📊 statistics

Goodness-of-Fit Tests for Censored and Truncated Data: Maximum Mean Discrepancy Over Regular Functionals

Este artículo propone un enfoque sistemático y omnibús para realizar pruebas de bondad de ajuste en modelos paramétricos con datos censurados o truncados, utilizando un estadístico basado en la discrepancia máxima de medias (MMD) sobre funcionales regulares para garantizar estabilidad computacional y validez asintótica.

Autores originales: Juan Carlos Escanciano, Jacobo de Uña-Álvarez

Publicado 2026-02-10

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Juan Carlos Escanciano, Jacobo de Uña-Álvarez

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

El Problema: El rompecabezas de las piezas faltantes

Imagina que quieres saber cuál es la estatura promedio de todos los niños de una ciudad para entender cómo están creciendo. Pero tienes un problema: no puedes ver a todos los niños.

El problema del "Censurado" (Censoring): Algunos niños se van de la ciudad antes de que puedas medirlos. Sabes que están ahí, pero no sabes cuánto miden exactamente. Solo sabes que "miden más de X".
El problema del "Truncado" (Truncation): Este es más difícil. Solo puedes medir a los niños que entran en un club de deportes específico. Si un niño no está en el club, ni siquiera sabes que existe. Esto crea un sesgo: quizás los niños que están en el club son más altos que el promedio, y si solo los mides a ellos, tu conclusión sobre la ciudad será errónea.

En ciencia (medicina, astronomía, economía), esto pasa todo el tiempo. Los científicos tienen un "modelo" (una idea de cómo debería ser la realidad), pero los datos que llegan están incompletos o "mordidos" por estas limitaciones. El reto es: ¿Cómo saber si nuestra idea (el modelo) es correcta cuando solo vemos una parte borrosa de la realidad?

La Solución de los autores: El "Detector de Mentiras" Inteligente

Los investigadores Escanciano y de Uña-Álvarez han creado una herramienta matemática nueva para resolver esto. Para entender cómo funciona, usemos dos analogías:

1. El Filtro de Ruido (La Ortogonalidad)

Imagina que estás tratando de escuchar la melodía de un piano en una fiesta muy ruidosa. El ruido de la gente hablando es como los "datos molestos" (las variables de censura o truncamiento) que ensucian tu medición.

Si intentas escuchar la melodía directamente, el ruido te engañará. Lo que hacen los autores es crear un "filtro inteligente" (llamado Neyman-orthogonality). Este filtro identifica qué parte del sonido es "ruido de la fiesta" y qué parte es "música del piano", y luego elimina el ruido de forma que, aunque la fiesta sea muy ruidosa, la melodía del piano se escuche clara y pura. Esto permite que el científico no se confunda por las piezas que faltan en sus datos.

2. El Escáner de Alta Resolución (El RKHS y MMD)

En lugar de mirar solo un punto de la música (por ejemplo, solo si el piano suena fuerte o suave), los autores usan una técnica llamada "Máxima Discrepancia de la Media" (MMD).

Imagina que tienes dos pinturas: una es la "realidad ideal" (tu modelo) y la otra es la "realidad observada" (tus datos incompletos). En lugar de comparar solo el color de un píxel, usas un escáner de alta resolución que analiza texturas, sombras, formas y patrones en toda la obra al mismo tiempo. Si hay la más mínima diferencia de "estilo" entre la pintura ideal y la real, el escáner lo detectará. Esto hace que su prueba sea "omnibus", lo que significa que puede detectar casi cualquier tipo de error en el modelo, no solo uno específico.

¿Por qué es esto un gran avance?

Antes de este estudio, los científicos tenían que usar métodos que eran como intentar armar un rompecabezas usando solo una lupa y con las manos temblorosas:

Si los datos eran muy complicados, los métodos antiguos se "rompían" o daban resultados inestables.
Especialmente en casos de "doble truncamiento" (cuando los datos están atrapados en una ventana muy estrecha, como ver estrellas solo en un pequeño hueco del cielo), no había una herramienta tan robusta.

Los autores han construido un "super-escáner" que:

No se deja engañar por los datos que faltan.
Es muy rápido y eficiente de usar en computadoras.
Es el primero en su clase en resolver el problema de la "doble truncación" de forma completa y profesional.

En resumen

Este trabajo es como haber inventado unos lentes de visión nocturna ultra-avanzados para científicos. Ahora, aunque la realidad esté parcialmente oculta por la oscuridad (datos faltantes o sesgados), ellos pueden mirar a través de ella y decir con total seguridad: "Sí, nuestro modelo de la realidad es correcto" o "No, algo no encaja aquí".

1. El Problema: Limitaciones en Datos Incompletos

El estudio aborda el problema de realizar pruebas de bondad de ajuste (GOF, por sus siglas en inglés) para modelos distributivos paramétricos cuando la variable de interés $X$ no se observa completamente debido a mecanismos de censura y/o truncamiento.

En estos escenarios, los métodos clásicos basados en el Estimador de Máxima Verosimilitud No Paramétrico (NPMLE) presentan tres problemas críticos:

Inexistencia o no unicidad: El NPMLE puede no existir o no ser único en ciertos diseños complejos.
Inestabilidad computacional: El proceso de re-estimación del NPMLE dentro de un bootstrap es costoso y técnicamente delicado.
Tasas de convergencia lentas: La convergencia del NPMLE puede ser demasiado lenta para permitir una calibración fiable de las pruebas bajo hipótesis nulas compuestas (donde el parámetro $\theta$ es desconocido).

2. Metodología Propuesta

Los autores proponen un enfoque sistemático y "omnibus" (que detecta cualquier desviación de la forma de la distribución) que evita el uso del NPMLE como objeto intermedio. La metodología se basa en dos pilares:

A. Procesos de Puntuación (Score) Ortogonales y Regulares:
En lugar de comparar un estimador no paramétrico con el modelo nulo, los autores caracterizan la hipótesis nula $H_0: F \in \{F_\theta : \theta \in \Theta\}$ mediante restricciones de momentos. Para manejar la incertidumbre de los parámetros desconocidos (hipótesis compuestas) y las funciones de confusión (nuisance), construyen un proceso de puntuación de Neyman-ortogonal.

Este proceso es "localmente insensible" a la estimación de los parámetros de confusión.
Se utiliza una expansión de la Función de Influencia (IF) para asegurar que el estadístico sea regular (derivable en el sentido de pathwise differentiability).

B. Agregación mediante RKHS y MMD:
Para que la prueba sea omnibus, el proceso de puntuación se agrega sobre una clase rica de funciones de prueba mediante un Espacio de Hilbert Reproductor de Núcleos (RKHS).

Esto resulta en un estadístico de tipo Discrepancia de la Media Máxima (MMD).
Innovación computacional: El estadístico resultante tiene una representación de forma cuadrática (un estadístico $V$ ) mediante un "núcleo inducido" ( $\hat{K}^\perp_g$ ). Esto permite que el cálculo sea extremadamente eficiente y escalable.
Bootstrap de Multiplicadores: La calibración de los valores críticos se realiza mediante un multiplier bootstrap que mantiene fijos los estimadores de confusión, evitando la necesidad de re-estimarlos en cada iteración.

3. Principales Contribuciones

Plantilla General: Un marco teórico para pruebas GOF en datos incompletos mediante funcionales regulares.
Primer Test para Doble Truncamiento Aleatorio: El artículo presenta, según los autores, la primera prueba omnibus para familias paramétricas bajo un esquema de doble truncamiento aleatorio en el caso de hipótesis compuestas.
Eficiencia Computacional: La transformación del problema en una forma cuadrática simplifica la implementación práctica.
Teoría Asintótica: Establecen la validez asintótica bajo la hipótesis nula y bajo alternativas locales (Pitman-type), garantizando que la prueba tenga potencia estadística.

4. Resultados y Aplicaciones

El estudio valida la metodología a través de dos vías:

Simulaciones de Monte Carlo: Se probaron diseños de truncamiento doble (débil y fuerte). Los resultados muestran que la prueba mantiene el nivel de significancia (tamaño controlado) y que su potencia aumenta con el tamaño de la muestra y la distancia a la hipótesis nula, aunque la potencia disminuye conforme el truncamiento es más severo (pérdida de información).
Ilustración Empírica (Datos de Quásares): Se aplicó la prueba a datos astronómicos de luminosidad de quásares (sujetos a doble truncamiento). La prueba fue capaz de detectar una desviación de la distribución exponencial, proporcionando un valor $p$ que sugiere la falta de ajuste, lo cual es consistente con estudios previos pero con un rigor metodológico superior al no depender de un NPMLE inestable.

5. Significado y Relevancia

Este trabajo es significativo para campos como la supervivencia, la epidemiología, la astronomía y la econometría, donde los datos suelen estar incompletos. Al alejarse de la dependencia del NPMLE, los autores ofrecen una herramienta más robusta, teóricamente sólida y computacionalmente viable para verificar si un modelo paramétrico es adecuado para describir la realidad de los datos observados.