Comparación de dos opciones analíticas en la predicción del rendimiento académico: árboles de clasificación versus regresión logística
Palabras clave:
árboles de clasificación y regresión, regresión logística, rendimiento académico, estudios de predicciónResumen
Los árboles de clasificación y regresión y la regresión logística son dos técnicas estadísticas utilizadas frecuentemente en la investigación biomédica, las cuales están contenidas en varios programas estadísticos. Sin embargo, no son muy conocidas sus ventajas y desventajas y las condiciones para la aplicación de cada una, de ahí que el propósito de este artículo sea comparar, desde una perspectiva didáctica, los dos recursos analíticos en el contexto de los estudios de predicción. El texto enfatiza las ventajas y desventajas relativas de esas técnicas y en sus valores y usos complementarios. Se procura minimizar el empleo del lenguaje técnico y en su lugar se exponen argumentos muy permeables a la intuición y al razonamiento práctico. Ambas opciones se ilustran con los resultados de una investigación relativa al pronóstico del rendimiento académico en estudiantes del primer curso de la carrera de medicina en la Facultad de Ciencias Médicas “Victoria de Girón”, de la Universidad de Ciencias Médicas de La Habana.
Descargas
Citas
Breiman L, Friedman J, Olshen RA, Stone CJ. Classification and Regression Trees. Monterey, CA: Brooks/Cole Publishing; 1984.
Loh W-Y. Classification and regression trees. WIREs: Data Mining Knowl Discov [Internet]. 2011 [citado 30 Ene 2025];1(1):14-23. Disponible en: https://wires.onlibrary.wiley.com//doi/10.1002/widm.8
Carrasco RA, Bueno I, Montero JM. Árboles de clasificación y regresión. En: Fernández Avilés G, Montero JM, editores. Fundamentos de ciencia de datos en R [Internet]. Madrid: McGraw-Hill Interamericana de España S. L.; 2024 [citado 20 Mar 2025]. Disponible en: https://cdr-book.github.io/cap-arboles.html
Carrizosa E, Molero-Río C, Romero Morales D. Mathematical optimization in classification and regression trees. TOP [Internet]. 2021 [citado 20 Mar 2025];29:5-33. Disponible en: https://link.springer.com/content/pdf/10.1007/s11750-021-00594-1.pdf
Hastie T, Tibshirani R, Friedman J. The elements of statistical learning: data mining, inference and prediction. Nueva York, NY: Springer; 2009.
James G, Witten D, Hastie T, Tibshirani R. An Introduction to Statistical Learning with Applications in R. Nueva York, NY: Springer; 2021.
Martínez Pérez JA, Pérez Martín PS. Regresión logística. Medicina de Familia. SEMERGEN [Internet]. 2024 [citado 21 Mar 2025];50(1):1-7. Disponible en: https://www.elsevier.es/es-revista-familia-semergen-40-pdf-S1135389323001661
Schalttmann P. Statistics in diagnostic medicine. Clin Chem Lab Med [Internet]. 2022 Mar 31 [citado 23 Feb 2025];60(6):801-807. Disponible en: https://degruyterbrill.com/document/doi/10.1515/cclm-2022-0225/html
McShane BB, Gal D, Gelman A, Robert C, Tackett JL. Abandon Statistical Significance. Am Stat [Internet]. 2019 [citado 30 Ene 2025];73(Suppl 1):S235-245. Disponible en: https://tandfonline.com/doi/full/10.1080/00031305.2018.1527253?scroll=top&needAcces
Hurlbert SH, Levine RA, Utts J. Coup de Grâce for a Tough Old Bull: “Statistically Significant” Expires. Am Stat [Internet]. 2019 [citado 30 Ene 2025];73(suppl 1):S352-357. Disponible en: https://tandfonline.com/doi/full/10.1080/00031305.2018.1543616?scroll=top&needAcces
Greenland S. For and Against Methodologies: Some Perspectives on Recent Causal and Statistical Inference Debates. Eur J Epidemiol [Internet]. 2017 [citado 16 Feb 2025];32(1):3-20. Disponible en: https://link.springer.com/article/10.1007/s10654-017-0230-6
Anstey E. D-48 Tests de Dominós. Manual. 12 ed. Madrid: TEA Ediciones; 1999.
Martínez Angulo MR. Manual de técnicas de exploración psicológica. La Habana: Editorial Pueblo y Educación; 2013.
Zou H, Hastie T. Regularization and variable selection via the elastic net. J R Stat Soc Series B: Statistical Methodology [Internet]. 2005 [citado 2 Mar 2025];67(2):301-320. Disponible en: https://studylib.net/doc/8388343/regularization-and-variable-selection-via-the-elastic-net
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 http://creativecommons.org/licenses/by-nc-sa/4.0
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes: Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons (CC-BY-NC 4.0) que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista. Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista. Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
Como Revista Cubana de Investigaciones Biomédicas forma parte de la red SciELO, una vez los artículos sean aceptados para entrar al proceso editorial (revisión), estos pueden ser depositados por parte de los autores, si estan de acuerdo, en SciELO preprints, siendo actualizados por los autores al concluir el proceso de revisión y las pruebas de maquetación.
