Análisis Comparativo de Técnicas de Estimación en el Análisis de Redes Aplicado a la Investigación en Docencia Universitaria

Autor:

Angel A. García O’Diana


Línea de Invstigación:

Innovaciones Pedagógicas


LIMA - PERÚ

2024

INTRODUCCIÓN



Realidad Problemática



Problema y Objetivos

¿Qué técnicas de estimación en el análisis de redes son más efectivas para identificar las dinámicas internas en la investigación en docencia universitaria?


  1. Explorar el desempeño del análisis de redes en bases de datos derivadas de pruebas utilizadas en la investigación educativa bajo diferentes condiciones experimentales.

  2. Generar, a través del método de simulación Monte Carlo guiado, a partir de tres bases de datos con características compartidas (ordinales, multivariadas, asimétricas), bases de datos de diferentes tamaños (100; 200; 500; 1,000; 10,000 y 50,000) con comportamientos similares.

  3. Ejecutar los modelos de red en base a cuatro estimadores (EBICglasso, huge, TMFG y LoGo) en las diferentes bases de datos generadas en el paso previo. Explorar los clústeres a través de tres algoritmos (walktrap, leiden y spinglass) en los sistemas de red generados.

  4. Calcular los valores de robustez, precisión y estabilidad de los gráficos de red y sus clusters generados previamente.

Antecedentes

Estimadores de Red




EBICglasso huge TMFG LoGo

Algoritmos de Clustering




Walktrap Leiden Spinglass

Coherencia en la detección de Comunidades

Porcentaje de Comunidades Correctas: \[ PC = \frac{\Sigma_C}{N}, forC = \begin{cases}1 & \mathrm{if } \ \hat\theta=\theta\\2 & \mathrm{if } \ \hat\theta\neq \theta\end{cases} \]


Media Absoluta del Error:

\[ MAE = \frac{\Sigma|\hat\theta - \theta|}{N} \]


Media Absoluta del Sesgo:

\[ MBE = \frac{\Sigma(\hat\theta - \theta)}{N} \]

Coherencia del sistema de Red


Sensibilidad:

\[ Sensitivity = \frac{\mathrm{Number\ of\ true\ edges\ in\ the\ estimated\ network}}{\mathrm{Total\ number\ of\ edges\ in\ the\ true\ network}} \]


Especificidad:

\[ Specificity = \frac{\mathrm{Number\ of\ true\ absent\ edges\ in\ the\ estimated\ network}}{\mathrm{Total\ number\ of\ absent\ edges\ in\ the\ true\ network}} \]


Precisión:

\[ Precision = \frac{\mathrm{Number\ of\ true\ edges\ in\ the\ estimated\ network}}{\mathrm{Total\ number\ of\ edges\ in\ the\ estimated\ network}} \]

Hipótesis

Habrá buen desempeño del análisis de redes en bases de datos derivadas de pruebas utilizadas en la investigación educativa bajo diferentes condiciones experimentales.


  1. La generación de las bases de datos de diferentes tamaños cumple con las características de ser ordinales, multivariadas y asimétricas.

  2. Los modelos ejecutados con los cuatro estimadores en las diferentes bases de datos otorgan resultados coherentes e interpretables.

  3. La exploración de clústeres con los algoritmos planteados en los sistemas de red da resultados comparables e interpretables.

  4. Los valores de robustez, precisión y estabilidad de los gráficos de red, así como de sus clusters permiten confirmar la aplicabilidad del método.

MÉTODOLOGÍA I


METODOLOGÍA II


METODOLOGÍA


RESULTADOS Y DISCUSIÓN

load("net3d.RData")
Net3Dplot(MAST_net$graph, palette = "nbapalettes::raptors_europe", 
          groups = c(1,1,1,1,2,2,2,2,3,3,3), title = "MAST Network",
          save = F,move = T, nodeLabels = as.character(1:11))

RESULTADOS Y DISCUSIÓN

load("net3d.RData")
Net3Dplot(MMSE_net$graph, palette = "ghibli::MononokeLight", 
          groups = comm.mmse, title = "MMSE Network",
          save = F,move = T,nodeLabels = as.character(1:27))

RESULTADOS Y DISCUSIÓN


MAST Network Comparison Plot

RESULTADOS Y DISCUSIÓN


MAST Community Comparison Plot

RESULTADOS Y DISCUSIÓN


RESULTADOS Y DISCUSIÓN


MMSE Network Comparison Plot

RESULTADOS Y DISCUSIÓN


MMSE Community Comparison Plot

RESULTADOS Y DISCUSIÓN


CONCLUSIONES


  1. Tras una elección minuciosa de configuraciones, es posible hallar el equilibrio entre el descubrimiento (sensibilidad, peso de las correlaciones) y cautela (especificidad y precisión) en los métodos evaluados (EBICglasso, huge, TMFG, LoGo), en términos de los valores de especificidad y sensibilidad.

  2. Las configuraciones iniciales en la estimación de comunidades en los sistemas de red son de suma importancia para llegar a un resultado más ajustado a la realidad o a lo que se espera de manera teórica, es posible aseverar esta concordancia en la aplicación simulada presentada, por lo que, en condiciones del mundo real, también puede replicarse y, con ello, descubrir diferentes subsistemas dentro del paradigma general.

  3. Las simulaciones direccionadas por las bases de datos resultaron satisfactorias y precisas.

  4. Los modelos de red estimados durante las simulaciones resultaron correctos y con capacidad de comparación.

  5. Las comunidades examinadas para cada sistema de red obtuvieron resultados correctos y con capacidad de comparación.

RECOMENDACIONES

  1. Se recomienda que en futuros estudios se puedan incluir métodos novedosos para su comparación y prueba de desempeño.

  2. Se recomienda comparar estos algoritmos con otros más modernos, con el objetivo de encontrar algoritmos que puedan tener un comportamiento cada vez más adecuado para los diferentes modelos.

  3. Recomendar que es necesario realizar la comparación de estos estimadores con los estimadores ya existentes de percolación (e.j. CFinder, Copra, Demon, SLPA, DOCD) para comprobar su correcto funcionamiento y determinar su utilidad en las redes psicométricas, así como su aplicación en otros escenarios como en variables relacionadas con la docencia universitaria.

  4. Se recomienda evaluar y comparar, en futuros estudios, los demás tipos de data (ej. ordinal, dicotómica), así como las transformaciones (ej, ranked, logarítmica), para comprobar los diferentes comportamientos en los demás casos.

  5. Recomendación de evaluar el desempeño de los mismos en tamaños de muestra incluso menores de los comprobados en esta investigación, además de evaluar aproximaciones de redes ideográficas aplicadas más allá de los campos clínicos.