🚫4. No evaluar los supuestos del modelo y su ajuste mediante gráficos.🎃
El Cuarteto de Anscombe: 4 conjuntos de datos con misma media, var, correlación, línea de regresión, etc. pero ¿En cuál tiene sentido ajustar una regresión lineal?😱👇 maximaformacion.es/blog-dat/error…
👀 La correlación puede no significar lo que crees que significa.
💥 La interpretación de la correlación y su relevancia práctica debe considerar tanto el contexto específico como las limitaciones estadísticas.
👇 20 Precauciones clave 🧵
#stats #analytics #datascience #data
1️⃣ Las asociaciones observadas deben ser confirmadas en otros datos.
2️⃣ No se deben inferir correlaciones indirectas sin justificación.
3️⃣ Utilizar la regresión en lugar de la correlación puede ser más adecuado.
4️⃣ Correlación nula (o pequeña) ≠ Ausencia de relación.
5️⃣ La correlación no refleja bien las relaciones no lineales (o no monótonas).
6️⃣ Es crucial revisar los gráficos de dispersión antes de interpretar la correlación (e.g. cuarteto de Anscombe).
📉Visualización de datos: introducción práctica by @kjhealy
"Una guía de visualización de datos a la vez práctica y elegante. Healy combina la belleza y el conocimiento de Tufte con la utilidad concreta de Stack Exchange.”— Elizabeth Bruch
@kjhealy 🎨 Fundamentos de visualización de datos by @ClausWilke
Ideal para los que deseen crear #dataviz convincentes.
Desarrolla el ojo crítico para visualizaciones efectivas.
Principios generales y aplicación práctica con ggplot2 en R.
💡Seguro conoces la frase "basura entra, basura sale", pero la calidad de los resultados no solo depende de la calidad de los datos, sino también de la validez del diseño de estudio que les dio forma; un buen diseño es la base para una buena inferencia.
🧵Cómo evaluar la validez?
1️⃣ Validez externa -> generalizar los resultados -> Representatividad de la muestra
👉 Precisión: tamaño de muestra (unidad experimental vs unidad de observación, tratamiento, réplica y pseudo-réplica)
👉 Exactitud: tipo de muestreo (aleatorio y representativo -evitar sesgos-)
2️⃣ Validez externa ecológica/practica -> generalizar a entornos de la vida real. Su practicidad.
👉 Si los métodos, los materiales y el contexto del estudio se aproximan a la situación real que se estudia o no.
6. Crea informes, presentaciones y tableros reproducibles y de alta calidad
📦 R Markdown (o Quarto) texto, código y resultados en un único documento; ¡Adiós copy & paste!
🤖📚 Descubre las mejores herramientas impulsadas por #AI para la investigación académica y ahorra tiempo para hacer lo que más te gusta
📚 Accede a más información en menos tiempo!
🚀 Dale un impulso a tu investigación académica! #GPT#DataScience#science#chatGPT#research#ML
✅Scispace
Espacio de trabajo para automatizar tareas
Obtén una explicación simple de texto, matemáticas y tablas confusas
Haz preguntas de seguimiento y obtén respuestas instantáneas
Busca papers relevantes
Mejora la colaboración buff.ly/3gz7LhQ #Researchtools#science
✅Elicit
Automatiza flujos de trabajo
Encuentra papers relevantes sin palabras clave exactas
Resume conclusiones del documento específicas para tu pregunta
Extrae información clave de los documentos
Lluvia de ideas, resumen y clasificación de textos buff.ly/30DwBok #GPT4
🤯¡Los datos ausentes están por todas partes!😜
👉Pueden invalidar los resultados de tu estudio
👉Muchas funciones utilizan métodos automáticos que pueden no ser óptimos
👉El impacto de la falta de datos es un tema que la mayoría quiere evitar, pero hoy no
¿Qué hacer con los NA?:
🎯Necesitas identificar los datos ausentes, averiguar por qué y cómo faltan:
- errores humanos
- interrupciones del flujo de datos (e.g. meses)
- problemas de privacidad
- sesgo (e.g. tipos de participantes del estudio que tienen >NA)