From d360af011a2b1cfe304aa2c4bdfa3e10c3b11c93 Mon Sep 17 00:00:00 2001 From: Quarto GHA Workflow Runner Date: Wed, 17 Apr 2024 20:28:28 +0000 Subject: [PATCH] Built site for gh-pages --- .nojekyll | 2 +- 01-introduccion.html | 34 ++--- 02-flujo-basico-2.html | 8 +- 02-flujo-basico.html | 8 +- 03-modelos-genericos.html | 20 +-- 05-dags.html | 128 +++++++++--------- .../figure-html/unnamed-chunk-10-1.png | Bin 30682 -> 30797 bytes .../figure-html/unnamed-chunk-13-1.png | Bin 567921 -> 480607 bytes .../figure-html/unnamed-chunk-14-1.png | Bin 559410 -> 472129 bytes .../figure-html/unnamed-chunk-22-1.png | Bin 19969 -> 19834 bytes .../figure-html/unnamed-chunk-25-1.png | Bin 16555 -> 20426 bytes .../figure-html/unnamed-chunk-28-1.png | Bin 12867 -> 12867 bytes .../figure-html/unnamed-chunk-29-1.png | Bin 26839 -> 26807 bytes .../figure-html/unnamed-chunk-32-1.png | Bin 102159 -> 109737 bytes .../figure-html/unnamed-chunk-33-1.png | Bin 216708 -> 236413 bytes .../figure-html/unnamed-chunk-37-1.png | Bin 27535 -> 27459 bytes .../figure-html/unnamed-chunk-38-1.png | Bin 29142 -> 29025 bytes .../figure-html/unnamed-chunk-41-1.png | Bin 75536 -> 80219 bytes .../figure-html/unnamed-chunk-42-1.png | Bin 177819 -> 187768 bytes .../figure-html/unnamed-chunk-50-1.png | Bin 100041 -> 107182 bytes .../figure-html/unnamed-chunk-52-1.png | Bin 89058 -> 84916 bytes .../figure-html/unnamed-chunk-8-1.png | Bin 29082 -> 28866 bytes 06-calculo-do.html | 58 ++++---- 07-buenos-malos-controles.html | 32 ++--- 08-mcmc.html | 26 ++-- 09-modelos-jerarquicos.html | 34 ++--- .../figure-html/unnamed-chunk-6-1.png | Bin 75354 -> 73411 bytes search.json | 38 +++--- site_libs/bootstrap/bootstrap.min.css | 2 +- 29 files changed, 195 insertions(+), 195 deletions(-) diff --git a/.nojekyll b/.nojekyll index c4ab42b..5956025 100644 --- a/.nojekyll +++ b/.nojekyll @@ -1 +1 @@ -4b8fc440 \ No newline at end of file +76578e17 \ No newline at end of file diff --git a/01-introduccion.html b/01-introduccion.html index 09442ed..3c09ff3 100644 --- a/01-introduccion.html +++ b/01-introduccion.html @@ -360,12 +360,12 @@

Ejemp -B -grandes -mejora +A +chicos +sin_mejora -A +B grandes mejora @@ -375,37 +375,37 @@

Ejemp mejora -B -chicos -sin_mejora - - A grandes mejora + +B +grandes +sin_mejora + B chicos mejora -B +A chicos mejora A grandes -mejora +sin_mejora -B +A chicos mejora -B +A grandes mejora @@ -660,8 +660,8 @@

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).

@@ -782,8 +782,8 @@

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 1c8ef2a..4daf6a3 100644 --- a/02-flujo-basico-2.html +++ b/02-flujo-basico-2.html @@ -320,8 +320,8 @@

")#, 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.

@@ -563,8 +563,8 @@

")#, 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:

diff --git a/02-flujo-basico.html b/02-flujo-basico.html index acc71f6..8095611 100644 --- a/02-flujo-basico.html +++ b/02-flujo-basico.html @@ -339,8 +339,8 @@

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

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

@@ -373,8 +373,8 @@

", 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 a17a466..05cdc91 100644 --- a/03-modelos-genericos.html +++ b/03-modelos-genericos.html @@ -345,8 +345,8 @@

")#, 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.

@@ -940,8 +940,8 @@

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

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

@@ -966,8 +966,8 @@

", 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:

@@ -1064,7 +1064,7 @@

Verifica All 4 chains finished successfully. Mean chain execution time: 0.1 seconds. -Total execution time: 0.6 seconds. +Total execution time: 0.7 seconds.
@@ -1457,8 +1457,8 @@

")#, 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 \(Y\).

@@ -2226,7 +2226,7 @@ 

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 7f1864c..deff427 100644
--- a/05-dags.html
+++ b/05-dags.html
@@ -355,8 +355,8 @@ 
", 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 \(Y\).

@@ -413,8 +413,8 @@

")
-
- +
+

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.

@@ -445,8 +445,8 @@

")
-
- +
+
@@ -521,13 +521,13 @@

Ejemplo

simular_juego(5)
# A tibble: 5 × 5
-      x d           s1    s2     g
-  <dbl> <chr>    <int> <int> <int>
-1 0.341 soleado      1     1     1
-2 0.399 soleado      1     2     1
-3 0.555 lluvioso     3     4     7
-4 0.942 soleado      4     5     4
-5 0.907 soleado      5     5     5
+ x d s1 s2 g + <dbl> <chr> <int> <int> <int> +1 0.0907 lluvioso 3 0 3 +2 0.808 soleado 4 3 4 +3 0.410 soleado 1 4 1 +4 0.422 soleado 2 1 2 +5 0.253 soleado 2 0 2
@@ -589,8 +589,8 @@

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

En este caso,

@@ -639,8 +639,8 @@

Ejemplo (si 
cor(sims_confusor |> select(x,y)) |> round(3)
       x      y
-x  1.000 -0.426
-y -0.426  1.000
+x 1.000 -0.418 +y -0.418 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 \(Z\):

@@ -666,14 +666,14 @@

Ejemplo (si 
cor(sims_confusor |> filter(z == 1) |> select(x,y)) |> round(3)
      x     y
-x 1.000 0.013
-y 0.013 1.000
+x 1.000 0.003 +y 0.003 1.000 
cor(sims_confusor |> filter(z == 0) |> select(x,y)) |> round(3)
-
       x      y
-x  1.000 -0.002
-y -0.002  1.000
+
      x     y
+x 1.000 0.003
+y 0.003 1.000

Un ejemplo con variables continuas podría ser como sigue:

@@ -773,8 +773,8 @@

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.

@@ -925,8 +925,8 @@

", 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 \(D\).

@@ -942,7 +942,7 @@

@@ -994,8 +994,8 @@

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

En este caso,

@@ -1062,15 +1062,15 @@ 

cor(sims_mediador |> filter(z == 1) |> select(x,y)) |> round(3)
-
  x y
-x 1 0
-y 0 1
+
       x      y
+x  1.000 -0.007
+y -0.007  1.000
cor(sims_mediador |> filter(z == 0) |> select(x,y)) |> round(3)
      x     y
-x 1.000 0.003
-y 0.003 1.000
+x 1.000 0.005 +y 0.005 1.000

Podemos también hacer un ejemplo continuo:

@@ -1163,8 +1163,8 @@

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.

@@ -1191,8 +1191,8 @@

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