01 · Una diferencia observada no explica su causa

Una tabla puede mostrar que dos variables cambian conjuntamente y, aun así, dejar sin resolver por qué lo hacen. Cuando el tema son los delitos y las clasificaciones raciales, esa distancia entre observar y explicar resulta decisiva: una asociación territorial o administrativa no demuestra una predisposición biológica individual.

El problema no se resuelve negando los datos ni aceptando sin examen la interpretación que se les atribuye. Hay que reconstruir qué se contó, a quiénes se observó, cómo se formaron los grupos y qué procesos históricos e institucionales podrían producir el patrón. Una crítica científica requiere tanto rigor en las mediciones como claridad sobre los mecanismos propuestos.

Esta versión desarrolla la pregunta pedagógica que motivaba la entrada original, apoyada en Gujarati y Porter y en Ritchey. Sus referencias se conservan como antecedentes; aquí el argumento se reconstruye con exposición propia, un ejercicio reproducible y bibliografía metodológica y empírica complementaria. No se reproducen como citas textuales los pasajes de esas ediciones. [1][2]

02 · Asociación, correlación, predicción y causalidad

Asociación significa que la distribución de una variable difiere según los valores de otra. Correlación suele designar una medida concreta de covariación, como el coeficiente de Pearson. Predicción consiste en anticipar un resultado a partir de información disponible. Causalidad pregunta cómo cambiaría un resultado bajo una modificación o intervención definida. Estas tareas no son intercambiables.

La covarianza del numerador recoge cómo se desvían conjuntamente X y Y de sus medias. El denominador elimina sus unidades mediante las desviaciones estándar. La expresión requiere varianzas finitas y positivas. Un valor cercano a cero indica poca asociación lineal; no descarta una relación no lineal ni demuestra independencia.

En el uso causal que interesa aquí, una asociación es espuria respecto de una interpretación cuando el patrón observado no justifica el efecto directo que se le atribuye y puede obedecer a otros procesos. El término también se usa para coincidencias muestrales, búsquedas masivas de relaciones o tendencias compartidas. Conviene nombrar el mecanismo concreto, porque no todas esas situaciones son el mismo problema.

La relación estadística puede ser real; la explicación causal que se le atribuye puede estar equivocada.

Una variable puede mejorar un pronóstico porque resume desigualdades o decisiones institucionales, sin representar un mecanismo biológico. Y una explicación causal requiere supuestos adicionales al ajuste de una regresión. El marco de resultados potenciales ayuda a formular esa diferencia. [3]

03 · Qué significan “color de piel”, “raza” y “delito”

La pigmentación es una característica fenotípica que puede medirse de distintas maneras. La raza socialmente asignada recoge cómo otras personas o instituciones clasifican a alguien. La identificación étnico-racial registra una respuesta personal situada. La ascendencia genética estima relaciones de herencia a partir de datos y poblaciones de referencia. No son mediciones equivalentes. [4]

Por eso, un análisis debe especificar quién clasifica, con qué instrumento, en qué momento y bajo qué categorías. También debe reconocer que el significado de esas categorías puede variar entre países e instituciones. Una categoría registrada por la policía no se convierte por ese hecho en una medición de ascendencia.

No existe una única variable homogénea llamada “delincuencia” que permita mezclar sin más homicidio, fraude empresarial, infracciones de tránsito y delitos ambientales. Sus oportunidades, perjuicios y formas de detección pueden ser diferentes. La selección de las conductas estudiadas forma parte de la definición del problema.

04 · Del hecho al registro: cómo se construye el dato

Un hecho puede no denunciarse; una denuncia puede no producir detención; una detención no establece culpabilidad; una condena es un resultado del proceso judicial. Estas transiciones requieren análisis propio. Las encuestas de victimización y los registros policiales tienen coberturas distintas: las primeras pueden captar hechos no denunciados, mientras los segundos registran lo comunicado y reconocido institucionalmente. [5]

Como esquema pedagógico, si C es el número de hechos relevantes y q la probabilidad común de que cada hecho sea registrado, entonces:

La fórmula supone que cada hecho puede generar como máximo un registro y que no hay registros falsos o duplicados. La igualdad de expectativas no necesita independencia entre hechos; esa independencia sí sería un supuesto adicional para una distribución binomial. El mundo real puede incumplir varias de estas condiciones. La ecuación sirve para mostrar que el registro depende tanto de la ocurrencia como de la observación.

Si q cambia entre territorios, tasas registradas diferentes pueden reflejar diferencias en ocurrencia, en observación o en ambas. No se puede decidir cuál explicación pesa más mirando únicamente el total final. Habría que estudiar denuncia, patrullaje, criterios de investigación, clasificación del hecho y cobertura de la fuente.

05 · Un ejemplo ficticio: 84 frente a 36

Construyamos dos conjuntos de barrios, A y B, durante un año. No representan etnias ni países. Sus poblaciones permanecen constantes y usamos habitantes-año como aproximación de la exposición. Cada incidente se asigna al lugar donde ocurrió y se cuenta una vez. Se distinguen dos estratos de privación, sin afirmar que esa etiqueta sea una causa suficiente del delito.

El numerador cuenta sucesos; el denominador mide exposición. 84 incidentes por 1.000 habitantes-año no significa que el 8,4 % de las personas haya cometido un delito. Una persona podría estar vinculada a varios hechos, varios autores podrían intervenir en uno y quien comete un hecho podría residir en otro lugar.

La razón cruda de tasas es 84/36 = 7/3 ≈ 2,333. La diferencia cruda es 48 incidentes por 1.000 habitantes-año. Dentro de cada estrato, en cambio, A y B tienen tasas idénticas: 100 frente a 100 y 20 frente a 20. La diferencia agregada se debe aquí, por construcción, a la composición: A concentra el 80 % de su exposición en el estrato de mayor tasa y B concentra el 20 %.

Esta tabla prueba la posibilidad matemática de un mecanismo composicional. No permite estimar su importancia en una población real, y mucho menos adjudicar a personas una predisposición individual.

06 · Comparar composiciones equivalentes

La tasa total es una media ponderada de las tasas de los estratos. Si g identifica el conjunto y z el estrato:

r_gz es la tasa dentro del estrato; w_gz es su proporción de exposición. Por eso r_A = 0,8 × 100 + 0,2 × 20 = 84, mientras r_B = 0,2 × 100 + 0,8 × 20 = 36. Se combinan tasas iguales con pesos distintos.

Para una comparación descriptiva estandarizada, asignemos a ambos conjuntos una exposición de referencia mitad y mitad. Los pesos comunes son una decisión explícita del ejercicio:

La razón estandarizada es 1 y la diferencia es 0. Otra distribución común produciría otro nivel de tasa, pero mantendría la igualdad porque las tasas estratificadas coinciden. Estandarizar no equivale automáticamente a intervenir ni transforma por sí mismo esta comparación en un efecto causal.

El ejemplo muestra desaparición de una diferencia al estratificar. En una inversión de Simpson, el sentido de la asociación agregada se opone al de las asociaciones dentro de los estratos. No es lo que ocurre aquí. El trabajo de Simpson constituye un antecedente clásico para examinar estos problemas de agregación. [6]

07 · La arquitectura matemática de la asociación

La ley de la covarianza total permite separar dos componentes de una asociación. Para variables con segundos momentos finitos:

El primer término promedia la covariación de X y Y dentro de los estratos definidos por Z. El segundo recoge cómo cambian conjuntamente las medias de ambas variables entre estratos. Puede haber covarianza total aunque todas las covarianzas internas sean cero.

Esta descomposición es algebraica. No identifica a Z como causa, ni autoriza a llamarla confusora sin una hipótesis causal. Tampoco debe usarse la tabla de cuatro filas como si contuviera cuatro observaciones individuales intercambiables: sus exposiciones son distintas y sus unidades son agregadas. El ejercicio trabaja con tasas; no estima una correlación individual entre raza y conducta.

08 · Confusión, mediación y selección: tres preguntas distintas

Los siguientes diagramas son modelos pedagógicos, no mapas ya demostrados de una sociedad. Una flecha representa una influencia causal postulada; la ausencia de una flecha también expresa un supuesto. Un diagrama ayuda a hacer discutibles esas decisiones. [7]

Confusión: una causa común

En este modelo, la ruta X ← Z → Y puede generar asociación sin un efecto de X sobre Y. Ajustar por una variable adecuada puede bloquear esa ruta. Que dos variables estén correlacionadas con Z no basta, por sí solo, para establecer esta estructura.

Mediación: una trayectoria que forma parte del efecto

Si la pregunta se refiere al efecto total de D, ajustar por M puede excluir parte del mecanismo que interesa estudiar. Un efecto directo plantea otra pregunta y requiere supuestos propios. No se deduce de este esquema que todas las desigualdades funcionen así. En regresiones con clasificaciones raciales, interpretar el ajuste exige atender al orden temporal y a qué variables podrían ser consecuencias de los procesos estudiados. [8]

Selección: estudiar solamente quienes ingresaron al registro

S es un colisionador porque recibe dos flechas. Condicionar por él puede abrir una asociación que no existía antes. [9] Si además U influye en el resultado posterior Y, la selección puede distorsionar el análisis de X e Y. En aplicaciones policiales deben modelarse por separado las decisiones de detener, registrar y actuar posteriormente: este esquema mínimo no sustituye ese desarrollo.

09 · Por qué un barrio no es una persona

La falacia ecológica consiste en atribuir a individuos una relación observada entre agregados sin información que justifique ese paso. El problema no vuelve inútiles los estudios territoriales: delimita qué conclusiones permiten obtener. La distinción entre correlaciones ecológicas e individuales tiene una formulación clásica en Robinson. [10]

Supóngase que un barrio tiene una composición demográfica determinada y una tasa alta de incidentes. Esa información no identifica a los autores, su residencia ni las circunstancias de cada hecho. Tampoco distingue automáticamente exposición a victimización de participación como autor. Son variables y funciones sociales diferentes.

El error inverso también importa: los datos individuales, por sí solos, no describen adecuadamente todos los efectos del contexto. Una investigación puede necesitar niveles personales y territoriales, relaciones entre ellos y dependencia espacial. Un modelo multinivel organiza parte de esa estructura, pero no elimina automáticamente la confusión ni convierte los coeficientes en efectos causales.

Para pasar de una escala a otra hacen falta datos compatibles y supuestos defendibles. La escala no es un detalle de presentación; es parte del objeto que se estudia.

10 · Clase, racialización e instituciones: mecanismos que investigar

Una lectura histórico-materialista pregunta cómo se organizan el acceso a medios de vida, la propiedad, el trabajo, el espacio urbano y el poder estatal. En este ensayo se propone investigar cómo esas relaciones pueden distribuir oportunidades, exposición a daños y posibilidades de protección de manera desigual.

La racialización puede operar mediante prácticas concretas: restricciones de acceso a vivienda, criterios de contratación, barreras al crédito o trato institucional diferencial. La relación entre estas prácticas y la posición de clase exige investigación histórica. No basta con reducir el racismo a una opinión individual, ni con usar “clase” como una variable que explique de antemano cualquier resultado.

La crítica a una interpretación biológica gana precisión cuando reconstruye mecanismos y evidencia, en vez de sustituir una esencia racial por un destino de pobreza. Una posición material no determina la conducta de cada persona. Los tipos de delito, las oportunidades de cometerlos y la capacidad de evitar su detección pueden distribuirse de formas diferentes.

También es necesario estudiar qué daños llegan a tipificarse y registrarse, y cómo se investigan infracciones económicas, empresariales o ambientales. Una estadística centrada en ciertos delitos visibles no representa automáticamente toda conducta dañina ni toda infracción jurídicamente definida.

En debates como los asociados a Black Lives Matter, el objeto pertinente incluye instituciones y experiencias históricas de racialización. Compartir una ascendencia evolutiva remota no vuelve indistintas esas posiciones sociales contemporáneas.

11 · Qué aporta la investigación empírica y qué deja abierto

Sampson, Morenoff y Raudenbush (2005) estudiaron violencia con datos longitudinales de Chicago y características individuales, familiares y barriales. Encontraron que variables del contexto y de la trayectoria familiar explicaban estadísticamente una parte importante de las diferencias examinadas. El diseño observacional y su contexto impiden convertir ese resultado en una ley universal o equiparar reducción de un coeficiente con demostración de un mecanismo causal único. [11]

Knox, Lowe y Mummolo (2020) analizaron un problema distinto: cuando la decisión policial de investigar determina quién aparece en los datos y esa decisión está afectada por discriminación, los registros seleccionados pueden distorsionar las estimaciones del trato posterior. Su resultado metodológico no autoriza a asignar una magnitud única de sesgo a todos los cuerpos policiales. [12]

Estas contribuciones cumplen funciones diferentes. La primera aporta evidencia situada sobre composición social y contexto; la segunda formaliza un problema de selección. Ninguna debe confundirse con nuestra tabla A/B, construida para enseñar aritmética de tasas.

Un resultado residual después del ajuste tampoco demuestra una explicación genética: puede reflejar medición incompleta, selección, causas omitidas o especificación inadecuada. A la inversa, que una diferencia se reduzca no demuestra que se haya identificado todo el efecto de la discriminación. Cada conclusión exige explicitar qué alternativa se evaluó y con qué evidencia.

12 · Nota: ascendencia africana y genealogías diferentes

Cann, Stoneking y Wilson (1987) analizaron ADN mitocondrial de 147 personas y propusieron una ascendencia materna común situada probablemente en África. Se trata de una reconstrucción de una línea de herencia, no de una fecha directa de aparición de la especie ni de la afirmación de que entonces existía una sola mujer. [13]

Además, los resultados posteriores de genómica nuclear aportaron evidencia de flujo genético entre neandertales y ancestros de humanos actuales. Por ello, una descripción general de la expansión humana como sustitución completa y sin mezcla resulta inadecuada. [14]

La ascendencia evolutiva remota, la genealogía de una familia y la identificación afrodescendiente responden a escalas y problemas diferentes. El uso histórico-social de “afrodescendiente” puede referirse a experiencias y vínculos formados en diásporas y sociedades concretas; no pretende describir por sí solo toda la genealogía evolutiva humana.

Reconocer esas diferencias permite sostener simultáneamente la historia evolutiva compartida y la especificidad de la discriminación contemporánea. Ninguna de esas cuestiones se resuelve mediante una correlación territorial entre composición poblacional e incidentes.

13 · Demostración reproducible en R

El siguiente código utiliza únicamente funciones de R base y del paquete stats, incluido en una instalación habitual. Los datos están contenidos en el propio script. No hay descarga de datos ni simulación aleatoria. Los nombres A/B no codifican categorías raciales.

# Spurious association / asociacion espuria
# FICTIONAL data: no racial categories or empirical crime estimates.
# Datos FICTICIOS: sin categorias raciales ni estimaciones empiricas.
# Base R + stats only. Counts are incidents, not people or binary trials.

d <- data.frame(
  group = factor(c("A", "A", "B", "B"), levels = c("B", "A")),
  deprivation = factor(c("high", "low", "high", "low"),
                       levels = c("low", "high")),
  incidents = c(80, 4, 20, 16),
  exposure = c(800, 200, 200, 800)
)
stopifnot(all(d$exposure > 0), all(d$incidents >= 0))
d$rate_1000 <- 1000 * d$incidents / d$exposure
print(d)

# Crude rates / tasas crudas
crude <- aggregate(cbind(incidents, exposure) ~ group, data = d, FUN = sum)
crude$rate_1000 <- 1000 * crude$incidents / crude$exposure
print(crude)
r <- setNames(crude$rate_1000, as.character(crude$group))
cat("Crude rate ratio A/B:", unname(r["A"] / r["B"]), "\n")
cat("Crude rate difference A-B:", unname(r["A"] - r["B"]), "\n")

# Incident counts with a log-exposure offset; reference group = B.
m_crude <- glm(incidents ~ group + offset(log(exposure)),
               family = poisson(link = "log"), data = d)
m_adjusted <- glm(incidents ~ group + deprivation + offset(log(exposure)),
                  family = poisson(link = "log"), data = d)
rr_crude <- unname(exp(coef(m_crude)["groupA"]))
rr_adjusted <- unname(exp(coef(m_adjusted)["groupA"]))
rr_deprivation <- unname(exp(coef(m_adjusted)["deprivationhigh"]))
print(c(crude_A_over_B = rr_crude,
        adjusted_A_over_B = rr_adjusted,
        adjusted_high_over_low = rr_deprivation))

# Standardization to common exposure shares: low = 0.5, high = 0.5.
grid <- expand.grid(group = levels(d$group),
                    deprivation = levels(d$deprivation),
                    KEEP.OUT.ATTRS = FALSE, stringsAsFactors = FALSE)
grid$group <- factor(grid$group, levels = levels(d$group))
grid$deprivation <- factor(grid$deprivation, levels = levels(d$deprivation))
grid$exposure <- 1000
# At exposure = 1000 the predicted count is the rate per 1000.
grid$rate_1000 <- predict(m_adjusted, newdata = grid, type = "response")
weights <- c(low = 0.5, high = 0.5)
grid$weighted_rate <- grid$rate_1000 * weights[as.character(grid$deprivation)]
standardized <- aggregate(weighted_rate ~ group, data = grid, FUN = sum)
names(standardized)[2] <- "standardized_rate_1000"
print(standardized)

# Arithmetic/model checks for this constructed example only.
stopifnot(abs(unname(r["A"]) - 84) < 1e-8,
          abs(unname(r["B"]) - 36) < 1e-8,
          abs(rr_crude - 7/3) < 1e-7,
          abs(rr_adjusted - 1) < 1e-7,
          abs(rr_deprivation - 5) < 1e-7,
          all(abs(standardized$standardized_rate_1000 - 60) < 1e-6))

# Common exposure rescaling changes the intercept, not the rate ratios.
scaled <- d
scaled$exposure <- scaled$exposure * 1000
m_scaled <- glm(incidents ~ group + deprivation + offset(log(exposure)),
                family = poisson(link = "log"), data = scaled)
stopifnot(abs(unname(exp(coef(m_scaled)["groupA"])) - 1) < 1e-7,
          abs(unname(exp(coef(m_scaled)["deprivationhigh"])) - 5) < 1e-7)

# No p-values or confidence intervals are interpreted for artificial cells.
cat("All example checks passed. / Comprobaciones del ejemplo superadas.\n")
sessionInfo()

Qué representa el modelo

μ_gz es el conteo esperado y E_gz la exposición. El término offset(log(exposure)) introduce esa exposición con coeficiente fijado en 1; no es una covariable cuyo coeficiente se estima. I vale 1 cuando se cumple la condición y 0 en otro caso. Se usan B y menor privación como referencias. La exponencial de β_A compara tasas A/B a igual estrato; la de β_H compara estratos a igual conjunto. [15][16]

El modelo crudo usa solamente el conjunto; el ajustado incorpora el estrato. La familia Poisson con enlace logarítmico resulta útil para mostrar esta estructura de conteos y exposición. No convierte los incidentes en ensayos binarios. Un modelo binomial requeriría un resultado de éxito/fracaso con ensayos definidos; no se justifica restando incidentes a habitantes.

El código estandariza mediante predicciones para una exposición de 1.000 habitantes-año y pesos comunes 0,5/0,5. Sus comprobaciones internas verifican los valores del ejemplo y su invariancia frente a la decisión de usar una escala común de exposición. La igualdad ajustada sigue siendo una propiedad del conjunto ficticio.

14 · Cómo evaluar una explicación causal en un caso real

Una pregunta investigable debe indicar población, período, resultado e intervención. Por ejemplo: ¿cómo cambiaría una tasa específica bajo una política definida de acceso a vivienda, o cómo variaría una decisión policial si se modificara la información racial percibida manteniendo constantes otras características del encuentro? Estas preguntas requieren diseños distintos.

1. Definir el objetivo. Separar descripción de disparidades, predicción y efecto de una intervención. Precisar si interesa un efecto total, directo o mediado.
2. Documentar la medición. Identificar origen, cobertura, categorías, exclusiones, duplicados y denominadores. Distinguir lugar del hecho y residencia.
3. Representar el tiempo. Establecer qué antecede a qué. Si hay retroalimentación, usar variables fechadas; un DAG estático no representa ciclos simultáneos.
4. Justificar el ajuste. Elegir variables por su función causal postulada, no por el valor p ni por el simple cambio de un coeficiente.
5. Examinar identificación. Para efectos de intervenciones definidas, discutir consistencia, comparabilidad condicional y positividad; en barrios interconectados, atender a posibles efectos entre unidades. [3]
6. Buscar diseños y fuentes complementarios. Triangular registros, encuestas y estudios específicos; valorar experimentos, auditorías o cambios de política cuando sean pertinentes. Sus supuestos deben defenderse en cada aplicación.
7. Cuantificar incertidumbre y sensibilidad. Distinguir error muestral de sesgos de selección y medición. Considerar causas no observadas y alternativas de especificación.
8. Delimitar la generalización. Una estimación local no se traslada automáticamente a otros períodos, países o tipos de delito.

La comparabilidad condicional supone, para el objetivo elegido, ausencia de causas comunes no controladas; no es algo que una regresión pueda demostrar por sí sola. La positividad exige que las alternativas comparadas sean posibles en los estratos pertinentes. La consistencia requiere que la intervención y sus versiones estén suficientemente definidas.

En esta perspectiva, una teoría orienta la búsqueda de mecanismos, pero también debe exponerse a evidencia capaz de corregirla. La explicación materialista alcanza mayor fuerza cuando especifica procesos, distingue escalas y acepta los límites de identificación del análisis.

15 · Qué permite concluir el análisis

Una diferencia estadística entre grupos exige explicación; no contiene por sí misma una teoría de sus causas. La tabla ficticia demuestra que la composición puede producir una diferencia agregada aun cuando las tasas estratificadas sean iguales. Los problemas de medición, selección y escala muestran por qué una lectura causal requiere trabajo adicional.

Respecto de los delitos y el color de piel, la pregunta científica consiste en reconstruir cómo las condiciones materiales, las clasificaciones sociales y las instituciones participan en los resultados definidos y observados. El análisis presentado no aporta evidencia de una predisposición biológica racial; tampoco estima un único mecanismo social válido para todos los contextos.

Explicar una asociación exige estudiar tanto los procesos que producen los hechos como las instituciones que los convierten en datos.

Referencias y lecturas

Las referencias 1–2 son antecedentes bibliográficos de la entrada original. El resto respalda las distinciones metodológicas y los estudios identificados; la interpretación histórico-materialista y el ejemplo A/B son desarrollos del ensayo. Recursos web consultados el 2 de noviembre de 2026.

1. Gujarati, D. N., & Porter, D. C. (2010). Econometría (5.ª ed.). McGraw-Hill Interamericana. ISBN 9786071502940.
2. Ritchey, F. J. (2002). Estadística para las ciencias sociales. McGraw-Hill. ISBN 9789701031414.
3. Hernán, M. A., & Robins, J. M. (2020). Causal Inference: What If. Chapman & Hall/CRC. Consultar fuente.
4. National Human Genome Research Institute. Use of Population Descriptors in Genomics. Consultar fuente.
5. Bureau of Justice Statistics. Crime: administrative records and victimization surveys. Consultar fuente.
6. Simpson, E. H. (1951). The interpretation of interaction in contingency tables. JRSS Series B, 13(2), 238–241. DOI: 10.1111/j.2517-6161.1951.tb00088.x. Consultar fuente.
7. Greenland, S., Pearl, J., & Robins, J. M. (1999). Causal diagrams for epidemiologic research. Epidemiology, 10(1), 37–48. DOI: 10.1097/00001648-199901000-00008. Consultar fuente.
8. VanderWeele, T. J., & Robinson, W. R. (2014). On causal interpretation of race in regressions adjusting for confounding and mediating variables. Epidemiology, 25(4), 473–484. DOI: 10.1097/EDE.0000000000000105. Consultar fuente.
9. Shrier, I., & Platt, R. W. (2008). Reducing bias through directed acyclic graphs. BMC Medical Research Methodology, 8, 70. DOI: 10.1186/1471-2288-8-70. Consultar fuente.
10. Robinson, W. S. (1950). Ecological correlations and the behavior of individuals. American Sociological Review, 15(3), 351–357. DOI: 10.2307/2087176. Consultar fuente.
11. Sampson, R. J., Morenoff, J. D., & Raudenbush, S. (2005). Social anatomy of racial and ethnic disparities in violence. American Journal of Public Health, 95(2), 224–232. DOI: 10.2105/AJPH.2004.037705. Consultar fuente.
12. Knox, D., Lowe, W., & Mummolo, J. (2020). Administrative records mask racially biased policing. American Political Science Review, 114(3), 619–637. DOI: 10.1017/S0003055420000039. Consultar fuente.
13. Cann, R. L., Stoneking, M., & Wilson, A. C. (1987). Mitochondrial DNA and human evolution. Nature, 325, 31–36. DOI: 10.1038/325031a0. Consultar fuente.
14. Green, R. E., et al. (2010). A draft sequence of the Neandertal genome. Science, 328(5979), 710–722. DOI: 10.1126/science.1188021. Consultar fuente.
15. R Core Team. glm: Fitting Generalized Linear Models. R statistical documentation. Consultar fuente.
16. R Core Team. family: Family Objects for Models; offset: Include an Offset in a Model Formula. R statistical documentation. Consultar fuente.