📊 statistics

Assessing the impact of variance heterogeneity and misspecification in mixed-effects location-scale models

Este artículo utiliza un estudio de simulación para demostrar que el hecho de ignorar la heterogeneidad de la varianza en los Modelos Lineales Mixtos estándar conduce a estimaciones sesgadas y una cobertura deficiente, al tiempo que muestra que en los Modelos de Efectos Mixtos de Localización-Escala, la especificación errónea del componente de escala no sesga las estimaciones de localización, aunque la especificación errónea del componente de localización sí afecta a las estimaciones de escala.

Autores originales: Vincent Jeanselme, Marco Palma, Jessica K Barrett

Publicado 2026-01-27

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Vincent Jeanselme, Marco Palma, Jessica K Barrett

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 eres un profesor intentando comprender cómo los estudiantes aprenden una nueva materia a lo largo del tiempo. Tienes una clase de 300 alumnos y los evalúas cada pocas semanas.

La forma antigua (El Modelo Lineal Mixto):
Tradicionalmente, los estadísticos utilizan una herramienta llamada "Modelo Lineal Mixto" (LMM). Piensa en esto como dibujar una única línea recta a través de las puntuaciones medias de la clase para ver la tendencia general. Asume que, aunque cada estudiante tiene su propio punto de partida (algunos son naturalmente más listos, otros necesitan más ayuda), la cantidad de "ruido" o imprevisibilidad en sus puntuaciones es la misma para todos.

Esta es la visión antigua: si el Estudiante A tiene puntuaciones que saltan de forma errática y el Estudiante B tiene puntuaciones muy estables, el modelo las trata como si fueran igualmente estables. Asume que el "balanceo" de los datos es constante. El artículo llama a este supuesto homocedasticidad (una palabra elegante para "dispersión igual").

El problema:
En la vida real, este supuesto suele ser erróneo. Algunos estudiantes pueden ser muy constantes, mientras que otros tienen altibajos enormes. Si ignoras esta diferencia (si ignoras la heterocedasticidad), tu matemática se vuelve desordenada. Podrías pensar que estás muy seguro de tus conclusiones cuando en realidad no lo estás, o podrías pasar por alto patrones importantes.

La nueva herramienta (El MELSM):
Los autores de este artículo están probando una herramienta más flexible llamada Modelo de Localización-Escala de Efectos Mixtos (MELSM).

Localización: Esta es la línea del "promedio" (la tendencia).
Escala: Este es el "balanceo" o la variabilidad alrededor de esa línea.

El MELSM no solo dibuja la línea promedio; también dibuja una línea separada para predecir cuánto balancearán las puntuaciones de cada estudiante. Pregunta: "¿El balanceo del Estudiante A depende de cuánto estudió? ¿El balanceo del Estudiante B depende de su edad?".

Lo que encontró el artículo (Los experimentos):
Los autores realizaron miles de simulaciones por computadora (como ejecutar un videojuego con diferentes reglas) para ver qué sucede cuando usas la herramienta antigua frente a la nueva, y qué sucede si cometes errores al configurarlas.

Aquí están las principales conclusiones, explicadas de forma sencilla:

Ignorar el balanceo es peligroso:
Si usas la herramienta antigua (LMM) cuando los datos en realidad tienen diferentes cantidades de balanceo, tu confianza en los resultados es falsa. Podrías pensar que tienes un 95% de certeza sobre una respuesta, pero en realidad tienes mucha menos certeza. Las "barras de error" en tus resultados se vuelven demasiado pequeñas, lo que lleva a conclusiones erróneas.
La relación entre el "Promedio" y el "Balanceo":
- Si te equivocas en el "Balanceo": Si fallas en el modelo para la variabilidad (la escala), la estimación para la tendencia promedio (la localización) se mantiene mayormente correcta, pero se vuelve más "difusa" (menos precisa). Es como intentar apuntar con un dardo a un blanco mientras el viento sopla; sigues dando en la zona general, pero tienes menos certeza de dónde exactamente.
- Si te equivocas en el "Promedio": Si fallas en el modelo para la tendencia promedio (la localización), esto arruina por completo la estimación del balanceo. Si no tienes en cuenta correctamente la tendencia principal, el "ruido" sobrante parece tener un patrón que en realidad no existe.
Añadir variables extra:
Si incluyes variables adicionales en tu modelo que en realidad no son importantes (como añadir el "color favorito" a un modelo de examen de matemáticas), esto no rompe la matemática. Solo hace que la computadora trabaje un poco más lento. El modelo es lo suficientemente robusto como para ignorar las cosas inútiles.
Omitir las "Pendientes":
A veces, el rendimiento de un estudiante no solo comienza en un punto diferente, sino que cambia de velocidad con el tiempo (una pendiente). Si olvidas incluir este "cambio de velocidad" en tu modelo, tu confianza en los resultados disminuye de nuevo, incluso si el promedio parece estar bien.
Prueba del mundo real (El conjunto de datos PBC):
Los autores probaron esto en un conjunto de datos médicos reales sobre la enfermedad del hígado. Compararon la herramienta antigua contra la nueva herramienta.
- Resultado: La herramienta antigua y la nueva herramienta dieron respuestas similares para los factores principales (como la edad o el sexo).
- El detalle: La herramienta antigua mostró una curva diferente y más pronunciada para cómo progresaba la enfermedad en comparación con la nueva herramienta. Esto demuestra que ignorar el "balanceo" puede cambiar la forma en que vemos la historia de la progresión de la enfermedad.

La conclusión fundamental:
El artículo argumenta que debemos dejar de asumir que los datos de todos son igualmente "ruidosos". Al usar el MELSM, podemos modelar tanto la tendencia promedio como la variabilidad individual al mismo tiempo. Esto nos da una imagen más honesta de los datos, evitando que cometamos errores con total confianza.

En resumen: No te limites a medir el promedio; mide cuánto balancea el promedio, porque ignorar el balanceo puede engañarte haciéndote creer que sabes más de lo que realmente sabes.

Resumen Técnico: Evaluación del impacto de la heterogeneidad de la varianza y la especificación errónea en modelos de localización-escala de efectos mixtos

Planteamiento del problema
Los Modelos Lineales Mixtos (LMM, por sus siglas en inglés) son un enfoque estándar para analizar datos longitudinales, modelando la relación entre la exposición y el resultado mientras capturan la variabilidad individual a través de efectos aleatorios. Sin embargo, los LMM dependen del supuesto de homocedasticidad —que la varianza residual es constante en todas las observaciones y covariables—. Cuando este supuesto se viola (heterocedasticidad), los LMM estándar pueden producir estimaciones sesgadas de las desviaciones estándar de los efectos aleatorios y conducir a inferencias incorrectas (errores de Tipo I y II) debido a la subestimación de los errores estándar. Aunque los Modelos de Localización-Escala de Efectos Mixtos (MELSM, por sus siglas en inglés) ofrecen un marco para modelar tanto la localización (media) como la escala (desviación estándar residual) como funciones de covariables y efectos aleatorios, las consecuencias de la especificación errónea de estos modelos no se comprenden completamente. Específicamente, la interacción entre la especificación errónea en el submodelo de localización frente al submodelo de escala, y cómo tales errores se propagan a las estimaciones de efectos fijos y aleatorios, requiere mayor investigación.

Metodología
Los autores llevaron a cabo un estudio de simulación exhaustivo utilizando datos sintéticos generados basados en las covariables del conjunto de datos de la Colangitis Biliar Primaria (PBC). El proceso de generación de datos involucró:

Población: Una población sintética de $N$ individuos con covariables basales (edad, albúmina, triglicéridos, plaquetas) extraídas de una distribución normal multivariante.
Estructura longitudinal: Mediciones repetidas por individuo con un número variable de encuentros ( $M$ ), donde la edad fue la principal covariable dependiente del tiempo.
Modelo verdadero: Un MELSM correctamente especificado donde tanto la localización ( $y$ ) como la escala ( $\omega$ ) se modelaron como funciones de covariables específicas y de interceptos aleatorios, con una estructura de correlación permitida entre los efectos aleatorios.

El estudio evaluó la robustez de los MELSM y los LMM bajo varios escenarios de especificación errónea, incluyendo:

Ignorar la heterocedasticidad: Comparación de un LMM estándar (escala constante) contra un MELSM correctamente especificado.
Especificación errónea de covariables: Añadir covariables irrelevantes, omitir covariables relevantes o omitir efectos aleatorios tanto en los submodelos de localización como de escala.
Especificación errónea de la forma funcional: Ajustar una tendencia lineal cuando el verdadero proceso de generación de datos incluía no linealidad (transformación sinusoidal).
Especificación errónea de la estructura de efectos aleatorios: Omitir pendientes aleatorias cuando estas estaban presentes en el proceso de generación de datos.
Especificación errónea de la distribución: Asumir efectos aleatorios gaussianos cuando la distribución verdadera era la $t$ de Student.

Las estimaciones se evaluaron a través de 500 repeticiones mediante inferencia bayesiana (vía el paquete brms en R), centrándose en el sesgo, la varianza y la cobertura de los intervalos de credibilidad del 95% para los efectos fijos y las desviaciones estándar de los efectos aleatorios. También se realizó un estudio de caso con datos reales del conjunto de datos PBC para ilustrar las implicaciones prácticas.

Resultos clave
El estudio de simulación arrojó varios hallazgos críticos respecto a la especificación errónea del modelo:

Impacto de ignorar la heterocedasticidad: El uso de un LMM estándar cuando existe heterocedasticidad conduce a una pérdida significativa de cobertura para los coeficientes de localización (los errores estándar están subestimados) y sesga las estimaciones de las desviaciones estándar de los efectos aleatorios. Aunque las estimaciones puntuales para los efectos fijos en el modelo de localización permanecieron centradas en la verdad, su precisión se vio comprometida.
Asimetría en la especificación errónea (Localización vs. Escala):
- Especificación errónea de la escala: Los errores en el modelo de escala (por ejemplo, omitir covariables o efectos aleatorios) generalmente no sesgan las estimaciones de los efectos fijos del modelo de localización. Sin embargo, aumentan la varianza de estas estimaciones y pueden sesgar las desviaciones estándar estimadas de los efectos aleatorios de la localización.
- Especificación errónea de la localización: Los errores en el modelo de localización (por ejemplo, omitir una covariable relevante o usar una forma lineal para una tendencia no lineal) sesgan directamente las estimaciones de los efectos fijos y de los efectos aleatorios del modelo de escala. Esto ocurre porque la variación no explicada en el modelo de localización es absorbida en la varianza residual, distorsionando las estimaciones de la escala.
No linealidad: Especificar erróneamente una tendencia temporal no lineal como lineal en el modelo de localización sesga los efectos fijos de localización, pero tiene un impacto mínimo en el submodelo de escala si la escala está correctamente especificada.
Efectos aleatorios: Omitir una pendiente aleatoria relevante (cuando existe en la generación de datos) afecta principalmente la cobertura de la estimación de la pendiente fija correspondiente, lo que a menudo conduce a una sub-cobertura, pero no necesariamente sesga la estimación puntual del efecto fijo.
Supuestos de distribución: Asumir una distribución gaussiana para los efectos aleatorios cuando la distribución verdadera era la $t$ de Student no impactó significativamente la estimación de los efectos fijos ni la desviación estándar de los efectos aleatorios, ya que el modelo gaussiano ajustó su escala para coincidir con la varianza de la distribución verdadera.
Sobre-especificación: Incluir todas las covariables disponibles (incluso las irrelevantes) no invalidó la inferencia, siempre que se incluyeran las covariables verdaderas, aunque aumentó el tiempo de computación.

Significancia y afirmaciones
El artículo concluye que modelar la heterocedasticidad es crucial para una inferencia válida en estudios longitudinales. Los autores afirman que los MELSM proporcionan un marco robusto para manejar la heterogeneidad de la varianza, pero la validez de las conclusiones depende fuertmente de la correcta especificación del modelo de localización.

Las afirmaciones clave incluyen:

Interdependencia: Existe una interacción crítica entre los modelos de localización y de escala; la especificación errónea en el modelo de localización propaga el sesgo a las estimaciones de la escala, mientras que la especificación errónea de la escala afecta principalmente la precisión (varianza) de las estimaciones de localización.
Necesidad práctica: Incluso con un conocimiento imperfecto de la estructura de la escala, modelar la varianza residual es superior a asumir la homocedasticidad, ya que esta última conduce a errores estándar subestimados y probabilidades de cobertura incorrectas.
Implicaciones más amplias: Los hallazgos sugieren que la importancia de modelar la heterocedasticidad se extiende más allá de los LMM estándar a los Modelos Lineales Generalizados Mixtos (GLMM) para resultados no normales y modelos conjuntos con datos de supervivencia, donde la variabilidad dentro del individuo suele ser un parámetro de interés clave.

Los autores señalan limitaciones, incluyendo la dependencia de configuraciones de parámetros específicas, el supuesto de procesos de visitas no informativos y el enfoque en la forma de la distribución en lugar de la predicción de efectos aleatorios individuales. Sugieren que trabajos futuros exploren modelos conjuntos para la variabilidad dentro del individuo y procesos de observación informativos.

Más como este