To pytanie odnosi się do pracy Galit Shmueli „Wyjaśnić lub przewidzieć” .
W szczególności w sekcji 1.5 „Wyjaśnianie i przewidywanie są różne” profesor Shmueli pisze:
W modelowaniu objaśniającym nacisk kładziony jest na minimalizowanie stronniczości w celu uzyskania jak najdokładniejszej reprezentacji podstawowej teorii.
To mnie intrygowało za każdym razem, gdy czytam gazetę. W jakim sensie minimalizacja błędu systematycznego w szacunkach daje najdokładniejsze przedstawienie leżącej u podstaw teorii?
Widziałem też przemówienie profesora Shmueli tutaj , wygłoszone na JMP Discovery Summit 2017, i stwierdza:
... rzeczy, które są jak modele skurczowe, zespoły, nigdy ich nie zobaczysz. Ponieważ modele te z założenia wprowadzają odchylenie w celu zmniejszenia ogólnego odchylenia / wariancji. Dlatego ich tam nie będzie, nie ma to teoretycznego sensu. Dlaczego miałbyś specjalnie celować w swój model?
To tak naprawdę nie rzuca światła na moje pytanie, po prostu potwierdzając twierdzenie, którego nie rozumiem.
Jeśli teoria ma wiele parametrów i mamy mało danych do ich oszacowania, błąd oszacowania będzie zdominowany przez wariancję. Dlaczego niewłaściwe byłoby stosowanie procedury oceny tendencyjnej, takiej jak regresja kalenicy (skutkująca tendencyjnymi oszacowaniami mniejszej wariancji) w tej sytuacji?