ความคิดที่เป็นประโยชน์เกี่ยวกับแบบจำลองการอธิบายและการทำนาย

ย้อนกลับไปในเดือนเมษายนฉันได้เข้าร่วมการสัมมนาในชุดสัมมนากลุ่มสถิติภาควิชาคณิตศาสตร์ของ UMD ชื่อ "เพื่ออธิบายหรือทำนาย" คำปราศรัยนี้ได้รับจากศาสตราจารย์ Galit Shmueliผู้สอนที่โรงเรียนธุรกิจ Smith ของ UMD คำปราศรัยของเธอขึ้นอยู่กับการวิจัยที่เธอทำกับกระดาษที่มีชื่อว่า"Predictive vs. Explanatory Modeling in IS Research"และบทความเกี่ยวกับการทำงานติดตามเรื่อง"To Explain or To Predict?" .

ข้อโต้แย้งของดร. Shmueli ก็คือคำที่ใช้ในการทำนายและอธิบายในบริบทการสร้างแบบจำลองทางสถิติได้เกิดการสับสน ในกระดาษเธอแตกต่างทั้งสองและพูดคุยเกี่ยวกับความหมายในทางปฏิบัติของพวกเขา ฉันแนะนำให้คุณอ่านเอกสาร

คำถามที่ฉันต้องการโพสต์ในชุมชนผู้ประกอบการคือ:

• คุณกำหนดแบบฝึกหัดทำนายผลได้อย่างไรกับแบบอธิบาย / อธิบาย มันจะมีประโยชน์ถ้าคุณสามารถพูดคุยเกี่ยวกับการใช้งานเฉพาะ
• คุณเคยตกหลุมพรางของการใช้อันใดอันหนึ่งเมื่อหมายถึงการใช้อันอื่นหรือไม่? ฉันมี คุณรู้ได้อย่างไรว่าจะใช้อันไหน

ในหนึ่งประโยค

การสร้างแบบจำลองการทำนายเป็นเรื่องเกี่ยวกับ "สิ่งที่น่าจะเกิดขึ้น?" ในขณะที่การสร้างแบบจำลองเชิงอธิบายเป็นเรื่องเกี่ยวกับ

ในหลายประโยค

ฉันคิดว่าความแตกต่างที่สำคัญคือสิ่งที่ตั้งใจจะทำกับการวิเคราะห์ ฉันขอแนะนำให้คำอธิบายมีความสำคัญต่อการแทรกแซงมากกว่าการทำนาย หากคุณต้องการทำบางสิ่งบางอย่างเพื่อแก้ไขผลลัพธ์คุณควรหาคำอธิบายว่าทำไมจึงเป็นแบบนั้น การสร้างแบบจำลองอธิบายถ้าทำได้ดีจะบอกคุณถึงวิธีการแทรกแซง (ซึ่งอินพุตควรจะปรับ) อย่างไรก็ตามหากคุณเพียงต้องการที่จะเข้าใจว่าอนาคตจะเป็นอย่างไรโดยปราศจากความตั้งใจ (หรือความสามารถ) ในการแทรกแซงการสร้างแบบจำลองการทำนายนั้นมีแนวโน้มที่จะเหมาะสมกว่า

เป็นตัวอย่างที่หลวมอย่างไม่น่าเชื่อโดยใช้ "ข้อมูลมะเร็ง"

การสร้างแบบจำลองการทำนายโดยใช้ "ข้อมูลโรคมะเร็ง" จะเหมาะสม (หรือมีประโยชน์อย่างน้อย) หากคุณให้เงินสนับสนุนหอผู้ป่วยมะเร็งในโรงพยาบาลต่างๆ คุณไม่จำเป็นต้องอธิบายว่าทำไมคนถึงเป็นมะเร็ง แต่คุณต้องการเพียงแค่การประเมินที่แม่นยำว่าจะต้องใช้บริการมากแค่ไหน การสร้างแบบจำลองที่อธิบายอาจจะไม่ช่วยได้มากที่นี่ ตัวอย่างเช่นการรู้ว่าการสูบบุหรี่นำไปสู่ความเสี่ยงที่สูงขึ้นของโรคมะเร็งไม่ได้บอกตัวเองว่าจะให้เงินทุนเพิ่มเติมในการปกป้องวอร์ดหรือวอร์ดบี

การสร้างแบบจำลองที่อธิบายได้ของ "ข้อมูลมะเร็ง" จะเหมาะสมถ้าคุณต้องการลดอัตราการเป็นมะเร็งแห่งชาติ - การสร้างแบบจำลองการทำนายจะล้าสมัยอย่างเป็นธรรมที่นี่ ความสามารถในการทำนายอัตราการเกิดมะเร็งอย่างแม่นยำนั้นแทบจะไม่สามารถช่วยคุณตัดสินใจได้ อย่างไรก็ตามการรู้ว่าการสูบบุหรี่นำไปสู่ความเสี่ยงที่สูงขึ้นของโรคมะเร็งเป็นข้อมูลที่มีค่าเพราะถ้าคุณลดอัตราการสูบบุหรี่ (เช่นการทำให้บุหรี่มีราคาแพงกว่า) สิ่งนี้จะนำไปสู่ผู้คนที่มีความเสี่ยงน้อยลง ราคา.

เมื่อมองถึงปัญหาด้วยวิธีนี้ฉันคิดว่าการสร้างแบบจำลองเชิงอธิบายจะเน้นไปที่ตัวแปรที่อยู่ในการควบคุมของผู้ใช้เป็นหลักไม่ว่าทางตรงหรือทางอ้อม อาจมีความจำเป็นในการรวบรวมตัวแปรอื่น ๆ แต่ถ้าคุณไม่สามารถเปลี่ยนแปลงตัวแปรใด ๆ ในการวิเคราะห์ได้ฉันสงสัยว่าการสร้างแบบจำลองอธิบายจะมีประโยชน์ยกเว้นบางทีคุณอาจต้องการควบคุมหรือมีอิทธิพลเหนือตัวแปรเหล่านั้น ซึ่งมีความสำคัญ การสร้างแบบจำลองการทำนายอย่างหยาบ ๆ เพียงแค่มองหาความสัมพันธ์ระหว่างตัวแปรไม่ว่าจะควบคุมโดยผู้ใช้หรือไม่ คุณจำเป็นต้องรู้อินพุต / ฟีเจอร์ / ตัวแปรอิสระ / อื่น ๆ เพื่อทำการคาดการณ์ แต่คุณจะต้องสามารถปรับเปลี่ยนหรือมีอิทธิพลต่ออินพุต / ฟีเจอร์ / ตัวแปรอิสระ / ฯลฯ เพื่อแทรกแซงและเปลี่ยนแปลงผลลัพธ์ .

ในมุมมองของฉันความแตกต่างมีดังนี้

อธิบาย / บรรยาย

เมื่อค้นหาคำตอบอธิบาย / อธิบายเชิงโฟกัสหลักอยู่บนข้อมูลที่เรามีและเราพยายามที่จะค้นพบความสัมพันธ์พื้นฐานระหว่างข้อมูลหลังจากเสียงที่ได้รับการคิด

ตัวอย่าง: การออกกำลังกายอย่างสม่ำเสมอ (พูด 30 นาทีต่อวัน) ทำให้ความดันโลหิตลดลงหรือไม่? เพื่อตอบคำถามนี้เราอาจรวบรวมข้อมูลจากผู้ป่วยเกี่ยวกับระบบการออกกำลังกายและค่าความดันโลหิตเมื่อเวลาผ่านไป มีเป้าหมายเพื่อดูว่าเราสามารถอธิบายความแปรปรวนของความดันโลหิตโดยการเปลี่ยนแปลงในระบบการออกกำลังกายหรือไม่

ความดันโลหิตได้รับผลกระทบจากการออกกำลังกายโดยปัจจัยอื่น ๆ เช่นปริมาณโซเดียมต่อคนที่กินเป็นต้นปัจจัยอื่น ๆ เหล่านี้จะได้รับการพิจารณาว่าเป็นเสียงดังในตัวอย่างข้างต้น ความดันโลหิต.

คาดการณ์

เมื่อทำแบบฝึกหัดทำนายผลเราจะคาดการณ์ถึงสิ่งที่ไม่รู้จักโดยใช้ความสัมพันธ์ที่รู้จักระหว่างข้อมูลที่เรามีอยู่ ความสัมพันธ์ที่รู้จักอาจเกิดขึ้นจากการวิเคราะห์อธิบาย / อธิบายหรือเทคนิคอื่น ๆ

ตัวอย่าง: ถ้าฉันออกกำลังกายวันละ 1 ชั่วโมงความดันโลหิตของฉันจะลดลงเท่าไหร่? เพื่อตอบคำถามนี้เราอาจใช้ความสัมพันธ์ที่ไม่เปิดเผยก่อนหน้านี้ระหว่างความดันโลหิตและระบบการออกกำลังกายเพื่อทำนายผล

ในบริบทข้างต้นการโฟกัสไม่ได้อยู่ที่การอธิบายแม้ว่าตัวแบบอธิบายจะช่วยในกระบวนการทำนาย นอกจากนี้ยังมีวิธีการที่ไม่อธิบาย (เช่นอวนประสาท) ซึ่งดีในการทำนายสิ่งแปลกปลอมโดยไม่จำเป็นต้องเพิ่มความรู้ของเราเกี่ยวกับธรรมชาติของความสัมพันธ์พื้นฐานระหว่างตัวแปร

ประเด็นปัญหาหนึ่งที่เกิดขึ้นที่นี่คือการเลือกตัวแปรในการสร้างแบบจำลอง ตัวแปรอาจเป็นตัวแปรอธิบายที่สำคัญ (เช่นมีนัยสำคัญทางสถิติ) แต่อาจไม่เป็นประโยชน์สำหรับวัตถุประสงค์ในการทำนาย (เช่นการรวมไว้ในแบบจำลองจะนำไปสู่ความแม่นยำในการพยากรณ์ที่แย่ลง) ฉันเห็นความผิดพลาดนี้เกือบทุกวันในเอกสารเผยแพร่

ความแตกต่างก็คือความแตกต่างระหว่างการวิเคราะห์องค์ประกอบหลักและการวิเคราะห์ปัจจัย PCA มักใช้ในการทำนาย แต่ก็ไม่มีประโยชน์สำหรับคำอธิบาย FA เกี่ยวข้องกับขั้นตอนการหมุนเพิ่มเติมซึ่งทำเพื่อปรับปรุงการตีความ มีความเป็นโพสต์ดีวันนี้ในบล็อก Galit Shmueli ของเกี่ยวกับเรื่องนี้

อัปเดต: กรณีที่สามเกิดขึ้นในอนุกรมเวลาเมื่อตัวแปรอาจเป็นตัวแปรอธิบายที่สำคัญ แต่ไม่สามารถใช้งานได้ในอนาคต ตัวอย่างเช่นสินเชื่อเพื่อที่อยู่อาศัยอาจมีความสัมพันธ์อย่างมากกับ GDP แต่นั่นไม่ได้ใช้มากนักในการทำนายสินเชื่อบ้านในอนาคตเว้นแต่ว่าเรามีการคาดการณ์ที่ดีของ GDP

แม้ว่าบางคนคิดว่ามันง่ายที่สุดที่จะนึกถึงความแตกต่างในแง่ของแบบจำลอง / อัลกอริธึมที่ใช้ (เช่นโครงข่ายประสาท = ทำนาย) นั่นเป็นเพียงแง่มุมหนึ่งโดยเฉพาะของการอธิบาย / ทำนายความแตกต่าง นี่คือสำรับภาพนิ่งที่ฉันใช้ในหลักสูตรการทำเหมืองข้อมูลเพื่อสอนการถดถอยเชิงเส้นจากมุมทั้งสอง ถึงแม้จะมีการถดถอยเชิงเส้นเพียงอย่างเดียวและด้วยตัวอย่างเล็ก ๆ นี้ปัญหาต่าง ๆ ที่ปรากฏที่นำไปสู่รูปแบบที่แตกต่างกันสำหรับการอธิบายกับเป้าหมายการทำนาย (การเลือกตัวแปรการเลือกตัวแปรการวัดประสิทธิภาพ ฯลฯ )

โกรธ

ตัวอย่าง: ตัวอย่างคลาสสิกที่ฉันได้เห็นอยู่ในบริบทของการทำนายประสิทธิภาพของมนุษย์ การรับรู้ความสามารถของตนเอง (เช่นระดับที่คนคิดว่าพวกเขาสามารถทำงานได้ดี) มักจะเป็นตัวทำนายผลงานที่แข็งแกร่ง ดังนั้นหากคุณใส่ความสามารถของตนเองในการถดถอยหลายครั้งพร้อมกับตัวแปรอื่น ๆ เช่นสติปัญญาและระดับประสบการณ์ก่อนหน้านี้คุณมักจะพบว่าการรับรู้ความสามารถของตนเองเป็นตัวพยากรณ์ที่แข็งแกร่ง

สิ่งนี้ทำให้นักวิจัยบางคนแนะนำว่าการรับรู้ความสามารถของตนเองเป็นสาเหตุของการทำงาน และการแทรกแซงที่มีประสิทธิภาพนั้นเป็นสิ่งที่มุ่งเน้นการเพิ่มความรู้สึกของการรับรู้ความสามารถของตนเอง

อย่างไรก็ตามแบบจำลองเชิงทฤษฎีทางเลือกเห็นว่าการรับรู้ความสามารถของตัวเองส่วนใหญ่เป็นผลมาจากการปฏิบัติงาน คือถ้าคุณเป็นคนดีคุณก็จะรู้ ในกรอบการแทรกแซงนี้ควรเน้นที่การเพิ่มความสามารถที่แท้จริงและไม่รับรู้ความสามารถ

ดังนั้นหากรวมถึงตัวแปรเช่นการรับรู้ความสามารถของตนเองอาจเพิ่มการทำนาย แต่ถ้าคุณใช้โมเดลการรับรู้ความสามารถของตนเองเป็นผลก็ไม่ควรรวมเป็นตัวทำนายหากจุดประสงค์ของโมเดลคือการอธิบายกระบวนการเชิงสาเหตุที่มีอิทธิพลต่อประสิทธิภาพ

หลักสูตรนี้ทำให้เกิดปัญหาของวิธีการพัฒนาและตรวจสอบแบบจำลองเชิงทฤษฎีเชิงสาเหตุ เรื่องนี้ต้องอาศัยการศึกษาหลาย ๆ อย่างชัดเจนโดยเฉพาะอย่างยิ่งกับการจัดการทดลองและการโต้แย้งกันเกี่ยวกับกระบวนการแบบไดนามิก

ใกล้เคียงกับปลาย : ฉันได้เห็นปัญหาที่คล้ายกันเมื่อนักวิจัยมีความสนใจในผลกระทบของสาเหตุปลายและใกล้เคียง สาเหตุใกล้เคียงมักจะทำนายได้ดีกว่าสาเหตุส่วนปลาย อย่างไรก็ตามความสนใจในเชิงทฤษฎีอาจอยู่ในการทำความเข้าใจวิธีการที่สาเหตุส่วนปลายและส่วนที่เหลือทำงาน

ปัญหาการเลือกตัวแปร : สุดท้ายปัญหาใหญ่ในการวิจัยทางสังคมศาสตร์คือปัญหาการเลือกตัวแปร ในการศึกษาใดก็ตามมีตัวแปรจำนวนอนันต์ที่สามารถวัดได้ แต่ไม่ใช่ ดังนั้นการตีความแบบจำลองต้องพิจารณาความหมายของสิ่งนี้เมื่อทำการตีความทางทฤษฎี

การสร้างแบบจำลองทางสถิติ: สองวัฒนธรรม (2001) โดย L. Breiman คือบางทีกระดาษที่ดีที่สุดในจุดนี้ ข้อสรุปหลักของเขา (ดูคำตอบจากนักสถิติที่มีชื่อเสียงคนอื่น ๆ ในตอนท้ายของเอกสาร) มีดังนี้:

• "ความแม่นยำในการทำนายที่สูงขึ้นเกี่ยวข้องกับข้อมูลที่เชื่อถือได้มากขึ้นเกี่ยวกับกลไกข้อมูลพื้นฐานความแม่นยำในการทำนายที่อ่อนแอสามารถนำไปสู่ข้อสรุปที่น่าสงสัยได้"
• "ตัวแบบอัลกอริทึมสามารถให้ความแม่นยำในการคาดการณ์ได้ดีกว่าตัวแบบข้อมูลและให้ข้อมูลที่ดีกว่าเกี่ยวกับกลไกพื้นฐาน"

ฉันไม่ได้อ่านงานของเธอเกินกว่านามธรรมของเอกสารที่เชื่อมโยง แต่ความรู้สึกของฉันคือความแตกต่างระหว่าง "คำอธิบาย" และ "การทำนาย" ควรถูกโยนทิ้งไปและแทนที่ด้วยความแตกต่างระหว่างจุดมุ่งหมายของผู้ปฏิบัติงานซึ่งเป็นทั้ง " สาเหตุ "หรือ" ทำนาย " โดยทั่วไปแล้วฉันคิดว่า "คำอธิบาย" เป็นคำที่คลุมเครือซึ่งไม่ได้มีความหมายอะไรเลย ตัวอย่างเช่นกฎของฮุคเป็นคำอธิบายหรือการคาดการณ์หรือไม่? ในอีกด้านหนึ่งของสเปกตรัมระบบการแนะนำที่แม่นยำถูกต้องคาดการณ์แบบจำลองเชิงสาเหตุที่ดีของการจัดอันดับรายการที่ชัดเจนหรือไม่ ฉันคิดว่าเราทุกคนมีสัญชาตญาณว่าเป้าหมายของวิทยาศาสตร์คือการอธิบายในขณะที่เป้าหมายของเทคโนโลยีคือการทำนาย และสัญชาตญาณนี้จะหลงทางเมื่อพิจารณาถึงเครื่องมือที่เราใช้เช่นอัลกอริทึมการเรียนรู้แบบมีผู้สอน

ต้องบอกว่าทั้งหมดอาจเป็นคำเดียวที่ฉันจะนำไปใช้กับแบบจำลองสามารถตีความได้ การถดถอยมักจะตีความได้ อวนที่มีหลายชั้นมักไม่เป็นเช่นนั้น ฉันคิดว่าบางครั้งผู้คนคิดว่าไร้เดียงสาว่าแบบจำลองที่ตีความได้นั้นให้ข้อมูลเชิงสาเหตุในขณะที่แบบจำลองที่ตีความไม่ได้จะให้ข้อมูลเชิงทำนายเท่านั้น ทัศนคติแบบนี้ดูเหมือนจะสับสนกับฉัน

ฉันยังไม่ชัดเจนว่าคำถามนี้เป็นอย่างไร ต้องบอกว่าในใจของฉันความแตกต่างพื้นฐานระหว่างแบบจำลองการทำนายและอธิบายคือความแตกต่างในการมุ่งเน้นของพวกเขา

แบบจำลองอธิบาย

$x$$y$$\beta$

แบบจำลองการทำนาย

เป้าหมายของแบบจำลองการคาดการณ์คือการทำนายบางสิ่ง ดังนั้นพวกเขาจึงมีแนวโน้มที่จะให้ความสำคัญกับ parsimony หรือความเรียบง่ายน้อยลง แต่มีความสามารถในการทำนายตัวแปรตาม

อย่างไรก็ตามข้างต้นนั้นค่อนข้างที่จะมีความแตกต่างของแบบจำลองเนื่องจากสามารถใช้แบบจำลองเพื่อการทำนายและบางครั้งแบบจำลองการทำนายก็สามารถอธิบายบางสิ่งได้

อย่างที่คนอื่นพูดไปแล้วความแตกต่างนั้นค่อนข้างไร้ความหมายยกเว้นในส่วนที่เกี่ยวข้องกับเป้าหมายของนักวิจัย

Brad Efron หนึ่งในนักวิจารณ์บนกระดาษThe Cultures สองคนทำการสังเกตต่อไปนี้ (ตามที่กล่าวไว้ในคำถามก่อนหน้านี้ ):

การทำนายด้วยตัวเองนั้นเพียงพอในบางครั้งเท่านั้น ที่ทำการไปรษณีย์มีความสุขกับวิธีการใด ๆ ที่ทำนายที่อยู่ที่ถูกต้องจากการเขียนด้วยลายมือ Peter Gregory ทำการศึกษาของเขาเพื่อจุดประสงค์ในการคาดการณ์ แต่ยังเพื่อทำความเข้าใจพื้นฐานทางการแพทย์ของโรคตับอักเสบ การสำรวจทางสถิติส่วนใหญ่มีการระบุปัจจัยสาเหตุเป็นเป้าหมายสูงสุด

เขตข้อมูลบางอย่าง (เช่นยา) วางน้ำหนักอย่างมากในการปรับแบบจำลองเป็นกระบวนการอธิบาย (การกระจาย ฯลฯ ) เป็นวิธีการทำความเข้าใจกระบวนการพื้นฐานที่สร้างข้อมูล สาขาอื่น ๆ มีความกังวลน้อยกว่าและจะมีความสุขกับโมเดล "กล่องดำ" ที่ประสบความสำเร็จในการทำนายสูงมาก สิ่งนี้สามารถทำงานในกระบวนการสร้างแบบจำลองได้เช่นกัน

ด้วยความเคารพคำถามนี้จะเน้นที่ดีขึ้น ผู้คนเคยใช้คำหนึ่งคำเมื่ออีกคำหนึ่งเหมาะสมกว่าหรือไม่ ใช่แน่นอน บางครั้งก็ชัดเจนเพียงพอจากบริบทหรือคุณไม่ต้องการอวดความรู้ บางครั้งผู้คนแค่เลอะเทอะหรือขี้เกียจในศัพท์ของพวกเขา นี่เป็นเรื่องจริงสำหรับหลาย ๆ คนและฉันก็ไม่ได้ดีขึ้นอย่างแน่นอน

สิ่งที่มีค่าที่อาจเกิดขึ้นที่นี่ (พูดคุยคำอธิบายกับการทำนายประวัติย่อ) คือการชี้แจงความแตกต่างระหว่างสองแนวทาง ในระยะสั้นความแตกต่างมุ่งเน้นไปที่บทบาทของเวรกรรม. หากคุณต้องการเข้าใจพลังบางอย่างในโลกและอธิบายว่าทำไมบางอย่างเกิดขึ้นอย่างที่มันเป็นคุณต้องระบุความสัมพันธ์เชิงสาเหตุระหว่างตัวแปรที่เกี่ยวข้อง ในการทำนายคุณสามารถละเว้นสาเหตุได้ ตัวอย่างเช่นคุณสามารถทำนายผลกระทบจากความรู้เกี่ยวกับสาเหตุของมัน คุณสามารถทำนายการมีอยู่ของสาเหตุจากความรู้ที่เกิดขึ้น และคุณสามารถทำนายระดับผลกระทบโดยประมาณได้จากความรู้เกี่ยวกับผลกระทบอื่นที่เกิดจากสาเหตุเดียวกัน ทำไมบางคนต้องการที่จะสามารถทำเช่นนี้? เพื่อเพิ่มความรู้ในสิ่งที่อาจเกิดขึ้นในอนาคตเพื่อให้พวกเขาสามารถวางแผนได้อย่างเหมาะสม ตัวอย่างเช่นคณะกรรมการพิจารณาทัณฑ์บนอาจต้องการที่จะคาดการณ์ความน่าจะเป็นที่ผู้กระทำความผิดจะได้รับการชดเชยหากมีการผ่อนผัน อย่างไรก็ตามนี่ไม่เพียงพอสำหรับคำอธิบาย แน่นอน, การประมาณค่าความสัมพันธ์เชิงสาเหตุที่แท้จริงระหว่างสองตัวแปรอาจเป็นเรื่องยากมาก นอกจากนี้แบบจำลองที่จับภาพ (สิ่งที่คิดว่าเป็น) ความสัมพันธ์เชิงสาเหตุที่แท้จริงมักจะแย่กว่าสำหรับการคาดการณ์ แล้วทำไมต้องเป็นเช่นนั้น ประการแรกสิ่งนี้ส่วนใหญ่จะทำในวิทยาศาสตร์ที่มีการทำความเข้าใจเพื่อประโยชน์ของตัวเอง ประการที่สองหากเราสามารถเลือกสาเหตุที่แท้จริงและสามารถพัฒนาความสามารถในการส่งผลกระทบต่อพวกเขาเราสามารถออกแรงอิทธิพลเหนือผลกระทบ

สำหรับกลยุทธ์การสร้างแบบจำลองทางสถิตินั้นไม่แตกต่างกันมากนัก ความแตกต่างส่วนใหญ่อยู่ที่วิธีดำเนินการศึกษา หากเป้าหมายของคุณคือสามารถคาดการณ์ได้ให้ค้นหาว่าจะมีข้อมูลใดบ้างสำหรับผู้ใช้โมเดลเมื่อพวกเขาจะต้องทำการคาดการณ์ ข้อมูลที่พวกเขาจะไม่สามารถเข้าถึงนั้นไม่มีค่า หากพวกเขาต้องการที่จะสามารถทำนายได้ในระดับหนึ่ง (หรือภายในช่วงแคบ ๆ ) ของผู้ทำนายพยายามจัดกึ่งกลางช่วงของตัวอย่างที่มีการทำนายไว้ในระดับนั้น ตัวอย่างเช่นหากคณะกรรมการพิจารณาทัณฑ์บนส่วนใหญ่ต้องการทราบเกี่ยวกับอาชญากรที่มีความเชื่อมั่นใหญ่ 2 ประการคุณอาจรวบรวมข้อมูลเกี่ยวกับอาชญากรที่มีความเชื่อมั่น 1, 2 และ 3 ในอีกทางหนึ่งการประเมินสถานะสาเหตุของตัวแปรโดยทั่วไปต้องมีการทดสอบ นั่นคือ, หน่วยการทดลองจะต้องได้รับมอบหมายโดยการสุ่มถึงระดับที่กำหนดไว้ล่วงหน้าของตัวแปรอธิบาย หากมีความกังวลเกี่ยวกับลักษณะของผลกระทบเชิงสาเหตุที่เกิดขึ้นกับตัวแปรอื่น ๆ หรือไม่ตัวแปรนั้นจะต้องรวมอยู่ในการทดลอง หากไม่สามารถทำการทดลองจริงได้คุณต้องเผชิญกับสถานการณ์ที่ยากลำบากมากขึ้นสถานการณ์ที่ซับซ้อนเกินไปที่จะเข้าไปที่นี่

คำตอบส่วนใหญ่มีส่วนช่วยในการอธิบายการสร้างแบบจำลองสำหรับคำอธิบายและการสร้างแบบจำลองสำหรับการทำนายคืออะไรและทำไมจึงแตกต่างกัน อะไรคือสิ่งที่ไม่ชัดเจนป่านนี้เป็นวิธีการที่แตกต่างกัน ดังนั้นฉันคิดว่าฉันจะเสนอตัวอย่างที่อาจเป็นประโยชน์

สมมติว่าเรามีส่วนร่วมในการสร้างแบบจำลองวิทยาลัยเกรดเฉลี่ยเป็นหน้าที่ของการเตรียมความพร้อมทางวิชาการ มาตรการของการเตรียมความพร้อมด้านวิชาการเรามี:

1. คะแนนการทดสอบความถนัด;
2. HS เกรดเฉลี่ย; และ
3. จำนวนการทดสอบ AP ที่ผ่านไปแล้ว

กลยุทธ์สำหรับการทำนาย

หากเป้าหมายคือการทำนายฉันอาจใช้ตัวแปรเหล่านี้ทั้งหมดพร้อมกันในโมเดลเชิงเส้นและข้อกังวลหลักของฉันคือความแม่นยำในการทำนาย ตัวแปรใดที่พิสูจน์ว่ามีประโยชน์มากที่สุดในการทำนายวิทยาลัยเกรดเฉลี่ยจะรวมอยู่ในรูปแบบสุดท้าย

กลยุทธ์สำหรับคำอธิบาย

หากเป้าหมายคือคำอธิบายฉันอาจกังวลเกี่ยวกับการลดข้อมูลและคิดอย่างรอบคอบเกี่ยวกับความสัมพันธ์ระหว่างตัวแปรอิสระ ข้อกังวลหลักของฉันคือการตีความค่าสัมประสิทธิ์

ตัวอย่าง

ในปัญหาหลายตัวแปรโดยทั่วไปกับตัวทำนายที่สัมพันธ์กันมันจะไม่ใช่เรื่องแปลกที่จะสังเกตค่าสัมประสิทธิ์การถดถอยที่ "ไม่คาดคิด" เนื่องจากความสัมพันธ์ระหว่างตัวแปรอิสระมันไม่น่าแปลกใจที่จะเห็นค่าสัมประสิทธิ์บางส่วนสำหรับตัวแปรเหล่านี้บางอย่างที่ไม่ได้อยู่ในทิศทางเดียวกับความสัมพันธ์แบบศูนย์สั่งและอาจดูเหมือนง่ายและยากที่จะอธิบาย

ตัวอย่างเช่นสมมติว่าแบบจำลองแสดงให้เห็นว่า (ด้วยคะแนนการทดสอบความถนัดและจำนวนการทดสอบ AP เสร็จสมบูรณ์โดยคำนึงถึงความสำเร็จแล้ว) GPA ระดับมัธยมปลายที่สูงขึ้นเกี่ยวข้องกับ GPAs ของวิทยาลัยที่ ต่ำกว่า ซึ่งไม่เป็นปัญหาสำหรับการคาดการณ์ แต่มันก็ไม่ก่อให้เกิดปัญหาสำหรับรูปแบบการอธิบายที่ความสัมพันธ์ดังกล่าวเป็นเรื่องยากที่จะตีความ แบบจำลองนี้อาจให้การคาดการณ์ตัวอย่างที่ดีที่สุด แต่ก็มีน้อยที่จะช่วยให้เราเข้าใจความสัมพันธ์ระหว่างการเตรียมความพร้อมด้านวิชาการและ GPA ของวิทยาลัย

แต่กลยุทธ์การอธิบายอาจหารูปแบบของการลดตัวแปรเช่นองค์ประกอบหลักการวิเคราะห์ปัจจัยหรือ SEM เพื่อ:

1. มุ่งเน้นไปที่ตัวแปรที่เป็นตัวชี้วัดที่ดีที่สุดของ "ผลการเรียน" และแบบจำลอง GPA ของวิทยาลัยในตัวแปรตัวเดียว หรือ
2. ใช้คะแนนปัจจัย / ตัวแปรแฝงที่ได้จากการรวมกันของทั้งสามมาตรการของการเตรียมการทางวิชาการมากกว่าตัวแปรดั้งเดิม

กลยุทธ์เช่นนี้อาจลดพลังการทำนายของโมเดล แต่พวกเขาอาจเข้าใจได้ดีขึ้นว่าการเตรียมความพร้อมด้านวิชาการเกี่ยวข้องกับวิทยาลัยเกรดเฉลี่ย

ฉันต้องการนำเสนอมุมมองที่เน้นโมเดลในเรื่องนี้

การทำนายแบบจำลองคือสิ่งที่เกิดขึ้นในการวิเคราะห์ส่วนใหญ่ ตัวอย่างเช่นนักวิจัยตั้งค่าแบบจำลองการถดถอยพร้อมตัวพยากรณ์จำนวนมาก ค่าสัมประสิทธิ์การถดถอยนั้นเป็นตัวแทนของการเปรียบเทียบการทำนายระหว่างกลุ่ม ด้านการทำนายนั้นมาจากแบบจำลองความน่าจะเป็น: การอนุมานนั้นกระทำโดยคำนึงถึงแบบจำลองที่มีประชากรมากซึ่งอาจทำให้เกิดประชากรหรือกลุ่มตัวอย่างที่สังเกตได้ จุดประสงค์ของรุ่นนี้คือการทำนายผลลัพธ์ใหม่สำหรับหน่วยที่เกิดขึ้นจากการมีประชากรมากนี้ บ่อยครั้งนี่เป็นเป้าหมายที่ไร้สาระเพราะสิ่งต่าง ๆ เปลี่ยนแปลงตลอดเวลาโดยเฉพาะในโลกสังคม หรือเนื่องจากโมเดลของคุณเกี่ยวกับหน่วยที่หายากเช่นประเทศและคุณไม่สามารถวาดตัวอย่างใหม่ได้ ประโยชน์ของรูปแบบในกรณีนี้เหลือไว้เพื่อชื่นชมนักวิเคราะห์

เมื่อคุณพยายามที่จะสรุปผลลัพธ์ให้กับกลุ่มอื่นหรือหน่วยในอนาคตการคาดการณ์นี้จะยังคงอยู่ แต่จะเป็นแบบอื่น เราอาจเรียกมันว่าการพยากรณ์ จุดสำคัญคือพลังการทำนายของแบบจำลองโดยประมาณนั้นเป็นค่าเริ่มต้นของลักษณะเชิงพรรณนา คุณเปรียบเทียบผลลัพธ์ระหว่างกลุ่มและตั้งสมมติฐานรูปแบบความน่าจะเป็นสำหรับการเปรียบเทียบเหล่านี้ แต่คุณไม่สามารถสรุปได้ว่าการเปรียบเทียบเหล่านี้เป็นผลเชิงสาเหตุ

เหตุผลก็คือว่ากลุ่มคนเหล่านี้อาจได้รับจากอคติเลือก นั่นคือพวกเขาอาจมีคะแนนสูงกว่าในผลของความสนใจโดยไม่คำนึงถึงการรักษา (การแทรกแซงสาเหตุสมมุติ) หรืออาจมีขนาดเอฟเฟกต์การรักษาแตกต่างจากกลุ่มอื่น นี่คือเหตุผลว่าทำไมโดยเฉพาะอย่างยิ่งสำหรับข้อมูลเชิงสังเกตแบบจำลองโดยประมาณโดยทั่วไปเกี่ยวกับการเปรียบเทียบเชิงทำนายและไม่ใช่คำอธิบาย คำอธิบายเกี่ยวกับการระบุและการประเมินผลกระทบเชิงสาเหตุและต้องการการทดลองที่ออกแบบมาอย่างดีหรือการใช้ตัวแปรเครื่องมืออย่างรอบคอบ ในกรณีนี้การเปรียบเทียบการทำนายถูกตัดออกจากอคติการเลือกใด ๆ และแสดงถึงผลกระทบเชิงสาเหตุ แบบจำลองอาจถูกมองว่าเป็นคำอธิบาย

ฉันพบว่าการคิดในแง่เหล่านี้มักจะอธิบายสิ่งที่ฉันทำจริง ๆ เมื่อตั้งค่าแบบจำลองสำหรับข้อมูลบางอย่าง

เราสามารถเรียนรู้ได้มากกว่าที่เราคิดจากโมเดลกล่อง "พยากรณ์" กุญแจสำคัญในการใช้งานการวิเคราะห์ความไวและการจำลองต่าง ๆ เพื่อทำความเข้าใจว่าแบบจำลอง OUTPUT ได้รับผลกระทบจากการเปลี่ยนแปลงในพื้นที่ INPUT อย่างไร ในแง่นี้แม้แต่ตัวแบบทำนายอย่างหมดจดสามารถให้ข้อมูลเชิงลึกที่อธิบายได้ นี่เป็นจุดที่ชุมชนนักวิจัยมักมองข้ามหรือเข้าใจผิด เพียงเพราะเราไม่เข้าใจว่าทำไมอัลกอริธึมจึงไม่ได้หมายความว่าอัลกอริทึมขาดพลังในการอธิบาย ...

โดยรวมจากมุมมองหลักการตอบกลับสั้น ๆ น่าจะเป็นของถูกต้องอย่างแน่นอน ...

มีความแตกต่างระหว่างสิ่งที่เธอเรียกว่าคำอธิบายการใช้งานและการทำนายในสถิติ เธอบอกว่าเราควรรู้ทุกครั้งที่เราใช้อันใดอันหนึ่งซึ่งอันที่จริงถูกใช้งานอยู่ เธอบอกว่าเรามักจะผสมให้เข้ากันจึงconflation

ฉันเห็นด้วยว่าในการใช้งานทางสังคมศาสตร์ความแตกต่างนั้นสมเหตุสมผล แต่ในวิทยาศาสตร์ธรรมชาติพวกเขาเป็นและควรจะเหมือนกัน นอกจากนี้ฉันเรียกพวกเขาว่าการอนุมานกับการคาดการณ์และยอมรับว่าในสังคมศาสตร์เราไม่ควรรวมมันเข้าด้วยกัน

ฉันจะเริ่มต้นด้วยวิทยาศาสตร์ธรรมชาติ ในวิชาฟิสิกส์เรากำลังมุ่งเน้นไปที่การอธิบายเรากำลังพยายามที่จะเข้าใจว่าโลกทำงานอย่างไรสิ่งที่ทำให้เกิดอะไรเป็นต้นดังนั้นการมุ่งเน้นไปที่เวรกรรมการอนุมานและอื่น ๆ ในอีกด้านหนึ่งการทำนายก็เป็นส่วนหนึ่งของกระบวนการทางวิทยาศาสตร์เช่นกัน ในความเป็นจริงวิธีที่คุณพิสูจน์ทฤษฎีซึ่งอธิบายการสังเกตการณ์ได้ดี (คิดถึงตัวอย่าง) คือการทำนายการสังเกตใหม่จากนั้นตรวจสอบว่าการทำนายนั้นทำงานอย่างไร ทฤษฎีใดก็ตามที่ขาดความสามารถในการทำนายจะมีปัญหาใหญ่ในการได้รับการยอมรับในวิชาฟิสิกส์ นั่นเป็นเหตุผลที่การทดลองเช่นMichelson-Morleyมีความสำคัญมาก

ในสังคมศาสตร์โชคไม่ดีที่ปรากฏการณ์ที่ซ่อนอยู่ไม่แน่นอนไม่สามารถทำซ้ำได้ หากคุณดูการสลายตัวของนิวเคลียสคุณจะได้ผลลัพธ์เหมือนเดิมทุกครั้งที่คุณสังเกตเห็นและผลลัพธ์เดียวกันกับที่ฉันหรือเพื่อนเมื่อหนึ่งร้อยปีก่อนได้รับ ไม่ได้อยู่ในสาขาเศรษฐศาสตร์หรือการเงิน นอกจากนี้ความสามารถในการดำเนินการทดลองมี จำกัด อย่างมากเกือบจะไม่มีอยู่จริงสำหรับการใช้งานจริงทั้งหมดเราสังเกตและทำการสุ่มตัวอย่างเท่านั้นจากการสังเกต ฉันสามารถดำเนินการต่อไปได้ แต่ความคิดที่ว่าปรากฏการณ์ที่เราจัดการนั้นไม่เสถียรมากดังนั้นทฤษฎีของเราจึงไม่ได้มีคุณภาพเช่นเดียวกับในวิชาฟิสิกส์ ดังนั้นหนึ่งในวิธีที่เราจัดการกับสถานการณ์คือการมุ่งเน้นไปที่การอนุมาน (เมื่อคุณพยายามที่จะเข้าใจว่าอะไรเป็นสาเหตุหรือส่งผลกระทบอะไร) หรือการคาดการณ์ (แค่พูดในสิ่งที่คุณคิดว่าจะเกิดขึ้นกับสิ่งนี้

แบบจำลองโครงสร้างจะให้คำอธิบายและแบบจำลองการทำนายจะให้การทำนาย ตัวแบบโครงสร้างจะมีตัวแปรแฝง แบบจำลองโครงสร้างเป็นสุดยอดของการวิเคราะห์การถดถอยและปัจจัยพร้อมกัน

ตัวแปรแฝงจะปรากฏในรูปแบบของ collinearity หลายแบบจำลองทำนาย (ถดถอย)