Possibilistic inferential models: a review

Título: Modelos Inferenciais Possibilísticos: Uma Revisão
Autor: Ryan Martin
Data: 13 de novembro de 2025

1. Declaração do Problema e Motivação

O artigo aborda o desafio fundamental da quantificação de incerteza orientada por dados e da inferência indutiva sobre parâmetros desconhecidos ($\Theta$) na ausência de informação prévia genuína. O autor argumenta que as abordagens probabilísticas tradicionais — especificamente a inferência bayesiana com priores padrão e o argumento fiducial de Fisher — sofrem de uma falta inerente de confiabilidade.

O problema central é identificado como o fenômeno da "falsa confiança". Conforme estabelecido pelo Teorema da Falsa Confiança (Balch et al., 2019), qualquer quantificação de incerteza probabilística dependente de dados (seja Bayesiana, fiducial ou outra) que atribua valores de probabilidade precisos a hipóteses irá, em casos de informação prévia vacua, inevitavelmente atribuir alta probabilidade a algumas hipóteses falsas. Isso leva a "conclusões sistematicamente enganosas". O autor postula que isso não é um defeito em priores específicos ou construções fiduciais, mas uma limitação da própria teoria da probabilidade quando aplicada à incerteza epistêmica (ambiguidade de especificação) sem conhecimento prévio.

O artigo argumenta que, para alcançar confiabilidade, deve-se ir além da probabilidade aditiva para a probabilidade imprecisa, especificamente a teoria da possibilidade. O objetivo é construir um quadro que ofereça quantificação de incerteza totalmente condicional, semelhante à bayesiana, enquanto mantém confiabilidade frequentista provável (calibração).

2. Metodologia: Modelos Inferenciais Possibilísticos (MIPs)

O artigo revisa e estende a construção de Modelos Inferenciais Possibilísticos (MIPs). Ao contrário do quadro original de MIPs (Martin e Liu, 2015b), que dependia de um processo de três etapas envolvendo uma associação geradora de dados ($Z = a(\Theta, U)$) e conjuntos aleatórios, a abordagem revisada foca em uma construção mais direta, baseada na verossimilhança, que evita a necessidade de redução manual de dimensão ou escolhas específicas de associação.

Etapas Principais de Construção:

1. Classificação: O método utiliza uma função de classificação para avaliar a compatibilidade dos valores do parâmetro $\theta$ com os dados observados $z$. No caso padrão, esta é a verossimilhança relativa:
   $$R(z, \theta) = \frac{p_\theta(z)}{\sup_{\vartheta} p_\vartheta(z)}$$
   O artigo observa que outras funções de classificação (por exemplo, verossimilhança perfilada, risco empírico) podem ser usadas dependendo do contexto.
2. Validação: Para garantir confiabilidade, a função de classificação é transformada em um contorno de possibilidade $\pi_z(\theta)$ por meio de uma transformação de probabilidade para possibilidade. Esta etapa "valida" a classificação ao calibrá-la contra a distribuição de amostragem:
   $$\pi_z(\theta) = P_\theta \{ R(Z, \theta) \leq R(z, \theta) \}$$
   Este contorno satisfaz $\sup_\theta \pi_z(\theta) = 1$, com o máximo atingido no estimador de máxima verossimilhança.
3. Quantificação de Incerteza: O contorno define uma medida de possibilidade (probabilidade superior) $\Pi_z$ e uma medida de necessidade (probabilidade inferior) $\bigtriangledown_z$:
   $$\Pi_z(H) = \sup_{\theta \in H} \pi_z(\theta), \quad \bigtriangledown_z(H) = 1 - \Pi_z(H^c)$$
   Essas medidas quantificam a plausibilidade e a necessidade de hipóteses $H$ sobre $\Theta$.

Tratamento de Parâmetros de Nuisance:
O artigo detalha duas estratégias para eliminar parâmetros de nuisance:

• Extensão: Uma operação geral usando o princípio de extensão (otimização sobre o espaço do parâmetro de nuisance), que preserva a validade, mas pode ser conservadora.
• Perfilamento: Uma abordagem mais eficiente que classifica os valores do parâmetro de interesse usando uma verossimilhança perfilada relativa antes da validação. Isso geralmente produz maior eficiência do que a marginalização baseada em extensão.

Cálculo:
O artigo revisa uma nova estratégia computacional (Martin, 2025b) que evita avaliações de grade dispendiosas. Ela constrói um "conjunto credal" (um conjunto de probabilidades precisas dominado pela medida de possibilidade) e amostra de uma "aproximação probabilística interna" (frequentemente uma distribuição uniforme na fronteira de conjuntos de confiança). Essas amostras são então transformadas de volta em uma medida de possibilidade, facilitando a avaliação de Monte Carlo.

3. Contribuições e Resultados Principais

A. Propriedades Teóricas

• Validade Forte: O MIP possibilístico é provado ser fortemente válido. Especificamente, para qualquer $\alpha \in [0, 1]$:
  $$\sup_{\theta \in \mathcal{T}} P_\theta \{ \pi_Z(\theta) \leq \alpha \} \leq \alpha$$
  Isso implica que os conjuntos de nível superior $\alpha$ do contorno são conjuntos de confiança exatos de $100(1-\alpha)\%$. Ao contrário dos conjuntos credíveis bayesianos, estes não requerem aproximação assintótica para alcançar a cobertura frequentista.
• Controle da Falsa Confiança: O quadro de MIPs controla a Taxa de Falsa Confiança (FCR). Para qualquer hipótese $H$, a probabilidade de o MIP atribuir uma alta probabilidade inferior a uma $H$ falsa é limitada pelo nível de significância $\alpha$. Isso resolve a falta de confiabilidade inerente aos métodos probabilísticos.
• Eficiência (Bernstein–von Mises): Um novo teorema possibilístico de Bernstein–von Mises é apresentado (Martin e Williams, 2025). Ele estabelece que, sob condições de regularidade padrão, o contorno de possibilidade $\pi_{Z_n}$ converge para uma medida de possibilidade Gaussiana cuja variância coincide com o limite inferior de Cramér–Rao. Assim, o MIP é assintoticamente eficiente, igualando o desempenho dos estimadores clássicos sem sacrificar a validade.

B. Generalizações

• Além de Modelos Paramétricos: O quadro é estendido a contextos onde uma verossimilhança paramétrica não está disponível (por exemplo, aprendizado de máquina, minimização de risco). Ao substituir a verossimilhança por uma função de classificação geral $\rho(z, \theta)$ (por exemplo, risco empírico negativo), a construção do MIP permanece válida.
• Previsão: O artigo demonstra uma conexão com a previsão conformal. Ao aplicar o quadro de MIPs a problemas de previsão (tratando a observação futura como um parâmetro de nuisance a ser eliminado via condicionamento na distribuição empírica), o contorno de MIP preditivo resultante é mostrado como equivalente à saída de algoritmos de previsão conformal indutiva.
• Parâmetros de Nuisance: O artigo esclarece que, embora o perfilamento seja geralmente mais eficiente, ele pode sofrer em configurações de nuisance de alta dimensão (por exemplo, problemas de Neyman-Scott), sugerindo a necessidade de verossimilhanças marginais ou condicionais nesses casos.

4. Significado e Alegações

O artigo alega que os MIPs possibilísticos representam um avanço significativo nos fundamentos estatísticos ao:

1. Unificar e Preencher Lacunas: O quadro oferece uma "unificação" de objetivos frequentistas e bayesianos, mas, mais importante, preenche as lacunas em ambos. Ele fornece a inferência totalmente condicional e dependente de dados desejada por bayesianos, enquanto garante o controle da taxa de erro frequentista exigido por frequentistas.
2. Resolver a Crise da "Falsa Confiança": Fornece uma solução matematicamente rigorosa para o problema da falsa confiança, provando que a quantificação de incerteza probabilística é inerentemente não confiável na ausência de informação prévia, ao passo que a quantificação possibilística não o é.
3. Reinterpretar Conceitos Clássicos: O artigo argumenta que os valores-p e os intervalos de confiança são naturalmente interpretados como medidas de possibilidade (medidas de plausibilidade) e conjuntos de valores de parâmetro plausíveis, respectivamente. Isso fornece uma justificação rigorosa para o uso prático dessas ferramentas que tem estado ausente na literatura.
4. Aplicabilidade Prática: Através de novas ferramentas computacionais e conexões com previsão conformal e métodos de bootstrap, o artigo argumenta que os MIPs não são apenas construções teóricas, mas são escaláveis para problemas estatísticos e de aprendizado de máquina modernos, incluindo minimização de risco e previsão.

O autor conclui que, embora o campo dos MIPs ainda esteja em desenvolvimento (particularmente em relação à escalabilidade de alta dimensão e informação prévia não vacua), o quadro oferece uma alternativa robusta, confiável e flexível aos paradigmas existentes, abordando uma crise fundamental na inferência estatística.