(यह प्रश्न ऐसा लग सकता है कि यह फिलॉसफी एसई के लिए बेहतर अनुकूल है। मैं उम्मीद कर रहा हूं कि सांख्यिकीविद् बॉक्स और श्मुइली के बयानों के बारे में मेरी गलतफहमी को स्पष्ट कर सकते हैं, इसलिए मैं इसे यहां पोस्ट कर रहा हूं)।
जॉर्ज बॉक्स (ARIMA प्रसिद्धि के) ने कहा:
"सभी मॉडल गलत हैं, लेकिन कुछ उपयोगी हैं।"
गैलिट श्मुइली अपने प्रसिद्ध पेपर "टू एक्सप्लेन ऑर प्रेडिक्ट " में , तर्क देती है (और उन लोगों का हवाला देती है जो इससे सहमत हैं):
समझाने और भविष्यवाणी करना एक समान नहीं है, और यह कि कुछ मॉडल समझाने का एक अच्छा काम करते हैं, भले ही वे भविष्यवाणी करने में खराब काम करते हैं।
मुझे लगता है कि ये सिद्धांत किसी भी तरह विरोधाभासी हैं।
यदि कोई मॉडल अच्छी तरह से भविष्यवाणी नहीं करता है, तो क्या यह उपयोगी है?
इससे भी महत्वपूर्ण बात, अगर कोई मॉडल अच्छी तरह से समझाता है (लेकिन जरूरी नहीं कि वह अच्छी तरह से भविष्यवाणी करता है), तो उसे किसी न किसी तरह से सच होना चाहिए (यानी गलत नहीं)। तो बॉक्स के "सभी मॉडल गलत हैं" के साथ वह मेष कैसे करता है?
अंत में, यदि कोई मॉडल अच्छी तरह से समझाता है, लेकिन अच्छी तरह से भविष्यवाणी नहीं करता है, तो यह कैसे वैज्ञानिक है? अधिकांश वैज्ञानिक सीमांकन मानदंड (सत्यापनवाद, मिथ्यादृष्टिवाद, आदि ...) का अर्थ है कि एक वैज्ञानिक कथन में भविष्य कहनेवाला शक्ति है, या बोलचाल की भाषा: एक सिद्धांत या मॉडल केवल तभी सही है जब इसे अनुभवजन्य रूप से परीक्षण (या गलत) किया जा सकता है, जिसका अर्थ है कि इसका अर्थ है भविष्य के परिणामों की भविष्यवाणी करना है।
मेरे सवाल:
- क्या बॉक्स का कथन और श्मुइली के विचार वास्तव में विरोधाभासी हैं, या मैं कुछ याद कर रहा हूं, उदाहरण के लिए एक मॉडल में अभी भी अनुमानित शक्ति नहीं हो सकती है?
- यदि बॉक्स और श्मुइली के बयान विरोधाभासी नहीं हैं , तो एक मॉडल के गलत होने और अच्छी तरह से भविष्यवाणी नहीं करने का क्या मतलब है, फिर भी अभी भी व्याख्यात्मक शक्ति है? इसे अलग तरीके से रखें: यदि कोई शुद्धता और पूर्वानुमेय क्षमता दोनों को दूर ले जाता है, तो एक मॉडल क्या बचा है?
जब किसी मॉडल में व्याख्यात्मक शक्ति होती है, तो क्या अनुभवजन्य सत्यापन संभव है, लेकिन भविष्य कहनेवाला शक्ति नहीं? शमूली ने ऐसी चीजों का उल्लेख किया है: स्पष्टीकरण के लिए एआईसी का उपयोग करें और भविष्यवाणी के लिए बीआईसी, आदि, ... लेकिन मैं यह नहीं देखता कि समस्या कैसे हल करती है। पूर्वानुमान मॉडल के साथ, आप एआईसी, या बीआईसी, या , या नियमितीकरण, आदि का उपयोग कर सकते हैं ... लेकिन अंततः उत्पादन में नमूना परीक्षण और प्रदर्शन से बाहर है जो मॉडल की गुणवत्ता निर्धारित करता है। लेकिन ऐसे मॉडल जो अच्छी तरह से समझाते हैं, मैं नहीं देखता कि कोई भी नुकसान फ़ंक्शन वास्तव में किसी मॉडल का सही मूल्यांकन कैसे कर सकता है। विज्ञान के दर्शन में, अंतर्विरोध की अवधारणा हैएल एल पी < 0.05 पी < 0.1 पी < 0.01जो यहां प्रासंगिक लगता है: किसी भी दिए गए डेटा सेट के लिए, कोई हमेशा विवेकपूर्वक कुछ वितरण (या वितरण का मिश्रण) और नुकसान फ़ंक्शन को इस तरह से चुन सकता है कि वे डेटा को फिट करते हैं (और इसलिए इसे समझाने का दावा किया जा सकता है)। इसके अलावा, जिस को किसी के लिए होना चाहिए , यह दावा करने के लिए कि मॉडल को पर्याप्त रूप से समझाया गया है कि डेटा मनमाना है (पी-वैल्यू की तरह, यह क्यों है और या ?) नहीं है।
- उपरोक्त के आधार पर, कोई व्यक्ति ऐसे मॉडल को कैसे मान्य कर सकता है जो अच्छी तरह से समझाता है, लेकिन अच्छी तरह से भविष्यवाणी नहीं करता है, क्योंकि नमूना परीक्षण संभव नहीं है?