Introducción al uso de JASP para estimar redes de correlación

Mostraremos brevemente cómo estimar redes de correlación (Epskamp et al., 2012) en JASP, facilitando la interpretación de las variables correlacionadas que frecuentemente se usan en Ciencias del Comportamiento, visualizando las estructuras psicométricas de las escalas de medida. Este tipo de algoritmos modela las interacciones de un número grande de variables, donde se estima la estructura de forma directa, donde usaremos lo conceptos de nodos para señalar a las variables observadas mientras los bordes son las relaciones entre esos nodos. Por defecto, se suele visualizar los bordes azules indicando asociaciones positivas, mientras que los bordes rojos referencias relaciones   negativas. Los bordes más gruesos (oscuros) indican asociaciones más fuertes que los bordes más delgados (claros).

Los datos que vamos a utilizar en nuestro ejemplo corresponde a una muestra de 295 funcionarios de prisiones procedentes de diferentes establecimientos penitenciarios de España. A los cuales se les ha pasado un escala que contiene 10 variables relevantes (Clima1-Clima10).

Para ejecutar el procedimiento en JASP, lo primero deberemos seleccionar la pestaña correspondiente:

A continuación seleccionaremos las opciones básicas del análisis, que es determinar que tipo de estimador deseamos usar (en este caso correlación), así como las variables que deseamos usar y que tipo de red queremos dibujar:

El resultado al final es un diagrama en forma de red donde se visualiza la relación entre las variables analizadas:

...que como podemos observar diferencia bastante dos grupos de variables, que coinciden básicamente con la estructura factorial exploratoria obtenida por el JASP:

La posición de los nodos se resuelve utilizando algoritmo Fruchterman-Reingold, que estructura la red en función del peso (fuerza) de las relaciones (conexiones) entre nodos. Esta solución, al usar números pseudoaleatorios, cuando se repiten los los análisis da soluciones levemente distintas.

Si deseamos los valores brutos de la red deberemos activar debajo del campo Tablas (Tables) la Matriz de pesos (Weights matrix) . Esto da como resultado:

La matriz anterior puede ser difícil de valorar numéricamente, por lo cual se suele complementar con otro tipo de herramientas estadísticas. En nuestro caso al haber usado la opción correlacional esto corresponde con la matriz de correlaciones de Pearson clásica.

Para esta red de correlación, marcamos "Gráfico de centralidad" (Centrality plot) para inspeccionar las medidas de centralidad:

La primera medida de "Centralidad Intermedia" (Betweenness) vendría a ser como el número de caminos más cortos que pasan a través del nodo de interés. De esta forma, la intermediación de Clima4F es relativamente alta en comparación con la del nodo Clima10F. Esto significa que hay más rutas más cortas que pasan a través de Clima4F que a través de Clima10F, y que es más fácil atravesar desde otros nodos a Clima4F que a Clima10F.
La segunda medida de centralidad se llama "Cercanía" (Closeness), y viene a ser el inverso de la suma de todas las rutas más cortas desde el nodo de interés a todos los demás nodos.
La tercera medida de centralidad se llama "Grado" (Degree) , siendo la suma de los pesos de entrada absolutos de ese nodo. Como regla general, una medida de centralidad más alta indica que este nodo es "más central" para la red, en este caso Clima4F (valor 1.328529).

Por supuesto, podemos obtener los mismos resultados en formato numérico pulsando en tablas de centralidad (Centrality table):

Hemos mostrado brevemente cómo estimar redes de correlación en JASP, recordando que este procedimiento también admite otros tipos de análisis de red no contemplados en este breve tutorial.
....

Referencias.

*Epskamp, S., Cramer, A. O., Waldorp, L. J., Schmittmann, V. D., & Borsboom, D. (2012). qgraph: Network visualizations of relationships in psychometric data. Journal of Statistical Software, 48(4), 1-18.