Galit Shmueli
Universidad Nacional de Tsing Hua
El modelado estadístico es una herramienta poderosa para desarrollar y probar teorías a través de explicaciones, predicciones y descripciones causales. En muchas disciplinas, existe un uso casi exclusivo del modelado estadístico para la explicación causal con el supuesto de que los modelos con alto poder explicativo son inherentemente de alto poder predictivo. La confusión entre explicación y predicción es común, sin embargo, la distinción debe entenderse para el progreso del conocimiento científico y para su uso adecuado en la práctica.
Comprender las diferencias entre la modelización y la evaluación explicativa y predictiva es crucial para poder evaluar la calidad de la información de un conjunto de datos, su potencial para lograr un objetivo científico / práctico utilizando el análisis de datos. Si bien la distinción entre explicación y predicción ha sido reconocida en la filosofía de la ciencia, la literatura estadística y de minería de datos carece de una discusión exhaustiva de las muchas diferencias que surgen en el proceso de modelado para un objetivo explicativo frente a uno predictivo. En esta charla aclararé la distinción entre modelos explicativos y predictivos y revelaré las implicaciones prácticas en términos de análisis de datos.
Referencia: ¿Explicar o predecir? por Galit Schmueli, Statistical Science 2010, vol. 25, No. 3, 289–310
