.26 | < 0.001 |
| Términos sospechosos (conteo) | 55.41 | 1 | 0.49 | 0.487 |
| Antigüedad del dominio (días) | 900.22 | 1 | 7.89 | 0.005 |
| Severidad (factor, 3 gl) | 2475.08 | 3 | 7.23 | < 0.001 |
Ecuación estimada.
Tiempo de respuesta estimado = 17.43 + 0.541 · Puntaje + 0.450 · Términos − 0.0029 · Antigüedad + 5.81 · Sev.Moderada + 10.18 · Sev.Alta + 14.19 · Sev.Crítica
Ajuste. n = 240; R² = 0.606; R² ajustado = 0.596; error estándar residual = 10.68 minutos con 233 grados de libertad; F(6, 233) = 59.80, p < 0.001.
Interpretación de los coeficientes (cada uno con los demás predictores constantes):
Contraste de la codificación de la severidad. Si la severidad se introduce como número, su pendiente es de 4.86 minutos por nivel. Los incrementos estimados con el factor (5.8, 10.2 y 14.2 minutos respecto del nivel bajo) son casi proporcionales al nivel, y la prueba F que compara ambos modelos anidados no detecta una desviación de la linealidad (F(2, 233) = 0.21, p = 0.813). En estos datos, por tanto, la versión numérica habría dado resultados parecidos. Se mantiene el factor porque respeta la escala ordinal sin añadir supuestos y porque sus coeficientes se interpretan directamente como diferencias entre niveles.
Paso 34. Comparación del ajuste de ambos modelos
an12 <- anova(m1, m2)
ajuste <- data.frame(
Indicador = c("n", "Parámetros estimados", "R²", "R² ajustado",
"Error estándar residual (min)", "Estadístico F global", "gl de F",
"p de F global", "AIC", "BIC"),
`Modelo simple` = c(nobs(m1), length(b1), f3(s1m$r.squared), f3(s1m$adj.r.squared), f2(s1m$sigma),
f2(s1m$fstatistic[1]), paste(s1m$fstatistic[2], s1m$fstatistic[3], sep = "; "),
fp(pF(s1m)), f1(AIC(m1)), f1(BIC(m1))),
`Modelo múltiple` = c(nobs(m2), length(b2), f3(s2m$r.squared), f3(s2m$adj.r.squared), f2(s2m$sigma),
f2(s2m$fstatistic[1]), paste(s2m$fstatistic[2], s2m$fstatistic[3], sep = "; "),
fp(pF(s2m)), f1(AIC(m2)), f1(BIC(m2))),
check.names = FALSE)
tab(ajuste, "comparacion_modelos_lineales", "Comparación del ajuste de los modelos lineales simple y múltiple")
| Indicador | Modelo simple | Modelo múltiple |
|---|---|---|
| n | 240 | 240 |
| Parámetros estimados | 2 | 7 |
| R² | 0.556 | 0.606 |
| R² ajustado | 0.554 | 0.596 |
| Error estándar residual (min) | 11.23 | 10.68 |
| Estadístico F global | 297.74 | 59.80 |
| gl de F | 1; 238 | 6; 233 |
| p de F global | < 0.001 | < 0.001 |
| AIC | 1846.0 | 1827.0 |
| BIC | 1856.4 | 1854.9 |
El modelo múltiple añade 5 parámetros. La prueba F parcial que compara ambos modelos anidados da F(5, 233) = 5.98, p < 0.001, es decir, los predictores añadidos mejoran el ajuste más de lo esperable por azar. El R² ajustado, que penaliza el número de parámetros, sube de 0.554 a 0.596; el error estándar residual baja de 11.23 a 10.68 minutos; y el AIC baja 19.0 unidades (de 1846.0 a 1827.0). El BIC, que penaliza más la complejidad, también baja, pero solo 1.6 unidades (de 1856.4 a 1854.9): con este criterio la ventaja del modelo múltiple es mínima.
¿Justifica la mejora la complejidad añadida? Depende del propósito. La mejora es estadísticamente clara pero de tamaño modesto: 5.1 puntos porcentuales de varianza explicada y 0.54 minutos menos de error típico. Si el objetivo es solo predecir el tiempo de respuesta, el modelo simple ya captura la mayor parte de la señal con un único predictor. Si el objetivo es entender qué variables se asocian con el tiempo de respuesta, que es la quinta pregunta de investigación, el modelo múltiple se justifica: muestra que la severidad y la antigüedad del dominio aportan información propia y que los términos sospechosos no. Para este informe se adopta el modelo múltiple como modelo explicativo.
Paso 35. Funciones de diagnóstico y pruebas formales de supuestos
# Panel de cuatro gráficos de diagnóstico para un modelo lineal.
panel_diag <- function(m) {
dd <- data.frame(aj = fitted(m), res = resid(m), rst = rstudent(m))
a <- ggplot(dd, aes(aj, res)) + geom_point(alpha = 0.5, colour = azul) +
geom_hline(yintercept = 0, linetype = 2) +
geom_smooth(method = "loess", formula = y ~ x, se = FALSE, colour = rojo) +
labs(x = "Valores ajustados", y = "Residuos", title = "Residuos frente a ajustados")
b <- ggplot(dd, aes(sample = rst)) + stat_qq(alpha = 0.5, colour = azul) +
stat_qq_line(colour = rojo) +
labs(x = "Cuantiles teóricos", y = "Residuos studentizados", title = "Q-Q de residuos")
c <- ggplot(dd, aes(aj, sqrt(abs(rst)))) + geom_point(alpha = 0.5, colour = azul) +
geom_smooth(method = "loess", formula = y ~ x, se = FALSE, colour = rojo) +
labs(x = "Valores ajustados", y = "Raíz de |residuo studentizado|", title = "Escala–localización")
e <- ggplot(dd, aes(res)) +
geom_histogram(aes(y = after_stat(density)), bins = 20, fill = claro, colour = azul) +
stat_function(fun = dnorm, args = list(mean = 0, sd = sd(dd$res)), colour = rojo) +
labs(x = "Residuos", y = "Densidad", title = "Histograma de residuos")
gridExtra::arrangeGrob(a, b, c, e, ncol = 2)
}
# Pruebas formales de supuestos para un modelo lineal.
pruebas_lm <- function(m) {
sh <- shapiro.test(resid(m)); bp <- lmtest::bptest(m)
dw <- lmtest::dwtest(m, alternative = "two.sided"); rs <- lmtest::resettest(m, power = 2:3)
list(sh = sh, bp = bp, dw = dw, rs = rs)
}
t1 <- pruebas_lm(m1); t2 <- pruebas_lm(m2)
Paso 36. Diagnóstico gráfico del modelo simple
fig(panel_diag(m1), "diag_m1", "Diagnóstico gráfico del modelo lineal simple", w = 9, h = 6.6)
Figura 11. Diagnóstico gráfico del modelo lineal simple
Paso 37. Diagnóstico gráfico del modelo múltiple
fig(panel_diag(m2), "diag_m2", "Diagnóstico gráfico del modelo lineal múltiple", w = 9, h = 6.6)
Figura 12. Diagnóstico gráfico del modelo lineal múltiple
Paso 38. Residuos frente a cada predictor
# Residuos del modelo múltiple frente a cada predictor.
dr <- d %>% mutate(res = resid(m2))
rp <- function(v, xl, jit = 0) {
ggplot(dr, aes(.data[[v]], res)) +
geom_jitter(alpha = 0.5, colour = azul, width = jit, height = 0) +
geom_hline(yintercept = 0, linetype = 2) +
geom_smooth(method = "loess", formula = y ~ x, se = FALSE, colour = rojo,
span = 1, method.args = list(degree = 1)) +
labs(x = xl, y = "Residuos")
}
r4 <- ggplot(dr, aes(severidad_f, res)) +
geom_boxplot(fill = claro, colour = azul) + geom_hline(yintercept = 0, linetype = 2) +
labs(x = "Severidad del incidente", y = "Residuos")
p <- gridExtra::arrangeGrob(rp("puntaje_amenaza_0_100", "Puntaje de amenaza (0–100)"),
rp("terminos_sospechosos", "Términos sospechosos (conteo)", 0.15),
rp("antiguedad_dominio_dias", "Antigüedad del dominio (días)"), r4, ncol = 2)
fig(p, "res_pred", "Residuos del modelo múltiple frente a cada predictor", w = 9, h = 6.4)
Figura 13. Residuos del modelo múltiple frente a cada predictor
Paso 39. Gráficos de componente más residuo
# Gráficos de componente más residuo (residuos parciales) de los
# predictores cuantitativos del modelo múltiple.
cr <- function(v, xl, jit = 0) {
dd <- data.frame(x = d[[v]], y = resid(m2) + coef(m2)[v] * d[[v]])
ggplot(dd, aes(x, y)) + geom_jitter(alpha = 0.45, colour = azul, width = jit, height = 0) +
geom_smooth(method = "lm", formula = y ~ x, se = FALSE, colour = gris, linetype = 2) +
geom_smooth(method = "loess", formula = y ~ x, se = FALSE, colour = rojo,
span = 1, method.args = list(degree = 1)) +
labs(x = xl, y = "Componente + residuo")
}
p <- gridExtra::arrangeGrob(cr("puntaje_amenaza_0_100", "Puntaje de amenaza"),
cr("terminos_sospechosos", "Términos sospechosos", 0.15),
cr("antiguedad_dominio_dias", "Antigüedad del dominio (días)"), ncol = 3)
fig(p, "parciales", "Gráficos de componente más residuo del modelo múltiple. Línea gris discontinua: efecto lineal estimado; línea roja: curva loess", w = 9, h = 3.5)
Figura 14. Gráficos de componente más residuo del modelo múltiple. Línea gris discontinua: efecto lineal estimado; línea roja: curva loess
Paso 40. Tabla de pruebas formales de supuestos
supuestos_lm <- data.frame(
Supuesto = c("Normalidad de residuos", "Homoscedasticidad", "Independencia de errores",
"Linealidad y especificación"),
Prueba = c("Shapiro–Wilk (W)", "Breusch–Pagan (BP)", "Durbin–Watson (DW)", "RESET de Ramsey (F)"),
`Simple: estadístico` = c(f3(t1$sh$statistic), f2(t1$bp$statistic), f2(t1$dw$statistic), f2(t1$rs$statistic)),
`Simple: p` = fp(c(t1$sh$p.value, t1$bp$p.value, t1$dw$p.value, t1$rs$p.value)),
`Múltiple: estadístico` = c(f3(t2$sh$statistic), f2(t2$bp$statistic), f2(t2$dw$statistic), f2(t2$rs$statistic)),
`Múltiple: p` = fp(c(t2$sh$p.value, t2$bp$p.value, t2$dw$p.value, t2$rs$p.value)),
check.names = FALSE)
tab(supuestos_lm, "supuestos_modelos_lineales", "Pruebas formales de los supuestos de los modelos lineales")
| Supuesto | Prueba | Simple: estadístico | Simple: p | Múltiple: estadístico | Múltiple: p |
|---|---|---|---|---|---|
| Normalidad de residuos | Shapiro–Wilk (W) | 0.993 | 0.315 | 0.989 | 0.063 |
| Homoscedasticidad | Breusch–Pagan (BP) | 0.21 | 0.649 | 2.28 | 0.892 |
| Independencia de errores | Durbin–Watson (DW) | 1.93 | 0.601 | 2.07 | 0.575 |
| Linealidad y especificación | RESET de Ramsey (F) | 1.23 | 0.295 | 0.01 | 0.986 |
Paso 41. Funciones auxiliares para redactar las conclusiones de los supuestos
ok <- function(p) p >= alfa
cumple_txt <- function(p, si, no) ifelse(ok(p), si, no)
Qué significa. La media del tiempo de respuesta debe cambiar linealmente con cada predictor, en la forma en que se incluyó en el modelo, y no deben faltar términos relevantes. Cómo se revisó. Con el gráfico de residuos frente a valores ajustados, los residuos frente a cada predictor, los gráficos de componente más residuo y la prueba RESET de Ramsey, cuya H0 es que la forma funcional es correcta.
Resultado. En ambos modelos los residuos se distribuyen en una banda horizontal alrededor de cero y la curva loess no se aparta de la línea de referencia (Figura 11 y Figura 12). Los residuos del modelo múltiple no muestran tendencia frente a ningún predictor (Figura 13) y en los gráficos de componente más residuo la curva loess sigue a la recta, salvo pequeñas desviaciones en los extremos donde hay pocos datos (Figura 14). La prueba RESET da p = 0.295 en el modelo simple y p = 0.986 en el múltiple. No hay evidencia de una forma funcional incorrecta.
Implicación. No se requieren transformaciones ni términos cuadráticos o interacciones; la especificación lineal es adecuada.
Qué significa. El error de una observación no debe estar relacionado con el de otra. Cómo se revisó. Este supuesto depende sobre todo del diseño. Cada fila es una URL distinta con identificador único, no hay medidas repetidas y la base no incluye una variable de tiempo, de origen o de grupo que haga sospechar agrupamiento. Como complemento se calculó Durbin–Watson siguiendo el orden del identificador.
Resultado. DW = 1.93 (p = 0.601) en el modelo simple y DW = 2.07 (p = 0.575) en el múltiple; valores cercanos a 2 indican ausencia de autocorrelación de primer orden. No se rechaza la independencia en ninguno de los dos modelos.
Implicación. El supuesto es razonable. Debe tenerse presente que Durbin–Watson solo es informativo si el orden de las filas tiene sentido temporal, lo que aquí no está documentado. En datos reales habría que comprobar si varias URL pertenecen a un mismo dominio o campaña, porque eso generaría dependencia.
Qué significa. La variabilidad de los residuos debe ser aproximadamente la misma para cualquier valor ajustado. Cómo se revisó. Con los gráficos de residuos frente a ajustados y de escala–localización, y con la prueba de Breusch–Pagan (H0: varianza constante), calculada con el paquete lmtest (Zeileis y Hothorn, 2002).
Resultado. La dispersión de los residuos no se abre ni se cierra en forma de embudo, y la curva del gráfico de escala–localización oscila levemente sin una tendencia creciente o decreciente sostenida. Breusch–Pagan da BP = 0.21, p = 0.649 (simple) y BP = 2.28, p = 0.892 (múltiple). No se rechaza la homoscedasticidad en ninguno de los dos modelos.
Implicación. Los errores estándar, los intervalos de confianza y las pruebas t y F clásicas son válidos. Como comprobación adicional se calcularon errores estándar robustos HC3 (Zeileis, 2004), presentados más abajo en el análisis de sensibilidad, que resultan casi idénticos a los clásicos.
Qué significa. Para la inferencia clásica, los residuos (no la variable dependiente ni los predictores) deben seguir aproximadamente una distribución normal. Cómo se revisó. Con el gráfico Q-Q de residuos studentizados, el histograma de residuos y la prueba de Shapiro–Wilk (H0: normalidad).
Resultado. En los dos modelos los puntos del gráfico Q-Q siguen la recta, con desviaciones mínimas en los extremos, y el histograma se ajusta a la curva normal. Shapiro–Wilk da W = 0.993, p = 0.315 (simple) y W = 0.989, p = 0.063 (múltiple). No se rechaza la normalidad en ninguno de los dos modelos. En el modelo múltiple el valor p queda cerca del umbral, por lo que la conclusión se apoya también en los gráficos, que no muestran asimetría ni colas pesadas.
Implicación. La inferencia basada en las distribuciones t y F es apropiada. Además, con n = 240 el teorema central del límite haría a los estimadores robustos frente a desviaciones leves.
Qué significa. Los predictores no deben estar tan
correlacionados entre sí que resulte imposible separar sus efectos.
Cómo se revisó. Con el factor de inflación de la varianza. Como
la severidad es un factor con tres grados de libertad,
car::vif() informa el VIF generalizado (GVIF); para
comparar predictores con distinto número de parámetros se usa
GVIF^(1/(2·gl)), cuyo cuadrado es comparable al VIF habitual (Fox y
Weisberg, 2019).
Paso 42. Factores de inflación de la varianza (GVIF)
v2 <- car::vif(m2)
vif_lm <- data.frame(
Predictor = c(etq(rownames(v2)[1:3]), "Severidad (factor)"),
GVIF = v2[, 1], gl = v2[, 2], `GVIF^(1/(2·gl))` = v2[, 3],
`Equivalente a VIF` = v2[, 3]^2, Tolerancia = 1 / v2[, 3]^2, check.names = FALSE)
tab(vif_lm, "vif_modelo_multiple", "Factores de inflación de la varianza del modelo múltiple", digits = 3)
| Predictor | GVIF | gl | GVIF^(1/(2·gl)) | Equivalente a VIF | Tolerancia |
|---|---|---|---|---|---|
| Puntaje de amenaza (0–100) | 2.510 | 1 | 1.584 | 2.510 | 0.398 |
| Términos sospechosos (conteo) | 1.528 | 1 | 1.236 | 1.528 | 0.654 |
| Antigüedad del dominio (días) | 1.005 | 1 | 1.002 | 1.005 | 0.995 |
| Severidad (factor) | 2.204 | 3 | 1.141 | 1.301 | 0.768 |
Paso 43. Correlaciones entre los predictores
# Correlaciones de Spearman entre los predictores del modelo múltiple
# (Spearman porque la severidad es ordinal y los términos son un conteo).
pred_m2 <- c("puntaje_amenaza_0_100", "terminos_sospechosos", "antiguedad_dominio_dias",
"severidad_incidente_1_4")
cp <- cor(d[, pred_m2], method = "spearman")
cor_pred_m2 <- data.frame(Predictor = c("Puntaje", "Términos", "Antigüedad", "Severidad"),
Puntaje = f2(cp[, 1]), `Términos` = f2(cp[, 2]),
`Antigüedad` = f2(cp[, 3]), Severidad = f2(cp[, 4]), check.names = FALSE)
tab(cor_pred_m2, "correlaciones_entre_predictores", "Correlaciones de Spearman entre los predictores del modelo múltiple")
| Predictor | Puntaje | Términos | Antigüedad | Severidad |
|---|---|---|---|---|
| Puntaje | 1.00 | 0.53 | -0.03 | 0.73 |
| Términos | 0.53 | 1.00 | 0.01 | 0.36 |
| Antigüedad | -0.03 | 0.01 | 1.00 | 0.01 |
| Severidad | 0.73 | 0.36 | 0.01 | 1.00 |
Resultado. El mayor valor corresponde al puntaje de amenaza (GVIF = 2.51) y todos quedan muy por debajo de los umbrales usuales de preocupación (5 o 10). La matriz de correlaciones entre predictores (Tabla 20) muestra que el puntaje y la severidad están correlacionados (Spearman = 0.73), y que el puntaje también lo está, en menor grado, con los términos (0.53); la antigüedad apenas se relaciona con los demás. Esto explica que el puntaje y la severidad sean los dos predictores con mayor inflación y que la pendiente del puntaje se reduzca al pasar del modelo simple al múltiple.
Implicación. No hay multicolinealidad severa. La inflación moderada del puntaje aumenta algo su error estándar (de 0.045 a 0.068), pero el coeficiente sigue estimado con precisión. No procede retirar ningún predictor por este motivo. En el modelo simple, con un solo predictor, el concepto no se aplica.
Qué significa. Un caso puede alterar el ajuste si tiene un residuo grande (atípico en Y), una combinación inusual de predictores (leverage alto) o ambas cosas a la vez (influencia). Cómo se revisó. Con el leverage (umbral 2p/n), los residuos studentizados externamente (umbrales |t| > 2 y |t| > 3) y la distancia de Cook (umbral orientativo 4/n y umbrales de alarma 0.5 y 1).
Paso 44. Leverage, residuos studentizados y distancia de Cook
influencia <- function(m) {
p <- length(coef(m)); h <- hatvalues(m); rs <- rstudent(m); ck <- cooks.distance(m)
list(p = p, h = h, rs = rs, ck = ck, u_h = 2 * p / n, u_ck = 4 / n)
}
i1 <- influencia(m1); i2 <- influencia(m2)
resumen_inf <- function(i) c(
f3(i$u_h), sum(i$h > i$u_h), f3(max(i$h)), sum(abs(i$rs) > 2), sum(abs(i$rs) > 3),
f2(max(abs(i$rs))), f4(i$u_ck), sum(i$ck > i$u_ck), sum(i$ck > 0.5), f3(max(i$ck)))
influencia_res <- data.frame(
Indicador = c("Umbral de leverage (2p/n)", "Casos con leverage alto", "Leverage máximo",
"Casos con |residuo studentizado| > 2", "Casos con |residuo studentizado| > 3",
"Máximo |residuo studentizado|", "Umbral de Cook (4/n)", "Casos con Cook > 4/n",
"Casos con Cook > 0.5", "Distancia de Cook máxima"),
`Modelo simple` = resumen_inf(i1), `Modelo múltiple` = resumen_inf(i2), check.names = FALSE)
tab(influencia_res, "influencia_resumen", "Resumen de leverage, residuos studentizados y distancia de Cook en los modelos lineales")
| Indicador | Modelo simple | Modelo múltiple |
|---|---|---|
| Umbral de leverage (2p/n) | 0.017 | 0.058 |
| Casos con leverage alto | 22 | 20 |
| Leverage máximo | 0.041 | 0.103 |
| Casos con |residuo studentizado| > 2 | 10 | 10 |
| Casos con |residuo studentizado| > 3 | 1 | 0 |
| Máximo |residuo studentizado| | 3.13 | 2.83 |
| Umbral de Cook (4/n) | 0.0167 | 0.0167 |
| Casos con Cook > 4/n | 9 | 12 |
| Casos con Cook > 0.5 | 0 | 0 |
| Distancia de Cook máxima | 0.048 | 0.064 |
Paso 45. Gráficos de influencia de ambos modelos
# Leverage, residuos studentizados y distancia de Cook de AMBOS modelos.
paneles_inf <- function(i, nombre) {
di <- data.frame(id = d$id_registro, h = i$h, rs = i$rs, ck = i$ck, obs = seq_len(n))
top <- di[order(-di$ck), ][1:5, ]
a <- ggplot(di, aes(h, rs)) +
geom_point(aes(size = ck), alpha = 0.5, colour = azul) +
geom_hline(yintercept = c(-2, 2), linetype = 2, colour = gris) +
geom_vline(xintercept = i$u_h, linetype = 2, colour = gris) +
geom_text(data = top, aes(label = id), size = 2.6, vjust = -1, colour = rojo) +
scale_size_continuous(range = c(0.6, 5), guide = "none") +
labs(x = "Leverage", y = "Residuo studentizado",
title = paste0(nombre, ": leverage y residuos (tamaño = Cook)"))
b <- ggplot(di, aes(obs, ck)) +
geom_segment(aes(xend = obs, yend = 0), colour = azul) +
geom_hline(yintercept = i$u_ck, linetype = 2, colour = rojo) +
geom_text(data = top, aes(label = id), size = 2.6, vjust = -0.6, colour = rojo) +
labs(x = "Número de observación", y = "Distancia de Cook",
title = paste0(nombre, ": distancia de Cook (línea: 4/n)"))
list(a, b)
}
pi1 <- paneles_inf(i1, "Modelo simple"); pi2 <- paneles_inf(i2, "Modelo múltiple")
p <- gridExtra::arrangeGrob(pi1[[1]], pi1[[2]], pi2[[1]], pi2[[2]], ncol = 2)
fig(p, "influencia", "Leverage, residuos studentizados y distancia de Cook de los modelos lineales simple (arriba) y múltiple (abajo). Líneas discontinuas: umbrales de referencia", w = 9, h = 7.8)
Figura 15. Leverage, residuos studentizados y distancia de Cook de los modelos lineales simple (arriba) y múltiple (abajo). Líneas discontinuas: umbrales de referencia
Paso 46. Observaciones con mayor distancia de Cook
casos <- cbind(d[, c("id_registro", "puntaje_amenaza_0_100", "terminos_sospechosos",
"antiguedad_dominio_dias")], Severidad = as.character(d$severidad_f),
Tiempo = d$tiempo_respuesta_min, Ajustado = fitted(m2), `Res. stud.` = i2$rs,
Leverage = i2$h, Cook = i2$ck)
casos <- casos[order(-casos$Cook), ][1:8, ]
names(casos)[1:4] <- c("Registro", "Puntaje", "Términos", "Antigüedad")
casos$Tiempo <- f1(casos$Tiempo); casos$Ajustado <- f1(casos$Ajustado)
casos$`Res. stud.` <- f2(casos$`Res. stud.`)
tab(casos, "casos_influyentes_modelo_multiple", "Las ocho observaciones con mayor distancia de Cook en el modelo múltiple (tiempo observado y ajustado en minutos)", digits = 3)
| Registro | Puntaje | Términos | Antigüedad | Severidad | Tiempo | Ajustado | Res. stud. | Leverage | Cook |
|---|---|---|---|---|---|---|---|---|---|
| URL076 | 66 | 3 | 1,822 | Crítica | 90.5 | 63.5 | 2.64 | 0.061 | 0.064 |
| URL025 | 68 | 5 | 1,450 | Crítica | 43.7 | 66.6 | -2.23 | 0.067 | 0.050 |
| URL144 | 75 | 3 | 1,602 | Alta | 91.1 | 65.0 | 2.52 | 0.040 | 0.037 |
| URL049 | 29 | 0 | 410 | Moderada | 67.2 | 37.8 | 2.83 | 0.025 | 0.029 |
| URL174 | 38 | 2 | 4,202 | Baja | 39.7 | 26.9 | 1.26 | 0.102 | 0.026 |
| URL036 | 48 | 1 | 230 | Alta | 76.0 | 53.4 | 2.17 | 0.032 | 0.022 |
| URL026 | 22 | 1 | 2,375 | Baja | 47.4 | 23.0 | 2.33 | 0.026 | 0.021 |
| URL114 | 31 | 1 | 1,653 | Moderada | 62.5 | 35.8 | 2.56 | 0.020 | 0.019 |
Paso 47. Análisis de sensibilidad y errores estándar robustos
# Análisis de sensibilidad: se reajusta el modelo sin los casos con
# Cook > 4/n SOLO para comparar; ningún caso se elimina del análisis.
fuera2 <- i2$ck > i2$u_ck
m2_s <- update(m2, data = d[!fuera2, ])
rob <- lmtest::coeftest(m2, vcov. = sandwich::vcovHC(m2, type = "HC3"))
sens <- data.frame(
`Término` = etq(names(b2)), `Coef. (n = 240)` = b2, `EE clásico` = s2m$coefficients[, 2],
`EE robusto HC3` = rob[, 2], `p (HC3)` = fp(rob[, 4]),
`Coef. sin influyentes` = coef(m2_s), `p (sin infl.)` = fp(summary(m2_s)$coefficients[, 4]),
check.names = FALSE)
tab(sens, "sensibilidad_modelo_multiple", paste0("Análisis de sensibilidad del modelo múltiple: errores estándar robustos HC3 y reajuste sin los ", sum(fuera2), " casos con distancia de Cook superior a 4/n"), digits = 4)
| Término | Coef. (n = 240) | EE clásico | EE robusto HC3 | p (HC3) | Coef. sin influyentes | p (sin infl.) |
|---|---|---|---|---|---|---|
| Intercepto | 17.4270 | 2.3821 | 2.3571 | < 0.001 | 16.2699 | < 0.001 |
| Puntaje de amenaza (0–100) | 0.5414 | 0.0675 | 0.0676 | < 0.001 | 0.5879 | < 0.001 |
| Términos sospechosos (conteo) | 0.4502 | 0.6463 | 0.6097 | 0.461 | 0.3102 | 0.601 |
| Antigüedad del dominio (días) | -0.0029 | 0.0010 | 0.0011 | 0.010 | -0.0031 | 0.002 |
| Severidad: moderada (vs. baja) | 5.8103 | 1.8755 | 2.0557 | 0.005 | 4.1334 | 0.020 |
| Severidad: alta (vs. baja) | 10.1826 | 2.5052 | 2.5190 | < 0.001 | 8.7176 | < 0.001 |
| Severidad: crítica (vs. baja) | 14.1899 | 3.5247 | 3.6829 | < 0.001 | 12.7905 | < 0.001 |
Paso 48. Comprobación de cambios de signo o de significación
cambia_signo <- any(sign(coef(m2_s)) != sign(b2))
p_s <- summary(m2_s)$coefficients[, 4]
cambia_sig <- any((p_s < alfa) != (p2c < alfa))
Resultado. En el modelo múltiple hay 20 casos con leverage superior a 0.058, 10 con residuo studentizado mayor que 2 en valor absoluto (lo esperable por azar con n = 240 es alrededor de 12) y 0 por encima de 3. La distancia de Cook máxima es 0.064 (registro URL076), muy lejos de 0.5; 12 casos superan el umbral orientativo de 4/n, que es deliberadamente sensible y sirve para decidir qué casos revisar, no cuáles eliminar. En el modelo simple la situación es análoga: 1 caso supera 3 en residuo studentizado (registro URL049, 3.13), la distancia de Cook máxima es 0.048 y ninguna se acerca a 0.5 (Figura 15, paneles superiores).
Verificación de los casos. Las observaciones de la Tabla 22 son registros con valores válidos: combinan severidad crítica o alta, muchos términos sospechosos o dominios muy antiguos con tiempos de respuesta algo alejados de lo predicho. No hay indicios de error de registro.
Sensibilidad. Al reajustar el modelo sin los 12 casos señalados, ningún coeficiente cambia de signo y las conclusiones sobre la significación de cada término se mantienen (Tabla 23). Los errores estándar robustos HC3 son prácticamente iguales a los clásicos.
Implicación. No existen observaciones que por sí solas determinen el ajuste. Siguiendo la indicación de la práctica, no se elimina ningún caso: el modelo final es el estimado con los 240 registros y el reajuste se presenta solo como comprobación.
Los dos modelos cumplen razonablemente los supuestos de linealidad, independencia, homoscedasticidad y normalidad de residuos, no presentan multicolinealidad severa y no dependen de casos influyentes. Sus limitaciones son de otro tipo. El modelo múltiple deja sin explicar cerca del 39 % de la variabilidad del tiempo de respuesta, y su error típico de 10.7 minutos es grande frente a una media de 42.2 minutos, por lo que resulta más útil para describir tendencias medias que para predecir un caso individual. Los coeficientes describen asociaciones condicionales y no efectos causales; en particular, el puntaje y la severidad comparten información y el reparto de la asociación entre ambos depende de que los dos estén en el modelo.
Cuando la variable dependiente solo toma dos valores, la regresión lineal no es adecuada: podría predecir valores fuera del intervalo de 0 a 1 y sus errores no serían normales ni de varianza constante. La regresión logística modela la probabilidad del evento a través de su logit o log-odds, es decir, el logaritmo natural del cociente entre la probabilidad de que el evento ocurra y la de que no ocurra. El modelo no estima una respuesta continua: estima log-odds, que se convierten en probabilidades entre 0 y 1.
Paso 49. Ajuste del modelo logístico con glm()
# =====================================================================
# PARTE IV. REGRESIÓN LOGÍSTICA BINARIA
# =====================================================================
# Evento modelado: comprometido = 1. La respuesta se mantiene binaria (0/1).
g0 <- glm(comprometido ~ 1, data = d, family = binomial) # modelo nulo
g <- glm(comprometido ~ puntaje_amenaza_0_100 + terminos_sospechosos + https +
antiguedad_dominio_dias, data = d, family = binomial) # modelo propuesto
sg <- summary(g); bg <- coef(g)
ci_g <- suppressMessages(confint(g)) # IC 95 % por verosimilitud perfilada
or <- exp(bg); ci_or <- exp(ci_g)
pg <- sg$coefficients[, 4]
prob <- fitted(g) # probabilidades predichas
ev <- sum(d$comprometido); nev <- sum(d$comprometido == 0)
Variable dependiente. comprometido, con
1 = comprometido (evento) y 0 = no comprometido. R modela la
probabilidad del valor 1. Predictores. Puntaje de
amenaza, términos sospechosos, antigüedad del dominio (cuantitativos) y
https (binario, con 0 = no como categoría de
referencia).
Paso 50. Distribución del evento según HTTPS
cruce <- as.data.frame.matrix(table(d$https_f, d$comprometido_f))
cruce_t <- data.frame(HTTPS = rownames(cruce), `No comprometido` = cruce[, 1], Comprometido = cruce[, 2],
Total = rowSums(cruce), `% comprometido` = 100 * cruce[, 2] / rowSums(cruce),
check.names = FALSE)
cruce_t <- rbind(cruce_t, data.frame(HTTPS = "Total", `No comprometido` = nev, Comprometido = ev,
Total = n, `% comprometido` = 100 * ev / n, check.names = FALSE))
tab(cruce_t, "evento_por_https", "Distribución del evento comprometido según el uso de HTTPS", digits = 1)
| HTTPS | No comprometido | Comprometido | Total | % comprometido |
|---|---|---|---|---|
| No | 54 | 55 | 109 | 50.5 |
| Sí | 111 | 20 | 131 | 15.3 |
| Total | 165 | 75 | 240 | 31.2 |
Ecuación del modelo.
logit(p) = ln[p / (1 − p)] = β0 + β1 · Puntaje + β2 · Términos + β3 · HTTPS + β4 · Antigüedad
p = P(comprometido = 1) = 1 / [1 + exp(−η)], donde η = β0 + β1 · Puntaje + β2 · Términos + β3 · HTTPS + β4 · Antigüedad
Hipótesis. Individuales: H0: βj = 0 (equivalente a ORj = 1) frente a H1: βj ≠ 0, con los demás predictores constantes; se contrastan con la prueba z de Wald y, como comprobación, con la razón de verosimilitud. Global: H0: β1 = β2 = β3 = β4 = 0 frente a H1: al menos un coeficiente distinto de cero; se contrasta con la razón de verosimilitud entre el modelo propuesto y el modelo nulo.
Paso 51. Coeficientes en escala de log-odds
coef_log <- data.frame(
`Término` = etq(names(bg)), `β` = fs(bg), EE = fs(sg$coefficients[, 2]), z = f2(sg$coefficients[, 3]),
p = fp(pg), `IC 95 % inf.` = fs(ci_g[, 1]), `IC 95 % sup.` = fs(ci_g[, 2]), check.names = FALSE)
tab(coef_log, "coeficientes_logistica", "Coeficientes del modelo de regresión logística en escala de log-odds (evento: comprometido = 1)", digits = 4)
| Término | β | EE | z | p | IC 95 % inf. | IC 95 % sup. |
|---|---|---|---|---|---|---|
| Intercepto | -3.3558 | 0.7020 | -4.78 | < 0.001 | -4.8082 | -2.0449 |
| Puntaje de amenaza (0–100) | 0.0728 | 0.0153 | 4.77 | < 0.001 | 0.0443 | 0.1045 |
| Términos sospechosos (conteo) | 0.0615 | 0.1481 | 0.42 | 0.678 | -0.2286 | 0.3546 |
| HTTPS (1 = sí) | -1.5248 | 0.3504 | -4.35 | < 0.001 | -2.2317 | -0.8520 |
| Antigüedad del dominio (días) | -3.00e-05 | 2.63e-04 | -0.11 | 0.909 | -5.59e-04 | 4.79e-04 |
Paso 52. Razones de odds e intervalos de confianza
# OR por unidad y OR reescalados a incrementos con sentido práctico.
escala <- c(1, 10, 1, 1, 365)
nombres_esc <- c("—", "por 10 puntos", "por término", "sí frente a no", "por año (365 días)")
# Decimales adaptados: tres, salvo cuando el OR está tan cerca de 1 que harían falta más.
dec_or <- ifelse(abs(or - 1) < 0.001, 5, 3)
or_log <- data.frame(
`Término` = c("Puntaje de amenaza", "Términos sospechosos", "HTTPS (sí vs. no)", "Antigüedad del dominio"),
`OR por unidad` = mapply(function(v, k) formatC(v, format = "f", digits = k), or[-1], dec_or[-1]),
`IC 95 % por unidad` = mapply(function(a, b, k) ic(a, b, k), ci_or[-1, 1], ci_or[-1, 2], dec_or[-1]),
`Incremento` = nombres_esc[-1],
`OR del incremento` = f3(exp(bg[-1] * escala[-1])),
`IC 95 % del incremento` = ic(exp(ci_g[-1, 1] * escala[-1]), exp(ci_g[-1, 2] * escala[-1]), 3),
check.names = FALSE)
tab(or_log, "odds_ratios_logistica", "Razones de odds (OR = exp(β)) con intervalos de confianza del 95 % por verosimilitud perfilada, por unidad del predictor y por un incremento con sentido práctico (los valores p están en la tabla anterior)")
| Término | OR por unidad | IC 95 % por unidad | Incremento | OR del incremento | IC 95 % del incremento |
|---|---|---|---|---|---|
| Puntaje de amenaza | 1.075 | [1.045, 1.110] | por 10 puntos | 2.070 | [1.558, 2.842] |
| Términos sospechosos | 1.063 | [0.796, 1.426] | por término | 1.063 | [0.796, 1.426] |
| HTTPS (sí vs. no) | 0.218 | [0.107, 0.427] | sí frente a no | 0.218 | [0.107, 0.427] |
| Antigüedad del dominio | 0.99997 | [0.99944, 1.00048] | por año (365 días) | 0.989 | [0.816, 1.191] |
Ecuación estimada.
logit(p) = -3.356 + 0.0728 · Puntaje + 0.0615 · Términos − 1.525 · HTTPS − 0.000030 · Antigüedad
Paso 53. OR por incrementos y probabilidades de perfiles ilustrativos
or10 <- exp(10 * bg[2]); ci_or10 <- exp(10 * ci_g[2, ])
or365 <- exp(365 * bg[5]); ci_or365 <- exp(365 * ci_g[5, ])
pct <- function(o) f1(100 * abs(o - 1))
# Probabilidades predichas para perfiles ilustrativos (términos y antigüedad en su mediana).
perfil <- function(pa, h) predict(g, data.frame(puntaje_amenaza_0_100 = pa,
terminos_sospechosos = median(x_ts), https = h,
antiguedad_dominio_dias = median(d$antiguedad_dominio_dias)), type = "response")
Interpretación de cada predictor (con los demás constantes):
Conviene recordar que un OR describe un cambio multiplicativo en los odds, no en la probabilidad. El cambio en la probabilidad depende del punto de partida. Por ejemplo, para una URL con valores medianos de términos y de antigüedad, la probabilidad estimada de compromiso con un puntaje de 30 es 0.24 sin HTTPS y 0.07 con HTTPS; con un puntaje de 60 pasa a 0.74 y 0.38 respectivamente.
Paso 54. Gráfico de las razones de odds
df_or <- data.frame(
termino = c("Puntaje de amenaza (por 10 puntos)", "Términos sospechosos (por término)",
"HTTPS (sí frente a no)", "Antigüedad del dominio (por año)"),
or = exp(bg[-1] * escala[-1]), li = exp(ci_g[-1, 1] * escala[-1]), ls = exp(ci_g[-1, 2] * escala[-1]))
df_or$termino <- factor(df_or$termino, levels = rev(df_or$termino))
p <- ggplot(df_or, aes(or, termino)) +
geom_vline(xintercept = 1, linetype = 2, colour = gris) +
geom_linerange(aes(xmin = li, xmax = ls), colour = azul, linewidth = 0.8) +
geom_point(size = 3, colour = rojo) + scale_x_log10() +
labs(x = "Razón de odds (escala logarítmica)", y = NULL)
fig(p, "or", "Razones de odds del modelo logístico con intervalos de confianza del 95 %, expresadas en incrementos interpretables", w = 8, h = 3.4)
Figura 16. Razones de odds del modelo logístico con intervalos de confianza del 95 %, expresadas en incrementos interpretables
Paso 55. Prueba global de razón de verosimilitud, pseudo-R² y AIC
# Prueba global de razón de verosimilitud y medidas de ajuste.
lr <- g$null.deviance - g$deviance; gl_lr <- g$df.null - g$df.residual
p_lr <- pchisq(lr, gl_lr, lower.tail = FALSE)
ll0 <- as.numeric(logLik(g0)); ll1 <- as.numeric(logLik(g))
r2_mcf <- 1 - ll1 / ll0
r2_cs <- 1 - exp((2 / n) * (ll0 - ll1))
r2_nag <- r2_cs / (1 - exp((2 / n) * ll0))
r2_tjur <- mean(prob[d$comprometido == 1]) - mean(prob[d$comprometido == 0])
ajuste_log <- data.frame(
Indicador = c("n", "Eventos (comprometido = 1)", "Devianza nula", "Devianza residual",
"Razón de verosimilitud (ji-cuadrado)", "gl", "p de la prueba global",
"AIC del modelo nulo", "AIC del modelo propuesto", "BIC del modelo propuesto",
"Pseudo-R² de McFadden", "Pseudo-R² de Cox y Snell", "Pseudo-R² de Nagelkerke",
"Pseudo-R² de Tjur (coeficiente de discriminación)"),
Valor = c(n, ev, f2(g$null.deviance), f2(g$deviance), f2(lr), gl_lr, fp(p_lr),
f2(AIC(g0)), f2(AIC(g)), f2(BIC(g)), f3(r2_mcf), f3(r2_cs), f3(r2_nag), f3(r2_tjur)),
check.names = FALSE)
tab(ajuste_log, "ajuste_global_logistica", "Prueba global de razón de verosimilitud y medidas de ajuste del modelo logístico")
| Indicador | Valor |
|---|---|
| n | 240 |
| Eventos (comprometido = 1) | 75 |
| Devianza nula | 298.12 |
| Devianza residual | 216.96 |
| Razón de verosimilitud (ji-cuadrado) | 81.17 |
| gl | 4 |
| p de la prueba global | < 0.001 |
| AIC del modelo nulo | 300.12 |
| AIC del modelo propuesto | 226.96 |
| BIC del modelo propuesto | 244.36 |
| Pseudo-R² de McFadden | 0.272 |
| Pseudo-R² de Cox y Snell | 0.287 |
| Pseudo-R² de Nagelkerke | 0.403 |
| Pseudo-R² de Tjur (coeficiente de discriminación) | 0.311 |
Paso 56. Pruebas de razón de verosimilitud por predictor
# Pruebas de razón de verosimilitud por predictor (tipo II), como contraste de Wald.
lr_ind <- car::Anova(g, type = 2, test.statistic = "LR")
lr_tab <- data.frame(
Predictor = etq(rownames(lr_ind)), `LR ji-cuadrado` = lr_ind[, 1], gl = lr_ind[, 2],
`p (razón de verosimilitud)` = fp(lr_ind[, 3]), `p (Wald)` = fp(pg[-1]), check.names = FALSE)
tab(lr_tab, "razon_verosimilitud_por_predictor", "Pruebas de razón de verosimilitud por predictor comparadas con la prueba de Wald", digits = 2)
| Predictor | LR ji-cuadrado | gl | p (razón de verosimilitud) | p (Wald) |
|---|---|---|---|---|
| Puntaje de amenaza (0–100) | 28.84 | 1 | < 0.001 | < 0.001 |
| Términos sospechosos (conteo) | 0.17 | 1 | 0.678 | 0.678 |
| HTTPS (1 = sí) | 20.34 | 1 | < 0.001 | < 0.001 |
| Antigüedad del dominio (días) | 0.01 | 1 | 0.909 | 0.909 |
Prueba global. La razón de verosimilitud es χ²(4) = 81.17, p < 0.001; se rechaza H0. El conjunto de predictores mejora de forma significativa el ajuste respecto del modelo sin predictores. Las pruebas por predictor basadas en la razón de verosimilitud coinciden con las de Wald: son significativos el puntaje de amenaza y HTTPS, y no lo son los términos sospechosos ni la antigüedad.
Pseudo-R². McFadden = 0.272, Cox y Snell = 0.287, Nagelkerke = 0.403 y Tjur = 0.311. Estos índices son pseudo-R²: no representan la proporción de varianza explicada, como sí lo hace el R² de la regresión lineal, y no son comparables con él. El de McFadden mide la mejora relativa de la log-verosimilitud y suele dar valores bajos; como orientación, valores entre 0.20 y 0.40 suelen describirse como un ajuste muy bueno. El de Tjur es la diferencia entre la probabilidad media predicha de los comprometidos y la de los no comprometidos.
AIC. El AIC baja de 300.12 en el modelo nulo a 226.96 en el modelo propuesto. Como el AIC solo sirve para comparar modelos ajustados a los mismos datos, lo relevante es esa reducción de 73.2 unidades y no su valor absoluto.
En esta sección se revisan las condiciones necesarias para que la estimación sea válida. La evaluación del desempeño predictivo (calibración y discriminación) se presenta después, por separado, porque no es un supuesto del modelo.
comprometido solo contiene los valores 0 y 1, sin
faltantes. El evento modelado es comprometido = 1, con 75 eventos (31.2
%) y 165 no eventos. https también es binaria (0 y 1) y
entra como indicador con 0 = no como referencia. La condición se
cumple.
Cada fila es una URL distinta con identificador único y no hay medidas repetidas. La base no registra dominio, institución ni periodo, de modo que no puede comprobarse si existen grupos. Con datos reales, varias URL de un mismo dominio o de una misma campaña estarían correlacionadas y la logística simple subestimaría la incertidumbre; en ese caso correspondería un modelo con efectos aleatorios o errores estándar agrupados. Para esta base simulada la independencia se asume razonable.
Qué significa. Para los predictores continuos, el logit debe
cambiar linealmente con el predictor. La condición no se aplica a
https, que es categórico.
Cómo se revisó. Con tres comprobaciones, todas realizadas
sobre el propio modelo logístico (glm con familia
binomial):
Paso 57. Box–Tidwell dentro del GLM binomial y contraste con splines
# ---------------------------------------------------------------------
# Linealidad en el logit, evaluada DENTRO del modelo logístico binomial.
# ---------------------------------------------------------------------
# (1) Box-Tidwell: término x*ln(x) por cada predictor continuo. `k` es la
# constante que se suma a las variables con ceros (puntaje y términos).
ajusta_bt <- function(k) {
b <- d %>% mutate(pa = puntaje_amenaza_0_100 + k, ts = terminos_sospechosos + k,
ad = antiguedad_dominio_dias)
base <- glm(comprometido ~ pa + ts + https + ad, data = b, family = binomial)
amp <- glm(comprometido ~ pa + ts + https + ad + I(pa * log(pa)) + I(ts * log(ts)) +
I(ad * log(ad)), data = b, family = binomial)
list(base = base, amp = amp,
wald = summary(amp)$coefficients[6:8, , drop = FALSE], # términos x*ln(x)
lr_ind = drop1(amp, test = "Chisq")[6:8, , drop = FALSE], # RV de cada término
lr_conj = anova(base, amp, test = "Chisq")) # RV conjunta (3 gl)
}
bt1 <- ajusta_bt(1); bt05 <- ajusta_bt(0.5)
g_bt <- bt1$amp; cbt <- bt1$wald; lr_bt <- bt1$lr_conj
p_lr_bt <- bt1$lr_ind[["Pr(>Chi)"]]
# Comprobaciones de validez: los modelos convergen y el modelo base con la
# variable desplazada es el mismo modelo logístico de la práctica (misma devianza).
stopifnot(bt1$amp$converged, bt05$amp$converged,
isTRUE(all.equal(deviance(bt1$base), deviance(g))),
all(grepl("log", rownames(cbt))))
# (2) Splines cúbicos naturales (3 gl) frente al término lineal.
con_spline <- list(
update(g, . ~ . - puntaje_amenaza_0_100 + splines::ns(puntaje_amenaza_0_100, df = 3)),
update(g, . ~ . - terminos_sospechosos + splines::ns(terminos_sospechosos, df = 3)),
update(g, . ~ . - antiguedad_dominio_dias + splines::ns(antiguedad_dominio_dias, df = 3)))
lr_sp <- t(sapply(con_spline, function(m) {
stopifnot(m$converged); a <- anova(g, m, test = "Chisq")
c(chi = a$Deviance[2], gl = a$Df[2], p = a[["Pr(>Chi)"]][2]) }))
no_lineal <- p_lr_bt < alfa | lr_sp[, "p"] < alfa
box_t <- data.frame(
Predictor = c("Puntaje de amenaza", "Términos sospechosos", "Antigüedad del dominio"),
`Coef. de x·ln(x)` = fs(cbt[, 1]), EE = fs(cbt[, 2]),
`p (Wald)` = fp(cbt[, 4]), `p (RV)` = fp(p_lr_bt),
`Spline: χ² (2 gl)` = f2(lr_sp[, "chi"]), `p (spline)` = fp(lr_sp[, "p"]),
`Conclusión` = ifelse(no_lineal, "No lineal", "Lineal"),
check.names = FALSE)
tab(box_t, "box_tidwell_logistica", "Linealidad en el logit de los predictores continuos: prueba de Box–Tidwell en el modelo logístico binomial y contraste con splines cúbicos naturales")
| Predictor | Coef. de x·ln(x) | EE | p (Wald) | p (RV) | Spline: χ² (2 gl) | p (spline) | Conclusión |
|---|---|---|---|---|---|---|---|
| Puntaje de amenaza | -0.0188 | 0.0613 | 0.759 | 0.755 | 0.44 | 0.803 | Lineal |
| Términos sospechosos | -0.1060 | 0.4536 | 0.815 | 0.815 | 0.26 | 0.880 | Lineal |
| Antigüedad del dominio | -3.96e-04 | 7.12e-04 | 0.579 | 0.571 | 2.25 | 0.325 | Lineal |
Paso 58. Ejecución de car::boxTidwell() solo para dejar constancia
# car::boxTidwell(), sugerida en la plantilla de la práctica, ajusta por
# mínimos cuadrados un modelo LINEAL sobre la respuesta 0/1 (modelo lineal de
# probabilidad). No es la prueba del modelo logístico binomial ni equivale a
# ella, y NO se usa para concluir. Se ejecuta solo para dejar constancia de
# su comportamiento; los errores y advertencias se registran, no se ocultan.
bt <- d %>% mutate(pa1 = puntaje_amenaza_0_100 + 1, ts1 = terminos_sospechosos + 1,
ad = antiguedad_dominio_dias)
ejecuta_bt_car <- function(formula, otras = NULL) {
avisos <- character(0); error <- NA_character_
res <- withCallingHandlers(
tryCatch(if (is.null(otras)) car::boxTidwell(formula, data = bt, max.iter = 100)
else car::boxTidwell(formula, other.x = otras, data = bt, max.iter = 100),
error = function(e) { error <<- conditionMessage(e); NULL }),
warning = function(w) { avisos <<- c(avisos, conditionMessage(w)); invokeRestart("muffleWarning") })
list(res = res, avisos = avisos, error = error)
}
bt_car3 <- ejecuta_bt_car(comprometido ~ pa1 + ts1 + ad) # como en la plantilla
bt_car2 <- ejecuta_bt_car(comprometido ~ pa1 + ts1, otras = ~ https + ad) # sin la antigüedad
Paso 59. Logit empírico por grupos
# Logit empírico por grupos: ln[(eventos + 0.5) / (no eventos + 0.5)].
logit_emp <- function(x, grupos, xl, por_valor = FALSE) {
gr <- if (por_valor) factor(pmin(x, 4)) else
cut(x, breaks = unique(quantile(x, seq(0, 1, length.out = grupos + 1))), include.lowest = TRUE)
dd <- data.frame(x, y = d$comprometido, gr) %>% group_by(gr) %>%
summarise(xm = mean(x), e = sum(y), ne = sum(1 - y), .groups = "drop") %>%
mutate(lg = log((e + 0.5) / (ne + 0.5)))
ggplot(dd, aes(xm, lg)) + geom_point(size = 2.6, colour = azul) +
geom_smooth(method = "lm", formula = y ~ x, se = FALSE, colour = rojo, linewidth = 0.7) +
labs(x = xl, y = "Logit empírico") + theme(plot.margin = margin(6, 14, 6, 6))
}
p <- gridExtra::arrangeGrob(logit_emp(x_pa, 8, "Puntaje de amenaza (media del grupo)"),
logit_emp(x_ts, 5, "Términos sospechosos (4 = 4 o más)", TRUE),
logit_emp(d$antiguedad_dominio_dias, 8, "Antigüedad (media del grupo, días)"),
ncol = 3)
fig(p, "logit", "Logit empírico del estado comprometido frente a cada predictor continuo, por grupos", w = 9, h = 3.6)
Figura 17. Logit empírico del estado comprometido frente a cada predictor continuo, por grupos
Resultado. Ninguna prueba detecta no linealidad. Los términos x · ln(x) no son significativos ni con la prueba de Wald (puntaje: p = 0.759; términos: p = 0.815; antigüedad: p = 0.579) ni con la de razón de verosimilitud (p = 0.755, p = 0.815 y p = 0.571), y la prueba conjunta de los tres términos tampoco lo es (χ²(3) = 0.54, p = 0.909). Con la constante 0.5 en lugar de 1 la prueba conjunta da p = 0.910 y los valores p individuales de razón de verosimilitud son 0.749, 0.830, 0.570, de modo que la conclusión no depende de la constante elegida. Los splines cúbicos naturales no mejoran el ajuste respecto del término lineal en ningún predictor (puntaje: p = 0.803; términos: p = 0.880; antigüedad: p = 0.325).
En la Figura 17 el logit empírico crece de forma aproximadamente recta con el puntaje y con los términos, y oscila sin un patrón curvo definido con la antigüedad. Estos gráficos muestran la relación de cada predictor por separado, sin ajustar por los demás; por eso los términos aparecen con pendiente positiva aunque su coeficiente ajustado sea casi nulo. Lo que interesa aquí es la forma, y en ningún caso se aprecia una curva sistemática.
Nota sobre car::boxTidwell(). La plantilla de
la práctica sugiere esta función. Conviene aclarar que
car::boxTidwell() estima por mínimos cuadrados un modelo
lineal sobre la respuesta 0/1, es decir, un modelo lineal de
probabilidad; no ajusta un modelo logístico, y su resultado no equivale
a la prueba de linealidad en el logit ni puede interpretarse como tal.
Por eso no se usa en este informe para concluir. Se ejecutó únicamente
para dejar constancia de su comportamiento con estos datos: con los tres
predictores, como en la plantilla, se detiene con el error «NA/NaN/Inf
en ‘x’», porque no logra estimar la potencia de un predictor que casi no
se relaciona con la respuesta; sin la antigüedad converge en 49
iteraciones y sin advertencias. Sus valores p se refieren a ese modelo
lineal y no se interpretan aquí.
Implicación. La linealidad en el logit es aceptable para los tres predictores continuos; no se requieren transformaciones ni términos no lineales.
Paso 60. VIF del modelo logístico
vg <- car::vif(g)
cor_pred <- cor(d[, c("puntaje_amenaza_0_100", "terminos_sospechosos", "https", "antiguedad_dominio_dias")])
max_cor <- max(abs(cor_pred[upper.tri(cor_pred)]))
vif_log <- data.frame(Predictor = etq(names(vg)), VIF = as.numeric(vg), Tolerancia = 1 / as.numeric(vg),
check.names = FALSE)
tab(vif_log, "vif_logistica", "Factores de inflación de la varianza del modelo logístico", digits = 3)
| Predictor | VIF | Tolerancia |
|---|---|---|
| Puntaje de amenaza (0–100) | 1.342 | 0.745 |
| Términos sospechosos (conteo) | 1.360 | 0.736 |
| HTTPS (1 = sí) | 1.042 | 0.960 |
| Antigüedad del dominio (días) | 1.031 | 0.970 |
Todos los VIF están entre 1.03 y 1.36, muy por debajo de 5, y la mayor correlación entre predictores es 0.55 en valor absoluto (puntaje de amenaza con términos sospechosos). No hay multicolinealidad severa. La correlación moderada entre puntaje y términos sí ayuda a entender por qué los términos pierden significación cuando el puntaje está en el modelo: ambos comparten parte de la misma información.
Paso 61. Convergencia y separación
separacion <- data.frame(
`Comprobación` = c("Convergencia del algoritmo", "Iteraciones de Fisher scoring",
"Mayor |β| estimado", "Mayor error estándar",
"Probabilidad predicha mínima", "Probabilidad predicha máxima",
"Celda más pequeña del cruce HTTPS × comprometido",
"Solapamiento del puntaje entre grupos"),
Resultado = c(ifelse(g$converged, "Sí", "No"), g$iter, f3(max(abs(bg))),
f3(max(sg$coefficients[, 2])), f3(min(prob)), f3(max(prob)),
min(table(d$https, d$comprometido)),
paste0("no comprometidos: ", min(x_pa[d$comprometido == 0]), "–", max(x_pa[d$comprometido == 0]),
"; comprometidos: ", min(x_pa[d$comprometido == 1]), "–", max(x_pa[d$comprometido == 1]))),
check.names = FALSE)
tab(separacion, "separacion_convergencia", "Comprobaciones de convergencia y de separación del modelo logístico")
| Comprobación | Resultado |
|---|---|
| Convergencia del algoritmo | Sí |
| Iteraciones de Fisher scoring | 5 |
| Mayor |β| estimado | 3.356 |
| Mayor error estándar | 0.702 |
| Probabilidad predicha mínima | 0.007 |
| Probabilidad predicha máxima | 0.941 |
| Celda más pequeña del cruce HTTPS × comprometido | 20 |
| Solapamiento del puntaje entre grupos | no comprometidos: 0–73; comprometidos: 22–89 |
El algoritmo convergió en 5 iteraciones, sin advertencias de probabilidades ajustadas iguales a 0 o 1. Los coeficientes y sus errores estándar tienen magnitudes normales (el mayor coeficiente en valor absoluto es el intercepto, 3.356, y el mayor error estándar es 0.702), las probabilidades predichas van de 0.007 a 0.941 sin alcanzar los extremos, las cuatro celdas del cruce entre HTTPS y comprometido tienen frecuencias amplias (Tabla 24) y los recorridos del puntaje en ambos grupos se solapan. No hay separación completa ni cuasicompleta.
Hay 75 eventos y 165 no eventos. El modelo estima 4 coeficientes de predictores, de modo que hay 18.8 eventos de la categoría menos frecuente por cada predictor, muy por encima de la referencia habitual de 10 eventos por variable (Hosmer et al., 2013). El modelo no es demasiado complejo para la cantidad de eventos observados.
Paso 62. Residuos de devianza, leverage e influencia
hg <- hatvalues(g); rd <- residuals(g, type = "deviance"); rsg <- rstudent(g); ckg <- cooks.distance(g)
pg_n <- length(bg); u_hg <- 2 * pg_n / n; u_ckg <- 4 / n
dfb <- dfbetas(g)
inf_log <- data.frame(
Indicador = c("Residuos de devianza: mínimo", "Residuos de devianza: máximo",
"Casos con |residuo de devianza| > 2", "Umbral de leverage (2p/n)",
"Casos con leverage alto", "Leverage máximo", "Casos con Cook > 4/n",
"Casos con Cook > 0.5", "Distancia de Cook máxima", "Máximo |DFBETAS|"),
Valor = c(f2(min(rd)), f2(max(rd)), sum(abs(rd) > 2), f3(u_hg), sum(hg > u_hg), f3(max(hg)),
sum(ckg > u_ckg), sum(ckg > 0.5), f3(max(ckg)), f2(max(abs(dfb)))),
check.names = FALSE)
tab(inf_log, "influencia_logistica", "Resumen de residuos de devianza, leverage e influencia del modelo logístico")
| Indicador | Valor |
|---|---|
| Residuos de devianza: mínimo | -2.14 |
| Residuos de devianza: máximo | 2.25 |
| Casos con |residuo de devianza| > 2 | 4 |
| Umbral de leverage (2p/n) | 0.042 |
| Casos con leverage alto | 18 |
| Leverage máximo | 0.091 |
| Casos con Cook > 4/n | 15 |
| Casos con Cook > 0.5 | 0 |
| Distancia de Cook máxima | 0.108 |
| Máximo |DFBETAS| | 0.47 |
Paso 63. Gráficos de residuos de devianza y distancia de Cook
dl <- data.frame(id = d$id_registro, obs = seq_len(n), prob, rd, hg, ckg,
estado = d$comprometido_f)
topl <- dl[order(-dl$ckg), ][1:5, ]
g1 <- ggplot(dl, aes(prob, rd, colour = estado)) + geom_point(alpha = 0.6) +
geom_hline(yintercept = c(-2, 0, 2), linetype = c(2, 1, 2), colour = gris) +
scale_colour_manual(values = c(azul, rojo), name = NULL) +
labs(x = "Probabilidad predicha", y = "Residuo de devianza", title = "Residuos de devianza")
g2 <- ggplot(dl, aes(obs, ckg)) + geom_segment(aes(xend = obs, yend = 0), colour = azul) +
geom_hline(yintercept = u_ckg, linetype = 2, colour = rojo) +
geom_text(data = topl, aes(label = id), size = 2.6, vjust = -0.6, colour = rojo) +
labs(x = "Número de observación", y = "Distancia de Cook", title = "Distancia de Cook (línea: 4/n)")
p <- gridExtra::arrangeGrob(g1, g2, ncol = 2)
fig(p, "influencia_log", "Residuos de devianza y distancia de Cook del modelo logístico", w = 9, h = 4.2)
Figura 18. Residuos de devianza y distancia de Cook del modelo logístico
Paso 64. Análisis de sensibilidad del modelo logístico
fuera_g <- ckg > u_ckg
g_s <- update(g, data = d[!fuera_g, ])
sens_g <- data.frame(
`Término` = etq(names(bg)), `OR (n = 240)` = formatC(or, format = "f", digits = 5), p = fp(pg),
`OR sin influyentes` = formatC(exp(coef(g_s)), format = "f", digits = 5), `p sin influyentes` = fp(summary(g_s)$coefficients[, 4]),
check.names = FALSE)
tab(sens_g, "sensibilidad_logistica", paste0("Análisis de sensibilidad del modelo logístico: reajuste sin los ", sum(fuera_g), " casos con distancia de Cook superior a 4/n"), digits = 4)
| Término | OR (n = 240) | p | OR sin influyentes | p sin influyentes |
|---|---|---|---|---|
| Intercepto | 0.03488 | < 0.001 | 0.00708 | < 0.001 |
| Puntaje de amenaza (0–100) | 1.07549 | < 0.001 | 1.11122 | < 0.001 |
| Términos sospechosos (conteo) | 1.06341 | 0.678 | 1.19843 | 0.346 |
| HTTPS (1 = sí) | 0.21767 | < 0.001 | 0.10111 | < 0.001 |
| Antigüedad del dominio (días) | 0.99997 | 0.909 | 0.99999 | 0.977 |
Paso 65. Comprobación de cambios en las conclusiones
p_gs <- summary(g_s)$coefficients[, 4]
cambia_g <- any((p_gs[-1] < alfa) != (pg[-1] < alfa)) || any(sign(coef(g_s)[c(2, 4)]) != sign(bg[c(2, 4)]))
Los residuos de devianza van de -2.14 a 2.25 y 4 casos superan 2 en valor absoluto. En el panel izquierdo de la Figura 18 aparecen dos bandas, una por cada valor de la respuesta, que es el patrón normal en la regresión logística y no indica un problema. Los residuos grandes corresponden a URL comprometidas con probabilidad predicha baja o a URL no comprometidas con probabilidad predicha alta, es decir, a casos que el modelo clasifica mal, lo cual es inevitable con una discriminación que no es perfecta.
La distancia de Cook máxima es 0.108 (registro URL218), muy inferior a 0.5, y 15 casos superan el umbral orientativo de 4/n. Al reajustar el modelo sin ellos como análisis de sensibilidad, se mantienen las mismas conclusiones: el puntaje de amenaza y HTTPS siguen siendo significativos y en la misma dirección, y los términos y la antigüedad siguen sin serlo (Tabla 33). Los OR de los predictores significativos se alejan algo más de 1 al retirar esos casos, lo que es esperable porque los casos retirados son justamente los peor ajustados. No se elimina ninguna observación: el modelo final usa los 240 registros.
La calibración y la discriminación describen qué tan bien predice el modelo; no son supuestos de estimación. Las métricas de las tres primeras subsecciones se calculan sobre los mismos datos con que se ajustó el modelo, por lo que son algo optimistas; la última subsección cuantifica ese optimismo con una validación cruzada estratificada.
Paso 66. Curva ROC, umbral de Youden y métricas de clasificación
roc_g <- pROC::roc(d$comprometido, prob, quiet = TRUE, levels = c(0, 1), direction = "<")
auc_g <- as.numeric(pROC::auc(roc_g)); ci_auc <- as.numeric(pROC::ci.auc(roc_g))
youden <- pROC::coords(roc_g, "best", best.method = "youden",
ret = c("threshold", "sensitivity", "specificity"), transpose = FALSE)[1, ]
u_youden <- as.numeric(youden$threshold)
# Métricas de clasificación para un umbral dado.
metricas <- function(u) {
pred <- as.integer(prob >= u); y <- d$comprometido
vp <- sum(pred == 1 & y == 1); fn <- sum(pred == 0 & y == 1)
vn <- sum(pred == 0 & y == 0); fp_ <- sum(pred == 1 & y == 0)
c(VP = vp, FN = fn, VN = vn, FP = fp_, exactitud = (vp + vn) / n, sens = vp / (vp + fn),
esp = vn / (vn + fp_), vpp = vp / (vp + fp_), vpn = vn / (vn + fn),
exact_bal = (vp / (vp + fn) + vn / (vn + fp_)) / 2)
}
umbrales <- c(0.50, mean(d$comprometido), u_youden)
mt <- sapply(umbrales, metricas)
tabla_umbral <- data.frame(
`Métrica` = c("Umbral", "Verdaderos positivos", "Falsos negativos", "Verdaderos negativos",
"Falsos positivos", "Exactitud", "Sensibilidad", "Especificidad",
"Valor predictivo positivo", "Valor predictivo negativo", "Exactitud balanceada"),
`Convencional` = c(f3(umbrales[1]), mt[1:4, 1], f3(mt[5:10, 1])),
`Prevalencia` = c(f3(umbrales[2]), mt[1:4, 2], f3(mt[5:10, 2])),
`Youden (elegido)` = c(f3(umbrales[3]), mt[1:4, 3], f3(mt[5:10, 3])),
check.names = FALSE)
tab(tabla_umbral, "metricas_por_umbral", "Métricas de clasificación del modelo logístico con tres umbrales")
| Métrica | Convencional | Prevalencia | Youden (elegido) |
|---|---|---|---|
| Umbral | 0.500 | 0.312 | 0.208 |
| Verdaderos positivos | 44 | 56 | 66 |
| Falsos negativos | 31 | 19 | 9 |
| Verdaderos negativos | 145 | 124 | 109 |
| Falsos positivos | 20 | 41 | 56 |
| Exactitud | 0.787 | 0.750 | 0.729 |
| Sensibilidad | 0.587 | 0.747 | 0.880 |
| Especificidad | 0.879 | 0.752 | 0.661 |
| Valor predictivo positivo | 0.688 | 0.577 | 0.541 |
| Valor predictivo negativo | 0.824 | 0.867 | 0.924 |
| Exactitud balanceada | 0.733 | 0.749 | 0.770 |
Paso 67. Matriz de confusión
m_y <- metricas(u_youden)
confusion <- data.frame(
Observado = c("No comprometido (0)", "Comprometido (1)", "Total"),
`Predicho: no comprometido` = c(m_y["VN"], m_y["FN"], m_y["VN"] + m_y["FN"]),
`Predicho: comprometido` = c(m_y["FP"], m_y["VP"], m_y["FP"] + m_y["VP"]),
Total = c(nev, ev, n), check.names = FALSE)
tab(confusion, "matriz_confusion", paste0("Matriz de confusión con el umbral elegido (probabilidad predicha ≥ ", f3(u_youden), ")"))
| Observado | Predicho: no comprometido | Predicho: comprometido | Total |
|---|---|---|---|
| No comprometido (0) | 109 | 56 | 165 |
| Comprometido (1) | 9 | 66 | 75 |
| Total | 118 | 122 | 240 |
Paso 68. Métricas con el umbral 0.50 y tasa de no información
m50 <- metricas(0.5); nir <- max(ev, nev) / n
Justificación del umbral. El umbral convencional de 0.50 no es adecuado aquí por dos razones. Primero, las clases están desbalanceadas: solo el 31.2 % de los registros está comprometido, de modo que las probabilidades predichas se concentran en valores bajos y exigir 0.50 deja sin detectar a muchos comprometidos (sensibilidad de 0.587: se pasan por alto 31 de 75). Segundo, en respuesta a incidentes los dos errores no cuestan lo mismo: un falso negativo es una URL comprometida que no se revisa, mientras que un falso positivo solo implica una revisión adicional.
Por ello se eligió el umbral que maximiza el índice de Youden (sensibilidad + especificidad − 1; Youden, 1950) sobre la curva ROC, que resultó ser 0.208. Con él la sensibilidad sube a 0.880 y la especificidad queda en 0.661. El costo es explícito: los falsos positivos pasan de 20 a 56 y el valor predictivo positivo es 0.541, es decir, cerca de 54 de cada 100 alertas corresponden a una URL realmente comprometida. A cambio, el valor predictivo negativo es 0.924: cuando el modelo descarta una URL, acierta en el 92 % de los casos. Si el equipo tuviera poca capacidad de revisión podría preferir un umbral más alto; la Tabla 34 muestra las consecuencias de cada opción.
Por qué la exactitud no basta. Un clasificador que declarase «no comprometido» a todos los registros acertaría el 68.8 % de las veces sin detectar un solo caso. La exactitud con el umbral de 0.50 (0.787) supera esa referencia por poco, y la del umbral elegido (0.729) es incluso menor que la de 0.50, aunque el modelo sea más útil para detectar eventos. Por eso se informan la sensibilidad, la especificidad, los valores predictivos y la exactitud balanceada (0.770 con el umbral elegido frente a 0.733 con 0.50).
Paso 69. Gráfico de la curva ROC
df_roc <- data.frame(esp = roc_g$specificities, sens = roc_g$sensitivities)
df_roc <- df_roc[order(df_roc$sens, -df_roc$esp), ]
pts <- data.frame(x = 1 - c(m50["esp"], m_y["esp"]), y = c(m50["sens"], m_y["sens"]),
et = c("Umbral 0.50", paste0("Umbral ", f3(u_youden), " (Youden)")))
p <- ggplot(df_roc, aes(1 - esp, sens)) +
geom_abline(slope = 1, intercept = 0, linetype = 2, colour = gris) +
geom_step(colour = azul, linewidth = 0.9, direction = "vh") +
geom_point(data = pts, aes(x, y), colour = rojo, size = 3) +
geom_text(data = pts, aes(x, y, label = et), hjust = -0.08, vjust = 1.4, size = 3.2) +
coord_equal() +
labs(x = "1 − Especificidad (tasa de falsos positivos)", y = "Sensibilidad",
title = paste0("AUC = ", f3(auc_g), " (IC 95 % ", ic(ci_auc[1], ci_auc[3]), ")"))
fig(p, "roc", "Curva ROC del modelo logístico. La diagonal representa una clasificación al azar", w = 6.2, h = 5.4)
Figura 19. Curva ROC del modelo logístico. La diagonal representa una clasificación al azar
El área bajo la curva ROC es AUC = 0.839 (IC 95 % por el método de DeLong et al., 1988, [0.788, 0.890], calculado con pROC; Robin et al., 2011). Significa que, si se toma al azar una URL comprometida y una no comprometida, el modelo asigna una probabilidad mayor a la comprometida en el 83.9 % de los pares. El intervalo queda lejos de 0.5, valor que corresponde al azar, y, según la guía de Hosmer et al. (2013), un AUC entre 0.80 y 0.90 corresponde a una discriminación excelente. El AUC no depende del umbral elegido.
Paso 70. Hosmer–Lemeshow, Brier y calibración por deciles
hl <- hosmer_lemeshow(d$comprometido, prob, g = 10)
brier <- mean((prob - d$comprometido)^2); brier_nulo <- mean((mean(d$comprometido) - d$comprometido)^2)
cal <- data.frame(prob, y = d$comprometido) %>%
mutate(decil = cut(prob, breaks = quantile(prob, seq(0, 1, 0.1)), include.lowest = TRUE,
labels = FALSE)) %>%
group_by(Decil = decil) %>%
summarise(n = n(), `Prob. predicha media` = mean(prob), `Proporción observada` = mean(y),
`Eventos observados` = sum(y), `Eventos esperados` = sum(prob), .groups = "drop")
tab(cal, "calibracion_por_deciles", "Calibración por deciles de la probabilidad predicha: eventos observados y esperados", digits = c(0, 0, 3, 3, 0, 2))
| Decil | n | Prob. predicha media | Proporción observada | Eventos observados | Eventos esperados |
|---|---|---|---|---|---|
| 1 | 24 | 0.026 | 0.000 | 0 | 0.63 |
| 2 | 24 | 0.057 | 0.000 | 0 | 1.36 |
| 3 | 24 | 0.093 | 0.125 | 3 | 2.23 |
| 4 | 24 | 0.140 | 0.167 | 4 | 3.37 |
| 5 | 24 | 0.186 | 0.125 | 3 | 4.47 |
| 6 | 24 | 0.258 | 0.375 | 9 | 6.18 |
| 7 | 24 | 0.361 | 0.417 | 10 | 8.66 |
| 8 | 24 | 0.520 | 0.458 | 11 | 12.48 |
| 9 | 24 | 0.658 | 0.708 | 17 | 15.78 |
| 10 | 24 | 0.827 | 0.750 | 18 | 19.84 |
Paso 71. Gráfico de calibración
# IC 95 % de Wilson para la proporción observada de cada decil (válido
# también cuando la proporción es 0).
wilson <- function(x, m) { z <- qnorm(0.975); ph <- x / m
cen <- (ph + z^2 / (2 * m)) / (1 + z^2 / m)
mar <- z * sqrt(ph * (1 - ph) / m + z^2 / (4 * m^2)) / (1 + z^2 / m)
cbind(cen - mar, cen + mar) }
w <- wilson(cal$`Eventos observados`, cal$n)
calp <- cal %>% mutate(li = w[, 1], ls = w[, 2])
dentro <- sum(calp$`Prob. predicha media` >= calp$li & calp$`Prob. predicha media` <= calp$ls)
p <- ggplot(calp, aes(`Prob. predicha media`, `Proporción observada`)) +
geom_abline(slope = 1, intercept = 0, linetype = 2, colour = gris) +
geom_smooth(data = data.frame(prob, y = d$comprometido), aes(prob, y), method = "loess",
formula = y ~ x, se = FALSE, colour = rojo, linewidth = 0.7) +
geom_errorbar(aes(ymin = li, ymax = ls), width = 0.012, colour = azul) +
geom_point(size = 2.8, colour = azul) +
coord_equal(xlim = c(0, 1), ylim = c(0, 1)) +
labs(x = "Probabilidad predicha media del decil", y = "Proporción observada de comprometidos")
fig(p, "calibracion", "Gráfico de calibración por deciles con intervalos de confianza del 95 % de Wilson. Línea discontinua: calibración perfecta; línea roja: suavizado loess de la respuesta observada", w = 6.4, h = 5.2)
Figura 20. Gráfico de calibración por deciles con intervalos de confianza del 95 % de Wilson. Línea discontinua: calibración perfecta; línea roja: suavizado loess de la respuesta observada
En el gráfico de calibración (Figura 20) los puntos de los deciles se sitúan cerca de la diagonal y 10 de los 10 intervalos de confianza la contienen: cuando el modelo predice probabilidades bajas se observan pocos comprometidos y cuando predice probabilidades altas se observan muchos, sin una tendencia sistemática a sobrestimar o subestimar. La prueba de Hosmer–Lemeshow con diez grupos da χ²(8) = 6.78, p = 0.560. No se rechaza la hipótesis de buen ajuste entre frecuencias observadas y esperadas. Esta prueba es sensible al número de grupos y tiene poca potencia en muestras moderadas, por lo que se interpreta junto con el gráfico y no de forma aislada. El puntaje de Brier es 0.150, inferior al 0.215 que obtendría un modelo que predijera siempre la prevalencia; valores menores indican predicciones probabilísticas más precisas.
Paso 72. Distribución de las probabilidades predichas
p <- ggplot(dl, aes(prob, fill = estado)) +
geom_histogram(binwidth = 0.04, boundary = 0, alpha = 0.75, position = "identity", colour = "white") +
geom_vline(xintercept = c(u_youden, 0.5), linetype = c(1, 2), colour = "black") +
scale_fill_manual(values = c(azul, rojo), name = NULL) +
labs(x = "Probabilidad predicha de estar comprometido", y = "Frecuencia")
fig(p, "probabilidades", "Distribución de las probabilidades predichas según el estado observado. Línea continua: umbral elegido; línea discontinua: umbral 0.50", w = 7.5, h = 3.8)
Figura 21. Distribución de las probabilidades predichas según el estado observado. Línea continua: umbral elegido; línea discontinua: umbral 0.50
La Figura 21 resume la situación: los no comprometidos se concentran en probabilidades bajas y los comprometidos se reparten hacia valores más altos, pero ambas distribuciones se solapan. Ese solapamiento es el que impide una clasificación perfecta y explica por qué mover el umbral intercambia sensibilidad por especificidad.
Paso 73. Validación cruzada estratificada de 10 pliegues repetida 20 veces
# ---------------------------------------------------------------------
# Validación cruzada ESTRATIFICADA de 10 pliegues, repetida 20 veces.
# ---------------------------------------------------------------------
# - Estratificada: los pliegues se sortean por separado dentro de los
# comprometidos y de los no comprometidos, de modo que cada pliegue conserva
# la proporción de eventos de la muestra.
# - Fuera de muestra: en cada pliegue el modelo se ajusta SOLO con los otros
# nueve; el umbral de Youden se elige SOLO con esos datos de entrenamiento;
# y después se predice y clasifica el pliegue reservado.
# - Cada observación se predice exactamente una vez por repetición.
K_cv <- 10; R_cv <- 20
pliegues_estratificados <- function(y, K) {
pl <- integer(length(y))
for (clase in unique(y)) {
i <- which(y == clase)
pl[i] <- sample(rep(seq_len(K), length.out = length(i)))
}
pl
}
auc_de <- function(y, pr) as.numeric(pROC::auc(pROC::roc(y, pr, quiet = TRUE, levels = c(0, 1),
direction = "<")))
y_obs <- d$comprometido
set.seed(semilla)
cv <- lapply(seq_len(R_cv), function(r) {
pl <- pliegues_estratificados(y_obs, K_cv)
pr <- rep(NA_real_, n); clas <- rep(NA_integer_, n)
auc_k <- numeric(K_cv); ev_k <- integer(K_cv)
for (k in seq_len(K_cv)) {
ent <- which(pl != k); pru <- which(pl == k)
stopifnot(length(intersect(ent, pru)) == 0, length(ent) + length(pru) == n)
mk <- glm(formula(g), data = d[ent, ], family = binomial)
stopifnot(mk$converged)
roc_ent <- pROC::roc(y_obs[ent], fitted(mk), quiet = TRUE, levels = c(0, 1), direction = "<")
u_k <- as.numeric(pROC::coords(roc_ent, "best", best.method = "youden", ret = "threshold",
transpose = FALSE)[1, 1])
pr[pru] <- predict(mk, newdata = d[pru, ], type = "response")
clas[pru] <- as.integer(pr[pru] >= u_k)
auc_k[k] <- auc_de(y_obs[pru], pr[pru]); ev_k[k] <- sum(y_obs[pru])
}
stopifnot(!anyNA(pr), !anyNA(clas)) # todas las observaciones predichas una vez
list(auc_agr = auc_de(y_obs, pr), auc_k = auc_k, ev_k = ev_k,
brier = mean((pr - y_obs)^2),
sens = sum(clas == 1 & y_obs == 1) / sum(y_obs == 1),
esp = sum(clas == 0 & y_obs == 0) / sum(y_obs == 0),
exact = mean(clas == y_obs))
})
auc_cv <- sapply(cv, `[[`, "auc_agr") # AUC agrupado de cada repetición
auc_cv_k <- unlist(lapply(cv, `[[`, "auc_k")) # AUC de cada uno de los 200 pliegues
ev_cv_k <- unlist(lapply(cv, `[[`, "ev_k"))
sens_cv <- sapply(cv, `[[`, "sens"); esp_cv <- sapply(cv, `[[`, "esp")
exact_cv <- sapply(cv, `[[`, "exact"); brier_cv <- sapply(cv, `[[`, "brier")
media_de <- function(x) paste0(f3(mean(x)), " (", f3(sd(x)), ")")
desempeno <- data.frame(
Indicador = c("AUC en la muestra de ajuste", "IC 95 % del AUC (DeLong)",
"AUC por validación cruzada: media (DE) de 20 repeticiones",
"AUC por validación cruzada: rango entre repeticiones",
"AUC por pliegue: media (DE) de los 200 pliegues",
"Eventos por pliegue de prueba (mínimo a máximo)",
"Sensibilidad fuera de muestra: media (DE)",
"Especificidad fuera de muestra: media (DE)",
"Exactitud fuera de muestra: media (DE)",
"Puntaje de Brier fuera de muestra: media (DE)",
"Puntaje de Brier en la muestra de ajuste",
"Puntaje de Brier de referencia (prevalencia)",
"Hosmer–Lemeshow: ji-cuadrado (gl)", "Hosmer–Lemeshow: p"),
Valor = c(f3(auc_g), ic(ci_auc[1], ci_auc[3]), media_de(auc_cv),
paste(f3(min(auc_cv)), "a", f3(max(auc_cv))), media_de(auc_cv_k),
paste(min(ev_cv_k), "a", max(ev_cv_k)), media_de(sens_cv), media_de(esp_cv),
media_de(exact_cv), media_de(brier_cv), f3(brier), f3(brier_nulo),
paste0(f2(hl$X2), " (", hl$gl, ")"), fp(hl$p)),
check.names = FALSE)
tab(desempeno, "desempeno_predictivo", "Resumen de discriminación y calibración del modelo logístico, en la muestra de ajuste y por validación cruzada estratificada de 10 pliegues repetida 20 veces")
| Indicador | Valor |
|---|---|
| AUC en la muestra de ajuste | 0.839 |
| IC 95 % del AUC (DeLong) | [0.788, 0.890] |
| AUC por validación cruzada: media (DE) de 20 repeticiones | 0.823 (0.004) |
| AUC por validación cruzada: rango entre repeticiones | 0.815 a 0.829 |
| AUC por pliegue: media (DE) de los 200 pliegues | 0.828 (0.081) |
| Eventos por pliegue de prueba (mínimo a máximo) | 7 a 8 |
| Sensibilidad fuera de muestra: media (DE) | 0.789 (0.019) |
| Especificidad fuera de muestra: media (DE) | 0.683 (0.013) |
| Exactitud fuera de muestra: media (DE) | 0.716 (0.007) |
| Puntaje de Brier fuera de muestra: media (DE) | 0.157 (0.002) |
| Puntaje de Brier en la muestra de ajuste | 0.150 |
| Puntaje de Brier de referencia (prevalencia) | 0.215 |
| Hosmer–Lemeshow: ji-cuadrado (gl) | 6.78 (8) |
| Hosmer–Lemeshow: p | 0.560 |
Para estimar el desempeño con datos que el modelo no ha visto se usó validación cruzada estratificada de 10 pliegues, repetida 20 veces con particiones distintas. La estratificación reparte por separado los comprometidos y los no comprometidos, de modo que cada pliegue de prueba conserva la proporción de eventos (entre 7 y 8 eventos por pliegue). En cada pliegue el modelo se vuelve a estimar solo con los otros nueve, el umbral de Youden se elige solo con esos datos de entrenamiento y después se predice el pliegue reservado; así ninguna observación interviene en el ajuste ni en la elección del umbral con que se la evalúa, y cada una se predice exactamente una vez por repetición.
El AUC fuera de muestra, calculado en cada repetición con las 240 predicciones reunidas, tiene una media de 0.823 (DE = 0.004; rango de 0.815 a 0.829), solo 0.017 por debajo del AUC de la muestra de ajuste (0.839). Si en cambio se calcula un AUC dentro de cada uno de los 200 pliegues de prueba, la media es 0.828, pero con una dispersión grande (DE = 0.081) porque cada pliegue contiene pocos eventos; por eso se toma como estimación principal el AUC de las predicciones reunidas. El optimismo es pequeño, lo que es coherente con un modelo de pocos parámetros y eventos suficientes.
Con el umbral elegido dentro de cada entrenamiento, la sensibilidad fuera de muestra es 0.789 y la especificidad 0.683, frente a 0.880 y 0.661 en la muestra de ajuste. La sensibilidad en la muestra de ajuste es, por tanto, algo optimista: es la cifra que cabe esperar que baje con datos nuevos. El puntaje de Brier fuera de muestra (0.157) queda cerca del de ajuste (0.150) y por debajo del de referencia (0.215). Aun así, el desempeño debería confirmarse con una muestra externa antes de cualquier uso operativo.
El modelo cumple las condiciones de estimación: respuesta binaria bien codificada, independencia razonable por diseño, linealidad en el logit, ausencia de multicolinealidad severa y de separación, eventos suficientes y ninguna observación con influencia desmedida. En cuanto a desempeño, discrimina bien (AUC = 0.839) y está razonablemente calibrado. Dos de los cuatro predictores, el puntaje de amenaza y HTTPS, sostienen prácticamente toda su capacidad explicativa.
Los tres bloques de análisis cuentan una historia coherente. El puntaje de amenaza es la variable central: es la que más se asocia con el tiempo de respuesta en la correlación (r = 0.745), conserva el efecto más preciso en el modelo lineal múltiple y es uno de los dos predictores significativos del estado comprometido.
Correlación frente a regresión. En la regresión lineal simple, R² = 0.556 es exactamente el cuadrado de la correlación de Pearson (0.745² = 0.556), y la prueba t de la pendiente coincide con la de la correlación (t = 17.26). La regresión no añade evidencia sobre la existencia de la asociación; añade su traducción a unidades del problema: 0.77 minutos por punto.
Asociación bruta frente a asociación ajustada. Los términos sospechosos ilustran por qué una correlación bivariada no debe leerse como efecto propio. Se correlacionan positivamente con el puntaje (ρs = 0.529) y, a través de él, con el tiempo de respuesta y con el compromiso; pero cuando el puntaje entra en los modelos, el coeficiente de los términos deja de ser significativo tanto en el modelo lineal (p = 0.487) como en el logístico (p = 0.678). La información que aportan los términos ya está contenida en el puntaje. Algo parecido ocurre con la severidad y el puntaje, correlacionados entre sí: la pendiente del puntaje baja de 0.773 a 0.541 al incluir la severidad, aunque ambos conservan una asociación propia con el tiempo de respuesta.
Un mismo predictor, dos respuestas. La antigüedad del dominio muestra una asociación negativa pequeña pero significativa con el tiempo de respuesta (p = 0.005) y ninguna con el estado comprometido (p = 0.909). HTTPS, que no formaba parte del modelo lineal pedido, es en cambio el predictor de mayor magnitud en el modelo logístico (OR = 0.22). Las variables que acompañan a un tiempo de respuesta largo no son necesariamente las mismas que acompañan al compromiso.
Alcance de los modelos. El modelo lineal múltiple explica el 60.6 % de la variabilidad del tiempo de respuesta y el logístico alcanza un AUC de 0.839. Son ajustes buenos para datos de este tipo, pero ambos dejan una parte sustancial sin explicar: el error típico del modelo lineal es de 10.7 minutos y, con el umbral elegido, el modelo logístico genera 56 falsos positivos para detectar 66 de los 75 comprometidos.
Primera conclusión. En esta base simulada, el puntaje de amenaza es el indicador con mayor valor informativo: se asocia de forma fuerte y lineal con el tiempo de respuesta (r = 0.745), mantiene su efecto al controlar la severidad, los términos sospechosos y la antigüedad del dominio (0.541 minutos por punto) y es, junto con la ausencia de HTTPS, lo que distingue a los registros comprometidos (OR = 2.07 por cada 10 puntos). Los términos sospechosos, en cambio, se relacionan con las respuestas solo a través del puntaje y no aportan información propia en ninguno de los dos modelos.
Segunda conclusión. Los modelos estimados son estadísticamente sólidos, pues cumplen sus supuestos y no dependen de observaciones influyentes, pero su utilidad es descriptiva antes que predictiva a nivel individual. El modelo lineal múltiple explica el 60.6 % de la variabilidad del tiempo de respuesta con un error típico de 10.7 minutos, y el modelo logístico, pese a un AUC de 0.839, obliga a elegir entre detectar más comprometidos y generar más falsas alarmas. Sirven para priorizar y para entender qué características acompañan a los incidentes más lentos o comprometidos, no para reemplazar la revisión de cada caso, y describen asociaciones, no causas.
Agresti, A. (2019). An introduction to categorical data analysis (3.ª ed.). Wiley.
Box, G. E. P. y Tidwell, P. W. (1962). Transformation of the independent variables. Technometrics, 4(4), 531–550. https://doi.org/10.1080/00401706.1962.10490038
DeLong, E. R., DeLong, D. M. y Clarke-Pearson, D. L. (1988). Comparing the areas under two or more correlated receiver operating characteristic curves: A nonparametric approach. Biometrics, 44(3), 837–845. https://doi.org/10.2307/2531595
Field, A., Miles, J. y Field, Z. (2012). Discovering statistics using R. SAGE Publications.
Fox, J. y Weisberg, S. (2019). An R companion to applied regression (3.ª ed.). SAGE Publications.
Hosmer, D. W., Lemeshow, S. y Sturdivant, R. X. (2013). Applied logistic regression (3.ª ed.). Wiley.
James, G., Witten, D., Hastie, T. y Tibshirani, R. (2021). An introduction to statistical learning: With applications in R (2.ª ed.). Springer.
Kutner, M. H., Nachtsheim, C. J., Neter, J. y Li, W. (2005). Applied linear statistical models (5.ª ed.). McGraw-Hill.
R Core Team. (2026). R: A language and environment for statistical computing (versión 4.6.1) [Software]. R Foundation for Statistical Computing. https://www.R-project.org/
Revelle, W. (2026). psych: Procedures for psychological, psychometric, and personality research (versión 2.6.9) [Paquete de R]. Northwestern University. https://CRAN.R-project.org/package=psych
Robin, X., Turck, N., Hainard, A., Tiberti, N., Lisacek, F., Sanchez, J.-C. y Müller, M. (2011). pROC: An open-source package for R and S+ to analyze and compare ROC curves. BMC Bioinformatics, 12, 77. https://doi.org/10.1186/1471-2105-12-77
Wickham, H. (2016). ggplot2: Elegant graphics for data analysis (2.ª ed.). Springer.
Xie, Y., Allaire, J. J. y Grolemund, G. (2018). R Markdown: The definitive guide. Chapman & Hall/CRC.
Youden, W. J. (1950). Index for rating diagnostic tests. Cancer, 3(1), 32–35.
Zeileis, A. (2004). Econometric computing with HC and HAC covariance matrix estimators. Journal of Statistical Software, 11(10), 1–17. https://doi.org/10.18637/jss.v011.i10
Zeileis, A. y Hothorn, T. (2002). Diagnostic checking in regression relationships. R News, 2(3), 7–10.
Paso 74. Entorno de ejecución
entorno <- data.frame(
Elemento = c("Versión de R", "Sistema operativo", "Archivo de datos", "Semilla aleatoria",
"Réplicas bootstrap", "Figuras generadas", "Tablas generadas",
"Prueba de Hosmer–Lemeshow"),
Detalle = c(R.version.string, sessionInfo()$running, archivo[1], semilla, B_boot,
paste(.reg$nf, "archivos PNG en Graficos_Estadisticos/"),
paste(.reg$nt + 2, "tablas numeradas (CSV) en Tablas_Estadisticas/"),
ifelse(hay_RS, "ResourceSelection::hoslem.test()", "Función propia equivalente")),
check.names = FALSE)
tab(entorno, "entorno_ejecucion", "Entorno de ejecución del análisis")
| Elemento | Detalle |
|---|---|
| Versión de R | R version 4.6.1 (2026-06-24 ucrt) |
| Sistema operativo | Windows 11 x64 (build 26320) |
| Archivo de datos | Datos_Practica_Correlacion_Regresion.xlsx |
| Semilla aleatoria | 2026 |
| Réplicas bootstrap | 2000 |
| Figuras generadas | 21 archivos PNG en Graficos_Estadisticos/ |
| Tablas generadas | 39 tablas numeradas (CSV) en Tablas_Estadisticas/ |
| Prueba de Hosmer–Lemeshow | ResourceSelection::hoslem.test() |
Paso 75. Paquetes y versiones
usados <- c("readxl", "dplyr", "tidyr", "ggplot2", "psych", "car", "lmtest", "sandwich",
"pROC", "splines", "GGally", "gridExtra", "knitr", "rmarkdown")
uso <- c("Importación de la hoja Datos", "Manejo de datos", "Reorganización de datos",
"Gráficos", "Estadística descriptiva", "VIF/GVIF y pruebas tipo II",
"Breusch–Pagan, Durbin–Watson, RESET", "Errores estándar robustos HC3",
"Curva ROC, AUC e IC de DeLong", "Splines naturales (linealidad en el logit)",
"Matriz de dispersión", "Composición de figuras", "Tablas e informe",
"Generación del informe HTML")
if (hay_RS) { usados <- c(usados, "ResourceSelection"); uso <- c(uso, "Prueba de Hosmer–Lemeshow") }
versiones <- data.frame(Paquete = usados,
`Versión` = vapply(usados, function(p) as.character(packageVersion(p)), character(1)),
Uso = uso, check.names = FALSE)
tab(versiones, "paquetes_utilizados", "Paquetes de R utilizados y sus versiones")
| Paquete | Versión | Uso |
|---|---|---|
| readxl | 1.5.0.1 | Importación de la hoja Datos |
| dplyr | 1.2.1 | Manejo de datos |
| tidyr | 1.3.2 | Reorganización de datos |
| ggplot2 | 4.0.3 | Gráficos |
| psych | 2.6.9 | Estadística descriptiva |
| car | 3.1.5 | VIF/GVIF y pruebas tipo II |
| lmtest | 0.9.40 | Breusch–Pagan, Durbin–Watson, RESET |
| sandwich | 3.1.3 | Errores estándar robustos HC3 |
| pROC | 1.19.1 | Curva ROC, AUC e IC de DeLong |
| splines | 4.6.1 | Splines naturales (linealidad en el logit) |
| GGally | 2.5.0 | Matriz de dispersión |
| gridExtra | 2.3.1 | Composición de figuras |
| knitr | 1.52 | Tablas e informe |
| rmarkdown | 2.32 | Generación del informe HTML |
| ResourceSelection | 0.3.6 | Prueba de Hosmer–Lemeshow |
Paso 76. Exportación de los resultados principales con precisión completa
# Resultados principales con precisión completa. El script independiente
# Auditoria_Recalculo_Independiente.R los vuelve a calcular con fórmulas
# propias (sin lm, glm, cor.test ni pROC) y comprueba que coinciden.
clave <- c(
n = n,
pearson1_r = unname(p1$estimate), pearson1_li = p1$conf.int[1], pearson1_ls = p1$conf.int[2],
pearson1_t = unname(p1$statistic), pearson1_p = p1$p.value,
pearson2_r = unname(p2$estimate), pearson2_li = p2$conf.int[1], pearson2_ls = p2$conf.int[2],
pearson2_t = unname(p2$statistic), pearson2_p = p2$p.value,
spearman1_rho = unname(s1$estimate), spearman1_p = s1$p.value,
spearman2_rho = unname(s2$estimate), spearman2_p = s2$p.value,
kendall_tau_b = unname(k1$estimate), kendall_z = unname(k1$statistic), kendall_p = k1$p.value,
kendall_concordantes = conc, kendall_discordantes = disc,
setNames(coef(m1), paste0("m1_b", 0:1)), setNames(s1m$coefficients[, 2], paste0("m1_ee", 0:1)),
setNames(s1m$coefficients[, 4], paste0("m1_p", 0:1)),
m1_ic_b1_li = ci1[2, 1], m1_ic_b1_ls = ci1[2, 2],
m1_r2 = s1m$r.squared, m1_r2_ajustado = s1m$adj.r.squared, m1_sigma = s1m$sigma,
m1_F = unname(s1m$fstatistic[1]),
setNames(coef(m2), paste0("m2_b", 0:6)), setNames(s2m$coefficients[, 2], paste0("m2_ee", 0:6)),
setNames(s2m$coefficients[, 4], paste0("m2_p", 0:6)),
setNames(ci2[, 1], paste0("m2_li", 0:6)), setNames(ci2[, 2], paste0("m2_ls", 0:6)),
m2_r2 = s2m$r.squared, m2_r2_ajustado = s2m$adj.r.squared, m2_sigma = s2m$sigma,
m2_F = unname(s2m$fstatistic[1]), F_parcial_m1_m2 = an12$F[2], p_F_parcial = an12[["Pr(>F)"]][2],
m1_AIC = AIC(m1), m2_AIC = AIC(m2), m1_BIC = BIC(m1), m2_BIC = BIC(m2),
m1_BP = unname(t1$bp$statistic), m2_BP = unname(t2$bp$statistic),
m1_BP_p = unname(t1$bp$p.value), m2_BP_p = unname(t2$bp$p.value),
m1_DW = unname(t1$dw$statistic), m2_DW = unname(t2$dw$statistic),
m1_SW_p = t1$sh$p.value, m2_SW_p = t2$sh$p.value,
m2_gvif_puntaje = v2[1, 1], m2_gvif_terminos = v2[2, 1], m2_gvif_antiguedad = v2[3, 1],
m2_gvif_severidad = v2[4, 1],
m1_cook_max = max(i1$ck), m2_cook_max = max(i2$ck), m2_leverage_max = max(i2$h),
m2_rstudent_max = max(abs(i2$rs)),
setNames(bg, paste0("logit_b", 0:4)), setNames(sg$coefficients[, 2], paste0("logit_ee", 0:4)),
setNames(pg, paste0("logit_p", 0:4)), setNames(or, paste0("logit_or", 0:4)),
logit_devianza_nula = g$null.deviance, logit_devianza = g$deviance, logit_LR = lr,
logit_LR_p = p_lr, logit_AIC = AIC(g), logit_r2_mcfadden = r2_mcf, logit_r2_cox_snell = r2_cs,
logit_r2_nagelkerke = r2_nag, logit_r2_tjur = r2_tjur,
setNames(as.numeric(vg), paste0("logit_vif", 1:4)),
logit_cook_max = max(ckg), logit_leverage_max = max(hg),
auc = auc_g, umbral_youden = u_youden,
youden_VP = unname(m_y["VP"]), youden_FN = unname(m_y["FN"]), youden_VN = unname(m_y["VN"]),
youden_FP = unname(m_y["FP"]), youden_sensibilidad = unname(m_y["sens"]),
youden_especificidad = unname(m_y["esp"]), youden_exactitud = unname(m_y["exactitud"]),
u50_VP = unname(m50["VP"]), u50_FN = unname(m50["FN"]), u50_VN = unname(m50["VN"]),
u50_FP = unname(m50["FP"]),
hosmer_lemeshow_X2 = hl$X2, hosmer_lemeshow_p = hl$p, brier = brier)
stopifnot(!anyDuplicated(names(clave)), !anyNA(clave))
write.csv(data.frame(resultado = names(clave), valor = sprintf("%.12g", clave)),
file.path("Tablas_Estadisticas", "Resultados_clave_precision_completa.csv"),
row.names = FALSE)