Modelado geoespacial en SPSS 23

Los sistemas de información geográfica (SIG), compuestos de una base de datos espacialmente referenciada y de un conjunto de instrucciones (procedimientos) que nos ayudan a manejarla (Burrough y McDonnell, 1998), son un elemento básico en la construcción de modelos psicosociales operados a la luz de la Metodología Mixta. Este modelado geoespacial puede utilizar datos de mapas que contienen información respecto a las áreas geográficas y datos demográficos u otros elementos descriptivos como, por ejemplo, informes de población relativos a las tasas de desempleo.

El programa SPSS 23, en su módulo base, incorpora ahora un asistente de modelado geoespacial, bastante sencillo de utilizar. Está incorporado en las opciones de análisis:

Publicar resultados "negativos" en el campo científico

En el campo científico, el paradigma dominante, impide que gran parte de los resultados experimentales nunca sean públicos. Esto ocurre frecuentemente cuando las hipótesis que se manejan no terminan corroboradas por el análisis de los datos. 

Un ejemplo sencillo podría ser el ensayo de una técnica nueva de aprendizaje escolar que se cree que ayuda a los niños a mejorar su rendimiento en matemáticas. Si los resultados del experimento muestran que no hay ninguna diferencia significativa entre el grupo control y el grupo con la nueva técnica de aprendizaje, entonces el resultado terminará como un informe inédito, archivado junto a otros informes en los almacenes universitarios o incluso destruido con objeto de no ocupar espacio.

El estadístico Masa en Análisis de Correspondencias

El Análisis de Correspondencias(AC), es un procedimiento que permite describir de forma geométrica las relaciones entre variables de diversa naturaleza. Dentro de este procedimiento nos encontramos entre los primeros resultados el concepto estadístico de Masa, que simplemente es la frecuencia relativa de los totales filas y columnas en la tabla de datos analizada.
Se utiliza tanto para ponderar los perfiles de los puntos, como en la interpretación de la importancia de un punto (influencia) en el análisis desarrollado (los modelos deben seguir a los datos, y no al revés; Benzécri, 1976).  De esta forma, al considerar los puntos con una masa proporcional se evita privilegiar las categorías con frecuencias bajas o nulas.

Odds Ratio en R

En Metodología, frecuentemente usamos algoritmos para considerar una exposición (por ejemplo , absentismo escolar) y determinar su relación al comportamiento problemático (por ejemplo , la delincuencia juvenil) . Son útiles a la hora de expresar una cantidad (magnitud) del riesgo de comportamiento problemático para las personas que son expuestas a determinados agentes.

Supongamos un ejemplo con los datos siguientes: 
Tabla de Absentismo escolarxComportamientos-delictivos 
                        Delincuentes    No delincuentes 
Si-absentismo     2 (a)                8 (b) 
No-absentismo 10 (c)            990 (d) 

El riesgo se expresa en modelos de probabilidad, de una exposición dada causando un comportamiento. Es decir, la probabilidad de comportamiento problemático en los expuestos con respecto a la probabilidad de comportamiento problemático en los que no han sido expuestos. A esto, se conoce como el riesgo relativo (RR).

RR(delincuente en el grupo con absentismo/delincuente en el grupo no absentista)=(2/10)/(10/990)=19,8 

Generador cuántico de números aleatorios

En Proceso de Datos es frecuente encontrarnos con la necesidad de simular el azar. Esto, clásicamente lo hemos resuelto con la generación de números pseudoaleatorios, basados en algoritmos (software).

No obstante, si deseamos tener una mayor precisión sobre la generación del azar, deberíamos resolverlo por sistemas de hardware. Estos dispositivos (TRNG, True Random Number Generator), generan números realmente aleatorios de naturaleza cuántica, basados en el campo electromagnético (Symul et al., 2011).

Si se desea familiarizar con este tipo de generadores recomendamos el siguiente enlace: 

http://qrng.anu.edu.au/index.php

Donde es posible verificar online el funcionamiento, por ejemplo, en la generación de números binarios:
http://qrng.anu.edu.au/RainBin.php
Y también hexadecimales:
http://qrng.anu.edu.au/RainHex.php

Ha superado los tests estándares del NIST (National Institute of Standards and Technology) y los de la batería de Diehard.

Referencias.
Symul,T.; Assad,S.M. and P. K. Lam,P.K. (2011). Appl. Phys. Lett. 98, 231103. http://dx.doi.org/10.1063/1.3597793 (access 5-1-2015).