From b21870a9fedb06bb3a05fa723049688a08b70540 Mon Sep 17 00:00:00 2001 From: Quarto GHA Workflow Runner Date: Wed, 13 Mar 2024 02:14:43 +0000 Subject: [PATCH] Built site for gh-pages --- .nojekyll | 2 +- 01-introduccion.html | 34 +- 02-flujo-basico-2.html | 10 +- 02-flujo-basico.html | 8 +- 03-modelos-genericos.html | 18 +- 05-dags.html | 128 +- .../figure-html/unnamed-chunk-10-1.png | Bin 30322 -> 30636 bytes .../figure-html/unnamed-chunk-13-1.png | Bin 564683 -> 492220 bytes .../figure-html/unnamed-chunk-14-1.png | Bin 556856 -> 484033 bytes .../figure-html/unnamed-chunk-22-1.png | Bin 20111 -> 19857 bytes .../figure-html/unnamed-chunk-25-1.png | Bin 14393 -> 14286 bytes .../figure-html/unnamed-chunk-28-1.png | Bin 12966 -> 12800 bytes .../figure-html/unnamed-chunk-29-1.png | Bin 26740 -> 26984 bytes .../figure-html/unnamed-chunk-32-1.png | Bin 116186 -> 111364 bytes .../figure-html/unnamed-chunk-33-1.png | Bin 245097 -> 235450 bytes .../figure-html/unnamed-chunk-37-1.png | Bin 27588 -> 27538 bytes .../figure-html/unnamed-chunk-38-1.png | Bin 28845 -> 28985 bytes .../figure-html/unnamed-chunk-41-1.png | Bin 83988 -> 80348 bytes .../figure-html/unnamed-chunk-42-1.png | Bin 196923 -> 185024 bytes .../figure-html/unnamed-chunk-50-1.png | Bin 107625 -> 109043 bytes .../figure-html/unnamed-chunk-52-1.png | Bin 90709 -> 91164 bytes .../figure-html/unnamed-chunk-8-1.png | Bin 28828 -> 28980 bytes 06-calculo-do.html | 62 +- 07-buenos-malos-controles.html | 32 +- 08-mcmc.html | 1081 ++++++++++++++++- .../figure-html/unnamed-chunk-12-1.png | Bin 430276 -> 0 bytes .../figure-html/unnamed-chunk-13-1.png | Bin 439056 -> 483267 bytes .../figure-html/unnamed-chunk-15-1.png | Bin 0 -> 446987 bytes .../figure-html/unnamed-chunk-17-1.png | Bin 0 -> 233981 bytes .../figure-html/unnamed-chunk-20-1.png | Bin 0 -> 176842 bytes .../figure-html/unnamed-chunk-3-1.png | Bin 45988 -> 46197 bytes .../figure-html/unnamed-chunk-31-1.png | Bin 0 -> 267041 bytes .../figure-html/unnamed-chunk-32-1.png | Bin 0 -> 346534 bytes .../figure-html/unnamed-chunk-34-1.png | Bin 0 -> 283090 bytes .../figure-html/unnamed-chunk-4-1.png | Bin 61062 -> 59175 bytes .../figure-html/unnamed-chunk-6-1.png | Bin 38215 -> 37147 bytes .../figure-html/unnamed-chunk-7-1.png | Bin 79915 -> 85478 bytes .../figure-html/unnamed-chunk-9-1.png | Bin 61278 -> 62673 bytes figuras/comparacion-normal.gif | Bin 0 -> 133870 bytes figuras/hmc-normal.gif | Bin 0 -> 194319 bytes figuras/mh-1-normal.gif | Bin 0 -> 71682 bytes figuras/mh-2-normal.gif | Bin 0 -> 160649 bytes search.json | 34 +- 43 files changed, 1202 insertions(+), 207 deletions(-) delete mode 100644 08-mcmc_files/figure-html/unnamed-chunk-12-1.png create mode 100644 08-mcmc_files/figure-html/unnamed-chunk-15-1.png create mode 100644 08-mcmc_files/figure-html/unnamed-chunk-17-1.png create mode 100644 08-mcmc_files/figure-html/unnamed-chunk-20-1.png create mode 100644 08-mcmc_files/figure-html/unnamed-chunk-31-1.png create mode 100644 08-mcmc_files/figure-html/unnamed-chunk-32-1.png create mode 100644 08-mcmc_files/figure-html/unnamed-chunk-34-1.png create mode 100644 figuras/comparacion-normal.gif create mode 100644 figuras/hmc-normal.gif create mode 100644 figuras/mh-1-normal.gif create mode 100644 figuras/mh-2-normal.gif diff --git a/.nojekyll b/.nojekyll index 4e22e7d..ba0469d 100644 --- a/.nojekyll +++ b/.nojekyll @@ -1 +1 @@ -f08d527d \ No newline at end of file +cfa4b386 \ No newline at end of file diff --git a/01-introduccion.html b/01-introduccion.html index 80f91b1..711ee3b 100644 --- a/01-introduccion.html +++ b/01-introduccion.html @@ -354,18 +354,18 @@

Ejemp -B -chicos +A +grandes mejora A grandes -sin_mejora +mejora -B -chicos +A +grandes mejora @@ -375,31 +375,31 @@

Ejemp A -chicos +grandes mejora A -grandes +chicos mejora -B -chicos -sin_mejora - - A grandes mejora + +B +chicos +sin_mejora + B chicos mejora -A +B chicos mejora @@ -654,8 +654,8 @@

Ejemp ", width = 200, height = 50)
-
- +
+

Es decir, el tamaño de los cálculos es una causa común de tratamiento (T) y resultado (M). Veremos más adelante que la decisión de condicionar a el tipo de cálculos proviene de un análisis relativamente simple de este diagrama causal, independientemente de los métodos que usemos para estimar las proporciones de interés (en este ejemplo, examinar las tablas cruzadas es equivalente a hacer estimaciones de máxima verosimlitud).

@@ -776,8 +776,8 @@

Eje ", width = 200, height = 50)
-
- +
+

Nótese que el análisis más apropiado no está en los datos: en ambos casos la tabla de datos es exactamente la misma. Los supuestos acerca del proceso que genera los datos sin embargo nos lleva a respuestas opuestas.

diff --git a/02-flujo-basico-2.html b/02-flujo-basico-2.html index 3eca96d..0d05f08 100644 --- a/02-flujo-basico-2.html +++ b/02-flujo-basico-2.html @@ -314,8 +314,8 @@

")#, width = 200, height = 50)
-
- +
+

Donde vemos ahora que el estado real de cada persona de la prueba es desconocido, aunque el resultado de la prueba depende de ese estado, y la cantidad de positivos que observamos es ahora \(N_{obs}\), que depende también de la sensibilidad y especificidad de la prueba.

@@ -557,8 +557,8 @@

")#, width = 200, height = 50)
-
- +
+

Usando argumentos como los del modelo original, las distribuciones de esp y sens son beta y podemos incorporarlas en la simulación de la posterior. Nuestra nueva función para simular el proceso generativo es:

@@ -652,7 +652,7 @@ 

sims <- ajuste$draws(c("theta", "sens", "esp"), format = "df")
 resumen <- ajuste$summary(c("theta"))
diff --git a/02-flujo-basico.html b/02-flujo-basico.html index d59e20e..bfa2b0c 100644 --- a/02-flujo-basico.html +++ b/02-flujo-basico.html @@ -333,8 +333,8 @@

", width = 300, height = 100)
-
- +
+

Que también podríamos simplificar (suponiendo la \(N\) fija y conocida, pues \(N_+\) y \(M\) dan \(N_{-}\)) como:

@@ -367,8 +367,8 @@

", width = 300, height = 100)
-
- +
+

Y ahora construimos el modelo generativo. Supondremos que la muestra de \(N\) personas se toma de manera aleatoria de la población (una población grande, así que podemos ignorar el efecto de muestreo). Supondremos provisionalmente, además, que la prueba es perfecta, es decir, no hay falsos positivos o negativos.

diff --git a/03-modelos-genericos.html b/03-modelos-genericos.html index 79446f6..145f4be 100644 --- a/03-modelos-genericos.html +++ b/03-modelos-genericos.html @@ -339,8 +339,8 @@

")#, width = 200, height = 50)
-
- +
+

Nótese que no consideramos \(W\to H\), porque podemos pensar en varias intervenciones que podrían cambiar el peso por no cambian la estatura. Por otro lado, es difícil pensar en alguna intervención que cambie la estatura pero no cambie el peso de una persona. Adicionalmente, hay otros factores desconocidos no observados \(U\) que afectan el peso de cada persona adicionalmente a su estatura.

@@ -934,8 +934,8 @@

", width = 200, height = 50)
-
- +
+

Omitiendo del diagrama las variables no observadas que también son causas únicamente de \(S\) y \(W, H\):

@@ -960,8 +960,8 @@

", width = 200, height = 50)
-
- +
+

Si queremos saber cómo influye el sexo en el peso, este diagrama indica que hay dos tipos de preguntas que podemos hacer:

@@ -1451,8 +1451,8 @@

")#, width = 200, height = 50)
-
- +
+

En este caso, el modelo causal es como sigue: conocemos la distancia \(D\) al hoyo en cada tiro. El éxito (\(Y=1\)) o fracaso (\(Y=0\)) depende de la distancia, junto con la velocidad a la que sale la pelota (muy alto o muy bajo puede dar un tiro fallido), y el ángulo \(\theta\) de salida. Adicionalmente, hay otros factors \(U\) que pueden afectar la probabilidad de éxito. Nótese que no escribiríamos, por ejemplo \(Y \leftarrow D\), porque la distancia no cambia causalmente con el resultado del tiro, aunque es cierto que si intervenimos en la distancia, esperaríamos obtener tasas de éxito diferentes. Igualmente, es necesario poner una flecha de \(V\) a \(D\) y \(V\) a \(Y\).

@@ -2220,7 +2220,7 @@ 

Warning: 236 of 4000 (6.0%) transitions hit the maximum treedepth limit of 10.
diff --git a/05-dags.html b/05-dags.html
index dee58e4..f6684ba 100644
--- a/05-dags.html
+++ b/05-dags.html
@@ -349,8 +349,8 @@ 
", width = 150, height = 40)
-
- +
+

Nótese que no describimos exactamente cómo son las funciones que relacionan las variables, sino más bien qué variables son causas directas de qué otras. Por ejemplo, aunque en nuestro ejemplo de arriba \(Y\) puede estar correlacionado con \(Z\), no hay una causa directa a \(Y\), porque cambios en \(Z\) afectan a \(X\), y es el cambio en \(X\) que es causa directa de \(Y\).

@@ -407,8 +407,8 @@

")
-
- +
+

En este ejemplos no podemos saber \(U1\) y \(U2\), y no nos interesa modelar la física de monedas, manera de lanzarlas, etc. En este ejemplo también no consideraremos qué hace que un día sea soleado o lluvioso (no nos interesa modelar el clima). En este momento, en teoría tenemos ecuaciones determinísticas para todas las variables, y si conocemos todas las variables exógenas \(U1,U2,U3,U4\) podríamos determinar exactamente lo que va a suceder con la ganancia, por ejemplo, o cualquier otra variable del sistema.

@@ -439,8 +439,8 @@

")
-
- +
+
@@ -515,13 +515,13 @@

Ejemplo

simular_juego(5)
# A tibble: 5 × 5
-      x d           s1    s2     g
-  <dbl> <chr>    <int> <int> <int>
-1 0.790 soleado      3     4     3
-2 0.590 soleado      2     3     2
-3 0.903 lluvioso     5     5    10
-4 0.603 soleado      3     3     3
-5 0.551 lluvioso     5     4     9
+ x d s1 s2 g + <dbl> <chr> <int> <int> <int> +1 1.00 soleado 5 5 5 +2 0.0271 soleado 0 0 0 +3 0.571 lluvioso 2 4 6 +4 0.197 soleado 1 1 1 +5 0.206 lluvioso 1 2 3
@@ -583,8 +583,8 @@

", width = 200, height = 50)
-
- +
+

En este caso,

@@ -633,8 +633,8 @@

Ejemplo (si 
cor(sims_confusor |> select(x,y)) |> round(3)
       x      y
-x  1.000 -0.425
-y -0.425  1.000
+x 1.000 -0.423 +y -0.423 1.000

Sin embargo, si condicionamos a \(Z\), que puede tomar los valores 0 o 1, vemos que \(X\) y \(Y\) son independientes, o dicho de otra manera, la condicional de \(Y\) dada \(Z\) y \(X\) sólo depende de \(Z\):

@@ -659,15 +659,15 @@

Ejemplo (si 
cor(sims_confusor |> filter(z == 1) |> select(x,y)) |> round(3)
-
       x      y
-x  1.000 -0.003
-y -0.003  1.000
+
      x     y
+x 1.000 0.001
+y 0.001 1.000
cor(sims_confusor |> filter(z == 0) |> select(x,y)) |> round(3)
      x     y
-x 1.000 0.008
-y 0.008 1.000
+x 1.000 0.002 +y 0.002 1.000

Un ejemplo con variables continuas podría ser como sigue:

@@ -767,8 +767,8 @@

E ", width = 200, height = 50)
-
- +
+

Por la discusión de arriba, es claro que es necesario considerar la edad al casarse si queremos estimar el efecto de tasa de matrimonio en la tasa de divorcio. Es posible que la correlación entre estas dos tasas puede ser explicada solamente por la edad al casarse, y que en realidad al flecha \(M\to D\) sea muy débil o inexistente.

@@ -919,8 +919,8 @@

", width = 200, height = 50)
-
- +
+

Es decir, borramos todas las flechas que caen en \(M\) (pues la estamos interveniendo al valor que queramos), y luego simulando \(D\).

@@ -936,7 +936,7 @@

@@ -988,8 +988,8 @@

", width = 150, height = 20)
-
- +
+

En este caso,

@@ -1056,15 +1056,15 @@ 

cor(sims_mediador |> filter(z == 1) |> select(x,y)) |> round(3)
-
       x      y
-x  1.000 -0.004
-y -0.004  1.000
+
      x     y
+x 1.000 0.001
+y 0.001 1.000
cor(sims_mediador |> filter(z == 0) |> select(x,y)) |> round(3)
      x     y
-x 1.000 0.001
-y 0.001 1.000
+x 1.000 0.008 +y 0.008 1.000

Podemos también hacer un ejemplo continuo:

@@ -1157,8 +1157,8 @@

Ejemplo: Burks")
-
- +
+

Como el NSE es del hogar (una medida general de estatus social), se consideró en principio como una variable pre-tratamiento a la inteligencia de los niños por la que tradicionalmente se controlaba. Burks notó que hacer esto tenía no era apropiado, pues tiene como consecuencia cortar parte del efecto total de la inteligencia sobre el la inteligencia de los hijos. En otras palabras: la inteligencia de los padres hace más probable mejor NSE, y mejor NSE presenta mejores condiciones de desarrollo para sus hijos. Estatificar por esta variable bloquea este efecto.

@@ -1185,8 +1185,8 @@

", width = 200, height = 50)
-
- +
+