Modele statystyczne poprawią dokładność analizy danych w edukacji czy medycynie

Profesor Edilberto Cepeda Cuervo, naukowiec z Wydziału Statystyki na Narodowym Uniwersytecie Kolumbii (UNAL), który od dziesięcioleci bada ten typ modelu statystycznego, zrobił pierwszy krok w 2001 roku, kiedy zaproponował serię Bayesowskiej regresji beta modele i opracowane algorytmy, które sprawiły, że analiza danych była głębsza i bardziej szczegółowa, co zostało zrobione dzięki informacjom o wszystkim, co wydarzyło się w problemach takich jak bezrobocie, bieda czy choroby, które w rzeczywistości rozprzestrzeniają się w różnych dziedzinach statystyki i jej zastosowaniach .

Jednak w ciągu ostatnich 20 lat modele te nadal miały ograniczenia teoretyczne i interpretacyjne, które uniemożliwiały uwzględnienie niektórych zmiennych w analizie, dlatego w 2023 r. profesor Cepeda wraz z grupą współautorów udoskonalił Bayesowski model regresji beta.

W tym przypadku zachowanie średniej (średniej z wszystkich danych) i wariancji (wariancji danych w odniesieniu do średniej) można wyjaśnić w takich problemach, jak te cytowane ze statystyk ze zmiennymi związanymi z kontekstem społeczno-ekonomicznym lub średni poziom wykształcenia ludności.

„Mówiąc o modelu bayesowskim, odwołujemy się do modelu prawdopodobieństwa, który opiera się nie tylko na danych, ale także na informacjach dostępnych przed przystąpieniem do zbierania danych, zagłębianiu się w historię badania oraz wiedzy ekspertów z poprzednich badań, aby połączyć to z informacjami, których dostarczają dane dzięki modelom matematycznym – potwierdza badacz.

„Na przykład w medycynie, jeśli mówimy o filtrowaniu krwi przez nerki, gdzie eliminowane są produkty przemiany materii i inne płyny, model jest zainteresowany poznaniem i zrozumieniem istniejących badań i wiedzy nefrologów, aby połączyć je matematycznie z danymi uzyskanymi z obserwacji pacjentów i ustalić, czy ich nawyki, wiek lub wcześniejsze schorzenia miały wpływ na ich poziom filtracji nerkowej”.

Do oceny algorytmu wykorzystano bazy danych znalezione w literaturze dotyczące umiejętności czytania uczniów z dysleksją w niektórych australijskich szkołach. W ten sposób stwierdzono, że istnieją dane, takie jak rasa, płeć i zdolność uczenia się, które nie były wcześniej brane pod uwagę, ponieważ dominowały inne, takie jak IQ, ale w nowym modelu są one ważne, aby wyjaśnić to zjawisko.

Stanowi to lepsze wyjaśnienie wyników uzyskanych w wielu badaniach aplikacyjnych opracowanych do tej pory z innymi typami modeli, co prowadziłoby do ponownego rozważenia różnych badań ekonomicznych w kraju dotyczących stóp bezrobocia i wielowymiarowego ubóstwa, edukacyjnych, takich jak poziomu kompetencji komunikacyjnych czy rozwoju myślenia matematycznego, aw medycynie, z przykładami takimi jak filtracja nerkowa i wiele innych, wskazuje ekspert.

Wybory te umożliwiłyby opracowanie strategii prewencji i znalezienie lepszych rozwiązań, ponieważ problemy byłyby rozpatrywane z różnych punktów widzenia; Jednak aby to osiągnąć, potrzebna jest większa uwaga rządu, tak aby postęp naukowy w statystyce był nadal stosowany i przynosił korzyści społeczeństwu.

„Konieczność tworzenia tych nowych modeli wynika z braku jasności i precyzji co do rozproszenia danych, ponieważ modele zostały zdefiniowane na początku XXI wieku na podstawie parametrów, które nie miały jednoznacznego wyjaśnienia, a zatem ich zastosowanie nie było zdefiniowane w sposób funkcjonalny”, wyjaśnia Leader.

Algorytm został zaimplementowany w Programowanie Statystyka R, szeroko stosowana w analizie statystycznej, najlepiej pasowała do tego badania i oczekuje się, że będzie nadal przyczyniać się do bardziej wiarygodnego włączania danych, dokładniejszych interpretacji i lepszego ukierunkowania podejmowania decyzji na przyczyny i źródła problemów.

Wyniki śledztwa opublikowano m.in Kolumbijski Dziennik Statystyczny UNAL, można się z nimi skonsultować Tutaj.