Galit Shmueli
Université nationale Tsing Hua
La modélisation statistique est un outil puissant pour développer et tester des théories sous forme d'explication causale, de prédiction et de description. Dans de nombreuses disciplines, on utilise presque exclusivement la modélisation statistique pour l'explication causale, en supposant que les modèles à pouvoir explicatif élevé possèdent intrinsèquement un pouvoir prédictif élevé. La confusion entre explication et prédiction est commune, mais la distinction doit être comprise pour faire progresser les connaissances scientifiques et pour une utilisation correcte dans la pratique.
Comprendre les différences entre la modélisation explicative et prédictive et l'évaluation est crucial pour pouvoir évaluer la qualité des informations d'un ensemble de données - son potentiel pour atteindre un objectif scientifique / pratique en utilisant l'analyse de données. Bien que la distinction entre expliquer et prédire ait été reconnue dans la philosophie de la science, la littérature sur les statistiques et l’exploration de données n’aborde pas en profondeur les nombreuses différences qui apparaissent dans le processus de modélisation pour un objectif explicatif par rapport à un objectif prédictif. Dans cet exposé, je vais clarifier la distinction entre modélisation explicative et modélisation prédictive et en révéler les implications pratiques en termes d'analyse de données.
Référence: Expliquer ou prédire? par Galit Schmueli, Statistical Science 2010, Vol. 25, n ° 3, 289–310
