Galit Shmueli
Università nazionale Tsing Hua
La modellazione statistica è uno strumento potente per sviluppare e testare teorie tramite spiegazione causale, previsione e descrizione. In molte discipline, si fa un uso quasi esclusivo della modellazione statistica per la spiegazione causale, con l'ipotesi che i modelli con un elevato potere esplicativo siano intrinsecamente dotati di un elevato potere predittivo. La confusione tra spiegazione e previsione è comune, ma la distinzione deve essere compresa per far progredire la conoscenza scientifica e per un uso corretto nella pratica.
Comprendere le differenze tra modellazione e valutazione esplicativa e predittiva è fondamentale per poter valutare la qualità delle informazioni di un set di dati, ovvero il suo potenziale per raggiungere un obiettivo scientifico/pratico mediante l'analisi dei dati. Mentre la distinzione spiegare-predire è stata riconosciuta nella filosofia della scienza, la letteratura statistica e di data mining non offre una discussione approfondita delle numerose differenze che emergono nel processo di modellazione per un obiettivo esplicativo rispetto a uno predittivo. In questa presentazione chiarirò la distinzione tra modellazione esplicativa e predittiva e rivelerò le implicazioni pratiche in termini di analisi dei dati.
Riferimento: Spiegare o prevedere? di Galit Schmueli, Statistical Science 2010, Vol. 25, No. 3, 289–310
