Modelagem da Distribuição de Classificação e o Índice de Fator de Importância Relativa em Modelos de Lei de Potência Discretos: Aplicação à Resiliência Social Usando a Base de Dados Scopus

Pesquisas anteriores sobre distribuições de lei de potência se concentraram principalmente na modelagem de padrões de frequência, com menos atenção dada às distribuições de classificação e como as posições classificadas refletem a importância relativa entre os elementos. Em distribuições de lei de potência discretas, métricas baseadas em frequência geralmente fornecem discriminação limitada na cauda, onde os elementos podem apresentar contagens semelhantes, mas diferir em dominância relativa. Esses padrões são especialmente evidentes, por exemplo, na publicação acadêmica, onde palavras-chave, afiliações e citações comumente exibem comportamento de lei de potência. Para abordar essa limitação, introduzimos o Índice de Fator de Importância Relativa (RIF), uma medida estatística derivada da distribuição de classificação de lei de potência discreta estimada, em vez de um parâmetro independente adicional. O Índice RIF compara a probabilidade de um elemento em uma determinada classificação com suas probabilidades em classificações inferiores, permitindo uma comparação estatística explícita par-a-par, particularmente dentro da cauda. Formalizamos a estrutura matemática para modelagem de classificação discreta e aplicamos o RIF a dados sintéticos e a um conjunto de dados Scopus sobre resiliência social. Nossos resultados mostram que o RIF clarifica as relações de dominância entre elementos classificados, proporcionando uma discriminação mais forte na cauda do que as medidas baseadas em frequência sozinhas. Além disso, introduzimos a matriz RIF e a rede RIF para representar estruturalmente essas relações par-a-par, apoiando a interpretação de padrões de proeminência. Embora demonstrado na publicação acadêmica, o método generaliza para domínios onde variáveis categóricas seguem comportamento de lei de potência discreta sob validação de ajuste de modelo apropriada.