Estructura y evolución de las técnicas estadísticas multivariadas en 331 artículos WoS
Presentación
Este sitio presenta los resultados de un análisis bibliométrico de 331 artículos indexados en Web of Science que aplican técnicas estadísticas multivariadas a la investigación turística.
El objetivo es responder la pregunta:
¿Cómo se estructura el uso de técnicas estadísticas multivariadas en la investigación turística, y cómo ha evolucionado esa estructura?
El enfoque combina análisis de co-ocurrencia de keywords, detección de comunidades temáticas, métricas de centralidad y reducción dimensional para revelar la arquitectura intelectual del campo.
Estadísticas del corpus
Ver código
import pandas as pdfrom pathlib import PathOUTPUT = Path("../output")cent = pd.read_csv(OUTPUT /"centralities.csv")comm = pd.read_csv(OUTPUT /"communities_labeled.csv")n_nodes =len(cent)n_communities =len(comm)n_articles =331# Edges: approximate from degree sum / 2 (each edge counted twice)# Use weighted_degree as proxy for edge count infotop_kw = cent.nlargest(5, "frequency")[["keyword", "frequency"]].reset_index(drop=True)print(f"Artículos analizados : {n_articles}")print(f"Keywords únicas : {n_nodes}")print(f"Comunidades : {n_communities}")print(f"Top keyword : {cent.iloc[0]['keyword']} (freq={int(cent.iloc[0]['frequency'])})")
---title: "Análisis Bibliométrico Multivariado en Turismo"subtitle: "Estructura y evolución de las técnicas estadísticas multivariadas en 331 artículos WoS"---## PresentaciónEste sitio presenta los resultados de un análisis bibliométrico de **331 artículos** indexadosen Web of Science que aplican técnicas estadísticas multivariadas a la investigación turística.El objetivo es responder la pregunta:> **¿Cómo se estructura el uso de técnicas estadísticas multivariadas en la investigación> turística, y cómo ha evolucionado esa estructura?**El enfoque combina análisis de co-ocurrencia de keywords, detección de comunidades temáticas,métricas de centralidad y reducción dimensional para revelar la arquitectura intelectual del campo.---## Estadísticas del corpus```{python}#| label: load-summary#| echo: trueimport pandas as pdfrom pathlib import PathOUTPUT = Path("../output")cent = pd.read_csv(OUTPUT /"centralities.csv")comm = pd.read_csv(OUTPUT /"communities_labeled.csv")n_nodes =len(cent)n_communities =len(comm)n_articles =331# Edges: approximate from degree sum / 2 (each edge counted twice)# Use weighted_degree as proxy for edge count infotop_kw = cent.nlargest(5, "frequency")[["keyword", "frequency"]].reset_index(drop=True)print(f"Artículos analizados : {n_articles}")print(f"Keywords únicas : {n_nodes}")print(f"Comunidades : {n_communities}")print(f"Top keyword : {cent.iloc[0]['keyword']} (freq={int(cent.iloc[0]['frequency'])})")```::: {.columns}::: {.column width="25%"}<div class="text-center"><div class="stat-badge">331</div><div>Artículos WoS</div></div>:::::: {.column width="25%"}<div class="text-center"><div class="stat-badge" id="n-nodes">--</div><div>Keywords únicas</div></div>:::::: {.column width="25%"}<div class="text-center"><div class="stat-badge" id="n-comm">--</div><div>Comunidades</div></div>:::::: {.column width="25%"}<div class="text-center"><div class="stat-badge">5</div><div>Ventanas temporales</div></div>::::::```{python}#| label: stats-inline#| echo: falsefrom IPython.display import display, HTMLhtml =f"""<script>document.getElementById('n-nodes').textContent = '{n_nodes}';document.getElementById('n-comm').textContent = '{n_communities}';</script>"""display(HTML(html))```---## Top 10 keywords por frecuencia```{python}#| label: top-keywords-bar#| fig-cap: "Keywords más frecuentes en el corpus bibliométrico"import plotly.express as pxtop10 = cent.nlargest(10, "frequency")[["keyword", "frequency", "community"]].copy()top10["community"] = top10["community"].astype(str)fig = px.bar( top10, x="frequency", y="keyword", orientation="h", color="community", text="frequency", title="Top 10 keywords por frecuencia de aparición", labels={"frequency": "Frecuencia", "keyword": "Keyword", "community": "Comunidad"}, height=420,)fig.update_layout(yaxis={"categoryorder": "total ascending"}, showlegend=False)fig.update_traces(textposition="outside")fig.show()```---## Navegación::: {.grid}::: {.g-col-6}::: {.card .p-3}### [Datos del corpus](01_datos.qmd)Distribución temporal, revistas, cobertura de keywords.::::::::: {.g-col-6}::: {.card .p-3}### [Red de co-ocurrencia](02_coocurrencia.qmd)Grafo interactivo de keywords co-ocurrentes en los artículos.::::::::: {.g-col-6}::: {.card .p-3}### [Comunidades temáticas](03_comunidades.qmd)Subcampos metodológicos y temáticos detectados con Louvain.::::::::: {.g-col-6}::: {.card .p-3}### [Centralidades](04_centralidades.qmd)Keywords pilar y keywords puente entre subcampos.::::::::: {.g-col-6}::: {.card .p-3}### [Reducción dimensional](05_reduccion_dim.qmd)MDS, t-SNE, UMAP y análisis de correspondencias.::::::::: {.g-col-6}::: {.card .p-3}### [Evolución temporal](06_evolucion.qmd)Técnicas emergentes y en declive por período.:::::::::