Como podem ser analisados dados pareados de ... - IESC/UFRJ

C OMO PODEM SER ANALISADOS DADOS PAREADOS DE FORMA PROBABILÍSTICA
NA PRESENÇA DE INCERTEZA? UM EXERCÍCIO CONTRASTANDO QUATRO PROCEDIMENTOS
do grau de completude do preenchimento (ou declaração) de um dado identificador
e do seu grau de especificidade (ou o quão discriminante é o identificador), possam
ser um elemento que seja, deliberadamente, considerado no cômputo dos pesos de
pareamento. No caso exemplificado acima, pareceria mais lógico selecionar como
correto o par com nome concordante, pois nome é muito mais específico e mais
definidor do que sexo (supondo, hipoteticamente, qualidade igual do registro das
duas variáveis). Assim, quando não há informação confiável, ou há um número
insuficiente de identificadores, ou por outras razões ligadas ao tipo de identificador
utilizado, o relacionamento probabilístico de registros é o método indicado.
Considera-se que as idéias seminais na formulação do relacionamento
probabilístico são de Howard Newvombe (Newcombe et al., 1959; Winkler, 1999;
Blakely et al., 2002). Em primeiro lugar, este pesquisador observou que a freqüência
de ocorrência de uma característica entre pares verdadeiros (pares que de fato
pertencem ao mesmo indivíduo) e entre pares falsos poderia ser utilizada para
computar um escore (ou peso) de pareamento. Também observou que o peso de
pareamento atribuído de forma individual a diferentes identificadores, em caso
de concordância, ou de discordância, deveria ser computado. Os pesos de
pareamento são construídos de tal forma que, para cada identificador, define-se
a probabilidade m do identificador concordar entre os dois registros, dado que
se trata de par verdadeiro, e a probabilidade u do identificador concordar em
caso de par falso. Da mesma forma, pode-se definir (1 – m) como a probabilidade
de discordância do identificador entre dois registros, uma vez que se trata de par
verdadeiro, enquanto (1 – u) representa a probabilidade de o campo discordar,
no caso de par falso. Com base nestas probabilidades são construídos dois fatores
de ponderação: um, para o caso de concordância, e outro, para o caso de
discordância. Ou seja, compara-se o identificador do primeiro registro com o
do segundo registro e, se concordarem, aplica-se o fator de ponderação de
concordância e, em caso contrário, o de discordância. O fator de ponderação de
concordância é calculado como o logaritmo de base 2 da razão de verossimilhança
entre as probabilidades m e u e o de discordância como o logaritmo de base 2 da
razão de verossimilhança entre as probabilidades (1 – m) e (1 – u). O escore total
de determinado par é obtido a partir da soma dos fatores de ponderação atribuídos
após a comparação de cada identificador (Winkler, 1999). Espera-se que m seja
maior que u, de tal forma que o fator de concordância contribua positivamente para
o escore final, enquanto o fator de discordância contribua negativamente (Camargo
Jr & Coeli, 2000). Pares com escores mais elevados, além de um certo valor de
escore geral (ou limiar), seriam considerados pares verdadeiros. Fellegi e Sunter
(1969), baseados nas primeiras idéias de Newcombe, introduziram os fundamentos
matemáticos e estatísticos para o relacionamento probabilístico de registros da
C ADERNOS SAÚDE COLETIVA, RIO DE JANEIRO, 14 (2): 233 - 250, 2006 – 235