Los modelos de variables latentes son una clase de modelos estadísticos que incorporan variables que no se observan directamente, sino que se infieren a partir de otras variables observables mediante un modelo matemático. El término 'latente' deriva del latín 'lateo', que significa 'permanecer oculto'. Estos modelos se utilizan ampliamente en disciplinas como la ingeniería, la medicina, la ecología, la física, el aprendizaje automático, el procesamiento del lenguaje natural, la bioinformática, la quimiometría, la demografía, la economía, la gestión, la ciencia política, la psicología y las ciencias sociales.
Las variables latentes pueden representar aspectos de la realidad física que son medibles en principio pero no observables en la práctica, a menudo denominados 'variables ocultas'. También pueden corresponder a conceptos abstractos como categorías, estados de comportamiento o estados mentales, a veces llamados 'constructos hipotéticos'. Una función clave de las variables latentes es la reducción de dimensionalidad: muchas variables observables pueden agregarse para representar un concepto subyacente, simplificando la interpretación de los datos. Esto refleja el papel de las teorías científicas al vincular datos observables 'subsimbólicos' con modelos simbólicos.
Antecedentes históricos
La idea de los procesos latentes se remonta al 'Novum Organum' (1620) de Francis Bacon, que desafió la lógica aristotélica. Bacon describió un 'proceso latente' que escapa a la observación sensorial, enfatizando que tales procesos no son meros síntomas, sino mecanismos subyacentes continuos. Esta base filosófica influyó en desarrollos estadísticos posteriores. En el siglo XX, el análisis factorial y los modelos de ecuaciones estructurales formalizaron la inferencia de variables latentes, con pioneros como Charles Spearman que introdujeron el factor de inteligencia general 'g'.
Aplicaciones en psicología
En psicología, las variables latentes a menudo se derivan mediante análisis factorial, representando la varianza compartida entre medidas observadas. Los rasgos de personalidad de los Cinco Grandes (extraversión, amabilidad, escrupulosidad, neuroticismo, apertura) se infirieron mediante este método. Otros ejemplos incluyen la habilidad espacial, la sabiduría (evaluada mediante medidas de rendimiento y variables latentes) y la g de Spearman, el factor de inteligencia general. Estos constructos no son directamente medibles, sino que emergen de las correlaciones entre los ítems de las pruebas.
Aplicaciones en economía y medicina
En economía, las variables latentes incluyen la calidad de vida, la confianza empresarial, la moral, la felicidad y el conservadurismo. Por ejemplo, la calidad de vida se infiere a partir de indicadores observables como la riqueza, el empleo, el entorno, la salud física y mental, la educación, la recreación y la pertenencia social. En medicina, los modelos de variables latentes son cruciales para estudios longitudinales donde la escala de tiempo observada (por ejemplo, la edad) no está sincronizada con la progresión de la enfermedad. Las escalas de tiempo no observadas pueden modelarse como transformaciones del tiempo observado, lo que ayuda en la modelización de la progresión de enfermedades y del crecimiento.
Métodos de inferencia y modelos
Diversas clases de modelos y algoritmos permiten la inferencia con variables latentes. Los modelos incluyen modelos de efectos mixtos lineales y no lineales, modelos ocultos de Markov, análisis factorial y teoría de respuesta al ítem. Los métodos de inferencia incluyen análisis de componentes principales, regresión de mínimos cuadrados parciales, análisis semántico latente, algoritmos de maximización de expectativas (EM) y el algoritmo de Metropolis-Hastings. Los enfoques bayesianos son prominentes, con técnicas como la asignación latente de Dirichlet para el modelado de temas, el proceso de restaurante chino para la agrupación y el proceso de buffet indio para la asignación de características.
Papel en el aprendizaje automático y la IA
En el aprendizaje automático, los modelos de variables latentes sustentan muchas técnicas generativas y de aprendizaje no supervisado. Los autoencoders variacionales (VAE) y las redes generativas adversariales (GAN) utilizan espacios latentes para generar nuevos datos. En Deep learning, las representaciones latentes aprendidas por redes neuronales capturan características abstractas. Los sistemas de Generative AI, como grandes modelos de lenguaje construidos sobre arquitecturas Transformer (architecture), dependen de representaciones latentes para modelar el lenguaje. Instituciones de investigación como MIT CSAIL, Stanford AI Lab y BAIR (Berkeley AI Research) han contribuido al avance de estos modelos. Empresas como OpenAI, Anthropic y Google DeepMind aplican métodos de variables latentes en sus sistemas de IA, mientras que proveedores de hardware como NVIDIA (no listado) y AMD respaldan las demandas computacionales.
Véase también
- aprendizaje automático
- factor-analysis (no en la lista, pero podría vincularse mediante inteligencia artificial)
- bayesian-inference (no en la lista)
Referencias
- Bacon, Francis. 'Novum Organum' (1620).
- Kmenta, Jan. 'Elements of Econometrics' (1986).