📊 statistics

Finite mixture representations of zero-and- $N$ -inflated distributions for count-compositional data

Este artículo presenta un nuevo marco unificador que representa dos modelos multivariados para datos de conteo composicional con inflación de ceros como distribuciones de mezclas finitas, derivando sus propiedades estadísticas, desarrollando esquemas de inferencia bayesiana mejorados y validando su utilidad mediante simulaciones y una aplicación a datos del microbioma intestinal humano.

Autores originales: André F. B. Menezes, Andrew C. Parnell, Keefe Murphy

Publicado 2026-03-31

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: André F. B. Menezes, Andrew C. Parnell, Keefe Murphy

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

¡Claro que sí! Imagina que este artículo es como un manual de instrucciones para entender un tipo de datos muy especial y un poco "caprichoso": los datos de conteo composicional.

Para explicarlo de forma sencilla, usaremos una analogía de una fiesta de pizza.

1. El escenario: La Fiesta de la Pizza (Los Datos)

Imagina que tienes una gran fiesta con $N$ rebanadas de pizza en total. Hay $d$ tipos diferentes de pizza (pepperoni, queso, champiñones, etc.). Cada invitado elige cuántas rebanadas de cada tipo se come.

Lo normal: Si la gente elige al azar, esperamos que todos los tipos de pizza tengan algunas rebanadas.
El problema (Ceros excesivos): En la vida real, a veces pasa algo raro. Algunos tipos de pizza no se tocan en absoluto. Nadie se come ni una sola rebanada de "pizza de anchoas". En estadística, a esto le llamamos "exceso de ceros".

Pero hay un truco más: si nadie se come las anchoas, es probable que esa gente se coma más de las otras pizzas (quizás más pepperoni o más queso). En estadística, esto se llama "inflación en el extremo" (N-inflación), porque la cantidad de una categoría llega a su máximo posible ( $N$ ).

2. Los dos nuevos modelos: ZANIM y ZANIDM

Los autores de este paper (André, Andrew y Keefe) dicen: "¡Oye! Los modelos antiguos no entienden bien esta fiesta. Necesitamos dos nuevos modelos para explicar por qué hay tantas pizzas sin tocar y por qué otras se comen de más".

Presentan dos "recetas" (distribuciones de probabilidad) para entender esto:

A. ZANIM (La receta "Directa")

Imagina que ZANIM es como un carrusel de opciones.

Para cada tipo de pizza, hay un interruptor.
Si el interruptor está en "OFF", la pizza nunca se come (es un cero estructural, como si la pizza no existiera en la fiesta).
Si el interruptor está en "ON", la gente elige las pizzas al azar según una regla normal (como lanzar dados).
La magia: Este modelo es una mezcla de muchas posibilidades. A veces todos los interruptores están en OFF (nadie come nada), a veces uno está en ON (alguien se come todo el pepperoni), y a veces todos están en ON (la fiesta normal).
Ventaja: Es más simple y rápido de calcular.

B. ZANIDM (La receta "Con Variación")

Ahora, imagina que ZANIDM es el mismo carrusel, pero con un chef que cambia el sabor de la pizza cada día.

No solo hay interruptores de "sí/no", sino que la cantidad de gente que come cada pizza varía mucho más de lo esperado.
A veces, por pura suerte, todos se comen el doble de pepperoni. Otras veces, se comen la mitad.
La magia: Este modelo permite que los datos sean más "desordenados" o variables (lo que los estadísticos llaman sobredispersión). Es como si la fiesta fuera más caótica y menos predecible.

3. ¿Por qué es importante este papel? (La "Caja Mágica")

Antes de este trabajo, los científicos tenían que usar trucos matemáticos muy complicados (llamados "variables latentes") para entender estos datos. Era como intentar adivinar qué hay dentro de una caja cerrada sin poder abrirla.

La gran contribución de este paper:
Los autores abrieron la caja. Crearon una "Caja de Mezcla Finita".

En lugar de adivinar, ahora pueden ver exactamente todas las piezas del rompecabezas.
Han demostrado que tanto ZANIM como ZANIDM son simplemente mezclas de diferentes escenarios (como mezclar diferentes tipos de café).
Esto les permite calcular cosas importantes (como el promedio o la variabilidad) de forma mucho más fácil y precisa.

4. La Prueba: El Microbioma Humano

Para demostrar que sus modelos funcionan, los autores los probaron con datos reales de bacterias en el intestino humano (microbioma).

El problema: En el intestino, a veces no se detectan ciertas bacterias (cero). Pero no siempre es porque no estén ahí; a veces es porque la prueba no las vio, o porque están en cantidades tan pequeñas que parecen cero. Otras veces, una bacteria crece tanto que domina todo.
El resultado: Sus nuevos modelos (especialmente ZANIDM) fueron capaces de entender mejor por qué algunas bacterias desaparecían y otras explotaban en número, mucho mejor que los métodos antiguos.

5. Conclusión: ¿Qué nos deja esto?

Imagina que antes tenías un mapa borroso para navegar por un archipiélago de islas (tus datos). A veces te perdías en los ceros (islas que no existen) o en los extremos (islas gigantes).

Este paper te da un GPS de alta precisión.

Te dice exactamente cómo mezclar las diferentes posibilidades (cero, normal, o extremo).
Te ofrece dos tipos de GPS: uno rápido y sencillo (ZANIM) y otro más detallado para terrenos difíciles (ZANIDM).
Te permite hacer predicciones mucho más acertadas, ya sea para estudiar bacterias, analizar encuestas de consumo, o entender cualquier cosa donde cuentes cosas que a veces no aparecen.

En resumen: Han creado una nueva forma de entender por qué, a veces, en un grupo de cosas, algunas desaparecen por completo y otras se vuelven gigantes, y han dado las herramientas matemáticas para predecirlo con mucha más claridad.

Aquí presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Representaciones de mezclas finitas de distribuciones infladas por cero y por N para datos composicionales de conteo

1. El Problema

Los datos composicionales de conteo (donde la suma de las categorías es un número fijo $N$ ) a menudo presentan un exceso de ceros (cero-inflación) en una o más categorías. En contextos multivariados, esto genera dos fenómenos complejos:

Cero-inflación: Ocurrencia de más ceros de lo esperado bajo distribuciones estándar (como la multinomial o la Dirichlet-multinomial).
Inflación de N (Endpoint-inflation): Cuando los ceros co-ocurren en todas menos una categoría, la cuenta restante debe coincidir con el número total de ensayos $N$ . Además, si los ceros ocurren en múltiples categorías (pero no todas), las cuentas en las categorías no nulas se "inflan" porque la masa de probabilidad se redistribuye.

Las extensiones existentes de la multinomial a menudo se centran en modificar el espacio latente (probabilidades de conteo) en lugar de la distribución de muestreo de los conteos mismos, y carecen de una caracterización teórica completa como mezclas finitas, lo que dificulta la derivación de propiedades estadísticas y la inferencia eficiente.

2. Metodología

Los autores proponen un marco unificador que representa dos modelos multivariados como mezclas finitas de distribuciones.

Distribución Multinomial Inflada por Cero y N (ZANIM):
- Se deriva a partir de una representación aumentada de la verosimilitud multinomial utilizando variables latentes de tipo Poisson y un parámetro de inflación de cero $\zeta_j$ para cada categoría.
- Se demuestra que la distribución resultante es una mezcla finita de $2^d$ componentes: una multinomial estándar, componentes degenerados (cuando todos los conteos son 0 o cuando $d-1$ categorías son 0 y una es $N$ ), y multinomiales de dimensión reducida.
- Se proporciona una representación estocástica eficiente basada en variables Bernoulli independientes.
Distribución Dirichlet-Multinomial Inflada por Cero y N (ZANIDM):
- Se reformula la distribución ZIDM (introducida previamente por Koslovsky) como una mezcla finita, denominándola ZANIDM.
- Utiliza componentes Dirichlet-Multinomial (DM) en lugar de multinomiales para capturar la sobredispersión inherente a los datos biológicos (como microbiomas).
- La estructura de mezcla incluye componentes DM estándar, componentes degenerados y componentes DM de dimensión reducida.
Inferencia Bayesiana:
- Se desarrollan esquemas de inferencia basados en la representación estocástica de los modelos.
- ZANIM: Se utiliza un muestreo de Gibbs con variables latentes auxiliares que permiten actualizaciones conjugadas directas.
- ZANIDM: Se propone un enfoque de Gibbs colapsado (collapsed Gibbs sampling). A diferencia del método anterior de Koslovsky que requería pasos de Metropolis-Hastings transdimensionales ("expand and contract") para actualizar variables latentes conjuntamente, el nuevo método marginaliza la variable latente de conteo para actualizar los indicadores de inflación ( $z_{ij}$ ) y los parámetros de concentración ( $\lambda_{ij}$ ) de forma secuencial y eficiente.
- Para los parámetros de concentración $\alpha$ , se evalúan tres enfoques: Data Augmentation con propuestas truncadas (DA-PTN), Metropolis-Hastings con caminata aleatoria (MH-RW) y Muestreo de Rebanada (Slice Sampling).

3. Contribuciones Clave

Caracterización Probabilística Unificada: Se establece que tanto ZANIM como ZANIDM son mezclas finitas de distribuciones, lo que permite derivar sus propiedades teóricas de manera rigurosa sin depender de variables latentes en la forma final de la función de masa de probabilidad (PMF).
Derivación de Propiedades Estadísticas: Se obtienen expresiones cerradas para los momentos (media, varianza, covarianza) y las distribuciones marginales (que resultan ser mezclas de binomiales o beta-binomiales y componentes degenerados). Se demuestra que estos modelos pueden capturar tanto dependencia negativa como positiva, a diferencia de las distribuciones multinomial y DM estándar que solo permiten dependencia negativa.
Algoritmos de Inferencia Mejorados: Se demuestra que el enfoque de Gibbs colapsado para ZANIDM es significativamente más eficiente (mayor tamaño de muestra efectiva, ESS) y rápido que los métodos existentes, evitando actualizaciones conjuntas complejas.
Nomenclatura y Generalización: Se introduce el término "Inflación de N" para describir el fenómeno multivariado donde un conteo alcanza el total de ensayos debido a ceros en otras categorías, generalizando el concepto de "inflación de extremo" univariado.

4. Resultados

Estudios de Simulación:
- Eficiencia: Los algoritmos propuestos para ZANIDM superan consistentemente al método de Koslovsky en términos de ESS, especialmente para parámetros de concentración ( $\alpha$ ) y de inflación ( $\zeta$ ).
- Recuperación de Parámetros: Ambos modelos recuperan bien los parámetros cuando los datos se generan bajo su propia distribución. Sin embargo, ZANIDM muestra mayor flexibilidad para manejar datos con alta sobredispersión, mientras que ZANIM puede subestimar la variabilidad si la sobredispersión es alta.
- Selección de Modelos: El criterio de densidad predictiva logarítmica esperada (ELPD) favorece al modelo que generó los datos. Cuando los datos provienen de ZANIDM, este modelo supera a ZANIM y a la DM estándar, indicando que modelar la inflación de ceros es crucial incluso cuando hay sobredispersión.
Aplicación a Datos Reales (Microbioma Humano):
- Se aplicaron los modelos a un conjunto de datos de 98 individuos con 28 géneros bacterianos.
- Los datos mostraron un alto porcentaje de ceros (32.6%) y sobredispersión extrema.
- Hallazgos: El modelo ZANIDM proporcionó un ajuste superior (ELPD más alto) en comparación con ZANIM. El análisis de los parámetros posteriores reveló que, para ciertos taxones, los ceros se atribuyen principalmente a la sobredispersión (capturada por el componente DM en ZANIDM) en lugar de a una inflación estructural pura, lo que demuestra la importancia de distinguir entre ceros estructurales y ceros debidos a alta variabilidad.

5. Significado e Impacto

Este trabajo cierra una brecha teórica importante en el análisis de datos composicionales de conteo con exceso de ceros. Al proporcionar una representación de mezcla finita, los autores no solo ofrecen una caracterización teórica completa (momentos, marginales) sino que también habilitan métodos de inferencia Bayesiana computacionalmente eficientes.

La capacidad de modelar simultáneamente la inflación de ceros, la inflación de N y la sobredispersión, permitiendo además dependencias positivas entre categorías, hace que estos modelos sean herramientas superiores para aplicaciones en ecología, genómica y microbioma, donde la estructura de los datos es compleja y las distribuciones estándar fallan. La mejora en los algoritmos de MCMC facilita la aplicación práctica de estos modelos complejos en conjuntos de datos de gran dimensión.