📊 statistics

Kling-Gupta linear regression

Este artículo formaliza la eficiencia de Kling-Gupta como un estimador estadístico dentro de un marco de regresión lineal, derivando fórmulas explícitas que muestran cómo escala los coeficientes de mínimos cuadrados ordinarios para preservar la varianza de la respuesta, mientras prueba analíticamente sus propiedades de convergencia y su compromiso inherente con la maximización de la eficiencia de Nash-Sutcliffe.

Autores originales: Hristos Tyralis, Georgia Papacharalampous

Publicado 2026-06-09

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Hristos Tyralis, Georgia Papacharalampous

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 entrenador tratando de enseñar a un estudiante (un modelo informático) cómo predecir el nivel del agua en un río basándose en cuánto llovió. Tienes un historial de lluvias pasadas y niveles de ríos, y quieres que el estudiante se acerque lo más posible a los números reales.

En el mundo de la hidrología (la ciencia del agua), hay dos formas principales de calificar la tarea del estudiante: OLS (la forma antigua y estándar) y Kling-Gupta (una forma más nueva y compleja). Este artículo es una inmersión profunda en cómo funciona exactamente el método Kling-Gupta, qué es lo que realmente "ve" en los datos y en qué se diferencia del método estándar.

Aquí está el desglose de sus hallazgos en lenguaje sencillo:

1. Los dos sistemas de calificación

Para entender el artículo, primero debes entender a los dos "profesores" que califican al modelo:

El Profesor Estándar (OLS): A este profesor solo le importa la distancia promedio entre la predicción y el nivel real del río. Si el modelo se equivoca por 5 pulgadas hoy y 5 pulgadas mañana, esa es una puntuación específica. Para obtener la mejor nota, este profesor obliga al modelo a ser "seguro". El modelo aprende a predecir una línea más plana y menos dramática. Evita grandes errores, pero también pierde los grandes picos y los valles profundos del río. Es como un estudiante que juega a lo seguro y nunca saca una nota perfecta, pero tampoco reprueba nunca.
El Profesor Kling-Gupta (KGE): Este profesor es más exigente. No solo mira la distancia promedio. Revisa tres cosas:
1. Sesgo (Bias): ¿Es correcta la predicción promedio?
2. Variabilidad: ¿Sube y baja la predicción tanto como el río real? (¿Captura la "emoción" de la inundación?)
3. Correlación: ¿Se mueven las predicciones en sincronía con el río real?

2. El gran descubrimiento: El efecto de la "perilla de volumen"

El principal hallazgo del artículo es una prueba matemática de lo que sucede cuando usas al profesor Kling-Gupta en lugar del profesor estándar.

Imagina que el Profesor Estándar (OLS) ha dibujado una línea en un gráfico. Es la línea más "segura" posible.
El Profesor Kling-Gupta toma esa misma línea y sube la perilla de volumen.

Lo que hacen: Estiran la línea verticalmente. Hacen que los picos sean más altos y los valles más profundos.
¿Por qué? Porque el profesor Kling-Gupta exige que la dispersión (varianza) de las predicciones coincida exactamente con la dispersión de los datos reales.
El resultado: El modelo Kling-Gupta predice un río que se ve tan "salvaje" y variable como el río real. El modelo Estándar predice un río que se ve demasiado tranquilo y plano.

El intercambio (Trade-off):

El Modelo Estándar es mejor minimizando el error total (Error Cuadrático Medio) y obtiene una puntuación más alta en la métrica "Nash-Sutcliffe" (una puntuación de eficiencia común).
El Modelo Kling-Gupta obtiene una puntuación más alta en la métrica "Kling-Gupta" porque imita perfectamente la naturaleza salvaje del río, pero en realidad tiene más error total porque se mueve demasiado hacia ambos lados.

3. El teorema de "No hay almuerzo gratis"

Los autores demuestran un hecho matemático muy importante: No puedes tener todo en la vida.

No puedes construir un único modelo que sea el absolutamente mejor en ambas cosas: minimizar el error total (Estándar) Y coincidir perfectamente con la naturaleza salvaje del río (Kling-Gupta).

Si optimizas para la puntuación Estándar, pierdes la "salvajidad".
Si optimizas para la puntuación Kling-Gupta, ganas la "salvajidad" pero pierdes la puntuación de error total.

Es como intentar sintonizar una radio: si subes el volumen para escuchar la música claramente (coincidir con la varianza), podrías introducir estática (más error). Si bajas el volumen para reducir la estática (menos error), la música se vuelve demasiado silenciosa (menos varianza). Tienes que elegir qué problema quieres resolver.

4. El problema del "interruptor roto"

El artículo también encontró un error extraño en el método Kling-Gupta bajo condiciones muy específicas.

Si obligas al modelo a tener un punto de partida fijo (un "intercepto" fijo) y los datos son complicados, el profesor Kling-Gupta podría confundirse. La matemática muestra que, a veces, no hay una respuesta perfecta. El profesor sigue buscando una mejor pendiente, acercándose cada vez más a cero, pero en el momento en que la pendiente llega a cero, la matemática se rompe (porque no puedes calcular la "dispersión" de una línea plana).

Es como un estudiante intentando encontrar el ángulo perfecto para lanzar una pelota, pero las reglas dicen que no puede lanzarla de forma plana. El estudiante sigue inclinando la pelota cada vez más hacia lo plano, pero nunca llega al punto perfecto porque la "zona plana" está prohibida.

5. La conclusión fundamental

El artículo no dice que un método sea "mejor" que el otro. En cambio, proporciona el manual matemático para el método Kling-Gupta.

Antes de este artículo: Los científicos usaban Kling-Gupta como una herramienta de "caja negra" para calificar modelos, a menudo sin comprender completamente cómo cambiaba el comportamiento del modelo.
Después de este artículo: Ahora sabemos exactamente cómo funciona Kling-Gupta. Sabemos que actúa como un "inflador de varianza": toma el modelo estándar y lo estira para que coincida con los altibajos del mundo real.

En resumen: Si quieres un modelo que sea estadísticamente "seguro" y minimice el error total, usa el método Estándar. Si quieres un modelo que capture los altos y bajos dramáticos de un río (aunque cometa más errores totales), usa Kling-Gupta. Pero debes saber que estos dos objetivos son matemáticamente opuestos, y tienes que elegir cuál es más importante para tu proyecto específico.

Resumen Técnico: Regresión Lineal de Kling-Gupta

Planteamiento del Problema

Aunque la Eficiencia de Kling-Gupta (KGE) es ampliamente adoptada en hidrología para la evaluación de modelos, sus propiedades teóricas como estimador estadístico permanecen inexploradas. Existe una brecha crítica en la comprensión del vínculo entre la estimación de parámetros (calibración) y la evaluación de pronósticos cuando se utiliza la KGE como función objetivo. A diferencia del Error Cuadrático Medio (MSE), que corresponde a una función de pérdida estrictamente consistente para la media condicional, la KGE carece de una estructura aditiva y no es un estimador M. En consecuencia, la literatura suele tratar la KGE como una métrica "informal". Este artículo aborda la necesidad de formalizar la KGE dentro de un marco de estimación por extremos para determinar qué funcional estadístico predice un modelo cuando se entrena para maximizar la KGE, y para caracterizar las compensaciones entre la KGE, el MSE y la Eficiencia de Nash-Sutcliffe (NSE).

Metodología

Los autores formalizan la KGE definiendo una función de pérdida de orientación negativa, $L_{KG} = (1 - \text{KGE})^2$ , y analizan su comportamiento dentro del contexto de modelos de regresión lineal de predictor único y múltiple. El estudio procede a través de los siguientes pasos metodológicos:

Marco Teórico: El artículo sitúa a los modelos hidrológicos dentro de un marco de regresión semiparamétrica, tratando las predicciones como funcionales estadísticos de la distribución del caudal condicional. Distingue entre estimadores M (como OLS) y la clase más amplia de estimadores de extremos, a la cual pertenece el minimizador de la KGE.
Derivación de Soluciones de Forma Cerrada: Los autores derivan fórmulas explícitas de forma cerrada para los estimadores de parámetros (pendiente e intercepto) que minimizan $L_{KG}$ para modelos lineales.
Análisis Comparativo: Los estimadores de Kling-Gupta (KG) derivados se comparan analítica y numéricamente contra los estimadores de Mínimos Cuadráticos Ordinarios (OLS). El análisis se centra en las propiedades estadísticas de las predicciones en los conjuntos de entrenamiento, incluyendo medias muestrales, varianzas y correlaciones.
Análisis Asintótico: El artículo establece la convergencia casi segura de los estimadores KG hacia límites poblacionales bien definidos a medida que el tamaño de la muestra tiende al infinito, expresando estos límites algebraicamente.
Estimación con Restricciones: El estudio investiga escenarios con restricciones, específicamente modelos con coeficientes de regresión fijos y modelos de predictor único con interceptos fijos, para examinar la existencia de mínimos globales.
Validación Empírica: Los hallazgos teóricos se verifican utilizando series temporales de caudales diarios observados de diez cuencas francesas, comparando las métricas de desempeño de los conjuntos de entrenamiento y de prueba.

Contribuciones Clave y Resultados

1. Mecanismo de Inflación de la Varianza

El principal hallazgo teórico es que la regresión lineal de Kling-Gupta actúa como un procedimiento de inflación de la varianza relativo a OLS.

Comportamiento de OLS: OLS minimiza el MSE, lo que inherentemente reduce la varianza de las predicciones en el conjunto de entrenamiento ( $\sigma_{OLS} \leq \sigma(y)$ ).
Comportamiento de KG: El estimador KG escala el vector de coeficientes de OLS por un factor de $\sigma(y) / \sigma_{OLS}$ . Esta escala asegura que la varianza muestral de las predicciones KG replique exactamente la varianza muestral de las observaciones ( $\sigma(z_{KG}) = \sigma(y)$ ) en el conjunto de entrenamiento.
Propiedades Preservadas: Ambos estimadores mantienen la media muestral de las observaciones ( $\mu(z) = \mu(y)$ ) y logran la misma correlación muestral entre las predicciones y las observaciones en el conjunto de entrenamiento.

2. Compensaciones entre Métricas (Trade-offs)

El artículo establece compensaciones teóricas explícitas entre MSE, NSE y KGE:

NSE vs. KGE: Ningún estimador puede maximizar simultáneamente tanto el NSE como la KGE. OLS maximiza el NSE (alcanzando $\rho^2$ ), mientras que el estimador KG maximiza la KGE (alcanzando $\rho$ ).
Degradación del Desempeño: Debido a que $0 \leq \rho \leq 1$ , el NSE del estimador KG ( $2\rho - 1$ ) es estrictamente inferior al NSE de OLS ( $\rho^2$ ) siempre que $\rho < 1$ . Si la correlación $\rho < 0.5$ , el estimador KG produce un NSE negativo, desempeñándose peor que el benchmark de la climatología media, a pesar de igualar perfectamente la media y la varianza observadas.
Comportamiento de la Función de Pérdida: La pérdida KG elimina el término de error de variabilidad, reduciendo a la mitad la penalización en comparación con OLS en términos de $L_{KG}$ , pero a costa de un aumento en el MSE.

3. Convergencia Asintótica

Los autores demuestran que el estimador KG converge casi seguramente a límites poblacionales bien definidos. En el límite asintótico (datos de entrenamiento y de prueba infinitos), las métricas de desempeño (NSE, KGE, MSE) en conjuntos de prueba independientes convergen a los mismos límites teóricos observados en el conjunto de entrenamiento. Esto confirma que las compensaciones identificadas son estructurales y persisten independientemente del tamaño de la muestra.

4. Existencia de Mínimos Globales

En entornos restringidos, específicamente modelos de predictor único con un intercepto fijo, el artículo demuestra que puede no existir un mínimo global para la pérdida KG. Debido a la restricción de dominio que requiere una varianza no nula ( $\sigma(z) \neq 0$ ) y la discontinuidad resultante en una pendiente de cero, la función de pérdida puede disminuir monotonicamente hacia un valor de frontera sin alcanzar un mínimo dentro del espacio de parámetros permisible.

5. Verificación Numérica y Empírica

Las simulaciones y aplicaciones a datos de cuencas francesas confirman las predicciones teóricas:

Las predicciones KG exhiben pendientes más pronunciadas que OLS para igualar la varianza observada.
Las predicciones KG coinciden con las medias y varianzas observadas en los conjuntos de entrenamiento, mientras que las predicciones de OLS exhiben reducción de varianza.
Las correlaciones entre las predicciones y las observaciones permanecen idénticas para ambos métodos en el conjunto de entrenamiento.
El desempeño en el conjunto de prueba converge a los límites poblacionales teóricos a medida que los tamaños de muestra aumentan.

Significado y Reivindicaciones

El artículo afirma establecer una base matemática para la estimación basada en KGE en la modelación hidrológica. Al formalizar la KGE como un estimador de extremos, los autores aclaran el funcional estadístico específico al que apunta esta métrica: un modelo entrenado con KGE prioriza la reproducción de la varianza marginal y la media de las observaciones sobre la minimización de los errores cuadráticos.

La importancia de este trabajo radica en:

Desmitificar Métricas "Informales": Mueve la KGE de ser una herramienta de evaluación informal a un estimador rigurosamente definido con propiedades conocidas.
Clarificar Compensaciones: Cuantifica explícitamente el costo de maximizar la KGE (reducción de NSE y aumento de MSE), proporcionando a los modeladores una comprensión clara de las implicaciones de elegir la KGE como función objetivo.
Guiar la Selección de Modelos: Los resultados sugieren que si el objetivo principal de un modelador hidrológico es reproducir la varianza y la media observadas (por ejemplo, para volumen de agua o magnitud de picos de inundación), la KGE es un objetivo adecuado. Sin embargo, si el objetivo es minimizar el error de predicción (MSE) o maximizar la eficiencia relativa a la media (NSE), OLS sigue siendo superior.
Resaltar Limitaciones: La identificación de la posible no existencia de mínimos globales en entornos restringidos advierte a los profesionales sobre las dificultades de optimización al usar KGE con parámetros fijos.

Los autores concluyen que la elección de la función de pérdida dicta fundamentalmente las propiedades estadísticas de los modelos resultantes, y que el "mejor" estimador depende del funcional específico de la distribución que el modelador desea predecir.