Modelado predictivo

El modelado predictivo utiliza estadísticas para predecir resultados. ^{[ 1 ]} Generalmente, el evento que se desea predecir es futuro, pero el modelado predictivo puede aplicarse a cualquier tipo de evento desconocido, independientemente de cuándo haya ocurrido. Por ejemplo, los modelos predictivos se utilizan a menudo para detectar delitos e identificar sospechosos, después de que el delito haya ocurrido. ^{[ 2 ]}

El resultado de los modelos predictivos puede presentarse de múltiples formas, como una probabilidad estimada de que ocurra un determinado evento (por ejemplo, regresión binaria ) o una variable de respuesta escalar (por ejemplo, regresión lineal ). El uso de modelos predictivos en la toma de decisiones empresariales se conoce a menudo como análisis predictivo .

El modelado predictivo suele contrastarse con el modelado causal . En el primero, basta con utilizar indicadores o aproximaciones del resultado de interés. En el segundo, se busca determinar relaciones reales de causa y efecto. Esta distinción ha dado lugar a una creciente bibliografía en los campos de la metodología de la investigación y la estadística, así como a la afirmación común de que « la correlación no implica causalidad ».

Dependiendo de los límites de la definición, el modelado predictivo es sinónimo de, o se superpone en gran medida con, el campo del aprendizaje automático , como se le suele denominar en contextos académicos o de investigación y desarrollo. Este campo en crecimiento se ha vuelto más accesible gracias al aumento de la capacidad de procesamiento y a las nuevas arquitecturas de datos que permiten técnicas de entrenamiento de modelos más eficientes (véase Attention Is All You Need ).

A medida que el poder y la complejidad de los modelos predictivos siguen creciendo, la equidad en los modelos predictivos se ha convertido en un campo de estudio en auge ^{[ 3 ]} , particularmente dadas las aplicaciones de los modelos predictivos en áreas como la atención médica, los seguros y los préstamos.

Casi cualquier modelo estadístico puede utilizarse con fines predictivos. En términos generales, existen dos clases de modelos predictivos: paramétricos y no paramétricos . Una tercera clase, los modelos semiparamétricos , incluye características de ambos. Los modelos paramétricos hacen "suposiciones específicas con respecto a uno o más de los parámetros poblacionales que caracterizan la(s) distribución(es) subyacente(s)". ^{[ 4 ]} Los modelos no paramétricos "suelen implicar menos suposiciones sobre la estructura y la forma de la distribución [que los modelos paramétricos], pero generalmente contienen fuertes suposiciones sobre las independencias". ^{[ 5 ]}

El modelado predictivo en arqueología se fundamenta en el trabajo de Gordon Willey a mediados de la década de 1950 en el Valle de Virú, Perú. ^{[ 6 ]} Se realizaron estudios exhaustivos e intensivos, y se determinó la covariabilidad entre los restos culturales y las características naturales, como la pendiente y la vegetación. El desarrollo de métodos cuantitativos y una mayor disponibilidad de datos aplicables propiciaron el crecimiento de la disciplina en la década de 1960, y a finales de la década de 1980, los principales gestores de tierras a nivel mundial habían logrado avances sustanciales.

En general, el modelado predictivo en arqueología consiste en establecer relaciones causales o de covariables estadísticamente válidas entre indicadores naturales como tipos de suelo, elevación, pendiente, vegetación, proximidad al agua, geología, geomorfología, etc., y la presencia de características arqueológicas. Mediante el análisis de estos atributos cuantificables de terrenos que han sido objeto de prospección arqueológica, a veces se puede anticipar la "sensibilidad arqueológica" de áreas no prospeccionadas basándose en los indicadores naturales de dichas áreas. Grandes gestores de tierras en los Estados Unidos, como la Oficina de Administración de Tierras (BLM), el Departamento de Defensa (DOD) ^{[ 7 ] [ 8 ]} y numerosas agencias de carreteras y parques, han empleado con éxito esta estrategia. Al utilizar el modelado predictivo en sus planes de gestión de recursos culturales, pueden tomar decisiones más informadas al planificar actividades que pueden requerir la alteración del terreno y, por consiguiente, afectar a los yacimientos arqueológicos.

El modelado predictivo se utiliza ampliamente en la gestión analítica de las relaciones con los clientes y la minería de datos para producir modelos a nivel de cliente que describen la probabilidad de que un cliente realice una acción determinada. Estas acciones suelen estar relacionadas con las ventas, el marketing y la retención de clientes . ^{[ 9 ]}

Por ejemplo, una gran organización de consumo, como un operador de telecomunicaciones móviles, tendrá un conjunto de modelos predictivos para la venta cruzada de productos , la venta profunda de productos (o venta adicional ) y la deserción de clientes . También es más común que este tipo de organización cuente con un modelo de retención de clientes mediante un modelo de mejora . Este predice la probabilidad de retener a un cliente al final del período contractual (el cambio en la probabilidad de deserción), a diferencia del modelo estándar de predicción de deserción. ^{[ 9 ]}

Existen diversas aplicaciones de la modelización predictiva en el sector asegurador, principalmente debido a la naturaleza prospectiva de los contratos de seguros. De hecho, un principio fundamental de la fijación de tarifas en los seguros de daños es que estas deben basarse en las expectativas futuras de costes, y no en la recuperación de pérdidas históricas, lo que hace que la modelización predictiva sea crucial para esta función. ^{[ 10 ]}

El modelado predictivo se utiliza en los seguros de vehículos para asignar el riesgo de incidentes a los asegurados a partir de la información obtenida de estos. Esto se emplea ampliamente en soluciones de seguros basadas en el uso, donde los modelos predictivos utilizan datos basados ​​en telemetría para construir un modelo de riesgo predictivo para la probabilidad de siniestro. ^{[ 11 ]} Los modelos predictivos de seguros de automóviles de caja negra utilizan únicamente la entrada de sensores GPS o acelerómetros . ^{[ 11 ]} Algunos modelos incluyen una amplia gama de entradas predictivas más allá de la telemetría básica, incluyendo comportamiento de conducción avanzado, registros de accidentes independientes, historial de carreteras y perfiles de usuario para proporcionar modelos de riesgo mejorados. ^{[ 11 ]}

En 2009, Parkland Health & Hospital System comenzó a analizar los registros médicos electrónicos para utilizar modelos predictivos que ayudaran a identificar a los pacientes con alto riesgo de reingreso. Inicialmente, el hospital se centró en pacientes con insuficiencia cardíaca congestiva, pero el programa se ha ampliado para incluir a pacientes con diabetes, infarto agudo de miocardio y neumonía. ^{[ 12 ]}

En 2018, Banerjee et al. ^{[ 13 ]} propusieron un modelo de aprendizaje profundo para estimar la esperanza de vida a corto plazo (>3 meses) de los pacientes mediante el análisis de notas clínicas de texto libre en la historia clínica electrónica, manteniendo la secuencia temporal de las visitas. El modelo se entrenó con un gran conjunto de datos (10 293 pacientes) y se validó con un conjunto de datos independiente (1818 pacientes). Alcanzó un área bajo la curva ROC ( Receiver Operating Characteristic ) de 0,89. Para facilitar la interpretación, desarrollaron una herramienta gráfica interactiva que puede mejorar la comprensión de los médicos sobre la base de las predicciones del modelo. La alta precisión y la capacidad de interpretación del modelo PPES-Met pueden permitir su uso como herramienta de apoyo a la toma de decisiones para personalizar el tratamiento del cáncer metastásico y brindar una valiosa asistencia a los médicos.

Las primeras directrices para la presentación de informes de modelos de predicción clínica se publicaron en 2015 (Informes transparentes de un modelo de predicción multivariable para el pronóstico o diagnóstico individual (TRIPOD)) y desde entonces se han actualizado. ^{[ 14 ]}

Se ha utilizado el modelado predictivo para estimar la duración de la cirugía . ^{[ 15 ]}

El modelado predictivo en el trading es un proceso de modelado en el que se predice la probabilidad de un resultado utilizando un conjunto de variables predictoras . Se pueden construir modelos predictivos para diferentes activos como acciones, futuros, divisas, materias primas, etc. Las empresas de trading siguen utilizando ampliamente el modelado predictivo para diseñar estrategias y operar. Este utiliza software matemáticamente avanzado para evaluar indicadores de precio, volumen, interés abierto y otros datos históricos, con el fin de descubrir patrones repetibles. ^{[ 16 ]}

El modelado predictivo les da a los generadores de leads una ventaja inicial al pronosticar resultados basados ​​en datos para cada campaña potencial. Este método ahorra tiempo y revela posibles puntos ciegos para ayudar al cliente a tomar decisiones más inteligentes. ^{[ 17 ]}

Se ha utilizado el modelado predictivo para pronosticar la sostenibilidad de las cooperativas agrícolas estadounidenses, centrándose en el impacto de la heterogeneidad de la membresía y su importancia para predecir los niveles agregados futuros de sostenibilidad en el macroentorno de las cooperativas agrícolas. ^{[ 18 ]}

Cuando se utiliza el modelado predictivo para procesos automatizados de toma de decisiones, se debe tener cuidado para garantizar que las predicciones no estén sesgadas de manera discriminatoria (véase Equidad (aprendizaje automático) ). Incluso si el modelo no utiliza directamente información sensible en la generación de predicciones, puede producir resultados que discriminen sistemáticamente a determinados grupos. ^{[ 3 ]}

La historia no siempre predice el futuro con exactitud. Utilizar relaciones derivadas de datos históricos para predecir el futuro presupone implícitamente la existencia de ciertas condiciones o constantes permanentes en un sistema complejo. Esto casi siempre conlleva cierta imprecisión cuando el sistema involucra personas.

Las incógnitas desconocidas representan un problema. En toda recopilación de datos, quien recopila los datos define primero el conjunto de variables que se van a obtener. Sin embargo, por muy exhaustiva que sea la selección de variables, siempre existe la posibilidad de que aparezcan nuevas variables no consideradas o incluso no definidas, pero que resulten cruciales para el resultado.

Los modelos pueden ser derrotados mediante ataques adversarios. Una vez que un modelo se convierte en un estándar de medición aceptado, el conocimiento del impacto de las variables explicativas individuales en las predicciones de la variable objetivo permite aprovecharse del modelo hasta que este sea reentrenado. Este fenómeno contribuyó a la crisis financiera de 2008 , en la que los intermediarios de CDO cumplieron activamente con los requisitos de las agencias de calificación para obtener una calificación AAA o super-AAA en los CDO que emitían. ^{[ 19 ]}

• Calibración (estadística)
• Intervalo de predicción
• Análisis predictivo
• Inferencia predictiva
• Teoría del aprendizaje estadístico
• Modelo estadístico

• Clarke, Bertrand S.; Clarke, Jennifer L. (2018), Estadística predictiva , Cambridge University Press
• Iglesias, Pilar; Sandoval, Mónica C.; Pereira, Carlos Alberto de Bragança (1993), "Probabilidad predictiva en poblaciones finitas" , Revista Brasileña de Probabilidad y Estadística , 7 (1): 65– 82, JSTOR  43600831
• Kelleher, John D.; Mac Namee, Brian; D'Arcy, Aoife (2015), Fundamentos del aprendizaje automático para el análisis predictivo de datos: algoritmos, ejemplos resueltos y estudios de caso , MIT Press
• Kuhn, Max; Johnson, Kjell (2013), Modelado predictivo aplicado , Springer
• Shmueli, G. (2010), "¿Explicar o predecir?", Statistical Science , 25 (3): 289–310 , arXiv : 1101.0891 , doi : 10.1214/10-STS330 , S2CID  15900983