La ULE participa en un investigación para mejorar el análisis estadístico cuando faltan datos

'Model Uncertainty And Missing Data: An Objective Bayesian Perspective' Trabajo Realizado Por Cinco Universidades Españolas, Entre Ellas La De León

- UNIVERSIDAD DE LEÓN

LEÓN 12 Oct. (EUROPA PRESS) -

Un equipo de investigación de cinco universidades españolas, entre ellas la de León ha desarrollado una nueva metodología estadística que permite seleccionar variables relevantes incluso cuando la información está incompleta.

El trabajo al respecto se titula 'Model Uncertainty and Missing Data: An Objective Bayesian Perspective' y se ha publicado en 'Bayesian Analysis', una de las revistas más prestigiosas del área, según ha informado la Universidad de León (ULE) en un comunicado recogido por Europa Pres.

El proyecto, en el que ha participado la profesora de la ULE Alicia Quirós, aborda de forma "rigurosa y novedosa" el problema de cuantificar la incertidumbre que se tiene sobre los modelos estadísticos utilizados para representar la realidad, y contempla la posibilidad de que haya datos con valores faltantes, una situación "muy común" en estudios científicos y análisis de datos reales.

En contraste con los métodos tradicionales, que suelen descartar los datos incompletos o aplicar técnicas de selección de variables propensas a generar falsos positivos, los investigadores proponen una metodología bayesiana objetiva que incorpora la incertidumbre derivada de los valores faltantes directamente en el proceso de inferencia estadística.

Asimismo, esta aproximación mejora la robustez de los modelos, evita errores comunes en la selección de variables y permite obtener resultados más fiables, incluso cuando los conjuntos de datos contienen grandes proporciones de valores perdidos.

El artículo se encuentra actualmente entre los más leídos de la revista y ha sido seleccionado para discusión pública por expertos, "una distinción reservada a los trabajos más relevantes", según ha señalado el editor jefe.

Al final del artículo, los autores ilustran, a través de estudios de simulación, el funcionamiento de la propuesta para poder compararla con algunas alternativas y muestran que su método "iguala o mejora" otros procedimientos existentes cuando el porcentaje de datos faltantes es elevado o existe una fuerte correlación entre las variables consideradas.

El artículo refleja que el método resulta "útil" en cualquier ámbito en el que los datos estén incompletos, ya sea por errores, fallos en la recogida o pérdidas, y sea necesario tomar decisiones basadas en modelos estadísticos, como en medicina, estudios sociales, economía o ciencias ambientales.

También, indica que un tratamiento adecuado de la incertidumbre, tanto del modelo como de los datos faltantes, permite mejorar la fiabilidad de las inferencias y de las predicciones.

Este trabajo ha sido realizado por Gonzalo García-Donato (Universidad de Castilla- La Mancha), María Eugenia Castellanos (fallecida en 2025, Universidad Rey Juan Carlos), Stefano Cabras (Universidad Carlos III de Madrid), Alicia Quirós (Universidad de León) y Anabel Forte (Universitat de València) y financiado por el Ministerio de Ciencia, Innovación y Universidades y la Agencia Española de Investigación, a través de las ayudas a proyectos de Generación de Conocimiento.

Además, los autores han dedicado "con cariño y admiración" el artículo a María Eugenia Castellanos, "cuya labor científica y calidad humana dejaron una profunda huella en el equipo".