Все модели неправильны но некоторые полезны

«По сути, все модели ошибочны, но некоторые полезны».

— Коробка, Джордж EP; Норман Р. Дрейпер (1987). Эмпирическое моделирование и ответные поверхности, с. 424, Wiley. ISBN 0471810339.

В чем именно смысл этой фразы?

Я думаю, что его значение лучше всего проанализировать, рассмотрев его в двух частях:

«Все модели ошибочны», то есть каждая модель ошибочна, потому что это упрощение реальности. Некоторые модели, особенно в «жестких» науках, ошибаются лишь немного. Они игнорируют такие вещи, как трение или гравитационное воздействие крошечных тел. Другие модели сильно ошибаются – они игнорируют большие вещи. В социальных науках мы многое игнорируем.

«Но некоторые полезны» – упрощения реальности могут быть весьма полезны. Они могут помочь нам объяснить, предсказать и понять вселенную и все ее различные компоненты.

Это не просто так в статистике! Карты являются типом модели; они не правы. Но хорошие карты очень полезны. Примеров других полезных, но неправильных моделей предостаточно.

Это означает, что полезные идеи могут быть получены из моделей, которые не являются идеальным представлением явлений, которые они моделируют.

Статистическая модель – это описание системы с использованием математических понятий. Таким образом, во многих случаях вы добавляете определенный уровень абстракции для облегчения логической процедуры (например, нормальность ошибок измерения, составная симметрия в корреляционных структурах и т. Д.). Это почти невозможно для одной модели , чтобы описать совершенно реальный мир феномен дал себе иметь субъективный взгляд на мир (наша сенсорная система не идеальна); тем не менее, успешный статистический вывод действительно имеет место, поскольку наш мир обладает определенной степенью последовательности, которую мы используем. Таким образом, наши почти всегда неправильные модели оказываются полезными .

(Я уверен, что вы скоро получите большой смелый ответ, но я постарался быть кратким в этом!)

Я нашел этот доклад JSA 2009 года Тэда Тарпи, чтобы дать полезное объяснение и комментарий к отрывку из коробки. Он утверждает, что если мы рассматриваем модели как приближения к истине, мы могли бы так же легко назвать все модели правильными.

Вот тезисы:

Исследователи статистики часто знакомятся с известной цитатой Джорджа Бокса: «Все модели неправильны, некоторые полезны». В этом выступлении я утверждаю, что эта цитата, хотя и полезна, ошибочна. Другая и более позитивная точка зрения – признать, что модель – это просто средство извлечения интересующей информации из данных. Истина бесконечно сложна, а модель является лишь приближением к истине. Если приближение плохое или вводит в заблуждение, то модель бесполезна. В этом выступлении я привожу примеры правильных моделей, которые не являются настоящими моделями. Я иллюстрирую, как понятие «неправильной» модели может привести к неправильным выводам.

Для меня фактическое понимание заключается в следующем аспекте:

Модель не должна быть правильной, чтобы быть полезной.

К сожалению, во многих науках часто забывают, что модели не обязательно должны быть точным представлением реальности, чтобы допускать новые открытия и предсказания!

Так что не тратьте свое время на создание сложной модели, которая требует точных измерений множества переменных. Настоящий гений изобретает простую модель, которая делает эту работу.

Модель не может обеспечить 100% точные прогнозы, если есть какие-либо случайности в результатах. Если бы не было никакой неопределенности, никакой случайности и никакой ошибки, то это считалось бы фактом, а не моделью. Первое очень важно, потому что модели часто используются для моделирования ожиданий событий, которые не произошли. Это почти гарантирует, что существует некоторая неопределенность в отношении реальных событий.

Учитывая точную информацию, теоретически может быть возможно создать модель, которая дает идеальные прогнозы для таких точно известных событий. Однако даже с учетом этих маловероятных обстоятельств такая модель может быть настолько сложной, что ее невозможно использовать в вычислительном отношении, и она может быть точной только в конкретный момент времени, поскольку другие факторы изменяют то, как значения меняются в зависимости от событий.

Поскольку неопределенность и случайность присутствуют в большинстве реальных данных, попытки получить идеальную модель бесполезны. Вместо этого более ценно взглянуть на получение достаточно точной модели, достаточно простой для того, чтобы ее можно было использовать с точки зрения как данных, так и вычислений, необходимых для ее использования. Хотя эти модели, как известно, несовершенны, некоторые из этих недостатков хорошо известны и могут быть рассмотрены для принятия решений на основе моделей.

Более простые модели могут быть несовершенными, но их также легче рассуждать, сравнивать друг с другом, и с ними легче работать, поскольку они, вероятно, будут менее требовательными в вычислительном отношении.

Если позволите, может быть полезен только один комментарий. Версия празы, которую я предпочитаю,

(…) все модели являются приближенными. По сути, все модели ошибочны, но некоторые полезны (…)

взято из « Поверхностей отклика, смесей и анализов хребтов » Бокса и Дрейпера (2007, с. 414, Wiley). Глядя на расширенную цитату, становится более ясным, что имел в виду Бокс – статистическое моделирование касается аппроксимации реальности, а аппроксимация никогда не бывает точной, поэтому речь идет о поиске наиболее подходящего приближения. То, что подходит для ваших целей, является субъективной вещью, поэтому это не одна из полезных моделей, но, возможно, некоторые из них, в зависимости от цели моделирования.

Поскольку никто не добавил его, Джордж Бокс использовал указанную фазу, чтобы ввести следующий раздел в книгу. Я считаю, что он лучше всех объясняет, что имел в виду:

PV=RTPV=RTPPVVTTRR

Для такой модели нет необходимости задавать вопрос «Является ли модель верной?». Если «истина» должна быть «всей правдой», ответ должен быть «Нет». Единственный интересный вопрос – «Модель полезна и полезна?».

Box, GEP (1979), «Робастность в стратегии построения научной модели», в Launer, RL; Уилкинсон, Г. Н., Робастность в статистике , Academic Press, стр. 201–236.

Вы можете думать об этом таким образом. максимальная сложность (т.е. энтропия) объекта подчиняется некоторой форме границы Бекенштейна :

I≤2πREℏcln2I≤2πREℏcln⁡2

EERR

Это большое число, в большинстве случаев:

2.58991⋅10422.58991·1042Ω=2IΩ=2I107.79640⋅1041107.79640·1041

Итак, вы хотите использовать «лучшую карту», ​​т.е. саму территорию, со всеми волновыми уравнениями для всех частиц в каждой ячейке? Точно нет. Это будет не только вычислительная катастрофа, но вы будете моделировать вещи, которые по сути не имеют ничего общего с тем, что вас волнует. Если все, что вы хотите сделать, это, скажем, определить, проснулся ли я или нет, вам не нужно знать, что делает электрон # 32458 в нейроне # 844030, рибосома # 2305, молекула # 2. Если вы не моделируете это, ваша модель действительно «неправильна», но если вы можете определить, бодрствую ли я или нет, ваша модель определенно пригодится.

Я только что перефразировал приведенный выше ответ, рассматривая модели процессов в качестве точки фокусировки. Утверждение можно интерпретировать следующим образом:

«Все модели ошибочны», то есть каждая модель ошибочна, потому что это упрощение реальности. Некоторые модели только немного не правы. Они игнорируют некоторые вещи, например: -> изменяющиеся требования, -> игнорирование завершения проекта в установленные сроки, -> не принимая во внимание желаемый уровень качества клиента и т. Д … Другие модели сильно ошибаются – они игнорируют большие вещи. Классические модели процессов программного обеспечения игнорируют многое по сравнению с моделями гибких процессов, которые игнорируют меньше.

«Но некоторые полезны» – упрощения реальности могут быть весьма полезны. Они могут помочь нам объяснить, предсказать и понять весь проект и все его различные компоненты. Модели используются потому, что их функции соответствуют большинству программ разработки программного обеспечения.

Я хотел бы дать другое толкование термина «полезный». Наверное, не тот, о котором думал Бокс.

Когда вам нужно принимать решения, и именно для этого в конечном итоге будет использоваться вся информация, тогда вы должны измерять свой успех в той или иной форме. Когда речь идет о решениях с неопределенной информацией, эту меру часто называют полезностью.

Таким образом, мы можем также думать о полезных моделях как о тех, которые позволяют нам принимать более обоснованные решения; для достижения наших целей более эффективно.

Это добавляет еще одно измерение поверх обычных критериев, таких как способность модели правильно что-то прогнозировать: это позволяет нам сопоставлять различные аспекты, которые имеет отношение модель друг к другу.