Resumo Técnico: Expectativas vs. Realidades: O Custo da Previsão Ótima para MSE sob Incerteza Condicional

1. Declaração do Problema

A previsão de séries temporais de múltiplos passos (MSF) é tradicionalmente avaliada por meio de métricas de erro ponto a ponto, mais notavelmente o Erro Quadrático Médio (MSE). Esse paradigma de avaliação trata implicitamente a expectativa condicional, $E[Y_h | X]$, como o alvo de previsão suficiente e desejado. No entanto, os autores argumentam que essa suposição torna-se frágil à medida que o horizonte de previsão aumenta. Em muitos sistemas do mundo real, a incerteza acumula-se ao longo do tempo, fazendo com que a distribuição condicional dos resultados futuros torne-se cada vez mais dispersa.

Sob condições de alta incerteza condicional, a expectativa condicional (o alvo ótimo para MSE) pode divergir significativamente dos resultados realizados típicos. Consequentemente, modelos otimizados estritamente para MSE tendem a produzir previsões "subdispersas" — elas são precisas em um sentido pontual, mas falham em capturar a variabilidade marginal da verdadeira distribuição futura. O artigo postula que isso não é meramente uma falha de capacidade do modelo ou de otimização, mas uma limitação estrutural inerente à previsão determinística sob perda quadrática quando a incerteza condicional é não nula.

2. Metodologia e Estrutura Teórica

2.1 Formalização Teórica

Os autores formalizam o problema usando a Lei da Variância Total:
$$\text{Var}(Y_h) = \text{Var}(E[Y_h | X]) + E[\text{Var}(Y_h | X)]$$
Eles definem um Gap de Incerteza Condicional ($\text{Gap}_h$) como a fração da variabilidade total atribuível à incerteza irredutível dado o passado:
$$\text{Gap}_h = \frac{E[\text{Var}(Y_h | X)]}{\text{Var}(E[Y_h | X]) + E[\text{Var}(Y_h | X)]}$$
Quando $\text{Gap}_h > 0$, a média condicional explica menos de 100% da variância do futuro realizado.

2.2 O Trade-off Precisão–Realismo (Teorema 1)

A principal contribuição teórica é o Teorema 1, que prova que para qualquer preditor determinístico $f_h$:

1. Se $\text{Gap}_h > 0$, nenhum preditor pode simultaneamente minimizar o MSE e corresponder à distribuição marginal dos futuros realizados ($L(Y_h)$).
2. O minimizador único de MSE é a expectativa condicional $f^*_h(X) = E[Y_h | X]$.
3. Como $\text{Var}(f^*_h(X)) < \text{Var}(Y_h)$ sempre que $\text{Gap}_h > 0$, a distribuição marginal do preditor ótimo de MSE difere estritamente da verdadeira distribuição marginal.
4. Isso cria um Pareto frontier inevitável entre a precisão pontual (MSE) e o realismo marginal (medido pela distância de Wasserstein $W_1$).

2.3 Caracterização Empírica

Para quantificar esse trade-off, os autores utilizam:

• Sistemas Sintéticos Controlados: Um sistema Mackey–Glass estocástico onde o nível de ruído ($\sigma_s$) e o horizonte ($h$) podem ser ajustados para controlar o gap de incerteza condicional.
• Benchmarks do Mundo Real: Nove conjuntos de dados abrangendo energia, tráfego, clima, qualidade do ar e finanças (ex: METR-LA, Electricity, ExchangeRate).
• Estratégias Avaliadas:
  • Direta (MIMO): Prediz todo o horizonte em um único passo.
  • Recursiva (REC): Itera prevendo um passo à frente.
  • Regras de Inferência: Para modelos probabilísticos, eles comparam a inferência baseada na média (média preditiva) vs. inferência baseada em amostras (rollout de amostra única).
• Métricas: MSE para precisão e $W_1$ (distância de Wasserstein-1) para realismo marginal. Eles também relatam métricas de nível de trajetória (DTW, Vetor $W_1$, etc.) como verificações de robustez.

3. Principais Resultados

3.1 Geometria do Trade-off

• Regime de Baixa Incerteza: Quando o gap de incerteza condicional é pequeno, a fronteira de Pareto é degenerada; os métodos se agrupam próximos a um único ponto de operação onde a minimização do MSE também gera alto realismo.
• Regime de Alta Incerteza: À medida que o gap aumenta (horizontes mais longos ou maior ruído), o conjunto de desempenhos atingíveis expande-se para uma fronteira de Pareto pronunciada. Isso separa preditores ótimos de MSE (que são subdispersos) de métodos que sacrificam a precisão pontual para corresponder à variabilidade marginal.
• Correlação: O comprimento da fronteira de Pareto aumenta monotonicamente com o gap de incerteza condicional estimado.

3.2 O Custo da Seleção Estrita de MSE

• Custo de Oportunidade: Os autores definem uma "troca bem-sucedida" como um cenário onde uma pequena relaxação no MSE gera um ganho relativo maior em realismo.
• Descobertas Empíricas: Através de benchmarks sintéticos e do mundo real, relaxar a restrição de MSE em apenas 5% frequentemente desbloqueia ganhos desproporcionais em realismo marginal.
  • Melhoria Mediana: 17,3% de melhoria no realismo marginal ($W_1$) em todos os conjuntos de dados.
  • Taxa de Sucesso: Em 84,1% dos casos (média global), uma pequena relaxação no MSE resultou em uma troca líquida positiva de realismo.
  • Especificidades dos Dados: Alguns conjuntos de dados (ex: Clima, ExchangeRate) mostraram melhorias medianas de realismo superiores a 22% com altas taxas de sucesso.

3.3 Estratégia e Inferência como Botões de Controle

O estudo demonstra que diferentes estratégias de previsão ocupam sistematicamente diferentes regiões da fronteira de Pareto:

• Extremo Ótimo de MSE: Dominado por estratégias Diretas (MIMO) e inferência baseada na média. Estas alinham-se com a estimativa da expectativa condicional e produzem previsões suavizadas e subdispersas.
• Extremo de Realismo Ótimo: Dominado por estratégias Recursivas (REC) e inferência baseada em amostras. Estas propagam a variabilidade através do tempo, correspondendo melhor à distribuição marginal dos futuros realizados ao custo de maior erro pontual.
• Modelos Probabilísticos: Mesmo os modelos probabilísticos não eliminam o trade-off; eles simplesmente o navegam. Escolher a média preditiva coloca o modelo próximo ao extremo de MSE, enquanto a amostragem o coloca próximo ao extremo de realismo.

4. Contribuições

O artigo apresenta três contribuições principais:

1. Explicação Teórica: Prova que o excesso de suavização (over-smoothing) em previsões de longo horizonte é uma propriedade estrutural da previsão determinística sob incerteza condicional, não um erro de especificação do modelo. Nenhum preditor determinístico pode minimizar o MSE e corresponder à distribuição marginal simultaneamente se o gap de incerteza for diferente de zero.
2. Quantificação Empírica: Caracteriza a fronteira de Pareto de precisão–realismo, mostrando que a seleção de modelos baseada estritamente em MSE incorre em um custo substancial e evitável no realismo marginal. Pequenas relaxações no MSE frequentemente geram grandes ganhos em realismo.
3. Protocolo Prático: Reenquadra a seleção de estratégia (Direta vs. Recursiva) e a escolha de inferência (Média vs. Amostra) como mecanismos para navegar neste espaço multi-objetivo, em vez de simplesmente otimizar uma única métrica.

5. Significância e Recomendações

O artigo argumenta que a incompatibilidade entre a precisão pontual e o realismo distributivo é uma propriedade intrínseca da previsão de múltiplos passos sob incerteza condicional, independente da classe de modelo.

Recomendação Prática:
Os autores propõem uma regra de seleção por banda de tolerância para seleção de modelos:

1. Identificar o modelo ótimo de MSE nos dados de validação.
2. Reter todos os candidatos cujo MSE esteja dentro de uma pequena tolerância $\epsilon$ dependente da aplicação (ex: 5%) do ótimo.
3. Entre esses "empates próximos", selecionar o modelo que maximiza o realismo marginal (usando métricas como $W_1$) ou, para modelos probabilísticos, utilizar diagnósticos de calibração e nitidez (sharpness).

Significância:
Este trabalho desafia a prática padrão de classificar modelos puramente pelo MSE, particularmente para previsões de longo horizonte. Sugere que a avaliação de métrica única pode ser estruturalmente enganosa, descartando sistematicamente previsões que são mais representativas dos futuros realizados. Ao tratar a previsão de longo horizonte como um problema de seleção multi-objetivo restrito, os profissionais podem evitar o "custo" da otimização apenas de MSE e selecionar modelos que reflitam melhor a incerteza inerente ao processo gerador de dados.