thalmle v0.0.2: experimental T-HAL-MLE con evidencia verificada

En una frase: Un paquete R que implementa un método estadístico avanzado (T-HAL-MLE) para estimar cómo una dosis de tratamiento afecta un resultado, con código abierto, licencia AGPL-3.0-or-later y resultados experimentales documentados.

¿Qué es T-HAL-MLE y por qué importa?

Imagina que quieres saber cuánto mejora la salud de una persona al aumentar la dosis de un medicamento. El método Targeted Highly Adaptive Lasso Minimum Loss Estimation (T-HAL-MLE) usa aprendizaje automático para ajustar el modelo directamente al efecto que buscas, en lugar de modelar todo el sistema primero y luego derivar la respuesta. Es más preciso que los enfoques tradicionales cuando los datos son complejos.

Este repositorio (amurlaniakea/thalmle) es la primera implementación publicada en R, construida directamente desde el preprint científico (arXiv:2607.03824v1, 2026). No es un producto comercial: es investigación experimental con limitaciones claras.

Qué hace y qué no hace

• Hace: Estima la curva dosis-respuesta E[Y | A = a, W] para dosis continua, con regresión HAL (hal9001), densidad condicional (haldensify) y un paso de targeting con glmnet.
• No hace: Intervalos de confianza, varianza por influencia, ni validación exhaustiva (solo DGP 1 y 2 con n = 500). El código es experimental.
• Evidencia: Los resultados experimentales (uniforme vs normal, con y sin modificación w_cap) están documentados en el README con tablas de RMSE, no con afirmaciones sin respaldo.

Estado de gobernanza

El proyecto sigue un flujo de verificación profesional: implementación → auditoría independiente (clone limpio) → corrección de bugs y verificación de evidencia → publicación. El repositorio es público (master) con licencia AGPL-3.0-or-later, tag v0.0.2 y commit verificado (343ff8b). No hay banners internos ni URLs no verificables expuestas.

Para el público general

Si no trabajas con estadística avanzada: piensa en este repo como un taller abierto donde se construye una herramienta de medición precisa, paso a paso, con notas de lo que funciona y lo que aún no. Todo está a la vista: el código, los datos experimentales (.rds y .log), las diferencias con el paper original y las limitaciones. Es ciencia reproducible, no marketing.

Licencia: AGPL-3.0-or-later | Autor: Pedro Sordo Martínez | Repo: https://github.com/amurlaniakea/thalmle