📊 statistics

Coherence, charity and triangulation in statistical modelling

Este artigo critica as distinções bayesianas tradicionais ao aplicar a filosofia da interpretação radical de Donald Davidson para argumentar que a modelagem estatística deve ser vista como um sistema de crenças unificado regido pelas restrições de coerência, caridade e triangulação, reformulando, assim, práticas como a elicitação de priors e a verificação de modelos como esforços para alinhar crenças com o entendimento humano compartilhado e a realidade.

Autores originais: David J. T. Sumpter

Publicado 2026-08-17

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: David J. T. Sumpter

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

O Mapa Invisível e o Mundo Compartilhado

Imagine que você está tentando navegar por uma cidade que nunca visitou. Você tem um mapa, mas o mapa não é a cidade em si; é um conjunto de símbolos, linhas e cores que representam as ruas, parques e edifícios. No mundo da estatística, este mapa é chamado de "modelo", e a cidade são os "dados" que coletamos do mundo real. Durante muito tempo, cientistas e matemáticos discutiram sobre a relação entre o mapa e a cidade. Alguns pensavam que a cidade era uma realidade fixa e objetiva esperando para ser medida, e o mapa era apenas uma ferramenta que usávamos para copiá-la. Outros pensavam que o mapa estava inteiramente em nossas cabeças, um palpite subjetivo que nada tinha a ver com as ruas reais lá fora.

Este artigo mergulha nesse debate, especificamente dentro do campo da estatística bayesiana, que é uma forma de pensar a probabilidade como um "grau de crença". Em vez de perguntar, "Qual é a chance real e imutável de chuva?", o pensamento bayesiano pergunta: "O quanto eu acredito que vai chover, dado o que eu sei?". O artigo desafia a ideia de que existe uma parede rígida entre nossas crenças internas (o mapa) e o mundo externo (a cidade). Ele sugere que não podemos realmente separar os dois porque nossos "dados" já são moldados pelo "modelo" que usamos para observá-los. Para dar sentido a isso, o autor utiliza três princípios orientadores: Coerência (seu mapa deve fazer sentido internamente, como um quebra-cabeça onde todas as peças se encaixam), Caridade (você deve assumir que os mapas de outras pessoas estão majoritariamente corretos para que possa conversar com elas) e Triangulação (você precisa de pelo menos duas pessoas olhando para a mesma coisa de ângulos diferentes para descobrir onde fica a cidade real).

A Grande Ideia do Artigo: É Tudo um Grande Sistema de Crenças

Neste artigo, David Sumpter argumenta que precisamos parar de pensar na estatística como um jogo de "atualizar" um modelo com novos dados, como despejar água em um balde. Em vez disso, ele sugere que todo o nosso sistema de crenças — nosso modelo, nossos dados e nossas previsões — é uma rede gigante e interconectada. Ele usa o exemplo contínuo de uma partida de futebol para mostrar como isso funciona. Imagine três pessoas assistindo ao mesmo jogo: Joe, que anota cada único chute; Jen, que vê apenas o placar e o número de chutes em seu telefone; e Jane, que nunca assistiu a um jogo, mas ouviu por anos que o time marca cerca de um gol para cada dez chutes.

O artigo mostra que, para Joe, Jen e Jane, a linha entre "dados" e "modelo" é tênue. A lista bruta de chutes é dado para Joe, mas para Jane, sua crença de que "é um em dez" é o seu dado. Os totais contínuos de Jen são uma mistura de ambos. O autor argumenta que não existe "dado puro" esperando lá fora para ser descoberto. Em vez disso, o que chamamos de dado é apenas os restos dos modelos que já construímos. Quando olhamos para um chute de futebol, já decidimos o que conta como um "chute" e o que conta como um "gol" antes mesmo de escrevermos o número.

O artigo exclui explicitamente a ideia de que o teorema de Bayes é uma máquina mágica onde os dados vêm de fora e atualizam um modelo de dentro. O autor sugere que isso é um mal-entlendimento. Em vez disso, o teorema de Bayes é apenas uma regra que descreve como as diferentes partes do seu próprio sistema de crenças se sustentam. É como uma regra em um videogame que diz: "Se você tem este número de moedas e este número de vidas, sua pontuação deve ser X". O jogo não "atualiza" sua pontuação de fora; a pontuação é apenas uma relação entre as moedas e as vidas que você já possui. O artigo sugere que o aprendizado real acontece não ao ajustar um único número, mas ao perceber que seu mapa inteiro está errado e construir um novo.

Para corrigir isso, o artigo propõe que precisamos adicionar duas novas regras aos nossos mapas estatísticos, além da regra usual de "coerência" (garantir que a matemática não se contradiga). A primeira é a Caridade. Isso significa que, ao construir um modelo, devemos assumir que as outras pessoas estão majoritariamente certas e que nosso modelo deve fazer sentido para elas. Se você inventar uma maneira de contar gols de futebol que ninguém mais entende, seu modelo não é "mais ousado"; ele é apenas inútil. A segunda regra é a Triangulação. Isso significa que precisamos verificar nossas crenças contra outras pessoas e o mundo compartilhado. Assim como duas pessoas olhando para uma montanha de lados diferentes podem concordar sobre onde fica o pico, os estatísticos precisam comparar seus modelos com os de outros e com o mundo real para garantir que não estão apenas inventando coisas.

O artigo usa a história de Jen, a filha, para mostrar como isso funciona na vida real. Ela percebeu algo que seu pai (Joe) deixou passar: o time parecia errar mais frequentemente logo após marcar um gol. Ela não apenas "atualizou" um número; ela percebeu que toda a sua maneira de olhar para o jogo precisava de um ajuste. Ela usou os dados compartilhados (as notas de seu pai) e suas próprias observações para construir um sistema de crenças melhor. O autor sugere que os melhores estatísticos — como os "superforecasters" que preveem eventos mundiais — são aqueles que fazem isso melhor. Eles não apenas se prendem à sua própria lógica interna; eles constantemente checam suas crenças contra o que os outros pensam e o que realmente acontece no mundo.

O artigo conclui com uma reviravolta lúdica em um famoso ditado do estatístico George Box, que uma vez disse: "Todos os modelos estão errados, mas alguns são úteis". O autor sugere que devemos inverter isso: "A maioria dos modelos está correta, é por isso que são úteis". A ideia é que, se um modelo é útil, ele já deve estar majoritariamente correto sobre o mundo. Não é um mapa quebrado que estamos tentando consertar; é um mapa que já é muito bom, e nosso trabalho é torná-lo ainda melhor ouvindo os outros e olhando para o mundo juntos. O artigo não afirma ter resolvido toda a estatística ou provado uma nova lei matemática. Em vez disso, sugere que, ao pensar em nossas crenças como um sistema compartilhado, caridoso e triangulado, podemos fazer uma ciência melhor e fazer previsões melhores. É um chamado para parar de tratar nossos modelos como ilhas isoladas e começar a tratá-los como pontes entre nós e o mundo.

Resumo Técnico: Coerência, Caridade e Triangulação na Modelagem Estatística

Problema
O artigo aborda tensões fundamentais na estatística bayesiana, especificamente a dependência de distinções dualistas como frequentista versus bayesiano, probabilidade objetiva versus subjetiva, e a separação entre modelo e dados. O autor argumenta que essas distinções frequentemente dependem de um "dualismo esquema-conteúdo" — a ideia de que existe um "dado" empírico não interpretado (conteúdo) esperando para ser organizado por um arcabouço conceitual (esquema). Esse dualismo leva a dificuldades conceituais, como a inteligibilidade da "probabilidade objetiva" independente de um modelo, o problema da escolha de priors na ausência de um "dado", e o equívoco de que a inferência bayesiana é um processo de atualização de um modelo pelos dados a partir do exterior. O artigo postula que esses dualismos obscurecem a verdadeira natureza da prática estatística, que envolve a construção, verificação e reconstrução de sistemas de crenças, em vez de uma simples atualização indutiva.

Metodologia
O artigo emprega uma análise filosófica fundamentada na "interpretação radical" de Donald Davidson e sua crítica ao "terceiro dogma do empirismo" (o dualismo esquema-conteúdo). A metodologia envolve:

Crítica Conceitual: Aplicar os argumentos de Davidson aos fundamentos estatísticos para demonstrar que a separação entre esquema (modelo) e conteúdo (dados) é inteligível.
Exemplo de Execução: Utilizar um exemplo único e consistente ao longo do texto — estimar a probabilidade de um time de futebol marcar um gol — para ilustrar como espaços de probabilidade, variáveis aleatórias e sistemas de crenças funcionam. Este exemplo distingue entre diferentes observadores (Joe, Jen e Jane) que possuem diferentes representações de dados (sequências completas, contagens correntes ou crenças prévias/priors) mas compartilham uma realidade comum.
Reinterpretação da Mecânica Bayesiana: Reenquadrar o Teorema de Bayes não como uma regra de atualização externa onde os dados modificam um modelo, mas como uma restrição de coerência interna dentro de um espaço de probabilidade pré-existente.
Síntese com a Prática Estatística: Mapear as três restrições de Davidson para um sistema de crenças racional — coerência, caridade e triangulação — sobre as práticas estatísticas existentes (ex: elicitação de priors, verificação de modelos e revisão por pares).

Principais Contribuições
O artigo apresenta três contribuições teóricas primárias:

Rejeição do Dualismo Esquema-Conteúdo na Estatística: Argumenta que modelos e dados não são entidades distintas, mas partes de um único sistema de crenças. Os dados não são um "dado" independente do modelo; em vez disso, o que conta como dado é moldado por escolhas de modelagem prévias (ex: o que é contado, como a independência é assumida).
Internalização do Teorema de Bayes: O artigo sustenta que o Teorema de Bayes descreve relações internas a um sistema de crenças (entre variáveis aleatórias definidas dentro de um espaço de probabilidade) em vez de um mecanismo para dados externos atualizarem um modelo. Consequentemente, o "aprendizado" não é o condicionamento de um modelo fixo por novos dados, mas o processo mais amplo de construir, verificar e reconstruir todo o sistema de crenças quando este falha em explicar as observações.
Expansão das Restrições de Racionalidade: Enquanto a tradição subjetiva enfatiza a coerência (adesão aos axiomas de probabilidade), o artigo argumenta que uma prática estatística robusta requer duas restrições davidsonianas adicionais:
- Caridade: Interpretar um sistema de crenças (ou as escolhas de um modelador) como amplamente racional e correto para torná-lo inteligível. Isso justifica práticas como a elicitação de especialistas e o agrupamento (pooling) de informações.
- Triangulação: Fixar o conteúdo das crenças através da interação de múltiplos agentes respondendo a um mundo compartilhado. Isso justifica práticas como a verificação de modelos contra dados, revisão por pares e o uso de priors fracamente informativos para garantir a plausibilidade perante uma comunidade.

Resultos e Argumentos

Graus de Crença são Objetivos: O artigo argumenta que um grau de crença não é meramente subjetivo ou arbitrário. Porque os sistemas de crenças devem ser interpretáveis por outros (caridade) e ancorados em um mundo compartilhado (triangulação), eles são passíveis de resposta perante a realidade objetiva. A convergência de crenças não é uma convergência em direção a uma "probabilidade objetiva" oculta, mas uma convergência de sistemas interpretáveis.
A Natureza dos Parâmetros: Parâmetros (ex: taxa de gols $\Theta$ ) não são fatos ocultos por trás dos dados, mas características da própria sequência de dados (ex: o limite da frequência de gols). A distinção entre um estatístico e um parâmetro é uma questão de quais coordenadas do sistema de crença são mantidas fixas versus quais são permitidas variar.
Seleção de Modelo e Atualização: O artigo alinha-se à visão de Gelman e Shalizi de que a prática estatística é um ciclo hipotético-dedutivo (construir, verificar, reconstruir) em vez de uma acumulação indutiva. A "atualização" de um modelo é, na verdade, uma seleção dentro de um espaço de probabilidade fixo; o aprendizado genuíno ocorre quando o próprio espaço é revisado.
Reenquadramento de "Todos os Modelos são Errados": Desafiando o famoso ditado de George Box, o artigo sugere que "A maioria dos modelos é correta, é por isso que são úteis". Um modelo em uso sério já foi tornado "largamente verdadeiro" do mundo através das restrições de caridade e triangulação. Sua utilidade é uma medida de seu acordo com um mundo compartilhado, não uma consolação para sua falsidade.

Significância e Alegações
O artigo afirma que sua significância reside em dissolver os dualismos que frequentemente complicam a filosofia estatística. Ao adotar o arcabouço de Davidson, o artigo argumenta que:

A natureza "subjetiva" dos priors bayesianos não é uma fraqueza, mas uma característica de um sistema de crenças que deve ser tornado inteligível para outros (caridade) e ancorado em uma experiência compartilhada (triangulação).
As práticas estatísticas padrão — como a elicitação de priors de especialistas, o uso de priors fracamente informativos e a verificação rigorosa de modelos contra dados — não são correções ad hoc, mas consequências necessárias dos requisitos para que um sistema de crenças seja racional e interpretável.
O objetivo da inferência estatística não é se aproximar de um "ponto de vista de lugar nenhum" ou ser "menos errado" ao evitar o erro, mas construir sistemas de crenças que sejam "ligeiramente mais certos" ao serem mais plenamente passíveis de resposta a outros intérpretes e ao mundo compartilhado.

O artigo conclui que esses insights não requerem nova maquinaria matemática, mas sim uma mudança de perspectiva: ver a modelagem estatística como a construção de um sistema de crenças coerente, caridoso e triangulado, em vez de um processo mecânico de atualização de priors com dados.

O Mapa Invisível e o Mundo Compartilhado

A Grande Ideia do Artigo: É Tudo um Grande Sistema de Crenças

Mais como este