Uma equipe internacional de matemáticos liderada pelo estatístico da Universidade Lehigh, Taeho Kim, desenvolveu um novo método para gerar previsões que correspondam mais de perto aos resultados do mundo real. A sua abordagem visa melhorar as previsões em muitos campos científicos, particularmente na investigação em saúde, biologia e ciências sociais.
Os pesquisadores chamam sua técnica de Preditor Linear de Consistência Máxima (MALP). Seu objetivo central é melhorar a correspondência entre os valores previstos e observados. O MALP consegue isso maximizando o coeficiente de correlação de consistência (CCC). Esta medida estatística avalia como os pares de números em um gráfico de dispersão são distribuídos ao longo da linha de 45 graus, refletindo a precisão (quão próximos os pontos estão agrupados) e a exatidão (quão próximos eles estão da linha). Os métodos tradicionais, incluindo o método dos mínimos quadrados amplamente utilizado, geralmente tentam reduzir o erro médio. Kim, professor assistente de matemática, disse que embora eficazes em muitas situações, esses métodos podem ser insuficientes quando o objetivo principal é garantir um ajuste perfeito entre as previsões e os valores reais.
“Às vezes, não queremos apenas que nossas previsões sejam próximas – queremos que elas tenham a maior consistência com o valor real”, explica King. “A questão é: como definimos a concordância entre dois objetos de uma forma cientificamente significativa? Uma maneira de conceituar isso é quão bem os pontos no gráfico de dispersão entre os valores previstos e reais se alinham com a linha de 45 graus. Portanto, se o gráfico de dispersão desses pontos mostrar um forte alinhamento com essa linha de 45 graus, então podemos dizer que há uma boa concordância entre os dois.”
Por que a consistência é mais importante do que a simples correlação
Kim diz que quando as pessoas ouvem a palavra “consistência”, a primeira coisa que normalmente vem à mente é o coeficiente de correlação de Pearson porque foi introduzido cedo na educação estatística e continua a ser uma ferramenta fundamental. O método Pearson mede a força da relação linear entre duas variáveis, mas não verifica especificamente se a relação está alinhada com a linha de 45 graus. Por exemplo, Kim disse que pode detectar fortes correlações com linhas inclinadas de 50 ou 75 graus, desde que os pontos de dados estejam próximos da linha reta.
“No nosso caso, estamos especificamente interessados no alinhamento com a linha de 45 graus. Para fazer isso, usamos uma métrica diferente: o coeficiente de correlação de consistência, introduzido por Lin em 1989. Esta métrica se concentra especificamente em quão bem os dados se alinham com a linha de 45 graus. O que desenvolvemos é um preditor projetado para maximizar a correlação de consistência entre os valores previstos e reais. “
Teste o MALP com exames oftalmológicos e medidas corporais
Para avaliar o desempenho do MALP, a equipe realizou testes utilizando dados simulados e medições reais, incluindo exames oftalmológicos e avaliações de gordura corporal. Um estudo aplicou o MALP a dados de um programa de oftalmologia, comparando dois tipos de equipamento de tomografia de coerência óptica (OCT): o antigo Stratus OCT e o mais recente Cirrus OCT. À medida que os centros médicos migraram para o sistema Cirrus, os médicos precisavam de uma maneira confiável de converter medições para que pudessem comparar os resultados ao longo do tempo. Usando imagens de alta qualidade de 26 olhos esquerdos e 30 direitos, os pesquisadores estudaram a precisão do MALP na previsão de leituras Stratus OCT a partir de medições Cirrus OCT e compararam seu desempenho com o método dos mínimos quadrados. O MALP gera previsões mais próximas dos valores verdadeiros do Stratus, enquanto os mínimos quadrados são ligeiramente melhores que o MALP na redução do erro médio, destacando o compromisso entre consistência e minimização do erro.
A equipe também analisou um conjunto de dados de gordura corporal de 252 adultos, que incluía peso, tamanho abdominal e outras medidas corporais. As medições diretas do percentual de gordura corporal (como a pesagem subaquática) são confiáveis, mas caras, portanto, medições mais simples são frequentemente substituídas. O MALP foi utilizado para estimar o percentual de gordura corporal e foi avaliado com base no método dos mínimos quadrados. Os resultados são semelhantes aos do estudo de varredura ocular: o MALP fornece previsões mais próximas dos valores reais, enquanto o erro médio dos mínimos quadrados é novamente ligeiramente inferior. Este padrão repetitivo enfatiza o equilíbrio contínuo entre consistência e minimização de erros.
Escolha a ferramenta certa para a tarefa certa
Kim e colegas observaram que o MALP muitas vezes fornece previsões que correspondem aos dados reais de forma mais eficaz do que as técnicas padrão. Mesmo assim, observam que os investigadores devem escolher entre o MALP e métodos mais tradicionais com base nas suas prioridades específicas. Os métodos existentes ainda funcionam bem quando a redução do erro geral é o objetivo principal. O MALP costuma ser uma escolha melhor quando o foco está em previsões que sejam tão consistentes quanto possível com os resultados reais.
O impacto potencial deste trabalho abrange muitos campos científicos. Ferramentas de previsão melhoradas poderiam beneficiar a medicina, a saúde pública, a economia e a engenharia. Para os investigadores que dependem de previsões, o MALP oferece uma alternativa promissora, especialmente quando alcançar uma concordância estreita com os resultados do mundo real é mais importante do que simplesmente fechar a lacuna média entre os valores previstos e observados.
“Precisamos investigar mais”, disse King. “Atualmente, nossa configuração se enquadra na categoria de preditores lineares. Este conjunto é grande o suficiente para uso prático em vários campos, mas ainda é matematicamente limitado. Portanto, queremos estendê-lo para a categoria geral para que nosso objetivo seja remover a parte linear, para que se torne um preditor de consistência máxima.”
