Statistical Compatibility, Refutational Information, and Acceptability

Título: Compatibilidade Estatística, Informação Refutacional e Aceitabilidade

1. Problema e Contexto

O artigo aborda as limitações e os riscos interpretativos associados ao uso tradicional de valores-p (P-values) e valores-S (S-values) na inferência estatística frequentista. O problema central reside na confusão conceitual entre a compatibilidade dos dados com um modelo e a verdade ou falsidade epistêmica do modelo.

• Riscos Linguísticos: O uso de termos como "incompatibilidade" (para descrever valores-p baixos) é criticado por sugerir uma contradição lógica ou impossibilidade, quando, na verdade, trata-se apenas de uma raridade dentro de um modelo assumido.
• Falácias de Inversão: Há um risco constante de interpretar a probabilidade de um dado sob uma hipótese como a probabilidade da hipótese dado o dado (falácia de inversão), o que é um erro fundamental no paradigma frequentista.
• Dichotomização: A tendência de transformar escalas graduais de compatibilidade em decisões binárias (aceitar/rejeitar) ignora o contexto de perda, a qualidade dos dados e o conhecimento de domínio.

2. Metodologia e Enquadramento Teórico

O autor desenvolve um quadro interpretativo baseado na perspectiva frequentista descritiva, distinguindo-se dos valores-p de decisão. A metodologia fundamenta-se nos seguintes pilares:

• Mundos Fictícios Ideais: Os modelos estatísticos são definidos como conjuntos de pressupostos ($A$) combinados com uma hipótese-alvo específica ($H_i$). Dentro deste "mundo pequeno", o modelo é tratado como verdade provisória para gerar distribuições de dados esperados.
• Reinterpretação do Valor-p: O valor-p é redefinido estritamente como um índice gradativo de compatibilidade entre o resultado observado e as previsões do modelo $A + H_i$. Um valor-p baixo indica que o dado é "atípico" sob o modelo, mas não prova que o modelo é logicamente impossível.
• Reinterpretação do Valor-S (S-value): O valor-S ($s = -\log_2 p$) é apresentado não como evidência contra a verdade do modelo, mas como uma medida de informação refutacional (em bits). Ele quantifica quanto o dado desafia a aceitabilidade prática da hipótese, condicionada aos pressupostos do analista.
• Distinção de Surpresa: O artigo diferencia claramente a "surpresa" no sentido de Shannon (informação teórica baseada na raridade dentro do modelo) da "surpresa" bayesiana (atualização de crenças) e da surpresa psicológica cotidiana.

3. Principais Contribuições

O artigo propõe uma mudança de paradigma na interpretação de medidas frequentistas:

1. Do "Incompatível" para a "Compatibilidade Gradual": O autor argumenta que a linguagem de "incompatibilidade" é enganosa e sugere o uso de "compatibilidade" para descrever o alinhamento entre dados e modelo, evitando a ideia de impossibilidade lógica.
2. Conceito de Aceitabilidade: Introduz a "aceitabilidade" como um conceito orientado para a decisão, que vai além da compatibilidade interna do modelo. A aceitabilidade depende de:
   • Compatibilidade dados-modelo.
   • Conhecimento de domínio e plausibilidade causal.
   • Qualidade dos dados.
   • Estrutura de perdas (consequências de erros) e valores morais do analista.
3. Papel da Informação Refutacional: Clarifica que o valor-S fornece informação sobre a aceitabilidade de uma hipótese para um propósito prático, e não sobre sua verdade ontológica. A decisão de rejeitar um modelo depende do contexto de perda (ex: consequências médicas graves exigem mais informação refutacional do que resultados triviais).
4. Crítica à Surpresa de Shannon: Embora reconheça a utilidade do conceito, o autor alerta contra o uso rotineiro de "surpresa" (Shannon) em contextos aplicados (como pesquisa clínica), devido ao alto risco de induzir a falácia de inversão em públicos não especializados.
5. Abordagem "Menos Condicional": Para estudos individuais que não visam decisões formais imediatas, o artigo recomenda focar na descrição transparente da relação dados-modelo, deixando a síntese de evidências e a decisão final para a acumulação de múltiplos estudos (meta-análises e revisões sistemáticas).

4. Resultados e Argumentos Centrais

• A Natureza dos Modelos: Modelos frequentistas são cenários condicionais ("se A e Hi forem verdadeiros, então..."). Os dados não podem contradizer logicamente o modelo, pois o modelo é o gerador assumido para o cálculo.
• Assimetria de Informação: O valor-S corrige a assimetria do valor-p. Mudanças de 0,04 para 0,01 representam uma mudança informacional muito maior do que de 0,94 para 0,91, algo que o valor-S (escala logarítmica) captura melhor, permitindo comparações aditivas de informação.
• O Analista como Agente: A avaliação de aceitabilidade não é passiva ("dado os pressupostos"), mas ativa ("segundo os pressupostos especificados pelo analista"). A competência, intenção e valores do analista são componentes intrínsecos da inferência prática.
• Exemplo Prático: O uso de analogias (como o lançamento de moedas) demonstra que a mesma quantidade de informação refutacional (ex: 2 caras em 2 lançamentos) pode levar a decisões diferentes dependendo da estrutura de perdas (ex: apostar dinheiro vs. evitar efeitos colaterais graves).

5. Significado e Implicações

Este trabalho é significativo por oferecer uma ponte mais segura entre a estatística frequentista e a tomada de decisão prática, sem recorrer a probabilidades subjetivas de hipóteses (como no Bayesiano).

• Para a Prática Científica: Promove uma interpretação mais cautelosa e explícita dos resultados estatísticos, reduzindo o risco de conclusões prematuras ou superconfiantes.
• Para a Comunicação: Sugere abandonar terminologias que confundem raridade com impossibilidade, favorecendo uma linguagem que enfatiza a responsabilidade do analista e o contexto de decisão.
• Para a Síntese de Evidências: Reforça que estudos individuais devem priorizar a descrição clara da relação dados-modelo, enquanto a resolução de questões de aceitabilidade prática deve ser feita através da acumulação de evidências de múltiplas fontes.

Em suma, o artigo defende que a estatística frequentista deve ser vista como uma ferramenta de descrição de modelos e avaliação de aceitabilidade contextual, e não como um mecanismo automático de verificação da verdade.