Inferencia causal en estudios observacionales usando modelos bayesianos : (aplicada a deserción estudiantil)
En el siguiente trabajo se emplearon técnicas de inferencia bayesiana y análisis causal buscando explicar la deserción estudiantil de primer año de la Universidad Nacional de San Martín. Con el objetivo de cuantificar la influencia de cada causa de deserción, se aplicó el novedoso método del deconfo...
Guardado en:
Autor principal: | |
---|---|
Otros Autores: | |
Formato: | Tesis de grado publishedVersion |
Lenguaje: | Español |
Publicado: |
Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
2023
|
Acceso en línea: | https://hdl.handle.net/20.500.12110/seminario_nFIS000156_Asplanato |
Aporte de: |
id |
seminario:seminario_nFIS000156_Asplanato |
---|---|
record_format |
dspace |
spelling |
seminario:seminario_nFIS000156_Asplanato2023-09-12T13:14:38Z Inferencia causal en estudios observacionales usando modelos bayesianos : (aplicada a deserción estudiantil) Asplanato, Leila Sofía Díaz, Rodrigo Fernando Alvarez, Ezequiel En el siguiente trabajo se emplearon técnicas de inferencia bayesiana y análisis causal buscando explicar la deserción estudiantil de primer año de la Universidad Nacional de San Martín. Con el objetivo de cuantificar la influencia de cada causa de deserción, se aplicó el novedoso método del deconfounder que se destaca en los casos con presencia de múltiples causas. Se logró aplicar el método de este estudio sobre dos bases de datos previamente analizadas por otros autores. Primero se generaron datos semi-sintéticos a partir de una base de datos de fumadores estadounidenses, aplicando el método deconfounder con una de estas variables como confundidora latente a inferir. Aquí pudieron compararse nuestros resultados con los coeficientes reales, y compararlos con la regresión si se hubiese tenido el conjunto completo de datos. También se aplicó el deconfounder sobre la base de datos de cáncer de mamas, de muestras con asignaciones de tumores malignos o benignos a partir de la observación variables morfológicas de muestras celulares. En este caso logramos obtener resultados que coincidian, mayoritariamente, con los reportados por el análisis publicado. Finalmente, se definió el grupo de causas de la base de datos de estudiantes de la UNSAM entre 2017 y 2021, filtrando los datos de la Escuela de Humanidades en base a estudios preliminares realizados por el Licenciado Pablo Aguila. Definiendo un número de 4 variables confundidoras para 13 covariables causales se pudieron obtener coeficientes para los parámetros de medida causal, además de estimar el impacto de las variables confundidoras latentes. Fil: Asplanato, Leila Sofía. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales 2023-03-30 info:eu-repo/semantics/bachelorThesis info:ar-repo/semantics/tesis de grado info:eu-repo/semantics/publishedVersion application/pdf spa info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar https://hdl.handle.net/20.500.12110/seminario_nFIS000156_Asplanato |
institution |
Universidad de Buenos Aires |
institution_str |
I-28 |
repository_str |
R-134 |
collection |
Biblioteca Digital - Facultad de Ciencias Exactas y Naturales (UBA) |
language |
Español |
orig_language_str_mv |
spa |
description |
En el siguiente trabajo se emplearon técnicas de inferencia bayesiana y análisis causal buscando explicar la deserción estudiantil de primer año de la Universidad Nacional de San Martín. Con el objetivo de cuantificar la influencia de cada causa de deserción, se aplicó el novedoso método del deconfounder que se destaca en los casos con presencia de múltiples causas. Se logró aplicar el método de este estudio sobre dos bases de datos previamente analizadas por otros autores. Primero se generaron datos semi-sintéticos a partir de una base de datos de fumadores estadounidenses, aplicando el método deconfounder con una de estas variables como confundidora latente a inferir. Aquí pudieron compararse nuestros resultados con los coeficientes reales, y compararlos con la regresión si se hubiese tenido el conjunto completo de datos. También se aplicó el deconfounder sobre la base de datos de cáncer de mamas, de muestras con asignaciones de tumores malignos o benignos a partir de la observación variables morfológicas de muestras celulares. En este caso logramos obtener resultados que coincidian, mayoritariamente, con los reportados por el análisis publicado. Finalmente, se definió el grupo de causas de la base de datos de estudiantes de la UNSAM entre 2017 y 2021, filtrando los datos de la Escuela de Humanidades en base a estudios preliminares realizados por el Licenciado Pablo Aguila. Definiendo un número de 4 variables confundidoras para 13 covariables causales se pudieron obtener coeficientes para los parámetros de medida causal, además de estimar el impacto de las variables confundidoras latentes. |
author2 |
Díaz, Rodrigo Fernando |
author_facet |
Díaz, Rodrigo Fernando Asplanato, Leila Sofía |
format |
Tesis de grado Tesis de grado publishedVersion |
author |
Asplanato, Leila Sofía |
spellingShingle |
Asplanato, Leila Sofía Inferencia causal en estudios observacionales usando modelos bayesianos : (aplicada a deserción estudiantil) |
author_sort |
Asplanato, Leila Sofía |
title |
Inferencia causal en estudios observacionales usando modelos bayesianos : (aplicada a deserción estudiantil) |
title_short |
Inferencia causal en estudios observacionales usando modelos bayesianos : (aplicada a deserción estudiantil) |
title_full |
Inferencia causal en estudios observacionales usando modelos bayesianos : (aplicada a deserción estudiantil) |
title_fullStr |
Inferencia causal en estudios observacionales usando modelos bayesianos : (aplicada a deserción estudiantil) |
title_full_unstemmed |
Inferencia causal en estudios observacionales usando modelos bayesianos : (aplicada a deserción estudiantil) |
title_sort |
inferencia causal en estudios observacionales usando modelos bayesianos : (aplicada a deserción estudiantil) |
publisher |
Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
publishDate |
2023 |
url |
https://hdl.handle.net/20.500.12110/seminario_nFIS000156_Asplanato |
work_keys_str_mv |
AT asplanatoleilasofia inferenciacausalenestudiosobservacionalesusandomodelosbayesianosaplicadaadesercionestudiantil |
_version_ |
1782031615560515584 |