📊 statistics

Orthogonality and Dimensionality in Airline Cluster Analysis using PCA and Kernel PCA

Este artículo replica y amplía un estudio sobre los ciclos de beneficios de las aerolíneas de EE. UU. al demostrar que, si bien la taxonomía original de seis clústeres es geométricamente robusta a través de espacios de PCA lineales y no lineales, el conjunto de datos soporta estructuralmente solo tres clústeres, un hallazgo oscurecido en el análisis original por la colinealidad en el espacio bruto de 7 dimensiones.

Autores originales: Andreas Schlapbach

Publicado 2026-06-09

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Andreas Schlapbach

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 estás intentando clasificar una larga fila de 26 personas (que representan 26 años de historia de las aerolíneas desde 1995 hasta 2020) en diferentes grupos basados en cuánto dinero ganaron. Un estudio previo intentó hacer esto utilizando siete mediciones diferentes (como los precios del combustible, los salarios y la venta de billetes) y terminó con seis grupos distintos.

Este artículo es un "control de realidad". El autor, Andreas Schlapbach, tomó esos mismos datos y se hizo tres preguntas sencillas:

¿Nos están contando esas siete mediciones seis historias diferentes, o solo están repitiendo la misma historia una y otra vez?
¿Es seis el número correcto de grupos, o hay una respuesta más simple?
¿Fue engañada la matemática utilizada para encontrar estos grupos por la forma en que se estructuran los datos?

Esto es lo que el artículo encontró, explicado de forma sencilla:

1. El efecto "Cámara de Eco" (Colinealidad)

El autor descubrió que las siete mediciones utilizadas en el estudio original eran como siete personas en una habitación gritando lo mismo, pero con volúmenes ligeramente distintos. En términos técnicos, son altamente colineales.

La analogía: Imagina intentar medir el tamaño de un árbol en crecimiento. Mides su altura, la longitud de sus ramas, el ancho de su tronco y el número de hojas. Todo esto crece en conjunto. Si usas todos ellos para clasificar el árbol en "pequeño", "mediano" y "grande", no estás obteniendo seis piezas de información diferentes; solo estás midiendo el crecimiento del árbol de seis maneras distintas.
El resultado: El autor descubrió que los datos en realidad solo tienen unas 2.5 dimensiones independientes de información real, no siete. El estudio original estaba, esencialmente, midiendo la misma "tendencia de crecimiento" una y otra vez.

2. La "Banda Elástica Estirable" (Por qué los grupos se mantuvieron iguales)

A pesar de que los datos estaban "ruidosos" debido a estas mediciones repetitivas, los seis grupos originales permanecieron exactamente iguales cuando el autor volvió a ejecutar el cálculo utilizando una versión de los datos más limpia y simple.

La analogía: Imagina que los años de la historia de las aerolíneas son cuentas en una larga banda elástica estirable. El estudio original utilizó una banda elástica que estaba estirada de forma muy desigual (debido a las mediciones repetitivas). El autor la estiró aún más uniformemente.
La sorpresa: Aunque la banda elástica cambió de forma, el orden de las cuentas no cambió. Las cuentas que representaban los "años de bajas ganancias" seguían en un extremo, y las de los "años de altas ganancias" en el otro. Debido a que los grupos estaban dispuestos en una línea recta de tiempo (orden cronológico), estirar la línea no los mezcló. Los "seis grupos" eran simplemente seis rebanadas de ese mismo "embutido temporal".

3. El debate "Tres vs. Seis" (El número real de grupos)

El hallazgo más importante trata sobre cuántos grupos existen realmente. El estudio original afirmaba que había seis eras distintas. Sin embargo, cuando el autor utilizó una herramienta de "control de calidad" (llamada criterio de Silueta) para ver qué tan bien encajaban los grupos, los datos gritaron que en realidad solo hay tres grupos naturales.

Los tres grupos reales:
1. La era de la lucha (1995–2005): Bajas ganancias, crisis y precios bajos de billetes.
2. La era de la recuperación (2006–2014): Reconstrucción, altos costes de combustible, pero las ganancias regresan.
3. La era dorada (2015–2019): Ganancias récord.
El valor atípico: El año 2020 (COVID) fue tan extraño que no encajaba en ningún grupo; fue una "singularidad" o un error en la matriz.

El autor argumenta que los "seis grupos" del estudio original fueron algo así como cortar una hogaza de pan en seis rebanadas cuando la hogaza solo era lo suficientemente grande para tres trozos distintos. Las seis rebanadas siguen siendo pan, pero los datos prefieren naturalmente tres trozos. El "ruido" de las mediciones repetitivas (colinealidad) ocultó el hecho de que tres era la mejor respuesta.

4. El "Control de Curvatura" (¿Se está doblando la data?)

El autor quería asegurarse de que los datos no estuvieran secretamente curvados o retorcidos de una manera que la matemática simple no pudiera ver. Utilizó una técnica sofisticada llamada Kernel PCA (que busca curvas ocultas) con seis "lentes" matemáticas diferentes.

El resultado: Las seis lentes coincidieron: los datos son planos. No hay curvas ocultas ni formas secretas. Los ciclos de beneficios de las aerolíneas se mueven en una línea recta y predecible. Esto confirma que la matemática simple utilizada en el estudio original era en realidad adecuada; solo necesitaba ser interpretada con el número correcto de grupos.

La Conclusión

El artículo concluye que la idea principal del estudio original —que los beneficios de las aerolíneas pasan por diferentes ciclos y regresan a la normalidad después de una crisis— es correcta y robusta. La matemática no se rompió, y los grupos no desaparecieron.

Sin embargo, el estudio sugiere una corrección:

No utilices las siete mediciones (son redundantes).
No fuerces seis grupos (los datos quieren naturalmente tres).
Reconoce que 2020 fue un valor atípico único que rompió el patrón.

En resumen: la historia de los beneficios de las aerolíneas es una línea recta con tres capítulos principales y una nota al pie extraña, no un laberinto complejo con seis habitaciones ocultas.

Resumen Técnico: Ortogonalidad y Dimensionalidad en el Análisis de Clústeres de Aerolíneas mediante PCA y Kernel PCA

Planteamiento del Problema

Este estudio replica y evalúa críticamente la metodología de agrupamiento (clustering) presentada por Renold et al. [6], la cual caracteriza los ciclos de beneficios de las aerolíneas estadounidenses desde 1995 hasta 2020. El estudio original utilizó k-means sobre siete variables altamente colineales, combinadas con el Análisis de Componentes Principales (PCA) y modelado de dinámica de sistemas, para identificar una taxonomía de seis clústeres. Dos brechas metodológicas específicas en el trabajo original motivaron esta réplica:

Distorsión por Colinealidad: Las siete variables de entrada están impulsadas por tendencias de crecimiento secular, lo que genera una alta multicolinealidad. No se ha examinado si esta colinealidad distorsiona las asignaciones de los clústeres al pasar del espacio original de 7 dimensiones al espacio de puntuación de componentes principales (PC) geométricamente más limpio.
Justificación de los Clústeres: La elección de $k=6$ clústeres carece de justificación cuantitativa. El estudio cuestiona si los datos soportan estructuralmente seis clústeres o si un número diferente es más apropiado.

El análisis busca responder a tres preguntas centrales:

¿La colinealidad distorsiona materialmente las asignaciones de los clústeres entre los espacios brutos y de PC?
¿Qué número de clústeres soportan los datos estructuralmente?
¿Mejora la calidad del clúster la inclusión del cuarto componente principal (que captura el choque de rendimiento del COVID-19)?

Metodología

El análisis utiliza 26 observaciones anuales (1995–2020) de Renold et al. [6], que cubren beneficio operativo, precio del combustible, salarios promedio, RPM, factor de carga, rendimiento por pasajero y ratio de otros gastos. Los datos fueron estandarizados (media cero, varianza unitaria) antes del análisis.

Configuración Experimental:

Clustering: Se realizó k-means con 100 inicializaciones aleatorias y hasta 1000 iteraciones para asegurar la convergencia.
Espacios Analizados:
1. 7D-raw: El espacio original de 7 dimensiones de las variables.
2. 3D-pc: El espacio de los tres primeros componentes principales (capturando el 87.8% de la varianza).
3. 4D-pc: El espacio de los cuatro primeros componentes principales (capturando el 95.5% de la varianza).
Métricas:
- Acuerdo de Clústeres: Medido mediante el Índice de Rand Ajustado (ARI).
- Calidad de Clúster: Evaluada usando el coeficiente de Silueta (mayor es mejor) y el índice de Davies–Bouldin (menor es mejor).
- Dimensionalidad: La dimensionalidad efectiva se cuantificó utilizando la Relación de Participación (PR) derivada del espectro de valores propios.
Verificación de No Linealidad: Se aplicó Kernel PCA (kPCA) bajo seis kernels (Lineal, RBF, Polinómico de grado 2 y 3, Fisher–Mahalanobis y Difusión de Gráficos) para probar la curvatura del manifold oculto.

Hallazgos Clave

1. Robustez de las Asignaciones de Clústeres ante la Colinealidad

El estudio encuentra que la taxonomía de seis clústeres es geométricamente robusta.

Identidad de las Asignaciones: El k-means en el espacio 3D-pc produce asignaciones de clústeres bit a bit idénticas al espacio 7D-raw para los 26 años (ARI = 1.000).
Mecanismo: La falta de distorsión se atribuye al alineamiento temporal de los clústeres. La dirección colineal dominante (PC1) representa el crecimiento secular de la aviación en EE. UU. Dado que los seis clústeres son bandas temporales contiguas, el estiramiento del eje temporal (el efecto de la colinealidad) preserva la estructura de bandas sin reordenar los puntos a través de las fronteras.
Matiz del 4D-pc: El espacio 4D-pc reasigna solo el año 2000 (un año de pico de combustible) del clúster 9/11, separándolo basándose en el componente de rendimiento por pasajero (PC4).

2. Soporte Estructural para Tres Clústeres

Contrario al marco original de seis clústeres, los datos soportan estructuralmente tres clústeres.

Análisis de Silueta: En el espacio 3D-pc geométricamente limpio, el coeficiente de Silueta alcanza su máximo decisivamente en $k=3$ (0.523), mientras que $k=6$ puntúa 0.448 (14% peor).
Supresión de Colinealidad: En el espacio 7D-raw, la curva de Silueta es plana entre $k=6$ y $k=7$ , fallando en identificar $k=3$ como la elección natural. El eje de crecimiento inflado suprime el contraste entre clústeres necesario para revelar la partición óptima.
Dimensionalidad Efectiva: La Relación de Participación (PR) se calcula en aproximadamente 2.47, lo que indica que los siete inputs representan efectivamente solo ~2.5 mediciones independientes debido a la severa colinealidad.
Interpretación: Los tres regímenes naturales se identifican como:
1. Era de bajos beneficios (1995–2005)
2. Era de recuperación (2006–2014)
3. Era de máximos beneficios (2015–2019)
  (Con 2020 como una singularidad estructural). La solución de seis clústeres se describe como una subdivisión descriptivamente coherente impuesta sobre los datos, en lugar de una estructura recomendada por ellos.

3. Superioridad del Espacio 4D-pc

El espacio 4D-pc se identifica como el espacio de clustering cuantitativamente superior.

Logra el mejor índice de Davies–Bouldin en $k=6$ (0.557 frente a 0.647 en 7D-raw), una mejora del 13.9%.
La inclusión de PC4 (rendimiento por pasajero) captura la estructura de varianza única del año del COVID-19 (2020), haciendo que el espacio sea internamente consistente con la observación de que se requieren cuatro componentes para modelar los datos plenamente.

4. Linealidad del Manifold

El análisis de Kernel PCA confirma que el manifold subyacente de los datos es intrínsecamente lineal, sin curvatura oculta.

Acuerdo entre Kernels: Todos los seis kernels (que abarcan familias basadas en distancia, geometría de la información y de grafos) preservan la asignación de los seis clústeres en las proyecciones 2D (ARI = 1.000 entre las proyecciones lineales y no lineales).
Diagnóstico 1D: Un diagnóstico 1D utilizando el primer componente del kernel revela un comportamiento específico: el kernel lineal confunde el año del COVID (C3) con el clúster de máximos beneficios (C0). Sin embargo, todos los cinco kernels distintos al baseline desplazan C3 para que se superponga con el clúster post-crisis financiera (C5).
Conclusión: El acuerdo a través de familias de kernels fundamentalmente diferentes confirma la ausencia de estructura no lineal oculta.

Significado y Reivindicaciones

El artículo afirma validar la robustez geométrica de la agrupación de rentabilidad de las aerolíneas de Renold et al., identificando al mismo tiempo brechas críticas en la justificación metodológica.

Validación de la Estabilidad: El hallazgo principal de que la estructura de seis clústeres persiste al pasar del espacio bruto 7D al espacio 3D-PC se confirma. El estudio concluye que la colinealidad no distorsiona las asignaciones de los clústeres porque la dirección colineal (crecimiento secular) es ortogonal al criterio de partición (regímenes temporales).
Corrección Metodológica: El estudio sostiene que, si bien la solución de seis clústeres es empíricamente defendible para el análisis de políticas que requieren una resolución temporal fina, es estadísticamente subespecificada. Los datos soportan estructuralmente tres clústeres, un hecho que la colinealidad en el espacio bruto oculta.
Confirmación de Linealidad: La validación cruzada de kernels fortalece la conclusión de que el manifold de la rentabilidad de las aerolíneas es intrínsecamente lineal, cerrando las críticas de robustez respecto a una posible curvatura oculta.
Recomendación: El artículo recomienda realizar k-means sobre los vectores de puntuación de PCA (específicamente el espacio 4D-pc) en lugar de las variables brutas para evitar la supresión de la señal inducida por la colinealidad y para capturar mejor la varianza única del periodo del COVID-19.

El estudio mantiene un tono modesto, reconociendo que la taxonomía de seis clústeres sigue siendo útil para fines descriptivos y que la afirmación original de la reversión post-pandemia hacia los patrones pre-COVID es robusta dentro de la ventana de observación de 1995–2020.