Confidence as Forecast: A Decision-Theoretic Interpretation of Confidence Intervals

Este artigo propõe uma interpretação decisional de intervalos de confiança, argumentando que a confiança nominal (1-α) deve ser vista como uma previsão probabilística ótima e estritamente adequada para a cobertura do parâmetro, permitindo que estatísticos frequentistas atribuam probabilidades a intervalos realizados sem recorrer a priors bayesianos ou crenças subjetivas.

O essencial

Imagine que você é um meteorologista. Todos os dias, você olha para os dados e diz: "Há 70% de chance de chover amanhã". Se chover, você não estava "errado" por ter dito 70%; você apenas acertou a previsão probabilística. Se não chover, você também não errou. O seu trabalho não é prever o futuro com certeza absoluta (100%), mas sim dar a melhor estimativa possível baseada no que você sabe sobre o clima.

O artigo "Confiança como Previsão" do Scott Lee faz exatamente isso, mas com um conceito estatístico chamado Intervalo de Confiança.

Aqui está a explicação simplificada, usando analogias do dia a dia:

1. O Problema: A Confusão do "Sim ou Não"

Na estatística tradicional (frequentista), quando um cientista cria um intervalo de confiança (digamos, um intervalo de 95% para a altura média de um prédio), ele enfrenta um dilema estranho:

• Antes de medir: Ele sabe que, se repetir o experimento 100 vezes, 95 desses intervalos vão acertar a altura real.
• Depois de medir: Ele olha para o intervalo específico que acabou de criar e diz: "Ou esse intervalo contém a altura real, ou não contém. É 100% ou 0%. Não faz sentido falar em 'probabilidade' agora, porque o evento já aconteceu."

Isso deixa as pessoas confusas. Se é 100% ou 0%, por que chamamos de "95% de confiança"? É como se o cientista dissesse: "Eu tenho 95% de certeza, mas assim que olhei, minha certeza virou um 'sim' ou 'não' mudo." Isso é frustrante para quem precisa tomar decisões.

2. A Solução: Trate como uma Previsão de Apostas

O autor propõe uma mudança de mentalidade: Pare de pensar no intervalo como uma verdade absoluta e comece a vê-lo como uma previsão de aposta.

Imagine um jogo de "Concha e a Moeda" (como o jogo de rua onde esconde-se uma moeda sob uma das três conchas):

• Você escolhe uma concha.
• O "mágico" (que sabe onde a moeda está) remove uma das conchas vazias que você não escolheu.
• Agora, você tem uma escolha: ficar com a sua concha original ou trocar pela outra que sobrou.

A estatística tradicional diz: "A moeda já está embaixo de uma concha específica. Ou está na sua, ou não. Não há probabilidade."
Mas a lógica de decisão diz: "Eu não sei onde ela está. Baseado nas regras do jogo, trocar me dá 2/3 de chance de ganhar. Manter me dá 1/3."

O autor diz que os Intervalos de Confiança funcionam igual. Mesmo que a "verdade" (o parâmetro) seja fixa e desconhecida, a nossa informação sobre ela é probabilística.

3. A Analogia do "Submarino Perdido"

O artigo usa um exemplo famoso de um submarino perdido no fundo do mar.

• O Cenário: O submarino tem 10 metros de comprimento. Você vê duas bolhas de ar saindo dele. Você precisa estimar onde está a escotilha (o meio do submarino).
• O Intervalo: Com base nas bolhas, você cria um intervalo de 50% de confiança.
• O Paradoxo: Às vezes, o intervalo que você cria é muito pequeno (ex: cobre apenas 2 metros do submarino). A estatística antiga diria: "Bom, é um intervalo de 50%, então há 50% de chance de estar certo." Mas isso parece absurdo se o intervalo é tão pequeno que mal cabe no submarino!

A visão do autor:
Aqui entra a "previsão". Se o seu intervalo é muito pequeno (uma "fatia fina" do submarino), sua previsão de que ele acertou a escotilha deve ser menor que 50%. Se o intervalo é gigante (cobre quase todo o submarino), sua previsão deve ser maior que 50%.

O autor mostra que, em vez de ficar preso na regra rígida de "é 50% ou não é", podemos usar o tamanho e a forma do intervalo para atualizar nossa previsão. É como olhar para a nuvem: se ela é pequena e fina, a chance de chover é baixa, mesmo que a previsão geral do dia fosse 50%.

4. A Regra de Ouro: "O que eu sei agora?"

O artigo ensina uma regra prática para quando você vê um intervalo de confiança na vida real:

1. Se o intervalo for "padrão" (como a maioria dos testes de opinião pública ou médias de altura): Não há nada especial no tamanho dele. A melhor previsão é simplesmente o número que está escrito no rótulo (ex: 95%).
2. Se o intervalo tiver "dicas" visíveis (como no exemplo do submarino, onde o tamanho do intervalo depende de algo que você pode ver): Use essas dicas! Se o intervalo é estranhamente pequeno ou grande, ajuste sua previsão. Você está usando a informação disponível para fazer uma previsão mais inteligente, assim como um meteorologista ajusta a previsão de chuva se vê o céu escurecendo.

5. Por que isso importa?

Essa abordagem resolve a confusão sem precisar de crenças pessoais ou "adivinhações" místicas (o que os estatísticos chamam de Bayesiana). Ela mantém a lógica rigorosa da estatística tradicional, mas permite que a gente fale de forma sensata sobre um único resultado.

Resumo em uma frase:
Não pergunte "Este intervalo específico contém a verdade?" (porque a resposta é um "sim" ou "não" que você não sabe). Pergunte: "Dadas as regras do jogo e o que eu vejo neste intervalo, qual é a minha melhor aposta de que ele acertou?" E a resposta, na maioria das vezes, é o número de confiança que já estava escrito lá, mas com a liberdade de ajustá-lo se o intervalo parecer "estranho".

O autor conclui que devemos ensinar estatística não como uma lista de regras rígidas de "verdade absoluta", mas como uma ferramenta para fazer previsões informadas sobre o futuro e sobre o que não podemos ver diretamente.

Resumo técnico

Título: Confiança como Previsão: Uma Interpretação Teórico-Decisória dos Intervalos de Confiança

1. O Problema

O artigo aborda uma das controvérsias mais persistentes na estatística frequentista: como interpretar um Intervalo de Confiança (IC) específico e realizado (ex post).

• A Dilema Clássico: Jerzy Neyman, inventor dos ICs, argumentou que, uma vez que o intervalo é construído e os dados observados, o evento de cobertura (se o parâmetro $\theta$ está dentro do intervalo) torna-se determinístico: ou é 0 (não cobre) ou 1 (cobre). Portanto, Neyman recusava-se a atribuir qualquer probabilidade não degenerada à cobertura ex post, sugerindo apenas afirmar que "o intervalo cobre".
• A Confusão: Essa postura gera confusão e frustração, especialmente quando surgem exemplos onde a probabilidade de cobertura nominal ($1-\alpha$) parece contradizer a intuição baseada nos dados observados (ex: intervalos triviais ou casos de "perda de submersível"). Críticos argumentam que os ICs não têm significado ex post, enquanto defensores insistem na propriedade de longo prazo, criando um impasse filosófico entre frequentistas e bayesianos.
• A Questão Central: O que um frequentista deve dizer sobre a chance de um único IC realizado ter coberto o parâmetro? Deve-se manter a afirmação dogmática de cobertura ou admitir incerteza?

2. Metodologia

O autor propõe uma reinterpretação da "confiança" utilizando a teoria da decisão e regras de pontuação estritamente próprias (strictly proper scoring rules).

• Abordagem de Previsão Probabilística:
  • O evento de cobertura é tratado como uma variável aleatória de Bernoulli ($Z$), onde $Z=1$ se o intervalo cobre $\theta$ e $0$ caso contrário.
  • O nível de confiança nominal ($1-\alpha$) é reinterpretado não como uma crença subjetiva, mas como uma previsão probabilística ótima para o evento de cobertura, baseada no desenho do experimento.
• Estrutura de Três Camadas:
  1. Nível do Evento (Degenerado): Condicionado aos dados completos, $P(\text{Cobertura} | X) \in \{0, 1\}$.
  2. Nível de Desenho (Unconditional): A garantia de cobertura média sobre a distribuição amostral, $E[Z] = 1-\alpha$.
  3. Nível Preditivo (Confiança): Uma probabilidade de previsão baseada nas informações disponíveis (dados observados e características do desenho), minimizando a perda esperada (risco) sob uma regra de pontuação estritamente própria (ex: Brier Score).
• Análise Teórica e Simulação:
  • O autor formaliza matematicamente quando a previsão ótima permanece em $1-\alpha$e quando ela deve ser atualizada com base em estatísticas livres de$\theta$ (theta-free statistics).
  • São realizados experimentos mentais (o "Jogo das Conchas" de Monty Hall e o exemplo do "Submarino Perdido" de Morey et al.) e simulações computacionais para validar a eficácia preditiva dessa abordagem.

3. Contribuições Principais

1. Reinterpretação da Confiança como Previsão:

   • Demonstra que $1-\alpha$ é a única previsão constante ótima para a cobertura, tanto antes (ex ante) quanto depois (ex post) de observar os dados, sob qualquer regra de pontuação estritamente própria.
   • Mostra que a afirmação de Neyman de "o intervalo cobre" (previsão constante de 1) é estritamente dominada pela previsão $1-\alpha$ em termos de perda esperada, a menos que a cobertura seja realmente certa.

2. Refinamento Baseado no Desenho (Design-based Refinement):

   • Identifica condições sob as quais é possível melhorar a previsão de cobertura além de $1-\alpha$ sem recorrer a priores bayesianos.
   • Se existe uma estatística derivada dos dados que é livre de $\theta$ (não depende do valor do parâmetro) e que está correlacionada com a probabilidade de cobertura condicional, o frequentista deve atualizar sua previsão.
   • Teorema 3.1: Estabelece que, se $P(\theta \in I(X) | T(X)) = g(T(X))$ para todo $\theta$, então $g(T(X))$ é a previsão que minimiza o risco condicional.

3. Resolução de Paradoxos Clássicos:

   • O Jogo de Monty Hall: Demonstra que, ao tratar a probabilidade de sucesso do desenho como uma previsão, a estratégia de "trocar" (análogo a atualizar a previsão baseada em novas informações) é ótima, resolvendo a dissonância entre a interpretação de Neyman e a lógica de decisão.
   • O Exemplo do Submarino (Morey et al.): Resolve o paradoxo onde um IC de 50% cobre apenas uma pequena fração do espaço de suporte. O autor mostra que, ao condicionar na largura relativa do intervalo (uma estatística livre de $\theta$), a probabilidade de cobertura real pode ser recalculada (ex: caindo de 50% para ~33% para certos intervalos estreitos), o que é uma previsão mais precisa do que insistir em 50%.

4. Resultados

• Modelos Unbounded (Locais-Escala): Em modelos padrão e invariantes por translação (como a média normal), a largura ou posição do intervalo não carrega informação adicional sobre a cobertura. Nesses casos, a previsão ótima ex post permanece estritamente em $1-\alpha$.
• Modelos de Janela Finita (Uniforme): Em designs onde os dados são suportados em uma janela finita (como o exemplo do submarino), a largura relativa do intervalo é uma estatística livre de $\theta$.
  • Simulações: Ao usar a largura condicional para prever a cobertura, o Brier Score (medida de erro de previsão) diminui significativamente em comparação com a previsão constante de $1-\alpha$ ou a previsão constante de 1.
  • Tabela 1 e 2: Mostram que previsões condicionais (ex: "dada a largura relativa X, a probabilidade de cobertura é Y") superam consistentemente as previsões constantes, reduzindo o erro quadrático médio.
• Nesting (Aninhamento): O artigo demonstra que, ao considerar intervalos aninhados, a probabilidade de cobertura conjunta muda e pode ser estimada condicionalmente à estrutura de aninhamento, resolvendo aparentes paradoxos lógicos sobre "massa de probabilidade perdida".

5. Significado e Implicações

• Para a Prática Estatística: Oferece um guia prático para analistas:
  1. Verifique se o seu IC vem de um modelo onde estatísticas observáveis (como largura) são livres de $\theta$ e informativas sobre a cobertura.
  2. Se sim, use a probabilidade de cobertura condicional a essas estatísticas como sua previsão ex post.
  3. Se não (caso mais comum em modelos padrão), mantenha $1-\alpha$ como a melhor previsão possível, sem culpa por não saber se o intervalo específico "cobre" ou não.
• Para o Ensino: Sugere uma mudança pedagógica. Em vez de ensinar que "o IC ou cobre ou não cobre" (o que confunde alunos), os instrutores devem ensinar que a confiança é uma ferramenta de previsão de longo prazo. A probabilidade de cobertura é uma propriedade do procedimento (desenho), mas pode ser refinada condicionalmente a características do desenho observáveis.
• Para a Filosofia da Estatística: O artigo defende que a interpretação frequentista não precisa ser rígida ou "cegamente" comportamentalista. A "confiança" pode ser vista como uma probabilidade preditiva objetiva baseada no modelo de amostragem, sem necessidade de invocar crenças subjetivas (Bayesianas) ou priores. Isso dissolve o impasse entre frequentistas e bayesianos ao mostrar que a atualização de previsões pode ser feita puramente dentro do paradigma frequentista, baseada em informações do desenho.

Conclusão: Scott Lee demonstra que a "confiança" não é um conceito místico ou subjetivo, mas uma previsão probabilística bem definida que pode ser otimizada, atualizada e avaliada. Ao tratar a cobertura como um evento de Bernoulli e a confiança como uma previsão, o autor fornece uma estrutura coerente para lidar com intervalos individuais, resolvendo paradoxos históricos e oferecendo uma base mais robusta para a inferência frequentista aplicada.