Los refugios de animales se esfuerzan por encontrar hogares permanentes para los perros con personas y familias. Sin embargo, un estudio retrospectivo a largo plazo estima que el porcentaje de perros que regresan a los refugios después de ser adoptados es de aproximadamente el 9 %. El regreso de los perros de los refugios afecta los recursos disponibles para el cuidado de otros animales. Identificar las causas principales de estos regresos puede servir de base para diseñar programas que busquen reducir este fenómeno.
Utilizando un conjunto de datos de un gran sistema de refugios en Nueva York, compuesto por 3465 perros que ingresaron por primera vez a un refugio y a quienes se les realizó un seguimiento durante seis meses después de su ingreso, identificamos áreas potenciales para intervenciones que reduzcan las tasas de devolución de perros adoptados mediante diversos modelos. La regresión logística, combinada con la selección de variables por pasos, fue el modelo utilizado en este proyecto de investigación para explorar la relación entre la probabilidad de que un perro sea devuelto y un gran número de covariables.
Descubrimos que la edad del perro, su tendencia a la agresividad, su raza, la duración de su estancia y la ubicación geográfica del refugio influyen en la probabilidad de que sea devuelto. Además, observamos que el traslado de perros entre refugios no se relacionaba con dicha probabilidad. El análisis interactivo y las visualizaciones de JMP, fáciles de usar, permitieron a la usuaria, con escasos conocimientos de estadística, comprender y, finalmente, realizar el análisis por sí misma. Estos hallazgos orientarán la asignación de recursos a intervenciones, como materiales educativos o programas de capacitación, que podrían contribuir a reducir las tasas generales de devolución.
Hola. Me llamo Alicia Arneson. Soy estudiante de doctorado en Virginia Tech. Trabajo en nuestro Grupo de Consultoría Estadística en el campus, donde ayudo a los investigadores a obtener información valiosa de sus datos. Este proyecto surgió como parte de mi trabajo y me entusiasmó mucho porque, como pueden ver en la adorable niña que aparece en el centro de la pantalla, es mi mejor amiga. Se llama Winnie y la adopté de un refugio de animales durante la pandemia.
Cuando fui a recogerla, me dijeron que ya la habían devuelto una vez. Volví a casa con la idea de que tal vez tendría una pequeña diablilla. No sabía exactamente por qué. No me dieron mucha información. Pero resultó que nos llevamos de maravilla. Tiene sus rarezas y sus tropiezos, pero nos las arreglamos bien. Es una mezcla de Red Heeler, así que hace todo lo que hacen los perros heridos, pero nos funciona perfectamente.
Cuando este cliente me propuso este proyecto, descubrí que esta situación es muy común en los refugios. No suelen recibir mucha información sobre los motivos por los que devuelven a los perros. A veces, la gente se siente culpable y da respuestas vagas. Los refugios solo cuentan con la información más obvia.
Esta clienta tenía un enorme conjunto de datos. Trabaja en un gran sistema de refugios para animales. Tenía más de 3400 registros de perros que pasaban por el refugio por primera vez. Intentamos reducir el sesgo excluyendo los casos de perros que pasaban por el refugio por segunda vez o similares. Eso lo abordaremos en un proyecto posterior. Pero queríamos usar la información que teníamos para intentar identificar los factores más relacionados con la probabilidad de que un perro fuera devuelto.
Porque si alguien ha intentado resolver un problema dentro de una gran organización, sabe que puede ser enorme, estresante y costoso. Queríamos ayudar a estos refugios a identificar los aspectos que podrían tener mayor impacto o estar más relacionados con el retorno, para que pudieran utilizar sus recursos de la mejor manera posible y explorar otras opciones.
Decidimos considerar como devuelto a cualquier perro que regresara dentro de los 6 meses posteriores a su adopción. Esto difiere un poco de la práctica de la mayoría de los refugios, que suelen usar el plazo de 30 días. Sin embargo, nosotros utilizamos JMP para establecer un límite basado en datos. Pudimos usar el Explorador de Distribución de JMP. Si vas a Analizar y luego a Distribución, verás a qué me refiero. Te ofrece varias herramientas muy útiles desde el principio.
Esta charla va a ser al menos un 40% una carta de amor a los JMP Profilers. Les aviso de antemano para que puedan ajustar estas distribuciones. Sabía que esta era exponencial porque teníamos este tiempo hasta el evento, y tiene la forma que espero de una distribución exponencial.
Si hago clic en la flecha roja junto al nombre de la variable de respuesta y selecciono Ajuste continuo (no lo mostré aquí), se abrirá otro pequeño cuadro de diálogo donde puedo hacer clic en Ajuste exponencial. Luego, puedo usar los Perfiladores a partir de ese ajuste exponencial. Comenzamos con el Perfilador de cuantiles porque queríamos crear un umbral que abarcara al menos el 95 % de los perros que se devolvían. Esto es bastante común en estadística. Decimos que si está fuera de este rango del 95 % de normalidad, entonces existe la posibilidad de que provenga de algún otro proceso. Pensamos que el 95 % era razonable.
El Perfilador de Cuantiles permite cambiar la probabilidad deseada, la probabilidad acumulada, y muestra la respuesta correspondiente. Nos indicó que 173 días podría ser el punto de corte que buscábamos. Esto se acerca bastante a los 6 meses. Seis meses facilitan mucho la comunicación con los refugios. Utilizamos el Perfilador de Distribución para comprobar si 6 meses se acercaban lo suficiente al 95%. Y que era razonable.
Introdujimos 182 días, que es lo que la clienta quería usar como 6 meses, y nos indicó que la probabilidad acumulada era del 95,7%, así que bastante cercana. Decidimos usar 6 meses, y JMP nos ayudó a tomar esa decisión. Luego, tomamos nuestro conjunto de datos, que habíamos limpiado y etiquetado adecuadamente. Sabíamos que queríamos ajustar un modelo simple que le proporcionara a la clienta la información que necesitaba sin abrumarla, lo cual creo que es una gran ventaja de JMP. Es un software excelente para esto.
Utilizamos la opción Ajustar modelo en la pestaña Analizar. Una de las cosas que más me gustan de JMP es que, si la variable de respuesta está etiquetada correctamente (en nuestro caso, la etiqueté como variable nominal), JMP puede determinar cuál sería el mejor tipo de modelo. No tuve que cambiar nada. Fue genial.
Introduje mi variable Y y todos los datos que me interesaban en los campos de entrada. En el cuadro superior podría haber modificado el modelo si lo hubiera deseado, pero JMP ya sabía que quería un modelo de regresión logística, lo cual es fantástico. Hice clic en "Ejecutar". De inmediato, JMP ofrece un resumen de efectos muy útil que permite identificar fácilmente qué elementos parecen importantes o tienen mucha relevancia.
Como ya mencioné, el objetivo era tomar la gran cantidad de variables que teníamos e intentar reducirlas a las más importantes. Realizamos una regresión escalonada hacia atrás, lo que básicamente significa que queríamos eliminar las variables que no tenían suficiente relevancia en relación con las demás.
Comencé con estas interacciones importantes. Para dar un poco de contexto, el cliente estaba muy interesado en la geografía de los refugios, de dónde venían y adónde iban los perros, y cómo eso influía en todo. Trabajamos con algunos términos de orden superior, pero los eliminamos primero porque, al final, no resultaron ser tan importantes. Luego empezamos a analizar los efectos principales.
A partir de todo eso, seguimos haciendo clic, seleccionando la variable, luego la eliminando, JMP reajustando el modelo, obteniendo nuevos valores p, y repitiendo el proceso. Lo hicimos varias veces. Así conseguimos un modelo mucho más pequeño con los elementos que parecían más importantes, lo cual es realmente genial. Estos son los elementos que estaban más relacionados o correlacionados con la probabilidad de que un perro fuera devuelto.
Y volvemos a hablar de los Profilers y de lo mucho que me gustan. Podríamos usar la opción Profiler en la salida del modelo para que el cliente pudiera explorar por sí mismo qué aspectos eran importantes y cómo afectaban a la probabilidad de retorno, lo cual es genial porque a veces es difícil, sobre todo cuando no se trabaja con un modelo lineal convencional, explicar el significado de los coeficientes y demás. Que un cliente pueda visualizar el efecto de cambiar los niveles de las variables es sencillamente invaluable. Esta fue una parte fundamental del proyecto y le dio al cliente una gran sensación de control.
También usamos JMP para todas nuestras visualizaciones. Me encanta el JMP Graph Builder porque me permite personalizar las cosas y no tengo que lidiar con el código. Es realmente maravilloso. Hicimos algunas cosas básicas. Descubrimos que el 10,5 % de los perros en nuestro conjunto de datos fueron devueltos, lo cual tiene sentido porque esperábamos alrededor del 8 o 9 porque eso es lo que el cliente ve en otros estudios publicados. Pero extendimos nuestro umbral más allá de lo que suelen hacer la mayoría de los refugios, así que esperamos que haya algunos más devoluciones que se incluyan en ese rango.
Este gráfico muestra claramente que descubrimos que las razas de trabajo eran las que tenían más probabilidades de ser devueltas. Me refiero a razas como los pastores alemanes. Si alguna vez has visitado la página web de un refugio de animales, seguramente habrás visto muchos de ellos, así que tiene sentido. Por otro lado, algunas de nuestras razas pequeñas corren menos riesgo. Esto es lógico, ya que un caniche toy no suele ser una gran carga para un hogar. Dicho esto, nunca he tenido un caniche toy, así que podría estar equivocado.
Como mencioné que el cliente estaba muy interesado en estas zonas geográficas, descubrimos que el lugar al que iban los perros parecía estar relacionado de alguna manera con la probabilidad de que regresaran. Observamos que cuando los perros iban a hogares urbanos, era más probable que regresaran que cuando iban a hogares rurales o suburbanos.
Quiero aclarar que esto no implica causalidad alguna, y que todas estas variables son indicadores indirectos que requieren un análisis más profundo. Aún no sabemos por qué las viviendas urbanas tienen una mayor probabilidad de retorno, pero es un tema muy interesante sobre el que el cliente puede profundizar en su investigación.
Como era de esperar, descubrimos que cuando el personal del refugio documentaba que un perro era agresivo (por lo que realizan controles de comportamiento al recibirlos, si muestran algún tipo de agresividad), entonces esos perros tenían una mayor probabilidad de regresar. Probablemente, ese fue uno de los aspectos más relevantes.
Entonces, la edad de los perros parece estar relacionada de alguna manera. La mayoría de los perros que devolvían eran adultos, eso sí. El pico se dio entre los 5 y los 9 años. Esto me sorprendió mucho porque esperaba que devolvieran cachorros con más frecuencia que perros adultos, simplemente porque pueden ser muy difíciles de manejar, pero no fue así. De hecho, los perros viejos eran los que menos probabilidades tenían de ser devueltos, lo cual también es muy interesante.
En definitiva, sabíamos desde el principio que ningún factor por sí solo provoca la devolución de un perro. A veces, simplemente se debe a una mala compatibilidad entre el dueño y el perro o a la situación. Sin embargo, identificamos algunos casos interesantes para que los refugios utilizaran sus recursos de forma basada en datos para intentar reducir el número de devoluciones a largo plazo. JMP simplificó enormemente este proceso.
Como ya mencioné, esta clienta trabaja en un gran sistema de refugios. No es científica de datos. Era estudiante de maestría en un programa muy aplicado y tenía una pregunta específica, y contábamos con los datos para responderla. JMP la hizo sentir parte integral del proceso. Combinamos su conocimiento práctico con mi conocimiento estadístico, y pudo participar activamente porque en JMP se puede guardar el análisis directamente en el conjunto de datos. Yo le enviaba el conjunto de datos, ella hacía clic en reproducir y veía lo mismo que yo, además de usar los Perfiladores y el Generador de Gráficos. En resumen, fue una experiencia muy fluida y maravillosa con esta clienta. Fue genial.
Quiero expresar mi agradecimiento, en primer lugar, al cliente que recopiló estos datos y brindó su valiosa orientación. También a mi buena amiga y colaboradora, Simin, quien me ayudó con el análisis, la limpieza de datos y el mantenimiento de registros precisos de nuestro trabajo. Asimismo, agradezco a nuestra mentora, la Dra. Jennifer Van Mullekom, por su apoyo y orientación en este proyecto y en todos los demás en los que participo en SAIG, nuestro grupo de estadística. Muchas gracias por su atención. Espero que puedan venir a hacerme todas sus preguntas personalmente.
