A binary factor model

In de wereld van de statistiek worden onderzoekers vaak geconfronteerd met een puzzel: hoe krijg je betekenis uit een lange lijst met gerelateerde feiten zonder de details uit het oog te verliezen? Stel je voor dat je probeert te begrijpen waarom een groep mensen bepaalde kenmerken deelt, zoals het hebben van een specifieke ziekte, een bepaalde leeftijd hebben of in een bepaalde plaats wonen. In plaats van elk kenmerk afzonderlijk te bekijken, gebruiken statistici een hulpmiddel dat factoranalyse wordt genoemd. Deze methode probeert een paar verborgen, onderliggende oorzaken te vinden die verklaren waarom die kenmerken samen voorkomen. Decennialang werkte dit hulpmiddel prachtig voor metingen die elk getal konden zijn, zoals lengte of temperatuur. Het had echter moeite wanneer de gegevens bestonden uit eenvoudige ja-of-nee antwoorden, zoals of een patiënt wel of niet in het ziekenhuis is opgenomen. De oude methoden gingen ervan uit dat de verborgen oorzaken vloeiend en continu waren, wat niet paste bij de scherpe, binaire aard van ja-of-nee data.

Een onderzoeker onder leiding van Luis E. Nieto-Barajas aan ITAM in Mexico heeft een nieuwe manier ontwikkeld om dit probleem op te lossen. Ze hebben een vers model gecreëerd dat specifiek is ontworpen voor binaire data, waarbij de antwoorden strikt ja of nee zijn. In hun aanpak gedragen de verborgen oorzaken waar ze naar zoeken zich anders dan in de oude modellen. In plaats van vrij te bewegen, zijn deze verborgen factoren zo ontworpen dat ze elkaar vermijden; als één factor sterk is, moeten de anderen zwakker zijn. Dit creëert een natuurlijk evenwicht, vergelijkbaar met een beperkte hoeveelheid ruimte waar slechts één ding tegelijk volledig aanwezig kan zijn. Door dit specifieke gedrag te gebruiken, kan de onderzoeker de verborgen structuren in binaire data onthullen zonder de data te dwingen in een vorm die er niet bij hoort.

Om hun idee te testen, bouwde de onderzoeker eerst een computersimulatie. Ze creëerden een nepdataset met zeven verschillende ja-of-nee variabelen en drie verborgen oorzaken. Ze voerden deze data in hun nieuwe model en keken of het de oorspronkelijke drie oorzaken kon vinden die ze hadden geplant. Het model werkte goed en identificeerde succesvol het juiste aantal verborgen oorzaken en schatte hun belang in. De onderzoeker merkte dat wanneer ze probeerden minder of meer oorzaken te gebruiken dan de werkelijkheid, het vermogen van het model om de data te verklaren daalde. Deze simulatie bewees dat hun wiskundige kader solide was en de complexiteit van binaire data kon aan kunnen zonder in elkaar te storten.

Geënthousiasmeerd door de simulatie, richtte de onderzoeker zich op echte wereldgegevens om te zien of hun model een rommelige, echte situatie aan kon. Ze analyseerden een database van 1.814 bevestigde gevallen van COVID-19 in Mexico. De gegevens bevatten twaalf verschillende indicatoren voor elke patiënt, zoals of het een vrouw was, of de patiënt in het ziekenhuis was opgenomen, of er sprake was van longontsteking, of de patiënt leed aan aandoeningen zoals diabetes of obesitas. Het doel was om te zien of het model deze twaalf indicatoren kon groeperen in een paar betekenisvolle categorieën die verklaarden waarom bepaalde patiënten specifieke combinaties van symptomen hadden.

Het model sorteerde de patiënten succesvol in drie duidelijke verborgen groepen. De eerste groep koppelde ziekenhuisopname en longontsteking, wat suggereert dat er een verborgen oorzaak is die gerelateerd is aan ernstige complicaties van het virus. De tweede groep was bijna volledig gekoppeld aan het feit dat de patiënt een vrouw was, wat aangeeft dat geslacht een afzonderlijke factor op zich is, los van de ernst van de ziekte. De derde groep bracht een cluster van aandoeningen samen zoals diabetes, hartziekten en nierfalen, die vaak samen voorkwamen bij oudere volwassenen. Deze derde groep vertegenwoordigde een verborgen oorzaak van gezondheidsproblemen bij volwassenen die patiënten kwetsbaarder maakte. De onderzoeker vergeleek hun resultaten met de traditionele methode die al jaren wordt gebruikt, die probeert binaire data in de oude, continue vorm te dwingen. De traditionele methode mengde deze groepen door elkaar, waarbij de ernstige complicaties met geslacht werden gecombineerd op een manier die de duidelijke patronen die het nieuwe model onthulde, vertroebelde.

De studie keek ook naar hoeveel deze verborgen groepen ertoe deden. De onderzoeker vond dat de groep gerelateerd aan ernstige complicaties en de groep gerelateerd aan gezondheidsproblemen bij volwassenen het belangrijkst waren, waarbij ze elk een aanzienlijk deel van de variatie in de data verklaarden. De factor geslacht, hoewel afzonderlijk, verklaarde minder van het totale plaatje. Door hun nieuwe methode te gebruiken, kon de onder$\\$ onderzoeker deze patronen duidelijk zien zonder de verwarring die de oudere technieken plagde. Ze vonden niet alleen een nieuwe formule; ze vonden een manier om de structuur van binaire data duidelijker te zien, waarbij ze lieten zien dat wanneer de verborgen oorzaken de ruimte krijgen om zich op een manier te gedragen die past bij de data, het verhaal dat ze vertellen veel gemakkelijker te begrijpen is. Het werk suggereert dat voor vragen die gaan over ja-of-nee antwoorden, de oude instrumenten de plank misslaan, en dat een nieuwe aanpak die de unieke aard van de data respecteert, noodzakelijk is om de waarheid te vinden.