A Systematic Review of Zero-Inflated Count Time Series Models: Techniques, Developments, Challenges and Future Directions
Este artículo presenta la primera revisión sistemática de la literatura y el análisis bibliométrico exhaustivo de los modelos de series temporales de conteo INAR con exceso de ceros, sintetizando los desarrollos metodológicos, las técnicas de estimación y las aplicaciones, al tiempo que identifica desafíos persistentes como la sobredispersión y la carga computacional para guiar futuras direcciones de investigación.
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
En muchas áreas de la vida, desde el seguimiento de la propagación de una enfermedad hasta el conteo del número de aves en un bosque o los accidentes en una carretera, los científicos dependen de datos que se presentan en números enteros. No se puede tener medio pájaro o un cuarto de accidente de coche; los datos son discretos, apareciendo como 0, 1, 2 o 3. Sin embargo, estos conteos a menudo se comportan de maneras que las herramientas estadísticas estándar luchan por comprender. Una característica común y complicada de estos datos es la presencia de un número inusualmente alto de ceros. A veces, un cero significa que nada sucedió porque el evento era imposible o las condiciones eran incorrectas; otras veces, simplemente significa que el evento ocurrió pero no fue registrado. Cuando un conjunto de datos está lleno de estos ceros adicionales, los métodos tradicionales pueden producir resultados engañosos, subestimando el riesgo o perdiendo patrones por completo. Para resolver esto, los investigadores han desarrollado modelos especializados que tratan los ceros y los conteos reales como si provinieran de dos fuentes distintas, permitiendo una imagen más precisa de la realidad.
Dos investigadores de la Universidad Central de Rajasthan en la India, Saurabh Kumar y Suraj Prakash, se propusyeron recientemente mapear todo el panorama de estos modelos especializados. Realizaron una revisión sistemática, un método riguroso de recopilación y análisis de la literatura científica existente para encontrar las respuestas más fiables a una pregunta específica. Su objetivo era comprender cómo han evolucionado estos modelos, qué técnicas se utilizan actualmente y dónde residen los mayores desafíos. Al examinar 40 estudios clave publicados entre 1992 y 2025, rastrearon el viaje de estas herramientas matemáticas desde conceptos simples hasta sistemas complejos capaces de manejar los datos desordenados e irregulares que se encuentran en el mundo real.
Los investigadores comenzaron buscando en las principales bases de datos científicas, filtrando cientos de artículos para encontrar solo aquellos que abordaban específicamente datos de conteo basados en el tiempo con excesos de ceros. Excluyeron estudios que analizaban instantáneas únicas de datos o aquellos que no ofrecían un modelo matemático claro. De un grupo inicial de más de 200 artículos, redujeron el campo a 40 estudios de alta calidad que formaron el núcleo de su análisis. Este proceso de selección reveló un interés creciente en el campo, con el número de publicaciones aumentando significativamente en años recientes, alcanzando su punto máximo en 2021. El trabajo proviene de un grupo diverso de científicos de todo el mundo, con contribuciones sólidas de investigadores en los Estados Unidos, China, India y Alemania, lo que indica que se trata de un esfuerzo global para resolver un problema universal.
La revisión destacó que los enfoques más exitosos involucran una estrategia de proceso dual. Imagine una fábrica que produce dos tipos de artículos: una máquina no produce nada en absoluto, mientras que otra máquina produce un flujo de productos. En el contexto de los datos, un proceso genera los ceros estructurales —momentos en los que un evento simplemente no puede ocurrir— mientras que un segundo proceso genera los conteos reales cuando el evento sí sucede. Los investigadores descubrieron que los modelos modernos se han vuelto cada vez más sofisticados al separar estos dos procesos. Los modelos tempranos eran relativamente simples, pero las versiones más nuevas ahora pueden dar cuenta de los cambios a lo largo del tiempo, como cambios repentinos en el comportamiento o la influencia de factores externos como el clima o los cambios en las políticas. Estos modelos avanzados son particularmente útiles en campos como la epidemiología, donde ayudan a predecir brotes de enfermedades, y la ecología, donde asisten en la estimación de las poblaciones de especies raras que a menudo se pasan por alto durante los censos.
A pesar de estos avances, los autores identificaron varios obstáculos persistentes. Un desafío importante es distinguir entre un cero que es verdaderamente estructural y uno que es solo una ocurrencia aleatoria, especialmente cuando los datos son muy escasos. Otra dificultad radica en el costo computacional; a medida que los modelos se vuelven más complejos para capturar los matices del mundo real, requieren una potencia de cómputo inmensa para ejecutarse, lo que los hace difíciles de usar para conjuntos de datos grandes. La revisión también señaló que, aunque existen muchos modelos, a menudo están adaptados a situaciones muy específicas, lo que dificulta la aplicación de una única solución a diferentes tipos de problemas. Por ejemplo, un modelo diseñado para accidentes de tráfico podría no funcionar bien para el seguimiento de avistamientos de aves sin un ajuste significativo.
Mirando hacia el futuro, los investigadores sugieren que la próxima generación de estos modelos probablemente dependerá de marcos más flexibles, como los métodos bayesianos, que permiten un mejor manejo de la incertidumbre. También señalan el potencial de combinar estos modelos estadísticos con técnicas de aprendizaje automático para mejorar la precisión de las previsiones en entornos complejos y de alta dimensión. Los autores enfatizan que, si bien se ha logrado un progreso significativo en la comprensión y el modelado de datos de conteo con exceso de ceros, el campo está lejos de haber terminado. Todavía existe la necesidad de herramientas más versátiles que puedan manejar rupturas estructurales, cambios estacionales y la naturaleza impredecible de los eventos del mundo real sin volverse demasiado complicadas de usar. Su trabajo sirve como una guía clara de dónde se encuentra el campo hoy en día y señala el camino hacia las innovaciones necesarias para dar sentido a los ceros silenciosos y a menudo pasados por alto que dan forma a nuestros datos.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.