📊 statistics

Simulating Complex Crossectional and Longitudinal Data using the simDAG R Package

Este artículo presenta el paquete de R **simDAG**, una herramienta estandarizada que simplifica la generación de datos transversales y longitudinales complejos mediante el uso de ecuaciones estructurales en grafos acíclicos dirigidos para admitir diversos tipos de datos, relaciones no lineales y dependencias arbitrarias para estudios de simulación de Monte Carlo.

Autores originales: Robin Denz, Nina Timmesfeld

Publicado 2026-06-02

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Robin Denz, Nina Timmesfeld

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 chef intentando probar una nueva receta. Antes de servir el plato a clientes reales, necesitas saber si tus ingredientes funcionarán bien juntos. En el mundo de la estadística, los investigadores hacen lo mismo: realizan "simulaciones" para probar si sus recetas matemáticas (métodos estadísticos) funcionan correctamente. Para hacer esto, necesitan crear datos falsos que se vean y se comporten exactamente como el mundo real.

¿El problema? Crear estos datos falsos es como intentar construir un complejo castillo de Lego donde cada pieza depende de la anterior, y algunas piezas cambian de forma con el tiempo. Es tedioso, propenso a errores y requiere mucha habilidad de programación.

Entra simDAG, una nueva herramienta (un paquete de R) que actúa como un "constructor de planos inteligentes" para estos datos falsos. Así es como funciona, explicado de forma sencilla:

1. El Plano: El DAG

En lugar de escribir miles de líneas de código para generar números, dibujas un mapa llamado Grafo Acíclico Dirigido (DAG, por sus siglas en inglés).

Piénsalo como un árbol genealógico: Tienes una "raíz" (como un padre) e "hijos" (variables que dependen del padre).
La Regla: Las flechas solo van en una dirección (del padre al hijo) y no hay bucles (no puedes ser tu propio antepasado).
Qué hace: Este mapa le dice a la computadora exactamente cómo están conectados los elementos. Por ejemplo: "Fumar causa cáncer de pulmón" o "La edad afecta tanto al tabaquismo como al cáncer de pulmón".

2. La Receta: Ecuaciones Estructurales

Una vez que tienes el mapa, necesitas decirle a la computadora cómo construir los datos. En simDAG, adjuntas una "receta" a cada nodo (variable) de tu mapa.

Nodos Raíz (El Inicio): Son variables que no tienen padres (como lanzar una moneda o un número aleatorio). Solo dices: "Haz que este sea un número aleatorio entre 0 y 1".
Nodos Hijo (Los Dependientes): Estas variables dependen de otras. Puedes decir: "Toma el valor de 'Fumar' y súmale un 20% para obtener el 'Riesgo de cáncer de pulmón'".
La Magia: No necesitas ser un mago de la programación. Puedes usar fórmulas simples (como y = 2x + 5) o incluso funciones complejas. El paquete se encarga del trabajo pesado de calcular los números basándose en tu mapa.

3. La Máquina del Tiempo: Datos Longitudinales

La mayoría de los datos falsos son solo una instantánea (como una foto). Pero a veces, los investigadores necesitan una película (datos longitudinales) para ver cómo cambian las cosas a lo largo del tiempo.

La Forma Antigua: Tenías que dibujar un nuevo mapa para cada día, semana o año. Si querías simular 100 días, tenías que dibujar 100 mapas distintos. Esto era como dibujar un cómic a mano, fotograma por fotograma.
La Forma de simDAG: Utiliza una Simulación de Tiempo Discreto. Imagina una cinta transportadora moviéndose a través del tiempo. En lugar de dibujar cada fotograma, le das una regla a la máquina: "Cada vez que la cinta se mueva, comprueba si ocurre un evento".
- Ejemplo: Si estás simulando una vacuna, la máquina comprueba cada día: "¿Se vacunó esta persona? Si es así, ¿aumenta su riesgo de efectos secundarios durante los próximos 20 días?".
- Esto permite a los investigadores simular años de datos (miles de puntos temporales) para miles de personas sin tener que redibujar el mapa cada vez.

4. Por qué esto es importante

El artículo demuestra que simDAG puede manejar:

Ingredientes Mixtos: Puede generar números continuos (como la altura), categorías (como "sí/no"), conteos (como "número de visitas al hospital") y datos de tiempo hasta el evento (como "cuánto tiempo hasta un ataque al corazón"), todo en la misma simulación.
Relaciones Complejas: Maneja relaciones no lineales (donde duplicar la entrada no solo duplica la salida) e interacciones (donde dos variables trabajan juntas para crear un tercer efecto).
Replicación del Mundo Real: Los autores demostraron que podían recrear los complejos procesos de generación de datos de estudios científicos reales ya publicados, probando que la herramienta es lo suficientemente potente para la investigación seria.

El Problema (Costo Computacional)

El artículo admite que simular el tiempo paso a paso es como ver una película fotograma a fotograma; requiere más potencia de cómputo que simplemente mirar una foto fija. Sin embargo, los autores construyeron la herramienta para que sea muy rápida (usando un motor especial llamado data.table), de modo que pueda ejecutarse en una computadora de oficina estándar sin necesidad de una supercomputadora.

En Resumen

simDAG es una herramienta que permite a los investigadores dibujar un mapa sencillo de cómo se conectan las variables y luego genera automáticamente datos falsos complejos y realistas basados en ese mapa. Convierte el proceso difícil y manual de construir datos de simulación en un flujo de trabajo optimizado y estandarizado, facilitando que los científicos prueben sus teorías y aseguren que sus métodos estadísticos funcionen correctamente.

Resumen Técnico: Simulación de Datos Complejos Transversales y Longitudinales mediante el paquete de R `simDAG`

Planteamiento del Problema
Los estudios de simulación de Monte Carlo son fundamentales para la investigación estadística con el fin de estimar tamaños de muestra, comparar métodos y planificar ensayos clínicos. Un cuello de botella crítico en estos estudios es la generación de datos artificiales a partir de Procesos de Generación de Datos (DGP, por sus siglas en inglés) complejos. Los investigadores suelen requerir datos que contengan múltiples variables de diversos tipos (continuas, binarias, de conteo, de tiempo hasta el evento) con dependencias causales intrincadas, relaciones no lineales e interacciones. Si bien existen paquetes de R que facilitan la generación de datos sintéticos, a menudo carecen de flexibilidad: los paquetes de ecuaciones estructurales (por ejemplo, lavaan, simsem) suelen restringir a los usuarios a relaciones lineales y datos continuos; los paquetes especializados en tiempo hasta el evento (por ejemplo, simsurv, survsim) a menudo no logran soportar mezclas arbitrarias de tipos de datos o covariables dependientes del tiempo; y las herramientas de simulación general pueden carecer de la sintaxis específica necesaria para las definiciones basadas en DAG (Grafos Acíclicos Dirigidos). Además, generar datos longitudinales con muchos puntos temporales utilizando métodos tradicionales suele requerir definiciones de código repetitivas y laboriosas para cada paso de tiempo, lo que hace que las simulaciones a gran escala sean computacionalmente y prácticamente inviables.

Metodología
El artículo presenta simDAG, un paquete de R diseñado para estandarizar la generación de datos transversales y longitudinales basados en Grafos Acíclicos Dirigidos (DAG). La metodología se basa en tres componentes principales:

Definición basada en DAG: El usuario define el DGP como un DAG causal donde los nodos representan variables aleatorias y las aristas representan relaciones causales dirigidas. El paquete requiere que el usuario especifique ecuaciones estructurales para cada nodo, describiendo su distribución condicionada a sus nodos padres.
Ordenamiento Topológico y Generación: El paquete emplea un algoritmo paso a paso que ordena topológicamente el DAG. Genera datos para los nodos raíz (aquellos sin padres) muestreando de distribuciones paramétricas especificadas o funciones definidas por el usuario. Posteriormente, genera datos para los nodos hijos basándose en los valores de sus padres y en las ecuaciones estructurales definidas.
Simulación de Tiempo Discreto para Datos Longitudinales: Para abordar el desafío de los datos longitudinales con muchos puntos temporales, simDAG implementa un enfoque de simulación de tiempo discreto. En lugar de definir un nodo separado para cada punto en el tiempo, el usuario define un único nodo variante en el tiempo utilizando la función node_td(). Este nodo se simula sobre un número especificado de pasos de tiempo ( $t$ $t$ ), lo que permite la generación de datos de escala de tiempo semicontinua. Este enfoque permite:
- Tipos de Datos Arbitrarios: Soporte para variables binarias, categóricas, de conteo y continuas, así como datos de tiempo hasta el evento.
- Dependencias Complejas: Relaciones no lineales, interacciones y funciones arbitrarias definidas por el usuario para la generación de probabilidades.
- Dinámicas de Eventos: Tipos de nodos especializados (time_to_event, competing_events) que gestionan eventos recurrentes, riesgos competitivos y covariables dependientes del tiempo mediante la realización de ensayos de Bernoulli o multinomiales en cada paso de tiempo.
- Transformación de Datos: La función sim2data() convierte la salida interna de la simulación en formatos estándar (ancho, largo o start-stop) adecuados para el análisis de supervivencia (por ejemplo, modelos de Cox con covariables dependientes del tiempo).

Contribuciones Clave
La contribución principal del artículo es el paquete simDAG, que ofrece un marco unificado para la generación de datos que cierra la brecha entre el modelado de ecuaciones estructurales simple y la simulación longitudinal compleja. Las características clave incluyen:

Sintaxis Estandarizada: Una interfaz de fórmula clara que permite a los usuarios definir ecuaciones estructurales similares a los modelos de regresión estándar, soportando sintaxis de modelos mixtos y funciones personalizadas.
Flexibilidad Longitudinal: La capacidad de simular datos longitudinales con cientos de puntos temporales de manera eficiente mediante la definición de ecuaciones estructurales genéricas dependientes del tiempo en lugar de expandir manualmente el grafo para cada paso de tiempo.
Tipos de Nodos Exhaustivos: Implementación de una amplia gama de tipos de nodos (Tabla 1 en el artículo), incluyendo funciones especializadas para el análisis de supervivencia (modelos de Cox, AFT, modelos paramétricos) y procesos binarios/categóricos dependientes del tiempo.
Reproducibilidad y Transparencia: Funciones integradas (plot.DAG, summary.DAG) permiten la representación gráfica y textual del DAG subyacente y las ecuaciones estructurales, facilitando la documentación y la reproducibilidad de los estudios de simulación.

Resultados
Los autores demuestran las capacidades del paquete replicando los DGP de múltiples estudios de simulación de Monte Carlo reales:

Datos Transversales: El paquete replicó con éxito un DGP complejo de Denz et al. (2023a) que involucra seis covariables (binarias y continuas), una variable de tratamiento y un resultado de tiempo hasta el evento con censura por la derecha con términos no lineales e interacciones.
Datos Longitudinales (Pocos Puntos Temporales): El paquete replicó un estudio de Gruber et al. (2015) que involucra tratamiento y confundidores variantes en el tiempo, demostrando la capacidad de manejar efectos rezagados y múltiples puntos temporales utilizando llamadas node() estándar.
Datos Longitudinales (Muchos Puntos Temporales): Los autores simularon un escenario complejo que involucra la vacunación contra el Covid-19 y eventos recurrentes de miocarditis durante 730 días (2 años). Esto demostró la capacidad del enfoque de tiempo discreto para manejar probabilidades dependientes del tiempo, periodos de inmunidad y eventos recurrentes. Los datos resultantes se transformaron con éxito al formato start-stop y se analizaron mediante un modelo de riesgos proporcionales de Cox, obteniendo un cociente de riesgos consistente con el riesgo relativo especificado.
Rendimiento Computacional: Las pruebas de rendimiento indican que, si bien la simulación de tiempo discreto es computacionalmente intensiva, la dependencia del paquete de data.table y la gestión optimizada de la memoria permiten la generación de grandes conjuntos de datos (por ejemplo, 10,000 individuos sobre 730 puntos temporales) en tiempos razonables (aprox. 1.11 segundos para una configuración específica en una CPU estándar). El tiempo de ejecución escala de forma no lineal con el número de puntos temporales debido a las iteraciones de los bucles, pero de forma lineal con el número de individuos debido a las operaciones vectorizadas.

Significancia y Reivindicaciones
El artículo afirma que simDAG proporciona un "enfoque estandarizado" para generar datos complejos, reduciendo significativamente la carga de programación y la experiencia requerida para implementar DGP sofisticados. Los autores enfatizan que el paquete es particularmente adecuado para estudios de simulación que involucran inferencia causal debido a su base en DAG, pero no se limita a este campo.

La importancia del trabajo radica en su capacidad para:

Automatizar Flujos de Trabajo Complejos: Permite a los investigadores definir dependencias y tipos de datos arbitrarios sin tener que escribir algoritmos de simulación personalizados desde cero.
Habilitar Simulaciones de Tiempo Discreto: Hace que la generación de datos longitudinales con escalas de tiempo de alta resolución sea factible para estudios de Monte Carlo estándar, una tarea que a menudo se evita debido a la complejidad computacional o la dificultad de codificación.
Mejorar la Reproducibilidad: Al formalizar el DGP como un DAG con ecuaciones estructurales explícitas, el paquete ayuda a la notificación transparente de los estudios de simulación.

Los autores reconocen modestamente las limitaciones, señalando que la simulación de tiempo discreto es inherentemente más costosa computacionalmente que los métodos de simulación de eventos discretos. También señalan que, aunque el paquete soporta la generación de datos que imitan conjuntos de datos existentes mediante dag_from_data(), otros paquetes dedicados como simPop pueden ser preferibles para ese caso de uso específico. El artículo concluye que simDAG llena un vacío crítico en el ecosistema de R para la generación de datos flexible, con conciencia causal y longitudinal.