📊 statistics

Conflict Forecasting via Conformal Prediction for Markov Processes

Este artículo propone utilizar la predicción conforme en datos de procesos de Markov dependientes del tiempo para generar conjuntos de predicción robustos para estados futuros de conflicto, ofreciendo una alternativa superior a las predicciones puntuales basadas en la verosimilitud al proporcionar una cuantificación válida de la incertidumbre a pesar de las violaciones del supuesto de intercambiabilidad.

Autores originales: Aditya Basarkar, Emmett B. Kendall, David Randahl, Jonathan P. Williams, Gudmund H. Hermansen

Publicado 2026-04-29

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Aditya Basarkar, Emmett B. Kendall, David Randahl, Jonathan P. Williams, Gudmund H. Hermansen

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando predecir el clima de un país, pero en lugar de lluvia o sol, estás prediciendo si ese país se encuentra en Paz, Escalada (tensión creciente), Guerra o Desescalada (calma).

Durante mucho tiempo, los expertos intentaron dar una única respuesta específica: "El próximo mes, el País X estará en Guerra". Pero los autores de este artículo argumentan que esto es peligroso. Si te equivocas, las consecuencias son enormes. En lugar de una sola suposición, quieren ofrecer una lista de posibilidades que esté estadísticamente garantizada para incluir la verdad la mayor parte del tiempo.

Aquí tienes un desglose de su enfoque utilizando analogías simples:

1. El Problema: La "Bola de Cristal" vs. La "Red de Seguridad"

Los métodos tradicionales (llamados Predicción Basada en Probabilidad) actúan como una bola de cristal. Observan el pasado, construyen un modelo matemático de cómo suelen comportarse los países y predicen la ruta futura más probable.

El Defecto: Si tu modelo es ligeramente incorrecto (lo cual es muy probable en conflictos humanos complejos), tu predicción de "lo más probable" podría estar completamente equivocada. Además, a medida que miras más lejos en el futuro, estos modelos tienden a volverse perezosos. Dejan de predecir rutas específicas y simplemente dicen: "Eventualmente, todo se asienta en una mezcla aburrida y promedio de paz y guerra". Pierden la emoción (o el peligro) del viaje específico.

Los autores proponen utilizar la Predicción Conformada (CP). Piensa en esto no como una bola de cristal, sino como una red de seguridad.

El Objetivo: En lugar de adivinar la única ruta correcta, queremos atrapar la ruta verdadera en una red de posibilidades. Queremos decir: "Tenemos un 90% de certeza de que el futuro se parecerá a una de estas 50 escenarios".
El Beneficio: Incluso si nuestra comprensión de cómo funcionan los conflictos es imperfecta, este método garantiza que la red sea lo suficientemente amplia para atrapar la verdad el 90% de las veces.

2. El Desafío: La "Reacción en Cadena"

La parte complicada es que el conflicto no es aleatorio como lanzar una moneda. Es un Proceso de Markov. Esto significa que el futuro depende en gran medida del pasado inmediato.

Analogía: Si estás en un estado de "Guerra" hoy, es muy probable que estés en "Guerra" mañana. Pero si estás en "Paz", podrías permanecer en "Paz".
El Obstáculo Estadístico: Las herramientas estadísticas estándar (como la Predicción Conformada) generalmente asumen que cada pieza de datos es independiente (como lanzar un dado). Pero en un conflicto, el estado de hoy está ligado al de ayer. Es como intentar predecir una fila de fichas de dominó cayendo; no puedes tratar cada ficha como si no tuviera relación con la anterior.

3. La Solución: El "Rompecabezas de Permutación"

Para solucionar el problema de la "reacción en cadena", los autores utilizan un truco inteligente llamado Intercambiabilidad Parcial.

La Metáfora: Imagina que tienes una larga cuerda de cuentas de colores que representa la historia de un país (Rojo=Guerra, Azul=Paz).
El Truco: En lugar de mirar las cuentas en orden, el algoritmo observa los trozos de cuentas entre colores específicos. Pregunta: "Si cambio el orden de estos trozos específicos, ¿cambia la 'historia' general del conflicto?"
El Resultado: Si los trozos pueden intercambiarse sin cambiar las reglas fundamentales de cómo se mueve el conflicto, el algoritmo los trata como intercambiables. Esto les permite construir su "red de seguridad" (conjunto de predicciones) sin necesidad de comprender perfectamente las reglas complejas del conflicto. Solo necesitan conocer las reglas de los trozos.

4. Lo Que Encontraron: La "Visión a Largo Plazo"

Los autores probaron esto con datos reales de 86 países (utilizando datos del Programa de Datos de Conflictos de Uppsala). Compararon su "Red de Seguridad" (CP) con la tradicional "Bola de Cristal" (Probabilidad).

Corto Plazo: Ambos métodos se ven similares. Ambos ofrecen buenas listas de posibilidades para el próximo mes o dos.
Largo Plazo (La Gran Diferencia):
- La Bola de Cristal (Probabilidad): A medida que miraban más adelante (6 meses, 12 meses), la Bola de Cristal se "aburrió". Dejó de predecir oscilaciones salvajes y específicas en el conflicto y simplemente predijo una mezcla aburrida y promedio de estados. Efectivamente dijo: "A largo plazo, es solo una mezcla de paz y guerra".
- La Red de Seguridad (CP): Este método mantuvo su ventaja. Incluso a 12 meses de distancia, mantuvo una lista diversa de posibilidades. No colapsó en un promedio aburrido. Mantuvo la "incertidumbre" viva, reconociendo que un país actualmente en paz podría saltar repentinamente a la guerra, o viceversa, y que esta posibilidad debería permanecer en la lista de predicciones.

5. La Única Debilidad: El "Disco Atascado"

El artículo admite una limitación importante. Imagina un país que ha estado en "Paz" durante 400 meses seguidos (como Suecia).

El Problema: Cuando los datos son demasiado repetitivos, el truco del "Rompecabezas de Permutación" se confunde. El algoritmo se da cuenta de que si el país se mantiene en paz, las matemáticas funcionan perfectamente. Pero si el algoritmo intenta predecir un futuro donde el país va repentinamente a la guerra, las matemáticas se vuelven desordenadas, y la "Red de Seguridad" se vuelve enorme e ineficiente.
La Solución: Probaron una solución "ingenua" (fingiendo que el país vuelve a la paz en un punto de tiempo futuro falso) para que las matemáticas funcionen, pero admiten que esto cambia ligeramente el significado de la predicción. Esta es un área en la que necesitan trabajar.

Resumen

Este artículo trata sobre construir una mejor herramienta de pronóstico para la guerra y la paz.

Antigua Forma: Adivinar la única ruta más probable. (Arriesgado si el modelo es incorrecto; se vuelve aburrido con el tiempo).
Nueva Forma (Este Artículo): Crear una "red de seguridad" garantizada de muchas rutas posibles. Es robusta frente a errores y, crucialmente, mantiene viva la posibilidad de cambios dramáticos incluso cuando se mira muy lejos en el futuro.

Es la diferencia entre un meteorólogo que dice: "Lloverá", versus decir: "Hay un 90% de probabilidad de que sea lluvia fuerte, una tormenta eléctrica o una inundación repentina, y aquí está la lista de esas posibilidades".

Aquí se presenta un resumen técnico detallado del artículo "Forecasting de Conflictos mediante Predicción Conformal para Procesos de Markov".

1. Planteamiento del Problema

El artículo aborda el desafío de pronosticar la dinámica de conflictos (por ejemplo, paz, escalada, guerra, desescalada) para los países a lo largo del tiempo.

El Problema Central: Las predicciones puntuales tradicionales (predecir una única secuencia de estados futuros) son insuficientes para decisiones políticas de alto riesgo debido a que la penalización por error es extrema. Los responsables de la toma de decisiones requieren cuantificación de la incertidumbre en forma de conjuntos de predicción (rangos de resultados plausibles).
El Desafío Estadístico: La mayoría de los métodos existentes de cuantificación de la incertidumbre, como la Predicción Conformal (PC), se basan en la suposición de que los puntos de datos son intercambiables. Sin embargo, los datos de conflictos son temporales y se modelan como un proceso de Markov, donde las observaciones dependen de estados anteriores, violando la suposición de intercambiabilidad.
El Objetivo: Desarrollar un método que genere conjuntos de predicción válidos para secuencias futuras de estados de conflicto utilizando procesos de Markov, ofreciendo robustez frente a la mala especificación del modelo en comparación con los enfoques tradicionales basados en verosimilitud.

2. Metodología

Los autores proponen un marco que adapta la Predicción Conformal para procesos de Markov de estado discreto aprovechando el concepto de intercambiabilidad parcial.

A. Representación de Datos

Estados: El conflicto se modela como un proceso de Markov de estado discreto con cuatro estados: (1) Tiempo de paz, (2) Escalada, (3) Guerra, (4) Desescalada.
Datos: La entrada es una secuencia de estados observados $\{X_t\}_{t=1}^T$ . El objetivo es pronosticar una secuencia de longitud $T_1$ hacia el futuro.

B. Adaptación de la Predicción Conformal (PC)

La PC estándar asume la intercambiabilidad de observaciones individuales. Dado que los datos de Markov no son intercambiables, los autores adoptan el enfoque de Nettasinghe et al. (2023):

Intercambiabilidad Parcial: En lugar de permutar puntos de tiempo individuales, el algoritmo trata las secuencias de estados como la unidad de intercambiabilidad.
Bloques-i: La secuencia aumentada (datos de calibración + secuencia futura propuesta) se descompone en "bloques-i". Un bloque-i es un segmento de la secuencia que comienza con el estado $i$ y no contiene más ocurrencias de $i$ .
Grupo de Permutación: El algoritmo genera un grupo de permutación de estos bloques-i. Si la secuencia futura propuesta, cuando se combina con los datos de calibración, puede ser permutada para parecerse a los datos originales sin cambiar las cuentas de transición, se considera "intercambiable" en un sentido parcial.
Algoritmo:
- Para cada secuencia futura posible, el algoritmo calcula una puntuación de no conformidad basada en la verosimilitud de la secuencia bajo la matriz de transición estimada.
- Permuta los bloques-i de la secuencia aumentada para generar una distribución de puntuaciones.
- Se calcula un valor-p comparando la puntuación de la secuencia original contra las puntuaciones permutadas.
- Las secuencias con valores-p mayores que el nivel de significancia $\alpha$ se incluyen en el conjunto de predicción $C_{1-\alpha}$ .

C. Comparación con Línea Base: Predicción Basada en Verosimilitud

Los autores comparan su método de PC frente a un enfoque estándar basado en verosimilitud:

Se ajusta un modelo de Markov a los datos de calibración para estimar la matriz de probabilidad de transición ( $\hat{P}$ ).
Los conjuntos de predicción se construyen seleccionando las secuencias de mayor probabilidad hasta que la masa de probabilidad acumulada alcanza $1-\alpha$ .
Limitación: Este método asume que el modelo está correctamente especificado y no ofrece garantías de cobertura en muestras finitas si el modelo está mal especificado.

3. Contribuciones Clave

Adaptación de la PC a Procesos de Markov: El artículo aplica exitosamente la Predicción Conformal a datos temporalmente dependientes utilizando la intercambiabilidad parcial mediante permutaciones de bloques-i, eludiendo el requisito estricto de intercambiabilidad.
Robustez frente a la Mala Especificación del Modelo: A diferencia de los métodos basados en verosimilitud, el enfoque de PC proporciona garantías de cobertura marginal en muestras finitas independientemente de si el modelo de Markov subyacente está perfectamente especificado.
Manejo de la Incertidumbre a Largo Plazo: El estudio demuestra que la PC preserva la incertidumbre de la trayectoria a lo largo de horizontes de pronóstico largos, mientras que los métodos basados en verosimilitud tienden a colapsar en distribuciones estacionarias, perdiendo potencialmente eventos raros pero críticos (por ejemplo, una escalada repentina).
Validación Empírica: El método se valida mediante simulaciones de Monte Carlo y se aplica a datos reales de conflictos del Programa de Datos de Conflictos de Uppsala (UCDP) que cubren 191 países (1990–2025).

4. Resultados

Estudio de Simulación

Calibración: El método de PC produjo tasas de cobertura empírica que coincidían estrechamente con los niveles de confianza objetivo (por ejemplo, 90% objetivo $\approx$ 90% real) en todas las longitudes de pronóstico ( $T_1$ ).
Sobre-cobertura por Verosimilitud: El método basado en verosimilitud tendió a sobre-cobrir (producir conjuntos más grandes de lo necesario) en niveles de confianza más bajos debido a que la naturaleza discreta del espacio de estados significaba que unas pocas secuencias de alta probabilidad capturaban la mayor parte de la masa.
Composición del Conjunto: A medida que aumentaba el horizonte de pronóstico ( $T_1$ ), los conjuntos basados en verosimilitud convergían hacia la distribución estacionaria de la cadena de Markov, perdiendo información sobre la trayectoria de inicio específica. Los conjuntos de PC permanecieron diversos, reflejando la incertidumbre de la trayectoria específica.

Análisis de Datos Reales (UCDP)

Cobertura: Aplicado a 86 países con datos de conflicto suficientes, la PC mantuvo una cobertura cercana a la nominal. El enfoque basado en verosimilitud volvió a mostrar sobre-cobertura en niveles de confianza bajos.
El Problema de la "Probabilidad Cero": Un hallazgo crítico ocurrió en $1-\alpha = 1.00$ . El método basado en verosimilitud falló al cubrir secuencias reales si la matriz de transición estimada asignaba probabilidad cero a una transición no vista en los datos de entrenamiento (sub-cobertura). La PC evitó esto porque evalúa las secuencias basándose en la validez de la permutación en lugar de la probabilidad estricta del modelo, permitiéndole incluir transiciones "no vistas" pero plausibles.
Estudios de Caso (Etiopía, República Centroafricana, etc.):
- Para países con conflictos en curso, el método basado en verosimilitud predijo un rápido retorno a la paz (convergencia a la distribución estacionaria) a medida que se extendía el horizonte (por ejemplo, 12 meses).
- El método de PC mantuvo una alta probabilidad de conflicto continuo, alineándose mejor con la persistencia observada del conflicto en estas regiones.

5. Limitaciones y Trabajo Futuro

Eficiencia en Estados Dominantes: El método de PC se vuelve ineficiente cuando los datos de calibración consisten casi enteramente en un solo estado (por ejemplo, un país en paz perpetua). En estos casos, el número de "bloques-i" para estados no dominantes cae a cero o uno, provocando que el algoritmo acepte una gran cantidad de secuencias poco probables para satisfacer la garantía de cobertura.
Mitigación Propuesta: Los autores sugieren una solución "ingenua" de agregar un punto de tiempo futuro sintético que fuerce un retorno al estado dominante para mejorar la eficiencia, aunque esto altera la interpretación del pronóstico.
Covariables: El estudio actual no incorpora covariables (por ejemplo, indicadores económicos, régimen político) en las probabilidades de transición, aunque el marco es teóricamente extensible a tales escenarios.

6. Significado

Este artículo es significativo para el pronóstico de conflictos y el aprendizaje automático estadístico porque:

Relevancia Política: Proporciona a los responsables de la toma de decisiones conjuntos de incertidumbre válidos y calibrados en lugar de conjeturas de un solo punto, lo cual es crucial para la gestión de riesgos en geopolítica.
Avance Metodológico: Resuelve un obstáculo teórico fundamental (intercambiabilidad en series temporales) aplicando la intercambiabilidad parcial a las cadenas de Markov, ofreciendo una alternativa robusta a los modelos paramétricos que pueden estar mal especificados.
Pronóstico a Largo Plazo: Destaca el peligro de confiar en distribuciones estacionarias para pronósticos a largo plazo en entornos no estacionarios (como la guerra), abogando por métodos que preserven la incertidumbre específica de la trayectoria.