La Real Maestranza premia los mejores expedientes de la Olavide

Se trata de la segunda edición del premio a los mejores expedientes académicos de la Escuela Politécnica Superior y cada Facultad de la UPO que se unen a los ya tradicionales Premios de Investigación otorgados a la Universidad Pablo de Olavide por esta institución, con el fin de estimular los trabajos de investigación de calidad que puedan desarrollar todos aquellos investigadores jóvenes pertenecientes a esta universidad.

En esta edición, los campos premiados en investigación han sido los de experimental y social, que han sido otorgados, respectivamente, a Alba Olivares Nadal por su publicación «A Sparsity-Controlled Vector Autoregressive Model», y a Cristina López Vargas por su publicación «A scenario-based modeling method for controlling ECM perfomance». La Real Maestranza de Caballería ha otorgado a cada premiada 3.000 euros .

Alba V. Olivares Nadal es doctora en Matemáticas por la Universidad de Sevilla y ayudante doctora en el Área de Estadística e Investigación Operativa de la Universidad Pablo de Olavide de Sevilla. Actualmente es investigadora postdoctoral en la University of Chicago Booth School of Business, posicionada en el primer puesto por Forbes y The Economist. Está vinculada a varios proyectos I+D+I y sus investigaciones científicas han sido publicadas en revistas de gran impacto.

Su trabajo «A Sparsity-Controlled Vector Autoregressive Model» destaca por tratar un tema de gran relevancia para la comunidad investigadora mediante un método práctico y novedoso. Su objetivo es detectar las relaciones causales más significativas en grupos de datos temporales. La importancia de este problema radica en la necesidad, por parte de muchos investigadores, de hacer predicciones sobre un atributo que varía a lo largo del tiempo; para ello se debe descifrar el tejido de relaciones causa-efecto entre las series de datos temporales. Este trabajo también persigue mejorar la visualización de dicho tejido, seleccionando únicamente los vínculos causales más relevantes, de manera que una red compleja de relaciones causa-efecto pueda simplificarse para ser percibida y entendida a simple vista.

Los objetivos descritos anteriormente son modelados como un problema de optimización, que es resuelto mediante técnicas que no son comúnmente aplicadas en el campo de la estadística. El método también modela una gran variedad de facetas de la visualización, permitiendo además al usuario controlarlas todas. Los resultados muestran que esta técnica puede mejorar o mantener el nivel de predicción con respecto a otros métodos, haciendo uso de muchas menos variables.