Time-Averaged Drift Approximations are Inconsistent for Inference in Drift Diffusion Models

Resumo Técnico: Aproximações de Drift de Média Temporal são Inconsistentes para Inferência em Modelos de Difusão de Drift

Enunciado do Problema
Os Modelos de Difusão de Drift (DDMs) são amplamente utilizados para modelar o acúmulo de evidências em tarefas de tomada de decisão. Embora os DDMs padrão com parâmetros de drift constantes admitam soluções de verossimilhança de forma fechada, muitas extensões — particularmente o Modelo de Difusão de Drift Atencional (aDDM) — incorporam taxas de drift que variam tanto dentro do ensaio (variante no tempo) quanto entre ensaios (variante entre ensaios). No aDDM, a taxa de drift $\mu(t)$ depende da trajetória instantânea de fixação visual do participante.

Avaliar a verossimilhança para tais modelos é computacionalmente proibitivo porque a função de drift é única para cada ensaio, impedindo o compartilhamento de computações entre os ensaios. Para contornar isso, pesquisadores frequentemente empregam a Aproximação de Drift de Média Temporal (TADA). A TADA simplifica o modelo substituindo o drift variante no tempo $\mu(t)$ por sua média temporal ao longo da duração do ensaio $\tau$, convertendo efetivamente o problema em um DDM padrão com um drift "efetivo" constante. Essa aproximação permite o uso de fórmulas analíticas de verossimilhança, possibilitando a inferência rápida de parâmetros. No entanto, a validade da TADA como um substituto para o verdadeiro aDDM, particularmente no que diz respeito à consistência de seus estimadores, não foi rigorosamente estabelecida.

Metodologia
Os autores empregam uma combinação de análise matemática e simulação numérica para avaliar as propriedades estatísticas da TADA.

1. Prova Matemática de Inconsistência:
   Os autores constroem um contraexemplo simplificado: um movimento browniano com um drift constante por partes (drift $\mu$ para $t \in [0, T]$ e 0 após esse período) atingindo uma fronteira superior unilateral.

   • Eles derivam a densidade exata do Tempo de Primeira Passagem (FPTD) para este processo, denotada por $f_{aDDM}(\tau; \mu)$.
   • Eles derivam a FPTD implicada pela TADA, denotada por $f_{TADA}(\tau; \mu)$, que depende do drift médio $\alpha(\mu, \tau, T) = \frac{1}{\tau}\int_0^\tau \mu(t) dt$.
   • Eles demonstram que $f_{TADA}$ não é uma função de densidade de probabilidade válida (não integra para 1) porque o drift "efetivo" depende do próprio tempo de parada $\tau$, criando uma dependência circular que viola a definição de um modelo generativo.
   • Usando a Lei Forte dos Grandes Números, eles provam que o estimador de máxima verossimilhança da TADA ($\hat{\mu}_{TADA}$) converge quase certamente para um valor $\tilde{\mu}$ que é estritamente maior que o verdadeiro parâmetro de drift $\mu$ (especificamente, $\tilde{\mu} > \max\{\mu, b/T\}$), estabelecendo inconsistência estatística.

2. Simulações Numéricas:
   Os autores validam seus achados teóricos através de três experimentos numéricos:

   • Fronteira Unilateral: Simulando o modelo de drift constante por partes para confirmar que $\hat{\mu}_{TADA}$ converge para o limite teórico enviesado em vez do verdadeiro $\mu$, enquanto o Estimador de Máxima Verossimilhança (MLE) padrão permanece consistente.
   • Fronteiras Bilaterais: Simulando um DDM com drifts alternados entre duas fronteiras. Usando um novo algoritmo eficiente (efpt) desenvolvido em trabalho paralelo (Liu et al., 2025) para computar verossimilhanças exatas, eles mostram que a TADA superestima sistematicamente a magnitude dos parâmetros de drift.
   • Full aDDM: Simulando o modelo atencional completo com drifts dependentes do olhar. Eles estimam o parâmetro de desconto atencional $\eta$ (onde $\eta=1$ implica nenhum efeito atencional e $\eta=0$ implica efeito máximo). Eles comparam as estimativas da TADA contra MLEs exatos através de diferentes tamanhos de amostra.

Resultos Principais

• Inconsistência Estatística: O estimador TADA é matematicamente provado como inconsistente. À medida que o tamanho da amostra $n \to \infty$, o estimador não converge para o valor real do parâmetro, mas para um limite enviesado.
• Viés Sistemático: Em exemplos numéricos, a TADA consistentemente superestima as magnitudes de drift e subestima sistematicamente o parâmetro de desconto atencional $\eta$. Por exemplo, quando o verdadeiro $\eta$ é baixo (efeitos atencionais fortes), as estimativas da TADA podem tornar-se negativas, o que é fisicamente sem sentido.
• Falha em Testes de Hipótese: O viés introduzido pela TADA não é uniforme; ele depende de parâmetros de confusão (ex: separação de fronteira, escala de drift) e distribuições de covariáveis. Consequentemente, ao comparar duas populações com diferentes parâmetros de confusão, a TADA pode levar a conclusões qualitativamente incorretas. Os autores demonstram cenários onde a TADA inverte incorretamente o sinal da diferença nos efeitos atencionais entre dois grupos, levando a falsos positivos ou falsos negativos em testes de razão de verossimilhança.
• Validade de Métodos Exatos: Em contraste, o MLE padrão (computado usando o algoritmo efpt) permanece consistente e recupera com precisão os parâmetros reais em todos os cenários testados.

Significância e Alegações
O artigo afirma que o uso generalizado da TADA representa um risco significativo de enviesar conclusões científicas. Os autores argumentam que, como a TADA não define um modelo generativo bem especificado (o drift depende do tempo de parada futuro), sua função de verossimilhança é inválida e seus estimadores são fundamentalmente falhos.

A significância deste trabalho reside em:

1. Corrigir uma Prática Comum: Desafia a suposição de que a TADA é uma aproximação válida para o aDDM, sugerindo que estudos anteriores que confiaram nesta aproximação podem ter relatado estimativas de parâmetros enviesadas.
2. Destacar Riscos Qualitativos: Demonstra que o viés não é meramente quantitativo, mas pode alterar a direção das conclusões científicas sobre diferenças populacionais.
3. Promover Alternativas Rigorosas: Os autores defendem o uso de métodos de computação de verossimilhança rápidos e matematicamente justificados (como o algoritmo efpt citado em seu trabalho paralelo) em vez de aproximações computacionalmente convenientes, mas estatisticamente inconsistentes. Eles recomendam o reexame de resultados existentes obtidos via TADA.

Os autores mantêm um tom modesto quanto ao escopo de suas descobertas, observando que, embora sua análise invalide a consistência da TADA, ela não invalida necessariamente todas as conclusões qualitativas de estudos anteriores, embora levante sérias preocupações sobre sua confiabilidade. Eles enfatizam que a inconsistência surge especificamente quando o "parâmetro efetivo" depende do próprio tempo de primeira passagem, uma condição comum em DDMs dependentes do tempo.