A novel approach to generate distributions with applications to regression modeling

Resumen Técnico: Un Nuevo Enfoque para Generar Distribuciones con Aplicaciones a la Modelización de Regresión

Planteamiento del Problema
El artículo aborda la necesidad de distribuciones de probabilidad más adaptables para modelar fenómenos complejos del mundo real, particularmente datos continuos positivos. Aunque existen numerosos métodos para generar nuevas familias de distribuciones (por ejemplo, exponencialización, sesgo, versiones ponderadas y técnicas de transformación), los autores identifican una brecha en los métodos que ofrecen una interpretación clara y explícita de los parámetros añadidos respecto al comportamiento de las colas. Además, los modelos de regresión estándar suelen parametrizar las distribuciones en términos de la media, lo cual puede ser menos robusto o interpretable para datos asimétricos. Los autores pretenden desarrollar un generador flexible que module la pesadez de las colas preservando la estructura base, y utilizar esto para la modelización de regresión donde la variable de respuesta se parametriza por su mediana.

Metodología
La contribución central es la propuesta de la familia de distribuciones Dutta transformada-G (DT-G). Esto se logra mediante un método de transformación aplicado a una función de distribución acumulativa (CDF) base arbitraria, $G(x)$.

1. El Generador DT-G:
   Para una CDF base $G(x)$ con función de densidad de probabilidad (PDF) $g(x)$, la nueva CDF $F(x)$ y la PDF $f(x)$ se definen como:
   $$F(x) = G(x)e^{-\bar{G}(x)^\beta}$$
   $$f(x) = g(x) \left[ 1 + \beta G(x) \bar{G}(x)^{\beta-1} \right] e^{-\bar{G}(x)^\beta}$$
   donde $\bar{G}(x) = 1 - G(x)$ y $\beta > 0$ es un nuevo parámetro de forma.

2. Análisis del Comportamiento de las Colas:
   Una característica metodológica clave es el análisis asintótico de la función de supervivencia $S(x)$. Los autores demuestran que el parámetro $\beta$ actúa como un parámetro de modulación de la cola:

   • Si $\beta > 1$, la distribución transformada es equivalente en la cola a la distribución base.
   • Si $\beta = 1$, la función de supervivencia es asintóticamente el doble que la de la base.
   • Si $0 < \beta < 1$, la distribución transformada posee colas más pesadas que la base.

3. Propiedades Estructurales:
   El artículo deriva varias propiedades matemáticas, incluyendo:

   • Puntos Críticos y Modalidad: Condiciones bajo las cuales la distribución es unimodal.
   • Representación Estocástica: Expresar la variable aleatoria $X$ como $G^{-1}(Y)$, donde $Y$ sigue una distribución derivada de una variable de Weibull, lo que facilita la simulación.
   • Identificabilidad: Prueba de que el vector de parámetros $(\beta, \varrho)$ es identificable si la familia base es identificable.
   • Momentos: Se proporcionan fórmulas para los momentos y momentos truncados, señalando que a menudo se requiere integración numérica para bases específicas como la exponencial.

4. Marco de Regresión:
   Se desarrollan dos submodelos específicos, la distribución exponencial transformada de Dutta (DTED) y la distribución de Weibull transformada de Dutta (DTWD).

   • Reparametrización: Para mejorar la interpretabilidad, los autores reparametrizan estas distribuciones de modo que un parámetro represente la mediana ($\mu$). Esto implica aislar $\beta$ en términos de la mediana y sustituirlo de nuevo en la CDF/PDF.
   • Implementación GAMLSS: Los modelos de regresión se implementan dentro del marco de Modelos Aditivos Generalizados para la Localización, Escala y Forma (GAMLSS) por su nombre en inglés. El parámetro de localización (mediana) y los parámetros de forma/escala se modelan como funciones de covariables utilizando funciones de enlace (típicamente logarítmicas).
   • Inferencia: Los parámetros se estiman mediante la Estimación de Máxima Verosimilitud (MLE) utilizando el paquete gamlss en R. El diagnóstico de los modelos utiliza residuos cuantílicos, gráficos de gusano (worm plots) y diagramas Q-Q de caja. La selección de modelos se basa en AIC y BIC.

Contribuciones Clave y Resultados

• Nueva Familia de Distribuciones: La familia DT-G proporciona un mecanismo simple para generar distribuciones con un comportamiento de cola flexible sin alterar la estructura fundamental del modelo base.
• Regresión Basada en la Mediana: El artículo introduce los modelos de regresión RDTED y RDTWD donde la mediana de la respuesta se modela explícitamente. Esto ofrece robustez contra valores atípicos y una interpretación directa de los efectos de las covariables sobre la tendencia central de los datos asimétricos.
• Aplicación Empírica: Los modelos se aplicaron a un conjunto de datos de 385 mediciones de biomasa foliar de árboles de tilo de hoja pequeña (Tilia cordata) en Rusia, con covariables que incluyen la edad del árbol y el origen (desprunado, natural, plantado).
  • Comparación de Modelos: Los modelos RDTED y RDTWD propuestos se compararon con modelos de regresión Gamma, Inversa de Gauss, Weibull y Log-normal.
  • Desempeño: Basándose en AIC y BIC, los modelos RDTED y RDTWD proporcionaron el mejor ajuste.
  • Diagnóstico: El análisis de residuos cuantílicos (gráficos de gusano y diagramas Q-Q de caja) mostró que los modelos RDTED y RDTWD exhibieron un mejor comportamiento (puntos cerca de la línea central, dentro de las bandas de confianza) en comparación con los modelos de Inversa de Gauss y Log-normal, que mostraron desviaciones sistemáticas.
  • Doble Regresión: Al modelar el parámetro de forma ($\sigma$) como una función de la edad, el modelo DTWD con doble regresión (modelando tanto la mediana como la forma) proporcionó el mejor ajuste, siendo el parámetro de forma $\nu$ estadísticamente significativo ($p=0.038$).

Significado y Reivindicaciones
Los autores afirman que la familia DT-G ofrece un "mecanismo versátil" para construir nuevas distribuciones que son fáciles de implementar e interpretar. El significado principal reside en la interpretación explícita del parámetro adicional $\beta$ respecto a la pesadez de la cola, una característica que suele faltar en otras familias generadas donde las propiedades de la cola dependen fuertemente de la distribución base específica.

En el contexto de la regresión, el artículo enfatiza la utilidad de la parametrización basada en la mediana para datos continuos positivos, argumentando que proporciona una alternativa más robusta e interpretable a los modelos basados en la media, particularmente para distribuciones asimétricas. La aplicación a los datos de biomasa foliar demuestra que los modelos propuestos son competitivos y, a menudo, superiores a los modelos de regresión estándar encontrados en la literatura, ofreciendo una alternativa flexible para el manejo de datos heterogéneos.

El artículo concluye modestamente, sugiriendo que, si bien el presente trabajo establece la base teórica y la utilidad práctica del enfoque DT, investigaciones futuras podrían explorar otras distribuciones base, extensiones multivariantes, aplicaciones de datos censurados y estructuras de regresión más complejas. Todas las rutinas computacionales están disponibles a través de un repositorio de acceso abierto para facilitar la reproducibilidad.