Modelamiento y Técnicas Predictivas

Ustedes van a usar los modelos para buscar explicaciones. Que están fundamentadas en la teoría.

Ejemplo: vas a tu clase X.

Te dicen: la DEMOCRACIA. ¿Qué hay que hacer para que la democracia mejore?

Tu democracia es tu variable Y. Y todas las X que se te ocurra, son aquellas cosas que tú crees impactarían la democracia (positiva o negativamente).

Concepto más chiquito: democracia participativa. Y así… te vas a ir achicando más.

En lo que te vas a romper la cabeza: cómo medir la Y.

La estadística no sabe lo que le estás metiendo. [La responsabilidad de uno es buscar buenos conceptos]

CUENTOS NUEVOS CUENTOS ENCONTRAR TU CUENTO

En pregrado: no te piden que inventes una teoría.

[Putnam, Making Democracy Work]

Busca la HIPÓTESIS. Si se llama científico, ¿cuál es la hipótesis?

Democratic Governance

La estadística no se responsbiliza por el tipo de concepto. ESCALA.

Todo depende de la Y

Hipótesis: X1, X2, X3 y X4 impactan en la Y.

Si solo cojo Y y X1 [y así de dos en dos]: no estoy controlando. Se puede tener una correlación espúrea: NO ES LO QUE ESTÁS VIENDO, ES OTAR COSA.

VALIDEZ MUESTRAL: manera en que cualquier estadística se protege. R te puede decir: “lo que me has dado no es suficiente” [ESO TIENE QUE VER CON EL P-VALOR] —> SIGNIFICANCIA

[Todos los modelos requieren de una buena cantidad de datos]

La parte inferencial de la Estadística NO GENERALIZA TAN RÁPIDO

SENTIDO o DIRECCIÓN: signos: positivo (ayuda a la Y) o negativo (perjudica a la Y)

Los modelos están para hallar relaciones entre variables.

Primera parte del curso: explorando data comprehensiva [todos los distritos]. por eso vale la pena hacer clusters

Las técnicas de dimensionalidad sirven para analizar los casos

En los modelos, lo que nos importan son las columnas

INTENSIDAD o FUERZA

[Nosotros estamos buscando sostener una teoría. No tanto predecir.]

Las Y tienen que sonar a que son resultado de algo. En nuestro ejemplo, nuestras Y son los votos por PPK y FP. Y lo demás, tiene que ver con Desarrollo Humano.

Carguemos la data:

folder='data'
fileName='idh_elec.csv'
fileToRead=file.path(folder,fileName)
idh_elec=read.csv(fileToRead,strip.white = T,
                  stringsAsFactors = F)

Veamos el TIPO de data que tenemos:

str(idh_elec)

## 'data.frame':    1834 obs. of  14 variables:
##  $ ubiReg    : int  10000 10000 10000 10000 10000 10000 10000 10000 10000 10000 ...
##  $ ubiProv   : int  10200 10200 10200 10200 10200 10200 10300 10300 10300 10300 ...
##  $ ubiDis    : int  10202 10201 10203 10204 10205 10206 10302 10303 10304 10305 ...
##  $ depa      : chr  "AMAZONAS" "AMAZONAS" "AMAZONAS" "AMAZONAS" ...
##  $ prov      : chr  "BAGUA" "BAGUA" "BAGUA" "BAGUA" ...
##  $ dist      : chr  "ARAMANGO" "BAGUA" "COPALLIN" "EL PARCO" ...
##  $ pobla     : int  11587 26067 6501 1443 23820 8020 349 282 922 883 ...
##  $ idh       : num  0.311 0.479 0.366 0.408 0.236 ...
##  $ esperanza : num  76.8 74.7 78 77.4 77.4 ...
##  $ secundaria: num  21.6 59.3 38.7 44.1 16 ...
##  $ tiempoedu : num  5.38 8.33 5.77 6.24 5.78 8.33 5.76 6.75 4.83 5.04 ...
##  $ percapitaf: num  405 662 452 551 209 ...
##  $ PPK       : int  1823 4949 1490 604 6282 2342 135 92 234 283 ...
##  $ FP        : int  3072 5809 1321 400 2059 2765 118 162 189 155 ...

A ti, la ONU te dice que el IDH (siguiendo a Sen), es importante. Y que es una latente que contiene a: esperanza, secundaria, tiempoedu y percapitaf.

Podría hacer Esta 1, y hacer que X sea IDH e Y sea PPK.

Pero ahora, haciendo Esta 2, podríamos hacer que las X sean esperanza, secundaria, tiempoedu, percapitaf. Y la Y sigue siendo PPK.

El primer Y que vamos a hacer son los votos de PPK.

En los exámenes: tengo que tratar de crear nuevas variables

idh_elec$ganappk=as.factor(ifelse(idh_elec$PPK>idh_elec$FP,1,0)) #pongo as.factor porque quiero que sea categórica
#Añado etiquetas de valor
levels(idh_elec$ganappk)=c('Keiko','PPK') #Primero 'Keiko' porque es 0; 'PPK' es 1

Creo un test:

test=idh_elec[,c('ganappk','esperanza','secundaria','tiempoedu','percapitaf')]
aggregate(cbind(esperanza,secundaria,tiempoedu,percapitaf) ~ ganappk, data=test,FUN=mean) #en cbind van las numéricas; después de ~ va la categórica; luego la data; y luego la función

##   ganappk esperanza secundaria tiempoedu percapitaf
## 1   Keiko  73.26403   43.87029  6.775873   386.2901
## 2     PPK  71.96195   47.73951  6.882518   399.6531

OJO: acá pareciera que todo está controlado. Pero no lo está. [Recuerda gráfico de IPSOS que sostenía que (solo) el nivel educativo era lo que influía y diferenciaba el voto de Keiko y PPK]

Exploremos esos grupos con más detalle:

par(mfrow=c(2,2))
boxplot(esperanza ~ ganappk, data=test,main='esperanza de vida')
boxplot(secundaria ~ ganappk, data=test,main='secundaria')
boxplot(tiempoedu ~ ganappk, data=test,main='años de educación')
boxplot(percapitaf ~ ganappk, data=test,main='percapita familiar')

Si las colas de los boxplots no se chocasen [análogo a los intervalos de confianza, o a cuando hacíamos prueba t], ahí recién habría significancia.

Ahora… propongamos un modelo:

modeloDico <- glm(ganappk ~ ., 
                 data = test, 
                 family = "binomial")

summary(modeloDico)

## 
## Call:
## glm(formula = ganappk ~ ., family = "binomial", data = test)
## 
## Deviance Residuals: 
##    Min      1Q  Median      3Q     Max  
## -1.666  -1.080  -0.904   1.199   1.655  
## 
## Coefficients:
##               Estimate Std. Error z value Pr(>|z|)    
## (Intercept)  3.7432039  0.6927416   5.403 6.54e-08 ***
## esperanza   -0.0558598  0.0096419  -5.793 6.90e-09 ***
## secundaria   0.0140213  0.0032690   4.289 1.79e-05 ***
## tiempoedu   -0.1062897  0.0496310  -2.142   0.0322 *  
## percapitaf   0.0005724  0.0003128   1.830   0.0673 .  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 2528.8  on 1833  degrees of freedom
## Residual deviance: 2473.6  on 1829  degrees of freedom
## AIC: 2483.6
## 
## Number of Fisher Scoring iterations: 4

#Se pone un . luego de ~ para poner todas las demás

[Miras a los coeficientes. La columna Pr(>|z|) es el p-valor]

¿Cuáles ayudarían a que PPK gane? Las positivas, y que tengan VALIDEZ MUESTRAL.

[En Marketing: o uno consolida su mercado, o uno construye su mercado]

[Indecisos: construirías tu mercado]

[Por ejemplo: candidatos que van a universidades, ¿reforzando su mercado cautivo?]

[El reto de los equipos de campaña es decidir]