Galit Shmueli
Università nazionale Tsing Hua
La modellazione statistica è un potente strumento per sviluppare e testare le teorie attraverso la spiegazione causale, la predizione e la descrizione. In molte discipline, l'uso quasi esclusivo della modellizzazione statistica per la spiegazione causale presuppone che i modelli con un alto potere esplicativo siano intrinsecamente di alto potere predittivo. La confusione tra spiegazione e predizione è comune, tuttavia la distinzione deve essere compresa per il progresso delle conoscenze scientifiche e per un uso corretto nella pratica.
Comprendere le differenze tra la modellazione e la valutazione esplicativa e predittiva è fondamentale per poter valutare la qualità delle informazioni di un set di dati - il suo potenziale per raggiungere un obiettivo scientifico / pratico utilizzando l'analisi dei dati. Mentre la distinzione esplicativa è stata riconosciuta nella filosofia della scienza, la letteratura statistica e di data mining manca di una discussione approfondita sulle molte differenze che sorgono nel processo di modellazione per un obiettivo esplicativo rispetto a un obiettivo predittivo. In questo intervento chiarirò la distinzione tra modellazione esplicativa e predittiva e rivelerò le implicazioni pratiche in termini di analisi dei dati.
Riferimento: Spiegare o predire? di Galit Schmueli, Statistical Science 2010, vol. 25, No. 3, 289-310
