A binary factor model

Nel mondo della statistica, i ricercatori affrontano spesso un enigma: come dare un senso a una lunga lista di fatti correlati senza perdersi nei dettagli. Immaginate di cercare di capire perché un gruppo di persone condivida certi tratti, come avere una specifica malattia, avere una certa età o vivere in un particolare luogo. Invece di esaminare ogni singolo tratto individualmente, i statistici utilizzano uno strumento chiamato analisi fattoriale. Questo metodo cerca di trovare alcune cause nascoste e sottostanti che spiegano perché quei tratti compaiano insieme. Per decenni, questo strumento ha funzionato magnificamente per misurazioni che potevano essere qualsiasi numero, come l'altezza o la temperatura. Tuttavia, ha incontrato difficoltà quando i dati consistevano in semplici risposte sì-o-no, come se un paziente fosse stato ricoverato o meno. I vecchi metodi assumevano che le cause nascoste fossero fluide e continue, il che non si adattava alla natura netta e binaria dei dati sì-o-no.

Un ricercatore guidato da Luis E. Nieto-Barajas presso l'ITAM in Messico ha sviluppato un nuovo modo per risolvere questo problema. Hanno creato un modello inedito progettato specificamente per i dati binari, dove le risposte sono rigorosamente sì o no. Nel loro approccio, le cause nascoste che stanno cercando si comportano diversamente rispetto ai vecchi modelli. Invece di muoversi liberamente, questi fattori nascosti sono progettati per evitare l'uno l'altro; se un fattore è forte, gli altri devono essere più deboli. Questo crea un equilibrio naturale, proprio come uno spazio limitato dove solo una cosa può essere pienamente presente alla volta. Utilizzando questo comportamento specifico, il ricercatore può scoprire le strutture nascoste nei dati binari senza costringere i dati a rientrare in una forma a cui non appartengono.

Per testare la loro idea, il ricercatore ha prima costruito una simulazione al computer. Hanno creato un dataset fittizio con sette diverse variabili sì-o-no e tre cause nascoste. Hanno inserito questi dati nel loro nuovo modello e hanno osservato se fosse in grado di trovare le tre cause originali che avevano piantato. Il modello ha funzionato bene, identificando con successo il numero corretto di cause nascoste e stimando la loro importanza. Il ricercatore ha scoperto che quando tentavano di usare meno o più cause rispetto alla verità, la capacità del modello di spiegare i dati diminuiva. Questa simulazione ha dimostrato che il loro quadro matematico era solido e poteva gestire la complessità dei dati binari senza interrompersi.

Incoraggiato dalla simulazione, il ricercatore si è rivolto a dati del mondo reale per vedere se il suo modello potesse gestire una situazione disordinata e reale. Ha analizzato un database di 1.814 casi confermati di COVID-19 in Messico. I dati includevano dodici indicatori diversi per ogni paziente, come se fosse una donna, se fosse stata ricoverata, se avesse una polmonite o se soffrisse di condizioni come diabete o obesità. L'obiettivo era vedere se il modello potesse raggruppare questi dodici indicatori in alcune categorie significative che spiegassero perché determinati pazienti avessero specifiche combinazioni di sintomi.

Il modello ha classificato con successo i pazienti in tre gruppi nascosti distinti. Il primo gruppo collegava l'ospedalizzazione e la polmonite, suggerendo una causa nascosta legata alle complicazioni gravi del virus. Il secondo gruppo era legato quasi interamente al fatto che la paziente fosse una donna, indicando che il genere era un fattore distinto di per sé, separato dalla gravità della malattia. Il terzo gruppo raccoglieva un insieme di condizioni come diabete, malattie cardiache e insufficienza renale, che tendevano ad apparire insieme negli adulti. Questo terzo gruppo rappresentava una causa nascosta di problemi di salute dell'adulto che rendeva i pazienti più vulnerabili. Il ricercatore ha confrontato i suoi risultati con il metodo tradizionale utilizzato per anni, che cerca di forzare i dati binari in la vecchia forma continua. Il metodo tradizionale mescolava questi gruppi, combinando le complicazioni gravi con il genere in un modo che oscurava i modelli chiari rivelati dal nuovo modello.

Lo studio ha anche esaminato quanto ciascuno di questi gruppi nascosti fosse importante. Il ricercatore ha scoperto che il gruppo relativo alle complicazioni gravi e il gruppo relativo ai problemi di salute dell'adulto erano i più importanti, spiegando ciascuno una parte significativa della variazione nei dati. Il fattore genere, pur essendo distinto, spiegava meno del quadro generale. Utilizzando il loro nuovo metodo, il ricercatore poteva vedere questi modelli chiaramente senza la confusione che affliggeva le tecniche più vecchie. Non hanno solo trovato una nuova formula; hanno trovato un modo per vedere la struttura dei dati binari più chiaramente, dimostrando che quando le cause nascoste sono lasciate comportarsi in un modo che corrisponde ai dati, la storia che raccontano diventa molto più facile da comprendere. Il lavoro suggerisce che per le domande che coinvolgono risposte sì-o-no, i vecchi strumenti potrebbero mancare il bersaglio, ed è necessario un nuovo approccio che rispetti la natura unica dei dati per trovare la verità.