Nan Laird, Premio Internacional de Estadística 2021

La asignatura favorita de Nan McKenzie Laird en el colegio era la de matemáticas. Pero cuando siguió su vocación y empezó a estudiar en la Rice University en Houston (Texas) en 1961, se encontró con que era la única mujer en su clase en un tiempo en que se pensaba que las carreras de ciencias eran exclusivamente para hombres. La falta de compañía femenina y de aplicación práctica en un curso predominantemente teórico, le hicieron cambiar su rumbo. De modo que empezó a estudiar francés. Pero al casarse con un colega de Rice y tener su primer hijo, pausó su carrera, que no retomaría hasta que se mudaron a Georgia un par de años después. En esa ocasión se centró en lo que vio como una disciplina más práctica, la informática. La fortuna quiso que los departamentos de informática y estadística compartieran espacio físico y dicha cercanía, junto con la oportunidad de cursar una asignatura en análisis de decisión, la llevaron finalmente a graduarse en estadística en 1969.

Cincuenta y dos años después, la disciplina le reconoce sus indispensables contribuciones, siendo la primera mujer en ganar el premio internacional de estadística (conocido como el ‘Nobel’ en Estadística, con una dotación de 80 000 dólares) y la tercera laureada, después del británico David Cox (que da nombre a la regresión de Cox o modelo de riesgos proporcionales, y a los procesos de Cox) y Bradley Efron (que propuso el método de remuestreo conocido como bootstrapping). Este premio bienal otorgado conjuntamente por la Royal Statistical Society, la American Statistical Association (ASA), el International Statistical Institute, la International Biometric Society y el Institute of Mathematical Statistics, premia “importantes logros de un individuo o equipo en el campo de la estadística, particularmente ideas originales y potentes que hayan contribuido a aplicaciones prácticas y descubrimientos en otras disciplinas”. En el caso de Laird, el jurado celebra el que haya proporcionado las herramientas estadísticas para el análisis de datos longitudinales facilitando que otros investigadores respondan con ellas importantes preguntas en aplicaciones a la salud, la medicina o la psicología. Afirmaba al recibirlo: “Es muy importante para la profesión tener un gran premio como este y significa mucho para mí”.

Contribuciones al análisis longitudinal y la genética

Pero no es su primer premio. En 2003 recibió el premio Janet L. Norwood de la Universidad de Alabama celebrando las excelentes contribuciones de mujeres en las ciencias estadísticas; la American Statistical Association (ASA) le otorgó en 2011 el premio Samuel S. Wilks Memorial Award; fue la vigésimo quinta conferenciante Lowell Reed de la American Public Health Association (APHA) en 2011 y en 2015 recibió el Premio Marvin Zelen por su liderazgo en las ciencias estadísticas, por poner algunos ejemplos.

Sobran las razones para recibir todos estos méritos. A lo largo de su carrera, Laird ha publicado tres libros de gran relevancia y más de 400 artículos con en torno a 180 000 citas. Su nombre será siempre asociado al análisis de datos longitudinales, por ejemplo, aquellos relativos a estudios clínicos en pacientes bajo tratamientos prolongados en el tiempo. Antes de llegar a ser pionera en el desarrollo, la aplicación y la traducción de estos métodos longitudinales, se doctoró en el Departamento de Estadística de la Universidad de Harvard en 1975 con una tesis sobre modelos mixtos para datos categóricos. Dos años después fue la coautora de un artículo que introducía el algoritmo EM o de la maximización de la esperanza que, seguido por otro con James H. Ware en 1982 en Biometrics proponiendo una familia de modelos de efectos aleatorios que resolvía problemas de falta de datos y dependencias no triviales en espacio y tiempo, determinaría el principio de una carrera meteórica. En sus propias palabras la aplicabilidad de los métodos que proponen en su artículo viene derivada del hecho de que los problemas que atajan resultan muy familiares a aquellos que han encontrado escollos al analizar sus datos y la teoría subyacente es genérica. Tan genérica que prometía incluso unificar a bayesianos y no bayesianos: “Aunque nuestras lectoras puedan no estar de acuerdo en la atracción relativa de enfoques bayesianos o no bayesianos para la estimación de parámetros, en términos prácticos la elección es secundaria y los dos enfoques pueden ser acomodados en la teoría general”. Para Laird, que a la pregunta de si en algún momento le ha tentado la estadística bayesiana responde que “No, el asunto de las previas siempre me estorbaba’”, la versatilidad y la aplicación práctica son una motivación constante: “Siempre me ha gustado desarrollar modelos que otras puedan aplicar”. Quizás por esa razón y por el enlace directo con fundamentos biológicos, su trabajo de las últimas décadas se ha centrado en la genética. Se tomó un año sabático tras su primer quinquenio como jefa de departamento en Harvard y lo dedicó a aprender sobre problemas en genética, inspirada por el uso de datos familiares para comprobar si un locus genético (posición fija en un cromosoma) causa una determinada enfermedad. Ha llegado a desarrollar métodos para determinar los patrones de herencia de enfermedades como el Alzheimer y el asma.

Impacto en Salud Pública

Laird ha ejercido su labor como estadística primordialmente en la Escuela de Salud Publica T.H. Chan de la Universidad de Harvard, donde llegó a ser catedrática en 1986, once años después de doctorarse. Se jubiló en 2019 como catedrática “Harvey V. Fineberg” de bioestadística, cargo del que había tomado posesión en 2011, pero sigue activa en su posición como emérita. De sus años como jefa del departamento (1990-1999) destaca la creación del Centro de Bioestadística para la investigación del Sida y el comienzo de un programa de formación para minorías. Pero también expandió la actividad en genética estadística mediante importantes colaboraciones y becas que motivó con charlas e interacciones multidisciplinares en un tiempo en el que el Proyecto Genoma Humano estaba completándose y la disciplina estaba adquiriendo gran relevancia.

Reconoce la gran influencia en su trabajo de sus mentores y detalla cómo algunos de ellos se convirtieron en grandes aliados. Desde William Cochran, experto escocés en diseño de experimentos, que se jubilaba el año en que ella se unió al Departamento de Estadística en Harvard (por lo que tuvo que acudir a todas sus clases en diseño de experimentos), a su supervisor Frederick Mosteller que, además de enseñarle a ser estadística, le introdujo problemas para su estudio, y también a gente y a comités. “Se preocupaba por el desarrollo personal además del profesional de todos sus estudiantes, y esto no era la norma”, dice de Mosteller. También recuerda como un hombre de principios a Marvin Zelen, que fue jefe del departamento justo antes que ella y que, cuando ella ganó la catedra, le aumentó el sueldo considerablemente para igualárselo al de sus colegas hombres en el mismo rango. Finalmente agradece la ayuda de su coautor Jim Ware, que además de contribuir a uno de sus artículos más importantes, le instruyo en cómo financiar sus proyectos y además se convirtió también en amigo fuera de la universidad.

Pero su labor y colaboraciones en la Salud Pública se extienden más allá de la Universidad de Harvard y, además de servir como miembro de múltiples asociaciones profesionales (la ASA, el Institute of Mathematical Statistics y el International Statistical Institute), ha servido en comités con impacto directo en políticas de relevancia. Menciona con gran orgullo la importante ley por la que el gobierno estadounidense prohibió fumar en aviones, a la que contribuyó en 1986 como parte del panel de expertos de la Academia Nacional de Ciencias.

Madre antes que estadística

Cuando comenzó a dirigir el departamento en Harvard, su mayor preocupación fue que todos los miembros tuvieran tiempo para dedicarle a su propia investigación. Como madre antes que estadística, conocía bien el valor del uso eficiente del tiempo, particularmente dado que comenzó su doctorado como madre separada. Llegó a un departamento donde había alguna mujer pero no tenían familia, de modo que tuvo que luchar en solitario por un horario que le permitiera conciliar. Reconoce que no tuvo todo el éxito deseado y le fue imposible en ocasiones dejar el trabajo en la oficina, sobre todo cuando fue jefa de departamento. Pero tuvo entonces la gran ayuda de su segundo marido y aconseja a toda académica que “elijan sus parejas con cuidado, elige alguien que te apoye mucho y que cuide bien de los niños.” Aun así, tuvo que aprender a decir “No” a todo compromiso que requiriera viajar o a aspectos más «sociales» de su trabajo, y tuvo que priorizar las actividades que le garantizaban publicaciones o relativas a la enseñanza. Lamenta sin embargo no haber podido realizar más voluntariado en la comunidad estadística.

El futuro de la estadística

Laird vaticina un futuro de la estadística que pasa por acelerar el ritmo de la profesión en general. En particular, en las áreas de genética estadística y bioinformática donde observa que físicos e informáticos se han “adueñado” de la parte computacional. “La obsesión por el rigor estadístico y teorías y métodos potentes que cumplan todas las propiedades requeridas convierte nuestro trabajo como estadísticos en poco práctico, y nos demora”, afirma. Sugiere como solución el uso de software de acceso público y bien documentado que permita la réplica de resultados y la traslación sencilla de métodos a otras circunstancias similares.

Sugiere además medidas del éxito académico más flexibles y amplias para no dejar de lado a aquellas que por ejemplo han trabajado en promover la estadística en su sentido más amplio sin, por ejemplo, haber publicado artículos estadísticos «rigurosos» que no tienen por qué tener necesariamente impacto fuera de la academia. Defiende que debemos fomentar la creatividad en los estudiantes para huir de una formación inicial tradicional innecesariamente “estrecha” y limitada. “En el mundo académico presionamos a la gente a hacer un gran trabajo en unos pocos años con tal ímpetu que no promovemos la diversidad de pensamiento.” Además, debemos enseñarles a pensar algorítmicamente, a entender de datos y de estructuras de datos, y a pensar en los usuarios finales de sus artículos y métodos.

Laird, que no solo desarrolla modelos, sino que también probó sus pinitos en la moda y ha sido un modelo a seguir para muchas otras estadísticas en su larga carrera, relata que su propia experiencia como mujer y madre en departamentos mayoritariamente masculinos fue mixta en un principio. Se rumoreaba cuando llegó a Harvard, que, pese a estar en igualdad de condiciones con un compañero cuando solicitó una beca, se le rechazó “por si acaso se casaba y se decidía a ser ama de casa y entonces sería tirar el dinero”. Ahora se ríe y dice que “no había peligro”, “ya lo intenté y fracasé (lo de ser ama de casa)”, pero celebra que los tiempos vayan cambiando y se tome a las mujeres en serio.

Predica con el ejemplo y siempre que tiene ocasión destaca el impresionante legado de sus estudiantes, entre los que se encuentran reputadas estadísticas como Prof. Rebecca DerSimonian (Instituto Nacional de Salud), con la que publicó lo que se conoce como el método DerSimonian-Laird en metaanálisis para sintetizar ensayos clínicos, y Prof. Christl Donnelly (Universidad de Oxford), experta en modelos dinámicos de transmisión de virus infecciosos como el Zika o el coronavirus/SARS-CoV-2. Recalca también que la mentoría ha sido una de las partes más enriquecedoras de su carrera. Su consejo a toda supervisora es ayudar de cerca a los estudiantes en los comienzos, cuando más lo necesitan, para progresivamente soltarles la mano para que puedan convertirse en investigadores independientes. Recomienda además inculcar un conocimiento más allá del área de especialización, mediante seminarios y artículos en temas periféricos.

Laird insiste en la importancia de hacer lo que te gusta y disfrutar de tu trabajo como único camino al éxito. “La pregunta realmente difícil es cómo encontrar ese algo que te gusta hacer. Tienes que encontrar la respuesta por ti misma, pero es todo lo que necesitas para triunfar.” Laird sostiene que “a la mayoría de la gente le gusta hacer cosas para mejorar las vidas de otras, pero quizás a las mujeres aún más que al resto, y es por ello que nos vemos abocadas a áreas aplicadas como la salud”. Nada mejor que su generosa carrera como ejemplo de su filosofía.

Referencias

• Australian Research Council Centre of Excellence for Mathematical and Statistical Frontiers (ACEMS) (2021). The Random Sample. Episode 45: The International Prize in Statistics
• Dempster, A.P., Laird,N.M. y Rubin, D. B. (1977). Maximum likelihood from incomplete data via the EM algorithm. Journal of the Royal Statistical Society Series B 39(1), 1-22
• DerSimonian, R. y Laird, N. (1986). Meta-Analysis in Clinical Trials. Controlled Clinical Trials 7, 177-188
• Harvard Biostatistics (2016). Conversations with Jim Ware and Nan Laird, Longitudinal Studies
• International Prize in Statistics (2021). International Prize in Statistics Awarded to Nan Laird for Methods of Analyzing Data from Longitudinal Studies, 23 marzo 2021
• Laird, N. M. y Ware, J.H. (1982) Random effects models for longitudinal data. Biometrics 38(4): 963-974.
• Laird, N. y Zelen, M. (2011) HARVARD UNVERSITY: Department of Biostatistics: 1922 – 2011
• Ryan, L. (2015). A conversation with Nan Laird. Statistical Science 30(4), 582-596
• Ryan, L. (2021). Nan Laird Honored with International Prize in Statistics. Amstat News
• Significance Magazine (2021). Nan Laird awarded International Prize in Statistics. Spotlight 18(3), junio 2021

Sobre la autora

Altea Lorenzo Arribas es doctora en estadística, consultora e investigadora en Biomathematics & Statistics Scotland (BioSS) y miembro del Comité de la Sección de Historia de la Estadística de la Royal Statistical Society.