Vea También
 |
| Foto de Valery Sysoev en Unsplash |
Lo que empezó como una conversación casual en una cena entre dos investigadores muy diferentes en 2016 -uno de ellos, científico de datos e ingeniero, y el otro, experto en modelos económicos- se ha convertido en un artículo de revista que cuantifica los efectos de la "prima de belleza", la noción de que quienes son más atractivos físicamente tienden a tener mayores ingresos.
El ingeniero del equipo de investigación es Stephen Baek, profesor asociado de ciencia de datos en la Universidad de Virginia, mientras que el econometrista es Suyong Song, profesor asociado de economía y finanzas en la Universidad de Iowa. Hace cinco años, ambos descubrieron que sus intereses de investigación se solapaban más de lo que inicialmente pensaban, lo que hizo que surgiera una idea inesperada.
Baek comenzó su colaboración con Song como investigador en Iowa antes de incorporarse al cuerpo docente de la Escuela de Ciencias de los Datos de la UVA en agosto de 2021. En su trabajo anterior, Baek analizó y modeló las formas del cuerpo humano para aplicaciones de ingeniería como el diseño de productos, la moda virtual, el diseño de prendas de vestir y la ergonomía. Song, por su parte, aportó su experiencia en el estudio de modelos económicos que adolecen de errores de medición y de información.
En comparación con publicaciones anteriores sobre la prima de belleza, los métodos de investigación de Baek y Song son novedosos debido a la naturaleza de su conjunto de datos, procedentes del proyecto Civilian American and European Surface Anthropometry Resource (CAESAR) de 2002. Además de las medidas de peso y estatura declaradas por los propios participantes -que se han utilizado en estudios anteriores-, el proyecto también recopiló datos de escaneo corporal en 3D, amplia información sobre los ingresos demográficos y familiares, así como medidas corporales con cinta y calibrador de casi 2.400 civiles. Con estos datos, los dos investigadores pudieron ofrecer una historia más rica del aspecto físico y las variables socioeconómicas.
"El problema de los trabajos anteriores era que la gente simplificaba demasiado los parámetros para describir la forma del cuerpo", dijo Baek. "Los procesos tradicionales para determinar la apariencia física, como la estatura, el peso y el IMC, son procesos imperfectos y, por tanto, no son capaces de captar todas las dimensiones de la forma del cuerpo humano".
Mediante un novedoso algoritmo de aprendizaje automático denominado "autoencoder gráfico" o "aprendizaje automático profundo", se introdujeron los escaneos 3D para codificar las características geométricas de la forma del cuerpo humano. Después de introducir la máquina en miles de escaneos individuales, el algoritmo redujo la dimensionalidad de los datos -de unos cientos de miles de puntos a unos pocos rasgos importantes- caracterizando cada forma del cuerpo humano mediante valores numéricos. A continuación, Baek y Song visualizaron las características para determinar a qué partes del cuerpo se refería el algoritmo y estimaron su relación con las variables socioeconómicas. Gracias a este enfoque científico, se pudieron cuantificar los efectos causales del aspecto físico.
En las submuestras de hombres y mujeres, la estatura y la obesidad eran rasgos importantes, mientras que la relación entre la cadera y la cintura era un rasgo único adicional en la apariencia física de las mujeres. Los resultados empíricos revelaron que una mayor estatura en los hombres estaba relacionada con una mayor renta familiar, mientras que una mayor obesidad en las mujeres estaba relacionada con una menor renta familiar.
Además de sus conclusiones sobre la prima de belleza, la experiencia de Song en modelos económicos añadió otra capa a sus conclusiones: el papel negativo que desempeñan los errores de encuesta y de medición en los estudios que utilizan medidas corporales. Según sus cálculos -que fueron posibles gracias a que los datos de 2002 también incluían medidas corporales declaradas por los propios encuestados-, Song descubrió que el error de declaración estaba muy correlacionado con el peso y la altura reales. Por término medio, los individuos de menor peso tendían a informar en exceso de su peso, mientras que los de mayor peso tendían a informar en defecto. Los resultados demostraron que los errores de las encuestas en relación con estas mediciones son sustanciales, y que los estudios anteriores que utilizan datos de encuestas autodeclarados probablemente se ven afectados por ello. Song explicó que cuando se ejecutan modelos de regresión en los que las variables económicas sufren errores de encuesta o de medición, la estimación se vuelve sesgada, desdibujando la relación correcta.
"Para abordar el problema del error, muchos economistas asumen que estos errores son insignificantes o que son nulos en promedio", dijo Song. "Sin embargo, nuestro estudio demostró que no son despreciables y que no son cero de media, sino que demostró que están correlacionados con la altura o el peso reales, lo que alarma a muchos estudios que utilizan datos de encuestas".
Inicialmente, Song preveía un público objetivo de economistas y estadísticos, pero con estos resultados se ha dado cuenta del impacto más amplio del tema en campos como la ingeniería, la informática, la biología y las ciencias sociales.
Tres años después de su presentación inicial, el trabajo de investigación, "Body Shape Matters: Evidence from Machine Learning on Body Shape-Income Relationship", se publicó en la revista de acceso abierto PLOS One.
Con una mayor publicidad, Baek y Song no solo esperan presentar el grado de error de los estudios anteriores sobre la forma del cuerpo que se basaban en datos de encuestas autodeclarados, sino también concienciar sobre el tema de los premios de belleza.
Fuentes, créditos y referencias:
Suyong Song et al, Body shape matters: Evidence from machine learning on body shape-income relationship, PLOS ONE (2021). DOI: 10.1371/journal.pone.0254785