Conflict Forecasting via Conformal Prediction for Markov Processes

1. Enunciato del Problema

Il paper affronta la sfida di prevedere le dinamiche dei conflitti (ad esempio, pace, escalation, guerra, de-escalation) per i paesi nel tempo.

• Il Problema Centrale: Le previsioni puntuali tradizionali (prevedere una singola sequenza di stati futuri) sono insufficienti per decisioni politiche ad alto rischio perché la penalità per l'errore è estrema. I decisori richiedono una quantificazione dell'incertezza sotto forma di insiemi di previsione (intervalli di risultati plausibili).
• La Sfida Statistica: La maggior parte dei metodi esistenti di quantificazione dell'incertezza, come la Conformal Prediction (CP), si basa sull'assunzione che i punti dati siano scambiabili. Tuttavia, i dati sui conflitti sono temporali e modellati come un processo di Markov, dove le osservazioni dipendono dagli stati precedenti, violando l'assunzione di scambiabilità.
• L'Obiettivo: Sviluppare un metodo che generi insiemi di previsione validi per sequenze future di stati di conflitto utilizzando processi di Markov, offrendo robustezza contro la specificazione errata del modello rispetto agli approcci tradizionali basati sulla verosimiglianza.

2. Metodologia

Gli autori propongono un framework che adatta la Conformal Prediction per processi di Markov a stati discreti sfruttando il concetto di parziale scambiabilità.

A. Rappresentazione dei Dati

• Stati: Il conflitto è modellato come un processo di Markov a stati discreti con quattro stati: (1) Tempo di pace, (2) Escalation, (3) Guerra, (4) De-escalation.
• Dati: L'input è una sequenza di stati osservati $\{X_t\}_{t=1}^T$. L'obiettivo è prevedere una sequenza di lunghezza $T_1$ nel futuro.

B. Adattamento della Conformal Prediction (CP)

La CP standard assume la scambiabilità delle singole osservazioni. Poiché i dati di Markov non sono scambiabili, gli autori adottano l'approccio di Nettasinghe et al. (2023):

1. Parziale Scambiabilità: Invece di permutare singoli punti temporali, l'algoritmo tratta le sequenze di stati come unità di scambiabilità.
2. i-Blocks: La sequenza aumentata (dati di calibrazione + sequenza futura proposta) è decomposta in "i-block". Un i-block è un segmento della sequenza che inizia con lo stato $i$ e non contiene ulteriori occorrenze di $i$.
3. Gruppo di Permutazione: L'algoritmo genera un gruppo di permutazione di questi i-block. Se la sequenza futura proposta, quando combinata con i dati di calibrazione, può essere permutata per assomigliare ai dati originali senza cambiare i conteggi di transizione, è considerata "scambiabile" in senso parziale.
4. Algoritmo:
   • Per ogni possibile sequenza futura, l'algoritmo calcola un punteggio di non conformità basato sulla verosimiglianza della sequenza sotto la matrice di transizione stimata.
   • Permuta gli i-block della sequenza aumentata per generare una distribuzione di punteggi.
   • Viene calcolato un p-value confrontando il punteggio della sequenza originale con i punteggi permutati.
   • Le sequenze con p-value superiori al livello di significatività $\alpha$ sono incluse nell'insieme di previsione $C_{1-\alpha}$.

C. Confronto con la Linea di Base: Previsione Basata sulla Verosimiglianza

Gli autori confrontano il loro metodo CP con un approccio standard basato sulla verosimiglianza:

• Viene adattato un modello di Markov ai dati di calibrazione per stimare la matrice di probabilità di transizione ($\hat{P}$).
• Gli insiemi di previsione sono costruiti selezionando le sequenze a più alta probabilità finché la massa di probabilità cumulativa non raggiunge $1-\alpha$.
• Limitazione: Questo metodo assume che il modello sia correttamente specificato e non offre garanzie di copertura per campioni finiti se il modello è specificato erroneamente.

3. Contributi Chiave

1. Adattamento della CP ai Processi di Markov: Il paper applica con successo la Conformal Prediction a dati temporalmente dipendenti sfruttando la parziale scambiabilità tramite permutazioni di i-block, aggirando il requisito di scambiabilità rigorosa.
2. Robustezza alla Specificazione Errata del Modello: A differenza dei metodi basati sulla verosimiglianza, l'approccio CP fornisce garanzie di copertura marginale per campioni finiti indipendentemente dal fatto che il modello di Markov sottostante sia perfettamente specificato.
3. Gestione dell'Incertezza a Lungo Orizzonte: Lo studio dimostra che la CP preserva l'incertezza della traiettoria su orizzonti di previsione lunghi, mentre i metodi basati sulla verosimiglianza tendono a collassare in distribuzioni stazionarie, rischiando di perdere eventi rari ma critici (ad esempio, un'escalation improvvisa).
4. Validazione Empirica: Il metodo è validato attraverso simulazioni Monte Carlo e applicato a dati reali sui conflitti del Uppsala Conflict Data Programme (UCDP) che coprono 191 paesi (1990–2025).

4. Risultati

Studio di Simulazione

• Calibrazione: Il metodo CP ha prodotto tassi di copertura empirica che corrispondevano strettamente ai livelli di confidenza target (ad esempio, target 90% $\approx$ 90% effettivo) su tutte le lunghezze di previsione ($T_1$).
• Sovracopertura della Verosimiglianza: Il metodo basato sulla verosimiglianza tendeva a sovracoprire (produrre insiemi più grandi del necessario) a livelli di confidenza inferiori perché la natura discreta dello spazio degli stati significava che poche sequenze ad alta probabilità catturavano la maggior parte della massa.
• Composizione degli Insiemi: All'aumentare dell'orizzonte di previsione ($T_1$), gli insiemi basati sulla verosimiglianza convergevano alla distribuzione stazionaria della catena di Markov, perdendo informazioni sulla traiettoria di partenza specifica. Gli insiemi CP rimanevano diversificati, riflettendo l'incertezza del percorso specifico.

Analisi su Dati Reali (UCDP)

• Copertura: Applicato a 86 paesi con dati sui conflitti sufficienti, la CP ha mantenuto una copertura vicina al nominale. L'approccio basato sulla verosimiglianza ha nuovamente mostrato sovracopertura a bassi livelli di confidenza.
• Il Problema della "Probabilità Zero": Una scoperta critica si è verificata a $1-\alpha = 1.00$. Il metodo basato sulla verosimiglianza non ha coperto le sequenze reali se la matrice di transizione stimata assegnava probabilità zero a una transizione non osservata nei dati di addestramento (sottocopertura). La CP ha evitato questo problema perché valuta le sequenze in base alla validità della permutazione piuttosto che alla probabilità del modello rigorosa, permettendole di includere transizioni "non viste" ma plausibili.
• Casi Studio (Etiopia, RCA, ecc.):
  • Per i paesi con conflitti in corso, il metodo basato sulla verosimiglianza ha previsto un rapido ritorno alla pace (convergenza verso la distribuzione stazionaria) all'aumentare dell'orizzonte (ad esempio, 12 mesi).
  • Il metodo CP ha mantenuto un'alta probabilità di conflitto continuato, allineandosi meglio alla persistenza osservata dei conflitti in queste regioni.

5. Limitazioni e Lavori Futuri

• Efficienza negli Stati Dominanti: Il metodo CP diventa inefficiente quando i dati di calibrazione consistono quasi interamente in un singolo stato (ad esempio, un paese in pace perpetua). In questi casi, il numero di "i-block" per stati non dominanti scende a zero o uno, causando l'accettazione di un vasto numero di sequenze improbabili per soddisfare la garanzia di copertura.
• Mitigazione Proposta: Gli autori suggeriscono una soluzione "naive" di aggiungere un punto temporale futuro sintetico che forza un ritorno allo stato dominante per migliorare l'efficienza, sebbene ciò alteri l'interpretazione della previsione.
• Covariate: Lo studio attuale non incorpora covariate (ad esempio, indicatori economici, regime politico) nelle probabilità di transizione, sebbene il framework sia teoricamente estendibile a tali scenari.

6. Significato

Questo paper è significativo per la previsione dei conflitti e l'apprendimento automatico statistico perché:

1. Rilevanza Politica: Fornisce ai decisori insiemi di incertezza validi e calibrati invece di singole ipotesi puntuali, il che è cruciale per la gestione del rischio in geopolitica.
2. Avanzamento Metodologico: Risolve un ostacolo teorico fondamentale (la scambiabilità nelle serie temporali) applicando la parziale scambiabilità alle catene di Markov, offrendo un'alternativa robusta ai modelli parametrici che potrebbero essere specificati erroneamente.
3. Previsione a Lungo Termine: Evidenzia il pericolo di affidarsi a distribuzioni stazionarie per previsioni a lungo termine in ambienti non stazionari (come la guerra), sostenendo metodi che preservano l'incertezza specifica della traiettoria.