A binary factor model

In der Welt der Statistik stehen Forscher oft vor einem Rätsel: Wie man aus einer langen Liste verwandter Fakten Sinn schöpft, ohne sich in den Details zu verlieren. Stellen Sie sich vor, Sie versuchen zu verstehen, warum eine Gruppe von Menschen bestimmte Merkmale teilt, wie etwa eine bestimmte Krankheit zu haben, ein bestimmtes Alter zu besitzen oder an einem bestimmten Ort zu leben. Anstatt jedes einzelne Merkmal individuell zu betrachten, nutzen Statistiker ein Werkzeug namens Faktorenanalyse. Diese Methode versucht, einige wenige verborgene, zugrunde liegende Ursachen zu finden, die erklären, warum diese Merkmale gemeinsam auftreten. Jahrzehntelang funktionierte dieses Werkzeug hervorragend für Messungen, die jeden beliebigen Wert annehmen konnten, wie etwa die Körpergröße oder die Temperatur. Es hatte jedoch Schwierigkeiten, wenn die Daten aus einfachen Ja-oder-Nein-Antworten bestanden, wie etwa die Frage, ob ein Patient im Krankenhaus aufgenommen wurde oder nicht. Die alten Methoden gingen davon aus, dass die verborgenen Ursachen glatt und kontinuierlich verlaufen, was jedoch nicht zur scharfen, binären Natur von Ja-oder-Nein-Daten passte.

Ein Forscher unter der Leitung von Luis E. Nieto-Barajas am ITAM in Mexiko hat einen neuen Weg entwickelt, um dieses Problem zu lösen. Sie haben ein frisches Modell entworfen, das speziell für binäre Daten konzipiert ist, bei denen die Antworten strikt „Ja“ oder „Nein“ lauten. In ihrem Ansatz verhalten sich die verborgenen Ursachen, nach denen sie suchen, anders als in den alten Modellen. Anstatt sich frei zu bewegen, sind diese verborgenen Faktoren so konzipiert, dass sie einander ausweichen; wenn ein Faktor stark ist, müssen die anderen schwächer sein. Dies erzeugt ein natürliches Gleichgewicht, ganz ähnlich wie ein begrenzter Raum, in dem jeweils nur eine Sache voll präsent sein kann. Durch die Nutzung dieses spezifischen Verhaltens kann der Forscher die verborgenen Strukturen in binären Daten aufdecken, ohne die Daten in eine Form zu zwingen, die nicht zu ihnen gehört.

Um ihre Idee zu testen, baute der Forscher zunächst eine Computersimulation auf. Er erstellte einen künstlichen Datensatz mit sieben verschiedenen Ja-oder-Nein-Variablen und drei verborgenen Ursachen. Er speiste diese Daten in sein neues Modell ein und beobachtete, ob es die ursprünglichen drei Ursachen, die er hineingelegt hatte, finden konnte. Das Modell arbeitete gut und identifizierte erfolgreich die korrekte Anzahl der verborgenen Ursachen sowie deren Bedeutung. Der Forscher stellte fest, dass die Fähigkeit des Modells, die Daten zu erklären, sank, wenn er versuchte, weniger oder mehr Ursachen als die Wahrheit anzuwenden. Diese Simulation bewies, dass sein mathematischer Rahmen fundiert war und die Komplexität binärer Daten bewältigen konnte, ohne zusammenzubrechen.

Ermutigt durch die Simulation, wandte sich der Forscher an reale Daten, um zu sehen, ob sein Modell mit einer unordentlichen, realen Situation umgehen kann. Er analysierte eine Datenbank von 1.814 bestätigten COVID-19-Fällen aus Mexiko. Die Daten enthielten zwölf verschiedene Indikatoren für jeden Patienten, wie etwa, ob es sich um eine Frau handelte, ob sie im Krankenhaus behandelt wurde, ob sie eine Lungenentzündung hatte oder ob sie an Bedingungen wie Diabetes oder Fettleibigkeit litt. Das Ziel war es zu sehen, ob das Modell diese zwölf Indikatoren in einige wenige aussagekräftige Kategorien gruppieren konnte, die erklärten, warum bestimmte Patienten bestimmte Kombinationen von Symptomen aufwiesen.

Das Modell sortierte die Patienten erfolgreich in drei deutliche, verborgene Gruppen ein. Die erste Gruppe verknüpfte die Hospitalisierung und die Lungenentzündung, was auf eine verborgene Ursache hindeutete, die mit schweren Komplikationen des Virus zusammenhängt. Die zweite Gruppe war fast ausschließlich mit der Tatsache verknüpft, dass es sich um eine Frau handelte, was darauf hindeutete, dass das Geschlecht ein eigenständiger Faktor war, separat von der Schwere der Erkrankung. Die dritte Gruppe fasste eine Reihe von Zuständen wie Diabetes, Herzerkrankungen und Nierenversagen zusammen, die tendenziell gemeinsam bei älteren Erwachsenen auftraten. Diese dritte Gruppe repräsentierte eine verborgene Ursache von Gesundheitsproblemen im Erwachsenenalter, die Patienten verwundbarer machte. Der Forscher verglich seine Ergebnisse mit der traditionellen Methode, die seit Jahren verwendet wird und versucht, binäre Daten in die alte, kontinuierliche Form zu pressen. Die traditionelle Methode vermischte diese Gruppen und kombinierte die schweren Komplikationen mit dem Geschlecht auf eine Weise, die die klaren Muster, die das neue Modell aufdeckte, verschleierte.

Die Studie untersuchte auch, wie viel jede dieser verborgenen Gruppen bedeutete. Der Forscher fand heraus, dass die Gruppe im Zusammenhang mit schweren Komplikationen und die Gruppe im Zusammenhang mit Gesundheitsproblemen im Erwachsenenalter am wichtigsten waren, wobei jede einen signifikanten Teil der Variation der Daten erklärte. Der Geschlechtsfaktor erklärte, obwohl er eigenständig war, weniger des Gesamtbildes. Durch die Verwendung seiner neuen Methode konnte der Forscher diese Muster klar sehen, ohne die Verwirrung, die die älteren Techniken plagte. Er fand nicht nur eine neue Formel; er fand einen Weg, die Struktur binärer Daten klarer zu sehen, indem er zeigte, dass die Geschichte, die sie erzählen, viel leichter zu verstehen ist, wenn die verborgenen Ursachen erlaubt wird, sich so zu verhalten, dass sie zu den Daten passen. Die Arbeit legt nahe, dass bei Fragen, die Ja-oder-Nein-Antworten betreffen, die alten Werkzeuge möglicherweise am Ziel vorbeischießen und ein neuer Ansatz, der die einzigartige Natur der Daten respektiert, notwendig ist, um die Wahrheit zu finden.