Ein Team von Mathematikern unter der Leitung von Taeho Kim der Lehigh University hat entwickelt MLPMALP ist eine neue statistische Methode, die das Prognoseparadigma revolutioniert. Anstatt den mittleren Fehler zu minimieren (wie es die Methode der kleinsten Quadrate bisher getan hat), maximiert MALP den Konkordanzkorrelationskoeffizienten. Es spielt keine Rolle, ob man im Durchschnitt nur sehr wenig falsch liegt; entscheidend ist, dass jeder einzelne vorhergesagte Wert so genau wie möglich mit dem tatsächlichen Wert übereinstimmt..
Die im September 2025 auf arXiv veröffentlichte Studie zeigt, dass MALP bei Tests mit OCT-Augenscans und Körperfettmessungen Vorhersagen mit überlegener Übereinstimmung liefert. Was bedeutet das? Ich erkläre es Ihnen – oder besser gesagt, schreibe es Ihnen gleich auf.
Konkordanz versus Fehler: Eine Unterscheidung, die zählt
Seit Jahrzehnten konzentriert sich die prädiktive Statistik auf ein einziges Ziel: die Reduzierung des durchschnittlichen Fehlers. Die Methode der kleinsten Quadrate, der Grundpfeiler der linearen Regression, funktioniert folgendermaßen: Sie erfasst alle Abweichungen zwischen vorhergesagten und tatsächlichen Werten, quadriert diese, addiert sie und versucht, die Summe zu minimieren. Sie eignet sich gut, wenn die Vorhersagen im Durchschnitt möglichst nahe an den tatsächlichen Werten liegen sollen.
Doch Kim und seine Kollegen fragten sich: Ist das wirklich notwendig? In vielen wissenschaftlichen und medizinischen Kontexten kommt es nicht auf den durchschnittlichen Fehler an, sondern auf denPunkt-für-Punkt-ÜbereinstimmungWenn ein medizinisches Gerät 200 und das andere 195 anzeigt, kann diese einzelne Diskrepanz, selbst wenn der durchschnittliche Fehler pro tausend Messungen akzeptabel ist, zu diagnostischen Problemen führen.
Der von Lin 1989 eingeführte Konkordanzkorrelationskoeffizient (CCC) misst, wie gut Daten in einem Streudiagramm auf einer 45-Grad-Linie übereinstimmen. Stimmt der vorhergesagte Wert in einer statistischen Prognose mit dem tatsächlichen Wert überein, liegt der Punkt exakt auf dieser Linie. MALP ist darauf ausgelegt, diese Übereinstimmung zu maximieren.
Die Tests: OCT und Körperfettmessung
Um die Effektivität von MALP zu demonstrieren, führte das Team Tests an zwei realen Datensätzen durch. Der erste betraf Augenscans mit optischer Kohärenztomographie (OCT). Krankenhäuser stellen vom älteren Stratus-OCT-System auf das neuere Cirrus-OCT-System um, und Ärzte müssen die Messwerte umrechnen, um die Ergebnisse im Zeitverlauf vergleichen zu können.
Anhand hochauflösender Scans von 26 linken und 30 rechten Augen testeten die Forscher, wie gut MALP Stratus-Messwerte anhand von Cirrus-Daten vorhersagen kann. Ergebnis: MALP lieferte Prognosen, die besser mit den tatsächlichen Stratus-Werten übereinstimmten als die Methode der kleinsten Quadrate.Obwohl letztere Methode einen etwas geringeren mittleren Fehler aufwies. Es ist ein bisschen so, als ob die Methode der kleinsten Quadrate „mehr oder weniger richtige“ Antworten lieferte, während MALP auf „vollständige Richtigkeit“ abzielte.
Die zweite Studie umfasste 252 Erwachsene, bei denen Gewicht, Taillenumfang und weitere Körpermaße gemessen wurden. Da die genaue Messung des Körperfettanteils teure Methoden wie die Unterwasserwägung erfordert, werden häufig indirekte Schätzwerte verwendet. Auch hier lieferte MALP Prognosen, die besser mit den tatsächlichen Werten übereinstimmten als herkömmliche statistische Prognosemethoden.
Wann Sie eine Konkordanz benötigen (und wann nicht)
Kim stellt klar: MALP ist nicht in jedem Kontext ein Ersatz für die Methode der kleinsten Quadrate. Geht es darum, den Gesamtfehler bei großen Datensätzen zu minimieren, sind traditionelle Methoden ausreichend. Ist jedoch eine exakte Übereinstimmung zwischen Vorhersagen und Realität erforderlich, ist MALP das geeignetste Werkzeug. Man bedenke: Personalisierte Medizin, wo jeder Patient individuell zählt, oder bei der Kalibrierung wissenschaftlicher Instrumente, wo punktgenaue Präzision unerlässlich ist.
Das Team arbeitet bereits daran, MALP über lineare Prädiktoren hinaus zu erweitern. Ziel ist die Entwicklung von … Prädiktor für maximale Übereinstimmung (MAP), eine allgemeinere Version, die auf nichtlineare Modelle angewendet werden kann. Kim räumt ein: „Unser aktueller Rahmen ist auf lineare Prädiktoren beschränkt, breit genug für viele Bereiche, aber mathematisch immer noch eng gefasst.“
Die Auswirkungen erstrecken sich auf Wirtschaftswissenschaften, Epidemiologie und Ingenieurwesen. Immer dann, wenn es notwendig ist, Messwerte zwischen verschiedenen Systemen zu übersetzen oder sicherzustellen, dass Prognosen nicht nur „nahezu“ genau sind, sondern … Zusammentreffen MALP bietet im Vergleich zu klassischen Methoden eine konkrete Alternative zur Realität.
Vielleicht Wir können die Zukunft nicht wirklich vorhersagen.Aber wir können zumindest die Gegenwart genauer vorhersagen. Und in einer Welt, in der jeder Prozentpunkt Übereinstimmung zuverlässigere Diagnosen oder besser kalibrierte Instrumente bedeuten kann, ist das von großer Bedeutung.
