Gründe neben der Vorhersage, Modelle zu bauen?

Joshua Epstein schrieb einen Artikel mit dem Titel "Warum Model?" verfügbar unter http://www.santafe.edu/media/workingpapers/08-09-040.pdf, in dem 16 Gründe angegeben sind:

1. Erklären (sehr verschieden von vorhersagen)
2. Leitfaden Datenerfassung
3. Kerndynamik beleuchten
4. Schlagen Sie dynamische Analogien vor
5. Entdecke neue Fragen
6. Fördern Sie eine wissenschaftliche Geistesgewohnheit
7. Gebundene (Klammer) Ergebnisse zu plausiblen Bereichen
8. Kernunsicherheiten beleuchten.
9. Bieten Sie Krisenoptionen nahezu in Echtzeit an
10. Kompromisse demonstrieren / Effizienz vorschlagen
11. Fordern Sie die Robustheit der vorherrschenden Theorie durch Störungen heraus
12. Stellen Sie die vorherrschende Weisheit als nicht kompatibel mit den verfügbaren Daten dar
13. Praktizierende ausbilden
14. Disziplinieren Sie den politischen Dialog
15. Aufklärung der Öffentlichkeit
16. Zeigen Sie, dass das scheinbar Einfache (Komplexe) komplex (Einfach) ist.

(Epstein geht in seinem Artikel auf viele Gründe näher ein.)

Ich möchte die Community fragen:

• Gibt es weitere Gründe, die Epstein nicht aufgeführt hat?
• Gibt es eine elegantere Möglichkeit, diese Gründe zu konzipieren (vielleicht eine andere Gruppierung)?
• Sind einige von Epsteins Gründen fehlerhaft oder unvollständig?
• sind ihre klareren Ausführungen dieser Gründe?

Grund 17. Schreiben Sie eine Arbeit.

Ein bisschen nur ein Scherz, aber nicht wirklich. Es scheint eine gewisse Überlappung zwischen einigen seiner Punkte zu geben (z. B. 1, 5, 6, 12, 14).

Geld sparen

Ich baue mathematische / statistische zelluläre Mechanismen auf. Zum Beispiel, wie ein bestimmtes Protein die Zellalterung beeinflusst. Die Rolle des Modells ist hauptsächlich die Vorhersage, aber auch das Sparen von Geld. Es ist weitaus billiger, einen einzelnen Modellbauer zu beschäftigen als (sagen wir) einige Biologen im Nasslabor mit den damit verbundenen Ausrüstungskosten. Natürlich ersetzt die Modellierung das Experiment nicht vollständig, sondern unterstützt nur den Prozess.

Zum Spass!

Ich bin sicher, dass die meisten Statistiker / Modellbauer ihren Job machen, weil sie Spaß daran haben. Es ist ganz nett, dafür bezahlt zu werden, etwas zu tun, das Ihnen Spaß macht!

Dimensionsreduzierung

Manchmal können zu viele Daten vorhanden sein, sodass die Bildung eines ersten Modells eine weitere Analyse ermöglicht.

Verordnung

Regierungsbehörden verlangen von Unternehmen, dass sie Berichte nach bestimmten Modellen vorlegen. Dies sorgt für eine gewisse Standardisierung der Aufsicht. Ein Beispiel ist die Verwendung von Value-at-Risk im Finanzsektor.

Steuerung

Ein Hauptaspekt der Literatur zur dynamischen Modellierung ist die Kontrolle. Diese Art von Arbeit erstreckt sich über viele Disziplinen von Politik / Wirtschaft (siehe z. B. Stafford Beer), Biologie (siehe z. B. N Weiners Arbeit über Kybernetik von 1948) bis hin zur zeitgenössischen Theorie der staatlichen Raumkontrolle (siehe für ein Intro Ljung 1999).

Kontrolle hängt in gewisser Weise mit Epsteins 9 und 10 und Shane's Antworten über menschliches Urteilsvermögen / Regulierung zusammen, aber ich fand es sinnvoll, explizit zu sein. In der Tat hätte ich Ihnen am Ende meiner Karriere als Ingenieur eine sehr präzise Antwort auf die Verwendung von Modellierung gegeben: Kontrolle, Inferenz und Vorhersage. Ich denke, die Schlussfolgerung, mit der ich Filterung / Glättung / Dimensionsreduzierung usw. meine, ähnelt möglicherweise den Punkten 3 und 8 von Epstein.

Natürlich wäre ich in meinen späteren Jahren nicht so mutig, die Zwecke der Modellierung auf Kontrolle, Folgerung und Vorhersage zu beschränken. Vielleicht sollte ein vierter, der viele von Epsteins 'Punkten abdeckt, "Zwang" sein - die einzige Möglichkeit, "die Öffentlichkeit zu erziehen", besteht darin, uns zu ermutigen, unsere eigenen Modelle zu erstellen ...

Dies hängt eng mit einigen der anderen zusammen, aber:

Beseitigen Sie menschliches Urteilsvermögen

Die menschliche Entscheidungsfindung unterliegt vielen verschiedenen Kräften und Vorurteilen. Das bedeutet, dass Sie nicht nur unterschiedliche Antworten auf dieselbe Frage erhalten, sondern auch wirklich suboptimale Ergebnisse erzielen können. Beispiele wären die Übervertrauensverzerrung oder Verankerung.

(Nützliche) Maßnahmen ergreifen.

Ich paraphrasiere hier jemand anderen, aber nehmen wir an, wir haben ein System der öffentlichen Gesundheit um das Modell herum aufgebaut, dass Infektionskrankheiten auf böswillige Geister zurückzuführen sind, die sich durch Kontakt ausbreiten. Die Wissenschaft der Mikroben mag ein unendlich besseres Modell sein, aber Sie könnten trotzdem eine gute Anzahl von Ansteckungen verhindern. (Ich denke, dies war das Lesen einer Geschichte der Kybernetik, aber ich kann mich nicht erinnern, wer den Punkt gemacht hat.)

Der Punkt ist, dass wir im Sinne von "alle Modelle schlecht, einige nützlich" Modelle formulieren und verfeinern müssen, um nützliche Maßnahmen mit dauerhaften Konsequenzen zu ergreifen. Andernfalls könnten wir genauso gut Münzen werfen.

Wiederholte Probleme, die irgendeine Form von Nutzen / Kosten beinhalten

In meinem Bereich modellieren wir denselben Variablensatz an verschiedenen Orten, in verschiedenen Zeitrahmen und Größen

Meiner Meinung nach sind 16 zu viele Gründe, eine zu feine Spezifikation und manchmal eine Art Überlappung. Stattdessen würde ich mich persönlich in breite Gruppen einteilen. Wir können die Studienziele in drei Hauptkategorien einteilen: Testen einzelner Hypothesen, explorative Studien und Vorhersagen.