Coherence, charity and triangulation in statistical modelling
Cet article critique les distinctions bayésiennes traditionnelles en appliquant la philosophie de l'interprétation radicale de Donald Davidson pour soutenir que la modélisation statistique devrait être considérée comme un système de croyances unifié régi par les contraintes de cohérence, de charité et de triangulation, reformulant ainsi des pratiques telles que l'élicitation de priors et la vérification de modèles comme des efforts visant à aligner les croyances sur l'entendement humain partagé et la réalité.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
La Carte Invisible et le Monde Partagé
Imaginez que vous essayez de naviguer dans une ville que vous n'avez jamais visitée. Vous avez une carte, mais la carte n'est pas la ville elle-même ; c'est un ensemble de symboles, de lignes et de couleurs qui représentent les rues, les parcs et les bâtiments. Dans le monde des statistiques, cette carte s'appelle un « modèle », et la ville est la « donnée » que nous collectons dans le monde réel. Pendant longtemps, les scientifiques et les mathématiciens se sont disputés sur la relation entre la carte et la ville. Certains pensaient que la ville était une réalité fixe et objective attendant d'être mesurée, et que la carte n'était qu'un outil que nous utilisions pour la copier. D'autres pensaient que la carte était entièrement dans notre tête, une supposition subjective qui n'avait rien à voir avec les rues réelles à l'extérieur.
Cet article explore ce débat, plus précisément au sein du domaine des statistiques bayésiennes, qui est une façon de concevoir la probabilité comme un « degré de croyance ». Au lieu de demander : « Quelle est la chance réelle et immuable qu'il pleuve ? », la pensée bayésienne demande : « À quel point je crois qu'il va pleuvoir, compte tenu de ce que je sais ? ». L'article conteste l'idée qu'il existe un mur rigide entre nos croyances internes (la carte) et le monde extérieur (la ville). Il suggère que nous ne pouvons pas vraiment séparer les deux car nos « données » sont déjà façonnées par le « modèle » que nous utilisons pour les observer. Pour donner du sens à cela, l'auteur utilise trois principes directeurs : la Cohérence (votre carte doit avoir du sens en interne, comme un puzzle où toutes les pièces s'emboîtent), la Charité (vous devez supposer que les cartes des autres sont en grande partie correctes afin de pouvoir communiquer avec eux) et la Triangulation (vous avez besoin d'au moins deux personnes regardant la même chose sous des angles différents pour déterminer où se trouve la véritable ville).
La Grande Idée de l'Article : C'est un Seul et Grand Système de Croyance
Dans cet article, David Sumpter soutient que nous devons cesser de considérer les statistiques comme un jeu de « mise à jour » d'un modèle avec de nouvelles données, comme si l'on versait de l'eau dans un seau. Au lieu de cela, il suggère que notre système de croyance entier — notre modèle, nos données et nos prédictions — est un immense réseau interconnecté. Il utilise l'exemple courant d'un match de football pour montrer comment cela fonctionne. Imaginez trois personnes regardant le même match : Joe, qui note chaque tir ; Jen, qui ne voit que le score et le nombre de tirs sur son téléphone ; et Jane, qui n'a jamais regardé de match mais qui a entendu pendant des années que l'équipe marque environ un but pour dix tirs.
L'article montre que pour Joe, Jen et Jane, la ligne entre « donnée » et « modèle » est floue. La liste brute des tirs est une donnée pour Joe, mais pour Jane, sa croyance selon laquelle « c'est un sur dix » est sa donnée. Les totaux progressifs de Jen sont un mélange des deux. L'auteur soutient qu'il n'existe pas de « donnée pure » attendant d'être découverte dans l'univers. Au lieu de cela, ce que nous appelons donnée n'est que le reliquat des modèles que nous avons déjà construits. Quand nous regardons un tir de football, nous avons déjà décidé ce qui compte comme un « tir » et ce qui compte comme un « but » avant même d'écrire le chiffre.
L'article exclut explicitement l'idée que le théorème de Bayes soit une machine magique où les données proviennent de l'extérieur pour mettre à jour un modèle de l'intérieur. L'auteur suggère que c'est un malentendu. Au lieu de cela, le théorème de Bayes est simplement une règle qui décrit comment les différentes parties de votre propre système de croyance tiennent ensemble. C'est comme une règle dans un jeu vidéo qui dit : « Si vous avez ce nombre de pièces et ce nombre de vies, votre score doit être X. » Le jeu ne « met pas à jour » votre score depuis l'extérieur ; le score est simplement une relation entre les pièces et les vies que vous possédez déjà. L'article suggère que l'apprentissage réel ne se fait pas en ajustant un seul chiffre, mais en réalisant que toute votre carte est fausse et en construisant une nouvelle carte.
Pour remédier à cela, l'article propose d'ajouter deux nouvelles règles à nos cartes statistiques, en plus de la règle habituelle de la « cohérence » (s'assurer que les mathématiques ne se contredisent pas). La première est la Charité. Cela signifie que lorsque nous construisons un modèle, nous devrions supposer que les autres ont largement raison et que notre modèle doit leur faire sens. Si vous inventez une façon de compter les buts de football que personne d'autre ne comprend, votre modèle n'est pas plus « audacieux » ; il est simplement inutile. La seconde règle est la Triangulation. Cela signifie que nous devons vérifier nos croyances par rapport aux autres et au monde partagé. Tout comme deux personnes regardant une montagne depuis des côtés différents peuvent s'accorder sur l'emplacement du sommet, les statisticiens doivent comparer leurs modèles avec ceux des autres et avec le monde réel pour s'assurer qu'ils ne sont pas simplement en train d'inventer des choses.
L'article utilise l'histoire de Jen, la fille, pour montrer comment cela fonctionne dans la vie réelle. Elle a remarqué quelque chose que son père (Joe) avait manqué : l'équipe semblait rater plus souvent juste après avoir marqué un but. Elle n'a pas seulement « mis à jour » un chiffre ; elle a réalisé que toute sa façon de regarder le jeu nécessitait un ajustement. Elle a utilisé les données partagées (les notes de son père) et ses propres observations pour construire un meilleur système de croyance. L'auteur suggère que les meilleurs statisticiens — comme les « superforecasters » qui prédisent les événements mondiaux — sont ceux qui font cela le mieux. Ils ne se contentent pas de s'en tenir à leur propre logique interne ; ils vérifient constamment leurs croyances par rapport à ce que pensent les autres et ce qui se passe réellement dans le monde.
L'article conclut par un détournement ludique d'une célèbre phrase du statisticien George Box, qui disait autrefois : « Tous les modèles sont faux, mais certains sont utiles. » L'auteur suggère de renverser cela : « La plupart des modèles sont corrects, c'est pourquoi ils sont utiles. » L'idée est que si un modèle est utile, il doit déjà être en grande partie juste concernant le monde. Ce n'est pas une carte cassée que nous essayons de réparer ; c'est une carte qui est déjà plutôt bonne, et notre travail est de l'améliorer encore en écoutant les autres et en regardant le monde ensemble. L'article ne prétend pas avoir résolu toute la statistique ou prouvé une nouvelle loi mathématique. Au lieu de cela, il suggère qu'en considérant nos croyances comme un système partagé, charitable et triangulé, nous pouvons faire une meilleure science et faire de meilleures prédictions. C'est un appel à cesser de traiter nos modèles comme des îles isolées et à commencer à les traiter comme des ponts entre nous et le monde.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.