Um grupo internacional de matemáticos liderado pelo estatístico da Universidade de Lehigh, Taeho Kim, desenvolveu um novo método para gerar previsões que se alinham mais de perto com os resultados do mundo real. Seu objetivo é aprimorar as previsões em diversas áreas científicas, especialmente em pesquisas na área da saúde, biologia e ciências sociais.
Os pesquisadores nomearam sua técnica de Máximo Acordo do Preditor Linear, ou MALP. O objetivo central é melhorar a correspondência entre os valores previstos e os observados. O MALP alcança isso maximizando o Coeficiente de Correlação de Concordância, ou CCC. Essa medida estatística avalia como os pares de números se alinham na linha de 45 graus em um gráfico de dispersão, refletindo tanto a precisão (quão próximos os pontos estão uns dos outros) quanto a exatidão (quão próximos estão dessa linha). Abordagens tradicionais, incluindo o método de mínimos quadrados amplamente utilizado, geralmente tentam reduzir o erro médio. Embora eficazes em muitas situações, esses métodos podem falhar quando o principal objetivo é garantir um alinhamento forte entre previsões e valores reais, afirma Kim, professor assistente de matemática.
“Às vezes, não queremos apenas que nossas previsões estejam próximas — queremos que elas tenham o maior acordo possível com os valores reais”, explica Kim. “O desafio é como podemos definir o acordo entre dois objetos de uma forma cientificamente significativa? Uma maneira de conceituar isso é observar quão próximos os pontos estão alinhados com uma linha de 45 graus em um gráfico de dispersão entre o valor previsto e os valores reais. Portanto, se o gráfico de dispersão mostrar um forte alinhamento com essa linha de 45 graus, podemos afirmar que há um bom nível de acordo entre esses dois.”
Por Que o Acordo É Mais Importante Do Que a Simples Correlação
De acordo com Kim, as pessoas tendem a pensar primeiro no coeficiente de correlação de Pearson ao ouvir a palavra acordo, já que ele é introduzido cedo na educação estatística e continua a ser uma ferramenta fundamental. O método de Pearson mede a força de uma relação linear entre duas variáveis, mas não verifica especificamente se a relação se alinha com a linha de 45 graus. Por exemplo, pode identificar correlações fortes para linhas que se inclinam a 50 ou 75 graus, contanto que os pontos de dados estejam próximos a uma linha reta, diz Kim.
“No nosso caso, estamos especificamente interessados no alinhamento com uma linha de 45 graus. Para isso, usamos uma medida diferente: o coeficiente de correlação de concordância, introduzido por Lin em 1989. Essa métrica foca especificamente em quão bem os dados se alinham com uma linha de 45 graus. O que desenvolvemos é um preditor projetado para maximizar a correlação de concordância entre os valores previstos e os reais.”
Testando o MALP com Escaneamentos Oculares e Medidas Corporais
Para avaliar o desempenho do MALP, a equipe realizou testes utilizando dados simulados e medições reais, incluindo escaneamentos oculares e avaliações de gordura corporal. Um estudo aplicou o MALP a dados de um projeto de oftalmologia comparando dois tipos de dispositivos de tomografia de coerência óptica (OCT): o mais antigo Stratus OCT e o mais novo Cirrus OCT. Conforme os centros médicos fazem a transição para o sistema Cirrus, os médicos precisam de um meio confiável para traduzir as medições, a fim de comparar resultados ao longo do tempo. Usando imagens de alta qualidade de 26 olhos esquerdos e 30 olhos direitos, os pesquisadores examinaram quão precisamente o MALP poderia prever as leituras do Stratus OCT a partir das medições do Cirrus OCT e compararam seu desempenho com o método de mínimos quadrados. O MALP produziu previsões que estavam mais alinhadas com os verdadeiros valores do Stratus, enquanto os mínimos quadrados superaram ligeiramente o MALP na redução do erro médio, destacando uma troca entre acordo e minimização de erro.
A equipe também analisou um conjunto de dados de gordura corporal de 252 adultos que incluía peso, tamanho do abdômen e outras medidas corporais. Medidas diretas da porcentagem de gordura corporal, como a pesagem subaquática, são confiáveis, mas caras, portanto, medições mais simples são frequentemente usadas como substitutos. O MALP foi utilizado para estimar a porcentagem de gordura corporal e foi avaliado em comparação com o método de mínimos quadrados. Os resultados foram semelhantes ao estudo de escaneamento ocular: o MALP produziu previsões que se alinharam mais de perto aos valores reais, enquanto os mínimos quadrados novamente apresentaram erros médios ligeiramente menores. Esse padrão recorrente sublinhou o contínuo equilíbrio entre acordo e minimização de erro.
Selecionando a Ferramenta Adequada para a Tarefa Certa
Kim e seus colegas observaram que o MALP frequentemente fornecia previsões que se ajustavam mais eficazmente aos dados reais do que as técnicas padrão. Mesmo assim, eles ressaltam que os pesquisadores devem escolher entre o MALP e métodos mais tradicionais com base em suas prioridades específicas. Quando a redução do erro total é o objetivo principal, métodos estabelecidos ainda se saem bem. Quando a ênfase está em previsões que se aproximem ao máximo dos resultados reais, o MALP é geralmente a opção mais forte.
O impacto potencial deste trabalho se estende a muitas áreas científicas. Ferramentas de previsão aprimoradas podem beneficiar a medicina, a saúde pública, a economia e a engenharia. Para pesquisadores que dependem de previsões, o MALP oferece uma alternativa promissora, especialmente quando alcançar um bom acordo com resultados do mundo real importa mais do que simplesmente reduzir a média da discrepância entre valores previstos e observados.
“Precisamos investigar mais”, diz Kim. “Atualmente, nosso enfoque está dentro da classe dos preditores lineares. Este conjunto é grande o suficiente para ser aplicado em vários campos, mas ainda é matematicamente restrito. Assim, desejamos estender isso para a classe geral, de modo que nosso objetivo seja remover a parte linear e que se torne o Máximo Acordo do Preditor.”
