Clase 1: Introducción al Curso Análisis Avanzado de Datos II
2025-03-10
Presentación
Este curso profundiza en las técnicas de análisis multivariante, permitiendo examinar de manera integrada la interacción de múltiples factores en el estudio de problemas sociales. Se enfatiza la comprensión de los procedimientos y la interpretación rigurosa de los resultados, con un enfoque aplicado mediante el uso de herramientas computacionales, principalmente R y RStudio.
El curso prioriza la aplicación práctica de los métodos estadísticos sin requerir una profundización en sus fundamentos matemáticos. Al finalizar, el estudiante será capaz de analizar datos primarios y secundarios, identificar la técnica estadística adecuada según el contexto y generar informes que comuniquen de manera efectiva los hallazgos obtenidos.
Resultados de Aprendizaje
Resultado general: Desarrollar la capacidad de aplicar técnicas de estadística multivariante descriptiva e inferencial para analizar datos, formular hipótesis y construir modelos explicativos en investigaciones sociales, asegurando la correcta interpretación y comunicación de los resultados.
Resultados Específicos
- Gestionar bases de datos complejas, asegurando su preparación y estructuración para el análisis.
- Definir y estructurar problemas de análisis multivariante, formulando preguntas de investigación con sustento metodológico.
- Seleccionar técnicas estadísticas adecuadas, justificando su aplicación en función del tipo de datos y los objetivos del análisis.
- Utilizar herramientas computacionales especializadas, aplicando modelos en R y RStudio de manera efectiva.
- Interpretar de forma rigurosa los resultados del análisis, identificando sus alcances y limitaciones.
- Redactar informes técnicos y académicos, comunicando los hallazgos de manera clara, estructurada y fundamentada.
Contenidos
1. Gestión de Datos con R
- Introducción a la manipulación de datos con tidyverse.
- Cálculo e interpretación de estadísticos descriptivos.
- Visualización de información con ggplot2.
- Elementos introductorios de investigación reproducible.
2. Introducción al uso de muestras complejas en R
- Conceptos fundamentales de muestreo complejo.
- Diseño de encuestas y aplicación de ponderaciones.
- Inferencia estadística en muestras complejas.
- Manejo de encuestas con los paquetes survey y svyr.
Contenidos
3. Introducción a los Modelos Multivariados
- Rol de los modelos en las ciencias sociales.
- Diferencias entre enfoques exploratorios y confirmatorios.
- Repaso de conceptos estadísticos clave: covarianza, correlación e inferencia.
- Supuestos del análisis multivariante y su importancia.
4. Repaso de modelos de regresión
- Relevancia del control estadístico.
- Regresión lineal múltiple.
- Regresión logística binaria.
Contenidos
5. Análisis Factorial Exploratorio
- Aplicación en la investigación sociológica.
- Comparación entre análisis de componentes principales y factor común; supuestos del método.
- Métodos de extracción de factores, criterios de selección y técnicas de rotación.
- Interpretación de la matriz factorial y evaluación del ajuste. Cálculo de puntuaciones factoriales.
- Introducción al paquete psych.
Contenidos
6. Análisis Factorial Confirmatorio
- Diferencias principales con el análisis factorial exploratorio.
- Especificación e identificación del modelo, estimación de parámetros.
- Evaluación del ajuste, reespecificación y validez (convergente y discriminante).
- Ejemplo práctico de análisis confirmatorio.
- Introducción al paquete lavaan.
Contenidos
7. Análisis de Sendero
- Fundamentos y aplicación en ciencias sociales.
- Especificación del modelo de sendero y verificación de supuestos.
- Evaluación de la medición y capacidad confirmatoria.
- Ejemplo aplicado en investigación sociológica.
8. Modelos de Ecuaciones Estructurales
- Definición y aplicación de los SEM en ciencias sociales.
- Estructura del modelo y supuestos de la técnica.
- Estimación y evaluación del modelo, introducción de modificaciones.
- Ejemplos de modelamiento de ecuaciones estructurales.
Bibliografía
| 1 |
Analisis Estadistico Multivariante -
Un Enfoque Teorico y Practico |
De La Garza
Garcia, Jorge |
2013 |
| 2 |
Análisis de datos multivariantes. |
Peña, Daniel |
2002 |
| 3 |
Análisis Multivariado Aplicado |
Uriel Y Aldas |
2005, 1ª Edición |
| 4 |
Análisis Multivariante para las Ciencias Sociales |
Levi J.P. y
Varela J. |
2001 |
| 5 |
Modelos de Ecuaciones Estructurales Cuadernos de estadística |
Batista, J.M. y Coenders G. |
2012 |
| 6 |
Introducción al Análisis de Regresión Lineal |
Montgomery, Peck y Vining |
2006 |
| 7 |
El análisis factorial como técnica de investigación en Psicología |
Ferrando, P. J., & Anguiano-Carrasco, C. |
2010 |
Bibliografía
| 8 |
Análisis factorial confirmatorio. Su utilidad en la validación de cuestionarios relacionados con la salud. |
Batista-Foguet, J.M., Coenders, G., & Alonso, J. |
2004 |
| 9 |
El Path Analysis: conceptos básicos y ejemplos de aplicación. |
Pérez, E., Medrano, L. A., & Rosas, J. S |
2013 |
| 10 |
Modelos de ecuaciones estructurales |
Ruiz, M.A |
2010 |
| 11 |
RStudio para Estadística Descriptiva en Ciencias Sociales. Manual de apoyo docente para la asignatura Estadística Descriptiva |
Boccardo, G. y Ruiz, F. |
2019 |
| 12 |
R para Ciencia de Datos https://es.r4ds.hadley.nz/index.html |
Wickham, H |
2019 |
| 13 |
Exploring complex survey data analysis using R: A tidy introduction with {srvyr} and {survey} |
Zimmer, S. A |
2024 |
Evaluaciones
| Tareas uso de R |
24 de marzo
28 de abril
2 de junio
16 de junio |
30% |
| Prueba |
19 de mayo |
35% |
| Trabajo final |
1 de julio |
35% |
Ayudantías
El curso tiene dos ayudantes:
Fernanda Hurtado fernanda.hurtado@mail.udp.cl
Francisca Hernández francisca.hernandez_c@mail.udp.cl
Están disponibles para responder las dudas que puedan tener a lo largo del curso, tanto estadísticas como de uso de software.
Habrá sesiones de ayudantía cada 2 semanas aproximadamente, centradas en la aplicación de las técnicas que revisaremos en R.
También les acompañarán en la realización de tareas y trabajos de investigación.
Delegado de Curso
Las comunicaciones del curso con el equipo docente para temas colectivos deberán gestionarse de manera centralizada mediante un delegado, especialmente considerando que hay alumnos de distintas generaciones.
Esto es particularmente relevante para solicitudes respecto a evaluaciones.
Objetivos de la Sesión
Reflexionar sobre el uso de software estadístico en ciencias sociales. Introducir el uso de R y Rstudio para ciencias sociales.
¿Donde se sitúa la estadística en el proceso de investigación?
![]()
USO DE SOFTWARE EN CIENCIAS SOCIALES
Progresivamente se ha generalizado el uso de software estadístico en ciencias sociales, abriendo grandes posibilidades de realizar análisis más complejos y facilitando su uso.
Riesgo de falta de formación estadística y reflexividad (calidad del análisis)
Dos niveles de manejo del software:
- Ejecución básica y correcta interpretación de las salidas estadísticas (necesario mínimo para utilizar la herramienta e interpretar otras investigaciones).
- Manejo avanzado de software y procedimientos estadísticos. Nivel deseable para un uso reflexivo de las herramientas y lectura crítica de otras investigaciones.
¿QUÉ SOFTWARE EXISTEN Y CUÁL UTILIZAR?
![]()
¿QUÉ SOFTWARE EXISTEN Y CUÁL UTILIZAR?
| Alcance |
General, orientación multidisciplinar |
General, orientación multidisciplinar |
Limitado, orientado a Ciencias Sociales |
Limitado, orientado a administración |
Limitado, orientado a Economía |
| Licencia |
Libre (freeware) |
Libre (freeware) |
Pagada (versión de prueba limitada) |
Pagada (versión de prueba limitada) |
Pagada (versión de prueba limitada) |
| Aprendizaje |
Sintaxis, poco intuitivo |
Sintaxis, poco intuitivo |
Botones y sintaxis, intuitivo |
Botones y sintaxis, intuitivo |
Botones y sintaxis, intuitivo |
| Visualización |
Avanzada |
Intermedia |
Básica |
Intermedia |
Intermedia |
| Análisis de texto |
Intermedio, poca eficiencia |
Avanzado, amplia eficiencia |
No |
No |
No |
| Minería Datos |
Intermedio, poca eficiencia |
Avanzado, amplia eficiencia |
No |
No |
No |
| Sistema operativo |
Windows, Mac OS, Linux |
Windows, Mac OS, Linux |
Windows, Mac OS |
Windows, Mac OS |
Windows, Mac OS |
(Boccardo y Ruiz, 2018)
¿QUÉ ES R?
R es un software y un lenguaje de programación, ambos de carácter libre, enfocado principalmente en el análisis y visualización de datos. Es desarrollado por The R Foundation for Statistical Computing.
Funciona con una lógica de objetos, sobre los que podemos trabajar con operadores y funciones.
El hecho de que sea un lenguaje de programación nos permite programar funciones, por lo que es posible pasar de ser usuarios a programadores.
Instalamos una versión básica y podemos agregar paquetes con nuevas funciones.
Su interfaz es poco amigable, la solución: R Studio.
¿PORQUÉ APRENDER Y USAR R Y RSTUDIO?
![]()
![]()
¿PORQUÉ USAR R?
- Es libre y gratis.
- Por lo anterior ofrece grandes posibilidades de personalización de los análisis y amplitud de herramientas (en actualización).
- Amplia y creciente comunidad de usuarios desarrollando funciones y resolviendo problemas en internet (la mayoría en inglés).
- Su sintaxis es simple e intuitiva.
¿PORQUÉ TRABAJAR CON SINTAXIS?
- Replicabilidad: Permite a otros entender como construimos nuestros resultados y replicarlos, cada vez más importante en la ciencia.
- Eficiencia: En condiciones “reales” de trabajo resulta más eficiente que trabajar con botones (aunque ahora pueda parecer contraintuitivo)
- Control: Permite tener claridad de todas las etapas de nuestros análisis, cuestión que en otros software son realizadas por defecto.
(Elousa, 2009 en Boccardo y Ruiz, 2018: 8-9)
R STUDIO
Es una interfaz gráfica para R que nos permite tener mejor visualización y control de los procesos que realizamos.
Tiene 4 partes principales:
- Editor de Sintaxis: formato de block de notas donde podemos construir nuestra sintaxis.
- Ambiente de trabajo (Environment): muestra los objetos que hemos creado (memoria temporal – RAM).
- Consola de R: Aquí es donde podemos ver los resultados de nuestros análisis, las operaciones ejecutadas y mensajes de error.
- Panel de visualización: Aquí aparecen los gráficos que ejecutemos, además de tener la pestaña help y nuestro directorio de trabajo.
INSTALAR R Y RSTUDIO
Instalar R
Podemos encontrar R para Windows, Linux y Mac en https://cloud.r-project.org/
Debemos descargar el paquete base, luego ejecutar el instalador, e instalarlo según las opciones predeterminadas
INSTALAR R Y RSTUDIO
Instalar R Studio
Podemos encontrar R Studio en su sitio web, y bajar la versión gratis, que contiene todas las funciones https://www.rstudio.com/products/rstudio/download/
Debemos fijarnos en elegir el sistema operativo correcto.
Igualmente lo ejecutamos e instalamos según las opciones predeterminadas
![]()
EL PROBLEMA DE JAVA X64
Para algunos análisis R se basa en Javα, el problema es que nuestros computadores suelen instalar de manera automática la versión de 32 bits, porque los navegadores de internet funcionan (o funcionaban) en esta arquitectura, pero nuestro computadores y R funcionan a 64 bits.
Para resolverlo debemos descargar e instalar la versión offline de 64 bits de Java https://www.java.com/es/download/manual.jsp
![]()
PROGRAMACIÓN POR OBJETOS Y FUNCIONES
Tipos de estructuras de datos en R
Vector (vector): columna o fila de datos de un mismo tipo (una variable individual)
Listas (list): Nos permiten agrupar objetos de distinto tipo.
Matrices (matrix): arreglo de dos dimensiones de datos de un mismo tipo (conjunto de variables)
Data.frame (base de datos): Matriz de datos en el que las columnas tienen asignado nombres, y que permite usar todo tipo de datos.
PROGRAMACIÓN POR OBJETOS Y FUNCIONES
Tipos de variables en R
Numérico (numeric; números con decimales)
Números enteros (integer)
Lógicos: Verdadero o Falso
Variables cadena o texto (string / character)
Factores (factor): para variables cualitativas (nominales)
![]()
¿COMO CONTINUAR?
Dominar R es un camino de mediano plazo y es importante desarrollar habilidad de “hacking”, es decir:
- estar dispuesto a buscar respuestas de manera autónoma
- saber donde buscar la información
- utilizar nuevos datos y paquetes por su cuenta
Donde buscar:
Además hay múltiples recursos web para aprender R de manera profunda y guiada.
