Des raisons en plus de la prédiction pour construire des modèles?

Joshua Epstein a écrit un article intitulé "Why Model?" disponible sur http://www.santafe.edu/media/workingpapers/08-09-09-040.pdf dans lequel se trouvent 16 raisons:

1. Expliquer (très distinct de prédire)
2. Guide de collecte des données
3. Illuminez la dynamique du cœur
4. Suggérer des analogies dynamiques
5. Découvrez de nouvelles questions
6. Promouvoir une habitude d'esprit scientifique
7. Résultats liés (fourchette) à des plages plausibles
8. Illuminez les incertitudes fondamentales.
9. Offrir des options de crise en temps quasi réel
10. Démontrer les compromis / suggérer des économies
11. Défiez la robustesse de la théorie dominante à travers les perturbations
12. Exposer la sagesse actuelle comme incompatible avec les données disponibles
13. Former les praticiens
14. Discipliner le dialogue politique
15. Éduquer le grand public
16. Révéler l'apparentement simple (complexe) pour être complexe (simple)

(Epstein développe de nombreuses raisons plus en détail dans son article.)

Je voudrais demander à la communauté:

• y a-t-il d'autres raisons pour lesquelles Epstein n'a pas énuméré?
• existe-t-il une manière plus élégante de conceptualiser (un regroupement différent peut-être) ces raisons?
• Y a-t-il des raisons d'Epstein imparfaites ou incomplètes?
• sont leurs explications plus claires de ces raisons?

Raison 17. Écrivez un papier.

Je plaisante, mais pas vraiment. Il semble y avoir un peu de chevauchement entre certains de ses points (par exemple 1, 5, 6, 12, 14).

Économiser de l'argent

Je construis mathématique / statistique des mécanismes cellulaires. Par exemple, comment une protéine particulière affecte le vieillissement cellulaire. Le rôle du modèle est principalement la prédiction, mais aussi d'économiser de l'argent. Il est beaucoup moins cher d'employer un seul modeleur que (disons) quelques biologistes de laboratoire humide avec les coûts d'équipement associés. Bien sûr, la modélisation ne remplace pas complètement l'expérience, elle aide simplement le processus.

Pour s'amuser!

Je suis sûr que la plupart des statisticiens / modélisateurs font leur travail parce qu'ils l'apprécient. Être payé pour faire quelque chose que vous aimez est très agréable!

réduction de dimension

Parfois, il peut y avoir trop de données, donc la formation d'un modèle initial permet une analyse plus approfondie.

régulation

Les agences gouvernementales exigent des entreprises qu'elles fournissent des rapports en utilisant certains modèles. Cela permet une certaine standardisation de la surveillance. Un exemple est l'utilisation de la valeur à risque dans le secteur financier.

Contrôle

Un aspect majeur de la littérature sur la modélisation dynamique est associé au contrôle. Ce type de travail couvre de nombreuses disciplines allant de la politique / économie (voir, par exemple, Stafford Beer), la biologie (voir par exemple le travail de N Weiner en 1948 sur la cybernétique) jusqu'à la théorie contemporaine du contrôle de l'espace d'État (voir pour une intro Ljung 1999).

Le contrôle est en quelque sorte lié aux Epstein 9 et 10, et aux réponses de Shane sur le jugement / la régulation humaine, mais je pensais que c'était logique d'être explicite. En effet, à la fin de ma carrière d'ingénieur je vous aurais donné une réponse très concise aux usages de la modélisation: contrôle, inférence et prédiction. Je suppose que l'inférence, par laquelle je veux dire filtrage / lissage / réduction de dimension, etc., est peut-être similaire aux points 3 et 8 d'Epstein.

Bien sûr, dans mes dernières années, je ne serais pas assez audacieux pour limiter les objectifs de la modélisation au contrôle, à l'inférence et à la prédiction. Peut-être qu'un quatrième, couvrant bon nombre des points d'Epsteins, devrait être de la "coercition" - la seule façon de "sensibiliser le public" est de nous encourager à créer nos propres modèles ...

Ceci est étroitement lié à certains des autres, mais:

Éliminez le jugement humain

La prise de décision humaine est soumise à de nombreuses forces et biais différents. Cela signifie que non seulement vous obtenez des réponses différentes à la même question, mais vous pouvez également vous retrouver avec des résultats vraiment sous-optimaux. Des exemples pourraient être le biais de sur-confiance ou l'ancrage.

Prendre des mesures (utiles).

Je paraphrase quelqu'un d'autre ici, mais supposons que nous avons construit un système de santé publique autour du modèle selon lequel les maladies infectieuses sont dues à des esprits malveillants qui se propagent par contact. La science des microbes est peut-être un modèle infiniment meilleur, mais vous pourriez néanmoins éviter un bon nombre de contagions. (Je pense que c'était sur la lecture d'une histoire de la cybernétique, mais je ne me souviens pas qui a fait le point.)

Le fait est que, sur le modèle de "tous les modèles mauvais, certains utiles", nous devons formuler des modèles et les affiner afin d'entreprendre toute action utile ayant des conséquences durables. Sinon, nous pourrions aussi bien lancer des pièces.

Problèmes répétitifs qui impliquent une certaine forme d'avantage / coût

Dans mon domaine, nous modélisons le même ensemble de variables à différents emplacements, délais et amplitudes

À mon avis, 16 sont trop de raisons, une spécification trop fine et une sorte de chevauchement parfois. Au lieu de cela, je rationaliserais personnellement en grands groupes. Nous pouvons classer les objectifs de l'étude en 3 catégories principales: test d'hypothèse unique, étude exploratoire et prédire.