📊 statistics

A Systematic Review of Spatio-Temporal Statistical Models: Theory, Structure, and Applications

Esta revisión sistemática de 83 publicaciones desde 2021 hasta 2025 propone un esquema de clasificación unificado para los modelos estadísticos espacio-temporales, destacando su uso dominante de estructuras jerárquicas y aditivas a través de diversos campos al tiempo que identifica brechas críticas en la aplicación interdisciplinaria y la reproducibilidad.

Autores originales: Isabella Habereder, Thomas Kneib, Isao Echizen, Timo Spinde

Publicado 2026-07-22

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Isabella Habereder, Thomas Kneib, Isao Echizen, Timo Spinde

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 intentar comprender el clima, no solo mirando un único termómetro en tu patio trasero, sino rastreando cómo se desplaza una tormenta a través de todo un continente, hora tras hora. Este es el mundo de los datos espacio-temporales: información que tiene dos ingredientes especiales integrados en ella—el espacio (dónde sucede algo) y el tiempo (cuándo sucede). Piensa en ello como una película del mundo, donde cada fotograma es un mapa, y la historia cambia a medida que los fotogramas se reproducen. Los científicos utilizan estas "películas" para rastrear desde cómo un virus se propaga por una ciudad hasta cómo la contaminación se desplaza sobre un bosque, o incluso cómo los patrones de criminalidad cambian en un vecindario. Pero aquí está la parte difícil: las matemáticas utilizadas para predecir estas imágenes en movimiento son increíblemente complejas. Es como intentar escribir una receta para un pastel que cambia su sabor dependiendo de en qué habitación de la casa lo estés horneando y a qué hora del día sea.

Durante mucho tiempo, los investigadores tuvieron que elegir entre estudiar solo el "dónde" o solo el "cuándo", o tuvieron que sumergirse en libros de texto superpesados que eran excelentes para la teoría pero difíciles de usar en la vida real. Faltaba una pieza: una guía clara y actualizada que observara todas las diferentes formas en que los científicos están construyendo actualmente estos modelos de "mapas en movimiento", independientemente de si están estudiando salud, economía o ecología. Esto es exactamente lo que un equipo de investigadores se propuso solucionar. No se limitaron a mirar un tipo de problema; emprendieron una búsqueda masiva de tesoros digitales para encontrar los estudios más recientes y mejores de 2021 a 2025. Su objetivo era ordenar el caos de las diferentes fórmulas matemáticas y crear un mapa organizado de cómo funcionan realmente estos modelos en el mundo real.

Los investigadores, liderados por Isabella Habereder y sus colegas, trataron su búsqueda como un estricto juego de detectives. Escanearon dos gigantescas bases de datos de artículos científicos, comenzando con 678 candidatos potenciales. Tuvieron que ser muy selectivos, descartando cualquier cosa que no encajara con sus reglas: nada de artículos que solo miraran el espacio o el tiempo por separado, nada de matemática pura sin ejemplos del mundo real, y nada de estudios de revistas que no fueran altamente respetadas. Tras un riguroso proceso de revisión de títulos, resúmenes y textos completos, quedaron con 83 artículos "dorados". Estos 83 estudios se convirtieron en la base de su nuevo sistema de clasificación—una forma de ordenar el desorden de las matemáticas en categorías ordenadas y comprensibles.

Entonces, ¿qué encontraron? La mayor sorpresa fue que los modelos jerárquicos son los campeones del campo. Imagina una empresa con un CEO, gerentes y empleados. Un modelo jerárquico funciona de la misma manera: no solo mira los datos brutos (los empleados); construye una capa "oculta" de la realidad (los gerentes) que explica los patrones, y luego conecta eso con los datos. Este enfoque de dos pasos es la herramienta más popular que los científicos están utilizando actualmente porque maneja los datos desordenados del mundo real mucho mejor que los modelos "planos" más simples que intentan hacerlo todo de una sola vez.

El equipo también descubrió que la mayoría de estos modelos dependen de una estrategia de "bloques de construcción" llamada estructura aditiva. Piensa en esto como ensamblar un sándwich. En lugar de intentar inventar un nuevo tipo de pan para cada comida, los científicos toman una rebanada estándar de pan de "espacio", una rebanada de pan de "tiempo" y un relleno "espacio-temporal" especial, y los apilan juntos. Al añadir estas capas específicas, pueden capturar cómo las cosas cambian a través del tiempo y el espacio sin que las matemáticas se salgan de control. Descubrieron que, aunque los ingredientes del "sándwich" son similares en diferentes campos, la forma en que se apilan cambia según el trabajo. Por ejemplo, los epidemiólogos (que estudian enfermedades) podrían apilar las capas de manera diferente a los economistas (que estudian el dinero), aunque estén utilizando los mismos ingredientes básicos.

Sin embargo, la revisión también destacó algunos problemas de crecimiento. A pesar de que los datos espacio-temporales están en todas partes, la investigación está fuertemente concentrada en solo unos pocos campos como la salud pública y la ecología. Otras áreas se están quedando atrás. Además, los autores notaron una tendencia preocupante: la reproducibilidad sigue siendo una dificultad. Muchos artículos describen sus modelos sofisticados pero no comparten el código o los datos reales, lo que dificulta que otros científicos verifiquen el trabajo o construyan sobre él. Es como si alguien compartiera la receta de un delicioso pastel pero se negara a decirte qué marca de harina usó o cuánto tiempo debe hornearse.

En última instancia, este artículo no pretende haber resuelto el misterio del universo o inventado una fórmula mágica. En cambio, ofrece un "manual de usuario" muy necesario sobre el estado actual de la modelización espacio-temporal. Sugiere que, aunque tenemos herramientas poderosas para comprender nuestro mundo cambiante, necesitamos ser más transparentes sobre cómo las utilizamos. Al organizar el caos en una estructura clara, los autores esperan ayudar a científicos de diferentes disciplinas a comunicarse entre sí más fácilmente, compartir sus "recetas" y construir modelos mejores y más fiables para el futuro. El mapa ha sido trazado; ahora el viaje de usarlo juntos puede comenzar.

Planteamiento del Problema
Los datos espacio-temporales, caracterizados por atributos tanto de tiempo como de espacio, son prevalentes en diversos campos de investigación, incluyendo la epidemiología, la ecología, la salud pública, la economía y la criminología. Si bien se utilizan ampliamente modelos estadísticos para analizar estas relaciones, las revisiones de la literatura existente sufren de una fragmentación significativa. Las síntesis actuales suelen centrarse ya sea en dominios de aplicación específicos (p. ej., modelado de enfermedades) o en clases de modelos específicos (p. ej., procesos de puntos), careciendo de una síntesis exhaustiva y transdisciplinaria. Además, existe una discrepancia entre las estructuras de los modelos teóricos descritas en los libros de texto fundamentales y las estructuras reales empleadas en la práctica reciente. Existe una notable ausencia de revisiones sistemáticas actualizadas que integren perspectivas a través de tipos de modelos y áreas de aplicación, al tiempo que proporcionen un esquema de clasificación básico para las estructuras de modelos espacio-temporales contemporáneos.

Metodología
Para abordar estas brechas, los autores realizaron una revisión sistemática de la literatura siguiendo las directrices de los Elementos de Informe para Revisiones Sistemáticas y Metaanálisis (PRIMA).

Fuentes de Datos: La revisión consultó las bases de datos Scopus y Web of Science para publicaciones entre 2021 y 2025.
Criterios de Elegibilidad: Los criterios de inclusión se restringieron a artículos de revistas revisados por pares y trabajos de conferencias en inglés. La revisión se centró en el modelado estadístico espacio-temporal aplicado, excluyendo trabajos puramente teóricos, enfoques únicamente espaciales o únicamente temporales, y publicaciones en revistas o conferencias con clasificaciones inferiores a Q1 (Scimago) o A (CORE).
Proceso de Selección: Una búsqueda inicial arrojó 678 registros. Tras eliminar duplicados y realizar el cribado de títulos, resúmenes y textos completos frente a los criterios de evaluación de calidad (QA), se incluyeron 83 publicaciones. Los criterios de QA aseguraron que los artículos definieran explícitamente un modelo estadístico espacio-temporal, describieran rigurosamente la estructura del modelo, especificaran el dominio de aplicación e incluyeran la evaluación e interpretación del modelo apropiadas.
Esquema de Clasificación: Los autores desarrollaron un esquema de clasificación cualitativo de múltiples pasos. Revisaron manualmente las fuentes incluidas, extrajeron las estructuras de los modelos y las categorizaron basándose en características como el tipo de modelo estadístico, la estructura espacial, la estructura temporal y la estructura espacio-temporal. Este esquema se desarrolló iterativamente para asegurar la consistencia teórica y la aplicabilidad práctica, validándose contra taxonomías establecidas en libros de texto (p. ej., Cressie & Wikle, 2011).

Contribuciones Clave y Resultados
La contribución principal de este trabajo es una visión estructurada y comparativa de las estructuras de modelos espacio-temporales y sus aplicaciones a través de las disciplinas. La revisión identifica 83 publicaciones relevantes y propone un esquema de clasificación detallado ilustrado mediante un marco jerárquico.

Arquitectura del Modelo: La revisión distingue entre modelos Planos (Flat models), que modelan directamente el proceso de datos, y modelos Jerárquicos, que factorizan la distribución conjunta en un modelo de datos y un modelo de proceso latente. Se encontró que los modelos jerárquicos son la arquitectura más utilizada, particularmente para manejar dependencias complejas y errores de medición.
Características del Modelo:
- Estructuras Aditivas: La mayoría de los modelos incorporan componentes aditivos para dar cuenta de las dependencias espacio-temporales. Estos se descomponen típicamente en efectos espaciales ( $u_s$ ), temporales ( $v_t$ ) y espacio-temporales ( $\gamma_{t,s}$ ). Las especificaciones comunes incluyen modelos Autorregresivos Condicionales (CAR), Procesos Gaussianos (GP), Caminatas Aleatorias (RW) y funciones de suavizado (splines).
- Estructuras de Lag (Retardo): La revisión identifica el uso de estructuras de lag espaciales, temporales y espacio-temporales, implementadas frecuentemente mediante matrices de pesos (p. ej., vecindad binaria, K-vecinos más cercanos, distancia inversa) para modelar dependencias en los términos de error, covariables o variables objetivo.
- Procesos de Puntos: Un subconjunto de la literatura utiliza procesos de puntos espacio-temporales, caracterizados por funciones de intensidad $\lambda(t, s)$ para describir tasas de eventos en dominios de tiempo-espacio.
- Otras Estrategias: La revisión señala el uso de modelos de espacio de estados, modelos de compartimentos estocásticos (comunes en epidemiología) y Regresión Geográficamente y Temporalmente Ponderada (GTWR).
Dominios de Aplicación: Los modelos se aplican en epidemiología, ecología, salud pública, economía y criminología. Aunque las tareas varían según el dominio (p. ej., modelado de la propagación de enfermedades frente a la evaluación de los efectos de la contaminación del aire), muchos modelos comparten similitudes estructurales.
Observaciones sobre la Práctica:
- Reproducibilidad: Los autores observan que la reproducibilidad sigue siendo limitada, con la disponibilidad de código frecuentemente restringida.
- Concentración Disciplinaria: Los esfuerzos de investigación se concentran en algunas disciplinas específicas a pesar de la relevancia más amplia de los datos espacio-temporales.
- Preferencias de Modelos: Las estructuras de modelos preferidas difieren entre los campos; por ejemplo, los modelos jerárquicos son dominantes y los componentes aditivos son estándar para capturar dependencias.

Significancia
El artículo sostiene que su revisión ofrece inspiración para comparar estructuras de modelos de una manera interdisciplinaria. Al cerrar la brecha entre las clasificaciones teóricas y las aplicaciones prácticas, el trabajo busca aumentar la conciencia sobre las técnicas y desafíos disponibles en los distintos dominios. Los autores destacan que su síntesis proporciona un esquema de clasificación básico para las estructuras de modelos espacio-temporales utilizados, facilitando una mayor transparencia, accesibilidad y transferencia de conocimiento entre dominios. Enfatizan que este trabajo es necesario dado el uso generalizado de los métodos espacio-temporales y la falta de revisiones sistemáticas recientes que integren los tipos de modelos con los contextos de aplicación. La revisión no propone nuevos modelos experimentales, sino que sintetiza las prácticas existentes para guiar la investigación futura y mejorar el rigor metodológico en el campo.

Más como este