O MIT apresentou um novo m\u00e9todo para gerar intervalos de confian\u00e7a v\u00e1lidos em dados com varia\u00e7\u00e3o espacial. O recurso, apresentado no evento reconhecido de processamento de informa\u00e7\u00f5es neurais (NIPS), mant\u00e9m a confiabilidade mesmo sob ru\u00eddos. A pesquisa tem aplica\u00e7\u00e3o em \u00e1reas como meio ambiente, economia e epidemiologia.<\/p>\n
O estudo identifica falhas em t\u00e9cnicas tradicionais de intervalos de confian\u00e7a quando vari\u00e1veis variam por locais distintos. Dados de sensores ambientais, por exemplo, podem violar premissas de independ\u00eancia, de modelo correto e de similaridade entre dados vizinhos, levando a estimativas enganosas.<\/p>\n
Equipe liderada por Tamara Broderick, associada do MIT EECS, participou do trabalho com David R. Burt, Renato Berlinghieri e Stephen Bates. O grupo destacou que as refer\u00eancias atuais costumam apresentar intervalos imprecisos em contextos geogr\u00e1ficos.<\/p>\n
O novo m\u00e9todo parte da premissa de que os dados variam de forma suave no espa\u00e7o, em vez de exigir semelhan\u00e7a estrita entre dados de fonte e alvo. Essa suavidade espacial \u00e9 considerada mais condizente com a realidade de vari\u00e1veis como polui\u00e7\u00e3o ou precipita\u00e7\u00e3o.<\/p>\n
Resultados de simula\u00e7\u00f5es e dados reais indicam que a t\u00e9cnica \u00e9 a \u00fanica a consistentemente produzir intervalos confi\u00e1veis em an\u00e1lises espaciais, inclusive quando h\u00e1 ru\u00eddo observado. O m\u00e9todo mostrou robustez frente distor\u00e7\u00f5es nos dados.<\/p>\n
Pesquisadores pretendem ampliar o escopo do m\u00e9todo para diferentes tipos de vari\u00e1veis e novas aplica\u00e7\u00f5es. O trabalho recebeu apoio financeiro do MIT SERC, Office of Naval Research, Generali, Microsoft e NSF, entre outras fontes.<\/p>\n","protected":false},"excerpt":{"rendered":"