📊 statistics

The V-fold jackknife for semiparametric inference: variance estimation, confidence intervals, and simultaneous confidence bands

Este artículo presenta el jackknife de V-pliegues como una alternativa computacionalmente eficiente y teóricamente justificada al bootstrap para la inferencia semiparamétrica, estableciendo su validez para la construcción de intervalos de confianza y bandas simultáneas tanto para estimadores asintóticamente lineales estándar como generalizados sin requerir la derivación de la función de influencia.

Autores originales: Yi Li, Ashkan Ertefaie, Mark van der Laan

Publicado 2026-07-27

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yi Li, Ashkan Ertefaie, Mark van der Laan

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: "¿Qué tan seguros podemos estar de nuestra respuesta?". En el mundo de la estadística, esto se llama inferencia. Cuando los científicos usan datos para adivinar una verdad —como el efecto promedio de un nuevo medicamento o la tasa de supervivencia de un paciente— necesitan una forma de medir cuánto podría oscilar su respuesta si recolectaran datos diferentes. Este margen de oscilación es la incertidumbre, y la herramienta utilizada para medirla es a menudo un intervalo de confianza. Piensa en un intervalo de confianza como una red de seguridad: si dices que la respuesta es "50", un intervalo de confianza del 95% podría decir: "Estamos 95% seguros de que la respuesta real está entre 45 y 55".

Durante décadas, la herramienta favorita del detective para construir esta red de seguridad ha sido el bootstrap. Imagina que tienes una bolsa de canicas que representan tus datos. El bootstrap dice: "Tomemos un puñado, anotemos los colores, devolvámoslas y repitamos el proceso". Repites esto miles de veces, creando miles de conjuntos de datos falsos. Al ver cuánto cambian las respuestas a través de estos miles de intentos, puedes determinar qué tan inestable es tu respuesta real. Es poderoso porque funciona para casi cualquier cosa, pero también es agotador. Si tu problema matemático es complejo (como los utilizados en el aprendizaje automático moderno), ejecutarlo miles de veces puede tomar una eternidad, como intentar contar cada grano de arena en una playa levantándolos uno por uno.

Recientemente, ha surgido un nuevo problema. En la era de la inteligencia artificial y los algoritmos complejos, el truco de la "bolsa de canicas" a veces se rompe. Cuando sacas canicas y las vuelves a meter, podrías accidentalmente elegir la misma canica dos veces o saltarte algunas por completo. Para matemáticas simples, esto no importa. Pero para los algoritmos adaptativos y sofisticados que se usan hoy en día, este pequeño fallo puede arruinar toda la red de seguridad, haciendo que los intervalos de confianza mientan sobre qué tan seguros son. Los científicos necesitaban una nueva herramienta que fuera lo suficientemente rápida para ejecutarse en una computadora portátil y lo suficientemente inteligente para manejar estos algoritmos modernos tan complicados sin mentir sobre los resultados.

Aquí es donde entra el artículo "The V-Fold Jackknife for Semiparametric Inference". Los autores, Yi Li, Ashkan Ertefaie y Mark Van Der Laan, proponen una alternativa ingeniosa llamada V-Fold Jackknife. En lugar del juego de "tomar y reemplazar" del bootstrap, sugieren una estrategia de "divide y vencerás". Imagina que tienes una pizza gigante (tus datos). En lugar de hacer miles de pizzas falsas, simplemente cortas la pizza real en V rebanadas (pliegues). Luego, retiras una rebanada, resuelves el rompecabezas con las rebanadas restantes y anotas la respuesta. Haces esto para cada rebanada, de modo que terminas con V respuestas diferentes.

La magia de este método reside en cómo utiliza esas respuestas. Los autores demuestran que al observar cuánto difieren estas V respuestas entre sí, puedes construir una red de seguridad que es tan confiable como la construida por los miles de intentos del bootstrap, pero que solo requiere que resuelvas el rompecabezas V veces (usualmente entre 5 y 20 veces). Eso es una aceleración masiva.

Pero aquí está la parte realmente genial: el artículo demuestra que este método funciona incluso cuando las matemáticas se vuelven extrañas. Usualmente, cuando tienes un número pequeño de rebanadas (un V pequeño), esperarías que tu red de seguridad fuera inestable. Sin embargo, los autores descubrieron que si utilizas un tipo específico de "regla" matemática (llamada distribución t con V-1 grados de libertad) para medir la oscilación, la red de seguridad se mantiene fuerte. Es como tener una regla que se alarga y se vuelve más cautelosa automáticamente cuando tienes menos rebanadas para medir, asegurando que no te caigas accidentalmente por un acantilado.

El artículo también aborda un escenario donde la "oscilación" se hace más grande a medida que obtienes más datos, lo cual sucede en algunos modelos avanzados de aprendizaje automático. El V-Fold Jackknife maneja esto de forma natural porque mide la oscilación directamente desde las rebanadas de datos, en lugar de intentar calcular una fórmula compleja que podría romperse.

Para probar su idea, los autores realizaron simulaciones en tres tipos diferentes de problemas:

Efecto de Tratamiento Promedio: Determinar si un tratamiento funciona. Descubrieron que, mientras que el viejo método de la "función de influencia" (un enfoque estándar basado en fórmulas) a menudo daba redes de seguridad demasiado pequeñas (sub-cobertura), el V-Fold Jackknife mantenía la red lo suficientemente amplia como para ser confiable, incluso con tamaños de muestra pequeños.
Curvas de Supervivencia: Rastrear cuánto tiempo sobreviven los pacientes. Aquí, el V-Fold Jackknife funcionó tan bien como los mejores métodos existentes, pero fue mucho más rápido de computar.
Curvas de Dosis-Respuesta: Aquí es donde los métodos antiguos realmente tuvieron dificultades. En estos escenarios complejos, las fórmulas estándar a menudo fallaban o daban respuestas incorrectas (fallando hasta un 6.2% de las veces en sus pruebas). El V-Fold Jackknife, sin embargo, nunca falló y proporcionó las redes de seguridad más confiables de todas.

Los autores también mostraron cómo usar este método para crear una "manta de seguridad" que cubra una curva completa a la vez, no solo un punto. Encontraron que, incluso con un número modesto de rebanadas (como 20), el método funciona sorprendentemente bien, especialmente porque los datos en estos problemas suelen tener una simplicidad oculta (bajo "rango efectivo") que el método puede explotar.

En resumen, este artículo presenta una herramienta que es como una red de seguridad de alta velocidad y bajo mantenimiento. No requiere el trabajo pesado de ejecutar miles de simulaciones, y no se rompe cuando las matemáticas se complican o los datos se comportan de manera extraña. Ofrece una forma para que los científicos confíen en sus respuestas en la era del aprendizaje automático, asegurando que cuando digan "estamos 95% seguros", realmente lo digan.

Resumen Técnico: El Jackknife de V-pliegues para la Inferencia Semiparamétrica

Planteamiento del Problema
El bootstrap ha servido durante mucho tiempo como la herramienta por defecto para la inferencia estadística debido a su amplia aplicabilidad y mínimos requisitos analíticos. Sin embargo, su validez teórica para los estimadores modernos semiparamétricos y basados en aprendizaje automático permanece en gran medida sin estudiar. En entornos contemporáneos que involucran estimación de estorvos (nuisance) de alta dimensión, selección de modelos adaptativa y algoritmos de aprendizaje automático, el bootstrap no paramétrico ordinario suele fallar. El remuestreo con reemplazo perturba la distribución empírica de maneras que alteran la trayectoria de estimación adaptativa a los datos (por ejemplo, la selección de parámetros de ajuste, las particiones de validación cruzada interna y los estimadores de estorbo ajustados). En consecuencia, el estimador computado en una muestra de bootstrap puede no satisfacer la misma expansión de primer orden que el estimador original, lo que conduce a una inferencia inválida. Además, el costo computacional de reajustar estimadores complejos cientos o miles de veces es sustancial. Existe la necesidad de un marco de inferencia que sea computacionalmente eficiente, teóricamente justificado para estimadores asintóticamente lineales y que no dependa de la derivación analítica de funciones de influencia.

Metodología
El artículo propone el jackknife de V-pliegues (un jackknife de grupo o de eliminación de grupos) como una alternativa computacionalmente eficiente y teóricamente justificada. El procedimiento implica:

Partición: Dividir la muestra de tamaño $n$ en $V$ pliegues disjuntos y de tamaño aproximadamente igual $\{I_1, \dots, I_V\}$ .
Estimación de exclusión de pliegue (Leave-Fold-Out): Calcular el estimador $\hat{\Psi}(P_{n,-v})$ sobre la submuestra que excluye el pliegue $v$ , para cada $v=1, \dots, V$ .
Construcción de pseudo-valores: Calcular los pseudo-valores de jackknife definidos como $IC_{Jack}(v) = V\hat{\Psi}(P_n) - (V-1)\hat{\Psi}(P_{n,-v})$ .
Estimación de la varianza: Estimar la varianza utilizando la dispersión empírica de estos pseudo-valores: $\hat{S}^2_{Jack} = (V-1)^{-1} \sum_{v=1}^V (IC_{Jack}(v) - \hat{\Psi}_{Jack}(P_n))^2$ .
Inferencia: Construir intervalos de confianza utilizando el estadístico studentizado y valores críticos de la distribución $t$ con $V-1$ grados de libertad ( $t_{V-1}$ ), en lugar de la distribución normal estándar.

El método se desarrolla para estimadores regulares asintóticamente lineales de parámetros diferenciables por trayectoria (por ejemplo, TMLE, estimadores de un paso, IPW aumentado) y se extiende a estimadores generalizados asintóticamente lineales donde la varianza de la función de influencia diverge con el tamaño de la muestra (por ejemplo, curvas dosis-respuesta de HAL).

Contribuciones Clave
El artículo establece seis contribuciones teóricas y metodológicas primarias:

Teoría Asintótica de V Fijo: Los autores extienden el resultado de Brillinger (1964) de los estimadores de máxima verosimilitud a toda la clase de estimadores regulares asintóticamente lineales. Demuestran que para un $V \ge 2$ fijo, el estadístico del jackknife de V-pliegues studentizado converge en distribución a una distribución $t_{V-1}$ . Esto permite intervalos de confianza válidos a pesar de que el estimador de la varianza del jackknife no converge en probabilidad a la verdadera varianza asintótica cuando $V$ es fijo.
Consistencia de V Divergente: El artículo establece que a medida que $V \to \infty$ (sujeto a $V = o(n)$ y condiciones específicas de estabilidad del residuo), el estimador de la varianza del jackknife es consistente a una tasa de $V^{-1/2}$ . Esto respalda el uso de la inferencia de tipo Wald con un $V$ que crece lentamente (por ejemplo, $V = \log n$ ).
Bandas de Confianza Simultáneas: Los autores desarrollan la primera construcción de bandas de confianza simultáneas basada en el jackknife agrupado. Este método utiliza una distribución límite studentizada por componentes que tiene en cuenta la estructura de Wishart de los denominadores a nivel de pliegue. Los valores críticos se calculan mediante simulación de Monte Carlo a partir de la matriz de correlación estimada, evitando la necesidad de apilamiento analítico de funciones de influencia o de masivos reajustes de bootstrap.
Invariancia de Escala para Tasas de No- $\sqrt{n}$ : El marco se extiende a estimadores con tasas de convergencia más lentas que $\sqrt{n}$ donde la varianza de la función de influencia diverge (por ejemplo, estimadores HAL). Se demuestra que el proceso de studentización es invariante a la escala; la tasa de divergencia desconocida se cancela en el numerador y el denominador, permitiendo una inferencia válida sin necesidad de derivar o estimar explícitamente la dimensión efectiva o la tasa de convergencia.
Bandas Corregidas por Sesgo: El artículo introduce bandas de confianza simultáneas corregidas por sesgo que ensanchan el intervalo mediante el estimador de sesgo absoluto del jackknife ( $|\hat{b}_j|$ ) para abordar el sesgo de muestra finita, particularmente relevante para parámetros no suaves.
Validación Empírica: Simulaciones extensas sobre efectos de tratamiento promedio (TMLE), curvas de supervivencia de Kaplan–Meier y curvas dosis-respuesta basadas en HAL demuestran la fiabilidad del método.

Resultos
Los estudios de simulación confirman las propiedades teóricas del jackknife de V-pliegues:

Inferencia Escalar (ATE): En escenarios con violaciones severas de positividad o modelos de estorbo mal especificados, los métodos estándar basados en la función de influencia (EIC) y los estimadores de varianza robustos sufren de una subcobertura sustancial (tan baja como el 70%). El jackknife de V-pliegues con valores críticos $t_{V-1}$ mantiene una cobertura cercana o superior al nivel nominal del 95% en todos los escenarios, incluso con tamaños de muestra pequeños ( $n=200$ ). Aunque los intervalos son más amplios que los del bootstrap para $V$ y $n$ pequeños, proporcionan una cobertura fiable donde otros métodos fallan.
Inferencia Funcional (Curvas de Supervivencia): Para el estimador de Kaplan–Meier, el jackknife de V-pliegues produce bandas puntuales y simultáneas comparables con métodos establecidos (fórmula de Greenwood, Hall–Wellner, bootstrap). El método maneja eficazmente la singularidad de la matriz de correlación estimada (cuando el número de puntos de evaluación $m$ excede $V-1$ ), aprovechando el bajo rango efectivo de la estructura de correlación.
Tasas No Estándar (Dosis-Respuesta de HAL): Para las curvas dosis-respuesta basadas en HAL, el método delta frecuentemente falla numéricamente (produciendo errores estándar NA) y estadísticamente (subcobertura severa, por ejemplo, 19.2% para bandas simultáneas en escenarios oscilantes). El jackknife de V-pliegues nunca falla numéricamente y alcanza consistentemente la cobertura más alta entre los métodos comparados. Las bandas corregidas por sesgo logran restaurar una cobertura cercana a la nominal en entornos con sesgo moderado.

Significancia
El artículo sostiene que el jackknife de V-pliegues ofrece una alternativa práctica y computacionalmente eficiente y teóricamente fundamentada al bootstrap para la inferencia semiparamétrica moderna. Su significancia radica en tres áreas:

Eficiencia Computacional: Requiere solo $V$ reajustes (por ejemplo, 5–20) en comparación con los cientos o miles requeridos por el bootstrap, lo que lo hace factible para estimadores basados en aprendizaje automático costosos.
Robustez Teórica: Proporciona inferencia válida para estimadores asintóticamente lineales sin requerir la compleja derivación analítica de funciones de influencia o la verificación de las condiciones de validez del bootstrap que a menudo son violadas por algoritmos adaptativos a los datos.
Versatilidad: Maneja naturalmente las tasas de convergencia no estándar y las varianzas divergentes mediante la invariancia de escala, una propiedad que permite a los profesionales realizar inferencia sobre funcionales complejos (como curvas dosis-respuesta) sin conocer la dimensión efectiva o la tasa de convergencia.

Los autores enfatizan que, si bien la corrección $t_{V-1}$ de $V$ fijo proporciona una mejora de muestra finita sobre las aproximaciones normales, la validez del método para bandas simultáneas y escenarios de $V$ divergente depende de la estabilidad del residuo a nivel de pliegue del estimador subyacente. El enfoque es particularmente valioso en entornos donde los errores estándar analíticos no están disponibles, son difíciles de derivar o son numéricamente inestables.

Resumen Técnico: El Jackknife de V-pliegues para la Inferencia Semiparamétrica

Más como este