Modelação e leitura crítica de dados

Começar pela pergunta e pelos dados

Modelar começa por formular uma pergunta concreta. Queremos descrever o que aconteceu, prever uma situação ou explicar um mecanismo? As três tarefas podem exigir evidências diferentes. Define a população de interesse, as variáveis, as unidades e como cada observação foi obtida. Um conjunto de números sem contexto pode permitir operações, mas não conclusões responsáveis.

Dados de uma amostra não descrevem automaticamente toda a população. Se estudamos o tempo de deslocação de alunos e só entrevistamos os que chegam cedo, o método de seleção pode excluir precisamente os percursos mais demorados. Aumentar essa amostra enviesada não elimina o problema. Também distingue medição de contagem: o número de alunos é discreto, enquanto um tempo é contínuo, embora um aparelho o registe com resolução limitada. A forma de recolha influencia o significado das diferenças observadas.

Rever funções e unidades dos parâmetros

Num modelo afim y=a+bx, a é a saída prevista em x=0 e b a mudança de saída por unidade de entrada. A unidade de b é unidade de y dividida pela de x. Se C=200+15d descreve um custo em unidades monetárias e distância d em quilómetros, 200 representa um custo fixo e 15 uma taxa por quilómetro. A interpretação de x=0 só é física quando esse ponto pertence ao contexto.

Proporcionalidade direta é o caso especial y=bx, com a=0. Uma reta que não passa pela origem não exprime proporcionalidade direta. Já y=y₀rᵗ, para tempos discretos igualmente espaçados e r>0, modela mudança por fator constante. Diferenças aproximadamente constantes sugerem um modelo afim; razões aproximadamente constantes sugerem exponencial. A sugestão precisa de ser testada e de ter sentido no fenómeno. Um padrão numérico curto pode ser compatível com muitos modelos.

Construir e comparar previsões

Dois pontos distintos em x determinam uma reta: b=(y₂−y₁)/(x₂−x₁), depois a=y₁−bx₁. Contudo, dados medidos raramente ficam todos nessa reta. Podemos estimar parâmetros usando vários pontos, por exemplo por mínimos quadrados: escolhem-se a e b para minimizar a soma dos quadrados dos resíduos. Aqui o objetivo é compreender o critério, sem exigir a sua dedução completa.

Para um ponto observado (xᵢ,yᵢ), a previsão é ŷᵢ e o resíduo é eᵢ=yᵢ−ŷᵢ. Resíduo positivo significa observação acima da previsão; negativo significa abaixo. Ele tem a unidade de y. Quadrados evitam que erros opostos se cancelem na medida global, mas dão peso elevado a desvios grandes. Um ajuste com soma pequena não prova mecanismo causal nem torna desprezável cada erro individual.

O desenho dos resíduos conta uma história

Um gráfico de resíduos ajuda a perceber se a forma do modelo é adequada. Se uma reta prevê sistematicamente demais nas pontas e de menos no meio, pode haver curvatura que ela não descreve. Se a dispersão cresce com a entrada, uma única escala de erro pode ser insuficiente. Um ponto muito afastado merece investigar transcrição, instrumento ou uma condição diferente; não deve ser apagado apenas para melhorar o resultado.

É útil separar dados usados para ajustar de dados usados para testar previsões. Um modelo muito flexível pode seguir cada irregularidade da amostra e prever mal fora dela. A precisão deve ser avaliada com erros na unidade relevante: um erro de 2 minutos pode ser pequeno para uma viagem de várias horas e decisivo para uma ligação curta. Uma medida agregada deve ser acompanhada de observações sobre os padrões e o contexto.

Correlação não demonstra causa

A correlação linear mede a intensidade e o sentido de uma associação aproximadamente linear. O coeficiente r é adimensional e está entre −1 e 1 quando definido; valores próximos de ±1 indicam alinhamento linear forte. Se todos os valores de uma variável forem iguais, o coeficiente habitual não está definido. Uma associação não linear forte pode ter r próximo de zero.

Mesmo uma correlação elevada não demonstra que alterar x causará a mudança prevista em y. Pode haver uma terceira variável, causalidade inversa ou seleção dos dados. Por exemplo, duas vendas podem aumentar simultaneamente em dias mais quentes porque ambas dependem da temperatura. Para investigar efeitos causais, precisamos de desenho de estudo adequado, controlo de fatores e argumentos que excedem um gráfico. A aleatorização num experimento ajuda, mas cada conclusão conserva o seu âmbito de validade.

Previsões, fronteiras e honestidade

Interpolar é prever dentro da faixa observada; extrapolar é prever fora dela. A segunda operação costuma exigir hipóteses mais fortes, pois a tendência pode mudar. Um modelo de crescimento exponencial pode descrever uma fase inicial e falhar quando surgem limites de recursos. Uma reta de custo pode funcionar entre 1 e 20 km e falhar depois de uma mudança de tarifa.

Ao comunicar um resultado, separa dados, escolhas de modelo, cálculo e conclusão. Indica a faixa observada e o grau de incerteza que foi efetivamente avaliado. Não inventes um intervalo de confiança apenas porque existe uma previsão decimal. Explicita condições que poderiam invalidar o modelo e que novos dados permitiriam testá-lo. Modelar não é encontrar uma fórmula definitiva para a realidade: é construir uma relação verificável que ajuda a responder a uma pergunta delimitada.

Exemplos resolvidos, sem saltar passos

Acompanha primeiro o raciocínio. Depois tapa a resolução e tenta reconstruí-la com as tuas palavras.

Agora, experimenta tu

Não há cronómetro. Escreve o que sabes, escolhe uma relação e justifica cada passo. As pistas e soluções ficam disponíveis quando precisares.

Erros que vale a pena evitar

Um ajuste perfeito garante previsões futuras.

Pode descrever apenas os pontos observados; mecanismos e condições podem mudar.

Correlação zero significa ausência de qualquer relação.

Pode existir uma relação não linear forte.

Mais dados eliminam qualquer enviesamento.

A recolha precisa de representar a população; repetir uma seleção enviesada não corrige o método.