Da amostra com poucos dados ao big data ou, se preferirem, da Estatística convencional à nova onda da Ciência de Dados, não estamos imunes à tentação de sucumbir às falácias das correlações espúrias. Foi para lançar um pouco de luz sobre esse tema que o economista argentino Walter Sosa Escudero escreveu o instigante livro “Borges, big data y yo”, publicado em 2020, na série de divulgação científica “Ciencia que ladra...”, da editora Siglo Veintiuno. O que Sosa Escudero conseguiu demonstrar, com maestria, é que sobre a obra de Borges ainda não se disse tudo e sempre há algo novo para ser buscado, ao se valer de textos seminais como “Funes el memorioso” e “La biblioteca de Babel”, entre outros, para servir de porta de entrada, pela via da literatura, à nova era do big data.
Ainda que a diferença seja gritante, nos métodos e no uso de ferramentas de trabalho, há sutilezas nem sempre perceptíveis que separam a Estatística clássica da novel Ciência de Dados. A Estatística, em geral, sai da parte (a amostra) para o todo. O seu objetivo não é meramente analisar dados e sim ver o que há por detrás deles. Dar respostas úteis a custos baixos. Estão aí, como exemplos do nosso cotidiano atual, as pesquisas de intenção de votos, que os Institutos, em vez dos 158 milhões de eleitores brasileiros habilitados, escutam mil, dois mil, três mil, etc., buscando, dentro de uma margem de erro (para mais e para menos), uma aproximação do resultado verdadeiro se a eleição fosse hoje e aqueles os candidatos. Vale a mesma lógica quando a pesquisa trata da taxa de desemprego e outros indicadores econômicos, se faz por amostragem de domicílios e não pelo método censitário (todos os domicílios) que é moroso e caro. E a Ciência de Dados, com a profusão de informações que a interconexão da era digital propiciou, seja em dados massivos e métodos de análise, big data, machine learning e Inteligência Artificial, virou uma espécie de versão millennial da estatística, que intenta deixar a parte (amostra) de lado e com seus algoritmos poderosos busca extrair informações de “todos os dados”. Será que é possível mesmo eliminar experimentos controlados trocando-os por grandes massas de dados? O fim da teoria? O método científico pode ser abandonado, como chegou a ser ventilado?
O big data não é e nem nunca será todos os dados, por maior que seja o seu número. E nem sempre mais dados significa melhores dados e melhor resultado. Se esse “mais dados” contribuir para melhorar a qualidade do sinal sem aumentar o ruido, sim. Mas, muitas vezes temos o oposto, especialmente quando, deliberadamente ou não, se deixa de lado a possibilidade de errar, que é inerente a qualquer teste estatístico. Ou, quando se imagina que tendo em mãos um oceano de dados (ou com nem tantos assim) pode se justificar qualquer coisa. Não se elimina impunemente o erro de qualquer teste estatístico. O importante é que esse erro fique abaixo de um determinado nível.
Na pandemia do coronavírus vivemos tempos áureos de celebração às correlações espúrias e suas falácias. Gente com boa reputação profissional pregando soluções inusitadas para o grave problema que assolava a humanidade com base em algumas (ou até muitas) relações que, possivelmente, aconteceram por mera casualidade ou, de fato, nunca significaram nada relevante, mesmo que identificadas pelo clássico coeficiente de correlação de Pearson, que, nem todos sabem, em séries de dados com tendências claras, podem ser encontradas correlações que nos dados mesmo não existem, especialmente de causa e efeito.
Walter Sosa Escudero cita um exemplo muito ilustrativo sobre a relação entre os gastos públicos na Argentina e a audiência da série de TV The Big Bang Theory naquele país, entre 2007 e 2013, com correlação de 98,6%. Ainda bem que nenhum iluminado, falaciosamente, vislumbrou que a solução para reduzir o déficit fiscal na Argentina bastaria limitar a transmissão televisiva de The Big Bang Theory. Não creio que seria muito diferente caso se usasse um exemplo similar, audiência de novelas por exemplo, e o caso brasileiro.
Cair em tentação com as falácias das correlações espúrias é algo muito perigoso, pois são relações que aparentam serem verdadeiras, mas não são. O próprio Jorge Luis Borges, conforme fecha a questão Sosa Escudero, alertou sobre o perigo que exerce o fascínio pelo excesso de dados, quando, quase no final de “La biblioteca de Babel”, escreveu: “Yo conozco distritos en que los jóvenes se prosternan ante los libros y besan com barbarie las páginas, pero no saben descifrar una letra”.
SUGESTÃO DO COLUNISTA: O livro “El Niño Oscilação Sul – Clima, Vegetação e Agricultura” está disponível para download gratuito: https://www.embrapa.br/en/busca-de-publicacoes/-/publicacao/1164333/el-nino-oscilacao-sul-clima-vegetacao-e-agricultura
