📊 statistics

Coherence, charity and triangulation in statistical modelling

Este artículo critica las distinciones bayesianas tradicionales mediante la aplicación de la filosofía de la interpretación radical de Donald Davidson para argumentar que el modelado estadístico debe verse como un sistema de creencias unificado gobernado por las restricciones de coherencia, caridad y triangulación, reframando así prácticas como la elicitación de la priori y la verificación de modelos como esfuerzos para alinear las creencias con el entendimiento humano compartido y la realidad.

Autores originales: David J. T. Sumpter

Publicado 2026-08-17

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: David J. T. Sumpter

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El mapa invisible y el mundo compartido

Imagina que estás intentando navegar por una ciudad que nunca has visitado. Tienes un mapa, pero el mapa no es la ciudad en sí; es un conjunto de símbolos, líneas y colores que representan las calles, los parques y los edificios. En el mundo de la estadística, este mapa se llama "modelo", y la ciudad son los "datos" que recolectamos del mundo real. Durante mucho tiempo, científicos y matemáticos han debatido sobre la relación entre el mapa y la ciudad. Algunos pensaban que la ciudad era una realidad objetiva y fija esperando ser medida, y que el mapa era solo una herramienta que usábamos para copiarla. Otros pensaban que el mapa estaba enteramente en nuestras cabezas, una suposición subjetiva que no tenía nada que ver con las calles reales del exterior.

Este artículo se sumerge en ese debate, específicamente dentro del campo de la estadística bayesiana, que es una forma de pensar en la probabilidad como un "grado de creencia". En lugar de preguntar: "¿Cuál es la probabilidad real e inalterable de lluvia?", el pensamiento bayesiano pregunta: "¿Qué tan fuerte creo que lloverá, dado lo que sé?". El artículo desafía la idea de que existe un muro rígido entre nuestras creencias internas (el mapa) y el mundo externo (la ciudad). Sugiere que realmente no podemos separar ambos porque nuestros "datos" ya están moldeados por el "modelo" que usamos para observarlos. Para dar sentido a esto, el autor utiliza tres principios rectores: Coherencia (tu mapa debe tener sentido internamente, como un rompecabezas donde todas las piezas encajan), Caridad (debes asumir que los mapas de otras personas son mayormente correctos para poder hablar con ellos) y Triangulación (necesitas al menos a dos personas mirando lo mismo desde diferentes ángulos para descubrir dónde está la verdadera ciudad).

La gran idea del artículo: Es todo un gran sistema de creencias

En este artículo, David Sumpter argumenta que debemos dejar de pensar en la estadística como un juego de "actualizar" un modelo con nuevos datos, como verter agua en un cubo. En su lugar, sugiere que todo nuestro sistema de creencias —nuestro modelo, nuestros datos y nuestras predicciones— es una red gigante e interconectada. Utiliza el ejemplo continuo de un partido de fútbol para mostrar cómo funciona esto. Imagina a tres personas viendo el mismo partido: Joe, que anota cada uno de los tiros; Jen, que solo ve el marcador y el número de tiros en su teléfono; y Jane, que nunca ha visto un partido pero ha escuchado durante años que el equipo marca aproximadamente un gol por cada diez tiros.

El artículo muestra que, para Joe, Jen y Jane, la línea entre "datos" y "modelo" es borrosa. La lista bruta de tiros de Joe es un dato para él, pero para Jane, su creencia de que "es uno de cada diez" es su dato. Los totales acumulados de Jen son una mezcla de ambos. El autor argumenta que no existen "datos puros" esperando ser descubiertos allá afuera en el universo. En cambio, lo que llamamos datos es solo el resto de los modelos que ya hemos construido. Cuando miramos un tiro de fútbol, ya hemos decidido qué cuenta como un "tiro" y qué cuenta como un "gol" antes de siquiera anotar el número.

El artículo descarta explícitamente la idea de que el teorema de Bayes sea una máquina mágica donde los datos vienen del exterior y actualizan un modelo desde el interior. El autor sugiere que esto es un malentendido. En cambio, el teorema de Bayes es solo una regla que describe cómo las diferentes partes de tu propio sistema de creencias se mantienen unidas. Es como una regla en un videojuego que dice: "Si tienes este número de monedas y este número de vidas, tu puntuación debe ser X". El juego no "actualiza" tu puntuación desde el exterior; la puntuación es simplemente una relación entre las monedas y las vidas que ya tienes. El artículo sugiere que el verdadero aprendizaje no ocurre al retocar un solo número, sino al darse cuenta de que todo tu mapa está mal y construir uno nuevo.

Para solucionar esto, el artículo propone que necesitamos añadir dos nuevas reglas a nuestros mapas estadísticos, además de la regla habitual de "coherencia" (asegurarse de que las matemáticas no se contradigan a sí mismas). La primera es la Caridad. Esto significa que, cuando construimos un modelo, debemos asumir que otras personas tienen razón en su mayoría y que nuestro modelo debe tener sentido para ellas. Si inventas una forma de contar goles de fútbol que nadie más entiende, tu modelo no es más "valiente"; es simplemente inútil. La segunda regla es la Triangulación. Esto significa que necesitamos contrastar nuestras creencias con otras personas y con el mundo compartido. Al igual que dos personas mirando una montaña desde lados distintos pueden ponerse de acuerdo sobre dónde está la cima, los estadísticos necesitan comparar sus modelos con los de otros y con el mundo real para asegurarse de que no se están inventando las cosas.

El artículo utiliza la historia de Jen, la hija, para mostrar cómo funciona esto en la vida real. Ella notó algo que su padre (Joe) pasó por alto: el equipo parecía fallar más a menudo justo después de marcar un gol. Ella no solo "actualizó" un número; se dio cuenta de que toda su forma de ver el juego necesitaba un ajuste. Usó los datos compartidos (las notas de su padre) y sus propias observaciones para construir un mejor sistema de creencias. El autor sugiere que los mejores estadísticos —como los "superforecasters" que predicen eventos mundiales— son aquellos que hacen esto mejor. No se limitan solo a su propia lógica interna; contrastan constantemente sus creencias con lo que piensan los demás y con lo que realmente sucede en el mundo.

El artículo concluye con un giro lúdico de una famosa frase del estadístico George Box, quien una vez dijo: "Todos los modelos son erróneos, pero algunos son útiles". El autor sugiere que deberíamos darle la vuelta: "La mayoría de los modelos son correctos, por eso son útiles". La idea es que si un modelo es útil, debe ser ya mayormente acertado sobre el mundo. No es un mapa roto que estamos tratando de arreglar; es un mapa que ya es bastante bueno, y nuestro trabajo es hacerlo aún mejor escuchando a los demás y mirando el mundo juntos. El artículo no pretende haber resuelto toda la estadística o haber demostrado una nueva ley matemática. En cambio, sugiere que al pensar en nuestras creencias como un sistema compartido, caritativo y triangulado, podemos hacer mejor ciencia y realizar mejores predicciones. Es un llamado a dejar de tratar nuestros modelos como islas aisladas y empezar a tratarlos como puentes entre nosotros y el mundo.

Resumen Técnico: Coherencia, Caridad y Triangulación en el Modelado Estadístico

Planteamiento del Problema
El artículo aborda tensiones fundacionales en la estadística bayesiana, específicamente la dependencia de distinciones dualistas como la frecuencia frente al enfoque bayesiano, la probabilidad objetiva frente a la subjetiva, y la separación del modelo de los datos. El autor argumenta que estas distinciones suelen basarse en un "dualismo esquema-contenido": la idea de que existe un "dado" empírico no interpretado (contenido) esperando ser organizado por un marco conceptual (esquema). Este dualismo conduce a dificultades conceptuales, tales como la ininteligibilidad de la "probabilidad objetiva" independiente de un modelo, el problema de la elección de los priors en ausencia de un "dado", y el error de concebir la inferencia bayesiana como un proceso de actualización de un modelo por parte de los datos desde el exterior. El artículo postula que estos dualismos oscurecen la verdadera naturaleza de la práctica estadística, la cual consiste en la construcción, verificación y reconstrucción de sistemas de creencias, más que en una simple actualización inductiva.

Metodología
El artículo emplea un análisis filosófico fundamentado en la "interpretación radical" de Donald Davidson y su crítica al "tercer dogma del empirismo" (el dualismo esquema-contenido). La metodología consiste en:

Crítica Conceptual: Aplicar los argumentos de Davidson a los fundamentos estadísticos para demostrar que la separación de esquema (modelo) y contenido (datos) es ininteligible.
Ejemplo Continuo: Utilizar un único ejemplo consistente a lo largo del texto —estimar la probabilidad de que un equipo de fútbol marque un gol— para ilustrar cómo funcionan los espacios de probabilidad, las variables aleatorias y los sistemas de creencias. Este ejemplo distingue entre diferentes observadores (Joe, Jen y Jane) que poseen diferentes representaciones de los datos (secuencias completas, conteos acumulativos o creencias previas) pero comparten una realidad común.
Reinterpretación de la Mecánica Bayesiana: Reencuadrar el teorema de Bayes no como una regla de actualización externa donde los datos modifican un modelo, sino como una restricción de coherencia interna dentro de un espacio de probabilidad preexistente.
Síntesis con la Práctica Estadística: Mapear las tres restricciones de Davidson para un sistema de creencias racional (coherencia, caridad y triangulación) sobre las prácticas estadísticas existentes (elicitación de priors, verificación de modelos y revisión por pares).

Contribuciones Clave
El artículo realiza tres contribuciones teóricas primarias:

Rechazo del Dualismo Esquema-Contenido en la Estadística: Argumenta que los modelos y los datos no son entidades distintas, sino partes de un único sistema de creencias. Los datos no son un "dado" independiente del modelo; más bien, lo que cuenta como dato está moldeado por elecciones de modelado previas (por ejemplo, qué se contabiliza, cómo se asume la independencia).
Internalización del Teorema de Bayes: El artículo sostiene que el teorema de Bayes describe relaciones internas a un sistema de creencias (entre variables aleatorias definidas dentro de un espacio de probabilidad) en lugar de un mecanismo para que datos externos actualicen un modelo. En consecuencia, el "aprendizaje" no es el condicionamiento de un modelo fijo mediante nuevos datos, sino el proceso más amplio de construir, verificar y reconstruir el sistema de creencias completo cuando este no logra explicar las observaciones.
Expansión de las Restricciones de la Racionalidad: Mientras que la tradición subjetiva enfatiza la coherencia (la adhesión a los axiomas de probabilidad), el artículo argumenta que una práctica estadística robusta requiere dos restricciones adicionales de carácter davidsoniano:
- Caridad: Interpretar un sistema de creencias (o las elecciones de un modelador) como mayormente racional y correcto para hacerlo inteligible. Esto justifica prácticas como la elicitación de expertos y la combinación de información.
- Triangulación: Fijar el contenido de las creencias a través de la interacción de múltiples agentes que responden a un mundo compartido. Esto justifica las prácticas de verificación de modelos contra los datos, la revisión por pares y el uso de priors débilmente informativos para asegurar la plausibilidad ante una comunidad.

Resultados y Argumentos

Los Grados de Creencia son Objetivos: El artículo argumenta que un grado de creencia no es meramente subjetivo o arbitrario. Debido a que los sistemas de creencias deben ser interpretables por otros (caridad) y estar anclados en un mundo compartido (triangulación), son responsables ante la realidad objetiva. La convergencia de las creencias no es una convergencia hacia una "probabilidad objetiva" oculta, sino una convergencia de sistemas interpretables.
La Naturaleza de los Parámetros: Los parámetros (por ejemplo, la tasa de goles $\Theta$ ) no son hechos ocultos detrás de los datos, sino características de la propia secuencia de datos (por ejemplo, el límite de la frecuencia de goles). La distincción entre un estadístico y un parámetro es una cuestión de qué coordenadas del sistema de creencias se mantienen fijas frente a cuáles se permiten variar.
Selección de Modelos y Actualización: El artículo se alinea con la visión de Gelman y Shalizi de que la práctica estadística es un ciclo hipotético-deductivo (construir, verificar, reconstruir) en lugar de una acumulación inductiva. La "actualización" de un modelo es en realidad una selección dentro de un espacio de probabilidad fijo; el aprendizaje genuino ocurre cuando el espacio mismo es revisado.
Reinterpretación de "Todos los Modelos son Erróneos": Desafiando el famoso dictamen de George Box, el artículo sugiere que "La mayoría de los modelos son correctos, por eso son útiles". Un modelo en uso serio ya ha sido hecho "mayormente verdadero" del mundo mediante las restricciones de caridad y triangulación. Su utilidad es una medida de su acuerdo con un mundo compartido, no un consuelo por su falsedad.

Significancia y Pretensiones
El artículo afirma que su significancia radica en disolver los dualismos que a menudo complican la filosofía estadística. Al adoptar el marco de Davidson, el artículo sostiene que:

La naturaleza "subjetiva" de los priors bayesianos no es una debilidad, sino una característica de un sistema de creencias que debe ser inteligible para otros (caridad) y estar anclado en la experiencia compartida (triangulación).
Las prácticas estadísticas estándar —como la elicitación de priors de expertos, el uso de priors débilmente informativos y la verificación rigurosa de modelos contra los datos— no son arreglos ad hoc, sino consecuencias necesarias de los requisitos para que un sistema de creencias sea racional e interpretable.
El objetivo de la inferencia estadística no es aproximarse a una "visión desde ninguna parte" o ser "menos erróneo" evitando el error, sino construir sistemas de creencias que sean "ligeramente más acertados" al ser más plenamente responsables ante otros intérpretes y el mundo compartido.

El artículo concluye que estos hallazgos no requieren nueva maquinaria matemática, sino un cambio de perspectiva: ver el modelado estadístico como la construcción de un sistema de creencias coherente, caritativo y triangulado, en lugar de un proceso mecánico de actualización de priors con datos.

El mapa invisible y el mundo compartido

La gran idea del artículo: Es todo un gran sistema de creencias

Más como este