Prevendo Não Respostas no Estudo ELSA COVID-19

Todo ano, as organizações gastam um tempão e uma grana pra coletar informações através de pesquisas. Às vezes, a galera não participa das pesquisas de acompanhamento. Por quê? Pode ser que tenham se mudado, tenham problemas de saúde ou até não estejam mais por aqui. Neste artigo, a gente foca em um estudo específico chamado Estudo Longitudinal Inglês sobre Envelhecimento – Subestudo COVID-19. Esse estudo coletou informações durante a pandemia, mas alguns participantes da primeira rodada não apareceram na segunda. Qual o nosso objetivo? Descobrir quem pode não responder com base em várias paradas usando técnicas de aprendizado de máquina.

#Entendendo o Estudo

O Subestudo ELSA COVID-19 foi realizado em duas rodadas durante a pandemia. A primeira rolou de junho a julho de 2020, e a segunda foi de novembro a dezembro do mesmo ano. Desde então, vários pesquisadores já exploraram os dados coletados. A gente quer prever quem pode sumir na onda dois usando métodos de aprendizado de máquina como K-vizinhos mais próximos, floresta aleatória, Regressão Logística, e por aí vai.

#Por Que Isso Importa

Quando as organizações conseguem identificar quem pode não responder às pesquisas, elas podem economizar recursos. Por exemplo, no Reino Unido, o Escritório de Estatísticas Nacionais usa regressão logística pra tentar prever a probabilidade das pessoas responderem. Em 2012, uma iniciativa dos EUA até fez uma competição pra desenvolver um modelo preditivo para não-respostas, mostrando como é importante usar métodos avançados.

#Investigando Não-Respostas

Nosso foco é na segunda onda do estudo ELSA. Muita pesquisa já foi feita com os dados, mas estudos que exploram especificamente as não-respostas são raros. A gente quer mudar isso. Diferente das rodadas anteriores do ELSA, não teve um estudo que trouxesse evidências sobre a falta de participação. Então, nosso objetivo é identificar os fatores que determinaram quem não respondeu na onda dois.

#Qual É o Conjunto de Dados?

O estudo ELSA é uma pesquisa autorrelatada que acontece a cada dois anos. Ele representa indivíduos com 50 anos ou mais. A amostra original foi retirada de domicílios que participaram de pesquisas de saúde anteriores. Com nove ondas já completadas, um novo estudo foi criado durante a COVID-19 pra examinar seu impacto nos adultos mais velhos em relação à saúde, demografia e emprego.

Para nossa análise, consideramos os membros principais – aqueles que atendem aos requisitos de idade e participaram das pesquisas anteriores. No entanto, teve uma queda significativa nas respostas da onda um pra onda dois.

#Analisando Respostas

A maior parte dos nossos participantes vem da primeira coorte. Curiosamente, muitos preferiram ser entrevistados online do que por telefone. Também percebemos algo importante – o lugar onde as pessoas estavam morando durante a pandemia afetou suas respostas. A maioria ficou nas suas residências habituais, enquanto alguns estavam em lares de idosos. Fatores como problemas de saúde, mudanças no emprego e demografia tiveram papéis significativos em determinar quem respondeu.

#Modelos de Aprendizado de Máquina Usados

Pra resolver nosso problema, usamos vários modelos de aprendizado de máquina.

#K-Vizinhos Mais Próximos (KNN)

Esse modelo olha os pontos de dados mais próximos pra prever resultados. É como perguntar pros seus vizinhos o que eles acham de um filme antes de você assistir. Se seus amigos mais chegados adoraram, você pode dar uma chance também!

#Árvores de Decisão

Imagine desenhar um fluxograma. Em cada ponto, você decide qual caminho seguir com base no que você sabe. Essas árvores ajudam a classificar dados e são fáceis de entender.

#Floresta Aleatória

Pensa nisso como uma floresta inteira de árvores de decisão. Cada árvore vota no resultado, e a maioria ganha. É como perguntar pra um grupo de amigos onde ir jantar e ir no lugar mais popular.

#Regressão Logística

Esse é um método estatístico pra prever as chances de um resultado acontecer. É especialmente útil pra resultados binários, como se alguém vai responder ou não.

#Redes Neurais

Essas são inspiradas no cérebro humano e consistem em unidades ou neurônios interligados. Elas funcionam bem com dados complexos, mas podem ser um pouco mais difíceis de interpretar comparadas às árvores.

#Classificadores de Vetores de Suporte (SVC)

SVC ajuda a encontrar a melhor linha que separa diferentes classes nos nossos dados. Pense nisso como um segurança de clube, garantindo que só certas pessoas entrem.

#Métodos de Conjunto

Esses métodos combinam vários modelos pra melhorar o desempenho. É como reunir uma equipe com diferentes talentos pra alcançar um resultado melhor.

#Avaliando os Modelos

Depois de treinar nossos modelos, precisamos avaliar o quão bem eles performaram. A gente foca na precisão e em outras métricas como precisão e recall. Precisão é importante, mas não é a única coisa. Às vezes, encontrar os verdadeiros positivos (quem não respondeu) é muito mais importante que a precisão geral, especialmente em conjuntos de dados desbalanceados.

#Resultados e Observações

Enquanto analisamos os dados, descobrimos que o modelo de floresta aleatória foi o que funcionou melhor no geral, enquanto KNN foi excelente em prever verdadeiros positivos. No entanto, SVC e redes neurais tiveram um pouco mais de dificuldade.

Os modelos identificaram vários fatores significativos que influenciaram as respostas. Curiosamente, o modo de entrevista se destacou como um fator crucial. Mais pessoas entrevistadas online não participaram na onda dois em comparação com aquelas que foram entrevistadas por telefone.

#Saúde e Outras Influências

Questões de saúde também apareceram como um fator chave. Parece que as áreas mais afetadas pela COVID-19 viram uma maior não-resposta. Os níveis de atividade física das pessoas durante a pandemia também tiveram um papel – aqueles que estavam menos ativos pareciam mais propensos a desistir.

#O Que Tudo Isso Significa

Prever quem pode não responder às pesquisas é vital para as organizações. Ao entender os fatores que levam às não-respostas, elas podem se planejar melhor pra futuras pesquisas. As descobertas aqui não são só úteis pro estudo ELSA, mas também podem ser aplicadas a várias pesquisas e estudos.

#Conclusão

Nesta análise do conjunto de dados ELSA COVID-19, mergulhamos na previsão de não-respostas e destacamos fatores importantes que influenciaram as decisões dos participantes. Enquanto floresta aleatória e KNN se destacaram, a regressão logística mostrou capacidades de generalização notáveis.

Ao identificar esses fatores, fica claro que as organizações podem tomar decisões informadas e economizar tempo e recursos para futuras pesquisas!

Vamos torcer pra que nossas previsões ajudem a melhorar as taxas de resposta na próxima vez – porque, afinal, quem não gostaria de fazer parte de um estudo que dá voz a eles?