Perspectiva de género en la investigación en Estadística e Investigación Operativa

Traballo Fin de Grao Perspectiva de género en la investigación en Estadística e Investigación Operativa Andrea García Martínez 2020/2021 UNIVERSIDADE DE SANTIAGO DE COMPOSTELA GRAO DE MATEMÁTICAS Traballo Fin de Grao Perspectiva de género en la investigación en Estadística e Investigación Operativa Andrea García Martínez Julio 2021 UNIVERSIDADE DE SANTIAGO DE COMPOSTELA Trabajo propuesto Área de Coñecemento: Estadística e Investigación Operativa Título: Perspectiva de género en la investigación en Estadística e Investigación Operativa Breve descrición do contido La promoción del papel de la mujer en diferentes ámbitos de la sociedad ha cobrado especial importancia en los últimos años. En este trabajo se estudiará el impacto de las políticas de perspectiva de género en la investigación en Estadística e Investigación Operativa. Recomendacións Outras observacións iii Índice general Resumen viii Introducción xi 1. El género en la investigación 1 2. Datos y metodología 7 2.1. Recogidadedatos ................................ 7 2.2. Metodología.................................... 16 2.2.1. Modelo de Regresión Lineal Simple . . . . . . . . . . . . . . . . . . . 16 2.2.2. Modelo de Regresión Lineal Múltiple . . . . . . . . . . . . . . . . . . 19 2.2.3. Modelo de Regresión Lineal Segmentada . . . . . . . . . . . . . . . . 19 2.2.4. R2o coeficiente de determinación . . . . . . . . . . . . . . . . . . . . 20 2.2.5. Diagnosis del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 3. Resultados 23 3.1. Resultados de las revistas de Estadística . . . . . . . . . . . . . . . . . . . . 23 3.2. Resultados de las revistas de Investigación Operativa . . . . . . . . . . . . . 28 3.3. Comparativa con el área de Matemática Aplicada . . . . . . . . . . . . . . . 32 4. Conclusiones 37 A. Series Temporales 39 A.1.Estadística .................................... 39 A.1.1.Individuales................................ 39 A.1.2.Total.................................... 41 A.2. Investigación Operativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 A.2.1.Individuales................................ 42 A.2.2.Total.................................... 44 v vi ÍNDICE GENERAL A.3.MatemáticaAplicada............................... 44 A.3.1.Individuales................................ 44 A.3.2.Total.................................... 46 B. Resultados 47 B.1. Resultados en el área de Estadística . . . . . . . . . . . . . . . . . . . . . . 47 B.2. Resultados en el área de Investigación Operativa . . . . . . . . . . . . . . . 49 B.3. Resultados de la comparativa con el área de Matemática Aplicada . . . . . 51 Bibliografía 53 2CAPÍTULO 1. EL GÉNERO EN LA INVESTIGACIÓN Figura 1.1: Línea Temporal de políticas recogidas en la página de Gendered Innovations [13] 3 Desde hace unos años hacia aquí, en España se han creado una serie de organizaciones como la Comisión de la Mujer en la Estadística y en la Investigación Operativa (CMEIO) o la Comisión de Mujeres y Matemáticas, la primera de ellas en Febrero de 2010 por el consejo ejecutivo de la Sociedad de Estadística e Investigación Operativa (SEIO) y la segunda por la Real Sociedad Matemática Española (RSME). Presentan objetivos y propósitos muy similares entre los cuáles se encuentran: El análisis de la situación actual a la que se enfrentan tanto las niñas en enseñanzas medias como las mujeres universitarias. La elaboración de guías sobre estereotipos y sesgos inconscientes entre el profesorado. Planes de visibilización de mujeres matemáticas ya consolidadas. Entre estos objetivos destacamos el que propone la Comisión de Mujeres y Matemáticas para que en las webs de las revistas aparezcan las estadísticas de artículos presentados y aceptados desgregados por sexo, permitiendo así el análisis del sesgo existente. De forma paralela, como se muestra en la Figura 1.1, se ha creado legislación específica en materia de género en la ciencia. Por ejemplo, la Ley de la Ciencia de 2011 a la cuál hacemos referencia en dicha figura, se habla de nuevos métodos y criterios en los que la persona evaluadora no conozca ningún aspecto personal de la evaluada. Se pretende así, intentar evitar que consciente o inconscientemente, la elección de personal de los organismos públicos se vea influenciada por condiciones ya sean sociales o personales como el género. Se pretende a su vez no considerar negativamente el tiempo que los candidatos hayan estado “ausentes”, ya sea por maternidad, paternidad, incapacidad temporal, etc. Para conseguir esto, lo que se pide es que las personas que evaluan, sean expertas en género o profesionales sociales. Otro de los ejemplos es el She Figures [3]. En este documento se recogen datos como las todavía existentes diferencias entre las distintas áreas de estudio. Habiendo un predominio de los hombres en los masters y doctorados de las ciencias naturales y la tecnología, mientras que las mujeres son más numerosas en las ciencias de la salud. Los estudios realizados al respecto, muestran que este hecho es resultado de los estereotipos, asi como de las divisiones de trabajo por género, las limitaciones de tiempo, el sesgo en las prácticas o la eleccion del campo de estudio entre otras. Como apuntan desde el European Research Area and Innovation Committee, muchos estudios realizados hasta la fecha, muestran una notable predilección por los hombres a la hora de contratar o elegir al personal científico en cualquier proyecto. El trabajo de estos es considerado mejor que el de sus compañeras femeninas por su simple condición de hombre. 4CAPÍTULO 1. EL GÉNERO EN LA INVESTIGACIÓN Estos hechos deberían penalizarse e intentar corregirse por parte de toda la sociedad, ya que este prejuicio no existe solo en la cabeza de los hombres, sino por desgracia, también en el de muchas mujeres. Las mujeres necesitan por tanto, esforzarse más y conseguir mayores méritos, y aún así ante un hombre siguen teniendo elevadas posibilidades de salir perdiendo. A esto, debemos sumarle otras injusticias como la distorsionada visión en cuanto a puestos de liderazgo. En estos, los hombres son indudablemente los favoritos, tachando a las mujeres que reúnen las condiciones adecuadas para dichos puestos. Además las mujeres no suelen ser invitadas ni a tantos congresos, ni a formar parte de comités científicos o equipos de investigación. La Comisión de Mujeres y Matemáticas en [7] recoge una serie de propuestas cara a las futuras convocatorias de financiación, y lo hablado en este párrafo. El Standing Working Group on Gender in Research and Innovation hizo una serie de recomendaciones que recogen en [2] con el propósito de asegurar que los investigadores tengan las mismas oportunidades en el momento de ser evaluados. Dichas recomendaciones van dirigidas tanto a las Research Funding Organisations como a las autoridades nacionales. Esperan así que el proceso sea justo, transparente e imparcial y que los resultados no se vean comprometidos por condiciones sociales como el género de los investigadores. Algunas de estas recomendaciones son: Las RFOs, deberían llevar a cabo y posteriormente hacer públicas, las estadísticas sobre la proporción de investigadores por género que se encuentran entre los solicitantes y beneficiarios de subvenciones. La formación en materia de perspectiva de género debería estar entre los requisitos de evaluadores y personal. Se deberían incluir expertos de género en los paneles de evaluación con el objetivo de asegurar que el tema de perspectiva de género es correctamente evaluado en los proyectos. Los criterios de evaluación deben estar claros y al alcance de todo el mundo, teniendo en cuenta las posibles interrupciones de los evaluados a lo largo de su carrera. En la medida de lo posible, se optará por la revisión doble-ciego debido a sus ventajas con respecto a los posibles prejuicios de género, aumentando las posibilidades de que las mujeres reciban subvenciones. Paralelamente a lo mencionado hasta ahora, es relevante hablar sobre el lenguaje sexista en el que las investigadoras encuentran dificultades a la hora de rellenar documentos pensados para hombres. Muchas veces no solo son invisibilizadas por el lenguaje sino que 5 directamente sus compañeros hombres se llevan gran parte, o incluso todo el reconocimiento. Este es el conocido como efecto Matilda, concepto definido inicialmente por Matilda Joslyn Gage en su ensayo La mujer inventora, y descrito por Rossiter [11]. Finalmente,no deberíamos descuidar el papel que juegan las universidades y los principales centros de investigación en este tipo de competencias transversales. Debería por tanto, ser objeto de estudio el hecho de incluirlas, ya que los futuros profesionales que van a acceder a diversos trabajos y puestos dentro de la sociedad, es ahí donde se forman no solo a nivel profesional sino a nivel personal. La Universidad, como motor de la sociedad en general, no puede presentarse exclusivamente, como una entidad de formación, sino como una entidad que eduque en valores a mujeres y hombres que busquen la igualdad real entre ambos sexos en la sociedad. En este trabajo, se pretende comprobar la efectividad de las diferentes políticas de género adoptadas desde el ámbito político o académico hasta el momento, en aras de reducir la brecha de género existente entre hombres y mujeres en la ciencia. Tal y como se ha mencionado, el predominio del género masculino sobre el femenino queda patente, aunque en los últimos años dicha distancia se haya reducido. Con ello, pretendemos evaluar las debilidades de las medidas adoptadas en el contexto de la perspectiva de género con el objetivo de que, en el futuro, estas, realmente favorezcan a la mujer. 6CAPÍTULO 1. EL GÉNERO EN LA INVESTIGACIÓN Capítulo 2 Datos y metodología En este capítulo hablaremos de los datos escogidos para esta investigación así como de las herramientas estadísticas empleadas para el análisis que vamos a desempeñar. En la Sección 2.1 veremos los datos sobre los que vamos a trabajar y el criterio de selección de la muestra escogida. A su vez, introduciremos las series temporales de las revistas haciendo una pequeña parada en algunas de las que más han llamado nuestra atención. En la Sección 2.2 veremos los modelos de regresión utilizados. La regresión es muy útil en este tipo de estudios por brindarnos la posibilidad de ver como varía el número de publicaciones a lo largo de los años. También nos ayuda a predecir como se comportará en el futuro y ver cuánto de útiles están siendo las medidas tomadas para acabar con las diferencias de género en la investigación. 2.1. Recogida de datos Para este estudio, hemos acudido a los buscadores de las revistas previamente seleccionadas introduciendo en ellos las palabras claves mencionadas en la siguiente tabla: Gender Female and Male Woman and Man Gender and Perspective que fueron cuidadosamente seleccionadas como indicadores de la inclusión de perspectiva de género. Mostraremos en las Tablas 2.1 y 2.2 las listas de revistas seleccionadas, las pertenecientes al campo de la Estadística y las de Investigación Operativa, respectivamente. En concreto, hemos seleccionado una muestra de las revistas científicas más representativas en ambas áreas. El criterio de elección de las revistas se basa en el impacto de los artículos que contiene dicha área, en términos de las citas que reciben. Las revistas elegidas, han sido 7 8CAPÍTULO 2. DATOS Y METODOLOGÍA por tanto, revistas de InCites Journal Citation Reports, con distintos factores de impacto. El factor de impacto de una revista mide la importancia y repercusión de una revista en su campo. Por ser de los índices bibliométricos más usados, apuntaremos algunos datos que el lector debería conocer. Este valor se obtiene al dividir el número de citas recibidas en un año, de artículos publicados los dos años anteriores, entre el número total de publicaciones en esos dos años. Ejemplifiquemos dicho cálculo con la revista Extremes, perteneciente al área de Estadística, y el año más reciente disponible en el Journal Citation Report, que es el 2019: JIF =Citas en 2019 a publicaciones en 2017(47) + 2018(38) Total de artculos citados en 2017(34) + 2018(32) Algunos de los aspectos influyentes a la hora de calcular dicho factor son: No se consideran las autocitas, ni las citas negativas Las áreas que mayor popularidad tienen en el momento, son las que mayor posibilidades de tener un factor de impacto más elevado tienen. En la actualidad, podríamos decir por tanto, que las revistas de Medicina que incluyan estudios sobre la COVID-19 probablemente sean las que mayor factor de impacto tengan. No tiene sentido comparar factores de impacto de distintas áreas temáticas, pero también hay que tener en cuenta que una revista puede estar asignada a más de un área. Obviamente lo óptimo es estar dentro del primer cuartil en el ranking. De esta forma, las revistas pertenecientes al área de Estadística son las siguientes: Revistas Estadística Journal of Statistical Software (JSS) Computational Statistics and Data Analysis (CSDA) Journal of Machine Learning Research (JMLR) Quality Technology and Quantitative Management (QTQM) Biostatistics (B) Journal of Statistical Planning and Inference (JSPI) Test (T) Econometrica (E) Chemometrics and Intelligent Laboratory Systems (CILS) Statistical Methods in Medical Research (SMMR) Finance and Stochastics (FS) 2.1. RECOGIDA DE DATOS 9 Journal of Business and Economic Statistics (JBES) Statistical Analysis and Data Mining (SADM) Pharmaceutical Statistics (PS) Insurance: Mathematics and Economics (IME) Stata Journal (SJ) Extremes (EX) Statistica Neerlandica (SN) Astin Bulletin (AB) Lifetime Data Analysis (LDA) Statistical Modelling (SM) Fuzzy Sets and Systems (FSS) Spatial Statistics (SS) Stochastic Enviromental Research and Risk Assesment (SERRA) Advances in Data Analysis and Classification (ADAC) Tabla 2.1: Lista de revistas de Estadística La siguiente lista corresponde a las revistas del área de Investigación Operativa: Revistas Investigación Operativa Annals of Operation Research (AOR) European Journal of Operational Research (EJOR) International Journal of Game Theory (IJGT) Omega (O) Journal of Optimization Theory and Applications (JOTA) Technovation (T) International Journal of Production Economics (IJPE) Socio-Economic Planning Sciences (SEPS) International Transactions in Operational Research (ITOR) Journal of Scheduling (JS) Optimization Methods and Software (OMS) OR Spectrum (ORS) Applied Stochastic Models in Business and Industry (ASMBI) Engineering Economist (EE) Networks and Spatial Economics (NSE) Memetic Computing (MC) 10 CAPÍTULO 2. DATOS Y METODOLOGÍA Mathematical Programming(MP) Fuzzy Optimation and Decision Making (FODM) Decision Support Systems (DSS) Expert Systems with Applications (ESA) Flexible Services and Manufacturing Journal (FSMJ) Queueing Systems (QS) Journal of Simulation (JOS) Production Planning and Control (PPC) International Journal of Information Technology and Decision Making (IJITDM) Tabla 2.2: Lista de revistas de Investigación Operativa Una vez decidido el listado definitivo, el siguiente paso en este estudio es hacer un recuento del número de publicaciones por año que contiene al menos una de las palabras clave para cada una de las revistas. La representación de las series temporales resultantes se muestran en las Figuras 2.1 y 2.3. Para su obtención se ha utilizado el código R creado específicamente y que se detalla en el Apéndice A. Las 25 primeras, que aparecen en la Figura 2.1, corresponden a las revistas del área de Estadística. Las hemos posicionado según el orden seguido previamente en la lista. También haremos un breve comentario sobre algunas de las que más nos han llamado la ateción. Estas aparecerán rodeadas con recuadros azules como se puede observar en la Figura 2.2. Conviene mencionar que para este estudio, hemos considerado las publicaciones que contenían al menos una de las palabras clave desde el 2000 hasta el 2021. Debido a causas obvias, los datos del 2021 solo contemplan las publicaciones hasta el mes de Abril. En la Figura 2.2, las series temporales de la parte superior, de izquierda a derecha corresponden a las revistas Journal of Statistical Software yBiostatistics. Sobre ellas conviene señalar que son las únicas de la muestra elegida para este área, que son prácticamente nulas. Y las dos inferiores, nuevamente de izquierda a derecha pertenecen a las revistas Journal of Business and Economic Statistics yPharmaceutical Statistics. En este caso se observa una tendencia creciente. 2.1. RECOGIDA DE DATOS 11 Figura 2.1: Series Temporales de las revistas de Estadística 18 CAPÍTULO 2. DATOS Y METODOLOGÍA Inferencia sobre β1 Al igual que nos pasaba con el intercepto, tenemos dos opciones de pivote para la pendiente: •si σes conocida: ˆ β1−β1 σ/(Sx√n)∈N(0,1) •si σes desconocida: ˆ β1−β1 ˆσ/(Sx√n)∈Tn−2 El intervalo de confianza para β1, con nivel de confianza (1 −α), es: ň β1−tn−2,α/2 ˆσ Sx√n,ˆ β1+tn−2,α/2 ˆσ Sx√nã En cuánto al contraste, tendríamos:    H0:β1= 0 Ha:β16= 0 Donde la región de rechazo de H0es: |ˆ β1| ˆσ/(Sx√n)> Tn−2 Inferencia sobre σ2 En el caso de la varianza del error, tenemos que el pivote sería: (n−2)ˆσ2 σ2∈χ2 n−2 lo cuál nos da un intervalo de confianza para la varianza del error, con nivel de confianza (1 −α), de: (n−2)ˆσ2 χ2 n−2,α/2 ,(n−2)ˆσ2 χ2 n−2,1−α/2! A diferencia de los dos casos anteriores, el estimador ˆσ2no es simétrico en torno a σ2. De hecho, los intervalos tampoco son simétricos en torno al estimador. En cuanto al contraste:    H0:σ2=σ2 0 Ha:σ26=σ2 0 2.2. METODOLOGÍA 19 2.2.2. Modelo de Regresión Lineal Múltiple Visto el modelo lineal simple, conviene hablar sobre el modelo lineal múltiple, que no es más que una extensión del simple. En este caso, en vez de una única variable explicativa X, tendremos varias variables explicativas X1, X2, ..., Xp−1. Obtendremos dicho modelo como resultado de hacer una combinación lineal de las variables explicativas: Y=β0+β1X1+... +βp−1Xp−1+ε(2.3) Donde β0, β1, ..., βp−1son los coeficientes que acompañan a las variables y εel error. La razón por la cual las variables explicativas van de 1a(p−1), es para obtener un total de pcoeficientes, entre los cuales se encuentra el intercepto, β0, y los (p−1) restantes que se corresponden con las respectivas (p−1) variables explicativas. Al igual que pasa con el modelo simple, en el caso del modelo múltiple podemos considerar un diseño fijo o un diseño aleatorio de las variables explicativas. Una muestra bajo diseño fijo de este modelo se puede expresar de la siguiente forma: Yi=β0+β1xi,1+... +βp−1xi,p−1+εi(2.4) donde Yies la variable respuesta del i-ésimo individuo, xi,1, ..., xi,p−1las variables explicativas del mismo y εiel error asociado a dicho individuo. En el modelo lineal simple, había varias suposiciones sobre el error. Las hipótesis de homocedasticidad, normalidad e independencia, también se supondrán para este modelo, de forma que: ε1, ..., εn∈N(0, σ2) y son independientes. Teniendo que la varianza de los errores es denotada por σ2y será un parámetro a estimar. 2.2.3. Modelo de Regresión Lineal Segmentada Como apuntan en [12], el problema que nos presenta el modelo simple en (2.1) es que asume que nuestra pendiente no depende de la variable explicativa X, es decir, es constante, lo cual no se suele corresponder con la realidad. Esto nos lleva a considerar un modelo alternativo donde si se considere una posible variación de la pendiente. Entran aquí los modelos de regresión segmentada (o regresión por partes), se caracterizan por la existencia de un valor en la variable explicativa Xal que denominaremos break-point o punto de cambio. Este punto, implica un cambio en los parámetros de tendencia o pendiente para la función de regresión. En particular, emplearemos los modelos de regresión segmentada lineal, en los que la relación entre la variable respuesta y la variable explicativa dentro de los distintos intervalos (o segmentos), se obtiene por regresión simple. 20 CAPÍTULO 2. DATOS Y METODOLOGÍA Escribiremos este último modelo de la siguiente manera: Yi=β0+β1Xi+βψ(Xi−ψ)++εi, i = 1, . . . , n (2.5) donde (Xi−ψ)+= (Xi−ψ)I(Xi> ψ)siendo I(·) la función indicadora. Aparecen como resultado aquí, dos partes, que de hecho son dos rectas, una antes del break-point ψy otra despúes del mismo. Tenemos ahora que β1es la pendiente del modelo cuando Xi≤ψy β1+βψes la pendiente cuando Xi> ψ. A su vez, podríamos decir que βψes la diferencia entre la pendiente del primer modelo y la del segundo. En otro caso estaríamos ante dos modelos iguales y es el hecho de que existe un break-point, es decir, ψ6= 0. Con respecto al modelo 2.5, la literatura propone varios métodos de estimación. Uno de ellos asume la existencia de un punto de cambio y emplea mínimos cuadrados. Hinkley (1969) desarrolla un método en el que se intenta encontrar el intervalo que maximiza la función de verosimilitud del modelo y luego determina el punto de corte de dos rectas dentro del intervalo. Otro posibles método es el que minimiza la suma de residuos al cuadrado. Pero en 2003,como podemos observar en [5], Muggeo propuso un algoritmo basado en las aproximaciones de Taylor para estimar los parámetros del modelo incluyendo uno o de forma general varios puntos de cambio. Aquí nos puede surgir un pequeño contratiempo y es que estamos asumiendo que existe al memos un break-point y este hecho no siempre está garantizado. Necesitamos así un test previo que nos asegure dicha existencia. Podemos emplear por ejemplo los test de Davies o Score cuya hipótesis nula para el modelo 2.5 puede ser escrita como H0=βψ= 0 donde βψ= 0 indica que no hay ningún break-point. Llegados a este punto cabe destacar que al haber reunido los datos a lo largo del tiempo, podemos encontrar ciertas dificultades al estimar los modelos mencionados por la existencia de correlaciones temporales. Nace de aquí la necesidad de comprobar si esto ocurre, para impedir que nuestras conclusiones del ajuste centrado en observaciones independientes no se vean afectadas. Tenemos para ello herramientas como el test de Breusch-Godfrey que testea la correlación serial de orden superior. 2.2.4. R2o coeficiente de determinación Vamos a hablar del coeficiente de determinación ya que podemos tomarlo para medir como de bueno es el ajuste de regresión. Asociando que este sea alto con una buena regresión, pero teniendo en cuenta que un bajo valor del mismo no supone que nuestro modelo no sea válido. Esto viene de que aunque se cumplan las suposiciones del modelo, este, puede tener una mucha varianza en la variable de error y hacer así que nuestro coeficiente de determinación sea pequeño. Lo que si podremos decir en este caso, es que 2.2. METODOLOGÍA 21 aunque el modelo lo tenga por que ser malo o incorrecto, va a ser menos útil que otro que presente un coeficiente de determinación más elevado. Se representa por R2y se define como la proporción de varianza explicada de un modelo. Se puede calcular con la expresión: R2= 1 −RSS TSS (2.6) donde RSS es la suma residual de cuadrados y viene dada por: RSS = n X i=1 (Yi−ˆ Yi)2(2.7) siendo ˆ Yilas predicciones en base al modelo. Y donde TSS es la suma total de cuadrados y se calcula: TSS = n X i=1 (Yi−¯ Y)2(2.8) Podemos observar por tanto que su valor oscila entre cero y uno, informando de una mayor proximidad entre las observaciones y la recta ajustada, cuanto más próximo a 1 esté su valor. 2.2.5. Diagnosis del modelo En este apartado haremos un repaso por las hipótesis que debe cumplir un modelo de regresión y como ver si se cumplen. Dichas hipótesis son las de linealidad, homocedasticidad, normalidad e independencia. Aunque las tres últimas hipótesis se refieren a los errores de la regresión, como no los observamos, los aproximamos a través de los residuos. Tenemos así que lo importante está en el cómputo global del conjunto de residuos y no en que haya una correspondecia exacta entre los mismos y sus respectivos errores. La hipótesis de linealidad no está relacionada con los errores, pero los residuos si que nos permiten ver si se cumple o no. Hipótesis de Linealidad En el caso del modelo lineal simple, para que se cumpla este supuesto, los residuos no deben presentar un tendencia respecto de X, es decir, la función de regresión es una línea recta. Para estudiar el cumplimiento de esta hipótesis emplearemos tests como el de Ramsey o el de Harvey-Collier. También nos será útil, en el caso simple, hacer un gráfico de dispersión. 22 CAPÍTULO 2. DATOS Y METODOLOGÍA Hipótesis de Homocedasticidad Que se cumpla el supuesto de homocedasticidad quiere decir que la varianza del error se mantanga constante para todo el recorrido de la variable explicativa. Para comprobar su cumplimiento también tenemos varios tests como el de Breusch-Pagan o el de HarrisonMcCabe. En cuánto gráficos, en el caso simple, podemos representar los residuos frente a la explicativa, y en el caso múltiple, un gráfico de los residuos frente a los ajustes. Hipótesis de Normalidad Para ver si se cumple la hipótesis de normalidad tenemos varios tests entre los que se encuentran el de Kolmogorov-Smirnov, el test de Shaphiro-Wilk o un test ji-cuadrado. En este caso, gráficamente nos podemos apoyar en un histograma o un gráfico QQ. Hipótesis de Independencia Esta suposición, nos dice que los nerrores obtenidos de las nobservaciones bajo el modelo de regresión, son independientes entre sí. Capítulo 3 Resultados En este capítulo recogeremos y analizaremos los resultados obtenidos del estudio. Ajustaremos el modelo de regresión lineal simple, haremos las transformaciones pertinentes y en caso de que sea necesario, segmentaremos el modelo. Este capítulo consta de tres secciones, la Sección 3.1 en el cuál realizaremos lo mencionado para el área de Estadística, acompañandonos de gráficas y tablas donde visualizar los resultados para un análisis más cómodo y adecuado de los mismos. En la Sección 3.2, se llevará a cabo un procedimiento similar pero para el correspondiente campo, que es el de Investigación Operativa. Finalmente, en la Sección 3.3 presentamos un estudio comparativo con el área de Matemática Aplicada, en el cuál, aunque no con tanta profundidad, veremos en que posición se encuentra esta disciplina con respecto a la cuestión de género. 3.1. Resultados de las revistas de Estadística Antes de profundizar un poco más, hagamos un análisis descriptivo de los datos de las revistas escogidas para el área de Estadística. Revistas Mínimo Primer Cuartil Mediana Media Tercer Cuartil Máximo JSS 0 0 0 0.9 0 1 CSDA 4 12 25 22.5 29 44 JMLR 0 1 5.5 5.6 7.8 20 QTQM 0 0 0 0.55 1 6 B 0 0 0 0.1 0 1 JSPI 1 4 6 6.2 8.5 14 T 5 7.3 9 11.1 13.75 31 E 0 22.3 28.5 28.3 33 82 23 24 CAPÍTULO 3. RESULTADOS CILS 0 1 2 2.1 3 6 SMMR 4 8 10 21.4 20.8 74 FS 3 4 6.5 6.6 8.8 12 JBES 1 3 4.5 5.5 6 20 SADM 0 0 2 2.1 3 6 PS 0 2.3 4 4.1 5 15 IME 3 6 10 10.7 13 23 SJ 0 5 7 7.96 12 17 EX 0 0 0 0.5 0 5 SN 0 1 3 2.68 3 8 AB 0 0 1 1.32 2 4 LDA 3 6 6.5 7.73 10.75 16 SM 0 4 5 5.23 7 11 FSS 0 0 1 1.68 3 8 SS 0 0 0 1.41 3.5 6 SERRA 0 1 2 2.82 3.75 9 ADAC 0 0 1 2.73 4.75 14 Tabla 3.1: Análisis descriptivo del área de Estadística Sobre los resultados recogidos en la Tabla 3.1 destacaremos los correspondientes a la revista Journal of Statistical Software. Su factor de impacto es de 13.642, y en las dos categorías que aparece (estadística y probabilidad y computer science, interdisciplinary applications) está dentro del primer cuartil. Sus resultados dejan bastante que desear, ya que que una revista tan influyente tenga una media de 0.9 artículos en los cuáles se incluye la perspectiva de género no es demasiado alentador. En Computational Statistics and Data Analysis tienen una media de 22.5 artículos que incluyen al menos una de las palabras clave. El caso de esta revista se aleja bastante del de la anterior, ya que su factor de impacto es de 1.186 y en las categorías en las que aparece, el mejor cuartil conseguido es el Q2 en Estadística y Probabilidad. La que tiene mayor media, con 28.3, es la revista Technovation. Tiene un factor de impacto de 5.729, el cuál es bastante más bajo que el de Journal of Statistical Software, que como vimos antes, tiene la tercera peor media con un 0.9. Ahora nos paramos a mirar los datos resultantes del análisis descriptivo del total de artículos que contienen al menos una de las palabras clave desde el año 2000 hasta el 2021: 3.1. RESULTADOS DE LAS REVISTAS DE ESTADÍSTICA 25 Mínimo Primer Cuartil Mediana Media Tercer Cuartil Máximo 37 132.5 162 160.9 186.2 330 Tabla 3.2: Análisis descriptivo del número total de revistas Una vez hecho el análisis incial de nuestros datos, tanto de las revistas a nivel individual, como del número total de publicaciones por año (Tabla 3.2), desde el 2000 hasta el 2021, llega el turno de ajustar el modelo de regresión lineal simple. Hemos considerado como variable respuesta Y, la serie temporal anual de la transformación de Box-Cox para el número de artículos en las revistas de Estadística que contienen al menos una de las palabras clave, y como variable explicativa X, el año. Antes de estimar los parámetros, es necesario comprobar si hay una relación lineal entre la variable respuesta y la explicativa, o no. Para ello nos apoyaremos en el coeficiente de correlación lineal de Pearson que tiene un valor de 0.85, el cuál está muy proximo a 1 y por tanto nos indica que existe una relación lineal positiva muy fuerte. En caso de que al hacer la diagnosis del modelo para comprobar que se cumplen las hipótesis, obtengamos que alguna de ellas no lo hace, tenemos dos opciones. Una es cambiar el modelo por uno que no necesite que se cumplan esas hipótesis y otra, transformar los datos. Normalmente, las hipótesis no se cumplen por el carácter asimétrico de sus variables, que es resultado de que alguna de ellas o las dos sean positivas. La hipótesis de normalidad no es la única perjudicada por la asimetría. Hipótesis como la linealidad y la homocedasticidad pueden verse comprometidas a causa de la modificación que sufren la función de regresión y la de la varianza condicional, respectivamente. Tenemos así, que realizar una transformación de nuestros datos nos puede solventar más de un problema de golpe. Para el presente estudio, emplearemos la transformación de Box-Cox. Otras bastante comunes,que de hecho resultan ser dos casos particulares de las de Box-Cox, son la raíz cuadrada y el logaritmo. Dicha transformación se define: ∀y∈(0,+∞)tλ(y) =    yλ −1 λsi λ6= 0 ln(y)si λ= 0 (3.1) tenemos por tanto que la transformación depende del λque elijamos, de modo que escojeremos el valor de λque nos de la transformación óptima para nuestro caso. Tenemos además que dicha transformación se aplicará en una variable positiva ya que está definida en (0,+∞). Podemos distinguir varios casos en cuanto a la elección del λ: Si λ>1, el efecto de la transformación hará que los valores menores que 1 se con- 26 CAPÍTULO 3. RESULTADOS traigan y que los mayores 1, por el contrario, se expandan según la potencia λque hayamos seleccionado. Para λ∈(0,1), obtenemos el caso contrario al arriba mencionado, obteniendo la raíz correspondiente. Cuando λ= 0, lo que obtenemos es una contracción extrema de los valores grandes, mientras que los más cercanos a 0 se expanden hacia −∞. Este caso es el del logaritmo. Finalmente, si λ < 0, lo que obtenemos es la variable invertida. Debemos fijarnos en la naturaleza de las variables y en los diagramas de dispersión como criterio de selección de la transformación. Si no conseguimos el modelo lineal deseado, siempre nos quedará buscar modelos más flexibles o ver la influencia de otras explicativas. Empleando el paquete de R mencionado en [6] el parámetro λseleccionado para la transformación es λ= 0.Û6 Figura 3.1: Serie Temporal del número de palabras clave (línea azul discontinua) y de la transformación de Box-Cox del número de palabras clave (línea negra) 3.1. RESULTADOS DE LAS REVISTAS DE ESTADÍSTICA 27 Estimación Error Standard Valor T p-valor ˆ β0-3565.02 508.90 -7.01 8.50e-07 ˆ β11.79 0.25 7.09 7.18e-07 Tabla 3.3: Ajuste del modelo de regresión lineal simple donde la variable Y es la serie temporal de la transformación Box-Cox del número total de artículos que contienen las palabras claves desde el año 2000 hasta el 2021, y la variable X es el año En el summary de nuestro modelo, podemos observar que el valor del error estándar residual es de 7.532, y el de R2de 0.7152. Además el valor del test F es de 50.23 y su correspondiente p valor, 7.18·10−9. Tenemos así un valor del R2próximo a 1 y que junto a el bajo valor crítico para el F test, nos indican que la variable explicativa considerada para explicar la transformación Box-Cox para el número de artículos que contienen las palabras clave es buena. Además de que los coeficientes del modelo son significativos. El modelo de regresión lineal sobre series temporales nos lleva a hacer implícitamente algunas suposiciones con respecto a las variables y los residuos. No solo asumimos que hay una relación lineal entre la variable dependiente y las explicativas, sino que los errores tienen media cero y siguen una distribución normal con varianza constante. También damos por hecho que no están autocorrealdos y son independientes de las variables explicativas. El test de Breusch-Godfrey, explora si se cumple el supuesto de independencia de los errores en regresión lineal. Sus hipótesis son:    H0:los errores son independientes Ha:los errores no son independientes En este caso el p-valor obtenido al realizar dicho test es 0.1433 lo cuál nos da razones para decir que los residuos no están autocorrelados. En este caso no hemos obtenido break-points, lo cuál nos indica que la tendencia no cambia. Nos quedamos con un modelo de regresión simple cuya recta se ajusta (Figura 3.2) mediante: Yi=−3565,022 + 1,794Xi 34 CAPÍTULO 3. RESULTADOS En este caso no haremos zoom, pero si merece la pena comentar que el número de revistas cuyas series temporales son prácticamente nulas, es más elevado que en las otras dos áreas consideradas. Mínimo Primer Cuartil Mediana Media Tercer Cuartil Máximo 1 5.5 12 11.5 15.5 28 Tabla 3.8: Análisis descriptivo del número total de publicaciones que contienen al menos una de las palabras clave También podemos observar el análisis descriptivo del total de revistas del área de Matemática Aplicada (Tabla 3.8), en el cuál obtenemos unos datos peores que los obtenidos anteriormente por las áreas de Estadística e Investigación Operativa. De hecho donde antes obteniamos unas medias de 160.9 y de 148.68, para las áreas de Estadística e Investigación Operativa respectivamente, ahora obtenemos una media de 11.5. El coeficiente de correlación lineal de Pearson tiene un valor de 0.82, que vuelve a indicar una relación lineal positiva muy fuerte debido a su próximidad a 1. Una vez hecho el análisis de los datos, fue necesario considerar una transformación de Box-Cox de parámetro λ= 0.Ù 505 Estimación Error Standard Valor T p-valor ˆ β0-1787.85 302.99 -5.90 9.02e-06 ˆ β10.89 0.15 5.94 8.29e-06 Tabla 3.9: Ajuste del modelo de regresión simple Nuevamente, al hacer el resumen del modelo, nos encontramos con más datos que los mencionados en la Tabla 3.9. Destacaremos que el error estándar residual tiene un valor de 1.36. El valor del F test es de 42.34 y su p valor de 2.42·10−6. El coeficiente de determinación es de 0.68, valor no excesivamente próximo a 1, pero que junto con el bajo valor para el F test, nos indica que la variable explicativa empleada es útil para explicar la transformación de Box-Cox. Finalmente destacamos, que la significación de los coeficientes del modelo es elevada. Por último, en la Figura 3.6, podemos observar la comparación de las series temporales, la original y la de la transformación. 3.3. COMPARATIVA CON EL ÁREA DE MATEMÁTICA APLICADA 35 Figura 3.6: Serie Temporal del número de palabras clave (línea azul discontinua) y de la transformación de Box-Cox del número de palabras clave (línea negra) 36 CAPÍTULO 3. RESULTADOS Capítulo 4 Conclusiones Aunque en los últimos años el papel de la mujer en los diferentes ámbitos de la sociedad ha sufrido un importante impulso, aún no se ha conseguido una igualdad real mujer vs. hombre. La educación e investigación universitarias no son ajenas a esta situación a pesar de que en los últimos años las principales organizaciones y entidades educativas han hecho hincapié en el fortalecimiento de la mujer en la ciencia. Sin embargo, la docencia en Matemáticas parece no verse favorecida por este impulso. En un primer paso de nuestra investigación, hemos analizado el impacto de la perspectiva de género en la docencia en el Grado de Matemáticas de la USC, basándonos en las directrices que da Rebollar en [10]. Frente a otras facultades españolas que imparten docencia en Matemáticas, al menos las guías docentes de las materias aquí impartidas no reflejan dicha distinción. Sin duda, si vemos la etapa universitaria como un período de crecimiento y desarrollo personal clave para el alumnado, cabe pensar que los futuros egresados han perdido la oportunidad de educarse en perspectiva de género en matemáticas. Al inicio de este trabajo nos encontrábamos con una gran cantidad de datos recogidos, bastante poco alentadores, sobre la inclusión de la perspectiva de género en la investigación. Queríamos ver si las políticas implantadas a lo largo de estos últimos años estaban marcando una diferencia, o si por el contrario, están cayendo en saco roto. Para este análisis nos ayudamos de los modelos de regresión, tanto del simple, como del segmentado. Gracias a estos modelos nos ha sido posible. Ahora ya, con los resultados sobre el papel, toca sacar conclusiones, y por desgracia, no son las que nos gustaría leer. Es verdad que, en general, hay una tendencia creciente en el número de artículos que incluyen la perspectiva de género. Pero en el área de Investigación Operativa, podemos observar un cambio en la tendencia en el año 2011. Este cambio no es positivo, sino que nos indica, que el número de publicaciones que incluyen la perspectiva de género no crece tanto como lo hacía antes de ese año. 37 38 CAPÍTULO 4. CONCLUSIONES Estos resultados muestran la insuficiencia de las propuestas hechas hasta la fecha. Tanto las organizaciones mundiales, a título global, como cada uno de nosotros a título personal, tenemos que intentar seguir haciendo ver que todavía no somos iguales. Tenemos que seguir analizando que está fallando y como solucionarlo, sacando nuevos proyectos y nuevas leyes que nos ayuden poco a poco a que la mujer tenga el sitio que se merece en la ciencia. Tenemos que estar concienciados de que si colaboramos avanzamos más rápido y de que si dejamos atrás, a la mitad de la población, por el simple hecho de ser mujeres, estamos desperdiciando un potencial que nos podría ayudar a crecer como sociedad. Recogiendo un poco lo visto a lo largo de este trabajo, puede que el problema no radique exclusivamente en la cantidad de leyes. Quizás debería priorizarse la cantidad de gente a la que se llega, ya que muchas propuestas y proyectos son desconocidos para la mayoría de la población. El primer escalón a superar, debería ser la propia inseguridad experimentada por niñas y mujeres que muchas veces hace que no se decanten por carreras de ciencias o proyectos de investigación. Y eso tenemos que atajarlo en el ámbito de la enseñanza, incluyendo la perspectiva de género tanto en colegios como universidades. Esta situación podría verse facilitada si conseguimos subsanar los obstáculos a los que se enfrentan. Es por eso que hay que seguir trabajando en materia de género dentro del ámbito de la investigación y de la sociedad. Deberíamos conseguir que las revistas no hagan esas distinciones a la hora de elegir a quién le publican los artículos, que las becas sean concedidas a quien las merece sin que el género sea un obstáculo. Sobre todo, no deberíamos perder lo ya conseguido. Apéndice A Series Temporales A.1. Estadística En esta sección del Apéndice, recogeremos el código empleado para representar las series temporales del área de Estadística. En la Subsección A.1.1 pondremos el código correspondiente a las series temporales de cada una de las 25 revistas y en la Subsección A.1.2, el del número total de árticulos. A.1.1. Individuales Primero hemos hecho la lectura de los datos correspondientes a las revistas de Estadística, que previamente hemos recogido en un documento .csv. Despúes hemos convertido dichos datos en series temporales y finalmente los hemos representado. #Lectura de datos estadistica=read.csv2("tablaest.csv",encoding="UTF-8",stringsAsFactors=TRUE) head(estadistica) attach(estadistica) #Convertimos las variables a series temporales pub_JSS=ts(JSS,freq=1,start=c(2000,1)) pub_CSDA=ts(CSDA,freq=1,start=c(2000,1)) pub_JMLR=ts(JMLR,freq=1,start=c(2000,1)) pub_QTQM=ts(QTQM,freq=1,start=c(2000,1)) pub_B=ts(B,freq=1,start=c(2000,1)) pub_JSPI=ts(JSPI,freq=1,start=c(2000,1)) pub_T=ts(T,freq=1,start=c(2000,1)) 39 40 APÉNDICE A. SERIES TEMPORALES pub_E=ts(E,freq=1,start=c(2000,1)) pub_CILS=ts(CILS,freq=1,start=c(2000,1)) pub_SMMR=ts(SMMR,freq=1,start=c(2000,1)) pub_FS=ts(FS,freq=1,start=c(2000,1)) pub_JBES=ts(JBES,freq=1,start=c(2000,1)) pub_SADM=ts(SADM,freq=1,start=c(2000,1)) pub_PS=ts(PS,freq=1,start=c(2000,1)) pub_IME=ts(IME,freq=1,start=c(2000,1)) pub_SJ=ts(SJ,freq=1,start=c(2000,1)) pub_EX=ts(EX,freq=1,start=c(2000,1)) pub_SN=ts(SN,freq=1,start=c(2000,1)) pub_AB=ts(AB,freq=1,start=c(2000,1)) pub_LDA=ts(LDA,freq=1,start=c(2000,1)) pub_SM=ts(SM,freq=1,start=c(2000,1)) pub_FSS=ts(FSS,freq=1,start=c(2000,1)) pub_SS=ts(SS,freq=1,start=c(2000,1)) pub_SERRA=ts(SERRA,freq=1,start=c(2000,1)) pub_ADAC=ts(ADAC,freq=1,start=c(2000,1)) #Gráficas de las series Temporales par(mfrow=c(2,5)) plot(pub_JSS,main="JSS",xlab="Año", ylab="Número de publicaciones") plot(pub_CSDA,main="CSDA",xlab="Año",ylab="Número de publicaciones") plot(pub_JMLR,main="JMLR",xlab="Año",ylab="Número de publicaciones") plot(pub_QTQM,main="QTQM",xlab="Año",ylab="Número de publicaciones") plot(pub_B,main="B",xlab="Año",ylab="Número de publicaciones") plot(pub_JSPI,main="JSPI",xlab="Año",ylab="Número de publicaciones") plot(pub_T,main="T",xlab="Año",ylab="Número de publicaciones") plot(pub_E,main="E",xlab="Año", ylab="Número de publicaciones") plot(pub_CILS,main="CILS",xlab="Año", ylab="Número de publicaciones") plot(pub_SMMR,main="SMMR",xlab="Año",ylab="Número de publicaciones") plot(pub_FS,main="FS",xlab="Año",ylab="Número de publicaciones") plot(pub_JBES,main="JBES",xlab="Año",ylab="Número de publicaciones") plot(pub_SADM,main="SADM",xlab="Año", ylab="Número de publicaciones") plot(pub_PS,main="PS",xlab="Año",ylab="Número de publicaciones") plot(pub_IME,main="IME",xlab="Año",ylab="Número de publicaciones") A.1. ESTADÍSTICA 41 plot(pub_SJ,main="SJ",xlab="Año",ylab="Número de publicaciones") plot(pub_EX,main="EX",xlab="Año",ylab="Número de publicaciones") plot(pub_SN,main="SN",xlab="Año",ylab="Número de publicaciones") plot(pub_AB,main="AB",xlab="Año",ylab="Número de publicaciones") plot(pub_LDA,main="LDA",xlab="Año",ylab="Número de publicaciones") plot(pub_SM,main="SM",xlab="Año", ylab="Número de publicaciones") plot(pub_FSS,main="FSS",xlab="Año",ylab="Número de publicaciones") plot(pub_SS,main="SS",xlab="Año",ylab="Número de publicaciones") plot(pub_SERRA,main="SERRA",xlab="Año",ylab="Número de publicaciones") plot(pub_ADAC,main="ADAC",xlab="Año",ylab="Número de publicaciones") #Zoom de las series temporales par(mfrow=c(2,2)) plot(pub_JSS,main="JSS",xlab="Año", ylab="Número de publicaciones") plot(pub_B,main="B",xlab="Año",ylab="Número de publicaciones") plot(pub_JBES,main="JBES",xlab="Año",ylab="Número de publicaciones") plot(pub_PS,main="PS",xlab="Año",ylab="Número de publicaciones") A.1.2. Total En esta subsección hemos hecho lo análogo para el número total de las revistas, cuyos datos recogimos previamente en un documento .txt. #Lectura de datos totalest=read.table("revistasest_total.txt",header=TRUE) head(totalest) attach(totalest) #Convertimos a serie temporal st_est=ts(Número,freq=1,start=c(2000,1)) #Representamos plot(st_est,main="Serie Temporal del número total de artículos",xlab="Año", ylab="Número de publicaciones") 42 APÉNDICE A. SERIES TEMPORALES A.2. Investigación Operativa Volvemos a dividir la sección en dos subsecciones con los mismos apartados. Una para las series de todas las revistas y otra para la del total, pero en este caso para el área de Investigación Operativa. A.2.1. Individuales Como en la Subsección A.1.1, recogimos los datos de las revistas de Investigación Operativa en un documento .csv. Procedimos a la lectura de datos y posteriormente convertimos dichos datos en series temporales que finalmente representamos. #Lectura de datos inv_op=read.csv2("tablaio.csv",encoding="UTF-8",stringsAsFactors=TRUE) head(inv_op) attach(inv_op) #Convertimos las variables a series temporales pub_AOR=ts(AOR,freq=1,start=c(2000,1)) pub_EJOR=ts(EJOR,freq=1,start=c(2000,1)) pub_IJGT=ts(IJGT,freq=1,start=c(2000,1)) pub_O=ts(O,freq=1,start=c(2000,1)) pub_JOTA=ts(JOTA,freq=1,start=c(2000,1)) pub_T=ts(T,freq=1,start=c(2000,1)) pub_IJPE=ts(IJPE,freq=1,start=c(2000,1)) pub_SEPS=ts(SEPS,freq=1,start=c(2000,1)) pub_ITOR=ts(ITOR,freq=1,start=c(2000,1)) pub_JS=ts(JS,freq=1,start=c(2000,1)) pub_OMS=ts(OMS,freq=1,start=c(2000,1)) pub_ORS=ts(ORS,freq=1,start=c(2000,1)) pub_ASMBI=ts(ASMBI,freq=1,start=c(2000,1)) pub_EE=ts(EE,freq=1,start=c(2000,1)) pub_NSE=ts(NSE,freq=1,start=c(2000,1)) pub_MC=ts(MC,freq=1,start=c(2000,1)) pub_MP=ts(MP,freq=1,start=c(2000,1)) pub_FODM=ts(FODM,freq=1,start=c(2000,1)) pub_DSS=ts(DSS,freq=1,start=c(2000,1)) pub_ESA=ts(ESA,freq=1,start=c(2000,1)) A.2. INVESTIGACIÓN OPERATIVA 43 pub_FSMJ=ts(FSMJ,freq=1,start=c(2000,1)) pub_QS=ts(QS,freq=1,start=c(2000,1)) pub_JOS=ts(JOS,freq=1,start=c(2000,1)) pub_PPC=ts(PPC,freq=1,start=c(2000,1)) pub_IJITDM=ts(IJITDM,freq=1,start=c(2000,1)) #Gráficas de las series Temporales par(mfrow=c(2,5)) plot(pub_AOR,main="AOR",xlab="Año",ylab="Número de publicaciones") plot(pub_EJOR,main="EJOR",xlab="Año",ylab="Número de publicaciones") plot(pub_IJGT,main="IJGT",xlab="Año",ylab="Número de publicaciones") plot(pub_O,main="O",xlab="Año",ylab="Número de publicaciones") plot(pub_JOTA,main="JOTA",xlab="Año",ylab="Número de publicaciones") plot(pub_T,main="T",xlab="Año",ylab="Número de publicaciones") plot(pub_IJPE,main="IJPE",xlab="Año",ylab="Número de publicaciones") plot(pub_SEPS,main="SEPS",xlab="Año",ylab="Número de publicaciones") plot(pub_ITOR,main="ITOR",xlab="Año",ylab="Número de publicaciones") plot(pub_JS,main="JS",xlab="Año",ylab="Número de publicaciones") plot(pub_OMS,main="OMS",xlab="Año",ylab="Número de publicaciones") plot(pub_ORS,main="ORS",xlab="Año",ylab="Número de publicaciones") plot(pub_ASMBI,main="ASMBI",xlab="Año",ylab="Número de publicaciones") plot(pub_EE,main="EE",xlab="Año",ylab="Número de publicaciones") plot(pub_NSE,main="NSE",xlab="Año",ylab="Número de publicaciones") plot(pub_MC,main="MC",xlab="Año",ylab="Número de publicaciones") plot(pub_MP,main="MP",xlab="Año",ylab="Número de publicaciones") plot(pub_FODM,main="FODM",xlab="Año",ylab="Número de publicaciones") plot(pub_DSS,main="DSS",xlab="Año",ylab="Número de publicaciones") plot(pub_ESA,main="ESA",xlab="Año",ylab="Número de publicaciones") plot(pub_FSMJ,main="FSMJ",xlab="Año",ylab="Número de publicaciones") plot(pub_QS,main="QS",xlab="Año",ylab="Número de publicaciones") plot(pub_JOS,main="JOS",xlab="Año",ylab="Número de publicaciones") plot(pub_PPC,main="PPC",xlab="Año",ylab="Número de publicaciones") plot(pub_IJITDM,main="IJITDM",xlab="Año",ylab="Número de publicaciones") #Zoom de las series temporales par(mfrow=c(2,2)) 50 APÉNDICE B. RESULTADOS stnew_io=ts(Num_io,freq=1,start=c(2000,1)) #Representamos la serie temporal original y la de la transformación stnew_io=ts(Num_io,freq=1,start=c(2000,1)) par(mar = c(5, 4, 4, 4) + 0.5) plot(st_io,xlab="Año", ylab="Número de publicaciones") par(new=TRUE) plot(stnew_io, col=4,lty=2,axes = FALSE,bty = "n", xlab="", ylab="") axis(4) mtext("Número de publicaciones (Box-Cox)", side = 4,line=3) legend("topleft",inset=0.05,legend = c("Número de artículos", "Transformación de Box-Cox del número de artículos"), lty = c(1, 2), col = c(1, 4),box.lty = 0,cex = 0.95) #Modelo con la transformación Box-Cox mod_io_new<-lm(stnew_io~Año) mod_io_new summary(mod_io_new) #Diagnosis del modelo: #-Homocedasticidad hmctest(modelo_io_new) bptest(mod_io_new) #-Normalidad res_io_new<-rstudent(modelo_io_new) shapiro.test(res_io_new) #-Linealidad reset(modelo_io_new) #Test de Breush-Godfrey bgtest(mod_io_new) #Segmentamos el modelo segmented(mod_io_new) B.3. RESULTADOS DE LA COMPARATIVA CON EL ÁREA DE MATEMÁTICA APLICADA51 B.3. Resultados de la comparativa con el área de Matemática Aplicada Finalmente, en esta tercera y última sección, proporcionamos el código correspondiente al análisis comparativo de área de Matemática Aplicada. #Cargamos las librerías necesarias: library(MASS) library(segmented) library(lmtest) #Lectura de datos totalapl=read.table("revistasma_total.txt",header=TRUE) head(totalapl) attach(totalapl) #Convertimos a serie temporal st_apl=ts(Número,freq=1,start=c(2000,1)) #Primero ajustamos el modelo de regresión lineal simple modelo_apl<-lm(st_apl~Año) summary(modelo_apl) #Transformación Box-Cox: trans.boxcox=boxcox(modelo_apl) lambda_apl=trans.boxcox$x[which.max(trans.boxcox$y)] lambda_apl #Cambiamos la variable por la transformada: Num_apl=((Número^lambda_apl)-1)/lambda_apl #Hacemos la serie temporal de la transformación stnew_apl=ts(Num_apl,freq=1,start=c(2000,1)) #Representamos la serie temporal original y la de la transformación par(mar = c(5, 4, 4, 4) + 0.5) 52 APÉNDICE B. RESULTADOS plot(st_apl,xlab="Año", ylab="Número de publicaciones") par(new=TRUE) plot(stnew_apl, col=4,lty=2,axes = FALSE,bty = "n", xlab="", ylab="") axis(4) mtext("Número de publicaciones (Box-Cox)", side = 4,line=3) legend("topleft",inset=0.05,legend = c("Número de artículos", "Transformación de Box-Cox del número de artículos"), lty = c(1, 2), col = c(1, 4),box.lty = 0,cex = 0.95) #Modelo con la transformación Box-Cox mod_apl_new<-lm(Num_apl~Año) mod_apl_new #Diagnosis del modelo: #-Homocedasticidad hmctest(modelo_apl_new) bptest(mod_apl_new) #-Normalidad res_apl_new<-rstudent(modelo_apl_new) shapiro.test(res_apl_new) #-Linealidad reset(modelo_apl_new) #Test de Breush-Godfrey bgtest(mod_apl_new) Bibliografía [1] Comisión Jurídica y Social de la Mujer. (s.f.). https://www.unwomen.org/es/csw/ csw-snapshot [2] ERAC Standing Working Group on Gender in Research and Innovation. (28 de Marzo de 2019). ST-1204-2019-INI https://data.consilium.europa.eu/doc/document/ ST-1204-2019-INIT/en/pdf [3] Figures, S. (2018). Gender Equality in Research and Innovation in the European Union: Doctoral Graduates. 2018. [4] Mihaljević, H., & Santamaría, L. (2020). Authorship in top-ranked mathematical and physical journals: Role of gender on self-perceptions and bibliographic evidence. Quantitative Science Studies, 1-25. [5] Muggeo, V. M. (2003). Estimating regression models with unknown break-points. Statistics in medicine, 22(19), 3055-3071. [6] Muggeo, V. M., & Muggeo, M. V. M. (2017). Package ‘segmented’. Biometrika, 58(525534), 516. [7] Mujeres y Matemáticas. (30 de julio de 2020). Stop Discriminación. https://mym. rsme.es [8] ONU Mujeres. (2013). Un objetivo transformador e independiente para lograr la igualdad de género, los derechos y el empoderamiento de las mujeres: imperativos y componentes clave. https://www.unwomen.org/es/news/in-focus/mdg-momentum [9] Organización de las Naciones Unidas. (2020). gender equality womens rights in review key facts and figures https://www.unwomen.org/-/ media/headquarters/attachments/sections/library/publications/2020/ gender-equality-womens-rights-in-review-key-facts-and-figures-en.pdf? la=en&vs=935 53 54 BIBLIOGRAFÍA [10] Rebollar Sánchez, E. M. (2013). El género en los planes de estudio de los grados de educación en las universidades públicas españolas. Universitat Autònoma de Barcelona,. [11] Rossiter, M. W. (1993). The Matthew Matilda effect in science. Social studies of science, 23(2), 325-341. [12] Saavedra-Nieves, P. & Saavedra-Nieves, A. (2021). A perspectiva de xénero na investigación en Estatística e Investigación de Operacións, 57, 2-5. [13] Schiebinger, L., Klinge, I., Sánchez de Madariaga, I., Paik, H. Y., Schraudner, M., & Stefanick, M. (2011-2019). Gendered innovations in science, health & medicine, engineering, and enviroment. https://genderedinnovations.stanford.edu