Inferencia Estadística Bayesiana
- Propuesto por
- Thomas Bayes
- Año
- 1763
- Tipo
- Method
- Familia
- probabilistic-inference
Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés
¿Qué hace?
La inferencia bayesiana es un marco estadístico que utiliza el teorema de Bayes para actualizar las creencias sobre parámetros o hipótesis a medida que se acumulan los datos.
Publicado póstumamente en 1763, el trabajo de Thomas Bayes permaneció latente hasta el siglo XX, cuando los avances computacionales (muestreo de Gibbs, Monte Carlo de Cadenas de Markov) hicieron prácticos los métodos bayesianos. A diferencia de la inferencia frecuentista (que trata los parámetros como incógnitas fijas), el análisis bayesiano trata los parámetros como variables aleatorias con distribuciones de probabilidad, lo que permite declaraciones de probabilidad directas sobre los parámetros, la incorporación de conocimiento previo y la actualización secuencial. Esencial en medicina de precisión, ensayos adaptativos, modelos jerárquicos complejos y cualquier contexto donde la información previa enriquezca la inferencia.
La intuición detrás del método
La inferencia bayesiana combina la creencia previa sobre un parámetro (antes de observar los datos) con la verosimilitud de los datos observados para producir una creencia posterior (después de observar los datos). El conocimiento previo (de estudios anteriores, opinión de expertos, razonamiento teórico) se codifica como una distribución de probabilidad. A medida que se acumulan nuevos datos, la posterior se actualiza hacia la verosimilitud, refinando gradualmente la incertidumbre. Teorema de Bayes: P(parámetro|datos) = P(datos|parámetro) × P(parámetro) / P(datos). La posterior responde directamente a preguntas como '¿Cuál es la probabilidad de que el efecto del tratamiento supere el 10%?' (intervalo creíble) o '¿Cuál es la probabilidad de que el tratamiento A sea mejor que el tratamiento B?' Ambas son naturales para los profesionales, pero imposibles en la inferencia frecuentista, que produce valores p e intervalos de confianza que requieren una interpretación cuidadosa.
Historia
El artículo póstumo de Thomas Bayes de 1763 introdujo la base: si el parámetro es incierto, ¿cómo actualiza la evidencia la creencia? Laplace redescubrió independientemente el teorema de Bayes y lo extendió a problemas de probabilidad inversa. El marco permaneció latente hasta el siglo XX; los métodos frecuentistas (Neyman, Pearson) dominaron. Los algoritmos MCMC en la década de 1990 (muestreo de Gibbs, Metropolis-Hastings, MC Hamiltoniano) hicieron que la computación bayesiana fuera práctica para modelos complejos. El renacimiento bayesiano moderno impulsado por Stan, JAGS y paquetes de R; la adopción se está acelerando en medicina, aprendizaje automático y políticas.
Cuándo usarlo
Usar métodos bayesianos cuando: (1) existe información previa y es relevante (estudios anteriores, juicio de expertos, guía regulatoria), (2) se necesita análisis secuencial (ensayos adaptativos, análisis intermedios), (3) se requieren modelos jerárquicos complejos o de variables latentes (multinivel, modelos de mezcla), (4) se desean declaraciones de probabilidad directas sobre los parámetros (medicina de precisión, evaluación de riesgos), (5) tamaños de muestra pequeños (las previas de encogimiento bayesianas estabilizan las estimaciones). Los métodos bayesianos son particularmente valiosos en la investigación de enfermedades raras, la medicina de precisión (individualización del tratamiento), el desarrollo de fármacos (toma de decisiones secuencial) y las decisiones políticas que integran múltiples fuentes de evidencia.
Limitaciones y consideraciones
- Especificación de previas: la elección de previas es subjetiva; personas razonables pueden discrepar. Se requiere análisis de sensibilidad para demostrar que las conclusiones son robustas a la elección de la previa; previas mal especificadas pueden inducir a error.
- Costo computacional: el muestreo MCMC es computacionalmente intensivo para conjuntos de datos grandes o modelos complejos; requiere experiencia en el diagnóstico de convergencia.
- Falta de consenso: los profesionales bayesianos y frecuentistas discrepan sobre la interpretación y la metodología, creando barreras de publicación y financiación en revistas tradicionales.
- Las previas por defecto a menudo son arbitrarias: elegir previas 'débilmente informativas' parece objetivo, pero implica suposiciones implícitas; los resultados pueden ser sensibles a la elección por defecto.
- Dificultad con la comparación de modelos: los factores de Bayes requieren el cálculo de la verosimilitud marginal; es computacionalmente costoso y sensible a la especificación de la previa en modelos complejos.
Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.
Fortalezas
- Incorporación de previas: conocimiento existente de ensayos anteriores, metaanálisis u opinión de expertos integrado formalmente, mejorando la eficiencia y reduciendo el tamaño de muestra requerido.
- Declaraciones de probabilidad directas: la probabilidad posterior de una hipótesis (P(existe efecto|datos)) responde directamente a las preguntas científicas; no requiere lógica contraintuitiva de valor p.
- Análisis secuencial: los datos se analizan a medida que se acumulan; los ensayos pueden detenerse anticipadamente por eficacia o futilidad sin inflar el error de Tipo I (a diferencia de las pruebas repetidas frecuentistas).
- Flexibilidad para modelos complejos: estructuras jerárquicas, datos faltantes y variables latentes se acomodan naturalmente; la regresión multinivel en el marco bayesiano es sencilla.
- Las previas de encogimiento estabilizan las estimaciones: especialmente potentes en muestras pequeñas o datos de alta dimensionalidad (muchas variables, pocas observaciones); regulariza los coeficientes hacia cero.
Aplicaciones
- Ensayos clínicos y medicina de precisión: ensayos adaptativos bayesianos que ajustan las asignaciones de tratamiento según los datos de eficacia/seguridad acumulados; tamaños de muestra reducidos y respuestas más rápidas.
- Genómica y datos de alta dimensionalidad: la selección bayesiana de variables utilizando previas dispersas identifica señales verdaderas entre miles de marcadores genéticos; la regularización previene el sobreajuste.
- Desarrollo de fármacos y aprobación por la FDA: incorporación de datos históricos de ensayos anteriores a través de previas, reduciendo los requisitos de tamaño de muestra y acelerando la aprobación.
- Vigilancia epidemiológica: análisis secuencial de brotes de enfermedades; actualización de la probabilidad de brote a medida que se reportan nuevos casos; detección temprana de epidemias.
- Modelado ambiental y ecológico: modelos jerárquicos que tienen en cuenta el error de medición, los datos faltantes y la estructura espacial/temporal en sistemas complejos.
Cómo funciona
Cómo funciona
Administrar el análisis bayesiano mediante: (1) especificar la verosimilitud (modelo de probabilidad para los datos dados los parámetros, p. ej., modelo normal para resultados continuos, binomial para binarios), (2) especificar las previas (distribuciones de probabilidad sobre los parámetros, que representan conocimiento previo o escepticismo), (3) recopilar datos, (4) calcular la posterior (distribución de probabilidad de los parámetros dados los datos, a través del teorema de Bayes). Las previas pueden ser: débilmente informativas (influencia previa mínima, dejando que los datos dominen), informativas (incorporando conocimiento previo genuino de estudios anteriores), escépticas (favoreciendo la hipótesis nula, requiriendo evidencia sólida para cambiar las creencias) o empíricas (usando datos piloto). La justificación de las previas es fundamental; informar análisis de sensibilidad que prueben previas alternativas para evaluar la robustez.
Calcular la posterior a través del teorema de Bayes: P(θ|y) ∝ P(y|θ) × P(θ), donde θ es el(los) parámetro(s) y y son los datos. Para modelos simples, la posterior es analíticamente tratable (p. ej., verosimilitud normal con previa conjugada normal). Para modelos complejos, usar Monte Carlo de Cadenas de Markov (MCMC): algoritmos (muestreo de Gibbs, Metropolis-Hastings, MC Hamiltoniano) generan muestras posteriores, de las cuales se calculan las estimaciones. Informar: (1) Media posterior e intervalos creíbles (IC del 95%: rango que contiene el 95% de la probabilidad posterior; interpretable directamente como incertidumbre del parámetro), (2) Probabilidad posterior de hipótesis (P(efecto > 0 | datos)), (3) Factor de Bayes que compara modelos competidores: BF₁₀ = P(datos|modelo1) / P(datos|modelo2); BF > 3 evidencia moderada para el modelo 1, BF > 10 evidencia fuerte. (4) Distribución predictiva posterior: predicciones para nuevas observaciones. (5) Diagnósticos del modelo: comprobaciones de convergencia MCMC (estadístico Rhat de Gelman-Rubin < 1.01), tamaño de muestra efectivo, gráficos de trazas.
La media posterior es la estimación puntual del parámetro; el intervalo creíble es el rango de valores plausibles. A diferencia de los intervalos de confianza frecuentistas (que dicen: si repitiéramos el estudio infinitamente, el 95% de los IC contendrían el valor verdadero), los intervalos creíbles bayesianos afirman directamente: 95% de probabilidad de que el valor verdadero se encuentre en este intervalo. Esta interpretación intuitiva es una ventaja clave. La probabilidad posterior de una hipótesis (p. ej., P(efecto > 0|datos)) responde directamente a si el tratamiento funciona; los valores p requieren una lógica contraintuitiva. El factor de Bayes cuantifica la evidencia de un modelo sobre otro sin especificar un umbral de significancia; proporciona una escala de evidencia continua. Examinar la forma de la distribución posterior (simétrica, asimétrica) para comprender la incertidumbre del parámetro. Análisis de sensibilidad: reajustar el modelo con previas diferentes; si las conclusiones posteriores son robustas a la elección de la previa, la inferencia es confiable.
Errores comunes
- Especificación arbitraria de previas: no justificar las previas o no realizar análisis de sensibilidad. Las previas deben ser explícitas y justificadas; siempre probar la robustez ante alternativas.
- Ignorar los diagnósticos MCMC: no comprobar la convergencia (Rhat, gráficos de trazas, tamaño de muestra efectivo) puede generar inferencias inválidas. Siempre verificar que las cadenas hayan convergido y que el tamaño de muestra efectivo sea adecuado.
- Selección de modelo a través del valor p predictivo posterior: parece similar a los valores p frecuentistas pero tiene una interpretación diferente; el mal uso conduce a la inflación del error de Tipo I.
- Equivalente a P-hacking en Bayes: elegir previas post-hoc para lograr conclusiones deseadas (inconsciente o intencionalmente) socava la validez. Especificar previas a priori.
- Encogimiento excesivamente confiado: previas fuertes encogen fuertemente las estimaciones hacia la media previa; pueden ocultar efectos verdaderos si la previa está mal especificada. Usar previas escépticas con precaución; asegurar el análisis de sensibilidad.
- Malinterpretación de los factores de Bayes: BF = 3 no significa que haya un 75% de probabilidad de que un modelo sea correcto (eso requiere especificar probabilidades previas de los modelos). BF cuantifica la evidencia, no la probabilidad posterior del modelo.
Preguntas frecuentes
¿Qué es un intervalo creíble y en qué se diferencia de un intervalo de confianza?
Un intervalo creíble bayesiano (típicamente del 95%) es el rango que contiene el 95% de la probabilidad posterior; interpretable directamente como: 'hay un 95% de probabilidad de que el parámetro verdadero se encuentre en este intervalo'. Un intervalo de confianza frecuentista (IC del 95%) es un rango construido de tal manera que, si el estudio se repitiera infinitamente, el 95% de los IC construidos contendrían el parámetro verdadero. Estos son fundamentalmente diferentes: el intervalo creíble se trata de la probabilidad del parámetro; el intervalo de confianza se trata de la repetibilidad del procedimiento. En la práctica, para problemas estándar, a menudo coinciden numéricamente, lo que causa confusión. Siempre especifique cuál informa.
¿Qué es una previa y cómo la elijo?
Una previa es la distribución de probabilidad sobre los valores de los parámetros antes de observar los datos, que refleja conocimiento o suposiciones previas. Las previas débilmente informativas aportan información mínima (distribuciones planas); las previas informativas incorporan conocimiento previo genuino (p. ej., efecto del tratamiento < 20% de estudios anteriores). Las previas escépticas favorecen fuertemente la nula (sin efecto), requiriendo evidencia sólida de los datos para cambiar. Elija previas mediante: (1) revisión de la literatura previa, (2) consulta a expertos del dominio, (3) especificación de rangos de valores plausibles, (4) prueba de sensibilidad a previas alternativas. Siempre informe las previas explícitamente y justifíquelas. Si las conclusiones cambian drásticamente con diferentes previas razonables, la inferencia es débil y se necesitan más datos.
¿Qué es un factor de Bayes y cómo lo interpreto?
Un factor de Bayes (BF) cuantifica la evidencia de un modelo sobre otro: BF₁₀ = P(datos|modelo 1) / P(datos|modelo 2). BF > 1 favorece al modelo 1. Interpretación: BF = 3 = 'evidencia moderada para el modelo 1'; BF = 10 = 'evidencia fuerte'; BF > 100 = 'evidencia decisiva'. A diferencia de los valores p, el BF no requiere un umbral de significancia predefinido. El BF puede favorecer la nula (BF < 1), detectando la ausencia de evidencia. Limitación: el cálculo del BF requiere la especificación de probabilidades previas de los modelos (qué modelo es a priori plausible); diferentes asignaciones de previas producen diferentes valores de BF. Use BF para comparar modelos cuando ambos modelos tengan una clara motivación práctica.
¿El análisis bayesiano evita el problema de las comparaciones múltiples?
Parcialmente. La inferencia bayesiana no utiliza valores p ni umbrales de significancia, por lo que la corrección tradicional para comparaciones múltiples (Bonferroni) no es necesaria. Sin embargo, al ajustar muchos modelos y seleccionar basándose en criterios posteriores (DIC, WAIC), se corre el riesgo de sobreajuste y sesgo de selección de modelo análogo a las pruebas múltiples frecuentistas. Mejor práctica: especificar modelos a priori basándose en la teoría, no en la exploración de datos. Si es exploratorio, aplique validación cruzada para evaluar la generalización. El promedio de modelos bayesianos (combinación de predicciones de múltiples modelos ponderadas por probabilidades posteriores) es una solución elegante a la incertidumbre del modelo.
Métodos relacionados
Fuentes
Bayes, T. (1763). An essay towards solving a problem in the doctrine of chances. Philosophical Transactions of the Royal Society, 53, 370–418.
Abrir referencia de la publicaciónCopiado.Gelman, A., Carlin, J. B., Stern, H. S., & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press.
Abrir referencia DOICopiado.Kruschke, J. K. (2015). Doing Bayesian Data Analysis: A Tutorial with R, JAGS, and Stan (2nd ed.). Academic Press.
Abrir referencia DOICopiado.