Possibilistic inferential models: a review

Titolo: Modelli Inferenziali Possibilistici: Una Revisione
Autore: Ryan Martin
Data: 13 novembre 2025

1. Enunciazione del Problema e Motivazione

Il documento affronta la sfida fondamentale della quantificazione dell'incertezza guidata dai dati e dell'inferenza induttiva su parametri sconosciuti ($\Theta$) in assenza di informazioni a priori genuine. L'autore sostiene che gli approcci probabilistici tradizionali, in particolare l'inferenza bayesiana con prior di default e l'argomento fiduciale di Fisher, soffrono di una mancanza intrinseca di affidabilità.

Il problema centrale è identificato come il fenomeno della "falsa sicurezza". Come stabilito dal Teorema della Falsa Sicurezza (Balch et al., 2019), qualsiasi quantificazione probabilistica dell'incertezza dipendente dai dati (sia essa bayesiana, fiduciale o altra) che assegna valori di probabilità precisi alle ipotesi, nei casi di informazione a priori vacua, assegnerà inevitabilmente un'alta probabilità ad alcune ipotesi false. Ciò porta a "conclusioni sistematicamente fuorvianti". L'autore ipotizza che ciò non sia un difetto di prior o costruzioni fiduciali specifiche, ma una limitazione della teoria della probabilità stessa quando applicata all'incertezza epistemica (ambiguità di specificazione) senza conoscenza a priori.

Il documento sostiene che, per raggiungere l'affidabilità, è necessario andare oltre la probabilità additiva verso la probabilità imprecisa, in particolare la teoria della possibilità. L'obiettivo è costruire un quadro che offra una quantificazione dell'incertezza totalmente condizionata, simile a quella bayesiana, mantenendo al contempo un'affidabilità frequentista dimostrabile (calibrazione).

2. Metodologia: Modelli Inferenziali Possibilistici (IM)

Il documento esamina ed estende la costruzione dei Modelli Inferenziali Possibilistici (IM). A differenza del quadro originale degli IM (Martin and Liu, 2015b), che si basava su un processo in tre fasi che coinvolgeva un'associazione generatrice di dati ($Z = a(\Theta, U)$) e insiemi casuali, l'approccio revisionato si concentra su una costruzione più diretta, basata sulla verosimiglianza, che evita la necessità di una riduzione manuale della dimensionalità o di scelte specifiche di associazione.

Fasi Chiave della Costruzione:

1. Classificazione: Il metodo utilizza una funzione di classificazione per valutare la compatibilità dei valori del parametro $\theta$ con i dati osservati $z$. Nel caso standard, questa è la verosimiglianza relativa:
   $$R(z, \theta) = \frac{p_\theta(z)}{\sup_{\vartheta} p_\vartheta(z)}$$
   Il documento nota che altre funzioni di classificazione (ad esempio, verosimiglianza di profilo, rischio empirico) possono essere utilizzate a seconda del contesto.
2. Validificazione: Per garantire l'affidabilità, la funzione di classificazione viene trasformata in un contorno di possibilità $\pi_z(\theta)$ tramite una trasformazione da probabilità a possibilità. Questo passaggio "validifica" la classificazione calibrandola contro la distribuzione di campionamento:
   $$\pi_z(\theta) = P_\theta \{ R(Z, \theta) \leq R(z, \theta) \}$$
   Questo contorno soddisfa $\sup_\theta \pi_z(\theta) = 1$, con il massimo raggiunto allo stimatore di massima verosimiglianza.
3. Quantificazione dell'Incertezza: Il contorno definisce una misura di possibilità (probabilità superiore) $\Pi_z$ e una misura di necessità (probabilità inferiore) $\bigtriangledown_z$:
   $$\Pi_z(H) = \sup_{\theta \in H} \pi_z(\theta), \quad \bigtriangledown_z(H) = 1 - \Pi_z(H^c)$$
   Queste misure quantificano la plausibilità e la necessità delle ipotesi $H$ su $\Theta$.

Gestione dei Parametri di Disturbo:
Il documento dettaglia due strategie per eliminare i parametri di disturbo:

• Estensione: Un'operazione generale che utilizza il principio di estensione (ottimizzazione sullo spazio del parametro di disturbo), che preserva la validità ma può essere conservativa.
• Profilazione: Un approccio più efficiente che classifica i valori del parametro di interesse utilizzando una verosimiglianza di profilo relativa prima della validificazione. Questo generalmente produce un'efficienza superiore rispetto alla marginalizzazione basata sull'estensione.

Calcolo:
Il documento esamina una nuova strategia computazionale (Martin, 2025b) che evita costose valutazioni su griglia. Costruisce un "insieme credale" (un insieme di probabilità precise dominate dalla misura di possibilità) e campiona da un "approssimazione probabilistica interna" (spesso una distribuzione uniforme sul bordo degli insiemi di confidenza). Questi campioni vengono poi trasformati nuovamente in una misura di possibilità, facilitando la valutazione Monte Carlo.

3. Contributi e Risultati Chiave

A. Proprietà Teoriche

• Validità Forte: L'IM possibilistico è dimostrato essere fortemente valido. Nello specifico, per ogni $\alpha \in [0, 1]$:
  $$\sup_{\theta \in \mathcal{T}} P_\theta \{ \pi_Z(\theta) \leq \alpha \} \leq \alpha$$
  Ciò implica che gli insiemi di livello superiore $\alpha$ del contorno sono insiemi di confidenza esatti al $100(1-\alpha)\%$. A differenza degli insiemi credibili bayesiani, questi non richiedono approssimazioni asintotiche per raggiungere la copertura frequentista.
• Controllo della Falsa Sicurezza: Il quadro IM controlla il Tasso di Falsa Sicurezza (FCR). Per qualsiasi ipotesi $H$, la probabilità che l'IM assegni un'alta probabilità inferiore a una $H$ falsa è limitata dal livello di significatività $\alpha$. Ciò risolve l'inaffidabilità intrinseca dei metodi probabilistici.
• Efficienza (Bernstein–von Mises): Viene presentato un nuovo teorema possibilistico di Bernstein–von Mises (Martin and Williams, 2025). Esso stabilisce che, sotto condizioni di regolarità standard, il contorno di possibilità $\pi_{Z_n}$ converge a una misura di possibilità gaussiana la cui varianza corrisponde al limite inferiore di Cramér–Rao. Pertanto, l'IM è asintoticamente efficiente, eguagliando le prestazioni degli stimatori classici senza sacrificare la validità.

B. Generalizzazioni

• Oltre i Modelli Parametrici: Il quadro è esteso a contesti in cui una verosimiglianza parametrica non è disponibile (ad esempio, apprendimento automatico, minimizzazione del rischio). Sostituendo la verosimiglianza con una funzione di classificazione generale $\rho(z, \theta)$ (ad esempio, rischio empirico negativo), la costruzione dell'IM rimane valida.
• Predizione: Il documento dimostra una connessione con la predizione conformale. Applicando il quadro IM ai problemi di predizione (trattando l'osservazione futura come un parametro di disturbo da eliminare tramite condizionamento sulla distribuzione empirica), si dimostra che il contorno IM predittivo risultante è equivalente all'output degli algoritmi di predizione conformale induttiva.
• Parametri di Disturbo: Il documento chiarisce che, sebbene la profilazione sia generalmente più efficiente, può soffrire in contesti di parametri di disturbo ad alta dimensionalità (ad esempio, problemi di Neyman-Scott), suggerendo la necessità di verosimiglianze marginali o condizionali in tali casi.

4. Significato e Affermazioni

Il documento afferma che gli IM possibilistici rappresentano un avanzamento significativo nelle fondamenta statistiche per:

1. Unificazione e Colmatura delle Lacune: Il quadro offre una "unificazione" degli obiettivi frequentisti e bayesiani, ma, più importante, colma le lacune in entrambi. Fornisce l'inferenza totalmente condizionata e dipendente dai dati desiderata dai bayesiani, garantendo al contempo il controllo del tasso di errore frequentista richiesto dai frequentisti.
2. Risoluzione della Crisi della "Falsa Sicurezza": Fornisce una soluzione matematicamente rigorosa al problema della falsa sicurezza, dimostrando che la quantificazione probabilistica dell'incertezza è intrinsecamente inaffidabile in assenza di informazioni a priori, mentre la quantificazione possibilistica non lo è.
3. Reinterpretazione dei Concetti Classici: Il documento sostiene che i valori p e gli intervalli di confidenza sono naturalmente interpretati come misure di possibilità (misure di plausibilità) e insiemi di valori del parametro plausibili, rispettivamente. Ciò fornisce una giustificazione rigorosa per l'uso pratico di questi strumenti che è mancata nella letteratura.
4. Applicabilità Pratica: Attraverso nuovi strumenti computazionali e connessioni con la predizione conformale e i metodi bootstrap, il documento sostiene che gli IM non sono solo costrutti teorici ma sono scalabili ai problemi statistici e di apprendimento automatico moderni, inclusa la minimizzazione del rischio e la predizione.

L'autore conclude che, sebbene il campo degli IM sia ancora in sviluppo (in particolare per quanto riguarda la scalabilità ad alta dimensionalità e le informazioni a priori non vacue), il quadro offre un'alternativa robusta, affidabile e flessibile ai paradigmi esistenti, affrontando una crisi fondamentale nell'inferenza statistica.