ISSN 2477-9105
Número 26 Vol.1 (2021)
21
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.
Palabras claves: Desnutrición infantil, Regresión, Árboles de decisión.
This research seeks to determine significantly influencing factors on chronic malnutrition of children
from zero to five years old in Ecuador. The variables that were part of the study have been considered
according to the conceptual framework proposed by UNICEF and extracted from the databases of the
latest 2018 Health and Nutrition survey developed by the National Institute of Statistics and Censuses
and the Ministry of Public Health. In order to compare results, models based on classification trees
and logistic regression were applied. It was found that the basic factors related to: child's ethnic
group, mother's schooling, access to mobile communication, parents' marital status, mother's age, the
number of children in the family, and the type of fuel used for cooking have a significant influence
on the infant's nutritional status. These factors are directly related with basic and underlying factors
such as control of the mother before and after delivery, infant vaccination, adequate nutrition and the
size of the child at birth, which also influence in malnutrition.
Keywords: Child malnutrition, ENSANUT, Regression, Decision trees.
Fecha de recepción: 23-05-2021 Fecha de aceptación: 07-07-2021 Fecha de publicación: 09-09-2021
R
esumen
A
bstract
FACTORES ASOCIADOS A LA DESNUTRICIÓN CRÓNICA INFANTIL EN
ECUADOR. ESTUDIO BASADO EN MODELOS DE REGRESIÓN Y ÁRBOLES DE
CLASIFICACIÓN.
Factors associated with chronic child malnutrition in Ecuador. A study based on regression
models and classication trees.
1
Pablo Javier Flores Muñoz* ,
2
Giorgia Nohelia Congacha Ortega .
1
Escuela Superior Politécnica de Chimborazo, Facultad de Ciencias, Grupo de Investigación en
Ciencia de Datos, Riobamba, Ecuador.
2
BASICALATAM SA, Human Data Department. Antonio de Ulloa N34-112, Quito, Ecuador.
*p_ores@espoch.edu.ec
DOI: 10.47187/perf.v1i26.132
22
I. INTRODUCCIÓN
La desnutrición crónica infantil, principalmente
en niños menores de 5 años, se asocia directa-
mente a problemas de crecimiento, desarrollo
físico, cognitivo y emocional, lo cual tiene un
impacto directo en el rendimiento escolar y pos-
terior capacidad de trabajo que tenemos los seres
humanos a lo largo de la vida (1). Es así que este
hecho constituye no solo un problema de salud
pública, sino además un problema social que
afecta directamente a una nación, la cual tiene
el deber de hacer los esfuerzos necesarios para
erradicarla. En el Ecuador, las cifras publicadas
por el Instituto Nacional de Estadísticas y Cen-
sos (INEC), revelan, de acuerdo con el último es-
tudio, que la prevalencia de desnutrición crónica
en menores de cinco años es del 23.0 %, la cual
no presenta una diferencia estadísticamente sig-
nificativa con el anterior periodo analizado (2).
Aunque lo ideal sería erradicar este problema, al
parecer, queda mucho trabajo pendiente para al-
canzar al menos la meta de nuestro actual plan
nacional de desarrollo, de reducir esta prevalen-
cia a 13.2% (3).
La Encuesta Nacional de Salud y Nutrición ENS-
ANUT 2018 es una operación estadística realiza-
da por el INEC y el Ministerio de Salud Pública
del Ecuador (MSP), cuyo objetivo principal es
“generar indicadores sobre los principales pro-
blemas y la situación de salud de la población
ecuatoriana con el fin de evaluar y generar las
políticas públicas en temas de salud y nutrición”
(4), para ello, recolecta la información en 5 for-
mularios, que sirven para generar 9 bases de da-
tos diferentes.
El proceso de planificación, diseño, construc-
ción, recolección, capacitación, procesamiento,
análisis, difusión y evaluación de esta encuesta se
la completó en un periodo de 965 días. Sin duda,
la información obtenida es muy extensa y valiosa,
ya que basa su metodología en procedimientos
de alta calidad establecidos por la Organización
Mundial de la Salud (OMS) y la UNICEF. En el
año 2020, se publicaron los resultados de esta en-
cuesta en la página web oficial del INEC, donde
principalmente se puede observar indicadores
(tasas, porcentajes, promedios) de las variables
estudiadas, y en particular de la variable de inte-
rés (desnutrición crónica). Aunque esta descrip-
ción, nos permite identificar la situación actual y
retrospectiva de la desnutrición en nuestro país,
creemos que los esfuerzos deben estar orientados
a análisis más complejos, que nos permitan cono-
cer las principales causas por las que se origina la
desnutrición, lo cual, se podría constituir en un
referente para la toma de decisiones, que permita
destinar recursos y aplicar políticas adecuadas,
enfocadas directamente a los factores influyen-
tes y no a otros que posiblemente no generarían
ningún efecto significativo sobre la problemáti-
ca. Al respecto, poco o nada se ha hecho dentro
de nuestra región y en particular de nuestro país.
Hablando de Latinoamérica y el Caribe, donde
vivimos una realidad similar, son muy pocos los
países que han invertido esfuerzos en investigar
estas causas.
Tradicionalmente, los modelos matemáticos de
regresión se han utilizado para determinar la in-
fluencia significativa de variables (o factores) in-
dependientes sobre una dependiente, como por
ejemplo el caso de la desnutrición crónica infan-
til (5) que es el objeto del presente estudio, sin
embargo, el problema del cumplimiento previo
de supuestos asociados a estos modelos, así como
el advenimiento de nuevas técnicas algorítmicas
de clasificación, han hecho que se puedan com-
parar la efectividad de estos enfoques. No deci-
mos que una metodología en general sea mejor
que otra, pero sí que, de acuerdo con la naturale-
za de los datos obtenidos, una podría arrojar me-
jores resultados. De hecho, se ha convertido ya en
una tendencia, en varias áreas del conocimien-
to comparar estos enfoques, mediante modelos
apropiados con el fin de encontrar uno que clasi-
fique adecuadamente una variable en función de
otras (6,7,8,9).
La presente investigación, haciendo uso de la in-
formación recolectada en la última encuesta de
salud y nutrición ENSANUT 2018, busca encon-
trar el mejor modelo, que permita determinar
adecuadamente los principales factores significa-
tivos asociados a la desnutrición crónica, en ni-
ños de 0 a 5 años de edad, con el fin de contribuir
en el proceso de toma de decisiones en políticas
públicas eficientes, orientadas a mitigar esta pro-
23
blemática. En el siguiente capítulo, se explica el
marco conceptual de la UNICEF que permite
justificar la elección de posibles factores asocia-
dos a la desnutrición crónica y las variables me-
didas en la ENSANUT con las que se relacionan.
Además, se explica el proceso de operacionaliza-
ción de las bases de datos y su posterior análisis.
En el capítulo III se muestran los principales re-
sultados al aplicar modelos matemáticos y algo-
rítmicos sobre la base de datos operacionalizada.
Posteriormente, en el capítulo IV, se realiza una
discusión sobre el poder predictivo y eficiencia
de ambas metodologías y finalmente en el Capí-
tulo V, se concluye sobre el peso que tienen los
factores más influyentes analizados sobre la des-
nutrición crónica infantil.
II. MATERIALES Y MÉTODOS
MARCO CONCEPTUAL DE LA UNICEF
PARA ANALIZAR FACTORES ASOCIADOS
A LA DESNUTRICIÓN.
Figura 1. Posibles factores asociados a la desnutrición crónica, de acuerdo
al marco conceptual propuesto por la UNICEF
Fuente: Elaboración Propia.
En la década de los noventa, el Fondo de las Na-
ciones Unidas para la Infancia (UNICEF) pro-
puso un marco conceptual para analizar los fac-
tores asociados a la desnutrición infantil, el cual
considera que dichos factores pueden clasificarse
en tres grupos: Inmediatos, Subyacentes y Bási-
cos. Los factores inmediatos estarían asociados
directamente a la desnutrición crónica infantil,
mismos que a su vez son intermediadores de una
asociación indirecta que existe entre los factores
básicos y subyacentes (10).
En este contexto, aunque en principio los factores
básicos podrían presentar una significativa aso-
ciación con la desnutrición crónica infantil, estos
al estar intermediados por factores subyacentes e
inmediatos crean una relación que tiende a dis-
minuir la significativa asociación inicial, es decir,
se crea una mayor precisión en la medición de la
asociación entre los factores básicos y la variable
de interés.
Del mismo modo, los factores subyacentes, aun-
que inicialmente podrían presentar una signifi-
cativa asociación con la desnutrición, estos al es-
tar intermediados por factores inmediatos, y a su
vez condicionados por la relación con los factores
básicos, crean una relación que tiende a dismi-
nuir la significativa asociación inicial, con lo que
de igual manera se consigue una mayor precisión
en la medición de la asociación entre los factores
subyacentes y la desnutrición infantil.
Factores Código Variable / item
Factores
Básicos
FBCP1_1 Años cumplidos de la madre
FBCP1_5 Número de hijos nacidos vivos
FBCH_11 Número de cuartos de la vivienda
FBCH_12 Número de dormitorios de la vivienda
Factores
Subyacentes
FSCE_3 Meses de embarazo cuando se hizo el
primer control
FSCE_4 Cuántos controles tuvo antes del parto
FSCE_11 Primer control postparto-días
FSCE_12 Primer control postparto-semanas
FSCE_13 Primer control postparto-meses
FSCN_10 Talla al nacer
FSCCN_2 control por primera vez-días
FSCCN_3 control por primera vez-semanas
FSCCN_4 control por primera vez-meses
FSCCN_8 bcg-dosisf41002a
FSCCN_9 hepatitis b-dosis
FSCCN_10 pentavalente 1-dosis
FSCCN_11 pentavalente 2-dosis
FSCCN_12 pentavalente 3-dosis
FSCCN_13 rotavirus 1-dosis
FSCCN_14 rotavirus 2-dosis
FSCCN_15 antipolio(opv) 1-dosis
FSCCN_16 antipolio(opv) 2-dosis
FSCCN_17 antipolio(opv) 3-dosis
FSCCN_18 neumococo 1-dosis
FSCCN_19 neumococo 2-dosis
FSCCN_22 Edad (en meses)
Factores
Inmediatos
FIPA_1 Hasta qué edad le dio el seno-días
FIPA_2 Hasta qué edad le dio el seno-meses
FIPA_3 Hasta qué edad le dio el seno-años
FIPA_14 Consumió ayer -agua pura - cuántas
veces
FIPA_21 Consumió ayer -sopa- cuántas veces
Tabla 1. Variables cuantitativas de la ENSANUT que contienen las carac-
terísticas de los factores propuestos por el marco conceptual de la UNICEF
Fuente: Elaboración Propia.
Flores, Congacha
24
Factores Código Variable / item Categoría / Posible
respuesta
Variable
dependiente
Desnutrición
crónica menores
de 5 años
0: Si
1: No
FACTORES
BÁSICOS
FBCP1_4 El padre vive
con usted en el
hogar
Si
No
FBCP1_6 Grupo étnico Mestizo/a
Indígena
Montuvio/a
Blanco/a
Afroecuatoriano/a
Negro/a
Otro
FBCP1_7 Estado civil Casado
Divorciado
Separado
Soltero
Unión de hecho
Unión libre
Viudo
FBCP1_8 Escolaridad de la
madre
Ninguno o Centro de
Alfabetización
Educación Básica
Educación Media/
Bachillerato
Superior
FBCH_1 Vía de acceso
principal a la
vivienda
Calle pavimentada o
adoquinada
Empedrado
Lastrado/calle de tierra
otro
Río/mar
Sendero
FBCH_2 Tipo de vivienda Casa o villa
Departamento
Mediagua
Rancho
Cuartos inquilinato
Choza
Otro
FBCH_3 Material
predominante
del techo
Asbesto (Eternit)
hormigón/losa/cemento
otro
palma/paja/hoja
teja
zinc
FBCH_4 Material
predominante de
las paredes
adobe/tapia
asbesto/cemento
bahareque (caña, carrizo
revestido)
caña o estera
hormigón/bloque/
ladrillo
madera
otra
FBCH_5 Material
predominante
del piso
cemento/ladrillo
cerámica/baldosa/vinyl
tabla/tablón no tratado
duela/parquet/
tabloncillo/piso otante
tierra
mármol/marmetón
otro
FBCH_6 De donde
obtienen el agua
carro repartidor/triciclo
otra fuente por tubería
otro
pila o llave pública
pozo
red pública
río/vertiente/acequia
FBCH_7 El agua que
recibe la
vivienda es
No recibe agua por
tubería
recibe por tubería
dentro de la vivienda
recibe por tubería fuera
de la vivienda pero
dentro del edicio
recibe por tubería fuera
del edicio
FBCH_8 El servicio
higiénico de la
vivienda es:
excusado y
alcantarillado
excusado y pozo ciego
excusado y pozo séptico
letrina
no tiene
FBCH_9 El servicio de luz
eléctrica es:
empresa eléctrica
pública
Ninguno
planta eléctrica privada
vela/candil/mechero/gas
25
FBCH_10 Principalmente
cómo eliminan
la basura:
botan a la calle/
quebrada/río
contratan el servicio
la entierran
la queman
otra
servicio municipal
FBCH_13 El agua que
toman los
miembros del
hogar:
la beben tal como llega
al hogar
la hierven
no sabe
otro tratamiento
FBCH_14 Combustible
que utilizan para
cocinar
electricidad (inducción)
gas
leña/carbón
no cocina
FBCH_15 ¿El servicio
higiénico
del hogar es
exclusivo?
Si
No
FBCH_16 ¿Disponen
de servicio
telefónico
convencional?
Si
No
FBCH_17 ¿Algún miembro
del hogar tiene
telf. celular?
Si
No
FBCH_18 La vivienda que
ocupa el hogar
es:
anticresis y arriendo
cedida
en arriendo
otra
propia y la está pagando
propia y totalmente
pagada
recibida por servicios
Factores
Subyacentes
FSCE_1 Tuvo algún
control prenatal
Si
No
FSCE_2 Dónde se hizo
el control
con mayor
frecuencia
establecimiento de salud
del MSP
clínica/consultorio
privado
en casa
hospital/dispensario
del IESS
junta de benecencia
seguro social campesino
otro
FSCE_5 En el embarazo
le vacunaron
contra el tétanos
Si
No
No sabe/no responde
FSCE_6 En qué lugar
tuvo el parto
establecimiento de salud
del MSP
clínica/consultorio
privado
en casa
hospital/dispensario
del IESS
junta de benecencia
seguro social campesino
otro
FSCE_7 Qué persona o
profesional le
atendió
médico
obstetra
familiar
comadrona o partera
enfermera
auxiliar de enfermería
otra
FSCE_8 El parto fue: cesárea
normal
FSCE_9 El nacimiento
fue a los 9
meses o antes de
tiempo
a tiempo
no sabe
pos maduro
prematuro
FSCE_10 Tuvo algún
control después
del parto
Si
No
FSCE_14 Dónde tuvo
el control
postparto
establecimiento de salud
del MSP
clínica/consultorio
privado
hospital/dispensario
del IESS
otro, ¿cuál?
seguro social campesino
hospital .aa /policía
otro
FSCN_1 Le pesaron en
el momento de
nacer
Si
No
FSCN_2 En que unidad
de medida fue
pesado
gramos
kilogramos
libras-onzas
no sabe
FSCN_5 Con respecto a
otros bebes el
tamaño de su
hijo era:
igual
no sabe
pequeño
muy pequeño
más grande
FSCN_6 Tiene el carnet
de salud infantil
Si
No
Si le entregaron, pero se
perdió
Flores, Congacha
26
FSCN_7 Registró el peso
al nacer
Si
No
FSCN_9 Registró la talla
al nacer
Si
No
FSCN_11 Registró el
perímetro
cefálico al nacer
Si
No
FSCN_13 El carnet
registra puntos
en la curva de
crecimiento
Si
No
FSCCN_1 Después que
nació le llevó a
control médico
Si
No
FSCCN_5 Porqué o para
que lo llevó
estaba enfermo
para control niño sano
no recuerda
FSCCN_6 A qué
establecimiento
de salud lo llevó
establecimiento de salud
del MSP
clínica/consultorio
privado
hospital/dispensario
del IESS
seguro social campesino
otro
unidad municipal de
salud
otro, ¿cuál?
FSCCN_7 Vive con usted
actualmente
Si
No
FSCCN_21 Grupo de edad 0-11
12-18
19-23
24-30
31-35
48-59
otro
FSCCN_23 Sexo del niño Hombre
Mujer
Factores
Inmediatos
FIPA_4 Fue alimentado
con leche
materna el día
de ayer
Si
No
FIPA_5 A qué tiempo
después del
nacimiento
empezó a mamar
o lactar
entre una hora y menos
de 24 horas
después del parto
más de un día
menos de una hora
FIPA_6 Los tres
primeros días
después del
nacimiento le
dió algo de beber
aparte de leche
materna
Si
No
FIPA_11 Le dio pecho
cada vez que le
pidió
Si
No
FIPA_12 Consumió algún
líquido diferente
a la leche
materna ayer
Si
No
FIPA_13 Consumió ayer-
agua pura
Si
No
No sabe/no responde
FIPA_15 Consumió ayer-
leche de fórmula
Si
No
No sabe/no responde
FIPA_17 Consumió ayer-
leche en polvo
Si
No
No sabe/no responde
FIPA_19 Consumió ayer-
jugos naturales
Si
No
No sabe/no responde
FIPA_20 Consumió ayer-
sopa
Si
No
No sabe/no responde
FIPA_22 Consumió ayer-
yogurt
Si
No
No sabe/no responde
FIPA_24 Consumió ayer-
colada
Si
No
No sabe/no responde
FIPA_26 Consumió ayer-
gaseosa
Si
No
No sabe/no responde
FIPA_28 Consumió ayer-
agua aromática
Si
No
No sabe/no responde
FIPA_30 Consumió ayer-
cualquier otro
líquido
Si
No
No sabe/no responde
FIPA_32 Comió algún
alimento ayer
Si
No
FIPA_33 Comió colada
espesa de harina
de trigo
Si
No
No sabe/no responde
27
FIPA_34 Comió colada
espesa de granos
Si
No
No sabe/no responde
FIPA_35 Comió zapallo,
zanahoria,
pepino
Si
No
No sabe/no responde
FIPA_36 Comió papa
blanca, yuca,
camote
Si
No
No sabe/no responde
FIEI_1 Ha tenido
diarrea en las
últimas dos
semanas
Si
No
No sabe/no responde
FIEI_4 En las dos
últimas semanas
ha tenido tos o
moquera
Si
No
Tabla 2. Variables cualitativas de la ENSANUT que contienen las caracte-
rísticas de los factores propuestos por el marco conceptual de la UNICEF.
Fuente: Elaboración Propia.
En la Figura 1 se muestran las características que
de acuerdo al marco conceptual en cuestión de-
ben ser medidas en cada uno de estos factores,
mismas que encuentran asociadas con la infor-
mación recolectada en la ENSANUT 2018 de
acuerdo al detalle presentado en la Tabla 1 para
variables cuantitativas y Tabla 2 para cualitativas.
Además, con el n de que sirva de guía en el pro-
ceso de operacionalización de bases de datos, se
muestran las categorías o posibles respuestas que
tienen estas variables.
PROCESO DE OPERACIONALIZACIÓN DE
LAS BASES DE DATOS.
La ENSANUT 2018 se encuentra dividida en
cinco formularios, los cuales dan origen a nueve
bases de datos con distintas poblaciones objetivo,
pero todas interrelacionadas entre sí, por ejem-
plo, las características sobre salud y desarrollo in-
fantil de un niño se pueden observar en dos bases
de datos especícas, pero a la vez, las caracterís-
ticas del hogar en el que vive este mismo infante,
características sociales o de salud de la madre,
etc., se pueden apreciar en otras bases de datos
distintas. Mediante el uso de algunos paquetes
especializados del soware R (11,12,13,14), se
unió y ltró toda la información relacionada a
los infantes de 0 a 5 años de las nueve bases de
datos con el n de obtener una sola. Finalmente
se obtuvo una nueva base de 11231 individuos y
97 variables, de acuerdo a lo resumido en la Ta-
bla 1 y Tabla 2, estos individuos a su vez fueron
divididos aleatoriamente en un conjunto de 7862
(70%) para entrenamiento y 3369 (30%) para va-
lidación, con el n de evaluar el poder de predic-
ción que tienen cada uno de los modelos que se
usarán.
Debido a que la variable dependiente dicotómica
en estudio desnutrición crónica, por su natura-
leza es desbalanceada (27.97% presentan des-
nutrición y 72.03% no lo hacen), se procedió a
balancear las clases para el conjunto de entrena-
miento usando la técnica de submuestreo, a tra-
vés del paquete ROSE (15). Se analizó la cantidad
de datos faltantes de cada variable, y se elimina-
ron aquellos casos cuyo porcentaje fue superior
al 50%, mientras que el resto de variables fueron
imputadas usando el método de kNN vecinos
más cercanos. Además, con el n de eliminar
el problema de magnitudes distintas, se centró
y escaló la base de datos. Finalmente, debido a
la manera en que trabajan las funciones R que
se usó para implementar los modelos, se realizó
una binarización, la cual consiste en crear tantas
variables como niveles tenga una variable categó-
rica, asignando ceros a todas las observaciones
excepto a las observaciones que tienen el nivel
que representa la nueva variable creada que se le
asigna 1.
ANÁLISIS DE LA BASE DE DATOS.
La primera técnica usada para determinar los
factores que inuyen signicativamente sobre la
desnutrición crónica infantil fueron los árboles
de clasicación (16,17,18,19). El algoritmo im-
plementado para aplicar este modelo consistió
en seleccionar aleatoriamente un subconjunto
de variables, de las cuales se escoge aquellas que
dividen signicativamente a la muestra en cada
uno de los nodos de clasicación que se van for-
mando, minimizando la tasa de error de clasi-
cación y asignando a cada observación la clase
más común en su región del espacio de predicto-
res. Este proceso es repetitivo y se detiene cuan-
do aparecen categorías cuyas frecuencias respec-
to a la variable objetivo dejan de ser relevantes.
Flores, Congacha
28
Para la implementación de este algoritmo se usó
el paquete rpart (20)
El problema al usar esta técnica fue que el po-
der predictivo del modelo resultó muy bajo, esto
debido a que, en cada corrida, el algoritmo se-
cuencial implementado siempre elegía las mis-
mas variables con mayor frecuencia signicativa;
lo cual pudo provocar una omisión de variables
explicativas que quizás son importantes pero que
por su baja frecuencia no se tomaron en cuenta.
Con el n de solucionar este problema, se imple-
mentó un modelo más complejo, también basa-
do en árboles, denominado Gradient Boosting
(Algoritmo XGBoost) (21,22), el cual va cons-
truyendo árboles de manera secuencial, donde
cada nuevo árbol se crea tomando en cuenta el
error de clasicación producido por las variables
peor clasicadas del árbol anterior, repitiendo
este proceso hasta que las potencias predictivas
de todos los árboles combinados se estabilizan.
Para la implementación de este algoritmo se usó
el paquete xgboost.
Finalmente se implementó el modelo matemá-
tico de regresión logística binaria (familia bino-
mial) (23), el cual por su naturaleza no presenta
aleatoriedad intrínseca, lo cual hace que no se
produzca el problema suscitado en el modelo de
árboles. Para seleccionar las variables, se aplicó
el método por pasos hacia atrás, el cual incluye
en principio todas las variables explicativas del
modelo para luego ir eliminando iterativamente
aquellas que no aportan signicativamente y se
detiene cuando todos los predictores son estadís-
ticamente signicativos.
III. RESULTADOS
Descripción B Error estándar valor z Pr(>|z|) exp(B)
(Intercepto) -0,925 0,434 -2,132 0,033** 0,396
FBCP1_6.
indígena.
Grupo étnico
indígena
0,476 0,089 5,351 0,000*** 1,608
FBCP1_7
separado
Estado civil
separado
0,193 0,082 2,357 0,018** 1,213
FBCH_17
no
¿Algún miembro del hogar tiene telf. celular?
no
0,207 0,069 3,008 0,003*** 1,229
FBCH_12 Número de dormitorios de la vivienda -0,073 0,028 -2,612 0,009*** 0,929
FBCP1_1 Años cumplidos de la madre -0,013 0,005 -2,388 0,017** 0,987
FBCP1_5 Número de hijos nacidos vivos 0,095 0,029 3,264 0,001*** 1,099
FBCP1_8
Bachillerato
Escolaridad de la madre.
Bachillerato.
-0,164 0,071 -2,302 0,021*** 0,848
FBCP1_8
Superior
Escolaridad de la madre.
Superior
-0,277 0,100 -2,775 0,006*** 0,758
FIPA_33
No sabe - No responde
Comió colada espesa de harina de trigo.
No sabe – No responde
-0,330 0,083 -3,981 0,000*** 0,719
FSCE_3 Meses de embarazo cuando se hizo el primer control 0,015 0,006 2,632 0,008*** 1,015
FSCE_12 Primer control postparto-semanas 0,109 0,038 2,856 0,004*** 1,115
FSCN_5
más. grande
Con respecto a otros bebes el tamaño de su hijo era:
Mas grande
-0,402 0,084 -4,761 0,000*** 0,668
FSCN_5
pequeño
Con respecto a otros bebes el tamaño de su hijo era:
Mas pequeño
0,271 0,086 3,148 0,002*** 1,311
FSCCN_21
19 – 23
Grupo de edad
19 - 23
0,430 0,090 4,757 0,000*** 1,537
FSCCN_21
31 - 35
Grupo de edad
31 - 35
0,339 0,093 3,646 0,000*** 1,404
FIEI_1
si
¿Ha tenido diarrea en las últimas dos semanas?
Si
0,842 0,416 2,024 0,043** 2,321
Tabla 3. Resultados de las variables signicativas en el modelo de regresión logística.
Fuente: Elaboración Propia.
En el caso del modelo de regresión, se comprobó
mediante el omnibus test, que el modelo plantea-
do muestra una relación significativa entre las
variables independientes y la dependiente (p va-
lor del estadístico chi cuadrado igual a 1.43x10
-
45
). La Tabla 3 muestra los coeficientes signifi-
29
cativos del modelo, su error estándar, valor Z, p
valor y probabilidad asociada de ocurrencia con
la variable dependiente (desnutrición crónica).
Respecto a los p valores que indican si un coe-
ficiente es o no significativo, se ha colocado **
indicando que se cumple a un nivel de signifi-
cancia del 5% y *** cuando lo hace a una signifi-
cancia del 1%.
Presenta Desnutrición crónica
Modelo de Regresión Modelo de árboles Modelo Gradeint Boosting
No Si No Si No Si
Presenta Desnutrición crónica
No 1774 719 1546 465 1687 510
Si 473 403 888 470 747 425
Tabla 4. Matriz de confusión para los modelos de regresión, árboles y gradeint boosting.
Fuente: Elaboración Propia.
Al comprobar el poder predictivo de este modelo,
usando la muestra de entrenamiento, se observó
en la matriz de confusión que 2177 de los 3369
individuos fueron clasificados correctamente,
por lo que el poder predictivo de este modelo se
establece en 64.6%.
La matriz de confusión completa se presenta en
la Tabla 4.
Figura 2. Modelo de árbol de decisión para predecir la desnutrición crónica infantil
Fuente: Elaboración Propia.
Respecto al modelo de árboles de clasificación,
la Figura 2 muestra que se forman 15 nodos in-
termedios, los cuales representan las variables
o factores de mayor influencia. La variable más
significativa o influyente en la desnutrición cró-
nica de acuerdo a este modelo (nodo raíz) perte-
nece a la categoría indígena de la variable grupo
étnico (FBCP1_6). En adelante, se muestran las
variables en orden de influencia, vistas en la fi-
gura desde arriba hacia abajo. De acuerdo a la
matriz de confusión, 2016 de los 3369 individuos
considerados en la muestra de evaluación fueron
clasificados correctamente, lo cual nos da un po-
der predictivo del 59.8% (la matriz de confusión
completa se presenta en la Tabla 4.). Sin embargo,
como ya habíamos mencionado, con la finalidad
de mejorar este indicador, se implementó el algo-
ritmo del modelo Gradient Boosting, el cual pre-
sentó un poder predictivo de 62.7% (la matriz de
confusión completa se presenta en la Tabla 4.), lo
Flores, Congacha
30
cual, a nuestro criterio no representa una mejora
significativa como teóricamente se suponía, por
lo que podemos conluir que la capacidad de ajus-
te es estable en el árbol presentado en la Figura 2
y se puede tomar decisiones a partir de ello.
IV. DISCUSIÓN
FACTORES ASOCIADOS A LA DESNUTRI-
CIÓN CRÓNICA EN EL ECUADOR.
Figura 3. Factores asociados a la desnutrición crónica infantil de acuerdo a
los modelos de regresión logística y árboles de decisión. Intersección entre
ellos.
Fuente: Elaboración Propia.
La Figura 3 muestra un resumen de los factores
que fueron considerados como significativos en
cada uno de los modelos (tomando en cuenta
para el caso de regresión un nivel de significancia
del 5%), además de aquellos que fueron comunes,
diferenciándolos por el tipo al que pertenecen
de acuerdo con el marco teórico de clasificación
propuesto por la UNICEF (10). Es importante re-
calcar en este punto que, de acuerdo a esta refe-
rencia teórica, si se mejoran las condiciones de
las variables que pertenecen a los factores básicos
(color rojo), esto incidirá directamente y de ma-
nera positiva en los factores subyacentes e inme-
diatos (color verde y azul respectivamente), razón
por la cual, es evidente que debe existir atención
principalmente en la creación de condiciones ne-
cesarias para mejorar las características de estos
factores básicos.
Si analizamos los resultados de manera más de-
tallada, el modelo de regresión logística (Tabla
3), muestra que la categoría indígena, pertene-
ciente a la variable grupo étnico, presenta una
influencia sobre la desnutrición crónica infantil
por encima de las otras variables independientes,
de esta manera, si el niño es indígena tiene 60.8%
mayor probabilidad de tener desnutrición cróni-
ca ante niños de otros grupos étnicos (FBCP1_6).
Seguida de esta variable, en orden de significan-
cia encontramos que si el niño resulta ser más
pequeño en relación a otros niños de su misma
edad (FSCN_5), la probabilidad de que el niño
tenga desnutrición crónica aumenta en 31.1%. Si
algún miembro del hogar no tiene comunicación
mediante un teléfono celular (FBCH_17), el niño
tiene 22.9% mayor probabilidad de tener desnu-
trición crónica. Si el estado civil (FBCP1_7) de
los padres es separado, la probabilidad de que
el niño tenga desnutrición aumenta en 21.3%.
Si el número de hijos nacidos vivos en el hogar
(FBCP1_5) aumenta, también lo hace la proba-
bilidad de desnutrición en 9.9%. Si la madre se
tarda en realizar su primer control de embarazo
(FSCE_3), la probabilidad de que el niño tenga
desnutrición crónica aumenta en 1.5% y si se tar-
da en su primer control postparto (FSCE_12) esta
probabilidad aumenta en 11.5%. Además de es-
tas, encontramos las siguientes relaciones negati-
vas: Si el niño es más grande con respecto a otros
bebes de su misma edad (FSCN_5.) la probabi-
lidad de que el niño tenga desnutrición crónica
disminuye en 33.2%. Si la madre tiene un nivel de
escolaridad superior (FBCP1_8.) la probabilidad
de que el niño tenga desnutrición crónica dismi-
nuye en 24.2%, mientras que si tiene un nivel de
educación media – bachillerato, la probabilidad
disminuye en 15.2% y finalmente a medida que
el número de dormitorios que posee la vivienda
en la que vive el niño crece (FBCH_12), la proba-
bilidad de tener desnutrición crónica disminuye
en un 7.1%.
Por otra parte, los modelos basados en árboles
(Figura 2) revelan que la variable más influyente
para que un niño tenga desnutrición sigue siendo
el grupo étnico en la categoría indígena, seguido
en orden de importancia de: La edad hasta que
fue amamantado el infante (FIPA_2), el tamaño
del bebe respecto a otros (FSCN_5), la escolari-
dad de la madre (FBCP1_8), el combustible que
se usa en casa para cocinar (FBCH_14), la dosis
de vacuna contra la hepatitis (FSCCN_9), el nú-
mero de controles antes del parto (FSCE_4), la
tenencia de un teléfono celular de un miembro
del hogar (FBCH_17), la alimentación de la ma-
31
dre con frutas naturales (FIPA_19), la dosis de la
vacuna pentavalente (FSCCN_12), el nacimiento
antes de tiempo (FSCE_9) y primer control del
embarazo (FSCE_3).
ANÁLISIS COMPARATIVO CON LA REALI-
DAD DE OTROS PAÍSES.
Aunque el estudio sobre factores asociados a la
desnutrición crónica infantil en países que viven
realidades cercanas a la nuestra es escaso, los es-
tudios realizados en la región y en países en vías
de desarrollo muestran escenarios similares a
los encontrados en la presente investigación para
nuestro país.
En Perú, se conoce que los factores básicos de
mayor influencia son: Bajos niveles de escolari-
dad de los padres, residir en el área rural y mala
calidad de la vivienda (piso y servicios higiéni-
cos). Respecto a la escolaridad, si la madre tiene
instrucción primaria, un niño tiene hasta 61%
más probabilidad de tener desnutrición, lo cual
resulta análogo a la realidad encontrada en la
presente investigación para Ecuador, donde, si
la madre tiene un alto grado de escolaridad, la
probabilidad de que el niño presente desnutri-
ción disminuye en 33.2%. Respecto a residir en
el área rural (población en su mayoría indígena),
en Perú es 57.9% más probable que estos niños
tengan desnutrición comparados con los que vi-
ven en la zona urbana, lo cual parece ser similar
a lo que se encontró en nuestro país, específica-
mente con la etnia indígena, los cuales como ya
se mencionó son 60.8% más propensos a tener
desnutrición crónica. Respecto a la calidad de la
vivienda, se sabe que en Perú el riesgo asciende
a 57% más en niños que viven en casas de mala
calidad, lo cual se podría comparar con la va-
riable número de dormitorios, así, en Ecuador,
mientras más habitaciones exista, el riesgo dis-
minuye. Respecto a los factores subyacentes, en
Perú, no tener un parto institucionalizado, tener
más de 4 hijos, bajo peso al nacer y no tener una
inmunización completa aumenta la probabilidad
de desnutrición en 19%, 1.8%, 21.4% y 17.6% res-
pectivamente, mientras que en Ecuador variables
similares como: Primer Control Post parto, ta-
maño del bebe, nacimiento prematuro y vacunas
(hepatitis B y pentavalentes), también resultaron
significativas en la desnutrición crónica. Final-
mente, respecto a los factores inmediatos, en
Perú, la duración de la lactancia, la alimentación
adecuada y presentar alguna afectación de salud
(diarrea, fiebre, tos) son factores que aumentan
significativamente la probabilidad de desnutri-
ción, lo cual es similar a la realidad de Ecuador,
donde se determina que las variables: Consume
colada espesa, Ha tenido diarrea, Hasta qué edad
le dio el seno y consume jugos naturales, afectan
de igual manera a la probabilidad de desnutri-
ción crónica (24,25).
En Brasil y Haití, aunque el proceso de muestreo
no se basa en el marco teórico de la UNICEF y
solo se hace el estudio para cierto grupo de in-
dividuos en específico (Municipios del estado de
Acre y niños indígenas de Mangueirinha, Paraná
para el caso de Brasil y niños de 6 a 24 meses
para el caso de Haití), los resultados también son
similares a los encontrados en nuestro país. De
esta manera, en Brasil, principalmente la condi-
ción económica de los padres, su escolaridad y su
edad, el número de hijos, la ausencia de la madre,
el no acceso al servicio de alcantarillado y elec-
tricidad fueron factores determinantes (26,27),
los cuales tienen mucha similitud con las varia-
bles: Escolaridad de la madre, años cumplidos de
la madre, número de hijos nacidos vivos, estado
Civil de los padres y número de dormitorios de
la vivienda, las cuales fueron significativas en
nuestro país y se observa que todas ellas están
clasificadas dentro de los factores básicos, lo cual
da a entender que en Brasil se realizó el estudio
poniendo énfasis particularmente en este tipo de
factores, los cuales si bien es cierto son las más
importantes pero a nuestro parecer no nos deja
conocer la realidad de la situación a detalle.
En Haití, la escolaridad de la madre, su acceso a
los medios de comunicación, el índice de riqueza
del hogar, el espaciamiento entre los nacimien-
tos, el número de hijos, el estado nutricional de
la madre, el número de consulta prenatales du-
rante el embarazo y la defecación al aire libre a
nivel de comunidad son los principales factores
que influyen en la desnutrición crónica infantil
(28), sin duda, estos aspectos son muy similares a
las variables medidas en nuestro país por medio
de la ENSANUT: Escolaridad de la madre, algún
miembro del hogar tiene teléfono celular, núme-
ro de hijos nacidos vivos y controles postparto,
Flores, Congacha
32
los cuales están en las categorías de factores bási-
cos y subyacentes.
Es importante indicar que para estos dos últimos
países (Brasil y Haití), se usaron metodologías
distintas a las usadas en la presente investigación,
como por ejemplo análisis de frecuencias e infe-
rencias basadas en ellas, o regresiones lineales y
métodos de descomposición (por ejemplo en el
caso de Haiti, con variables cuantitativas obte-
nidas a partir de las encuestas de mortalidad y
morbilidad), los cuales son métodos que si bien
es cierto nos permiten conocer si una variable
independiente es o no significativa para explicar
una dependiente (desnutrición crónica), estos no
nos dejan conocer una medida de la probabilidad
de ocurrencia o influencia de la variable inde-
pendiente sobre la dependiente, como sí lo hace
la metodología de regresión logística usada en la
presente investigación.
V. CONCLUSIONES
De acuerdo a los resultados obtenidos en este tra-
bajo, en el Ecuador, si un niño es indígena, la es-
colaridad de la madre es inferior al bachillerato,
algún miembro del hogar no tiene teléfono celu-
lar, la madre demora en realizarse el primer con-
trol de embarazo, el tamaño del infante no es el
adecuado, sus padres son separados, existen me-
nos dormitorios en la vivienda, es mayor el nú-
mero de hijos nacidos vivos en el hogar, el com-
bustible que usan para cocinar es leña o carbón,
la madre se tarda en realizarse el primer control
postparto, el niño es prematuro, la madre se hizo
pocos controles antes del parto, al niño le faltan
las vacunas de la hepatitis b y pentavalente, el
niño no consume colada espesa de harina de tri-
go, no ha tenido diarrea durante los las últimas
semanas, no consume jugos naturales y su madre
no le dio el seno durante largo tiempo, entonces
son muy altas las posibilidades de que un niño
presente desnutrición crónica, lo cual como ya se
mencionó afecta no solo el estado del infante en
sus primeros años, sino durante toda su vida.
Como ya se había mencionado: La desnutrición
crónica constituye un problema de salud pública
y social, la cual aumenta el riesgo de morbilidad
y mortalidad, además afecta negativamente en el
crecimiento y desarrollo del infante, acarrean-
do impactos negativos que se extienden hasta la
edad adulta, la cual reduce la capacidad de traba-
jo, afectando a la productividad económica de un
país. En este contexto, y luego de medir el nivel
de afectación que tienen las variables estudiadas
sobre la desnutrición crónica infantil, creemos
que las políticas en nuestro país deben enfocarse
principalmente en aquellas variables o factores
que de acuerdo al presente estudio presentan una
influencia significativamente más alta, recordan-
do a la vez que de acuerdo al marco teórico de
la UNICEF, si mejoramos las condiciones prin-
cipalmente en las variables pertenecientes a los
factores básicos, también lo harán de manera in-
directa las variables pertenecientes a los factores
subyacentes e inmediatos. Creemos que tomado
en cuenta estas consideraciones técnicas, los re-
cursos que son destinados a erradicar la desnu-
trición se optimizarán, pero sobre todo, creemos
que el problema disminuirá significativamente.
1. UNICEF. Estado mundial de la infancia 2008 - Resumen Ejecutivo: Supervivencia Infantil.:
Unicef; 2007.
2. INEC. Boletín Técnico: Encuesta Nacional de Salud y Nutrición 2018. Quito - Ecuador.; 2019.
3. SENPLADES. Plan Nacional de Desarrollo 2017-2021. Toda una Vida Quito - Ecuador; 2017.
4. INEC. Encuesta Nacional de Salud y Nutrición ENSANUT. [Online]. [cited 2021 Enero. Avai-
lable from: https://www.ecuadorencifras.gob.ec/salud-salud-reproductiva-y-nutricion/.
5. 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).
6. Pérez J, Echavarría F. Árboles de clasificación vs regresión logística en el desarrollo de compe-
tencias genéricas en ingeniería. Computación y Sistemas. 2018; 22(4).
7. Demir E. A decision support tool for predicting patients at risk of readmission: A comparison
eferencias
R
33
of classification trees, logistic regression, generalized additive models, and multivariate adaptive re-
gression splines. Decision Sciences. 2014; 45(5).
8. 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).
9. Andrade V, Flores P. Comparativa entre classification trees, random forest y gradient boos-
ting; en la predicción de la satisfacción laboral en Ecuador. Ciencia Digital. 2018 Diciembre; 2(4).
10. UNICEF. Estado mundial de la infancia - Nutrición. New York: Fondo de las Naciones Unidas
para la Infancia; 1998.
11. R CT. R: A Language and Environment for Statistical Computing. Vienna - Austria: R Foun-
dation for Statistical Computing; 2020.
12. Kuhn M. caret: Classification and Regression Training. 2020. R package version 6.0-86.
13. Therneau T, Atkinson B. rpart: Recursive Partitioning and Regression Trees. 2019. R package
version 4.1-15.
14. 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.
15. Lunardon N, Giovanna M, Nicola T. ROSE: a Package for Binary Imbalanced Learning. R
Journal. 2014; 6(1).
16. Maimon O, Rokach L. Data mining with decision trees: theory and applications: World scien-
tific; 2014.
17. Breiman L. Classification and regression trees.: Wadsworth International Group; 1984.
18. Buntine W. Learning classification trees. Statistics and computing. 1992; 2(2).
19. Rokach L, Oded M. Classification trees. In Data mining and knowledge discovery handbook
Boston: Springer; 2009.
20. Therneau T, Atkinson B. rpart: Recursive Partitioning and Regression Trees. 2019. R package
version 4.1-15.
21. Hastie T, Tibshirani R, Friedman J. Boosting and additive trees. In The elements of statistical
learning New York: Springer; 2009.
22. Elith J, hastie T. A working guide to boosted regression trees. Journal of Animal Ecology.
2008; 77(4).
23. tolles J, Meurer W. Logistic regression: relating patient characteristics to outcomes. Jama.
2016; 316(5).
24. Arocena V. Factores asociados a la Desnutrición Crónica Infantil en el Perú, 1996-2007. Insti-
tuto Nacional de Estadística e Informática. 2009 octubre.
25. Arocena V. Factores asociados a la desnutrición crónica infantil en Perú: una aplicación de
modelos multinivel. Revista Latinoamericana de Población. 2010; 4(6).
26. 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.
27. 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).
28. 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.
Flores, Congacha