Possibilistic inferential models: a review

Título: Modelos Inferenciales Posibilistas: Una Revisión
Autor: Ryan Martin
Fecha: 13 de noviembre de 2025

1. Planteamiento del Problema y Motivación

El artículo aborda el desafío fundamental de la cuantificación de la incertidumbre basada en datos y la inferencia inductiva sobre parámetros desconocidos ($\Theta$) en ausencia de información previa genuina. El autor argumenta que los enfoques probabilísticos tradicionales —específicamente la inferencia bayesiana con previas por defecto y el argumento fiducial de Fisher— adolecen de una falta inherente de fiabilidad.

El problema central se identifica como el fenómeno de la "falsa confianza". Como establece el Teorema de la Falsa Confianza (Balch et al., 2019), cualquier cuantificación de la incertidumbre probabilística dependiente de los datos (ya sea Bayes, fiducial u otra) que asigne valores de probabilidad precisos a hipótesis, en casos de información previa vacua, asignará inevitablemente una alta probabilidad a algunas hipótesis falsas. Esto conduce a "conclusiones sistemáticamente engañosas". El autor postula que esto no es un defecto de previas o construcciones fiduciales específicas, sino una limitación de la propia teoría de la probabilidad cuando se aplica a la incertidumbre epistémica (ambigüedad de especificación) sin conocimiento previo.

El artículo argumenta que, para lograr fiabilidad, es necesario ir más allá de la probabilidad aditiva hacia la probabilidad imprecisa, específicamente la teoría de la posibilidad. El objetivo es construir un marco que ofrezca una cuantificación de la incertidumbre totalmente condicional, similar a la bayesiana, manteniendo al mismo tiempo una fiabilidad frecuentista demostrable (calibración).

2. Metodología: Modelos Inferenciales Posibilistas (MIPs)

El artículo revisa y extiende la construcción de Modelos Inferenciales Posibilistas (MIPs). A diferencia del marco original de MIPs (Martin y Liu, 2015b), que dependía de un proceso de tres pasos que involucraba una asociación generadora de datos ($Z = a(\Theta, U)$) y conjuntos aleatorios, el enfoque revisado se centra en una construcción más directa, basada en la verosimilitud, que evita la necesidad de reducción manual de dimensiones o elecciones específicas de asociación.

Pasos Clave de la Construcción:

1. Clasificación: El método utiliza una función de clasificación para evaluar la compatibilidad de los valores del parámetro $\theta$ con los datos observados $z$. En el caso estándar, esto es la verosimilitud relativa:
   $$R(z, \theta) = \frac{p_\theta(z)}{\sup_{\vartheta} p_\vartheta(z)}$$
   El artículo señala que otras funciones de clasificación (por ejemplo, verosimilitud de perfil, riesgo empírico) pueden utilizarse dependiendo del contexto.
2. Validación: Para garantizar la fiabilidad, la función de clasificación se transforma en un contorno de posibilidad $\pi_z(\theta)$ mediante una transformación de probabilidad a posibilidad. Este paso "valida" la clasificación al calibrarla contra la distribución de muestreo:
   $$\pi_z(\theta) = P_\theta \{ R(Z, \theta) \leq R(z, \theta) \}$$
   Este contorno satisface $\sup_\theta \pi_z(\theta) = 1$, alcanzando el máximo en el estimador de máxima verosimilitud.
3. Cuantificación de la Incertidumbre: El contorno define una medida de posibilidad (probabilidad superior) $\Pi_z$ y una medida de necesidad (probabilidad inferior) $\bigtriangledown_z$:
   $$\Pi_z(H) = \sup_{\theta \in H} \pi_z(\theta), \quad \bigtriangledown_z(H) = 1 - \Pi_z(H^c)$$
   Estas medidas cuantifican la plausibilidad y la necesidad de las hipótesis $H$ sobre $\Theta$.

Manejo de Parámetros de Incómodo:
El artículo detalla dos estrategias para eliminar los parámetros de incómodo:

• Extensión: Una operación general que utiliza el principio de extensión (optimización sobre el espacio del parámetro de incómodo), la cual preserva la validez pero puede ser conservadora.
• Perfilado: Un enfoque más eficiente que clasifica los valores del parámetro de interés utilizando una verosimilitud de perfil relativa antes de la validación. Esto generalmente produce una mayor eficiencia que la marginalización basada en extensión.

Cálculo:
El artículo revisa una nueva estrategia computacional (Martin, 2025b) que evita evaluaciones costosas en cuadrícula. Construye un "conjunto credal" (un conjunto de probabilidades precisas dominadas por la medida de posibilidad) y muestrea desde una "aproximación probabilística interna" (a menudo una distribución uniforme en el borde de los conjuntos de confianza). Estas muestras se transforman luego de nuevo en una medida de posibilidad, facilitando la evaluación de Monte Carlo.

3. Contribuciones y Resultados Clave

A. Propiedades Teóricas

• Validez Fuerte: Se demuestra que el MIP possibilista es fuertemente válido. Específicamente, para cualquier $\alpha \in [0, 1]$:
  $$\sup_{\theta \in \mathcal{T}} P_\theta \{ \pi_Z(\theta) \leq \alpha \} \leq \alpha$$
  Esto implica que los conjuntos de nivel superior $\alpha$ del contorno son conjuntos de confianza exactos del $100(1-\alpha)\%$. A diferencia de los conjuntos creíbles bayesianos, estos no requieren aproximación asintótica para lograr una cobertura frecuentista.
• Control de la Falsa Confianza: El marco de MIPs controla la Tasa de Falsa Confianza (FCR). Para cualquier hipótesis $H$, la probabilidad de que el MIP asigne una alta probabilidad inferior a una $H$ falsa está acotada por el nivel de significancia $\alpha$. Esto resuelve la falta de fiabilidad inherente en los métodos probabilísticos.
• Eficiencia (Bernstein–von Mises): Se presenta un nuevo teorema possibilista de Bernstein–von Mises (Martin y Williams, 2025). Establece que, bajo condiciones de regularidad estándar, el contorno de posibilidad $\pi_{Z_n}$ converge a una medida de posibilidad gaussiana cuya varianza coincide con el límite inferior de Cramér–Rao. Por lo tanto, el MIP es asintóticamente eficiente, igualando el rendimiento de los estimadores clásicos sin sacrificar la validez.

B. Generalizaciones

• Más allá de los Modelos Paramétricos: El marco se extiende a contextos donde no está disponible una verosimilitud paramétrica (por ejemplo, aprendizaje automático, minimización de riesgo). Al reemplazar la verosimilitud con una función de clasificación general $\rho(z, \theta)$ (por ejemplo, riesgo empírico negativo), la construcción del MIP permanece válida.
• Predicción: El artículo demuestra una conexión con la predicción conforme. Al aplicar el marco de MIPs a problemas de predicción (tratando la observación futura como un parámetro de incómodo a eliminar mediante la condición sobre la distribución empírica), se muestra que el contorno de MIP predictivo resultante es equivalente a la salida de los algoritmos de predicción conforme inductiva.
• Parámetros de Incómodo: El artículo aclara que, aunque el perfilado es generalmente más eficiente, puede sufrir en configuraciones de parámetros de incómodo de alta dimensión (por ejemplo, problemas de Neyman-Scott), sugiriendo la necesidad de verosimilitudes marginales o condicionales en tales casos.

4. Significado y Afirmaciones

El artículo afirma que los MIPs possibilistas representan un avance significativo en los fundamentos estadísticos al:

1. Unificar y Llenar Vacíos: El marco ofrece una "unificación" de los objetivos frecuentistas y bayesianos, pero, más importante aún, llena los vacíos en ambos. Proporciona la inferencia totalmente condicional y dependiente de los datos deseada por los bayesianos, garantizando al mismo tiempo el control de la tasa de error frecuentista requerido por los frecuentistas.
2. Resolver la Crisis de la "Falsa Confianza": Proporciona una solución matemáticamente rigurosa al problema de la falsa confianza, demostrando que la cuantificación de la incertidumbre probabilística es inherentemente poco fiable en ausencia de información previa, mientras que la cuantificación possibilista no lo es.
3. Reinterpretar Conceptos Clásicos: El artículo argumenta que los valores p y los intervalos de confianza se interpretan naturalmente como medidas de posibilidad (medidas de plausibilidad) y conjuntos de valores de parámetros plausibles, respectivamente. Esto proporciona una justificación rigurosa para el uso práctico de estas herramientas que ha estado ausente en la literatura.
4. Aplicabilidad Práctica: A través de nuevas herramientas computacionales y conexiones con la predicción conforme y los métodos de bootstrap, el artículo argumenta que los MIPs no son solo construcciones teóricas, sino que son escalables a problemas estadísticos y de aprendizaje automático modernos, incluida la minimización de riesgos y la predicción.

El autor concluye que, aunque el campo de los MIPs sigue en desarrollo (particularmente en lo que respecta a la escalabilidad en alta dimensión y la información previa no vacua), el marco ofrece una alternativa robusta, fiable y flexible a los paradigmas existentes, abordando una crisis fundamental en la inferencia estadística.