Galit Shmueli
Nationale Tsing Hua Universität
Statistische Modellierung ist ein leistungsfähiges Werkzeug, um Theorien mittels kausaler Erklärung, Vorhersage und Beschreibung zu entwickeln und zu testen. In vielen Disziplinen wird die statistische Modellierung für die kausale Erklärung fast ausschließlich verwendet, wobei davon ausgegangen wird, dass Modelle mit hoher Erklärungskraft von Natur aus hohe Vorhersagekraft besitzen. Konflikte zwischen Erklärungen und Vorhersagen sind üblich, aber die Unterscheidung muss verstanden werden, um das wissenschaftliche Wissen voranzutreiben und um in der Praxis richtig eingesetzt zu werden.
Das Verständnis der Unterschiede zwischen erklärenden und prädiktiven Modellen und Bewertungen ist entscheidend, um die Informationsqualität eines Datensatzes beurteilen zu können - sein Potenzial, ein wissenschaftliches / praktisches Ziel mithilfe von Datenanalysen zu erreichen. Während der Unterschied zwischen Erklärungen und Vorhersagen in der Wissenschaftsphilosophie anerkannt wurde, fehlt der statistischen Literatur und der Data-Mining-Literatur eine eingehende Diskussion der vielen Unterschiede, die sich beim Modellieren für ein erklärendes gegenüber einem prädiktiven Ziel ergeben. In diesem Vortrag werde ich die Unterscheidung zwischen erklärenden und prädiktiven Modellen klären und die praktischen Auswirkungen auf die Datenanalyse aufzeigen.
Referenz: Erklären oder Vorhersagen? von Galit Schmueli, Statistical Science 2010, Vol. 25, Nr. 3, 289–310
