📊 statistics

New Equivalence Tests for Approximate Independence in Contingency Tables

Este artículo introduce nuevas pruebas de equivalencia asintóticas y basadas en bootstrap para la independencia aproximada en tablas de contingencia de dos vías, que presentan un estimador computacionalmente eficiente para los puntos límite, y valida su desempeño a través de simulaciones y aplicaciones del mundo real con una implementación de R adjunta.

Autores originales: Vladimir Ostrovski

Publicado 2026-07-14

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Vladimir Ostrovski

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 detective intentando resolver un misterio: ¿están dos cosas en tus datos realmente conectadas, o solo están fingiendo? Tal vez estás observando si el color de ojos tiene algo que ver con el color de pelo, o si el género de un paciente cambia su reacción a un medicamento específico. En el mundo de la estadística, esto se llama probar la "independencia".

Normalmente, los detectives buscan una coincidencia perfecta. Si los datos no son una coincidencia perfecta del 100%, dicen: "¡Ajá! ¡Están conectados!". Pero en la vida real, nada es perfectamente perfecto. A veces, dos cosas son casi independientes, lo suficientemente cerca como para que las pequeñas diferencias no importen realmente. Aquí es donde entra en juego la "independencia aproximada".

¿El problema? Las viejas herramientas de detective eran un poco torpes. Dependían de un método que requería resolver un rompecbalas matemático masivo y complicado (llamado "optimización numérica") cada vez que se buscaba la respuesta. Era como intentar encontrar una aguja en un pajar construyendo un nuevo robot para cada brizna de heno. Era lento, y el robot a veces se quedaba atascado.

El Nuevo Kit de Detective
Vladimir Ostrovski, un estadístico de Colonia, Alemania, ha construido un kit de detective nuevo y más estilizado. En lugar de luchar con ese pesado rompecabezas matemático, inventó dos nuevas formas superrápidas de medir la "distancia" entre tus datos y la idea de la independencia total.

Piénsalo como medir qué tan lejos está una mesa tambaleante de estar perfectamente plana.

La Regla "Absoluta" ( $d_a$ ): Mide la diferencia bruta. Es como comprobar cuántos milímetros le faltan a la pata de la mesa para tocar el suelo.
La Regla "Relativa" ( $d_r$ ): Mide la diferencia en comparación con el tamaño de la mesa. Es como preguntar: "¿Es ese tambaleo enorme comparado con el tamaño de la mesa, o es solo una mota diminuta?".

Estas nuevas reglas son fáciles de usar. No necesitas una supercomputadora para leerlas; puedes calcular la respuesta al instante.

El Truco de Magia del "Bootstrap"
Aquí está la parte difícil: Para saber si tu medición es una diferencia "real" o solo un golpe de suerte causado por tener una muestra pequeña de datos, necesitas saber cuál es el "valor crítico". Es como saber cuánto tambaleo es demasiado antes de declarar que la mesa está rota.

La forma antigua calculaba esto usando una fórmula teórica que funciona de maravilla cuando tienes millones de puntos de datos, pero se vuelve un poco inestable cuando solo tienes unos pocos. Para solucionar esto, el autor utiliza un truco llamado bootstrap.

Imagina que tienes una bolsa de canicas que representan tus datos. El método bootstrap es como meter la mano en la bolsa, sacar un puñado, hacer una copia, devolverlo y repetir esto miles de veces para ver cuánto oscilan los resultados. Esto ofrece una imagen mucho más precisa de lo que sucede con grupos de datos más pequeños.

Pero había un inconveniente: Para hacer este truco de bootstrap para la independencia, normalmente necesitas encontrar un "punto de frontera" específico—un lugar mágico donde los datos son exactamente el límite de la independencia. Encontrar este punto era como intentar encontrar un grano de arena específico en una playa sin un mapa.

La Solución: Un Mapa Aleatorio
El autor resolvió esto creando un "estimador aleatorio". En lugar de intentar encontrar ese único grano de arena perfecto, el método lanza una red sobre la playa. Genera un grupo de "puntos exteriores" aleatorios (lugares que definitivamente no son independientes) y luego traza una línea entre tus datos y esos puntos para encontrar el límite.

Es como decir: "No sé exactamente dónde termina el bosque, pero si camino desde mi casa hacia una montaña que sé que está lejos, eventualmente llegaré al borde". Esto hace que todo el proceso sea rápido y computacionalmente posible, incluso para tablas complejas.

Lo que Mostraron las Simulaciones
El autor no solo adivinó; realizó un laboratorio de simulación masivo. Creó miles de tablas de datos falsas de diferentes tamaños (desde cuadrículas de $2 \times 4$ hasta enormes de $5 \times 5$ ) y probó su nuevo método contra el antiguo.

La Buena Noticia: Los nuevos tests de "bootstrap" son mucho mejores para manejar tamaños de muestra pequeños. Se mantienen fieles a las reglas (el "nivel nominal" de 0.05) mucho mejor que los viejos tests "asintóticos", que tendían a ser demasiado cautelosos (conservadores) a medida que las tablas se hacían más grandes.
El Problema: Los tests no son perfectos en todas partes. Si los datos tienen categorías con casi cero personas (como una categoría donde la probabilidad es cercana a cero), los tests pueden ser demasiado entusiastas en encontrar una conexión (anticonservadores). El autor advierte que si tus datos tienen cajas vacías o casi vacías, debes ser extra cuidadoso.
El Truco de "Encogimiento": Para que los tests sean más seguros, el autor mostró que si reduces el "parámetro de tolerancia" (la cantidad de tambaleo que estás dispuesto a aceptar) a 0.18, los tests se vuelven muy confiables y rara vez dan falsas alarmas.

Pruebas del Mundo Real
El autor llevó este nuevo kit a probarlo en tres misterios de la vida real:

Terapia con Nitrendipina: ¿Afecta el género a cómo reaccionan los pacientes a este medicamento para la presión arterial? Con una muestra de 217 personas, los nuevos tests sugirieron que el género y el resultado son aproximadamente independientes (no están fuertemente vinculados).
Color de Ojos y de Pelo: ¿Van siempre los ojos marrones con el pelo marrón? Los tests confirmaron lo que ya sabemos: no son independientes. Los datos mostraron un fuerte vínculo, y los tests solo aceptaron la independencia si permitías una enorme cantidad de "tambaleo" (una tolerancia de aproximadamente 0.58).
Niños e Ingresos: ¿Depende el número de hijos de los ingresos de una familia? Este conjunto de datos era enorme (25,263 personas), pero algunas categorías estaban muy vacías. Los tests sugirieron que podrían ser aproximadamente independientes, pero la aproximación fue "muy inexacta" debido a esas categorías vacías.

La Conclusión
Este artículo no pretende haber resuelto el misterio de la independencia para siempre. En cambio, ofrece un conjunto de herramientas nuevo, más rápido y más confiable para los estadísticos. Reemplaza un pesado y lento rompecabezas matemático con un cálculo rápido e inteligente y un ingenioso método de "camino aleatorio" para manejar conjuntos de datos pequeños.

El autor proporciona un "kit de detective" gratuito (código de software) en línea para que cualquiera pueda usarlo. Aunque los tests funcionan de maravilla en la mayoría de las situaciones, el artículo advierte explícitamente que deben usarse con precaución cuando se trata de categorías de datos con muy pocas entradas. Es una nueva forma poderosa de mirar el mundo, pero como cualquier buen detective, aún tienes que saber cuándo volver a verificar tus pistas.

Resumen Técnico: Nuevas Pruebas de Equivalencia para la Independencia Aproximada en Tablas de Contingencia

Planteamiento del Problema
El artículo aborda el desafío estadístico de probar la independencia aproximada de filas y columnas en tablas de contingencia de dos vías. A diferencia de las pruebas de independencia tradicionales, que buscan rechazar la hipótesis nula de independencia perfecta, este trabajo se centra en las pruebas de equivalencia. El objetivo es probar la hipótesis nula $H_0: \{d(p, M) \geq \varepsilon\}$ contra la hipótesis alternativa $H_1: \{d(p, M) < \varepsilon\}$ , donde $p$ es la matriz de probabilidad real, $M$ es el modelo de independencia (el conjunto de todas las medidas de producto) y $d$ es una métrica de distancia, con $\varepsilon > 0$ como un parámetro de tolerancia preespecificado.

El autor señala que, si bien existen métodos previos (por ejemplo, Hodges y Lehmann, 1954; Diaconis y Efron, 1985; Liu y Lindsay, 2009; Wellek, 2010), estos a menudo dependen de regiones de tolerancia semiparamétricas o de pruebas de consistencia con distribuciones multinomiales totalmente especificadas. Una limitación específica identificada en el trabajo previo del autor (Ostrovski, 2018) es la dependencia de la optimización numérica para calcular la distancia mínima $d(p, M)$ , lo que hace que las pruebas basadas en bootstrap sean computacionalmente intensivas. Además, se asumió, pero no se demostró, la existencia de un minimizador continuo para el modelo de independencia, lo que creaba un vacío teórico.

Metodología
El artículo propone un marco que evita la optimización numérica para el modelo de independencia mediante la introducción de dos métricas de distancia específicas derivadas de transformaciones de la matriz de probabilidad $p$ :

Desviación Absoluta ( $d_a$ ): Definida mediante la transformación $h_a(p) = (p_{ij} - r_i c_j)$ , donde $r$ y $c$ son vectores de probabilidad marginal. La distancia es $d_a(p, M) = l(h_a(p), 0)$ .
Desviación Relativa ( $d_r$ ): Definida mediante la transformación $h_r(p) = (p_{ij} / r_i c_j)$ . La distancia es $d_r(p, M) = l(h_r(p), 1)$ .

Aquí, $l$ representa una distancia diferenciable (específicamente la distancia euclidiana escalada en las simulaciones). Estas métricas permiten el cálculo directo de la distancia mínima al modelo de independencia sin necesidad de optimización iterativa.

El artículo desarrolla dos tipos de pruebas:

Pruebas Asintóticas: Los estadísticos de la prueba se definen como $T_*(p_n) = \sqrt{n}(d_*(p_n, M) - \varepsilon)$ . Utilizando el método Delta, el autor deriva la distribución gaussiana asintótica de estos estadísticos. Los valores críticos se calculan utilizando la varianza asintótica estimada $\sigma_*(p_n)$ .
Pruebas de Bootstrap: Para mejorar el rendimiento en muestras finitas, se introduce un enfoque de bootstrap paramétrico. Una innovación clave es el desarrollo de un estimador de punto de frontera ( $\tilde{p}_n$ $\tilde{p}_{n}$ ) computacionalmente factible. Dado que la frontera $\partial H_0$ $\partial H_{0}$ es compleja y difícil de parametrizar, el autor propone un estimador aleatorio. Esto implica:
- Seleccionar un conjunto de puntos "exteriores" $Q$ donde $d_*(q, M) > \varepsilon$ .
- Construir combinaciones lineales $c(p_n, q) = a_n p_n + (1-a_n)q$ tales que la distancia al modelo sea igual a $\varepsilon$ .
- Seleccionar la combinación que minimiza la distancia a los datos observados $p_n$ como el estimador $\tilde{p}_n$ .
- Utilizar simulación de Monte Carlo basada en $\tilde{p}_n$ para estimar el valor crítico $c(\alpha, \tilde{p}_n)$ .

Contribuciones Clave

Simplificación Analítica: El artículo proporciona expresiones de forma cerrada para la distancia mínima al modelo de independencia utilizando $d_a$ y $d_r$ , eliminando la necesidad de la optimización numérica requerida en métodos generales previos.
Estimación Eficiente de la Frontera: Se desarrolla un estimador aleatorio para el punto de frontera, lo que hace que la prueba de bootstrap sea computacionalmente factible para tablas de contingencia.
Garantías Teóricas: El autor demuestra que el propuesto estimador de frontera es consistente (converge casi en todas partes al verdadero punto de la frontera) bajo condiciones específicas y establece la normalidad asintótica de los estadísticos de la prueba.
Implementación: Las pruebas se implementan en R y están disponibles en línea.

Resultos
El rendimiento de las pruebas propuestas fue evaluado mediante estudios de simulación y aplicado a conjuntos de datos del mundo real:

Rendimiento en Muestras Finitas:
- Potencia: El parámetro de tolerancia mínimo $\varepsilon$ requerido para lograr una potencia del 90% disminuye con el tamaño de la muestra ( $n^{-1/2}$ ) y aumenta con el tamaño de la tabla ( $k_1 + k_2$ ).
- Error de Tipo I: Se encontró que las pruebas asintóticas no son conservadoras para tablas pequeñas, pero son altamente conservadoras para tablas más grandes. En contraste, las pruebas de bootstrap mantuvieron las probabilidades de rechazo muy cercanas al nivel nominal ( $\alpha = 0.05$ ) a través de varios tamaños de tabla, aunque la prueba de bootstrap basada en $d_r$ mostró una tendencia a ser anti-conservadora en regiones de frontera específicas (donde las probabilidades marginales están cerca de cero).
- Error de Tipo II: La potencia de las pruebas basadas en $d_a$ fue relativamente estable a través de diferentes puntos, mientras que las basadas en $d_r$ mostraron alta variabilidad.
Aplicaciones con Datos Reales:
- Terapia con Nitrendipina: Con un tamaño de muestra pequeño ( $n=217$ ), tanto las pruebas asintóticas como las de bootstrap sugirieron independencia aproximada entre el resultado del tratamiento y el género.
- Color de Ojos y Cabello: Las pruebas rechazaron correctamente la independencia para $\varepsilon$ muy grandes, confirmando la falta de independencia conocida entre estas variables.
- Niños e Ingresos: A pesar de un tamaño de muestra grande ( $n=25,263$ ), la dispersión en la categoría "4+ hijos" llevó a una baja potencia para las pruebas basadas en $d_r$ . Las pruebas basadas en $d_a$ sugirieron independencia aproximada, pero señalaron que la aproximación era inexacta.

Significancia y Reivindicaciones
El artículo afirma ofrecer un método estadísticamente eficiente y computacionalmente factible para probar la independencia aproximada. Al evitar la optimización numérica y las suposiciones no probadas respecto a la existencia de minimizadores continuos (que eran necesarias en Ostrovski, 2018), el método propuesto proporciona una base teórica más robusta. El autor enfatiza que las pruebas de bootstrap, particularmente cuando se utiliza el propuesto estimador de frontera, ofrecen un rendimiento de muestra finita superior en comparación con las pruebas asintóticas, especialmente para tablas de contingencia más grandes. El trabajo se presenta como una mejora práctica para la práctica estadística, poniendo las herramientas a disposición para facilitar su aplicación.

Resumen Técnico: Nuevas Pruebas de Equivalencia para la Independencia Aproximada en Tablas de Contingencia

Más como este