📊 statistics

Analysis of Linked Files: A Missing Data Perspective

Este artículo aborda el problema de los errores en la vinculación de registros como un caso de datos faltantes, clasificando y evaluando los métodos de análisis basados en verosimilitud, imputación y ponderación para corregir los sesgos resultantes.

Autores originales: Gauri Kamat, Roee Gutman

Publicado 2026-04-24

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Gauri Kamat, Roee Gutman

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que tienes dos libros de recetas de cocina muy diferentes. En uno, tienes las listas de ingredientes (el archivo A), y en el otro, tienes las instrucciones paso a paso (el archivo B). Tu objetivo es crear un libro de cocina completo combinando ambos: quieres saber qué ingredientes van con qué instrucciones.

El problema es que ninguno de los libros tiene un código de barras único (como un número de serie) para identificar cada receta. Solo tienes pistas como "la receta lleva harina" o "se hornea a 180 grados".

Aquí es donde entra el emparejamiento de registros (record linkage): es el proceso de intentar adivinar qué receta del libro A corresponde a cuál del libro B basándose en esas pistas.

El Problema: Los "Errores de Emparejamiento"

Como las pistas no son perfectas (a veces la gente escribe "harina" en lugar de "harina de trigo", o se equivocan en la temperatura), el proceso de emparejamiento comete dos tipos de errores:

Falsos positivos: Unir dos recetas que son diferentes (crees que "tarta de manzana" es lo mismo que "pastel de chocolate" porque ambas llevan huevos).
Falsos negativos: No unir dos recetas que sí son la misma (crees que son diferentes porque una dice "180°C" y la otra "180 grados", aunque son lo mismo).

Si simplemente unes los libros ignorando estos errores, tus conclusiones sobre la cocina estarán sesgadas o serán incorrectas.

La Solución: Verlo como un "Rompecabezas con Piezas Faltantes"

Los autores de este artículo proponen una idea genial: no veas el emparejamiento como un paso previo, sino como un problema de "datos faltantes".

Imagina que la relación correcta entre las recetas es una pieza de rompecabezas que está oculta bajo una mesa. No puedes verla, pero sabes que existe. El artículo explica cómo analizar los datos teniendo en cuenta que no estamos 100% seguros de qué pieza va con cuál.

Ellos clasifican las formas de resolver este rompecabezas en tres grandes grupos:

1. Métodos de Probabilidad y Bayesianos (Los "Detectives Intuitivos")

Estos métodos actúan como un detective que no solo mira las pistas, sino que también tiene en cuenta el contexto.

La analogía: Imagina que estás tratando de adivinar quién es el padre de un niño basándote en su apellido y su altura. Un método simple diría: "Si el apellido coincide, es el padre". Un método bayesiano dice: "Es probable que sea el padre porque el apellido coincide, PERO también mira la altura. Si el padre es muy bajo y el niño es muy alto, la probabilidad baja".
Cómo funciona: Estos métodos calculan la probabilidad de que dos registros sean el mismo y, al mismo tiempo, ajustan sus conclusiones sobre los datos. Si la relación entre los datos es fuerte, ayuda a corregir los errores de emparejamiento. Es como si el detective usara la lógica de la cocina para refinar sus sospechas sobre qué receta es cuál.

2. Métodos de Imputación (Los "Arregladores de Múltiples Versiones")

En lugar de intentar adivinar la respuesta correcta una sola vez, estos métodos crean varias versiones posibles del libro de cocina combinado.

La analogía: Imagina que tienes un borrador de la receta. En lugar de decidir una vez qué ingrediente va, haces 10 copias. En la copia 1, asumes que la receta A va con la B. En la copia 2, asumes que va con la C. Luego, cocinas el plato 10 veces con estas diferentes versiones y promedias el resultado.
Cómo funciona: Se generan muchos escenarios posibles de cómo podrían estar unidos los datos. Se analiza cada escenario por separado y luego se combinan los resultados. Esto te da una idea de lo "inseguro" que es tu emparejamiento. Si todas las versiones dan un resultado similar, estás tranquilo. Si dan resultados muy distintos, sabes que tus conclusiones son frágiles.

3. Métodos de Ponderación (Los "Jueces que Corrigen el Peso")

Estos métodos asumen que el emparejamiento ya se hizo (quizás por otra persona) y tratan de corregir los errores matemáticamente después de la facta.

La analogía: Imagina que un juez ha unido a los sospechosos con los crímenes, pero a veces se equivoca. En lugar de volver a revisar todo, el juez asigna un "peso" o una "puntuación de confianza" a cada unión. Si está muy seguro, el peso es alto. Si tiene dudas, el peso es bajo. Al calcular la estadística final, da más importancia a las uniones seguras y menos a las dudosas.
Cómo funciona: Usan fórmulas matemáticas para "descontar" el error. Si saben que el 10% de las uniones son falsas, ajustan sus cálculos para compensar ese ruido.

¿Qué descubrieron en sus pruebas?

Los autores hicieron miles de simulaciones (como si cocinaran miles de platos virtuales) para ver qué método funciona mejor en diferentes situaciones:

Si los datos son muy claros (pistas muy buenas), casi todos los métodos funcionan bien.
Si los datos son confusos (muchos errores de escritura o poca información), los métodos simples fallan estrepitosamente.
El ganador: Los métodos que combinan la lógica del emparejamiento con el análisis de los datos (los "Detectives Intuitivos" o Bayesianos) suelen ser los más precisos, especialmente cuando los datos son difíciles.
La advertencia: Si el error en el emparejamiento depende de algo que no estamos viendo (por ejemplo, si las recetas de "postres dulces" se emparejan peor que las de "sopas"), todos los métodos sufren. Es como intentar adivinar el clima sin ver el cielo.

En Resumen

Este artículo nos enseña que unir datos es como armar un rompecabezas con piezas borrosas. No podemos simplemente pegar las piezas y esperar que la imagen sea perfecta. Debemos usar métodos estadísticos inteligentes que reconozcan que podemos estar equivocados y que ajusten nuestras conclusiones en consecuencia.

Ya sea creando múltiples versiones del rompecabezas (imputación), usando la lógica para refinar las piezas (Bayesiano) o pesando la confianza de cada pieza (ponderación), la clave es no ignorar la incertidumbre. Si ignoras los errores, tu "receta final" (tus conclusiones) podría estar completamente equivocada.

Aquí presento un resumen técnico detallado del artículo "Analysis of Linked Files: A Missing Data Perspective" (Análisis de Archivos Vinculados: Una Perspectiva de Datos Faltantes), escrito por Gauri Kamat y Roee Gutman.

1. El Problema: Errores de Vinculación y Sesgo Estadístico

En muchas aplicaciones de ciencias de la salud y sociales, la información sobre entidades está dispersa en múltiples archivos que carecen de identificadores únicos (como números de seguridad social). Para analizar estas entidades, los investigadores deben utilizar vinculación de registros (record linkage) basada en variables semi-identificantes (nombres, direcciones, fechas de nacimiento).

El problema central abordado en el artículo es que los algoritmos de vinculación probabilística no son perfectos. Pueden cometer dos tipos de errores:

Falsos positivos (Enlaces falsos): Vincular registros que pertenecen a entidades diferentes.
Falsos negativos (No-enlaces falsos): No vincular registros que pertenecen a la misma entidad.

La práctica común de analizar los archivos vinculados ignorando estos errores conduce a estimaciones sesgadas (por ejemplo, atenuación de coeficientes de regresión) y a una precisión excesiva (intervalos de confianza demasiado estrechos que no cubren el valor real). El artículo argumenta que la vinculación de registros debe tratarse formalmente como un problema de datos faltantes, donde el estado de vinculación ( $\Delta$ ) es una variable latente no observada.

2. Metodología: Marco de Datos Faltantes y Taxonomía

Los autores formalizan la vinculación dentro del marco de datos faltantes de Rubin (1976). Definen la estructura de vinculación $\Delta$ como una matriz binaria o un vector de indicadores latentes.

2.1 Mecanismos de Vinculación

Siguiendo la literatura de datos faltantes, los autores clasifican los mecanismos de vinculación en cuatro categorías basadas en la dependencia del estado de vinculación ( $\Delta$ ) con respecto a las variables de los archivos ( $L_A, L_B$ ) y las variables sustantivas ( $Y_A, X_B$ ):

Vinculación Fuertemente No Informativa (SNL): $\Delta$ depende solo de las variables de enlace ( $L_A, L_B$ ). Análogo a "Datos Faltantes al Azar" (MAR).
Vinculación No Informativa (NL): $\Delta$ depende de $L_A, L_B$ y las covariables $X_B$ , pero no del resultado $Y_A$ .
Vinculación Débilmente No Informativa (WNL): $\Delta$ depende de todas las variables observadas ( $L_A, L_B, Y_A, X_B$ ).
Vinculación Informativa (IL): $\Delta$ depende de variables no observadas. Análogo a "Datos No Faltantes al Azar" (MNAR). Este mecanismo induce el mayor sesgo.

2.2 Categorización de Métodos de Inferencia

El artículo revisa y clasifica los métodos para propagar la incertidumbre de la vinculación en el análisis posterior en tres categorías principales:

Métodos de Verosimilitud y Bayesianos:
- Modelan la verosimilitud completa de los datos ( $L_c$ ) incluyendo $\Delta$ como parámetro.
- Utilizan algoritmos como EM (Expectation-Maximization) o Muestreo de Gibbs (DA - Data Augmentation) para estimar la distribución posterior conjunta de los parámetros de interés ( $\beta$ ) y la estructura de vinculación.
- Permiten el "efecto de retroalimentación", donde el modelo sustantivo informa el proceso de vinculación (especialmente bajo WNL).
Métodos de Imputación (Múltiple Imputación - MI):
- Generan $M$ realizaciones de la estructura de vinculación $\Delta$ desde su distribución posterior.
- Se realiza el análisis estadístico en cada archivo imputado por separado.
- Los resultados se combinan utilizando las reglas de Rubin para obtener estimaciones puntuales y varianzas que incorporan la incertidumbre de la vinculación.
- Se discuten los riesgos de incongruencia entre el modelo de imputación y el modelo de análisis.
Métodos de Ponderación:
- Ajustan las ecuaciones de estimación (como en regresión lineal o logística) utilizando matrices de pesos basadas en las probabilidades de vinculación ( $Q$ ).
- Buscan corregir el sesgo introducido por los enlaces falsos, asumiendo a menudo mecanismos de error específicos (como el modelo de error de vinculación intercambiable, ELE).
- Son computacionalmente más eficientes pero a menudo requieren supuestos más restrictivos sobre la completitud de la vinculación.

3. Contribuciones Clave

Unificación Conceptual: Establece un marco unificado que trata la vinculación de registros como un problema de datos faltantes, permitiendo la transferencia de técnicas robustas de la literatura de datos faltantes al campo de la vinculación.
Taxonomía Formal: Define formalmente los mecanismos de vinculación (SNL, NL, WNL, IL) y explica cómo cada uno afecta la validez de las inferencias estadísticas.
Evaluación Comparativa Exhaustiva: Realiza una simulación extensa comparando múltiples métodos (Bayesianos, de Imputación, de Ponderación y de Verosimilitud) bajo una amplia gama de escenarios (tamaños de archivo, niveles de solapamiento, mecanismos de error y niveles de ruido).
Análisis de Escenarios Secundarios: Distingue entre análisis primario (donde el analista tiene acceso a los archivos originales y probabilidades de vinculación) y análisis secundario (donde solo se recibe el archivo vinculado), proponiendo métodos específicos para cada caso.

4. Resultados de las Simulaciones

Los autores evaluaron el rendimiento (sesgo, error estándar estimado y cobertura de intervalos de confianza del 95%) de siete métodos principales.

Hallazgos en Análisis Primario:

Mecanismos No Informativos (LCAR, SNL, NL): La mayoría de los métodos (Bayesianos, ponderación, verosimilitud) producen inferencias válidas con bajo sesgo y cobertura adecuada. El modelo de Steorts (2015) destaca por su eficiencia.
Mecanismos Débilmente Informativos (WNL): Los métodos de modelado conjunto (que permiten que el modelo sustantivo informe la vinculación, como Gutman et al. 2013 o Kamat et al. 2023) superan a los métodos que tratan la vinculación de forma aislada, reduciendo el sesgo.
Mecanismos Informativos (IL): Todos los métodos sufren un aumento considerable en el sesgo y una caída en la cobertura de los intervalos de confianza, especialmente los métodos Bayesianos puros. Los métodos de ponderación mantienen una cobertura cercana a la nominal pero con sesgos significativos.
Impacto del Solapamiento: A medida que disminuye el porcentaje de solapamiento real entre archivos, el rendimiento de todos los métodos se degrada, aunque los métodos Bayesianos y de modelado conjunto muestran mayor robustez.

Hallazgos en Análisis Secundario:

Los métodos de ponderación (Chambers, 2009) funcionan bien bajo el supuesto de error intercambiable (ELE) y mecanismos NL, pero fallan bajo WNL e IL.
Los métodos de mezcla (Gutman et al., 2016; Slawski et al., 2021) muestran menor sesgo que los métodos de ponderación en escenarios complejos, aunque su cobertura puede ser inferior a la nominal bajo mecanismos IL.

Ejemplo de Agrupamiento (Clustering):
El artículo demuestra la aplicabilidad de la Imputación Múltiple (MI) en modelos complejos no lineales, como el análisis de conglomerados (clustering) basado en modelos, donde los métodos de ponderación no son directamente aplicables.

5. Significado y Conclusiones

El artículo es fundamental porque cambia la perspectiva de la vinculación de registros de un paso de "preprocesamiento" estático a un componente integral del modelo estadístico que debe propagar su incertidumbre.

Implicaciones Prácticas: Los investigadores deben elegir el método de inferencia basándose en el mecanismo de vinculación probable. Si el mecanismo es informativo (IL), los métodos estándar fallarán, y se requiere sensibilidad a los supuestos.
Recomendación: Para análisis primarios, los enfoques Bayesianos o de Imputación Múltiple que integran el modelo sustantivo con el modelo de vinculación (efecto de retroalimentación) ofrecen el mejor equilibrio entre sesgo y eficiencia, especialmente cuando los datos son complejos o el solapamiento es parcial.
Futuro: Los autores señalan que el análisis post-vinculación para modelos multivariados complejos (más allá de GLM) está subdesarrollado y que es crucial realizar análisis de sensibilidad a los mecanismos de vinculación, ya que estos son intrínsecamente no verificables en la práctica.

En resumen, el artículo proporciona una guía rigurosa y metodológicamente sólida para realizar inferencias válidas a partir de archivos vinculados, advirtiendo sobre los peligros de ignorar la incertidumbre de la vinculación y ofreciendo soluciones prácticas basadas en la teoría de datos faltantes.