📄 social_science

You Have More Data Than You Think: Optimizing Machine Learning in Tabular Social Science Datasets Through Augmentation and Linkage

Este artículo detalla cómo los autores lograron un rendimiento superior en el desafío de predicción de la fertilidad empleando dos estrategias de ingeniería de datos —aumento de datos por desplazamiento temporal para incrementar el tamaño de la muestra y vinculación de parejas para expandir los conjuntos de características— demostrando su efectividad para optimizar el aprendizaje automático en conjuntos de datos tabulares de ciencias sociales.

Autores originales: Hanzhang Ren, Emily M. Cantrell

Publicado 2026-08-07

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Hanzhang Ren, Emily M. Cantrell

Artículo original bajo licencia CC BY 4.0 (https://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

La Gran Búsqueda de Datos: Por qué más ojos sobre el problema ayuda

Imagina que estás tratando de adivinar el final de una novela de misterio, pero solo tienes tres páginas para trabajar. Podrías hacer una suposición descabellada, pero probablemente te equivocarías. Ahora, imagina que pudieras encontrar mágicamente tres copias más de ese mismo libro, pero que fueran escritas en años ligeramente diferentes. Incluso si la ropa de los personajes cambiara un poco o el clima fuera distinto, la historia central —sus personalidades, sus relaciones y sus motivaciones— probablemente se mantendría igual. Al leer las cuatro versiones, tendrías una posibilidad mucho mayor de predecir el final. Esto es el corazón del aprendizaje automático (machine learning), una rama de la informática donde las computadoras aprenden a detectar patrones y a hacer predicciones, de forma muy similar a un detective resolviendo un caso.

Sin embargo, en el mundo de las ciencias sociales —el estudio de cómo las personas viven, aman y toman decisiones— los detectives suelen tener dificultades porque no tienen suficientes "páginas". Las encuestas y los estudios a menudo cuentan con muy pocas personas para observar, lo que dificza que las computadoras aprendan las reglas del comportamiento humano. Aquí es donde entra el concepto de aumento de datos (data augmentation). Piensa en ello como una forma de estirar un trozo pequeño de masa para convertirlo en una hogaza más grande sin añadir nuevos ingredientes. En lugar de esperar a que más personas se unan a un estudio, los investigadores intentan reorganizar hábilmente los datos que ya tienen para que parezca que hay más personas o más información disponible. La gran pregunta es: ¿Podemos engañar a la computadora para que aprenda mejor dándole "más" datos, incluso si esos datos son solo una versión hábilmente reorganizada de lo que ya sabíamos?

La historia del artículo: Estirando el tiempo y vinculando parejas

En un estudio reciente, los investigadores Hanzhang Ren y Emily M. Cantrell abordaron este mismo problema mientras participaban en una competencia global llamada PreFer (Predicting Fertility). El desafío era simple pero difícil: predecir si una persona en los Países Bajos tendría un nuevo bebé (por nacimiento o adopción) entre 2021 y 2023. ¿El inconveniente? Los datos que tenían eran de una encuesta con solo 987 personas. Esa es una multitud diminuta para una computadora que intenta aprender las complejas reglas de la planificación familiar.

Los investigadores no inventaron un cerebro informático nuevo y supercomplejo. En su lugar, utilizaron dos trucos ingeniosos para hacer que sus datos existentes se sintieran mucho más grandes y ricos. Llamaron a estos trucos "aumento de datos por desplazamiento temporal" (time-shift data augmentation) y "vinculación de pareja" (partner linkage).

Truco #1: La máquina del tiempo (Aumento de datos por desplazamiento temporal)
Imagina que tienes un diario donde escribiste tus pensamientos cada año. Si quieres predecir qué harás el próximo año, normalmente solo miras tu entrada más reciente. Pero, ¿qué pasaría si pudieras fingir que tu entrada de hace tres años fue escrita ayer?

Los investigadores hicieron exactamente esto. Tomaron datos de 2018–2020 y los "desplazaron en el tiempo" hacia adelante para que parecieran ser de 2021–2023. No se limitaron a copiar y pegar; ajustaron cuidadosamente los números. Por ejemplo, si alguien nació en 1987, cambiaron el registro para decir que nació en 1990, de modo que su edad coincidiera con el nuevo cronograma. También ajustaron los valores monetarios para tener en cuenta la inflación, tal como se actualiza una etiqueta de precio de 2018 a 2023.

Al hacer esto, convirtieron sus 987 personas originales en 2,839 "personas" para que la computadora las estudiara. Es como tomar un grupo pequeño de actores y pedirles que interpreten los mismos papeles en un año ligeramente diferente, dándole a la computadora tres veces más ejemplos de los que tiene para aprender. ¿El resultado? Las predicciones de la computadora mejoraron. La puntuación de precisión del modelo (llamada $R^2_{CV}$ ) saltó de 0.543 a 0.581. No fue una solución mágica, pero fue una mejora sólida, lo que sugiere que tener más ejemplos realmente ayuda a la computadora a aprender los patrones del comportamiento humano.

Truco #2: La conexión del mejor amigo (Vinculación de pareja)
El segundo truco consistía en mirar el panorama completo, no solo a una persona. En muchas encuestas, un esposo y una esposa aparecen en líneas separadas. Si la computadora está tratando de adivinar si tú tendrás un bebé, usualmente solo mira tus respuestas. Pero en la vida real, las parejas suelen decidir tener hijos juntas.

Los investigadores construyeron un puente entre estas líneas separadas. Vincularon los datos de una persona con los datos de su cónyuge o pareja. Si la pareja de una persona respondió preguntas sobre querer un bebé, esa respuesta se añadió al archivo de la persona. De repente, la computadora no solo estaba mirando los pensamientos de una persona; estaba viendo los pensamientos combinados de la pareja.

Esto añadió nuevas "pistas" al misterio. Cuando utilizaron estos datos de la pareja, la puntuación de precisión aumentó de nuevo, de 0.543 a 0.557. Fue un salto menor que el de la máquina del tiempo, pero demostró que saber lo que piensa tu pareja importa.

El combo de poder
La verdadera magia ocurrió cuando usaron ambos trucos juntos. Al desplazar los datos en el tiempo y vincular a las parejas, la puntuación de precisión de la computadora subió a 0.591. Este enfoque combinado mejoró el modelo en 0.047 en comparación con los datos originales.

Para poner esto en perspectiva, los investigadores compararon sus "trucos de datos" con otras formas de mejorar un modelo. Encontraron que sus trucos combinados eran casi tan útiles como pasar horas ajustando la configuración de la computadora (un proceso llamado ajuste de hiperparámetros o hyperparameter tuning). De hecho, la mejora de sus trucos de datos fue casi tan grande como la brecha entre su modelo ganador y el ganador del segundo lugar en la competencia.

Lo que esto significa (y lo que no)

El estudio sugiere que en las ciencias sociales, donde los datos suelen ser escasos, podríamos tener más información de la que pensamos. No siempre necesitamos esperar nuevas encuestas; a veces podemos obtener mejores resultados mediante la reformulación creativa de las anteriores.

Sin embargo, los autores tienen cuidado de no decir que esta es una solución perfecta para todos los problemas. Señalan que si el mundo cambia demasiado con el tiempo (como durante una pandemia), el truco del "desplazamiento temporal" podría confundir a la computadora porque los patrones antiguos ya no encajan con la nueva realidad. También señalan que si un estudio ya cuenta con una gran cantidad de datos, añadir más filas "falsas" podría no ayudar mucho. Y para algunos temas, saber la opinión de una pareja podría no importar en absoluto.

Pero para el desafío específico de predecir la fertilidad en los Países Bajos, el mensaje es claro: Tienes más datos de los que crees. Al estirar el tiempo y vincular a las parejas, los investigadores pueden dar a sus computadoras una mejor visión de la historia humana, lo que conduce a predicciones más agudas y a una comprensión más profunda de cómo crecen las familias.

Resumen Técnico: Optimización del Aprendizaje Automático en Conjuntos de Datos Tabulares de Ciencias Sociales

Planteamiento del Problema

El aprendizaje automático ofrece herramientas poderosas para identificar interacciones complejas y patrones no lineales en las ciencias sociales, pero el rendimiento predictivo suele ser bajo, particularmente cuando se trabaja con tamaños de muestra pequeños, comunes en encuestas y estudios de eventos poco frecuentes. En el contexto del desafío de predicción de la fertilidad (PreFer), los investigadores recibieron la tarea de predecir nacimientos y adopciones utilizando datos administrativos y de encuestas holandesas. El núcleo del problema abordado en este artículo es cómo mejorar la precisión predictiva en conjuntos de datos tabulares de ciencias sociales donde los tamaños de muestra son limitados y el número de variables disponibles puede ser insuficiente para capturar la complejidad total del resultado.

Los autores enmarcan el problema a través de la lente de dos fuentes de error de predicción:

Error de Aprendizaje (Learning Error): La brecha entre las predicciones y la media condicional real para individuos idénticos, causada por la incapacidad del modelo para aprender la relación entre las variables y los resultados. Esto suele verse exacerbado por tamaños de muestra pequeños.
Error Irreducible (Irreducible Error): La brecha entre la media condicional real y el resultado real para individuos idénticos, la cual solo puede reducirse cambiando el conjunto de variables (es decir, añadiendo más información relevante).

Metodología

Los autores emplearon dos estrategias específicas de ingeniería de datos para crear efectivamente "más" datos, abordando tanto el error de aprendizaje (mediante la expansión del tamaño de la muestra) como el error irreducible (mediante la expansión de las variables). Estas estrategias fueron aplicadas a los datos de la encuesta de panel Longitudinal Internet studies for the Social Sciences (LISS).

1. Aumento de Datos por Desplazamiento Temporal (Time-Shift Data Augmentation)

Esta estrategia aborda el error de aprendizaje al aumentar artificialmente el tamaño de la muestra.

Concepto: Aprovechando la naturaleza longitudinal de los datos de panel, los autores reutilizaron observaciones de períodos anteriores para crear casos de entrenamiento adicionales.
Implementación:
- El conjunto de datos original estaba en un formato "ancho" (una fila por individuo con múltiples años de datos). Los autores lo pivotaron a un formato "largo" donde cada fila representa una entidad-período de tiempo (un "persona-año").
- Calcularon los resultados para un período de tres años anterior (2018–2020) y los añadieron como nuevas filas al conjunto de entrenamiento.
- Alineación Temporal: Las variables se renombraron y desplazaron sistemáticamente tres años hacia adelante para mantener la relación temporal correcta entre los predictores y los resultados. Por ejemplo, una variable de intención de fertilidad de 2017 se renombró para coincidir con la variable de 2020, ya que ambas representaban intenciones medidas un año antes de sus respectivos períodos de resultado.
- Ajustes de Valor: Los valores dependientes del tiempo (por ejemplo, años de nacimiento) se ajustaron sumando tres años. Los valores monetarios (por ejemplo, ingresos) se ajustaron utilizando el Índice de Precios al Consumidor para contabilizar la inflación.
- Mitigación de Deriva (Drift): Para abordar la posible "deriva temporal" (cambios en los patrones de datos a lo largo del tiempo), se añadió una variable binaria para indicar si una fila procedía del período original o del período desplazado temporalmente, permitiendo que el modelo aprenda las diferencias sistemáticas.
Resultado: Esta estrategia casi triplicó el tamaño de la muestra de 987 a 2,839.

2. Vinculación de Parejas (Partner Linkage)

Esta estrategia aborda el error irreducible al aumentar el número de variables.

Concepto: Muchos conjuntos de datos de ciencias sociales almacenan a los miembros del hogar en filas separadas, lo que impide que los modelos utilicen la información sobre cónyuges o parejas de convivencia al predecir el resultado de un individuo.
Implementación:
- Los autores identificaron a las parejas dentro de la encuesta LISS utilizando IDs de hogar y etiquetas de posición de relación (por ejemplo, "pareja casada", "pareja no casada").
- Se aplicaron filtros estrictos para asegurar una vinculación precisa, incluyendo la verificación cruzada de la convivencia reportada y la validación de que los géneros y años de nacimiento coincidieran entre las parejas.
- Una vez vinculados, las variables de las respuestas de la pareja (por ejemplo, intenciones de fertilidad, visitas al ginecólogo, año de nacimiento) se fusionaron en la fila de la persona focal.
- La vinculación se realizó únicamente cuando ambos miembros de la pareja tenían resultados no faltantes para asegurar la consistencia entre los conjuntos de entrenamiento y de prueba.
Resultado: Los datos de la pareja se vincularon con éxito para aproximadamente el 35% de todos los persona-años con pareja, añadiendo 14 variables específicas de la pareja al modelo.

Modelo y Evaluación

Algoritmo: El modelo principal utilizado fue XGBoost (un marco de gradient boosting) con ajuste de hiperparámetros mediante búsqueda de cuadrícula (grid search). También se probó la regresión logística como prueba de concepto.
Ingeniería de Variables: Más allá de las dos estrategias principales, los autores construyeron escalas para actitudes abstractas (por ejemplo, actitudes de fertilidad tradicionales) y datos "coalescidos" a lo largo del tiempo (seleccionando el valor más reciente para medidas repetidas).
Validación: El estudio utilizó validación cruzada de 5 pliegues (5-fold cross-validation). Crucialmente, para prevenir la fuga de datos (data leakage) y la deriva temporal, los datos desplazados temporalmente se incluyeron solo en los pliegues de entrenamiento, no en los de prueba. Los miembros del hogar se mantuvieron dentro del mismo pliegue para evitar la fuga de información.
Métricas: El rendimiento se evaluó utilizando $R^2_{CV}$ (R-cuadrado de validación cruzada), la puntuación F1 y otras métricas estándar. Los intervalos de confianza se generaron mediante bootstrapping.

Resultados Clave

El estudio demuestra que ambas estrategias de ingeniería de datos, de forma independiente y conjunta, mejoraron el rendimiento predictivo:

Rendimiento Base (Baseline): Utilizando el conjunto de entrenamiento original (987 casos), el modelo XGBoost alcanzó un $R^2_{CV}$ de 0.543.
Impacto de las Estrategias Individuales:
- Vinculación de Parejas: Aumentó el $R^2_{CV}$ a 0.557 (+0.013). Los autores señalan que esta ganancia fue modesta debido en parte a que los datos de la pareja solo pudieron fusionarse para ~35% de las personas con pareja.
- Aumento por Desplazamiento Temporal: Aumentó el $R^2_{CV}$ a 0.581 (+0.037).
Impacto Combinado: La aplicación de ambas estrategias juntas elevó el $R^2_{CV}$ a 0.591, una mejora de +0.047 respecto al nivel base.
Magnitud Contextual:
- La mejora combinada de +0.047 fue aproximadamente equivalente al 30% de la ganancia total de rendimiento lograda por el modelo ganador sobre un nivel base de "intenciones de fertilidad".
- La ganancia de las estrategias combinadas fue mayor que la ganancia lograda únicamente mediante el ajuste de hiperparámetros (que mejoró el rendimiento en ~0.023).
- En términos de la métrica principal de la competencia (puntuación F1), las estrategias combinadas mejoraron el rendimiento en 0.030, una diferencia casi tan grande como la brecha entre el modelo ganador y el segundo lugar.
Generalizabilidad: Las estrategias también mejoraron el rendimiento cuando se aplicaron a un modelo de regresión logística con variables base y a un modelo de regresión logística con el conjunto completo de variables, lo que sugiere que los beneficios no son específicos de los modelos basados en árboles.

Significado y Reivindicaciones

El artículo sostiene que el rendimiento ganador en el desafío PreFer fue impulsado no por una arquitectura de modelo innovadora (ya que los autores utilizaron un modelo XGBoost estándar), sino por una ingeniería de datos creativa que transformó los datos existentes en efectivamente "más" datos.

Utilidad Práctica: Los autores argumentan que estas estrategias son ampliamente aplicables a una amplia gama de conjuntos de datos de ciencias sociales, incluyendo encuestas longitudinales y registros administrativos, particularmente donde los tamaños de muestra son pequeños.
Abordaje de Fuentes de Error: El trabajo proporciona un caso de estudio concreto de cómo abordar simultáneamente el error de aprendizaje (vía expansión del tamaño de la muestra) y el error irreducible (vía expansión de las variables).
Gestión de Datos: El artículo concluye con recomendaciones para que los gestores de datos estructuren la información en formatos legibles por máquinas (por ejemplo, nomenclatura de variables consistente entre olas, IDs de hogar claros) para facilitar tales técnicas de aumento.
Reivindicaciones Moderadas: Los autores mantienen la modestia, reconociendo que los beneficios de estas estrategias dependen de la tarea de predicción específica. Señalan que la deriva temporal puede reducir la utilidad del aumento por desplazamiento temporal en contextos de cambio rápido, y que la vinculación de parejas puede conducir al sobreajuste (overfitting) si las características de la pareja son irrelevantes para el resultado. Sugieren que la "maldición de la dimensionalidad" asociada a la adición de variables podría verse mitigada por el aumento del tamaño de la muestra proporcionado por el desplazamiento temporal.

En resumen, el artículo postula que los científicos sociales a menudo disponen de más datos de los que creen, y que el aumento estratégico y la vinculación pueden mejorar significativamente el rendimiento del aprendizaje automático en contextos de datos tabulares de ciencias sociales.