Conflict Forecasting via Conformal Prediction for Markov Processes

1. Formulação do Problema

O artigo aborda o desafio de prever a dinâmica de conflitos (por exemplo, paz, escalada, guerra, desescalada) para países ao longo do tempo.

• A Questão Central: Previsões pontuais tradicionais (prever uma única sequência de estados futuros) são insuficientes para decisões políticas de alto risco, pois a penalidade pelo erro é extrema. Os tomadores de decisão exigem quantificação da incerteza na forma de conjuntos de previsão (intervalos de resultados plausíveis).
• O Desafio Estatístico: A maioria dos métodos existentes de quantificação da incerteza, como a Predição Conformal (PC), baseia-se na suposição de que os pontos de dados são permutáveis (exchangeable). No entanto, os dados de conflitos são temporais e modelados como um processo de Markov, onde as observações dependem dos estados anteriores, violando a suposição de permutabilidade.
• O Objetivo: Desenvolver um método que gere conjuntos de previsão válidos para sequências futuras de estados de conflito usando processos de Markov, oferecendo robustez contra má especificação do modelo em comparação com abordagens tradicionais baseadas em verossimilhança.

2. Metodologia

Os autores propõem um framework que adapta a Predição Conformal para processos de Markov de estados discretos, aproveitando o conceito de permutabilidade parcial.

A. Representação dos Dados

• Estados: O conflito é modelado como um processo de Markov de estados discretos com quatro estados: (1) Tempo de Paz, (2) Escalada, (3) Guerra, (4) Desescalada.
• Dados: A entrada é uma sequência de estados observados $\{X_t\}_{t=1}^T$. O objetivo é prever uma sequência de comprimento $T_1$ no futuro.

B. Adaptação da Predição Conformal (PC)

A PC padrão assume a permutabilidade de observações individuais. Como os dados de Markov não são permutáveis, os autores adotam a abordagem de Nettasinghe et al. (2023):

1. Permutabilidade Parcial: Em vez de permutar pontos de tempo individuais, o algoritmo trata sequências de estados como a unidade de permutabilidade.
2. i-Blocos: A sequência aumentada (dados de calibração + sequência futura proposta) é decomposta em "i-blocos". Um i-bloco é um segmento da sequência que começa com o estado $i$ e não contém ocorrências adicionais de $i$.
3. Grupo de Permutação: O algoritmo gera um grupo de permutação desses i-blocos. Se a sequência futura proposta, quando combinada com os dados de calibração, puder ser permutada para parecer com os dados originais sem alterar as contagens de transição, ela é considerada "permutável" em um sentido parcial.
4. Algoritmo:
   • Para cada sequência futura possível, o algoritmo calcula um escore de não-conformidade com base na verossimilhança da sequência sob a matriz de transição estimada.
   • Ele permuta os i-blocos da sequência aumentada para gerar uma distribuição de escores.
   • Um valor-p é calculado comparando o escore da sequência original com os escores permutados.
   • Sequências com valores-p maiores que o nível de significância $\alpha$ são incluídas no conjunto de previsão $C_{1-\alpha}$.

C. Comparação com Linha de Base: Previsão Baseada em Verossimilhança

Os autores comparam seu método de PC com uma abordagem padrão Baseada em Verossimilhança:

• Um modelo de Markov é ajustado aos dados de calibração para estimar a matriz de probabilidade de transição ($\hat{P}$).
• Conjuntos de previsão são construídos selecionando as sequências de maior probabilidade até que a massa de probabilidade cumulativa atinja $1-\alpha$.
• Limitação: Este método assume que o modelo está corretamente especificado e não oferece garantias de cobertura em amostras finitas se o modelo estiver mal especificado.

3. Contribuições Principais

1. Adaptação da PC para Processos de Markov: O artigo aplica com sucesso a Predição Conformal a dados temporalmente dependentes, utilizando permutabilidade parcial via permutações de i-blocos, contornando o requisito estrito de permutabilidade.
2. Robustez à Má Especificação do Modelo: Diferentemente dos métodos baseados em verossimilhança, a abordagem de PC fornece garantias de cobertura marginal em amostras finitas, independentemente de o modelo de Markov subjacente estar perfeitamente especificado.
3. Tratamento da Incerteza de Longo Prazo: O estudo demonstra que a PC preserva a incerteza da trajetória ao longo de horizontes de previsão longos, enquanto os métodos baseados em verossimilhança tendem a colapsar em distribuições estacionárias, potencialmente ignorando eventos raros, mas críticos (por exemplo, escalada súbita).
4. Validação Empírica: O método é validado através de simulações de Monte Carlo e aplicado a dados reais de conflitos do Programa de Dados de Conflitos de Uppsala (UCDP), cobrindo 191 países (1990–2025).

4. Resultados

Estudo de Simulação

• Calibração: O método de PC produziu taxas de cobertura empírica que corresponderam estreitamente aos níveis de confiança alvo (por exemplo, alvo de 90% $\approx$ 90% real) em todos os comprimentos de previsão ($T_1$).
• Sobrecobertura por Verossimilhança: O método baseado em verossimilhança tendeu a sobrecobrir (produzir conjuntos maiores do que o necessário) em níveis de confiança mais baixos, porque a natureza discreta do espaço de estados significava que algumas poucas sequências de alta probabilidade capturavam a maior parte da massa.
• Composição do Conjunto: À medida que o horizonte de previsão ($T_1$) aumentava, os conjuntos baseados em verossimilhança convergiam para a distribuição estacionária da cadeia de Markov, perdendo informações sobre a trajetória de partida específica. Os conjuntos de PC permaneceram diversos, refletindo a incerteza do caminho específico.

Análise de Dados Reais (UCDP)

• Cobertura: Aplicado a 86 países com dados de conflito suficientes, a PC manteve uma cobertura próxima ao nominal. A abordagem baseada em verossimilhança novamente mostrou sobrecobertura em níveis de confiança baixos.
• O Problema da "Probabilidade Zero": Uma descoberta crítica ocorreu em $1-\alpha = 1.00$. O método baseado em verossimilhança falhou em cobrir sequências reais se a matriz de transição estimada atribuísse probabilidade zero a uma transição não vista nos dados de treinamento (subcobertura). A PC evitou isso porque avalia as sequências com base na validade da permutação e não na probabilidade estrita do modelo, permitindo incluir transições "não vistas", mas plausíveis.
• Estudos de Caso (Etiópia, RCA, etc.):
  • Para países com conflitos em andamento, o método baseado em verossimilhança previu um retorno rápido à paz (convergência para a distribuição estacionária) à medida que o horizonte se estendia (por exemplo, 12 meses).
  • O método de PC manteve uma alta probabilidade de conflito contínuo, alinhando-se melhor com a persistência observada de conflitos nessas regiões.

5. Limitações e Trabalhos Futuros

• Eficiência em Estados Dominantes: O método de PC torna-se ineficiente quando os dados de calibração consistem quase inteiramente em um único estado (por exemplo, um país em paz perpétua). Nestes casos, o número de "i-blocos" para estados não dominantes cai para zero ou um, fazendo com que o algoritmo aceite um vasto número de sequências improváveis para satisfazer a garantia de cobertura.
• Mitigação Proposta: Os autores sugerem uma correção "ingênua" de adicionar um ponto de tempo futuro sintético forçando um retorno ao estado dominante para melhorar a eficiência, embora isso altere a interpretação da previsão.
• Covariáveis: O estudo atual não incorpora covariáveis (por exemplo, indicadores econômicos, regime político) nas probabilidades de transição, embora o framework seja teoricamente extensível a tais cenários.

6. Significado

Este artigo é significativo para a previsão de conflitos e o aprendizado de máquina estatístico porque:

1. Relevância Política: Fornece aos tomadores de decisão conjuntos de incerteza válidos e calibrados, em vez de palpites de ponto único, o que é crucial para a gestão de riscos na geopolítica.
2. Avance Metodológico: Resolve um obstáculo teórico fundamental (permutabilidade em séries temporais) aplicando permutabilidade parcial a cadeias de Markov, oferecendo uma alternativa robusta a modelos paramétricos que podem estar mal especificados.
3. Previsão de Longo Prazo: Destaca o perigo de confiar em distribuições estacionárias para previsões de longo prazo em ambientes não estacionários (como a guerra), defendendo métodos que preservam a incerteza específica da trajetória.