# Auditar Articulo Cientifico > Auditar un artículo científico con regresión lineal - Skill: `jrebull/auditar-articulo-cientifico` (Agent Skill, multi-file: 8 files) - Install (CLI): `npx skillmds@latest add jrebull/auditar-articulo-cientifico` - Raw SKILL.md: https://api.skillmd.com/api/skills/jrebull/auditar-articulo-cientifico/raw - Safety review: pending - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Coding & Dev Tools - Author: jrebull (https://skillmd.com/u/jrebull) - Updated: 2026-09-22 - Page: https://skillmd.com/skills/jrebull/auditar-articulo-cientifico --- # Auditar un artículo científico con regresión lineal La tesis operativa: **un artículo que publica coeficiente, R² y valores p está sobredeterminado**. Esas cifras satisfacen identidades exactas entre sí, así que se puede reconstruir su tamaño de muestra, recalcular sus pruebas y demostrar qué falta, sin acceso a los datos originales y sin opinar. La diferencia entre una ficha mediocre y una buena no es el vocabulario: es que la buena **ejecuta el diagnóstico que el artículo omitió** y enseña el resultado. --- ## 0. La disciplina, antes que el método Estas cuatro reglas se rompieron al menos una vez cada una y todas costaron una ronda entera. **Nunca trates una cifra redondeada como puntual.** Todo hallazgo se propaga por la caja de redondeo. `0.03` no es 0.03, es `[0.025, 0.035)`. Un barrido de la cota algebraica marcó ocho celdas imposibles; al propagar la caja quedó **una**. Las otras siete habrían sido siete acusaciones falsas. **Verifica cada hallazgo ajeno antes de aplicarlo.** Los agentes auditores se contradicen. En la Semana 5, un agente dijo que dos celdas de Spearman cambiaban de veredicto, lo apliqué sin comprobar, otro lo contradijo, y la enumeración de las 40,320 permutaciones le dio la razón al primero: mi «corrección» había metido una afirmación falsa que sobrevivió una ronda. Recalcula. Y separa «acepto la conclusión» de «acepto el razonamiento», porque a veces solo lo primero es cierto. **Escribe el archivo antes de comprobarlo.** Un script de correcciones con un `assert` después de los `replace` y antes del `write` falló en el assert: el log imprimió «ok» línea por línea y **no se escribió nada**. Cualquier script de edición acumula fallos en una lista y escribe siempre; la comprobación va al final y sobre el resultado en disco. **No deduzcas la precisión de impresión desde `repr()`.** El artículo imprime `0.90` y `float` devuelve `0.9`: la caja sale diez veces más ancha y el barrido se vuelve permisivo en silencio. Pasa los decimales explícitos, leídos de la tabla. **Y audita el instrumental como auditas el artículo.** Estas herramientas se escribieron para esta metodología y aun así, al probarlas una por una, la función que agrupa los rótulos de un eje devolvía **el mismo centroide para todos**: un `grupos.append(cur)` seguido de `cur.clear()` mete la misma lista en todos los grupos y luego la vacía. No lanzaba ningún error; solo habría calibrado mal cada eje, en silencio, para siempre. Ejecuta `probar.py` antes de confiar en cualquier cifra que salga de aquí. --- ## 1. Elegir el artículo Debe ser arbitrado, aplicado, con respuesta y predictores distinguibles, con método y resultados suficientes, y con DOI o enlace estable. Y una condición que no está escrita pero decide el resultado: **que publique suficientes cifras para reconstruirlo**. Un artículo que solo dice «la regresión fue significativa» no se puede auditar; uno que publica seis tablas de coeficientes se audita entero. Descarta antes de invertir: si el modelo lineal es una mención de paso, o si el texto completo no es accesible, cambia de artículo. La consulta puede sesgarse a propósito hacia trabajos auditables: "multiple linear regression" AND ("Durbin-Watson" OR "variance inflation factor") residuals Meter términos de diagnóstico favorece artículos donde el modelo lineal es el objeto, no el adorno. --- ## 2. Conseguir el texto como XML, no como PDF El PDF sirve para leer; el **XML JATS** sirve para auditar, porque trae las tablas como celdas. Sin esto no hay auditoría celda por celda. python3 "$SKILL_DIR/references/jats.py" PMC11728780 art.xml Si el artículo no está en Europe PMC no hay atajo: transcribir a mano y verificar la transcripción con un segundo pase independiente. ⚠️ **El menos tipográfico.** Los artículos imprimen U+2212, no el guion ASCII. `float()` lo rechaza en silencio y un barrido de contradicciones de signo devuelve cero hallazgos sin avisar de nada. `jats.num()` ya lo normaliza; si escribes tu propio parser, normalízalo tú, junto con los espacios duros. ⚠️ **La coma.** En un artículo en inglés separa millares y hay que quitarla; en uno en español puede ser el separador decimal, y quitarla convierte `0,05` en `5`, cien veces mayor y sin ningún aviso. `jats.num()` solo la quita cuando el número tiene forma de millares, y devuelve `None` en cualquier otro caso para que el problema se vea. Con decimales por coma, pásale `coma='decimal'` a propósito. --- ## 3. Reconstruir el tamaño de muestra Casi ningún artículo de este tipo declara *n*, y **sin *n* no hay auditoría**: ninguna cola se puede calcular. Se recupera por varias vías y se confirma cuando coinciden: 1. **Del diseño** descrito en métodos (ventanas de agregación, estratos). 2. **De la F publicada**: `reconstruir_n(R2, F, k)` despeja *n* propagando las cajas de R² y F. Un solo F suele bastar para dejar un único entero posible. 3. **De las colas de cuatro decimales**, si el texto cita alguna. Es la vía más fuerte: comprueba que **todas** son compatibles con el *n* candidato y con ningún otro. Que trece cifras encajen con *n*=8 y **cero** con 7 o 9 es un argumento mucho más contundente que una coincidencia suelta. --- ## 4. Los barridos algebraicos Aquí aparecen los hallazgos que nadie puede discutir. Todos en `references/barridos.py`, todos con propagación de caja. | Identidad | Qué significa si falla | |---|---| | `identidad_R2` — en regresión simple R² = r² | Una de las dos celdas es errata. El valor p que la acompaña dice cuál. | | `signo` — b y r comparten signo siempre | Signo perdido. Si el Spearman va con b, el errado es el Pearson. | | `p_redundante` — p(b) = p(modelo) = p(Pearson) | Misma prueba impresa con dos números. Diferencia en la última cifra, redondeo; que cruce el umbral, hallazgo. | | `cota_t` — t_j² ≤ df·R²/(1−R²) | El R² total limita la significancia de cualquier coeficiente. Un p menor es **aritméticamente imposible**. | La identidad R² = r² tiene un uso extra: si se cumple en todas las celdas de una tabla, esa tabla **no es regresión múltiple** aunque el resumen la llame así. --- ## 5. Colas exactas, y la trampa de Spearman `references/estadistica_pura.py` da t, F y Pearson por beta incompleta, sin scipy. Con *n* pequeño hay que usar las colas exactas y no aproximaciones. **Spearman no comparte el crítico de Pearson.** Su nula es discreta: `spearman_exacto(n)` enumera las n! permutaciones y devuelve la retícula de valores alcanzables, sus colas y el crítico real. Con *n*=8 el crítico es **0.7381 con cola 0.0458**, no 0.05, y el valor inmediato inferior de la retícula, 0.7143, ya deja 0.0576: entre uno y otro no hay nada. Dos precauciones que decidieron el resultado la última vez: - **El redondeo va hacia abajo, no hacia arriba.** Un ρ impreso como `0.72` vale *menos* de 0.725, así que el mayor alcanzable compatible es 0.7143, que **no** rechaza. Razonar al revés («salta al siguiente valor posible») invierte el veredicto. Este error concreto llegó a estar impreso en el entregable. - **Cuenta cuántos ρ caen fuera de la retícula.** Si muchos no son alcanzables sin empates, hay empates en los datos, la nula sin empates no los gobierna y ninguna celda queda resuelta. Esa cifra —37 de 104 en la Semana 5— es más informativa que los veredictos individuales, y además desmonta cualquier intento de atribuir la aproximación a un programa concreto. --- ## 6. La discrepancia Pearson–Spearman es la señal diagnóstica Muchos artículos publican los dos coeficientes y creen que con eso «comprobaron» algo. No: reportar dos estadísticos no es comprobar un supuesto. **Contrastarlos sí lo habría sido.** Una brecha entre Pearson y Spearman apunta a no linealidad o a una observación influyente, que es exactamente lo que la dimensión de forma funcional pide. `pearson_vs_spearman` cuenta las celdas donde los dos caen en lados opuestos del alfa declarado y las de signos opuestos. En la Semana 5 fueron **21 de 104** y **6** respectivamente, sin un solo comentario del artículo. Ese es el argumento que derrota la defensa de «parcial»: el diagnóstico estaba impreso en sus propias tablas y nadie lo miró. --- ## 7. Multiplicidad Cuenta pruebas **distintas**, no celdas: en regresión simple p(b), p(modelo) y p(Pearson) son la misma prueba impresa tres veces, y contarlas por separado infla el denominador. `multiplicidad(n_pruebas, n_significativas)` da las esperadas bajo nulo global y el umbral de Bonferroni. Y no te pases de frenada. Si el exceso de significativas es enorme, la señal supera al ruido y **lo criticable no es la ausencia de corrección**: es que el artículo lea decenas de resultados significativos sin discutir en ningún momento cuántos esperaba por azar. Bonferroni además es excesivamente conservador cuando las pruebas comparten las mismas observaciones. --- ## 8. Digitalizar la figura: donde suele estar el mejor hallazgo Si el artículo publica un diagrama de dispersión, casi seguro contiene el diagnóstico de influencia que nunca hizo. `references/digitalizar.py` cubre el proceso. Las reglas están en su docstring; la más importante: **Digitaliza lo menos posible.** Si el texto publica las abscisas, úsalas y lee del gráfico solo las ordenadas. En la Semana 5 eso redujo la digitalización a ocho ordenadas más una abscisa, y el ajuste resultante dio pendiente 0.4188 y R² 0.9126 frente a los 0.4185 y 0.912 impresos en la propia figura: la lectura se valida sola. El umbral de tinta con que separas los rótulos del fondo mueve la calibración, así que **el residuo que devuelve `calibrar()` es el control de calidad**: por encima de dos píxeles has emparejado mal los rótulos o uno se partió en dos grupos. Después, `influencia()` y `banda()`. Una cifra que no sobrevive a mover cada lectura un píxel no se usa. Y al revés: si sobrevive, dilo, porque convierte una estimación en una demostración. ⚠️ No sobredeclares la precisión. Escribir «reproduce con cuatro decimales» cuando coincides en tres es exactamente el defecto que le imputas al artículo. --- ## 9. El dictamen Tres categorías, y la frontera está en la palabra **localizable**: - **Suficiente**: evidencia pertinente para los supuestos principales, con sus decisiones explicadas. - **Parcial**: algunas comprobaciones relevantes, pero quedan dimensiones sin evaluar. - **No documentada**: reporta ajuste y resultados sin evidencia localizable de evaluación diagnóstica. Una declaración sin resultado **no es evidencia localizable**. «A temporal trend analysis was performed» sin indicador, criterio ni resultado no documenta la dimensión de independencia. Dilo así, y con esa precisión: no sostienes que no se hiciera, sostienes que no aparece. **Construye la mejor defensa posible de la categoría vecina y derrótala en el documento.** Un dictamen que no se ha enfrentado a su objeción más fuerte no está sustentado. Y cuidado con el argumento fácil: sostener que los p de Spearman «no son libres de distribución» es **falso**, porque su nula depende solo de los rangos. Lo que no es libre es el cálculo, no la distribución. Cierra siempre con lo que el artículo **sí** hace bien y con qué habría bastado para alcanzar la categoría superior. Una auditoría que solo acusa es más débil que una que además mide la distancia al aprobado. --- ## 10. El entregable El formato lo fija la consigna de la actividad, no la costumbre: léela primero. Para el LaTeX, el preámbulo canónico y sus trampas ya pagadas están en `references/preambulo.tex`, que viene con este skill. Dos defectos de maquetación que sobrevivieron a varias revisiones humanas y a una auditoría ciega, y que `references/maquetacion.py` detecta por script: - **Encabezado de `longtable` huérfano**: filete, títulos de columna y ninguna fila, arriba de una página, encima del rótulo de la sección siguiente. Lo provoca un `longtable` que abre tras un macro de sección con `\needspace`. No se arregla quitando `\nopagebreak` ni con `\clearpage` bloque a bloque: hay que darle al `\needspace` sitio para rótulo, título, encabezado y primera fila (15 líneas bastaron), y hacerlo **selectivo**, porque aplicarlo a los bloques de texto desperdicia páginas enteras. - **Retrato pisado por el texto**: `wrapfigure` deja de aplicar la sangría en cuanto termina el párrafo, y si el párrafo tiene menos líneas que las reservadas, el siguiente escribe encima de la foto. Usa dos `minipage`. Antes de entregar: compila el ZIP **en un directorio vacío**, compara el md5 del `.tex` del paquete contra el del fuente, y comprueba que el texto del PDF reconstruido coincide con el entregado. Un ZIP desfasado produce en Overleaf un documento distinto del que revisaste. --- ## Herramientas Viven junto a este archivo, **no** en el directorio de trabajo. Antes del primer comando, fija la ruta absoluta del directorio que contiene este `SKILL.md`: SKILL_DIR= Instalado como plugin queda bajo `plugins/cache/…`, no en el proyecto, así que `python3 references/…` a secas falla. | Archivo | Para qué | |---|---| | `references/estadistica_pura.py` | Colas de t, F y Pearson por beta incompleta; nula exacta de Spearman; cajas de redondeo. Sin scipy. | | `references/jats.py` | Descarga y parseo del XML JATS de Europe PMC; tablas como celdas; normalización del menos tipográfico; afirmaciones de ausencia. | | `references/barridos.py` | Identidades algebraicas, umbral exacto de Spearman, discrepancia Pearson–Spearman, multiplicidad, reconstrucción de *n*. | | `references/digitalizar.py` | Calibración de ejes, marcadores, ajuste, apalancamiento, distancia de Cook y banda de error de un píxel. | | `references/maquetacion.py` | Encabezados huérfanos y páginas poco llenas sobre el PDF compilado. | | `references/probar.py` | Batería de regresión de las cinco anteriores. Ejecutarla antes de confiar en ninguna. | | `references/preambulo.tex` | Preámbulo LaTeX con las trampas de maquetación ya resueltas. Rellena `\hypersetup` con tus datos. | Todos se prueban contra la auditoría de `microorganisms-12-02661` (dengue en México, MDPI 2024) y reproducen sus cifras: *n*=8, crítico de Spearman 0.7381 con cola 0.0458, 4 identidades rotas, 2 contradicciones de signo, 7 celdas con dos valores p de las que 6 son redondeo, 37 coeficientes fuera de la retícula, 21 discrepancias Pearson–Spearman, h = 0.516 y D de Cook = 1.84. python3 "$SKILL_DIR/references/probar.py" Sin argumentos comprueba lo que no necesita los archivos del artículo. Devuelve código 1 si algo falla, así que sirve tal cual en un gancho o en CI.