¿RESUELVE LA INFERENCIA BAYESIANA LOS PROBLEMAS DE ASIGNACIÓN DE PROBABILIDADES EN LOS MODELOS CLIMÁTICOS?

De los fundamentos de la inferencia bayesiana se ocupa, por ejemplo, S, E. FIENBERG , que recoge tanto las críticas a esta metodología como los argumentos favorables a su utilización. 

---------------------------------------------------------------

 “Subjective bayesian models and methods in public policy and government settings”

Fienberg (2009):

------------------------------------------------------

Fienberg considera como dos enfoques alternativos los métodos basados en la inferencia frecuentista y los métodos basados en la inferencia bayesiana.

La inferencia frecuentista ha dominado la ciencia estadística durante el siglo XX. Se desarrolla a partir del concepto de probabilidad y se centra en un cálculo de probabilidades en el que no se incorpora más información que la disponible para el parámetro que se estudia.

La inferencia bayesiana hace sin embargo uso del Teorema de Bayes para incorporar la nueva información que se va teniendo y complementar la información inicial a la que se ha asignado una primera distribución de probabilidad. Esta nueva información puede ser de origen diverso: otros datos de laboratorio, estudios publicados o la opinión de expertos[3]. el objetivo es mejorar la primera distribución con todo lo nuevo que se va sabiendo sobre ella.

La discusión se centra en si la inferencia bayesiana es o no muy dependiente de esa distribución inicial. Si lo es, entonces la actualización sigue siendo muy subjetiva, en tanto que la primera distribución lo sea. 

FIENBERG, que pasa revista a algunos ejemplos de utilización de la inferencia bayesiana para valorar estas cuestiones, y al uso que se hace de ella en el tratamiento del calentamiento global, concluye que en la aplicación práctica de un método bayesiano aparecen inevitablemente elementos subjetivos. Hasta tal punto, enfatiza FIENBERG, que, incluso con infinitos datos, dos científicos distintos pueden no llegar a un acuerdo sobre qué función de distribución tienen esos datos. 

No cabe duda en cuanto a la subjetividad de la asignación de probabilidades se refiere. La cuestión es si es posible acotar esa subjetividad dentro de un rango, y si es posible hacerlo en el caso concreto de los modelos climáticos. Éste es un tema que no tiene actualmente una respuesta clara y que será objeto de atención preferente en los próximos años, paralelamente al desarrollo de los modelos climáticos[4]. 

De lo que no cabe duda tampoco es que la infradeterminación está presente de un modo acusado en los modelos climáticos, que esta se traduce en incertidumbre con respecto a los resultados de los modelos, y que no es esperable que esta incertidumbre se reduzca en los próximos años para dejarla en un nivel similar al de otros modelos, como los que se utilizan en el cálculo de estructuras, por ejemplo.

Esta incertidumbre se arrastra además a los modelos que contienen modelos climáticos, y se une a las incertidumbres que añaden otras elecciones. Es elcaso de los modelos integrados como el que utiliza el informe Stern.

---

[3] Ejemplos pueden verse en:

http://www.crccorp.es/media/files/SPM_bayes_ver_comentada_StephanOtto.pdf

[4] Por ejemplo, en el año 2012, en la revista  Studies in History and Philosophy of Modern Physics , Joel Katzav et al., han publicado el artículo: “Assessing climate model projections: State of the art and philosophical reflections”, que trata el tema en profundidad. M. A. SEMENOV y P. STRATONOVITCH también  han estudiado en profundidad la metodología que trata el conjunto de modelos del IPCC; en este caso, para evaluar los impactos del cambio climático a escala local (downscaling[4]). En un artículo[4] de 2010, desarrollan esta cuestión y concluyen que, como resultado de la aplicación de estas técnicas, lo que se puede obtener es un gráfico que muestre el rango de incertidumbre en la predicción de un cierto impacto. Algo que no debe ser interpretado como un enunciado sobre la probabilidad de lo que puede ocurrir sino simplemente como un rango que marca los extremos entre los que se puede mover el parámetro que se analiza.