Coherence, charity and triangulation in statistical modelling
Questo articolo critica le distinzioni bayesiane tradizionali applicando la filosofia dell'interpretazione radicale di Donald Davidson per sostenere che la modellizzazione statistica debba essere vista come un sistema di credenze unificato governato dai vincoli di coerenza, carità e triangolazione, riformulando così pratiche come l'elicitazione del prior e il controllo del modello come sforzi per allineare le credenze con la comprensione umana condivisa e la realtà.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
La Mappa Invisibile e il Mondo Condiviso
Immaginate di cercare di orientarvi in una città che non avete mai visitato. Avete una mappa, ma la mappa non è la città stessa; è un insieme di simboli, linee e colori che rappresentano le strade, i parchi e gli edifici. Nel mondo della statistica, questa mappa si chiama "modello", e la città è i "dati" che raccogliamo dal mondo reale. Per molto tempo, scienziati e matematici hanno discusso sulla relazione tra la mappa e la città. Alcuni pensavano che la città fosse una realtà oggettiva e fissa in attesa di essere misurata, e che la mappa fosse solo uno strumento che usavamo per copiarla. Altri pensavano che la mappa fosse interamente nella nostra testa, un'ipotesi soggettiva che non aveva nulla a che fare con le strade reali là fuori.
Questo articolo approfondisce quel dibattito, specificamente all'interno del campo della statistica bayesiana, che è un modo di intendere la probabilità come un "grado di convinzione". Invece di chiedere: "Qual è la vera, immutabile probabilità di pioggia?", il pensiero bayesiano chiede: "Quanto sono convinto che pioverà, dato ciò che so?". L'articolo mette in discussione l'idea che ci sia un muro netto tra le nostre convinzioni interne (la mappa) e il mondo esterno (la città). Suggerisce che non possiamo davvero separare le due cose perché i nostri "dati" sono già plasmati dal "modello" che usiamo per guardarli. Per dare un senso a questo, l'autore utilizza tre principi guida: la Coerenza (la tua mappa deve avere senso internamente, come un puzzle in cui tutti i pezzi si incastrano), la Carità (dovresti assumere che le mappe degli altri siano per lo più corrette per poter comunicare con loro) e la Triangolazione (hai bisogno di almeno due persone che guardano la stessa cosa da angolazioni diverse per capire dove si trova la vera città).
La Grande Idea dell'Articolo: È Tutto Un Grande Sistema di Credenze
In questo articolo, David Sumpter sostiene che dobbiamo smettere di pensare alla statistica come a un gioco di "aggiornamento" di un modello con nuovi dati, come versare acqua in un secchio. Invece, suggerisce che il nostro intero sistema di credenze — il nostro modello, i nostri dati e le nostre previsioni — sia un'unica, gigantesca rete interconnessa. Utilizza l'esempio ricorrente di una partita di calcio per mostrare come questo funzioni. Immaginate tre persone che guardano la stessa partita: Joe, che annota ogni singolo tiro; Jen, che vede solo il punteggio e il numero di tiri sul suo telefono; e Jane, che non ha mai guardato una partita ma ha sentito per anni che la squadra segna circa un gol ogni dieci tiri.
L'articolo mostra che per Joe, Jen e Jane, la linea tra "dati" e "modello" è sfumata. I dati grezzi dei tiri di Joe sono dati per lui, ma per Jane, la sua convinzione che "sia uno su dieci" è il suo dato. I totali progressivi di Jen sono un mix di entrambi. L'autore sostiene che non esistono "dati puri" che aspettano di essere scoperti là fuori nell'universo. Invece, ciò che chiamiamo dati è solo il residuo dei modelli che abbiamo già costruito. Quando guardiamo un tiro di calcio, abbiamo già deciso cosa conta come "tiro" e cosa conta come "gol" prima ancora di scrivere il numero.
L'articolo esclude esplicitamente l'idea che il teorema di Bayes sia una macchina magica dove i dati provengono dall'esterno e aggiornano un modello dall'interno. L'autore suggerisce che questa sia un'incomprensione. Invece, il teorema di Bayes è solo una regola che descrive come le diverse parti del tuo stesso sistema di credenze si tengano insieme. È come una regola in un videogioco che dice: "Se hai questo numero di monete e questo numero di vite, il tuo punteggio deve essere X". Il gioco non "aggiorna" il tuo punteggio dall'esterno; il punteggio è solo una relazione tra le monete e le vite che già possiedi. L'articolo suggerisce che il vero apprendimento non avviene modificando un singolo numero, ma rendendosi conto che l'intera mappa è sbagliata e costruendone una nuova.
Per risolvere questo, l'articolo propone che dobbiamo aggiungere due nuove regole alle nostre mappe statistiche, oltre alla solita regola della "coerenza" (assicurarsi che la matematica non si contraddica). La prima è la Carità. Ciò significa che quando costruiamo un modello, dovremmo assumere che le altre persone abbiano ragione per la maggior parte e che il nostro modello debba avere senso per loro. Se inventi un modo per contare i gol di calcio che nessuno capisce, il tuo modello non è "più coraggioso"; è solo inutile. La seconda regola è la Triangolazione. Ciò significa che dobbiamo controllare le nostre convinzioni confrontandole con le altre persone e con il mondo condiviso. Proprio come due persone che guardano una montagna da lati diversi possono concordare su dove si trovi la vetta, i statistici devono confrontare i loro modelli con quelli degli altri e con il mondo reale per assicurarsi di non stare solo inventando cose.
L'articolo usa la storia di Jen, la figlia, per mostrare come questo funzioni nella vita reale. Lei ha notato qualcosa che il padre (Joe) aveva mancato: la squadra sembrava sbagliare di più subito dopo aver segnato un gol. Non ha semplicemente "aggiornato" un numero; ha capito che il suo intero modo di guardare la partita aveva bisogno di una modifica. Ha usato i dati condivisi (gli appunti di suo padre) e le proprie osservazioni per costruire un sistema di credenze migliore. L'autore suggerisce che i migliori statistici — come i "superforecaster" che prevedono gli eventi mondiali — sono quelli che fanno questo meglio. Non si limitano a seguire la propria logica interna; controllano costantemente le proprie convinzioni rispetto a ciò che pensano gli altri e a ciò che accade realmente nel mondo.
L'articolo conclude con un tocco giocoso su un famoso detto dello statistico George Box, che una volta disse: "Tutti i modelli sono sbagliati, ma alcuni sono utili". L'autore suggerisce che dovremmo ribaltarlo: "La maggior parte dei modelli è corretta, ed è per questo che sono utili". L'idea è che se un modello è utile, deve essere già per la maggior parte corretto riguardo al mondo. Non è una mappa rotta che stiamo cercando di riparare; è una mappa che è già piuttosto buona, e il nostro compito è renderla ancora migliore ascoltando gli altri e guardando insieme il mondo. L'articolo non sostiene di aver risolto tutta la statistica o di aver dimostrato una nuova legge matematica. Invece, suggerisce che pensando alle nostre credenze come a un sistema condiviso, caritatevole e triangolato, possiamo fare una scienza migliore e fare previsioni migliori. È un invito a smettere di trattare i nostri modelli come isole isolate e iniziare a trattarli come ponti tra noi e il mondo.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.