3/11/22, 15:15 Observaciones finales | Modelos aditivos generalizados

Observaciones finales
Los modelos aditivos generalizados son una herramienta conceptualmente sencilla que
permite incorporar relaciones no lineales y de otro tipo en sus modelos lineales. Además,
permiten mantenerse dentro de los marcos de modelado lineal generalizado y lineal con
los que uno ya está familiarizado, al tiempo que brindan nuevas vías de exploración de
modelos y mejores resultados. Como se demostró, es bastante fácil lograrlos con solo un
mínimo de familiaridad y, como tal, se espera que este documento proporcione los medios
para hacerlo.

Para terminar, ofrezco lo siguiente extraído directamente de Shalizi (2016) , Análisis

Avanzado de Datos desde un Punto de Vista Elemental , como no creo que lo hubiera
podido poner más claro:

Con la potencia informática moderna, hay muy pocas situaciones en las que sea
realmente mejor hacer una regresión lineal que ajustar un modelo aditivo. De hecho,
parece haber sólo dos buenas razones para preferir los modelos lineales.

1. Nuestro análisis de datos está guiado por una teoría científica creíble que afirma
relaciones lineales entre las variables que medimos (no otras, para las cuales
nuestros observables sirven como sustitutos imperfectos).
2. Nuestro conjunto de datos es tan masivo que el tiempo de procesamiento
adicional o la memoria de computadora adicional necesaria para ajustar y
almacenar un modelo aditivo en lugar de un modelo lineal es prohibitivo.

Even when the first reason applies, and we have good reasons to believe a linear
theory, the truly scientific thing to do would be to check linearity, by fitting a flexible
non-linear model and seeing if it looks close to linear. Even when the second reason
applies, we would like to know how much bias we’re introducing by using linear
predictors, which we could do by randomly selecting a subset of the data which is
small enough for us to manage, and fitting an additive model.

In the vast majority of cases when users of statistical software fit linear models,
neither of these justifications applies: theory doesn’t tell us to expect linearity, and our
machines don’t compel us to use it. Linear regression is then employed for no better
reason than that users know how to type lm but not gam. You now know
better, and
can spread the word.

https://m-clark.github.io/generalized-additive-models/conclusion.html 1/2
3/11/22, 15:15 Observaciones finales | Modelos aditivos generalizados

Nowadays, GAMs serve as a potentially great starting point for modeling, especially for
tabular data. A well-specified GAM should perform very well even compared to boosting or
deep learning methods, and so at the very least, serves as a good baseline with enhanced
interpretability and easier uncertainty metrics. For a lot of data situations, GAMs may be
all you need.

Best of luck with your data!

References

Shalizi, Cosma. 2016. Análisis avanzado de datos desde un punto de vista elemental .

https://m-clark.github.io/generalized-additive-models/conclusion.html 2/2