Scoring Rules as Least-Squares Estimators

Resumo Técnico: Regras de Pontuação como Estimadores de Mínimos Quadrados

Enunciado do Problema
O artigo aborda a relação teórica entre as regras de pontuação (scoring rules) e a regra de similaridade de cosseno na teoria da escolha social. As regras de pontuação determinam um ranking social ao agregar pontuações individuais atribuídas a alternativas com base em suas posições nas ordenações de preferência dos eleitores (por exemplo, a regra de Borda). Recentemente, Kawada (2018) estabeleceu um notável teorema de equivalência afirmando que, para qualquer vetor de pontuação dado, a regra de pontuação resultante é idêntica à correspondente regra de similaridade de cosseno. Embora a prova original de Kawada tenha se baseado em uma análise direta do problema de otimização da similaridade de cosseno, os autores desta nota buscam fornecer uma prova mais transparente e elementar dessa equivalência.

Metodologia
Os autores utilizam uma caracterização por mínimos quadrados da média aritmética para rederivar o resultado de Kawada. A metodologia procede da seguinte forma:

1. Fundação de Mínimos Quadrados: O artigo utiliza a propriedade bem conhecida de que a média aritmética de um conjunto de vetores é o minimizador único da soma das distâncias euclidianas ao quadrado desses vetores. Formalmente, para um conjunto de vetores $\{p_i\}_{i \in N}$, a função $\Phi(x) = \sum_{i \in N} \|x - p_i\|^2$ é minimizada unicamente em $x = \bar{p} = \frac{1}{n}\sum p_i$.
2. Representação Vetorial: As ordenações individuais dos eleitores são mapeadas para vetores de pontuação $s^\theta_i \in \mathbb{R}^V$ com base em um vetor de pontuação fixo $\theta$.
3. Equivalência de Otimização: Os autores demonstram que minimizar o objetivo de mínimos quadrados (soma das distâncias ao quadrado) é matematicamente equivalente a maximizar a soma dos produtos escalares $\sum (s^\theta_i)^\top x$ quando $x$ é restrito a uma esfera de raio fixo.
4. Invariância de Norma: Um passo crítico na prova é observar que, para qualquer eleitor $i$, a norma euclidiana do vetor de pontuação $\|s^\theta_i\|$ é constante (denotada como $R$), independentemente da ordenação específica. Isso permite que a soma do produto escalar seja reescrita em termos de similaridade de cosseno: $\sum (s^\theta_i)^\top x = R\rho \sum C(s^\theta_i, x)$, onde $\rho = \|x\|$.
5. Síntese: Ao combinar a propriedade de minimização de mínimos quadrados com a propriedade de norma constante dos vetores de pontuação, os autores mostram que o otimizador do problema de maximização da similaridade de cosseno é precisamente a média aritmética dos vetores de pontuação.

Principais Contribuições e Resultados

• Prova Alternativa de Kawada (2018): O artigo fornece uma prova geométrica mais simples da equivalência entre regras de pontuação e regras de similaridade de cosseno.
• Interpretação Geométrica: A prova revela que a média aritmética dos vetores de pontuação, $\bar{s}^\theta = \frac{1}{n} \sum s^\theta_i$, é a solução única tanto para o problema de estimativa de mínimos quadrados quanto para o problema de otimização da similaridade de cosseno.
• Confirmação de Equivalência: Uma vez que o ranking social em uma regra de pontuação é determinado pelas coordenadas do vetor de pontuação agregado (que é proporcional à média aritmética), e a regra de similaridade de cosseno é determinada pelas coordenadas do otimizador (que também é a média aritmética), as duas regras necessariamente induzem o mesmo ranking social.
• Resultado Formal: O Teorema 1 confirma que, para cada vetor de pontuação $\theta$, a regra de pontuação (2) coincide com a regra de similaridade de cosseno (4).

Significância e Alegações
Os autores alegam que sua abordagem oferece uma interpretação geométrica transparente das regras de pontuação. Ao enquadrar as regras de pontuação como estimadores de mínimos quadrados, o artigo esclarece por que a regra de similaridade de cosseno deve coincidir com a correspondente regra de pontuação: ambas são representações de otimização que compartilham a média aritmética como seu otimizador comum.

O artigo posiciona este resultado dentro do contexto mais amplo de formulações baseadas em otimização na escolha social, citando exemplos clássicos como a regra de Kemeny–Young e trabalhos recentes sobre a regra de Schulze. Os autores sugerem modestamente que este framework pode fornecer uma perspectiva útil para compreender outros procedimentos de escolha social, embora não proponham novas aplicações específicas ou validações experimentais nesta nota. A principal contribuição é a unificação teórica desses dois conceitos através de princípios elementares de otimização.