Rethinking Model Selection in Choice Behavior

Resumo Técnico: Repensando a Seleção de Modelos no Comportamento de Escolha

Problema
A pesquisa tradicional na análise experimental do comportamento de escolha tem se baseado fortemente em um "monismo teórico", onde um único modelo canônico (frequentemente a Lei de Correspondência Generalizada ou formulações específicas de logit/probit) é selecionado para descrever a escolha em diversos contextos. Essa abordagem enquadra a comparação de modelos como uma busca pela formulação única "correta". O autor, Naoki Kamiya, que estava afiliado ao Instituto de Matemática Estatística quando o trabalho relatado no manuscrito foi conduzido e que atualmente realiza pesquisas através do Relations & Behavior Lab, em Tóquio, Japão, argumenta que essa perspectiva é fundamentalmente desalinhada com os objetivos da análise do comportamento, que prioriza a predição e o controle do comportamento através da manipulação de variáveis ambientais (ex: taxas de reforço, magnitudes, atrasos de mudança de estado).

O artigo postula que nenhum formulário paramétrico único descreve a escolha adequadamente em todos os contextos. Modelos estáticos baseados em razões podem funcionar bem sob contingências estáveis, mas falham em capturar dinâmicas dependentes de histórico ou ambientes fracamente estruturados. Além disso, a dependência de um único modelo frequentemente obscurece o fato de que diferentes modelos capturam componentes distintos e manipuláveis do ambiente. O atual arcabouço metodológico, que busca um "melhor" modelo universal, limita a capacidade de construir espaços de hipóteses flexíveis necessários para o controle prospectivo.

Metodologia
O artigo emprega um arcabouço Bayesiano unificado para avaliar e integrar múltiplos modelos de comportamento de escolha. A metodologia consiste em três componentes primários:

1. Técnicas de Aprendizado de Conjunto (Ensemble Learning): Em vez de selecionar um único "vencedor", o estudo utiliza dois métodos de conjunto:

   • Média de Modelos Bayesianos (BMA): Calcula probabilidades posteriores dos modelos, assumindo que um dos modelos candidatos é o verdadeiro mecanismo gerador de dados (uma perspectiva "M-fechada").
   • Empilhamento (Stacking): Determina pesos ótimos ao maximizar a densidade logarítmica preditiva leave-one-out (LOO) de uma distribuição de mistura, assumindo que nenhum candidato individual é totalmente correto (uma perspectiva "M-aberta"). O empilhamento enfatiza a complementaridade preditiva sobre a fidelidade estrutural.

2. Estudos de Simulação:

   • Simulação 1 (Estática): Dados de escolha virtuais ($N=2000$) foram gerados usando uma função logística. Três Modelos Lineares Generalizados (GLMs) estáticos foram testados: um modelo de log-razão (Lei de Correspondência Generalizada), um modelo Logit e um modelo Probit.
   • Simulação 2 (Dinâmica): Dados virtuais ($N=3000$) foram gerados usando um processo dependente de histórico (Modelo de Diferença de Valor). Quatro modelos foram testados: um Modelo Simples (consequência anterior apenas), um Modelo de Interação (escolha $\times$ consequência), um Modelo de Diferença de Valor (atualização dinâmica de valor) e um modelo GML Dinâmico (atualização de razão baseada em dinâmica).

3. Reanálise Empírica:

   • Dois conjuntos de dados clássicos sobre esquemas de intervalo variável concorrente (Alsop & Elliffe, 1988; Elliffe & Alsop, 1996) foram reanalisados.
   • Como os dados foram agregados ao nível da condição, utilizou-se regressão Beta com efeitos aleatórios específicos do sujeito.
   • Cinco modelos foram comparados: três modelos estáticos (GML, diferença de Logit, diferença de Probit) e dois modelos pseudo-dinâmicos incorporando históricos de reforço por média móvel exponencialmente ponderada (EWMA).
   • A sensibilidade ao parâmetro de decaimento da EWMA ($\lambda$) e a precisão preditiva (ELPD) foram avaliadas.

Principais Contribuições

• Reenquadramento da Seleção de Modelos: O artigo argumenta que a seleção de modelos não deve ser vista como uma disputa por uma lei universal, mas como uma avaliação de "aproximações razoáveis" para questões teóricas específicas. A adequação de um modelo é condicional ao propósito (explicação vs. predição), ao mecanismo e ao contexto.
• Distinção entre BMA e Stacking: O estudo demonstra que os pesos de BMA e Stacking frequentemente divergem. Os pesos de BMA refletem a fidelidade estrutural ao processo gerador assumido, enquanto os pesos de Stacking refletem a complementaridade preditiva. Essa divergência destaca que diferentes modelos podem capturar aspectos distintos e não sobrepostos da organização comportamental (ex: sensibilidade ao estado estacionário vs. efeitos transientes de histórico).
• Design de Modelos Híbridos: O artigo propõe formulações "híbridas" que integram estruturas estáticas baseadas em razão com termos dinâmicos dependentes de histórico. Isso permite o teste sistemático de como diferentes mecanismos temporais (ex: repetição de curto prazo vs. acumulação de longo prazo) contribuem conjuntamente para a controlabilidade da escolha.
• Espaços de Hipóteses Dependentes de Contexto: A análise mostra que o "melhor" espaço de hipóteses não é invariante; ele se reorganiza com base na estrutura das contingências arranjadas. Em alguns contextos, um único modelo domina; em outros, o espaço é difuso, exigindo múltiplos modelos para explicar os dados.

Resultados

• Simulação 1: Quando o processo gerador real era um modelo Logit, o BMA atribuiu corretamente o maior peso ao modelo Logit (0.72). No entanto, o Stacking atribuiu o maior peso ao modelo Probit (0.70), com o modelo Logit recebendo 0.30. Isso ocorreu porque a estrutura de erro do modelo Probit era ligeiramente mais complementar ao Logit na mistura, apesar de o Logit ser o gerador real. O modelo de log-razão teve um desempenho pobre em ambas as métricas devido a um desajuste estrutural (razão vs. diferença).
• Simulação 2: Quando o processo real era dependente de histórico (Modelo de Diferença de Valor), o modelo real recebeu o maior peso de BMA (0.97). No entanto, o Stacking distribuiu pesos entre o Modelo de Interação (0.23) e o GML Dinâmico (0.31), indicando que esses modelos capturaram padrões temporais complementares (interações de curto prazo vs. tendências de longo prazo) que melhoraram a precisão preditiva geral.
• Reanálise Empírica (Conjunto de Dados 1988): O espaço de hipóteses estava "fortemente concentrado" em torno da Lei de Correspondência Generalizada (GML). Modelos estáticos baseados em razão dominaram tanto os pesos de BMA quanto os de Stacking, e termos dinâmicos adicionaram pouco valor preditivo. Isso sugere que as contingências neste conjunto de dados produziram um controle estável baseado em razão.
• Reanálise Empírica (Conjunto de Dados 1996): O espaço de hipóteses era "difuso". Nenhum modelo único alcançou dominância consistente. Os pesos dos modelos foram distribuídos entre as formulações GML, Logit e Probit, e os modelos dinâmicos mostraram mudanças direcionais instáveis. Isso sugere que as contingências eram fracamente estruturadas e que o mapeamento entre reforço e escolha não era invariante.
• Robustez: A sensibilidade do coeficiente de histórico de reforço ($\beta_1$) e a precisão preditiva (ELPD) foram robustas em uma ampla gama de parâmetros de decaimento da EWMA ($\lambda$), indicando que as conclusões sobre efeitos de histórico não foram artefatos de escolhas específicas de parâmetros.

Significância e Alegações
O artigo afirma que a busca tradicional por um único modelo "correto" de escolha é conceitualmente equivocada, dado o caráter dependente de contexto do controle comportamental. Ao adotar um arcabouço de aprendizado de conjunto, os pesquisadores podem:

1. Construir Espaços de Hipóteses Flexíveis: Ir além das suposições "M-fechadas" para reconhecer que múltiplos modelos podem ser parcialmente válidos e capturar diferentes componentes do processo comportamental.
2. Aprimorar o Controle Prospectivo: Métodos de conjunto fornecem distribuições preditivas mais robustas para prever o comportamento sob contingências novas ou não estacionárias (ex: mudanças nas taxas de reforço ou esquemas) do que qualquer modelo único.
3. Alinhar-se aos Objetivos da Análise do Comportamento: Esta abordagem alinha a inferência baseada em modelos com os objetivos centrais da análise do comportamento — descrição, predição e controle — ao tratar os modelos como ferramentas para identificar variáveis manipuláveis (sensibilidade, viés, núcleos de histórico) em vez de leis fixas da natureza.

O autor conclui que o progresso teórico na análise do comportamento depende menos da defesa de uma forma paramétrica específica e mais do design de espaços de hipóteses mais ricos que reflitam as dimensões manipuláveis do ambiente e os múltiplos processos através dos quais o reforço exerce controle.