GAMLSS: Regresión Distribucional Aplicada

1. El horizonte se abre

Hemos recorrido 19 módulos construyendo modelos distribucionales con GAMLSS: desde la motivación ("la media no basta") hasta un sistema completo de provisiones IFRS 9. Pero GAMLSS no se detiene aquí. Tres fronteras se abren:

Inferencia bayesiana: cuantificar la incertidumbre de los parámetros de forma natural, sin depender de aproximaciones asintóticas.
WebR: ejecutar R en el navegador, permitiendo que los estudiantes interactúen con modelos GAMLSS sin instalar nada.
Nuevas distribuciones y arquitecturas: gamlss2, modelos multivariados, redes neuronales distribucionales.

Objetivo

Vislumbrar las tres fronteras de GAMLSS, entender cómo la inferencia bayesiana complementa al enfoque frecuentista, y conocer el roadmap de WebR para la Fase 2 del curso.

2. GAMLSS bayesiano

El enfoque frecuentista de gamlss() estima parámetros por máxima verosimilitud penalizada y usa aproximaciones asintóticas para los errores estándar. El enfoque bayesiano coloca priors sobre los parámetros y obtiene la distribución posterior completa, con intervalos creíbles que no dependen de grandes muestras.

Opción 1: brms (Stan)

El paquete brms (Bürkner, 2017) permite ajustar modelos distribucionales usando Stan (Hamiltonian Monte Carlo):

¿Cuándo usar bayesiano?

Incertidumbre en cuantiles: el VaR 99.5% tiene un intervalo creíble natural, no una aproximación delta-method.
Priors informativos: cuando hay conocimiento experto (ej. "la PD no puede exceder 50%"), los priors lo incorporan formalmente.
Modelos jerárquicos complejos: cuando hay muchos niveles de efectos aleatorios, HMC converge mejor que RS.
Costo: más lento (minutos vs. segundos) y requiere Stan.

Opción 2: gamlss.bian

El paquete gamlss.bian extiende gamlss() con inferencia bayesiana usando INLA (Integrated Nested Laplace Approximation), más rápida que MCMC para modelos con suavizados:

library(gamlss.bian)
m <- gamlss(severidad ~ pb(log(monto)) + sector,
            family = BCT, data = df, method = "INLA")

3. WebR: R en el navegador

WebR (ver Fase 2 del curso) compila R a WebAssembly, permitiendo ejecutar R directamente en el navegador del estudiante. Esto transforma el curso de estático a interactivo:

Fase 1 (actual): código estático
Los CodeBlock muestran código R con sintaxis resaltada y resultados precomputados. El estudiante lee pero no ejecuta.
Fase 2: WebR en el navegador
Los CodeBlock se convierten en RCell interactivas: el estudiante edita y ejecuta R en el navegador, ve resultados en tiempo real.
Fase 2+: notebooks interactivos
El estudiante puede modificar parámetros de un modelo GAMLSS y ver cómo cambian los centiles, worm plots y predicciones en vivo.

4. Direcciones futuras de investigación

Dirección	Descripción	Referencia
Redes neuronales distribucionales	Cada parámetro de la distribución es la salida de una red neuronal	Rügamer et al. (2023)
GAMLSS multivariado	Modelar varias respuestas correlacionadas simultáneamente	Klein et al. (2022)
Modelos conjuntos	Longitudinal + tiempo hasta evento con GAMLSS	Papageorgiou et al. (2019)
Cuantificación de incertidumbre	Intervalos creíbles para centiles y cuantiles	Umlauf et al. (2021)
gamlss2 + mgcv	Integración profunda con suavizados avanzados de mgcv	Rigby et al. (2024)

5. El viaje recorrido

En 20 módulos hemos pasado de:

"La media no basta" (Módulo 1) a un sistema completo de provisiones IFRS 9 (Módulo 19).
Una sola distribución (Normal) a un catálogo de 100+ familias.
Modelar solo $\mu$ a modelar $\mu$ , $\sigma$ , $\nu$ y $\tau$ simultáneamente.
GLM/GLMM a GAMLSS con efectos aleatorios, suavizados y censura.
Seguros a inventarios, calidad, materiales, biología y finanzas.

El hilo conductor: la distribución completa importa. No solo la media, no solo la varianza, sino la forma entera de la distribución condicional de $Y$ dado $\mathbf{x}$ . Esa es la esencia de GAMLSS y el lema de este curso: rage against the mean.

6. Cierre

¿Cuál es la principal ventaja del enfoque bayesiano para GAMLSS en el contexto actuarial?

Es más rápido que el enfoque frecuentistaProduce intervalos creíbles naturales para cuantiles como el VaR 99.5%Permite usar cualquier distribución sin restriccionesNo requiere datos, solo priors

¿Qué transformación fundamental aporta WebR al curso?

Hace que los modelos GAMLSS sean más precisosPermite ejecutar R en el navegador del estudiante, sin instalaciónReemplaza la necesidad de aprender RAutomatiza la escritura de código R

¿Hacia dónde vas?

Has completado el curso. Tienes las herramientas para modelar la distribución completa de cualquier variable respuesta, en cualquier dominio. El siguiente paso es tu proyecto: toma una decisión real en tu trabajo que hoy se toma con un promedio, y transfórmala con un modelo distribucional GAMLSS.

Referencias: Bürkner (2017), JSS 80; Rügamer et al. (2023), Econometrics and Statistics 26; Umlauf et al. (2021), J. Stat. Software 98; WebR: docs.r-wasm.org.