Daniel García Rasines y G. Alastair Young

Aunque la estadística clásica asume que los modelos y las hipótesis se fijan antes de ver los datos, en la práctica —aplicada a áreas tan dispares como la genómica o el aprendizaje automático— estos modelos se eligen en función de los datos y por tanto dependen de ellos. Este “cambio de paradigma conceptual”, como lo define Daniel García Rasines, invita a crear nuevas metodologías para estudiar estos datos, tales como la que este profesor tenure-track de métodos cuantitativos en CUNEF Universidad propone en el artículo premiado, escrito junto a G. Alastair Young, catedrático de Estadística en el Imperial College de Londres (Reino Unido).

“Si empleamos la metodología estándar —apunta García Rasines—, tenderemos a tener estimaciones sesgadas, por ejemplo del efecto de un tratamiento sobre una enfermedad. Además, tenderemos a infravalorar la incertidumbre, asumiendo que tenemos más información de la que realmente podemos emplear”. Por tanto, continúa el galardonado, la innovación en la metodología es “fundamental a la hora de garantizar un avance científico tanto riguroso como confiable”.

En el artículo Splitting strategies for post-selection inference (“Estrategias de partición para la inferencia post-selección”), publicado en Biometrika, los autores proponen dividir el conjunto de datos en dos partes independientes. “De esta manera —explica García Rasines—, la primera parte se puede emplear para inspeccionar los datos y deducir los objetivos que queremos estudiar, y la segunda parte, para llevar a cabo esos objetivos, es decir, para realizar el estudio inferencial”. Además, frente a otras propuestas anteriores, su método es eficiente a nivel computacional, algo fundamental para dotarlo de utilidad práctica, y se presenta de manera intuitiva. “Lo que buscamos es que sea adoptado por la mayor parte de usuarios posible, incluyendo aquellos que no estén familiarizados con los tecnicismos más modernos de la estadística”.

El investigador premiado considera que la estadística cobra una importancia clave en el mundo actual, ya que “vivimos en una época en la que se generan datos muy heterogéneos y en cantidades muy grandes. Por lo tanto, es fundamental tener técnicas que permitan por una parte analizarlos de manera rigurosa, y por otra parte que sean capaces de lidiar con los tipos de datos que tenemos”. Es más, García Rasines defiende que la ciudadanía en general debería tener un “entendimiento básico de conceptos estadísticos como correlación, causalidad, sesgo e incertidumbre, para poder interpretar de manera correcta la información tan amplia que nos llega desde todas las áreas: la economía, la política, la sociología o incluso el ámbito deportivo”.