Ícone do site Universidade Libertária

Bayesianismo e Apriorismo Austríaco

Tempo de Leitura: 23 minutos

Por Frank van Dun

[Tradução de Bayesianism and Austrian Apriorism por Alex Pereira de Souza, retirado de https://users.ugent.be/~frvandun/]

Um meio-termo bayesiano?

Na última rodada publicada de seu debate com Walter Block sobre metodologia econômica,[1] Bryan Caplan apresenta a Regra de Bayes como “uma cura para a esquizofrenia metodológica”. Block levantou a questão “por que os economistas reagem tão violentamente à evidência empírica contra a visão convencional do efeito do salário mínimo?” e ​​respondeu com a sugestão de que os economistas o fazem porque são praxiologistas disfarçados. Isso significa que eles baseiam a maioria de seus argumentos econômicos em conclusões derivadas de sua compreensão a priori da ação humana, embora, como metodologistas, prefiram sustentar que seus argumentos são meramente generalizações apropriadamente qualificadas de observações empíricas. Contra isso, Caplan sustentou que os economistas neoclássicos são bayesianos com algumas fortes crenças anteriores, o que os leva a atribuir baixa probabilidade a qualquer afirmação que vá contra o consenso fortemente sustentado. Presumivelmente, há um consenso tão forte em relação ao efeito do salário mínimo. Caplan concluiu que “[a] posição bayesiana estabelece um meio-termo convincente entre o positivismo ateórico e a praxiologia. Por um lado, a visão bayesiana enfatiza que poucas proposições são conhecidas com certeza, e que devemos ajustar nossas probabilidades à medida que novas informações chegam. Por outro lado, a visão bayesiana reconhece que a visão racional não é uma média de descobertas empíricas passadas, muito menos uma fé ingênua no último estudo proeminente.” (C, p.83)

As referências de Caplan a Bayes devem ser consideradas cuidadosamente antes de aceitarmos que o bayesianismo cria um meio-termo — muito menos um convincente — entre o positivismo e a praxiologia. A imagem de um meio-termo pode ser reconfortante, mas não passa de uma metáfora. Se faz sentido neste contexto, é uma questão completamente diferente.

Do teorema de Bayes ao bayesianismo

O teorema de Bayes pertence ao cálculo da probabilidade, que é um ramo da matemática. Ele nos permite calcular a probabilidade de que uma hipótese seja verdadeira se um determinado conjunto de dados (“evidência”) estiver disponível, se tivermos probabilidades a priori para todas as hipóteses concorrentes, bem como probabilidades a priori para a evidência relativa a cada uma das hipóteses. Consideraremos a fórmula mais adiante no texto.

O bayesianismo constrói uma metodologia sobre esse teorema, apresentando-o como uma regra de formação de crenças racionais — ou seja, uma regra que diz às pessoas como elas devem revisar suas opiniões diante de novas evidências ou dados.[2] No entanto, às vezes, também aparece como uma teoria descritiva da formação de crenças. A abordagem de Caplan combina os aspectos prescritivos e descritivos do bayesianismo. “O modelo Bayesiano afirma que as pessoas racionais não revisam toda a sua visão de mundo toda vez que surge um novo ponto de dados. Em vez disso, elas atualizam marginalmente suas visões iniciais à medida que os fatos chegam — idealmente de acordo com a Regra de Bayes […]” (C, p.81). Em suma, ao aplicar o teorema de Bayes a qualquer evidência ou dado que seja relevante para suas crenças mantidas anteriormente, pessoas verdadeiramente racionais passam a acreditar com razão e justificação no que acreditam.

Isso soa bem, mas é verdade? Mais ao ponto, a estratégia bayesiana de formação de crenças oblitera a lógica para um estilo distintamente “austríaco” de análise econômica e sua ênfase no raciocínio a priori?

Deveria ser óbvio que, ao passar de um teorema no cálculo de probabilidade para uma teoria prescritiva ou descritiva da formação de crenças, é preciso cruzar uma ponte. Da mesma forma, ao passar de uma teoria de formação de crenças para uma discussão de alegações científicas de verdade, é preciso cruzar outra ponte. Se as pontes estiverem aí e forem suficientemente sólidas, em princípio não há problema, mas talvez não existam pontes que garantam uma passagem segura. Não devemos presumir simplesmente que não há problema aqui. Probabilidade, grau de crença e verdade, afinal, não são sinônimos.[3] É verdade que palavras e expressões como “provável”, “plausível”, “com muita probabilidade”, “possivelmente”, “talvez”, “na maioria das vezes”, “há uma boa chance” e “quase certamente” aparecem repetidamente nos discursos científicos. No entanto, seria precipitado concluir que elas provam que todas as afirmações em que aparecem são “probabilísticas”. Sim, de fato, dizer que é apenas provável que o primeiro filho nascido na maternidade da Clínica Universitária de Ghent em 17 de outubro de 2004 seja um menino é fazer uma afirmação probabilística. Mas quando digo que provavelmente não me tornarei fã do Big Brother, isso não é uma afirmação probabilística. Enquanto a primeira afirmação é logicamente equivalente a uma afirmação da forma “a probabilidade de A é p”, a última não é. No mínimo, para apresentar o último como uma afirmação dessa forma, precisamos de uma noção diferente de probabilidade e métodos diferentes para a determinação de p.

Probabilidade e graus de crença

O bayesianismo, como Caplan o discute, não se preocupa com probabilidades, mas com graus de crença. Isso importa? A probabilidade é uma razão entre um conjunto e outro conjunto, sendo o primeiro um subconjunto do outro. Assim, a probabilidade é um valor com um máximo de 1 e um mínimo de 0. Consequentemente, o mesmo vale para a improbabilidade: alta improbabilidade corresponde a baixa probabilidade. No entanto, o grau de crença é uma relação entre um conjunto e outro? Existe algum argumento convincente para dizer que um grau de crença não pode ser superior a um valor específico (digamos, 1) ou inferior a outro (digamos, 0)? Um grau de crença “igual a zero” é o grau mais alto de descrença — ou um grau de descrença é um grau de crença “negativo”?

O que se acredita é uma proposição ou afirmação (ou uma fonte de proposições — como em “eu acredito em você”). É certo que, em alguns casos, expressões como “afirmação S é verdadeira com probabilidade p” são significativas. Suponha que a probabilidade de S (“da próxima vez que um objeto for retirado aleatoriamente desta caixa, será uma bola vermelha”) é p. Então a probabilidade de não-S (“na próxima vez que um objeto for retirado aleatoriamente desta caixa, será algo diferente de uma bola vermelha”) é 1-p. Uma pessoa racional reconhecerá isso.

No caso geral, entretanto, uma pessoa racional pode não acreditar nem na proposição P nem em sua negação não-P. Ou o Mickey é mais forte que a Minnie ou não. Não se segue que se você não acredita que ele é mais forte do que ela, então você precisa acreditar que Mickey não é mais forte do que Minnie. Existe uma relação fixa entre seus graus de crença para essas proposições? Suponha que seu grau de crença para a proposição “Mickey é mais forte que Minnie” seja 0,6. Segue-se que seu grau de crença para a proposição “Mickey não é mais forte que Minnie” é 0,4?

Não acreditar que P é verdadeiro não é o mesmo que acreditar que P é falso. Que o Sr. A não acredite em P ou em sua negação não nos dá nenhuma razão para concluir que ele acredita que P é verdadeiro com probabilidade 0,5. Se dissermos que não acreditar em P indica que o grau de crença de P é zero, então o grau de crença do Sr. A em não-P também é zero. Qualquer que seja o argumento bayesiano para tratar graus de crença como probabilidades, dificilmente pode ser convincente.

Em muitos casos, é relativamente fácil calcular a probabilidade de um evento de um determinado tipo, seja por motivos a priori ou porque temos uma série de dados suficientemente longa para calcular a “probabilidade de frequência” do evento. No entanto, é uma coisa completamente diferente avaliar, quanto mais calcular, o grau de crença de uma pessoa na ocorrência desse evento.

É fácil comparar a crença de uma pessoa de que um evento ocorrerá com uma probabilidade p com a probabilidade calculada p* da ocorrência do evento. No entanto, isso é diferente de comparar a probabilidade calculada com o grau em que essa pessoa acredita que o evento ocorrerá com probabilidade p. Certamente, “A acredita que um evento E tem uma probabilidade p” não é a mesma proposição que “o grau de crença de A de que E ocorrerá é p”. Uma pessoa pode acreditar na proposição de que tem-se uma chance em seis de obter um total de seis rolando dois dados honestos, mas essa informação é compatível com a pessoa que tem um alto ou baixo grau de crença na proposição. Posso acreditar fortemente que esta será minha noite de sorte no cassino, mas isso significa que acredito ou devo acreditar que esta noite a probabilidade de, digamos, rolar um cinco com um único dado é algo mais do que uma em seis?

Nem toda instância de “A acredita que é provável que S seja verdadeiro” é verofuncionalmente equivalente a “A acredita que a probabilidade de S ser verdadeiro é maior que T” (onde T é, digamos, 0,5). Em alguns casos, pode ser o equivalente verofuncional, por exemplo, de “A acredita que S é verdadeiro, mas ele não conhece nenhuma maneira de provar que é verdadeiro”.

Não é autoevidentemente verdade que possamos transformar o cálculo de probabilidade sem mais delongas em um cálculo de graus de crença. Então, quanto “mais delongas” devemos esperar para poder fazer a transformação?

A aplicação da inferência bayesiana à confirmação de teorias científicas está longe de ser direta. Vamos escrever o teorema de Bayes para apontar para o problema essencial.

Por exemplo, uma caixa contém 10 bolas, cada uma das quais é vermelha ou branca. Agora fazemos um experimento e tiramos uma bola da caixa. Acontece que é vermelho: E=1 bola vermelha. Com base nas evidências, qual é a probabilidade de que a caixa não contenha nada além de bolas vermelhas? Deixe A10 representar “Exatamente 10 (ou seja, todas as) bolas na caixa são vermelhas”. Temos que calcular P(A10|E). Para fazer isso, precisamos saber P(Ai) para cada Ai — ou seja, para cada combinação possível (0 vermelho, 10 branco), (1 vermelho, 9 branco), …, (10 vermelho, 0 branco).

Se soubéssemos que nossa caixa foi escolhida aleatoriamente de um conjunto de onze caixas, cada uma contendo 10 bolas vermelhas ou brancas, e nenhuma contendo o mesmo número de bolas vermelhas que qualquer outra, então poderíamos atribuir P(Ai)=1/11. No entanto, como não temos essas informações adicionais, não há como atribuir probabilidades a qualquer Ai. Embora após o experimento — que nos deu uma bola vermelha — saibamos que P(A0)=0, não podemos atribuir uma probabilidade a nenhuma das outras hipóteses Ai (1 ≤ i ≤ 10). Além disso, antes do experimento não tínhamos base para atribuir a priori uma probabilidade a qualquer Ai (0 ≤ i ≤ 10). Não devemos supor simplesmente que P(Ai)=1/11, porque não conhecer a probabilidade dos elementos em uma coleção não é motivo para supor que todos os elementos são equiprováveis. Portanto, neste caso, o teorema de Bayes não nos permite calcular a probabilidade de A10 na evidência E.

Em algumas ciências, podemos ocasionalmente definir um espaço de probabilidade completo e projetar uma configuração experimental de modo que possamos atribuir, com alto grau de confiança, probabilidades a priori a todos os Ai que nossa configuração experimental não excluiu. Se pudermos fazê-lo, podemos usar adequadamente o teorema bayesiano para aprender com nossos experimentos qual Ai tem a probabilidade posterior mais alta — ou, como às vezes é dito, “aprender sobre a causa pela observação do efeito”. Evidentemente, não devemos assumir simplesmente que a economia (ou qualquer outra ciência da ação humana) seja tal ciência.

Como observado anteriormente, não conhecer a probabilidade dos elementos em uma coleção não é motivo para assumir que todos os elementos são equiprováveis. Claro, todos são livres para acreditar em qualquer coisa e substituir suas crenças pelo conhecimento que lhe falta. Se inserirmos as probabilidades que acreditamos serem verdadeiras na fórmula bayesiana, podemos usá-la para fazer um cálculo. No entanto, não calculamos mais a probabilidade de Aj dado E. Calculamos a probabilidade que uma pessoa com um determinado conjunto de preconceitos deve atribuir a Aj quando confrontada com E, supondo que queremos interpretar E como um teste de seus preconceitos. Em vez de adquirir conhecimento sobre qual condição Aj é o verdadeiro estado do mundo, aprendemos algo sobre como a evidência pode fortalecer ou enfraquecer preconceitos. Certamente, essas são coisas diferentes — mesmo que ambas ainda envolvam o uso do cálculo de probabilidade.

Voltemos ao bayesianismo. Agora lemos P(Aj|E) como “o grau de crença [de alguém] em Aj dado E” em vez de “a probabilidade de Aj dado E”. Então, para manter a consistência, devemos ler cada expressão da forma P( ) dessa maneira. No entanto, se fizermos isso, deixamos de lado o cálculo de probabilidade. A menos que possamos apresentar um argumento ou prova convincente de que os graus de crença se comportam exatamente da mesma maneira que as probabilidades, não estamos em lugar nenhum.

Em uma interpretação probabilística ortodoxa da Regra Bayesiana, não há dificuldade em calcular os vários P(E|Ai) que precisamos para calcular P(Aj|E). Todas as informações de que precisamos estão dadas na definição do espaço de probabilidade. Por exemplo, E é o resultado “1 bola vermelha” e A6 é uma caixa contendo 6 bolas vermelhas e 4 brancas. No entanto, se P(E|Ai) não é uma probabilidade, mas um grau de crença, obviamente não podemos calculá-lo a partir da definição de um espaço de probabilidade. De fato, o grau de crença de que E é verdadeiro se Ai for verdadeiro é um pedaço de informação que é independente dos dados que temos sobre E ou Ai. Como obtemos essa informação? Mais ao ponto, como medimos graus de crença? O que é uma unidade de medida apropriada?

Se o bayesianismo deve nos dizer como as crenças científicas [deveriam] mudar à medida que novas evidências se tornam disponíveis, há pouca utilidade em meramente registrar o que as pessoas indicam como o grau de sua crença. Mudanças de humor pessoais — “um dia acredito em qualquer coisa, nos dias seguintes não acredito em nada” — são o menor dos nossos problemas. Uma dificuldade maior é que pode haver oscilações mesmo em crenças amplamente compartilhadas, como aquelas que constituem o chamado “consenso da comunidade científica”. Essas mudanças, afinal, podem afetar as crenças sobre o que constitui evidência científica e sobre métodos apropriados de pesquisa. Este não é um problema pequeno. A “revolução keynesiana” foi um deslizamento bayesiano de crenças? O recuo parcial do keynesianismo e a ascensão neoclássica nos anos sessenta e setenta do século XX foram movimentos bayesianos, ou foram fenômenos sociológicos, ideológicos ou culturais que foram muito além de questões de “teoria e evidência”?

Na sociedade moderna, em seus setores governamentais e privados, há um grande número de “instituições alavancadas” em que as decisões políticas tomadas por alguns agentes e agitadores se traduzem em respostas massivas mais ou menos coordenadas de muitas outras pessoas. Podemos encontrar instituições semelhantes e muitas vezes dominantes, até quase monopolistas, na educação e na mídia, na pesquisa e na publicação científica. Portanto, devemos permitir a existência de “viés sistêmico” na formação de crenças. E se os subsídios e subvenções forem destinados a pessoas — “cientistas” e “acadêmicos” — que são, ou pelo menos parecem ser, politicamente corretas ou dispostas a garantir os objetivos e respeitar a filosofia básica de seus pagadores? E se as forças políticas e ideológicas que prevalecem no topo do establishment educacional começarem a “colorir” livros-texto e outros materiais de curso? Pressão na carreira, desejo de dinheiro, prestígio ou o conforto social que só ir com a multidão pode trazer, preguiça intelectual ou indiferença a qualquer coisa fora do pequeno coral de sua expertise — todos esses e muitos outros fatores inevitavelmente aparecerão em graus de crença. Até que ponto, se houver, eles correm paralelamente à força da evidência científica e do argumento (supondo que não os sufoquem completamente) é uma boa pergunta. No entanto, a resposta para isso não virá de outra rodada de registros de graus de crença.

Razões para não ser um bayesiano

Um dos primeiros críticos do bayesianismo, Clark Glymour,[4] já havia questionado a afirmação Bayesiana de que as probabilidades representam e que o cálculo de probabilidade é aplicável a graus de crença. Se essa afirmação não pode ser fundamentada, então o cálculo de probabilidade e suas fórmulas bayesianas não nos dão razão para subscrever a visão de que eles são relevantes para questões de mudanças nos graus de crença. Vimos que essa crítica vai ao cerne da questão.

Além disso, Glymour observou que, mesmo que a afirmação seja aceita, o máximo que podemos inferir é que as mudanças na crença são fenômenos semelhantes a leis. O que não podemos inferir é que essas mudanças de crenças resultam em um avanço do conhecimento. O bayesianismo não estabelece nenhuma conexão entre “o que é inferido” e “o que é o caso”.

Seria fácil negar a força desta última crítica, se houvesse alguma razão independente para supor que ao longo do tempo novas evidências levam as pessoas, individual e coletivamente, a mudar suas crenças na direção da verdade objetiva. Se isso fosse verdade, então a subjetividade, a estranheza e talvez a pura irracionalidade de suas crenças iniciais não importariam. Agora, isso pode ser verdade em algumas ciências, que estudam fenômenos gerados por alguma estrutura subjacente da realidade que é fixa e invariável pelo menos na escala de tempo da existência humana. Essas ciências esperam séries “estacionárias” de dados e, em geral, descobrem que os dados atendem às suas expectativas. Com o tempo, suas séries de dados convergem, ou parecem convergir, em algum valor e, assim, revelam, ou parecem revelar, uma imagem cada vez mais clara da realidade subjacente. No entanto, requer um salto de fé para generalizar das poucas ciências para as quais essa avaliação vale, ou parece valer, para todas as buscas do conhecimento, incluindo a economia.

Outra razão para descartar a crítica de Glymour surgiria se fosse verdade que, no campo da ciência, as mudanças bayesianas nos graus de crenças refletem realmente mudanças no conhecimento científico. No entanto, o risco aqui é que o conhecimento científico se confunda com seu proxy sociológico, o “consenso entre os especialistas que constituem a comunidade científica” — ou mesmo, pelo menos em alguns casos, o consenso daqueles que, por suas posições institucionais e controle de nomeações acadêmicas e bolsas de pesquisa, determinam quem deve ser admitido para esta “comunidade” seleta.

Glymour também observou que o bayesianismo não aborda a maioria dos padrões de metodologia sólida que os cientistas usam para julgar o valor científico da pesquisa, do trabalho teórico e da confirmação de teorias. Isso levanta a questão, o que, se alguma coisa, o bayesianismo contribui para a filosofia da ciência, pelo menos se esta for concebida como um esforço para salvaguardar a integridade da ciência.

A crítica mais contundente de Glymour merece ser citada na íntegra.

O que queremos é uma explicação do argumento científico; o que os bayesianos nos dão é uma teoria da aprendizagem, na verdade uma teoria da aprendizagem pessoal. Mas os argumentos são mais ou menos impessoais; Eu argumento para persuadir qualquer pessoa informada sobre as premissas e, ao fazê-lo, não estou relatando nenhuma autobiografia. Atribuir-me graus de crença que tornem plausível meu deslize de minhas premissas para minha conclusão não explica nada, não apenas porque a atribuição pode ser arbitrária, mas também porque, mesmo que seja uma atribuição correta de meus graus de crença, não explica por que o que estou fazendo é argumentar — isto é, por que o que digo deveria ter a menor influência sobre os outros, ou por que eu poderia esperar que tivesse.

A resposta do bayesiano a essa crítica é que a teoria só deve ser aplicada quando houver “evidências probatórias”. Não se deve permitir que outros tipos de evidência alterem as probabilidades anteriores ou graus de crença. Obviamente, essa resposta foge de todas as questões importantes, certamente naquelas ciências em que a própria natureza do que constitui “evidência probatória” está em disputa. A resposta é igualmente fugitiva da pergunta em situações que as pessoas devem se conformar com as modas intelectuais da época para obter acesso à sagrada “comunidade de cientistas”.

Todas as proposições são probabilísticas?

Procurando uma saída fácil de sua disputa, Caplan aproveita a afirmação de Block de que proposições sintéticas a priori “foram mal caracterizadas como certas. Isso não é assim.” Assim, Block parece admitir que se deve “incorporar probabilidade” em proposições sintéticas a priori (B, p.72). Caplan resume: “Se as afirmações sintéticas a priori variam em grau de probabilidade, elas não podem mais ser tratadas como cientificamente superiores às afirmações empíricas. Além disso, enquanto testar empiricamente afirmações a priori absolutamente certas é inútil, testar empiricamente afirmações sintéticas a priori incertas não é” (C,p.83).[5] Certamente, porém, o que temos aqui é uma conclusão baseada em uma expressão coloquial descuidada pela qual Block deveria ser repreendido, não elogiado.

Block escreve descuidadamente que declarações empíricas são “intrinsecamente probabilísticas”. Elas não são. Não há nada de probabilístico em afirmações como “o gato do meu vizinho morreu ontem à noite” ou “entre janeiro e setembro, a oferta de dinheiro (M1) diminuiu aproximadamente 10%”. Podemos ter dúvidas sobre a veracidade de tais afirmações, mas ter dúvidas é diferente de ter motivos — do tipo a priori ou de frequência — para atribuir probabilidades de serem verdadeiras. Se temos tais fundamentos ou não, as afirmações são empíricas em qualquer caso. No entanto, uma vez que podemos entendê-las mesmo que não tenhamos tais motivos, elas certamente não são intrinsecamente probabilísticas.

Então Block agrava seu erro fazendo a afirmação sobre a necessidade de “incorporar probabilidade” em proposições sintéticas a priori. Seu argumento é que, quanto mais complexas forem essas proposições, “maior será a oportunidade de erro humano”. Portanto, de acordo com Block, uma proposição complexa — certamente, não importa se é sintética a priori ou não — é menos “certa” do que uma simples.

Isso é plausível prima facie, mas não é verdade. Podemos estar mais certos de uma proposição que requer uma prova complexa (dedutiva ou empírica) que foi verificada muitas vezes por pesquisadores competentes e diligentes do que de uma proposição que requer uma prova relativamente simples que ninguém até agora se deu ao trabalho de examinar. Qual, então, é a proposição mais provável ou certa?

O apriorismo austríaco não implica infalibilidade humana. A falibilidade humana não implica que todas as afirmações sejam afirmações probabilísticas, muito menos afirmações de probabilidade. Nem mesmo implica que sempre haja motivo para duvidar de qualquer coisa. Isso implica que demonstrações individuais ou coletivas de autoconfiança ou altos graus de crença nunca por si só constituem evidência probatória.

A concessão de Block sobre a natureza probabilística de alegações sintéticas a priori é injustificada. Portanto, o uso disso por Caplan, embora compreensível no contexto de sua discussão com Block, não tem relação com a questão substancial do debate.

Praxiologia, Bayesianismo e o Efeito do Salário do Mínimo

Coloquialismos podem atrapalhar uma compreensão adequada da praxiologia. Block dá o seguinte exemplo de uma proposição econômica sintética a priori: “A lei do salário mínimo causa desemprego de trabalhadores não qualificados, outras coisas iguais” (B, p.67) Caplan então discute o efeito do salário mínimo em sua resposta. Então, vamos dar uma olhada mais de perto.

Devemos estar cientes de que, em uma discussão entre um praxiologista austríaco e um empirista neoclássico bayesiano, não se deve presumir que a palavra “causa” tenha o mesmo significado para ambas as partes. Na verdade, duvido que “aumentar o salário mínimo cause desemprego” seja uma afirmação praxiológica, embora não negue que existam razões praxiológicas sólidas para acreditar que seja verdade. Tais motivos são as afirmações:

-a) Uma pessoa (ou seja, no discurso da praxiologia pura, um agente propositado) à procura de um emprego remunerado não será dissuadido de procurar um simplesmente porque uma política é implementada que exige um aumento do salário mínimo.

-b) Uma pessoa que não está procurando um emprego remunerado pode começar a fazê-lo por nenhuma outra razão além de que uma política é implementada que exige um aumento do salário mínimo.

-c) Uma pessoa que procura contratar um funcionário pode ser dissuadida de fazê-lo por nenhuma outra razão além de que uma política é implementada que exige um aumento do salário mínimo.

-d) Uma pessoa que atualmente emprega pessoas por um salário pode querer reduzir o número de pessoas que emprega por nenhuma outra razão além de que uma política  é implementada que exige um aumento do salário mínimo.

Segue-se que, salvo que em um caso particular que para nenhuma pessoa um aumento do salário mínimo seja uma razão para mudar seus planos, um ou ambos dos seguintes serão verdadeiros. 1) Ao menos uma pessoa procurará emprego que não o teria feito se o salário mínimo não tivesse aumentado. 2) Pelo menos uma pessoa deixará (de almejar) empregar outra, o qual não o teria feito se o salário mínimo não tivesse aumentado. Como parte do argumento de um praxiologista, “aumentar o salário mínimo causa desemprego” é apenas um resumo coloquial do que foi dito acima.

É claro que, com respeito a uma ocorrência histórica particular, o praxiologista não pode excluir em bases a priori que a cláusula salvo do último parágrafo seja satisfeita.[6] Por outro lado, se sua experiência e conhecimento de história social e econômica são como os nossos, eles justificam sua avaliação de que é muito improvável que ninguém revise seus planos ao saber que o salário mínimo aumentará. Assim, na maioria das situações, ele tem justificativa para dizer que a política levará ao aumento do desemprego — uma lacuna maior entre o trabalho oferecido e o trabalho demandado. No entanto, ele não fará essa afirmação em situações em que o salário mínimo é elevado apenas simbolicamente, por exemplo, para um patamar ainda abaixo do valor vigente no mercado, ou onde não há como o impor. Tampouco dirá que o efeito provavelmente ocorrerá em situações em que apenas algumas pessoas seriam afetadas por um aumento do salário mínimo. A razão é que, pelo que ele sabe, neste último caso, todas essas pessoas podem ter outras razões para não mudar seus planos. Nada na praxiologia garante a afirmação de que, em todo tipo de situação e em todo grupo (por menor que seja), apenas porque o salário mínimo obrigatório aumenta, pelo menos uma pessoa começará a procurar um emprego remunerado ou maneiras de restringir o emprego.

O praxiologista nem mesmo tentará prever, em bases praxiológicas, quanto o desemprego aumentará após o aumento do salário mínimo. No entanto, como observador da realidade social, ele está tão bem colocado quanto qualquer outro para arriscar uma opinião sobre os efeitos quantitativos de tal aumento em determinada ocasião.

De onde vêm as “fortes crenças anteriores”?

O raciocínio praxiológico explica por que mesmo positivistas e empiristas entre os economistas têm o que Caplan chama de “fortes crenças anteriores”. Caplan contesta isso (C, p.80-81). Ele nega a afirmação feita por Block de que “economistas neoclássicos são praxiologistas disfarçados”. Em vez disso, Caplan afirma que “economistas neoclássicos são bayesianos com algumas fortes [crenças] anteriores”. No entanto, isso não é satisfatório. Uma pergunta pertinente é esta: de onde os economistas neoclássicos conseguiram essas fortes crenças anteriores? Uma resposta é psicologicamente plausível: a maioria dos economistas obtém suas fortes crenças de seus instrutores, professores e autores de livros-texto. De fato, mas de onde seus instrutores, professores e autores de livros-texto obtiveram essas crenças? Para interromper uma regressão infinita, devemos supor que em algum momento alguém originou essas crenças. No entanto, com que fundamento essa pessoa, ou essas pessoas, mantinham essas crenças?

Se alguém se recusa a aceitar o raciocínio praxiológico como fundamento para essas crenças, pode-se pensar que elas foram baseadas em evidências empíricas. Isso, no entanto, é improvável porque o “teorema” do salário mínimo presumivelmente entrou na literatura econômica muito antes de qualquer tentativa (especialmente sistemática ou rigorosa) de observar os efeitos de um aumento do salário mínimo fosse feita. Talvez as fortes crenças anteriores dos economistas neoclássicos tenham sido derivadas da analogia dos preços mínimos em geral, dos quais presumivelmente já havia algumas ocorrências bem documentadas. Talvez, mas todas as evidências apontam para uma origem que teve pouco a ver com a evidência empírica e muito com o florescimento das “ciências morais”, entre elas a economia, que se baseavam em um conhecimento geral da natureza humana e, em particular, uma apreciação da racionalidade do homem. Muitas das fortes crenças iniciais dos economistas podem ser atribuídas, pelo menos, aos escolásticos tardios do século XVI ou a vários economistas franceses do século XVIII, que, se a interpretação[7] de Rothbard estiver correta, foram os pioneiros do estilo praxiológico de análise econômica.

As fortes crenças iniciais dos economistas sobre os efeitos do aumento do salário mínimo teriam tido origem diferente? Elas poderiam ter tido uma origem diferente? Alguma vez houve evidência empírica suficiente desses efeitos para explicar um deslize bayesiano de uma crença neutra para uma forte? Em minha opinião não houve. Além disso, se os resultados[8] de Card-Krueger, aos quais tanto Block quanto Caplan se referem, dificilmente afetam as crenças de um economista bayesiano neoclássico — como Caplan alega (p.81-82) — então podemos perguntar que tipo de evidência faria uma diferença significativa neste assunto. Se um economista pode descartar conclusões a priori com base em axiomas gerais (talvez porque a prova dessas conclusões seja complexa), por que ele não pode descartar com muito melhor razão qualquer evidência empírica que surja em seu caminho? Afinal, verificar até mesmo uma prova dedutiva complexa é uma tarefa muito mais fácil, exigindo muito menos habilidades especializadas, do que verificar os resultados de uma investigação empírica e os métodos de coleta de dados, processamento de dados, análise estatística, construção de modelos e similares que envolve. Isso é verdade especialmente se a investigação empírica não for um experimento repetível. Quando a execução dos mesmos dados por meio de procedimentos diferentes produz resultados diferentes — dificilmente uma ocorrência incomum na economia empírica —, surge a pergunta: o que os dados provam, se é que provam alguma coisa?

Além disso, uma aplicação da Regra Bayesiana a “graus de crença” em vez de frequências mensuráveis ​​objetivamente ou probabilidades de outro modo conhecidas é em si um procedimento questionável. Como parte de uma ilustração do quadro da matemática da Regra Bayesiana, a declaração de Caplan de que “com base em seu conhecimento pré-Card-Krueger,… o [grau anterior de crença] de Gary Becker [na proposição] ‘salário mínimo reduz o emprego’ foi de 98%” (C,p.81) é inquestionável. Como parte de uma teoria da formação de crenças científicas, convida a perguntas sobre a propriedade de atribuir valores cardinais, fazer comparações interpessoais e agregar graus de crença.

Por que devemos seguir Caplan ao usar [um hipotético] Gary Becker para ilustrar que os resultados de Card-Krueger não fazem mais do que uma diferença relativamente pequena nas crenças de um economista sobre o efeito do salário mínimo? Por que não perguntar a [os reais] Card e Krueger sobre o significado de seu resultado? Por que não pedir aos editores e aos pareceristas que decidiram aceitar e publicar o artigo de Card-Krueger, em vez de, como os orientadores de dissertação de Block, devolvê-lo com o conselho de “fazer essas regressões novamente até acertar”? Por que não perguntar a todos os economistas certificados em todo o mundo que gostaram da descoberta de Card-Krueger, e queriam acreditar, por causa de seus preconceitos políticos e ideológicos? Deve-se esperar, de fato, que Caplan concorde que Gary Becker é apenas um economista neoclássico e não o oráculo cujos graus de crenças determinam [ou deveriam determinar] os da “comunidade de economistas neoclássicos”. Talvez haja razões para atribuir um peso maior aos graus de crença de Becker do que aos de outro economista, mas com que fundamentos? De qualquer forma, desde quando questões de ciência devem ser resolvidas por pesquisas de opinião?

A Regra Bayesiana é um procedimento para processar números. A menos que tenhamos métodos independentes para avaliar a relevância e a validade desses números, não é mais do que isso — um procedimento de “entra lixo, sai lixo”.

A economia neoclássica, seja do tipo empirista direto ou da variedade empirista-bayesiana, não pode — e, portanto, não deve tentar — fazer mais do que estabelecer correlações entre um determinado conjunto de dados e outro. Ela nunca pode explicar por que a correlação que encontra existe. Nunca pode explicar o que causa o quê.

Suponha que tivéssemos dados precisos e completos sobre o efeito do salário mínimo desde o início da civilização até o presente. Algum economista neoclássico sugeriria que, com o passar do tempo, deveríamos descobrir que os dados observados convergem para um único valor da razão da correlação entre a taxa de variação do emprego e a taxa de variação do salário mínimo? Ou ele sugeriria que deveríamos esperar que esse valor subisse e descesse? Ele sugeriria que deveríamos esperar que os graus de crença dos economistas em um determinado valor dessa razão convergissem? Ou ele sugeriria que os economistas são apenas humanos e que devemos esperar que suas crenças variem de uma pessoa para outra, especialmente quando levamos em conta que o que é “evidência” para um economista pode não ser mais do que um acaso para outro?

Praxiologia e os limites da evidência empírica

A praxiologia não procura provar uma relação causal imediata entre o aumento do salário mínimo e o aumento do desemprego. Ela se esforça para explicar por que o aumento do salário mínimo dá aos agentes propositados uma razão para mudar seus planos e por que esses ajustes resultarão em mais desemprego — a menos, é claro, que outros eventos ou condições mais ou menos simultâneos dêem a esses agentes razões para não fazer esses ajustes. Se alguém pode ou não identificar qualquer um desses outros eventos ou condições em um determinado contexto histórico não afeta a validade do argumento praxiológico.

Que haja uma prova praxiológica de que o evento A causa o fenômeno B — “causa” tendo aqui o sentido praxiológico que observamos antes. Mesmo se fosse verdade que B raramente ou nunca segue uma ocorrência de A, essa prova seria válida. De fato, tudo o que a evidência histórica ou empírica pode demonstrar é que, até agora, nas circunstâncias em que A ocorreu, poucas pessoas tinham uma razão suficiente para fazer o que teriam que fazer para que B acontecesse em uma escala em que pudesse ser detectado empiricamente.[9]

Para um empirista, o significado de “A causa B” é muito diferente. É meramente uma expressão coloquial para “[Na maioria dos casos,] A é seguido por B”. A praxiologia não lhe dá razões para acreditar que tal afirmação seja verdadeira. Suas razões, presumivelmente, são (de preferência longas) séries de dados processados ​​de acordo com um procedimento ou outro.

Suponha que, com base na evidência negativa acumulada, o grau de crença de um empirista bayesiano P(A causa B) seja tão próximo de zero quanto um grau de crença pode ser. Então, do nada, A ocorre e é seguido por B. O empirista bayesiano pode registrar um aumento muito pequeno de seu grau de crença para “A causa B” e talvez também para sua crença “a probabilidade governa o universo”. O praxiologista pode fazer mais. Ele pode explicar por que as pessoas fazem B acontecer quando A ocorre e por que essa ocorrência específica de A é excepcional ou indicativa de uma mudança significativa nas circunstâncias das pessoas.

A prova praxiológica é válida mesmo que ninguém jamais tenha observado a ocorrência de A: um praxiologista pode continuar a explicar por que, se não houver preocupações mais prementes, as pessoas que enfrentam A ocasionarão B, o efeito praxiológico. Por outro lado, o empirismo não tem nada a dizer sobre esse A não observado ou o que ele pode causar. Teria que esperar até que uma teoria fosse proposta que implicasse, digamos, que nem todas as instâncias de B poderiam ser explicadas a menos que assumíssemos a existência de A. Então teria que procurar maneiras de elaborar um teste empírico cientificamente relevante para essa teoria. Ora, de onde viria tal teoria, senão da praxiologia? Mesmo se descartarmos as críticas ao paradigma bayesiano da ciência, parece-me que existem lacunas entre a praxiologia e o empirismo que nenhuma quantidade de bayesianismo pode fechar.


[1] Em The Quarterly Journal of Austrian Economics, outono de 2003, volume 6, número 3: Walter Block,  “Realism: Austrian vs. Neoclassical Economics, Reply to Caplan”, p.63-76; Bryan Caplan,  “Probability and the Synthetic A Priori: A Reply to Block”, p. 77-83.

[2] A formulação generalizada da Regra de Bayes requer também atribuições de utilidade cardinais para calcular a “utilidade esperada” de cada opção em um conjunto de decisões. Então, a Regra de Bayes se aplica a todos os tipos de problemas de decisão: “Regra de Bayes: Um tomador de decisão idealmente situado […] deve racionalmente escolher aquela opção (ou uma daquelas opções) carregando a máxima utilidade esperada.” (Isaac Levi, Gambling with Truth, An Essay on Induction and the Aims of Science, Alfred A. Knopf, Nova York, Routledge & Kegan Paul, Londres, 1967, p. 45).

Caplan alude a essa formulação generalizada quando escreve que “os próprios economistas neoclássicos  adotam [deveriam adotar] o modelo bayesiano de formação de crenças que rotineiramente aplicam a todos os outros” (C, p.83). Presumivelmente, ele quer dizer que os economistas neoclássicos assumem que todo mundo é um tomador de decisão bayesiano. No entanto, ficamos com uma série de perguntas: existe uma função de utilidade de um economista neoclássico? Em caso afirmativo, difere da função de utilidade de um economista austríaco? Em que sentido ser um economista de qualquer escola determina a função de utilidade de qualquer pessoa? E assim por diante.

[3] Veja e.g. J.L. Mackie, Truth, Probability and Paradox, Clarendon Press, Oxford, 1973.

[4] Clark Glymour, Theory and Evidence (1980), p.63-94.

[5] Caplan chega a sugerir que uma refutação empírica do teorema de Pitágoras teria tanto peso quanto uma refutação matemática. Se os matemáticos concordam com essa afirmação é outra coisa. Tomemos outro exemplo: o famoso teorema de Banach-Tarski. Afirma que uma esfera sólida pode ser dividida em muitos pedaços de tal forma que é possível rearranjá-los para constituir duas esferas sólidas, cada uma com o mesmo volume da original. Até onde eu sei, depois de quase oitenta anos, o teorema ainda está de pé, embora não haja qualquer evidência empírica para ele e todas as tentativas de verificá-lo (ou mesmo exemplificá-lo) empiricamente falharam. Banach, S. and Tarski, A. “Sur la décomposition des ensembles de points en parties respectivement congruentes.” Fund. Math. 6, 244-277, 1924. Stromberg, K. “The Banach-Tarski Paradox.” Amer. Math. Monthly 86, 3, 1979.

[6] Para obter uma perspectiva adequada sobre a discussão entre Block e Caplan, devemos ter em mente a distinção de Mises entre teoria e história (Mises, Theory and History, Yale University Press, 1957). Block pressupõe essa distinção, mas Caplan aparentemente não. Assim, ele ataca Block por não aceitar que certas afirmações históricas/empíricas são tão “cientificamente” valiosas quanto certas afirmações sintéticas a priori. No entanto, a posição misesiana (que Block presumivelmente compartilha) não é que toda historiografia seja “não científica”, mas que fornece um tipo de conhecimento diferente do que a teoria econômica. Isso implica que a historiografia deve ser baseada em uma teoria sólida e não pode ser usada para chegar a leis universais por algum tipo de generalização indutiva ou adaptação bayesiana de crenças.

[7] M.N. Rothbard, Economic Thought Before Adam Smith: An Austrian Perspective on The History of Economic Thought, Volume I, Edward Elgar, Adershot, 1995.

[8] David Card & Alan B. Krueger, “Minimum Wages and Employment: A Case Study of the FastFood Industry in New Jersey and Pennsylvania”, em American Economic Review, Volume 84, (4), p. 772-93.

[9] Assim, Leland B. Yeager conclui um artigo recentemente publicado com a ressalva: “Toda a discussão serve apenas a um propósito analítico. […] Não afirma que os efeitos descritos sejam quantitativamente importantes e detectáveis em meio a todas as mudanças que ocorrem constantemente nas condições econômicas.” L.B. Yeager, “Land, Money, and Capital Formation”, J.G. Backhaus a.o. (eds), Economics Policy in an Orderly Framework, Wirtschaft: Forshung und Wissenschaft, Band 5, Lit Verlag, Münster, 2003, 455-469. Certamente, a ressalva não qualifica o artigo como não contribuindo para o conhecimento econômico científico. Apenas direciona qualquer crítica relevante para considerar a lógica da discussão.

Sair da versão mobile