Gustavo Rivas, docente e investigador del Instituto Desarrollo realizó la publicación del artículo “Computationally efficient approximations for independence tests in non-parametric regression” (Aproximaciones computacionalmente eficientes para pruebas de independencia en regresión no paramétrica), en el Journal of Statistical Computation and Simulation; una prestigiosa revista científica que se especializa en estadísticas computacionales.
Según el investigador, en ciencias es muy frecuente estudiar el comportamiento de una variable en función de otra (covariable). El artículo aborda los modelos de regresión no paramétricos, que son ampliamente utilizados para tal efecto. En la formulación del modelo se introduce una variable aleatoria que recoge todo el comportamiento no explicado por el modelo, conocido como error aleatorio. En estos modelos se asume que dicho error y la covariable son independientes. Algunos procedimientos se han desarrollado para probar esta hipótesis.
El proceso para la publicación inició el 30 de junio de 2019 y fue aceptado el 24 de octubre de 2020. “En una primera respuesta nos había pedido una revisión mayor y en una segunda una revisión menor para finalmente aceptar el artículo para su publicación”, explicó Rivas.
El artículo publicado tiene en cuenta una prueba que compara los estimadores del producto de las funciones características marginales de la covariable y el error y las funciones características conjuntas de ambas variables. Se propone aproximar la distribución nula del estadístico de contraste por medio de un estimador Bootstrap ponderado. Este estudio revela que, desde un punto de vista computacional, la aproximación propuesta es más eficiente que el Bootstrap (método estadístico) tradicional.
Este trabajo es una contribución para mejorar la exactitud de los modelos de regresión no paramétrica. Como la aplicación de este tipo de modelos en las ciencias es muy amplio, el espectro de aplicación también es grande. Cuando la relación entre dos variables no es muy evidente, normalmente se estiman mediante este tipo de modelos. Esta técnica de modelado permite que la estimación se logre siguiendo la estructura de los datos; sin hacer ninguna suposición inicial sobre el tipo de relación existente entre las variables.
Rivas explicó que este trabajo surgió como una continuación de la investigación de su tesis doctoral obtenida en el año 2017 en la Universidad de Sevilla-España. “En este trabajo me acompaña como coautora quien fuera mi tutora de Tesis, María Dolores Jiménez Gamero, docente e investigadora de dicha universidad”, dijo.
Para más información sobre este trabajo, los interesados pueden escribir al mail: grivas@desarrollo.edu.py
Sobre el Investigador
Gustavo Rivas es Doctor en Estadística e Investigación Operativa (Sevilla, España), docente e investigador del Instituto Desarrollo. Se encuentra categorizado como candidato a investigador en el Programa Nacional de Incentivo a los Investigadores (PRONII) del Consejo Nacional de Ciencia y Tecnología (CONACYT).
Sus áreas de conocimiento son las Ciencias Naturales, Matemáticas, Estadística y Probabilidad, Test de Bondad de Ajuste, entre otras.
