A reta continua no papel. O processo pode não continuar com ela.

Modelos são mapas construídos com uma região de experiência. Um erro comum é esquecer essa geografia e tratar a equação como uma lei universal. Em regressão, a distinção entre interpolação e extrapolação é uma das fronteiras mais importantes entre previsão responsável e ficção matemática.

Interpolar e extrapolar

Interpolação estima Y para valores de X dentro — ou muito próximos — da faixa observada. Extrapolação estima Y fora dessa faixa. A equação pode calcular ambas sem reclamar; o problema é epistemológico, não computacional.

Dentro da faixa observada, há pontos que sustentam a forma e a inclinação do modelo. Fora dela, pressupomos que o mecanismo permanece igual, que não surgem limites físicos, saturação, limiares, concorrentes, mudanças de comportamento ou nova tecnologia.

O exemplo que mostra o problema em uma linha

No material de regressão utilizado pela Struckel, um exemplo relaciona altura da folha e teor químico. A regressão ajustada é:

O absurdo não significa necessariamente que a reta foi mal ajustada no domínio original. Significa que o domínio de validade foi violado.

A incerteza cresce nas bordas

Mesmo antes de sair da faixa observada, a incerteza de previsão tende a aumentar à medida que nos afastamos do centro dos dados. Em regressão linear, a incerteza sobre a média estimada depende da distância entre x₀ e a média de X. Para uma nova observação individual, soma-se também a variabilidade residual.

Isso explica por que o modelo sabe menos sobre extremos, mesmo quando ainda está tecnicamente interpolando.

Extrapolar exige um mecanismo, não apenas uma reta

Extrapolação pode ser razoável quando existe fundamento físico ou institucional para acreditar que a relação continuará no novo intervalo. Por exemplo, uma lei física validada em ampla faixa pode oferecer suporte maior do que uma correlação observacional em dados de mercado.

Em negócios, relações frequentemente mudam por capacidade, saturação, preço, concorrência e comportamento. O CAC que cresceu linearmente entre R$ 50 mil e R$ 200 mil de mídia não precisa continuar igual em R$ 2 milhões. O tempo de ciclo que cai com mais operadores pode inverter quando congestionamento e coordenação passam a dominar.

Cenários empresariais em que extrapolar é perigoso

Extrapolação temporal é ainda mais traiçoeira

Projetar uma tendência no tempo supõe continuidade estrutural. Em mercados, processos e organizações, o regime pode mudar. Promoções, inflação, tecnologia, manutenção, mudança de fornecedor ou política comercial quebram a estabilidade.

Por isso, previsão temporal exige mais do que uma regressão com “mês” como X. Tendência, sazonalidade, autocorrelação e pontos de mudança precisam ser avaliados.

Não linearidade e saturação

Relações biológicas e econômicas frequentemente possuem limites. Uma curva logística cresce e depois satura; uma resposta de rendimento pode atingir platô; um custo unitário pode cair até que gargalos diferentes apareçam. Uma reta é localmente útil, mas globalmente impossível.

Antes de extrapolar, pergunte: qual comportamento seria fisicamente impossível? Essa pergunta simples impõe restrições que a equação pura não conhece.

Como documentar o domínio do modelo

Todo modelo usado em decisão deveria trazer uma pequena ficha de uso: período dos dados, população, faixa de X, condições de processo, transformações, erro observado e restrições de aplicação. Isso transforma um arquivo estatístico em um ativo de governança.

O que fazer quando a decisão exige extrapolar

1. Explicite a distância além da faixa observada.
2. Identifique o mecanismo que sustentaria continuidade.
3. Procure dados complementares nessa nova região.
4. Use cenários, não um único ponto.
5. Considere formas não lineares e limites físicos.
6. Faça teste piloto ou implementação progressiva.
7. Atualize o modelo conforme novos dados entram.

Extrapolação e PDSA

Quando o modelo sugere benefício em uma região não observada, o PDSA oferece uma resposta metodológica elegante: transforme a extrapolação em uma predição testável, execute em pequena escala, compare resultado e predição e aprenda. Em vez de apostar que a reta continuará, produza evidência onde antes havia apenas hipótese.

Intervalo de confiança não corrige extrapolação conceitual

É tentador pensar que um intervalo de previsão largo “resolve” o risco de extrapolar. Ele ajuda a quantificar a incerteza dentro das premissas do modelo, mas não protege contra uma premissa estrutural falsa. Se a relação deixa de ser linear após certo ponto, um intervalo construído sobre a reta continua centrado em uma forma incorreta.

Em outras palavras: incerteza paramétrica e incerteza de modelo são coisas diferentes. A primeira pergunta “quão precisamente estimamos esta reta?”. A segunda pergunta “por que deveríamos acreditar que uma reta continua sendo a forma correta aqui?”. Fora da região observada, a segunda costuma dominar.

Model drift: mesmo interpolar pode se tornar extrapolação temporal

Um modelo treinado no intervalo correto de X pode perder validade quando o processo muda. Fornecedor, mix de produto, perfil de clientes, política de crédito, equipamento ou ambiente competitivo podem alterar a função que relaciona X e Y. Nesse sentido, o domínio do modelo possui dimensões além do eixo X: tempo, população e condição operacional.

Governança de modelos deve incluir monitoramento de deriva: distribuição de entradas, erro de previsão, resíduos e frequência de decisões tomadas próximas às bordas. Um modelo que funcionava ontem pode estar extrapolando um regime antigo, mesmo que o valor numérico de X ainda esteja dentro da faixa histórica.

Nota metodológica

O exemplo numérico é derivado do conjunto didático de regressão fornecido à Struckel. A distinção entre interpolação e extrapolação e o comportamento da incerteza seguem a teoria clássica de regressão. O enquadramento de governança e PDSA é aplicação metodológica Struckel.