Pensamento bayesiano para previsores

O pensamento bayesiano é uma forma disciplinada de mudar de ideia: você parte de uma crença a priori, pesa o quanto uma nova evidência se encaixa nela e chega a uma crença atualizada chamada a posteriori. O teorema de Bayes é só a aritmética que diz exatamente o quanto você deve se mover.

A maioria de nós se atualiza mal. Ou nos agarramos a uma primeira impressão ou saltamos para a última manchete que apareceu. O raciocínio bayesiano é o meio-termo: cada evidência empurra sua estimativa em uma quantidade que depende de quão surpreendente ela seria se você estivesse errado. Adote o hábito e suas previsões ficam mais estáveis, mais bem calibradas e muito mais difíceis de enganar.

As três palavras de que você realmente precisa

O teorema de Bayes tem fama de intimidar, mas a ideia toda cabe em três termos simples.

• A priori: aquilo em que você acreditava antes de a nova evidência chegar. Muitas vezes é uma taxa base, a frequência de fundo do evento.
• Verossimilhança: quão esperada seria a evidência em cada mundo, aquele em que sua hipótese é verdadeira e aquele em que é falsa.
• A posteriori: sua crença revista depois de combinar o a priori com a verossimilhança. Ela vira o a priori da próxima evidência.

O mecanismo é simples de enunciar: uma evidência muito mais provável quando sua hipótese é verdadeira do que quando é falsa deve elevar com força sua crença; uma evidência mais ou menos igualmente provável nos dois casos quase nada diz e mal deve movê-lo. A maioria dos erros de raciocínio vem de ignorar um dos lados dessa comparação.

A regra leva o nome de Thomas Bayes, um pastor do século XVIII cujo ensaio sobre a «doutrina das probabilidades» foi publicado em 1763, dois anos após sua morte. A matemática não mudou desde então; o que mudou foi a frequência com que ela é usada para raciocinar sobre o futuro.

O a priori costuma ser uma taxa base

O erro mais comum é partir do a priori errado, ou esquecer de fixar um. Antes de olhar os detalhes de um caso, pergunte-se com que frequência esse tipo de coisa acontece em geral. Essa frequência de fundo é o seu a priori, e ancora tudo o que vem depois.

Os psicólogos chamam essa falha de «negligência da taxa base». Daniel Kahneman documentou com que facilidade as pessoas abandonam as taxas base assim que ouvem uma história vívida e concreta, mesmo quando essa história é muito menos informativa do que as simples estatísticas.

Escolher a classe de referência certa para essa taxa base é uma habilidade em si. Veja as taxas base e a previsão por classe de referência para saber como escolher o grupo a que o seu caso pertence.

Um exemplo resolvido, com números reais

Nada faz Bayes se encaixar mais rápido do que um cálculo concreto. Aqui está o clássico caso do teste médico, que faz tropeçar até profissionais treinados.

Suponha que uma condição afeta 1 em cada 100 pessoas. Um teste a detecta em 99 % dos casos reais, mas também sinaliza por engano 5 % das pessoas saudáveis. Seu teste dá positivo. Qual é a chance de você realmente ter a condição? A maioria estima em torno de 95 %. A resposta real é de cerca de 17 %, e Bayes mostra por quê.

1. Parta do a priori. Na população geral, 1 em cada 100 pessoas tem a condição, então antes de qualquer teste o seu a priori é de 1 %.
2. Anote as verossimilhanças. O teste sinaliza 99 % de quem a tem e 5 % de quem não a tem.
3. Imagine 10.000 pessoas. Cerca de 100 têm a condição, e o teste sinaliza corretamente 99 delas.
4. Olhe para as 9.900 pessoas saudáveis. O teste sinaliza por engano 5 % delas, ou seja, 495 falsos positivos.
5. Conte todos os resultados positivos: 99 verdadeiros positivos mais 495 falsos positivos dão 594 pessoas com teste positivo.
6. Leia o a posteriori. Dessas 594, apenas 99 têm mesmo a condição, então sua probabilidade atualizada é 99 / 594, cerca de 17 %.

O resultado parece errado porque o fato marcante, um teste positivo, ofusca o discreto, a baixa taxa base. Mas há simplesmente muito mais pessoas saudáveis para gerar alarmes falsos do que doentes para gerar verdadeiros. Um único positivo levou você de 1 % para 17 %, uma grande atualização, mas não até a quase certeza. Um segundo teste positivo independente moveria você de novo, desta vez a partir de 17 % para cima. É a atualização bayesiana em ação: cada novo resultado remodela o anterior.

Os bons previsores se atualizam em passos pequenos

Os melhores previsores tratam sua probabilidade como um mostrador, não como um interruptor. Quando chega um dado novo, fazem uma única pergunta: quão mais provável é isto se minha visão estiver certa do que se estiver errada? Depois ajustam, não pulam.

• Partem de uma taxa base em vez do primeiro detalhe marcante.
• Movem-se pouco diante de evidência fraca e muito diante de evidência forte, na proporção do seu poder de diagnóstico.
• Evitam as duas falhas: ancorar-se com tanta força que a evidência nunca conta, e reagir em excesso a ponto de cada manchete virar sua visão.
• Continuam se atualizando, porque uma previsão é uma estimativa em andamento, não um veredicto único.

Esse hábito incremental é um dos traços que separam os previsores de elite da multidão. Veja os superprevisores explicados para o conjunto mais amplo de habilidades que o acompanha.

Por que isso importa para prever as notícias

As perguntas do mundo real raramente vêm com números arrumados, mas a disciplina se transfere diretamente. Sai uma pesquisa, uma empresa erra os resultados, circula um boato: cada um é uma evidência, e Bayes manda você pesá-la contra uma taxa base em vez de tratá-la como a história inteira. Um incumbente à frente por três pontos em uma pesquisa não deve apagar o que dezenas de pesquisas anteriores e décadas de taxas base eleitorais já lhe disseram.

O hábito também protege você de ser manipulado. A evidência sensacionalista é feita para parecer diagnóstica, mas faça a pergunta bayesiana, qual a probabilidade disso se a alegação for falsa, e muitas «bombas» encolhem para ruído. Ao longo de muitas previsões, mover-se na quantidade certa em vez da quantidade dramática é o que produz um histórico calibrado.

A calibração é como você verifica, ao longo do tempo, se suas atualizações têm o tamanho certo. Veja a calibração de previsões explicada para ver como é um histórico bem ajustado.

Pratique com perguntas reais

A atualização bayesiana é um músculo, e a única forma de desenvolvê-lo é fazer apostas probabilísticas e vê-las se resolver. Preveja, observe o resultado e repare se você se moveu demais ou de menos.

A Clutch deixa você prever notícias e esportes reais com créditos dentro do app e mantém o placar, para que você sinta seus a priori encontrarem a realidade e veja sua calibração melhorar. Baixe o app e comece a se atualizar como um bayesiano.