A binary factor model

No mundo da estatística, os pesquisadores frequentemente enfrentam um enigma: como dar sentido a uma longa lista de fatos relacionados sem se perder nos detalhes. Imagine tentar entender por que um grupo de pessoas compartilha certas características, como ter uma doença específica, ter uma certa idade ou viver em um determinado lugar. Em vez de olhar para cada característica individualmente, os estatísticos usam uma ferramenta chamada análise fatorial. Este método tenta encontrar algumas causas ocultas e subjacentes que explicam por que essas características aparecem juntas. Por décadas, essa ferramenta funcionou maravilhosamente bem para medições que podiam ser qualquer número, como altura ou temperatura. No entanto, ela tinha dificuldades quando os dados consistiam em respostas simples de sim ou não, como se um paciente foi hospitalizado ou não. Os métodos antigos assumiam que as causas ocultas eram suaves e contínuas, o que não se ajustava à natureza nítida e binária dos dados de sim ou não.

Um pesquisador liderado por Luis E. Nieto-Barajas, no ITAM, no México, desenvolveu uma nova maneira de resolver esse problema. Eles criaram um novo modelo projetado especificamente para dados binários, onde as respostas são estritamente sim ou não. Em sua abordagem, as causas ocultas que eles procuram comportam-se de forma diferente dos modelos antigos. Em vez de se moverem livremente, esses fatores ocultos são projetados para evitar uns aos outros; se um fator é forte, os outros devem ser mais fracos. Isso cria um equilíbrio natural, muito parecido com um espaço limitado onde apenas uma coisa pode estar totalmente presente de cada vez. Ao usar esse comportamento específico, o pesquisador consegue descobrir as estruturas ocultas nos dados binários sem forçar os dados a se ajustarem a uma forma à qual eles não pertencem.

Para testar sua ideia, o pesquisador primeiro construiu uma simulação de computador. Eles criaram um conjunto de dados falsos com sete variáveis diferentes de sim ou não e três causas ocultas. Eles inseriram esses dados em seu novo modelo e observaram se ele conseguiria encontrar as três causas originais que haviam plantado. O modelo funcionou bem, identificando com sucesso o número correto de causas ocultas e estimando sua importância. O pesquisador descobriu que, quando tentavam usar menos ou mais causas do que a verdade, a capacidade do modelo de explicar os dados caía. Essa simulação provou que sua estrutura matemática era sólida e poderia lidar com a complexidade dos dados binários sem entrar em colapso.

Encorajados pela simulação, o pesquisador voltou-se para dados do mundo real para ver se seu modelo conseguiria lidar com uma situação real e desordenada. Ele analisou um banco de dados de 1.814 casos confirmados de COVID-19 no México. Os dados incluíam doze indicadores diferentes para cada paciente, tais como se era mulher, se estava hospitalizada, se tinha pneumonia ou se sofria de condições como diabetes ou obesidade. O objetivo era ver se o modelo conseguia agrupar esses doze indicadores em algumas categorias significativas que explicassem por que certos pacientes tinham combinações específicas de sintomas.

O modelo conseguiu classificar os pacientes em três grupos ocultos distintos. O primeiro grupo ligou a hospitalização e a pneumonia, sugerindo uma causa oculta relacionada a complicações graves do vírus. O segundo grupo estava ligado quase inteiramente ao fato de a paciente ser mulher, indicando que o gênero era um fator distinto por si só, separado da gravidade da doença. O terceiro grupo reuniu um agrupamento de condições como diabetes, doenças cardíacas e insuficiência renal, que tendiam a aparecer juntas em adultos. Este terceiro grupo representava uma causa oculta de problemas de saúde do adulto que tornava os pacientes mais vulneráveis. O pesquisador comparou seus resultados com o método tradicional usado por anos, que tenta forçar os dados binários em a antiga forma contínua. O método tradicional misturava esses grupos, combinando as complicações graves com o gênero de uma forma que obscurecia os padrões claros revelados pelo novo modelo.

O estudo também observou o quanto cada um desses grupos ocultos era importante. O pesquisador descobriu que o grupo relacionado às complicações graves e o grupo relacionado aos problemas de saúde do adulto eram os mais importantes, cada um explicando uma parte significativa da variação dos dados. O fator de gênero, embora distinto, explicava menos do quadro geral. Ao usar seu novo método, o pesquisador pôde ver esses padrões claramente, sem a confusão que assolava as técnicas mais antigas. Eles não encontraram apenas uma nova fórmula; eles encontraram uma maneira de ver a estrutura dos dados binários com mais clareza, mostrando que, quando as causas ocultas são permitidas a comportar-se de uma forma que corresponda aos dados, a história que elas contam torna-se muito mais fácil de entender. O trabalho sugere que, para questões envolvendo respostas de sim ou não, as ferramentas antigas podem estar errando o alvo, e uma nova abordagem que respeite a natureza única dos dados é necessária para encontrar a verdade.