Bayesianos contra frecuentistas

Escrito por Carlos Ochoa el 17 de noviembre 2014

El edificio de la estadística descansa en el concepto de probabilidad. Y, sin embargo, no existe un consenso universal sobre cómo interpretar este concepto.

Existen dos formas de interpretar la idea de probabilidad: la interpretación clásica (o frecuentista) y la interpretación bayesiana. Mark C. Chu-Carroll nos da una buena explicación al respecto en su blog, que trataré de resumir aquí.

La interpretaci√≥n cl√°sica, mayoritaria por lo menos hasta ahora, define la probabilidad en t√©rminos de experimentaci√≥n. Si repites un experimento un n√ļmero infinito de veces y compruebas que en 350 de cada 1.000 ocasiones se ha producido ¬†un determinado resultado, un frecuentista dir√≠a que la probabilidad de ese resultado es del 35%. Bas√°ndose en esta definici√≥n, un frecuentista afirma que es posible asociar a cada evento una probabilidad de obtener un valor VERDADERO del mismo.

La aproximaci√≥n cl√°sica se basa por lo tanto en estudiar la probabilidad “real” de las cosas, tratando de determinar hasta qu√© punto una medici√≥n realizada sobre un conjunto de experimentos se aproxima a la probabilidad real que subyace. Es por ello que un frecuentista definir√≠a probabilidad como una expresi√≥n matem√°tica que predice en qu√© medida es veros√≠mil que ciertos eventos ocurran bas√°ndose en el patr√≥n observado hasta este momento.

Sir Ronald Fisher

Ronald Fisher. uno de los padres de la estadística frecuentista moderna

Por el contrario, la interpretaci√≥n bayesiana se basa en un conocimiento limitado de las cosas. Afirma que s√≥lo asocias una probabilidad a un evento porque hay incertidumbre sobre el mismo, es decir, porque no conoces todos los hechos. En realidad, un evento dado, o bien ocurrir√° (probabilidad=100%) o bien no ocurrir√° (probabilidad=0%). Cualquier otra cosa es una aproximaci√≥n que hacemos del problema a partir de nuestro conocimiento incompleto del mismo. El enfoque bayesiano se basa por lo tanto en la idea de refinar predicciones a partir de nuevas evidencias. Un bayesiano definir√≠a probabilidad como la expresi√≥n matem√°tica que mide el nivel de conocimiento que tenemos para hacer una predicci√≥n. Por lo tanto, para un bayesiano, estr√≠ctamente hablando es incorrecto decir “predigo que hay un 30% de probabilidades de que ocurra el evento P”, sino que deber√≠a decir “bas√°ndome en el conocimiento actual que tengo, tengo un 30% de certeza de que P ocurrir√°”.

bayes

Thomas Bayes. creador del concepto de probabilidad condicionada que rige el pensamiento bayesiano.

¬ŅImporta tanto la diferencia?

La dos formas de entender una probabilidad son m√°s relevantes de lo que pudiera parecer. Es muy diferente pensar en la probabilidad como el n√ļmero de veces en que un experimento arrojar√° un resultado, a concebirla como el grado de conocimiento que tengo sobre dicho resultado. En varios problemas, ambos enfoques pueden ser equivalentes. En otros, no tanto.

La aproximación bayesiana hace que algunas cosas sean más claras. Emplear una visión clásica lleva a muchas personas a confundir el significado de las estadísticas. Por ejemplo, si un estudio muestra que de cada 100 fumadores 10 van a desarrollar cáncer de pulmón, una interpretación clásica del dato puede llevarnos  pensar que si fumo, tengo un 10% de probabilidad de enfermar. Y esto no es cierto. Lo que realmente nos dice el estudio es que el dato (10 de cada 100 fumadores desarrollan cáncer) puede considerarse como un buen punto de partida para hacer una predicción sobre las opciones de desarrollar cáncer si fumo, pero un bayesiano dejaría muy claro que se trata de un conocimiento muy incompleto, y que por lo tanto no es de mucha utilidad a no ser que disponga de más información para incrementar mi certeza.

Como contrapartida, el razonamiento bayesiano puede llevarnos al absurdo. Un bayesiano cree que puedes hacer un análisis probabilístico prácticamente de cualquier cosa, simplemente alineando los factores que pueden influir en ella y combinando  adecuadamente tu conocimiento sobre esos factores. Esta idea ha sido empleada frecuentemente por auténticos obsesos del pensamiento bayesiano para asignar una probabilidad a la existencia de Dios, a que la tierra haya sido visitada por alienígenas, a que los artistas hayan incluído mensajes secretos en sus pinturas, etc.

Los frecuentistas no son víctimas de este problema. Un frecuentista considera que las probabilidades sólo tienen sentido en el ámbito de experimentos repetibles. Bajo este punto de visto, es absurdo asignar una probabilidad a la existencia de Dios, porque la existencia de un creador del universo no es un problema que podamos repetir y observar numerosas veces.

Los frecuentistas no creen que sea posible asignar una probabilidad a absolutamente cualquier cosa, algo que a menudo es ridículo.

Y entonces, ¬Ņqui√©n tiene raz√≥n?

Probablemente ambos tienen razón. O ambos están equivocados. Hay escenarios en los que la idea de una probabilidad fija basada en un modelo repetible y observable, en un experimento controlado, es demasiado simple. Y otros casos en que la idea de una probabilidad que mide el grado de conocimiento de una cosa es igualmente simplista.

Como en tantas otras cosas de la ciencia – y de la vida – no existe un enfoque universalmente v√°lido. La visi√≥n frecuentista ha aportado un rigor y un sistema de trabajo a muchos √°mbitos de la estad√≠stica, empezando por el c√°lculo del error muestral. La visi√≥n bayesiana, por el contrario, ha mostrado ser una buena herramienta para hacer predicciones sobre sucesos complejos, tomando datos de m√ļltiples fuentes de forma simult√°nea. Tambi√©n es la base de uno de los algoritmos m√°s exitosos en el an√°lisis de utilidad de estudios tipo Conjoint.

En cualquier caso, la polarización de las ideas no suele ser una buena consejera para tomar buenas decisiones. Y en el momento de emplear un enfoque frecuentista o bayesiano de un problema, no deberíamos olvidar esta máxima.

Categoría: Sin categor√≠a | Comentarios desactivados

¬ŅPor qu√© cotilleamos?

Escrito por Oriol Llauradó el 14 de noviembre 2014

A todos nos gusta cotillear, reconozc√°moslo. Hablar sobre otras personas (en su ausencia) es m√°s bien f√°cil, nos cuesta poco, e incluso puede ser divertido.

La universalidad del fen√≥meno ha llamado la atenci√≥n de los antrop√≥logos y les ha llevado a preguntarse de d√≥nde surge esta pasi√≥n ancestral. Parece ser que el cotilleo ha sido durante miles de a√Īos una conducta adaptativa: los individuos que identificaban y seleccionaban a su pareja sin necesidad de entrar en conflicto con los dem√°s, obten√≠an una ventaja competitiva notable. Los individuos mejor informados ten√≠an una mayor probabilidad de alcanzar el √©xito reproductivo.

Desde hace siglos, el cotilleo ha sido una preciosa fuente de información y coordinación social. Hay antropólogos que consideran el fenómeno tan importante que piensan que nuestros antepasados ampliaron su léxico precisamente para poder chismorrear.

1397378849566

Por otro lado, cotillear nos proporciona un cierto estatus: nos hace sentir poseedores de un conocimiento especial y realza nuestro ego ante el grupo.

Aunque el cotilleo sea bienintencionado y tenga sus beneficios, no nos olvidemos de que puede destruir reputaciones y convertir en víctimas a inocentes, especialmente si es anónimo y masivo, como puede suceder en las redes sociales.

De hecho, hay una muy buena raz√≥n para hablar bien de los dem√°s, y es la llamada: “transferencia espont√°nea de rasgos“. Este fen√≥meno consiste en que la gente te atribuir√° los rasgos con los que t√ļ calificas a los dem√°s.¬†Es decir, si insistes llamando “inmorales” a tus compa√Īeros de trabajo, todo el mundo acabar√° asoci√°ndote con la falta de √©tica. O como sab√≠an las abuelas: si no puedes decir una cosa buena de alguien, es mejor no decir nada.

Por cierto, pese a la imagen que ilustra esta entrada, no hay ning√ļn estudio que demuestre que las mujeres cotillean m√°s que los hombres.

Para ampliar información:

http://blogs.elpais.com/verne/2014/11/por-que-nos-gusta-cotillear.html

http://www.newscientist.com/article/mg21128225.700-read-all-about-it-why-we-have-an-appetite-for-gossip.html

Categoría: Sin categor√≠a Trackback | Comentarios(0)

Lo que nos deja el referéndum en Escocia

Escrito por Oriol Llauradó el 4 de noviembre 2014

TNS ha dado a conocer los resultados de una encuesta realizada en Escocia tras el referéndum del 18 de septiembre sobre la independencia.

La principal conclusi√≥n es que la celebraci√≥n del refer√©ndum parece haber aumentado las ganas de participar de los ciudadanos. Un tercio de los encuestados declar√≥ sentirse m√°s propenso a participar en futuras elecciones tras la votaci√≥n. Los menores de 35 a√Īos son el grupo cuya probabilidad de participar ha aumentado m√°s. Y la involucraci√≥n se extiende m√°s all√° del hecho de votar: un 32% declar√≥ estar m√°s abierto que en el pasado a participar en futuros debates sobre cuestiones de inter√©s p√ļblico.

Referéndum Escocia

Las actividades previas a la celebración del referéndum nos recuerdan la importancia que todavía tienen los canales tradicionales: el 62% de los encuestados declaró haber hablado sobre el referéndum con amigos o familiares, y el 60%  había visto al menos un debate televisado. En cambio, solo un 11% dijo haber participado en una discusión a través de Internet.

Cabe destacar que la forma en la que se ha desarrollado el proceso ha sido ejemplar:

  • En primer lugar, el clima de consenso¬†ha permitido concluir que votar era una buena opci√≥n y que el resultado final ser√≠a reconocido por unos y por otros. Tanto los independentistas como los unionistas se comportaron con correcci√≥n, manifestando su opini√≥n con serenidad.
  • Ha habido un amplio debate previo sobre los pros y los contras de la independencia. Esto posibilit√≥ que los ciudadanos pudieran tomar una decisi√≥n informada.

No sabemos si esta inercia se mantendrá pero, a día de hoy, una de las lecciones que nos ha dejado el referéndum en Escocia es que la creación de espacios de diálogo descentralizados y abiertos reduce la desafección política. Tal y como prescribe el informe Citizens as partners de la OCDE, en el futuro más inmediato, el éxito de la Administración dependerá de su capacidad para escuchar y trabajar conjuntamente con los ciudadanos para lograr un mayor bienestar. Estrechar la relación con los ciudadanos parece una buena inversión para revitalizar la confianza de éstos en la Administración.

Leer m√°s:

Referendum effect set to increase political activity

Los paneles ciudadanos, una nueva metodología de investigación

Categoría: Encuestas Online | Estudios | Noticias | Sin categor√≠a Trackback | Comentarios(0)

En busca de la pregunta perfecta

Escrito por Carlos Ochoa el 3 de noviembre 2014

Trabajar en una empresa de paneles online puede atrofiar tu sensibilidad como respondiente. Por eso mantengo la disciplina de participar regularmente en encuestas. Aunque mis respuestas no sean v√°lidas para un estudio, me lo tomo muy en serio; trato de responder con toda sinceridad, pensando qu√© quiere saber de m√≠ el investigador que est√° detr√°s de la escena. Tambi√©n hago encuestas online a personas cercanas, a mi propia familia. Lo recomiendo, no se puede trabajar en esta industria sin ver a una persona de 72 a√Īos completando un cuestionario online.

 

preguntas perfectas

 

Todas estas participaciones me han llevado a ver preguntas realmente malas. Para m√≠, una pregunta mala cumple dos condiciones: (1) es imposible responderla con sinceridad, incitando al encuestado a inventarse una respuesta y (2) no genera informaci√≥n √ļtil alguna para el investigador. Vamos, lo que ser√≠a una jugada maestra. Pondr√≠a en esta categor√≠a muchas de esas preguntas de tipo ‚Äú¬Ņte sientes identificado con esta marca de cordones de zapatos?‚ÄĚ o ‚Äú¬Ņpiensas que esta marca de anticongelante es para gente como t√ļ?‚ÄĚ. Cuando respondo estas preguntas me siento in√ļtil, incapaz de encontrar la forma correcta de responder. Cuando hago estas preguntas a otros, directamente siento verg√ľenza.

El síndrome Grand

Pero erigirse juez de preguntas ajenas es muy cómodo. Si este tipo de preguntas llegan a los cuestionarios, será que no es sencillo hacer buenas preguntas. Así que me propuse buscar la pregunta perfecta.

Mi pregunta perfecta deber√≠a ser clara y contundente. Atrayente para el respondiente, capaz de capturar ese dato anhelado por el investigador. De ligera lectura, pero honda profundidad. Objetiva como un n√ļmero, precisa como un cirujano.

Buscar la perfecci√≥n tiene un peligro. No querr√≠a caer en el s√≠ndrome Grand. Joseph Grand es un personaje de ‚ÄúLa Peste‚ÄĚ, de Albert Camus, que trata de escribir una novela. Pero no una novela cualquiera; una novela perfecta de principio a fin que, seg√ļn sus propias palabras, deb√≠a hacer que los editores al leerla, se levantasen y exclamasen al un√≠sono ‚Äúse√Īores, hay que quitarse el sombrero‚ÄĚ.

Joseph Grand se obsesionó tanto en la perfección que no era capaz de pasar de la primera frase. La reescribía una y otra vez. Camus describe así esta parálisis creativa:

“Noches, semanas enteras sobre una palabra…, a veces una simple conjunci√≥n. (…) Compr√©ndame bien, doctor. En rigor, es f√°cil escoger entre el mas y el pero. Ya es m√°s dif√≠cil optar entre el mas y el y. La dificultad aumenta con el pues y el porque. Pero seguramente lo m√°s dif√≠cil que existe es emplear bien el cuyo‚ÄĚ.

¬ŅMedir la calidad de una pregunta?

As√≠ que empec√© a recopilar ingredientes para una pregunta perfecta, pero con sentido pr√°ctico. En primer lugar, identifiqu√© las recomendaciones de toda la vida, que no por conocidas son menos importantes. Las preguntas deben ser concisas, redactadas empleando el lenguaje del encuestado, con estructuras gramaticales simples. Deben ser objetivas, evitar la doble negaci√≥n as√≠ como cualquier elemento que d√© lugar a dobles interpretaciones. Son reglas obvias, pero no siempre son f√°ciles de aplicar: ¬Ņqu√© es un lenguaje sencillo?, ¬Ņpuedo medir de alguna forma la bondad de mi pregunta?.

As√≠ que buscando la pregunta perfecta, descubr√≠ que no estaba solo. Un grupo de investigadores del RECSM (colaboradores del R2online)¬†llevan tiempo en ello. Bueno, en realidad han dado un paso atr√°s para resolver un problema m√°s fundamental: ¬Ņes posible medir la calidad de una pregunta?

La respuesta es sí. Para ello, han tenido que definir qué es la calidad de una pregunta. Es el producto de su validez y su fiabilidad.

Una pregunta es válida si la respuesta que obtiene se parece mucho a lo que buscamos, o por lo menos no tiene tendencia a desviarse siempre en la misma dirección. Y es fiable si cada vez que usamos la pregunta, da el mismo resultado. Para entendernos: un tirador con arco es fiable si siempre que dispara impacta en el mismo sitio, aunque no sea el centro de la diana. Y es válido si al disparar siempre se acerca al centro de la diana, aunque impacte en diferentes posiciones. Un tirador de calidad hace las dos cosas a la vez: es válido y fiable.

 

Validez y fiabilidad, calidad en las encuestas

 

El RECSM emplea métodos que permiten medir fiabilidad y validez, y por tanto calidad. La fiabilidad se mide repitiendo una pregunta a los mismos respondientes. La validez, comparando una pregunta con otras con las que debería correlacionar.

Perfectas no, pero de alta calidad

En su investigaci√≥n, el RECSM recopila informaci√≥n de m√ļltiples formatos de pregunta y miden c√≥mo afectan a la calidad diferentes caracter√≠sticas de las mismas: el tema de la pregunta, el tipo de escala de respuesta, el n√ļmero de alternativas‚Ķ A partir de la informaci√≥n recopilada ponen a disposici√≥n de la comunidad cient√≠fica un programa, el SQP, que predice la calidad de una pregunta.

Tal vez ellos podrían ayudarme a encontrar mi pregunta perfecta. Su respuesta, muy científica, fue que no existía tal pregunta, pero sí me podían dar unas pautas de qué cosas debería tener una buena pregunta:

  1. Si busca capturar opiniones (no datos), probablemente debería ser sobre temas laborales o sobre política.
  2. Emplear√≠a una escala espec√≠fica sobre el tema, no una escala general de tipo “acuerdo – desacuerdo”.
  3. La escala tendría 11 puntos (por ejemplo, de 0 a 10).
  4. No estaría dentro de una matriz o batería de preguntas.
  5. Tendr√≠a dos puntos de referencia fijos en los 2 extremos de la escala, m√°s un tercer punto neutral (es decir, los valores num√©ricos se acompa√Īar√≠an de una descripci√≥n de su significado en esos 3 puntos).

Seguramente mi so√Īada pregunta deber√≠a tener alguno de estos elementos. La calidad de una pregunta es un concepto objetivo, que puede ser medido estad√≠sticamente, en contra de lo que pudiera pensarse. Atendiendo a las recomendaciones de los expertos en metodolog√≠a de encuestas y aplicando buenas dosis de sentido com√ļn, podemos estar m√°s cerca de una pregunta perfecta. Mientras no lo logremos, evitemos las que sabemos de antemano que distan mucho de serlo.

Categoría: calidad | Herramientas | R2Online | Sin categor√≠a Trackback | Comentarios (4)

Predecir lo impredecible

Escrito por Carlos Ochoa el 24 de octubre 2014

El ser humano ha hecho grandes progresos en su capacidad de predicci√≥n. Escribo dos simples letras en Google, “eb”, y recibo sugerencias sobre el brote del “√©bola” en el mundo, justo lo que quer√≠a encontrar. Estos progresos nos hacen sobrestimar nuestra capacidad predictiva. Sin embargo, Nate Silver en su libro sobre predicciones, documenta m√°s fracasos que √©xitos predictivos. Y la mayor parte de los fracasos vienen por un exceso de confianza en nuestra capacidad predictiva.

 

bola

 

¬ŅTodo es predecible?

Responder a esta pregunta nos lleva a antiguos debates. San Agustín y los calvinistas creían en la predestinación, lo que nos llevaría a pensar que es posible predecir cualquier cosa aunque no alterar el curso de los acontecimientos. Por el contrario, los jesuitas y Santo Tomás de Aquino creían en la libre voluntad del hombre y por lo tanto en la impredecibilidad.

Con la llegada de la ilustración y la revolución industrial, el debate pasó a moverse en otros términos. Las leyes de la mecánica descubiertas por Newton hablaban de un universo ordenado y perfectamente predecible, gobernado por unas leyes relativamente simples. El ser humano empezó a creer en algo llamado determinismo, sutilmente diferente a la predestinación.

La idea del determinismo queda ilustrada en un principio elaborado por Pierre-Simon Laplace en 1814, conocido popularmente como el demonio de Laplace. Laplace venía a decir que una inteligencia superior que pudiese conocer la posición actual de todas las partículas del universo y que conociese todas las leyes que rigen el mismo, podría predecir perfectamente el futuro. Para esta inteligencia, el futuro sería algo tan evidente como el pasado. Por lo tanto, si el hombre no puede predecir su futuro es por falta de esa inteligencia superior.

 

laplace

La idea del demonio del Laplace ha sido objeto de controversia. Algunos pensadores concluyeron que, en la práctica, el universo sólo se puede conocer hasta cierto punto, lo que nos obliga a hablar de probabilidades. Más recientemente, el descubrimiento de la mecánica cuántica nos ha llevado a pensar que el universo realmente funciona de forma probabilista. Cuando miramos una partícula de cerca, se comporta como una onda y no podemos saber su posición y su movimiento al mismo tiempo. Parece ser que ni siquiera una inteligencia superior puede predecir el curso de las cosas.

 

¬°Pero si apenas predecimos el tiempo!

Bien, aceptemos que no podemos predecir todo, que el universo es intr√≠nsecamente incierto por la forma en que se comportan las part√≠culas. Afortunadamente, la meteorolog√≠a funciona a nivel de mol√©culas, lo que nos evita estos problemas cu√°nticos. Si pudi√©semos conocer las condiciones de la atm√≥sfera con detalle (presi√≥n, temperatura… en cada posici√≥n del espacio) y las leyes que rigen los gases, podr√≠amos predecir qu√© tiempo har√° en el futuro.

Durante varias décadas numerosos científicos han tratado de hacer predicciones meteorológicas basadas en esta idea. Se trata de crear un modelo de la atmósfera, introducir la información de la situación actual de la misma  y simular cómo va a evolucionar con el paso del tiempo. Esta forma de predecir contrasta con métodos basados puramente en la estadística, principalmente dos:

(1) Persistencia: predecir el tiempo que har√° ma√Īana bas√°ndonos en el tiempo de hoy.

(2) Climatolog√≠a: predecir el tiempo bas√°ndonos en qu√© √©poca del a√Īo estamos. Si es invierno, la probabilidad de fr√≠o es m√°s alta.

Sorprendentemente, s√≥lo en las √ļltimas d√©cadas¬†las previsiones meteorol√≥gicas han mejorado las predicciones basadas en persistencia o climatolog√≠a. Pese a que cada vez disponemos de datos m√°s precisos y mayor capacidad de c√°lculo para simular la atm√≥sfera, la precisi√≥n de las previsiones ha mejorado muy lentamente. En 1970, una previsi√≥n de temperatura ten√≠a un error promedio de 6¬ļ, en la actualidad de 3,5¬ļ. Un enorme esfuerzo para tan poco resultado. ¬ŅPor qu√©?

 

El efecto mariposa

La respuesta la descubri√≥ Edward Lorentz en 1972. Trabajando en un modelo meteorol√≥gico, Lorentz se percat√≥ de que una peque√Īa imprecisi√≥n en un dato sobre las condiciones iniciales de la atm√≥sfera pod√≠a generar una predicci√≥n clim√°tica completamente diferente a varios d√≠as vista. Una d√©cima de grado de temperatura puede transformar completamente la predicci√≥n. Este efecto, explicado a menudo con la frase “un aleteo de las alas de una mariposa en Brasil puede producir un tornado en Texas”, se conoce como teor√≠a del caos o efecto mariposa. Se produce en sistemas no lineales y din√°micos, en los que el resultado de una predicci√≥n se usa para generar otra, y otra, y otra….

Los modelos meteorol√≥gicos tienen ambas propiedades. Por eso son tan malos haciendo predicciones a largo plazo. Las peque√Īas imperfecciones de los datos se transforman en predicciones grotescas cuando las llevamos demasiado lejos en el tiempo. Nat Silver nos facilita un ejemplo muy interesante de este efecto. Silver compar√≥ la precisi√≥n de una previsi√≥n sobre temperatura hecha con 3 sistemas: (1) un modelo meteorol√≥gico sofisticado, (2) una predicci√≥n basada en persistencia y (3) otra basada en la climatolog√≠a. Los resultados muestran que las predicciones de los modelos meteorol√≥gicos son mejores que las basadas en persistencia o climatolog√≠a, pero s√≥lo a 6 d√≠as vista. Cuando tratamos de predecir m√°s all√°, acertaremos m√°s bas√°ndonos en la climatolog√≠a.

El resultado es sorprendente. No estamos diciendo que la predicción será igual, decimos que será peor. La explicación es que en un modelo dinámico, a medida que me alejo de la situación de inicio, el ruido de los datos se va amplificando cada vez más. El efecto mariposa es devastador.

 

Y pese a todo, un éxito

Pese a todas estas consideraciones, la meteorolog√≠a es una de las pocas disciplinas que han tenido √©xito predictivo. El hurac√°n Katrina de 2005 fue predicho con antelaci√≥n, permitiendo acotar la zona geogr√°fica en la que impactar√≠a con una precisi√≥n de 160 km. Tan s√≥lo 20 a√Īos antes, la precisi√≥n habr√≠a sido de 560 km.

Es posible evacuar una región de 160km en 72 horas y salvar muchas vidas. Si el Katrina mató a 1.800 personas no fue por una mala predicción, fue por malas decisiones en la gestión de la crisis y por la resistencia de la gente a moverse de sus casas. Curiosamente, uno de los factores que jugó en contra fue el huracán que golpeó la misma región en 1965, el Betsy. Estudios realizados indican que haber sobrevivido a un huracán te hace más reacio a abandonar tu casa en el siguiente y reduce tu probabilidad de sobrevivir.

 

katrina

Estamos tan acostumbrado a que los hombres del tiempo acierten, que nos fijamos m√°s en sus errores que en sus aciertos. Pero es indudable que realizan un gran trabajo y han desarrollado un nivel de profesionalidad muy elevado. Sus predicciones gozan de un nivel de honestidad envidiable. Acompa√Īan sus previsiones con una indicaci√≥n de qu√© fiabilidad tienen (“70% de probabilidad de lluvia”), algo que no observamos en predicciones del √°mbito econ√≥mico, por ejemplo.

En próximos posts veremos otros terrenos en los que el hombre sigue sin encontrar las claves de una buena predicción.

Categoría: Art√≠culos | Predicciones | Sin categor√≠a Trackback | Comentarios(0)

Zorros y erizos, buenos y malos predictores

Escrito por Carlos Ochoa el 13 de octubre 2014

Uno de los cap√≠tulos m√°s interesantes de La se√Īal y el ruido, de Nate Silver, est√° dedicado a la cuesti√≥n de si algunas personas predicen mejor que otras.

zorroyerizo

Silver emplea las predicciones pol√≠ticas¬†como terreno de juego de su an√°lisis. En concreto, se fija en un programa televisivo de Estados Unidos, The McLaughlin Group. Este programa re√ļne semanalmente un panel de expertos pol√≠ticos que debaten sobre diferentes cuestiones y que finalizan su intervenci√≥n con varias predicciones sobre la actualidad pol√≠tica. Las predicciones deben formularse en pocos segundos. Son tanto sobre temas sugeridos por el presentador como propuestos por el propio experto.

Durante el programa los expertos suelen manifestar predicciones con tanta rotundidad como poca base documental y estad√≠stica. Algunos de ellos no dudan en predecir una victoria de un candidato a la presidencia que cuenta con todas las encuestas en contra, dando a entender que manejan alg√ļn tipo de informaci√≥n privilegiada al respecto.

As√≠ que Silver decidi√≥ analizar las 1.000 √ļltimas predicciones del panel de expertos, para medir de forma objetiva su capacidad de acertar. El resultado fue el siguiente:

  • Predicciones completamente acertadas ………….. 39%
  • Mayoritariamente acertadas…………………………… ¬†7%
  • Parcialmente acertadas, parcialmente falsas……. ¬†8%
  • Mayoritariamente falsas ……………………………….. 10%
  • Completamente falsas …………………………………… 37%

Los datos mostraban que lo expertos apenas acertaban m√°s que una moneda lanzada al aire. ¬ŅEste nivel de aciertos es algo habitual entre supuestos expertos? Philip Tetlock, tras formularse la misma pregunta, decidi√≥ estudiar predicciones de expertos, tanto del mundo acad√©mico como gubernamental. Sus resultados mostraron que no es as√≠: algunos expertos aciertan, de forma consistente,¬†m√°s que otros. Es decir, existen buenos y malos predictores.

El zorro y el erizo

Tetlock se dedicó a estudiar qué rasgos de personalidad caracterizaban a los buenos predictores frente a los malos. Dio con dos perfiles muy diferenciados: los zorros y los erizos.

Los erizos son aquellas personas que creen en ideas rectoras que gobiernan el mundo, convencidos de que todo puede ser explicado y comprendido. Son personas de fuertes convicciones, que buscan una victoria clara al enfrentarse a un problema. Karl Marx o Sigmund Freu encajarían en este perfil.

Los zorros, por el contrario, son personas que aceptan las imperfecciones del mundo, que creen en una multitud de peque√Īas ideas y que piensan que la mejor forma de afrontar un problema es emplear diversas aproximaciones. Son m√°s tolerantes a la incertidumbre, a la complejidad y a la discrepancia de opiniones.

Silver nos facilita una tabla de actitudes t√≠picas de zorros y erizos. ¬ŅSabr√≠as decir en qu√© lado est√°s t√ļ?

 

Cómo piensan los zorros Cómo piensan los erizos
De forma multicisciplinaria: Incorporan ideas de diferentes disciplinas, sin importarle su origen ideológico. Especializada: Habitualmente dedican la mayor parte de sus carreras a uno o dos grandes problemas. Pueden ver con escepticismo las opiniones disruptivas.
Adaptables: Encuentran una nueva aproximaci√≥n – o persiguen m√ļltiples aproximaciones a la vez – si no est√°n seguros de que la aproximaci√≥n original funciona. Leales: Se mantienen fieles a la misma aproximaci√≥n integral al problema. La nueva informaci√≥n que pueda estar disponible se usa para refinar el modelo original.
Autocríticos: A menudo reconocen errores en sus predicciones y asumen su culpa en esos errores. Obstinados: Achacan los errores a la mala suerte o a circunstancias inevitables. Un buen modelo tuvo un mal día.
Tolerantes a la complejidad: Ven el universo como algo muy complejo, hasta el punto de aceptar que muchos problemas fundamentales pueden ser irresolubles o inherentemente impredecibles. Buscadores de un orden: Esperan que el mundo funcione de acuerdo a unas pocas y relativamente simples leyes fundamentales, obtenidas una vez se haya logrado identificar la se√Īal dentro del ruido.
Cautos: Expresan sus predicciones de forma probabilística, matizando sus opiniones. Confiados: Rara vez expresan predicciones con matices y son reacios a modificarlas.
Empíricos: Confían más en la observación que en la teoría. Ideológicos: Esperan que las soluciones a muchos problemas diarios sean manifestaciones de una gran teoría.
Los zorros son mejores predictores Los erizos son peores predictores

 

Tetlock se percat√≥ de que los zorros son mucho mejores predictores que los erizos. Es una cuesti√≥n de actitud. Pensemos en la ca√≠da de la URSS en 1991. Muy pocos analistas pol√≠ticos predijeron dicha ca√≠da cuando, mirando retrospectivamente, gran cantidad de indicios habr√≠a permitido predecirla. Muchos de esos analistas eran erizos y su aproximaci√≥n al problema no fue la correcta para hacer una buena predicci√≥n. Algunos analistas, muy cr√≠ticos con el comunismo, ve√≠an la URSS como un peligro mayor de lo que realmente era a finales de los 80. Su aversi√≥n al r√©gimen de Mosc√ļ les impidi√≥ interpretar correctamente las se√Īales, de todo tipo, que emit√≠a un estado en destrucci√≥n. Otros, m√°s afines a la ideolog√≠a comunista, cometieron el error inverso, infravalorando la importancia de esas se√Īales precisamente porque no quer√≠an verlas. S√≥lo unos pocos analistas fueron capaces de detectar y dimensionar correctamente las se√Īales.

Actitud frente a la información

Como se deduce del ejemplo anterior, la principal carencia de un mal predictor es una mala actitud frente a la información. Supuestamente, cuanta más información tenemos, mejor deberían ser nuestras predicciones. Sin embargo, esa regla no se cumple para el erizo. Frente a información abundante, el erizo se refugia en su idea rectora y filtra convenientemente los datos que recibe, quedándose con aquellos que refuerzan su predisposición inicial.

Esta actitud explica porqué Silver y Tetlock encontraron grandes fallos en las predicciones políticas. En política, es habitual encontrar predictores sesgados, vinculados a una fuerte ideología. Eso condiciona irremediablemente las predicciones. Si a eso sumamos un esquema de incentivos perverso Рuna predicción más temeraria es televisivamente más atractiva Рnos encontramos con un ámbito especialmente castigado por malas predicciones.

Algo parecido sucede con el economía. Pero eso lo veremos en otro post.

Categoría: mercados predictivos | Predicciones | Sin categor√≠a Trackback | Comentarios(0)

La se√Īal y el ruido

Escrito por Carlos Ochoa el 7 de octubre 2014

Ha ca√≠do en mis manos un ejemplar del c√©lebre libro La se√Īal y el ruido, de Nate Silver. He ido a parar a esta lectura despu√©s de una interesante conversaci√≥n con √Ängels Pont, directora del instituto de investigaci√≥n GESOP, sobre mercados predictivos.

La se√Īal y el ruido, de Nate Silver.

Los mercados predictivos constituyen una técnica de investigación innovadora que permite hacer predicciones (sobre cualquier cosa, ya sean los resultados de unas elecciones o de un evento deportivo) dejando que un grupo de individuos puedan comprar y vender acciones de los diferentes resultados posibles. El valor de este mercado bursátil de opiniones refleja el resultado más probable.

Hablaremos en otro post sobre mercados predictivos, pero la idea tremendamente seductora que mueve esta técnica y que poco tiene que ver con la investigación de mercados tradicional, es preguntar a la gente su opinión sobre la posibilidad de que se produzca un evento en lugar de su posición personal respecto a dicho evento.

Veamos un ejemplo: predecir el resultado de unas elecciones. En un estudio clásico seleccionamos una muestra altamente representativa de electores y les preguntamos a qué candidato piensan votar. Si la muestra se ha creado correctamente, podremos inferir el resultado más probable de las elecciones dentro de cierto intervalo de error. Una muestra más grande nos permite reducir el intervalo de error.

Pero, ¬Ņqu√© suceder√≠a si preguntamos a una muestra de personas qui√©n creen que va a ganar las elecciones en lugar de qu√© candidato piensan votar? Diversas experiencias muestran la extraordinaria capacidad predictiva de las personas, algo a lo que Arist√≥teles llamaba la sabidur√≠a de las masas en su Pol√≠tica.

Aristóteles

Como t√©cnica, los estudios predictivos no tienen nada que ver con un muestreo cl√°sico. Nuestro universo ya no lo componen personas que votan, sino la informaci√≥n que poseen las personas sobre qu√© votar√°n los dem√°s. Cada persona contiene mucha m√°s informaci√≥n que su propia intenci√≥n de voto: sabe lo que votar√≠a √©l pero tambi√©n c√≥mo votar√°n las personas de su entorno, ha visto resultados de sondeos, puede estar informada sobre el estado de la opini√≥n p√ļblica… Es por ello que una muestra realmente peque√Īa de opiniones personales puede darnos una buena predicci√≥n.

Pero, ¬Ņc√≥mo debe seleccionarse una muestra de predictores? ¬Ņexisten personas con mayor capacidad de predicci√≥n que otras? ¬Ņen qu√© medida influye en la capacidad de predicci√≥n el conocimiento de la muestra sobre el tema tratado? Alexander Wheatley¬†y¬†Hubertus Hofkirchner¬†presentaron en el ESOMAR CONGRESS de Niza¬†los resultados de algunos estudios experimentales al respecto. Sometieron a una muestra de panelistas a diferentes preguntas de naturaleza predictiva: qu√© precio crees que tendr√° el nuevo iPAD mini 2 el d√≠a de su lanzamiento, resultados deportivos, c√≥mo crees que se comportar√°n otras personas en una situaci√≥n dada… Algunos de los aprendizajes de Wheatley y Hofkirchner fueron los siguientes:

  • En general las personas poseen capacidad predictiva. En cualquiera de los temas tratados la capacidad de predicci√≥n de la muestra superaba el acierto por puro azar.
  • Destacaron la capacidad de predicci√≥n del comportamientos y opiniones… ¬°de los dem√°s! Preguntaron a una muestra de personas si ten√≠an intenci√≥n de recoger su bandeja cuando acabasen de comer en un restaurante autoservicio. La respuesta del “s√≠” fue del 50%. Al preguntar a la misma muestra qu√© porcentaje del resto de personas cre√≠an que lo har√≠an, la respuesta fue de 15%. El dato real observado fue del 13%.
  • Algunas personas son mejores prediciendo que otras. Y no estamos hablando del caso de J.A. y el tribunal de cuentas espa√Īol. Estudios longitudinales mostraron que algunos individuos superaban la media de aciertos de forma consistente a lo largo del tiempo, sobre diferentes temas.
  • La calidad de una predicci√≥n depende de la cantidad de informaci√≥n al alcance de las personas, el esfuerzo que dedican a la predicci√≥n, su objetividad y la dificultad de la predicci√≥n.
  • El acierto no depende directamente del tama√Īo de la muestra. Un √ļnico individuo muy informado y con gran capacidad puede ser m√°s certero que una muestra m√°s amplia de predictores mediocres.
  • Una buena muestra de predictores no depende tanto del tama√Īo como de la diversidad y de la inteligencia que contenga.¬†Jed Christianson, de la Universidad de Birmingham, considera que 16 personas es m√°s que suficiente para hacer buenas predicciones.
  • La forma en que deben agregarse las predicciones individuales de una muestra es seleccionando la mediana de las predicciones, no la media.

Parte de las razones que explican la capacidad de predicci√≥n de un individuo vienen explicadas en el libro cuyo t√≠tulo preside este post. Las personas hacemos predicciones usando dos componentes: la se√Īal, que es informaci√≥n correcta, y el ruido, informaci√≥n irrelevante que nos aleja de la se√Īal. Si agregamos predicciones de personas independientes y no sesgadas, podemos llegar a cancelar el ruido y acercarnos a la se√Īal que buscamos.

En su libro, Nate Silver profundiza en cómo hacemos predicciones y qué características tiene un buen predictor. A través de numerosos ejemplos, que abarcan desde predicciones políticas, deportivas, económicas e incluso meterológicas, Silver identifica qué hace buena una predicción y qué caracteriza a los buenos predictores. Y a los malos.

En pr√≥ximos posts iremos desgranando algunas de las claves facilitadas en este interesante libro. En cualquier caso, os animo a leerlo, porque en los detalles y en el estilo narrativo del autor est√° gran parte de la informaci√≥n √ļtil. Es decir, la se√Īal.

Categoría: esomar | Estudios | Herramientas | Innovaci√≥n | mercados predictivos | Predicciones | Sin categor√≠a Trackback | Comentarios (1)

Conclusiones del Chilescopio 2014

Escrito por Ruth Alonso el 12 de septiembre 2014

El pasado 27 de agosto de 2014 Netquest tuvo la oportunidad de asistir al evento de Chilescopio y en este post queremos compartir con vosotros esta experiencia.

Fruto de nuestra colaboración con Chilescopio 2014, en esta edición se ha ampliado el enfoque ofreciendo una comparativa de las actitudes de los chilenos hacia las marcas, junto con las de argentinos, peruanos y colombianos.

 chilescopio_ (1)

El estudio de Chilescopio presenta en esta edici√≥n c√≥mo son los chilenos con respecto a otros pa√≠ses a trav√©s de una serie de encuestas realizadas a miembros del panel Netquest en Chile, Argentina, Colombia y Per√ļ. Los resultados generan una idea sobre las tendencias de estilos de vida y consumo en estos pa√≠ses.

Algunas de las conclusiones del estudio son:

  • Chile se destaca en el grado de satisfacci√≥n en desarrollo econ√≥mico por sobre de Argentina Colombia y Per√ļ.
  • Las tem√°ticas que m√°s insatisfacci√≥n generan en los chilenos son: salud, transporte y respeto por los derechos de los trabajadores.
  • A√ļn perteneciendo a un mismo continente, cada pa√≠s de Latinoam√©rica tiene sus particularidades y debe ser estudiado individualmente.

 chilescopio

Para Netquest fue un placer colaborar y agradecemos la entusiasta recepción por parte de las empresas.

Puedes consultar el documento ‚ÄúC√≥mo son los chilenos respeto a otros pa√≠ses‚ÄĚ aqu√≠.

 

Categoría: estadisticas | Estudios | Investigacion de Mercados | LATAM | netquest | Panel | Paneles Online | Sin categor√≠a Trackback | Comentarios(0)

¬ŅLeer√°s este post hasta el final?

Escrito por Oriol Llauradó el 5 de septiembre 2014

Espero que sí, pero la verdad es que vivimos en un mundo abarrotado de estímulos en el que el tiempo es un bien escaso. Toda esta saturación está afectando a nuestra capacidad de concentrarnos sin distracciones.

Leo con interés un estudio realizado por el Lloyds Bank cuya conclusión es que la capacidad de concentración humana ha caído hasta los 5 minutos en 2014  (¡cuando era de 12 en 2004!).

Pensando en nuestra industria, resulta atractivo que desarrollemos lo que podríamos llamar micro metodologías, esto son, tomas de datos en las que obtengamos la información de los consumidores de forma ágil y rápida, respetando su día a día.

Una encuesta de 1-2 minutos es especialmente apta para contestarse a trav√©s del smartphone, en tiempo real, en el momento de la verdad: tras ver un anuncio en TV, ante el lineal de un supermercado, cuando se abandona el carrito de la compra en un e-commerce…

Una encuesta corta no reemplazará nunca un estudio en profundidad, pero puede ser un complemento para enriquecerlo y, a la vez, representa una forma de adaptarnos a los horarios de nuestros encuestados. Una experiencia de participación agradable y conveniente nos garantiza la obtención de unas respuestas más genuinas.

Por √ļltimo, conviene tener presente que los datos recogidos siempre los podremos cruzar con toda¬†informaci√≥n de perfil¬†disponible de los panelistas.

Si todavía no lo has hecho, te animo a incorporar a tu arsenal de investigación las Insta encuestas. Ah, y gracias por haber llegado hasta el final ;-)

 

Categoría: Sin categor√≠a Trackback | Comentarios(0)

Netquest y Wakoopa unen sus fuerzas – Netquest and Wakoopa join forces

Escrito por Carlos Ochoa el 3 de septiembre 2014

(English version ->)
Netquest, especialista en recolecci√≥n online de datos en Latinoam√©rica, Espa√Īa y Portugal, ha alcanzado un acuerdo para unir sus fuerzas con Wakoopa, proveedor tecnol√≥gico l√≠der en el campo de la recolecci√≥n de datos de comportamiento. Por medio de este acuerdo, Wakoopa pasa ser una empresa subsidiaria propiedad de Netquest.

 

banner_nsp

 

La visi√≥n com√ļn que subyace en este acuerdo es el objetivo de unir la satisfacci√≥n del participante en proyectos de investigaci√≥n con la innovaci√≥n tecnol√≥gica constante. La perfecta integraci√≥n de una amplia experiencia en la creaci√≥n de paneles online con la tecnolog√≠a m√°s avanzada de medici√≥n de la navegaci√≥n permitir√° llevar a cabo una investigaci√≥n fluida de las opiniones y comportamientos de las personas, en cualquier momento, en cualquier lugar, a trav√©s de cualquier dispositivo y bajo cualquier circunstancia.

Ambas compa√Ī√≠as permanecen como entidades independientes, con sus propios clientes y trabajando en sus propios productos, al mismo tiempo que exploran conjuntamente nuevas formas de servir mejor a sus clientes y participantes.

Netquest, fundada en Barcelona (Espa√Īa) en 2001, es el proveedor l√≠der de servicios de panel online para investigaci√≥n de mercados en Am√©rica Latina, Espa√Īa y Portugal, con m√°s de 450.000 consumidores reclutados ‚Äús√≥lo por invitaci√≥n‚ÄĚ dispuestos a dar su opini√≥n en 21 pa√≠ses.

Wakoopa, fundada en Amsterdam (Países Bajos) en 2007, desarrolla tecnología de medición pasiva marca blanca, capaz de registrar una huella digital integral de un participante en su PC, smartphone y tableta. Con total garantía de privacidad.

Germ√°n Loewe, CEO de Netquest: ‚Äú√Čste es un paso importante para Netquest en su camino hacia la creaci√≥n de un sistema de recolecci√≥n de datos totalmente integrado y orientado a la calidad. Este acuerdo extender√° nuestra oferta proporcionando a nuestros clientes datos de comportamiento en PCs, smartphones y tabletas. Wakoopa encaja perfectamente en el esp√≠ritu de Netquest, s√≥lo puedo decir que es genial tenerlos con nosotros.‚ÄĚ

Piet Hein van Dam, CEO de Wakoopa: ‚ÄúLa gente de Wakoopa estamos encantados de unir nuestras fuerzas con Netquest. Sentimos que juntos tenemos la oportunidad de continuar creando productos asombrosos al mismo tiempo que exploramos nuevos territorios basados en las fortalezas de cada parte. Wakoopa sigue concentrada en desarrollar la mejor tecnolog√≠a de medici√≥n pasiva de datos y en hacer llegar esos datos a los clientes.‚ÄĚ

Netquest y Wakoopa estar√°n presentes en el Congreso de ESOMAR que se celebrar√° en Niza entre el 8 y el 10 de septiembre para proporcionar m√°s detalles sobre el acuerdo.

———————————————–

 

 

Netquest, the online data collection specialist for Latin America, Spain and Portugal, has reached an agreement to join forces with Wakoopa, a leading technology vendor in the field of behavioral data collection. By the means of this deal, Wakoopa becomes a fully owned subsidiary of Netquest.

 

post_735_wakoopa_en

 

The shared vision underlying this deal is the aim to unite participants’ satisfaction with constant technological innovation. The perfect integration of online panel know-how with advanced metering technology will enable almost frictionless research on the opinions and behaviors of people at any time, at any place, on any device and under any circumstance.

Both companies remain separate entities, with their own clients and continue to work on their core products, while also jointly exploring new ways for better servicing respondents and clients.

Netquest, founded in Barcelona (Spain) in 2001, is the leading online panel provider for the market research industry in Latin America, Spain and Portugal with more than 450,000 consumers recruited ‚Äúby invitation only‚ÄĚ willing to give their opinions in 21 countries.

Wakoopa, founded in Amsterdam (The Netherlands) in 2007, Wakoopa, founded in Amsterdam (The Netherlands) in 2007, backed by the investors, amongst others, HenQ and Big Bang Ventures, develops white-label passive measurement technology that can track a respondent’s full digital footprint on desktop, smartphone and tablet. Fully privacy proof.

Germ√°n Loewe,¬†CEO of Netquest: ‚ÄúThis is an important step for Netquest in its journey to create a fully integrated, quality focused data collection system. It will expand our offer by providing clients with behavioral data on desktops, smartphones and tablets. Wakoopa is an extremely good fit in the Netquest family and it is just great to have them on board.‚ÄĚ

Piet Hein van Dam,¬†CEO of Wakoopa: ‚ÄúWe at Wakoopa are thrilled to join forces with Netquest. We feel that together we have the opportunity to continue building amazing products while also exploring new territories based on each other‚Äôs strengths. Wakoopa remains focused on building the best passive measurement technology and bringing these data and insights to clients.‚ÄĚ

Netquest and Wakoopa will be present at the ESOMAR Congress in Nice September 8-10 to provide more details about the deal.

Categoría: Investigacion de Mercados | netquest | Sin categor√≠a | Software | tecnolog√≠a Trackback | Comentarios(0)