Realizing Common Random Numbers: Event-Keyed Hashing for Causally Valid Stochastic Models

O artigo demonstra que o uso de geradores de números aleatórios baseados em estado compromete a validade causal em modelos baseados em agentes ao alterar o índice de extração quando o fluxo de execução muda, e propõe como solução o uso de geradores baseados em contadores acoplados a identificadores de eventos para garantir que os números aleatórios correspondam consistentemente aos mesmos eventos em cenários contrafactuais.

O essencial

Imagine que você é um cientista tentando prever o futuro de uma epidemia. Você cria um "mundo virtual" no computador, cheio de pessoas (agentes) que interagem, adoecem e se recuperam. Para saber se uma vacina funciona, você roda esse mundo duas vezes: uma vez sem a vacina (o cenário normal) e outra com a vacina (o cenário de teste).

O grande desafio é: como saber se a diferença nos resultados foi realmente por causa da vacina, ou apenas porque, na segunda vez, o computador "sorteou" números diferentes e as pessoas tiveram sorte ou azar?

Para resolver isso, os cientistas usam uma técnica chamada Números Aleatórios Comuns (CRN). A ideia é simples: "Vamos usar exatamente a mesma sequência de sorteios para os dois mundos". Assim, se na primeira simulação a pessoa A adoeceu porque o número sorteado foi 0,1 (e ela tinha 20% de chance), na segunda simulação, com a mesma sequência, ela deve ter o mesmo número 0,1. Se ela não adoeceu na segunda vez, sabemos que foi porque a vacina funcionou, e não porque o acaso mudou.

O Problema: O "Livro de Regras" Quebrado

O artigo explica que, na prática, a maneira como os computadores fazem esses sorteios hoje em dia está quebrando essa lógica.

Imagine que o gerador de números aleatórios é como um livro de sorteios gigante.

• O jeito antigo (Geradores de Estado): O computador tem um marcador que diz "estou na página 50". Ele lê o número da página 50, avança para a 51, lê, avança para a 52, e assim por diante.
• O problema: Se você colocar uma vacina no mundo, algumas pessoas não adoececem. No mundo sem vacina, elas adoecem e, como parte do processo de adoecer, o computador precisa "ler mais uma página" do livro para decidir quanto tempo elas ficam doentes.
  • Cenário Sem Vacina: O computador lê a página 50 (adoeceu), lê a 51 (tempo de doença), e a página 52 é usada para a pessoa B.
  • Cenário Com Vacina: A pessoa A não adoece. O computador pula a leitura da página 51. Agora, a página 52 é lida imediatamente para a pessoa A (que não precisava), e a pessoa B recebe a página 53!

Resultado: A pessoa B, que deveria ter recebido o mesmo "destino" (número 52) nos dois mundos, recebeu números diferentes (52 no primeiro, 53 no segundo). A vacina mudou o "ritmo" da leitura do livro, e isso fez com que o destino de todas as outras pessoas mudasse sem motivo. A comparação entre os dois mundos ficou injusta e incoerente.

A Solução: O "Chaveiro de Identidade"

Os autores propõem uma solução inteligente: Geradores de Números Aleatórios Baseados em Chaves de Evento (Event-Keyed).

Em vez de usar um marcador que avança página por página (como um livro), vamos usar um sistema de caixas de correio personalizadas.

1. A Ideia: Cada evento no mundo virtual (ex: "Pessoa A encontra Pessoa B às 14h") tem um ID único (uma chave), como um código de barras.
2. O Funcionamento: Para saber o destino desse evento, o computador não olha "qual é a próxima página do livro". Ele pega o código de barras do evento (ex: "Encontro_A_B_14h") e o joga em uma máquina especial (um gerador de números) que transforma esse código em um número aleatório.
3. A Mágica:
   • Se a vacina mudar o mundo e a Pessoa A não adoecer, o computador não precisa ler nada diferente para a Pessoa B.
   • Quando o computador precisa saber o destino da Pessoa B, ele olha o código dela ("Encontro_B_C_15h"), joga na máquina e obtém exatamente o mesmo número que obteve no outro mundo, porque o código é o mesmo.
   • O fato de a Pessoa A ter pulado uma etapa não afeta a "chave" da Pessoa B.

Analogia Final: A Cozinha do Chef

Pense no computador como um chef cozinhando dois pratos idênticos para comparar o sabor de um tempero novo.

• O Jeito Antigo (Errado): O chef tem uma lista de tarefas. Ele faz o prato 1. Se o prato 1 precisa de "pimenta extra", ele adiciona e avança para a próxima tarefa na lista. Para o prato 2 (com o tempero novo), se a pimenta não for necessária, ele pula essa tarefa. Agora, a "tarefa 3" do prato 2 é a "tarefa 4" do prato 1. Os ingredientes finais são diferentes não por causa do tempero, mas porque a ordem de preparo mudou.
• O Jeito Novo (Correto): Cada ingrediente tem um rótulo fixo. "Sal para o Prato 1", "Sal para o Prato 2". O chef olha o rótulo "Sal" e coloca exatamente a mesma quantidade, independentemente de quantos outros passos foram pulados antes. O "Sal" é sempre o "Sal", não importa o que aconteceu antes na receita.

Por que isso importa?

O artigo diz que, para que nossos modelos de simulação sejam cientificamente válidos e consigam responder perguntas do tipo "E se tivéssemos feito isso?", precisamos garantir que estamos comparando a mesma realidade sob condições diferentes, e não duas realidades diferentes que apenas parecem iguais.

Ao usar essa técnica de "Chaves de Evento", os cientistas podem:

1. Reduzir o erro: Comparar os mundos de forma justa, eliminando o "ruído" aleatório.
2. Entender o causal: Saber com certeza se a vacina salvou a vida de uma pessoa específica, e não apenas se ela "teve sorte" na segunda simulação.
3. Construir modelos mais honestos: O computador passa a seguir a lógica da ciência (causa e efeito) em vez de seguir a lógica bagunçada de como o software foi programado antigamente.

Em resumo: é como trocar um relógio de ponteiros que atrasa quando você aperta um botão, por um relógio digital que mostra o horário exato baseado apenas na hora que você pediu, independente do que aconteceu antes.

Resumo técnico

Resumo Técnico: Realização de Números Aleatórios Comuns: Hashing Baseado em Eventos para Modelos Estocásticos Causalmente Válidos

1. O Problema: A Incoerência Causal em Modelos Baseados em Agentes (ABMs)

Os Modelos Baseados em Agentes (ABMs) são amplamente utilizados para estimar efeitos causais de tratamentos através de simulações de contrafactuais pareadas. Uma técnica padrão para reduzir a variância nessas simulações é o uso de Números Aleatórios Comuns (CRNs - Common Random Numbers), que acoplam réplicas de simulação entre cenários de intervenção (ex.: baseline vs. vacinação) compartilhando as mesmas entradas aleatórias.

No entanto, a implementação prática atual de CRNs enfrenta um problema fundamental:

• Dependência do Caminho de Execução: A maioria dos modelos utiliza Geradores de Números Pseudoaleatórios (PRNGs) com estado (stateful), como o Mersenne Twister. Esses geradores mantêm um estado interno mutável que avança a cada chamada.
• O Conflito: Quando uma intervenção altera o fluxo de controle do código (ex.: um agente vacinado não precisa de uma simulação de incubação, ou uma infecção é evitada), o número de chamadas ao PRNG antes de eventos subsequentes muda.
• A Consequência: Isso desalinha os índices de extração (draw index). Um evento específico (ex.: "agente A infecta agente B") recebe um número aleatório diferente entre os cenários, não por causa da mudança no mecanismo causal, mas apenas porque o caminho de execução consumiu um número diferente de aleatórios anteriores.
• Violação da Estrutura Causal: Isso cria uma incoerência entre a estrutura causal científica que o modelo pretende codificar (onde o ruído exógeno deve ser estável) e a estrutura causal induzida pelo programa (onde o ruído depende do histórico de execução). Como resultado, as comparações contrafactuais individuais tornam-se mal definidas e a redução de variância esperada pelos CRNs pode falhar ou até aumentar a variância.

2. Metodologia e Abordagem Teórica

Os autores abordam o problema através da lente dos Modelos Causais Estruturais (SCMs - Structural Causal Models) de Judea Pearl.

• Invariância de Execução (Execution Invariance): O artigo define formalmente que, para um ABM ser um SCM válido sob intervenções, a identidade do ruído exógeno ($U_e$) associado a um evento estocástico $e$ deve ser invariante em relação ao histórico de execução. Ou seja, $U_e$ deve depender apenas da identidade do evento e da semente, não de quantos aleatórios foram consumidos anteriormente.
• Análise do Estado Atual: Eles demonstram que PRNGs com estado violam essa invariância. Ao introduzir variáveis endógenas ocultas (os índices de extração), o código cria caminhos causais espúrios (ex.: o estado de infecção do Agente 1 determina qual número aleatório o Agente 2 recebe), o que não existe no modelo científico original.
• Solução Proposta: A combinação de Geradores de Números Aleatórios Baseados em Contador (Counter-Based PRNGs) (como Philox ou Threefry) com Identificadores de Eventos (Event-Keyed Hashing).
  • Ao contrário dos PRNGs com estado, os baseados em contador são funções puras: $R = g(\text{chave}, \text{contador})$.
  • O "contador" é substituído por um identificador de evento único e estável (hash) que codifica a identidade do evento (ex.: tipo de evento, ID do agente, tempo).
  • Isso desacopla a geração de números aleatórios da ordem de execução da simulação.

3. Contribuições Chave

1. Formalização do Problema: O artigo é a primeira obra a formalizar a falha dos PRNGs com estado sob a ótica dos SCMs, provando que eles produzem comparações contrafactuais causalmente incoerentes, mesmo quando a especificação mecânica do modelo é correta.
2. Definição de Invariância de Execução: Introduz o conceito de que a mapeamento entre identidade do evento e ruído exógeno deve ser estável para garantir a validade científica das simulações contrafactuais.
3. Mecanismo de Solução (Event-Keyed Hashing): Propõe o uso de identificadores de eventos estáveis combinados com PRNGs baseados em contador. Isso garante que o mesmo evento receba o mesmo ruído exógeno em todos os cenários, independentemente de quantos outros eventos ocorreram ou foram evitados anteriormente.
4. Guia de Design de Identificadores: Discute as implicações de modelagem na escolha dos identificadores de eventos (ex.: slot-keyed vs. dyad-keyed).
   • Slot-keyed: O ruído está associado à oportunidade de contato (tempo/espaço), assumindo que parceiros são intercambiáveis condicionalmente ao estado modelado.
   • Dyad-keyed: O ruído está associado ao par específico (agente A + agente B), assumindo heterogeneidade não modelada entre parceiros.
   • O artigo enfatiza que essa escolha é uma decisão de modelagem substantiva, não automatizável.

4. Resultados e Evidências

• Exemplo Didático: Os autores apresentam um modelo de infecção simples onde a vacinação de um agente altera o fluxo de execução (evitando a extração de um tempo de incubação).
  • Com PRNGs com estado: O agente 2 recebe um número aleatório diferente no cenário de vacinação, invalidando a comparação causal direta.
  • Com PRNGs baseados em eventos: O agente 2 recebe sempre o mesmo número aleatório, pois sua chave de evento permanece inalterada, preservando a estrutura causal desejada.
• Validade Causal: A abordagem restaura a capacidade de estimar efeitos de tratamento individuais (ITEs) e estratos principais, permitindo que o modelo simule ambos os potenciais resultados ($Y(0)$ e $Y(1)$) para a mesma realização de ruído exógeno.
• Desempenho: Os PRNGs baseados em contador (como Philox e Threefry) têm desempenho comparável ou superior aos PRNGs com estado (Mersenne Twister) em ambientes de processamento paralelo, além de oferecerem a semântica de acesso aleatório necessária para a invariância de execução.

5. Significado e Impacto

Este trabalho tem implicações profundas para a comunidade de modelagem baseada em agentes e inferência causal:

• Correção de Práticas Padrão: Alerta que o uso comum de "sementes fixas" com PRNGs com estado não garante CRNs válidos quando intervenções alteram o fluxo de controle, o que é comum em modelos complexos de epidemias e economia.
• Validade Científica: Garante que as simulações respondam a perguntas contrafactuais reais ("o que aconteceria com este indivíduo se...") mantendo o "todo o resto igual" (incluindo o ruído aleatório), em vez de comparar indivíduos sob realizações de ruído diferentes.
• Eficiência Estatística: Restaura a eficácia da redução de variância via CRNs, evitando que a covariância entre cenários se torne negativa ou nula devido ao desalinhamento estocástico.
• Paradigma de Programação: Promove a transição de modelos estocásticos baseados em estado mutável para funções puras (programação funcional), facilitando a paralelização, depuração e reprodutibilidade.

Em suma, o artigo argumenta que a invariância de execução deve ser tratada não como um detalhe de otimização, mas como um requisito fundamental para a coerência causal em simulações baseadas em agentes, propondo o hashing baseado em eventos como a solução técnica definitiva.