I rifugi per animali si impegnano a trovare una sistemazione definitiva per i cani, affidandoli a famiglie e singoli individui. Tuttavia, uno studio retrospettivo a lungo termine stima che la percentuale di cani restituiti al rifugio dopo l'adozione sia di circa il 9%. Il ritorno dei cani al rifugio incide sulle risorse disponibili per la cura di altri animali. Individuare le cause profonde di questi ritorni può fornire informazioni utili per la programmazione di interventi volti a ridurre questo fenomeno.
Utilizzando un set di dati relativo a un grande sistema di rifugi per animali a New York, composto da 3.465 cani accolti per la prima volta e monitorati per sei mesi dopo l'ingresso, abbiamo identificato potenziali aree di intervento per ridurre il tasso di restituzione dei cani adottati attraverso diversi modelli. La regressione logistica in combinazione con la selezione graduale delle variabili è stata il modello riportato in questo progetto di ricerca per esplorare la relazione tra la probabilità che un cane venga restituito e un gran numero di covariate.
Abbiamo scoperto che l'età del cane, la sua propensione al comportamento aggressivo, la razza, la durata del soggiorno e la posizione geografica del rifugio sono correlati alla probabilità che il cane venga restituito. Inoltre, abbiamo riscontrato che il trasporto dei cani tra i rifugi non è correlato alla probabilità di restituzione. L'analisi interattiva e di facile utilizzo di JMP, insieme alle sue visualizzazioni, ha aiutato la cliente, che aveva una scarsa formazione in statistica, a comprendere e infine a eseguire l'analisi in autonomia. Questi risultati guideranno l'allocazione delle risorse per interventi, come materiali didattici o programmi di formazione, che potrebbero contribuire a ridurre il tasso complessivo di restituzione.
Ciao. Mi chiamo Alicia Arneson. Sono una dottoranda al Virginia Tech. Lavoro nel nostro gruppo di consulenza statistica nel campus per aiutare i ricercatori a ricavare informazioni utili dai loro dati. Questo progetto mi è stato assegnato nell'ambito di questo lavoro e ne sono stata davvero entusiasta perché, se notate la ragazza adorabile al centro dello schermo, è la mia migliore amica. Si chiama Winnie e l'ho adottata durante la pandemia da un rifugio per animali.
Quando sono andata a prenderla, mi hanno detto che era già stata restituita una volta. Sono tornata a casa con la consapevolezza che avrei potuto avere un piccolo disastro tra le mani. Non sapevo esattamente perché. Non avevano molte informazioni da darmi. Ma alla fine ci siamo trovate benissimo. Ha le sue stranezze e i suoi piccoli problemi, ma ce la caviamo benissimo. È un incrocio di Red Heeler, quindi fa tutte le cose che fanno i cani che si fanno male, ma per noi va benissimo.
Ho scoperto, quando questo cliente mi ha contattato per questo progetto, che si tratta di una situazione molto comune nei rifugi per animali. Spesso non ricevono molte informazioni sul perché i cani vengono riportati indietro. A volte le persone si sentono in colpa e danno risposte vaghe. Ai rifugi non resta che raccogliere le informazioni più ovvie.
Questa cliente aveva un enorme set di dati. Lavora in un grande sistema di rifugi per animali. Aveva oltre 3.400 registrazioni di cani che erano alla loro prima visita al rifugio. Abbiamo cercato di ridurre alcuni bias escludendo i cani che erano già stati al rifugio una seconda volta o cose simili. Questo è per un progetto successivo. Ma volevamo usare le informazioni che avevamo per vedere se riuscivamo a restringere il campo di ricerca per individuare alcuni dei fattori maggiormente correlati alla probabilità che un cane venisse riportato al rifugio.
Perché chiunque abbia mai provato a risolvere un problema all'interno di una grande organizzazione sa che può essere un'impresa enorme, stressante e costosa. Volevamo davvero aiutare questi rifugi a individuare gli aspetti che potevano avere il maggiore impatto o che erano più strettamente correlati al ritorno degli animali, in modo che potessero utilizzare al meglio le proprie risorse per approfondire ulteriormente la questione.
Abbiamo deciso di considerare "reso" qualsiasi cane che tornasse entro 6 mesi dall'adozione. Questo approccio è leggermente diverso da quello adottato dalla maggior parte dei rifugi, che di solito considerano 30 giorni, ma noi abbiamo utilizzato JMP per stabilire un limite temporale basato sui dati. Abbiamo sfruttato il Distribution Explorer di JMP. Se andate su Analizza e poi su Distribuzione, troverete proprio questo. Offre una serie di strumenti davvero utili fin da subito.
Questo intervento sarà per almeno il 40% una dichiarazione d'amore ai profiler di JMP. Vi avverto subito, così potrete adattare i vostri modelli a queste distribuzioni. Sapevo che questa era esponenziale perché avevamo questo dato relativo al tempo di occorrenza dell'evento, e poi ha la forma che mi aspetto da una distribuzione esponenziale.
Se clicco sulla freccia rossa accanto al nome della variabile di risposta e seleziono "Adattamento continuo" (non l'ho mostrato qui, ma si apre un'altra piccola finestra di dialogo e si può cliccare su "Adattamento esponenziale"), è possibile utilizzare i Profiler a partire da quell'adattamento esponenziale. Abbiamo iniziato con il Profiler quantile perché volevamo creare una soglia che includesse almeno il 95% dei cani che venivano restituiti. È una pratica abbastanza comune in statistica. Diciamo che se il valore è al di fuori di questo intervallo di normalità del 95%, allora c'è la possibilità che provenga da qualche altro processo. Abbiamo pensato che il 95% fosse un valore ragionevole.
Il Quantile Profiler consente di modificare la probabilità di interesse, la probabilità cumulativa, e indica la risposta corrispondente. Ci ha suggerito che 173 giorni potrebbero essere il valore limite ideale che cercavamo. È molto vicino a 6 mesi. 6 mesi semplificano notevolmente la comunicazione con i rifugi. Abbiamo utilizzato il Distribution Profiler per verificare se 6 mesi fossero sufficientemente vicini a 95. In tal caso, il valore era ragionevole.
Abbiamo inserito 182 giorni, che è il periodo che il cliente voleva considerare come 6 mesi, e il risultato ci ha indicato una probabilità cumulativa del 95,7%, quindi piuttosto vicina al valore corretto. Abbiamo deciso di optare per 6 mesi e JMP ci ha aiutato a prendere questa decisione. Successivamente, abbiamo ripulito e etichettato correttamente il nostro set di dati. Sapevamo di voler adattare un modello semplice che fornisse al cliente le informazioni desiderate senza sovraccaricarlo di informazioni, e credo che questo sia uno dei punti di forza di JMP. È un software eccellente per questo scopo.
Abbiamo utilizzato l'opzione "Adatta modello" nella scheda "Analizza". Una delle cose che preferisco di JMP è il modo in cui, se la variabile di risposta è etichettata correttamente (nel nostro caso, l'ho etichettata come variabile nominale), JMP è in grado di individuare il tipo di modello più adatto. Non ho dovuto modificare nulla. È stato fantastico.
Ho inserito la mia variabile Y e ho inserito tutti gli elementi che mi interessavano negli input. In questa casella in alto avrei potuto modificarla se avessi voluto un modello diverso, ma JMP sapeva già che volevo un modello di regressione logistica, il che è fantastico. Ho cliccato su "Esegui". Fin da subito, JMP fornisce un bellissimo riepilogo degli effetti che permette di iniziare a vedere immediatamente quali elementi sembrano importanti o hanno un segnale significativo.
Abbiamo deciso, perché come ho detto, l'obiettivo era prendere questa enorme serie di variabili che avevamo e cercare di restringerla agli elementi più importanti. Abbiamo utilizzato la regressione stepwise all'indietro, che in pratica significa che volevamo rimuovere gli elementi che non avevano un segnale sufficiente rispetto a tutti gli altri.
Ho iniziato con queste interazioni principali. Per contestualizzare, il cliente era molto interessato alla geografia dei rifugi, alla provenienza e alla destinazione dei cani e al loro impatto. Abbiamo inserito alcuni termini di ordine superiore, ma li abbiamo rimossi perché alla fine si sono rivelati poco importanti. Poi abbiamo iniziato a scomporre gli effetti principali.
Da tutto ciò, una volta che abbiamo continuato a cliccare, abbiamo cliccato sulla variabile, abbiamo cliccato su rimuovi, JMP ha riadattato il modello, abbiamo ottenuto nuovi valori P, e abbiamo ripetuto l'operazione. Lo abbiamo fatto diverse volte. Poi abbiamo ottenuto questo modello molto più piccolo delle cose che sembravano più importanti, il che è davvero fantastico. Queste sono le cose che erano più correlate alla probabilità che un cane venisse restituito.
E ancora una volta, torniamo ai Profiler e a quanto li adori. Potevamo usare l'opzione Profiler nell'output del modello in modo che il cliente potesse esplorare autonomamente quali elementi fossero importanti e come influenzassero la probabilità di rendimento. Questo è fantastico perché a volte è difficile, soprattutto quando non si lavora con un semplice modello lineare, spiegare il significato dei coefficienti e tutto il resto. Per un cliente, poter visualizzare l'effetto della modifica dei livelli delle variabili è assolutamente impagabile. Questa è stata una parte fondamentale del progetto e ha dato al cliente un grande senso di autonomia.
Utilizziamo JMP anche per tutte le nostre visualizzazioni. Adoro il JMP Graph Builder perché mi permette di personalizzare i grafici senza dover lottare con il codice. È davvero fantastico. Abbiamo fatto alcune analisi di base. Abbiamo scoperto che il 10,5% dei cani nel nostro set di dati è stato restituito, il che è comprensibile perché ci aspettavamo circa 8 o 9, dato che è la percentuale riscontrata dal cliente in altri studi pubblicati. Tuttavia, abbiamo alzato la nostra soglia rispetto a quanto fanno di solito i rifugi, quindi ci aspettiamo che ci siano un numero maggiore di restituzioni che vengono registrate.
Questo grafico mostra chiaramente che abbiamo scoperto che le razze da lavoro sono quelle con maggiori probabilità di essere restituite. Si tratta di razze come il Pastore Tedesco. Se avete mai visitato il sito web di un rifugio per animali, probabilmente ne avrete visti molti, quindi è comprensibile. Alcune razze di piccola taglia, invece, sono meno a rischio. Il che è comprensibile, dato che un barboncino nano spesso non rappresenta un grande peso per una famiglia. Lo dico, ma non ho mai avuto un barboncino nano, quindi potrei sbagliarmi.
Visto il mio interesse per queste aree geografiche da parte del cliente, abbiamo scoperto che il luogo in cui i cani vengono affidati sembra essere in qualche modo correlato alla probabilità di ritrovamento. Abbiamo constatato che i cani affidati a famiglie che vivono in aree urbane hanno maggiori probabilità di essere ritrovati rispetto a quelli affidati a famiglie che vivono in zone rurali o suburbane.
Vorrei precisare che non si tratta assolutamente di un rapporto di causa-effetto e che tutte queste variabili sono solo indicatori indiretti, e che è necessario approfondirle ulteriormente. Non sappiamo ancora perché le case in aree urbane abbiano questa maggiore probabilità di rendimento, ma è un aspetto davvero interessante su cui il cliente può basare ulteriori ricerche.
Meno sorprendente è stato il fatto che abbiamo scoperto che quando il personale del rifugio aveva documentato che un cane era in qualche modo aggressivo (ad esempio, effettuando dei controlli comportamentali all'arrivo dei cani, se questi mostravano segni di aggressività), allora quei cani avevano una maggiore probabilità di essere restituiti. Questo è stato probabilmente uno degli aspetti più significativi.
Sembra che l'età dei cani sia in qualche modo correlata. La maggior parte dei cani restituiti erano adulti a tutti gli effetti, questo è certo. Il picco si registrava nella fascia d'età tra i 5 e i 9 anni. Sono rimasto davvero sorpreso da questo dato, perché mi aspettavo che i cuccioli venissero restituiti più frequentemente dei cani adulti, proprio perché possono essere molto difficili da gestire, ma non è stato così. Anzi, i cani anziani erano quelli con la minore probabilità di essere restituiti, il che è un dato molto interessante.
In definitiva, sapevamo fin dall'inizio che nessun singolo fattore è la causa del reso di un cane. A volte si tratta semplicemente di una cattiva compatibilità tra il proprietario e il cane, oppure della situazione in sé. Tuttavia, abbiamo individuato alcuni candidati interessanti che i rifugi potrebbero valutare, affinché utilizzino le proprie risorse in modo basato sui dati per cercare di ridurre il numero di resi nel lungo periodo. JMP ha reso questo processo estremamente semplice.
Come ho già detto, questa cliente lavora in un grande sistema di rifugi per animali. Non è una data scientist. Era una studentessa di master in un programma molto applicato, aveva una domanda specifica e noi avevamo i dati per rispondere. JMP le ha fatto sentire di essere parte integrante del processo. Abbiamo unito la sua conoscenza del settore con la mia conoscenza statistica, e lei ha potuto partecipare attivamente perché in JMP è possibile salvare l'analisi direttamente nel dataset, ad esempio. Potevo inviarle il dataset, lei poteva cliccare su "avvia" e vedere quello che vedevo io, poteva usare i Profiler e Graph Builder. Nel complesso, è stata un'esperienza davvero fluida e fantastica con questa cliente. È stato fantastico.
Vorrei innanzitutto ringraziare alcune persone, prima di tutto il cliente che ha raccolto questi dati e ci ha fornito una preziosa consulenza. Un ringraziamento anche alla mia cara amica e collaboratrice, Simin, che mi ha aiutato con l'analisi e la pulizia dei dati, tenendo un registro accurato del nostro lavoro. Infine, ringrazio la nostra mentore, la Dott.ssa Jennifer Van Mullekom, per il suo supporto e la sua guida in questo progetto e in tutti gli altri a cui lavoro nel SAIG, il nostro gruppo di statistica. Grazie mille per l'attenzione. Spero che veniate a farmi tutte le vostre domande di persona.
