Identifying nonlinear relations among random variables: A network analytic approach

Imagina la mente humana como una ciudad bulliciosa donde cada pensamiento, sentimiento y comportamiento es un edificio. Durante más de un siglo, los científicos han intentado mapear cómo se conectan estos edificios utilizando una herramienta muy simple: una regla que solo mide líneas rectas. Asumen que si un edificio (como "sentirse triste") se vuelve más alto, otro edificio (como "problemas para dormir") se volverá más alto o más bajo de una manera perfectamente recta y predecible. Este pensamiento de "línea recta" ha sido el estándar de oro para comprender la psicología, desde el estudio de la depresión hasta el análisis de las interacciones sociales. Pero, ¿y si las conexiones reales no son rectas? ¿Y si la relación entre dos sentimientos es más bien como una montaña rusa, una forma de U o una danza compleja donde los pasos cambian según la música? Durante mucho tiempo, los científicos han luchado por encontrar estas conexiones onduladas, curvas o retorcidas porque sus reglas estándar simplemente no pueden doblarse. Si pasan por alto estas curvas, podrían entender mal cómo funciona realmente la ciudad de la mente, lo que llevaría a conclusiones erróneas sobre por qué las personas se sienten como se sienten.

Este artículo trata sobre un equipo de investigadores que decidió construir un nuevo tipo de creador de mapas que puede detectar estas conexiones complicadas y no rectas sin necesidad de adivinar primero qué forma podrían tener. Llaman a su nueva herramienta un método de "correlación de distancia", y la probaron creando redes psicológicas falsas en una simulación por computadora. Piensa en esto como un detective que primero elimina todas las pistas obvias y de líneas rectas de la escena de un crimen para poder concentrarse enteramente en los patrones extraños y ocultos que quedan. Los investigadores descubrieron que su nuevo método es increíblemente bueno para detectar estas relaciones curvas y ocultas, haciendo a menudo un trabajo mucho mejor que las reglas antiguas (como las correlaciones de Pearson o Spearman) u otras herramientas complejas. Demostraron que, mientras los métodos antiguos suelen pasar por alto la curva o confundirse con ella, su nuevo enfoque puede decir: "¡Oye, definitivamente hay una conexión aquí, y no es una línea recta!". Sin embargo, también descubrieron que, aunque esta herramienta es excelente para encontrar las curvas ocultas, no te dice exactamente qué forma tiene la curva. Es como un detector de metales que pita cuando encuentra un tesoro, pero no te dice si es una moneda de oro o un anillo de plata. Los investigadores sugieren utilizar este nuevo método como un primer paso para señalar conexiones interesantes y, después, utilizar otras herramientas más específicas para determinar la forma exacta de la relación.

La historia de la conexión curva

En el mundo de la psicología, los investigadores suelen utilizar "modelos de red" para comprender la salud mental. En lugar de pensar en un trastorno causado por una "enfermedad" oculta dentro de una persona, lo ven como una red de síntomas comunicándose entre sí. Por ejemplo, en la depresión, no dormir puede causar falta de energía, lo que causa irritabilidad, lo que hace que sea más difícil volver a dormir. Para dibujar esta red, los científicos suelen utilizar un método llamado "Modelo Gráfico Gaussiano". Este método es excelente, pero tiene un gran punto ciego: solo ve líneas rectas. Supone que si un síntoma aumenta, otro aumenta o disminuye de una manera recta y predecible.

Pero la vida —y la mente humana— rara vez es así de simple. A veces, la relación entre dos cosas es una curva. Tal vez un poco de estrés ayuda a tener un buen rendimiento, pero demasiado estrés hace que colapses (una forma de U). Tal vez las interacciones sociales son buenas hasta cierto punto, pero después de eso, empiezan a agotarte (una curva que sube y luego se aplana). El problema es que las herramientas estándar utilizadas para dibujar estas redes no pueden ver estas curvas. Podrían observar una relación en forma de U y decir: "No hay ninguna conexión aquí", porque la línea sube y luego baja, cancelándose a sí misma.

La nueva herramienta del detective

Los autores de este artículo querían solucionar este punto ciego. Se preguntaron: "¿Cómo podemos encontrar estas conexiones curvas y no lineales sin tener que adivinar qué forma tiene la curva de antemano?". Para ello, desarrollaron un proceso ingenioso de dos pasos.

Primero, utilizaron una técnica llamada residualización. Imagina que tienes una bola de estambre enredada donde algunas cuerdas son rectas y otras son rizadas. El primer paso es sacar todas las cuerdas rectas y tirarlas. En su matemática, utilizaron un modelo especial (llamado Modelo Aditivo Generalizado) para eliminar cualquier relación de línea recta entre las variables. Esto deja atrás solo las partes "sobrantes": los fragmentos desordenados, rizados y no lineales.

Segundo, aplicaron una nueva vara de medir llamada correlación de distancia. A diferencia de las reglas tradicionales que miden cuánto se mueven dos cosas juntas en una línea recta, la correlación de distancia mide qué tan similares son las distancias entre los puntos de datos. Si dos variables están relacionadas de cualquier manera —ya sea en una línea recta, una forma de U o una espiral—, las distancias entre sus puntos tenderán a moverse juntas. Es como notar que, cada vez que dos amigos están lejos entre sí en una habitación, ambos tienden a moverse hacia la puerta, incluso si no están caminando en línea recta.

Lo que mostraron las simulaciones

Para ver si su nueva herramienta funcionaba, los investigadores construyeron una simulación por computadora. Crearon redes falsas con tres y cuatro "nodos" (o variables) y las programaron para que tuvieran relaciones específicas: algunas rectas, otras curvas (como cuadrados o logaritmos) y algunas interacciones complejas. Luego probaron su nuevo método contra los estándares antiguos (las correlaciones de Pearson y Spearman) y otra herramienta avanzada llamada "información mutua condicional".

Los resultados fueron claros: la correlación de distancia fue la campeona en encontrar curvas.

• Vio lo que otros pasaron por alto: Cuando los investigadores ocultaron una relación curva en los datos, las herramientas antiguas de línea recta a menudo fallaron en verla, reportando una conexión de cero. El método de correlación de distancia, sin embargo, señaló la conexión con éxito casi siempre, especialmente cuando utilizaron el paso de "residualización" para eliminar las líneas rectas primero.
• Manejó el desorden: Las simulaciones incluyeron "confundidores" (variables extra que pueden arruinar los resultados). Incluso cuando había otras variables interfiriendo, el método de correlación de distancia siguió siendo muy bueno para detectar el verdadero vínculo no lineal.
• El desafío de la "interacción": Hubo un caso truculento. Cuando la relación era un tipo específico de interacción compleja (donde una variable cambia cómo se relacionan otras dos), el método de correlación de distancia fue un poco menos sensible que la herramienta de "información mutua condicional" si no había una relación de línea recta en primer lugar. Sin embargo, los autores señalaron que en la vida real, las interacciones puras sin un componente de línea recta son raras. Cuando las líneas rectas estaban presentes, la correlación de distancia funcionó mejor.

Los investigadores también analizaron un conjunto de datos del mundo real sobre el estado de ánimo (hostilidad, soledad, nerviosismo, somnolencia y depresión). Encontraron que su método detectó una conexión significativa entre "hostilidad" y "soledad" que el método anterior más avanzado (un enfoque de red moderada) había pasado por alto. Esto sugiere que su herramienta podría estar encontrando relaciones que otros métodos están pasando por alto.

La conclusión: Un mapa para las curvas

El principal hallazgo de este artículo es que la correlación de distancia, cuando se combina con un paso de residualización, es una forma poderosa y flexible de encontrar relaciones no lineales en los datos psicológicos. No requiere que el investigador adivine la forma de la curva de antemano; simplemente le dice: "Hay una conexión aquí, y no es una línea recta".

Sin embargo, los autores tienen cuidado de no prometer de más. Enfatizan que este método es una herramienta exploratoria. Es como un detector de metales que pita para decirle que cave, pero no le dice qué encontrará. Una vez que el método señala una relación como "no lineal", los investigadores aún necesitan utilizar otras herramientas más específicas para determinar exactamente qué forma tiene esa curva (¿es una forma de U?, ¿una espiral?, ¿un efecto de moderación?).

El artículo también señala algunas limitaciones. Las simulaciones se realizaron en redes pequeñas (de 3 a 4 variables), y los autores admiten que a medida que las redes se vuelven enormes, la matemática se vuelve mucho más difícil y la "maldición de la dimensionalidad" (donde los datos se vuelven demasiado escasos para medir las distancias con precisión) podría convertirse en un problema. También se centraron en datos tomados en un solo punto en el tiempo, mientras que la salud mental real es dinámica y cambia con el tiempo.

En resumen, este artículo ofrece una nueva forma altamente sensible de escanear el paisaje psicológico en busca de conexiones curvas y ocultas. Sugiere que, al utilizar este método, los investigadores pueden dejar de perderse las relaciones complejas y onduladas que hacen que la mente humana sea tan fascinante, allanando el camino para mapas más precisos y matizados de nuestras vidas mentales.