Una parte fundamental del trabajo académico y de investigación es dar el debido crédito a las herramientas que utilizamos. En el ecosistema de R, los paquetes son contribuciones de miles de investigadores y desarrolladores de todo el mundo. Citar los paquetes que usamos no solo es una buena práctica, sino que también asegura la transparencia y reproducibilidad de nuestro trabajo.
En este documento, vamos a generar automáticamente una bibliografía en formato BibTeX para todos los paquetes que hemos utilizado en las sesiones “Punto 0”, “Punto 1” y “Punto 2”.
8.2 Paso 1: Listar todos los paquetes utilizados
Primero, creamos un vector de caracteres en R que contenga los nombres de todos los paquetes únicos que hemos cargado en nuestros análisis anteriores, incluyendo la base de R.
paquetes_usados <-c("base", # Siempre es bueno citar R base"tidyverse", # Usado en todos los puntos para manipulación y gráficos"haven", # Para leer ficheros .sav"nortest", # Para la prueba de Lilliefors (K-S)"car", # Para el Test de Levene"effectsize", # Para calcular tamaños del efecto"GGally", # Para la matriz de gráficos de dispersión"gtsummary", # Para tablas de resumen elegantes"knitr", # El motor que renderiza los documentos"gplots", # Gráficos especiales"ca", # Análisis de Correspondencias simple y Componentes Principales"FactoMineR", # Análisis de Correspondencias simple y Componentes Principales"factoextra", # Análisis de Correspondencias simple y Componentes Principales"NbClust", # Para determinar el número óptimo de clústeres"mclust"# Para el Adjusted Rand Index)# Eliminamos duplicados por si acaso y ordenamos alfabéticamentepaquetes_usados <-unique(sort(paquetes_usados))print(paquetes_usados)
8.3 Paso 2: Generar y Guardar el Archivo BibTeX (El Método Correcto)
En lugar de construir el archivo manualmente, usamos la función knitr::write_bib(). Esta función está diseñada específicamente para esta tarea y genera un archivo .bib limpio y válido con un solo comando.
# Usamos knitr::write_bib para generar el archivo directamenteknitr::write_bib(paquetes_usados, file ="packages.bib")
8.3.1 Ejemplo de redacción con citas:
En nuestros análisis, hemos dependido en gran medida del ecosistema tidyverse para la manipulación y visualización de datos (Wickham 2023), que incluye paquetes tan importantes como ggplot2 y dplyr. Para la lectura de ficheros de datos provenientes de SPSS, utilizamos el paquete haven(Wickham, Miller, and Smith 2025).
Las pruebas de supuestos estadísticos se realizaron con herramientas específicas: la prueba de Levene para la homoscedasticidad se implementó con el paquete car(Fox, Weisberg, and Price 2024), mientras que las pruebas de normalidad se apoyaron en el paquete nortest(Gross and Ligges 2015).
Para reportar nuestros resultados de manera profesional, calculamos los tamaños del efecto con el paquete effectsize(Ben-Shachar et al. 2025) y creamos tablas de resumen elegantes con gtsummary(Sjoberg et al. 2025). Todo este trabajo se realizó utilizando el lenguaje de programación R (R Core Team 2025) y se compiló en este documento gracias a knitr(Xie 2025).
Ben-Shachar, Mattan S., Dominique Makowski, Daniel Lüdecke, Indrajeet Patil, Brenton M. Wiernik, Rémi Thériault, and Philip Waggoner. 2025. Effectsize: Indices of Effect Size. https://easystats.github.io/effectsize/.
Fraley, Chris, Adrian E. Raftery, and Luca Scrucca. 2024. Mclust: Gaussian Mixture Modelling for Model-Based Clustering, Classification, and Density Estimation. https://mclust-org.github.io/mclust/.
Greenacre, Michael, and Oleg Nenadic. 2020. Ca: Simple, Multiple and Joint Correspondence Analysis. http://www.carme-n.org/.
Husson, Francois, Julie Josse, Sebastien Le, and Jeremy Mazet. 2025. FactoMineR: Multivariate Exploratory Data Analysis and Data Mining. http://factominer.free.fr.
R Core Team. 2025. R: A Language and Environment for Statistical Computing. Vienna, Austria: R Foundation for Statistical Computing. https://www.R-project.org/.
Sjoberg, Daniel D., Joseph Larmarange, Michael Curry, Emily de la Rua, Jessica Lavery, Karissa Whiting, and Emily C. Zabor. 2025. Gtsummary: Presentation-Ready Data Summary and Analytic Result Tables. https://github.com/ddsjoberg/gtsummary.
Warnes, Gregory R., Ben Bolker, Lodewijk Bonebakker, Robert Gentleman, Wolfgang Huber, Andy Liaw, Thomas Lumley, et al. 2024. Gplots: Various r Programming Tools for Plotting Data. https://github.com/talgalili/gplots.
Wickham, Hadley, Evan Miller, and Danny Smith. 2025. Haven: Import and Export SPSS, Stata and SAS Files. https://haven.tidyverse.org.
Xie, Yihui. 2025. Knitr: A General-Purpose Package for Dynamic Report Generation in r. https://yihui.org/knitr/.
Source Code
---title: "Citas para Paquetes de R"---## IntroducciónUna parte fundamental del trabajo académico y de investigación es dar el debidocrédito a las herramientas que utilizamos. En el ecosistema de R, los paquetesson contribuciones de miles de investigadores y desarrolladores de todo elmundo. Citar los paquetes que usamos no solo es una buena práctica, sino quetambién asegura la transparencia y reproducibilidad de nuestro trabajo.En este documento, vamos a generar automáticamente una bibliografía en formatoBibTeX para todos los paquetes que hemos utilizado en las sesiones "Punto 0","Punto 1" y "Punto 2".## Paso 1: Listar todos los paquetes utilizadosPrimero, creamos un vector de caracteres en R que contenga los nombres de todoslos paquetes únicos que hemos cargado en nuestros análisis anteriores,incluyendo la base de R.```{r listar-paquetes}paquetes_usados <-c("base", # Siempre es bueno citar R base"tidyverse", # Usado en todos los puntos para manipulación y gráficos"haven", # Para leer ficheros .sav"nortest", # Para la prueba de Lilliefors (K-S)"car", # Para el Test de Levene"effectsize", # Para calcular tamaños del efecto"GGally", # Para la matriz de gráficos de dispersión"gtsummary", # Para tablas de resumen elegantes"knitr", # El motor que renderiza los documentos"gplots", # Gráficos especiales"ca", # Análisis de Correspondencias simple y Componentes Principales"FactoMineR", # Análisis de Correspondencias simple y Componentes Principales"factoextra", # Análisis de Correspondencias simple y Componentes Principales"NbClust", # Para determinar el número óptimo de clústeres"mclust"# Para el Adjusted Rand Index)# Eliminamos duplicados por si acaso y ordenamos alfabéticamentepaquetes_usados <-unique(sort(paquetes_usados))print(paquetes_usados)```## Paso 2: Generar y Guardar el Archivo BibTeX (El Método Correcto)En lugar de construir el archivo manualmente, usamos la función`knitr::write_bib()`. Esta función está diseñada específicamente para esta tareay genera un archivo `.bib` limpio y válido con un solo comando.```{r generar-bibtex}# Usamos knitr::write_bib para generar el archivo directamenteknitr::write_bib(paquetes_usados, file ="packages.bib")```### Ejemplo de redacción con citas:En nuestros análisis, hemos dependido en gran medida del ecosistema `tidyverse`para la manipulación y visualización de datos [@R-tidyverse], que incluyepaquetes tan importantes como `ggplot2` y `dplyr`. Para la lectura de ficherosde datos provenientes de SPSS, utilizamos el paquete `haven`[@R-haven].Las pruebas de supuestos estadísticos se realizaron con herramientasespecíficas: la prueba de Levene para la homoscedasticidad se implementó con elpaquete `car`[@R-car], mientras que las pruebas de normalidad se apoyaron en elpaquete `nortest`[@R-nortest].Para reportar nuestros resultados de manera profesional, calculamos los tamañosdel efecto con el paquete `effectsize`[@R-effectsize] y creamos tablas deresumen elegantes con `gtsummary`[@R-gtsummary]. Todo este trabajo se realizóutilizando el lenguaje de programación R [@R-base] y se compiló en estedocumento gracias a `knitr`[@R-knitr].Para el análisis de correspondencias se han añadido `gplots`[@R-gplots], `ca`[@R-ca], `FactoMineR`[@R-FactoMineR] y `factoextra`[@R-factoextra].Para el análisis de componentes principales no se han añadido nuevos paquetes.Para el análisis clúster se han añadido los paquetes `NbClust`[@R-NbClust] y`mclust`[@R-mclust].