El análisis reticular de coincidencias

  1. Modesto Escobar 1
  2. Carlos Tejero 1
  1. 1 Universidad de Salamanca
    info

    Universidad de Salamanca

    Salamanca, España

    ROR https://ror.org/02f40zc51

Revista:
Empiria: Revista de metodología de ciencias sociales

ISSN: 1139-5737

Año de publicación: 2018

Número: 39

Páginas: 103-128

Tipo: Artículo

DOI: 10.5944/EMPIRIA.39.2018.20879 DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Otras publicaciones en: Empiria: Revista de metodología de ciencias sociales

Resumen

El propósito de este artículo es la propuesta de un nuevo marco para el estudio de las estructuras de datos basado en la combinación de diversos análisis multivariantes y de redes sociales. Mediante estas técnicas se obtienen qué sucesos son los más frecuentes en un conjunto de escenarios y con qué otros sucesos tienden a ocurrir. A este respecto pueden distinguirse diversos gradientes de coincidencias entre los sucesos estudiados, que van desde la nula coincidencia hasta la coincidencia total pasando por las coincidencias estadísticamente probables con nivel de confianza prefijado. La estructura de aparición del conjunto de los sucesos estudiados conforme al gradiente de coincidencia seleccionado puede ser convenientemente representada mediante un grafo. Además de sus fundamentos, se presentan tres programas gratuitos con los que cualquier usuario podría aplicarlo: coin, netcoin y webcoin. Este tipo de procedimiento puede ser aplicado al análisis exploratorio de cuestionarios, al estudio de redes semánticas, a la revisión de bases de datos e incluso a la comparación de distintas técnicas de análisis estadísticos de interdependencia, al hacer uso de métodos factoriales, clasificatorios y distintos modelos de representación de grafos basados en fuerzas de atracción-repulsión como los de Fruchterman-Reingold y Kamada-Kawai.

Referencias bibliográficas

  • AFIFI, A.A., S. MAY y V.A. CLARK (2012): Practical Multivariate Analysis, Boca Raton, CRC Press.
  • AGRAWAL, R., T. IMILINSKI y A. SWAMI (1993): Mining Association Rules between Sets of Items in Large Databases. Ponencia presentada en SIGMOD ‘93 Proceedings of the 1993 ACM SIGMOD International Conference on Management of data, Washington.
  • BERNARDO, J.M. y A.F.M. SMITH (2000): Bayesian Theory. Chichester, UK, Wiley.
  • BOOL, G. (2003): An Investigation of the Laws of Thought, Amherst, NY, Prometheus book.
  • BREIMAN, L. (2001): “Statistical Modeling: the Two Cultures”, Statistical Science, 16(3), 199-131.
  • CARLIN, B.P. y T.A. LOUIS (2000): Bayes and Empirical Bayes Methods for Data Analysis, Boca Raton, FL, Chapman & Hall/CRC.
  • CHERNOFF, H. (1973): “The Use of Faces to Represent Points in K-Dimensional Space Graphically”, Journal of the American Statistical Association, 68(342), 361-368.
  • DAGAN, I., L. LEE y F. PEREIRA (1999): “Similarity-Based Models of Word Cooccurrence Probabilities”, Machine Learning, 34(1), 43-69.
  • ESCOBAR, M. (1999): Análisis gráfico/exploratorio, Madrid, La Muralla.
  • ESCOBAR, M. (2009): “Redes semánticas en textos periodísticos: propuestas técnicas para su representación”, Empiria, 17, pp. 13-39.
  • ESCOBAR, M. (2015): “Studying coincidences with network analysis and other multivariate tools”, The Stata Journal, 15(4), pp. 1118-1156.
  • ESCOBAR, M. y J. GÓMEZ ISLA (2015): “La expresión de la identidad a través de la imagen: los archivos fotográficos de Miguel de Unamuno y Joaquín Turina”, Revista Española de Investigaciones Sociológicas, 152, pp. 23-46.
  • EVERITT, B. S. (2003): The Cambridge Dictionary of Statistics, Cambridge, Cambridge University Press.
  • EVERITT, B.S. y G. DUNN (2001): Applied Multivariate Data Analysis, London, Arnold.
  • FLACH, P. (2012): Machine Learning: The Art and Science of Algorithms that Make Sense of Data. Cambridge, Cambridge University Press.
  • FRUCHTERMAN, T.M.J. y E.M. REINGOLD (1991): “Graph Drawing by ForceDirected Placement”, Software: Practice and Experience, 21(11), 1129-1164.
  • GABRIEL, K. R. (1971): “The Biplot Graphical Display of Matrices with Application to Principal Component Analysis”, Biometrika, 58, 453-467.
  • GOWER, J.C. (1985): “Measures of similarity, dissimilarity and distance”, Encyclopedia of Statistical Sciences Vol. 5, New York, Wiley, pp. 397-405.
  • GREEN, W. H. (2012): Econometric Analysis, Boston, Pearson.
  • GRIFFITH, D. M., J.A. VEECH y C. MARSH (2016): “Cooccur: Probabilistic Species Co-occurrence Analysis in R”, Journal of Statistical Software, 69(2), 1-17.
  • GUJARATI, D.N. y D.C. PORTER (2008): Basic Econometrics. Boston, McGraw Hill.
  • HABERMAN, E. (1973): “The Analysis of Residuals in Cross-classified Tables”, Biometrics, 29, pp. 205-220.
  • HASTIE, T., R. TIBSHIRANI y J. FRIEDMAN (2009): The Elements of Statistical Learning, New York, Springer.
  • HUBÁLEK, Z. (1982): “Coefficients of Association and Similarity, Based on Binary (presence-absence) Data: An Evaluation”, Biological Reviews, 578, 669-689.
  • JAMES, G. et al. (2013): An Introduction to Statistical Learning, New York, Springer.
  • KAMADA, T. Y S. KAWAI (1989): “An Algorithm for Drawing General Undirected Graphs”, Information Processing Letters, 31(1), 7-15.
  • KENDALL, M. G. (1975): Multivariate Analysis, London, Griffin.
  • MATSUO, Y. Y M. ISHIZUKA (2002): “Keyword Extraction from a Document Using Word Co-Occurrence Statistical Information”, Transactions of the Japanese Society for Artificial Intelligence, 17(3), 217-223.
  • MEDINA, I. et al. (2017): Análisis cualitativo comparado, Madrid, CIS.
  • MYERSON, R. B. (1991): Game Theory: Analysis of Conflict, Cambridge (Mass.), Harvard University Press.
  • RAGIN, C. C. (1987): The Comparative Method. Berkeley, University of California Press.
  • RAGIN, C. C. (2000): Fuzzy-Set Social Science. Chicago, University of Chicago Press.
  • SANDERSON, J. (2000): “Testing Ecological Patterns. A Well-known Algorithm from Computer Science Aids the Evaluation of Species Distributions”, American Scientist, 88, 332-339.
  • SCOTTT, J. (2017): Social Network Analysis, Los Ángeles, Sage.
  • QUINTANILLA, M. Á., ESCOBAR, M., ESCRIBANO, M., & SABBATINI, M. (2005). Cultura biotecnológica en España: Análisis e interpretación de datos, Madrid, Genoma España.
  • WASSERMAN, S., y FAUST, K. (1994): Social Network Analysis, Cambridge, Cambridge University Press.
  • WITTEN, I. H. y E. FRANK (2005): Data Mining. Practical Machine Learning Tools and Techniques, Amsterdam, Elsevier.
  • WOOLDRIDGE, J.M. (2016): Introductory Econometrics: A Modern Approach, Australia, Cengage Learning.
  • ZHAO, Y. (2013): R and Data Mining: Examples and Case Studies. San Diego, Elsevier.
Fuente de los datos: Dialnet