A pergunta "quais fatores ecológicos determinam o risco" só tem resposta se a importância das variáveis for medida em dado que o modelo não viu. Medida no próprio treino, ela descreve o que a floresta memorizou.
Todas as figuras desta página vêm do modelo treinado até 2019 e avaliado em 2020–2025, período que não entrou no ajuste. É o corte com discriminação real: ROC-AUC de — e PR-AUC de —, isto é, — vezes o acaso.
Cada ponto abaixo é um município-ano de 2020 a 2025. A posição horizontal é quanto aquela variável empurrou a probabilidade prevista daquela linha, para cima ou para baixo; a cor indica se o valor da variável naquele município-ano era baixo ou alto em relação aos demais.
Um gráfico de barras de importância informa que uma variável importa. Não informa em que direção ela age, nem que a direção pode inverter conforme o valor, nem que algumas variáveis só atuam numa cauda da distribuição — nuvem concentrada em zero com um punhado de pontos distantes. As três leituras estão na figura ao mesmo tempo.
Figura 1. Contribuições SHAP por variável, medidas fora da amostra. — Alterne a ordenação para comparar a hierarquia medida fora da amostra com a importância de Gini, que é a ordenação mais usada na literatura. Passe o cursor sobre uma linha para inspecionar o ponto mais próximo.
A importância de Gini é calculada durante o próprio treinamento, a partir da redução de impureza que cada variável produz nas divisões das árvores. Ela é barata e vem de graça com o modelo — e é por isso que domina a literatura. Também é conhecida por atribuir importância a variáveis com muitos valores distintos, e por registrar fielmente o que a floresta memorizou.
A figura abaixo liga cada variável entre sua posição em uma ordenação e na outra. Linhas paralelas indicariam concordância; o que se vê é o contrário.
Figura 2. Posição de cada variável nas duas ordenações, corte de 2019. À esquerda, a ordem por importância de Gini; à direita, por permutação medida em 2020–2025. As variáveis com intervalo de confiança acima de zero na permutação estão em azul; as demais, em cinza. A correlação de posto entre as duas colunas é —.
A permutação embaralha uma variável de cada vez e mede quanto a PR-AUC cai em dado não visto. Repetida vinte vezes por variável, ela produz um intervalo — e é o intervalo que separa o que discrimina do que não discrimina. Das 32 variáveis, — têm intervalo cruzando zero.
Figura 3. Importância por permutação com intervalo de confiança de 95%. A barra é a queda média na PR-AUC ao embaralhar a variável; o traço é o intervalo por reamostragem. A cor indica a família da variável. No corte de 2014, o modelo está em nível de sorteio (ROC-AUC 0,509), de modo que uma importância pequena ali não distingue "a variável não carrega sinal" de "este modelo não aprendeu nada" — a comparação entre os dois cortes é parte do resultado.
O critério é exigente e deliberadamente: intervalo inteiramente acima de zero tanto no modelo treinado antes da onda de 2016–2019 quanto no treinado depois dela. Quatro variáveis passam.
| Variável | Família | Posto permutação 2014 | Posto permutação 2019 | Posto Gini 2019 |
|---|
Importância diz quanto uma variável pesa; não diz como. As curvas abaixo são efeitos locais acumulados (ALE), que descrevem como a predição muda ao longo do domínio de cada variável. Foram escolhidas em vez de dependência parcial porque as variáveis são correlacionadas entre si — chuva com déficit de pressão de vapor, floresta com pastagem — e a dependência parcial obrigaria o modelo a avaliar combinações que não existem no território.
Figura 4. Efeito local acumulado, nos dois cortes de treino. A linha cheia é o corte de 2019 e a tracejada o de 2014. Onde as duas concordam, a forma da resposta sobreviveu à mudança de regime de 2016–2019. A faixa cinza na base indica a densidade de observações: trechos com poucos municípios sustentam menos a leitura.
É o resultado ecológico mais defensável desta análise e o tipo de resultado que um gráfico de barras de importância não tem como expressar. O risco é máximo em regime de sazonalidade intermediária — nem chuva uniforme ao longo do ano, nem estação seca muito marcada — e cai de forma pronunciada acima de um coeficiente de variação mensal em torno de 1,0. A forma unimodal aparece nos dois cortes de treino; a posição exata do máximo, não: no corte de 2014 ela fica em 0,60 e no de 2019 há um platô entre 0,59 e 0,91.
| Afirmação | O que a medição sustenta |
|---|---|
| Ordenação de importância de variáveis como resultado ecológico | A ordenação por Gini não tem relação estatística com a importância fora da amostra. A leitura correta é a permutação com intervalo, agrupada por família. |
| Determinantes ecológicos do risco | Quatro variáveis sustentam a afirmação: sazonalidade da chuva, população, temperatura mínima e chuva anual defasada em dois anos. |
| Paradoxo ecológico da cobertura florestal | Não se sustenta como paradoxo. O que resta é a perda florestal acumulada, com efeito crescente, mas aprendível apenas depois da onda de 2016–2019. |
| Efeito da cobertura vacinal | Nenhuma variável de imunização sobrevive, em nenhuma versão testada. Ver Vacinação. |