El modelado estadístico, destaca su papel en la comprensión y predicción de

datos a través de modelos matemáticos. En el ámbito científico, los modelos

suelen expresarse de forma matemática y en el caso de fenómenos
probabilísticos, se habla del modelado estadístico.

Un modelo estadístico busca explicar la variación de una respuesta mediante la

relación de dos fuentes de variabilidad: una determinista y otra aleatoria. La
construcción de los modelos establece tres criterios para el modelado estadístico:
estadístico (bondad de ajuste), lógico (parsimonia) y sustantivo (integración
teórica).
El proceso de construcción del modelo estadístico implica la especificación del
modelo teórico, la estimación de parámetros, la selección del modelo que se
adecúe a las necesidades, la evaluación y la interpretación de este. Cabe destacar
la importancia de que el modelo debe ser una buena representación de los datos.

Dentro de los distintos modelos estadísticos que hay se tiene el Modelo Lineal,
que a la vez destaca la variedad de modelos lineales que pueden surgir tales
como: modelos de regresión, análisis de varianza (ANOVA) y análisis de
covarianza (ANCOVA). El Modelo Lineal puede adaptarse a variables categóricas,
dando lugar a modelos con variables categóricas y Modelos Lineales
Generalizados.

Para la realización del modelado estadístico, existen softwares que llegan a ser de
mucha utilidad, tal como, el software estadístico R ya que este permite construir
distintos modelos, calcular medidas de discrepancia y evaluar la bondad de ajuste.
Otro modelo estadístico es: El Modelo Lineal Generalizado (MLG) que es una
herramienta estadística introducida por Nelder y Wedderburgn en 1972,
desarrollada posteriormente por McCullagh y Nelder en 1989. Este modelo
generaliza el Modelo Lineal (ML) al incluir diferentes distribuciones y funciones de
enlace, lo que lo hace más flexible y aplicable a una variedad de situaciones.

En comparación con el ML, el MLG presenta varias diferencias, las cuales se

pueden detallar a continuación:

 Función de Enlace: Mientras que el ML utiliza una función de enlace

identidad, en el MLG, la relación entre los valores ajustados y predichos
está mediada por una función de enlace más general. Esta función es
fundamental en el MLG, ya que relaciona el componente sistemático con el
aleatorio. La naturaleza de esta función afecta la escala de medida de los
valores predichos y ajustados. Por ejemplo, en el caso de la regresión de
Poisson, la función de enlace logarítmica se utiliza comúnmente.
 Distribución del Componente Aleatorio: En el ML, se asume que el
componente aleatorio sigue una distribución normal, pero en el MLG, se
permite que el componente aleatorio siga cualquier distribución de la familia
exponencial.
  Homocedasticidad: En el ML, se requiere que las distribuciones
condicionadas de los valores pronosticados sean homocedásticas, mientras
que, en el MLG, esta condición no es necesariamente imprescindible
debido a la flexibilidad en la elección de la distribución del componente
aleatorio.
 Estimación de Parámetros: En el MLG, se utiliza el método de máxima
verosimilitud para estimar los parámetros en lugar del método de mínimos
cuadrados utilizado en el ML.

Según las diferencias antes mencionadas, se destaca la importancia de elegir el

modelo adecuado, y se compara el rendimiento del MLG con la regresión lineal
clásica, mostrando que el MLG es más apropiado para variables de respuesta de
recuento.

Por tanto, el MLG es una herramienta valiosa en el modelado estadístico,

especialmente cuando se trabaja con datos que no cumplen los parámetros
matemáticos de los modelos estadísticos tradicionales, como el ML. Además, el
software R se presenta como una herramienta adecuada para implementar y
analizar modelos lineales generalizados.