Análisis de Causalidad y Correlación en Salud Mental
Clase 11 de 16 • Curso de Toma de Decisiones Basadas en Datos
Contenido del curso
Luis Alvarez
student•
hace 2 años
Luis Cabezas
student•
hace un año
Clase 11 de 16 • Curso de Toma de Decisiones Basadas en Datos
Contenido del curso
Luis Alvarez
Luis Cabezas
Daniel Espinoza
Juliana Castillo Araujo
Jose Ricardo Dueñas Suarez
Natalia Molina
Patricio Sánchez Fernández
Luis Alvarez
Claudia Cecilia Ruiz Duque
Juan Sebastian Montanez Chaparro
Gladys Martinez
Jhon Freyman Ramírez Cortés
Jhon Freyman Ramírez Cortés
Jhon Freyman Ramírez Cortés
Nestor Bejarano
CLAUDIA PATRICIA CABRERA CASTAÑO
CLAUDIA PATRICIA CABRERA CASTAÑO
EDWIN ALEXANDER PARRA GOMEZ
Myriam Rocio Romero Segura
jose david Buitrago Cano
Cesar Fabian Lancheros Currea
Causalidad y correlación en Sanamente
Introducción
En este documento se exploran los conceptos de causalidad y correlación en el contexto de Sanamente, un dispositivo de salud mental que acompaña al cliente las 24 horas. Se presentan ejemplos de cómo identificar relaciones causales y correlacionales en los datos de Sanamente, y se discuten los errores comunes que se pueden cometer al interpretar estas relaciones.
1. Diferenciando causalidad y correlación
1.1 Causalidad
1.2 Correlación
2. Identificando relaciones causales
2.1 Experimentos controlados
2.2 Análisis observacional
3. Errores comunes al interpretar relaciones
3.1 Falacia post hoc ergo propter hoc
3.2 Error de confusión
3.3 Multicolinealidad
3.4 Selección sesgada
4. Análisis de un caso: Cambio en las horas de socialización
Descripción del caso: Un grupo de usuarios en Sanamente ha experimentado una reducción significativa en sus horas de socialización semanal.
Tarea: Identificar el posible efecto de este cambio de comportamiento y considerar otras variables correlacionadas.
Posibles efectos:
Posibles variables correlacionadas:
Recomendaciones para el análisis:
Conclusión:
Es importante realizar un análisis exhaustivo para comprender las causas y los posibles efectos de la reducción en las horas de socialización de los usuarios de Sanamente. Al identificar las variables correlacionadas y recopilar datos adicionales, se puede obtener una comprensión más precisa de la situación y desarrollar estrategias de intervención adecuadas para ayudar a los usuarios.
Reflexión adicional:
El análisis de la causalidad y la correlación en los datos de salud mental es un desafío complejo que requiere una combinación de métodos estadísticos, análisis observacional y comprensión del contexto individual y social de los usuarios. Sanamente, como herramienta de salud mental, debe estar atenta a estos desafíos y utilizar metodologías rigurosas para interpretar sus datos y ofrecer recomendaciones precisas y efectivas a sus usuarios.
Es importante recordar que este análisis es solo un ejemplo y que la situación real de los usuarios de Sanamente puede ser más compleja. Se recomienda la colaboración con profesionales de la salud mental para realizar evaluaciones e intervenciones individualizadas.
Gracias por compartir este resumen tan claro de la clase. Has logrado captar las ideas principales y resaltar las variables clave que deben considerarse al analizar este tipo de comportamientos dentro de grupos específicos.
Me parece muy valioso que también hayas enfatizado la importancia de observar la dimensión individual, ya que detrás de cada dato hay una historia personal que puede influir en los resultados. Esto cobra aún más sentido dentro del contexto de la app Sanamente, donde se busca entender no solo los patrones grupales, sino también las experiencias particulares de cada usuario.
Sin duda, tu aporte enriquece el análisis y nos invita a ver más allá de los números. ¡Gracias por compartirlo!
Causa: Disminución en las horas de socialización.
Efecto: Las consecuencias de no relacionarnos con otras personas, ya sean familiares, pareja, amigos, compañeros del trabajo, debe tener un montón de efectos negativos en la salud mental. Digo "debe" porque realmente no conozco sus efectos, pero hay un estudio en Harvard que determinó que unas de las claves para una vida feliz es tener relaciones sociales significativas. Por lo que, no tener relaciones sociales significativas y de calidad podría causar infelicidad.
Ahora bien, las causas de una disminución en las horas de socialización pueden ser variadas:
Excelente clase 👩💻
Correlación: Relación entre Variables
La correlación mide el grado en que dos variables se mueven juntas. Puede ser:
📌 Ejemplo: En banca, puede haber una correlación positiva entre el ingreso mensual y el monto aprobado de crédito.
Métodos comunes:
🔍 Causalidad: Influencia Directa
La causalidad implica que una variable causa un cambio en otra. Es más difícil de demostrar que la correlación.
📌 Ejemplo: Un aumento en la tasa de interés causa una disminución en la demanda de préstamos.
Métodos para analizar causalidad:
🧠 ¿Por qué es importante distinguirlos?
Confundir correlación con causalidad puede llevar a decisiones erróneas. Por ejemplo:
¿Cuáles podrían ser los efectos de la disminución de los minutos de socialización de estos usuarios?
Es posible que estos usuarios se estén aislando de sus conocidos, amigos o familiares. Se ha demostrado que la socialización y la interacción humana mejora la salud mental de las personas y desarrollar relaciones humanas de calidad mejora la calidad de la vida de las personas. Estos usuarios, podrían conducir a pensamientos negativos, intrusivos y depresión.
¿Qué otras variables podrían estar correlacionadas?
1. Es necesario considerar su estado de salud física. Un contagio o malestar físico puede estar requiriendo que estos usuarios necesiten pasar tiempo de descanso.
2. Horas de sueño: Evaluar la calidad del sueño y la cantidad de horas de descanso. Dormir menos de lo mínimo necesario puede elevar los niveles de cortisol y limitar nuestra capacidad para manejar relaciones sociales.
3. Niveles de estrés: la cantidad de trabajo o las responsabilidades pueden estar ocupando más tiempo y atención de lo usual. Lo cual dejaría más agotados a los usuarios.
4. Tonos de voz que se monitorean con las personas que hablan: Pudiera tener discusiones o enemistades con sus relaciones actuales lo que resultaría en menos tiempo de conversación.
5. Ubicación: ¿Están en casa? ¿Salieron de viaje?
Para el caso de Sanamente, quizás debería considerar un programa de meditación, del tipo mindfulness. Dado que un trastorno mental es la consecuencia final, gatillada por un trastorno del sueño. Tranquilizar la mente, es el primer desafío, eso puede evitar un cuadro de ansiedad, que empuje a un paciente a revisar su celular hasta altas horas de la noche, interrumpiendo la producción de melatonina, sobreestimulando la visión. Esa situación, sostenida en el tiempo ocasionará trastorno del sueño y una eventual enfermedad mental. Sin embargo, lo que gatilló el problema fue el mal manejo de la ansiedad. (causa raíz) Qué podría ofrecer Sanamente? Podría monitorear el índice de la hormona del stress del paciente, esto podría ser a través de un parche que envíe la señal a través de IoT. Sanamente podría recopilar datos y recomendar al paciente visitar a un médico especialista.
Esta clase me gusto. Me encanta aplicar la lógica a un diccionario, donde se puede explicar un caso y relación, con un lenguaje que puede tener más garbo y elegancia a la hora de presentar...
Es importante establecer si la caída es una decisión personasl (para lograr algo, por ejemplo empezó un proyecto de Horizonte Senior y está estudiando como loco en una plataforma como platzi) y claro reduce la interacción pero, si es involuntaria o sostenida puede generar efectos importantes:
¿Es posible evitar el sesgo de selección?
Sí, pero requiere que seas muy consciente de a quién estás midiendo y a quién estás excluyendo. El sesgo de selección ocurre cuando asumes que tus usuarios actuales representan a todo el mundo. Si tu plataforma atrae a personas proactivas con su salud mental, tus métricas de éxito estarán infladas en comparación con la población general. Para mitigarlo, primero debes definir claramente los límites de tu población objetivo y evitar hacer afirmaciones universales. Luego, puedes aplicar técnicas de muestreo estratificado, asegurándote de incluir perfiles diversos que representen diferentes niveles de interés, edad o contexto socioeconómico. Si estás probando una nueva característica, no la lances solo a tus early adopters o usuarios más activos; distribúyela aleatoriamente entre usuarios inactivos o esporádicos para obtener una imagen realista de cómo funcionaría tu producto en el mundo real.
¿Es posible evitar el sesgo de selección?
Sí, pero requiere que seas muy consciente de a quién estás midiendo y a quién estás excluyendo. El sesgo de selección ocurre cuando asumes que tus usuarios actuales representan a todo el mundo. Si tu plataforma atrae a personas proactivas con su salud mental, tus métricas de éxito estarán infladas en comparación con la población general. Para mitigarlo, primero debes definir claramente los límites de tu población objetivo y evitar hacer afirmaciones universales. Luego, puedes aplicar técnicas de muestreo estratificado, asegurándote de incluir perfiles diversos que representen diferentes niveles de interés, edad o contexto socioeconómico. Si estás probando una nueva característica, no la lances solo a tus early adopters o usuarios más activos; distribúyela aleatoriamente entre usuarios inactivos o esporádicos para obtener una imagen realista de cómo funcionaría tu producto en el mundo real.
¿Cuándo debería elegir un análisis observacional?
Debes recurrir a este enfoque cuando realizar un experimento controlado (A/B testing) sea éticamente cuestionable, logísticamente imposible o demasiado costoso. En el ámbito de la salud mental, no puedes empeorar intencionalmente las condiciones de un grupo de personas solo para probar una hipótesis. En su lugar, el análisis observacional te permite mirar datos históricos y encontrar patrones naturales. Consiste en observar a usuarios que ya están experimentando ciertas condiciones (por ejemplo, una caída drástica en sus horas de socialización) y compararlos con quienes mantienen sus hábitos. La clave aquí es ser extremadamente riguroso al filtrar los datos: debes identificar y aislar matemáticamente cualquier variable externa que ensucie la muestra. Es un trabajo de detective donde usas el historial de interacciones para deducir el impacto sin intervenir directamente en la vida del usuario.
¿Cómo diferencio una correlación de una causalidad?
Imagina que notas que los días que comes helado, también usas gafas de sol. Ambas acciones aumentan al mismo tiempo, lo que significa que están correlacionadas. Sin embargo, comer helado no causa que te pongas gafas. La causa real de ambas es el clima soleado. En el análisis de datos, la correlación solo te indica que dos métricas se mueven juntas, ya sea en la misma dirección o en direcciones opuestas (como hacer más ejercicio y tener menos estrés). Para confirmar la causalidad, necesitas demostrar que una acción genera directamente el resultado, sin que otros factores intervengan. La mejor forma de comprobarlo en tus proyectos es aislar la variable mediante experimentos controlados, asegurándote de que el cambio en la métrica B ocurre únicamente porque alteraste la métrica A.
Una caída del 75% en interacción social puede estar asociada a:
Por sí sola, es una alerta, no una conclusión.
Posibles variables correlacionales
· Conductuales
· Sociales
· Emocionales
· Sueño y hábitos digitales
· Productividad / actividad diaria (si aplica)
Efecto : Disminución significativa del tiempo de interacción social, pasando de 200 a 50 minutos semanales. Esto implica una reducción del 75%, lo que constituye un cambio relevante en el comportamiento social de los usuarios y puede estar asociado a alteraciones en bienestar emocional, patrones de movilidad o hábitos digitales. Variables que deben apuntar a la disminución:
Este evento suele estar asociado a
baja energía personal, menos oportunidades externas, o problemas de registro/visibilidad en la plataforma, se debe realizar un análisis detallado.
Variables correlacionadas que impactan el tiempo de socialización:
Un cambio en el estado de salud física puede estar causando pérdida de sueño. O un cambio de horario de trabajo por ejemplo, es una variable a tener en cuenta porque cambia la dinámica del sueño. No es lo mismo dormir dentro del ciclo normal (noche), que durante el día. Fisiológicamente no funciona de manera natural.
al generar estress, ansiedad, cansancio etc hace que se pierdan las ganas de hablar con personas, aumenta la posibilidad de aislarse, estar en soledad continua.
las demás variables tendrían que ver con tristeza, contenidos que ve en redes sociales, últimas conversaciones con personas pueden que lo hagan cohibirse de hablar con los demas menos tiempo.
El disminuir las horas de socialización tiene un efecto en negativo dar la naturaleza del ser humano y hace que la persona se aísle lo que trae como efecto que su nivel de estrés o antiedad aumente.