📊 statistics

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

Este artigo introduz a Regressão ANOVA Neutrosófica Híbrida (HNRA), um novo arcabouço estatístico que modela a imprecisão de medição como intervalos neutrosóficos para fornecer uma decomposição de somas de quadrados limitada e consciente da incerteza e um F-estatística formalmente garantida, estendendo assim a ANOVA de regressão clássica para cenários com erros de calibração de instrumentos e variabilidade biológica sem exigir suposições distributivas prévias.

Autores originais: Jaida Najihah Jamidin, Zahari Md Ro, Sayang Mohd Deni, Siti Meriam Zahari

Publicado 2026-07-23

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Jaida Najihah Jamidin, Zahari Md Ro, Sayang Mohd Deni, Siti Meriam Zahari

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um detetive tentando resolver um mistério usando uma lupa. No mundo da ciência, essa lupa é uma ferramenta estatística chamada ANOVA de Regressão. Ela ajuda os pesquisadores a descobrir se duas coisas estão conectadas — como se o envelhecimento faz seus músculos encolherem. Por décadas, os cientistas usaram essa ferramenta assumindo que suas medições eram perfeitas, como ler uma régua que nunca oscila. Mas, no mundo real, nada é perfeito. Uma balança pode estar um pouco errada, um sensor pode falhar ou uma pessoa pode esquecer exatamente a sua idade. Esses pequenos erros são chamados de "imprecisão de medição".

Quando você ignora esses erros, seu trabalho de detetive pode parecer claro, mas pode ser enganoso. É como tentar adivinhar o peso de um gato usando luvas grossas e embaçadas; você pode obter um número, mas não sabe o quanto esse número pode estar errado. Alguns cientistas tentaram corrigir isso usando a lógica "fuzzy" (onde as coisas são um pouco verdadeiras e um pouco falsas) ou métodos "Bayesianos" (que exigem uma suposição de crença inicial antes de começar). Mas esses métodos podem ser complicados, exigir suposições extras ou não fornecer as respostas padrão de "sim/não" que médicos e reguladores estão acostumados a usar. A grande questão é: Podemos construir uma ferramenta de detetive que admita que as luvas estão embaçadas, nos dê uma resposta clara e ainda siga as velhas e confiáveis regras do jogo?

Este artigo apresenta uma nova ferramenta chamada ANOVA de Regressão Neutrosófica Híbrida (HNRA). Pense nela como uma lupa superpoderosa que não te dá apenas um único número para o peso do gato. Em vez disso, ela te dá uma faixa — uma "zona de segurança" de possibilidades. Se o gato pesa entre 4 e 6 libras, a ferramenta diz: "Temos certeza de que está nesta faixa". Os autores, Jaida Najihah Jamidin e sua equipe da Universiti Teknologi MARA, desenvolveram uma estrutura matemática que pega essas faixas nebulosas e as processa através da matemática de regressão padrão.

Aqui está o que eles descobriram e provaram. Primeiro, eles mostraram que este novo método funciona como uma tradução perfeita do método antigo. Se você remover todo o embaçado (os erros de medição), a HNRA volta a ser a ferramenta clássica e confiável exatamente como era. Isso é crucial porque significa que o novo método não é um palpite selvagem; é um upgrade seguro. Segundo, eles provaram que, conforme o embaçado aumenta (significando que as medições pioram), a "zona de segurança" fica mais larga, mas nunca diminui ou se comporta de forma estranha. Ela cresce de uma maneira previsível e constante.

A equipe testou isso em um conjunto de dados reais envolvendo 60 adultos, observando a ligação entre massa muscular e idade. No mundo real, medir a massa muscular não é exato; pode variar cerca de ±10% devido ao funcionamento da máquina, e a idade pode estar errada em ±0,5 anos porque as pessoas arredondam para cima ou para baixo. Quando aplicaram a nova ferramenta HNRA, o resultado não foi um número único. Em vez disso, obtiveram uma faixa para a força da conexão: a estatística F (uma pontuação que indica quão forte é a evidência) ficou entre 116,52 e 260,02.

Por que isso importa? No método antigo, uma pontuação de 174,06 (a média) já era considerada uma "vitória" porque era muito superior ao limite crítico de 4,00. Mas com a HNRA, os cientistas podem dizer algo ainda mais forte: "Mesmo no pior cenário, onde os erros estão no seu máximo absoluto, a pontuação mais baixa possível ainda é 116,52". Isso significa que a conclusão — de que a idade e a massa muscular estão definitivamente conectadas — é sólida como uma rocha, não importa o quanto as ferramentas de medição oscilem.

O artigo também realizou 500 simulações computacionais para ver como a ferramenta lidaria com diferentes níveis de desordem. Eles descobriram que, mesmo quando tornaram as medições muito descuidadas (até 25% de incerteza), a ferramenta se manteve firme, mantendo a "zona de segurança" ampla, mas a conclusão estável. No entanto, os autores ressaltam cuidadosamente que esta ferramenta é melhor para situações onde é necessário contabilizar erros de medição conhecidos, como em um laboratório hospitalar ou com rastreadores de fitness vestíveis. Não é uma varinha mágica que conserta tudo; se os dados forem muito bagunçados ou o sinal for muito fraco, a "zona de segurança" pode ficar tão larga que deixa de ser útil. Mas para os casos em que sabemos que nossas ferramentas têm limites, a HNRA oferece uma maneira de ser honesto sobre esses limites enquanto ainda obtemos uma resposta confiável. É uma forma de dizer: "Sabemos que nossa régua não é perfeita, mas sabemos exatamente o quão imperfeita ela é, e ainda podemos resolver o mistério".

Resumo Técnico: Regressão ANOVA Neutrosófica Híbrida (HNRA)

Definição do Problema
A Análise de Variância (ANOVA) clássica baseada em regressão fundamenta a inferência biomédica quantitativa, mas baseia-se na suposição de que as variáveis preditoras ( $X$ ) e de resposta ( $Y$ ) são observadas como quantidades exatas e livres de erro. Na prática, essa suposição é rotineiramente violada por limites de calibração de instrumentos, variabilidade biológica, erros de relato de sensores e arredondamentos em dados autorrelatados. Embora as metodologias existentes — como a regressão de intervalo, a regressão fuzzy e a regressão Bayesiana — tentem abordar a imprecisão de medição, elas sofrem de limitações específicas:

Regressão de Intervalo: Frequentemente carece de uma decomposição ANOVA padrão ou de um estatístico $F$ convencional.
Regressão Fuzzy: Requer a parametrização subjetiva da função de pertinência e carece de tabelas ANOVA padrão.
Regressão Bayesiana: Requer a especificação da distribuição a priori e produz distribuições a posteriori em vez de estatísticos $F$ frequentistas.
Modelos Neutrosóficos Existentes: Trabalhos anteriores estabeleceram correlação neutrosófica e regressão simples, mas não derivaram uma decomposição completa de ANOVA de regressão ( $SST_N = SSR_N + SSE_N$ ) com médias quadráticas de valores de intervalo e um estatístico $F formalmente limitado.

Consequentemente, há uma lacuna em estruturas estatísticas que possam propagar a incerteza estrutural da medição através da decomposição das somas de quadrados da ANOVA de regressão, mantendo a interpretabilidade e a simplicidade computacional da Regressão Linear Ordinária (OLS) clássica.

Metodologia: A Estrutura HNRA
O artigo introduz a Regressão ANOVA Neutrosófica Híbrida (HNRA), uma estrutura que representa observações como intervalos neutrosóficos e as propaga através da ANOVA de regressão usando aritmética de intervalos fechados.

Representação de Intervalo Neutrosófico:
As observações são transformadas em intervalos fechados $A_N = [A_L, A_U]$ . Para um conjunto de dados $(x_i, y_i)$ , as representações neutrosóficas são definidas como:

$X_{i,N} = [x_i - \delta_x, x_i + \delta_x]$
$Y_{i,N} = [(1-\delta_y)y_i, (1+\delta_y)y_i]$
onde $\delta_x$ e $\delta_y$ representam parâmetros de incerteza não negativos para os preditores e respostas, respectivamente.

Formulação do Modelo:
O modelo HNRA retém as estimativas de coeficientes OLS clássicos ( $\hat{\beta}_0, \hat{\beta}_1$ ) calculadas a partir dos pontos médios dos intervalos. O modelo é expresso como $Y_{i,N} = \beta_0 + \beta_1 X_{i,N} + \epsilon_{i,N}$ .

Valores Ajustados: Calculados usando aritmética de intervalos, com aplicação de troca de limites (bound swapping) se $\beta_1 < 0$ para manter a ordenação $[L, U]$ .
Somas de Quadrados: As somas de quadrados Total ( $SST_N$ ), de Regressão ( $SSR_N$ ) e de Erro ( $SSE_N$ ) são computadas como intervalos usando as regras de aritmética de intervalos fechados para adição, subtração e potenciação.
Estatístico $F$ : O estatístico $F de valor de intervalo é definido como $F_N = [F_L, F_U] = [MSR_L / MSE_U, MSR_U / MSE_L]$ , onde as Médias Quadráticas são derivadas das somas de quadrados de intervalo.

Classificação de Decisão:
A estrutura introduz uma classificação de significância de três vias baseada na relação entre o intervalo $F$ ( $[F_L, F_U]$ ) e o valor crítico clássico $F^*$ :

Uniformemente Significativo: $F_L > F^*$ (Significância garantida em todas as realizações de incerteza).
Uniformemente Não Significativo: $F_U < F^*$ .
Região Sensível à Incerteza: $F_L \leq F^* \leq F_U$ (A conclusão depende da realização específica dentro dos limites de incerteza).

Contribuições Teóricas Principais
O artigo estabelece quatro resultados teóricos provando que a HNRA é uma generalização conservadora e bem comportada da ANOVA de regressão clássica:

Teorema de Decomposição: Prova que $SST_N \approx SSR_N + SSE_N$ mantém-se componente a componente sob aritmética de intervalos, com a discrepância limitada por uma função dos parâmetros de incerteza ( $O(\delta_x + \delta_y)$ ).
Teorema de Convergência: Demonstra que, conforme os parâmetros de incerteza ( $\delta_x, \delta_y$ ) aproximam-se de zero, todas as quantidades de intervalo da HNRA convergem exatamente para seus contrapartes clássicos nítidos (crisp).
Teorema de Monotonicidade: Estabelece que a largura de todas as estatísticas de valor de intervalo (incluindo o estatístico $F$ ) cresce monotonicamente com o aumento da incerteza de medição, garantindo que o aumento do orçamento de incerteza nunca estreite espuriosamente as conclusões inferenciais.
Teorema de Limitação e Positividade: Prova que, se os limites inferiores das médias quadráticas forem positivos, o estatístico $F$ de intervalo é estritamente positivo e finito. Um corolário garante a significância estatística uniforme se o limite inferior $F_L$ exceder o valor crítico clássico.

Resultados Experimentais
A estrutura foi validada usando um conjunto de dados biomédicos ( $n=60$ ) relacionando massa muscular com idade, com incerteza de resposta de $\pm 10\%$ e incerteza do preditor de $\pm 0,5$ ano.

Aplicação: O estatístico $F$ clássico foi 174,06. O resultado da HNRA rendeu $F_N = [116,52, 260,02]$ . Como o limite inferior (116,52) excedeu vastamente o valor crítico ( $F^* \approx 4,00$ ), a relação foi classificada como Uniformemente Significativa.
Análise de Sensibilidade: Através de níveis de incerteza de 5% a 25%, a largura do intervalo de $F_N$ cresceu monotonicamente, mas o limite inferior permaneceu significativamente acima do limiar crítico, confirmando a estabilidade da conclusão sob alta imprecisão.
Estudo de Simulação: Um estudo de 500 replicações confirmou que as estimativas clássicas caíram consistentemente dentro dos intervalos da HNRA. Uma simulação fatorial expandida (18.000 conjuntos de dados) mostrou 100% de cobertura dos valores $F$ clássicos pelos intervalos da HNRA quando a média quadrada do erro permanecia positiva.
Cenários Limítrofes: Cenários sintéticos com efeitos de magnitude mais fraca demonstraram a "Região Sensível à Incerteza", onde a ANOVA clássica poderia reportar significância enquanto a HNRA identifica corretamente que a conclusão é frágil à incerteza de medição.

Significância e Alegações
O artigo alega que a HNRA oferece uma posição distinta na inferência estatística ao:

Preservar a Interpretabilidade: Utiliza coeficientes OLS clássicos, tornando os resultados familiares para profissionais treinados em regressão frequentista.
Eliminar Suposições Distribuicionais: Ao contrário dos métodos Bayesianos, não requer priors; ao contrário dos métodos fuzzy, não requer parametrização de função de pertinência.
Fornecer Garantias Formais: Oferece uma decomposição ANOVA completa e um estatístico $F limitado com propriedades de convergência e monotonicidade comprovadas, que estavam ausentes na literatura anterior de regressão neutrosófica.
Abordar Necessidades Regulatórias: A estrutura é diretamente aplicável à ciência laboratorial clínica e epidemiologia, onde padrões (ex: ISO 5725, CLSI) exigem o relato da incerteza de medição junto com os resultados analíticos.

Limitações e Trabalho Futuro
Os autores explicitamente apontam algumas limitações:

Controle do Erro do Tipo I: O controle formal do Erro do Tipo I sob intervalos neutrosóficos ainda não foi estabelecido; portanto, a HNRA é atualmente posicionada como uma ferramenta descritiva robusta e de análise de sensibilidade, em vez de um teste de hipótese frequentista totalmente validado.
Envelope Operacional: Em regimes de baixo sinal com alta incerteza, o intervalo $F$ pode tornar-se informativamente largo (a "Região Sensível à Incerteza"), e o limite inferior da média quadrada do erro ( $MSE_L$ ) pode aproximar-se de zero.
Escopo: A formulação atual é limitada à regressão simples ( $k=1$ ). Extensões para regressão múltipla, limites de incerteza assimétricos e critérios de seleção de modelo de valor de intervalo (ex: AIC) são identificados como trabalhos futuros.

Resumo Técnico: Regressão ANOVA Neutrosófica Híbrida (HNRA)

Mais como este