Galit Shmueli
Nationale Tsing Hua Universität
Statistische Modellierung ist ein leistungsstarkes Werkzeug zur Entwicklung und Prüfung von Theorien durch kausale Erklärung, Vorhersage und Beschreibung. In vielen Disziplinen wird statistische Modellierung nahezu ausschließlich zur kausalen Erklärung eingesetzt, in der Annahme, dass Modelle mit hoher Erklärungskraft automatisch auch eine hohe Vorhersagekraft besitzen. Erklärung und Vorhersage werden häufig verwechselt, doch für den Fortschritt wissenschaftlicher Erkenntnisse und die richtige Anwendung in der Praxis muss dieser Unterschied verstanden werden.
Das Verständnis der Unterschiede zwischen erklärender und prädiktiver Modellierung und Bewertung ist entscheidend für die Beurteilung der Informationsqualität eines Datensatzes – seines Potenzials, mithilfe der Datenanalyse ein wissenschaftliches/praktisches Ziel zu erreichen. Während der Unterschied zwischen Erklären und Vorhersagen in der Wissenschaftsphilosophie anerkannt ist, fehlt in der Literatur zu Statistik und Data Mining eine umfassende Diskussion der vielen Unterschiede, die bei der Modellierung für erklärende und prädiktive Ziele auftreten. In diesem Vortrag werde ich den Unterschied zwischen erklärender und prädiktiver Modellierung erläutern und die praktischen Auswirkungen auf die Datenanalyse aufzeigen.
Referenz: Erklären oder Vorhersagen? von Galit Schmueli, Statistical Science 2010, Vol. 25, No. 3, 289–310
