A binary factor model

En el mundo de la estadística, los investigadores a menudo se enfrentan a un rompecabezas: cómo dar sentido a una larga lista de hechos relacionados sin perderse en los detalles. Imagine intentar comprender por qué un grupo de personas comparte ciertos rasgos, como tener una enfermedad específica, tener una edad determinada o vivir en un lugar particular. En lugar de observar cada rasgo individualmente, los estadísticos utilizan una herramienta llamada análisis factorial. Este método intenta encontrar unas pocas causas ocultas y subyacentes que expliquen por qué esos rasgos aparecen juntos. Durante décadas, esta herramienta funcionó maravillosamente para mediciones que podían ser cualquier número, como la altura o la temperatura. Sin embargo, tuvo dificultades cuando los datos consistían en respuestas simples de sí o no, como si un paciente fue hospitalizado o no. Los métodos antiguos asumían que las causas ocultas eran suaves y continuas, lo cual no encajaba con la naturaleza nítida y binaria de los datos de sí o no.

Un investigador liderado por Luis E. Nieto-Barajas en el ITAM en México ha desarrollado una nueva forma de resolver este problema. Crearon un modelo fresco diseñado específicamente para datos binarios, donde las respuestas son estrictamente sí o no. En su enfoque, las causas ocultas que buscan se comportan de manera diferente a los modelos antiguos. En lugar de moverse libremente, estos factores ocultos están diseñados para evitarse entre sí; si un factor es fuerte, los otros deben ser más débiles. Esto crea un equilibrio natural, muy parecido a un espacio limitado donde solo una cosa puede estar plenamente presente a la vez. Al utilizar este comportamiento específico, el investigador puede descubrir las estructuras ocultas en los datos binarios sin forzar los datos a encajar en una forma a la que no pertenecen.

Para probar su idea, el investigador primero construyó una simulación por computadora. Creó un conjunto de datos ficticios con siete variables diferentes de sí o no y tres causas ocultas. Introdujo estos datos en su nuevo modelo y observó si podía encontrar las tres causas originales que había plantado. El modelo funcionó bien, identificando con éxito el número correcto de causas ocultas y estimando su importancia. El investigador encontró que cuando intentaba usar menos o más causas de las reales, la capacidad del modelo para explicar los datos disminuía. Esta simulación demostró que su marco matemático era sólido y podía manejar la complejidad de los datos binarios sin desmoronarse.

Animado por la simulación, el investigador recurrió a datos del mundo real para ver si su modelo podía manejar una situación desordenada de la vida real. Analizó una base de datos de 1,814 casos confirmados de COVID-19 en México. Los datos incluían doce indicadores diferentes para cada paciente, tales como si era mujer, si fue hospitalizada, si tenía neumonía o si padecía condiciones como diabetes u obesidad. El objetivo era ver si el modelo podía agrupar estos doce indicadores en algunas categorías significativas que explicaran por qué ciertos pacientes tenían combinaciones específicas de síntomas.

El modelo clasificó con éxito a los pacientes en tres grupos ocultos distintos. El primer grupo vinculó la hospitalización y la neumonía, sugiriendo una causa oculta relacionada con complicaciones graves del virus. El segundo grupo se vinculó casi por completo al hecho de ser mujer, indicando que el género era un factor distinto por sí mismo, separado de la gravedad de la enfermedad. El tercer grupo reunió un conjunto de condiciones como diabetes, enfermedades cardíacas y insuficiencia renal, que tendían a aparecer juntas en adultos mayores. Este tercer grupo representaba una causa oculta de problemas de salud en adultos que hacía a los pacientes más vulnerables. El investigador comparó sus resultados con el método tradicional utilizado durante años, que intenta forzar los datos binarios en la antigua forma continua. El método tradicional mezclaba estos grupos, combinando las complicaciones graves con el género de una manera que oscurecía los patrones claros que el nuevo modelo reveló.

El estudio también analizó qué tanto importaban estos grupos ocultos. El investigador encontró que el grupo relacionado con las complicaciones graves y el grupo relacionado con los problemas de salud en adultos eran los más importantes, explicando cada uno una parte significativa de la variación en los datos. El factor de género, aunque distinto, explicaba menos del panorama general. Al utilizar su nuevo método, el investigador pudo ver estos patrones claramente sin la confusión que plagaba a las técnicas anteriores. No solo encontraron una nueva fórmula; encontraron una forma de ver la estructura de los datos binarios con mayor claridad, demostrando que cuando las causas ocultas se permiten comportarse de una manera que coincida con los datos, la historia que cuentan es mucho más fácil de entender. El trabajo sugiere que, para preguntas que involucran respuestas de sí o no, las herramientas antiguas pueden estar errando el blanco, y que es necesario un nuevo enfoque que respete la naturaleza única de los datos para encontrar la verdad.