- Pesquisadores do MIT apresentaram no NIPS um novo método que gera intervalos de confiança válidos para dados que variam no espaço, mantendo confiabilidade mesmo com ruídos.
- O estudo mostra que métodos tradicionais de intervalos presumem independência, modelo correto e similaridade entre dados, o que não funciona em contextos espaciais.
- O novo método considera a suavidade espacial entre locais, ao invés de supor que dados da fonte e do alvo são semelhantes.
- Em simulações e dados reais, a técnica foi a única a produzir intervalos confiáveis de forma consistente em análises espaciais.
- O trabalho teve financiamento do MIT SERC, Office of Naval Research, Generali, Microsoft e National Science Foundation (NSF) e foi apresentado no Neural Information Processing Systems.
O MIT apresentou um novo método para gerar intervalos de confiança válidos em dados com variação espacial. O recurso, apresentado no evento reconhecido de processamento de informações neurais (NIPS), mantém a confiabilidade mesmo sob ruídos. A pesquisa tem aplicação em áreas como meio ambiente, economia e epidemiologia.
O estudo identifica falhas em técnicas tradicionais de intervalos de confiança quando variáveis variam por locais distintos. Dados de sensores ambientais, por exemplo, podem violar premissas de independência, de modelo correto e de similaridade entre dados vizinhos, levando a estimativas enganosas.
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 referências atuais costumam apresentar intervalos imprecisos em contextos geográficos.
O novo método parte da premissa de que os dados variam de forma suave no espaço, em vez de exigir semelhança estrita entre dados de fonte e alvo. Essa suavidade espacial é considerada mais condizente com a realidade de variáveis como poluição ou precipitação.
Resultados de simulações e dados reais indicam que a técnica é a única a consistentemente produzir intervalos confiáveis em análises espaciais, inclusive quando há ruído observado. O método mostrou robustez frente distorções nos dados.
Aplicações e próximos passos
Pesquisadores pretendem ampliar o escopo do método para diferentes tipos de variáveis e novas aplicações. O trabalho recebeu apoio financeiro do MIT SERC, Office of Naval Research, Generali, Microsoft e NSF, entre outras fontes.
Entre na conversa da comunidade