Lehigh Üniversitesi'nden istatistikçi Taeho Kim liderliğindeki uluslararası bir matematikçi ekibi, sağlık, biyoloji ve sosyal bilimler gibi kritik alanlarda öngörücü modellemeyi büyük ölçüde geliştirebilecek yeni bir yöntem geliştirdi.
"Maksimum Uyum Doğrusal Tahmincisi" veya kısaca MALP adı verilen bu yeni yaklaşım, gerçek sonuçlarla daha uyumlu tahminler üretmeyi amaçlıyor. Yöntem, Uyum Korelasyon Katsayısını (CCC) optimize ederek daha yüksek tutarlılık sağlıyor.
UYUMU EN ÜST DÜZEYE ÇIKARIYOR
CCC, veri noktalarının ne kadar sıkı kümelendiği (kesinlik) ve referans çizgisine ne kadar yakın oldukları (doğruluk) kavramlarını birleştiriyor. Matematik yardımcı doçenti Kim, en küçük kareler yöntemi gibi geleneksel tekniklerin ortalama hatayı en aza indirmeye odaklandığını, ancak amaç basit yakınlıktan ziyade uyumu en üst düzeye çıkarmak olduğunda bu yöntemlerin yetersiz kalabileceğini belirtti.
Kim, bazen tahminlerin sadece yakın olmasının yetmediğini, gerçek değerlerle en yüksek uyuma sahip olmasının istendiğini ifade etti. İki nesnenin uyumunu bilimsel olarak anlamlı bir şekilde tanımlamanın yolunun, dağılım grafiğindeki noktaların 45 derecelik bir çizgiyle ne kadar yakın hizalandığına bakmak olduğunu açıkladı.
PEARSON'DAN DAHA ETKİLİ
Genellikle kullanılan Pearson korelasyon katsayısının aksine, MALP'nin temel aldığı Lin'in uyum korelasyon katsayısı, verilerin özellikle 45 derecelik bir çizgiyle ne kadar iyi hizalandığına odaklanıyor. Kim, geliştirdikleri öngörücünün, tahmin edilen değerler ile gerçek değerler arasındaki bu uyumu en üst düzeye çıkarmak için tasarlandığını vurguladı.
GERÇEK VERİLERLE TEST EDİLDİ
Ekip, MALP'yi hem bilgisayar simülasyonları hem de göz taramaları ve vücut yağ ölçümleri gibi gerçek dünya verileriyle test etti. İki farklı optik koherens tomografi (OCT) cihazını karşılaştıran bir çalışmada, MALP'nin yeni cihaz verilerine dayanarak eski cihaz okumalarını geleneksel yöntemlere göre daha gerçekçi bir şekilde tahmin edebildiği görüldü.
Benzer şekilde, 252 yetişkinin vücut ölçülerini içeren bir veri kümesi üzerinde yapılan testlerde de MALP, gerçek vücut yağ yüzdesi değerleriyle daha yakından eşleşen tahminler sundu.
SEÇİM AMACA BAĞLI
Araştırmacılar, MALP'nin genellikle geleneksel yöntemlere kıyasla gerçek verilerle daha iyi eşleşen tahminler sağladığını, ancak en küçük kareler yönteminin ortalama hatayı azaltmada hala biraz daha iyi performans gösterebildiğini belirtti. Bu nedenle, yöntem seçiminin projenin amacına bağlı olması gerektiği vurgulandı; eğer fikir birliği önemliyse MALP daha iyi bir seçenek olarak öne çıkıyor.
Bulguların, tıp ve halk sağlığından ekonomi ve mühendisliğe kadar birçok alanda tahmin araçlarını iyileştirebileceği düşünülüyor. Kim, şu anki hedeflerinin yöntemi doğrusal olmayan durumları da kapsayacak şekilde genişletmek olduğunu söyledi.
