Post

More from @RosanaFerrero

Rosana Ferrero 📈📊🙌

@RosanaFerrero

Dec 20

😖Error tipo I vs error tipo II ¿cuál duele más?
La mayoría asume que un error tipo I (falso positivo) es siempre más grave que un error tipo II (falso negativo). Suelen elegir α=0.05 y β=0.20. Sin embargo, esta jerarquía no siempre se sostiene y depende del contexto. ¿Cómo?👇🧵

1️⃣ Error tipo I (α)
Decir que hay un efecto cuando en realidad no lo hay (falso positivo).
Ejemplo:
- Aprobar un fármaco ineficaz o dañino.
- Implementar una intervención inútil.
Cuando elegir un menor α: Cuando los costes de actuar sobre un efecto falso son altos.

2️⃣ Error tipo II (β)
No detectar un efecto real (falso negativo).
Ejemplo
- No detectar un brote epidémico.
- Ignorar un efecto positivo de un nuevo tratamiento
Cuando elegir un menor β: Cuando no actuar tiene consecuencias graves o irreversibles.

#formacion #master

Read 5 tweets

Rosana Ferrero 📈📊🙌

@RosanaFerrero

Dec 18

🚨 𝗠𝘂𝗰𝗵𝗼𝘀 𝗮𝗻𝗮𝗹𝗶𝘀𝘁𝗮𝘀 𝗰𝗼𝗻𝗳𝘂𝗻𝗱𝗲𝗻 𝘁𝗿𝗲𝘀 𝗰𝗼𝗻𝗰𝗲𝗽𝘁𝗼𝘀 𝗰𝗹𝗮𝘃𝗲 𝗲𝗻 𝗿𝗲𝗴𝗿𝗲𝘀𝗶𝗼́𝗻 𝗹𝗶𝗻𝗲𝗮𝗹.
𝗬 𝗲𝘀𝗮 𝗰𝗼𝗻𝗳𝘂𝘀𝗶𝗼́𝗻 𝗻𝗼 𝗲𝘀 𝘁𝗲𝗼́𝗿𝗶𝗰𝗮: 𝘁𝗶𝗲𝗻𝗲 𝗰𝗼𝗻𝘀𝗲𝗰𝘂𝗲𝗻𝗰𝗶𝗮𝘀 𝗽𝗿𝗮́𝗰𝘁𝗶𝗰𝗮𝘀 𝗴𝗿𝗮𝘃𝗲𝘀 ⚠️👇🧵

#stats

🔹𝗢𝘂𝘁𝗹𝗶𝗲𝗿: valor raro en la variable respuesta
🔹𝗟𝗲𝘃𝗲𝗿𝗮𝗴𝗲: posición extrema en el espacio de los predictores
🔹𝗜𝗻𝗳𝗹𝘂𝗲𝗻𝗰𝗶𝗮: capacidad real de una observación para cambiar el modelo si desaparece
𝗦𝗼𝗹𝗼 𝗲𝗹 𝘁𝗲𝗿𝗰𝗲𝗿𝗼 𝗶𝗺𝗽𝗼𝗿𝘁𝗮 𝗱𝗲 𝘃𝗲𝗿𝗱𝗮𝗱

💡 Ahora... 𝗟𝗮 𝗶𝗻𝗳𝗹𝘂𝗲𝗻𝗰𝗶𝗮 𝗻𝗼 𝗲𝘀 𝘂𝗻𝗮 𝗽𝗿𝗼𝗽𝗶𝗲𝗱𝗮𝗱 𝗮𝗯𝘀𝗼𝗹𝘂𝘁𝗮. 𝗘𝘀 𝗰𝗼𝗻𝘁𝗲𝘅𝘁𝘂𝗮𝗹.

La bibliografía está llena de umbrales:
Cook > 0.5, Cook > 1, 4/(n−k−1), |r| > 3, 2(k+1)/n…

Pero todos fallan en responder a la única pregunta relevante:

Read 8 tweets

Rosana Ferrero 📈📊🙌

@RosanaFerrero

Dec 17

📌𝗘𝗹 𝗽-𝘃𝗮𝗹𝗼𝗿: qué es y cómo usarlo con sentido
Si 𝗻𝗼 𝗰𝗼𝗺𝗽𝗿𝗲𝗻𝗱𝗲𝘀 𝗾𝘂𝗲 𝗺𝗶𝗱𝗲 𝗻𝗶 𝗾𝘂𝗲 𝗱𝗲𝗰𝗶𝘀𝗶𝗼𝗻𝗲𝘀 𝗷𝘂𝘀𝘁𝗶𝗳𝗶𝗰𝗮, caerás en 𝗰𝗼𝗻𝗰𝗹𝘂𝘀𝗶𝗼𝗻𝗲𝘀 𝗶𝗻𝗳𝗹𝗮𝗱𝗮𝘀, 𝗱𝗲𝗰𝗶𝘀𝗶𝗼𝗻𝗲𝘀 𝗽𝗼𝗯𝗿𝗲𝘀 𝘆 𝗺𝗼𝗱𝗲𝗹𝗼𝘀 erróneos.
#datascience

El p-valor permite evaluar compatibilidad con un modelo, controlar error tipo I y detectar señales si los datos no encajan con H₀.No garantiza la verdad ni el tamaño del efecto, indica sorpresa bajo supuestos explícitos. Requiere juicio crítico, contexto, análisis de efecto, etc

💥 𝗘𝗹 𝗽-𝘃𝗮𝗹𝗼𝗿 𝗺𝗶𝗱𝗲 𝘀𝗼𝗿𝗽𝗿𝗲𝘀𝗮
Si p < alfa (e.g. 0.05) indica que, 𝗦𝗜 𝗘𝗟 𝗠𝗨𝗡𝗗𝗢 𝗙𝗨𝗡𝗖𝗜𝗢𝗡𝗔𝗥𝗔 𝗖𝗢𝗠𝗢 𝗔𝗦𝗨𝗠𝗘 𝗟𝗔 𝗛0 𝘆 𝗦𝗘 𝗖𝗨𝗠𝗣𝗟𝗜𝗘𝗥𝗔𝗡 𝗟𝗢𝗦 𝗦𝗨𝗣𝗨𝗘𝗦𝗧𝗢𝗦, el resultado observado sería 𝗽𝗼𝗰𝗼 𝗳𝗿𝗲𝗰𝘂𝗲𝗻𝘁𝗲.

Read 8 tweets

Rosana Ferrero 📈📊🙌

@RosanaFerrero

Dec 16

🤔Hace poco, Daniel Lakens publicó una sátira brillante sobre lo que él llama el "Trastorno de Bayesianismo Dogmático".Aunque el tono es humorístico, el mensaje de fondo es vital para cualquiera que trabaje con datos: el tribalismo metodológico está frenando el avance científico.

Como profesionales, a menudo nos vemos atrapados en la guerra entre Frecuentistas y Bayesianos. Pero, ¿y si el camino hacia una ciencia más robusta no fuera elegir un bando, sino aprender a usar toda la caja de herramientas?

Aquí algunas reflexiones para superar esta división:

1️⃣Un carpintero no se define como "seguidor del martillo" en oposición al "culto del destornillador".El enfoque frecuentista y el bayesiano no son dogmas de fe. Cada uno responde a preguntas ligeramente diferentes. La robustez nace de saber qué herramienta aplicar a cada problema

Read 10 tweets

Rosana Ferrero 📈📊🙌

@RosanaFerrero

Dec 15

💡La inferencia estadística es un sistema de gestión de riesgos, relevancia y recursos. Los 3 pilares que todo investigador debe dominar:
1. Controla el riesgo (Justifica tu alfa)
2. Asegura la relevancia (Define tu SESOI)
3. Optimiza la eficiencia (Usa Análisis Secuenciales)

1️⃣ Control: Justificar el Nivel de Alfa (Riesgo a Largo Plazo)
Limita la probabilidad de cometer un Error Tipo I (falso positivo) a un nivel deseado (aproximación frecuentista). Así no haces afirmaciones falsas con demasiada frecuencia.

2️⃣ Relevancia: Definir Efectos Mínimos de Interés (SESOI)
La aproximación frecuentista no solo sirve para evaluar la hipótesis del efecto nulo (H0: mu = 0; útil en algunos casos y no tanto en otros) también permite evaluar efectos no nulos de interés (como el SESOI).

Read 6 tweets

Rosana Ferrero 📈📊🙌

@RosanaFerrero

Dec 13

📊 ¿Tu modelo realmente funciona bien?
Muchos modelos se crean… pero pocos se diagnostican a fondo. Si trabajas con modelos de regresión en R, este recurso puede ahorrarte tiempo y sustos.👇🧵

#stats #rstats #datascience #dataviz #analytics

📦 performance permite evaluar los supuestos de tus modelos:
✅ check_collinearity() Detecta predictores muy correlacionados
✅ check_normality() Evalúa si los residuos siguen una distribución normal
✅ check_heteroscedasticity() Evalúa si la varianza de los residuos es constante

Lo mejor:
👉 check_model() → Una sola función para un diagnóstico visual completo en segundos.

🚀 Más posibilidades con performance:
- Obtén métricas como R², AIC, BIC, RMSE, ICC…
- Diagnostica modelos mixtos, con sobredispersión o inflación cero.

Read 5 tweets

Share this page!

Enter URL or ID to Unroll

Rosana Ferrero 📈📊🙌

Try unrolling a thread yourself!

More from @RosanaFerrero

Rosana Ferrero 📈📊🙌

Rosana Ferrero 📈📊🙌

Rosana Ferrero 📈📊🙌

Rosana Ferrero 📈📊🙌

Rosana Ferrero 📈📊🙌

Rosana Ferrero 📈📊🙌

Did Thread Reader help you today?

Don't want to be a Premium member but still want to support us?

Send Email!