FACTORES ASOCIADOS A LA DESNUTRICIÓN CRÓNICA INFANTIL EN ECUADOR. ESTUDIO BASADO EN MODELOS DE REGRESIÓN Y ÁRBOLES DE CLASIFICACIÓN.

Pablo Flores; Giorgina Congacha

doi:10.47187/perf.v1i26.132

Autores/as

Pablo Flores Escuela Superior Politécnica de Chimborazo, Facultad de Ciencias, Grupo de Investigación en Ciencia de Datos, Riobamba, Ecuador.
Giorgina Congacha BASICALATAM SA, Human Data Department. Antonio de Ulloa N34-112, Quito, Ecuador

DOI:

https://doi.org/10.47187/perf.v1i26.132

Palabras clave:

Desnutrición infantil, Regresión, Árboles de decisión

Resumen

La presente investigación busca determinar los factores que influyen significativamente en la desnutrición crónica en niños de 0 a 5 años de edad en el Ecuador. Las variables que formaron parte del estudio han sido consideradas de acuerdo al marco conceptual propuesto por la UNICEF y extraídas de las bases de datos de la última encuesta de Salud y Nutrición 2018 desarrollada por el Instituto Nacional de Estadística y Censos y el Ministerio de Salud Pública. Con el objetivo de comparar resultados se aplicaron modelos basados en árboles de clasificación y de regresión logística. Se encontró que los factores básicos relacionados con: el grupo étnico del niño, la escolaridad de la madre, el acceso a comunicación móvil, el estado civil de los padres, la edad de la madre, el número de hijos en el hogar y el tipo de combustible que se usa para cocinar influyen de manera significativa sobre el estado nutricional del infante. Estos factores están relacionados directamente con factores básicos y subyacentes como control de la madre antes y después del parto, la vacunación del infante, la adecuada alimentación y el tamaño del niño al nacer, los cuales también influyen en la desnutrición.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

UNICEF. Estado mundial de la infancia 2008 - Resumen Ejecutivo: Supervivencia Infantil.: Unicef; 2007.

INEC. Boletín Técnico: Encuesta Nacional de Salud y Nutrición 2018. Quito - Ecuador.; 2019.

SENPLADES. Plan Nacional de Desarrollo 2017-2021. Toda una Vida Quito - Ecuador; 2017.

INEC. Encuesta Nacional de Salud y Nutrición ENSANUT. [Online]. [cited 2021 Enero. Available from: https://www.ecuadorencifras.gob.ec/salud-salud-reproductiva-y-nutricion/.

Trujillo M. Factores asociados a desnutrición crónica infantil en niños menores de cinco años de edad en el Perú: Sub-análisis de la Endes 2018. Universidad Ricardo Palma. 2020; 1(1).

Pérez J, Echavarría F. Árboles de clasificación vs regresión logística en el desarrollo de competencias genéricas en ingeniería. Computación y Sistemas. 2018; 22(4).

Demir E. A decision support tool for predicting patients at risk of readmission: A comparison of classification trees, logistic regression, generalized additive models, and multivariate adaptive regression splines. Decision Sciences. 2014; 45(5).

Charris L. Análisis comparativo de los algoritmos de árboles de decisión en el procesamiento de datos biológicos. Investigación y desarrollo en TIC. 2018; 9(1).

Andrade V, Flores P. Comparativa entre classification trees, random forest y gradient boosting; en la predicción de la satisfacción laboral en Ecuador. Ciencia Digital. 2018 Diciembre; 2(4).

UNICEF. Estado mundial de la infancia - Nutrición. New York: Fondo de las Naciones Unidas para la Infancia; 1998.

R CT. R: A Language and Environment for Statistical Computing. Vienna - Austria: R Foundation for Statistical Computing; 2020.

Kuhn M. caret: Classification and Regression Training. 2020. R package version 6.0-86.

Therneau T, Atkinson B. rpart: Recursive Partitioning and Regression Trees. 2019. R package version 4.1-15.

Chen T, He T, Benesty M, Khotilovich V, Tang Y, Cho H, et al. xgboost: Extreme Gradient Boosting. 2021. R package version 1.3.2.1.

Lunardon N, Giovanna M, Nicola T. ROSE: a Package for Binary Imbalanced Learning. R Journal. 2014; 6(1).

Maimon O, Rokach L. Data mining with decision trees: theory and applications: World scientific; 2014.

Breiman L. Classification and regression trees.: Wadsworth International Group; 1984.

Buntine W. Learning classification trees. Statistics and computing. 1992; 2(2).

Rokach L, Oded M. Classification trees. In Data mining and knowledge discovery handbook Boston: Springer; 2009.

Therneau T, Atkinson B. rpart: Recursive Partitioning and Regression Trees. 2019. R package version 4.1-15.

Hastie T, Tibshirani R, Friedman J. Boosting and additive trees. In The elements of statistical learning New York: Springer; 2009.

Elith J, hastie T. A working guide to boosted regression trees. Journal of Animal Ecology. 2008; 77(4).

tolles J, Meurer W. Logistic regression: relating patient characteristics to outcomes. Jama. 2016; 316(5).

Arocena V. Factores asociados a la Desnutrición Crónica Infantil en el Perú, 1996-2007. Instituto Nacional de Estadística e Informática. 2009 octubre.

Arocena V. Factores asociados a la desnutrición crónica infantil en Perú: una aplicación de modelos multinivel. Revista Latinoamericana de Población. 2010; 4(6).

Kühl A, Corso A, Leite M, Bastos J. Perfil nutricional e fatores associados à ocorrência de desnutrição entre crianças indígenas Kaingáng da Terra Indígena de Mangueirinha, Paraná, Brasil. Cadernos de Saúde Pública. 2009; 25.

Souza O, Benicio M, Castro T, Muniz P, Cardoso M. Desnutrição em crianças menores de 60 meses em dois municípios no Estado do Acre: prevalência e fatores associados. Revista brasileira de Epidemiologia. 2012; 15(1).

Généus W, Lachaud , Gayet I. Factores asociados al descenso de la desnutrición crónica de los niños de 6 a 24 meses en Haití en el período 1994-2017. Notas de Población. 2020.