📊 statistics

Hybrid Neutrosophic Regression ANOVA (HNRA): An Uncertainty-Aware Statistical Inference Framework Under Measurement Imprecision

Questo articolo introduce la Hybrid Neutrosophic Regression ANOVA (HNRA), un nuovo framework statistico che modella l'imprecisione delle misurazioni come intervalli neutrosofici per fornire una decomposizione della somma dei quadrati limitata e consapevole dell'incertezza e un valore F-statistic formalmente garantito, estendendo così la classica ANOVA di regressione a scenari con errori di calibrazione degli strumenti e variabilità biologica senza richiedere assunzioni distribuzionali pregresse.

Autori originali: Jaida Najihah Jamidin, Zahari Md Ro, Sayang Mohd Deni, Siti Meriam Zahari

Pubblicato 2026-07-23

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Jaida Najihah Jamidin, Zahari Md Ro, Sayang Mohd Deni, Siti Meriam Zahari

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di essere un detective che cerca di risolvere un mistero usando una lente d'ingrandimento. Nel mondo della scienza, quella lente d'ingrandimento è uno strumento statistico chiamato ANOVA di Regressione. Aiuta i ricercatori a capire se due cose sono collegate — come ad esempio se l'invecchiamento faccia rimpicciolire i muscoli. Per decenni, gli scienziati hanno usato questo strumento assumendo che le loro misurazioni fossero perfette, come leggere un righello che non traballa mai. Ma nel mondo reale, nulla è perfetto. Una bilancia potrebbe essere leggermente sballata, un sensore potrebbe avere un guasto, o una persona potrebbe dimenticare esattamente la propria età. Questi piccoli errori sono chiamati "imprecisione di misurazione".

Quando ignori questi errori, il tuo lavoro da detective potrebbe sembrare chiaro, ma potrebbe essere fuorviante. È come cercare di indovinare il peso di un gatto indossando guanti spessi e appannati; potresti ottenere un numero, ma non sai quanto quel numero possa essere sbagliato. Alcuni scienziati hanno cercato di risolvere questo problema usando la logica "fuzzy" (dove le cose sono un po' vere e un po' false) o i metodi "Bayesiani" (che richiedono di ipotizzare una credenza iniziale prima di iniziare). Ma questi metodi possono essere complicati, richiedere assunzioni extra o non fornire le risposte standard "sì/no" a cui medici e regolatori sono abituati. La grande domanda è: possiamo costruire uno strumento da detective che ammetta che i guanti sono appannati, ci dia una risposta chiara e segua ancora le vecchie, fidate regole del gioco?

Questo articolo presenta un nuovo strumento chiamato Hybrid Neutrosophic Regression ANOVA (HNRA). Pensa a questo come a una lente d'ingrandimento super-potenziata che non si limita a darti un singolo numero per il peso del gatto. Inveve, ti dà un intervallo — una "zona sicura" di possibilità. Se il gatto pesa tra 4 e 6 libbre, lo strumento dice: "Siamo sicuri che sia in questo intervallo". Gli autori, Jaida Najihah Jamidin e il suo team dell'Universiti Teknologi MARA, hanno sviluppato un framework matematico che prende questi intervalli fuzzy e li fa passare attraverso la matematica standard della regressione.

Ecco cosa hanno scoperto e dimostrato. Primo, hanno dimostrato che questo nuovo metodo funziona come una traduzione perfetta del vecchio metodo. Se rimuovi tutta la nebbia (gli errori di misurazione), l'HNRA torna a essere esattamente lo strumento classico e fidato. Questo è fondamentale perché significa che il nuovo metodo non è un azzardo; è un aggiornamento sicuro. Secondo, hanno dimostrato che man mano che la nebbia si infittisce (ovvero quando le misurazioni peggiorano), la "zona sicura" si allarga, ma non si restringe né si comporta in modo strano. Cresce in modo prevedibile e costante.

Il team ha testato questo su un dataset reale che coinvolgeva 60 adulti, analizzando il legame tra massa muscolare ed età. Nel mondo reale, misurare la massa muscolare non è esatto; può variare di circa il ±10% a causa del funzionamento della macchina, e l'età può essere sballata di ±0,5 anni perché le persone arrotondano per eccesso o per difetto. Quando hanno applicato il loro nuovo strumento HNRA, il risultato non è stato un singolo numero. Inveve, hanno ottenuto un intervallo per la forza della connessione: la statistica F (un punteggio che indica quanto è forte l'evidenza) è caduta tra 116,52 e 260,02.

Perché questo è importante? Nel vecchio metodo, un punteggio di 174,06 (la media) era già considerato una "vittoria" perché molto più alto della soglia critica di 4,00. Ma con l'HNRA, gli scienziati possono dire qualcosa di ancora più forte: "Anche nello scenario peggiore, dove gli errori sono al loro massimo assoluto, il punteggio minimo possibile è comunque 116,52". Ciò significa che la conclusione — ovvero che l'età e la massa muscolare sono sicuramente collegate — è incrollabile, indipendentemente da quanto traballino gli strumenti di misura.

Il team ha inoltre eseguito 500 simulazioni al computer per vedere come lo strumento avrebbe gestito diversi livelli di disordine. Hanno scoperto che anche quando rendevano le misurazioni molto approssimative (fino al 25% di incertezza), lo strumento reggeva comunque, mantenendo la "zona sicura" ampia ma la conclusione stabile. Tuttavia, gli autori sottolineano con cautela che questo strumento è migliore per situazioni in cui è necessario tenere conto di errori di misurazione noti, come in un laboratorio ospedaliero o con tracker di fitness indossabili. Non è una bacchetta magica che risolve tutto; se i dati sono troppo disordinati o il segnale è troppo debole, la "zona sicura" può diventare così ampia da non essere più utile. Ma per i casi in cui conosciamo i limiti dei nostri strumenti, l'HNRA offre un modo per essere onesti riguardo a quei limiti pur ottenendo una risposta affidabile. È un modo per dire: "Sappiamo che il nostro righello non è perfetto, ma sappiamo esattamente quanto è imperfetto, e possiamo comunque risolvere il mistero".

Sintesi Tecnica: Regressione ANOVA Neutrosofica Ibrida (HNRA)

Definizione del Problema
L'Analisi della Varianza (ANOVA) basata sulla regressione classica costituisce la base dell'inferenza biomedica quantitativa, ma si basa sull'assunto che le variabili predittore ( $X$ ) e risposta ( $Y$ ) siano osservate come quantità esatte e prive di errore. Nella pratica, tale assunto viene regolarmente violato da limiti di calibrazione degli strumenti, variabilità biologica, errori di segnalazione dei sensori e arrotondamenti nei dati auto-riportati. Sebbene le metodologie esistenti — come la regressione ad intervalli, la regressione fuzzy e la regressione bayesiana — tentino di affrontare l'imprecisione della misurazione, esse soffrono di specifici limiti:

Regressione ad intervalli: Spesso manca di una decomposizione ANOVA standard o di un $F$ -statistica convenzionale.
Regressione Fuzzy: Richiede la parametrizzazione di funzioni di appartenenza soggettive e manca di tabelle ANOVA standard.
Regressione Bayesiana: Richiede la specificazione di distribuzioni a priori e produce distribuzioni a posteriori piuttosto che $F$ -statistiche frequentiste.
Modelli Neutrosofici Esistenti: Studi precedenti hanno stabilito la correlazione neutrosofica e la regressione semplice, ma non hanno derivato una completa decomposizione ANOVA della regressione ( $SST_N = SSR_N + SSE_N$ ) con medie quadrate a valori intervallari e una $F$ -statistica formalmente limitata.

Di conseguenza, esiste una lacuna nei framework statistici capaci di propagare l'incertezza strutturale della misurazione attraverso la decomposizione delle somme dei quadrati della regressione ANOVA, mantenendo al contempo l'interpretabilità e la semplicità computazionale dei classici Minimi Quadrati Ordinari (OLS).

Metodologia: Il Framework HNRA
Il documento introduce la Regressione ANOVA Neutrosofica Ibrida (HNRA), un framework che rappresenta le osservazioni come intervalli neutrosofici e le propaga attraverso l'ANOVA della regressione utilizzando l'aritmetica degli intervalli chiusi.

Rappresentazione dell'Intervallo Neutrosofico:
Le osservazioni vengono trasformate in intervalli chiusi $A_N = [A_L, A_U]$ . Per un dataset $(x_i, y_i)$ , le rappresentazioni neutrosofiche sono definite come:

$X_{i,N} = [x_i - \delta_x, x_i + \delta_x]$
$Y_{i,N} = [(1-\delta_y)y_i, (1+\delta_y)y_i]$
dove $\delta_x$ e $\delta_y$ rappresentano parametri di incertezza non negativi per i predittori e le risposte, rispettivamente.

Formulazione del Modello:
Il modello HNRA mantiene le stime dei coefficienti OLS classici ( $\hat{\beta}_0, \hat{\beta}_1$ ) calcolate dai punti medi degli intervalli. Il modello è espresso come $Y_{i,N} = \beta_0 + \beta_1 X_{i,N} + \epsilon_{i,N}$ .

Valori Predetti: Calcolati tramite aritmetica degli intervalli, con applicazione dello scambio dei limiti (bound swapping) se $\beta_1 < 0$ per mantenere l'ordinamento $[L, U]$ .
Somme dei Quadrati: Le somme dei quadrati Totale ( $SST_N$ ), di Regressione ( $SSR_N$ ) e di Errore ( $SSE_N$ ) sono calcolate come intervalli utilizzando le regole dell'aritmetica degli intervalli chiusi per addizione, sottrazione e squaring.
$F$ -Statistica: La $F$ -statistica a valori intervallari è definita come $F_N = [F_L, F_U] = [MSR_L / MSE_U, MSR_U / MSE_L]$ , dove le Medie Quadrate sono derivate dalle somme dei quadrati intervallari.

Classificazione Decisionale:
Il framework introduce una classificazione della significatività a tre vie basata sulla relazione tra la $F$ -statistica intervallare $[F_L, F_U]$ e il valore critico classico $F^*$ :

Uniformemente Significativo: $F_L > F^*$ (Significatività garantita in tutte le realizzazioni dell'incertezza).
Uniformemente Non Significativo: $F_U < F^*$ .
Regione Sensibile all'Incertezza: $F_L \leq F^* \leq F_U$ (La conclusione dipende dalla specifica realizzazione entro i limiti di incertezza).

Contributi Teorici Chiave
Il documento stabilisce quattro risultati teorici che dimostrano come l'HNRA sia una generalizzazione conservativa e ben comportata della classica ANOVA della regressione:

Teorema di Decomposizione: Dimostra che $SST_N \approx SSR_N + SSE_N$ si tiene componente per componente sotto l'aritmetica degli intervalli, con la discrepanza limitata da una funzione dei parametri di incertezza ( $O(\delta_x + \delta_y)$ ).
Teorema di Convergenza: Dimostra che man mano che i parametri di incertezza ( $\delta_x, \delta_y$ ) tendono a zero, tutte le quantità intervallari HNRA convergono esattamente ai loro corrispondenti "crisp" classici.
Teorema di Monotonicità: Stabilisce che la larghezza di tutte le statistiche a valori intervallari (inclusa la $F$ -statistica) cresce monotonicamente con l'aumentare dell'incertezza di misurazione, garantendo che l'aumento del budget di incertezza non restringa spurieamente le conclusioni inferenziali.
Teorema di Limitatezza e Positività: Dimostra che se i limiti inferiori delle medie quadrate sono positivi, la $F$ -statistica intervallare è strettamente positiva e finita. Un corollario garantisce la significatività statistica uniforme se il limite inferiore $F_L$ supera il valore critico classico.

Risultati Sperimentali
Il framework è stato validato utilizzando un dataset biomedico ( $n=60$ ) che mette in relazione la massa muscolare con l'età, con un'incertezza della risposta di $\pm 10\%$ e un'incertezza del predittore di $\pm 0,5$ anni.

Applicazione: La $F$ -statistica classica era 174,06. Il risultato HNRA ha prodotto $F_N = [116,52, 260,02]$ . Poiché il limite inferiore (116,52) superava ampiamente il valore critico ( $F^* \approx 4,00$ ), la relazione è stata classificata come Uniformemente Significativa.
Analisi di Sensibilità: Attraverso livelli di incertezza dal 5% al 25%, la larghezza dell'intervallo $F_N$ è cresciuta monotonicamente, ma il limite inferiore è rimasto significativamente al di sopra della soglia critica, confermando la stabilità della conclusione sotto alta imprecisione.
Studio di Simulazione: Uno studio su 500 replicazioni ha confermato che le stime classiche rientravano costantemente negli intervalli HNRA. Una simulazione fattoriale espansa (18.000 dataset) ha mostrato una copertura del 100% dei valori $F$ classici da parte degli intervalli HNRA quando l'errore media quadratica rimaneva positiva.
Scenari Borderline: Scenari sintetici con effetti più deboli hanno dimostrato la "Regione Sensibile all'Incertezza", dove l'ANOVA classica potrebbe riportare significatività mentre l'HNRA identifica correttamente che la conclusione è fragile rispetto all'incertezza di misurazione.

Significato e Rivendicazioni
Il documento sostiene che l'HNRA offra una posizione distinta nell'inferenza statistica poiché:

Preserva l'Interpretabilità: Utilizza i coefficienti OLS classici, rendendo i risultati familiari ai professionisti formati nella regressione frequentista.
Elimina le Assunzioni Distribuzionali: A differenza dei metodi bayesiani, non richiede distribuzioni a priori; a differenza dei metodi fuzzy, non richiede la parametrizzazione di funzioni di appartenenza.
Fornisce Garanzie Formali: Offre una completa decomposizione ANOVA e una $F$ -statistica limitata con proprietà provate di convergenza e monotonicità, assenti nella letteratura precedente sulla regressione neutrosofica.
Risponde alle Esigenze Regolatorie: Il framework è direttamente applicabile alla scienza del laboratorio clinico e all'epidemiologia, dove gli standard (ad es. ISO 5725, CLSI) richiedono la segnalazione dell'incertezza di misurazione insieme ai risultati analitici.

Limitazioni e Lavori Futuri
Gli autori notano esplicitamente diverse limitazioni:

Controllo dell'Errore di Tipo I: Il controllo formale dell'errore di Tipo I sotto intervalli neutrosofici non è ancora stato stabilito; pertanto, l'HNRA è attualmente posizionata come uno strumento descrittivo e di analisi di sensibilità robusto piuttosto che come un test di ipotesi frequentista pienamente validato.
Involucro Operativo: In regimi a basso segnale con alta incertezza, l'intervallo $F$ può diventare informativamente ampio (la "Regione Sensibile all'Incertezza") e il limite inferiore della media quadratica dell'errore ( $MSE_L$ ) può avvicinarsi allo zero.
Ambito: La formulazione attuale è limitata alla regressione semplice ( $k=1$ ). Estensioni alla regressione multipla, ai limiti di incertezza asimmetrici e ai criteri di selezione del modello a valori intervallari (ad es. AIC) sono identificati come lavori futuri.

Sintesi Tecnica: Regressione ANOVA Neutrosofica Ibrida (HNRA)

Articoli simili