Um grupo internacional de matemáticos, liderado pelo estatístico da Universidade de Lehigh, Taeho Kim, desenvolveu uma nova forma de gerar previsões que se alinham mais estreitamente com os resultados do mundo real. O método visa melhorar as previsões em várias áreas da ciência, especialmente na pesquisa em saúde, biologia e ciências sociais.
A técnica dos pesquisadores é chamada de Maximum Agreement Linear Predictor, ou MALP. Seu objetivo central é aprimorar o quanto os valores previstos correspondem aos observados. O MALP faz isso maximizando o Coeficiente de Correlação de Concordância, ou CCC. Essa medida estatística avalia como os pares de números se distribuem ao longo da linha de 45 graus em um gráfico de dispersão, refletindo tanto a precisão (quão próximos os pontos estão) quanto a exatidão (quão perto eles 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 não alcançar o objetivo principal de garantir um forte alinhamento 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. “A questão é: como podemos definir o acordo entre dois objetos de uma maneira cientificamente significativa? Uma maneira de conceptualizar isso é 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. Assim, se o gráfico de dispersão mostrar um forte alinhamento com essa linha de 45 graus, podemos dizer que há um bom nível de acordo entre esses dois.”
Por que o Acordo é Mais Importante que a Simples Correlação
De acordo com Kim, as pessoas geralmente pensam primeiro no coeficiente de correlação de Pearson quando ouvem a palavra acordo, uma vez que é apresentado logo no início da educação estatística e continua sendo 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, ele pode detectar correlações fortes para linhas que se inclinam em 50 ou 75 graus, desde que os pontos de dados estejam próximos de 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 valores reais.”
Testando o MALP com Exames Oculares e Medidas Corporais
Para avaliar o desempenho do MALP, a equipe realizou testes com dados simulados e medições reais, incluindo exames oculares e avaliações de gordura corporal. Um estudo aplicou o MALP a dados de um projeto de oftalmologia que comparava dois tipos de dispositivos de tomografia de coerência óptica (OCT): o antigo Stratus OCT e o mais recente Cirrus OCT. À medida que centros médicos adotam o sistema Cirrus, os médicos precisam de uma maneira confiável de traduzir medições para comparar resultados ao longo do tempo. Usando imagens de alta qualidade de 26 olhos esquerdos e 30 direitos, os pesquisadores examinaram quão precisamente o MALP poderia prever leituras do Stratus OCT a partir de medições do Cirrus OCT e compararam seu desempenho com o método de mínimos quadrados. O MALP produziu previsões que se alinharam mais de perto com os verdadeiros valores do Stratus, enquanto os mínimos quadrados superaram ligeiramente o MALP na redução do erro médio, destacando um trade-off entre acordo e minimização de erro.
A equipe também analisou um conjunto de dados sobre gordura corporal de 252 adultos que incluía peso, tamanho do abdômen e outras medições corporais. Medidas diretas da porcentagem de gordura corporal, como pesagens subaquáticas, são confiáveis, mas caras, portanto, medições mais fáceis são frequentemente substituídas. O MALP foi utilizado para estimar a porcentagem de gordura corporal e avaliado em comparação com o método de mínimos quadrados. Os resultados foram semelhantes ao estudo de exames oculares: o MALP forneceu previsões que corresponderam mais de perto aos valores reais, enquanto os mínimos quadrados, novamente, tiveram erros médios ligeiramente mais baixos. Esse padrão repetido destacou o equilíbrio contínuo entre acordo e minimização de erro.
Escolhendo a Ferramenta Certa para a Tarefa Certa
Kim e seus colegas observaram que o MALP frequentemente fornecia previsões que se correspondiam mais efetivamente aos dados reais do que as técnicas padrão. Mesmo assim, eles observam que os pesquisadores devem escolher entre o MALP e métodos mais tradicionais com base em suas prioridades específicas. Quando a redução do erro geral é o objetivo principal, os métodos estabelecidos ainda funcionam bem. Quando a ênfase está em previsões que se alinhem o mais possível com os resultados reais, o MALP é frequentemente a opção mais forte.
O potencial impacto deste trabalho se estende a muitas áreas científicas. Ferramentas de previsão aprimoradas poderiam beneficiar a medicina, saúde pública, economia e engenharia. Para pesquisadores que dependem de previsões, o MALP oferece uma alternativa promissora, especialmente quando alcançar um acordo próximo com resultados do mundo real é mais importante do que simplesmente reduzir a distância média entre valores previstos e observados.
“Precisamos investigar mais”, diz Kim. “Atualmente, nosso ambiente está dentro da classe de preditores lineares. Este conjunto é grande o suficiente para ser utilizado praticamente em várias áreas, mas ainda é restrito do ponto de vista matemático. Portanto, desejamos estender isso para a classe geral, para que nosso objetivo seja remover a parte linear e se torne o Maximum Agreement Predictor.”
