Galit Shmueli
Università Nazionale Tsing Hua
La modellizzazione statistica è un potente strumento per sviluppare e testare teorie attraverso la spiegazione, la previsione e la descrizione causale. In molte discipline, la modellizzazione statistica viene utilizzata quasi esclusivamente per la spiegazione causale, partendo dal presupposto 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 il progresso della conoscenza scientifica e per un corretto utilizzo 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 di raggiungere un obiettivo scientifico/pratico mediante l'analisi dei dati. Sebbene la distinzione tra spiegare e prevedere sia stata riconosciuta dalla filosofia della scienza, la letteratura statistica e di data mining manca di una discussione approfondita delle numerose differenze che emergono nel processo di modellazione per un obiettivo esplicativo rispetto a uno predittivo. In questo intervento chiarirò la distinzione tra modellazione esplicativa e predittiva e ne illustrerò 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
